METAHEURÍSTICAS APLICADAS AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DA PRODUÇÃO
|
|
- Oswaldo Taveira Conceição
- 5 Há anos
- Visualizações:
Transcrição
1 METAHEURÍSTICAS APLICADAS AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DA PRODUÇÃO Claudio Fabiano Motta Toledo Departamento de Ciência da Computação Universidade Federal de Lavras Campus Universitário, C.P. 3037, CEP , Lavras, MG claudio@dcc.ufla.br José Eurípedes Ferreira de Jesus Filho Departamento de Ciência da Computação Universidade Federal de Lavras Campus Universitário, C.P. 3037, CEP , Lavras, MG jeferreira@comp.ufla.br Fernando Simeone Departamento de Ciência da Computação Universidade Federal de Lavras Campus Universitário, C.P. 3037, CEP , Lavras, MG fsimeone@comp.ufla.br Gustavo Pereira Rosa Departamento de Ciência da Computação Universidade Federal de Lavras Campus Universitário, C.P. 3037, CEP , Lavras, MG gustavo.darkness@gmail.com RESUMO O presente artigo propõe metaheuristicas para solucionar o Problema Geral de Dimensionamento de Lotes e Programação da Produção (PGDLPP) com e sem máquinas paralelas, e com penalização para demandas não atendidas. Um modelo matemático é apresentado para este caso do PGDLPP e conjuntos de instâncias são gerados, baseados em parâmetros utilizados na literatura. Essas instâncias são solucionadas por uma ferramenta de modelagem matemática cujas soluções servem para avaliação do desempenho das metaheurísticas propostas.as metaheurísticas também são comparadas a um método existente na literatura. Os resultados revelam o melhor desempenho obtido pela metaheurísticas propostas. PALAVRAS CHAVE. Programação da produção. Dimensionamento de lotes. Metaheuristica. Área de classificação principal: MH Metaheurísticas ABSTRACT The present paper proposes metaheuristics to solve the General Lot sizing and Scheduling Problem (GLSP) with and without parallel machines, and with penalties for demand shortcoming. A mathematical model is presented for this GLSP case and set of instances are generated using parameters found in the literature. These instances are solved using a mathematical modeling computational package whose solutions will be benchmarks to evaluate the metaheuristics performance. These metaheuristics are also compared with a method available in the literature. The results report the better performance found by the proposed metaheuristics. KEYWORDS. Scheduling. Lot sizing. Metaheuristic. Main area: Metaheuristics. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3277
2 1. Introdução O presente trabalho propõe metaheurísticas para solucionar o Problema Geral de Dimensionamento de Lotes e Programação da Produção (PGDLPP) com e sem máquinas paralelas. O PGDLPP estudado também considera penalização para demandas não atendidas. Um modelo matemático é estabelecido para essa variante do PGDLPP, onde a penalização para demandas não atendidas é considerada na função objetivo e nas restrições do modelo. Inicialmente, as metaheurísticas são avaliadas em instâncias do PGDLPP com uma única máquina. Essas instâncias foram criadas utilizando os mesmos parâmetros estabelecidos em Haase (1996). Os métodos também solucionam instâncias do PGDLPP com máquinas paralelas. Todas as instâncias são solucionadas primeiro utilizando uma ferramenta de modelagem matemática. As soluções obtidas servem para avaliar o desempenho das metaheurísticas. No PGDLPP com uma única máquina, as metaheurísticas também foram comparadas ao método Threshold Accepting proposto por Fleischmann e Meyr (1997). O problema de dimensionamento de lote e programação da produção é um tópico de amplo interesse que tem atraído muitos pesquisadores. Citamos Drexl e Kimms (1997) e as referências nele apresentadas para uma visão geral dessa área. Estudos considerando esse problema com máquinas paralelas são descritos em Kang et al. (1999) e Meyr (2002). O dimensionamento de lote e a programação da produção com restrição de capacidade é um problema de otimização NP Difícil (Bitran e Yanasse, 1982). O problema de dimensionamento de lotes e programação da produção multi-item também é um problema NP-Difícil (Chen e Thizy, 1990). A complexidade deste tipo de problema leva ao desenvolvimento de métodos heurísticos. Jans e Degraeve (2007) apresentam uma revisão da literatura focada no uso de metaheurísticas em problemas de dimensionamento de lote e programação da produção. As metaheurísticas Busca Tabu, Simulated Annealing e Algoritmo Genético são os métodos desenvolvidos neste trabalho para solucionar o PGDLPP proposto. Busca Tabu utiliza uma memória de curto prazo dos movimentos executados, durante o processo de busca no espaço de soluções, visando melhorar seu desempenho (Glover, 1997). Toledo et al (2008) apresentam uma aplicação de busca tabu no problema sincronizado de programação e dimensionamento de lotes na produção de bebidas. Simulated Annealing (SA) simula um processo de resfriamento dos corpos, onde soluções de qualidade inferior podem ser aceitas para se escapar de ótimos locais (Kirkpatrick et al, 1983). Uma extensão do PGDLPP que inclui tempos de preparação dependentes da seqüência e máquinas paralelas é apresentada por Meyr (2002), onde Simulated Annealing (SA) é utilizado na determinação de variáveis binárias para que um método exato possa solucionar um modelo matemático relaxado do problema. Algoritmos Genéticos (AG) são métodos de computação evolutiva que simulam processos biológicos (Holland, 1975). Um algoritmo genético com estrutura hierárquica de indivíduos foi utilizado por França et al (2001) para solucionar o total tardiness single machine scheduling problem. A próxima seção descreve o modelo matemático para o PGLDPP estudado neste trabalho. A Seção 3 apresenta as metaheurísticas propostas. Os resultados computacionais obtidos são descritos na Seção 4. As conclusões do trabalho são apresentadas na Seção Modelo matemático para o PGDLPP. Um modelo matemático será proposto para o PGDLPP considerando máquinas paralelas e penalização das demandas não atendidas. A formulação apresentada segue a modelagem proposta por Meyr (2002) para o PGDLPP com máquinas paralelas. A principal diferença está na inserção de variáveis que acumulam as demandas não atendidas para cada produto. Essas variáveis são incluídas na equação de balanço de estoque no primeiro período de produção e também são penalizadas na função objetivo do modelo. O problema é modelado dividindo o horizonte de planejamento em T macro-períodos. Por sua vez, cada macro-período t possui um número fixo de micro-períodos S. Um aspecto interessante neste tipo de modelagem é que o tamanho de cada micro-período s varia de forma proporcional ao tamanho do lote do produto a ele atribuído. Assim, as variáveis de dimensionamento dos lotes e de atribuição de produtos às linhas e períodos estão indexadas por produtos e micro-períodos. O modelo assume que um XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3278
