1.Introdução
Atualmente, no Brasil, as fundições estão presentes em todasasregiões,produzindodesdepeçassimplesdeusodo- mésticoatéasmaissofisticadas,comoautopeçasdeveícu-losepeçase/oupartesdemáquinaseequipamentosdeuso industrial.SegundoorelatóriodaABIFA-AssociaçãoBra-sileiradeFundição(2002),osetorproduziuemnovembro de2002umamédiade8.735toneladas/diaegeracercade 41.500empregosdiretos.
A grande maioria da produção brasileira de fundidos é fabricadaporfundiçõescativas,quesãodepartamentosde grandes empresas (tais como montadoras de automóveis) cujaproduçãoédestinada,basicamente,paraconsumopró- prio.Estasfundiçõescativasestãoorientadasparaaprodu-çãoemsérie,automatizadaefabricamgrandesquantidades decadaitem.Comisso,ademandadeempresasmenores queprecisamdoprodutofundidoemquantidadespequenas, comoasempresasquefabricamimplementosagrícolasepe-çasparamanutençãodemáquinas,éatendidaporfundições depequenoemédioportechamadasfundiçõesdemercado, quesededicamexclusivamenteàsvendasparaterceiros.
FORNONUMAFUNDIÇÃODEPEQUENOPORTE
SilvioAlexandredeAraujo DepartamentodeInformática,UniversidadeEstadualdeMaringá,
AvenidaColombo,5790,CEP87020-900,Maringá,PR, e-mail:silvio@din.uem.br
MarcosNereuArenales DepartamentodeCiênciasdeComputaçãoeEstatística,
InstitutodeCiênciasMatemáticasedeComputação, UniversidadedeSãoPaulo,C.P.668,CEP13560-970,SãoCarlos,SP, e-mail:arenales@icmc.usp.br
AlistairRichardClark FacultyofComputing,EngineeringandMathematicalSciences,
UniversityoftheWestofEngland,Bristol,BS161QY,England, e-mail:alistair.clark@uwe.ac.uk
Recebidoem15/5/2003 Aceitoem25/3/2004
Resumo
Estetrabalhotratadeumproblemapráticodedimensionamentoeseqüenciamentodelotesemumafundição.Existem doisníveisdedecisãointer-relacionados:programaçãodoforno,emqueumtipodeligaéescolhidoparaserproduzido emcadaperíodo,eplanejamentodasmáquinasdemoldagem,queespecificaaquantidadedecadaitemdeveserproduzida emcadaperíodo,istoé,dimensionamentodoslotes.Ummodelodeprogramaçãointeiramistaépropostoeummétodode soluçãobaseadoembuscalocalédesenvolvido.Oplanejamentodaproduçãoéfeitousandoatécnicadehorizonterolante, emquesomenteaprogramaçãoparaosperíodosimediatoséimplementada.Osresultadosdostestescomputacionaissão analisadosecomparadoscomosresultadosobtidosutilizandoumpacotecomercial.
Palavras-chave:programaçãointeiramista,planejamentoeprogramaçãodaprodução,fundições.
Nos últimos anos, as fundições de mercado vêm regis-trandoumgrandecrescimentoeapráticagerencialbaseada apenasnobomsensoenaexperiênciadoadministradorde processosnãotemsidosuficiente.FernandeseLeite(2002) fizeramumapesquisaem30fundiçõesdemercado,perten-centes aos cinco principais pólos do interior do estado de SãoPaulo,econcluíramque80%dasfundiçõestêminte-resseeminvestiremsistemasautomatizadosparagestãoda produção. Várias delas já possuem alguns sistemas infor-matizados,porexemplo,paraemissãodeordensdecompra eproduçãoeparacodificaçãodemateriais,porémapenas uma possui sistema informatizado para a programação da produção.
Este trabalho enfoca problemas de planejamento e pro- gramaçãodaproduçãoquesurgemnumafundiçãodemer-cadodointeriordoestadodeSãoPaulo.Emboraotrabalho sejadesenvolvidoparaumcasoparticular,podeserestendi- doparaváriasoutraspequenasemédiasfundiçõesquene-cessitamdeumamelhorianaestruturaorganizacional,mas dispõem de recursos escassos para investir em pesquisas, alémdenãoteremessacultura.
Revisões bibliográficas de trabalhos que tratam de pro-blemas de planejamento e programação da produção po-demserencontradasemBillingtonetal.(1983),Bahletal. (1987), Maes e van Wassenhove (1988), Goyal e Gunas-ekaran(1990),PottsevanWassenhove(1992),Kuiketal. (1994),DrexleKimmis(1997),PottseKovalyov(2000)e Karimiaetal.(2003).
Entretanto, existem poucos trabalhos que tratam de problemas de planejamento e programação da produção voltados para o setor de fundições. Dentre os trabalhos encontrados estão alguns do nosso grupo de pesquisa: Gonçalvez-ViannaeArenales(1995),Silva(2001),San-tos-Mezaetal.(2002),AraujoeArenales(2003)eAraujo eArenales(2004).
Foramencontradosnaliteraturapesquisadaalgunstraba- lhosrealizadosparagrandesfundiçõesquetratam,especi-ficamente,doproblemadeseqüenciamentodastarefasnas máquinas.SounderpandianeBalashanmugam(1991),Gra-veletal.(2000).Noentanto,agrandemaioriadostrabalhos encontradosnaliteraturatratadoproblemadeprogramação daproduçãoemgrandessiderúrgicas.Tangetal. (2001)fa-zemumarevisãobibliográficadetrabalhosdeplanejamento eprogramaçãodaproduçãoaplicadosàindústriadefabri-caçãodeaço.Váriostrabalhostratamdeproblemaspráticos encontradosemgrandessiderúrgicas:Petersenetal.(1992), Hamada et al. (1995), Bowers et al. (1995), Hendry et al.
(1996), Lee et al. (1996), Lopes et al. (1998),Tang et al.
(2000a),Tangetal.(2000b).
2.OProcessoprodutivo
Umfluxogramadoprocessoprodutivofoicriadoeéapre-sentadonaFigura1:
Alistadeitensdemandadoséorganizadanumacarteira depedidoscomtodasasespecificações,incluindoprazode entrega.Asinformaçõesdospedidosdosclientessãopassa- dasparaosetornoqualéfeitaaprogramaçãodaprodu-ção(1).Aprogramaçãoéfeitadiariamentedeacordocom acapacidadedaempresa.Ogerentedeprocessostomaas decisões baseadas no seu bom senso, dando preferência a itensqueestejamcomoprazodeentregabastanteatrasado eitenspedidosporclientes“especiais”(grandesclientesou clientesqueestãopressionando).Alémdisso,algunsitens sãofabricadosdeformaatentaraproveitaracapacidadeto-taldoforno,ouseja,éfeitoumencaixedeitensqueutilizam amesmaliga.Acarteiradepedidosépassadatambémpara osetordepreparaçãodosmodelos(2).Emgeral,osmo-delossãofornecidospeloclienteesãoutilizadosparafazer osmoldesdositens.
