[pt] OTIMIZAÇÃO DE PLANEJAMENTOS COM RESTRIÇÃO DE PRECEDÊNCIA USANDO ALGORITMOS GENÉTICOS E CO-EVOLUÇÃO COOPERATIVA

ANDRE VARGAS ABS DA CRUZ

[en] SCHEDULE OPTIMIZATION WITH PRECEDENCE CONSTRAINTS USING GENETIC ALGORITHMS AND COOPERATIVE CO-EVOLUTION

dc.contributor	MARLEY MARIA BERNARDES REBUZZI VELLASCO
dc.contributor	MARCO AURELIO CAVALCANTI PACHECO
dc.contributor	MARCO AURELIO CAVALCANTI PACHECO
dc.creator	ANDRE VARGAS ABS DA CRUZ
dc.date	2003-07-17
dc.date.accessioned	2022-09-21T21:41:50Z
dc.date.available	2022-09-21T21:41:50Z
dc.identifier	https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=3725@1
dc.identifier	https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=3725@2
dc.identifier	http://doi.org/10.17771/PUCRio.acad.3725
dc.identifier.uri	https://hdl.handle.net/20.500.12032/42130
dc.description	[pt] Esta dissertação investiga o uso de Algoritmos Genéticos e de Co-Evolução Cooperativa na otimização de problemas de planejamento com restrições de precedência. Neste tipo de problema algumas ou todas as tarefas têm restrições que implicam na necessidade de planejá-las ou executá-las antes ou depois de outras. Por esta razão, o uso de modelos evolucionários convencionais como, por exemplo, os baseados em ordem pode gerar soluções inválidas, não penalizáveis, que precisam ser descartadas, comprometendo assim o desempenho do algoritmo. O objetivo do trabalho foi, portanto, estudar formas de representação de soluções para este tipo de problema capazes de gerar somente soluções válidas, bem como avaliar o desempenho dos modelos propostos. O trabalho consistiu de 3 etapas principais: um estudo sobre problemas de otimização de planejamento com algoritmos genéticos; a definição de novos modelos usando algoritmos genéticos e co-evolução cooperativa para otimização de problemas de planejamento com restrições de precedência e a implementação de uma ferramenta para estudo de caso. O estudo sobre os problemas de otimização de planejamentos com algoritmos genéticos envolveu o levantamento de representações, dificuldades e características deste tipo de problema e, mais especificamente, de representações baseadas em ordem. A modelagem do algoritmo genético consistiu fundamentalmente na definição de uma representação dos cromossomas e da função da avaliação que levasse em conta a existência de restrições de precedência (tarefas que devem ser planejadas/executadas antes de outras). A construção do modelo co-evolucionário por sua vez consistiu em definir uma nova população, com uma outra representação, que se responsabilizasse pela distribuição dos recursos para execução das tarefas, responsabilidade esta que, no modelo com algoritmos genéticos convencionais, era tratada de forma simples por um conjunto de heurísticas. Finalmente, desenvolveu-se uma ferramenta para implementar estes modelos e tratar de um estudo de caso complexo que oferecesse as características necessárias para testar a qualidade das representações e avaliar os resultados. O estudo de caso escolhido foi a otimização do planejamento da descarga, armazenamento e embarque de minério de ferro de modo a minimizar o tempo de estadia dos navios em um porto fictício. Foram realizados vários testes que demonstraram a capacidade dos modelos desenvolvidos em gerar soluções viáveis, sem a necessidade de heurísticas de correção, e os resultados obtidos foram comparados com os de um processo de busca aleatória. Em todos os casos, os resultados obtidos pelos modelos foram sempre superiores aos obtidos pela busca aleatória. No caso do modelo de representação com uma única população obteve-se resultados até 41% melhores do que com os obtidos por uma busca aleatória. No caso do modelo de representação com co-evolução o resultado ficou 33% melhor que a busca aleatória com tratamento de solução idêntico ao da solução co-evolucionária. Os resultados da co-evolução comparados com o algoritmo genético com uma única espécie foram 29% melhores.
dc.description	[en] This work investigates the use of Genetic Algorithms and Cooperative Co-Evolution in optimization of scheduling problems with precedence constraints. In this kind of problem some or all tasks have constraints that imply planning or executing them before or after others. For this reason, the use of order-based conventional evolutionary models may generate invalid solutions, which cannot be penalized, needing to be discarded and therefore compromising the algorithm performance. The main goal was therefore to study models for this kind of problem that are capable of generating only valid solutions. The work was divided in 3 main steps: a survey on scheduling optimization problems using genetic algorithms; definition of two models based on genetic algorithms and cooperative co-evolution for optimizing scheduling problems with precedence constraints; and the implementation of a tool for a case study. The study on scheduling optimization problems with genetic algorithms consisted in gathering information about representations and characteristics of this kind of problem and, more specifically, about order-based representations. The genetic algorithm modeling consisted basically in defining a chromosome representation and an evaluation function that took into account the existence of precedence constraints (tasks that must be scheduled or executed before others). The co-evolutionary model consisted in defining a new population, with another representation scheme, which was responsible for distributing resources for tasks execution. On the conventional genetic algorithm model, this role was played by a simple set of heuristics. Finally, a tool was developed for implementing those models and treating a complex case study which offered the needed characteristics for testing representation performance and evaluating results. The chosen case study was the optimization of iron ore dumping, stocking and ship loading on a fictitious harbor, targeting minimization of ships waiting time. Tests were done in order to demonstrate the ability of the developed models in generating viable solutions without the need of corrective heuristics and the results were compared to the results obtained through exhaustive search. In all cases, the models` results were better than the exhaustive search ones. In the case where the representation used a single population the results obtained were up to 41% better than the ones with the exhaustive search. The co- evolutionary results outperformed the co-evolutionary search with the same solution representation by 33%. Compared to the single specie genetic algorithm, the co- evolutionary model outperformed it by 29%.
dc.language	pt
dc.publisher	MAXWELL
dc.subject	[pt] ALGORITMO GENETICO
dc.subject	[pt] RESTRICOES DE PRECEDENCIA
dc.subject	[pt] OTIMIZACAO
dc.subject	[pt] PLANEJAMENTO
dc.subject	[en] GENETIC ALGORITHM
dc.subject	[en] PRECEDENCE CONSTRAINTS
dc.subject	[en] OPTIMIZATION
dc.subject	[en] PLANNING
dc.title	[pt] OTIMIZAÇÃO DE PLANEJAMENTOS COM RESTRIÇÃO DE PRECEDÊNCIA USANDO ALGORITMOS GENÉTICOS E CO-EVOLUÇÃO COOPERATIVA
dc.title	[en] SCHEDULE OPTIMIZATION WITH PRECEDENCE CONSTRAINTS USING GENETIC ALGORITHMS AND COOPERATIVE CO-EVOLUTION
dc.type	TEXTO

Files in this item

Files	Size	Format	View
There are no files associated with this item.

This item appears in the following Collection(s)

Documentos - PUC-RIO

Show simple item record