Otimização de Layouts Industriais Através Do Método Enxame de Partículas

1
Viviane Mller
OTIMIZAO DE LAYOUTS INDUSTRIAIS ATRAVS DO MTODO

ENXAME DE PARTCULAS
Dissertao apresentada ao Programa de Ps-Graduao

Sistemas e Processos Industriais Mestrado, rea de
Concentrao em Controle e Otimizao de Processos
Industriais, Universidade de Santa Cruz do Sul, como
requisito parcial para obteno do ttulo de Mestre em
Sistemas e Processos Industriais.
Orientador: Prof. Dr. Joo Carlos Furtado
Co-orientador: Prof. Dr. Rafael Ramos dos Santos
Santa Cruz do Sul, janeiro de 2007
COMISSO EXAMINADORA
Titulares
Prof. Dr. Joo Carlos Furtado Orientador
Prof. Dr. Rafael Ramos dos Santos Co-orientador
Prof. Dr. Geraldo Lopes Crossetti UNISC
Prof. Dr. Denis Borenstein UFRGS
AGRADECIMENTOS
Agradeo a Deus pela vida e pelas bnos recebidas.

Agradeo aos melhores pais do mundo, Arno e Rosvita, por tudo que fizeram por mim.
Agradeo aos meus irmos, Vanessa e Joo Henrique, pela amizade sincera e eterna.
Agradeo ao meu noivorido, Rodrigo, pelo seu amor.
Agradeo ao meu orientador, prof. Dr. Joo Carlos Furtado, pela ajuda e disponibilidade.
Agradeo ao meu co-orientador, prof. Dr. Rafael Ramos dos Santos, pelo reconhecimento.
Agradeo ao Coordenador do Programa de Ps-Graduao em Sistemas e Processos
Industriais, prof. PhD. Marco Flres Ferro, pelas oportunidades.
Agradeo aos demais professores doutores do Mestrado em Sistemas e Processos Industriais:
Geraldo Lopes Crossetti, Rejane Frozza, Jacques Nelson Corleta Schreiber, Rolf Fredi Molz e
Ruben Edgardo Panta Pazos. Muito obrigada pelo bom humor, pelos ensinamentos e bons
exemplos.
Agradeo ao expert Jaime Neis, pela ajuda na programao.
Agradeo s minhas amigas e amigos, em especial Andrea Konzen pelo apoio e Karen
Santorum pelas tradues realizadas e pela prontido em me atender. Obrigada pelo carinho!
Agradeo s secretrias, Cludia e Janaina, pela presteza e ateno.
Agradeo Coordenao de Aperfeioamento de Pessoal de Nvel Superior Capes pelo
auxlio financeiro.
Agradeo a todos que torceram para que eu me tornasse Mestre!
Salmo 90
Senhor, tu tens sido o nosso refgio de gerao em gerao.
Antes que nascessem os montes, ou que tivesses formado a terra e

o mundo, sim, de eternidade a eternidade tu s Deus.
Tu reduzes o homem ao p, e dizes: Voltai, filhos dos homens!
Porque mil anos aos teus olhos so como o dia de ontem que
passou, e como uma viglia da noite.
Tu os levas como por uma torrente; so como um sono; de manh so

como a erva que cresce;
de manh cresce e floresce; tarde corta-se e seca.
Pois somos consumidos pela tua ira, e pelo teu furor somos
conturbados.
Diante de ti puseste as nossas iniqidades, luz do teu rosto os

nossos pecados ocultos.
Pois todos os nossos dias vo passando na tua indignao; acabamse os nossos anos como um suspiro.
10 A durao da nossa vida de setenta anos; e se alguns, pela sua

robustez, chegam a oitenta anos, a medida deles canseira e
enfado; pois passa rapidamente, e ns voamos.
11 Quem conhece o poder da tua ira? e a tua clera, segundo o temor
que te devido?
12 Ensina-nos a contar os nossos dias de tal maneira que alcancemos
coraes sbios.
13 Volta-te para ns, Senhor! At quando? Tem compaixo dos teus
servos.
14 Sacia-nos de manh com a tua benignidade, para que nos
regozijemos e nos alegremos todos os nossos dias.
15 Alegra-nos pelos dias em que nos afligiste, e pelos anos em que
vimos o mal.
16 Aparea a tua obra aos teus servos, e a tua glria sobre seus
filhos.
17 Seja sobre ns a graa do Senhor, nosso Deus; e confirma sobre
ns a obra das nossas mos; sim, confirma a obra das nossas mos.
Viver muito mais do que fazemos habitualmente.
RESUMO
O problema de layout de facilidades antigo e consiste, basicamente, em encontrar a melhor

forma de dispor as facilidades (departamentos, mquinas, etc.) dentro de um campo de
aplicao (indstria, hospital, banco, etc.). Embora o problema seja fcil de entender, a sua
resoluo difcil devido complexidade computacional. Diferentes mtodos foram
empregados na sua resoluo e continua-se a busca por mtodos mais eficientes devido a
importncia cientfica e econmica. Este trabalho prope o uso do mtodo Enxame de
Partculas (Particle Swarm Optimization - PSO) na otimizao do problema de layout.
Enxame de Partculas uma heurstica evolutiva baseada em populao (enxame), formada
por indivduos (partculas), cuja evoluo se d por meio da velocidade. um algoritmo de
conceito simples, fcil implementao, robustez para controlar parmetros e eficincia
computacional durante o processo de otimizao. Cada partcula possui uma velocidade que
permite a ela percorrer o espao de solues e uma posio nesse espao. A cada iterao, e
para cada partcula, a velocidade atualizada de acordo com a velocidade anterior, somada
parte cognitiva da frmula, que representa o conhecimento, e parte social, que representa a
colaborao entre as partculas. A nova posio da partcula determinada pela soma da sua
posio atual e a nova velocidade. Este trabalho apresenta duas abordagens, desenvolvidas a
partir do algoritmo enxame de partculas original, para resolver o problema de layout. A
segunda abordagem apresentou melhores resultados e, comparando-se com outros resultados
encontrados na literatura, pode-se comprovar a eficincia do mtodo Enxame de Partculas
para o problema de layout, para todas as instncias testadas.
Palavras-chave: Problema de layout de facilidades, Enxame de Partculas, modelo AttractorRepeller, otimizao.
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.
LISTA DE SMBOLOS E SIGLAS
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
Figura 1 Representao das foras atrativa e repulsiva entre as facilidades, no modelo

Attractor-repeller................................................................................................... 27
Figura 2 Representao de uma rvore binria utilizada para resolver o problema de
layout com o mtodo algoritmo gentico .............................................................. 30
Figura 3 Representao do mtodo Enxame de Partculas.................................................... 37
Figura 4 Comportamento das partculas no espao de busca bidimensional conforme
processo original de otimizao por enxame de partculas ................................... 41
Figura 5 Comportamento das partculas no espao de busca bidimensional conforme o
algoritmo proposto na abordagem I....................................................................... 51
Figura 6 Layout gerado para 30 facilidades de mesma rea.................................................. 55
Figura 7 Layout gerado para 12 facilidades de mesma rea Abordagem I......................... 57
Figura 8 Determinao do gbest no exemplo ilustrativo de 4 partculas e 4 layouts ............ 59
Figura 9 Layout gerado para 12 facilidades de mesma rea Abordagem II ....................... 62
Figura 10 Layout gerado para 15 facilidades de mesma rea Abordagem II ..................... 64
Figura 13 Representao parcial da movimentao das partculas no espao de busca
para formao de um layout .................................................................................. 67
Figura 14 Layout gerado para 12 facilidades de reas diferentes Abordagem II ............... 69
Figura 15 Layout gerado para 20 facilidades de reas diferentes Abordagem II ............... 71
11
LISTA DE TABELAS
Tabela 1 Resultados da aplicao do mtodo simulated annealing ao problema de layout.. 32

Tabela 2 Resultado da aplicao do mtodo busca tabu ao problema de layout................... 33
Tabela 3 Comparativo entre os resultados obtidos pelo AVOLI e por outros
pesquisadores: primeiro estudo de caso................................................................. 34
Tabela 4 Resultados obtidos com a aplicao da heurstica busca tabu ao problema de
layout: segundo estudo de caso ............................................................................. 35
layout: terceiro estudo de caso............................................................................... 35
layout: quarto estudo de caso................................................................................. 36
Tabela 7 Simulao de uma tabela de custos entre 5 facilidades .......................................... 52
Tabela 8 Resultados obtidos para facilidades com mesma rea, utilizando-se o fator de
constrio............................................................................................................... 54
Tabela 9 Resultados obtidos para facilidades com mesma rea, utilizando-se o
componente inercial............................................................................................... 54
Tabela 10 Ocorrncia de sobreposio das facilidades de acordo com o valor de resultados obtidos para 12 facilidades de mesma rea ........................................ 56
Tabela 11 Ocorrncia de sobreposio das facilidades de acordo com o valor de resultados obtidos para 30 facilidades de mesma rea ........................................ 56
Tabela 12 Resultados obtidos para 12, 15, 20 e 30 facilidades de mesma rea, utilizandose vrios layouts................................................................................................... 62
Tabela 13 Relao de custos entre 12 facilidades ................................................................. 63
Tabela 14 Distncia entre as facilidades do layout gerado para 12 facilidades de mesma
rea....................................................................................................................... 63
Tabela 15 Variao do fator de penalidade (P) ..................................................................... 65
Tabela 16 rea das facilidades, para o clculo do raio ......................................................... 68
Tabela 17 Resultados obtidos para 12, 15, 20 e 30 facilidades de reas diferentes .............. 68
Tabela 18 Distncia entre as facilidades do layout gerado para 12 facilidades de reas
diferentes.............................................................................................................. 69
Tabela 19 Dimetro para 12 facilidades ................................................................................ 70
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
4.1.3.1 Parmetros de confiana c3.........................................................................................45

4.2 Enxame de Partculas: verso local.................................................................................45
4.3 Aplicabilidade do mtodo ...............................................................................................46
5 IMPLEMENTAO DO MTODO ENXAME DE PARTCULAS PARA O
PROBLEMA DE LAYOUT E RESULTADOS ABORDAGEM I ..................................47
5.1 O algoritmo proposto ......................................................................................................47
5.1.1 Acelerao por distncia...............................................................................................49
5.1.2 Limitador de velocidade ...............................................................................................49
5.1.3 O algoritmo proposto: passo a passo ............................................................................50
5.2 Resultados .......................................................................................................................53
6 IMPLEMENTAO DO MTODO ENXAME DE PARTCULAS PARA O
PROBLEMA DE LAYOUT E RESULTADOS ABORDAGEM II ................................58
6.1 O algoritmo .....................................................................................................................58
6.1.1 Parmetros de confiana ...............................................................................................59
6.1.2 Acelerao por distncia...............................................................................................60
6.1.3 Limitador de velocidade ...............................................................................................60
6.1.4 O algoritmo proposto: passo a passo ............................................................................60
6.2 Representao do layout .................................................................................................61
6.3 Resultados .......................................................................................................................61
6.3.1 Facilidades de mesma rea ...........................................................................................61
6.3.2 Facilidades de reas diferentes .....................................................................................67
CONCLUSO.........................................................................................................................72
REFERNCIAS .....................................................................................................................74
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
pssaros, enxames de abelhas e cardumes de peixes, por exemplo. O modelo computacional

baseado na populao, onde os agentes, chamados de partculas, mudam sua posio (estado)
no espao de busca, de acordo com a prpria experincia e a experincia das partculas
vizinhas que constituem o enxame.
Apesar de relativamente recente, o PSO tem recebido muita ateno pela sua
simplicidade, robustez e eficincia e ser aplicado neste trabalho para procurar obter melhores
resultados na resoluo do problema de layout.
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
1.2.2 Objetivos especficos

Como objetivos especficos cita-se:
Estudar o problema de layout;
Identificar as caractersticas do mtodo enxame de partculas;
Avaliar os resultados obtidos no que diz respeito aplicabilidade do mtodo ao
problema;
Comparar os resultados da aplicao do mtodo enxame de partculas a outros
resultados obtidos para esse problema.
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
Os resultados obtidos com a aplicao do mtodo enxame de partculas ao problema

de layout foram comparados com os resultados obtidos por Nugent (1968), autor das
instncias utilizadas e testadas neste trabalho e Anjos e Vannelli (2002), que desenvolveram o
modelo Attractor-Repeller.
1.4 Estrutura da Dissertao

No prximo captulo ser descrito o problema de layout, o que necessrio para a
contextualizao e compreenso deste trabalho e sero apresentados os principais mtodos
utilizados para modelar este problema.
O captulo 3 apresenta algumas das heursticas j utilizadas na tentativa de resoluo
do problema de layout, suas principais caractersticas e resultados obtidos, o que essencial
para posterior comparao com os resultados obtidos neste trabalho. O captulo 4 descreve o
mtodo enxame de partculas.
Nos captulos 5 e 6 so apresentadas duas abordagens desenvolvidas para resolver o
problema de layout utilizando o mtodo enxame de partculas. Na primeira abordagem, cada
facilidade representada por uma partcula e o layout o enxame e na segunda, vrios layouts
so utilizados para se obter um layout de qualidade. Os resultados obtidos so mostrados no
final de cada captulo. Finalmente, no ltimo captulo so apresentadas concluses do trabalho
desenvolvido.
18
O PROBLEMA DE LAYOUT
2.1 Um problema combinatorial

Durante a Segunda Guerra Mundial, como resultado de estudos realizados por equipes
interdisciplinares de cientistas contratados para resolver problemas militares de ordem
estratgica e ttica (ANDRADE, 1998), surgiu a Pesquisa Operacional (PO).
PO uma rea multidisciplinar e caracterizada pela anlise de decises e pelo uso de
tcnicas e mtodos cientficos com o objetivo de determinar a melhor utilizao dos recursos
limitados e otimizar operaes. Uma das subreas da pesquisa operacional a otimizao
combinatria.
A otimizao combinatria est relacionada cincia da computao uma vez que,
para obter solues de qualidade, torna-se necessria a implementao em computador e
objetiva encontrar, atravs da maximizao ou minimizao de uma funo, uma melhor
soluo dentro de um nmero finito de alternativas.
Os problemas combinatoriais podem ser divididos em fceis e difceis (IBARAKI,
1988). Normalmente, um problema dito fcil se existe um algoritmo com complexidade
de ordem polinomial, ou seja, algoritmo de tempo polinomial, pertencente classe chamada P
(Polynomial time). No entanto, a maioria dos problemas combinatoriais so ditos difceis e,
por esta razo, pertencentes classe chamada NP (Non-deterministic Polynomial time) que
podem ser resolvidos em tempo polinomial, porm por um algoritmo no determinstico
(SAHNI e GONZALEZ, 1976).
19
De acordo com a complexidade, a resoluo dos problemas combinatoriais pode ser

feita por meio dos chamados mtodos exatos, mtodos heursticos ou, se combinados, por
mtodos hbridos.
Os mtodos exatos obtm solues timas, porm, para o problema de layout no so
viveis para mais de 8 facilidades devido ao tempo computacional (MARTINS et al, 2003).
Os algoritmos branch and bound (BAZARAA e ELSHAFEI, 1979) e cutting plane
algorithms (GOMORY, 1958) so alguns exemplos de mtodos exatos.
Os mtodos heursticos obtm uma soluo vivel, no necessariamente tima, mas
com maior rapidez que os mtodos exatos e, para problemas mais complexos. Os algoritmos
mais conhecidos e utilizados so os algoritmos genticos (HOLLAND, 1975), a busca tabu
(GLOVER, 1989a; 1989b) e simulated annealing (KIRKPATRICK et al, 1983).
Os mtodos heursticos classificam-se em duas grandes classes:
- Algoritmos construtivos: gera a soluo final a partir da estaca zero, atribuindo
valores a uma ou mais variveis de deciso ao mesmo tempo.
- Algoritmo de melhoramento: geralmente inicia sua execuo com uma soluo inicial
vivel e tenta obter uma soluo melhor de forma iterativa. A cada iterao do algoritmo, a
qualidade da nova soluo avaliada atravs do resultado obtido com a funo objetivo.
2.2 O problema de layout de facilidades

O problema de layout pertence classe NP-hard, fcil de entender, mas difcil de
resolver, e aparece em muitos campos de aplicaes: instalaes industriais, instalaes
comerciais, supermercados, bancos, escritrios, entre outros. Entre os trabalhos pioneiros,
destacam-se Koopmans e Beckman (1957), Armour e Buffa (1963), Nugent et al (1968) e
Vollman e Buffa (1966).
O problema de layout de facilidades se caracteriza como um problema de minimizao
combinatorial. Tem uma funo objetivo a ser minimizada, que definida sobre um conjunto
discreto, cujos elementos, so todas as possveis alocaes de instalaes. O nmero de
elementos do layout cresce fatorialmente com o aumento do nmero de facilidades N, de
modo que a busca no pode ser feita de forma exaustiva quando N grande. Tambm, pelo
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
Os layouts podem ser construdos utilizando-se diferentes algoritmos, os quais podem

ser divididos em quatro classes (FURTADO e LORENA, 1997a; TAVARES, 2000):
- Algoritmos Construtivos: as facilidades so atribudas a uma localizao, uma de cada
vez, at que um layout completo seja obtido. Exemplos: ALDEP (SEEHOF e EVANS, 1967),
CORELAP (LEE e MOORE, 1967), NLT (VAN CAMP et al, 1991), entre outros;
- Algoritmos de Melhoramento: inicia o procedimento a partir de uma soluo inicial e,
atravs de permutaes de facilidades, busca-se melhorar esta soluo inicial. Exemplos:
CRAFT (ARMOUR e BUFFA, 1963); COFAD (TOMPKINS e REED Jr., 1976), entre
outros;
- Algoritmos Hbridos: combinam algoritmos construtivos com algoritmos de
melhoramento. Destacam-se os trabalhos de Elshafei (1977), Scriabin e Vergin (1985), entre
outros;
- Algoritmos baseados na Teoria dos Grafos: usam conceitos de grafos planos e de
grafos planos mximos. Os trabalhos de Foulds e Robinson (1978) e MIP (mixed integer
program) (MONTREUIL, 1990; MONTREUIL et al, 1993; HERAGU e KUSIAK, 1991) so
alguns exemplos.
Independente do algoritmo utilizado para a construo do layout, a funo objetivo e as
restries, nele inseridas, determinam a qualidade do layout.
A funo objetivo visa, na maioria dos casos, minimizar o custo entre as facilidades
e/ou maximizar a proximidade entre elas, reduzindo a distncia. O custo e a distncia so as
principais variveis que compem a funo objetivo. O custo, neste caso, refere-se ao fluxo de
material entre as facilidades, podendo ser especificado quantitativamente, por um peso
previamente atribudo ao fluxo de material, ou qualitativamente, pela adjacncia das
facilidades, que devem apresentar, no mnimo, dois pontos em comum (MARTINS et al,
2003).
A distncia entre as facilidades, citada anteriormente, pode ser calculada de vrias
formas, sendo as seguintes as mais utilizadas (TAVARES, 2000):
- Distncia Euclidiana: define o comprimento do segmento da reta que une os centros
das
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 | .
Resolver o problema de layout consiste em duas etapas gerais: primeiramente, modelar

o problema de acordo com as caractersticas das facilidades envolvidas e do local no qual elas
sero posicionadas e de acordo com o objetivo desejado (funo objetivo) e, aps, criar,
efetivamente, o layout atravs da aplicao de um mtodo heurstico, respeitando-se as
restries impostas.
Dimenses da indstria, rea fsica e formato das facilidades, orientao da facilidade
(vertical ou horizontal varivel ou fixa), ocorrncia de sobreposio, percentual de variao
de rea quanto s dimenses, reas fixas (pilares, escadas, elevadores, etc.) so algumas das
restries que podem ser consideradas na gerao de um layout de qualidade (MARTINS et
al, 2003).
2.3 Modelagem do problema de layout

O problema de layout tem sido modelado utilizando-se: Problema Quadrtico de
Alocao (KOOPMANS e BECKMAN, 1957), Teoria dos grafos (FOULDS e ROBINSON,
1978), rvores Binrias (TAM e LI, 1991; FURTADO e LORENA, 1997b; AZADIVAR e
WANG, 2000), modelo Attractor-Repeller (ANJOS e VANNELLI, 2002), modelo
DISpersion-CONcentration
(DREZNER,
1980;
1987),
modelo
Spring-Embedding
(CASTILLO e SIM, 2003), entre outras.
2.3.1 Problema Quadrtico de Alocao

O Problema Quadrtico de Alocao (PQA) consiste em encontrar uma alocao de
custo mnimo (para problemas de minimizao) das facilidades aos locais, sendo os custos
obtidos pela soma dos produtos distncia-fluxo (LOIOLA et al, 2004). Dentre os problemas
23
de otimizao combinatria, o PQA um dos mais difceis no que diz respeito

complexidade computacional.
No PQA os departamentos precisam ser atribudos a localizaes, respeitando as
seguintes restries: cada localizao deve ter um nico departamento associado, e cada
departamento deve ser atribudo a uma nica localizao. Um valor positivo associado a
cada par de departamentos, indicando o fluxo entre eles.
O primeiro trabalho sobre PQA foi publicado em 1957, por Koopmans e Beckman, para
modelar o problema de alocar e interagir plantas de reas e formatos iguais. Desde ento, tm
sido inmeras as aplicaes do problema para representar modelos logsticos, econmicos e
de planejamento e aparece em diversas situaes prticas, como em projeto de circuitos
eletrnicos, em problemas de escalonamento de horrio, anlise estatstica, em planejamentos
de hospitais, dentre muitos outros (SALOMO, 2005).
Muitos pesquisadores utilizam o Problema Quadrtico de Alocao para modelar o
problema de layout devido sua importncia prtica e terica, dentre eles Elshafei (1977) que
o utilizou em planejamentos de hospitais e Dickey e Hopkins (1972), na modelagem de
localizao de construes em campus universitrio.
2.3.2 Teoria dos Grafos

Em 1978, Foulds e Robinson criaram uma nova formulao baseada na teoria de
grafos, na qual cada vrtice representa uma facilidade e cada aresta representa a possibilidade
de atribuio de facilidades adjacentes.
Furtado e Lorena (1997a) mostraram como o problema de layout pode ser modelado
utilizando-se grafos. Sejam:
G = (V, E) - grafo com conjunto V no vazio de vrtices (facilidades) e E conjunto de
arestas;
Hij - razo de aproximao, indicando a medida desejvel de localizar a facilidade i
adjacente facilidade j (trfego);
B - conjunto de pares de facilidades que necessitam estar adjacentes em qualquer
possvel soluo;
24
F - conjunto de pares de facilidades que no necessitam estar adjacentes em qualquer

possvel soluo; e
E = { { i, j} : aij = 1, {i, j} E },
aij = 1
se a facilidade i adjacente facilidade j,
aij = 0
caso contrrio.
A equao na teoria de grafos a seguinte:
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
plano sem que quaisquer duas arestas se interceccionem.
2.3.3 rvores Binrias

Furtado e Lorena (1997b) fizeram uso de rvore binria para modelar o problema de
layout. A rvore construda de acordo com o fluxo entre as facilidades, tal que as facilidades
de maior fluxo fiquem posicionadas prximas umas das outras. Aps, a rvore binria
percorrida recursivamente da esquerda para a direita, particionando as facilidades, para gerar
o layout. O particionamento realizado de acordo com o valor obtido pelo somatrio das
reas das facilidades que esto sendo analisadas (FURTADO e LORENA, 1997b).
Como as folhas da rvore binria constituem as facilidades e a busca realizada da
esquerda para a direita, o primeiro n esquerdo da subrvore esquerda analisado e as reas
de todas as suas folhas so somadas para gerar o primeiro particionamento do layout. Da
mesma forma se existir um n esquerda do anterior. Quando no houver mais ns
esquerda, o algoritmo verifica os ns direita. Pode acontecer, porm, de um n da direita
possuir n esquerda, sendo estes analisados primeiramente. Aps percorrer todos os ns e
folhas da subrvore esquerda, a busca realizada na subrvore direita raiz.
25
2.3.4 Modelo DISpersion-CONcentration

Drezner (1980; 1987) desenvolveu o modelo DISpersion-CONcentration (DISCON)
para modelagem do problema de layout. Para isso, o autor considera cada facilidade como
sendo um crculo, a posio da facilidade que determinada pelo seu centro denotado pelas
coordenadas x e y , a distncia entre duas facilidades calculada com a frmula da distncia
euclidiana entre os seus centros e o custo (trfego) de material manipulado entre duas
facilidades (DREZNER, 1980; 1987).
Funo objetivo do modelo DISCON:
N 1 N
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)
O autor resolve o modelo DISCON usando um algoritmo de penalidade e uma

abordagem em duas fases: na fase DISpersion todos os departamentos so distribudos o mais
distante da origem, fornecendo um ponto de incio para a prxima fase, a fase CONcentration,
na qual todos os departamentos esto concentrados e o arranjo resultante a soluo final.
Este mtodo no leva em considerao as dimenses das facilidades, no exige que
todos os departamentos sejam colocados dentro da grande rea (rea da empresa), nem
mesmo a dimenso desta.
2.3.5 Modelo Attractor-Repeller

O modelo Attractor-Repeller AR (ANJOS e VANNELLI, 2002) considera cada
facilidade como um crculo, cuja posio determinada pelo seu centro, denotado pelas
coordenadas x e y. A funo objetivo mostrada na Equao 4 visa minimizar a relao custo e
distncia entre as facilidades, atraindo-as.
26
N 1
Minimizar F =
cij d ij
i =1 j = i +1
(4)
Na equao, N representa o nmero total de facilidades, cij, o custo entre as facilidades

i e j e dij, a distncia euclidiana entre elas, dada por:
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)
onde ri se refere ao raio da facilidade i e rj, ao raio da facilidade j. O parmetro controla a

sobreposio entre as facilidades e, de acordo com Castillo e Sim (2003), normalmente
utiliza-se > 0, pois < 1 permite alguma sobreposio e = 1 no h sobreposio, mas
separa demais as facilidades. Sempre que houver sobreposio entre duas facilidades, a
funo objetivo penalizada com a introduo do termo,
d ij
f
t
ij
, onde f(z) = 1 1, z > 0,
(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
A Figura 1 mostra como as foras de atrao e repulso agem sobre as partculas.
(8)
27
Fora atrativa
dij ri + rj
Fora repulsiva
dij < ri + rj
Figura 1 Representao das foras atrativa e repulsiva entre as facilidades, no modelo

Attractor-repeller
Fonte: Castillo e Sim, 2003
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)
nas quais N representa o nmero total de facilidades, ri e rj representam os raios das

facilidades i e j, xi e yi representam as coordenadas da facilidade i, wi e hi, a largura e a altura
da rea do layout, respectivamente. A Equao 9 usada para evitar a sobreposio das
facilidades e as Equaes 10 a 13, para impedir que as facilidades saiam da rea total do
layout (CASTILLO e SIM, 2003).
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
alguma sobreposio. Os resultados apresentados pelos autores mostram que o valor

escolhido, aleatoriamente, para possui influncia significativa na soluo final do layout.
Outros trabalhos similares foram desenvolvidos por Heragu e Kusiak (1991) e Van Camp et
al (1991).
29
HEURSTICAS E O PROBLEMA DE LAYOUT
As heursticas tm sido amplamente estudadas nas ltimas dcadas e, na maioria dos

casos, tm-se mostrado superiores aos mtodos exatos, mesmo obtendo como resultado
solues aproximadas ao timo.
Algumas heursticas caracterizam-se por serem tcnicas inspiradas em fenmenos da
natureza, fceis de implementar e de grande eficincia. So tcnicas classificadas como
estocsticas, de carter aleatrio, ou seja, a cada execuo do algoritmo, o resultado obtido
diferente do anterior. As mais conhecidas so: Algoritmos Genticos (HOLLAND, 1975),
Simulated Annealing (KIRKPATRICK et al, 1983), Busca Tabu (GLOVER, 1989a; 1989b),
Colnia de Formigas (DORIGO, 1992) e Enxame de Partculas (KENNEDY e EBERHART,

1995), que ser utilizada neste trabalho.
3.1 Algoritmos Genticos e o Problema de Layout

Introduzido por John Holland (1975), algoritmos genticos so algoritmos de busca
baseados na gentica humana e, basicamente, estruturado da seguinte forma: uma populao
inicial gerada, na qual cada indivduo (cromossomo), representado por uma string de 0s e 1s
(genes), avaliado pela funo objetivo que, no processo de seleo, descarta indivduos com
baixa qualidade. A populao, ento, sofre recombinao atravs de duas operaes
principais: o crossover que gera novos indivduos atravs da combinao de outros dois
escolhidos aleatoriamente e a mutao que modifica um dos genes de um indivduo.
30
Em 1992, Tam utilizou algoritmos genticos representado pela estrutura de rvore

binria na tentativa de resolver o problema de layout. Os ns da rvore representam a
identificao das facilidades (operandos) ou smbolos de corte (operadores). Cada n interno
representa o tipo de corte da facilidade, representado por uma letra, e cada folha da rvore
binria representa a identificao da facilidade, como mostra a Figura 2.
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).
3.2 Simulated Annealing e o Problema de Layout

Simulated Annealing um algoritmo de busca local que explora a analogia entre os
problemas de otimizao combinatria e os da mecnica estatstica (KIRKPATRICK et al,

1983). A tcnica se refere ao processo de resfriar um material diminuindo a temperatura at
atingir o equilbrio. Para tal, leva em considerao: a temperatura que controla a
probabilidade de aceitao de trocas , o equilbrio condio na qual uma melhora na
soluo usando trocas adicionais improvvel de ocorrer e a ordem de recozimento que
determina quando e o quanto a temperatura ser reduzida.
31
Valores muito altos de temperatura so importantes para manter a diversidade do

espao de soluo, mas podem dificultar o algoritmo a convergir para uma soluo boa.
Valores muito baixos, ao contrrio, foram a convergncia rpida do algoritmo, mas podem
lev-lo a estacionar em timos locais. Portanto, o equilbrio desses fatores pode ser decisivo
para o sucesso do algoritmo.
Heragu e Alfa (1992) apresentam uma anlise experimental do uso do simulated
annealing para o problema de layout. O principal passo do algoritmo consiste em alterar a
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
resfriamento e repete o passo principal.

Burkard e Rendl (1984) modelaram o problema de layout utilizando problema
quadrtico de alocao e o mtodo simulated annealing. Eles obtiveram bons resultados
computacionais e superaram entre 1 e 2% das melhores solues conhecidas na poca.
O estudo de Alvarenga (2000) mostra como o problema de layout pode ser resolvido
utilizando simulated annealing. O algoritmo inicia com uma soluo inicial aleatria e com
um valor relativamente alto para a temperatura inicial. O algoritmo composto de dois laos
de iterao. O lao interno repetido para fixar a temperatura enquanto que, no lao externo,
a temperatura reduzida at que a temperatura final seja atingida.
Para iteraes no lao interno, a seguinte estratgia heurstica usada para aproximar
o estado de equilbrio: dada uma soluo corrente, representada por uma lista de nmeros de
facilidades, geram-se as solues vizinhas, permutaes das facilidades i e j na lista como
segue: sendo N o nmero de facilidades, para cada i de 1 at (N-1), escolhe-se j de i+1 para N.
No final deste lao, a soluo obtida comparada com a atual melhor soluo e esta
atualizada se for obtida soluo melhor.

Supondo um conjunto de 4 facilidades e que nesta iterao a soluo corrente 3, 4, 1,
2. Com esta soluo, so geradas todas as possveis solues vizinhas utilizando a heurstica
proposta:
3, 4, 2, 1
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
algoritmo e faz uma comparao com o melhor resultado encontrado na literatura.

Tabela 1 Resultados da aplicao do mtodo simulated annealing ao problema de layout
Nmero de
departamentos
Melhor soluo encontrada

na literatura
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
Soluo com simulated annealing

Valor da Funo objetivo
Tempo(s)
225.000
0.170
1.100
0.330
1.990
0.710
4.730
1.270
2324.500
2.080
2781.500
5.490
6933.500
7.960
15549.000
85.300
44965.000
463.740
Fonte: Alvarenga, 2000
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
alocar um determinado conjunto de mdulos retangulares num plano com o objetivo de

minimizar a rea destinada a todos os mdulos (plano) e o comprimento da ligao entre os
mdulos que devem ser conectados no circuito. As caractersticas principais do algoritmo so:
otimizao estocstica, caminho de busca mltipla, seleo de trajetos de busca e o uso do
operador gentico crossover para gerar uma nova soluo (MAVRIDOU e PARDALOS,
1997).
3.3 Busca Tabu e o Problema de Layout

A Busca Tabu (GLOVER, 1989a; 1989b) uma metaheurstica cujo diferencial est na
lista tabu que guarda as trocas classificadas como tabu, que so impedidas, por um certo
tempo, de serem realizadas. O algoritmo funciona basicamente assim: partindo-se de uma
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
Melhor soluo encontrada

na literatura
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
Soluo com busca tabu

Valor da Funo objetivo
Tempo(s)
225.000
0.050
1.100
0.050
1.990
0.050
4.730
0.110
2324.500
0.220
2781.500
0.490
6933.500
0.770
15549.000
9.940
44965.000
34.490
Fonte: Alvarenga, 2000
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
Fonte: Martins et al, 2003
No segundo estudo de caso, o autor utilizou os mesmos problemas-teste e as dimenses

dos departamentos utilizadas por Tam e Li (1991) e adotou o mximo de 1000 iteraes. Para
fins de comparao, Martins et al (2003) realizaram os testes utilizando mtodos exatos para
os problemas com at 8 departamentos e a heurstica busca tabu para todas as instncias. De
acordo com os resultados apresentados na Tabela 4, a heurstica obteve os mesmos resultados
obtidos pelos mtodos exatos, comprovando, assim, sua eficcia. Para problemas envolvendo
35
mais de 12 departamentos no foi possvel a comparao pois mtodos exatos no so capazes

de resolv-los. O percentual indicado na tabela referente melhora da soluo inicial.
layout: segundo estudo de caso
Total de
departamentos
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.
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
No ltimo estudo de caso, Martins et al (2003) utilizaram problemas com 40

departamentos, com quadro externo de 60 x 45, e com 50 departamentos, com quadro externo
de 90 x 60. A Tabela 6 mostra os resultados obtidos com a aplicao da heurstica busca tabu
ao problema de layout e, para este estudo, verifica-se uma considervel melhora em relao
soluo inicial.
36

layout: quarto estudo de caso
Total de
departamentos
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
Os autores constataram, a partir de todos os resultados obtidos, que a escolha adequada

das dimenses do quadro externo imprescindvel para a melhoria dos resultados.
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.
Figura 3 Representao do mtodo Enxame de Partculas
38
Enxame de partculas similar aos mtodos de computao evolucionria em que, uma

populao (enxame), formada por indivduos (partculas) vasculham o espao de busca
procura de uma soluo apropriada para um determinado problema. Entretanto, na otimizao
por enxame de partculas, cada indivduo tem uma velocidade, responsvel pela explorao do
espao (evoluo) e uma memria, para guardar a melhor posio j visitada (EBERHART et
al, 1996). Alm disso, o algoritmo considera tambm, a melhor posio encontrada pela
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).
4.1.1 O algoritmo de otimizao por enxame de partculas

Considerando um espao bidimensional, cada partcula possui uma posio no espao
de solues (x e y) e uma velocidade que permite a ela percorrer esse espao. A cada iterao,
e para cada partcula, a velocidade (vi) atualizada, conforme Equao 14, de acordo com a
velocidade anterior (vi) somada parte cognitiva da frmula (c1 * rand() * (pbesti xi)), que
representa o conhecimento, e parte social (c2 * rand() * (gbest xi)), que representa a
colaborao entre as partculas. A nova posio da partcula determinada pela soma da sua
posio atual e a nova velocidade (EBERHART et al, 1996), de acordo com a Equao 15.
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
rand() funo aleatria

(14)
(15)
39
gbest melhor posio encontrada pelas partculas no enxame

xi posio atual da partcula i
it iterao atual
As equaes 14 e 15 definem a primeira verso do algoritmo de otimizao por enxame

de partculas. O algoritmo armazena as velocidades num vetor Vi = (v1, v2, ..., vn), assim como
as posies das partculas Xi = (x1, x2, ..., xn) e as melhores posies j encontradas pelas
partculas pbesti = (pbest1, pbest2, ..., pbestn).
4.1.1.1 Parmetros de confiana

Propostos por Shi e Eberhart (1998), os parmetros de confiana indicam quanto uma
partcula confia em si (c1) e no enxame (c2). Os valores dessas variveis dependem muito do
problema em questo e so previamente conhecidos, podendo ser fixos ou variar a cada
iterao do algoritmo.
Em seus estudos, os autores utilizaram c1 = c2 = 2. No entanto, Kennedy (1998)
constatou que c1 = c2 = 0,5 produz resultados melhores.
Ratnaweera et al (2004) propuseram as Equaes 16 e 17 para variar os parmetros de
confiana a cada iterao do algoritmo:
(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
4.1.1.2 Funo aleatria

A funo aleatria rand() responsvel por manter a diversidade do enxame e gera
nmeros aleatrios entre 0 e 1.
4.1.1.3 Acelerao por distncia

A equao que atualiza a velocidade da partcula composta por dois termos de
acelerao por distncia: (pbesti xi) e (gbest xi), no qual o primeiro representa a distncia
entre a melhor posio j encontrada pela partcula i e a sua posio atual, e o segundo termo
representa a distncia entre a melhor posio encontrada pelo enxame e a posio atual da
partcula i.
4.1.1.4 Implementao do algoritmo original de otimizao por enxame de partculas

O processo original para implementao da verso global do algoritmo de otimizao
por enxame de partculas est descrito a seguir (EBERHART et al, 1996):
1. Inicializar a populao de partculas com posies e velocidades aleatrias no espao
n dimensional;
2. Para cada partcula:
Calcular a funo objetivo;
Comparar o valor obtido da partcula i com pbest. Se o valor for melhor, atualizar
pbest com o novo valor;
Comparar o valor obtido com o melhor valor global gbest. Se for melhor, atualizar
gbest com o novo valor;
Alterar a velocidade e a posio da partcula;
3. Repetir os passos anteriores at que o critrio de parado seja satisfeito, sendo este,
normalmente definido pelo nmero de iteraes.
Na Figura 4 esto representadas duas partculas, 1 e 2, no espao bidimensional (x, y).

Cada partcula possui uma posio no espao, determinada pelas coordenadas, (x1, y1) e (x2,
y2), uma velocidade, v1 e v2, e a melhor posio j encontrada, P1 e P2, respectivamente.
41
v1
1 (gbest x1)
v2
gbest
(pbest1 x1)
V1
(gbest x2)
V2
(pbest2 x2)
pbest1
pbest2
Figura 4 Comportamento das partculas no espao de busca bidimensional conforme

processo original de otimizao por enxame de partculas
Fonte: Prado e Saramago, 2005
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
A posio na qual a partcula se encontra foi calculada mediante as equaes 14 e 15 e,

para o clculo da nova posio, indicada pelo crculo sombreado, as mesmas equaes so
utilizadas, levando-se em considerao a velocidade anterior da partcula, v, a sua posio
atual (x, y), a melhor posio que essa partcula j ocupou at o momento, pbest e a melhor
posio de todas as partculas no enxame, gbest, como mostra a Figura 4.
42
4.1.2 Variantes do algoritmo de otimizao por enxame de partculas

Diversos autores propuseram alteraes no mtodo original. A seguir, alguns exemplos
mais relevantes de aperfeioamentos do mtodo original.
4.1.2.1 Limitador da velocidade

Quando criada a primeira verso do algoritmo de otimizao por enxame de partculas
verificou-se a necessidade de se controlar a velocidade da partcula, j que um valor muito
alto pode fazer com que a partcula ultrapasse uma posio tima e um valor muito baixo
pode ser insuficiente para alcanar o timo. Foi estabelecido, ento, o parmetro vmax como
limite mximo da velocidade.
Segundo Kennedy et al (2001), o valor de vmax especificado pelo usurio de acordo
com o problema, normalmente entre [-4, 4], ou seja, se a nova velocidade (vi) for superior a 4,
a ela atribudo valor 4. Caso a velocidade encontrada for inferior a -4, seu valor passar a ser
-4.
No entanto, o limitador de velocidade, apesar de importante, resulta numa baixa
eficincia do algoritmo de otimizao por enxame de partculas se comparada a outros
mtodos de Computao Evolucionria (ANGELINE, 1998). E ainda, apesar de localizar a
rea do timo muito mais rpido que os demais mtodos, uma vez na regio prxima do
timo, o algoritmo de otimizao por enxame de partculas pode no continuar ajustando sua
velocidade na tentativa de encontrar uma soluo melhor. Para resolver estas questes, foi
indicado a utilizao de dois parmetros, utilizados separadamente, junto equao da
velocidade: o componente inercial e o fator de constrio (SHI e EBERHART, 1998).
4.1.2.2 Componente inercial

A maior dificuldade do mtodo Enxame de Partculas convergir para o timo nas
iteraes finais. Shi e Eberhart (1998) propuseram outra alternativa para melhorar a
performance do mtodo Enxame de Partculas que consiste na introduo do componente
inercial na equao que atualiza a nova velocidade da partcula:
43
vi it+1 = w it * vi it + c1 it * rand()it * (pbesti it xi it) + c2 it * rand()it * (gbest it xi it)
(18)
Em 2000, Eberhart e Shi, propuseram que o valor de w variasse a cada iterao do

algoritmo e, para isso, criaram a seguinte equao:
wit = wini w fin
) (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)
Onde nl representa um coeficiente de no linearidade. Os valores inicial e final do

componente inercial so definidos previamente e o comportamento dele, durante as iteraes,
depender do valor de nl.
Prado e Saramago (2005) utilizaram c1 = c2 = 2 e w0 = 0.729 para testar o mtodo
enxame de partculas e, a cada iterao, fizeram uso da Equao 21 para atualizar a inrcia:
44
wnew = fw wold
(21)
O fator de reduo, fw uma constante entre 0 e 1.

A seleo adequada do valor de w d equilbrio entre explorao global e local, e
resulta em menos iteraes para encontrar uma soluo suficientemente tima.
4.1.2.3 Fator de constrio

O fator de constrio controla a magnitude das velocidades, desempenhando funo
semelhante ao parmetro vmax (Clerc e Kennedy, 2002).
vi it+1 = kit [viit +c1it * rand()it * (pbestiit xiit) + c2it * rand()it * (gbestit xiit)]
(22)
sendo,
k it =
2
| 2 4 |
2
(23)
onde: = c1 + c2, com > 4.
4.1.3 Centride do enxame

O centride do enxame (C) pode ser acrescentado equao da velocidade para fazer
com que as partculas concentrem-se prximas ao centro do enxame, evitando a disperso das
mesmas. Esse modelo foi desenvolvido por Albrecht (2004) e designado como Atrao
Social, pois se refere influncia do grupo sobre a partcula.
Os autores provaram uma maior abrangncia na explorao do espao. O centride do
enxame calculado da seguinte forma:
45
xi
C = i =1
(24)
4.1.3.1 Parmetros de confiana c3

Ratnaweera et al (2004) propuseram a utilizao de mais um parmetro de confiana,
c3, em funo do centride, conforme mostra a Equao 25.
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
Os valores iniciais e finais dos parmetros de confiana dependem muito do problema.

Porm, deve-se ter cuidado para que seja maior que 4, quando utilizado o fator de
constrio.
Assim, o termo proposto que dever ser adicionado equao da velocidade c3 *
rand() * (C - xi).
4.2 Enxame de Partculas: verso local

Eberhart e Shi (2001) agregaram o conceito de vizinhana ao mtodo enxame de
partculas a fim de aumentar a capacidade de explorao do espao. Dessa forma, a partcula
que exerce influncia social passa a ser a mais bem sucedida entre seus vizinhos, o que gerou
uma verso local para o mtodo.
Encontra-se na literatura estudos sobre a verso local do algoritmo de otimizao por
enxame de partculas, na qual o enxame dividido em vizinhanas, e cada vizinhana age
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
vizinhas. Lbest substitui o parmetro gbest, utilizado na verso global do algoritmo

(EBERHART e SHI, 2001).
Por exemplo, se o tamanho da vizinhana definido como 2, a partcula i compara o
valor encontrado com a funo objetivo das partculas i-1 e i+1. As primeiras experincias
utilizaram como tamanho da vizinhana 15% do tamanho da populao. Por exemplo, para
uma populao de 40 partculas, considerou-se uma vizinhana de 6 partculas. Porm, este
trabalho no se aprofunda nesta variao do algoritmo de otimizao por enxame de
partculas, o que poder vir a ser objeto de estudos futuros.
4.3 Aplicabilidade do mtodo

A otimizao por enxame de partculas tem sido aplicada em diversas reas, como por
exemplo: anlise de tremor humano, incluindo Parkinson, que utiliza o mtodo enxame de
partculas junto com redes neurais (EBERHART e HU, 1999); remoo de metal em
ambientes industriais (TANDON, 2000); projeto para estabilizar sistemas potentes power
system stabilizer design (ABINO, 2002); potncia reativa e controle de voltagem (YOSHIDA
et al, 2000); identificao de bordas em segurana dinmica dynamic security border
identification (KASSABALIDIS et al, 2002); engenharia nuclear (GUIMARAES, 2005);
minimizao da largura de banda bandwidth minimization problem (LIM, LIN e XIAO,

2003).
47
IMPLEMENTAO DO MTODO ENXAME DE

PARTCULAS PARA O PROBLEMA DE LAYOUT E
RESULTADOS ABORDAGEM I
Na concepo original do algoritmo enxame de partculas, as partculas exploram o

espao de busca, guiadas pela sua prpria experincia e pela partcula que atingiu a melhor
posio no enxame como um todo, ou seja, aquela que est mais prxima da soluo do
problema.
Tratando-se do problema de layout, objeto de estudo desta dissertao, cada facilidade
deve tentar se aproximar de outras facilidades que possuem maior custo em relao a ela.
Fazendo uso do mtodo enxame de partculas para este problema, alm de cada partcula ser
guiada pela sua prpria experincia, ela tambm guiada pela sua posio quando se obteve o
melhor layout. Alm dessa alterao, foram necessrias outras que sero apresentadas ao
longo deste captulo, para adequar o mtodo ao problema.
5.1 O algoritmo proposto

O algoritmo inicia sua execuo criando um layout inicial atravs da distribuio
aleatria das partculas no espao bidimensional. Sendo assim, cada partcula possui uma
posio inicial e, para possibilitar a evoluo do enxame, uma velocidade inicial.
A cada iterao, e para cada partcula, a velocidade atualizada de acordo com a
Equao 26, que soma velocidade anterior, a parte cognitiva da frmula, representada pelo
48
conhecimento, e a parte social, representada pela colaborao entre as partculas. Nesta

equao foi utilizado o fator de constrio que , ento, multiplicado ao restante da equao.
A nova posio da partcula determinada pela soma da sua posio atual e a nova
velocidade, conforme a Equao 27.
vi it+1 = kit [viit +c1it * rand()it * (pbestiit xiit) + c2it * rand()it * (gbestiit xiit) +
c3it * rand()it * (Cit xiit)]
(26)
xi it+1 = xiit + vi it+1
(27)
onde:
k fator de constrio
c1, c2, c3 parmetros de confiana
rand() funo randmica [0, 1]

gbesti posio da partcula i, quando obtida a melhor avaliao global do enxame
C centride do enxame
xi posio atual da partcula i
Nesta primeira proposta, antes da realizao de todos os testes e comparaes

necessrias para verificao da viabilidade do mtodo, foi testado tambm o componente
inercial, aplicado equao da velocidade, em substituio ao fator de constrio. Assim, a
cada iterao, e para cada partcula, a velocidade atualizada de acordo com a Equao 28,
que multiplica o componente inercial pela velocidade anterior e, ento, soma a parte cognitiva
da frmula, representada pelo conhecimento, e a parte social, representada pela colaborao
entre as partculas.
vi it+1 = wit * viit +c1 it * rand()it * (pbestiit xiit) + c2 it * rand()it * (gbestiit xiit) +
c3 it * rand()it * (Cit xiit)
(28)
Comparando-se os resultados obtidos pelos dois parmetros, verificou-se que o

componente inercial gera melhores solues para o problema de layout. Assim, este
parmetro foi utilizado ao longo deste trabalho.
Alm de armazenar as velocidades Vi = (v1, v2, ..., vn), as posies Xi = (x1, x2, ..., xn) e
as melhores posies j encontradas pelas partculas Pbesti = (pbest1, pbest2, ..., pbestn), os
49
algoritmos armazenam tambm as posies j encontradas pelas partculas quando obteve-se

o timo global Gbesti = (gbest1, gbest2, ..., gbestn).
Sabe-se que, a cada iterao, aps o clculo da nova velocidade e novo
posicionamento das partculas, aplica-se a funo objetivo no enxame. Como o objetivo
minimizar, se o valor obtido for menor que o menor valor j encontrado pela funo obtido
significa que o movimento realizado pelas partculas ocasionou numa melhora do layout.
Assim o gbest de cada partcula ajustado de acordo com a posio em que as mesmas
estavam quando se obteve o melhor resultado.
5.1.1 Acelerao por distncia

O termo (pbesti xi), que compem a equao para o clculo da nova velocidade, se
refere distncia entre a melhor posio j encontrada pela partcula i e a posio atual dessa
mesma partcula. Tratando-se do problema de layout, o segundo termo teve que ser alterado e
(gbesti xi) se refere distncia entre a posio da partcula quando o enxame atingiu o timo
global e a posio atual da partcula i.
A melhor posio da partcula calculada de acordo com a equao 29.
N
Minimizar F =
d ij
, j = 1, ..., N; j i
i =1 ij
N
cij d ij + P f t
i =1
(29)
A primeira parte da Equao 29 faz o somatrio de custo x distncia da partcula i em

relao s demais partculas do enxame e a segunda parte penaliza o resultado em caso de
sobreposio das partculas. Caso o resultado seja menor que o resultado encontrado
anteriormente, a posio da partcula atualizada.
5.1.2 Limitador de velocidade

Alm do componente inercial, o algoritmo proposto tambm controla a velocidade das
partculas atravs do limitador vmax, para uma melhor explorao do espao de busca.
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.
5.1.3 O algoritmo proposto: passo a passo

O algoritmo proposto neste trabalho segue os passos descritos no item 4.1.1.4, com
algumas adaptaes:
1. Cada partcula i representa uma facilidade. A posio inicial de cada partcula escolhida
aleatoriamente, para os eixos x e y do plano, assim como sua velocidade inicial. O pbest e
gbest de cada partcula so inicializados com as posies iniciais das partculas;
2. Para cada partcula i calculada a nova velocidade atravs da Equao 28 e a nova

posio, pela Equao 27. O clculo realizado para os eixos x e y;
3. A funo objetivo de cada partcula i calculada atravs da equao 29.
4. O valor da avaliao da partcula i, atravs da Equao 29, comparado ao melhor
(menor) valor j obtido por esta partcula. Se o valor for melhor, o pbesti atualizado. O
pbest da partcula i, representa a melhor posio que a partcula i j ocupou no espao em
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
Figura 5 Comportamento das partculas no espao de busca bidimensional conforme o

algoritmo proposto na abordagem I
onde:
pbesti melhor posio da partcula i
gbesti melhor posio da partcula i quando se obteve o melhor layout
(pbesti xi) distncia entre a melhor posio da partcula i e sua posio atual.
(gbesti xi) distncia entre a melhor posio da partcula i quando se obteve o melhor layout
e sua posio atual

posio atual
prxima posio
A posio na qual a partcula se encontra foi calculada mediante as equaes 28 e 27 e,
para o clculo da nova posio, indicada pelo crculo sombreado, as mesmas equaes so
utilizadas, levando-se em considerao a velocidade anterior da partcula, v, a sua posio
atual (x, y), a melhor posio j visitada pela partcula, pbest e a melhor posio j visitada
pela partcula, em relao ao enxame, gbest, como mostra a Figura 5.
A seguir apresentada um exemplo ilustrativo de 5 partculas no espao de busca
cujos custos esto relatados na Tabela 7. Neste caso, foram necessrias 7 iteraes para
obteno de um layout de qualidade. A cada iterao o pbest das partculas e o melhor layout
j encontrado so mostrados.
52
Tabela 7 Exemplo de uma tabela de custos entre 5 facilidades

1
0
5
0
3
0
1
2
3
4
5
Soluo inicial
2
5
0
1
10
3
3
0
1
0
1
5
pbest de cada partcula
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
Percebe-se na execuo que, nem sempre o movimento das partculas conduz as

mesmas a ocuparem melhores posies ou mesmo numa melhora do layout final.
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
Anjos e Vannelli (2002)

Resultado Sobreposio
(%)
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
Tempo 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
Comparando-se os resultados obtidos nas tabelas 8 e 9 observa-se que a utilizao do

parmetro w gera melhores layouts e, por esta razo, este parmetro foi utilizado no restante
deste trabalho. Observa-se tambm que o mtodo enxame de partculas encontra melhores
resultados para grandes instncias do problema, ou seja, acima de 20 facilidades. A Figura 6
mostra o layout gerado para 30 facilidades.
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
Figura 6 Layout gerado para 30 facilidades de mesma rea
No foi possvel comparar os tempos de execuo, pois Anjos e Vannelli (2002)

apenas relataram que as solues obtidas por eles foram encontradas em menos de 2
segundos. Comprovando ainda mais a eficincia do mtodo enxame de partculas, os
resultados foram obtidos em menos de 1 segundo, exceto para o problema envolvendo 30
facilidades. Vale salientar tambm que, para todas as instncias testadas, 500 iteraes so
suficientes para se obter bons resultados. Em alguns casos, o melhor layout foi encontrado
antes mesmo da 100 iterao.
Aps vrios testes, observou-se que o parmetro influencia significativamente na
obteno de um layout de qualidade. Pode-se observar na Tabela 10 que, para 12 facilidades,
a mdia dos resultados, tempos e iterao de 20 execues do algoritmo, so semelhantes.
Porm, medida que o valor de diminui, comea a ocorrer sobreposio de facilidades em
alguns layouts e a porcentagem dessa sobreposio aumenta consideravelmente.
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
Ainda em relao Tabela 11, com = 4 no h sobreposio em 100% dos layouts,

no entanto, observa-se que algumas facilidades ficam distantes das demais. O interessante
que isso no ocorre para 12 e 15 facilidades, que mesmo utilizando = 4, so obtidos layouts
de qualidade, como mostra a Figura 7. Em todos os testes foi utilizado P = 10.
57
12
11
10
-1
-2
-2
-1
Figura 7 Layout gerado para 12 facilidades de mesma rea Abordagem I
Comparando-se as tabelas 11 e 12 observa-se que, para 30 facilidades, os melhores

layouts so obtidos com valor de menor, enquanto que, para 12 facilidades, ocorre o
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
IMPLEMENTAO DO MTODO ENXAME DE
PARTCULAS PARA O PROBLEMA DE LAYOUT E

RESULTADOS ABORDAGEM II
A segunda abordagem utiliza vrios layouts simultaneamente para a obteno do

layout final. Para a implementao deste algoritmo foram necessrias algumas alteraes,
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)
xisit+1 = xisit + vis it+1
(32)
59
A cada iterao, e para cada layout, a velocidade atualizada de acordo com a

Equao 33, que multiplica o componente inercial e a velocidade anterior e soma parte
cognitiva da frmula, representada pelo conhecimento, e parte social, representada pela
colaborao entre as partculas.
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).
O pbest o resultado da aplicao da funo objetivo a cada layout. O menor pbest

considerado gbest, ou seja, o melhor layout j encontrado. Sempre que pbest encontra um
valor menor que gbest, este atualizado. A figura 8 mostra um exemplo ilustrativo de 4
partculas e 4 layouts.
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
6.1.1 Parmetros de confiana
60
Para esta proposta foram usadas as Equaes 16 e 17 propostas por Ratnaweera et al

(2004) para variar os parmetros de confiana, c1 e c2.
6.1.2 Acelerao por distncia

O termo (pbesti xi), que compem a equao para o clculo da nova velocidade, se
refere distncia entre a melhor posio j encontrada pela partcula i e a posio atual dessa
mesma partcula, e (gbesti xi), distncia entre a posio da partcula i quando se obteve o
melhor layout e a posio atual da partcula.
6.1.3 Limitador de velocidade

Alm do componente inercial (w), o algoritmo proposto controla a velocidade das
partculas atravs do limitador vmax, para uma melhor explorao do espao de busca.
Neste algoritmo o valor de vmax variou de acordo com o nmero de partculas testadas,
variando de 50 a 250. Para vmax igual a 100, por exemplo, se o resultado da equao da
velocidade for superior a 100 a velocidade da partcula assume valor igual a 100. Se o
resultado for inferior a -100, a velocidade da partcula assume valor -100.
6.1.4 O algoritmo proposto: passo a passo

Inicialmente, s = 1, 2, ..., m layouts so gerados, onde cada layout formado por N
facilidades. Cada facilidade representada por uma partcula i, no enxame de partculas.
1.
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.
3. A funo objetivo, Fs, de cada layout calculada atravs da Equao 8.

4. Para cada layout s, se Fs < pbests, ento atualize pbests com o valor de Fs.
5. Calcule gbestit. gbestit = min {pbest1it, pbest2it, ,pbestnit}. Se gbestit < gbest, ento atualize
gbest com o valor de gbestit e atualize cada gbesti com a posio de cada partcula i.
6. Repetir a partir do item 2, at que it = itmax, sendo itmax o nmero mximo de iteraes
61
definidas.
6.2 Representao do layout

Assim como Tam (2002), este trabalho fez uso da estrutura de rvore binria para
representar os layouts retangulares gerados, cujas facilidades esto representadas pelas folhas
da rvore. Considerando-se o exemplo de 12 facilidades, inicialmente calculado o gbest e
uma floresta com 12 rvores gerada. A cada iterao duas rvores so unidas at a formao
da rvore final e para uni-las considerada a menor razo da distncia euclidiana pela soma
de seus dimetros.
Para gerar o layout retangular realizada uma busca na rvore binria, da esquerda para
a direita. O primeiro n esquerdo da subrvore esquerda analisado e as reas de todas as
suas folhas so somadas para gerar o primeiro particionamento do layout. Da mesma forma se
existir um n esquerda do anterior. Quando no houver mais ns esquerda, o algoritmo
verifica os ns direita. Pode acontecer, porm, de um n da direita possuir n esquerda,
sendo estes analisados primeiramente. Aps percorrer todos os ns e folhas da subrvore
esquerda, a busca realizada na subrvore direita raiz.
6.3 Resultados
Foram realizados testes com instncias cujas facilidades possuem reas de tamanho
igual e testes com facilidades de reas diferentes.
6.3.1 Facilidades de mesma rea

Para facilidades de mesma rea o valor de variou de acordo com o nmero de
facilidades testadas e com os testes obtidos e apresentados pelas tabelas 9 e 10. Os valores dos
parmetros utilizados tambm variaram de acordo com o nmero de facilidades. Em
facilidades de mesma rea foi utilizado r = 1 para todas as facilidades.
62
10
12
11
11
12
10
-1
-2
-2
-1
Figura 9 Layout gerado para 12 facilidades de mesma rea Abordagem II
Para a primeira instncia testada, 12 facilidades, conforme Tabela 12, utilizou-se = 2

e, para os parmetros c1 e c2, 2,5 como valor inicial e 0,9 como valor final. O componente
inercial variou de 0,9 a 0,6 e vmax foi definido como 150. Para este teste foram utilizadas 1000
layouts e 1000 iteraes. Para a penalizao no caso de sobreposio foi definido P = 10. A
Figura 9 mostra o layout gerado com essa configurao.

Tabela 12 Resultados obtidos para 12, 15, 20 e 30 facilidades de mesma rea, utilizando-se
vrios layouts
Nmero de
facilidades
12
15
20
30
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
Em relao ao layout gerado para 12 facilidades de mesma rea, a Tabela 13 mostra a

relao de custos que deve haver entre as facilidades (NUGENT et al, 1968) e a Tabela 14
mostra as distncias entre as facilidades. Quanto maior o custo entre as facilidades menor
deve ser a distncia entre elas.
63
Tabela 13 Relao de custos entre 12 facilidades

1
0
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
penalizao no caso de sobreposio foi definido P = 20. A Figura 10 mostra um layout

gerado com essa configurao.
2
15
13
10
1
7
12
11
15
10
1
4
-1
14
12
13
5
4
-2
-2
-1
14
11
8
penalizao no caso de sobreposio foi definido P = 200. A Figura 11 mostra o layout
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
penalizao no caso de sobreposio foi definido P = 500. A Figura 12 mostra o layout
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
c1ini c1fin c2ini c2fin wini wfin vmax

2,5
1,5
1,5
1,5
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
nmero de partculas, maior a necessidade de explorao do espao e troca de informaes

entre elas a fim de gerar layouts de qualidade.
A Figura 13 mostra parte de uma execuo do algoritmo. Cada quadro representa o
posicionamento das partculas quando houve melhora no resultado da funo objetivo, ou
seja, quando o gbest das partculas foi atualizado. A numerao indica a iterao na qual isso
aconteceu.
10
12
16
20
23
29
39
42
43
48
67
57
58
62
64
65
67
77
95
98
Figura 13 Representao parcial da movimentao das partculas no espao de busca para

formao de um layout
6.3.2 Facilidades de reas diferentes

Para a obteno de layouts de qualidade utilizando facilidades com reas diferentes foi
necessria a realizao de vrios testes no que diz respeito escolha dos valores a serem
atribudos s variveis. As reas das facilidades esto descritas na tabela 16.
68
Tabela 16 rea das facilidades, para o clculo do raio

Facilidade
1
2
3
4
5
6
7
8
9
10
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
Para o clculo do raio utilizou-se a Equao 34 (CASTILLO E SIM, 2003):
ri =
ai
, i = 1, .., N
2
(34)
Tabela 17 Resultados obtidos para 12, 15, 20 e 30 facilidades de reas diferentes

Nmero de
facilidades
12
15
20
30
Enxame de Partculas
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
A Tabela 17 mostra os resultados obtidos pelo mtodo enxame de partculas. Para

todas as instncias testadas, os resultados foram melhores se comparados aos obtidos por
Anjos e Vannelli (2002), principalmente pelo fato de nenhum dos layouts gerados
apresentarem sobreposio. A abordagem utilizada implicou em maior tempo de
processamento.
A Figura 14 mostra o layout gerado para 12 facilidades de reas diferentes. O valor
inicial para c1 e c2 foi definido como 1,5 e 0,5 como valor final. O componente inercial variou
de 0,9 a 0,4 e vmax foi definido como 150. Neste teste foram utilizadas 1000 partculas e 1000
iteraes. Para penalizar a funo objetivo no caso de sobreposio foi usado P = 10.
69
1
3
9
8
10
11
12
6
4
10
-1
11
-2
-2
-1
12
Figura 14 Layout gerado para 12 facilidades de reas diferentes Abordagem II
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
De acordo com a Tabela 19 possvel verificar a proximidade ideal entre as

facilidades. De acordo com o layout gerado para 12 facilidades de reas diferentes (Figura 14)
e as distncias entre elas (Tabela 18) possvel verificar a viabilidade do layout.
A Figura 15 mostra o layout gerado para 20 facilidades de reas diferentes, sendo estas
de tamanhos diferentes. O valor inicial para c1 e c2 foi definido como 1,5 e 0,5 como valor
final. O componente inercial variou de 0,9 a 0,4 e vmax foi definido como 250. Neste teste
foram utilizadas 1000 partculas e 1000 iteraes. Para penalizar a funo objetivo no caso de
sobreposio foi usado P = 100.
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
Figura 15 Layout gerado para 20 facilidades de reas diferentes Abordagem II
72
CONCLUSO
Este trabalho props o uso do mtodo Enxame de Partculas na otimizao do

problema de layout. Para a modelagem do problema foi utilizada o modelo Attractor-Repeller
(AR) para evitar a sobreposio das facilidades, restrio considerada neste trabalho. Junto
equao da velocidade do mtodo foram testados dois parmetros: o componente inercial e o
fator de restrio e, aps vrios testes, constatou-se a eficincia do primeiro para o problema
de layout e este foi usado nos dois algoritmos desenvolvidos neste trabalho.
O primeiro algoritmo desenvolvido est baseado na idia original do mtodo enxame
de partculas, porm com algumas modificaes para se adequar ao problema de layout. A
alterao feita no gbest uma delas. Neste algoritmo, alm de cada partcula armazenar o
pbest, cada partcula armazena tambm seu prprio gbest, o que permite que as partculas
encontrem as melhores posies no enxame, definindo, assim, o layout. Outra modificao

realizada foi a introduo do centride na equao da velocidade, o que auxiliou para evitar a
disperso das partculas no espao de busca.
Foram realizados vrios testes do algoritmo e verificou-se a importncia do parmetro
, que compem a equao da distncia alvo do modelo AR e realiza uma fora repulsiva
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
Os resultados obtidos por este algoritmo foram satisfatrios para mais de 20

facilidades, se comparados com os autores do modelo, Anjos e Vannelli (2002). Isso
surpreendente, pois a maior dificuldade, por tratar-se um problema NP, encontrar bons
resultados para grandes instncias do problema. O mtodo enxame de partculas provou sua
eficcia.
O segundo algoritmo desenvolvido neste trabalho utiliza vrios layouts para se obter
um layout de qualidade. Neste caso, cada layout tem um pbest e o melhor deles, ou seja, o
layout com o menor valor de pbest considerado o gbest e as partculas desse layout
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
Gramado - RS. Anais da 2 Oficina Nacional de Problemas de Corte e Empacotamento,

1997a, p. 129-146.
_____. Otimizao de leiaute usando busca tabu. Gesto & Produo, vol.4, n.1, 1997b.
GAITHER, N.; FRAZIER, G. Administrao da produo e operaes. 8.ed. So Paulo:
Pioneira, Thomson Learning, Inc., 2001.
GLOVER, F. Tabu Search part I, ORSA Journal on Computing, vol I, 1989a, p. 190-206.
_____. Tabu Search part II, ORSA Journal on Computing, vol II, 1989b, p. 4-32.
GOMES, A.; CREO, D. Enxame de Partculas Evolucionrios. In: MIRANDA, Vladimiro.
Computao Evolucionria Fenotpica. Faculdade de Engenharia do Porto, 2004.
GOMORY, R. E. Outline of an algorithm for integer solutions to linear programs. Bulletin of
the American Mathematical Society, n. 64, 1958.
GREFENSTETE, J.J. Optimization of Control Parameters for Genetic Algorithms. IEEE
Transactions on Systems, Man, and Cybernetics, n. 16, 1986, p. 122-128.
GUIMARES, Antonio Cesar Ferreira. Enxame de partculas como ferramenta de
otimizao em problemas complexos de Engenharia Nuclear. Tese (Doutorado em
Engenharia Nuclear) - Universidade Federal do Rio de Janeiro, 2005.
HERAGU, S.S.; ALFA, A.S. Experimental Analysis of Simulated Annealing based
Algorithms for the Layout Problem. European Journal of Operational Research, n. 57, 1992,
p. 190-202.
HERAGU, S.S.; KUSIAK, A. Efficient Models for the Facility Layout Problem. European
Journal of Operational Research, n. 53, 1991, p. 1-13.
HOLLAND, J.H. Adaptation in natural and artificial systems. University of Michigan Press:
Ann Harbor, MI, 1975.
IBARAKI, T. Combinatorial Optimization Problems and their Complexity. In: Enumerative
Approaches to Combinatorial Optimization - Part I. Annals of Operations Research, v. 10.
1988.
KASSABALIDIS, I.N.; EL-SHARKAWI, M.A.; MARKS, R.J.; MOULIN, L.S.; SILVA,
A.P.A. da. Dynamic security border identification using enhanced particle swarm
optimization. IEEE Trans. Power Syst., vol. 17, aug. 2002, p. 723-729.
KENNEDY, J. The behavior of particles. In: Evolutionary Programming VII: Proceedings of
the Seventh Annual Conference on evolutionary programming, San Diego, CA, 1998, p. 581589.
KENNEDY, J.; EBERHART, R. C. Particle Swarm Optimization. In: The 1995 IEEE
International Conference on Neural Networks, Perth, Australia, 1995, p. 19421948.
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
NUGENT, C.E.; VOLLMANN, T.E.; RUML, J. An Experimental Comparision of

Techniques for the Assigment of Facilities to Locations. Operations Research, n. 16, 1968, p.
150-173.
PARK, Jong-Bae; LEE, Ki-Song; SHIN, Joong-Rin; LEE, Kwang Y. A Particle Swarm
Optimization for Economic dispatch with nonsmooth cost functions. IEEE Transactions on
Power Systems, vol. 20, n. 1, February, 2005.
PARSOPOULO, K.E; VRAHATIS, M.N, Particle Swarm Optimization Method in
Multiobjective Problems. In: Proceedings of the 2002, University of Patras, Greece, 2002.
PRADO, J.R.do; SARAMAGO, S.F.P. Otimizao por Colnia de Partculas. FAMAT em
Revista, n. 04, abr. 2005.
RATNAWEERA, A; HALGAMUGE, S.K.; WATSON, H.C. Self-Organizing Hierarchical
Particle Swarm Optimizer With Time-Varying Acceleration Coefficients. IEEE Transactions
on Evolutionary Computation, v. 8, 2004, p. 240-255.
SAHNI, S.; GONZALEZ, T. P-complete approximation problems. Journal of the Association
of Computing Machinery, n. 23, 1976, p. 555-565.
SALOMO, Silvely Nogueira de Almeida. Mtodos de Gerao de Colunas para Problemas
de Atribuio. So Jos dos Campos: INPE, 2005.
SANTOS, Antnio Raimundo dos. Metodologia Cientfica: a construo do conhecimento.
3.ed. Rio de Janeiro: DP&A Editora, 2000.
SCHAFFER, J.D.; CARUANA, R.A.; ESHELMAN, L.J.; DAS, R. A study of controle
parameters affecting online performance of Genetic Algorithms for function optimization.
Proceedings on the Third International Conference on Genetic Algorithms, Morgan
Kaufmann, Los Altos, 1989, p. 51-60.
SCRIABIN, M.; VERGIN, R.C. A cluster-analytic approach to facility layout. Management
Science, n. 31, 1985, p. 33-49.
SEEHOF, J.M.; EVANS, W.O. Automated layout design program. Industrial Engineering, n.
18, 1967, p. 690-695.
SHI, Y.; EBERHART, R.C. A modified particle swarm optimizer. Proceedings of the IEEE
International Conference on Evolutionary Computation. Piscataway, NJ: IEEE Press, 1998, p.
69-73.
TAM, K.Y. Genetic algorithms, function optimization and facility layout design. European
Journal of Operational Research, n. 63, 1992, p. 322-346.
TAM, K.Y.; LI, S.G. A hierarchical approach to the facility layout problem. International
Journal of Production Research, n. 29, 1991, p. 165-184.
TANDON, V. Closing the gap between CAD/CAM and optimized CNC en milling. Masters
thesis, Purdue School of Engineering and Technology, Indiana University Purdue University
Indianapolis, 2000.
79
TATE, D. M.; SMITH, A. E. A genetic approach to the quadratic assignment problem.

Computers and Operations Research, v. 32, 1995, p. 73-83
TAVARES, Jos Antnio dos Reis. Gerao de Configuraes de Sistemas Industriais com o
Recurso Tecnologia das Restries e Computao Evolucionria. Tese de Doutorado.
Universidade do Moinho, Porto, 2000.
TOMPIKINS, J. A.; REED Jr., R. An applied model for the facilities design problem.
International Journal of Production Research, v. 14, n. 5, 1976, p. 583-595.
VAN CAMP, D.J.; CARTER, M.W.; VANNELLI, A. A nonlinear optimization approach for
solving Facility Layout Problems. European Journal of Operational Research, n. 57, 1991, p.
174-189.
VOLLMAN, T.E.; BUFFA, E.S. Facilities layout problem in perspective. Management
Science, n. 12, 1966, p. 450-468.
YOSHIDA, H.; KAWATA, K.; FUKUYAMA, Y.; NAKANISHI, Y. A particle swarm
optimization for reactive power and voltage control considering voltage security assessment.
IEEE Trans. Power Syst., vol. 15, nov. 2000, p. 1232-1239.

Otimização de Layouts Industriais Através Do Método Enxame de Partículas

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Otimização de Layouts Industriais Através Do Método Enxame de Partículas

Enviado por

Direitos autorais:

Formatos disponíveis

1

OTIMIZAO DE LAYOUTS INDUSTRIAIS ATRAVS DO MTODO

Dissertao apresentada ao Programa de Ps-Graduao

Santa Cruz do Sul, janeiro de 2007

Prof. Dr. Joo Carlos Furtado Orientador

Prof. Dr. Rafael Ramos dos Santos Co-orientador

Prof. Dr. Geraldo Lopes Crossetti UNISC

Prof. Dr. Denis Borenstein UFRGS

Agradeo a Deus pela vida e pelas bnos recebidas.

Senhor, tu tens sido o nosso refgio de gerao em gerao.

Antes que nascessem os montes, ou que tivesses formado a terra e

Tu reduzes o homem ao p, e dizes: Voltai, filhos dos homens!

Tu os levas como por uma torrente; so como um sono; de manh so

de manh cresce e floresce; tarde corta-se e seca.

Diante de ti puseste as nossas iniqidades, luz do teu rosto os

10 A durao da nossa vida de setenta anos; e se alguns, pela sua

Viver muito mais do que fazemos habitualmente.

O problema de layout de facilidades antigo e consiste, basicamente, em encontrar a melhor

LISTA DE SMBOLOS E SIGLAS

Figura 1 Representao das foras atrativa e repulsiva entre as facilidades, no modelo

Tabela 1 Resultados da aplicao do mtodo simulated annealing ao problema de layout.. 32

4.1.3.1 Parmetros de confiana c3.........................................................................................45

pssaros, enxames de abelhas e cardumes de peixes, por exemplo. O modelo computacional

1.2.2 Objetivos especficos

Os resultados obtidos com a aplicao do mtodo enxame de partculas ao problema

1.4 Estrutura da Dissertao

2.1 Um problema combinatorial

De acordo com a complexidade, a resoluo dos problemas combinatoriais pode ser

2.2 O problema de layout de facilidades

Os layouts podem ser construdos utilizando-se diferentes algoritmos, os quais podem

Resolver o problema de layout consiste em duas etapas gerais: primeiramente, modelar

2.3 Modelagem do problema de layout

(CASTILLO e SIM, 2003), entre outras.

2.3.1 Problema Quadrtico de Alocao

de otimizao combinatria, o PQA um dos mais difceis no que diz respeito

2.3.2 Teoria dos Grafos

F - conjunto de pares de facilidades que no necessitam estar adjacentes em qualquer

se a facilidade i adjacente facilidade j,

A equao na teoria de grafos a seguinte:

plano sem que quaisquer duas arestas se interceccionem.

2.3.3 rvores Binrias

2.3.4 Modelo DISpersion-CONcentration

O autor resolve o modelo DISCON usando um algoritmo de penalidade e uma

2.3.5 Modelo Attractor-Repeller

Na equao, N representa o nmero total de facilidades, cij, o custo entre as facilidades

onde ri se refere ao raio da facilidade i e rj, ao raio da facilidade j. O parmetro controla a

, onde f(z) = 1 1, z > 0,

A Figura 1 mostra como as foras de atrao e repulso agem sobre as partculas.

Figura 1 Representao das foras atrativa e repulsiva entre as facilidades, no modelo

nas quais N representa o nmero total de facilidades, ri e rj representam os raios das

alguma sobreposio. Os resultados apresentados pelos autores mostram que o valor

HEURSTICAS E O PROBLEMA DE LAYOUT

As heursticas tm sido amplamente estudadas nas ltimas dcadas e, na maioria dos

Colnia de Formigas (DORIGO, 1992) e Enxame de Partculas (KENNEDY e EBERHART,

3.1 Algoritmos Genticos e o Problema de Layout

Em 1992, Tam utilizou algoritmos genticos representado pela estrutura de rvore

3.2 Simulated Annealing e o Problema de Layout

problemas de otimizao combinatria e os da mecnica estatstica (KIRKPATRICK et al,

Valores muito altos de temperatura so importantes para manter a diversidade do

resfriamento e repete o passo principal.

atualizada se for obtida soluo melhor.

algoritmo e faz uma comparao com o melhor resultado encontrado na literatura.

Melhor soluo encontrada

Soluo com simulated annealing