Asdecisõestomadaspelaprogramaçãodaprodu-ção são passadas para osetor de moldagem (4), que utiliza aareia como matéria prima (5)e os mode-los (3) para a fabricação dosmoldes (6). Osetor de programação da produçãotambém tem a função de definirquaisasligaseemquequantidadesserãopro-duzidas. As decisões são tomadas de acordo com os itens que deverão ser produzidos. Estas decisões são passadas para aformação das ligas (7), onde é fei-taamisturadematérias-primas(sucataseminérios deferro)(8)quedeveráformardeterminadaliga.Esta misturaéentãocolocadanofornoparaafusão(9).
Atualmente, a empresa utiliza apenas dois fornos, com capacidadede120kge360kgetempodefusãode45mi- nutose1horae55minutos,respectivamente.Devidoàlimi-taçãodaenergiacontratada,nãoépossívelautilizaçãodos doissimultaneamente.Alémdisso,nãoéaconselhávelque sejafeitaatrocadefornoduranteummesmodiadetraba-lho,devidoaoaltotempodepreparação.Noentanto,essas trocasvêmocorrendonaprática.
Umfornopodeserligadocomumacargaabaixodesua capacidadetotal(deve-seterpelomenos1/3dacapacida-detotal).Apesardasubutilizaçãodofornonãoseridealdo ponto de vista de programação, é preferível subutilizar o fornode360kg(sejáestiverligado)comapenas120kg, doquedesligarofornode360kgeligarode120kg.Em muitoscasosasubutilizaçãodofornoocorredevidoafalhas naprogramação,sendo,então,necessáriofazerumlotede itensquenãoutilizetodaacapacidadedoforno.Outrofato queocorre,devidoaomauplanejamento,éasobradeliga noforno,sendonecessáriodespejarolíquidonochãopara formarlingotes,queretornarãoparaoestoquedematéria-prima.Comoatualníveldeprodução,écomumocorrerem filasdemoldesesperandopelaligaquedeveserfundida.
Após a fusão, a liga é vazada nosmoldes (10) previa-mentepreparados.Otempodesolidificação,paraamaioria dasligas,édeapenas10minutos.Apósovazamentoéfeito umchoquetérmico,colocandoapeçanaágua.Oscanaisde
vazamentoemassalotessãoretiradosevoltamasermaté-10 1 2
l t = 1 t = 1...10
l 11 = 10 l12 = 10 l13 = 10
Dia 1 Dia 2 Dia 3 Dia 4
l14 = 10
Dia 5 Início:
Carteira de Pedidos
Preparação dos Modelos
Programação da Produção
Setor de Moldagem
Formação das Ligas
Matéria-prima Areia
Forno
Fim: Produto Final Moldes (1)
(2)
(7)
(4)
(3)
(5)
(9)
(6)
(11) (10) Matérias-primas Sucatas e Minérios
(8)
ria-prima (sucata). Finalmente, a peça é levada para um pequenoestoquedeprodutosfinais(11).
3.Modelagemmatemática
Como ocorre na maioria dos modelos matemáticos que representamproblemaspráticos,algumassimplificaçõesfo-ramconsideradasnomodeloapresentadonestaseção.Tais simplificaçõesviabilizamaresoluçãodomodeloenãocom-prometemmuitoarepresentaçãopráticadoproblema.
Na modelagem matemática é considerado apenas o forno maior(360kg).Cabelembrarquenãoépossívelautilização dosdoisfornosaomesmotempo,noentanto,emalgunscasos particulares,podeacontecerqueasomadospesosdasdeman- dasdetodosositensquedevemserproduzidosnumadeter-minadaligasejamenorque120kg,ouseja,abaixode1/3da capacidadedofornode360kge,portanto,nãoépossívelutili-zá-lo.Nestecaso,taisdemandasdevemserretiradasdacarteira depedidoseacumuladasnumacarteiraseparadaatécompletar umaquantidadedecargassuficiente,paraquesejamfeitasnum mesmodiadetrabalho,utilizando,nestedia,somenteoforno menor(120kg).Nocasodovencimentodoprazodeentrega dositens,queestãonacarteiraseparada,ocorrerantesquese tenhaumaquantidadesuficienteparaumdiadetrabalho,exis-teapossibilidadedesetrabalharnumsábadopelamanhã,em horaextra,comofornomenor.
Antes de apresentar o modelo matemático, serão feitas algumasobservaçõescomrespeitoàscaracterísticasdopro-blemapráticoemquestão.Acarteiradepedidosusadanos testescomputacionaistem26diferentesligas,asquaissão utilizadas para produzir 403 diferentes itens demandados. Cada item deve ser feito por uma única liga, os itens são demandadosemdiferentesquantidades(1a400unidades) etêmdiferentespesos(0,1Kga300Kg).Acapacidadedo fornoé360Kgporcargaecadacargademoraemtornode 2horas,sendopossívelfazernomáximo10cargasdoforno pordia.Umhorizontedeplanejamentode5diasésuficien- te,segundooproprietáriodaempresa,totalizando50perí-odos,secadacargadofornoforplanejadaseparadamente. Porfim,aminimizaçãodoatrasonoatendimentoàdemanda aparececomooprincipalobjetivodaempresa.
Nomodelodeprogramaçãointeiramistapropostoase-guir,ofornoéconsideradoogargalodoprocessoprodutivo eosseguintesdadossãoutilizados:
Índices:
k=1,...,K tiposdeligas;
i=1,...,N tiposdeitens;e
t=1,...,T períodosdetempo. Dadosdoproblema:
Cap-capacidadedofornoporperíodo;
L-númeromáximodecargasdofornopordia;
ρi-pesobrutodoitemi;
αi-diasdeatrasodoitemiquandot=0,istoé,noinícioda
programação(parapedidosquenãoestãoematraso,αi
rece-bevaloresnãopositivos,dependendodaquantidadededias
entreoiníciodaprogramaçãoeodiadeentregadopedidoe
αi=0significaqueoprazodeentregadoitemvencenodia
emqueestásendofeitaaprogramação);
βi-níveldeprioridadedoitemi (pormeiodestefatorépos-sível“forçar”quedeterminadoitemsejaproduzido);
dit-demandadapeçainoperíodot(set=L,2L,3L,...então
dit≥0senãodit=0);
S(k)-conjuntodeitensiqueusamaligak(cadaitemutiliza um,esomenteum,tipodeliga,ouseja:{1,...,N}=S(1)∪ ...∪S(k),S(h)∩S(j)=Ø,∀h≠j);
H–it-penalidadepeloatrasonaentregadeumaunidadedo
iteminoperíodot(set=L,2L,3L,...entãoHit–=ρiαiβi
senãoH–it=0); H+
it-penalidadeporantecipaçãodeumaunidadedoitemino
períodot(set=L,2L,3L,...entãoH+
it=ρisenãoH+it=0);e Sk-penalidadeporpreparaçãodaligak.
