PROPOSTA DE RESOLUÇÃO HEURÍSTICA PARA O PROBLEMA DE PROGRAMAÇÃO DA PRODUÇÃO DE BEBIDAS À BASE DE FRUTAS
|
|
- Pedro Henrique Sequeira
- 5 Há anos
- Visualizações:
Transcrição
1 PROPOSTA DE RESOLUÇÃO HEURÍSTICA PARA O PROBLEMA DE PROGRAMAÇÃO DA PRODUÇÃO DE BEBIDAS À BASE DE FRUTAS Murilo Vinicius Correa Trassi (UFSCar) m.trassi@hotmail.com Deisemara Ferreira (UFSCar) deise@ufscar.br Alyne Toscano Martins (UFTM) alynetoscano@hotmail.com Reinaldo Morabito Neto (UFSCar) morabito@ufscar.br Neste trabalho estuda-se o problema de programação da produção de bebidas à base de frutas. O objetivo é definir o dimensionamento e sequenciamento dos lotes de produção, otimizando custos de estoque, atraso e limpezas. O processo de produção estudado é composto de dois estágios e tem as seguintes características: presença de um estoque intermediário no segundo estágio, limpezas temporais em ambos os estágios e a necessidade de sincronia entre os dois estágios. A partir de um modelo matemático aproximado para o problema encontrado na literatura é proposto um método de solução heurístico. Esse modelo contempla a sincronia entre os estágios de forma aproximada e pode não conseguir soluções factíveis na realidade para algumas instâncias. Assim, a heurística proposta é composta de duas fases: a primeira encontra uma solução factível a partir do modelo e a segunda tenta melhorar a solução encontrada. Testes computacionais foram realizados e a heurística mostrou-se promissora pois é capaz de encontrar soluções melhores do que o modelo em um tempo computacional menor. Palavras-chave: Programação da produção, bebida à base de frutas, heurística
2 1. Introdução Em toda manufatura existem objetivos de desempenho e as estratégias de produção devem se apoiar nos objetivos de desempenho de suas respectivas organizações. Nesse sentido, são necessários ferramentas e métodos que apoiem gestores em tomadas de decisões. O planejamento e controle da produção (PCP) é de suma importância para que, nas organizações, se tomem decisões orientadas a esses objetivos de desempenho e se adquira sucesso competitivo (VOLMANN et al., 2006) Assim, modelos matemáticos de dimensionamento e sequenciamento de lotes podem ser utilizados para determinar as quantidades que devem der produzidas de cada item em cada período e em que ordem produzi-los, com o objetivo de atender a demanda minimizando custos, tais como de estoque, trocas, atraso, entre outros. Esses modelos vêm sendo muito pesquisados nos últimos anos tanto do ponto de vista teórico quanto em aplicações de ambientes reais (COPIL et al., 2016). Na indústria de bebidas são encontrados diversos trabalhos para refrigerantes e cerveja (FERREIRA et al., 2012; GUIMARAES et al., 2012; BALDO et al., 2014). Atualmente as bebidas à base de frutas (néctares e refrescos) vêm ganhando espaço no mercado de bebidas. Esse tipo de bebida possui características de produção, tais como limpezas temporais, que não permite que o problema de programação da produção para essas bebidas seja uma extensão dos trabalhos de bebidas já presentes na literatura. Existem alguns trabalhos na literatura que abordam essa aplicação. Pagliarussi et al. (2016) apresentam modelos para somente um dos estágios de produção. Toscano et al. (2015) abordam os dois estágios de produção, entretanto apresenta uma heurística que decompõem o problema em estágio. Toscano et al. (2016) apresenta dois modelos (pessimista e otimista) que trazem características dos dois estágios de produção, entretanto ainda não conseguem resolver o problema integrado e necessitam de um pós-processamento para determinar se a solução é factível ou não. 2
3 Assim, nesse trabalho é proposta uma heurística de melhoria utilizando o modelo com melhor desempenho entre os dois modelos propostos por Toscano et al. (2016), que é o pessimista, em que a capacidade de produção é superestimada. Esse trabalho está organizado da seguinte forma: na Seção 2 apresenta-se a descrição do problema abordado. Na Seção 3 é abordado o modelo pessimista. A heurística proposta é apresentada na Seção 4. Na Seção 5 são apresentados os resultados dos testes computacionais e na Seção 6 as conclusões. 2. Descrição do problema A produção de bebidas à base de frutas é composta por dois estágios: a Xaroparia, responsável pelo preparo da bebida, e a Linha, onde bebida é pasteurizada, envasada e empacotada. No primeiro estágio os ingredientes são misturados com água em tanques preparatórios. Existe uma quantidade mínima que deve ser produzida devido ao uso de matéria-prima (lote mínimo), e a quantidade máxima é definida pelo tamanho dos tanques preparatórios (lote máximo). Depois de pronta a bebida é enviada para um tanque pulmão dentro da linha, liberando os tanques preparatórios para preparar um novo lote de bebida. Saindo do tanque pulmão, a bebida passa por um pasteurizador e segue para ser envasada em máquinas de envase. Os itens finais são então empacotados e enviados para o estoque. Esse processo de produção possui um sistema de qualidade em que existe a obrigatoriedade de limpezas que ocorrem em três momentos diferentes: a cada troca de sabor, no início de cada período e após um tempo limite de no máximo horas ( horas) sem nenhuma limpeza nos tanques preparatórios (linha). Essas últimas limpezas são denominadas limpezas temporais (TOSCANO et al., 2016). O tempo para a realização de uma limpezas temporal e o tempo da primeira limpeza do período são fixos e não dependem da sequência de produção. Para troca de sabor os tempos e os custos de troca são dependentes da sequência dos sabores. 3
4 Para que seja possível encontrar uma programação da produção factível para esse problema, é preciso considerar a sincronia entre os estágios. Os tempos em que o tanque preparatório espera para enviar a bebida pronta para a linha, e os tempos em que o a linha fica ociosa esperando receber a bebida para ser pasteurizada e envasada devem ser considerados para efeito de uso da capacidade (TOSCANO et al., 2016). Na Figura 1 é apresentada uma programação da produção factível para um exemplar ilustrativo com um período. Estão representados dois itens a e b, um tanque preparatório e uma linha. As linhas pontilhadas na Figura 1 representam o instante em que o lote está sendo transferido do tanque preparatório para o tanque pulmão, dentro da linha. Cinco situações de esperas são representadas nessa figura (A, B, C, D, E). Figura 1 - Exemplo de uma programação da produção factível Fonte: Adaptado de Toscano et al. (2016) Portanto, o problema abordado nesse trabalho consiste em definir a programação da produção em empresas de bebidas à base de frutas em que devem ser levadas em consideração as seguintes características: presença do tanque pulmão no segundo estágio que permite que um lote seja envasado na linha enquanto o próximo lote é preparado na xaroparia; a necessidade de limpezas temporais; tempos e custos de troca de sabor dependentes da sequência de produção; e, a sincronia entre os estágios de produção, em que é preciso considerar as esperas que podem ocorrer tanto do tanques preparatório pela linha quanto da linha pelo tanque preparatório. Essas características que diferenciam esse problema dos outros trabalhos existentes sobre bebidas na literatura. 4
