Browsing by Author "Dias, Daniel Joaquim da Silva"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Aplicação de machine learning na parametrização de meta-heurísticas para resolver problemas de escalonamento das operaçõesPublication . Dias, Daniel Joaquim da Silva; Santos, André Borges Guimarães Serra eOs Problemas de Escalonamento são desafios comuns em diversas áreas, e envolvem a procura por soluções ótimas em espaços de soluções que, muitas vezes, crescem exponencialmente com a dimensão do problema. Enumerar todas as soluções torna-se rapidamente inviável. Como alternativa, surgem as Meta-Heurísticas, que são eficazes, oferecendo estratégias flexíveis e robustas para encontrar soluções boas em intervalos de tempo reduzidos. No entanto, o desempenho destas técnicas depende fortemente da escolha adequada dos valores dos seus parâmetros. Neste trabalho, propõe-se um Protótipo de um Framework de Parametrização de Meta-Heurísticas, no qual um Agente Inteligente é responsável pela seleção e ajuste dinâmico dos valores dos parâmetros do Simulated Annealing, que é a técnica implementada para resolver o Problema de Escalonamento de Minimização do Makespan em Job-Shop. O Agente utiliza o algoritmo Q-Learning para guiar o processo de parametrização. À medida que recebe recompensas com base no desempenho de cada configuração, o Agente ajusta os valores dos parâmetros e refina a sua política de decisão de forma contínua, aprendendo assim a selecionar os parâmetros mais adequados. Como consequência, este processo progressivo permite que a Meta-Heurística se torne cada vez mais eficiente na procura pelas melhores soluções. Para avaliar o desempenho do modelo, foi conduzido um estudo computacional focado na eficiência do processo de aprendizagem do Agente e na eficácia das diferentes combinações de parâmetros que permitem obter a melhor solução. O Protótipo encontrou a melhor solução em 85% das instâncias, e, nas restantes, as melhores soluções aproximam-se significativamente das melhores documentadas na literatura, com diferenças que não são expressivas. Em instâncias de menor dimensão, o Agente não só encontrou a melhor solução, como também adquiriu a capacidade de fazê-lo num número reduzido de iterações. Por sua vez, em espaços de soluções mais irregulares, o sistema obteve a melhor solução, identificou as combinações de parâmetros que permitiram alcançá-la, tendeu a revisitá-las, no entanto, em vários momentos, a mesma configuração de parâmetros nem sempre produziu os mesmos resultados consistentemente, o que, em alguns casos, dificultou o processo de aprendizagem do Agente e afetou a qualidade dos resultados. Mesmo assim, o Protótipo demostrou ser uma excelente estratégia para ajustar, de forma contínua e inteligente, os parâmetros de uma Meta-Heurística.