Variáveisdoproblema:
Xit-quantidadeproduzidadoiteminoperíodot; I+it-quantidadeestocadadoiteminoperíodot; I–it-quantidadeatrasadadoiteminoperíodot;
-variávelbinária( =1indicaqueofornoépreparado paraproduziraligaknoperíodot,casocontrário, =0);e
-variávelqueindicaseécobradoocustodepreparação paraaligaknoperíodot: =0 se ≥ e =1se < .Emboraestavariávelsejabináriaemessência, podesermodeladacomocontínua.
Modelo:
Minimizar (H–itI
–
it+H
+
tI
+
it)
+ (1)
Sujeitoa:
- +Xit-I+
it+I
–
it=dit i=1,...,N
t=1,...,T (2)
ρiXit≤Cap k=1,...,K
t=1,...,T (3)
- k=1,...,K
t=1,...,T (4)
t=1,...,T
(5)
∈{0,1}( =0) k=1,...,K
t=1,...,T (6)
≥0 k=1,...,K
t=1,...,T (7)
Xit≥0inteira i=1,...,N
t=1,...,T (8)
I+
iteI
–
it≥0 i=1,...,N
Antesdeexplicaraformulação(1)-(9)asseguintesobser-vaçõesdevemserfeitas:
i-ademanda(dit)assimcomoaspenalidadesporatrasoe antecipação(H–iteH+ it)sãopositivassomentenoúltimope-ríododecadadia.Comisso,essesvaloressãodiáriosna prática,oquefazmaissentidodoqueconsiderarqueesses valoressejampositivosacadacargadoforno,querepre-sentaalgumashoras;
ii-seummesmoitemi édemandadoemdiferentesperí-odos, serão considerados como diferentes itens, um para cada período. Esta consideração teve que ser feita para retratar o principal objetivo da fundição, que consiste na minimizaçãodonúmeromáximodediasdeatrasoparade- terminadopedido.Pararetrataresseobjetivo,foramasso-ciadaspenalidadesacadaitem(H–it)quecrescemdeacordo comonúmerodediasematraso(αi).Assim,se,noinício daprogramação,determinadoitemtemumademandaem atrasoetemtambémumademandaparaalgumdiaposte-rioraodiadoplanejamento,serãoconsideradosdiferentes valoresαi e,conseqüentemente,penalidadesdiferentesse-rãoassociadasaesteitem,levando-nosàconsideraçãode doisitensdiferentes.Emboraestesejaumfatorquepode aumentarbastanteotamanhodoproblema,issonãoocorre no caso prático em questão, devido às características da carteiradepedidos,naqual,raramente,setemumpedido paraomesmoitememdoisdiasdiferentes;e
iii-ofatodeconsideraritensdiferentesquandoexisteape-nasum,comprazosdeentregadistintos,nãocausafalsas preparações, pois as preparações são das ligas, as quais produzemdeterminadosconjuntosdepeçase,ositensdi- ferentes(quenaverdaderepresentamapenasum)segura- mentesãofabricadoscomamesmaliga.Osmodelosclás-sicos,queassociampreparaçõesaositens,criariamfalsas preparaçõesaodistinguiremitenscomprazosdistintos.
Naformulação(1)-(9),afunçãoobjetivo(1)procurare- trataramaiorpreocupaçãodaempresaqueconsisteemmi-nimizarosatrasosnaentregadospedidos.Paratanto,uma penalidadeéassociadaàsvariáveisI–it
querepresentamesto-quesnegativos,ouseja,atrasonoatendimentodademanda. Alémdisso,afunçãoobjetivominimizatambémaspenali-dadesporantecipaçãoassociadasàsvariáveisdeestoqueI+it.
No entanto, as penalidades por atrasos são muito maiores queaspenalidadesporantecipação.
Obviamente,odesejodenãoteratrasospoderiasermo-deladocomrestrições,oque,noentanto,poderiaintroduzir infactibilidadesdesnecessárias,umavezqueéadmissívelo atrasonoatendimentodademanda,ouseja,estoquesnegati-vos.AvariávelI–it
funcionacomoumavariávelartificialusa-daparaobterumasoluçãofactível.SeI–iT>0paraalgumi,
significaquenãofoipossívelatenderàdemandanohorizon- tedeplanejamentoestabelecidocomacapacidadedisponí-velnessehorizonte,poisexisteatrasonoúltimoperíodopara algumitem.Noentanto,seI–
it>0,paraalgumicomt≠Te
I–iT=0∀i,entãoexistecapacidadesuficienteparaproduzir
ademandadentrodohorizontedeplanejamentoestabeleci-do.Valeobservarque,osestoquesnegativoscorrespondem a atrasos e o gerente de programação pode, calibrando os parâmetros da função objetivo (1), proibir ou não atrasos decertositens.Alémdisso,osestoquesnegativosfornecem umaferramentaparaaavaliaçãodosprazosdeentrega.Por exemplo,sedi1=30eI–
i1=10,I–i2=5,I–i3=0,significaquea
demandaparaoitemiserátotalmenteatendidacom3dias deatraso.Destaforma,épossívelalertaroclientee,sene-cessário,recalibrarosparâmetrosrelativosaestapeça.
Ainda na função objetivo (1), existe uma terceira parcela que,assimcomoaspenalidadesporantecipações(H+t),temum
pesopequenoemrelaçãoàspenalidadesporatraso(H–
it).Esta
parcelaconsistenaspenalidadesporpreparaçãoqueéumvalor cobradodeformaaevitarastrocasdeligasentreperíodos.Es-tescustosdepreparaçãoforamacrescentadosaomodelopara representarodesejodaempresaemtentarminimizartaistrocas deligas.Alémdisso,emvisitasaoutrasfundiçõesfoipossível observarquetaiscustospodemserbastanteexpressivos.Por-tanto,omodelocompenalidadesporpreparaçãoémaisgerale facilitaaextensãoparaoutroscasospráticos.Noentanto,para oestudoemquestão,asdecisõescomrespeitoaqueitenspro-duziremcadaperíodosãotomadas,principalmente,deacordo comaspenalidadesporatrasos.
As restrições (2) são de balanceamento de estoque e consideramtantoestoquespositivoscomonegativos.As restrições (3) são devidas à limitação de capacidade do forno,emqueopesototaldaligaproduzidanoperíodoé limitadopelacapacidadedoforno.Asrestrições(3)asse-guramtambémqueitens,queutilizamdeterminadaliga, sópoderãoserproduzidosemdeterminadoperíodo,sea ligaforfundidanesteperíodo(Ykt=1significaquealiga képroduzidanoperíodot ).Mudançasdeligassãorepre-sentadaspelasrestrições(4).Asrestrições(5)garantem que apenas uma liga pode ser produzida em cada carga doforno.Pararepresentarumperíodoocioso(ondene-nhumapeçadeveserproduzida),amesmaligaqueestava sendofeitanoperíodoanteriorémantida,comisso,nãoé cobradonenhumcustodepreparação.
Devidoàscaracterísticasdaempresa,naqualexistemal- gunspedidosparaafabricaçãodeapenas1ou2itenspesa-dos,aintegralidadedasvariáveisdeproduçãoXitnãopodem ser relaxadas como na maioria dos modelos de dimensio-namentodelotes.Seriapossívelrelaxartaisvariáveispara algunsitenslevesquetêmquantidadesdemandadasrelativa- mentegrandes.Noentanto,comoositenstêmdeserfabri-cadosapartirdefornadasindividuais(nãoépossíveldeixar um molde com apenas 60% de liga e na próxima fornada completaromolde),taisitenssãobastanterepresentativos em cada fornada. Dessa forma, as variáveis de produção forammantidasinteiras,representandoumaclassedepro-blemas de dimensionamento de lotes em que tais não po-demserrelaxadas.AsvariáveisYk
tsãobinárias,sendoque, Yk
afunçãoobjetivoemconjuntocomasrestrições(4)fazem comqueassumam,naotimalidade,apenasvalores0ou1.
O modelo (1)-(9) tem algumas semelhanças com os modelosdedimensionamentoeseqüenciamentodelotes apresentadosemDrexleKimms(1997).Observequeas decisõesdeseqüenciamentojáestãoembutidas,quando sedeterminaaseqüênciadecargasdofornopelasvari-áveisYk
tEntretanto,deformadiferentedosmodelosde
DrexleKimms(1997),nosquaisapreparaçãoparaoitem
i numdeterminadoperíodopermiteaproduçãodesteúni-coitemnoperíodo,aquiapreparaçãodaligakpermitea produçãodeumconjuntodeitensqueutilizamaligak. Assim, a idéia desmall bucket está presente no modelo (1)-(9)deoutramaneira,ouseja,permiteaproduçãode umúnicoconjuntodeitensporperíodo,enãodeapenas umúnicoitem.Portanto,omodelo(1)-(9)podesercon-sideradoummodelodedimensionamento(variáveisXit)e seqüenciamento(variáveisYk
t)delotes.
4.Métododesolução
Omodelomatemático(1)-(9),oqualconsistenummo-delo de programação inteira mista, com os dados reais (N=403,K=26eumhorizontedeplanejamentode5dias), tem: 1.300 variáveis bináriasYk
t, 20.150 variáveis inteiras Xit,1.300variáveiscontínuasZk
t
e41.106variáveiscontínu-asI1
iteI–it.AotentarresolveresteproblemanumPentium
III500MHzcom512MBdememóriaRAM,utilizandoa linguagemdemodelagemAMPL(Foureretal.,1993)como
solverCplex7.1(ILOGCPLEX7.1,2001),nãofoipossível encontrarumasoluçãodeboaqualidade(verTabela1).
Poroutrolado,comoaspenalidadesporatrasosãosub-jetivamente estimadas e a carteira de pedidos é atualizada freqüentemente dentro do horizonte de planejamento, na prática, a solução ótima deste modelo requer ajustes peri-ódicos.Conseqüentemente,épossívelresolveroproblema
deformasatisfatória,usandomodelosmenoresqueincluem variáveisinteirassomenteparaosperíodosimediatos(para oproblemapráticoemquestão,serãoconsideradosperíodos imediatos apenas os períodos relativos ao primeiro dia de trabalho,ouseja,L=10cargasdoforno).Posteriormente,o horizonteéroladoprogressivamenteparaumanovaaplica-çãodomodelo(ClarkeClark,2000).
Portanto,napróximaseção,ummodelodehorizontero-lanteéproposto,noqualsomenteasdecisõesrelativasaos períodos imediatos são implementadas, posteriormente o horizonteéroladoeomodeloéaplicadonovamentecomas informaçõesatualizadasdedemanda,estoqueecapacidade.
4.1ModelodeHorizonteRolante
Paraaapresentaçãodomodelodehorizonterolantesão necessáriasasseguintesmodificaçõesnomodelo(1)-(9):
•Novodado:lt númeromáximodecargasdofornonoperí-odot,t=1,...,L,...,T;
• Redefinição deYk
tcomo:Y k
tnúmero de cargas do forno
comaligaknoperíodot;
•Substituiçãodasrestrições(5)por:
t=1,...,T. (5’)
Destaforma,umperíododetempotpodeterdiferentes tamanhos,dependendodovalordelt ,ouseja,podecorres-ponderaumaúnicacargadoforno(lt=1)ouaumconjunto decargas(lt>1),porexemplo,umdiatemlt=10.
Omodelodehorizonterolantepodeseraplicadoaopro-blemapráticoemquestãofazendo-se(lt=1,t=1,...,10)e programandoassim,oprimeirodiadeplanejamentodefor-madetalhada,considerandoperíodoscurtos,nosquaiscada carga é programada separadamente. Para os outros 4 dias de planejamento, basta considerar períodos grandes que agregamváriascargasdoforno(l11=10,l12=10,l13=10 el14=10).Oplanejamentoparaestes4diasfuturoséfeito
Tabela1.ResultadodoCplexaplicadoaomodelo(1)-(9).
TempodeBusca MelhorSoluçãoAtual(MS) MelhorLimitanteInferior(MLI) (MS-MLI)/MSGAP(%) B&BNósPes-quisados
30minutos NãoFactível --- ---
---52minutos 631.441 546.339 13,50 1.522
5horas 631.441 546.430 13,46 3.500
10horas 631.441 546.587 13,44 4.500
20horas 631.441 546.799 13,40 8.000
10 1 2
l t = 1 t = 1...10
l 11 = 10 l12 = 10 l13 = 10
Dia 1 Dia 2 Dia 3 Dia 4
l14 = 10
Dia 5 Início:
Carteira de Pedidos
Preparação dos Modelos
Programação da Produção
Setor de Moldagem
Formação das Ligas
Matéria-prima Areia
Forno
Fim: Produto Final Moldes (1)
(2)
(7)
(4)
(3)
(5)
(9)
(6)
(11) (10) Matérias-primas Sucatas e Minérios
(8)
apenasparaaavaliaçãodacapacidade.Portanto,épossível fazer um planejamento para 5 dias de trabalho, utilizando apenas14períodos,comoéilustradonaFigura2.
Asdecisõesrelativasaosdezprimeirosperíodosdetem-po (primeiro dia) são realmente implementadas, enquanto queasdecisõesparaosoutrosquatrodiassãoutilizadasape- nasparaquesetenhaumaavaliaçãodacapacidadedisponí-vel,dandotambémumaidéiadoquedeveráserproduzidoe depossíveisatrasos.Posteriormente,ohorizontedeplaneja-mentoéavançadoemL=10períodoseomodeloéaplicado novamentecomacarteiraatualizada.
Cabe observar que, as variáveisYtk são binárias para t=1,...,10,istoé,paraoprimeirodiadeprogramação,pois cadacargaéprogramadaseparadamente.Alémdisso,asva-riáveisZk
t
fazemsentidoapenasparaoprimeirodiadepro-gramação,sendosubstituídasasrestrições(4)por(4’).
- k=1,...,K
t=1,...,L (4’)
Parareduzirotamanhodoproblemaeotempocomputa-cional,ascondiçõesdeintegralidadedasvariáveisXit sãore-laxadasparaosperíodost=L+1,...,T.Omesmopoderiaser feitoparaasvariáveisYtk,masparaseterumaboaavaliação
dacapacidade,taisvariáveisforammantidasinteirasparaos períodost=L+1,...,T.Portanto,asrestrições(6)-(8)devem sersubstituídaspor(6’)-(8’’),dadasnomodeloaseguir.
Substituindo no modelo (1)-(9) todas as restrições pro-postasanteriormentenessaseção,surgeumnovomodelo,o qualchamaremosdemodelodeHorizonteRolante(HR):
ModeloHR:
Minimizar (H–itI
–
it+H
+
tI
+
it)+ (1)
Sujeitoa:
- +Xit-I+
it+Iit–=dit i=1,...,N
t=1,...,T (2)
ρiXit≤Cap k=1,...,K
t=1,...,T (3)
k=1,...,K
t=1,...,L (4’)
t=1,...,T (5’)
∈{0,1} k=1,...,K
t=1,...,L (6’)
≥0inteira k=1,...,K
t=L+1,...,T (6’’)
≥0 k=1,...,K
t=1,...,L (7’)
Xit≥0inteira i=1,...,N
t=1,...,L (8’)
Xit≥0 i=1,...,N
t=L+1,...,T (8’’)
I+
iteI–it≥0 i=1,...,N
t=1,...,T (9)
Ademandaédistribuídaparaosperíodosdeplanejamen-to,deacordocomasdatasdeentrega,daseguinteforma:as demandasdaspeçascomvencimentonodiadaprogramação foramcolocadasparaaúltimacargadoprimeirodiadepro-gramação,queequivaleaoperíodot=L=10;asdemandas comdatasdeentregamarcadasparaosquatrodiasposteriores, foramcolocadasnosperíodosposteriores,deacordocomoho-rizontedeplanejamento,ouseja,demandasparaodiaposterior (segundodia),recaemnoperíodot=L+1=11,paraoterceiro dianoperíodot=L+2=12,eassimpordiante.
OmodeloHRmantémsemelhançascomosmodelosdedi-mensionamentoeseqüenciamentodelotesdescritosemDrexl eKimms(1997).Asidéiaspresentesnomodelo GeneralLot-SizingandSchedulingProblem(FleischmanneMeyr,1997e DrexleKimms,1997)aparecemnomodeloHRdemaneira umpoucodiferente.Observequepodemserconsideradoscin-coperíodosgrandes(5dias),sendoqueoprimeiroperíodoestá subdivididoemdezsub-períodos,enquantoqueosoutrosqua-troperíodos,nãoestãosubdivididos.
O modelo HR aplicado a um horizonte de planejamento de5diascomosdadosreais(N=403,K=26eT=14)tem 260variáveisbinárias (t=1,…,L),104variáveisinteiras
(t=L+1,…,T),4.030variáveisinteirasXit(t=1,…L), 1.612variáveis contínuasXit(t = L + 1,…,T), 260 variáveis contínuas (t=1,…,L)e13.962variáveiscontínuasI+iteI
–
it.
CabeobservarqueasoluçãodomodeloHRnãoproduzuma soluçãoparaomodelo(1)-(9),poisapenasdezcargasdofor-no(umdia)sãoprogramadasseparadamenteeosoutrosdias sãoprogramadosdeformaaproximada.Entretanto,aoaplicar omodeloHRporcincovezes,atualizandoosdadosacadaapli-cação,chega-seaumasoluçãofactívelparaomodelo(1)-(9), tornandopossívelacomparaçãodosresultados.
ApesardomodeloHRsermenorqueomodelo(1)-(9), aindanãoépequenoosuficienteparaserresolvido,usando oCplex7.1,emtempocomputacionalrazoável.Amelhor soluçãoencontradadepoisdedezhorasapresentaumgap de5,19%(vejaTabela2).
problemaficaapenascom260variáveisbináriase19.968vari-áveiscontínuasepodeserresolvidoutilizandoopacoteCplex. Apósfixarasvariáveisbináriasparaoprimeirodia,nasegunda fasedométodoacondiçãodeintegralidadesobreas104vari-áveis (t=L+1,...,T)eas4.030variáveisXit(t=1,...,L) sãoreconsideradaseoCplexéutilizadonovamenteporalguns minutosparaobterumasoluçãointeirafactível.
Osresultadoscomputacionaisdométododehorizontero- lante,aplicadoemconjuntocomométodorelaxe-e-fixe(apre- sentadosnaSeção5),forammuitomelhoresquandocompara-doscomosresultadosdométododehorizonterolante,aplicado comtodasvariáveisinteiras,comodescritoanteriormente.Ob-servepelarestrição(3)que,paraosprimeirosL=10períodos, aofixarasvariáveis ,todasvariáveisXitquenãopertencem àligafixadapodemsereliminadas,facilitandoaresoluçãodo modelo,ouseja,umavezqueavariávelbinária éfixada em1,seguedasrestrições(3)queXit=0,paratodoi∉S(k).
4.2Buscalocal
ComoépossívelobservarnaSeção4.1,ométodorelaxe-e-fixeenvolvearesoluçãodedoisproblemasdeotimização inteira.Oprimeiro,emaisimportante(poisdecideasvariá- veisqueserãorealmenteimplementadasnasoluçãodopro-blemaprático),consisteemfixarasvariáveisinteirasparao primeirodia.Osegundoproblemaconsisteemdeterminar valoresinteirosparaas104variáveis (t=L+1,...,T)e paraas4030variáveisXit(t=1,...,L).
Voltandoaoprimeiroproblema,ummétododebuscalocal seráusadoparafixarasvariáveisbinárias (t=1,...,L).Os algoritmosdebuscalocal(oubuscaemvizinhança)(Reeves, 1993;Pirlot,1996eAartseLenstra,1997)caracterizam-sepor partiremdeumasoluçãofactívelinicial(quepodeserobtida porumaoutraheurística)ealterá-la,iterativamente,parasolu- çõesvizinhastambémfactíveis,mascommelhorvalordafun-çãoobjetivo,atéqueumcritériodeparadasejasatisfeito.
