Desenvolvimento de um método híbrido flexível com calibração automática de parâmetros

Resumo

O estudo de meta-heurísticas eficientes para resolver problemas de otimização tem sido alvo de muitas pesquisas por parte da comunidade científica. Para obter bons resultados em termos de qualidade de soluções e tempo computacional é importante haver uma calibração adequada de seus parâmetros. Este processo é geralmente árduo devido a relação que há entre os parâmetros, dificultando a escolha dos melhores parâmetros independente dos casos de teste analisados. Desta forma, este projeto tem como ideia central o desenvolvimento e aperfeiçoamento do método híbrido Clustering Search (CS), utilizando o conceito de chaves aleatórias do método Biased Random-Key Genetic Algorithms (BRKGA) e estudando novas formas automáticas de detectar regiões promissoras e calibrar os parâmetros em tempo de execução. Assim, pretendemos construir um método rápido e fácil de implementar, mas que seja eficiente em termos de qualidade de solução e tempo computacional. Para avaliar o método proposto serão estudados dois problemas de otimização com diversas aplicações práticas: problema de alocação de navios em berços e atribuição de guindastes e problema de localização de rótulos cartográficos. Para validação dos estudos realizados neste projeto, deverão ser utilizados problemas testes disponíveis na literatura e, se possível, alguns problemas testes reais. Na avaliação experimental do método proposto serão utilizados testes estatísticos para comparação com o estado da arte.