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.

In this paper, heuristics based on the partition of the set of variables of the mathematical models are proposed, which are used to solve two lot sizing problems. The developed heuristics are composed of two phases: construction of an initial solution and improvement. The initial solutions are obtained through the relax-and-fix heuristic or by a commercial optimization solver (first feasible solution obtained). The improvement heuristics are of the fix-and-optimize type with classical partitions and ADN (Automatically designed neighborhoods), which builds a neighborhood automatically using unsupervised machine learning, i.e., we use two clustering algorithms, k-means and k-medoids. In the computational experiments we address the lot sizing problem with multiple distinct plants and the multistage lot sizing problem. To perform the comparison between the heuristics, instances from the literature were used and the solutions are compared with the solutions obtained by a commercial optimizer.