rio do artigo Otimizacao no dimensionamento e sequenciamento de lotes de

Relato
producao: estudo de caso de uma fabrica de racoes
Priscila Gutierres, Pedro Vaz Pimenta1

Introdu
c
ao

Neste trabalho, enunciaremos e discutimos um problema de otimizacao linear numa empresa de nutricao animal e
sua respectiva modelagem conforme feito em [1]. Como o problema envolve toda uma cadeia produtiva, nao se trata
s
o de um u
nico, ele incorpora em essencia dois problemas classicos ao mesmo tempo: o lot sizing e o sequencing
and scheduling. Alem disso, como veremos na discussao, ele podera incorporar ate mais.
Estas decis
oes do Planejamento de Controle de Producao (PCP) sao frequentemente tratadas de forma independente tanto na literatura quanto na pr
atica, porem, na situacao posta no artigo analisado, considerar estes
problemas de forma separada geraria dificuldades para tornar a producao flexvel `as mudancas de mercado e para
obter soluc
oes vi
aveis do ponto de vista da capacidade disponvel e do atendimento dos prazos de entrega. Desta
forma, abordagem dos problemas ser
a feita de forma integrada.
Primeiramente, observamos que, pelas caractersticas da ind
ustria, a programacao sera definida apenas pelo
sequenciamento dos lotes, trata-se de uma simplificacao bastante u
til e conveniente para a modelagem. Outra
caracterstica importante a ser levada em conta e a perecibilidade dos produtos, o que ira impor uma restric
ao
fundamental nos tamanhos dos lotes, os quais nao deverao exceder muito a demanda e acabarem perecendo durante
o perodo de estocagem.
A modelagem n
ao s
o integrar
a mais de um problema de otimizacao como tambem problemas de natureza
diferentes: o modelo ser
a misto entre Programacao Linear Contnua (PLC) e Programacao Linear Inteira(PLI). No
primeiro caso, as vari
aveis possuem como domnio um conjunto contnuo, mais formalmente, uma superfcie de
nvel S de uma func
ao linear A : Rn Rm ; enquanto, no segundo, as variaveis (que sao chamadas de discretas)
assumem valores em S Zn , alem da pr
opria matriz de A e do vetor de nvel possurem entradas inteiras. No
modelo em quest
ao teremos vari
aveis dos dois tipos, ou seja, das n coordenadas dos elementos de S, teremos uma
quantidade i n de coordenadas assumindo valores inteiros.

Descri
c
ao do problema

Como o trabalho analisado est

a baseado no estudo de caso de uma unidade produtora de suplementos de uma
empresa do setor de nutric
ao animal, h
a peculiaridades que podem influenciar as decisoes do PNC, dentre as quais
podemos destacar:
1. Sazonalidade na demanda por produtos;
2. Sazonalidade na oferta de materias primas;
3. Perecibilidade dos produtos.
As quais acarretam em variac
oes de quantidades produzidas e no mix dos produtos com seus respectivos
custos, o que tambem pode ser visto como o classico blending problem; temos, porem, que este problema n
ao ser
a
considerado no modelo de [1], pois a quest
ao do tempo de producao tera uma importancia muito maior, bem como
quest
oes relacionadas com estocagem.
1 Universidade

de S
ao Paulo

A planta produz suplementos vitamnicos para bovinos, equinos, sunos e aves numa linha de racoes comerciais,
alem da linha pet para animais de estimac
ao. Uma observacao importante e relevante para a modelagem e que, por
causa tipo de neg
ocio (o qual est
a inserido num mercado altamente concorrido), nao serao tolerados atrasos.
A produc
ao pode ser dividida em algumas etapas, a primeira delas consiste na dosagem de materias-primas,
que dar
ao origem a uma primeira mistura. Na segunda temos um processo de mistura propriamente dito em que
bom observar que
os ingredientes s
ao misturados a seco, com adicao de lquidos e depois misturados novamente. E
produtos diferentes n
ao possuem apenas proporcoes diferentes de materias-prima, como tambem tempos diferentes
em fases especficas de mistura. Por fim ocorre o ensaque.
Apesar de haver v
arias fases de produc
ao, varios equipamentos, etc, podemos abstrair o problema como se tudo
fosse realizado num u
nico est
agio, j
a que a cadeia produtiva e linear e o fluxo pode ser enxergado como contnuo,
ou seja, e como se tudo fosse uma u
nica m
aquina em que entram as materias-primas e saem os produtos finais,
apenas o tempo total ser
a relevante.
Estaremos interessados em minimizar os custos de estocagem do produto final e de horas extras, as quais
podem ser necess
arias para suprir as exigencias da demanda dentro do prazo, otimizando a utilizacao dos recursos
disponveis, a fim de que a empresa permaneca numa posicao competitiva. Mais detalhes da producao sao discutidos
em [1] e aspectos mais relevantes ser
ao tratados na modelagem.

A Modelagem

O modelo estudado considera as decis

oes de dimensionamento e sequenciamento de lotes de forma integrada, num
ambiente monoest
agio, com uma m
aquina e com tempos de preparacao dependentes da sequencia. Dentre v
arias
possibilidades (mais detalhes em [1]), foi escolhido o modelo matematico que mais se aproxima do problema estudado, que e o GLSP-ST (General Lot Sizing Problem - Setup Times) proposto por [2], o qual incorporara tambem
aspectos desenvolvidos em [3]. Primeiro definiremos o conjunto de ndices:
i, que corresponder
a`
a famlia do produto, sendo i = 1, ..., N ;
t, que corresponde a perodos, sendo t = 1, .., T ;
s, que s
ao subperodo, sendo s = 1, ..., S.
Temos que N e o n
umero total de famlias, T o n
umero de perodos do horizonte de planejamento e S total de
subperodos (ao longo de todos os T perodos). Alem disso, o perodo t corresponde a uma semana e e dividido
em uma quantidade fixa St de subperodos, que pode ser interpretada como a quantidade maxima permitida de
preparac
oes.
Os par
ametros s
ao:
Ct
pi
lmi
hi
cot
stji
dit
Ii0
xi0
ut

tempo disponvel (capacidade) no perodo t.

tempo necess
ario para produzir uma unidade da famlia i.
lote mnimo da famlia i (unidades)
custo de manter uma unidade de estoque da famlia i por um perodo t.
custo unit
ario de hora extra no perodo t.
tempo de preparac
ao para mudar da famlia j para a famlia i (com stii = 0).
demanda da famlia i no perodo t (em unidades).
estoque inicial da famlia i no comeco do horizonte de planejamento (em unidades).
indica se a linha est
a preparada para produzir a famlia i no comeco do horizonte de planejamento
(xi0 = I) ou n
ao (xi0 = 0).
limite m
aximo de horas extras permitidas no perodo t.

As vari
aveis de decis
ao do modelo s
ao:
Iit
qis
xis
yjis
Ot

estoque da famlia i no fim do perodo t (unidades).

tamanho do lote da famlia i produzido no subperodo s, em unidades. O tamanho do lote e
m
ultiplo do n
umero de bateladas, e portanto, e uma variavel inteira.
indica se a linha est
a preparada para produzir a famlia i no subperodo s (xis = 1)
ou n
ao (xis = 0).
indica se ocorre troca das famlias j para i no subperodo (sjis = 1) ou nao (yjis = 0).
a quantidade de horas extras utilizadas no perodo t.

O modelo proposto e dado a seguir:

minimizar
sujeita a

N X
T
X

T
X
htt Iit +
cot Ot
t=1
i=1 t=1
X
Iit = Ii,t1 +
qis dit
N X
X
i1 xSt

sSt
N X
N
X

pi qis +

(1)

stji yjis Ct + Ot

t, i

(2)

(3)

i, t, s St

(4)

(5)

i=1 j=1 sSt

pi qis (Ct + ut )xis

N
X
xis = 1
i=1

yjis xj,s1 + xis 1

qis lmi (xis xi,s1 )
xis {0, 1}
Iit , yjis 0 , 0 yjis yjis 1
qis 0 , qis inteiro
0 Ot ut

i, j, s
s, i
s, i
i, j, s, t , i 6= j
i, s
t

(6)
(7)
(8)
(9)
(10)
(11)