5 3. Modelo matemático Toscano et al. (2016) propõem dois modelos, nomeados otimista e pessimista, que consideram os dois estágios de produção (Xaroparia e Linha), entretanto as informações entre esses estágio não estão totalmente sincronizadas. As limpezas temporais não são incluídas de maneira explícita nas restrições. Existem variáveis de decisão contínuas que indicam o início e término do processamento de cada lote de produção, mas não existe variável de decisão que indique o início ou término de uma limpeza. Assim, se uma limpeza temporal é realizada em algum dos estágios, o modelo não é capaz de prever se esse evento gerará algum impacto no outro estágio, como por exemplo espera, ou seja, o modelo não estabelece a dependência entre os dois estágios de maneira explícita. A partir da solução dada pelo modelo é preciso então fazer um pós-processamento para saber se essa solução é factível, isto é, respeita os limites de capacidade de produção do período. Ou seja, uma solução pode ser factível para o modelo, porém infactível na prática, no mundo real. No modelo pessimista, supõe-se que a existência de limpeza temporal em algum dos estágios gera obrigatoriamente uma espera no outro estágio. Assim, tem-se menor capacidade destinada à produção, em função dessas esperas que ocupam a capacidade total dos períodos, por isso ele é nomeado pessimista. O modelo otimista, por outro lado, não contabiliza as esperas que podem ou não aparecer em um estágio quando ocorre a limpeza temporal no outro estágio. O modelo pessimista apresenta mais soluções factíveis na prática do que o modelo otimista, entretanto essas soluções podem ser ruins, pois com a capacidade reduzida, é necessário atrasar mais lotes, ou aumentar níveis de estoque em determinados períodos. Logo, para efeito de análise e por fornecer menos soluções infactíveis na prática, neste trabalho utiliza-se o modelo pessimista da heurística proposta, que será detalhada na Seção 4. Portanto, é interessante explicitar o modelo simplificado pessimista, proposto por Toscano et al. (2016) e adaptado para os interesses de proposição de métodos de solução no presente trabalho. Na Figura 2 a seguir estão descritos os conjuntos utilizados no modelo. Nas Figura 3 e 4 estão descritos os parâmetros e na Figura 5 as variáveis. 5
6 Figura 2 Conjuntos utilizados no modelo pessimista Fonte: Adaptado de Toscano et al. (2016) Figura 3 Parâmetros utilizados no modelo pessimista 6
7 Fonte: Adaptado de Toscano et al. (2016) Figura 4 Parâmetros utilizados no modelo pessimista - continuação Fonte: Adaptado de Toscano et al. (2016) O parâmetro foi inserido para controlar a redução da capacidade da heurística apresentada na Seção 4. 7
8 Figura 5 Variáveis de decisão do modelo Fonte: Adaptado de Toscano et al. (2016) O modelo pessimista é dado a seguir pelas Figuras 6, 7 8 e 9. A função objetivo é apresentada pela expressão (1) sujeito as restrições de (2) a (26). Figura 6 Função objetivo 8
9 Fonte: Adaptado de Toscano et al. (2016) 9
10 Figura 7 Conjunto de restrições 1 Fonte: Adaptado de Toscano et al. (2016) 10
11 Figura 8 Conjunto de restrições 2 Fonte: Adaptado de Toscano et al. (2016) 11
12 Figura 9 Conjunto de restrições 3 Fonte: Adaptado de Toscano et al. (2016) A função objetivo (1) minimiza os custos totais de estoque, atraso, trocas e de limpezas temporais. A restrição (2) realiza o balanço de estoque e demanda. A restrição (3) impõe a 12
13 existência de uma quantidade mínima (lote mínimo) de produção, e a (4) impõe o lote máximo de produção, definido ou pelo limitante máximo de produção ou pelo menos pelo máximo que se puder produzir no tempo disponível de envase até que se deva ocorrer a limpeza temporal. A restrição (5) impõe que só há a produção do lote se houve produção do lote anterior. A restrição (6) obriga que o item fantasma seja feito apenas uma vez no início de cada período em cada tanque preparatório/linha (é usado para garantir que haja limpeza no início de cada período). A restrição (7) realiza a conservação de fluxo para troca dos itens, enquanto que a (8) força o item fantasma a ser o primeiro a ser produzido (se há a troca de um item para um item qualquer, obrigatoriamente o item é antecedido pelo item fantasma ). A restrição (9) impede que haja mais de uma troca para o mesmo sabor em um mesmo período e a restrição (10) impede a existência de subrotas desconexas nas trocas de itens. A restrição (11) faz com que os lotes do item possam ser produzidos somente se houve uma troca para a produção daquele item, e limita o número de lotes produzidos desse item pelo número de lotes que podem ser produzidos no tanque preparatório/linha no período. A restrição (12) obriga que a produção do primeiro lote de cada item em cada período no tanque preparatório só ocorra após o término da primeira limpeza no início do período, e a (13) impõe que o início da produção do lote na linha ocorra após a limpeza no início do período e se o primeiro lote do tanque preparatório estiver pronto para ser processado no segundo estágio. As restrições (14) e (15) determinam o fim do processamento de cada lote pelo início do processamento mais o tempo de processamento, para o tanque preparatório e linha, respectivamente. As restrições (16) e (17) impõe que o processamento de um lote é iniciado somente após o término do processamento do lote anterior, para o tanque preparatório e a linha, respectivamente. As restrições (18) e (19) impõem que se houver troca 13
