Aplicação de métodos e técnicas de otimização, simulação e Machine Learning para resolução de um problema de flow shop permutacional estocástico

Abstract

A crescente complexidade das transformações tecnológicas e mercadológicas, aliada ao aumento contí- nuo dos custos de produção, impõe a necessidade de buscar estratégias eficientes para o planejamento

da produção. Neste cenário, otimizar a programação da produção torna-se essencial, especialmente em ambientes flow shop, onde a alocação eficiente de tarefas e recursos é um desafio constante. Este trabalho aborda um problema específico do tipo Flow Shop Permutacional, com foco em condições estocásticas, que envolvem incertezas nos tempos de processamento das operações. O flow shop permutacional, encontra-se na classe de problemas NP-difícil, e demanda constantemente a adoção de métodos de otimização, por ser estocástico requer a realização de estimativas (e.g. simulação e machine learning). Diante disso, este trabalho apresenta oito abordagens diferentes baseadas em otimização, aprendizagem por reforço, aprendizagem supervisionada e técnicas híbridas que combinam Machine Learning com as meta-heurísticas multi-start e GRASP. Esses métodos são relevantes porque, apesar de não garantirem a solução ótima, ajudam a encontrar boas soluções para problemas complexos, especialmente quando há incertezas envolvidas. Os testes realizados, com 110 instâncias diferentes, mostraram que os métodos baseados na meta-heurística GRASP não apresentaram bons resultados. No entanto, foi possível identificar que dentre as abordagens propostas a escolha do método mais adequado depende das características específicas de cada problema, como as dimensões das instâncias e os tempos de processamento. Os métodos desenvolvidos deram origem a um simulador WEB que pode ser utilizado para ajudar na programação da produção em unidades fabris. Essa ferramenta foi criada para auxiliar na tomada de decisões, oferecendo uma maneira prática de lidar com a complexidade dos problemas de flow shop permutacional sob condições estocásticas.