Otimização baseada em metamodelos: uma abordagem para metamodelagem em simulação a eventos discretos

• Autor(a) principal: AMARAL, João Victor Soares do
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNIFEI (RIUNIFEI)
• Texto Completo: https://repositorio.unifei.edu.br/jspui/handle/123456789/2288
• topic: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUÇÃO; Simulação a eventos discretos; Otimização via simulação; Metamodelagem; Machine learning; Design of experiments; Framework

No contexto da indústria 4.0, a otimização via simulação (OvS) surge como uma das mais potentes ferramentas da indústria moderna, permitindo aos decisores alocarem seus recursos de forma mais assertiva. Todavia, em sistemas muito complexos, o uso de técnicas convencionais de OvS demandam um tempo computacional que, muitas vezes, inviabiliza sua aplicação. Nos últimos anos, o desenvolvimento na área de machine learning surgiram algoritmos com alta capacidade de aprendizado, tornando o uso das técnicas de otimização via simulação por metamodelagem (OvSM) para solucionar problemas complexos um campo de estudo promissor. Neste sentido, o presente estudo propõe um framework para OvSM embasado nos insights e análises provindos da revisão sistemática de literatura realizada. O framework proposto incorpora o uso de técnicas de simulação a eventos discretos, design of experiments, algoritmos de machine learning, e otimização de hiper-parâmetros via algoritmo genético para problemas de OvS. A fim de validar o framework proposto, esta dissertação testou e comparou seis algoritmos de machine learning (Support Vector Machine, Redes Neurais Artificiais, Gradient-Boosted Trees, Randon Forest, Regressão Polinomial e Gaussian Process) com e sem a etapa de otimização de hiper-parâmetros em dois arranjos experimentais (Latin Hipercube Design e Aleatório) aplicados ao problema de alocação de recursos em três casos reais da indústria. Com a aplicação do método nos objetos de estudo apresentados, os metamodelos de melhor performance obtiveram soluções que atingiram, respectivamente, 100%, 96,17%, e 100% do ótimo local benchmark, demandando, em média, 35,22% menos tempo computacional. Além disto, a incorporação da etapa de otimização de hiper-parâmetros no método de metamodelagem proposto permitiu uma redução de 31,28% no root mean square error dos metamodelos se comparado ao método tradicional, que não contempla esta etapa.