Proposta de redução do tempo computacional em problemas de otimização via Simulação a Eventos Discretos integrando Metaheurísticas, aprendizagem de máquina e paralelismo.

Abstract

As técnicas de simulação a eventos discretos têm sido empregadas em diversos setores industriais nas últimas décadas. Isso se tornou possível com a popularização de recursos computacionais e conhecimentos estatísticos aplicados na produção de bens e serviços. Um propósito recorrente ao se gerar uma simulação é a avaliação de uma grande quantidade de cenários, a fim de se encontrar uma relação ótima da combinação de variáveis para se atender restrições e funções de minimização e/ou maximização de objetivos. O processo de otimização dos modelos de simulação tem que lidar com o problema do aumento exponencial do espaço de busca por soluções, enquanto o número de variáveis de decisão cresce linearmente, tornando a resolução desse problema muito difícil ou impossível, no que tange a avaliação de todas as possíveis combinações quando não há tempo e/ou recurso computacional suficientes para tal. Com o aumento da complexidade referente à quantidade de possíveis soluções a serem consideradas pelos agentes tomadores de decisão, a área do conhecimento referente à Pesquisa Operacional tem aplicado técnicas tradicionalmente geradas para resolver problemas de otimização combinatória, em problemas de simulação a eventos discretos. A exemplo de tais técnicas de otimização, as metaheurísticas têm sido utilizadas com sucesso desde a origem dos primeiros métodos de otimização. Um fator restritivo na utilização destes métodos de otimização em simulação a eventos discretos é que para a realização do teste da qualidade de uma dada possível solução, em geral é necessário a utilização de um software simulador. Assim, ocorre que mesmo com o uso de método de otimização, muito tempo é dispendido para a obtenção de uma boa solução, pelo fato de ser necessário chamar recursivamente o simulador. Com o intuito de minimizar esse efeito, a presente tese associou quatro abordagens para a diminuição do tempo de resposta necessário para se obter boas soluções para a otimização de modelos de simulação a eventos discretos, utilizando de metamodelagem por aprendizagem de máquina e paralelismo de soluções, associadas a metaheurísticas de busca populacional. Neste contexto, foi possível a integração de todos estes conceitos em um mesmo ambiente, aplicando a mesma em três objetos de estudo referentes a problemas da Engenharia de Produção. Um ambiente de otimização open source foi construído em Python para a integração dos três objetos de estudo considerando 33 métodos de aprendizagem de máquina, duas metaheurística e paralelismo do processamento dos cenários. Como resultado médio do método proposto, foi possível a redução do tempo computacional em 93,5% em comparação ao método tradicional, com a utilização apenas de otimização por metaheurística, obtendo uma solução igual a 87,5% do valor de referência dos objetos de estudo.