Uma Publiação daSoiedade BrasileiradeMatemátiaApliadaeComputaional.
Algoritmo Híbrido para Resolver o Problema de
Esalonamento Job Shop om Inertezas
M.B. CARVALHO 1
, DQE - Departamento de Químia e Exatas, UESB - Univ
EstadualdoSudoestedaBahia,45026-190Jequié,BA,Brasil.
A. YAMAKAMI, DT - Departamento de Telemátia, UNICAMP -
Universi-dadeEstadualdeCampinas,13083-852Campinas,SP,Brasil.
T.R.BONFIM, Inovação,EduaçãoeSoluçõesTenológias,1309-1605Campinas,
SP,Brasil.
Resumo. OproblemadeesalonamentodotipojobshopéonsideradoNP-difíil.
Emapliaçõesreais,otempodeproessamentodeadatarefaémuitasvezes
impre-iso. Nestetrabalhoéabordadooproblemadeesalonamentodotipojobshop,onde
otempodeproessamentodasoperaçõesérepresentadopornúmerostriangulares
fuzzy (NTF).Oobjetivodoproblemaéenontrarumesalonamentoqueminimize
omakespanfuzzy. Naabordagemproposta,trabalhamosomoalgoritmomemétio
(MA)eoalgoritmo desistemadeolnia deformigas(ACS)pararesolvero
pro-blema. UmahibridizaçãodestasduasabordagensdenominadaMA-ACS(CC-MO)
éproposta,eparaompararaeiêniadaabordagemérealizadaumaomparação
entretrês algoritmos AG-ACS,MA-ACS(MO)e MA-ACS(CC-MO),utilizando 8
problemasdoOR-Library.
Palavras-have. JobshopFuzzy, sistemadeolniadeformigas, algoritmo
me-métio.
1. Introdução
Muitos trabalhos propostos naliteratura baseiam-se na ondiçãode quetodos os
dadosdoproblemasão onheidos. Entretanto, estasuposiçãopodetrazer
diul-dadesnaprátia,poisemproblemasreaispodemhaverinertezasemumnúmerode
fatores,omo disponibilidade deequipamentos, temposde proessamento,tempos
detransporteeustos. Assim,nestesasos,assoluçõesgeradasutilizandomodelos
ominertezasertamente deixarãooproblemamaispróximodarealidade.
Alógiafuzzy introduzida porZadehem 1965 [12℄ éummeio deaproximar a
preisãodamatemátialássiaàinexatidão domundo real. Estateoriaonsegue
manipulareoperarquantidadesexatas einexatasquantiadas atravésde valores
linguístios.
Oproblema de esalonamento fuzzy foi formuladoporDubois et al. em 1995
[4℄, omo umproblema de otimização om satisfação de restriçõesfuzzy, onde as
1
restrições assoiadas ao problema são representadas por um onjunto fuzzy. No
problemade esalonamentojob shop fuzzy (JSSPF), ostemposde proessamento
das operaçõessão impreisos. Desta forma, a noção deesalonamento ótimo é
onsideradatambémimpreisa,jáqueumesalonamentoéavaliadoatravésdeum
númerofuzzy. Nesteaso,anoçãodeesalonamentoótimoéavaliadoseguindoum
ritériodeordenaçãoentreosvaloresdosesalonamentos. Esseritérioéimportante
epodeserutilizadoemsituaçõesondesetemváriosesalonamentosesequersaber
qualéomelhorentre eles.
OJSSPFéumproblemadealtaomplexidadeomputaional,vistoqueos
tem-posdeproessamentosdastarefassãonúmerosfuzzy eaomparaçãoentre estesé
diíl, sendoàs vezesimpossíveldeterminarqualomelhor. Devidoaisso,muitos
trabalhos da literatura utilizam índies de defuzziação, para assim resolverum
problema lássio(risp). Outros, utilizam algum métodode ordenação
(rankea-mento) denúmerosfuzzy, que assoia aada númerofuzzy umvalor risp, e om
este valor resolvem umproblema lássioassoiado. Ou ainda, utilizam métodos
deordenaçãolexiográaouomparaçãobaseadaem
α
-ortes,omoobjetivodeotimizarumesalonamentoemtermosdomakespan fuzzy.
Dentreosprinipaistrabalhosdaliteratura,algunsqueonsideramos
importan-tessão: [[2℄,[5℄,[6℄,[8℄, [9℄℄.
Em[2℄,oproblemaéresolvidoutilizandoumalgoritmomemétioompopulação
estruturada. Para avaliar qualé omakespan de ada indivíduo, oautor utiliza o
oneitodepossibilidade. Omakespan éaluladoatravésdeumajaneladetempo
ondeadavalorérepresentadoporumnúmerorisp assoiado.
