Descripció del projecte
Prendre decisions correctes a temps és clau per als responsables de la presa de decisions tenint en compte el dinamisme dels sistemes de qualsevol sector (transport i logística, gestió de la cadena de subministrament, finances, etc.) i tenint en compte el nivell d’incertesa degut a esdeveniments inesperats que poden ocórrer en qualsevol moment. També és important notar que aquests processos impliquen problemes cada vegada més grans i més complexos, que són un inconvenient greu ja que la majoria dels problemes d’optimització associats són NP-hard per naturalesa.
és sabut que els problemes NP-hard es poden resoldre en un temps de computació raonable mitjançant l’ús de metaheurístiques, sense assegurar-se d’obtenir la solució òptima, però almenys d’una quasi òptima. El desavantatge d’utilitzar metaheurístiques és la hipòtesi de disposar d’un sistema determinista del què es coneix tota la informació per endavant. No obstant això, estem parlant de problemes del món real on assumir un entorn determinista conduiria a una versió simplificada del problema; Aleshores, la solució que es trobi probablement no seria factible en el món real a causa dels paràmetres estocàstics no considerats i deguts a la incertesa d’esdeveniments inesperats.
També se sap que els problemes NP-hard es poden resoldre utilitzant tècniques de simulació, en les quals, només s’analitza un nombre limitat de solucions (escenaris) obtenint el millor d’un conjunt petit. L’avantatge de la simulació és la possibilitat de considerar esdeveniments inesperats que es puguin produir amb certa probabilitat; per tant, les solucions solen ser implementables en el món real.
Les tècniques d’aprenentatge automàtic utilitzen la informació existent de situacions passades per aprendre, i la situació actual per predir què pot passar en funció del que s’ha après del passat. Aquestes tècniques obren una nova forma de resoldre aquests problemes NP-hard mitjançant l’aprenentatge de situacions i decisions anteriors.
L’objectiu d’aquest projecte és integrar totes aquestes tècniques per resoldre problemes del món real.
· Integrar la simulació en metaheurístiques (Simheuristics) per resoldre problemes d’optimització estocàstica
· Integrar l’aprenentatge automàtic i la metaheurística (Learnheuristics) per resoldre problemes d’optimització en entorns dinàmics
· Integrar la simulació, l’aprenentatge automàtic i les metaheurístiques per resoldre problemes d’optimització estocàstica en entorns dinàmics
