REDES NEURAIS PARA OTIMIZAÇÃO VIA SIMULAÇÃO POR METAMODELAGEM: UMA APLICAÇÃO NO SETOR INDUSTRIAL

Anais do Encontro Nacional de Engenharia de Produção Pub Date : 2022-10-10 DOI:10.14488/enegep2022_tn_st_384_1900_43774

João Victor Soares Do Amaral, R. Miranda, C. Santos, J. A. B. Montevechi, Flavio Oliveira DE Brito

{"title":"REDES NEURAIS PARA OTIMIZAÇÃO VIA SIMULAÇÃO POR METAMODELAGEM: UMA APLICAÇÃO NO SETOR INDUSTRIAL","authors":"João Victor Soares Do Amaral, R. Miranda, C. Santos, J. A. B. Montevechi, Flavio Oliveira DE Brito","doi":"10.14488/enegep2022_tn_st_384_1900_43774","DOIUrl":null,"url":null,"abstract":"No contexto da indústria moderna, a otimização surge como uma das ferramentas mais poderosas, permitindo que os tomadores de decisão aloquem seus recursos de forma mais assertiva e lidem com problemas complexos de fabricação. Além disso, os sistemas de manufatura geralmente envolvem interdependência de atividades e altos níveis estocásticos, sendo necessário associar técnicas de otimização e simulação para resolver problemas. Embora a otimização via simulação seja uma técnica poderosa, pode levar muito tempo para convergir em uma boa solução, o que muitas vezes limita seu uso nas operações do dia-a-dia. Como alternativa, metamodelos podem ser usados para substituir modelos de simulação no processo de otimização. Nos últimos anos, com o desenvolvimento na área de aprendizado de máquina, surgiram algoritmos com alta capacidade de aprendizado, tornando a otimização via simulação por metamodelagem um campo de estudo promissor. Neste contexto, o presente trabalho visa avaliar","PeriodicalId":145654,"journal":{"name":"Anais do Encontro Nacional de Engenharia de Produção","volume":"92 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-10-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Anais do Encontro Nacional de Engenharia de Produção","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.14488/enegep2022_tn_st_384_1900_43774","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

No contexto da indústria moderna, a otimização surge como uma das ferramentas mais poderosas, permitindo que os tomadores de decisão aloquem seus recursos de forma mais assertiva e lidem com problemas complexos de fabricação. Além disso, os sistemas de manufatura geralmente envolvem interdependência de atividades e altos níveis estocásticos, sendo necessário associar técnicas de otimização e simulação para resolver problemas. Embora a otimização via simulação seja uma técnica poderosa, pode levar muito tempo para convergir em uma boa solução, o que muitas vezes limita seu uso nas operações do dia-a-dia. Como alternativa, metamodelos podem ser usados para substituir modelos de simulação no processo de otimização. Nos últimos anos, com o desenvolvimento na área de aprendizado de máquina, surgiram algoritmos com alta capacidade de aprendizado, tornando a otimização via simulação por metamodelagem um campo de estudo promissor. Neste contexto, o presente trabalho visa avaliar

查看原文本刊更多论文

元模型仿真的神经网络优化:在工业领域的应用

在现代工业的背景下，优化成为最强大的工具之一，使决策者能够更果断地分配他们的资源，并处理复杂的制造问题。此外，制造系统通常涉及活动的相互依赖和高随机水平，需要结合优化和仿真技术来解决问题。虽然模拟优化是一种强大的技术，但它可能需要很长时间才能收敛到一个好的解决方案，这往往限制了它在日常操作中的使用。在优化过程中，元模型也可以用来代替仿真模型。近年来，随着机器学习领域的发展，出现了具有高学习能力的算法，使元模型仿真优化成为一个有前途的研究领域。在此背景下，本研究的目的是评估在巴西和阿根廷进行的研究

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Anais do Encontro Nacional de Engenharia de Produção

自引率

0.00%

发文量