Loading...
Publication
Otimização Inteligente na Gestão de Armazéns: Aplicação de Machine Learning para Previsão de Quantidades e Alocação Eficiente
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 5 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This thesis proposes an integrated artificial intelligence framework to optimize warehouse
operations through two complementary tasks: forecasting daily product outflows and solving
the 3D Bin Packing Problem for space-efficient storage allocation. In the first stage, machine
learning techniques are applied to historical warehouse movement data to predict the total
quantity of products expected to be transferred each day.
In the second stage, the predicted volumes are packed into constrained three-dimensional
storage bins using reinforcement learning-based methods. A custom OpenAI Gym environment
is developed to simulate realistic packing conditions, including box rotation, collision detection,
stacking constraints, and compactness rewards. The agent learns packing strategies through
interaction with the environment and is evaluated against traditional heuristic baselines.
The main contributions of this work include the development of a reinforcement learning–
based environment, carefully designed reward functions that encourage efficient packing
behavior, and the integration of product forecasting with spatial decision-making. Together,
these elements form a complete pipeline that turns historical warehouse data into smart,
automated decisions for daily storage planning.
Esta dissertação propõe uma framework de inteligência artificial integrada para otimizar operações de armazém através de duas tarefas complementares: a previsão diária da saída de produtos e a resolução do problema de empacotamento em 3D (3D Bin Packing Problem) para uma alocação de espaço mais eficiente. Na primeira etapa, são aplicadas técnicas de aprendizagem automática aos dados históricos de movimentações no armazém para prever a quantidade total de produtos que se espera transferir em cada dia. Na segunda etapa, os volumes previstos são alocados em contentores tridimensionais com restrições, utilizando métodos baseados em aprendizagem por reforço. Foi desenvolvido um ambiente personalizado em OpenAI Gym para simular condições realistas de empacotamento, incluindo rotação das caixas, deteção de colisões, restrições de empilhamento e recompensas por compacidade. O agente aprende estratégias de empacotamento através da interação com o ambiente e é avaliado face a algoritmos heurísticos tradicionais. Os principais contributos deste trabalho incluem o desenvolvimento de um ambiente baseado em aprendizagem por reforço, funções de recompensa cuidadosamente desenhadas para promover comportamentos de empacotamento eficientes e a integração da previsão de produtos com a tomada de decisão espacial. Em conjunto, estes elementos formam um pipeline completo que transforma dados históricos do armazém em decisões inteligentes e automatizadas para o planeamento diário do espaço de armazenamento.
Esta dissertação propõe uma framework de inteligência artificial integrada para otimizar operações de armazém através de duas tarefas complementares: a previsão diária da saída de produtos e a resolução do problema de empacotamento em 3D (3D Bin Packing Problem) para uma alocação de espaço mais eficiente. Na primeira etapa, são aplicadas técnicas de aprendizagem automática aos dados históricos de movimentações no armazém para prever a quantidade total de produtos que se espera transferir em cada dia. Na segunda etapa, os volumes previstos são alocados em contentores tridimensionais com restrições, utilizando métodos baseados em aprendizagem por reforço. Foi desenvolvido um ambiente personalizado em OpenAI Gym para simular condições realistas de empacotamento, incluindo rotação das caixas, deteção de colisões, restrições de empilhamento e recompensas por compacidade. O agente aprende estratégias de empacotamento através da interação com o ambiente e é avaliado face a algoritmos heurísticos tradicionais. Os principais contributos deste trabalho incluem o desenvolvimento de um ambiente baseado em aprendizagem por reforço, funções de recompensa cuidadosamente desenhadas para promover comportamentos de empacotamento eficientes e a integração da previsão de produtos com a tomada de decisão espacial. Em conjunto, estes elementos formam um pipeline completo que transforma dados históricos do armazém em decisões inteligentes e automatizadas para o planeamento diário do espaço de armazenamento.
Description
Keywords
Time Series Forecasting 3D Bin Packing Reinforcement Learning Warehouse Optimization Inventory Allocation Machine Learning Previsão de séries semporais Empacotamento em 3D Aprendizagem por reforço Optimização de armazéns Alocação de inventário Aprendizagem automática