En los entornos productivos, sociales y de servicios se presentan numerosos problemas complejos que se pueden modelar y resolver en el marco de los problemas de satisfacción y optimización de restricciones y scheduling. Algunos ejemplos de este tipo de problemas son la planificación de turnos de trabajo, organización de las tareas en las máquinas de una planta de producción, o la planificación de rutas de vehículos para tareas de distribución.

Es evidente que el desarrollo de herramientas computacionales para este tipo de problemas tiene un interés económico y social indudable. Pero, al mismo tiempo, también es claro que para poder abordar con éxito estos problemas, es preciso un conocimiento previo de técnicas que permitan tratar las características intrínsecas de los problemas, como los distintos tipos de variables, de restricciones, la restringibilidad de las mismas, etc. que hacen que los problemas de scheduling reales sean difíciles de modelar y resolver.

La gran mayoría de las técnicas desarrolladas para resolver los problemas de scheduling en procesos industriales y logísticos se han centrado habitualmente en la obtención eficiente de soluciones optimizadas, asumiendo un entorno determinista, donde se asumen costes energéticos fijos. Sin embargo, los escenarios reales de scheduling corresponden típicamente a entornos dinámicos, parcialmente deterministas o con información incompleta. Por estas razones, las soluciones iniciales suelen resultar inaplicables ante incidencias o cuando los recursos tienen un consumo energético variable en función de franjas horarias o ratios de eficiencias. Para ello, la tendencia más actual es el desarrollo de métodos proactivos (en general, más eficientes que los métodos reactivos convencionales) para la obtención de soluciones eficientes energéticamente de manera que se mantengan viables y/o sean
recuperables (aunque con mayor coste energético) en caso de incidencias. Dada la complejidad computacional de estos problemas, resulta necesario incorporar aprendizaje en los parámetros de tuning propios de las técnicas metaheurísticas, por lo que resulta necesario adaptar estas parametrizaciones durante la búsqueda para obtener soluciones próximas al óptimo global.

Los objetivos concretos que se proponen en este proyecto son los siguientes:

• O1. Estudio de los parámetros durante la búsqueda en problemas de scheduling sostenibles (multiobjetivo).
  • El objetivo es establecer medidas de calidad de las soluciones en problemas de scheduling que tengan en cuenta la sostenibilidad en situaciones en las que, por ejemplo, el rendimiento de los recursos varía con el consumo de energía, o bien se plantea el aprovechamiento óptimo de una cantidad de potencia contratada. También es importante relacionar estas medidas con otras convencionales relativas al tiempo de ejecución, finalización de las tareas, o a la cantidad de recursos utilizados. Adicionalmente nos centraremos en la contextualización de los parámetros de tuning que se utilizan en las técnicas metaheurísticas que se pretenden desarrollar y cómo estos pueden evolucionar de manera dinámica durante la búsqueda.
• O2. Diseño y desarrollo de técnicas de búsqueda metaheurísticas con aprendizaje en problemas offline de scheduling sostenible.
  • Este objetivo trata de desarrollar soluciones efectivas que tengan en cuenta las medidas de calidad definidas en el objetivo anterior (O1). Para ello se utilizarán fundamentalmente metaheurísticas multiobjetivo, en particular algoritmos evolutivos que tienen un reconocimiento claro entre los investigadores como los algoritmos genéticos, combinados con estrategias de búsqueda local. El principal reto en el diseño de estos algoritmos será el desarrollo de estrategias de tuning estáticas y dinámicas que permitan aprender durante la búsqueda los valores más adecuados de parametrización de los algoritmos evolutivos. Así, se tratará de inferir aprendizaje a las técnicas de búsqueda para optimizar problemas de scheduling sostenibles donde cada máquina puede variar su velocidad en función de su curva de eficiencia.
• O3. Diseño y desarrollo de técnicas metaheurísticas en problemas dinámicos de scheduling sostenible.
  • Las técnicas desarrolladas en el objetivo anterior (O2) serán rediseñadas para ser adaptadas al contexto dinámico. Se desarrollarán nuevos modelos que permitan el rescheduling en problemas dinámicos, tanto el rescheduling completo como el modelo match-up. Estas técnicas serán de especial relevancia en problemas de scheduling, donde 11 de 20 las incidencias se deben resolver de forma local recuperando la solución previamente obtenida lo antes posible.

Dada la naturaleza científico-técnica del proyecto, se utilizarán de forma sistemática el método científico y la ingeniería de software. Como estrategia general, se analizarán las propiedades formales de los problemas de scheduling y se diseñarán los algoritmos necesarios para resolverlos. Finalmente se experimentará sobre bancos de ejemplos significativos existentes en la literatura o sobre datos reales proporcionados por empresas que colaboran con el equipo de investigación.

Noticias relacionadas

• Investigadores del ai2 trabajan con nuevas técnicas de IA para la planificación sostenible de plantas de producción, problemas logísticos e invernaderos