dc.creator |
SOUZA JUNIOR, Wilson Trigueiro de |
|
dc.date.issued |
2019-07-05 |
|
dc.identifier.citation |
SOUZA JÚNIOR, Wilson Trigueiro de. Proposta de redução do tempo computacional em problemas de otimização via Simulação a Eventos Discretos integrando Metaheurísticas, aprendizagem de máquina e paralelismo. 2019. 190 f. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2019. |
pt_BR |
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/1996 |
|
dc.description.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. |
pt_BR |
dc.language.iso |
pt_BR |
pt_BR |
dc.title |
Proposta de redução do tempo computacional em problemas de otimização via Simulação a Eventos Discretos integrando Metaheurísticas, aprendizagem de máquina e paralelismo. |
pt_BR |
dc.type |
Tese |
pt_BR |
dc.place |
Itajubá |
pt_BR |
dc.pages |
190 p. |
pt_BR |
dc.keywords.portuguese |
Simulação a eventos discretos |
pt_BR |
dc.keywords.portuguese |
Otimização via simulação |
pt_BR |
dc.keywords.portuguese |
Metaheurística |
pt_BR |
dc.keywords.portuguese |
Aprendizagem de máquina |
pt_BR |
dc.keywords.portuguese |
Paralelismo |
pt_BR |
dc.keywords.english |
Discrete event simulation |
pt_BR |
dc.keywords.english |
Optimization via Simulation |
pt_BR |
dc.keywords.english |
Metaheuristics |
pt_BR |
dc.keywords.english |
Machine learning |
pt_BR |
dc.keywords.english |
Parallelism |
pt_BR |
dc.orientador.principal |
MONTEVECHI, José Arnaldo Barra |
|
dc.orientador.coorientador |
MIRANDA, Rafael de Carvalho |
|
dc.place.presentation |
Universidade Federal de Itajubá |
pt_BR |
dc.pg.programa |
Engenharia de Produção |
pt_BR |
dc.pg.area |
Engenharia de Produção |
pt_BR |
dc.date.available |
2019-08-16T18:58:05Z |
|
dc.date.accessioned |
2019-08-16T18:58:05Z |
|
dc.publisher.department |
IEPG - Instituto de Engenharia de Produção e Gestão |
|
dc.publisher.program |
Programa de Pós-Graduação: Doutorado - Engenharia de Produção |
|