14 de um item para um item, o início do primeiro lote de deve ocorrer após o término do último lote de mais o tempo de troca entre os itens, para o tanque preparatório e linha, respectivamente. A restrição (20) impõe que o inicio do envase de um lote deve ser após o fim da preparação do mesmo. A restrição (21) garante que um lote será preparado somente se o tanque preparatório estiver vazio. As restrições (22) e (23) determinam de maneira estimada, para o tanque preparatório e linha, respectivamente, o número de limpezas temporais necessárias em cada período. Esses valores são dados pelo piso do tempo de fluxo do início do primeiro lote até que o último lote começa a ser envasado mais o tempo de espera gerado pelo tempo total de limpezas temporais no outro estágio dividido pelo tempo máximo permitido sem limpeza. Por exemplo, se o tempo total de fluxo e esperas foi de 5500 e o tempo máximo permitido entre as limpezas é 1000, então são necessárias 5 limpezas. As restrições (24) e (25) do modelo referem-se ao limite de capacidade de produção para os dois estágios para cada tanque preparatório/linha em cada período. Na restrição (24) de capacidade para o tanque preparatório, é subtraído da capacidade total ( ), o tempo total de limpezas temporais realizadas no tanque naquele período e uma parcela do tempo total destinado às limpezas temporais realizadas na linha, entendido então como uma espera. Esse desconto de capacidade ocorre também para o estágio 2, a linha, na restrição (25). Esses descontos vêm da premissa adotada pelo modelo pessimista que infere que a existência de limpeza periódica em um estágio implica em espera pelo outro estágio produtivo, como discutido nas seções anteriores. No modelo original proposto por Toscano et al. (2016), o parâmetro não era considerado, ou seja, em Toscano et al. (2016) as restrições (24) e (25) têm fixado. Conforme já discutido anteriormente, o modelo original proposto por Toscano et al. (2016) pode apresentar soluções infactíveis por sempre considerar que uma limpeza em um estágio implica em uma 14
15 espera no outro estágio (. Assim, a proposta de utilização e atualização do parâmetro é justamente para tentar ajustar as esperas, com o intuito de encontrar mais soluções factíveis. Os valores assumidos por esse parâmetro são alterados iterativamente na heurística que será apresentada na Seção 4 a seguir. O domínio das variáveis de decisão é definido pela restrição (26). 4. Heurística proposta A partir do modelo pessimista apresentado na Seção 3, apresenta-se nessa seção a Heurística de Factibilização e Melhoria da Solução do Modelo Pessimista (HFM). A HFM preconiza a factibilização da solução do modelo para o ambiente real de manufatura sem priorizar, a priori, a qualidade da solução. Posteriormente, em um segundo passo, a HFM tenta melhorar a solução factível encontrada. A factibilização de uma solução infactível e a melhoria dessa solução são realizadas através de mudanças no termo α usado nas restrições (24) e (25) do modelo pessimista na Seção 3. Ao mudar o valor de α e resolver novamente o modelo pessimista, pode-se mudar a factibilidade das soluções obtidas. Suponha, por exemplo,, isso significa que além de sempre considerar que existe espera em um estágio quando há limpezas no outro, acrescentase ainda 10% do tempo total gasto com limpezas temporais, na forma de folga por imprevisibilidade do modelo simplificado. Dessa forma, maiores valores de geram mais segurança de factibilidade, pois, ao se restringir mais a capacidade produtiva, subestima-se mais tal capacidade, reduzindo as chances para que o modelo forneça uma solução infactível. Por outro lado, esse aumento no valor de, posto que ele restringe a capacidade, gera soluções de menor qualidade, pois como se dá uma menor margem para se produzir nos períodos, aumenta-se o nível de atrasos e de penalizações. Assim, de maneira geral, para encontrar uma solução factível na prática, deve- 15
16 se aumentar o valor de, e para melhorar o valor da função objetivo de uma solução, deve-se reduzir. A HFM é baseada na resolução do modelo pessimista (1)-(26) considerando ajustes do parâmetro. O fluxograma da HFM é apresentado na Figura 10 a seguir. A primeira etapa da HFM é a obtenção de uma solução factível. O modelo pessimista (1)-(26) é resolvido com um valor de definido inicialmente. A solução obtida é sincronizada entre os estágios. Se a solução obtida é factível, o algoritmo passa para a fase de melhoria da solução. Senão, o valor de é aumentado a uma taxa, definida a priori, e o modelo (1)-(26) é resolvido novamente. Esses passos são repetidos até que uma solução factível seja obtida ou até que o tempo limite de execução da heurística seja atingido. Figura 10 Fluxograma da Heurística de Factibilização e Melhoria da Solução do Modelo Pessimista (HFM) 16
17 Fonte: Os autores 17
18 Como o intuito da primeira etapa é factibilizar o problema, pode-se reduzir demais a capacidade produtiva, forçando o modelo a gerar muitos atrasos, ou onerando de outras formas o custo total, e assim fornecendo uma solução factível, mas de baixa qualidade. Assim, a etapa de melhoria serve para resolver o tradeoff entre factibilidade e qualidade da solução. A partir de uma solução incumbente factível, S*, obtida na primeira etapa da heurística, na segunda etapa da HFM o objetivo é melhorar a solução S*. A estratégia é aumentar gradativamente o valor de, para encontrar uma solução melhor do que a S*, sem infactibilizá-la. O valor de é aumentado a uma taxa q definida a priori e o modelo é resolvido novamente. Cabe observar que a taxa de aumento q pode ser definida de diversas formas. Nessa etapa, já que se possui uma solução factível, com o objetivo de tornar o modelo mais simples e rápido de ser resolvido, antes de resolver o modelo pessimista com o novo valor de, fixa-se as variáveis de produção que são positivas, ou seja se, então essa variável é fixada. Assim, a cada iteração, resolve-se o problema com as variáveis fixadas e verifica-se se a nova solução é factível ou não. Se essa solução não for factível, atribui-se como solução final a melhor solução factível obtida até então. Se a nova solução for factível, compara-se a função objetivo da nova solução com a da solução incumbente S*. Se a função objetivo da nova solução não for melhor, atribui-se como solução final a solução incumbente S*. Se, no entanto, a função objetivo da nova solução for melhor do que atual incumbente S*, a etapa de melhoria continua para uma próxima iteração, fixando variáveis, aumentando a capacidade, resolvendo o modelo e sincronizando o problema, até que a função objetivo não seja otimizada, ou que se atinja níveis de capacidade testadas pela etapa construtiva, ou que se forneça uma nova solução infactível, ou que se atinja o tempo total limite da heurística, devolvendo assim como saída a melhor solução obtida até então. 5. Testes Computacionais 18
19 O modelo pessimista e a heurística HFM foram implementados na linguagem de modelagem AMPL e o solver utilizado foi o CPLEX O computador utilizado para os testes foi um Intel core i7 com processador de 3.7GHz e memória de 16GB. A heurística HFM foi testada para as mesmas instâncias utilizadas no trabalho de Toscano et al. (2016). O objetivo é fazer uma comparação entre os resultados obtidos com a HFM e com o modelo pessimista puramente proposto em Toscano et al. (2016). O tempo limite de execução da heurística HFM é o mesmo tempo limite para resolução do modelo pessimista, segundos. O modelo pessimista é resolvido no trabalho de Toscano et al. (2016) até a otimalidade ou até que esse tempo limite seja atingido. No presente trabalho o modelo pessimista é resolvido várias vezes na heurística HFM. Assim define-se que o critério de parada na resolução do modelo pessimista em cada iteração é a otimalidade ou até o tempo limite de 300 segundos. O valor de no início da heurística foi definido como 1,2. Testes iniciais foram realizados com os valores 0,8; 0,9; 1,0; 1,1; e 1,2, e foi o valor que apresentou mais soluções factíveis. Cabe lembrar que no trabalho de Toscano et al. (2016) o valor de é fixo em. Na etapa de factibilidade o valor de é aumentado a uma taxa. Isso é, se o modelo é infactível,. Na etapa de melhoria da solução o valor de é escolhido aleatoriamente, através de uma distribuição uniforme, no intervalo, em que. Inicialmente, porém a partir 19
20 da segunda iteração, em que é o último valor de utilizado na iteração anterior Instâncias As instâncias utilizadas nesse trabalho são baseadas em uma instância real, nomeada L1, apresentada no trabalho de Toscano et al. (2016). Os autores propuseram diversas modificações para L1 para testar o desempenho dos modelos em diversos cenários. Essas mesmas instâncias foram utilizadas no presente trabalho e estão resumidas na tabela apresentada na Figura 11 a seguir. Figura 11 Descrição das instâncias utilizadas 20
21 Fonte: Os autores 5.2. Resultados Na Figura 12 estão apresentados os valores de função objetivo e os tempos computacionais obtidos com a heurística HFM e com modelo pessimista. Os melhores valores de função objetivo estão destacados em negrito. A HFM apresentou solução factível para todas as instâncias e os menores valores de função objetivo para 8 das 14 instâncias. Os tempos computacionais apresentados pela HFM são melhores do que o modelo pessimista para todas as instâncias, exceto para a instância L14. Essa rapidez da HFM se deve ao fato de que o tempo de resolução do modelo em cada iteração é limitado em 300 segundos e também ao fato de que a heurística fixa parte das variáveis inteiras. Para maioria das instâncias em que a solução foi melhorada, houve redução do atraso. Figura 12 Tabela de resultados obtidos com a HFM comparados aos resultados do modelo pessimista em Toscano et al. (2016) 21
22 Fonte: Os autores Para ilustrar os resultados que são obtidos de modo iterativo pelo ajuste do parâmetro α, na Figura 13 está apresentada uma tabela com as iterações da HFM para a instâncias L1. Inicialmente, o valor encontrado na iteração1 é o mesmo que o de Toscano et al.(2016), mas na iteração 2, com a redução de α esse valor é melhorado. Na iteração 3, a solução foi factível, mas como não houve melhoria na função objetivo, a heurística foi finalizada. Figura 13 Tabela explicitando as iterações na HFM na resolução da instância L1 22
23 Fonte: Os autores 6. Conclusão e perspectivas futuras Neste trabalho apresentou-se uma heurística de factibilização e melhoria das soluções obtidas através do modelo pessimista proposto por Toscano et al. (2016) para o problema de programação da produção de bebidas à base de frutas. Testes computacionais foram realizados com instâncias baseadas em dados reais e a heurística HFM apresentou resultados satisfatórios, e para a maioria das instâncias, melhores do que o modelo pessimista. Além disso a HFM é em média 53,98% mais rápida que o modelo pessimista. Como trabalhos futuros podem ser exploradas outras estratégias de ajuste para o parâmetro α, como por exemplo, diminuí-lo de forma determinística. Outra proposta é tentar utilizar uma estratégia de melhoria diferente, ao invés de finalizar a heurística, depois que a redução de α não for mais capaz de melhorar a solução. É possível também determinar novas partições de variáveis a serem fixadas no modelo na fase de melhoria. 7. Agradecimentos Os autores agradecem ao CNPq pelo apoio financeiro dado para o desenvolvimento desse trabalho. 23
24 REFERÊNCIAS BALDO, T. A.; SANTOS, M. O.; ALMADA-LOBO, B.; MORABITO, R. An optimization approach for the lot sizing and scheduling problem in the brewery industry. Computers & Industrial Engineering, v. 72, p , COPIL, K.; WÖRBELAUER, M.; MEYR, H.; TEMPELMEIER, H. Simultaneous lotsizing and scheduling problems: a classification and review of models. OR Spectrum, Doi: /s FERREIRA, D.; CLARK, A. R.; ALMADA-LOBO, B.; MORABITO, R. Single-stage formulations for synchronised two-stage lot sizing and scheduling in soft drink production. International Journal of Production Economics, v. 136, n. 2, p , GUIMARÃES, L.; KLABJAN, D.; ALMADA-LOBO, B. Annual production budget in the beverage industry. Engineering Applications of Artificial Intelligence, v. 25, n. 2, p , PAGLIARUSSI, M.; MORABITO, R.; SANTOS, M. Optimizing the production scheduling of fruit juice beverages using mixed integer programming models. Gestão & Produção, Disponível em: < TOSCANO, A.; FERREIRA, D.; MORABITO, R. Heurística baseada em modelo para resolução do problema de programação da produção de bebidas de frutas. In: Anais do XLVII Simpósio Brasileiro de Pesquisa Operacional. [S.l.: s.n.], TOSCANO, A.; FERREIRA, D.; MORABITO, R.. Modelos matemáticos para o problema de dimensionamento e sequenciamento de lotes em dois estágios com limpezas periódicas. In: Congreso Latino-Iberoamericano de Investigación Operativa, 2016, Santiago, Chile. CLAIO Program & Abstracts, VOLLMANN, T. E. et al. Sistemas de planejamento e controle da produção para o gerenciamento da cadeia de suprimentos. 5. ed. Porto Alegre: Bookman, p. 24
Reinaldo Morabito Universidade Federal de São Carlos Rod. Washington Luís, Km São Carlos-SP - CEP:
Uma comparação entre heurísticas de decomposição e um modelo integrado para o problema de dimensionamento e sequenciamento de lotes com limpezas temporais Alyne Toscano Universidade Federal do Triângulo
Leia maisPlanejamento da produção na indústria de bebidas não alcoólicas: um novo modelo matemático.
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Planejamento da produção na indústria de bebidas não
Leia maisEstratégias para incorporação das decisões de sequenciamento em um problema integrado de produção de bebidas
Estratégias para incorporação das decisões de sequenciamento em um problema integrado de produção de bebidas Cristiane Maria Defalque Socorro Rangel Departamento de Ciências da Computação e Estatística,
Leia maisPlanejamento para fundições: uma aplicação do método das K-melhores mochilas. 1 Introdução
Planejamento para fundições: uma aplicação do método das K-melhores mochilas Murilo S. Pinheiro, Franklina M.B. Toledo, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, Av.
Leia maisPROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS POR BATELADAS: UM ESTUDO PARA A OTIMIZAÇÃO DO MAKESPAN
PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS POR BATELADAS: UM ESTUDO PARA A OTIMIZAÇÃO DO MAKESPAN R. P. da ROCHA 1, M. de F. MORAIS 1, M. A. da S. S. RAVAGNANI 2, C. M. G. ANDRADE 2, C. M. P. R. PARAÍSO 2 1 Universidade
Leia maisANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP
ANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP John Lennon Damas David UFG/Campus Catalão johnlennon_13@yahoo.com.br Hélio Yochihiro Fuchigami
Leia maisProblema de dimensionamento e sequenciamento de lotes de produção com preparação dependente da sequência em linhas paralelas e relacionadas
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Problema de dimensionamento e sequenciamento de lotes de produção
Leia maisHeurística construtiva para o problema de planejamento da produção de papel e celulose
Heurística construtiva para o problema de planejamento da produção de papel e celulose Marcos Furlan Faculdade de Ciências Exatas e Tecnologias, Universidade Federal da Grande Dourados 79804-970, Dourados,
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisCOMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
Leia maisMODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA PARA MINIMIZAÇÃO DOS ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM SETUP DEPENDENDE DA SEQUÊNCIA
MODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA PARA MINIMIZAÇÃO DOS ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM SETUP DEPENDENDE DA SEQUÊNCIA Cristiano Marinho Vaz, cmv02@hotmail.com Vinícius Ferreira da Silva
Leia maisHeurísticas para um problema de dimensionamento de lotes com substituição de demanda e restrição de capacidade
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Matemática Aplicada e Estatística - ICMC/SME Comunicações em Eventos - ICMC/SME 2014-09-16 Heurísticas para um
Leia maisUM MODELO MATEMÁTICO APLICADO AO DIMENSIONAMENTO E SEQUENCIAMENTO DE LOTES EM MAQUINAS DISTINTAS EM PARALELO COM ESTOQUES INTERMEDIÁRIOS LIMITADOS
UM MODELO MATEMÁTICO APLICADO AO DIMENSIONAMENTO E SEQUENCIAMENTO DE LOTES EM MAQUINAS DISTINTAS EM PARALELO COM ESTOQUES INTERMEDIÁRIOS LIMITADOS Gerson Ulbricht IFSC - CEP 89254-430 Jaraguá do Sul -
Leia maisHeurísticas Relax-and-Fix e Fix-and-Optimize para o problema de dimensionamento de lotes com preparações carryover e crossover
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Heurísticas Relax-and-Fix e Fix-and-Optimize para o
Leia maisUma heurística relax-and-fix e um modelo de programação inteira mista para o problema de dimensionamento e sequenciamento de lotes de processos.
Uma heurística relax-and-fix e um modelo de programação inteira mista para o problema de dimensionamento e sequenciamento de lotes de processos. Beatriz Empke Villas Boas (Universidade Federal de São Carlos)
Leia maisOtimização Combinatória e Aplicações na Indústria Socorro Rangel
Otimização Combinatória e Aplicações na Indústria Socorro Rangel Departamento de Ciências da Computação e Estatística e-mail: socorro@ibilce.unesp.br Sumário Problemas de Otimização Aplicações: Indústria
Leia mais1_1 1_2 2_1 1_ _ _ Fonte: Autor
75 7. Resultados Os resultados aqui apresentados utilizam o modelo proposto na Seção 6.2, resolvido através do software de otimização AIMMS para os problemas com Datas prometidas. Já para o problema sem
Leia maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
MODELOS PARA O PLANEJAMENTO E PROGRAMAÇÃO DA PRODUÇÃO NA INDÚSTRIA DE EMBALAGENS DE POLPA MOLDADA Karim Pérez Martínez UFSCar Rodovia Washington Luís, km 235 - SP-310. São Carlos-SP karim.1504@gmail.com
Leia maisResumo. Abstract. Paper topics. PM - Mathematical Programming.
Um problema de dimensionamento e sequenciamento de lotes de produção com gerenciamento da demanda via pedidos e com tempos/custos de preparação dependentes da sequência Victor Uriel Dutra Teixeira Departamento
Leia maisMIP-HEURÍSTICA PARA O PROBLEMA DE PLANEJAMENTO E PROGRAMAÇÃO DA PRODUÇÃO EM INDÚSTRIAS CERVEJEIRAS
MIP-HEURÍSTICA PARA O PROBLEMA DE PLANEJAMENTO E PROGRAMAÇÃO DA PRODUÇÃO EM INDÚSTRIAS CERVEJEIRAS Tamara A. Baldo Universidade Federal de São Carlos - Departamento de Engenharia de Produção Via Washington
Leia maisMODELO MATEMÁTICO PARA A PRODUÇÃO E TESTE DE FUNCIONALIDADE EM AMBIENTE DE MÁQUINAS
MODELO MATEMÁTICO PARA A PRODUÇÃO E TESTE DE FUNCIONALIDADE EM AMBIENTE DE MÁQUINAS Sander Joner PPGMNE/UFPR IFSC - CEP 89254-430 Jaraguá do Sul - SC. e-mail: sander.joner@ifsc.edu.br Neida M. Patias Volpi
Leia maisDESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
Leia maisProgramação Inteira. Algoritmo Branch-and-Bound (ou enumeração implícita)
Programação Inteira Algoritmo Branch-and-Bound (ou enumeração implícita) Métodos de Solução: Branch-and-Bound O método Branch-and-Bound (B&B) baseia-se na idéia de desenvolver uma enumeração inteligente
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisGerenciamento do Tempo de Projetos. Parte 05. Gerenciamento de Projetos Espaciais CSE-301. Docente: Petrônio Noronha de Souza
Gerenciamento do Tempo de Projetos Parte 05 Gerenciamento de Projetos Espaciais CSE-301 Docente: Petrônio Noronha de Souza Curso: Engenharia e Tecnologia Espaciais Concentração: Engenharia e Gerenciamento
Leia maisFlávia Barbosa UNICAMP Antônio Carlos Moretti UNICAMP
O Problema de Alocação de Berços: Aspectos Teóricos e Computacionais Flávia Barbosa UNICAMP flaflabarbosa0@gmail.com Antônio Carlos Moretti UNICAMP moretti@ime.unicamp.br Luiz Leduíno de Salles Neto UNIFESP
Leia maisUM MODELO DE PROGRAMAÇÃO INTEIRA MISTA PARA A PROGRAMAÇÃO DA PRODUÇÃO EM FLOWSHOP HÍBRIDO COM BUFFERS LIMITADOS
UM MODELO DE PROGRAMAÇÃO INTEIRA MISTA PARA A PROGRAMAÇÃO DA PRODUÇÃO EM FLOWSHOP HÍBRIDO COM BUFFERS LIMITADOS Pedro Luis Miranda Lugo Universidade Federal de São Carlos Departamento de Engenharia de
Leia maisMaristela O. Santos.
MODELO MATEMÁTICO E MÉTODO DE SOLUÇÃO PARA O PROBLEMA DE PROGRAMAÇÃO DA PRODUÇÃO DE CERVEJA: UM TANQUE E MÚLTIPLAS LINHAS DE ENVASE Tamara A. Baldo Universidade de São Paulo - Instituto de Ciências Matemáticas
Leia maisLinear para o Problema de Escalonamento de Workflows em Múltiplos Provedores de Nuvem
Discretização do Tempo na Utilização de Programação Linear para o Problema de Escalonamento de Workflows em Múltiplos Provedores de Nuvem Thiago A. L. Genez, Luiz F. Bittencourt, Edmundo R. M. Madeira
Leia maisUM MODELO DE OTIMIZAÇÃO INTEIRA MISTA E HEURÍSTICAS RELAX AND FIX PARA A PROGRAMAÇÃO DA PRODUÇÃO DE FÁBRICAS DE REFRIGERANTES DE PEQUENO PORTE
UM MODELO DE OTIMIZAÇÃO INTEIRA MISTA E HEURÍSTICAS RELAX AND FIX PARA A PROGRAMAÇÃO DA PRODUÇÃO DE FÁBRICAS DE REFRIGERANTES DE PEQUENO PORTE Deisemara Ferreira Universidade Federal de São Carlos - Departamento
Leia maisUMA FORMULAÇÃO NÃO LINEAR PARA A RESTRIÇÃO DE CICLOS DA SERRA NO PROBLEMA INTEGRADO DE DIMENSIONAMENTO DE LOTES E CORTE DE ESTOQUE
UMA FORMULAÇÃO NÃO LINEAR PARA A RESTRIÇÃO DE CICLOS DA SERRA NO PROBLEMA INTEGRADO DE DIMENSIONAMENTO DE LOTES E CORTE DE ESTOQUE Gislaine Mara Melega Unesp - Ibilce Depto de Matemática Aplicada, 15054-000,
Leia maisDimensionamento de lotes em fundições com múltiplos fornos não-simultâneos
Dimensionamento de lotes em fundições com múltiplos fornos não-simultâneos Victor Claudio Bento Camargo Departamento de Engenharia de Produção, Universidade Federal do Triângulo Mineiro - UFTM Uberaba
Leia maisPedro Amorim INESC TEC, Faculdade de Engenharia, Universidade do Porto
Problema integrado de produção e distribuição: Uma abordagem heurística Márcio A F Belo-Filho Instituto de Ciências Matemáticas e de Computação - Universidade de São Paulo marciobelof@gmail.com Pedro Amorim
Leia mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Leia maisModelo Matemático para Problemas Multiníveis de Produção em Máquinas Paralelas
Modelo Matemático para Problemas Multiníveis de Produção em Máquinas Paralelas Talita Mariana Pinho Schimidt 1 Cassius Tadeus Scarpin 2 Gustavo Valentim Loch 3 Alexandre Checoli Choueiri 4 Programa de
Leia maisBuscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Leia maisCOMPARAÇÃO ENTRE HEURÍSTICAS PARA AMBIENTES FLOW SHOP COM MINIMIZAÇÃO DO MAKESPAN
COMPARAÇÃO ENTRE HEURÍSTICAS PARA AMBIENTES FLOW SHOP COM MINIMIZAÇÃO DO MAKESPAN Lázaro Antônio da Fonseca Júnior, Universidade Federal de Goiás, jrlazaro@ufg.br Lara Fernandes Gonçalves, Universidade
Leia mais6 ESCALONAMENTO DE CPU
6 ESCALONAMENTO DE CPU O escalonamento de CPU é ponto chave da multiprogramação. Ela permite que haja mais de um processo em execução ao mesmo tempo. Em ambientes com um único processador, o escalonador
Leia maisAPLICAÇÃO DE UM MODELO MATEMÁTICO NO SEQUENCIAMENTO DE PRODUÇÃO EM UMA MÁQUINA PRODUTORA DE CARTÕES DE CIRCUITO IMPRESSO
APLICAÇÃO DE UM MODELO MATEMÁTICO NO SEQUENCIAMENTO DE PRODUÇÃO EM UMA MÁQUINA PRODUTORA DE CARTÕES DE CIRCUITO IMPRESSO Gerson Ulbricht UFPR - CEP 81531-990 - Curitiba - PR. e-mail: gerson.ulbricht@ifsc.edu.br
Leia maisProgramação Matemática Lista 3
Programação Matemática Lista 3. Coloque na forma padrão os seguintes problemas de programação linear: a) Maximizar X 7 X + 8 X 3 +X 4 X + X X 3 + X 4 4 X + X 3 9 X + X 3 + X 4 6 X 0, X 0, X 3 0, X 4 0
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS
ESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS João Vitor Moccellin Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisModelagem de Problemas Gerenciais Gerenciamento da Capacidade
Pesquisa Operacional II Professor: Roberto César Atividade que lida com o descompasso entre a demanda sobre uma operação e sua habilidade para suprir. Ex.:Operaçãodeumhoteldeluxo Antecipar-se às necessidades
Leia maisa) O aumento da complexidade e a rápida obsolescência dos produtos. b) Aprendizado mais rápido para eliminar falhas do processo.
14 1. Introdução 1.1. Contexto Histórico O Sistema de Produção Just-in-Time (JIT) teve seu início no Japão no início da década de 70 e tinha como principais objetivos, além da redução de todo tipo de estoques:
Leia maisTeoria da Computação. Computabilidade e complexidade computacional
Teoria da Computação Computabilidade e complexidade computacional 1 Computabilidade e Complexidade Computabilidade: verifica a existência de algoritmos que resolva uma classe de linguagens trata a possibilidade
Leia mais6 Experimentos realizados
6 Experimentos realizados 6.1 Considerações iniciais Resolvemos os modelos de PLIM utilizando o resolvedor CPLEX, baseado no método de branch-and-bound. Resolvemos as relaxações lineares dos mesmos modelos
Leia mais9 Conclusões e Sugestões para Trabalhos Futuros
9 Conclusões e Sugestões para Trabalhos Futuros O extenso horizonte do planejamento da operação e a estocasticidade das afluências futuras tornam o problema de planejamento da operação energética do sistema
Leia maisANÁLISE DE COMPLEXIDADE DOS ALGORITMOS
1/18 ANÁLISE DE COMPLEXIDADE DOS ALGORITMOS Algoritmos 2/18 Algoritmos Algoritmo - sequência de instruções necessárias para a resolução de um problema bem formulado (passíveis de implementação em computador)
Leia maisIntrodução à Programação Aula 02. Prof. Max Santana Rolemberg Farias Colegiado de Engenharia de Computação
Introdução à Programação Aula 02 Prof. Max Santana Rolemberg Farias max.santana@univasf.edu.br Colegiado de Engenharia de Computação QUAIS SÃO OS COMPONENTES BÁSICOS DO HW DE UM SISTEMA COMPUTACIONAL?
Leia maisIMPACTO DO AJUSTE DE PARÂMETROS DO CPLEX NA RESOLUÇÃO DO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DA PRODUÇÃO
IMPACTO DO AJUSTE DE PARÂMETROS DO CPLEX NA RESOLUÇÃO DO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DA PRODUÇÃO Claudio Fabiano Motta Toledo (USP) toledocfm@gmail.com Michel Henrique Aquino
Leia maisALGORITMOS AVANÇADOS UNIDADE I Análise de Algoritmo - Notação O. Luiz Leão
Luiz Leão luizleao@gmail.com http://www.luizleao.com Conteúdo Programático 1.1 - Algoritmo 1.2 - Estrutura de Dados 1.2.1 - Revisão de Programas em C++ envolvendo Vetores, Matrizes, Ponteiros, Registros
Leia maisPlanejamento da Produção: Corte de estoque na indústria de móveis. Socorro Rangel Roberto Cavali DCCE/IBILCE
Planejamento da Produção: Corte de estoque na indústria de móveis Socorro Rangel Roberto Cavali DCCE/IBILCE Objetivos Investigar as dificuldades envolvidas no corte da matéria-prima nas indústrias de móveis
Leia maisMétodos Numéricos. Professor Tenani - 9 de Agosto de 2015
Métodos Numéricos Professor Tenani - www.professortenani.com.br 9 de Agosto de 2015 Métodos Numéricos Professor Tenani - www.professortenani.com.br 1 / 51 Índice Métodos Numéricos Professor Tenani - www.professortenani.com.br
Leia maisProcessos de software
Processos de software 1 Processos de software Conjunto coerente de atividades para especificação, projeto, implementação e teste de sistemas de software. 2 Objetivos Introduzir modelos de processos de
Leia maisINSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE CAMPUS JOÃO CÂMARA ENGENHARIA DE SOFTWARE
1 INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE CAMPUS JOÃO CÂMARA ENGENHARIA DE SOFTWARE Nickerson Fonseca Ferreira nickerson.ferreira@ifrn.edu.br Introdução 2 Antes de qualquer
Leia maisFerramenta para simulação dinâmica de sistema de manufatura baseada em modelos de construção flexivel.
