| Summary: | Submitted by repositorio repositorio (repositorio@unifei.edu.br) on 2015-10-13T18:06:46Z
No. of bitstreams: 1
tese_miranda_2015.pdf: 3995203 bytes, checksum: 1e4943f9ad6b986f20d4ad091c2f3f0b (MD5) === Made available in DSpace on 2015-10-13T18:06:46Z (GMT). No. of bitstreams: 1
tese_miranda_2015.pdf: 3995203 bytes, checksum: 1e4943f9ad6b986f20d4ad091c2f3f0b (MD5)
Previous issue date: 2015-04 === O desenvolvimento de diversas metaheurísticas possibilitaram o uso da otimização em ambientes de simulação a eventos discretos. No entanto, este campo de pesquisa ainda é pouco utilizado, principalmente, em função do tempo necessário para a convergência desses algoritmos. Nesse sentido, a otimização via simulação é influenciada pela complexidade do modelo de simulação, pelo número de variáveis de decisão e por seus limites de variação. Neste contexto, este trabalho propõe um método capaz de identificar os melhores limites de variação, para cada variável de decisão, em um problema de otimização via simulação, proporcionando uma redução do tempo computacional, ao mesmo tempo em que permite alcançar soluções de elevada qualidade (soluções ótimas ou estatisticamente iguais a ela). Para isso, o método proposto combina a simulação a eventos discretos, arranjos ortogonais de Taguchi e a análise de supereficiência desenvolvida no modelo DEA BCC. Neste método, o espaço de busca do problema de otimização via simulação é representado por meio de um arranjo ortogonal de Taguchi. Para gerar as saídas do modelo DEA BCC, executou-se a simulação do arranjo ortogonal (cenários) e posteriormente a análise de supereficiência. Com base nestes resultados, os cenários são ordenados, sendo adotados como novos limites do problema de otimização os valores das variáveis dos dois cenários de maior supereficiência. Para validar o método proposto, foram utilizados quinze objetos de estudo. Os casos representam problemas complexos de empresas de manufatura e da área hospitalar. Dessa forma, sua eficácia pode ser verificada, uma vez que permitiu reduções médias de 97% no espaço de busca, e de 42% no tempo computacional necessário para se obter uma solução. Além disso, para quatro dos casos estudados, foi realizada a comparação entre o resultado ótimo obtido com a simulação de toda região de solução, e o resultado da otimização realizada no espaço de busca reduzido. Pode-se concluir, com um nível de 95% de confiança, que as respostas obtidas foram estatisticamente iguais.
|
|---|