Considereumproblema:minF(s)sujeitoas∈S,emque
S éumconjuntodesoluçõesfactíveis.Nesteponto,éneces-sáriaadefiniçãodevizinhança.Paracadas∈S,épossível associarumconjuntoN(s)⊆Schamadovizinhançades, emqueN(s)éoconjuntodesoluções,àsquaisépossível chegar a partir des, com apenas uma operação elementar chamadamovimento,quedeveserdefinidaparacadapro-blemaespecífico.Ummétododebuscalocalcomeçacom umasoluçãoinicials0∈Se,acadapasson ,fazumatran-siçãoparaumanovasoluçãosn+1pertencenteàvizinhança
N(sn)dasoluçãoatualsn.Seasoluçãovizinhasn+1temo
valordafunçãoobjetivomelhorqueasoluçãosn,ouseja,
seF(sn+1)<F(sn),então,sn+1
éadotadacomoanovaso-lução.Senão,novassoluçõesvizinhaspodemsertestadasna tentativademelhorarasoluçãoatual.Senenhumasolução melhorforencontrada,abuscaéinterrompidaeasolução atualéconsideradaamelhorsoluçãoencontrada.
Explicaçõesmaisdetalhadasdemétodosdebuscalocal edeoutrosmétodosmaiselaboradoschamadosmeta-heu-rísticas podem ser encontradas em Goldberg (1989), Ree-ves(1993),Laguna(1995),Díazetal.(1996),GeneCheng (1997)eGlovereLaguna(1997).
Voltandoaocasopráticoemestudo,paraaplicarabusca localnafixaçãodas260variáveisbinárias (t=1,...,L), oprocedimentocomeçacomumasoluçãoinicial,quepode serobtidaaleatoriamente(ofatodeconsiderarestoquesne- gativospermiteaobtençãodeumasoluçãofactívelindepen-dentementedosvaloresde (t=1,...,L)).Comosvalores dasvariáveis (t=1,...,L)fixos,todasasoutrasvariáveis sãorelaxadaseoproblemalinearrestanteéentãoresolvi-do.Naiteraçãoseguinte,asvariáveis (t=1,...,L)são modificadas(representadoummovimentodabuscalocal)e oproblemalinearéresolvidonovamente.Acadaiteração, amelhorsoluçãoémantidacomosoluçãoatual.Quandoo critériodeparadaésatisfeito,asvariáveis (t=1,...,L) estarãofixadasnamelhorsoluçãoencontrada.
Devidoàscaracterísticasdoproblemaestudado(asquais serãocomentadascommaisdetalhesnaSeção5),nãofoi precisomuitoesforçoparasechegaraumacombinaçãode parâmetrosqueobtivesseboassoluçõesparaesteexemplo práticoparticular.Aseguirsãodadasalgumasexplicações sobreessesparâmetros.
A representação da solução consiste num vetor com
L=10 coordenadas, e cada coordenada representa a liga feitanacorrespondentecargadofornonoprimeirodiade programação.Porexemplo,asoluçãorepresentadapelove- tor(2,2,20,1,4,4,8,2,10,3)indicaquealiga2épro-duzidanasduasprimeirascargasdoforno,aterceiracarga éfeitacomaliga20,eassimpordiante.Asoluçãoinicial éconstruídaaleatoriamente,ouseja,cadacargadofornoé associadaaumaligadeformaaleatória.Ocritériodeparada consisteem1.000iteraçõesdabuscalocal.
Ummovimentobastantesimplesfoiconsideradoparamu- dardeumasoluçãoatualparaumasoluçãovizinha.Nestemo-vimentoumaposiçãodovetoréescolhidaaleatoriamenteea ligaqueestásendoproduzidaémodificadaparaoutraliga.Por exemplo,seasextaposiçãodovetoréescolhidaaleatoriamen-Tabela2.ResultadosdoCplexaplicadoaomodeloHR(apenasumavez).
TempodeBusca MelhorSoluçãoAtual(MS) MelhorLimitanteInferior(MLI) (MS-MLI)/MSGAP(%) B&BNósPesquisados
5minutos 622.004 512.482 17,61 250
1horas 622.004 537.269 13,62 6.200
5horas 622.004 540.933 13,03 25.500
6,5horas 571.128 541.152 5,25 32.450
teparasermodificadaealiga24éescolhida,então,anova soluçãoserá(2,2,20,1,4,24,8,2,10,3).Anovaligapode serescolhidaaleatoriamenteouusandoumaheurísticagulosa, commaiorprobabilidadedeescolhaparaasligasquetêmmais itensassociados(|S(k)|).Aseguiréapresentadoumalgoritmo parafacilitaroentendimentodométodo:
Algoritmo1(BuscaLocalaplicadaaoproblemaprático)
•Determinealeatoriamenteumasoluçãoinicial{ biná-rias,t=1,...,L};
• Relaxe as condições de integralidade das variáveisXit (t=1,…,T)e (t=L+1,...,T);
•Resolvaomodelolinearrestanteemantenhaasolução comoasoluçãoatual;
•FaçaITiteraçõese,emcadaiteração:
-Gereumasoluçãovizinha:selecionealeatoriamenteum períodot(1≤t≤L)e,então,escolhaqualanovaligak quedeveráserproduzidanesteperíodo.Emoutraspala-vras,fixeonovovalordasvariáveis ;e
-Resolvaomodelolinearrestanteemovaparaasolução vizinha, se esta for melhor que a solução atual (neste caso,asoluçãovizinhapassaaserasoluçãoatual).
• Pare e imprima a solução atual como a melhor solução (paraoproblemarelaxado)encontradapelabusca;e
•Fixeosvaloresdasvariáveis namelhorsoluçãoencontra-danopasso4.RestaureaintegralidadedasvariáveisXit(t=1, …,L)e (t=L+1,...,T) (Paratanto,utilizeumaheurísti-cadearredondamentoouumpacotedeotimizaçãointeira).
5.Resultadoscomputacionais
Paracompararodesempenhodosmétodosimplementados, dados reais foram utilizados. O primeiro método, denotado
porCPLEX,consistenummétodogeralembutidonopacote Cplexebaseadonatécnicabranch-and-bound ,ouseja,con-sistenaaplicaçãopuraesimplesdopacoteCplexaomodelo original(1)-(9),considerandoumhorizontedeplanejamento de5dias.Todasascargasdofornoforamplanejadassepara-damenteenumaúnicarodada,comomostraaFigura3,em queaslinhaspontilhadasdenotamqueascargasdodiasão programadasseparadamenteesãorealmenteimplementadas. Osegundométodo,chamadoCPLEX-HR,consisteemapli-caropacoteCplexnomodelodehorizonterolante(modelo HR)usandoométodorelaxe-e-fixedescritonaSeção4.1.Fi- nalmente,oterceirométodo,chamadoBL-HR,aplicaomé-tododebuscalocalaomodeloHR(Seção4.2).