3 único produto é atribuído e produzido em cada micro-período. A Figura 1 apresenta um exemplo dessa situação, supondo três produtos e três micro-períodos em cada macro-período em uma linha L1. O tamanho dos micro-períodos s1, s2, s3, s4, s5 e s6 varia de forma proporcional à quantidade produzida. Por exemplo, o lote em s2 de P2 é maior que o lote de P2 em s4 na Figura 1. Assim, os micro-períodos s1, s4 e s6 ocupam 1 unidade de tempo, s2 ocupa 2 unidades e s5 ocupa 3 unidades de tempo. L1 Macro-período 1 Macro-período 2 s1 s2 s3 s4 s5 P1 P2 P1 P2 P3 s6 P Tempo Figura 1 Variação dos micro-períodos. Um total de J produtos e L linhas são considerados. Abaixo são listados os demais parâmetros do problema C t : Capacidade em unidades de tempo disponível no macro-período t. TP l,j : Tempo de processamento do produto j na linha l. Min j : Lote mínimo do produto j. H j : Custo de estoque do produto j. CT ij : Custo de troca do produto i para o produto j. D it : Demanda do produto i no macro-período t. I j0 : Estoque inicial do produto j no início do horizonte de tempo. Y l,j,0 : 1, se o produto j está ajustado inicialmente para a linha l; 0 caso contrário. M: Penalização por unidade de demanda não atendida. As variáveis do modelo são apresentadas a seguir: I jt 0: Estoque do produto j ao final do macro-período t. q ljs 0: Quantidade do produto j produzido no micro-período s da linha l. q 0 j 0: Quantidade de demanda do produto j que não foi produzida. y l,j,s : 1 Se o produto j é atribuído à linha l no micro-período s; 0 caso contrário. z lijs 0: z lijs = 1 se há troca do produto i para j no micro-período s da linha l; z ijs = 0, caso contrário. Modelo matemático para o PGLDPP com máquinas paralelas e penalização de demandas:. + =, + +. () =1,, + (1) (2) =, + + =1,,, t=1,, T (2b). () =1,,, t=1,, T (3) =1,,, j=1,, J, s=1,, T.S (4), =1,,, j=1,, J, s=1,, T.S (5) =1 =1,,, s=1,, T.S (6),, +, 1 =1,,, i=1,, J, j=1,, J, s=1,, T.S (7) XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3279
4 A função objetivo minimiza os custos de estoque e os custos de troca envolvendo produtos. Os custos de troca foram considerados como dependentes da sequência dos produtos, mas independentes das linhas. As demandas não atendidas são acumuladas nas variáveis q 0 j e penalizadas na função objetivo. O estoque de cada macro-período é determinado pelas equações (2a) e (2b). Observe que a demanda não atendida é acumulada na equação de balanço de estoque do primeiro período (2a). Isso permite que as demandas não atendidas nos demais períodos continuem satisfazendo a restrição de balanço de estoque já que são acumuladas em q 0 j. Considera-se que essas demandas foram produzidas em um período t=00 com capacidade ilimitada. Esse tipo de representação foi utilizado por Toledo et al (2007) num modelo integrado de dimensionamento e programação da produção em fábricas de bebidas. A restrição (3) garante que a capacidade disponível dentro do período t não seja violada. A capacidade disponível por macro-período é a mesma para todas as linhas, mas cada linha pode ter diferentes tempos de processamento por produto (TP l,j ). O tamanho máximo do lote de um produto em um micro- produzido, caso período é dado pela restrição (4). Essa restrição também impõe que nada seja não ocorra atribuição do produto ao micro-período (y l,j,s = 0). A restrição (5) assegura que um lote mínimo será produzido quando ocorre efetivamente a atribuição de um novo produto a um micro-período (y l,j,s = 1). Por outro lado, se o mesmo produto é atribuído a dois micro-períodos consecutivos, não necessariamente haverá produção na segunda atribuição. A equação (6) permite que somente um produto seja produzido em um micro-período. As trocas de produtos são determinadas pela restrição (7). 3. Métodos propostos Inicialmente será descrita a forma como a solução é representada nos métodos, visando facilitar a determinação de boas soluções dentro do espaço de busca do problema. A mesma representação da solução será adotada por todos os métodos propostos. Em seguida, os pseudocódigos dos métodos são apresentados e detalhados. 3.1 Representação e avaliação das soluções Uma solução para o problema será representada por linhas, onde cada linha possui duas matrizes com informações sobre sua sequência de produção e a demanda dos produtos a ser atendida. A primeira matriz é a matriz de sequência de produtos do tipo t x n, onde t é o número de macro-períodos e n é o número de micro-períodos (Figura 2). Figura 2 Matriz de sequências. Cada entrada (t,n) corresponde ao produto que ocupa determinado micro-período consecutivas não podem ser ocupadas pelo mesmo produto. A dentro de um macro-período. Duas entradas única exceção ocorre para a última entrada de um macro-período e a primeira entrada do macro- sem produto período seguinte que podem ser idênticas. Também não pode haver uma entrada entre duas entradas ocupadas em um mesmo macro-período. Essa representação foi adotada por Fleischmann e Meyr (1997) para o PGDLPP com uma única linha. A segunda matriz é a matriz de demandas do tipo t x p, onde t é o número de macro-períodos e p é o número de produtos do problema (Figura 3). Toda demanda do problema é distribuída ao longo das matrizes de demanda nas linhas. Se há uma única linha no problema, a matriz de demanda irá corresponder à demanda total do problema. Por exemplo, suponha uma instância do problema com duas linhas (l = 2), três produtos (p = 3), um horizonte de planejamento com dois macro-períodos (t = 2) dividido em XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3280
