Explorando o Uso de Machine Learning para Solução do Problema de Corte e Empacotamento 2D: Mapeamento Sistemático de Literatura

Este artigo investiga a aplicação de Aprendizado de Máquina (ML) no Problema de Corte e Empacotamento Bidimensional (2DCPP) sob o paradigma de inferência amortizada. Foi conduzido um Mapeamento Sistemático da Literatura seguindo as diretrizes PRISMA e o framework PICOC, a partir de 181 resultados iniciais foram selecionados 12 estudos. Os resultados indicam a consolidação do Aprendizado por Reforço Profundo (DRL) a partir de 2022, com predomínio do uso de Transformers e Multilayer Perceptrons (MLP) para formatos regulares, e de Redes Convolucionais para geometrias irregulares (Nesting). A prevalência de abordagens híbridas integradas a heurísticas indica que a viabilidade de solução de problemas 2DCPP puramente via redes neurais continua um desafio em aberto, presente em apenas 17% dos modelos. Conclui-se ainda que a área carece de maturidade empírica e reprodutibilidade, visto que 83% dos estudos não disponibilizam código-fonte e apenas 50% dos estudos realizou validação em Benchmarks clássicos da literatura.