dc.contributor.author | Frascati, Giuliano | |
dc.date.accessioned | 2018-02-08T19:00:00Z | |
dc.date.available | 2018-02-08T19:00:00Z | |
dc.date.issued | 2017-03-17 | |
dc.identifier.citation | FRASCATI, Giuliano. Otimização com aprendizado autônomo para programação da produção com sequências de instâncias heterogêneas. 2017. Tese (Doutorado em Engenharia de Produção) – Universidade Federal de São Carlos, São Carlos, 2017. Disponível em: https://repositorio.ufscar.br/handle/ufscar/9411. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/9411 | |
dc.description.abstract | Many scheduling problems, but also in Advanced Planning and Scheduling (APS), are
NP-Hard. This project addresses a scheduling problem in a single machine environment
with sequence dependent setup times. It is possible to partially outsource the demand
restricting that there are no delays for delivering of the orders, aiming to minimize the
cost for outsourcing. Evolutionary Algorithms (EA) represent a fast solution strategy
for NP-Hard problems. However, researchers in the field of evolutionary computation
say that EAs depend significantly on the configuration of their parameters. This work
investigates in the scheduling and APS literature, how the authors who develop EAs
determines the parameterization and evaluation of their algorithms, also presenting
which strategies are suggested as state of the art for automatic tuning of EAs. This
thesis states an innovative strategy for automated configuration of EAs, including
a new paradigm for optimization in streams of heterogeneous instances called ALO
(Autonomous Learning Optimization). This new paradigm aims to solve integratelly
an optimization problem and parameterization of the configurable algorithm with
an autonomous decision process for detecting heterogeneities within the sequence of
instances. | eng |
dc.description.sponsorship | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | por |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | por |
dc.description.sponsorship | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Sequenciamento da produção | por |
dc.subject | Planejamento e sequenciamento avançados | por |
dc.subject | Algoritmos evolucionários | por |
dc.subject | Parametrização automática | por |
dc.subject | Otimização com aprendizado autônomo | por |
dc.subject | Scheduling | eng |
dc.subject | Advanced planning and scheduling | eng |
dc.subject | Evolutionary algorithms | eng |
dc.subject | Automatic tuning | eng |
dc.subject | Autonomous learning optimization. | eng |
dc.title | Otimização com aprendizado autônomo para programação da produção com sequências de instâncias heterogêneas | por |
dc.type | Tese | por |
dc.contributor.advisor1 | Tavares Neto, Roberto Fernandes | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6954662222457389 | por |
dc.description.resumo | Muitos problemas de programação e sequenciamento da produção, mas também em
Planejamento e Sequenciamento Avançados (PSA), são NP-Difíceis. Este projeto aborda
um problema de scheduling em ambiente de máquina única com tempos de preparação
dependentes da sequência das tarefas, sendo possível terceirizar parcialmente a demanda
e restringindo que não existam atrasos para a entrega das ordens, com objetivo da minimização
do custo total para a terceirização. Algoritmos Evolutivos (AE) representam
uma estratégia de solução veloz para problemas NP-Difíceis. No entanto, pesquisadores
da área de computação evolutiva afirmam que AEs dependem sensivelmente da configuração
de seus parâmetros. Este trabalho investiga, na literatura de sequenciamento e
PSA, como os autores que desenvolvem AEs determinam a parametrização e avaliação
de seus algoritmos, pesquisando ainda quais são as estratégias sugeridas como estado
da arte para a parametrização automática de AEs. Esta tese apresenta uma estratégia
inovadora para configuração automatizada de AEs, incluindo um novo paradigma para
otimização em sequências de instâncias heterogêneas chamado OAA (Otimização com
Aprendizado Autônomo) que tem por objetivo solucionar de maneira integrada um problema
de otimização e a parametrização do algoritmo configurável com um processo de
decisão autônomo para detecção de heterogeneidades dentro da sequência de instâncias. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia de Produção - PPGEP | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA DE PRODUCAO | por |
dc.description.sponsorshipId | CNPq: 475214/2013-7 | por |
dc.description.sponsorshipId | CNPq: 448161/2014-1 | por |
dc.description.sponsorshipId | CNPq: 308047/2014-1 | por |
dc.description.sponsorshipId | FAPESP: 2016/05673-1 | por |
dc.description.sponsorshipId | FAPESP: 2016/05672-5 | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/2583033883535828 | por |