Busca avançada
Ano de início
Entree

Desenvolvimento de uma meta-heurística híbrida com parâmetros adaptativos para resolução do problema de escalonamento de técnicos em campo

Processo: 20/00198-9
Linha de fomento:Bolsas no Brasil - Mestrado
Vigência (Início): 01 de abril de 2020
Vigência (Término): 31 de março de 2022
Área do conhecimento:Engenharias - Engenharia de Produção - Pesquisa Operacional
Pesquisador responsável:Antônio Augusto Chaves
Beneficiário:Ricardo Vinicio Silva Martins
Instituição-sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
Vinculado ao auxílio:18/15417-8 - Desenvolvimento de uma meta-heurística híbrida com fluxo de controle e parâmetros adaptativos, AP.JP2
Assunto(s):Algoritmos evolutivos   Algoritmos genéticos   Otimização combinatória   Meta-heurística   Sequenciamento

Resumo

O estudo de meta-heurísticas eficientes para resolver problemas de otimização tem sido alvo de muitas pesquisas por parte da comunidade científica. Para obter bons resultados em termos de qualidade de soluções e tempo computacional é importante haver uma boa configuração da meta-heurística. Este processo de especificação do fluxo de controle e dos valores dos parâmetros de um método é uma tarefa árdua. Desta forma, este projeto tem como ideia central o desenvolvimento e aperfeiçoamento do método adaptativo Biased Random-key Genetic Algorithm (A-BRKGA) para escolher quais componentes serão utilizados e em qual sequência (fluxo do A-BRKGA) e quais parâmetros utilizar enquanto uma instância de um problema esteja sendo resolvida. Para tal, serão estudadas técnicas de aprendizagem de máquinas e mecanismos adaptativos e reativos para construir um A-BRKGA com configuração on-line de parâmetros e fluxo de controle. O principal objetivo é gerar um algoritmo eficiente para resolver problemas de otimização combinatória e que o código seja fácil de ser reutilizado. Para avaliar o método proposto será estudado um problema de otimização com aplicações industriais e logísticas: problema de escalonamento de técnicos em campo. Os testes computacionais utilizarão problemas testes disponíveis na literatura e estudos de casos reais. O método será comparado com algoritmos estado-da-arte por meio de análises estatísticas. (AU)