Algoritmos de otimizao bi-objetivo para a

produo conjunta e programao de

manuteno: aplicao ao problema da
mquina paralela

Resumo: Este artigo trata do problema da manuteno e programao

conjunta de acordo com uma nova abordagem bi-objetivo. Este mtodo
permite que o decisor para encontrar solues de compromisso entre os
objetivos de produo e aqueles de manuteno. Modelos de confiabilidade
so usados para levar em conta o aspecto de manuteno do problema. O
objetivo otimizar simultaneamente dois critrios: a minimizao do
makespan para a parte de produo e a minimizao da indisponibilidade do
sistema para a parte da manuteno. Duas decises so tomadas ao
mesmo tempo:encontrar a melhor atribuio de N tarefas a m mquinas, a
fim de minimizar o makespan e decidir quando efetuar as aes de
manuteno preventiva, a fim de minimizar a indisponibilidade do sistema.
Os nmeros de aes de manuteno como bem como os intervalos de
manuteno no so fixados com antecedncia. Dois algoritmos genticos
evolutivos so comparados para encontrar uma aproximao do timo de
Pareto frente em paralelo caixa da mquina. Num grande nmero de casos
de teste (mais de 5000), os resultados obtidos so promissores.
Introduo
Na indstria manufatureira, as mquinas so consideradas como principais
recursos, entre outros para realizar o plano de produo. A produo e
manuteno so os dois servios que agem diretamente sobre as mquinas.
Programao da produo refere-se a afetao de recursos limitados a um
conjunto de postos de trabalho e certas funes objetivo que tem ser
otimizada, por exemplo, para reunir-se em melhores prazos estabelecidos
com os clientes minimizando a soma de atrasos ou makespan. Numeroso os
estudos tm sido dedicados a resolver este problema, de acordo para a
configurao da oficina (uma nica mquina, paralelo mquinas, loja de
fluxo, Job Shop, loja aberta e hbridos sistemas), os objetivos de otimizar e
as restries ao ter em conta (preempo, configuraes, etc). A maioria da
produo problemas de programao so NP -hard (Garey e Johnson, 1979).
Na literatura de pesquisa relacionado programao da produo,
assumido que as mquinas esto sempre disponveis. No entanto, em
sistemas industriais reais, as mquinas podem estar sujeita a alguns
perodos de indisponibilidade, como as atividades de manuteno. Para a
considerao de manuteno, as tarefas mais importantes do servio
estabelecer uma manuteno preventiva adequada planejando otimizar
uma determinada funo objetivo, como os custos de manuteno ou
manter as mquinas em bom estado de funcionamento ordem a cada

momento. Vrios estudos nesta rea tambm foram realizados para resolver
este problema nas ltimas dcadas. No entanto, as maiorias desses estudos
no levam em conta a necessidades de produo.
Apesar de a relao interdependente entre a produo e programao de
planejamento de manuteno, as duas atividades so geralmente
planejados e executados separadamente nos sistemas de fabrico reais.
Durante muitos anos, a relao entre produo e manuteno tem sido
considerada como um conflito na deciso de gesto. Esta situao stills o
mesmo por causa da falta de comunicao sobre os requisitos de
programao de cada funo (Weinstein e Chung 1999). Os conflitos podem
resultar numa insatisfeita demanda na produo devido s interrupes
vindo as manutenes preventivas (PM) ou mquinas quebradas se o
servio de produo no respeita a perodos esperados do PM. Para evitar
esses conflitos, propomos neste trabalho um modelo multi-objetivo
integrado, tendo em conta a confiabilidade das mquinas para o aspecto
PM. Este modelo permite que o tomador de deciso tenha compromisso de
ter solues reunidas na melhor de dois critrios, um relacionado com a
produo e outro para PM. O trabalho est organizado da seguinte forma: a
seo Reviso da literatura d um levantamento de problemas de
programao tendo em conta manuteno preventiva. Seo "Modelagem
do problema integrado, descreve o modelo integrado da co-produo e
programao de manuteno proposto e o mtodo para avaliar a
indisponibilidade do sistema. A soluo mtodos propostos so
apresentados na seo "Soluo de Mtodo . Seo Teste e resultados"
experimentos com o dois mtodos meta-heursticos so apresentados na
seo "Mtodo de Resoluo. Finalmente, a seo "concluses, conclui o
papel e d as pesquisas futuras.
Literatura
A literatura de programao de mquina tomando em conta a manuteno
pode ser classificada em duas categorias: a abordagem determinstica (ou
sequencial) e a abordagem estocstica (ou integrada). Na literatura
scheduling, um trabalho chamado de no preferencial se um trabalho
deve ser reprocessado totalmente aps a sua manuteno, se o tratamento
interrompido pela atividade da manuteno da mquina.
Na abordagem determinstica (ou sequencial), os intervalos de tempode
aes de PM so conhecidos e prefixados. A maior parte da literatura
pesquisada com manuteno adota essa abordagem comumente chamada
de programao com mquinas de restries de disponibilidade. Todas as
formaes e oficinas conhecidas foram abordadas pelos pesquisadores: uma
nica mquina, mquinas paralelas, flow shop, job shop, open shop e
sistemas hbridos. Considerando o nmero significativo de trabalhos
realizados nesta categoria, ns s analisamos o caso mquina paralelas.
Para o critrio de makespan, (Lee, 1991) tem demonstrado que o problema
de minimizar o makespan com restries de disponibilidade da no
preferencia de caso NP -hard. Ele estudou o problema quando algumas

