Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.55.2021.tde-19012022-161011
Documento
Autor
Nome completo
Fernanda Yuka Ueno
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2021
Orientador
Banca examinadora
Santos, Maristela Oliveira dos (Presidente)
Delbem, Alexandre Cláudio Botazzo
Munari Junior, Pedro Augusto
Nascimento, Mariá Cristina Vasconcelos
Título em português
Aprendizado de máquina em heurÃsticas de decomposição para problemas de dimensionamento de lotes
Palavras-chave em português
Aprendizado de máquina
HeurÃstica fix-and-optimize
HeurÃstica relax-and-fix
Problema de dimensionamento de lotes
Resumo em português
Neste trabalho, são propostas heurÃsticas 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 heurÃsticas desenvolvidas são compostas de duas fases: construção de uma solução inicial e melhoria. As soluções iniciais são obtidas por meio da heurÃstica relax-and-fix ou por um resolvedor comercial de otimização (primeira solução factÃvel obtida). As heurÃsticas 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 heurÃsticas, foram utilizadas instâncias da literatura e as soluções são comparadas com as soluções obtidas por um otimizador comercial.
Título em inglês
Machine learning on decomposition heuristics for lot sizing problems
Palavras-chave em inglês
Fix-and-optimize
Lot sizing problem
Machine learning
Relax-and-fix
Resumo em inglês
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.
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2022-01-19