5 três micro-períodos (n = 3). A Tabela 1 apresenta as demandas do problema e a Figura 4 ilustra uma possível representação da solução. Figura 3 Matriz de demandas. Toda demanda do problema (Tabela 1) foi distribuída entre as matrizes de demanda das duas linhas (Figura 3). As demandas são distribuídas mantendo cada demanda dentro do seu respectivo período. Por exemplo, o produto p 1 tem 0 unidades de demanda em t 1 na matriz de demanda de l 1 e 5 unidades no mesmo período da matriz de demanda de l 2. Isso significa que a primeira linha não será utilizada na produção desta demanda. O total das demandas de p 1 em l 1 e l 2 corresponde a 5 unidades que é o total da demanda deste produto em t 1 na Tabela 1. Observe que na matriz de sequência em l 1 apenas o p 1 está alocado em t 2. Por outro lado, todos os micro- chamado greedy períodos foram ocupados em t 1. Uma vez estabelecida uma representação para a solução, um método guloso mod é utilizado para estabelecer as quantidades a serem produzidas. Esse método foi proposto por Fleischmann e Meyr (1997) para determinar os lotes a serem produzidos para o PGDLPP com uma única máquina. Em linhas gerais, o greedy mod utiliza a matriz de sequência dos produtos em cada período e a demanda dos produtos para determinar os lotes. Neste trabalho, o método proposto por Fleischmann e Meyr (1997) foi adaptado para utilizar a matriz de sequência de cada linha, associada à respectiva matriz de demanda. Primeiro o método verifica quantas vezes o produto aparece na matriz de sequência de produtos da linha. Em seguida, atribui o valor do lote mínimo (Min j ) a cada ocorrência do produto na linha, desde que a capacidade total não seja violada. A partir desse ponto, greedy mod distribui a demanda ao longo do horizonte de tempo de acordo com a matriz de demanda de cada linha. A alocação das demandas presentes na matriz de demanda da linha é feita de acordo com o total de ocorrências dos produtos na matriz de sequência da linha. A cada atribuição de lotes aos micro-períodos, a capacidade disponível na linha dentro de cada macro-período é verificada. Um pseudocódigo e detalhes sobre o método greedy-mod são apresentados em Fleischmann e Meyr (1997). As metaheurísticas propostas utilizarão a representação da solução descrita nesta seção. Além disso, todos os métodos também utilizam greedy mod na determinação dos lotes a serem produzidos em cada linha. Uma vez definida as sequências de produção e o dimensionamento dos lotes em cada linha, a qualidade da solução é avaliada pela função objetivo (1) do modelo matemático apresentado na seção Métodos de busca local Tabela 1 Demandas da instância Produtos t 1 t 2 P1 5 4 P2 2 0 P3 2 5 Figura 4 Representação de uma solução Nesta seção serão apresentados dois métodos de busca local para o PGDLPP: Busca Tabu e Simulated Annealing. A solução inicial para ambos os métodos é estabelecida de acordo com os critérios apresentados para a representação da solução na seção 3.1. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3281
6 3.2.1 Movimentos de busca Os movimentos de busca na vizinhança de uma solução podem ser classificados como: movimentos de demanda e movimentos de sequência. Os movimentos de demanda alteram a distribuição das mesmas entre as matrizes de demanda das linhas. Os movimentos de sequência alteram a ordem dos produtos na matriz de sequência das linhas. Os movimentos propostos são listados a seguir, onde os parâmetros l, t, p e n são, respectivamente, linha, macro-período, produto e micro-período: 1. Inserção de demanda: Sorteia aleatoriamente duas entradas (l, t, p) e (l, t, p) na matriz de demanda com l l. Retira uma quantidade x da demanda de (l, t, p) e insere em (l, t, p). 2. Troca de demanda: Sorteia aleatoriamente duas entradas (l, t, p) e (l, t, p) na matriz de demanda trocando as demandas dessas entradas com l l. 3. Inserção de produto: Insere um novo produto p em um micro-período n selecionados aleatoriamente. 4. Remoção de produto: Remove um produto p de um micro-período n selecionados aleatoriamente. 5. Troca de produtos: Troca dois produtos p e p localizados em dois micro-períodos n e n selecionados aleatoriamente. 6. Inversão de período: Seleciona aleatoriamente um macro-período t e inverte a sequência de produtos neste período. 7. Troca de sequência: Troca toda a sequência em um macro-período t com a sequência em outro macro-período t selecionados aleatoriamente. Os movimentos 1 e 2 são os chamados movimentos de demanda enquanto os demais movimentos são movimentos de sequência. Os movimentos 1 e 2 são executados para entradas em linhas diferentes, mas para um mesmo produto e período. Caso contrário, a demanda original do produto estaria sendo alterada. Após a execução dos movimentos, a representação da solução pode violar critérios da representação. Por isso, um método de reparo é executado (Figura 5). Figura 5 Execução de um movimento de busca e reparo da nova representação Na Figura 5, um movimento de remoção é executado na matriz de sequência. Isso leva a ocorrência de dois produtos idêntidos em posições consecutivas. Neste caso, o método de reparo remove uma das ocorrências. Da mesma forma, o método de reparo irá remover a ocorrência de posições vazias entre micro-períodos ocupados na matriz de sequência Simulated Annealing A Figura 6 apresenta o pseudocódigo do Simulated Annealing (SA) proposto. O número de iteração executadas em uma mesma temperatura (Temp) é definida pelo parâmetro SAMax. Nos testes realizados, um total de SAMax = 40 iterações foi executado. O parâmetro S* representa a melhor solução encontrada durante todo o processo. A temperatura inicial T e o parâmetro de decréscimo α foram estabelecidos, respectivamente, em 1000 e 0,95 baseado em testes realizados. O reaquecimento do sistema acontece após a temperatura atingir A execução do método guloso sobre a solução (greedy-mod(s)) permite a determinação dos lotes para que o valor de f(s) seja calculado em seguida. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3282