Umadasprimeirasapliaçõesqueonsideraainertezanosparâmetrosdetempo
é enontrado em [5℄. Nele, o autor resolve oproblema de job shop modelando o
tempo de duraçãodastarefas omo númerosde seis-pontosfuzzy, omoobjetivo
deminimizaromakespan. Omakespan éobtidoatravésdaomparaçãodenúmeros
fuzzy,utilizandooalgoritmoSimulatedAnnealing.
Em[6℄, os autorespropõem umalgoritmomemétio para resolvero problema
job shop fuzzy e introduzem um modelode esalonamento baseadonovalor
espe-rado do makespan. Este valor, assoia a ada variável fuzzy, um valor esperado
e, assim, resolve o problema om o objetivo de minimizar o makespan esperado
(
E[C
max
(x, ξ, ν)]
).Em[8℄,asinertezasnostemposdeproessamentosãomodeladasusandotanto
NTF,omo
λ
-ortes. Osautoresminimizamomakespan,resolvendooproblemadojobshop risp queresultadadefuzziação dostemposdeproessamento.
Em[9℄, osautores propõem um algoritmode Partile Swarm ombinado om
operadoresgenétiosdenominadoGPSO,pararesolveroproblemadejobshop om
tempodeproessamentofuzzy. Otempodeproessamentodasoperaçõesédesrito
por NTF,eoobjetivoé enontrarumesalonamentoque minimizeomakespan e
sua inerteza. Os autores utilizam um método de lassiação de números fuzzy
paraestimarovalordomakespan fuzzy esuainerteza.
Ostrabalhos itados aima, possuema desvantagem de lidarem somente om
umproblema assoiado, ou seja,em todosostrabalhos éutilizadoalgum método
queassoiaumnúmerorealaonúmerofuzzy, paraentãoenontraromakespan do
mantendoainertezaemtodoproessoderesoluçãodoproblema.
2. Modelagem matemátia do job shop fuzzy
Seja
m
,umonjuntodemáquinasen
,umonjuntodetarefas. SejaO
= 0,
· · ·
, n
−
1
o onjunto de operações. Neste problema, todas as tarefas possuem a mesmaquantidadedeoperações,queé igualao númerodemáquinas. Seja
A
, oonjuntodeparesordenadosdeoperaçõesrestringidosporrelaçõesdepreedêniaparaada
tarefa. Paraadamáquina
k
,oonjuntoE
k
,desreveoonjuntodetodososparesdeoperaçõesaseremexeutadasnamáquina
k
. Paraadaoperaçãoi
, seutempode proessamento
p
˜
i
éxado,eotempopossívelparainíio doproessamentodaoperação
i
namáquinal
éti
˜
il
,queéumavariáveldeterminadaduranteaotimizaçãodoproblema.
Oobjetivoéminimizarotempototalgastoentreoiníiodaprimeiraoperação
e o término da última operação, que representa o makespan
M
˜
. A variávelM
˜
representaotemponal
tf
˜
il
deexeuçãodatarefamaisoupada. Cadaparâmetrode tempo doproblemaé umnúmero fuzzy, eovalor do makespan érepresentado
porumNTF.Omodelomatemátioparaesteproblemaéaraterizadoàseguir.
Min
M
˜
=
M AX
| {z }
1
≤
l
≤
m
{
tf
˜
il
}
,∀
i
;0
≤
i
≤
n
−
1
sujeitoà
:
˜
ti
jk
−
ti
˜
ik
≥
p
i
;
∀
(i, j)
∈
A,
∀
i; 0
≤
i
≤
n
−
1,
∀
j; 0
≤
j
≤
n
−
1
˜
ti
jk
−
ti
˜
ik
≥
p
i
outi
˜
ik
−
ti
˜
jk
≥
p
j
;
∀
(i, j)
∈
E
k
,
∀
k; 0
≤
k
≤
m
−
1
˜
ti
ik
≥
0;
∀
i
∈
O,
∀
i; 0
≤
i
≤
n
−
1,
∀
k; 0
≤
k
≤
m
−
1
Nestemodelomatemátio,aprimeirarestriçãoasseguraqueasequêniade
pro-essamentodasoperaçõesemadatarefaorrespondeaumaordempré-determinada.
A segunda restrição, assegura que existe somente uma tarefa sendoatendida por
uma máquina, em um determinado momento. E, a tereira restrição, assegura a
exeuçãodetodasasoperações. Qualquersoluçãoqueatendaessastrêsrestrições,
éhamadadeesalonamento.
2.1. Tempo de proessamento fuzzy
Emapliaçõesreais,frequentementenosdeparamosomsituaçõesondeotempoque
uma tarefalevaparaserproessadanumadeterminadamáquinanão éonheido.
