• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.55.2021.tde-19012022-161011
Document
Auteur
Nom complet
Fernanda Yuka Ueno
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Carlos, 2021
Directeur
Jury
Santos, Maristela Oliveira dos (Président)
Delbem, Alexandre Cláudio Botazzo
Munari Junior, Pedro Augusto
Nascimento, Mariá Cristina Vasconcelos
Titre en portugais
Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes
Mots-clés en portugais
Aprendizado de máquina
Heurística fix-and-optimize
Heurística relax-and-fix
Problema de dimensionamento de lotes
Resumé en portugais
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.
Titre en anglais
Machine learning on decomposition heuristics for lot sizing problems
Mots-clés en anglais
Fix-and-optimize
Lot sizing problem
Machine learning
Relax-and-fix
Resumé en anglais
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.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2022-01-19
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2022. Tous droits réservés.