Somente5diasdeplanejamentoforamconsideradospara compararosresultadosdosmétodosaplicadosnomodeloHR comométodoCPLEXaplicadoaomodelo(1)-(9),ouseja,o horizontedeplanejamentodosmétodosaplicadosaomodelo HR,nãofoiroladoalémde5dias,pois,casocontrário,não seriapossívelacomparaçãocomométodoaplicadoaomo-delo(1)-(9),noqualsomente5diassãoconsiderados.Desta forma,nosmétodosCPLEX-HReBL-HRaplicadosaomode-loHR,narodada1sãoconsiderados5diasdeplanejamento, massomenteasvariáveisrelativasaoprimeirodiasãorealmen-teimplementadas.Osdadossão,então,atualizados(istoé,os itensqueforamproduzidosnoprimeirodiadarodada1são subtraídosnacarteiradepedidos)eométodoérodadonova-mente(rodada2)programandododia2atéodia5.Noentanto, somenteasvariáveisrelativasaosegundodiadeplanejamento sãorealmenteimplementadas.Apóscincorodadas,os5dias sãodetalhadamenteprogramados.
Deve-se observar que, na prática, os 5 dias de planeja-mentodevemsermantidosemtodasasrodadas.Alémdisso, nodia-a-diadaprogramação,osdadosrelativosaos5dias deplanejamento,consideradosinicialmente,sãocomumente alterados(porexemplo,comnovasdemandas)antesquese
Dia 1 Dia 2 Dia 3 Dia 4 Dia 5
rodada 1
rodada 3 rodada 2
rodada 4 rodada 5
Resultado Final
Método CPLEX aplicado ao modelo (3.1)-(3.9)
Métodos CPLEX-HR e BL- HR aplicados ao modelo de horizonte rolante ( HR ) Dia 1 Dia 2 Dia 3 Dia 4 Dia 5
Dia 1 Dia 2 Dia 3 Dia 4 Dia 5
rodada 2 rodada 1
rodada 3
rodada 4
rodada 5
Dia 6 Dia 7 Dia 8 Dia 9
concluaestehorizontedeplanejamento.AFigura4explica comoométododehorizonterolanteéaplicadonaprática.
Paraobterosresultadoscomputacionais,primeiramen-te o método CPLEX é rodado por 10 horas (36.000 se- gundos)pararesolveromodelo(1)-(9)com5diasdepla-nejamento,programandocadacargaseparadamente.Para compararosoutrosdoismétodos,inicialmenteométodo BL-HRérodado25vezesparacadaumdos5diasdepla-nejamentoe,emcadaumadestas25rodadas,ométodoé reiniciadocomumanovasoluçãoaleatóriaeasiterações sãofeitasatéqueocritériodeparadasejasatisfeito.Des- taforma,acadarodada,osresultadospodemserdiferen-tesdevidoàaleatoriedadedabuscalocal(observequeos dadossãoosmesmosparaas25rodadas).Umamédiado tempocomputacional(sobreessas25rodadas)écalcula-daeentãoométodoCPLEX-HRérodadoporumtempo limitadoàmédiacalculada.
ATabela3mostraotempocomputacionaldecadarodada dométododehorizonterolante.Observequeotempodos métodosCPLEX-HReBL-HRsãoiguaisdevidoàlimita-ção imposta ao método CPLEX-HR. Eventualmente, uma soluçãoótimapoderiatersidoobtidaemtempoinferior,mas issonãoaconteceu.Comoonúmerodevariáveisdiminuia cadarodada,otempocomputacionaltambémdecresce.Ob-servequeostemposcomputacionaistotais,paraosmétodos baseadosnaestratégiadehorizonterolante(CPLEX-HRe BL-HR),sãomuitomenoresdoqueosdométodoCPLEX quenãoutilizaestaestratégia.
ATabela4comparaaqualidadedasolução(valormédio dafunçãoobjetivosobre25rodadasnocasodométodoBL- HR)dostrêsmétodos,considerandocadadiaseparadamen-teetambémasoluçãototalparaos5dias.
Observeque,quandoseaplicaométodoCPLEXparao
modelocompletocom5dias,programandocadacargase-paradamente,mesmorodandopor10horas,aqualidadeda soluçãoémuitopiordoqueaqualidadedassoluçõesobtidas pelosmétodosqueutilizamaestratégiadehorizonterolan-te(métodosCPLEX-HReBL-HR).Comparandoapenasos doismétodosqueutilizamhorizonterolanteépossívelob- servarqueométododebuscalocal(BL-HR)foiligeiramen-temelhorqueométodorelaxe-e-fixe(CPLEX-HR).
AorodarométodoCPLEX,limitantesinferiorespara o valor da solução dos 5 dias são gerados.A Figura 5 mostraomelhorlimitanteinferiorencontrado(depoisde 20 horas rodando o método CPLEX) e ogap entre este limitanteinferioreovalordassoluçõesencontradaspor cadaumdosmétodos.Observeque,ogapentreométodo BL-HReolimitanteinferiorédeapenas2,97%,ouseja, a solução encontrada pelo método BL-RH está relativa-mentepróximadasoluçãoótima.
Váriasestratégiasforamtestadascomointuitodemelho-rarodesempenhodabuscalocaltaiscomo,diferentestipos demovimentosmaiselaborados,técnicasdereduçãodevi-zinhança(Clark,2002)eestratégiasmeta-heurísticas,como, porexemplo,simulatedannealing.Noentanto,estesmétodos não melhoraram os resultados. Provavelmente isso ocorreu pelofatodaspenalidadesporatrasoseremmuitomaioresdo que as penalidades por antecipação e por preparação e, no exemplopráticoutilizado,porexistirumagrandequantidade depeçasatrasadas.Assim,aaltapenalidadeporatrasosfaz comquenãoexistaumtrade-offentrepreparaçãoeatrasoou entrepreparaçãoeantecipação,ouseja,sempreserámelhor minimizar os atrasos, mesmo que para isso sejam necessá-riasváriaspreparações,doqueatrasarmais,paradiminuiro númerodepreparações.Conseqüentemente,existempoucos ótimoslocaiseabuscalocalsimplesobtémbonsresultados
Tabela4.Valordafunçãoobjetivoparacadamétodo.
Métodos Dia1 Dia2 Dia3 Dia4 Dia5 5Dias
CPLEX 248.498 168.665 113.539 68.504 32.235 631.441
CPLEX-HR 236.057 159.903 103.358 56.267 18.153 573.739
BL-HR 236.082 156.883 100.192 54.211 18.211 565.580
Tabela3.Tempocomputacional(emsegundos) decadamétodo.