Como j
a foi citado, a func
ao objetivo minimiza os custos de estocagem (primeiro termo) e horas extras (segundo
termo), que s
ao os criterios de desempenho adotados pela empresa. Ao contrario de alguns modelos padr
ao, como
os utilizados em [2] e [3], esta func
ao n
ao considera o custo de preparacao, uma vez que, na fabrica em quest
ao,
a capacidade de produc
ao acaba sendo um dado fixo, ja que ela consumira basicamente o recurso mao-de-obra,
sendo a forca de trabalho fixa entre perodos de tempo.
Em (2) temos uma restric
ao para o estoque, que considera questoes de disponibilidade, tempo e demanda. Em
(3) temos a restric
ao referente `
a capacidade produtiva que incorpora aspectos do tempo da producao de famlias
de produtos em subperodos e tempo necess
ario para a preparacao da linha, ja que isso ocorrera durante a troca de
famlias. Em (4) a restric
ao d
a a garantia de que uma famlia so pode ser produzida num subperodo caso a linha
esteja disponvel para ela. Em (5) h
a a garantia de que a linha so estara preparada para uma u
nica famlia.
Em (6) temos os estados de preparac
ao e indicadores de mudanca. Em (7) temos a imposicao para que ocorra
produc
ao de um lote mnimo de uma famlia num dado subperodo s caso a linha nao tava preparada em s 1
e estava em s, isso e preciso pelo seguinte motivo: a matriz de tempos de preparacao nao satisfaz a desigualdade
triangular, i.e., stjk + stki  stji , mais detalhes sao dados em [1] na figura 3. Em (8), (9), (10) e temos as condic
oes
de n
ao negatividade das vari
aveis e integralidade de parte delas. Finalmente, em (11), temos os limites de horas
extra.
Por fim, para que fique claro o tamanho do problema, temos N (famlias de) produtos, T perodos e S
subperodos, originando N (N S + 2S + T ) + T + 1 variaveis, dente as quais N S sao binarias e N S sao inteiras. Caso
yjis seja bin
aria, temos N S(N + 1) bin
arias.
Para a resoluc
ao numerica do problema, os autores de [1] usaram o software GAMS/CPLEX. Esse solver permite

que os usu
arios modelem o problema usando uma linguagem de alto nvel com o poder dos otimizadores Cplex, que
s
ao desenvolvidos para resolver problemas grandes e difceis de forma facil e com o mnimo de intervencao do usu
ario.
Apesar disso, para resolver o problema especificamente, foi necessario um esforco computacional relativamente
grande com os recursos computacionais disponveis na epoca que o artigo foi publicado.

Discuss
ao

O primeiro aspecto desta modelagem a ser discutido e o fato de que, apesar dos autores em [1] salientarem que h
a
uma sazonalidade na oferta de materias-primas, que fazem precos das mesmas flutuarem de acordo com perodos
de entressafra, este dado n
ao foi levado em conta na modelagem por nao haver necessidade de acordo com as
caractersticas do produto e da produc
ao, porem poderamos ter uma situacao hipotetica em que um mesmo produto
pode ser feito a partir da mistura de diferentes materias-primas ou por mesmas materias-primas de diferentes
concentrac
oes de tipos especficos de nutrientes.
Para adicionar isso ao modelo, precisaremos definir um conjunto de ndices l variando de 1 ate L e par
ametros
mpl que representam o custo de alguma unidade da materia-prima l, com isso teremos a variavel zil que representa
a quantidade de materia prima l usada para produzir o lote da famlia i, assim a funcao de custo de produc
ao fica
N X
L
X

mpl zil .

i=1 l=1

A primeira restric
ao indispens
avel e a que diz que, com uma mistura pra a famlia i, obtemos pelo menos a
quantidade lmi , ou seja:
L
X

zil lmi , i.

l=1

Alem disso pediremos, obviamente, que zil 0 i, l. Tambem pedimos que esta quantidade esteja de acordo com
qis :
T X
X
t=1 sSt

qis =

L
X

zil , i.

l=1

Agora podemos adicionar restric

oes opcionais que dependerao estritamente do problema, por exemplo, podemos
ter uma tabela nutricional para cada materia-prima representada por akl em que k = 1, .., K sao ndices para K
nutrientes e mais uma tabela de exigencia nutricional para produtos da famlia i com limites inferior e superior binf
ik
e bsup
cao:
ik respectivamente, com isso temos a restri

binf
ik

L
X

akl zil bsup

ik , i, k.

l=1

Adicionando estes novos dados ao problema inicial ficamos com:

minimizar
sujeita a

N X
T
X

T
N X
L
X
X
htt Iit +
cot Ot +
mpl zil
t=1
i=1 t=1
i=1
l=1
X
Iit = Ii,t1 +
qis dit
N X
X

sSt
N X
N
X

pi qis +

i1 xSt

stji yjis Ct + Ot

t, i
t

i=1 j=1 sSt

pi qis (Ct + ut )xis

N
X
xis = 1

i, t, s St
s

i=1

yjis xj,s1 + xis 1

qis lmi (xis xi,s1 )
xis {0, 1}
Iit , yjis 0 , 0 yjis yjis 1
qis 0 , qis inteiro
0 Ot ut
L
T X
L
X
X
X
zil lmi ,
qis =
zil
t=1 sSt