Desta forma, na literatura é omum utilizar números fuzzy para representar um
tempode proessamentoinerto. Esta inerteza, dentroda teoriafuzzy, pode ser
modeladautilizandoNTFdaforma
A
e
=(a
i
, a
m
, a
s
),ondea
m
éovalormodal,eosespalhamentosinferioresesuperioressão
a
i
ea
s
,respetivamente.ATabela 1,apresentaumainstâniageradaparaumproblemaom3tarefase
3máquinasomtemposdeproessamentoinerto. Paraageraçãodesses números,
foi utilizadoo benkmark [11℄, ondeo valor modal
a
m
orrespondeao valor risp deste benkmark e, os espalhamentos a esquerda (a
m
−
a
i
) e a direita (a
s
−
a
m
)Tarefas Ordemdasoperações(máquina,tempodeproessamento)
1
O
11
(1,
[2.40,
3,
3.23])
O
12
(2,
[2.45,
3,
3.35])
O
13
(3,
[2.00,
3,
3.36])
2
O
21
(1,
[1.18,
2,
2.79])
O
23
(3,
[2.22,
3,
3.44])
O
22
(2,
[3.37,
4,
4.31])
3
O
32
(2,
[2.41,
3,
3.44])
O
31
(1,
[1.63,
2,
2.31])
O
33
(3,
[0.96,
1,
1.61])
Tabela1: Instâniadoproblemajob shopfuzzy (
3
×
3
).Na instânia exempliada aima, a ordem de proessamento das tarefas nas
máquinasépré-estabeleida. DeaordoomaTabela1,atarefa1preisaser
pro-essadainiialmentenamáquina1,omtempofuzzy [2.40,3,3.23℄,emseguidapela
máquina2,omtempofuzzy [2.45,3,3.35℄eassimpordiante. Umesalonamentoé
fatívelquandoaordemdasoperaçõesépreservada.
2.2. Relação de ordem
Paradeterminaromakespandoproblema,éutilizadooalgoritmopropostopor[7℄,
omalgumasmodiações. Estealgoritmotemomonalidadeenontrartodosos
aminhos não-dominados entre onó origem e o nódestino, e utiliza arelação de
ordempropostaem[10℄. Noalgoritmoproposto,utiliza-seNTFeédeterminadoo
seguinteritériodedominâniaparialfuzzy [10℄.
Denition 2.1. (Dominânia Parial) Sejam
e
A
= (a
i
, a
m
, a
s
)
ee
B
= (b
i
, b
m
, b
s
)
dois NTFe
ε
∈
[0,
1]
,entãoe
A
dominae
B
omgrauε
,denotado pore
A
≺
ε
B
e
,se, esomente se,
a
m
≤
b
m
,(a
i
)
ε
≤
(b
i
)
ε
,(a
s
)
ε
≤
(b
s
)
ε
eA
e
6
=
B
e
.2.3. Comparação de números triangulares fuzzy
AomparaçãoentreosNTFéumreursoutilizadonodesenvolvimentodoalgoritmo
proposto neste artigo,pois éneessário, entre vários númerosfuzzy, denirqualé
omaioroumenor. Ométododeomparaçãoutilizado[3℄, onsisteemdenirum
número real que represente oNTF. A seguirserãoapresentados os 3 ritériosde
omparaçãodenúmerosfuzzy,utilizadosparaordenarosNTF.
Cr
1
(˜
a) =
a
i
+ 2a
m
+
a
s
4
,
Cr
2
(˜
a) =
a
m
,
Cr
3
(˜
a) =
a
s
−
a
i
Primeiramente,tenta-seordenarosnúmerosde aordoomoprimeiro ritério
de ordenação. Se estenão propiiaruma úniaordem linear,osegundoritérioé
utilizado. Se este também não for suiente, utiliza-se entãoo tereiro ritério a
mdeseobteruma sequêniaordenada.
3. Modelagem por grafo disjuntivo fuzzy
Aaraterístiafuzzy deumproblemapodeserenontradaem diversosníveis: da
estruturadografo(nósearestas),aosparâmetrosassoiadosaografo(usto,tempo,
et). Problemas omestrutura de grafo risp e parâmetrosfuzzy éum dos mais
estudados da literatura. Estes são problemasem que a estruturado grafo ébem
onheidaerígidaeosparâmetrosassoiadossãorepresentadospornúmerosfuzzy.
Umdosproblemasdegrafosomparâmetrosfuzzy maisestudadosnaliteratura
quepodesermodeladonaformadegrafoomparâmetrosfuzzy,bastanteomplexo
eestudadonaliteratura,éoproblemadeesalonamentotipojob shop.
