• APLICAÇÃO DE ALGORITMO METAHEURÍSTICO HÍBRIDO COM MECANISMO PARA ACELERAÇÃO DE CONVERGÊNCIA NA OTIMIZAÇÃO DE PROCESSOS DO AGRONEGÓCIO

  • Voltar

Título (EN)

Application of Hybrid Metaheuristic Algorithm with Mechanism for Accelerating Convergence in the Optimization of Agribusiness Processes

Autor(es)

MARCO ANTONIO CAMPOS BENVENGA

Orientador(es)

IRENILZA DE ALENCAR NÄÄS

Data de Defesa

20 de dezembro de 2022

Resumo (EN)

Applying metaheuristic techniques to solve problems with many possible answers
(NP-Complete) is more efficient than the deterministic techniques or heuristic
techniques considered for local search. The Genetic Algorithm (GA) is one of
these metaheuristic techniques and is enshrined in academia and is widely used
both in isolation and in hybrid algorithms implemented in conjunction with other
techniques. This project implemented the hybrid metaheuristic algorithm
(SAGAC), composed of Simulated Annealing (SA) and Genetic Algorithm (GA)
techniques, with the inclusion of a convergence acceleration mechanism that
makes the search process more efficient within solution sets. This algorithm
seeks to accelerate the convergence of the results obtained at each iteration (GA
generation) processed. The project addressed three agribusiness processes,
which have animal husbandry for meat production in common. They are: 1st.
Environmental control in chicken farms, 2nd. Beef cattle logistics and 3rd.
Production planning of monogastric animals (chickens and pigs) through
mathematical models that describe their growth curves. For the first process, the
metaheuristic algorithm was applied to search for a combination of environmental
parameters (Temperature = Tbs (°C), Relative Air Humidity = RH (%), Wind
speed = Var (m/s), Air Ammonia = NH3 (ppm) and Carbon dioxide concentration
= CO2 (ppm)). The optimization process considered four age groups of birds (21,
28, 35, and 42 days), and the results showed an increase in the rate of ambiance
for the four age groups, with the highest rate of improvement for birds with 21
days old. For the second process, SAGAC was applied to optimize the logistic
parameters (slaughterhouse, route, truck) of the beef cattle transport process
between the producer and the slaughterhouse. In this case, results were obtained
through a deterministic algorithm (Branch-and-bound) compared with the results
obtained by SAGAC. In the two 22 simulations performed, SAGAC obtained an
average performance of 0.14% better than the Branch-and-bound algorithm. For
the third process, SAGAC was used to optimize the combination of parameters
from three models of growth curves (Gompertz, Logistic, and Von Bertalanffy) of
monogastric animals (chickens and pigs) in order to obtain the highest
determination coefficient (R2
) which represents the probability of success of the
simulated data concerning the actual data of the animals' growth, indicating,
consequently, the degree of reliability in the process planning data. The results
showed percentages of determination coefficient above 99% for chickens, with
emphasis on the Gompertz model, which presented the highest rate (99.998%),
and above 93% for pigs, with emphasis on the Logistic model, which presented
the highest rate. (97.380%). At the end of this research, it was verified that the
algorithm (SAGAC) obtained better performance than the traditional Genetic
Algorithm (GA) and other algorithms in optimizing the approached agribusiness
processes.

Resumo (PT)

A aplicação de técnicas metaheurísticas para a solução de problemas com
grande quantidade de repostas possíveis (NP-Completos), se mostra mais
eficiente que as técnicas determinísticas ou técnicas heurísticas consideradas
de busca local. O Algoritmo Genético (GA) é uma destas técnicas
metaheurísticas e é consagrada no meio acadêmico e, bastante usada tanto de
forma isolada, quanto em algoritmos híbridos implementada em conjunto com
outras técnicas. Este projeto implementou o algoritmo metaheurístico híbrido
(SAGAC), composto pelas técnicas Simulated Annealing (SA) e Algoritmo
Genético (GA) com a inclusão de um mecanismo de aceleração de convergência
que torne mais eficiente o processo de busca dentro de conjuntos de soluções.
Este algoritmo busca acelerar a convergência dos resultados obtidos a cada
iteração (geração do GA) processada. O projeto abordou três processos do
agronegócio, os quais têm em comum a criação animal para produção de carne.
São eles: 1º. Controle ambiental em criadouros de frangos, 2º. Logística de gado
de corte e 3º. Planejamento de produção de monogástricos (frangos e suínos)
por meio de modelos matemáticos que descrevem suas curvas de crescimento.
Para o primeiro processo, aplicou-se o algoritmo metaheurístico para pesquisar
uma combinação dos parâmetros ambientais (Temperatura = Tbs (°C), Umidade
Relativa do ar = UR (%), Velocidade do vento = Var (m/s), Concentração de
Amônia = NH3 (ppm) e Concentração de gás carbônico = CO2 (ppm)). O
processo de otimização considerou quatro faixas etárias das aves (21, 28, 35,
42 dias) e os resultados obtidos mostraram que houve aumento na taxa de
melhoria da ambiência para as quatro faixas etárias, com a maior taxa de
melhoria para as aves com 21 dias de idade. Para o segundo processo, aplicouse o SAGAC para otimizar os parâmetros logísticos (frigorífico, rota, caminhão)
do processo de transporte de gado de corte entre o produtor e o frigorífico. Neste
caso, haviam resultados obtidos por meio de um algoritmo determinístico
(Branch-and-bound) os quais foram comparados com os resultados obtidos pelo
SAGAC. Nas 22 duas simulações realizadas, o SAGAC obteve um desempenho
médio 0,14% melhor que o algoritmo Branch-and-bound. Para o terceiro
processo, utilizou-se o SAGAC para otimizar a combinação dos parâmetros de
três modelos de curvas de crescimento (Gompertz, Logistic e Von Bertalanffy)
de monogástricos (frangos e suínos) com o intuito de obter o maior coeficiente
de derminação (R2
) que representa a probabilidade de acerto dos dados
simulados em relação aos dados reais de crescimento dos animais, indicando,
por consequencia, o grau de confiabilidade nos dados do planejamento do
processo. Os resultados obtidos apresentaram percentuais de coeficiente de
determinação acima de 99% para frangos, com destaque para o modelo
Gompertzque apresentou a maior taxa (99,998%) e, acima de 93% para suínos,
com destaque para o modelo Logistic que apresentou a maior taxa (97,380%).
Ao final desta pesquisa, verificou-se que o algoritmo (SAGAC) obteve um melhor
desempenho que o Algoritmo Genético (GA) tradicional e outros algoritmos, na
otimização dos processos do agronegócio abordados.

Tipo

Tese

Palavras-chave

Agronegócio, Metaheurística, SAGAC, Aceleração Convergência, Otimização, Inteligência Computacional

Publicado em

ARTIGO 01
Optimization Algorithm Applied to Environmental
Control in Broiler Houses
Brazilian Journal of Poultry
Science
ARTIGO 02
Application of Hybrid Metaheuristic
Optimization Algorithm (SAGAC) in Beef Cattle
Logistics
APMS 2021
ARTIGO 03
Hybrid metaheuristic algorithm for optimizing
monogastric growth curve (pigs and broilers)
Agri
Engineering

Área de Concentração

Engenharia de Produção e Meio Ambiente

Linha de Pesquisa

Redes de Empresas e Planejamento da Produção

Grupo de Pesquisa da UNIP cadastrado no CNPq

Estudo das Redes Produtivas do Agronegócio

Instituição

Universidade Paulista

Financiamento

CAPES

Direito de Acesso

Acesso Aberto

Documento

Baixar