Escolar Documentos
Profissional Documentos
Cultura Documentos
SO CARLOS
2016
MAURICIO IWAMA TAKANO
rea de concentrao:
Processos e Gesto de Operaes
SO CARLOS
2016
Dedico este trabalho minha me
Luiza Massako Iwama Takano e ao
meu pai Harumi Takano (in
memorian), que sempre me
apoiaram, incentivaram e
acreditaram em mim.
AGRADECIMENTOS
minha me Luiza Massako Iwama Takano e ao meu pai Harumi Takano (in
memorian) que me deram toda estrutura e suporte para que eu pudesse estar aqui
realizando este trabalho, tanto espiritual como tambm financeiramente. Um
agradecimento especial minha esposa Karina Assolari Takano, por sempre me
apoiar e me incentivar, sempre compreendendo todas as dificuldades passadas
durante os estudos, nunca deixando de estar ao meu lado mesmo nos momentos
mais difceis.
Ao meu orientador Marcelo Seido Nagano pelo enorme auxlio nos estudos e
no conhecimento, pela sua grande pacincia para me orientar sempre que me
encontrei perdido e por compartilhar de seus conhecimentos para que eu pudesse
crescer e desenvolver este trabalho da melhor forma que pude.
TAKANO, Mauricio I. A contribution to the flow shop problem with zero buffer
and sequence and machine dependent setup times. 2016. 127 f. Theses
(Doctorate) - Department of Production Engineering, Universidade de So Paulo,
So Carlos, 2016.
B&B Branch-and-Bound
FIFO First In First Out
GA Genetic Algorithm
IP Integer Programming
LP Linear Programming
LPT Largest Processing Time
LS Local Search
MILP Mixed Integer-Linear Programming
MINLP Mixed Integer Non-Linear Programming
MM MinMax
NLP Non-Linear Programming
PCP Planejamento e Controle da Produo
PF Profile Fitting
PO Pesquisa Operacional
PSO Particle Swarm Optimization
SM Search Metaheuristic
SPT Shortest Processing Time
TS Tabu Search
LISTA DE SMBOLOS
n Nmero de tarefas.
m Nmero de mquinas.
j1, j2, ..., jn Conjunto de tarefas que devem ser alocadas nas mquinas.
k1, k2, ..., km Conjunto de mquinas que realizaro as tarefas.
i1, i2, ..., in Conjunto de tarefas que precedem diretamente as tarefas j 1, j2, ..., jn na
sequncia de fabricao.
Pjk Tempo de processamento da tarefa j na mquina k.
Sijk Tempo de setup da tarefa j, precedida diretamente pela tarefa i, na mquina
k (para problemas com setup dependente da sequncia de fabricao).
Cjk Data de trmino da tarefa j na mquina k.
Djk Data em que uma tarefa libera a mquina aps o trmino do
processamento. : se no houver bloqueio , caso
contrrio .
Rjk Data de trmino do setup da mquina k para execuo da tarefa j.
Ojk Tempo de ociosidade da mquina k, i.e. Intervalo de tempo entre o trmino
do setup para execuo da tarefa j e o incio da operao da tarefa j na
mquina k.
Bjk Tempo de bloqueio da tarefa j na mquina k, i.e. o intervalo de tempo entre
o trmino da tarefa j na mquina k e o incio da operao da mesma tarefa
na mquina (k+1).
ndice que descreve o tipo de ambiente de produo.
ndice que descreve as restries tecnolgicas do problema de
sequenciamento.
ndice que descreve qual o critrio de avaliao.
