Metamodelagem adaptativa para otimização via simulação a eventos discretos

• Ano de defesa: 2025
• Autor(a) principal: AMARAL, João Victor Soares do
• Orientador(a): MONTEVECHI, José Arnaldo Barra
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Doutorado - Engenharia de Produção
• Departamento: IEPG - Instituto de Engenharia de Produção e Gestão
• País: Brasil
• Palavras-chave em Português: Otimização via simulação; Metamodelagem adaptativa; Simulação a eventos discretos; Gradient-boosted trees; Machine learning
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/4281

Pilar da Indústria 4.0, a Otimização via Simulação (OvS) é uma ferramenta poderosa utilizada em diversos campos, que permite a avaliação de um sistema sob diversas condições, facilita a sua análise de desempenho e torna a tomada de decisões mais eficiente. Por outro lado, a OvS pode ser demorada, especialmente quando se considera a otimização de modelos complexos. Nesse sentido, a metamodelagem emergiu como uma técnica promissora para OvS. A metamodelagem visa estabelecer e estimar uma relação entre as entradas e saídas de um modelo de simulação, criando um modelo simplificado utilizado para avaliar soluções potenciais durante o processo de otimização. Este estudo apresenta um novo framework de metamodelagem adaptativa, denominado de Adaptive Metamodeling-based Simulation Optimization (AMSO), para otimização de modelos de Simulação a Eventos Discretos complexos e computacionalmente intensivos. Esta abordagem combina aprendizado de máquina e técnicas meta-heurísticas para identificar as áreas mais promissoras do espaço de soluções que podem ser exploradas de forma mais eficiente para alcançar soluções de alta qualidade. O framework proposto é avaliado em três objetos de estudo reais da indústria: um problema de alocação de recursos em modelo de gêmeo digital de manufatura, um projeto de expansão de capacidades de uma usina de minério de ferro e um problema de alocação em um hospital temporário. Comparado ao método Efficient Global Optimization, o AMSO encontrou uma solução 8,1% melhor (em média) no primeiro objeto de estudo, 9,7% no segundo e 28,4% no terceiro, sem diferença significativa no tempo computacional gasto. Além disso, a AMSO encontrou soluções estatisticamente iguais ao método do Algoritmo Genético, mas que exigiram 83,6%, 90,6% e 65,2% menos tempo computacional no primeiro, segundo e terceiro caso, respectivamente. Os resultados encontrados mostram a aplicabilidade e robustez do framework proposto para otimização dos objetos de estudo analisados.