DESENVOLVIMENTO DE UM FRAMEWORK PARA UTILIZAÇÃO DO GR-LEARNING EM PROBLEMAS DE OTIMIZAÇÃO COMBINATÓRIA
Metaheurística, GRASP, aprendizado por reforço.
A utilização de metaheurísticas para resolução de problemas otimização combinatória pertencente à classe NP-Difícil vem se tornando cada vez mais comum, e segundo Temponi (2007 apud RIBEIRO, 1996) uma metaheurística deve ser modelada de acordo com o problema que ela foi projetada para resolver. Isto na maioria vezes requer muitas alterações quando se tem que aplicar uma mesma metaheurística a diversos tipos de problemas de otimização combinatória. Neste trabalho foi proposto um framework para utilização de uma metaheurística híbrida proposta por Almeida (2014) onde foi utilizado a metaheurística GRASP Reativo juntamente com uma técnica de aprendizagem por reforço mais especificamente o algoritmo Q-learning (GR-Learning), que foi utilizado para aprender com o passar das iterações qual α utilizar durante a fase de construção da GRASP. O GR-Learning foi utilizado para resolver o problema dos p-Centros aplicado a Segurança Pública na Cidade de Mossoró/RN. Este trabalho propõe um framework para utilização do GR-Learning a diversos outros problemas de otimização combinatória que não seja necessariamente o problema dos p-Centros. Para validar a eficácia do framework proposto o mesmo foi utilizado para resolver dois problemas clássicos de otimização combinatória: O Problema de Localização de Hubs (do inglês Hub Location Problem - HLP) e o Problema de Corte e Estoque – PCE (do inglês Cutting Stock Problem - CSP). Para validação dos resultados obtidos foram utilizadas instâncias com resultados já conhecidos na literatura e adicionalmente foi criada uma instância com dados do setor aeroviário Brasileiro. Os resultados obtidos mostraram que o framework proposto foi bastante competitivo quando comparado a outros resultados de diversos a já conhecidos na literatura, pois obteve o valor ótimo em quase todas as instâncias do HLP como também novos valores (melhores que o valor ótimo conhecido na literatura) para algumas instâncias do CSP.