Sintonización de metaheurísticas mediante aprendizaje automático para problemas de ruteo de vehículos multi-producto con mezclas

Abstract

Esta memoria aborda la sintonización de parámetros para metaheurísticasque resuelven el Problema de Ruteo de Vehículos Multi-Producto con Mezcla Gradual (VRPMPWB), buscando validar si un modelo de aprendizaje automático puede predecir configuraciones efectivas para una metaheurística de Búsqueda Local Iterada (ILS). La metodología incluyó la generación de datos mediante el sintonizador irace y una ingeniería de atributos holística. Sobre estos datos, se entrenaron modelos de XGBoost y Redes Neuronales para las tareas de regresión y clasificación asociadas a la configuración del algoritmo. Los resultados revelaron un rendimiento predictivo mixto: los modelos de regresión mostraron ser ineficaces, mientras que los de clasificación alcanzaron un desempeño moderado. A pesar de ello, al aplicar los parámetros predichos en instancias no vistas, se lograron mejoras marginales en la calidad de las soluciones para problemas con potencial de optimización, validando la hipótesis central. Este estudio demuestra que el aprendizaje automático es una alternativa viable para la sintonización de parámetros. Su relevancia aumenta en instancias de gran escala, donde los sintonizadores tradicionales se vuelven computacionalmente prohibitivos, ofreciendo un potencial significativo para la optimización logística en la industria.

This thesis addresses parameter tuning for metaheuristics that solve the Vehicle Routing Problem with Multi-Product Blending (VRPMPWB), seeking to validate if a machine learning model can predict effective configurations for an Iterated Local Search (ILS) metaheuristic. The methodology included data generation via the irace tuner and comprehensive feature engineering. Using this data, XGBoost and Neural Network models were trained forthe regression and classification tasks associated with the algorithm’s configuration. The results revealed mixed predictive performance: the regression models proved ineffective, while the classification models achieved moderate performance. Despite this, applying the predicted parameters to unseen instances led to marginal improvements in solution quality for problems with optimization potential, validating the core hypothesis. This study demonstrates that machine learning is a viable alternative for parameter tuning. Its relevance grows for large-scale instances, where traditional tuners become computationally prohibitive, offering significant potential for industrial logistic optimization.