Algoritmo evolutivo multiobjetivo para o escalonamento com restrição na indústria farmacêutica
Publicado: 22/08/2024 - 14:30
Última modificação: 22/08/2024 - 14:30
Linha de pesquisa: Inteligência Artificial
Resumo: O escalonamento de bateladas em processos químicos em ambientes reais, por exemplo com variabilidade de demanda e restrições de vendas perdidas, tem sido investigados. Sendo tipicamente não lineares com funções de avaliação com alto custo computacional, dificultando a convergência de soluções. São caracterizados por múltiplos objetivos e restrições conflitantes entre si, aumentando a complexidade da exploração de soluções viáveis. Isto dificulta a adoção de certas técnicas, porém os Algoritmos Evolutivos Multiobjetivo (MOEA) têm sido explorados devido aos seus operadores flexíveis e eficientes, aplicáveis a diversos problemas não lineares multiobjetivo. Neste trabalho, novas estratégias de inicialização da população, seleção de indivíduos e mutação baseada em busca local são incorporadas a um MOEA, baseado no NSGA-II, aplicadas ao escalonamento de bateladas em uma linha de produção da indústria farmacêutica como um problema multiobjetivo com restrições. A qualidade das soluções não-dominadas foi avaliada, considerando o número de soluções válidas (NS) e métricas multiobjetivo, tais como: hipervolume (hv), taxa de erro (E) e distância geracional invertida (IGD+). Resultados experimentais mostraram que a abordagem evolutiva melhorou significativamente o modelo de referência, tanto em ambientes estáticos (onde um único conjunto de demandas é usado na avaliação), quanto dinâmicos (onde as demandas mudam ao longo das gerações do MOEA). Nos ambientes estáticos, nossa abordagem, em comparação à referência, melhorou 23,3% na média do E, 82,5% no IGD+, 0,3% no hv e teve uma piora de 30,2% no NS, enquanto que nos ambientes dinâmicos, melhorou em 38,7% no E, 83,7% no IGD+, 86,6% no NS e 0,8% no hv. Observamos que a integração de uma busca local ao operador de mutação reduziu em 10,5% no E, 0,1% no IGD+, 0,1% no hv e 10,7% no NS, comparado com o algoritmo que adota apenas a inicialização e o método de seleção propostos. A análise de dominância indicou que a busca local no número de bateladas é eficaz em cenários dinâmicos.
Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fl%2F...