Iniialmenteestesdoisproblemasnãoapresentamnenhumarelaçãoemomum,
já que o objetivo do problema de aminho mínimo é enontrar um menor
ami-nhoentredoisnósdografo,ouseja,minimizarafunçãoobjetivo(
min
{
f
(x)
}
)eoobjetivodo problemadejob shop, éminimizaromakespan (aminhomáximo)do
grafo,ouseja,
min
(max
{
f
(x)
}
). Entretando,podemosestabeleerumarelação en-treestesdoisproblemas,oqueébastanteinteressante,poisoproblemadeaminhomáximoé
N P
-ompletoenão existealgoritmoexatopararesolvê-lo.Em[7℄,épropostoumalgoritmodeaminhomínimo,baseadonoalgoritmo
lás-siodeBellman-Ford-Moore(FBM),quepodeserapliadoemgrafosom
parâme-trosnegativosfuzzy. Destaforma,zemosasmodiaçõesneessáriaseutilizamos
estealgoritmoparaalularoaminhorítio(makespan)paraoproblemajobshop
fuzzy.
NamodelagemdoJSSPF atravésdografodisjuntivoomparâmetrosinertos,
ostemposdeproessamentodastarefasnasmáquinassãorepresentadosporNTF
(Figura 1). Na literatura, não foi enontrado nenhum trabalho que resolve este
problema, modelado através de grafo disjuntivo om parâmetros inertos, sendo
estamaisumajustiativaparaoalgoritmopropostoneste trabalho.
Figura1: Grafodisjuntivoomparâmetrosfuzzy doJSSPF(
n
= 3
em
= 3
).Iniialmenteografodisjuntivofuzzy nãorepresentaumasoluçãoparaoJSSPF.
Quandotodasasdireçõesdosarosdisjuntivossãodenidas,obtém-seumgrafo
di-reionado,seestegrafodireionadoforaílio,temosumasolução(esalonamento)
fatívelparaoproblema. Paraalularomakespan,bastaalularoaminhorítio
do grafoaílio fuzzy. Este aminhoé determinadopela maiordistânia entre o
nóiniialeonónaldografoomparâmetrosinertos,eseráaluladodeaordo
3.1. Algoritmo para alular o makespan do problema job
shop fuzzy
Em[7℄,épropostoumalgoritmoparaenontraroaminhomínimoemgrafosom
parâmetrosfuzzy. Talalgoritmo é baseadono algoritmo lássioFBM [1℄, e
uti-lizaarelaçãodeordem(Seção 2.2.)paradeterminaroonjunto deaminhos
não-dominados. Desta forma, iremos adaptar o algoritmo proposto em [7℄, a m de
alularomakespan doJSSPF.
4. Abordagem proposta
Devidoa omplexidadedoproblemade esalonamento dotipojob shop, os
méto-dosheurístiossãoreomendadospararesolvê-lo. Emsetratandodeumproblema
ondeotempodeproessamentodastarefassãorepresentadosporNTF,essa
om-plexidadeaumenta,sendoneessáriaumareformulaçãosigniativadoproblemae
métodoseientesparasoluioná-lo.
Nestetrabalho, propomos umalgoritmohíbridoquetrabalha omoalgoritmo
deolniadeformigas(ACS)eoalgoritmogenétioombusaloal,maisonheido
omo algoritmomemétio (MA), para resolvero problemade esalonamento tipo
jobshopomtempodeproessamentoinerto. Oalgoritmodeolniadeformigasé
utilizadoparariarumapopulaçãoiniialdeesalonamentosfatíveis,eoalgoritmo
memétioéutilizadoparamelhoraressesesalonamentos.
Oalgoritmohíbridoé utilizadopara enontrarboas soluçõespara o problema
e, para avaliar amelhor solução,éutilizado ométodode omparaçãodesritona
Seção2.3.,quetêmanalidadededenirentreváriosnúmerosfuzzyqualéomaior
oumenor.
4.1. Algoritmo híbrido de sistema de olnia de formigas e
genétio para o problema do job shop fuzzy
Um oneito importante e rítio na exeução de um algoritmo é a esolha da
representação de possíveis soluções para o problema. Neste trabalho, o JSSPF
(Tabela1) érepresentadoporumgrafodisjuntivofuzzy (Figura1) eadasolução
érepresentada atravésde umvetor
V
den.m
+ 2
olunas,onden
é onúmerodetarefase
m
onúmerodemáquinas. Cadaampodovetorv
k
om1
≤
k
≤
n.m
+ 2
,épreenhidoporumnúmero
k
queindiaonúmerodonó,nografodisjuntivo. Estevetor,possuiumasequêniaqueorrespondeaordemqueastarefassãoatendidas
nasmáquinas.
1. Geração da população iniial: Oprimeiropasso doalgoritmohíbridoé
ageraçãodapopulaçãoiniial,quefoigeradautilizandooalgoritmodeolniade
formigas.
2. Cálulo do makespan: Paraalularomakespan doJSSPF,foi utilizado
oalgoritmoindiadonaSeção3.1.. Estealgoritmoenontratodososaminhos
não-dominadosentreonóiniialeonónal,sendoneessáriaautilizaçãodeummétodo
apazdedeidirqualéomaiorentreosvaloresenontrados,poisesterepresentao
3. Passos seguintes do algoritmo híbrido: Os passos seguintes do
algo-ritmohíbrido,ondesãoexeutadososoperadoresgenétioseosmétodosdebusa
loal, são realizados enquanto oritério de parada não for alançado. O ritério
deparadautilizadofoi onúmerodegerações. Osoperadoresgenétiosexeutados
nestealgoritmoforamorossover eamutação,elessãoapliadosnografodisjuntivo
fuzzy.
