Para citar este trabalho use um dos padrões abaixo:
Este trabalho investiga o problema de sequenciamento em máquinas paralelas não relacionadas, considerando tempos de preparação dependentes da sequência, datas de liberação e prazos distintos. O objetivo é minimizar a soma ponderada das penalidades por antecipação e por atraso. Propõe-se a integração da meta-heurística busca local iterada com a técnica de aprendizado por reforço Q-Learning para guiar a fase de busca local. O algoritmo resultante aprende dinamicamente a melhor ordem para explorar os operadores da busca local, avaliando as políticas epsilon-gulosa e de Boltzmann. Experimentos computacionais em 48 instâncias da literatura demonstram que a política epsilon-gulosa oferece o melhor equilíbrio entre esforço computacional e qualidade da solução. Ela é mais eficaz para guiar o aprendizado, obtendo resultados equivalentes ou superiores, especialmente em instâncias maiores, com 60 tarefas. A política de Boltzmann resulta nos maiores tempos de execução, sem traduzir esse custo em ganhos no valor da função objetivo. O seu baixo desempenho pode ser atribuído ao valor da temperatura inicial, pois um valor elevado pode prolongar a fase de exploração aleatória e, em consequência, o algoritmo pode demorar a explorar o conhecimento acumulado ao longo das iterações.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo