Escolar Documentos
Profissional Documentos
Cultura Documentos
Viviane Mller
COMISSO EXAMINADORA
Titulares
AGRADECIMENTOS
Salmo 90
Porque mil anos aos teus olhos so como o dia de ontem que
passou, e como uma viglia da noite.
Pois somos consumidos pela tua ira, e pelo teu furor somos
conturbados.
Pois todos os nossos dias vo passando na tua indignao; acabamse os nossos anos como um suspiro.
RESUMO
ABSTRACT
The facility layout problem is old and it consists, basically, in finding the best way of
arrangement of the facilities (machines, departments, etc.) inside of an application field
(industry, hospital, banc, etc.). Although the problem is easy to understand, its solution is hard
due to the computational complexity. Different methods were used in its resolution and the
search for more efficient methods due to the scientific and economic importance still takes
place. This work proposes the use of the method of Particle Swarm Optimization - PSO to
optimize the layout problem. Particle Swarm is an evolutionary metaheuristic based in
population (swarm), formed by individuals (particles), whose evolution happens through the
speed. It is an algorithm of simple concept, easy implementation, robustness to control
parameters and computational efficiency during the optimization process. Each particle
possesses a speed that allows it to travel the space of solutions and a position in that space. To
each iteration, and for each particle, the speed is updated in agreement with the previous
speed added to the cognitive part of the formula, that represents the knowledge and to the
social part that represents the cooperation among the particles. The new position of the
particle is determined by the sum of its current position and the new speed. The present work
presents two approaches, developed from the algorithm particles swarm to solve the facility
layout problem. The second approach presented better results and compared to other results
found in the literature it is possible to prove the efficiency of the method Particle Swarm for
the facility layout problem for all the tested instances.
Keywords: Facility layout problem, Particle swarm, Attractor-Repeller model, optimization.
i, j facilidades/partculas
dij distncia entre as facilidades i e j
xi posio da partcula i em relao ao eixo x
yi posio da partcula i em relao ao eixo y
Hij razo de aproximao entre as facilidades i e j
aij adjacncia entre as facilidades i e j
tij distncia-alvo entre as facilidades i e j
parmetro que controla a sobreposio das facilidades
nl coeficiente de no linearidade
G conjunto de seqncia de operadores gerados da troca de um operador
ri raio da facilidade i
N nmero de facilidades
n nmero de partculas
cij custo entre as facilidades i e j
P constante de penalidade
wi largura da facilidade
he altura da facilidade
qi centro da facilidade i
vi velocidade atual da partcula i
c1, c2 parmetros de confiana
rand() funo aleatria
pbesti melhor posio que a partcula i j obteve durante a busca
gbest melhor posio encontrada pelas partculas no enxame
c1ini valor inicial para o parmetro de confiana cognitivo
c1fin valor final para o parmetro de confiana cognitivo
c2ini valor inicial para o parmetro de confiana social
c2fin valor final para o parmetro de confiana social
R nmero de iteraes
it iterao atual
s nmero de layouts
Vgbest velocidade prxima melhor posio do enxame
Vpbesti velocidade prxima melhor posio da partcula
vmax limitador de velocidade
w componente inercial
wini = valor inicial para o coeficiente de inrcia
wfin = valor final para o coeficiente de inrcia
k fator de constrio
c3r parmetros de confiana na iterao it
gbesti posio da partcula i, quando obtida a melhor avaliao global do enxame
C centride do enxame
c3ini = valor inicial para o parmetro de atrao da partcula pelo grupo
c3fin = valor final para o parmetro de atrao da partcula pelo grupo
(pbesti xi) distncia entre a melhor posio j encontrada pela partcula i e a posio atual
dessa mesma partcula
(gbesti xi) distncia entre a posio da partcula i quando o enxame atingiu o timo global
e a posio atual dessa partcula.
AVOLI ferramenta computacional chamada Ambiente Visual para Otimizao de Layout
Industrial
10
LISTA DE FIGURAS
11
LISTA DE TABELAS
12
SUMRIO
INTRODUO ......................................................................................................................14
1.1 Motivao........................................................................................................................15
1.2 Objetivos .........................................................................................................................15
1.2.1 Objetivo Geral ..............................................................................................................15
1.2.2 Objetivos especficos ....................................................................................................16
1.3 Metodologia ....................................................................................................................16
1.4 Estrutura da Dissertao..................................................................................................17
2 O PROBLEMA DE LAYOUT..........................................................................................18
2.1 Um problema combinatorial ...........................................................................................18
2.2 O problema de layout de facilidades...............................................................................19
2.3 Modelagem do problema de layout.................................................................................22
2.3.1 Problema Quadrtico de Alocao ...............................................................................22
2.3.2 Teoria dos Grafos .........................................................................................................23
2.3.3 rvores Binrias ...........................................................................................................24
2.3.4 Modelo DISpersion-CONcentration.............................................................................25
2.3.5 Modelo Attractor-Repeller............................................................................................25
3 HEURSTICAS E O PROBLEMA DE LAYOUT .........................................................29
3.1 Algoritmos Genticos e o Problema de Layout...............................................................29
3.2 Simulated Annealing e o Problema de Layout................................................................30
3.3 Busca Tabu e o Problema de Layout...............................................................................32
4 ENXAME DE PARTCULAS.........................................................................................37
4.1 Histrico..........................................................................................................................37
4.1.1 O algoritmo de otimizao por enxame de partculas ..................................................38
4.1.1.1 Parmetros de confiana.............................................................................................39
4.1.1.2 Funo aleatria .........................................................................................................40
4.1.1.3 Acelerao por distncia ............................................................................................40
4.1.1.4 Implementao do algoritmo original de otimizao por enxame de partculas ........40
4.1.2 Variantes do algoritmo de otimizao por enxame de partculas .................................42
4.1.2.1 Limitador da velocidade.............................................................................................42
4.1.2.2 Componente inercial...................................................................................................42
4.1.2.3 Fator de constrio .....................................................................................................44
4.1.3 Centride do enxame ....................................................................................................44
13
14
INTRODUO
Desde a dcada de 60 vrios estudos vem sendo realizados para encontrar a melhor
soluo para o problema de layout, que consiste, basicamente, em encontrar a melhor
disposio de departamentos ou mquinas (facilidades) numa indstria, no caso de layout de
facilidades ou a melhor disposio dos componentes e das interconexes entre eles, no caso
de layout de circuitos eletrnicos, por exemplo.
O problema visto como um problema de otimizao combinatria, pertencente
classe de problemas no-determinsticos polinomiais completos, ou seja, no existe um
algoritmo polinomial conhecido que encontre uma soluo tima em tempo computacional
aceitvel (SAHNI e GONZALEZ, 1976). Neste caso, pode-se usar heursticas que so
direcionadas otimizao global de um problema, capazes de obter solues aproximadas.
Nas ltimas dcadas, surgiram vrios procedimentos enquadrados como heursticas na
soluo de diversos problemas altamente combinatrios, tais como: Simulated Annealing
(KIRKPATRICK et al, 1983), Busca Tabu (GLOVER, 1989a; 1989b), Greedy Randomized
Search Procedure GRASP (FEO e RESENDE, 1995), Variable Neighbourhood Search
VNS (MLADENOVIC, 1995; MLADENOVIC e HANSEN, 1997), Algoritmos Genticos
(HOLLAND, 1975), Colnia de Formigas (DORIGO, 1992) e Enxame de Partculas
(KENNEDY e EBERHART, 1995).
O mtodo de otimizao por Enxame de Partculas (Particle Swarm Optimization
PSO) foi inicialmente proposto por Kennedy e Eberhart (1995) e inspirado no comportamento
de agentes sociais. Na natureza, esse comportamento pode ser observado em bandos de
15
1.1 Motivao
Poucas heursticas, j aplicadas ao problema de layout na tentativa de encontrar uma
soluo tima ou quase-tima, podem ser consideradas eficientes, pois no cumprem o seu
propsito em tempo de processamento e/ou memria aceitvel. Por esta razo e,
principalmente, pela importncia da aplicabilidade de layout de qualidade na indstria, este
trabalho verifica a eficincia do mtodo enxame de partculas, ainda pouco explorado para
este problema.
Para manterem-se competitivas e eficientes na sua rea de atuao, as indstrias
necessitam que a organizao e posterior reorganizao do layout sejam atividades constantes,
devido, principalmente, evoluo tecnolgica que produz novas mquinas e equipamentos,
tornando modelos e mtodos obsoletos. Sob o aspecto econmico h uma considervel
reduo de custos na minimizao das interconexes dos departamentos para a indstria que
adota um layout planejado e coerente (MOURA et al, 2002).
1.2 Objetivos
1.2.1 Objetivo Geral
O objetivo geral deste trabalho verificar a eficincia do mtodo enxame de partculas
na otimizao do problema de layout de facilidades.
16
1.3 Metodologia
Este trabalho se origina de uma pesquisa exploratria, de uma pesquisa descritiva e de
uma pesquisa experimental (SANTOS, 2000). Inicialmente, foi realizada uma busca exaustiva
por bibliografia, nacional e, principalmente, internacional, j que as pesquisas sobre a tcnica
de otimizao por enxame de partculas, o problema de layout e as abordagens para tentar
resolv-lo, continuam recentes no Brasil.
Ainda na fase exploratria, foi feito um levantamento bibliogrfico de pesquisas j
realizadas. Este material coletado foi utilizado na fase experimental do processo quando, a
partir dos resultados obtidos com este trabalho, foi possvel a comparao a fim de verificar a
eficincia da tcnica aplicada a este problema.
Aps, com base nas leituras feitas a partir do material proveniente da pesquisa
exploratria, foram relatadas as caractersticas do problema de layout e da tcnica de
otimizao por enxame de partculas, a ser utilizada neste trabalho, o que constitui a pesquisa
descritiva. Em seguida foi definida a modelagem do problema.
O prottipo foi desenvolvido utilizando a Linguagem de Programao Orientada a
Objetos, Java, que uma linguagem concisa, portvel, independente de plataforma e com
vrios recursos multimdia e componentes de interface grfica. O computador utilizado para o
desenvolvimento do prottipo e os inmeros testes realizados foi um Pentium IV, de 2.8 GHz
e 512 MB de memria RAM.
17
18
O PROBLEMA DE LAYOUT
19
20
fato de tal conjunto ser discreto, impossibilita o uso das noes de continuidade, dificultando
nos processos que utilizam o conceito de direo para caminhar no sentido do timo
(CORTES, 1996).
No caso do projeto de layout de setores dentro de um prdio, o nmero de layouts
igual a fatorial de N, sendo N o nmero de setores (facilidades) a arranjar. No layout de
mquinas a complexidade aumenta, pois, alm do espao das mquinas, deve-se considerar o
espao para circulao, o espao para operao e manuteno dos equipamentos e reas para
futuras expanses (MARQUES, 1993).
O layout industrial a representao espacial dos fatores que concorrem para a
produo envolvendo homens, materiais e equipamentos (facilidades), e as suas interaes.
Resolver o problema de layout consiste em encontrar a melhor forma de fazer isso,
objetivando, principalmente:
Facilitar o processo de trabalho, usar eficientemente a fora de trabalho e promover o
conforto e a segurana do empregado, bem como seu interesse. Consiste em minimizar a
movimentao de materiais e pessoas, normalmente pela aproximao de equipamentos e
pontos de estocagem. A aproximao de equipamentos tambm leva uma melhor utilizao da
mo-de-obra, uma vez que reduz o trabalho improdutivo e permite a diversificao das
atividades. Alm disso, uma aproximao de equipamentos tambm aproxima as pessoas, que
podem se relacionar melhor no ambiente de trabalho (GAITHER e FRAZIER, 2001);
Maximizar a flexibilidade e a produtividade. A flexibilidade das operaes passa
pela facilitao do processo de trabalho, tendo reflexo direto sobre a produtividade. A
proximidade de equipamentos e pessoas permite a identificao e reduo de problemas de
qualidade, aumentando a produtividade do sistema;
Fazer uso econmico da rea. Um bom e racional aproveitamento do espao pode ter
reflexos sobre aspectos estratgicos (expanso e diversificao da produo), uma vez que, se
houver falta de espao, a compra de novos equipamentos ser dificultada ou no ser
efetuada.
Um bom sistema de layout extremamente importante para racionalizar as atividades
envolvidas. Isso igualmente importante para na implementao de sistemas industriais e
suas operaes dirias (ALVARENGA, 2000).
21
instalaes.
distncia
d ij = ( xi x j ) 2 + ( y i y j ) 2 .
entre
as
facilidades
dada
por:
22
- Distncia Euclidiana Quadrtica: esta medida atribui uma maior preponderncia aos
pares de facilidades que se encontram afastados: d ij = ( xi x j ) 2 + ( y i y j ) 2 .
- Distncia Retangular (Distncia Retilnea ou, ainda, distncia Manhattan): verifica a
distncia entre dois pontos, entre os quais pode haver somente movimento de uma forma
retilnea. Devido a sua simplicidade, a frmula mais utilizada: d ij =| xi x j | + | y i y j | .
(DREZNER,
1980;
1987),
modelo
Spring-Embedding
23
24
aij = 0
caso contrrio.
Maximizar
H
iE jE
sujeito a
ij
aij ,
(1)
aij = 1, {i, j} B,
aij = 0, {i, j} F,
(V, E B) um grafo planar, ou seja, aquele que pode ser mapeado no
25
Minimizar
cij d ij
(2)
i =1 j = i +1
A nica restrio que este modelo considera que no haja sobreposio, ou seja,
ri + rj dij 0, 1 i < j N
(3)
26
N 1
Minimizar F =
cij d ij
i =1 j = i +1
(4)
d ij = ( xi x j ) 2 + ( y i y j ) 2
(5)
Este modelo utiliza o conceito de distncia alvo, tij, que age como uma fora repulsiva
entre as facilidades, sendo esta calculada da seguinte forma,
tij = (ri + rj), 1 i < j N,
(6)
(7)
sendo representada da seguinte forma, onde P uma constante maior que zero,
N 1
Minimizar F =
N 1
cij d ij + P
i =1 j =i +1
i =1
d ij
.
f
j =i +1 t ij
N
(8)
27
Fora atrativa
dij ri + rj
Fora repulsiva
dij < ri + rj
Toda vez que a soma dos raios de duas facilidades forem menor ou igual distncia
euclidiana entre elas ocorre uma fora atrativa entre elas. Do contrrio, ou seja, quando a
soma dos raios de duas facilidades forem maior que a distncia euclidiana entre elas significa
uma sobreposio, ento, uma fora repulsiva age sobre elas.
O modelo AR considera as seguintes restries:
ri + rj dij 0, 1 i < j N,
(9)
xi + ri wi 0, i = 1, ..., N,
(10)
ri xi wi 0, i = 1, ..., N,
(11)
yi + ri he 0, i = 1, ..., N,
(12)
ri yi he 0, i = 1, ..., N,
(13)
Anjos e Vannelli (2002) utilizaram o modelo AR para tentar obter melhores layouts.
Inicialmente utilizaram = 1, mas constataram que as facilidades ficavam muito separadas
umas das outras. Ento, utilizaram = 0.005, o que resolveu o problema, no entanto, gerou
28
29
30
Figura 2 Representao de uma rvore binria utilizada para resolver o problema de layout
com o mtodo algoritmo gentico
Fonte: Furtado e Lorena, 1997b.
A seleo dos parmetros: tamanho da populao, taxa para crossover e mutao foram
baseados nos estudos de Grefenstette (1986) e Schaffer et al (1989). Quatro layouts com 12,
15, 20 e 30 facilidades foram analisados (NUGENT et al, 1968), cuja soluo inicial foi
gerada aleatoriamente, determinando operadores de corte para 30 ns da rvore.
performance do algoritmo gentico foi comparada com o mtodo hill-climbing, que busca
uma vizinhana G, onde G um conjunto de seqncia de operadores gerados da troca de um
operador. Para layout de 30 facilidades os algoritmos genticos melhoraram o resultado
mnimo em 10,5% e o resultado mdio em 13% (MAVRIDOU e PARDALOS, 1997).
31
posio de duas facilidades, aplicar a funo objetivo e, se o valor for menor que o encontrado
anteriormente, realizar a troca. Isso repetido at 100N iteraes ou at que o nmero de
novas solues aceitas for igual a 10N, onde N o nmero de facilidades no problema de
layout. Aps, o algoritmo decrementa o valor da temperatura baseado na razo de
1, 4, 3, 2
3, 1, 4, 2
32
2, 4, 1, 3
3, 2, 1, 4
4, 3, 1, 2
Quando todas as solues vizinhas geradas tiverem sido avaliadas pelo algoritmo
simulated annealing, o equilbrio alcanado. A Tabela 1 mostra os resultados obtidos pelo
4
5
6
7
8
10
11
20
30
225.000
1.165
2.085
5.420
2324.500
2781.500
6933.500
15602.000
45111.000
Observa-se que, na maioria dos casos, houve uma melhora da soluo final e, nenhum
resultado apresentou qualidade inferior queles encontrados na literatura.
Koakutsu e Hirata (1992) propuseram um algoritmo chamado Genetic Simulated
Annealing (GSA) para o problema de layout de circuitos eltricos. O problema consiste em
33
soluo inicial, a busca tabu explora a vizinhana e, atravs de movimentos que no sejam
tabus, ou seja, impedidos de serem realizados, gera-se uma nova soluo que avaliada
atravs da funo objetivo. Se a soluo encontrada for melhor que a anterior, acontece a
atualizao da soluo corrente. A lista tabu atualizada acrescentando-se a troca efetuada e
decrementando o tempo tabu (tempo em que uma soluo permanece na lista tabu) das trocas
j contidas nela.
Alvarenga (2000) utilizou a busca tabu na tentativa de resolver o problema de layout. A
heurstica proposta similar ao algoritmo simulated annealing: para cada i variando de 1 at
(N-1) e j variando de i+1 at N, uma troca entre as facilidades i e j executada. Os resultados
foram considerados satisfatrios comparados com o que havia na literatura at o momento da
pesquisa, conforme mostra a Tabela 2.
Tabela 2 Resultado da aplicao do mtodo busca tabu ao problema de layout
Nmero de
departamentos
4
5
6
7
8
10
11
20
30
225.000
1.165
2.085
5.420
2324.500
2781.500
6933.500
15602.000
45111.000
Observa-se que os valores encontrados com o algoritmo busca tabu foram os mesmos
encontrados utilizando-se o algoritmo simulated annealing, apresentados na Tabela 1. No
entanto, o tempo de processamento do primeiro algoritmo bastante inferior.
Martins et al (2003) construram uma ferramenta computacional chamada Ambiente
Visual para Otimizao de Layout Industrial (AVOLI), que faz uso da heurstica busca tabu
para gerar layouts de qualidade.
Inicialmente foi gerada uma lista de alocao contendo a soluo inicial da seguinte
forma: o maior departamento alocado e, aps, a alocao feita de acordo com o grau de
relacionamento entre os departamentos, ou seja, o prximo a ser alocado ser aquele que
34
possuir maior relacionamento com aquele inserido anteriormente. Se isso no ocorrer, ento o
prximo departamento a ser alocado o maior deles. Aps, a alocao segue de acordo com o
grau de relacionamento.
Aps gerada a lista de alocao, executado o algoritmo de alocao, responsvel por
posicionar os elementos da lista no quadro externo. A alocao feita da esquerda para direita
e de cima para baixo e o algoritmo busca tabu , ento, executado. Martins et al (2003)
realizaram os testes utilizando oito problemas-teste (5, 6, 7, 8, 12, 15, 20 e 30 departamentos)
propostos por Nugent et al (1968) e, baseado neles, realizaram quatro estudos de casos.
No primeiro estudo de caso, Martins et al (2003) utilizou tempo tabu fixo igual a 5 para
os quatro primeiros problemas e 8 para os demais. Utilizou tambm estrutura de vizinhana e
pseudo-troca simples de um determinado tamanho, e o custo entre cada par de departamentos
foi considerado unitrio. O resultado foi comparado com os resultados obtidos por outros
quatro autores e no apresentou melhoras, como pode ser visto na Tabela 3, apresentada pelos
autores.
Tabela 3 Comparativo entre os resultados obtidos pelo AVOLI e por outros pesquisadores:
primeiro estudo de caso
Total de
departamentos
5
6
7
8
12
15
20
30
Total de
iteraes
100
100
100
100
300
200
500
500
Nugent
(1968)
50
86
148
214
578
1.150
2.570
6.124
Tate
(1995)
50
86
148
214
578
1.150
2.598
6.184
Surech
(1995)
50
86
148
214
578
1.150
2.570
6.168
Chiang
(2001)
50
86
144
212
578
1.110
2.564
6.094
AVOLI
50
86
148
214
578
1.150
2.570
6.128
35
Quadro
externo
Total de
iteraes
Soluo
inicial
5
6
7
8
12
15
20
30
14 x 09
13 x 11
16 x 10
18 x 10
19 x 13
20 x 15
21 x 15
25 x 16
250
250
250
250
1.000
500
1.000
1.000
272
456
1.030
1.210
3.229
7.104
13.779
34.274
Soluo final
Exata Heurstica
232
232
376
376
676
676
974
974
2.347
4.853
9.722
23.312
Melhoria
(%)
14,71
17,54
24,72
19,5
27,31
31,69
29,44
31,98
Para o terceiro estudo de caso, foram utilizados os problemas com 8, 12, 15, 20 e 30
departamentos de dimenses diferentes e com algumas restries quanto orientao dos
departamentos e proximidade entre eles. Foram consideradas reas ocupadas e departamentos
fixos. Conforme os resultados obtidos, mostrados na Tabela 5, houve uma melhora
significativa em relao soluo inicial.
Tabela 5 Resultados obtidos com a aplicao da heurstica busca tabu ao problema de
layout: terceiro estudo de caso
Total de
departamentos
Quadro
externo
Total de
iteraes
Soluo
inicial
Soluo final
Melhoria
(%)
8
12
15
20
30
10 x 17
18 x 13
20 x 14
21 x 15
25 x 16
1.000
1.000
1.000
1.000
1.000
1.172
4.174
6.870
17.502
28.660
898
2.744
5.306
10.338
21.888
23,38
34,26
22,77
28,37
22,58
36
Quadro
externo
Total de
iteraes
Soluo
inicial
Soluo
final
Melhoria
(%)
40
55
60 x 45
90 x 60
500
500
111.027
187.770
78.755
130.930
29,07
30,27
37
ENXAME DE PARTCULAS
4.1 Histrico
O mtodo de otimizao por enxame de partculas (Particle Swarm Optimization
PSO) foi desenvolvido por Kennedy e Eberhart, em 1995, a partir do trabalho do bilogo
Frank Heppner, que analisou o comportamento de um grupo de pssaros a procura de
alimento ou de um lugar para construir o ninho, conforme ilustrado na Figura 3.
O mtodo faz uma simulao do comportamento social dos pssaros, ou seja, quando
um pssaro encontra o alimento, por exemplo, todos os demais passam a encontr-lo tambm,
mais rapidamente. O que acontece um aprendizado por parte do bando no momento que um
dos pssaros adquire determinado conhecimento (GOMES, 2004). Prado e Saramago (2005)
chamam esse processo de inteligncia social.
38
populao.
Segundo Parsopoulos e Vrahatis (2002), cada partcula tratada como um ponto dentro
do espao de busca, que ajusta seu prprio vo de acordo com sua prpria experincia, bem
como a experincia do vo de outras partculas.
Enxame de Partculas um algoritmo estocstico de conceito simples, fcil
implementao, robustez para controlar parmetros e eficincia computacional durante o
processo de otimizao (PARK et al, 2005).
viit+1 = viit + (c1 it * rand()it * (pbesti it xi it) + (c2 it * rand()it * (gbest it xi it),
xi it+1 = xiit + vi it+1
onde:
vi velocidade atual da partcula i
c1, c2 parmetros de confiana
(14)
(15)
39
(16)
) itR + c2 ini
(17)
it
c1it = c1 fin c1ini
+ c1ini
R
c 2 it = c 2 fin c 2 ini
onde:
c1ini = valor inicial para o parmetro de confiana cognitivo
c1fin = valor final para o parmetro de confiana cognitivo
c2ini = valor inicial para o parmetro de confiana social
c2fin = valor final para o parmetro de confiana social
R = Nmero de iteraes
it = iterao atual
40
41
v1
1 (gbest x1)
v2
gbest
(pbest1 x1)
V1
(gbest x2)
V2
(pbest2 x2)
pbest1
pbest2
onde:
pbesti melhor posio da partcula
gbest melhor posio de todas as partculas no enxame
(pbesti xi) distncia entre a melhor posio da partcula e sua posio atual.
(gbest xi) distncia entre a melhor posio de todas as partculas no enxame e sua posio
atual
posio atual
prxima posio
42
43
(18)
) (R R it ) + w fin
(19)
onde:
wini = valor inicial para o coeficiente de inrcia
wfin = valor final para o coeficiente de inrcia
Para e Shi e Eberhart (1998), o ideal que w inicie com um valor alto e v sendo
decrementado a cada iterao para dar equilbrio entre explorao global e local: um valor
alto para w gera um comportamento mais global e um valor baixo, um comportamento mais
local das partculas. Com isso possvel encontrar solues mais refinadas, suficientemente
timas, em um menor nmero de iteraes. Em funo disso, os autores propuseram a
variao linear do coeficiente entre 0,9 e 0,4. Parsopoulos e Vrahatis (2002) consideram uma
boa escolha um valor inicial em torno de 1.2 e gradual declnio para 0.
Chatterjee e Siarry (2006) apresentaram uma proposta de variao no-linear para o
componente inercial, facilitando a convergncia das partculas nas iteraes finais, conforme a
seguinte equao:
(R it )nl
w it =
* wini w fin + w fin
R nl
(20)
44
wnew = fw wold
(21)
vi it+1 = kit [viit +c1it * rand()it * (pbestiit xiit) + c2it * rand()it * (gbestit xiit)]
(22)
sendo,
k it =
2
| 2 4 |
2
(23)
45
xi
C = i =1
(24)
c3 it = c3 fin c3 ini
) itR + c3ini
(25)
Onde:
c3ini = valor inicial para o parmetro de atrao da partcula pelo grupo
c3fin = valor final para o parmetro de atrao da partcula pelo grupo
46
independente umas das outras. Neste caso, as partculas tm informao somente da sua
melhor posio e melhor posio dos seus vizinhos e movem-se para pontos definidos por
pbest, j conhecido, e lbest, que a partcula com melhor avaliao dentre as partculas
47
48
vi it+1 = kit [viit +c1it * rand()it * (pbestiit xiit) + c2it * rand()it * (gbestiit xiit) +
c3it * rand()it * (Cit xiit)]
(26)
(27)
onde:
k fator de constrio
c1, c2, c3 parmetros de confiana
vi it+1 = wit * viit +c1 it * rand()it * (pbestiit xiit) + c2 it * rand()it * (gbestiit xiit) +
c3 it * rand()it * (Cit xiit)
(28)
49
Minimizar F =
d ij
, j = 1, ..., N; j i
i =1 ij
N
cij d ij + P f t
i =1
(29)
50
Neste algoritmo o valor de vmax foi definido como 50. Assim, para vmax igual a 50, por
exemplo, se o resultado da equao da velocidade for superior a 50 a velocidade da partcula
assume valor igual a 50. Se o resultado for inferior a -50, a velocidade da partcula assume
valor -50.
relao ao enxame;
5. O valor da avaliao do enxame, calculado com a Equao 8, comparado ao melhor
(menor) valor j obtido pelo enxame. Se o valor for melhor, o gbesti atualizado. O gbest
da partcula i a posio que essa partcula ocupou no espao, quando o melhor layout foi
obtido;
6. Repetir os passos anteriores a partir do item 2, para todas as partculas, e o algoritmo at
que o critrio de parada seja satisfeito, neste trabalho definido pelo nmero de iteraes.
Considerando-se que cada partcula armazena o seu melhor local (pbest) e seu melhor
global (gbest) para migrar para uma posio mais promissora, a Figura 5 apresentada por
Prado e Saramago (2005) modificada e a Figura 5 traduz a proposta deste novo algoritmo.
51
gbest2
v1
1 (gbest1 x1)
V1
(pbest1 x1)
(gbest2 x2)
V2
gbest1
pbest1
v2
2
(pbest2 x2)
pbest2
52
1
2
3
4
5
Soluo inicial
2
5
0
1
10
3
3
0
1
0
1
5
4
3
10
1
0
10
5
0
3
5
10
0
Melhor layout j
encontrado
4
3
5
1
375
gbest
3
2
375
3
5
3
2
2
1
5
1
2
3
320
5
1
3
1
3
1
290
53
4
2
5
3
4
2
200
5
3
5.2 Resultados
Para avaliar a eficincia do mtodo enxame de partculas, aplicada ao problema de
layout, utilizando o mtodo AR, os resultados foram comparados com os resultados obtidos
por Anjos e Vannelli (2002). Foi realizado tambm um comparativo em relao utilizao
do fator de constrio (k), conforme mostra a Tabela 9 e do componente inercial (w),
conforme Tabela 10.
Para esta proposta, os parmetros para os fatores de confiana foram inicializados com
os seguintes valores: c1ini = 7,5, c1fin = 2,0, c2ini = 7,5, c2fin = 2,0, c3ini = 2,0 e c3fin = 0,01, com
C > 4. O algoritmo utilizou os problemas teste de Nugent et al (1968) e, para cada problema
foram realizadas 10 execues, sendo o critrio de parada estabelecido em 1000 iteraes.
Para cada layout gerado, o percentual de sobreposio foi calculado de acordo com a
Equao 30 (CASTILLO E SIM, 2003):
i =1 j = i +1 max{0, ri + r j d ij }
N 1 N
i =1 j = i +1(ri + r j )
N 1
% sobreposio =
(30)
54
Tabela 8 Resultados obtidos para facilidades com mesma rea, utilizando-se o fator de
constrio
Nmero de
facilidades
12
15
20
30
Enxame de Partculas
Resultado Sobreposio Tempo
(%)
(s)
786
0,0
4
0,51
1586
0,0
2
0,78
2964
0,0
2
0,92
8352
0,0
1
1,15
(%)
528,9
0,0
0,005
1154,0
0,0
0,005
3064,8
0,0
0,005
9208,0
0,0
0,005
Tabela 9 Resultados obtidos para facilidades com mesma rea, utilizando-se o componente
inercial
Nmero de
facilidades
12
15
20
30
Enxame de Partculas
Resultado Sobreposio
(%)
(s)
(%)
636
0,0
2
0,76
528,9
0,0
0,005
1210
0,0
1
0,75
1154,0
0,0
0,005
2710
0,0
0,005
0,87
3064,8
0,0
0,005
8274
0,0
0,005
1,34
9208,0
0,0
0,005
55
15
14
26
10
20
9
29
21
30
13
1
27
8
19
16
17
25
-1
18
23
2
24
28
22
12
-2
11
-3
-3
-2
-1
56
Tabela 10 Ocorrncia de sobreposio das facilidades de acordo com o valor de resultados obtidos para 12 facilidades de mesma rea
Resultado
Tempo
Iterao
Nmero de layouts
Mdia de
4
2
1
0,01
0,005
mdio
mdio (s)
mdia
com sobreposio
853
862
868
863
876
0,72
0,49
0,71
0,59
0,67
161
198
132
117
177
0
0
5
11
12
sobreposio
(%)
0,0
0,0
0,2
1,1
2,0
O mesmo estudo foi realizado para 30 facilidades. A Tabela 11 mostra as mdias dos
resultados obtidos em 10 execues do algoritmo. Utilizando-se 1 a maioria dos layouts
gerados apresenta sobreposio e, quanto menor o valor de , maior a porcentagem de
sobreposio. Com = 2, o nmero de layouts com sobreposio menor, algumas vezes
nulo.
Tabela 11 Ocorrncia de sobreposio das facilidades de acordo com o valor de resultados obtidos para 30 facilidades de mesma rea
Resultado
Tempo
Iterao
Nmero de layouts
Mdia de
4
2
1
0,01
0,005
mdio
mdio (s)
mdia
com sobreposio
11185
11061
10828
10190
9700
1,47
1,47
1,47
1,46
1.46
66
86
78
62
64
0
3
8
10
9
sobreposio
(%)
0,0
0,3
1,5
0,5
0,3
57
12
11
10
-1
-2
-2
-1
inverso, ou seja, quanto maior o valor de , melhores layouts so gerados. Outro resultado
importante que, para 30 facilidades, o melhor layout encontrado antes daqueles
encontrados para 12 facilidades.
58
principalmente em relao ao gbest que consiste no melhor dentre todos os layouts envolvidos
no processo, ou seja, aquele com menor pbest. Cada partcula i do gbest assume o valor da sua
posio gbesti.
6.1 O algoritmo
Aps determinar a quantidade de layouts, s = 1, 2, ..., m, e de partculas a serem
utilizadas e o nmero de iteraes necessrias para execuo, o algoritmo inicializado. Em
cada layout, as partculas so posicionadas no espao bidimensional (x, y), de forma aleatria
e recebem um valor inicial para sua velocidade, o que constitui a soluo inicial.
A cada iterao it, e para cada layout, a velocidade atualizada de acordo com a
Equao 31, que soma velocidade anterior, a parte cognitiva da frmula, representada pelo
conhecimento, e a parte social, representada pela colaborao entre as partculas. A nova
posio da partcula determinada pela soma da sua posio atual e a nova velocidade, em
cada layout, conforme a Equao 32.
vis it+1 = vis it + c1 it * rand()it * (pbestis it xis it) + c2 it * rand()it * (gbesti it xis it)
(31)
(32)
59
vis it+1 = w it * vis it + c1 it * rand()it * (pbestis it xis it) + c2 it * rand()it * (gbesti it xis it)
(33)
O algoritmo armazena as velocidades das partculas Vi = (v1, v2, ..., vn), as posies das
partculas Xi = (x1, x2, ..., xn), as posies das partculas quando encontrado o melhor pbest
dentre todos os layouts Pbestis = (pbest1s, pbest2s, ..., pbestnm) e as posies das partculas do
layout que apresentar o pbest menor daquele j armazenado Gbesti = (gbest1, gbest2, ...,
gbestn).
layout 2
layout 1
layout 3
2
1
pbest: 200
pbest: 400
layout 4
pbest: 550
4
1
pbest: 500
gbest
Figura 8 Determinao do gbest no exemplo ilustrativo de 4 partculas e 4 layouts
60
A posio inicial de cada partcula, pi, escolhida aleatoriamente, assim como sua
velocidade inicial, vi. Para cada partcula i, em cada um dos layouts, calculada a nova
velocidade atravs da Equao 33 e a nova posio, pela equao 32.
6. Repetir a partir do item 2, at que it = itmax, sendo itmax o nmero mximo de iteraes
61
definidas.
6.3 Resultados
Foram realizados testes com instncias cujas facilidades possuem reas de tamanho
igual e testes com facilidades de reas diferentes.
62
10
12
11
11
12
10
-1
-2
-2
-1
Enxame de Partculas
Resultado Sobreposio Tempo
(%)
(s)
542.2
0,0
2
38.5
1057.1
0,0
2
54.2
2407.4
0,0
1
86.3
5871.9
0,0
1
176.6
(%)
528,9
0,0
0,005
1154,0
0,0
0,005
3064,8
0,0
0,005
9208,0
0,0
0,005
63
1
2
3
4
5
6
7
8
9
10
11
12
2
5
0
3
2
3
0
4
4
0
0
0
5
1
2
0
5
0
6
0
2
0
2
10
0
7
0
2
0
2
0
5
0
8
6
0
5
10
0
1
10
0
9
2
4
5
0
0
1
5
0
0
10
1
5
2
0
5
5
2
0
0
0
11
1
0
2
5
1
4
3
5
10
5
0
12
1
0
2
5
1
0
3
0
5
0
2
0
Tabela 14 Distncia entre as facilidades do layout gerado para 12 facilidades de mesma rea
1
2
3
4
5
6
7
8
9
10
11
12
1
0
2
2.0
0
3
4.0
2.0
0
4
4.0
4.4
5.6
0
5
6.0
6.3
7.2
2.0
0
6
6.3
6.0
6.3
2.8
2.0
0
7
4.4
4.0
4.4
2.0
2.8
2.0
0
8
2.0
2.8
4.4
2.0
4.0
4.4
2.8
0
9
4.4
2.8
2.0
4.4
5.6
4.4
2.8
4.0
0
10
5.6
4.4
4.0
4.0
4.4
2.8
2.0
4.4
2.0
0
11
2.8
2.0
2.8
2.8
4.4
4.0
2.0
2.0
2.0
2.8
0
12
7.2
6.3
6.0
4.4
4.0
2.0
2.8
5.6
4.0
2.0
4.4
0
Verifica-se que a maioria das facilidades satisfaz a relao custo versus distncia. Por
exemplo, todas as facilidades com custo igual a 10, ressaltado na Tabela 13, esto prximas
umas das outras, exceto as facilidades 7 e 8. Vale salientar que 2 a distncia mnima que
pode haver entre as facilidades pois o raio 1.
Para 15 facilidades, o valor inicial para c1 e c2 ficou definido como 1,5 e 0,9 como
valor final dessas variveis. O componente inercial variou de 0,9 a 0,6 e vmax foi definido
como 100. Para este teste foram utilizadas 1000 partculas e 1000 iteraes. Para a
64
15
13
10
1
7
12
11
15
10
1
4
-1
14
12
13
5
4
-2
-2
-1
14
11
8
Para 20 facilidades, o valor inicial para c1 e c2 ficou definido como 1,5 e 0,9 como
valor final dessas variveis. O componente inercial variou de 0,9 a 0,4 e vmax foi definido
como 250. Para este teste foram utilizadas 1000 partculas e 1000 iteraes. Para a
penalizao no caso de sobreposio foi definido P = 200. A Figura 11 mostra o layout
gerado com essa configurao.
16
12
13
17
18
2
15
19
15
20
16
11
18
11
20
12
-1
17
14
10
13
19
14
4
-2
10
8
-3
-2
-1
65
Para 30 facilidades, o valor inicial para c1 e c2 ficou definido como 1,5 e 0,9 como
valor final dessas variveis. O componente inercial variou de 0,9 a 0,4 e vmax foi definido
como 250. Para este teste foram utilizadas 1000 partculas e 1000 iteraes. Para a
penalizao no caso de sobreposio foi definido P = 500. A Figura 12 mostra o layout
gerado com essa configurao.
27
4
3
23
22
18
20
14
26
15
1
5
29
10
17
12
2
25
13
11
21
-2
-3
0
-1
28
16
-2
7
30
24
19
-1
A tabela 15 mostra os parmetros utilizados para cada uma das instncias analisadas.
Observa-se que o parmetro P, utilizado junto equao da funo objetivo quando ocorre
sobreposio entre partculas, varia em relao ao nmero de facilidades e precisa ser maior
quanto maior o enxame.
Tabela 15 Variao do fator de penalidade (P)
Parmetros
Facilidades
12
15
20
30
0,9
0,9
0,9
0,9
2,5
1,5
1,5
1,5
0,9
0,9
0,9
0,9
0,9
0,9
0,9
0,9
0,6
0,6
0,4
0,4
150 10
100 20
250 200
250 500
Analisando a tabela acima, verifica-se tambm que o valor que limita a velocidade das
partculas aumenta em funo do nmero de facilidades. Isso ocorre, pois quanto maior o
66
10
12
16
20
23
29
39
42
43
48
67
57
58
62
64
65
67
77
95
98
68
rea
8
10
5
6
6
2
1
8
4
8
Facilidade
11
12
13
14
15
16
17
18
19
20
rea
10
2
8
6
5
1
9
1
4
6
Facilidade
21
22
23
24
25
26
27
28
29
30
rea
3
2
1
9
8
5
4
1
6
1
ri =
ai
, i = 1, .., N
2
(34)
Enxame de Partculas
Anjos e Vannelli (2002)
Resultado Sobreposio Tempo Resultado Sobreposio
(%)
(%)
(s)
626.1
0.0
2
37.7
632.6
0.6
0,005
1241.3
0.0
2
53.9
1389.9
0.2
0,005
2704.8
0.0
1,5
88.6
3605.2
0.0
0,005
6047.2
0.0
1,5 183.5
10516.3
0.0
0,005
69
1
3
9
8
10
11
12
6
4
10
-1
11
-2
-2
-1
12
Aps vrios testes, observou-se que, para 12 facilidades, a atribuio de valores muito
altos para os parmetros c1, c2 e wini pode ocasionar sobreposio das facilidades assim como
valores muito baixos para o limitador de velocidade vmax. E ainda, a diferena entre wini e wfin
deve ser aproximadamente 0,5.
Mesmo que o tempo de processamento seja maior importante utilizar um nmero
maior de layouts para execuo do algoritmo. Quanto ao nmero de iteraes, no h
necessidade deste ser superior a 2000.
Tabela 18 Distncia entre as facilidades do layout gerado para 12 facilidades de reas
diferentes
1
2
3
4
5
6
7
8
9
10
11
12
10
11
12
6.0
3.0
6.0
7.2
5.8
4.4
3.0
3.6
8.6
6.4
5.0
3.1
7.8
7.2
5.0
5.0
6.3
3.1
6.0
3.1
4.2
6.7
7.0
5.0
4.1
4.2
2.0
7.2
4.4
4.0
2.2
3.1
2.8
3.0
5.0
5.0
5.3
3.6
2.2
3.0
4.4
5.0
3.0
4.2
3.1
1.4
3.6
3.0
2.8
2.2
1.0
2.2
2.2
4.2
3.0
1.0
3.1
6.4
5.0
3.1
5.3
2.8
2.0
3.0
3.6
2.0
0
70
Verifica-se que a maioria das facilidades satisfaz a relao custo versus distncia. Por
exemplo, todas as facilidades com custo igual a 10, ressaltado na Tabela 13, esto prximas
umas das outras.
A distncia mnima entre duas facilidades determinada pela soma de seus raios ou,
conforme a Tabela 19, caso duas facilidades tenham o mesmo dimetro a distncia mnima
que pode ter entre elas o valor do dimetro.
Tabela 19 Dimetro para 12 facilidades
Facilidade
Dimetro
1
3
2
3
3
2
4
2
5
2
6
1
7
1
8
3
9
2
10
3
11
3
12
1
71
15
1
10
8
2
18
20
7
3
9
-1
15
13
10
14
14
19
19
6
12
13
20
11
6
5
7
16
16
17
17
-2
11
-3
-2
-1
72
CONCLUSO
quando h sobreposio das partculas. Por esta razo foram testados vrios valores para este
parmetro, para todas as instncias do problema, na busca por bons resultados. Verificou-se
que quanto menor o valor de , maior a incidncia de sobreposio das facilidades no layout
e, que o valor escolhido para este parmetro deve ser maior quanto maior o nmero de
facilidades.
73
assumem suas posies como gbest que so utilizadas por todos os outros layouts, quando a
velocidade e a posio so atualizadas, at que se encontre outro gbest melhor.
Neste algoritmo, o mtodo enxame de partcula obteve melhores resultados em todas
as instncias testadas, comparando-se com os resultados obtidos por Anjos e Vannelli (2002).
Para visualizao concreta de um layout industrial, a partir dos resultados obtidos, foram
gerados layouts retangulares.
Em vista a todas as consideraes, o uso do mtodo enxame de partculas indicado
na otimizao do problema de layout. No entanto, por ser um mtodo relativamente recente,
pode ser mais explorado e, talvez, aperfeioado.
74
REFERNCIAS
ABINO, M.A. Optimal design of power-system stabilizers using particle swarm optimization.
IEEE Trans. Energy Conv., vol. 17, n. 3, sept. 2002, p. 406-413.
ALBRECHT, C.H. Algoritmos evolutivos aplicados a sntese e otimizao de sistemas de
ancoragem. COPPE/Ufrj, 2004.
ALVARENGA, A.G. de; NEGREIROS-GOMES, F.J.; MESTRIA, M. Metaheuristic methods
for a class of the facility layout problem. Journal of Intelligent Manufacturing, Vitria, n.11,
2000, p. 421-430.
ANDRADE, Eduardo Leopoldino de. Introduo Pesquisa Operacional. 2.ed. Rio de
Janeiro: LTC, 1998.
ANGELINE, P.J. A historical perspective on the evolution of executable structures.
Informaticae, v. 36, 1998, p. 179-195.
ANJOS, M.F.; VANNELLI, A. An attractor-repeller approach to floorplanning.
Mathematical Methods of Operations Research, n. 1, 2002, p. 3-27.
ARMOUR, G.C.; BUFFA, E.S. A heuristic algorithm and simulation approach to the relative
location of facilities. Management Science, n.9, 1963, p. 294-309.