SUMRIO
1. INTRODUO ................................................................................................ 21
1.1. Motivao e Justificativa para Execuo da Pesquisa ..................................... 23
1.2. Objetivo Geral .................................................................................................. 25
1.3. Objetivos Especficos ...................................................................................... 25
1.4. Estrutura do Trabalho ...................................................................................... 26
2. PROGRAMAO DA PRODUO ................................................................ 29
2.1. Expresso do clculo do Makespan para o problema estudado ...................... 33
2.2. Mtodos de Soluo ........................................................................................ 39
2.2.1. Mtodos heursticos .................................................................................... 40
2.2.2. Mtodos exatos ........................................................................................... 44
3. O PROBLEMA DE SEQUENCIAMENTO EM AMBIENTE FLOW SHOP COM
BLOQUEIO ..................................................................................................... 47
4. PROPRIEDADES ESTRUTURAIS DO PROBLEMA FM / PRMU, SIJK,
BLOCK / CMAX .............................................................................................. 65
4.1. Limitante Superior............................................................................................ 66
4.2. Limitante Inferior .............................................................................................. 74
5. MTODO DE PESQUISA................................................................................ 81
5.1. Recursos de Infraestrutura Necessrios .......................................................... 84
6. MODELOS MILP ............................................................................................. 85
6.1. Modelos Propostos .......................................................................................... 85
6.1.1. Modelo TNZBS1.......................................................................................... 86
6.1.2. Modelo TNZBS2.......................................................................................... 88
6.2. Modelos Adaptados ......................................................................................... 90
6.2.1. Modelo RBZBS1 ......................................................................................... 90
6.2.2. Modelo RBZBS2 ......................................................................................... 92
7. MODELOS BRANCH-AND-BOUND ............................................................... 95
7.1. Limitante inferior para o makespan .................................................................. 96
8. MTODOS HEURSTICOS ............................................................................. 99
8.1. Heursticas de I Fase ..................................................................................... 100
8.1.1. Heurstica MM ........................................................................................... 100
8.1.2. Heurstica PF ............................................................................................ 101
8.1.3. Heurstica wPF ..........................................................................................103
8.1.4. Heurstica PW ...........................................................................................104
8.2. Heursticas de II Fase ....................................................................................106
8.2.1. MME, PFE, wPFE e PWE..........................................................................106
8.2.2. PF-NEH(x), wPF-NEH(x) e PW-NEH(x).....................................................107
8.3. Heursticas de III Fase ...................................................................................109
9. RESULTADOS COMPUTACIONAIS .............................................................111
9.1. Modelos MILP ................................................................................................111
9.2. Mtodo Branch-and-Bound ............................................................................115
9.3. Comparao Modelo MILP e Branch-and-Bound ...........................................118
9.4. Mtodos Heursticos ......................................................................................120
10. CONCLUSES ..............................................................................................125
10.1. Modelos MILP ................................................................................................125
10.2. Mtodo Branch-and-Bound ............................................................................126
10.3. Comparao Modelo MILP e Branch-and-Bound ...........................................126
10.4. Mtodos Heursticos ......................................................................................127
10.5. Trabalhos Futuros ..........................................................................................127
REFERNCIAS .............................................................................................129
21
1. INTRODUO
(por exemplo troca da ferramenta de corte, troca do molde, troca do fluido de corte,
troca do sistema de fixao, etc.).
Em muitos estudos o tempo de setup considerado includo ao tempo de
processamento das tarefas (Lee; Dicesare, 1994; Wang et al., 2004; Jerald et al.,
2005; Low et al., 2005; Ecker; Gupta, 2005; Saidi-Mehrabad; Fattahi, 2007; Kim;
Jeong, 2007). Isso, apesar de facilitar a obteno de uma soluo, limita algumas
estratgias da produo, como por exemplo, a possibilidade de realizar o setup da
mquina quando ela estiver disponvel, aguardando a tarefa (ou seja, a preparao
da mquina ser realizada antes mesmo da tarefa terminar de ser processada na
mquina anterior).
Para se obter melhores resultados alguns autores utilizaram tempo de setup
separado do tempo de processamento, que permite um planejamento da produo
mais sensvel e realstico (Gupta et al., 1997; Chang et al., 2004; Biskup; Herrmann,
2008; Boiko, 2008; Araujo; Nagano, 2011; Moccellin; Nagano, 2011; Vallada; Ruiz,
2011; Li et al., 2011; Gmez-Gasquet et al., 2012; Gonzlez et al., 2012; Lee et al.,
2012; Nagano; Mesquita, 2012; Sabouni; Logendran, 2013; Xi; Jang, 2012).
Esse tempo de setup pode ser dependente da sequencia de fabricao, da
mquina ou de ambos. Quando dependente apenas da sequncia, o tempo de setup
diferente para cada par de tarefas, ou seja, depende de qual tarefa acabou de ser
processada e qual tarefa ir iniciar seu processamento, independente da mquina
onde ser realizado o processamento. Quando dependente apenas da mquina, o
tempo de setup diferente para cada mquina, independente de qual tarefa estava
sendo processada e qual vai iniciar o seu processamento. Quando dependente da
sequncia de fabricao e da mquina, o tempo de setup diferente para cada par
de tarefas em cada uma das mquinas.
O tempo de setup dependente da mquina e da sequncia de fabricao
pode ser utilizado como um caso geral do problema com tempo de setup
dependente apenas da sequncia de fabricao ou dependente apenas da mquina,
pois se pode considerar os tempos de setup de todas as mquinas iguais,
dependentes apenas da sequncia de fabricao, ou pode-se considerar o tempo de
setup igual para todo par de tarefas, dependendo apenas da mquina.
Outra caracterstica muito comum em ambientes flow shop o bloqueio, que
pode ocorrer em ambientes que no possuem estoque intermedirio (buffer zero) ou
que possuem estoque intermedirio limitado (Figura 1). O bloqueio de uma mquina
23
ocorre toda vez que ela termina o processamento de uma tarefa, e o estoque
intermedirio entre essa mquina e mquina seguinte est cheio, impedindo que a
tarefa saia da mquina. Enquanto a tarefa fica na mquina, esta fica impedida de
receber a tarefa seguinte da sequncia para iniciar seu processamento, diz-se ento
que ela est bloqueada. Na figura 1 representado um emxemplo em um ambiente
com buffer zero e setup dependente da tarefa e da mquina, nela a mquina k
termina o processamento da tarefa j+1, porm a mquina k+1 ainda no est pronta
para receber a tarefa, pois ela ainda est realizando o setup. Como no h um
estoque intermedirio, a mquina k fica impedida de iniciar o setup da tarefa j+2, ou
seja, ela fica bloqueada at que a mquina k+1 termine o setup para poder iniciar o
processamento da tarefa j+1.
2. PROGRAMAO DA PRODUO
K=1
Sem fluxo
Open Shop Job Shop
padro Ms=1 s=1, 2, ..., K
Fluxo
idntico
K=1
Outros objetivos menos comuns podem ainda ser associados aos problemas
de sequenciamento (por exemplo, tempo total ponderado de adiantamento, tempo
total de adiantamento somado ao tempo total de atraso, tempo total ponderado de
adiantamento somado ao tempo total ponderado de atraso). Alm disso, podem
existir problemas com mltiplos objetivos (por exemplo, minimizar simultaneamente
o makespan e o tempo total ponderado de atraso).
Conforme a notao apresentada por Graham et al. (1979) o problema
estudado neste trabalho definido da seguinte forma:
R1k (data de trmino do setup da mquina para a primeira tarefa) dado pela
equao 1:
para k 1,..., m .
C j 1 maxR j 2 , R j 1 Pj 1 (3)
E na ltima mquina:
C jm C j ,m 1 Pjm (5)
35
na Tabela 1.
k1 k2 k3
Sij1 j1 j2 j3 j4 Sij 2 j1 j2 j3 j4 Sij 3 j1 j2 j3 j4
i1 4 15 15 13 i1 7 14 4 7 i1 5 5 8 15
i2 12 8 6 10 i2 11 1 10 6 i2 4 10 2 3
i3 3 1 5 8 i3 9 8 14 3 i3 7 8 8 9
i4 5 10 7 6 i4 3 4 7 9 i4 8 11 3 13
R11 S011 5 ,
36
para mquina k 2
R12 S012 14 ,
e para mquina k 3
R13 S013 8 .
dada por:
para mquina k 2 ,
e para mquina k 3
Cmax C43 66
R 12 R 22 R 33 R 41 R 43 C 43
R 11 R 13 C 11 R 21 C 12 C 13 C 21 R 23 C 22 C 23 R 32 R 31 C 31 C 32 C 33 R 42 C 41 C 42 C max
5 8 14 17 18 22 23 27 30 32 35 39 40 44 47 50 53 54 57 61 64 66
Definio da situao-problema;
Formulao de um modelo matemtico;
40
Segundo Framinan et al. (2004) cada mtodo pode ser composto de uma ou
mais destas fases. As trs fases so descritas a seguir.
todas as tarefas tenham sido alocadas em uma posio (Framinan et al., 2004). As
tarefas so divididas em dois subconjuntos: as tarefas j sequenciadas; e as tarefas
que ainda no foram sequenciadas. Nesta fase deve-se definir qual tarefa ser
inserida na sequencia parcial e em que posio da sequencia parcial ela ser
inserida.
A primeira deciso, ou seja, a seleo da tarefa que ser inserida na
sequencia parcial pode ser feita de duas formas:
Nesta fase uma soluo j existente (soluo inicial) melhorada por meio
de um procedimento. Segundo Sttzle (1998), os mtodos de melhoria para o
problema de minimizao do makespan podem ser divididos em busca local
descendente e meta-heursticos.
A busca local descendente percorre a vizinhana de uma ou mais solues
iniciais, buscando outra soluo com melhor valor. Se uma soluo melhor for
encontrada, esta tomada como sendo a nova soluo inicial e o processo
recomea.
As meta-heursticas so mtodos de melhoria, onde so gerados uma ou
mais solues, a partir de uma ou mais solues iniciais, que so comparadas entre
si e testadas para verificao quanto sua factibilidade. Algumas meta-heursticas
so:
O mtodo Simplex
____________
5
Mixed Integer Non-Linear Programming
46
O mtodo Branch-and-Bound
____________
6
Traveling Salesman Problem
48
____________
7
Tabu Search
49
____________
8
Tabu Search with Multi-Moves
9
Quadratic Mixed Integer Program
52
____________
10
Local Search
54
____________
11
Mixed Integer Binary Program
58
bloqueio e buffer zero. O algoritmo proposto foi testado e comparado aos algoritmos
HDDE, DABC, IABC, DE-ABC e IG usando a base de dados fornecida por Taillard
(1993). Os resultados mostram que o algoritmo apresentado superou os outros
algoritmos e tambm melhorou 94 dos 120 limitantes superiores obtidos por
algoritmos anteriores.
A Tabela 3 apresenta, de forma resumida, os problemas e as contribuies
de cada autor.
n: Nmero de tarefas ;
m: Nmero de mquinas;
j1, j2, ..., jn: Conjunto de tarefas que devem ser alocadas nas mquinas;
k1, k2, ..., km: Conjunto de mquinas que realizaro as tarefas;
Pjk: Tempo de processamento da tarefa j na mquina k;
Sijk: Tempo de setup da tarefa j, precedida diretamente pela tarefa i, na
mquina k, sendo S0jk o tempo de setup da primeira tarefa da sequncia;
Cjk: Data de trmino da tarefa j na mquina k;
Rjk: Data de trmino do setup da mquina k para execuo da tarefa j;
Bjk: Tempo de bloqueio da tarefa j na mquina k, i.e. o intervalo de tempo
entre o trmino da tarefa j na mquina k e o incio da operao da mesma
tarefa na mquina (k+1). Ou seja:
B jk C j ,k 1 Pj ,k 1 B j ,k 1 C jk k 1, ..., m 1 (7)
e,
B jm 0 (8)
O j1 0 (9)
66
e,
O jk C jk Pjk R jk B jk (10)
PROPRIEDADE A
para k 1, 2, ..., m 1
PROPRIEDADE B
Ou seja,
Sendo
Tem-se:
PROPRIEDADE C
para k 1, 2, ..., m 1 .
TEOREMA 1
O2,k 1 0 (16)
69
PROVA
B1k 0 (18)
para k 1, 2, ..., m- 1,
logo, tem-se:
ou
que leva a
70
Se O2,k 1 0 B2,k 0 ;
Se B2,k 0 O2,k 1 0 .
Uma vez que, por definio, O2,k 1 0 , e supondo que O2,k 1 0 , onde ento
O2,k 1 0 (25)
PROPRIEDADE I
com
O2,1 0
Uma vez que O j 1,k UBOkj1 , adicionando-se S j,j 1,k Pj 1,k Pj ,k 1 S j , j 1,k 1
ou seja,
UBOkj1 S j,j 1,k Pj 1,k Pj ,k 1 S j , j 1,k 1 (28)
Da equao 14 da propriedade C:
tem-se:
72
O j 1,k 1 B j 1,k UBOkj1 S j,j 1,k Pj 1,k Pj ,k 1 S j , j 1,k 1 (31)
TEOREMA 2
O j 1,k 1 UBOkj1 S j,j 1,k Pj 1,k Pj ,k 1 S j , j 1,k 1
(32)
O j 1,k 1 0 (33)
PROVA
Se O j 1,k 1 0 , obviamente:
O j 1,k 1 UBOkj1 S j,j 1,k Pj 1,k Pj ,k 1 S j , j 1,k 1
73
Se, por outro lado, O j 1,k 1 0 , ento pela propriedade B, B j 1,k 0 , logo
O j 1,k 1 UBOkj1 S j,j 1,k Pj 1,k Pj ,k 1 S j , j 1,k 1
se-:
O j 1,k 1 B j 1,k 0
O j 1,k 1 0
PROPRIEDADE II
UBOkj11 max 0, UBOkj1 S j,j 1,k Pj 1,k -Pj,k 1 S j,j 1,k 1 (34)
com UBO1j 1 0 .