l=1

zil 0
L
X
inf
akl zil bsup
bik
ik

i, j, s
s, i
s, i
i, j, s, t , i 6= j
i, s
t
i

l=1

i, l
i, k

l=1

Isto, e claro, suponto que os outros par

ametros relacionados com o tempo de producao, permanecem constantes,
pois, caso contr
ario, pi seria, por exemplo, uma funcao de zil , apesar de que e razoavel assumir que isso n
ao
mudar
a. A princpio, por raz
oes pr
aticas, tambem estamos supondo que esta modificacao e compatvel com o
GLSP-ST pois, caso n
ao seja, ser
a preciso buscar como isso se encaixa em outras famlias de modelos para os quais
existem algoritmos bons. Por fim, observamos que ha a necessidade de realmente integrar este problema da mistura
ao de dimensionamento e sequenciamento, uma vez que ha a interacao entre as variaveis zil e qis , trazendo muito
mais vantagens do que uma abordagem separada.
Em segundo lugar, uma observac
ao importante e que, principalmente pelo fato do modelo ser misto, conforme e
observado em [1], ele pode exigir bastante tempo para que o computador encontre uma solucao boa (sem garantia
de ser
otima). Apesar da inst
ancia trabalhada no artigo ter sido resolvida em algumas horas, mesmo considerando
que o computador usado seja, hoje em dia, obsoleto, sabemos que este tipo de problema e tao complicado que,
se fizermos uma inst
ancia maior, e possvel que nem as maquinas atuais consigam resolver num tempo factvel,
por esta raz
ao os autores enfatizam que e sempre importante ter em perspectiva novos metodos de soluc
ao (sejam
exatos, de aproximac
ao ou heursticos) para este tipo de modelo a fim de melhorar o tempo computacional.
O que leva este tipo de modelagem a ser t
ao pesado para os computadores e o fato de problemas de PLI serem
da classe de complexidade computacional NP-Hard, ou seja, sao problemas pelo menos tao complexos quanto o
mais complexo da classe NP, para a qual n
ao se conhece sequer algoritmos de resolucao em tempo polinomial, sendo
que problemas da classe em quest
ao podem sequer pertencer a NP. Como as variaveis inteiras deste modelo s
ao
indispens
aveis, j
a que s
ao intrnsecas ao problema, temos que a dificuldade altssima nesta resolucao e incontorn
avel.
E mesmo que n
ao tivessemos esta barreira, resolver problemas de PLC ainda e uma tarefa difcil aos computadores,
principalmente nos piores casos. Alem disso, apesar de algoritmos nao exatos, como o usado em [1], tornarem o
problema trat
avel, tambem n
ao e garantia de que os computadores consigam uma execucao num tempo curto, pois
mesmo estes metodos ainda consomem bastante poder de processamento e memoria.
Por fim, e interessante notar que, mesmo que sacrifiquemos garantias de otimalidade para que o problema seja
trat
avel computacionalmente, a soluc
ao encontrada em [1] para a instancia real do que foi proposto proveu uma

reduc
ao nos custos de mais de 75%, ou seja, isto mostra o quanto um investimento em pesquisa operacional pode
ser realmente benefico para uma empresa. O resultado tambem exemplifica o quanto algoritmos que nao s
ao exatos
podem encontrar soluc
oes muito boas apesar de nao necessariamente otimas.

Conclus
ao

Nesse relat
orio mostramos uma modelagem que possui uma abordagem satisfatoria para resolucao desse problema,
porem, como observado, o tempo de resoluc
ao computacional ainda deixa a desejar e varias perspectivas est
ao
abertas para pesquisa futura, de modo que possamos encontrar boas solucoes com um tempo de execucao melhor.
Essa perspectiva, segundo [1], envolve o desenvolvimento de metodos como decomposicao do modelo, tecnicas de
relaxac
ao e fixac
ao de vari
aveis, heursticas, entre outros.

ncias
Refere
[1] TOSO, Eli Angela Vitor; MORABITO, Reinaldo. Otimizacao no dimensionamento e seq
uenciamento de lotes
de produc
ao: estudo de caso numa f
abrica de racoes. Gest. Prod., Sao Carlos , v. 12, n. 2, p. 203-217, Aug. 2005.
[2] MEYR, H. Simultaneous lot sizing and scheduling by combining local search whit dual reoptimization. European Journal of Operational Research, v. 120, p. 311-326, 2000.
[3] HAX, A.; CANDEA, D. Production and inventory management. New Jersey: Prentice-Hall; Englewood
Cliffs, 1984.