mquinas podem no estar disponveis no momento zero. (Schmidt, 1984)

examinou o problema com M mquinas paralelas onde cada mquina pode
ser utilizada apenas durante alguns perodos de disponibilidade. (Liao et al.
2005) considerado o problema de duas mquinas paralelas onde uma
mquina no est disponvel durante um perodo de tempo. Eles
propuseram diversos algoritmos para a preferncia e casos de no
preferncia. Em (Liao et al. 2007), em vez de fixar perodos de manuteno,
as aes de manuteno so realizadas aps o processamento de um
determinado nmero de produo de trabalho. Dois diferentes horizontes de
planejamento tm sido investigados para este problema.
Outro critrio vulgarmente estudado por investigadores a tempo total de
concluso. No caso de mquinas que no sejam disponvel no tempo zero,
(Kaspiet ai. 1988) e (1991 Liman) mostrou que os trabalhos so de acordo
com a SPT (Shortest Processing Time) regra ideal para minimizar a
concluso total do tempo. (Mosheiv 1994) tratou o problema supondo que
cada mquina est disponvel dentro de um intervalo de tempo especfico.
(Lee e Chen 2000) estudaram o problema de processamento de um
conjunto de n trabalhos em m mquinas paralelas onde cada mquina deve
ser mantida uma vez durante o horizonte de planejamento. O mesmo
problema considerado por (Mellouliet ai. 2006). Eles propuseram trs
mtodos exatos para minimizar o tempo total de concluso. (Schmidt, 2000)
e (Lee, 1996) investigaram e analisaram o problema de scheduling com a
disponibilidade da mquina limitada no maior detalhe para diferentes
restries e ambientes de mquinas.
Notamos que a maioria dos estudos na abordagem determinstica
consideram os perodos de manuteno como restries para agendar
produo. Em outras palavras, a programao da produo otimizada de
acordo com um planejamento de manuteno estabelecido. Isto , nesta
abordagem a manuteno sempre privilegiada em comparao com a
produo. Em certos casos, a produo que tem prioridade, tal como em
(Liaoet al. 2007).
Na abordagem estocstica (ou integrada), os tempos de incio de PM de
tarefas so considerados como variveis de deciso, bem como trabalhos de
produo. Trabalhos de produo e tarefas de manuteno um conjunto
programado (mas no sequencialmente). Existem poucos trabalhos na
literatura relacionada com esta abordagem. (Kaabi et ai. 2002) e (Kaabi et
al. 2003) estudaram, respectivamente, a nica mquina e caso permutao
flow shop, onde o perodo de manuteno deve ser realizada dentro de um
intervalo predefinido. (Xu et al. 2008) usaram a mesma ideia (Kaabi et ai.
2002) para o caso de mquina paralela para minimizar o makespan. Estes
estudos tm a vantagem de diminuir os conflitos entre os dois servios, mas
eles ainda favorecem a manuteno em detrimento da produo. (Cassadye
Kutanoglu 2003) formularam um modelo matemtico integrado para um
problema de uma nica mquina para minimizar o atraso ponderado total
de produo. No entanto, utilizada uma abordagem total de enumerao.

Na verdade, os autores observaram que o tempo de processamento tornase intolervel quando o nmero de postos de trabalho superior a oito, que
no prtico. (Ruiz et al . 2007) propem um mtodo integrado para
problema flow shop permutacional para minimizar o makespan. Os autores
utilizaram modelos de confiabilidade para determinar o perodo de
manuteno, mantendo um nvel mnimo de confiabilidade durante o
horizonte de planejamento. No entanto, o perodo de manuteno
estabelecido sem ter em conta os requisitos de produo. Eles so fixados
com antecedncia para cada mquina separadamente, uma vez por todas.
Em seguida, a confiabilidade das mquinas considerada como restrio
para otimizar apenas um critrio relacionado a produo.
Para aes de manuteno em uma sequncia de produo, os autores
utilizaram uma estratgia conhecida como preservao da estratgia desde
as tarefas de manuteno esto sempre avanado quando h sobreposio
com os trabalhos de produo. A longo prazo, este critrio aumentar
certamente os custos de manuteno. Neste momento, podemos notar que
todos esses estudos s esto interessado em um critrio sempre
relacionada com o aspecto da produo. In (Kaabi et al. 2003), a funo
objetivo uma soma ponderada de dois critrios: atraso total para o
aspecto de produo e a soma dos atrasos para aspecto de manuteno. Os
autores no usaram modelos de confiabilidade em seus estudos, mas a
nica de ter tentado analisar conjuntamente o aspecto relacionado com a
produo e a um aspecto de manuteno. Eles adotaram a funo escalar
como funo de aptido para selecionar solues. Este mtodo fcil de
implementar, transformando o problema em uma nica otimizao. No
entanto, neste artigo, os pesos das duas funes objetivos so fixados
durante a execuo do algoritmo, dirigir com apenas uma soluo. Nesse
estudo, no foi feita precauo para evitar certas desvantagens conhecidas
deste mtodo. Alm disso, se a frente de Pareto no convexa em seguida,
as reas cncavas da frente permanecem inacessveis mesmo se os valores
de peso so alteradas.
Os servios de manuteno e produo devem colaborar para alcanar um
objetivo comum, o de sistema de maximizao de produtividade. Para isso,
ambos os objetivos de manuteno e produo devem ser considerados
com o mesmo nvel de importncia. No entanto, os critrios relacionados
produo so geralmente antagonistas com as de manuteno: a reduo
de um levanta o outro e vice-versa. Assim, uma soluo de a produo
conjunta e problema de manuteno deve ser um trade-off { Tradeoff ou tradeoff uma expresso que define uma situao em que h conflito de escolha. Ele
se caracteriza em uma ao econmica que visa resoluo de problema mas acarreta outro,
obrigando uma escolha. Ocorre quando se abre mo de algum bem ou servio distinto para se
obter outro bem ou servio distinto} entre os objetivos dos dois servios. Mtodos