VERIFICAO DA PROPRIEDADE II
de O j 1,k 1 , tem-se:
74
O j 1,k 1 UBOkj1 S j,j 1,k Pj 1,k Pj ,k 1 S j , j 1,k 1
UBOkj11 UBOkj1 S j,j 1,k Pj 1,k Pj ,k 1 S j , j 1,k 1 (35)
O j 1,k 1 0
UBOkj11 0 (36)
O j 1,k 1 B j 1,k UBOkj 1 S j, j 1,k Pj 1,k Pj ,k 1 S j , j 1,k 1
75
como:
B j 1,k Pj ,k 1 S j , j 1,k 1 UBOkj1 S j,j 1,k Pj 1,k O j 1,k 1 (37)
B j 1,k Pj ,k 1 S j , j 1,k 1 UBOkj1 S j,j 1,k Pj 1,k (38)
tarefa (j+1) nas mquinas k e (k+1), ento, para qualquer j, LBBkj1 um LIMITANTE
LBBkj1 max 0,Pj,k 1 S j,j 1,k 1 UBOkj1 S j,j 1,k Pj 1,k (39)
UBOkj 1 max 0, UBOkj 11 S j, j 1,k 1 Pj 1,k 1 - Pj,k S j, j 1,k
com UBO1j 1 0 .
UBO k
j 1 O j 1,k B j 1, k
UBOij1 0 .
2
UBO12 , , P1,1 - P3,2 S31
max 0, UBO21 S311
, ,2 max 0, 0 3 5 - 4 9 0 ,
e na mquina k 3
3
UBO12
max 0, UBO22 S31, ,2 P1,2 - P3,3 S31, ,3 max 0, 0 9 5 - 5 7 2 .
LBBij3 0
1
LBB12 max 0, 4 9 0 3 5 5 ,
e na mquina k 2
2
LBB12 max 0, 5 7 0 9 5 0 .
2
UBO23 max 0, 0 13 4 - 5 7 5 ,
e na mquina k 3
3
UBO23 max 0, 5 7 3 - 3 15 0 .
Para a transio da tarefa que ocupa a posio 2 para a tarefa que ocupa
a posio 3 na mquina k1 , LBB
1
LBB23 max 0, 5 7 0 13 4 0 ,
e na mquina k 2
78
2
LBB23 max 0, 3 15 5 7 3 3 .
Para a transio da tarefa que ocupa a posio 3 para a tarefa que ocupa
a posio 4 na mquina k 2 , UBO
2
UBO34 max 0, 0 10 3 - 3 4 6 ,
e na mquina k 3
3
UBO34 max 0, 6 4 4 - 3 11 0 .
Para a transio da tarefa que ocupa a posio 3 para a tarefa que ocupa
a posio 4 na mquina k1 , LBB
1
LBB34 max 0, 3 4 0 10 3 0 ,
e na mquina k 2
2
LBB34 max 0, 3 11 6 4 4 0 .
LBB 51
12 LBB 3
2
23 LBB 0
2
34
UBO123 2
2
UBO23 5 2
UBO34 6
5. MTODO DE PESQUISA
a) Implementao computacional;
b) Delineamento da experimentao;
Dh D *
DRh (41)
D*
6. MODELOS MILP
n nmero de tarefas;
m nmero de mquinas;
Tempo de processamento da tarefa j na mquina k;
Tempo de setup da mquina k entre o trmino da
tarefa i e o incio da tarefa j;
Data de trmino do setup da mquina k para a tarefa
na posio da sequncia;
Data de trmino do processamento da tarefa na
posio da sequncia na mquina k;
Data em que uma tarefa libera a mquina aps o
trmino do processamento. , se no houver bloqueio ,
caso contrrio ;
86
(45)
(46)
(47)
(48)
(49)
(50)
87
(51)
(52)
(53)
{ }
(54)
As restries (43) e (44) garantem que cada tarefa ser alocada a apenas
uma posio da sequncia e que cada posio da sequncia s pode estar
relacionada a uma tarefa. A restrio (46) em conjunto com a restrio (45) garante
que cada tarefa ter apenas uma tarefa que a antecede na sequncia. Pela restrio
(45), se a tarefa j no for a -zima tarefa da sequncia e a tarefa i no for a (-1)-
zima tarefa da sequncia, ento ser maior ou igual a -1. Se a tarefa j a -
zima tarefa na sequncia e a tarefa i no precede diretamente a tarefa j na
sequncia, ser maior ou igual a zero. Finalmente, se a tarefa j a -zima
tarefa na sequncia e a tarefa i precede diretamente a tarefa j na sequncia,
ser maior ou igual a um. A restrio (46) garante que, para cada posio na
sequncia (), apenas um ser igual a um. J a restrio (47) garante que
nenhuma tarefa ir preceder a primeira tarefa da sequncia. As restries (48) e (49)
so utilizadas para calcular a data de trmino do setup das mquinas. A restrio
(48) aplicada apenas primeira tarefa da sequncia, cuja data de trmino do setup
depende exclusivamente da data de liberao da tarefa (representada por ). Por
outro lado a restrio (49) a frmula geral da data de trmino do setup das
mquinas, ou seja, a soma da data de trmino do processamento da (-1)-zima
tarefa da sequncia e do tempo de setup da mquina k para a transio da (-1)-
ima para a -zima tarefa da sequncia. As restries (5052) so utilizadas para
calcular a data de trmino do processamento das tarefas nas mquinas,
