Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Ueno, Fernanda Yuka
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19012022-161011/
Resumo: Neste trabalho, são propostas heurísticas baseadas na partição do conjunto de variáveis dos modelos matemáticos, as quais são utilizadas para a resolução de dois problemas de dimensionamento de lotes. As heurísticas desenvolvidas são compostas de duas fases: construção de uma solução inicial e melhoria. As soluções iniciais são obtidas por meio da heurística relax-and-fix ou por um resolvedor comercial de otimização (primeira solução factível obtida). As heurísticas de melhoria são do tipo fix-and-optimize com partições clássicas e ADN (Automatically designed neighborhoods), que constrói uma vizinhança de forma automática, utilizando aprendizado de máquina não supervisionado, ou seja, usamos dois algoritmos de agrupamento: o k-means e o k-medoids. Nos experimentos computacionais, abordamos o problema de dimensionamento de lotes com múltiplas plantas distintas e o problema de dimensionamento de lotes multiestágio. Para realizar a comparação entre as heurísticas, foram utilizadas instâncias da literatura e as soluções são comparadas com as soluções obtidas por um otimizador comercial.