evolucionrios multi-objetivo so os mais adequados para encontrar estes

trade-offs. Alm disso, o objetivo final do gerente geralmente ter um
sistema que o mais disponvel (ou a menos no disponvel), possvel

permitindo-lhe executar os trabalhos de produo o mais rapidamente

possvel.
Neste trabalho, propomos um modelo bi-objetivo integrado para o problema
da mquina paralela utilizando-se modelos de confiabilidade para tomar em
considerao o aspecto de manuteno. Algoritmos evolutivo de Pareto
sero aplicados para gerar diversas solues de compromisso minimizando
simultaneamente dois importantes critrios nos sistemas de produo: o
makespan e a indisponibilidade do sistema. Os intervalos dos perodos de
manuteno para todas as mquinas so otimizados durante o processo de
otimizao global, bem como a seqncia de produo. Alm disso, a
confiabilidade foi usada como critrios de desempenho do modelo. Em
outras palavras, a indisponibilidade de todo o sistema, que optimizado
em vez de fixao separadamente um limiar de confiabilidade para cada
mquina como em (Ruiz et ai. 2007) . Alm disso, foi proposto um critrio
para inserir aes PM que chamamos estratgia racional (em oposio a
estratgia apresentada na (Ruiz et ai. 2007) chamado estratgia
conservadora), que torna possvel retardar ou avanar uma tarefa de
manuteno. Este critrio permite encontrar certo equilbrio entre a
indisponibilidade do sistema e os custos de manuteno. Para o nosso
conhecimento, no h trabalhos relacionados com a abordagem integrada
dedicada ao paralelo caixa da mquina, lidar com o problema de acordo
com um de abordagem Pareto evolutiva e tendo em conta a
indisponibilidade das mquinas como um critrio de desempenho de
produo sistema.
Modelagem do problema integrado
Esta seo descreve separadamente a definio do problema de
programao de produo e problema de planejamento PM, em seguida, o
modelo integrado bi-objetivo proposto.
Do ponto de vista da produo, vamos considerar o problema de
programao de mquinas paralelas idnticas e o makespan como medida
de desempenho. Supomos em nossas investigaes que os postos de
trabalho esto disponveis no incio da produo. No permitido perodo e
preempo. No problema de mquina paralela, geralmente h duas
decises a serem tomadas. Um atribuir tarefas para as mquinas e a outra
determinar a seqncia dos trabalhos em cada mquina. Este problema
conhecido por ser NP-hard (Garey e Johnson, 1979). Numerosos estudos
foram conduzidos para resolver este problema, quer pelos mtodos exatos
para problemas de tamanhos moderados ou atravs do desenvolvimento de
heursticas.
Do ponto de vista de manuteno, vamos concentrar nosso estudo na
manuteno preventiva sistemtica. As aes PM ajudam a manter as
ferramentas de produo em boas condies de funcionamento (que
aumentam a disponibilidade de um sistema) e permitem diminuir os custos,
evitando falhas inesperadas. O problema para o aspecto de manuteno a

de determinar as datas de interveno PM para cada mquina minimizando

as indisponibilidades. A disponibilidade definido como "a probabilidade de
que um sistema ou de um componente est a efetuar a sua funo
pretendida num determinado ponto no tempo ou durante um perodo de
tempo determinado, quando operado e mantido de uma forma prescrita
"(Ebeling 1997).
A disponibilidade de uma mquina M definido em um tempo t como:

A(t ) P (

)
M est operando em um tempo t

O oposto de disponibilidade indisponvel e definido como:

A(t ) 1 A(t )
A disponibilidade de uma mquina Mi depende da sua taxa de falha i e sua
taxa de reparo i. Aqui, vamos considerar apenas mquinas cujas taxas de
falha i e reparao taxas i so constantes. Em outras palavras, ns
assumimos que o tempo at a falha (tempo de reparo) de uma mquina de
Mi representado por uma distribuio de probabilidade exponencial tendo
como parmetro a taxa de falha i (resp. reparao taxa parmetro i).
Tambm suposto que as aes de PM so usadas para restaurar a
mquina em uma condio "como novo". Ao levar em conta essas
hipteses, a partir do instante inicial t = 0, a disponibilidade de uma
mquina Mi em tempo t dado pela seguinte expresso (Ebeling, 1997;
Villemeur 1991):

Ai (t )

i
i

exp (i i ) t
i i i i

A disponibilidade Ai (t) de uma mquina de Mi sendo uma funo

decrescente do tempo, a indisponibilidade 1-Ai (t) , portanto, uma funo
crescente no tempo. Ento, se nenhuma ao executada em PM a
mquina Mi, ir aumentar a sua indisponibilidade. Se T o de concluso de
uma ao PM em uma mquina Mi, a expresso do disponibilidade Ai (t) no
momento t, dado pela seguinte expresso (Ebeling 1997; Villemeur 1991):

Ai (t )

i
i

E (t )
i i i i

E (t) exp (i i )(t T)

A disponibilidade do sistema depende da estrutura do sistema (paralela,
serial ou hbrida), bem como suas caractersticas de componentes. Para m
componentes paralelas independentes, tendo cada uma funo de

disponibilidade Ai (t), a disponibilidade do sistema representado por As(t)

em um tempo t dado por (Ebeling, 1997; Villemeur 1991):
im

AS (t ) 1 1 Ai (t )
i 1

Consequentemente a indisponibilidade dada por:

i m

AS (t ) 1 AS (t ) 1 Ai (t )
i 1

O modelo integrado de levar em considerao dois objetivos para ser

optimizado simultaneamente: a minimizao do makespan (o makespan
igual soma dos tempos de processamento) para o aspecto de produo e
minimizao de indisponibilidade do sistema para a manuteno sob o
aspecto restritos definido anteriormente. Assim, duas decises devem ser
tomadas simultaneamente. A primeira delas o de encontrar a melhor
atribuio de n tarefas para m mquinas paralelas, a fim de minimizar o
makespan. A outra decidir em que ordem realizar as aes de PM para
minimizar a indisponibilidade do sistema, o nmero de aes PM em cada
mquina no ser fixado inicialmente e sim no avano. Ambos os objetivos
contribuem para a produtividade do sistema, mas eles so antagonistas. De
fato, se as aes PM so realizadas, a indisponibilidade do sistema ir
diminuir, mas o makespan ir aumentar. Por outro lado, se as aes PM, no
forem realizadas a indisponibilidade do sistema vai aumentar, mas o
makesapan ir diminuir.
Onde Cj ser o tempo de concluso de um trabalho j e Cmax ser o tempo

Cmax max j 1,n C j

de concluso do ltimo trabalho realizado (o makespan):

T 0, t1 , t2 ,..., ts , Cmax

0, t1 , t2 ,..., t s

Dado
onde
so os tempos onde ocorre o
incio das aes de PM para todas as mquinas. Uma vez que a

t0 0

[ti , ti 1 ] i 0,...,s
indisponibilidade acrescida para cada intervalo

com

t s 1 Cmax
, e assumido que uma mquina se torna "to bom quanto novo"
no final de cada ao PM, a indisponibilidade do sistema s computado

0, t1 , t2 ,..., ts 1
nos tempos
. O tempo de processamento de uma ao PM na
mquina M assumido como sendo o tempo mdio da ao preventiva, cujo
valor equivalente a 1/i (Adzapka et al. 2004).

As duas funes objetivos a serem minimizadas, definida anteriormente sob

restries, so as seguintes:

F1 Cmax
, que o makespan
im

F2 max AS (t ) 1 Ai (t )
i 1

onde

t T

F2
e

funo

indisponibilidade do sistema.
Mtodo de soluo
Os mtodos de soluo, nos implementamos e comparados dois algoritmos
genticos. O primeiro baseado na funo escalar para a seleo dos pais.
A segunda a bem conhecida NSGA-II (algoritmo gentico de escolha no
dominada), que baseado no conceito de no dominncia. A primeira
escolha motivada pelo fato de que um nico estudo ter levado em conta
dois critrios utilizados na soma ponderada de objetivos como funo de
aptido. A escolha do NSGA-II justificada pela sua eficcia na otimizao
multi-objetivo. No entanto, o uso do modelo de soma ponderada com fixos
valores de peso, como utilizado em (Kaabi et ai. de 2003) no ser justo em
relao ao NSGA-II. Por isso, consideramos algoritmo gentico de soma
ponderada com os mesmos operadores e a vantagem que NSGA-II: mesma
seleo, cruzamento e operadores de mutao. Alm disso, uma estratgia
de elite ser utilizada para este algoritmo por adio de uma populao
secundria, onde solues de elite (non dominated) sero armazenadas.
O f2

f1

f2

Na otimizao multiobjectivo, a funo de dois objetivos (

e
) devem
ser minimizados para quaisquer dois vetores de deciso, sabemos que x

( f1 ( x) f1 (y)

( x p y)
domina

se

f 2 ( x) f 2 (y))
e

( f1 ( x) f1 (y)
ou

f 2 ( x) f 2 (y))
. As soluoes no dominantes so obtidas com um algoritmo
evolucionario chamado Pareto front ou superficie tradoff.
No WSGA, a seguinte soma ponderada de dois objectivos usado como
funo de fitness

f ( x) 1 f1 ( x ) 2 f 2 ( x )
(7)

Onde
e
so pesos no negativos
satisfazem as seguintes relaes

para os dois objetivos, onde

i 0

1 2 1
para

i=1,2

(8)
A funo de fitness (7) sujeita as relaes (8) usado para selecionar um
par de novas solues a partir de um par de solues pais por cruzamento e
mutao. Os valores de peso so aleatoriamente especificados, sempre que
um par de solues pais selecionado. Que , quando N pares de soluoes
pais
so selecionados para gerar uma nova populao N, N pesos
diferentes casados so gerados aleatoriamente. Isto significa N direoes de
pesquisas so exploradas em uma nica gerao. No entanto, se os valores
de peso constante so usadas, o sentido de busca fixada. Tal como em
(Ishibuchi et ai. 2003), em WSGA usamos uma estratgia de elitista,
armazenando todas as solues no dominadas obtidos durante a sua
execuo numa populao secundria. Algumas solues no dominadas
so selecionadas aleatoriamente da populao secundria e suas cpias so
adicionados populao atual. Tendo NPOP como o tamanho da populao
e Nelite como o nmero de nondominated (isto , de elite) solues
adicionado populao atual. Usando estas anotaes, o algoritmo WSGA
pode ser escrito como se segue.
Algoritmo 1 WSGA
Passo 0: Gere randomicamente uma populao inicial do tamanho de Npop.
Passo 1: Avalie os objetivos de cada na populao atual. Em seguida,
atualize a populao secundria com as solues no dominadas obtidos a
partir da populao atual.
Passo 2: Selecione (Npop-Nelite) pares de pais, repetindo os procedimentos
a seguir:

a) Gerar os pesos
e
aleatoriamente.
b) Seleccionar um par de pais com base na funo de aptido escalar
(7). O torneio binrio seleo utilizada.
Passo 3: Realize operadores evolutivos (cruzamento e mutao) para cada
um dos pares selecionados (Npop-Nelite) de pais para gerar duas novas
solues para cada par.
Passo 4: Selecionar aleatoriamente N elite solues da populao
secundrio. Em seguida, adicione as suas cpias para as solues (NpopNelite) gerados no Passo 3 para construir uma populao de solues.
At que a condio de parada for atendida
NSGA-II um algoritmo evolutivo multi-objectivo elitista que calcula uma
aproximao do conjunto de solues no dominada, baseado no conceito
no dominante. A cada gerao um processo de classificao usado para

identificar as diferentes frentes de solues no dominadas. A diversificao

assegurada por um operador de aglomerao. Vrios estudos na literatura
de pesquisa classificados NSGA-II entre o algoritmo mais competitivo na
otimizao multi-objetivo (Basseur 2005; Coellom e Cortes de 2002; Deb et
al 2000;.. GasparCunta e Covas 2003 andIshibuchi et al 2003). Sem ser
exaustivo, este algoritmo foi utilizado nos seguintes campos: em qumica
para otimizar extruso de polmero (Gaspar-Cunta Covas e 2003), na
otimizao de roteamento de veculos (Velasco et al 2006)., Na
programao (Landa-Silva et al. 2003; Vilcot et al 2006) e na otimizao da
cadeia de suprimentos (Amodeo et al 2007)... Alm disso, NSGA-II
frequentemente escolhido para comparar o desempenho de algoritmos
novos ou j existentes. A seguir, descrevemos o funcionamento geral do
NSGA-II e dar o seu pseudo-cdigo de acordo com a verso original (Deb et
al., 2000).
Em primeiro lugar, uma populao aleatria P0 inicial de tamanho N
gerado. A populao classificada em vrias frentes com base na no
dominao. Cada soluo medida pelo seu nvel de no-dominao (1 o
melhor nvel). Ento, os operadores de seleo de torneio binaria, crossover
e mutao so usados para criar uma populao criana Qo de tamanho
N. Para uma gerao t 1, o procedimento diferente. A primeira fase
consiste em criar na populao Rt = PtUQt de tamanho 2N e aplicar o
procedimento de classificao no dominada (ranking) para retornar a lista
das frentes no-dominadas. Na segunda fase, uma nova populao de pais
Pt+1 contendo as solues os N melhores Rt so construdos, incluindo as
melhores frentes, enquanto o nmero de solues em Pt+1 inferior a N.
Para completar Pt+1 com a restante N-|Pt+1 | solues, o procedimento de
aglomerao aplicado primeira frente no includa. A populao de Pt+1
ento utilizado para criar uma nova populao criana Qt+1 de
tamanho N aplicando os operadores de seleco, crossover e mutao. O
cdigo de pseudo NSGA-II dada por Algoritmo 2.
Algoritmo 2 NSGA II
1: crie uma populao inicial Po e Qo de tamanho N
2: enquanto condioes de parada no forem verificadas faa
3: crie populao Rt=PtUQt
4: construa diferentes fronteiras Fi de Rt pelo procedimento de triagem
nondominated (ranking)
5: Coloque Pt+1=phi and i=0
6: enquanto (modulo de Pt+1+modulo de Fi )<N faa
7: Pt+1=PtUFi
8: i=i+1

9: end enquanto
10: inclua em Pt+1 o (N-modulo(Pt+1)) de Fi segundo o procedimento de
aglomerao.
11: crie Qt+1 a partir de seleo, crossover e mutao
12: end enquanto
O seguinte procedimento (algoritmo 3) computa a distancia de aglomerao
para cada soluo i na populao S.
Algoritmo 3
Distancia de aglomerao(S)
1: L=|S| \\ numero de soluoes em S
2: para cada i,S [i]distance=0 \\ inicializa as distancias
3: para cada objetivo m
4: S=sort (S,m) \\ tipo usando cada funo objetivo
5: S[1]distance=S[L]distance=

6: para i=2 ate (L-1) \\ para todos os outros pontos

7: S[i]distance=S[i]distance+(S[i+1].m-S[i-1].m)
S[i].m o mth o valor da funo objetivo de ith soluoes na populao.
O procedimento de classificao no-dominado (Algoritmo 4) retorna uma
lista das frentes no-dominadas Fi quando aplicado a uma populao de P.
Duas entidades so calculados para cada soluo: ni, o nmero de solues
que dominam a solutio ni Si e um conjunto de solues que a soluo i
domina.
Algoritmo 4 Non_dominated_sorting(P)
1: Para cada p
2: Para cada q

P
P

( p p q)
3: Se

faa Sq=SqU{q} \\ se p domina q ento inclua q em S

(q p p)
4: Seno se
np

faa np=np+1 \\ se q domina p faz um incremento em

5: Se np=0 faa F1=F1U{q} \\ se nenhuma soluo domina p, ento p 1 st

front
6: i=1
7: Enquanto Fi

phi faa

8: H=phi
9: Para cada q

10: Para cada q

Fi

Sp

11: nq=nq-1 \\ decrementa nq de 1

12: Se nq=0 faa H=HU{q}
13: i=i+1
14: Fi=H \\ frente de corrente formada com todos os membros da H
15: Fim do enquanto
Uma soluo (ou um cromossomo) composto por dois segmentos: a
produo e partes da manuteno. A parte da produo uma seqncia de
nmeros de trabalho. A parte de manuteno uma srie de nmeros que
representam os perodos tericos de aes PM. Os perodos de manuteno
so gerados aleatoriamente para cada mquina i dentro do intervalo [Pi, Ci].
Pi o tempo de processamento mais curto do trabalho atribudo a mquina i
e Ci o tempo de realizao do trabalho mais recente atribudo a mquina i.
Por exemplo, a srie (10, 18) diz respeito a dois aparelhos e significa uma
aco PM em M1 deve ser feita a cada 10 unidades de tempo e M2 em cada
18 unidades de tempo.
As atividades de manuteno so inseridos de acordo com a estratgia
racional: Vamos Bj e Cj o incio (resp. a concluso) tempo de um trabalho de
produo j.Let Te ser a data prevista para executar a tarefa de manuteno.
Se Cj-Te Te-Bj ento a tarefa de manuteno avanado para o Bj data,
seno ele est atrasado para a data Cj.
Algoritmo 5 Avaliao da soluo
Passo 1: Atribuir trabalhos de produo de mquinas de acordo com a lista
de programao heurstica.
Passo 2: Calcule o Makespan Cmax.
Passo 3: Insira as tarefas PM no escalonamento da produo, utilizando a
estratgia racional e atualizae as datas dos trabalhos de produo.
Passo 4: Reavaliar o makespan depois de inserir as aes PM.

Passo 5: Calcule a indisponibilidade do sistema. igual ao maior valor da

indisponibilidade do sistema encontrada durante o horizonte de
agendamento.
Exemplo:
Tendo um sistema de produo composto de duas maquinas paralelas em
que oito trabalhos devem ser programados. As caractersticas de trabalhos
de produo so:

Nos assumimos que as duas maquinas tem as mesmas caracteristicas

1 2 0,1 1 2 0,5
,
. Deste modo, a durao das aces PM em ambas
as mquinas igual a 2 unidades de tempo. Suponha que temos que avaliar
o cromossomo.

Os primeiros oito alelos determinar o agendamento dos trabalhos de

produo. Os ltimos dois alelos (16, 20) representam a parte de
manuteno o que indica que uma interveno na mquina M1 deve, a
priori, ser realizada a cada 16 unidades de tempo e na segunda mquina M2
cada 20 unidades de tempo. A aplicao do Algoritmo 4 deste cromossomo
apresentada pelos seguintes passos:

Passo 1. A lista de programao heurstica d o agendamento mostrado por

Fig.1.
Passo 2. O valor do makespan obtido Cmax=46
Passo 3. Usando a estratgia racional e atualizar datas dos trabalhos de
produo, obtm-se o agendamento mostrado por Fig.2. As aes de
manuteno comeam no tempo 12 e 32 para a mquina M1 e no tempo 24
para a mquina M2.
Passo 4. O makespan recalculado Cmax=48
Passo 5. A indisponibilidade do sistema calculado em instantes: 12, 24, 32
e Cmax. A indisponibilidade do sistema corresponde ao maior valor entre
aqueles obtidos nos quatro instantes.
Tabela 1 (resp.Table2) d a indisponibilidade (disponibilidade resp.) de cada
mquina em quatro instantes. A indisponibilidade do sistema (resp.
disponibilidade) calculado pela frmula (6) (respectivamente (5)). Assim, a
indisponibilidade do sistema (resp. disponibilidade) igual a 0,0809 (0,9190
resp.to).
O vetor de funes de objetivo para essa soluo (F1, F2) = (48,0,0809).
A populao inicial gerada aleatoriamente. Vrias operaes de
cruzamentos e mutaes foram examinados em algoritmos genticos para
problemas de escalonamento, em que bons resultados foram obtidos a
partir da combinao dos dois pontos de cruzamento e a mutao de
insero (Ishibuchi et ai. 2003). A condio de paragem um nmero fixo
de geraes.

Tanto para a produo e a parte de manuteno, um mtodo de cruzamento

de dois pontos implementado. A primeira descendncia (respectivamente
segundo) gerado por manter as extremidades do primeiro pai
(respectivamente segundo) e complet-la com os postos de trabalho
perdidas de acordo com a sua ordem de apario no segundo pai
(respectivamente primeiro), como ilustrado na FIG. 3.
Em relao aos operadores de mutao, para a parte de manuteno um
gene selecionado aleatoriamente e seu valor substitudo por outro valor
gerado aleatoriamente. Para a parte de mutao de produo, utilizou-se
um deslocamento (ou insero), tal como ilustrado na FIG. 4, quando uma
tarefa aleatria removida e inserida numa posio seleccionada
aleatoriamente. A estrutura de vizinhana definida pela mutao mudana
foi muitas vezes utilizado para a busca tabu e algoritmos de annealing.
Testes e resultados
Medidas de desempenho
Em problemas multi-objetivos, um conjunto de solues no pode ser
totalmente ordenado, porque a soluo pode ser o melhor para alguns
objetivos, mas no para outros objetivos. A comparao entre duas solues
continua a ser um problema complicado vendo que vrios aspectos so
levados em considerao: a distncia do resultado do fronteira non-domited
e a fronteira de Pareto deve ser minimizada, um boom (em muitos casos
uniforme) de distribuio das solues encontradas desejvel e a
propagao da frente no dominado obtido deve ser maximizada, ou seja,
para cada objetivo uma ampla gama de valores devem ser cobertos pelas

solues no-dominadas (Zitzler 1999). Infelizmente, os diferentes aspectos

no podem ser levados em considerao por um valor numrico. Assim,
vrias medidas (ou mtrica ) so geralmente utilizados para testar um
aspecto particular de uma superfcie de troca. Existem vrias mtricas na
literatura de pesquisa, em especial no (Barichard 2005; Basseur 2005;
Zitzler 1999; Zydallis 2003). Estas mtricas permitem quantificar um ou
mais aspectos da qualidade da soluo: a convergncia, distribuio e
difuso. Certos mtricas so utilizadas quando a frente de Pareto
conhecido e outros, se isso desconhecido.
A primeira mtrica ns temos usados em hiper-volume (ou hiper-area)
mtrica H, introduzido por (Zitzler 1999). Essa mtrica calcula uma
aproximao do volume includo debaixo da curva formado pela fronteira de
Pareto. Quando duas fronteiras de Pareto contm o mesmo nmero de
pontos, o menor valor de H a melhor fronteira. Isso usado e
recomendado para muitas pesquisadores avaliar o conjunto de Pareto.
(Barichard 2005; Basseur 2005; Fleischer 2003; Knowles and Hughes 2005; Knowles
and Corne 2002; Zitzler 1999), especialmente desde (Fleischer 2003) mostrou

que a otimizao desta mtrica uma condio necessria e suficiente para

a otimizao da fronteira de Pareto. Essa medida reflete os diferentes
aspectos da qualidade da soluo, em particular, a convergncia e
disseminao. Nos dois casos dimensional (bi-objetivo), o volume de H a
unio dos retngulos definidos pelos pontos (0,0) e
Outra mtrica importante que frequentemente usado a mtrica C
introduzida tambm por (Zitzler 1999). Essa uma medida relativa que
permite diferenciar claramente duas frentes A e B onde outras metricas (o
hiper-volume por exemplo) tem medidas muito semelhantes. O valor de
C(A,B) representa a porcentagem das soluoes em B dominada por pelo
menos uma soluo de A. Essa a formula para computar.

C ( A, B)

|{b B / a A : a p b}|
|B|

O valor C(A,B)=1 significa que todas as solues de B so dominadas por A.

O oposto, C(A,B)=0, representa a situao quando nenhum dos pontos em B
so dominados por A. Assim quanto mais prximo o valor de C(A,B) a 1, a
fronteira A melhor comparada a . Uma vez que esta medida no

C ( A, B) 1 C ( B, A)
simtrica, isto
, necessrio calcular C(B,A). Portanto,
A melhor que B se C(A,B)>C(B,A).
Resultados computacionais
Para a comparao entre os dois algoritmos usados para resolver o nosso
problema, geramos dez m-mquinas, n-trabalhos problemas em mquinas
paralelas. Usando o nmero de maquinas (m) e o nmero de trabalhos (n),
ns observamos para cada problema o par (m,n). O teste dos problemas
propostos so (2, 10), (2, 20), (3, 20), (3,40), (3, 60), (5, 20), (5, 40), (5, 60),

(8, 40) e (8, 60). O tempo de processamento de cada trabalho foi

especificado como um inteiro aleatrio no intervalo [1, 50]. Em otimizao
multi-objectivo, no fcil comparar eficientemente dois algoritmos,
especialmente se os dois algoritmos incluem vrios parmetros. Assim,
como no Ishibuchi et ai. (2003), foram examinados 27 combinaes dos
seguintes valores de parmetros.
Tamanho da populao (Npop): 30, 60, 120.
Probabilidade de crossover (pc): 0.6, 0.8, 1.0.
Probabilidade d mutao (pm): 0.4, 0.6 e 0.8 (por vetor)
Ns usamos um nmero de geraes de 100 para os dois algoritmos. O
nmero de solues elitistas so 10 para cada gerao (N elite=10) que o
mesmo valor a partir de (Ishibuchi
et al. 2003) para seus algoritmos MOGLS. A probabilidade de crossover (p c) e
a probabilidade de mutao (p m) so relacionados com a parte de produo.
Para a parte de manuteno, estes dois parmetros so ajustados para 0,8
e 0,01 (por pouco), respectivamente. Cada um dos dois algoritmos foi
aplicada a cada um dos problemas de teste 20 vezes para cada uma das 27
combinaes dos valores de parmetros. Portanto, 540 conjuntos de soluo
(frentes no dominadas) foram obtidos por cada um algoritmo para cada
problema teste. Para cada corrida, uma nova instncia do tempo de
processamento gerado. Foram utilizados trs medidas de desempenho
para comparar os dois algoritmos: o volume de hiper-mtrico H, o C e o
nmero mtrico de solues obtidas. Ns temos utilizado o teste de MannWhitney para testar se existir uma diferena significativa entre os resultados
obtidos a partir dos dois algoritmos para uma determinada medida de
desempenho. O teste U de Mann- Whitney um teste no paramtrico para
determinar se duas amostras de observaes provm da mesma
distribuio. A hiptese nula que no h diferenas significativas entre as
duas amostras (eles vm de uma nica populao) e, portanto, de que a sua
distribuio de probabilidade so iguais. As condies para a sua aplicao
so a independncia das duas amostras e do tipo de observaes deve ser
ordinal ou contnua.
Comparao justa entre dois conjuntos de solues com o H mtrica exige a
igualdade do nmero de solues obtidas pelos dois conjuntos. Portanto,
inicialmente, os dois algoritmos s foram comparados de acordo com dois
critrios, o nmero de solues obtidas e o C mtrica. Em seguida, outros
foram realizadas comparaes com um nmero igual de solues obtidas
(WSGA executado em primeiro lugar, a comparao s aceito se o
nmero de solues obtidas por NSGAII igual ao do WSGA) de acordo com
as mtricas ambos H e C. Tabela 3 d o melhor, mdio e pior valores do
nmero de solues obtidas a partir dos conjuntos de solues 540 . Como
podemos ver a partir desta tabela, os dois mtodos podem obter valores
baixos para este critrio. Em geral, o nmero de solues obtido como
diminui o nmero de mquinas e aumentar tarefas. Isto est relacionado
com a especificao de funo indisponibilidade e o facto de as mquinas
esto em paralelo. Por este critrio, NSGA -II supera significativamente
WSGA com o nvel de confiana de 99 % pelo teste U de Mann- Whitney.

Tabela 3
A Tabela 4 d a melhor, a mdia, e os piores valores da mtrica C obtido
ao longo dos conjuntos das 540 solues. Como podemos ver a partir desta
tabela, os dois mtodos podem obter valores baixos para este critrio. Em
geral, o nmero de solues obtidas diminui medida que o nmero de
mquinas e aumentar as tarefas. Isto est relacionado com a especificao
de funo indisponibilidade e o facto de as mquinas esto em paralelo. Por
este critrio, NSGA-II supera significativamente WSGA com o nvel de
confiana de 99% pelo teste U de Mann-Whitney.
A Tabela 4 d a melhor, a mdia, e os piores valores da mtrica C obtido ao
longo dos conjuntos de solues 540. Para cada ensaio, no houve diferena
significativa em termos de H mtrica entre os dois mtodos com um nvel
de confiana de 99% pelo teste U de Mann-Whitney. Por outro lado, NSGA-II
supera claramente WSGA em termos de C mtrica, como podemos ver na
Tabela 6.

Tabela 4

Tabela 6
Alm disso, testamos o desempenho de cada algoritmo usando a
melhor combinao dos trs parmetros N pop , PC e Pm para cada problema
teste. Ns escolhemos a combinao dos parmetros de ter dado o melhor
conjunto de solues para cada problema teste para cada algoritmo na
Tabela 5. Os resultados obtidos por cada um algoritmo para cada problema
de ensaio utilizando o H mtrica ea mtrica C pode ser visto na Tabela 7 e 8,
respectivamente.

Tabela 5
Podemos ver na Tabela 7, que WSGA superou NSGA II por trs
problemas de teste em termos da mtrica H. Alm disso, WSGA obtm
resultados semelhantes aos NSGA-II para dois problemas de teste em
termos de C mtrica. No entanto, para os outros problemas de teste NSGA-II
amplamente supera o WSGA, particularmente em termos da mtrica C,
como podemos ver na Tabela 8.

Tabela 7.

Tabela 8.
Concluses
Neste trabalho, propomos um modelo integrado bi- objetivo para resolver o
problema de coproduo e programao de manuteno no caso de
mquina paralela. A fiabilidade do sistema de produo considerada como
um critrio de desempenho. Dois critrios importantes nos sistemas de
produo so bastante otimizado: o makespan e a indisponibilidade do
sistema. Propusemos um novo critrio para programar a manuteno de
aes preventivas dentro da sequncia de produo que permite encontrar
um certo equilbrio entre a indisponibilidade do sistema e os custos de
manuteno. Ns testamos dois algoritmos evolucionrios multi-objetivas
adaptadas ao nosso problema. As solues de Pareto obtidos so trocas
entre os dois objetivos, permitindo que o gerente para fazer dois tipos de
decises, ao mesmo tempo: Decidir qual mquina cada trabalho de
produo atribuda e decidir quando realizar aes de manuteno em
cada mquina de tal forma que os objetivos da ambos os servios so
simultaneamente otimizados. Avaliaes computacionais com dez
problemas de teste e um total de 5.400 casos mostraram que o algoritmo
gentico baseado no conceito de dominao oferecer solues muito
eficientes do que o baseado na funo escalar de acordo com duas medidas
de desempenho. Pretendemos estudar este problema, tendo em conta

outros critrios, como o atraso total para a produo ou os custos da PM

atravs do nmero de intervenes. Pensamos tambm que incluir em
nossas limitaes problemas relacionados com a produo ou manuteno.
Outros ambientes de produo mais complexos, como sistemas hbridos
esto previstas. Do ponto de vista dos mtodos de soluo, estamos
interessados em estudar o efeito da hibridizao dos algoritmos genticos
utilizados em nosso estudo.