Otimização com aprendizado autônomo para programação da produção com sequências de instâncias heterogêneas

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.Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)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.CNPq: 475214/2013-7CNPq: 448161/2014-1CNPq: 308047/2014-1FAPESP: 2016/05673-1FAPESP: 2016/05672-