Navegando por Autor "Ribeiro, Roberto Gomes"
Agora exibindo 1 - 4 de 4
Resultados por página
Opções de Ordenação
Item Algoritmos para o problema de sequenciamento de tarefas em máquinas paralelas idênticas.(2020) Ribeiro, Klevison Daniel de Oliveira; Souza, Marcone Jamilson Freitas; Cota, Luciano Perdigão; Souza, Marcone Jamilson Freitas; Cota, Luciano Perdigão; Guimarães, Frederico Gadelha; Ribeiro, Roberto Gomes; Haddad, Matheus NohraEste trabalho trata do Problema de Sequenciamento de Tarefas em Máquinas Paralelas Idênticas objetivando minimizar o makespan e o custo total de energia (TEC). Neste problema busca-se alocar um grupo de tarefas a um conjunto de máquinas disponíveis de forma a se reduzir os custos de operação. Tal classe de problemas tem sido amplamente estudada atualmente, dada a grande busca pela eficiência energética e a otimização dos processos de produção. Além disso, a investigação de tal problema se justifica por ele pertencer à classe NP-difícil. Para solucioná-lo, foi ajustado um modelo bi-objetivo da literatura para uma abordagem mono-objetiva por soma ponderada. Também foram adaptados dois algoritmos baseados na meta-heurística Iterated Local Search (ILS): o primeiro, referido como ILS apenas, é uma versão clássica do método proposto na literatura. Já o segundo, é uma versão aperfeiçoada, denominada Smart Iterated Local Search, ou apenas SILS. Nessa versão adaptada, a dinâmica de perturbação é alterada em relação ao algoritmo clássico, permitindo um melhor desempenho da busca local incorporada ao método. Enquanto no ILS clássico o nível de perturbação é alterado sempre que não ocorre melhora na solução, no SILS são realizadas novas tentativas de melhoria em um mesmo nível de perturbação. Tal modificação foi realizada partindo da hipótese de que o aumento de nível da perturbação pode ser precipitado, visto que se trata de um movimento aleatório e que o vizinho gerado por este movimento pode não ter sido bom para a continuidade da busca. Os dois algoritmos implementados têm o mesmo método de busca local, o Randomized Variable Neighborhood Search (RVND). Para testar os algoritmos foram utilizadas instâncias da literatura de pequeno e grande porte. Ambos os algoritmos foram calibrados pelo software Irace. Os resultados dos algoritmos foram comparados entre si e também com os do otimizador CPLEX. Com base nos resultados, verificou-se que o SILS se mostrou mais eficiente do que o ILS clássico com relação à capacidade de encontrar melhores soluções.Item An adaptive multi-objective algorithm based on decomposition and large neighborhood search for a green machine scheduling problem.(2019) Cota, Luciano Perdigão; Guimarães, Frederico Gadelha; Ribeiro, Roberto Gomes; Meneghini, Ivan Reinaldo; Oliveira, Fernando Bernardes de; Souza, Marcone Jamilson Freitas; Siarry, PatrickGreen machine scheduling consists in the allocation of jobs in order to maximize production, in view of the sustainable use of energy. This work addresses the unrelated parallel machine scheduling problem with setup times, with the minimization of the makespan and the total energy consumption. The latter takes into account the power consumption of each machine in different operation modes. We propose multi-objective extensions of the Adaptive Large Neighborhood Search (ALNS) metaheuristic with Learning Automata (LA) to improve the search process and to solve the large scale instances efficiently. ALNS combines ad-hoc destroy and repair (also named removal and insertion) operators and a local search procedure. The LA is used to adapt the selection of insertion and removal operators within the framework of ALNS. Two new algorithms are developed: the MO-ALNS and the MO-ALNS/D. The first algorithm is a direct extension of single objective ALNS by using multi-objective local search. As this method does not offer much control of the diversification of the Pareto front approximation, a second strategy employs the decomposition approach similar to MOEA/D algorithm. The results show that the MO-ALNS/D algorithm has better performance than MO-ALNS and MOEA/D in all indicators. These findings show that the decomposition strategy is beneficial not only for evolutionary algorithms, but it is indeed an efficient way to extend ALNS to multi-objective problems.Item Aprendizado de máquina aplicado à predição de falhas em caminhão fora de estrada.(2020) Dias, Aldilene Oliveira Maia; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Sabino, Jodelson Aguilar; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Sabino, Jodelson Aguilar; Silva, Rodrigo César Pedrosa; Ribeiro, Roberto Gomes; Silva, Petrônio Cândido de Lima eNo setor mineral, o caminhão fora de estrada é o meio mais difundido de transporte de minério. Trata-se de um equipamento composto por vários componentes, tornando complexas atividades de manutenção. Este trabalho navega no campo da análise preditiva, como apoio na tomada de decisão do processo de manutenção destes ativos. A proposta envolve modelar um preditor de falhas, que subsidie o planejamento e a programação de eventos de manutenção. Isso reduz a indisponibilidade não programada do equipamento, aumenta o tempo médio entre falhas e embasa a manutenção por condição. Esta estratégia gera ganhos de confiabilidade, aumento no desempenho operacional, financeiro e na competitividade do negócio. Definiu-se a variável-alvo como “tempo para falha do caminhão” e assumiu-se a referência de 20 dias. Diversos algoritmos foram experimentados (RNA, XG Boost AS, C&R Tree, C5.0, CHAID 1) e obteve-se o melhor resultado com o XG Boost AS. O modelo experimental indica a falha no caminhão 20 dias antes, com uma precisão média de 97,90% e recall de 64,17%.Item Product sequencing and blending of raw materials to feed arc furnaces : a decision support system for a mining-metallurgical industry.(2021) Bacharel, Rafael de Freitas; Souza, Marcone Jamilson Freitas; Cota, Luciano Perdigão; Souza, Marcone Jamilson Freitas; Cota, Luciano Perdigão; Pessin, Gustavo; Ribeiro, Roberto Gomes; Oliveira, Fernando Bernardes deA large amount of data available today and the complex situations present in the industry make decision support systems increasingly necessary. This work deals with a problem of a miningmetallurgical industry in which the production of products used to feed arc furnaces must be sequenced in work shifts. There is a due date and a quality specification for each product. These products are generated from raw materials available in a set of silos and must satisfy the required quality specifications. The aim is to minimize the total production time and the total tardiness. To solve it, we developed a decision support system that applies a matheuristic algorithm to do the product schedule and determine the amount of raw material to produce each product. In the proposed algorithm, the products generated in each work shift are chosen through a dispatch heuristic rule based on the shortest production time. In turn, the amount of raw material to be used is calculated by solving a goal linear programming formulation of a blending problem. We generate instances that simulate real cases to evaluate the developed algorithm. The results generated for these instances show a good performance of the proposed algorithm, validating its use as a tool to support decision-making.