Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Ueno, Fernanda Yuka
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado de máquina
Fix-and-optimize
Heurística fix-and-optimize
Heurística relax-and-fix
Lot sizing problem
Machine learning
Problema de dimensionamento de lotes
Relax-and-fix
Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19012022-161011/
Resumo: Neste trabalho, são propostas heurísticas baseadas na partição do conjunto de variáveis dos modelos matemáticos, as quais são utilizadas para a resolução de dois problemas de dimensionamento de lotes. As heurísticas desenvolvidas são compostas de duas fases: construção de uma solução inicial e melhoria. As soluções iniciais são obtidas por meio da heurística relax-and-fix ou por um resolvedor comercial de otimização (primeira solução factível obtida). As heurísticas de melhoria são do tipo fix-and-optimize com partições clássicas e ADN (Automatically designed neighborhoods), que constrói uma vizinhança de forma automática, utilizando aprendizado de máquina não supervisionado, ou seja, usamos dois algoritmos de agrupamento: o k-means e o k-medoids. Nos experimentos computacionais, abordamos o problema de dimensionamento de lotes com múltiplas plantas distintas e o problema de dimensionamento de lotes multiestágio. Para realizar a comparação entre as heurísticas, foram utilizadas instâncias da literatura e as soluções são comparadas com as soluções obtidas por um otimizador comercial.
id USP_d75467077b09f9904dde11c81fff6b18
oai_identifier_str oai:teses.usp.br:tde-19012022-161011
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotesMachine learning on decomposition heuristics for lot sizing problemsAprendizado de máquinaFix-and-optimizeHeurística fix-and-optimizeHeurística relax-and-fixLot sizing problemMachine learningProblema de dimensionamento de lotesRelax-and-fixNeste trabalho, são propostas heurísticas baseadas na partição do conjunto de variáveis dos modelos matemáticos, as quais são utilizadas para a resolução de dois problemas de dimensionamento de lotes. As heurísticas desenvolvidas são compostas de duas fases: construção de uma solução inicial e melhoria. As soluções iniciais são obtidas por meio da heurística relax-and-fix ou por um resolvedor comercial de otimização (primeira solução factível obtida). As heurísticas de melhoria são do tipo fix-and-optimize com partições clássicas e ADN (Automatically designed neighborhoods), que constrói uma vizinhança de forma automática, utilizando aprendizado de máquina não supervisionado, ou seja, usamos dois algoritmos de agrupamento: o k-means e o k-medoids. Nos experimentos computacionais, abordamos o problema de dimensionamento de lotes com múltiplas plantas distintas e o problema de dimensionamento de lotes multiestágio. Para realizar a comparação entre as heurísticas, foram utilizadas instâncias da literatura e as soluções são comparadas com as soluções obtidas por um otimizador comercial.In this paper, heuristics based on the partition of the set of variables of the mathematical models are proposed, which are used to solve two lot sizing problems. The developed heuristics are composed of two phases: construction of an initial solution and improvement. The initial solutions are obtained through the relax-and-fix heuristic or by a commercial optimization solver (first feasible solution obtained). The improvement heuristics are of the fix-and-optimize type with classical partitions and ADN (Automatically designed neighborhoods), which builds a neighborhood automatically using unsupervised machine learning, i.e., we use two clustering algorithms, k-means and k-medoids. In the computational experiments we address the lot sizing problem with multiple distinct plants and the multistage lot sizing problem. To perform the comparison between the heuristics, instances from the literature were used and the solutions are compared with the solutions obtained by a commercial optimizer.Biblioteca Digitais de Teses e Dissertações da USPSantos, Maristela Oliveira dosUeno, Fernanda Yuka2021-10-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/55/55134/tde-19012022-161011/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2022-01-19T18:42:02Zoai:teses.usp.br:tde-19012022-161011Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212022-01-19T18:42:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes
Machine learning on decomposition heuristics for lot sizing problems
title Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes
spellingShingle Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes
Ueno, Fernanda Yuka
Aprendizado de máquina
Fix-and-optimize
Heurística fix-and-optimize
Heurística relax-and-fix
Lot sizing problem
Machine learning
Problema de dimensionamento de lotes
Relax-and-fix
title_short Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes
title_full Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes
title_fullStr Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes
title_full_unstemmed Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes
title_sort Aprendizado de máquina em heurísticas de decomposição para problemas de dimensionamento de lotes
author Ueno, Fernanda Yuka
author_facet Ueno, Fernanda Yuka
author_role author
dc.contributor.none.fl_str_mv Santos, Maristela Oliveira dos
dc.contributor.author.fl_str_mv Ueno, Fernanda Yuka
dc.subject.por.fl_str_mv Aprendizado de máquina
Fix-and-optimize
Heurística fix-and-optimize
Heurística relax-and-fix
Lot sizing problem
Machine learning
Problema de dimensionamento de lotes
Relax-and-fix
topic Aprendizado de máquina
Fix-and-optimize
Heurística fix-and-optimize
Heurística relax-and-fix
Lot sizing problem
Machine learning
Problema de dimensionamento de lotes
Relax-and-fix
description Neste trabalho, são propostas heurísticas baseadas na partição do conjunto de variáveis dos modelos matemáticos, as quais são utilizadas para a resolução de dois problemas de dimensionamento de lotes. As heurísticas desenvolvidas são compostas de duas fases: construção de uma solução inicial e melhoria. As soluções iniciais são obtidas por meio da heurística relax-and-fix ou por um resolvedor comercial de otimização (primeira solução factível obtida). As heurísticas de melhoria são do tipo fix-and-optimize com partições clássicas e ADN (Automatically designed neighborhoods), que constrói uma vizinhança de forma automática, utilizando aprendizado de máquina não supervisionado, ou seja, usamos dois algoritmos de agrupamento: o k-means e o k-medoids. Nos experimentos computacionais, abordamos o problema de dimensionamento de lotes com múltiplas plantas distintas e o problema de dimensionamento de lotes multiestágio. Para realizar a comparação entre as heurísticas, foram utilizadas instâncias da literatura e as soluções são comparadas com as soluções obtidas por um otimizador comercial.
publishDate 2021
dc.date.none.fl_str_mv 2021-10-07
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19012022-161011/
url https://www.teses.usp.br/teses/disponiveis/55/55134/tde-19012022-161011/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815258260691746816

Registros relacionados