Otimização Multiobjetivo de AGVs em Order Picking com Busca Adaptativa, Aprendizado por Reforço Multiagente e LKH-3

Este artigo apresenta um ambiente experimental para otimização multiobjetivo de AGVs em order picking, montado a partir de dados reais de um armazém calçadista. A partir dos arquivos do dataset, o simulador reconstrói o layout, as ondas de separação, os pontos de navegação e as políticas de armazenamento. No ambiente, comparamos heurísticas, NSGA-II, RL multiagente e um híbrido em que uma política aprendida escolhe operadores de busca. Na instância de 96 tarefas, o híbrido alcançou escore ponderado de 18.892,49, ou seja, 11,40\% melhor que o Nearest dispatch + 2-opt, e baixou o risco médio para 0,50. O ganho aparece quando ALNS, arquivo Pareto, LKH-3 e a política de seleção atuam juntos; isoladamente, nenhum dos componentes explica o resultado.