considerando a possibilidade de existncia de bloqueio. A restrio (50), ilustrada na
Figura 9a, aplicada a todas as tarefas em todas as mquinas exceto na ltima, ela
utilizada para verificar a existncia ou no do bloqueio na mquina. Se
, ento no houve bloqueio na mquina e as restries (51) ou (52)
88
R k D k =R ,k +1 D ,k +1
(a)
R 1 R 2 D 1=R 1+P j 1 D 2 R +1,1 D +1,1>R +1,1+P j+1, 1
D +1,1=R +1,2
2
Mquina 2 S ij 2 Pj2 S j ,j +1,2
(b)
R ,k -1 R k D ,k -1 D k =D ,k -1+P jk
Mquina k S ijk P jk
(c)
Figura 9 Representao grfico da (a) restrio 50; (b) restrio 51; e (c) restrio 52
(57)
(58)
(59)
(60)
(61)
(62)
(63)
(64)
(65)
(66)
(67)
(68)
(69)
(70)
{ }
(71)
(75)
(76)
(77)
91
(78)
(79)
(80)
(81)
( ( )) (82)
(83)
(84)
{ }
(85)
Mquina k S i ,j ,k P j ,k
Mquina k+1 S i ,j ,k +1 P j ,k +1
Figura 10 Representao grfica da restrio (80) que expressa a relao existente entre
o tempo de setup, o tempo de processamento, o tempo de ociosidade e o tempo de bloqueio
para a primeira tarefa da sequncia
Figura 11 Representao grfica da restrio (81) que expressa a relao existente entre
o tempo de setup, o tempo de processamento, o tempo de ociosidade e o tempo de bloqueio
para as demais tarefas
(89)
(90)
(91)
(92)
(93)
(94)
93
(95)
(96)
(97)
(98)
{ }
(99)
7. MODELOS BRANCH-AND-BOUND
O algoritmo do B&B utilizado foi proposto por Kim (1995), onde cada n
representa uma sequncia parcial da resposta final. Essa sequncia denominada
|PS|, e o conjunto de tarefas que no fazem parte desta sequncia denominado
|NPS|. Quando um n ramificado uma ou mais sequncias parciais (ns) so
criadas adicionando-se uma nova tarefa de |NPS| sequncia parcial associada ao
n ramificado. Para cada n criado calculado um limitante inferior do makespan
para a sequncia parcial. A seleo do n a ser ramificado foi usada por Ronconi
(2005) sendo realizada pela regra depth first, onde o n com o maior nmero de
tarefas na sequncia parcial selecionado, em caso de empate, o n com o menor
valor de limitante inferior do makespan selecionado. Este mtodo de seleo de n
foi utilizado devido ao sucesso de sua aplicao no problema de flow shop
permutacional com bloqueio por Ronconi (2005).
Na Figura 12 apresentado um exemplo da execuo do B&B com trs
tarefas. Inicialmente todos os ns da primeira camada so criados, neles cada
sequncia parcial constituda de apenas uma nica tarefa. Em seguida calculado
um limitante inferior (LB) para cada n. Pela regra depth first, o n com o maior
nmero de tarefas na sequncia parcial ramificado, como todos os ns possuem a
mesma quantidade de tarefas na sequncia parcial, aquela que obtiver o menor
resultado de LB ento ramificado, gerando, nesse caso, mais dois ns na segunda
e ltima camada. Calcula-se, ento, o limitante inferior para cada um dos ns da
segunda camada. Novamente utilizada a regra de seleo de n para ser
ramificado. Por se tratar da ltima camada da rvore, no h como ramificar nenhum
dos ns, portanto so analisados os ns com o maior nmero de tarefas na
sequncia parcial que ainda podem ser ramificados (nesse caso, as tarefas da
primeira camada). Como h, nesse exemplo, um n cujo valor de LB menor que o
menor valor de LB obtido na ltima camada, ele tambm ser ramificado, gerando,
novamente, mais dois ns na segunda e ltima camada. Mais uma vez so
calculados os limitantes inferiores para todos os ns gerados. Realizando a anlise
dos ns da camada anterior, pode-se verificar que no h nenhum valor de LB
menor que o menor valor de LB obtido na ltima camada. Portanto, pode-se concluir
96
com certeza que, nesse caso, a sequncia de tarefas {1,2,3} a que resultar no
menor valor do makespan.