7 SimulatedAnnealing () SAMax 40 α 0.95 Inicialize uma solução S S* S greedy-mod(s), f(s) f(s*) f(s) T 1000 Enquanto (tempototal ainda não atingido) Enquanto(número de iterações < SAMax) Gere um vizinho S ϵ N(S) greedy-mod(s ) ƒ(s ) ƒ(s) Se ( < 0) S S Se (ƒ(s) < ƒ(s*)) S* S Senão Tome x ϵ [0, 1] Se (x < е -/T ) S S Fim se T T * α Se (T < 0.001) T 1000 Fim Enquanto Fim Enquanto Fim SimulatedAnnealing Figura 6 Pseudocódigo Simulated Annealing Busca Tabu A Figura 7 apresenta o pseudocódigo da Busca Tabu (BT) proposta. BuscaTabu () BTMax 100 numeromovimentos 7 tamanholistatabu 2 listatabu Ø Inicialize uma solução S S* S greedy-mod(s), f(s) f(s*) f(s) Enquanto (tempototal ainda não atingido) Enquanto (número de iterações < BTMax) S S modifica por m, m é o melhor movimento de N(S) e m listatabu S S ; Se (ƒ(s) < ƒ(s*)) S* S Fim se Atualize(listaTabu, m) Fim Enquanto tamanholistatabu ϵ {1, numeromovimentos} Atualize(listaTabu, tamanholistatabu) Fim Enquanto Fim BuscaTabu Figura 7 Pseudocódigo da Busca Tabu proposta Os movimentos de busca são realizados durante um número máximo de iterações (BTmax) a fim de encontrar o melhor vizinho da solução atual. A lista tabu é dinâmica, logo seu tamanho XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3283
8 (tamanholistatabu) varia aleatoriamente durante a execução do método. Se o tamanho da lista é reduzido, movimentos há mais tempo na lista tabu são liberados. Caso contrário, movimentos tabu permanecem tabu por mais tempo e outros são acrescentados. Durante a determinação do melhor movimento em N(S), está implícita a execução do greedy-mod(s ) e o cálculo de f(s ) para as diversas soluções S N(S). 3.3 Algoritmo Genético A Figura 8 apresenta o pseudocódigo do Algoritmo Genético (AG) proposto. No momento da avaliação da população (avaliarpopulação()), o método greedy-mod é executado e a função de avaliação é calculada de forma semelhante o que ocorre no SA e BT. O melhor indivíduo é aquele com menor valor na função de avaliação. Algoritmo Genético início Repetir iniciarpopulações(); avaliarpopulações(); Repetir {evoluir população} recombinarpopulação(); mutarpopulação(); avaliarpopulação(); reestruturarpopulação(); até convergência até tempo de execução; fim Figura 8 Pseudocódigo do Algoritmo Genético proposto Os indivíduos são hierarquicamente estruturados em árvores ternárias. (Figura 9). Neste tipo de estrutura, os indivíduos são organizados em clusters compostos por um nó líder e três seguidores. O nó líder é aquele que apresenta melhor valor na função de avaliação. Por isso, o melhor indivíduo da população corresponde ao nó raiz da árvore ternária. Figura 9 Estrutura hierárquica dos indivíduos em árvore ternária. O desempenho superior de AG com populações estruturadas sobre populações não estruturadas em problemas de programação da produção foi reportado França et al (2001). Durante a evolução da população, os operadores genéticos (recombinarpopulação() e mutarpopulação()) geram novos indivíduos que são inseridos ou não na população, dependendo do valor da função de avaliação. Uma recombinação de 1 ponto é executada para cada linha e período dentro da matriz de demanda e matriz de sequência dos indivíduos (Figura 10). Por exemplo, há um ponto de corte na segunda posição de t 1 em l 1 e um ponto de corte na primeira posição de t 2 em l 1 na Figura 10. Isso significa que o Filho irá herdar as posições que antecedem o ponto de corte do Pai 1 e as posições posteriores ao ponto de corte do Pai 2. O mesmo ocorre na matriz de sequência das linhas, onde diferentes pontos de corte foram selecionados em cada período. Um total de α*tamanhodapopulação recombinações são executadas a cada iteração. O novo indivíduo (Filho) pode apresentar excesso ou falta de demandas para alguns produtos na matriz de demanda. Da mesma forma, a matriz de sequência pode apresentar o mesmo produto XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3284
9 em posições consecutivas ou espaços não ocupados entre dois produtos. Neste caso, um algoritmo de reparo repõe ou retira as demandas em excesso na matriz de demanda, e remove os produtos repetidos ou os espaços não preenchidos na matriz de sequência. Figura 10 Operador de recombinação de 1 ponto. O operador de mutação seleciona aleatoriamente um dos movimentos de demanda ou de sequência e aplica sobre o novo indivíduo, caso λ TaxaMutação com λ [0,1]. O novo indivíduo obtido é avaliado e se for melhor que um dos pais, será inserido na população. O valor α=2,0 foi utilizado para recombinação e λ=0,4 para mutação, baseado em testes prévios realizados. Uma vez inseridos os novos indivíduos, a população é reestruturada (reestruturarpopulação()) para manter a hierarquia entre indivíduos (Figura 11). A população converge quando novos indivíduos não são inseridos. Neste momento, a população é reinicializada preservando apenas o melhor indivíduo obtido até então. Figura 11 - Inserção de novos indivíduos e reorganização da população. 4. Resultados Computacionais A Tabela 2 abaixo apresenta os parâmetros utilizados na geração de 4 conjuntos de instâncias para o PGDLPP com uma única máquina. Um total de 10 instâncias foi gerado para cada conjunto. Os parâmetros são os mesmos usados por Haase (1996), onde U(%) é a porcentagem de utilização da capacidade disponível. Tabela 2 Conjuntos de Instâncias para o PGDLPP com uma única máquina. Conjuntos Macro-Períodos (T) Micro-Períodos (S) Produtos (J) Capacidade (C t ) U(%) S S S S Todos os demais parâmetros do problema também foram ajustados pelos mesmos valores utilizados por Haase (1996): d jt {0,1,...,100}, H j =1,TP 1j =1, CT ij {100,...,200} para i j e CT ij =0 para i=j, M=10000 e Min j = 1. O modelo matemático da seção 2 e as instâncias geradas foram codificados utilizando o pacote computacional AMPL e solucionados pelo solver CPLEX 11.0 com tempo de execução de 1 hora. Para fins de comparação, também foi implementado o método Threshold Accepting (TA) proposto por Fleischmann e Meyr (1997). Esse método foi escolhido por apresentar melhor desempenho que aqueles em Haase (1996) para o PGDLPP. Todos os testes foram realizados utilizando um processador Intel Corel 2 Duo, 2,66 GHz e 1,95 GB RAM. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3285
