A incerteza está a receber uma atenção crescente, nos últimos anos, por parte da comunidade de Investigação Operacional. Os métodos que reconhecem a incerteza e o carácter incompleto da informação são uma importante tendência de investigação. Os cenários surgem como componentes chave em muitos destes métodos, como instrumentos para lidar com a incerteza. No entanto, o processo de geração de cenários é frequentemente simplificado de forma irrealista. Propomos que a meta-heurística, nomeadamente baseada em algoritmos genéticos, pode gerar cenários relevantes e complexos, sem exigir distribuições de probabilidade a priori. Isto é de particular interesse em aplicações práticas onde existem muitos parâmetros incertos, e é significativamente difícil definir com precisão as suas características. Para resolver problemas com incerteza em duas fases, propomos um método baseado numa meta-heurística co-evolutiva, onde soluções e cenários são gerados e evoluem em paralelo. O objetivo da evolução da população de soluções é obter valores para as decisões da primeira fase que tenham um bom desempenho quando comparados com a população de cenários. O objetivo da evolução da população de cenários é diversificar o impacto dos seus elementos sobre o valor das soluções. Esta metodologia é capaz de apoiar os decisores com diferentes perfis de risco. Para ilustrar o método, aplicamo-lo ao problema integrado da gestão da frota e dos preços para as empresas de aluguer de automóveis sob procura e à incerteza dos preços da concorrência. Uma extensão deste trabalho é um gerador de cenários inovador, baseado nesta ideia de diversidade de impacto, que fornece rapidamente conjuntos representativos de cenários que podem ser utilizados para alimentar não só um algoritmo genético, mas também qualquer método de resolução que recorra a cenários. Esta extensão será ilustrada através de um problema simples de empacotamento de camiões.
(Esta palestra baseia-se num trabalho conjunto com Beatriz Brito Oliveira, Maria Antónia Carravilla e Alysson M. Costa)
Christofides e Hadjiconstantinou (1995) introduziram uma relaxação do espaço de estados da programação dinâmica para obter limites superiores para o Problema de Corte Bidimensional Guilhotinado Restrito . A qualidade desses limites depende dos pesos dos itens escolhidos, eles são ajustados usando um algoritmo do tipo subgradiente. Este artigo propõe o Algoritmo X, um novo algoritmo de ajuste de peso baseado em programação inteira que comprovadamente obtém os pesos ótimos. A fim de obter limites superiores ainda melhores, esse algoritmo é generalizado no Algoritmo X2 para obter pesos bidimensionais ótimos. Também apresentamos um método híbrido, denominado Algoritmo X2D, que calcula esses limites superiores fortes, mas também fornece soluções viáveis obtidas por: (1) explorar as soluções subótimas ocultas nas matrizes de programação dinâmica; (2) realizar uma série de iterações de uma heurística primal baseada em GRASP; e (3) executar X2H, uma adaptação do Algoritmo X2 para transformá-lo em uma heurística primal. Experimentos extensivos com instâncias da literatura e também com novas instâncias propostas, tanto para as variantes com e sem rotação, mostram que o X2D pode obter soluções de alta qualidade e limites superiores fortes. Em muitos casos, as soluções fornecidas são certificadas como ótimas.
O artigo correspondente foi publicado em https://doi.org/10.1016/j.ejor.2018.06.016
Often, in the Management Science/ Operations Research community, practice is ‘ahead’ of theory. This setting also seems to be the case in the service facility location problem that has been challenged by the rise of omnichannel retail models, which may leverage physical retail facilities to serve both online and offline customers. The corresponding location problems need to endogenize the demand parameter, which is linked to location decisions due to several service reasons (e.g., lead-time and stockouts). In this presentation, we start by overviewing two cases of recent practical endeavors to redesign the networks of a grocery and a fashion retailer. Based on the real-world challenges that these cases present, we link back to theory and discuss future research avenues that lie in the intersection of predictive and prescriptive analytics.
Muitas vezes, na comunidade de Ciências de Gestão/ Investigação Operacional, a prática está 'à frente' da teoria. Este cenário também parece ser o caso no problema de localização das instalações de serviço que tem sido desafiado pelo aumento dos modelos de retalho omnicanal, que podem alavancar as instalações físicas de retalho para servir tanto clientes online como offline. Os problemas de localização correspondentes precisam de endogenizar o parâmetro de procura, que está ligado a decisões de localização devido a várias razões de serviço (por exemplo, tempo de espera e rutura de stock). Nesta apresentação, começamos por apresentar dois casos práticos para redesenhar as redes de um retalhista alimentar e de um retalhista de moda. Com base nos desafios do mundo real que estes casos apresentam, ligamos de volta à teoria e discutimos vias de investigação futura que se situam na intersecção da análise preditiva e prescritiva.