Resolução de problemas de Bin Packing utilizando rede neural aumentada e Minimum Bin Slack

Abstract

ResumoO objetivo do presente trabalho é comparar a utilização da meta-heurística Rede Neural Artificial Aumentada (RNAA) com a heurística Minimum Bin Slack (MBS) para resolução de Problemas de Otimização Combinatória, mais especificamente, em problemas de Bin Packing, uma classe de Problemas de Corte e Empacotamento (PCE). PCEs são vastamente encontrados em diversos ramos da indústria e o tratamento adequado deste tipo de problema pode gerar impactos diretos na economia de matérias-primas e/ou espaço físico das empresas. Para a otimização dos parâmetros da RNAA, fez-se uso de um projeto de Delineamento de Experimento (DOE) do tipo Fatorial Completo. Os testes, realizados em diversos problemas benchmark da literatura, mostraram que, de uma forma geral, a heurística MBS foi superior tanto em relação à qualidade das respostas (cerca de 70% melhor), quanto em relação ao tempo computacional (aproximadamente 90% menor).AbstractThe objective of this work is to compare the Augmented Neural Network (AugNN) metaheuristic with Minimum Bin Slack (MBS) heuristic to solve Combinatorial Optimization Problems, specifically, in this case, the bin packing problem, a class of Cutting and Packing Problems (CPP). CPPs are easily found among various industry sectors and its proper treatment can impact directly in savings of raw material and/or physical space of enterprises. In order to optimize the parameters of AugNN, a Full Factorial Design of Experiment (DOE) was applied. The tests, developed in many benchmark problems found in the literature, showed that MBS heuristic was generally superior, both in terms of quality of solution (approximately 70% better) and computational time (about 90% shorter).