4. Operadores genétios: Orossover érealizado entredoisindivíduospais
dapopulação,gerandodoisnovosindivíduos. Nestaoperaçãogenétia, ésorteado
umatarefadosindivíduospais,eaordemdeloalizaçãoqueestastarefasapareem
nosindivíduoslhosépreservada. Orestantedoromossomodolhoépreenhido
deaordoomaordemqueasoutrastarefasapareemnopai.
Amutaçãoérealizadaemumindivíduopai,gerandoumindivíduolho. Neste
trabalho, a mutação utilizadafoi a denominada mutação inversiva. Nela
esolhe-se aleatoriamente duas sequênias de tarefase faz a troa entre elas. As demais
tarefasdoromossomopermaneemnamesmaordem. Osoperadoresderossover
emutaçãosãoapliadosomprobabilidades
P
c
eP
m
,respetivamente.5. Metodos de busa loal: Na literatura, existem diferentes métodos de
busa loal que são adiionadas ao algoritmogenétio. Neste artigo, o algoritmo
proposto iniialmente gerauma populaçãode soluçõesfatíveis, ordenade aordo
omseu valor de tness e, então, aplia-seosoperadoresde rossover emutação
paragerarapopulaçãodapróximageração.
Oobjetivodabusaloal,émelhorarasoluçãoobtidanapopulaçãoiniial,ou
pelosoperadoresderossover emutação. Porisso,nestetrabalho,abusaloalé
realizadaapenasnomelhorindivíduodapopulação,sendoque,estenovoindivíduo
sóé aeito para a próxima geração,se melhoraraqualidade da soluçãoorrente,
asoontrárioeleédesartado. Nesteaso,propomostrêsténiasdebusasloais
queserãodesritasaseguir.
1. Troade Tarefas Adjaentes noCaminhoCrítio (CC)
Nestaténiadebusaloaloaminhorítiodeadasoluçãoéalulado. Em
seguida,dentrodesteaminhorítiosãoidentiadososparesdetarefasadjaentes
pertenentesamesmamáquinae,então,érealizadaamudançadedireçãoentreos
arosqueligamestastarefasadjaentes.
Amudançadedireçãodosarospertenentesaoaminhorítiodeadasolução
representaamudançadedireçãodosarosdisjuntivos(arospertenentesàmesma
máquina)nográodisjuntivo. Éimportantelembrarqueestamudançadedireção
dosarospoderesultar emum esalonamentoinfatível. Porestarazão, antes de
aeitaratroadosaros,éneessárioveriarafatibilidadedoesalonamento. Na
Figura2,ilustramosumexemplodesoluçãoparaoproblemadaTabela1.
Seja
V
1
,oromossomoquerepresentaumasoluçãodoproblema(Figura2(a)),V
1
= (1
→
5
→
2
→
3
→
8
→
6
→
4
→
9
→
7
→
10
→
11)
eseja
cc
1
seuaminhorítiorepresentadopelografoaílio(Figura2(a)).cc
1
= (1
→
5
→
2
→
3
→
8
→
7
→
11)
O makespan fuzzy de
V
1
é [11,81 15 17,03℄ unidades. A busa loal CC, éFigura2: Grafodisjuntivo: (a)antesdeapliarabusaloal,(b)depoisdeapliar
abusaloalCC.
e2. Uma mudançadedireçãoentre osarosqueligamestes nós(Figura2(b))é
realizadadandoorigemaumanovasolução
V
2
.V
2
= (1
→
2
→
5
→
3
→
8
→
6
→
4
→
9
→
7
→
10
→
11)
Estanovasolução(esalonamento)têmmakespan de [10,631314,33℄unidades
eaminhorítio
cc
2
,representadopelo grafoaílio(Figura2(b)).cc
2
= (1
→
2
→
3
→
8
→
7
→
11)
Comopode servistonasFigura2(a)eFigura2(b),amudançadedireçãodo
aro que liga onó 5 ao nó 2, resultou na inversão da direção entre os arosque
pertenem a
m
1
. Isto fez omque a soluçãoresultanteV
2
obtivesse um valor detness menor.
2. Troade Tarefa naMáquina mais Oiosa (MO)
Resolveroproblemadejobshopgeralmentegerasoluçõesondeoesalonamento
tem gaps entre as tarefas nas máquinas. Estes gaps, surgem no esalonamento
devidoàs restriçõesde preedêniasimpostasàstarefas. Uma grande quantidade
de gaps numa máquina faz om que ela que oiosa, o que aumenta o valor de
makespan doesalonamento.