10 As metaheurísticas foram executadas 10 vezes em cada uma das 10 instâncias de cada conjunto. Cada execução foi limitada a 0,5 h, ou seja, metade do tempo dado ao método exato. Tabela 3 Resultados obtidos para o PGDLPP com uma única máquina em S1 e S2. S1 AMPL TA S.A. BT AG S2 AMPL TA S.A. BT AG S * 1737,5 1658,0 1658,0 1658,0 S * 1948,6 1737,0 1737,0 1746,0 4,8 0,0 0,0 0,0 12,7 0,5 0,5 1,0 S * 1533,5 1421,0 1421,0 1421,0 S * 1839,3 1758,0 1758,0 1758,0 7,9 0,0 0,0 0,0 4,6 0,0 0,0 0,0 S * 1764,4 1700,0 1700,0 1700,0 S * 2243,2 2162,0 2162,0 2162,0 3,8 0,0 0,0 0,0 3,8 0,0 0,0 0,0 S * 1583,9 1459,0 1459,0 1459,0 S * 1865,0 1747,0 1747,0 1748,2 8,6 0,0 0,0 0,0 6,8 0,0 0,0 0,1 S * 1643,1 1543,0 1543,0 1551,4 S * 1800,3 1638,0 1638,0 1638,0 6,5 0,0 0,0 0,5 9,9 0,0 0,0 0,0 S * 1527,4 1402,0 1402,0 1402,0 S * 1689,9 1534,0 1534,0 1534,0 8,9 0,0 0,0 0,0 10,2 0,0 0,0 0,0 S * 1567,0 1480,0 1480,0 1486,5 S * 1568,3 1533,0 1533,0 1533,0 6,1 0,2 0,2 0,6 2,3 0,0 0,0 0,0 S * 1517,8 1463,0 1463,0 1463,0 S * 1982,2 1822,0 1822,0 1833,8 3,7 0,0 0,0 0,0 8,8 0,0 0,0 0,6 S * 1575,6 1487,0 1487,0 1487,0 S * 1910,7 1863,0 1863,0 1864,7 6,5 0,5 0,5 0,5 2,6 0,0 0,0 0,1 S * 1714,2 1628,0 1628,0 1633,4 S * 1847,6 1751,0 1751,0 1751,0 5,4 0,1 0,1 0,5 5,5 0,0 0,0 0,0 Tabela 4 Resultados obtidos para o PGDLPP com uma única máquina em S3 e S4. S1 AMPL TA S.A. BT AG S2 AMPL TA S.A. BT AG S * 1357,7 1269,0 1269,0 1269,0 S ,3 1837,0 1837,0 1861,5 7,0 0,0 0,0 0,0 5,6 0,2 0,2 1,6 S * 1573,0 1491,0 1491,0 1491,0 S ,0 1986,0 1986,0 1989,6 5,5 0,0 0,0 0,0 9,0 0,0 0,0 0,2 S * 1528,0 1338,0 1338,0 1338,0 S ,3 1823,0 1823,0 1827,2 14,2 0,0 0,0 0,0 6,4-0,1-0,1 0,1 S * 1649,8 1530,0 1530,0 1530,0 S ,3 1674,0 1674,0 1681,8 7,8 0,0 0,0 0,0 9,2 0,0 0,0 0,5 S * 1760,2 1663,0 1663,0 1667,8 S ,2 1974,0 1974,0 1974,0 5,8 0,0 0,0 0,3 6,2 0,0 0,0 0,0 S * 1612,4 1542,0 1542,0 1542,0 S ,0 1994,0 1995,5 2011,3 4,6 0,0 0,0 0,0 6,2 0,0 0,1 0,9 S * 1616,0 1553,0 1553,0 1553,0 S ,1 1790,0 1790,0 1793,3 4,1 0,0 0,0 0,0 22,4 0,0 0,0 0,2 S * 1677,3 1522,0 1522,0 1532,1 S ,1 1777,0 1777,0 1784,8 10,5 0,3 0,3 0,9 6,7-0,5-0,5-0,1 S * 1595,6 1526,0 1526,0 1526,0 S ,2 2175,0 2175,0 2195,4 4,6 0,0 0,0 0,0 13,2 1,2 1,2 2,1 S * 1563,5 1441,0 1441,0 1441,0 S ,4 1788,0 1788,0 1788,7 8,5 0,0 0,0 0,0 7,8 0,3 0,3 0,4 As Tabelas 3 e 4 listam os resultados obtidos pelo AMPL/CPLEX e o valor médio considerando a solução final obtida nas 10 execuções das metaheurísticas. Também é apresentado o desvio Desv(%)=100*(Z-Z*)/Z*, onde Z é o valor médio da solução final obtida pela metaheurística e Z* á o valor da solução final retornada pelo AMPL/CPLEX. Os valores na XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3286
11 coluna AMPL com * indicam solução ótima. O AMPL/CPLEX retornou a solução ótima ao final de todas as execuções em S1, S2 e S3. No conjunto S4, o AMPL/CPLEX retornou a melhor solução factível encontrada após 1 hora de execução. As metaheurísticas S.A., TS e AG foram capazes de encontrar a solução ótima na maioria das instâncias em S1, S2 e S3. Os valores negativos de alguns desvios em S4 indicam que as metaheurísticas retornaram em média soluções melhores que aquelas encontradas pelo AMPL/CPLEX. O método TA proposto por Fleischmann e Meyr (1997) apresentou desvios acima de 1% em todos os conjuntos de instâncias, enquanto S.A., BT e AG apresentaram desvios abaixo de 1%. Três conjuntos de instâncias (P1, P2 e P3) foram gerados para avaliar o PGDLPP com máquinas paralelas. Os parâmetros utilizados foram T=6, S=4, J=4, C t =200, onde apenas o número de linhas variou com L=2 em P1, L=3 em P2 e L=4 em P4. Os demais parâmetros permaneceram como antes, exceto TP lj [0,1] e U= 80%. Um total de 5 instâncias foi gerado para cada um desses conjuntos. O AMPL/CPLEX também foi utilizado na resolução exata dessas instâncias com tempo de execução de 1 hora. Devido aos elevados desvios já apresentados em S1, S2 e S3, o método TA proposto não foi utilizado no PGDLPP com máquinas paralelas. As metaheurísticas S.A., BT e AG foram executadas por 1 hora com 10 execuções por instância. Tabela 5 Resultados obtidos para o PGDLPP com máquinas paralelas em P1 e P2. P1 AMPL SA BT AG P2 AMPL SA BT AG P ,8 4979,6 4785,4 4869,1 P ,2 5848,3 5143,0 4711,4-14,4-17,8-16,3 2,1-10,2-17,8 P ,0 4798,8 4706,8 4653,4 P ,3 5888,3 5036,6 4913,7-13,7-15,4-16,3 9,8-6,1-8,4 P ,5 4341,3 4221,4 4052,3 P ,3 5965,0 5593,1 5183,6-0,7-3,4-7,3-6,4-12,3-18,7 P ,8 4753,4 4480,2 4380,5 P ,4 6144,7 5326,1 5326,4-5,8-11,2-13,15-12,8-24,4-24,4 P ,9 4945,1 4636,2 4411,8 P ,0 5876,6 5417,9 5552,1 9,0 2,2-2,75-11,8-18,7-16,7 Tabela 6 Resultados obtidos em P3. P3 AMPL SA BT AG P ,6 7691,1 6154,4 4711,4 35,4 8,4-17,0 P ,1 7547,8 6206,2 4913,7-2,1-19,5-36,3 P ,1 7327,7 6122,4 5183,6-6,1-21,6-33,6 P ,7 7262,6 6110,9 5552,1-7,3-22,0-29,2 P ,8 7220,5 5846,7 5530,8 1,3-18,0-22,4 Tabela 7 Média dos desvios. Conjuntos SA BT AG P1-5,12-9,11-11,17 P2-3,85-14,35-17,20 P3 4,21-14,56-27,71 O AMPL/CPLEX não foi capaz de retornar soluções ótimas ao final de 1 hora de execução em P1, P2 e P3. Por outro lado, as metaheurísticas propostas superaram os valores das soluções finais obtidas pelo AMPL/CPLEX na maioria das instâncias (Tabelas 5 e 6). A Tabela 7 apresenta a média dos desvios obtidos considerando as 5 instâncias de cada conjunto, onde o AG apresentou o melhor desempenho. BT também melhorou o valor médio das soluções finais obtidas em relação ao AMPL/CPLEX. O método S.A. não apresentou o mesmo desempenho, retornando desvio médio positivo em P3. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3287