AZADIVAR, F.; WANG, J. Facility layout optimization using simulation and genetic
algorithms. International Journal of Production Research, v. 38, n. 17, 2000, p. 4369-4383.
BAZARAA, M.S.; ELSHAFEI, A.N. An exact branch and bound procedure for quadratic
assignment problems. Naval Research Logistics Quarterly, n. 26, 1979, p. 109-121.
BURKARD, R.E.; RENDL, F. A Thermodynamically Motivated Simulation Procedure for
Combinatorial Optimization Problems. European Journal of Operational Research, n. 17,
1984, p. 169-174.
CASTILLO, I.; SIM, T. A Spring-Embedding Approach for the Facility Layout Problem.
University of Alberta School of Business, Edmonton, Alberta, Canada, 2003.
75
CHATTERJEE, A.; SIARRY, P. Nonlinear inertia weight variation for dynamic adaptation in
particle swarm optimization. Computers & OR, n. 33, 2006, p. 859-871.
CHIANG, W. C. Visual facility layout design system, International Journal Production
Research, v. 39, n. 9, 2001, p. 1811-1836.
CLERC, M.; KENNEDY, J. The Particle Swarm-Explosion, Stability, and Convergence in a
Multidimensional Somplex space. IEEE Transaction on Evolutionary Computation, v. 6, 2002,
p. 58-73.
CORTES, M.B.S. Algoritmos Genticos em Problemas de Programao No Linear
Contnua. (Tese de Doutorado). UFSC, Florianpolis, 1996.
DICKEY, J.W.; HOPKINS, J.W. Campus building arrangement using topaz. Transportation
Research, n. 6, 1972, p. 59-68.
DORIGO, M. Optimization, Learning and Natural Algorithms. Ph.D. Thesis, Politecnico di
Milano, Italy, 1992.
DREZNER, Z. DISCON: a new method for the layout problem. Operations Research, n. 28,
1980, p. 1375-1384.
_____. A heuristic procedure for the layout of a large number of facilities. Management
Science, n. 33, 1987, p. 907-915.
EBERHART, R.C.; SIMPSON, P.K.; DOBBINS, R.W. Computational Intelligence PC Tools.
Boston, MA: Academic Press Professional, 1996.
EBERHART, R.C.; HU, X. Human tremor analysis using particle swarm optimization. Proc.
Congress on Evolutionary Computation 1999, Washington, DC, Piscataway, NJ: IEEE
Service Center, 1999, p. 1927-1930.
EBERHART, R.C.; SHI, Y. Comparing inertia weights and constriction factors in particle
swarm optimization. Proceedings of Congress on Evolutionary Computation, San Diego,
2000, p. 84-88.
EBERHART R C, SHI, Y. Particle swarm optimization: development, applications and
resources. In: Proceedings of Congress on Evolutionary Computation, Seoul, Korea, 2001,
p.81-86.
ELSHAFEI, A.N. Hospital layout as a quadratic assignment problem. Operations Research
Quarterly, n. 28, 1977, p. 167-179.
FEO, T.; RESENDE, M. Greedy randomized adaptive search procedures. Journal of Global
Optimization, n. 6, 1995, p. 109-133.
FOULDS, L.R.; ROBINSON, D.F. Graph theoretic heuristics for the plant layout problem.
International Journal of Production Research, v. 16, n. 1, 1978, p. 27-37.
FURTADO, J.C.; LORENA, L.A.N. Otimizao em Problemas de Leiaute. In: XX Congresso
Nacional de Matemtica Aplicada e Computacional e 2 Oficina Nacional de PCE, 1997,
76
77
KENNEDY, J.; EBERHART, R.C.; SHI, Y. Swarm intelligence. San Francisco: Morgan
Kaufmann Publishers, 2001.
KIRKPATRICK, S.; GELLAT, C. D.; VECHI, M. P. Optimization by Simulated Annealing.
Science, n. 220, 1983, p. 671-680.
KOAKUTSU, S.; HIRATA, H. Genetic Simulated Annealing for Floorplan Design. Chiba
University, Japan, 1992.
KOOPMANS, T.C.; BECKMAN, M. Assignment Problems and the Location of Economic
Activities. Econometrica, n. 25, 1957, p. 53-76.
LEE, R.C.; MOORE, J.M. CORELAP: Computerized Relationship Layout Planning.
Industrial Engineering, n. 18, 1967, p. 195-200.
LIM, A.; LIN, J.; XIAO, F. Particle Swarm Optimization and Hill Climbing to Solve the
Bandwidth Minimization Problem. MIC2003: The Fifth Metaheuristics International
Conference, Kyoto, Japan, aug. 2003, p. 25-28.
LOIOLA, E.M.; ABREU, N.M.M. de; NETTO, P.O.B.. Uma reviso das abordagens do
Problema Quadrtico de Alocao. Pesquisa Operacional, v. 24, n. 1, jan-abr. 2004, p. 73109.
MARQUES, S.R.A. Projeto de layout industrial no contexto just in time auxiliado por
computador. (Dissertao de Mestrado) UFSC, Florianpolis, 1993.
MARTINS, V.C.; COELHO, L. dos S.; CNDIDO, M.A.B.; PACHECO, R.F. Otimizao de
layouts industriais com base em Busca Tabu. Gesto & Produo, vol.10, n.1, So Carlos,
apr. 2003.
MAVRIDOU, T.D.; PARDALOS, P.M. Simulated Annealing and Genetic Algorithms for the
Facility Layout Problem: a survey. Computational Optimization and Applications, n. 7, 1997,
p. 111-126.
MLADENOVIC, N. A variable neighborhood algorithm: a new metaheuristic for
combinatorial optimization. In: Abstracts of Papers at Optimization Days, n. 112, 1995.
MLADENOVIC, N.; HANSEN P. Variable neighbourhood search. Computers and
Operations Research, n. 24, 1997, p. 1097-1100.
MONTREUIL, B. A modeling framework for integrating layout design and flow network
design. Proceeding of the Material Handling Research Colloquium, Hebron, KY, 1990, p. 4358.
MONTREUIL, B.; VENKATADRI, U.; RATLIFF, H. D. Generating a layout from a design
skeleton. IIE Transactions, v. 25, n. 1, 1993, p. 3-15.
MOURA, D.A. de; MARTINS, L.A.P; DUARTE, M.L. de A. Aplicao das Tcnicas e
Ferramentas da Disciplina Administrao da Produo e Operaes, Visando Aumento da
Qualidade e Produtividade num Centro de Distribuio Domiciliar dos Correios.
Administrao On Line, v. 3, n. 2, abril/maio/junho, 2002.
78
79