Esta dissertação investiga o uso de uma estratégia inspirada em aprendizado federado para agregação de hiperparâmetros no Problema de Roteamento de Veículos com Capacidade (CVRP). Em ambientes competitivos, empresas frequentemente enfrentam desafios logísticos semelhantes, mas não podem compartilhar dados operacionais devido a restrições estratégicas e de confidencialidade. Propõe-se a abordagem IsFeHA (Inspired Federated Hyperparameter Aggregation), na qual cada agente realiza localmente o ajuste automático de hiperparâmetros de uma metaheurística, especificamente o Hybrid Genetic Search para CVRP (HGS-CVRP), utilizando a ferramenta irace. Em vez de compartilhar dados ou soluções, os agentes compartilham apenas os vetores de hiperparâmetros resultantes do processo de calibração, que são então agregados por meio de estratégias inspiradas em aprendizado federado, como FedAvg, Trimmed Mean, Majority Vote e Mediana.A proposta é avaliada em múltiplos cenários experimentais, variando o número de agentes e o conjunto de instâncias utilizadas, com base em benchmarks clássicos da literatura. A análise considera métricas de qualidade de solução, gaps relativos, robustez estatística e testes não paramétricos pareados. Os resultados indicam que a agregação heurística de hiperparâmetros pode produzir configurações competitivas e, em diversos casos, melhorar o desempenho médio em relação às configurações locais isoladas, mantendo a privacidade dos dados. O estudo demonstra que a transferência colaborativa de conhecimento paramétrico constitui uma alternativa viável à otimização centralizada em contextos nos quais o compartilhamento direto de dados não é possível.
.png)
.png)