Figura3: ExemploparaMO:(a)antesdabusaloal,(b)depoisdabusaMO.
A busa loal MO identia a máquina oiosa no esalonamento, e a tarefa
andidataque seráremanejada paradentro deumgap, amdeobter ummelhor
esalonamento, reduzindo o valor do makespan. Esta regra de troa de tarefas
adjaentes na máquinasomente será permitida, se oesalonamento resultante for
gráode Gantt(Figura 3 (a)), amáquina oiosaé a
M
3
. Desta forma, abusaloal seráapliadanesta máquina. Como
J
3
éproessadoapósJ
1
nesta máquina,podemosaloar
J
3
antesdoJ
1
omoilustraaFigura3(b). Comopodeservisto,atroadastarefasnamáquinamaisoiosa,levouaumareduçãonovalordomakespan
donovoesalonamento.
3. Junção dasduas téniasde busasloais CC-MO
A tereira ténia de busa loal denominada CC-MO, é a junção das duas
ténias de busas loais desritas aima. Esta ténia, aplia primeiramente a
busa loal de troa de tarefas adjaentes no aminho rítio e posteriormente,
no romossomo resultante aplia abusa loal de troa de tarefas adjaentes na
máquinamaisoiosa(omanalidadedereduzirgaps).
Como saída do algoritmo, é apresentado um onjunto solução om alto grau
de otimalidade. Cada umdestes indivíduos tem seuvalor de tness representado
porum NTF. Para apresentar o valor risp é apliado uma defuzziação, que é
omapeamentode informaçõesfuzzy em valoresrisp. Ométodo dedefuzziação
utilizadofoiométododoentróide. Umpseudoódigodoalgoritmohíbridoapliado
aoJSSPFédesritonoAlgoritmo1.
Algoritmo1:PseudoódigodoalgoritmohíbridoapliadoaoJSSPF
Entrada:
m
:númerodemáquinas,n
:númerodetarefas,O
m
×
n
:matrizomsequêniade operaçõespara adatarefa,o
ij
= (
m
ij
,
e
p
ij
)
1
≤
i
≤
n,
1
≤
j
≤
m
: parordenado deada operação ompostopelamáquinaqueiráproessa-láeotempodeproessamentodaoperação,T
pop
: tamanhodapopulação,N
it
: númerodeiterações,N
f orm
: númerodeformigas,ρ
: nívelde feromnio,β
:informaçãoheurístia,α
: informaçãodeferomnio,q
0
:informaçãoheurístia,N
gera
:númerodegerações,P
c
:probabilidadederossovereP
m
:probabilidadedemutação.•
Geraapopulaçãoiniialatravésdoalgoritmodeolniadeformigas;•
Calulaovalordemakespandeadaindivíduo;•
Ordenaapopulaçãoutilizandoovalordemakespan atravésdométododesritonaSeção2.3.;
para
z
= 0
atéz
=
N
gera
,faça•
Seleiona2indivíduosdapopulaçãoiniial;•
Apliarossovergerando2novosindivíduosparaamemória;•
Seleiona1indivíduodapopulaçãoiniial;•
Apliamutaçãogerando1novoindivíduoparaamemória;•
alulaovalordemakespandamemória;•
Apliasupressãonamemóriaeveriardiversidade;•
Ordenaapopulaçãoutilizandoovalordemakespan(métododesritonaSeção2.3.);•
Seleionaosx
%
melhoresindivíduosdamemóriaparaapróximageração;•
Atualizaa memóriada próxima geraçãoompletandoomnovosindivíduos, sene-essário;
•
Apliabusaloalnomelhorindivíduodapopulaçãoeatualizaseuvalordetness.mpara
Saída:Melhoresalonamentodapopulaçãoeseuvalordemakespanfuzzy.
5. Resultados numérios da abordagem fuzzy
Nestaseção,sãoapresentadosedisutidososresultadosobtidosomaapliaçãodo
algoritmohíbrido MA-ACS(CC-MO)propostopara resolvero JSSPF. Para
om-parar a eiênia de MA-ACS(CC-MO), osresultados são omparados om o
MA-ACS(MO).Todasassimulaçõesforamrealizadosomosmesmosparâmetros.
Naavaliaçãodasabordagens,foramutilizadas8instâniasomdiferentenúmerode
tarefasemáquinas, obtidosem[11℄. Asinstâniassãoaraterizadaspelas
seguin-tes informações: númerode tarefas, númerode máquinas e uma tabela ontendo
a sequêniade operações deada tarefa, inluindo o número da máquina que irá
proessá-lae o tempo de proessamento da operação. Como o tempo de
proes-samentodastarefassãoonsideradosparâmetrosominertezas,osnúmerosfuzzy
foram geradosom espalhamentos àesquerda e à direita omo desrito naSeção
2.1..