para simulação dinâmica de sistema de manufatura baseada em modelos de construção flexivel. Fábio Luis Oliveira dos Reis (UFBA) flreis@ufba.br Leizer Schnitman (UFBA) leizer@area1.br Herman Augusto Lepikson
Leia maisAvaliação Quantitativa de Sistemas
Avaliação Quantitativa de Sistemas Contexto A Avaliação Quantitativa de Sistemas permite a avaliação de sistemas antes mesmo da sua implementação física. Dessa forma, é possível avaliar um sistema projetado
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisFundamentos de Sistemas Operacionais
Fundamentos de Sistemas Operacionais Aula 19: Memória Virtual: Introdução Diego Passos Última Aula Paginação Método de gerenciamento de memória mais usado hoje. Espaço de endereçamento de um processo é
Leia maisUM ESTUDO COMPARATIVO DE DESEMPENHO UTILIZANDO PROGRAMAÇÃO SEQUENCIAL VS PARALELA APLICADO EM ALGORITMOS GENÉTICOS 1
UM ESTUDO COMPARATIVO DE DESEMPENHO UTILIZANDO PROGRAMAÇÃO SEQUENCIAL VS PARALELA APLICADO EM ALGORITMOS GENÉTICOS 1 Eldair F. Dornelles 2, Henrique A. Richter 3, Miquéias F. M. Trennepohl 4, Taís T. Siqueira
Leia maisFORMULAÇÕES MATEMÁTICAS PARA PROBLEMAS DE DIMENSIONAMENTO DE LOTES COM PREPARAÇÃO CARRYOVER E CROSSOVER
FORMULAÇÕES MATEMÁTICAS PARA PROBLEMAS DE DIMENSIONAMENTO DE LOTES COM PREPARAÇÃO CARRYOVER E CROSSOVER Jackeline del Carmen Huaccha Neyra Departamento de Matemática Aplicada, IBILCE, UNESP- Universidade
Leia maisRelatório técnico final do projeto Otimização do método multigrid em dinâmica dos fluidos computacional
Relatório técnico final do projeto Otimização do método multigrid em dinâmica dos fluidos computacional CFD-8 Processo CNPq 475885/2006-6 Período: 1 Out 2006 a 7 Dez 2008 Palavras-chave: solver, diferenças
Leia maisPLANEJAMENTO E PROGRAMAÇÃO DA PRODUÇÃO DE CERVEJA CONSIDERANDO TANQUES-PULMÃO PARA ARMAZENAR CERVEJA FILTRADA
PLANEJAMENTO E PROGRAMAÇÃO DA PRODUÇÃO DE CERVEJA CONSIDERANDO TANQUES-PULMÃO PARA ARMAZENAR CERVEJA FILTRADA Tamara A. Baldo Universidade Federal de São Carlos - Departamento de Engenharia de Produção
Leia maisFormulações de Programação Matemática para o Problema de Seqüenciamento em uma Máquina com Janelas de Entrega Distintas e Tempo de Preparação
Anais do CNMAC v.2 ISSN 1984-820X Formulações de Programação Matemática para o Problema de Seqüenciamento em uma Máquina com Janelas de Entrega Distintas e Tempo de Preparação Dependente da Seqüência de
Leia maisEngenharia de Software
Instituto Superior Politécnico de Ciências e Tecnologia Engenharia de Software Prof Pedro Vunge www.pedrovunge.com I Semestre de 2018 Capítulo 1 Introdução SUMÁRIO Engenharia de Software Definição; Objectivos
Leia maisDesenvolvimento de algoritmos Desenvolvimento de Algoritmos
Desenvolvimento de algoritmos Desenvolvimento de Instituto de Ciências Matemáticas e de Computação Na computação, algoritmos representam os passos de um programa um conjunto de programas formam um software.
Leia maisReferências: Notas de aulas do Prof. Silvio Alexandre de Araujo
Programação Inteira Referências: Notas de aulas do Prof Silvio Aleandre de Araujo http://wwwdcceibilceunespbr/~saraujo/ Material da Professora Gladys Castillo do Departamento de Matemática da Universidade
Leia mais08/11/2011 ADMINISTRAÇÃO DE MATERIAIS PRODUTOS OU SERVIÇOS FLUXO DE MATERIAIS
Uma Abordagem Introdutória ADMINISTRAÇÃO DE MATERIAIS Na realidade, toda indústria é um fluxo contínuo de materiais que são processados ao longo de várias atividades no sistema produtivo. Essa dinâmica
Leia maisDIMENSIONAMENTO E SEQUENCIAMENTO DE LOTES PARA UMA LINHA DE PRODUÇÃO FLOWSHOP: MÉTODOS DE
DIMENSIONAMENTO E SEQUENCIAMENTO DE LOTES PARA UMA LINHA DE PRODUÇÃO FLOWSHOP: MÉTODOS DE SOLUÇÃO Márcio Antônio Ferreira Belo Filho Universidade de São Paulo - Instituto de Ciências Matemáticas e de Computação
Leia maisMÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA
MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA Marlon Luiz Dal Pasquale Junior, UNESPAR/FECILCAM, jr.marlon@hotmail.com Solange Regina dos Santos (OR), UNESPAR/FECILCAM, solaregina@fecilcam.br
Leia maisAnálise de complexidade
Introdução Algoritmo: sequência de instruções necessárias para a resolução de um problema bem formulado (passíveis de implementação em computador) Estratégia: especificar (definir propriedades) arquitectura
Leia maisIndoor Localization without the Pain
Indoor Localization without the Pain Chintalapudi et al. (Microsoft Research India) Henrique Stagni 1 de junho de 2012 1 / 78 Objetivo Dado um ambiente fechado, construir um sistema que obtém a localização
Leia mais4 Testes e experimentos realizados 4.1. Implementação e banco de dados
32 4 Testes e experimentos realizados 4.1. Implementação e banco de dados Devido à própria natureza dos sites de redes sociais, é normal que a maior parte deles possua uma grande quantidade de usuários
Leia maisArquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano. Desenvolvimento de Aplicações Paralelas
Arquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano Desenvolvimento de Aplicações Paralelas (gec.di.uminho.pt/lesi/ap10203/aula06aplicaçõespar.pdf) João Luís Ferreira Sobral Departamento
Leia maisProf. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL
Prof. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL Sequenciamento e Emissão de Ordens Escolhida uma sistemática de administração dos estoques, serão geradas,
