skip to main content
Guest
e-Shelf
My Account
Sign out
Sign in
This feature requires javascript
Tags
e-Journals
e-Books
Databases
USP Libraries
Help
Help
Language:
English
Spanish
Portuguese (Brazil)
This feature required javascript
This feature requires javascript
Primo Search
General Search
General Search
Physical Collection
Physical Collections
USP Intelectual Production
USP Production
Search For:
Clear Search Box
Search in:
Physical Collection
Or hit Enter to replace search target
Or select another collection:
Search in:
Physical Collection
Advanced Search
Browse Search
This feature requires javascript
This feature requires javascript
Métodos mono e multiobjetivo para o problema de escalonamneto de técnicos de campo
Ricardo de Brito Damm Débora Pretti Ronconi 1968-
2016
Available at
EPBC - Esc. Politécnica-Bib Central
(FT-3600 versão corr. )
(GetIt)
This feature requires javascript
Locations & Holds
Details
Reviews & Tags
Requests
More
Virtual Browse
This feature requires javascript
Actions
Add to e-Shelf
Remove from e-Shelf
E-mail
Print
Permalink
Citation
EasyBib
EndNote
RefWorks
Delicious
Export RIS
Export BibTeX
This feature requires javascript
Title:
Métodos mono e multiobjetivo para o problema de escalonamneto de técnicos de campo
Author:
Ricardo de Brito Damm
Débora Pretti Ronconi 1968-
Subjects:
PESQUISA OPERACIONAL
;
HEURÍSTICA
;
ALGORITMOS GENÉTICOS
Notes:
Tese (Doutorado)
Local notes:
Programa Engenharia (Engenharia de Produção)
Description:
Um tema pouco estudado na literatura, mas frequentemente encontrado por empresas prestadoras de serviço, é o Problema de Escalonamento de Técnicos de Campo (Field Technician Scheduling Problem). O problema consiste em associar um número de tarefas – em diversos locais, com diferentes prioridades e com janelas de tempo – a uma quantidade de técnicos – com diferentes horários de expediente e com habilidades distintas – que devem retornar para o local de origem no final do expediente. Cada tarefa é atendida por um único técnico. Esse problema é estudado neste trabalho. A primeira parte do trabalho apresenta um modelo de programação linear inteira mista (PLIM) e, dada a complexidade do problema, heurísticas construtivas e meta-heurísticas foram desenvolvidas. Na função objetivo, procura-se principalmente maximizar o número ponderado de tarefas executadas em um dia de trabalho, de acordo com as suas prioridades. Em linhas gerais, as heurísticas construtivas ordenam as tarefas de acordo com um critério pré-estabelecido e, em seguida, designam cada uma a um dos técnicos capazes de realizá-la sem violar as restrições do problema. Tendo em conta o bom desempenho obtido em outros problemas semelhantes, foi adotado um Algoritmo Genético denominado Biased Random-Key Genetic Algorithms (BRKGA), que utiliza chaves aleatórias para codificar e decodificar as soluções. Codificadores e decodificadores adaptados ao problema foram desenvolvidos e testes computacionais são apresentados. As soluções obtidas em problemas de pequenas dimensões são comparadas com as soluções ótimas conhecidas e, para aprimorar a avaliação do desempenho nas instâncias médias e grandes, quatro procedimentos para obter limitantes superiores foram propostos. Testes computacionais foram realizados em 1040 instâncias.
O BRKGA encontrou 99% das 238 soluções ótimas conhecidas e, nas 720 instâncias de dimensões médias e grandes, ficou em média a 3,8% dos limitantes superiores. As heurísticas construtivas superaram uma heurística construtiva da literatura em 90% das instâncias. A segunda parte do trabalho apresenta uma nova abordagem para o Problema de Escalonamento de Técnicos de Campo: um modelo multiobjetivo, onde uma segunda função objetivo buscará que as tarefas prioritárias sejam realizadas o mais cedo possível. Uma versão multiobjetivo do BRKGA foi desenvolvida, considerando diversas estratégias para classificar a população do algoritmo e escolher as melhores soluções (estratégias de elitismo). Codificadores e decodificadores foram criados para o problema multiobjetivo. Os resultados computacionais obtidos são comparados com os resultados de um Algoritmo Genético conhecido na literatura, o Nondominated Sorting Genetic Algorithm II (NSGA II). Para instâncias de pequenas dimensões, os resultados da meta-heurística proposta também são comparados com a fronteira ótima de Pareto de 234 instâncias. Em média, o BRKGA multiobjetivo encontrou 94% das soluções da fronteira ótima de Pareto e, nas instâncias médias e grandes, superou o desempenho do NSGA-II nos índices de avaliação adotados (porcentagem de soluções eficientes, hipervolume, indicador epsílon e cobertura).
Creation Date:
2016
Format:
175 p..
Language:
Portuguese
Links
This item in the Library Catalog
E-mail do autor
E-mail do orientador
This feature requires javascript
This feature requires javascript
Back to results list
Result
1
Next
This feature requires javascript
This feature requires javascript
Searching Remote Databases, Please Wait
Searching for
in
scope:(USP_FISICO)
Show me what you have so far
This feature requires javascript
This feature requires javascript