Cadasimulaçãofoiexeutada 10vezeseimplementadaemMatlab8,na
plata-formaLinux,IntelCore2Duo2.0GHze4Gb. Osparâmetrosadotadosnaexeução
dosalgoritmossãoapresentadosaseguir.
•
Número deformigas =15
,α
= 0,
1
,β
= 2
,ρ
= 0,
01
,q
0
= 0,
7
; númerodegerações: 500, tamanho da população: 40indivíduos, probabilidade de rossover:
0,
8
e probabilidade de mutação:0,
6
; supressão: elimina indivíduos de mesmomakespan, diversidade: Inserenovosindivíduosriadospelo ACS, taxaminímade
diversidadepopulaional:
50%
.NaTabela2,sãoapresentadostodososresultadosenontradospelosalgoritmos
AG-ACS,MA-ACS(MO)eMA-ACS(CC-MO).Nelasãoapresentadososvaloresdo
makespan fuzzy,enontradoporadaalgoritmo,seuvalordefuzziadoeosvalores
domakespan risp deadaproblemaextraídodeOr-Library.
Problemae Algoritmo Makespan Defuzzi- Makespan
tamanho fuzzy ação risp
Ft06 AG-ACS [50,65557,75℄ 54,4
(6x6) MA-ACS(MO) [50,65557,75℄ 54,4 55
MA-ACS(CC-MO) [50,65557,75℄ 54,4
La01 AG-ACS [612,7666699,3℄ 659,3
(10x5) MA-ACS(MO) [612,7666699,3℄ 659,3 666
MA-ACS(CC-MO) [612,7666699,3℄ 659,3
La08 AG-ACS [793,9863906,1℄ 854,3
(15x5) MA-ACS(MO) [793,9863906,1℄ 854,3 863
MA-ACS(CC-MO) [793,9863906,1℄ 854,3
La11 AG-ACS [1124,212221283,1℄ 1209,8
(20x5) MA-ACS(MO) [1124,212221283,1℄ 1209,8 1222
MA-ACS(CC-MO) [1124,212221283,1℄ 1209,8
La17 AG-ACS [729,56793832,65℄ 785,07
(10x10) MA-ACS(MO) [724787826,35℄ 779,13 784
MA-ACS(CC-MO) [722,2785824,2℄ 777,13
Abz6 AG-ACS [894,249721020,6℄ 962,28
(10x10) MA-ACS(MO) [871,2947994,3℄ 937,5 943
MA-ACS(CC-MO) [871,2947994,3℄ 937,5
Orb02 AG-ACS [859,28934980,7℄ 924,66
(10x10) MA-ACS(MO) [834,4907952,35℄ 897,93 888
MA-ACS(CC-MO) [828,900,945℄ 891
La23 AG-ACS [1004,6410921146,6℄ 1081,1
(15x10) MA-ACS(MO) [969,6810541106,7℄ 1043,5 1032
De aordoom a Tabela 2, a abordagem proposta MA-ACS(CC-MO), obtém
em algunsasosdesempenhosuperior omparadoomAG-ACS eMA-ACS(MO),
espeialmente quando a dimensão do problema é grande ou o problema é muito
difíil,omoLa23,masquandootamanhodoproblemaépequeno,omoainstânia
doFt06osresultadossãosemelhantes.
Naexeuçãodeadainstânia,foiveriadoquantosindivíduosobtiveramvalor
de makespan até
80%
do valor do makespan ótimo enontrado pelo melhoralgo-ritmo. A Tabela 3,apresentaa quantidadede indivíduosom
80%
(alto grau)depossibilidade(pertinênia)deseremótimos para adainstânia testada. Pela
Ta-bela3,podemosveriarquantosindivíduostiveramseusvaloresdemakespan até
80%
dovalor do melhor indivíduo enontrado pelos algoritmos. Isso é um pontomuitopositivo,poismostraqueoalgoritmoenontranãoapenasumasoluçãoótima,
masumonjuntodesoluçõesomaltograudepossibilidadedeseremótima.
Instânia AG-ACS MA-ACS(MO) MA-ACS(CC-MO)
Ft06
(6
×
6)
3 3 6La01
(10
×
5)
20 20 20La08
(15
×
5)
22 20 22La11
(20
×
5)
23 26 22La17
(10
×
10)
21 19 21Abz6
(10
×
10)
24 20 20Orb02
(10
×
10)
21 22 20La23
(15
×
10)
21 21 20Tabela3: Quantidadedeindivíduosom
+80%
depossibilidadedeseremótimos.Aomparaçãodosresultadosomoutrasabordagensdaliteraturamuitasvezes
éompliado,poisobanodedadosdoOR-Libraryégrandeenemsempretemos
as mesmas instânias utilizadas nos testes. Além disso, a maioria dos trabalhos
enontrados na literatura apresentam seus resultados defuzziados, sendo difíil
estabeleerumaomparaçãodosresultados.