12 5. Conclusões O presente trabalho estudou o Problema Geral de Dimensionamento de Lotes e Programação da Produção (PGDLPP) com e sem máquinas em paralelo, e com penalização por demandas não atendidas. Um modelo matemático foi proposto para o problema e 7 conjuntos de instâncias foram geradas. O modelo e as instâncias foram codificados e solucionados utilizando o AMPL/CPLEX. No PGDLPP com uma única máquina, os mesmos parâmetros de geração de instâncias apresentados em Haase (1996) foram utilizados. O método Threshold Accepting (TA) proposto por Fleischmann e Meyr (1997) foi implementado e comparado com as metaheurísticas SA, BT e AG propostas. As metaheurísticas superaram os resultados obtidos pelo TA, além de encontrarem soluções ótimas ou com desvios abaixo de 1%. Esses resultados foram obtidos utilizando metade do tempo de execução dado ao método exato. Nas instâncias do PGDLPP com máquinas paralelas, três conjuntos de instâncias foram geradas. As metaheurísticas conseguiram superar em média os resultados obtidos pelo AMPL/CPLEX, exceto S.A. em um dos conjuntos. O AG foi o método com melhor desempenho no PGDLPP com máquinas paralelas. De forma geral, os resultados revelam o melhor desempenho das metaheurísticas AG e BT propostas. 6. Agradecimentos Essa pesquisa foi financiada pela Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG), projeto CEX APQ / Referências Bitran, G. R. e Yanasse, H. H. (1982), Computational complexity of the capacitated lot size problem, Management Science 28 (10), Chen, W.H. e Thizy, J.M., (1990), Analysis of relaxations for the multi-item capacitated lotsizing problem, Annals of Operations Research, 26, Drexl, A. e Kimms, A., (1997), A, Lot Sizing and scheduling - survey and extensions, European Journal of Operational Research, 99, Fleischmann, B., Meyr, H., (1997), The general lotsizing and scheduling problem, ORSpektrum, 19, França, P.M., Mendes, A.S., Moscato, P, (2001), A memetic algorithm for the total tardiness single machine scheduling problem, European Journal of Operational Research, 1(132), Glover, F., Laguna, M., Tabu Search, Kluwer, Norwell, MA, Haase, K.(1996), Capacitated lot-sizing with sequence dependent setup costs, ORSpektrum, 8, Holland, J.H., Adaptation in natural and artificial systems, The University of Michigan Press, Jans, R. e Degraeve, Z., (2007), Metaheuristics for dynamic lot sizing: A review and comparison of solution approaches, European Journal of Operational Research, 177, Kang, S., Malik, K., Thomas, L.J., (1999), Lotsizing and scheduling on parallel machines with sequence-dependent setup costs, Management Science, 45, Kirkpatrick, S., Gelatt, C. D., Vecchi, M.P.,(1983), Optimization by Simulated Annealing, Science, 220 (4598), Meyr, H., (2002), Simultaneous lotsizing and scheduling on parallel machines, European Journal of Operational Research, 139, Toledo, C. F. M., França, P. M., Morabito, R. e KIMMS, A. (2007), Um Modelo de Otimização para o Problema Integrado de Dimensionamento de Lotes e Programação da Produção em Fábrica de Refrigerantes, Pesquisa Operacional, v. 27, Toledo, CFM, França,PM, Ferreira, JE, (2008a), Meta-Heuristic Approaches for a Soft Drink Industry Problem. In: 13th IEEE International Conference on Emerging Technologies and Factory Automation, Hamburg, Alemanha, XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 3288
ALGORITMOS BASEADOS EM SELEÇÃO CLONAL APLICADOS AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DA PRODUÇÃO
ALGORITMOS BASEADOS EM SELEÇÃO CLONAL APLICADOS AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DA PRODUÇÃO Claudio Fabiano Motta Toledo Departamento de Ciência da Computação Universidade Federal
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 maisGUSTAVO PEREIRA ROSA SIMULATED ANNEALING APLICADO AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DA PRODUÇÃO
GUSTAVO PEREIRA ROSA SIMULATED ANNEALING APLICADO AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DA PRODUÇÃO LAVRAS - MG 2010 GUSTAVO PEREIRA ROSA SIMULATED ANNEALING APLICADO AO PROBLEMA
Leia maisPROGRAMAÇÃO MATEMÁTICA E BUSCAS LOCAIS APLICADAS AO PROBLEMA CAPACITADO DE DIMENSIONAMENTO DE LOTES MULTI-NÍVEL
PROGRAMAÇÃO MATEMÁTICA E BUSCAS LOCAIS APLICADAS AO PROBLEMA CAPACITADO DE DIMENSIONAMENTO DE LOTES MULTI-NÍVEL Claudio Fabiano Motta Toledo Departamento de Ciência da Computação - Universidade Federal
Leia maisFERNANDO SIMEONE ALGORITMOS GENÉTICOS APLICADOS AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DE PRODUÇÃO
FERNANDO SIMEONE ALGORITMOS GENÉTICOS APLICADOS AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES E PROGRAMAÇÃO DE PRODUÇÃO Monografia de graduação apresentada ao Departamento de Ciência da Computação da Universidade
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 maisENXAME DE PARTÍCULAS APLICADO AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES
THIAGO FIALHO DE QUEIROZ LAFETÁ ENXAME DE PARTÍCULAS APLICADO AO PROBLEMA GERAL DE DIMENSIONAMENTO DE LOTES LAVRAS - MG 2010 THIAGO FIALHO DE QUEIROZ LAFETÁ EXAME DE PARTÍCULAS APLICADO AO PROBLEMA GERAL
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 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 mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisMÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS
MÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS Rômulo Louzada Rabello Universidade Federal do Espírito Santo Alegre, ES, 29500-00, Brasil
Leia maisDimensionamento de Lotes: análise de heurísticas Busca Tabu híbridas. Resumo. Abstract
Dimensionamento de Lotes: análise de heurísticas Busca Tabu híbridas Luiz Henrique Cherri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo (USP) lhcherri@icmc.usp.br Franklina
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 maisSEQUENCIAMENTO DE TAREFAS COM RESTRIÇÕES DE COMPATIBILIDADE EM MÁQUINAS PARALELAS COM TEMPOS DE PREPARAÇÃO DEPENDENTES DA SEQUÊNCIA
SEQUENCIAMENTO DE TAREFAS COM RESTRIÇÕES DE COMPATIBILIDADE EM MÁQUINAS PARALELAS COM TEMPOS DE PREPARAÇÃO DEPENDENTES DA SEQUÊNCIA Edson Luiz França Senne Universidade Estadual Paulista UNESP, Faculdade
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 maisSIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS
SIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS Bernardo De Polli Cellin Mestrando em Informática - Universidade Federal do Espírito Santo Av. Fernando Ferrari, Nº 514, CEP:
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisProgramação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo
Programação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo Lucas Yamada Scardoelli (EESC/USP) scarty@terra.com.br R. General Glicério, 340, Centro, CEP 15900-000, Taquaritinga,
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 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 maisUmmétodohíbridoparaescalonar turnosdeenfermeiras
Ummétodohíbridoparaescalonar turnosdeenfermeiras Alexandre Luiz J. H. Albano e Marcio Oshiro Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação Um método
Leia maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisMETA-HEURÍSTICA BASEADA EM SISTEMAS IMUNOLÓGICOS APLICADA AO PROBLEMA CAPACITADO DE DIMENSIONAMENTO DE LOTES MULTI-NÍVEL
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro
Leia maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia maisDIMENSIONAMENTO DE LOTES E SEQUENCIAMENTO DA PRODUÇÃO EM UMA EMPRESA EMS
DIMENSIONAMENTO DE LOTES E SEQUENCIAMENTO DA PRODUÇÃO EM UMA EMPRESA EMS João Flávio de Freitas Almeida (UFMG) jotaefy@gmail.com Maísa Carolina Amorim da Silva (UFMG) maisa_carolina@yahoo.com.br Samuel
Leia maisOtimização de horários Seminário. Clarisse Resende 25/01/2013
Otimização de horários Seminário Clarisse Resende 25/01/2013 O problema dos horários consiste numa sequência de atividades de programação, satisfazendo um conjunto de restrições de recursos. Pretende-se
Leia maisXLVII SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL
META-HEURÍSTICA SIMULATED ANNEALING APLICADA AO PROBLEMA DE CORTE BIDIMENSIONAL NÃO-GUILHOTINADO Gelinton Pablo Mariano Mestrando em Informática - Universidade Federal do Espírito Santo Av. Fernando Ferrari,
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 maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia maisUM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO
UM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO Bruno Mota Avelar Almeida, Túlio Ângelo Machado Toffolo, Marcone Jamilson Freitas Souza
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 maisHEURÍSTICAS PARA O DIMENSIONAMENTO DE LOTES E SEQUENCIAMENTO DA PRODUÇÃO
HEURÍSTICAS PARA O DIMENSIONAMENTO DE LOTES E SEQUENCIAMENTO DA PRODUÇÃO Caio Fujimori Namba Eli Angela Vitor Toso (Orientadora) Universidade Federal de São Carlos Campus de Sorocaba Rodovia João Leme
Leia maisPesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisMETA-HEURÍSTICA CLUSTERING SEARCH APLICADA AO PROBLEMA DE ROTULAÇÃO CARTOGRÁFICA DE PONTOS
META-HEURÍSTICA CLUSTERING SEARCH APLICADA AO PROBLEMA DE ROTULAÇÃO CARTOGRÁFICA DE PONTOS Rômulo Louzada Rabello Universidade Federal do Espírito Santo UFES romulolouzada@gmail.com Geraldo Regis Mauri
Leia maisHEURÍSTICAS GRASP PARA A MINIMIZAÇÃO DO ATRASO TOTAL NO PROBLEMA DE PROGRAMAÇÃO DE TAREFAS EM UMA MÁQUINA COM SETUP TIME
HEURÍSTICAS GRASP PARA A MINIMIZAÇÃO DO ATRASO TOTAL NO PROBLEMA DE PROGRAMAÇÃO DE TAREFAS EM UMA MÁQUINA COM SETUP TIME Gilberto Vinícius P. Nunes Departamento de Informática, Universidade Federal 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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais
Leia maisBranch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
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 maisUm Estudo Empírico de Métodos Hiper-Heurísticos
Um Estudo Empírico de Métodos Hiper-Heurísticos Igor Ribeiro Sucupira (Aluno de Mestrado) Flávio Soares Corrêa da Silva (Orientador) Departamento de Ciência da Computação Instituto de Matemática e Estatística
Leia maisPLANEJAMENTO DA PRODUÇÃO DE IMPRESSORAS EM UMA EMPRESA EMS
PLANEJAMENTO DA PRODUÇÃO DE IMPRESSORAS EM UMA EMPRESA EMS João Flávio de Freitas Almeida Universidade Federal de Minas Gerais Av. Antônio Carlos, 667 Escola de Engenharia - Campus Pampulha - CEP: 370-90
Leia maisRESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START Gustavo Marques Zeferino, Flaviana M. de S. Amorim, Marcone Jamilson Freitas Souza, Moacir F. de F. Filho
Leia maisUm AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições Jarbas Silva Abstract Neste
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 maisUma solução exata para o Problema de Localização de Concentradores com Alocação Múltipla
XII Worshop de Computação Aplicada - WORCAP 2012 Uma solução exata para o Problema de Localização de Concentradores com Alocação Múltipla Wesley Gomes de Almeida 1, Edson Luiz França Senne 2, Horacio Hidei
Leia maisUniversidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial. Algoritmo Memético
Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial Algoritmo Memético aplicação para o problema do caixeiro viajante Kelly Rodrigues Abreu Federico
Leia maisLimitantes Inferiores para o Problema de Dimensionamento de Lotes em Máquinas Paralelas
Limitantes Inferiores para o Problema de Dimensionamento de Lotes em Máquinas Paralelas Diego Jacinto Fiorotto Depto de Ciências de Computação e Estatística, IBILCE, UNESP R. Cristóvão Colombo, 2265 -
Leia maisUMA ABORDAGEM AO PROBLEMA DE SEQUENCIAMENTO EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO DA PRODUÇÃO POR MEIO DE ALGORITMOS EVOLUTIVOS
UMA ABORDAGEM AO PROBLEMA DE SEQUENCIAMENTO EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO DA PRODUÇÃO POR MEIO DE ALGORITMOS EVOLUTIVOS Renato da Silva Ramos Discente do curso de Ciência da Computação
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
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 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 maisAbordagens meta-heurísticas para o problema de localização de concentradores com restrições de capacidade
Abordagens meta-heurísticas para o problema de localização de concentradores com restrições de capacidade Wesley G. Almeida 1, Edson L. F. Senne 2, Horacio H. Yanasse 1 1 Instituto Nacional de Pesquisas
Leia maisUm algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
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 maisALGORITMO DE BUSCA TABU APLICADO NA SOLUÇÃO DO PROBLEMA DE MÚLTIPLAS MOCHILAS.
