UMA ABORDAGEM HÍBRIDA BASEADA EM META-HEURÍSTICA E MACHINE LEARNING PARA MELHORIA DA EFICIÊNCIA COMPUTACIONAL EM PROBLEMAS DE JOB SHOP SCHEDULING

Avanços recentes mostram o sucesso de meta-heurísticas na resolução de problemas de agendamento job shop. Métodos baseados em aprendizado de máquina surgem como catalisadores das abordagens tradicionais. Assim, investigar a combinação dessas técnicas tornou-se relevante,visando melhorar a qualidade das soluções e a eficiência computacional. Este artigo propõe um algoritmo híbrido chamado K-means Particle Swarm Optimization (KPSO) para otimizar o makespan no problema clássico de job shop flexível. Inicialmente, utiliza-se o mapa caótico Singer para gerar soluções iniciais diversas e bem distribuídas. Logo, o K-means agrupa essas soluções e utiliza os centróides como ponto de partida para o PSO, com o objetivo de acelerar a convergência e melhorar os resultados. Testes em dez instâncias da literatura indicam que, em seis delas, o makespan foi reduzido e, em 70% dos casos, o makespan médio foi melhorado. Conclui-se que o uso da clusterização agrega valor e sugere consistência no algoritmo proposto.