Título: Aprendizado por Reforço Aplicado ao Problema de Alocação de Berços no Porto de Paranaguá e Antonina
Autores: César Eduardo Maciel, Eduardo Tadeu Bacalhau & Luciana Casacio
Resumo: Este estudo propõe a aplicação de uma estratégia de Aprendizado por Reforço (Reinforcement Learning – RL) para o Problema de Alocação de Berços (PAB) na Associação de Portos de Paranaguá e Antonina (APPA). A APPA é um terminal portuário complexo, com berços multipropósito e diversas restrições operacionais que dificultam o processo de atracação dos navios. O PAB é modelado como um processo de decisão sequencial, no qual os estados representam os tempos remanescentes de serviço em cada berço e as ações correspondem às possíveis alocações de navios com diferentes tipos de carga. Utiliza-se a estratégia de Q-learning para otimizar as decisões de alocação, visando minimizar os tempos de espera dos navios e maximizar a utilização do cais. Estudos de casos são conduzidos para demonstrar o desenvolvimento da abordagem por RL e validar os resultados aplicados a instâncias elaboradas a partir de dados históricos de atracamentos no sistema portuário estudado. Os resultados demonstram que a abordagem por RL reduz atrasos e melhora a ocupação do cais em relação às estratégias de atracação tradicionalmente usadas.
Palavras-chave: Reinforcement Learning; Berth Allocation Problem; Q-Learning.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1175660
Artigo em PDF: CBIC_2025_paper1175660.pdf
Arquivo BibTeX:
CBIC_2025_1175660.bib