ALGORITMO DE BUSCA TABU APLICADO NA SOLUÇÃO DO PROBLEMA DE MÚLTIPLAS MOCHILAS MÜLLER, M. R. 1 ; FRANCO, E. M. C. 2 1,2 Universidade Estadual do Oeste do Paraná - UNIOESTE/Pós-Graduação em Engenharia de
Leia maisHeurísticas para um problema de dimensionamento de lotes com restrições de capacidade e custo transporte
Heurísticas para um problema de dimensionamento de lotes com restrições de capacidade e custo transporte Flávio M. Silva Depto de Engenharia da Produção, UFSCar 3565-905, São Carlos, SP E-mail: flaviomolinabr@yahoo.com.br
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 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 maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
EXPERIÊNCIAS COM SIMULATED ANNEALING E BUSCA TABU NA RESOLUÇÃO DO PROBLEMA DE ALOCAÇÃO DE SALAS Marcone Jamilson Freitas Souza Departamento de Computação, Universidade Federal de Ouro Preto Campus Universitário,
Leia maisUMA HEURÍSTICA DE REDUÇÃO DO ESPAÇO DE BUSCA PARA UMA CLASSE DE PROBLEMAS DE SEQUENCIAMENTO DE TAREFAS EM UMA MÁQUINA Bruno Ferreira Rosa, Marcone Jamilson Freitas Souza, Sérgio Ricardo de Souza Centro
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisABORDAGEM DE CAMINHO MÍNIMO PARA PROBLEMAS DE OTIMIZAÇÃO
ABORDAGEM DE CAMINHO MÍNIMO PARA PROBLEMAS DE OTIMIZAÇÃO Maria Cristina N. Gramani Universidade Presbiteriana Mackenzie Escola de Engenharia Departamento de Engenharia de Produção http://www.mackenzie.com.br/universidade/engenharia
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roteirização e Programação de Veículos PNV-2450 André Bergsten Mendes HEURÍSTICA DE INSERÇÃO DE SOLOMON (VRPTW) Exercício Para o problema de roteirização com janela de tempo
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisGeração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita
Geração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita Geraldo R. Mauri Universidade Federal do Espírito Santo - UFES mauri@cca.ufes.br Luiz A. N. Lorena
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 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 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 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 maisUm algoritmo genético híbrido para o problema quadrático binário irrestrito
Um algoritmo genético híbrido para o problema quadrático binário irrestrito Bruno de Athayde Prata (UNIFOR) bprata@unifor.br Resumo O problema quadrático binário irrestrito (Unconstrained Quadratic Binary
Leia maisMETAHEURÍSTICAS SIMULATED ANNEALING E BUSCA TABU APLICADAS NA RESOLUÇÃO DO QUEBRA-CABEÇA SUDOKU
METAHEURÍSTICAS SIMULATED ANNEALING E BUSCA TABU APLICADAS NA RESOLUÇÃO DO QUEBRA-CABEÇA SUDOKU SIMONE S. F. DE SOUZA¹, RUBEN ROMERO¹ ¹ Departamento de Engenharia Elétrica, Faculdade de Engenharia de Ilha
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisAnálise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível
Análise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível Antonio G. RODRIGUES, Leandro T. HOFFMANN e Arthur T. GÓMEZ Universidade do Vale
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisALGORITMO GENÉTICO COM BUSCA LOCAL APLICADO AO PROBLEMA DE JUST-IN-TIME JOB-SHOP SCHEDULING
ALGORITMO GENÉTICO COM BUSCA LOCAL APLICADO AO PROBLEMA DE JUST-IN-TIME JOB-SHOP SCHEDULING Rodolfo Pereira Araujo Universidade Federal de Viçosa Av. P.H. Rolfs, s/n, DPI Campus UFV 36.570-000 Viçosa,
Leia maisConstrução de um protótipo de framework
Construção de um protótipo de framework para otimização e seu uso na resolução do Problema de Roteamento de Veículos com Frota Heterogênea e Janelas de Tempo Tiago Araújo Neves, Marcone Jamilson Freitas
Leia mais11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados
Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)
Leia maisUnidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
1 CAPÍTULO O MÉTODO SIMULATED ANNEALING APLICADO EM LOCALIZAÇÃO E ROTEAMENTO Ferreira, Kamyla Maria 1 * ; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás
Leia maisBusca Tabu. Marcone Jamilson Freitas Souza. Universidade Federal de Ouro Preto
Busca Tabu Marcone Jamilson Freitas Souza Universidade Federal de Ouro Preto www.decom.ufop.br/prof/marcone Sumário Introdução Fundamentação Algoritmo básico Implementação da lista tabu Tamanho da lista
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 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 C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisSimulated annealing aplicado à resolução do problema de roteamento de veículos com janela de tempo
Simulated annealing aplicado à resolução do problema de roteamento de veículos com janela de tempo Aloísio de Castro Gomes Júnior Marcone Jamilson Freitas Souza Alexandre Xavier Martins Universidade Federal
Leia maisAvaliação de métodos heurísticos em sistemas de produção no-wait flow shop
Avaliação de métodos heurísticos em sistemas de produção no-wait flow shop Marcelo Seido Nagano (USP) - drnagano@usp.br Lucas Yamada Scardoelli (USP) - scarty@terra.com.br João Vitor Moccellin (USP) -
Leia maisProgramação de Escalas de Horários na Agricultura Irrigada utilizando o Método de Luus-Jaakola
Programação de Escalas de Horários na Agricultura Irrigada utilizando o Método de Luus-Jaakola Kennedy M. Fernandes, Instituto de Ciências Ambientais e Desenvolvimento Sustentável, ICADS, UFBA 47805-100,
Leia maisAlgoritmo Genético e Busca Local para o problema Justin-Time Job-Shop Scheduling
Algoritmo Genético e Busca Local para o problema Justin-Time Job-Shop Scheduling Rodolfo P. Araujo, André G. dos Santos, José E. C. Arroyo Departamento de Informática Universidade Federal de Viçosa (UFV)
Leia maisPedro Tiago Barbosa do Couto. Resolução de problemas de transporte rodoviário de cargas utilizando programação inteira DISSERTAÇÃO DE MESTRADO
Pedro Tiago Barbosa do Couto Resolução de problemas de transporte rodoviário de cargas utilizando programação inteira DISSERTAÇÃO DE MESTRADO DEPARTAMENTO DE ENGENHARIA ELÉTRICA Programa de Pós graduação
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisUM ALGORITMO HEURÍSTICO HÍBRIDO PARA O PLANEJAMENTO OPERACIONAL DE LAVRA
Anais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 c Sociedade Brasileira de Redes Neurais UM ALGORITMO HEURÍSTICO HÍBRIDO PARA
Leia maisUM MÉTODO HEURÍSTICO PARA O PROBLEMA DE DIMENSIONAMENTO E SEQUENCIAMENTO DE LOTES COM CUSTOS E TEMPO DAS PREPRARAÇÕES SEQUÊNCIA-DEPENDENTES.
UM MÉTODO HEURÍSTICO PARA O PROBLEMA DE DIMESIOAMETO E SEQUECIAMETO DE LOTES COM CUSTOS E TEMPO DAS PREPRARAÇÕES SEQUÊCIA-DEPEDETES. Maristela Oliveira dos Santos Departamento de Matemática Aplicada e
Leia maisREDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP
REDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP Marcelo Seido Nagano Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisMinimização da duração total da programação em sistemas de produção flowshop, sem interrupção de execução e tarefas
Minimização da duração total da programação em sistemas de produção flowshop, sem interrupção de execução e tarefas Fábio José Ceron Branco (EESC-USP) fbranco@hotmail.com R. General Glicério, 340, Centro,
Leia maisModelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora
Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em
Leia maisProgramação Linear: Profa. Silvana Bocanegra UFRPE - DEINFO
Programação Linear: Profa. Silvana Bocanegra UFRPE - DEINFO Tipos de Problemas 1. Dada uma variedade de alimentos, escolher uma dieta de menor custo que atenda as necessidades nutricionais de um indivíduo?
Leia mais