OTIMIZAÇÃO DO ALGORITMO Q-LEARNING VIA PARTICLE SWARM OPTIMIZATION APLICADA AO PROBLEMA DOS K-SERVOS

O problema dos k-servos é um problema de otimização combinatória online em que cada
decisão de deslocamento é irrevogável e tomada sem informação sobre demandas futuras. O Q-
Learning é uma alternativa promissora para esse cenário, mas seu desempenho depende fortemente
da calibração dos hiperparâmetros. Este artigo propõe uma abordagem híbrida que utiliza Otimi-
zação por Enxame de Partículas (PSO) para ajustar os hiperparâmetros do Q-Learning, combinada
com Double Q-Learning e Experience Replay. A proposta foi avaliada em instâncias parametriza-
das pelo Índice de Gini, cobrindo dinâmicas Multifocais e Migratórias. Os experimentos mostram
que a sintonização via PSO reduz o custo de movimentação e diminui em até 45% o coeficiente de
variação em relação a configurações fixas, indicando maior estabilidade do aprendizado.