Work

Solving Dynamic Inventory-Routing Problems Through Supervised Learning

Year: 2025
Type: dissertation
Abstract: No panorama atual da indústria, as organizações são cada vez mais desafiadas pela crescente complexidaded das decisões operacionais.Desde a área de logística operacional até às cadeias de abastecimento globais, a minimização dos custos totais mantendo um serviço eficiente requere políticas de decisão que, para além de exatas, sejam adaptáveis à incerteza do mundo real.O Problema de Roteamento de Inventário integra a gestão de inventário e o roteamento de veículos em conjunto.Introduzindo incerteza e uma tomada de decisão sequencial, o problema evolui para o Problema de Roteamento de Inventário Dinâmico e Estocástico (DSIRP).Neste cenário, a procura dos clientes é atualizada ao longo do tempo é utilizada para apoiar políticas de decisão dinâmicas informadas.Cada decisão inclui os clientes a visitar, a quantidade a entregar e a forma de os combinar numa rota.Recentemente, desafios relacionados com a escalabilidade, complexidade computacional e a necessidade de ajustar as políticas actuais às informações obtidas em tempo real têm fomentado um interesse crescente na aplicação de Machine Learning a problemas de otimização combinatória dinâmica, incluindo o DSIRP.Neste contexto, esta dissertação tem como objetivo explorar a aplicação de Supervised Learning, especificamente para apoiar a decisão de quais os clientes a visitar em cada período de decisão.O objetivo é avaliar se a aprendizagem a partir de soluções passadas de elevada qualidade pode aproximar o comportamento de especialistas em situações de incerteza, reduzindo os custos computacionais.A solução proposta baseia-se numa política de decisão em três etapas.Primeiro, um modelo de Supervised Learning seleciona os clientes que devem ser visitados.Em segundo lugar, a quantidade de entrega é calculada utilizando duas regras clássicas de gestão de inventário.Em terceiro lugar, a rota do veículo é optimizada através da resolução de um Problema do Caixeiro Viajante para os clientes selecionados.Foi seguido um processo de desenvolvimento iterativo, em que vários modelos foram treinados utilizando diferentes conjuntos de caraterísticas, aperfeiçoados ao longo do tempo.O seu desempenho foi avaliado utilizando um ambiente de simulação personalizado, que permitiu comparações baseadas nos custos com soluções de referência calculadas com pleno conhecimento da procura futura.Por fim, os resultados obtidos sugerem que, embora os modelos tenham melhorado de forma consistente ao longo das iterações e superado uma política de base da literatura, ainda ficaram aquém de políticas de referência mais complexas.No entanto, Supervised Learning é um método promissor para a aprendizagem de políticas de decisão utilizando recursos computacionais limitados, embora sejam necessários mais aperfeiçoamentos para reduzir a diferença de desempenho em relação às estratégias com melhor desempenho.i "Success doesn't mean the absence of failures; it means the attainment of ultimate objectives.It means winning the war, not every battle."
Author: Andre Filipe Cardoso Barbosa
Language: English
Open Access status: green
OpenAlex ID: W7077176185
Cites: 45
Cited by: 1
Related to: 10