Publicação
Otimização do problema de roteamento de veículos com frotas heterogéneas e restrições de carregamento integrado com aprendizagem automática
| Resumo: | O transporte de mercadorias representa uma componente crítica nas operações logísticas, tanto pelo impacto direto nos custos como na eficiência global das cadeias de distribuição. A crescente complexidade dos sistemas de entrega, marcada pela heterogeneidade das frotas e restrições de carregamento, tem tornado os métodos tradicionais de otimização insuficientes para assegurar soluções de qualidade em tempo computacional aceitável. Motivada por este contexto, a presente dissertação propõe um framework híbrido que conjuga a formulação exata de um modelo de Programação Linear Inteira Mista (Mixed-Integer Linear Programming — MILP) com técnicas de Aprendizagem Automática (Machine Learning — ML) Supervisionada aplicadas ao Problema de Roteamento de Veículos com Frota Heterogénea e Carregamento Bidimensional (Two-Dimensional Loading Heterogeneous Fleet Vehicle Routing Problem — 2L-HFVRP). A componente de otimização assegura a representação rigorosa das restrições operacionais e estruturais do problema, enquanto a camada preditiva estima a variável dependente de afetação cliente–veículo, permitindo antecipar decisões e obter soluções admissíveis quando o solver, para resolver o modelo exato, por si só, não alcança resultados dentro de limites computacionais razoáveis. Com base nesse conhecimento preditivo, são concebidas seis estratégias de fixação da variável dependente, diferenciadas pelo grau de prescrição e pelo equilíbrio entre capacidade e diversidade da frota. Os resultados demonstram que a integração preditiva acelera significativamente o processo de resolução e assegura soluções consistentes, mesmo em instâncias de maior dimensão. Tal evidência é observável nas instâncias com 25 clientes, onde o MILP não obteve qualquer solução admissível ao fim de uma hora de tempo computacional, enquanto a abordagem híbrida (MILP + ML) encontrou soluções para todas as instâncias testadas. Entre as estratégias avaliadas, destaca-se a fixação condicionada à capacidade, que apresenta o melhor compromisso entre eficiência computacional e qualidade das soluções obtidas, enquanto as abordagens mais prescritivas, embora mais rápidas, tendem a gerar custos operacionais superiores. Observa-se, assim, que a articulação entre otimização matemática e ML representa um avanço significativo na resolução de problemas combinatórios de elevada dimensão, constituindo uma via promissora para ultrapassar as limitações computacionais dos métodos tradicionais e reforçar a aplicabilidade prática dos modelos de roteamento com restrições de carregamento em contextos logísticos reais. |
|---|---|
| Autores principais: | Ribeiro, Leonor Coelho |
| Assunto: | Problema de Roteamento de Veículos com Frota Heterogénea e Carregamento Bidimensional Programação Linear Inteira Mista Machine Learning Integração Híbrida Otimização Combinatória Modelos Preditivos Two-Dimensional Loading Heterogeneous Fleet Vehicle Routing Problem Mixed-Integer Linear Programming Hybrid Integration Combinatorial Optimization Predictive Models |
| Ano: | 2025 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | O transporte de mercadorias representa uma componente crítica nas operações logísticas, tanto pelo impacto direto nos custos como na eficiência global das cadeias de distribuição. A crescente complexidade dos sistemas de entrega, marcada pela heterogeneidade das frotas e restrições de carregamento, tem tornado os métodos tradicionais de otimização insuficientes para assegurar soluções de qualidade em tempo computacional aceitável. Motivada por este contexto, a presente dissertação propõe um framework híbrido que conjuga a formulação exata de um modelo de Programação Linear Inteira Mista (Mixed-Integer Linear Programming — MILP) com técnicas de Aprendizagem Automática (Machine Learning — ML) Supervisionada aplicadas ao Problema de Roteamento de Veículos com Frota Heterogénea e Carregamento Bidimensional (Two-Dimensional Loading Heterogeneous Fleet Vehicle Routing Problem — 2L-HFVRP). A componente de otimização assegura a representação rigorosa das restrições operacionais e estruturais do problema, enquanto a camada preditiva estima a variável dependente de afetação cliente–veículo, permitindo antecipar decisões e obter soluções admissíveis quando o solver, para resolver o modelo exato, por si só, não alcança resultados dentro de limites computacionais razoáveis. Com base nesse conhecimento preditivo, são concebidas seis estratégias de fixação da variável dependente, diferenciadas pelo grau de prescrição e pelo equilíbrio entre capacidade e diversidade da frota. Os resultados demonstram que a integração preditiva acelera significativamente o processo de resolução e assegura soluções consistentes, mesmo em instâncias de maior dimensão. Tal evidência é observável nas instâncias com 25 clientes, onde o MILP não obteve qualquer solução admissível ao fim de uma hora de tempo computacional, enquanto a abordagem híbrida (MILP + ML) encontrou soluções para todas as instâncias testadas. Entre as estratégias avaliadas, destaca-se a fixação condicionada à capacidade, que apresenta o melhor compromisso entre eficiência computacional e qualidade das soluções obtidas, enquanto as abordagens mais prescritivas, embora mais rápidas, tendem a gerar custos operacionais superiores. Observa-se, assim, que a articulação entre otimização matemática e ML representa um avanço significativo na resolução de problemas combinatórios de elevada dimensão, constituindo uma via promissora para ultrapassar as limitações computacionais dos métodos tradicionais e reforçar a aplicabilidade prática dos modelos de roteamento com restrições de carregamento em contextos logísticos reais. |
|---|