Leia maisNATUREZA DO PLANEJAMENTO E CONTROLE. Aula 8 e 9 - Regina Meyer Branski
NATUREZA DO PLANEJAMENTO E CONTROLE Aula 8 e 9 - Regina Meyer Branski Modelo Geral da Gestão de Operações RECURSOS A SEREM TRANSFORMADOS MATERIAIS INFORMAÇÕES CONSUMIDORES AMBIENTE ESTRATÉGIA DE PRODUÇÃO
Leia maisSistemas de Produção em Fluxo
Uma introdução a problemas de sequenciamento em sistemas de produção em fluxo Faculdade de Ciências da Universidade do Porto 18 de Janeiro de 2012 Sumário Introdução Literatura (Makespan) Pesquisa Local
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Revisão Método Simplex Solução básica factível: xˆ xˆ, xˆ N em que xˆ N 0 1 xˆ b 0 Solução geral
Leia maisProgramação Linear - Parte 1
Graduação em Matemática Industrial Programação Linear - Parte 1 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 1/2014 Thiago Queiroz (DM) Parte 1 1/2014 1 / 33 Introdução Programação
Leia maisEstratégias para incorporação das decisões de sequenciamento em um problema integrado de produção de bebidas
Cristiane Maria Defalque Estratégias para incorporação das decisões de sequenciamento em um problema integrado de produção de bebidas Dissertação de Mestrado Pós-Graduação em Matemática Cristiane Maria
Leia maisArranjo Físico (Layout) Arranjo Físico 1
Arranjo Físico (Layout) Arranjo Físico 1 Projeto do Arranjo Físico (Layout) Projetar um arranjo físico é decidir onde colocar todas as instalações, máquinas, equipamentos e pessoal de produção. O arranjo
Leia maisGerência de Projetos e Manutenção de Software Aula 5 Planejamento de Projetos Andréa Magalhães Magdaleno
Gerência de Projetos e Manutenção de Software Aula 5 Planejamento de Projetos Andréa Magalhães Magdaleno andrea@ic.uff.br 2016.02 Agenda Cronograma Custos e Orçamento Exercícios 2 Etapas do planejamento
Leia maisAlgoritmos 3/17/ Algoritmos como área de estudo e investigação
Algoritmos e Complexidade Ana Teresa Freitas INESC-ID/IST ID/IST 3/17/2005 1 O que é um algoritmo? Algoritmos: Sequência de instruções necessárias para a resolução de um problema bem formulado [passíveis
Leia maisInteligência Artificial
Inteligência Artificial Aula #2: Resolução de Problemas Via Busca Prof. Eduardo R. Hruschka 1 Agenda Tipos de Problemas Estados únicos (totalmente observável) Informação parcial Formulação do Problema
Leia maisIterated Local Search. Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE
I Iterated Local Search Helena R. Lorenço, Olivier Martinz and THOMAS STUTZLE Idéias Metaheurística deve ser simples, eficiente e mais genérica possível. Problema específico deve ser incorporado à metaheurística.
Leia maisUNIVERSIDADE DE SÃO PAULO
UNIVERSIDADE DE SÃO PAULO Instituto de Ciências Matemáticas e de Computação Análise, proposição e solução de modelos para o problema integrado de dimensionamento de lotes e sequenciamento da produção Willy
Leia maisABORDAGENS HEURÍSTICAS APLICADAS AO PROBLEMA GERAL DE DIMENSIONAMENTO E PROGRAMAÇÃO DE LOTES
ABORDAGENS HEURÍSTCAS APLCADAS AO PROBLEMA GERAL DE DMENSONAMENTO E PROGRAMAÇÃO DE LOTES Nilton Hideki Takagi 1, Lucídio dos Anjos Formiga Cabral 2, Gilberto Farias 3 Universidade Federal da Paraíba 123
Leia maisUM MÉTODO HEURÍSTICO APLICADO AO PROBLEMA DE PROGRAMAÇÃO DE SONDAS DE PRODUÇÃO. Miguel Angel Fernández Pérez
UM MÉTODO HEURÍSTICO APLICADO AO PROBLEMA DE PROGRAMAÇÃO DE SONDAS DE PRODUÇÃO Miguel Angel Fernández Pérez miguelfp177@yahoo.com Fernanda Maria Pereira Raupp fraupp@puc-rio.br Departamento de Engenharia
Leia maisExperimentos e Resultados
6 Experimentos e Resultados Neste capítulo apresentamos os experimentos realizados e os resultados obtidos pelas heurísticas apresentadas. A primeira parte do capítulo aborda os experimentos e resultados
Leia maisPLANEJAMENTO DA PRODUÇÃO EM FUNDIÇÕES - UM ALGORITMO GENÉTICO
PLANEJAMENTO DA PRODUÇÃO EM FUNDIÇÕES - UM ALGORITMO GENÉTICO Victor Claudio Bento Camargo Universidade de São Paulo - USP Av. Trabalhador São-carlense, 400 Centro - São Carlos - SP victorcbc@yahoo.com
Leia mais3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
Leia maisDESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI
DESENVOLVIMENTO DE UM MÓDULO DE PROGRAMAÇÃO LINEAR NO PROGRAMA OPTIMI BIONDI C. O.¹, VIANNA S. S. V. 2, RODRIGUES M. T. M.³ 1 Universidade Estadual de Campinas, Departamento de Engenharia de Sistemas Químicos
Leia maisUm algoritmo genético para o problema de corte unidimensional inteiro
Um algoritmo genético para o problema de corte unidimensional inteiro Adriano Heis CEFETSC-Centro Federal de Educação e Tecnologia de Santa Catarina Unidade São José Rua José Lino Kretzer, 608, Praia Comprida,
Leia mais5 Processo de Reificação e de Desenvolvimento com ACCA
Uma Arquitetura para a Coordenação e a Composição de Artefatos de Software 53 5 Processo de Reificação e de Desenvolvimento com ACCA Resumo Este capítulo visa esclarecer e descrever atividades existentes
Leia maisFUNDIÇÕES DE PEQUENO PORTE: UMA ABORDAGEM HEURÍSTICA RESUMO ABSTRACT
O PROBLEMA DE PROGRAMAÇÃO DA PRODUÇÃO EM FUNDIÇÕES DE PEQUENO PORTE: UMA ABORDAGEM HEURÍSTICA Claudia Fink Maristela Oliveira dos Santos Instituto de Ciências Matemáticas e de Computação, USP. 13560-970,
Leia mais8 Conclusão 8.1 Contribuição
8 Conclusão 8.1 Contribuição O crescente volume e a distribuição de dados e processos em Bioinformática torna cada vez mais fácil as descobertas de novas informações biológicas. Entretanto, como são inúmeras
Leia mais