|NPS|={1,2,3}
PS={} P0
| | | |( ( | | )) ( ( | || | )) (100)
| | | |( ( | | )) ( ( | || | )) (101)
( ( | | ) ( ( | || | ))) (102)
| | | |( ( | | )) ( ( | || | )) (103)
| | | |( ( | | )) ( ( | || | )) (104)
| | | |
( ( | | ( | || | ))) (105)
| | | |
( ( | | ) ( ( | || | ))) (106)
| | | | (107)
| | | |
( ( | | ) ( | || | )) (108)
( ) (109)
( ) (110)
( ) (111)
( ) (112)
98
C |PS |k LB (k )
...
Mquina m P j +1,m
Figura 13 Exemplo do clculo do limitante inferior do Branch-and-Bound
99
8. MTODOS HEURSTICOS
8.1.1. Heurstica MM
| | (113)
|( ) ( )| ( ) (114)
|( ) ( )| ( ) (115)
8.1.2. Heurstica PF
O mtodo Profile Fitting (PF) proposto por McCormick et al. (1989) tenta
encontrar a sequncia que minimiza o tempo de ociosidade e de bloqueio nas
mquinas. A primeira tarefa na sequncia a tarefa que obtiver a menor soma dos
tempos de processamento nas mquinas. A prxima posio na sequncia (c)
pertence tarefa (j) que obtiver o menor valor de , que obtido pela seguinte
expresso:
( [ ] [] ) (116)
102
( [ ] [] ) (117)
onde o tempo de setup entre a ltima tarefa da sequncia parcial e a tareja (j).
A ltima tarefa da sequncia a tarefa com a menor soma dos tempos de
processamento nas mquinas.
Outra forma de se adaptar o modelo considerando o tempo de setup nos
clculos. Como o tempo de setup depende da sequncia, a primeira tarefa na
sequncia aquela com a menor soma dos tempos de processamento e dos tempos
de setup em todas as mquinas. A tarefa seguinte na sequncia, comeando da
segunda posio, aquela que obtiver a menor soma dos tempos de ociosidade,
bloqueio e de setup. Ou seja, a prxima tarefa da sequncia aquela que obtiver o
menor valor de , que calculada pela equao 118. Note que matematicamente a
equao 118 igual equao 116, porm a interpretao de ambas diferente.
( [ ] [] ) (118)
C ik Cck C ik C ck
( [ ] [] ) (119)
( ( ) ) (120)
( [ ] [] ) (121)
( [ ] [] ) (122)
8.1.4. Heurstica PW
(123)
( [ ] [ ] ) (124)
(125)
( [ ] ) (126)
( [ ] [] ) (127)
( [ ] [ ] ) (128)
106
Sendo que,
(129)
( [ ] [] ) (130)
( [ ] [ ] ) (131)
PFE utiliza o PF, a heurstica wPFE utiliza o wPF e a heurstica PWE utiliza o PW
para fornecer uma soluo inicial.
As heursticas inicialmente obtm uma soluo inicial usando uma das
heursticas de I fase. Em seguida define que a primeira tarefa da soluo inicial
obtida ser a primeira tarefa da sequncia . As demais tarefas so sequenciadas
por uma heurstica de insero, i.e. a k-zima tarefa da soluo inicial testada em
todas as k possveis posies da sequncia , e inserida na posio que resultar
no menor valor da funo objetivo do problema. Esse processo realizado at que
todas as tarefas estejam sequenciadas na sequncia . A seguir descrito a
heurstica NEH.
Heurstica NEH
Gerar uma sequncia inicial usando a regra de prioridade LPT.
.
for do
Pegar a tarefa de e testar em todas as possveis posies de .
