Defesa de Dissertação de Mestrado de Guilherme Manso Haddad, em 04/12/2023, às 16:00 horas, na sala 310 do Instituto de Computação e por videoconferência
Link para defesa: https://meet.google.com/gyu-
Utilização de Técnica de Aprendizado por Reforço para Roteamento e Análise de Desempenho de Frota Híbrida
Resumo:
As cidades inteligentes visam oferecer serviços mais eficientes e sustentáveis aos seus habitantes, ao utilizar novas tecnologias e equipamentos em diversas áreas como a geração de energia, a mobilidade urbana, a gestão de resíduos e a logística. Os drones estão sendo cada vez mais utilizados nas soluções para a área logística, pois, além de serem movidos a energia elétrica, têm a capacidade de se deslocarem de maneira ágil e eficiente para realizar entregas. Embora o uso direto dos drones possa ser limitado devido às suas restrições de autonomia e capacidade de carga, seu potencial é ampliado quando utilizados em conjunto com caminhões. A utilização otimizada deste sistema híbrido para realizar entregas de mercadorias requer que o complexo problema de roteamento seja resolvido de forma eficiente. Desta maneira, propomos o uso de um método de aprendizado de máquina por reforço, conhecido na literatura como otimização por colônia de formigas, juntamente com técnicas de otimização, para resolver essa questão. Além do novo algoritmo, desenvolvemos um método de calibração automática e conduzimos testes utilizando instâncias e resultados disponíveis na literatura. Os resultados obtidos demonstram a eficiência e a capacidade de adequação a situações reais do método proposto, assim como a importância da utilização de uma frota heterogênea com valores adequados de autonomia dos drones. Este estudo contribuiu significativamente para avanços na área de logística de entregas, proporcionando insights valiosos para o desenvolvimento de sistemas mais eficientes e econômicos.
Abstract:
Smart cities aim to provide more efficient and sustainable services to their inhabitants by using new technologies and equipment in various areas such as energy generation, urban mobility, waste management and logistics. Drones are increasingly being used in the logistic area because they are powered by electricity and also have the ability to move swiftly and efficiently to carry out deliveries. Although the direct use of drones may be limited due to their autonomy restrictions and payload capacity, their potential is expanded when used in conjunction with trucks. The optimized utilization of this hybrid system for goods delivery requires the efficient resolution of the complex routing problem. Therefore, we propose the use of a reinforcement learning method, known in the literature as ant colony optimization, along with optimization techniques to address this issue. In addition to the new algorithm, we have developed an automatic calibration method and conducted tests using instances and results available in the literature. The obtained results demonstrate the efficiency and adaptability to real-world situations of the proposed method. They also highlight the importance of utilizing a heterogeneous fleet with appropriate drone autonomy values. This study has contributed significantly to advancements in the field of delivery logistics, providing valuable insights for the development of more efficient and economical systems.
Banca examinadora:
Prof. Luiz Satoru Ochi, UFF – Presidente
Prof. Igor Machado Coelho, UFF
Prof. Marcone Jamilson Freitas Souza, UFOP
Prof. Pedro Henrique González Silva, UFRJ