Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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
As vari
aveis de decis
ao do modelo s
ao:
Iit
qis
xis
yjis
Ot
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, 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
binf
ik
L
X
l=1
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, t, s St
s
i=1
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
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.