Métodos Dia1 Dia2 Dia3 Dia4 Dia5 5Dias
CPLEX ---- ---- ---- ---- ---- 36000
CPLEX-HR 960 852 564 444 276 3096
BL-HR 960 852 564 444 276 3096
Dia 1 Dia 2 Dia 3 Dia 4 Dia 5
rodada 1
rodada 3 rodada 2
rodada 4
rodada 5
Resultado Final
Método CPLEX aplicado ao modelo (3.1)-(3.9)
Métodos CPLEX-HR e BL- HR aplicados ao modelo de horizonte rolante ( HR ) Dia 1 Dia 2 Dia 3 Dia 4 Dia 5
Dia 1 Dia 2 Dia 3 Dia 4 Dia 5
rodada 2 rodada 1
rodada 3
rodada 4 rodada 5
Dia 6 Dia 7 Dia 8 Dia 9
174 Araujoetal.−DimensionamentodeLoteseProgramaçãodoFornonumaFundiçãodePequenoPorte semanecessidadedeestratégiasmeta-heurísticas.Entretanto, esteéumexemploparticulardeumcasoprático.Este tra-de-off podesurgirquandooscustosdepreparaçãosãoincre-mentados(masestenãoéoprincipalobjetivodafundiçãoem estudo,naqualsedeseja,principalmente,minimizaratrasos) ouquandootempodepreparaçãoéincluídonasrestrições decapacidade(tambémnãoéocasodoproblemapráticoem questão).Depoisdevisitaroutrasfundições,foipossívelob-servarque,emalgunsprocessos,otempodepreparaçãodeve serconsiderado.Destaforma,paradaralgumasdireçõespara futurostrabalhos,ométodofoirodadonovamentesubstituin-doasrestrições(3)por:
ρiXit+stkZ ≤CapY k=1,...,K
t=1,...,T(3’)
emque:stk representaaperdadecapacidadedevidoàpre-paraçãodaligak.
Omesmoconjuntodeexemplosfoirodadoconsideran-doestaperdadecapacidadeporpreparaçãoeosresultados computacionaissãoapresentadosnaTabela5enaFigura6.
Osresultadoscomputacionais,comainclusãodeperda decapacidadeporpreparação,mostramqueaqualidadedas soluções obtidas pelos métodos que utilizam a estratégia de horizonte rolante (CPLEX-HR e BL-HR) continuaram melhores que os resultados obtidos pelo método CPLEX. Alémdisso,osresultadosdométododebuscalocalBL-HR tambémsemantiveramligeiramentemelhoresdoqueosre-sultadosdométodorelaxe-e-fixe(CPLEX-HR).
OgapentreolimitanteinferioreométodoBL-HRcresceu
de2,97%para6,9%,sugerindoserpossívelmelhorarosresul-tados da busca local com estratégias meta-heurísticas. Desta forma,umnovotrabalhoestásendodesenvolvidonoqualum novomodeloépropostoconsiderandotemposecustosdepre-paraçãodependentesdaseqüênciaAraujoetal.(2004).
6.Conclusõesetrabalhosfuturos
Nestetrabalhotratamosdeumprocessoprodutivoquesurge numafundiçãodepequenoportedointeriorpaulista,que,em-borasejaumúnicocaso,representaumaparcelasignificativa dosetor.Oproblemafoimodeladomatematicamentecomoum problemadeprogramaçãointeiramista,cujoprincipalobjeti-vofoiaminimizaçãodosatrasosnoatendimentoàdemanda. Pararesolverestemodelo,foipropostoummétododebusca localemque,acadaiteração,umconjuntodevariáveiséfi-xadoeoproblemaéresolvidocomtodasasoutrasvariáveis relaxadas.Nofinaldabusca,umpacotedeotimizaçãointeiraé utilizadopara“arredondar”asvariáveisrelaxadasparavalores inteiros.Oplanejamentodaproduçãoéfeitousandoatécnica dehorizonterolante,noqualsomenteaprogramaçãofeitapara períodosimediatosérealmenteimplementada,depoisdissoo horizonteéroladoparafrenteeomodeloéaplicadonovamente comosdadosatualizados. Osresultadoscomputacionaismostraramqueaabordagem porhorizonterolantefoieficienteparaumexemploprático específico.Tentativasderesolveromodelo,utilizandoomé-todobranch-and-boundembutidonopacoteCplex,levaram umtempocomputacionalinviávelparaserutilizadonapráti- ca.Alémdisso,aqualidadedasoluçãoencontradapelopaco-tefoipiordoqueassoluçõesencontradaspelasabordagens porhorizonterolante,emparticularaheurísticaBL-HR.Isso mostraaimportânciadodesenvolvimentodemétodosdeso-luçãobaseadosemcaracterísticasespecíficasdoproblema.7.Agradecimentos
OsautoresagradecemoapoiodaFundaçãodeAmparoà PesquisadoEstadodeSãoPaulo(FAPESP)edoConselhoNa-cionaldeDesenvolvimentoCientíficoeTecnológico(CNPq). Figura5.Resultadosdos3métodosconsiderando cadadiaseparadamente.Figura6.Gapsdassoluçõesdecadamétodoconsiderando os5diasdeplanejamento.
Tabela5.Qualidadedasoluçãoparacadamétodo considerandoperdadecapacidadeporpreparação.
Métodos Dia1 Dia2 Dia3 Dia4 Dia5 5Dias
CPLEX 252.797 181.831 129.360 86.357 50.239 700.584
CPLEX-HR 240.789 165.440 109.255 64.197 23.835 603.516
BL-HR 240.994 161.827 105.857 61.585 24.099 594.363
0 50000 100000 150000 200000 250000 300000
Dia 1 Dia 2 Dia 3 Dia 4 Dia 5
CPLEX CPLEX-HR BL-HR
Gap = 14,40% Gap = 4,26%
Gap = 2,97%
0 100000 200000 300000 400000 500000 600000 700000 Métodos
Valor da Função Objetivo
Valor da Função Objetivo
Métodos
Valor da Função Objetivo
CPLEX CPLEX-HR BL-HR LI CPLEX
Gap = 26,00% Gap = 8,54%
Gap = 6,90%
0 100000 200000 300000 400000 500000 600000 700000 800000 CPLEX CPLEX-HR BL-HR LI CPLEX 0 50000 100000 150000 200000
Dia 1 Dia 2 Dia 3 Dia 4 Dia 5
CPLEX-HR BL-HR
Gap = 14,40% Gap = 4,26%
Gap = 2,97%
0 100000 200000 300000 400000 500000 600000 700000 Métodos
Valor da Função Objetivo
Valor da Função Objetivo
Métodos
Valor da Função Objetivo
CPLEX CPLEX-HR BL-HR LI CPLEX
Gap = 26,00% Gap = 8,54%
Gap = 6,90%