Browsing by Author "SILVA, ANA BEATRIZ DA COSTA"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Sistema de seleção e autoparametrização de meta-heurísticas com Machine LearningPublication . SILVA, ANA BEATRIZ DA COSTA; Pereira, Ivo André SoaresO escalonamento de produção apresenta como objetivo principal a definição de um plano que atinja as metas de produção, garantindo que todas as restrições sejam cumpridas e otimizadas. Consiste num processo que desempenha um papel fundamental nas empresas, identificandose como um fator que influencia a eficiência operacional e qualidades das organizações. A resolução de problemas de escalonamento é uma tarefa complexa e necessita da implementação de metodologias adequadas. A principal motivação deste trabalho surgiu da necessidade de oferecer uma contribuição para a resolução de problemas de escalonamento. As Meta-heurísticas, caraterizadas pela sua fácil implementação, podem ser utilizadas para a resolução de problemas de escalonamento. No entanto, a sua aplicação apresenta desafios, principalmente na escolha da técnica mais adequada para a resolução de um determinado problema. Além disso, as Meta-heurísticas possuem parâmetros que necessitam de ser definidos de forma adequada. As Meta-heurísticas e a Machine Learning são frequentemente combinadas com o intuito de diminuir as suas desvantagens, melhor as suas capacidades e, com isso, melhorar o desempenho do sistema de produção. As abordagens de Machine Learning podem ser integradas com o intuito de auxiliar na seleção e parametrização das Meta-heurísticas. Neste contexto, surge a necessidade de desenvolver um sistema de seleção e autoparametrização de Meta-heurísticas que utiliza Machine Learning para otimizar o escalonamento de tarefas em ambientes de produção. Este sistema abrange unicamente problemas de escalonamento do tipo Job-Shop e a parametrização das Meta-heurísticas é realizada de forma offline. O módulo considera apenas técnicas de aprendizagem supervisionada de Machine Learning. O sistema proposto foi estruturado em dois modelos preditivos: o primeiro destina-se à seleção da Meta-heurística mais adequada para um problema de escalonamento; o segundo é responsável pela afinação dos parâmetros da Meta-heurística selecionada. Os dois modelos preditivos foram avaliados com recurso a indicadores de desempenho adequados, permitindo a realização de uma análise detalhada da eficácia da integração das técnicas de Machine Learning.