README.md

📊 Planejamento de Produção com Aprendizado por Reforço

Bem-vindo ao projeto Planejamento de Produção com Aprendizado por Reforço! Este repositório contém um notebook em Python que implementa o aprendizado por reforço para resolver o problema de sequenciamento de produção em uma fábrica. O objetivo é otimizar a produção para atender às demandas, minimizando custos relacionados ao estoque e ao não atendimento. 🚀

📚 Índice

• Visão Geral
• Descrição do Problema
• Estrutura dos Dados de Entrada
• Como Funciona o Aprendizado por Reforço
• Dependências
• Uso
• Saída

📋 Visão Geral

Este notebook utiliza o aprendizado por reforço para otimizar o sequenciamento de produção em quatro linhas de produção, com o objetivo de atender à demanda de 20 produtos, minimizando os custos de estoque e a penalidade por não atendimento.

🧠 Como Funciona o Aprendizado por Reforço

O aprendizado por reforço (RL) é uma técnica onde um agente aprende a tomar decisões em um ambiente para maximizar uma recompensa cumulativa. A seguir estão os principais conceitos aplicados:

1. Estado: Representa a situação atual do estoque e da produção de cada produto.
2. Ação: Decisão sobre qual linha de produção utilizar para cada produto.
3. Recompensa: Calculada com base em como a ação atende à demanda e minimiza o excesso de estoque.

O agente aprende uma política ótima através da interação repetida com o ambiente, ajustando suas ações para maximizar a recompensa acumulada.

🗂 Estrutura dos Dados de Entrada

1. Demandas: Dados sobre as demandas mensais de cada produto.
2. Estoque Inicial: Estoque inicial disponível para cada produto.
3. Produtividade: Produtividade de cada linha de produção.
4. Capacidades: Capacidades máximas das linhas de produção.

Os dados são carregados de um arquivo Excel com planilhas separadas para cada conjunto de informações.

🛠 Dependências

Certifique-se de ter as seguintes dependências instaladas:

• Python 3.x
• Pandas
• NumPy

Instale-as usando pip:

pip install requirements.txt

🚀 Uso

1. Clone este repositório e execute o notebook:

   git clone <https://github.com/vtatekawa/production-optimization-reinforcement-learning>
   cd <production-optimization-reinforcement-learning>
   jupyter notebook productionPlanningRL.ipynb

2. Carregue seus dados de produção nos formatos adequados (exemplos estão na pasta input).

3. Execute todas as células do notebook para otimizar o plano de produção.

📈 Saída

Após executar o notebook, você obterá:

• Plano de Produção Otimizado: Sequência de produção para atender às demandas em um arquivo excel na pasta output.

---

Feito com 🧠 por Vitor Tatekawa