Inserir a tarefa na sequncia na posio que resulta no menor valor da
funo objetivo do problema.
endfor
return
Heurstica PF-NEH(x)
Gerar uma sequncia inicial usando a regra de prioridade
LPT.
for l:=1 to x do %(gerar x sequncias)
Definir como a primeira tarefa e gerar a sequncia
usando a heurstica PF.
.
for to n do %(a heurstica NEH)
Pegar a tarefa de e testar em todas as possveis posies de .
Inserir a tarefa na sequncia na posio que resulta no menor
valor da funo objetivo do problema.
endfor
endfor
return a sequncia { } com o menor valor do makespan.
Procedimento RLS( )
do
for i:=1 to n do
____________
12
Referenced Local Search
110
9. RESULTADOS COMPUTACIONAIS
{ }
menor tempo computacional dentre as heursticas de II e III fase foi obtido pelas
heursticas MME e wPF-NEHls(5), respectivamente. Pelos resultados apresentados
por Pan e Wang (2012) pode-se notar que a heurstica PW fornece resultados um
pouco melhores para o problema flow shop permutacional com bloqueio com buffer
zero. No entanto, pelos resultados obtidos neste trabalho, PF1, combinado ou no
com outros mtodos (NEH ou RLS) pode ser considerado a heurstica com os
melhores resultados para o problema. Possivelmente a variao do tempo de setup
dependente da sequncia em cada mquina torna difcil prever os efeitos das tarefas
restantes nos tempos de ociosidade e de bloqueio. Isso pode ser verificado pelo
aumento na diferena entre os resultados das heursticas baseadas na heurstica
PF1 e PW1 quando a faixa de valores do tempo de setup aumenta.
Para comparar as heursticas, na Tabela 18 apresentada uma comparao
entre as heursticas que obtiveram os melhores resultados em cada classe (I, II e III
fases).
10. CONCLUSES
REFERNCIAS
TOUMI, S.; JARBOUI, B.; EDDALY, M.; REBA, A. Lower bounds on the
total tardiness and total weighted tardiness for scheduling flowshop with
blocking. 2013 International Conference on Advanced Logistics and Transport
(ICALT). Sousse: IEEE. 2013b. p. 296-301.
TOUMI, S.; JARBOUI, B.; EDDALY, M.; REBA, A. An efcient Branch and
Bound algorithm to solve the permutation owshop scheduling problem with
blocking constraints. 5th International Conference on Modeling, Simulation and
Applied Optimization (ICMSAO), 2013. Hammamet: IEEE. 2013c. p. 1-6.
TRABELSI, W.; SAUVEY, C.; SAUER, N. Heuristics and metaheuristics for
mixed blocking constraints flowshop scheduling problems. Computers & Operations
Research, v. 39, n. 11, p. 2520-2527, 2012.
TUBINO, D. F. Planejamento e controle da produo: Teoria e prtica. 1a.
ed. 2007. 190 p.
VALLADA, E.; RUIZ, R. A genetic algorithm for the unrelated parallel
machine scheduling problem with sequence dependent setup times. European
Journal of Operational Research, v. 211, n. 3, p. 612-622, 2011.
WANG, C.; SONG, S.; GUPTA, J. N. D.; WU, C. A three-phase algorithm for
flowshop scheduling with blocking to minimize makespan. Computers & Operations
Research, v. 39, n. 11, p. 2880-2887, 2012.
WANG, L.; PAN, Q. K.; SUGANTHAN, P. N.; WANG, W. H.; WANG, Y. M. A
novel hybrid discrete differential evolution algorithm for blocking flow shop scheduling
problems. Computers & Operations Research, v. 37, n. 3, p. 509-520, 2010a.
WANG, L.; PAN, Q. K.; TASGETIREN, M. F. Minimizing the total flow time in
a flow shop with blocking by using hybrid harmony search algorithms. Expert
Systems with Applications, v. 37, n. 12, p. 7929-7936, 2010b.
WANG, L.; PAN, Q. K.; TASGETIREN, M. F. A hybrid harmony search
algorithm for the blocking permutation flow shop scheduling problem. Computers &
Industrial Engineering, v. 61, n. 1, p. 76-83, 2011.
WANG, L.; ZHANG, L.; ZHENG, D. Z. The ordinal optimisation of genetic
control parameters for flow shop scheduling. International Journal of Advanced
Manufacturing Technology, v. 23, n. 11-12, p. 812-819, 2004.
WANG, L.; ZHANG, L.; ZHENG, D. Z. An effective hybrid genetic algorithm
for ow shop scheduling with limited buffers. Computers & Operations Research, v.
33, n. 10, p. 2960-2971, 2006.
139