Defesa de mestrado do discente Eduardo Matosinhos, dia 11/08, as 08:30.

Defesa de mestrado do discente Eduardo Matosinhos, dia 11/08, as 08:30.

Título: Uma formulação MILP e um algoritmo baseado em ILS com aprendizado de máquina para o sequenciamento de recuperadoras em pátios de minério visando à minimização do atraso total
Resumo:
Este estudo propõe uma formulação MILP (do inglês Mixed-Integer Linear Programming)
e um algoritmo baseado no Iterated Local Search (ILS) com aprendizado de máquina
para o problema de sequenciamento de recuperadoras em pátios de minério. Os pátios
de estocagem são componentes essenciais da cadeia logística da mineração. Em geral,
utilizam-se recuperadoras nesses pátios para retomar o minério das pilhas, transferindo-o
para correias transportadoras com o objetivo de conduzi-lo a outros locais. Para encontrar
soluções eficientes para o problema, foi proposto um algoritmo que utiliza um módulo
de aprendizado de máquina, baseado em Random Forest, integrado ao ILS tradicional
para decidir, a cada solução perturbada, se a fase de refinamento deve ser executada. Essa
estratégia justifica-se porque a fase de refinamento é a de maior custo computacional. Com
esta abordagem, a busca local passa a ser aplicada apenas às soluções com maior potencial
de melhoria. Os experimentos computacionais foram realizados com base em dois conjuntos
de instâncias, um de pequeno porte e outro de grande porte, gerados a partir de dados
operacionais do Porto de Tubarão. Os resultados para a formulação MILP implementada
no resolvedor Gurobi indicaram que o resolvedor foi capaz de encontrar a solução ótima
apenas em instâncias de pequeno porte, limitadas a até 10 tarefas e quatro recuperadoras.
Já o algoritmo ILS tradicional encontrou todas as soluções ótimas do método exato e,
além disso, superou ou igualou os resultados obtidos pelo resolvedor nas demais instâncias
desse conjunto, em um tempo computacional significativamente menor. Na comparação
do ILS tradicional com o ILS aprimorado com aprendizado de máquina, os resultados
mostraram que ambos os métodos apresentaram desempenho estatisticamente equivalente
em termos de qualidade das soluções. No entanto, o ILS com aprendizado de máquina foi,
em média, 30 vezes mais rápido nas instâncias de pequeno porte e até 8 vezes mais rápido
nas instâncias de grande porte. A introdução do módulo de aprendizado de máquina no
ILS validou, portanto, a efetividade do algoritmo proposto.
Banca:
Dr. Luciano Perdigão Cota
Dr. Marcone Jamilson Freitas Souza
Dr. Puca Huachi Vaz Penna
Dr. Bruno de Athayde Prata
Data:11/08/2025
Horário: 08:30
Link:meet.google.com/jgp-whsv-jgx