Destaforma,dentreostrabalhositadosnarevisãobibliográa,otrabalho[5℄,
utiliza 2instânias iguais asque utilizamosnos testes, porém osresultados
apre-sentadossãodefuzziados. Além disso,oautorapresentauma úniasoluçãopara
adaumadasinstâniastestadas,enquantoqueasabordagenspropostasneste
ar-tigoapresentamumonjuntosoluçãoomaltograudeotimalidade. Paraainstânia
ft06,otrabalhodeFortempsapresentaomomelhorresultadoovalordefuzziado
de55,02. Nesteartigo,asabordagensenontrammakespanfuzzyde[50,65557,75℄,
oquedefuzziandoresultaem54,4. Além disso,aabordagemMA-ACS(CC-MO)
enontra 6 soluções om mais de
80%
de possibilidade de serem ótimas. Para ainstâniala11,Fortempsenontraomomelhorresultadoomakespan de1222,
en-quanto que as abordagens deste artigo enontram o makespan fuzzy de [1124,24
1222 1283,1℄, o que defuzziando resulta em 1209,8. Além disso, a abordagem
6. Conlusões
Veriandoosresultadosaima,observamosqueosalgoritmospropostospossuema
vantagemdelidaromoproblemadojobshopomparâmetrosfuzzy nasuaintegra,
sem neessidade de métodos de omparação de números fuzzy para enontrar o
makespan. Umaoutravantageminteressanteeútildasabordagenspropostasneste
trabalho, é que os algoritmos são apazes de enontrar um onjunto de soluções
omaltograudepossibilidadedeseremótimas.
Abstrat. ThejobshopshedulingproblemisonsideredNP-hard. Inreal
appli-ations, theproessing timeofeahtaskis oftenimpreise. Therefore,this paper
dealswiththejobshopshedulingproblem. wheretheproessingtimeofeahtask
ismodeledbytriangularfuzzynumbers(NTF).Theaimoftheproblemistonda
shedulethatminimizesthefuzzymakespan.Inthisapproahitwasworkedwith
thememetialgorithm(MA)andthealgorithmofantolonysystem(ACS)tosolve
theproblem. AhybridizationofthesetwoapproahesalledMA-ACS(CC-MO)is
proposed, and toomparethe eienyofthe approahis realizedaomparison
betweenthreealgorithmsAG-ACS,ACS-MA(MO)andMA-ACS(CC-MO),using
eightoftheOR-Libraryproblems.
Keywords. Fuzzyjobshopsheduling problem,Ant olony system, memeti
al-gorithm.
Referênias
[1℄ R.E. Bellman,Onaroutingproblem, QuarterlyApplied Mathematis,No.16
(1958),8790.
[2℄ T.R.Bonm, "EsalonamentoMemétioeNeuro-MemétiodeTarefas",Tese
deDoutorado daFauldade deEngenharia Elétria eComputação,
Universi-dadeEstadualdeCampinas,2006.
[3℄ G.Bortolan,R. Degani,Areviewofsomemethodsforrankingfuzzysubsets,
(Dubois,D.,Prade,H., Yager,R.Eds.),Readings inFuzzySetsfor Intelligent
Systems,MorganKaufmann,SanFraniso,CA,1993,149-158.
[4℄ D. Dubois, H. Fargier, H. Prade, Fuzzy onstraints in job-shop sheduling,
JournalofIntelligent Manufaturing,6,No.4(1995),215-234.
[5℄ P. Fortemps, Jobshopshedulingwith impreisedurations: A fuzzy aproah,
IEEETrans. FuzzySyst.,vol.4(1997),557-569.
[6℄ I. González Rodrígues, C.R. Vela, J. Puente, A memeti approah to fuzzy
job shopbased onexpetation model, In: Proeedings of IEEEInternational
ConfereneonFuzzySystems,FUZZ-IEEE,London,2007,692-697.
[7℄ F.Hernandes,"AlgoritmosparaProblemasdeGrafosomInertezas",Tesede
doutoradodaFauldade de EngenhariaElétria eComputação,Universidade
[8℄ F.-T. Lin, Fuzzy job-shop sheduling based on ranking level
(λ,
1)
interval-valuedfuzzynumbers,IEEE Trans.FuzzySyst., 10,No.4(2000),510-522.
[9℄ Q. Niu, B. Jiao, X. Gu, Partile swarm optimization ombined with geneti
operatorsforjobshopshedulingproblemwithfuzzyproessingtime,Applied
MathematisandComputation, 205,No.1(2008),148-158.
[10℄ S. Okada, T. Soper, A shortest path problem on a network with fuzzy ar
lengths,FuzzySets andSystems,109(2000),129-140.
[11℄ N. Tamura, OR-library, Available online at:
http://bah.ist.kobe-u.a.jp/sp2sat/jss/,Aessed15july2007.