Escolar Documentos
Profissional Documentos
Cultura Documentos
Abril/2021
2
ABRIL/2021
3
RESUMO
ABSTRACT
The flow shop scheduling problem has been studied since 50’s. Given its importance in
practical envirnoment, two of its variations, denominated blocking flow shop and no-
wait flow shop has been focused over the last decades. Recently, companies have
invested in multi-plant factories in strategical geographical locations with the aim of
improve the meeting of demand and quality of products, as well as to reduce costs and
to maintain the competitiveness. From 2010, literature has significantly been adressed
the integration between distributed systems and scheduling, with the development of
solution methods for the problem. This research introduces the distributed blocking
flow shop and the distributed no-wait flow shop with makespan minimization, where
sequence dependent setup times and preventive maintenance (PM) operations are added
as constraints to both problems. A literature review was carried out to identify the state-
of-art of distributed blocking flow shop and no-wait flow shop scheduling problems. A
mixed integer linear programming (MILP) is proposed for each considered problem and
procedures to incorporate PM operations to sequence of jobs are proposed. A Iterated
Greedy (IG) algorithm is proposed as metaheuristic, where initial solutionss are
generated through adapted heuristic of literature. Since this is the first research to
address both problems, IG_NM was compared with two recent metaheuristics of
literature, Hybrid Enhanced Furit Fly Optimaztion (HFFO) and single stage IG
(IG_RPN). All the metaheuristics were applied to a set of 18,000 problems, being 4,600
instances of small size and 13.200 instances of large size. For both problems, statistical
results show that IG_NM otuperformed all metaheuristics evaluated in the trade-off
between quality of solution and computational time in instances of large size and
considering all problems together. Additionally, the proposed method significantly
outperformed HFFO, the second best method evaluted, in computational time and
quality of solution.
Keywords: distribution scheduling; blocking flow shop; no-wait flow shop; preventive
maintenance; setup times; heuristic methods.
5
LISTA DE FIGURAS
LISTA DE TABELAS
Tabela 1 - Tempos de processamento e de setup de 6 tarefas para flow shop com duas
máquinas..........................................................................................................................45
Tabela 2 - Média da porcentagem do desvio relativo para ajuste de parâmetros da
heurística EHPF2-B.........................................................................................................70
Tabela 3 - Calibração dos parâmetros das metaheurísticas para problema flow shop com
bloqueio distribuído.........................................................................................................71
Tabela 4 - Desempenho dos métodos em problemas flow shop com bloqueio distribuído
de pequeno porte..............................................................................................................74
Tabela 5 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de
flow shop com bloqueio distribuído de pequeno porte...................................................80
Tabela 6 - Desempenho dos métodos em problemas flow shop com bloqueio distribuído
de grande porte................................................................................................................83
Tabela 7 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de
flow shop com bloqueio distribuído de grande porte......................................................90
Tabela 8 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de
flow shop com bloqueio distribuído................................................................................93
Tabela 9 - Calibração dos parâmetros das metaheurísticas para problema no-wait flow
shop distribuído...............................................................................................................97
Tabela 10 - Desempenho dos métodos em problemas no-wait flow shop distribuído de
pequeno porte................................................................................................................101
Tabela 11 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de
no-wait flow shop distribuído de pequeno porte............................................................108
Tabela 12 - Desempenho dos métodos em problemas no-wait flow shop distribuído de
grande porte...................................................................................................................110
Tabela 13 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de
no-wait flow shop distribuído para problemas de grande porte.....................................118
Tabela 14 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de
no-wait flow shop distribuído........................................................................................120
Tabela 15 - Prestação de contas da taxa de bancada.....................................................163
9
SUMÁRIO
1 INTRODUÇÃO....................................................................................................................11
2 FUNDAMENTAÇÃO TEÓRICA......................................................................................17
2.1 MÉTODOS DE SOLUÇÃO......................................................................................19
2.2 CONFIABILIDADE E MANUTENÇÃO PREVENTIVA......................................21
3 REVISÃO DE LITERATURA...........................................................................................25
3.2 PROBLEMA FLOW SHOP COM BLOQUEIO DISTRIBUÍDO............................30
3.3 PROBLEMA NO-WAIT FLOW SHOP DISTRIBUÍDO..........................................31
3.3 CONSIDERAÇÕES FINAIS DA REVISÃO DE LITERATURA...........................32
4 DEFINIÇÃO DO PROBLEMA..........................................................................................35
4.1 MODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA.............................38
4.2 PROCEDIMENTO HEURÍSTICO DE INCORPORAÇÃO DAS ATIVIDADES DE
MANUTENÇÕES PREVENTIVA E SEQUENCIAMENTO DE TAREFAS..............44
5 ALGORITMO ITERATED GREEDY................................................................................51
5.1 SOLUÇÃO INICIAL................................................................................................52
5.1.1 Heurística EHPF2-B.............................................................................................52
5.1.2 Heurística NEH+Dipak........................................................................................55
5.2 DESTRUIÇÃO\RECONSTRUÇÃO........................................................................56
5.3 BUSCA LOCAL.......................................................................................................58
5.4 CRITÉRIO DE ACEITAÇÃO..................................................................................61
5.5 ESTRUTURA DO ALGORITMO IG_NM..............................................................62
6 PROCEDIMENTOS METODOLÓGICOS......................................................................65
7 RESULTADOS EXPERIMENTAIS PARA PROBLEMA FLOW SHOP COM
BLOQUEIO DISTRIBUÍDO COM TEMPOS DE SETUP DEPENDENTES DA
SEQUÊNCIA E MANUTENÇÃO PREVENTIVA PARA MINIMIZAÇÃO DO
MAKESPAN.............................................................................................................................69
7.1 CALIBRAÇÃO DOS PARÂMETROS....................................................................69
7.2 RESULTADOS EXPERIMENTAIS PARA INSTÂNCIAS DE PEQUENO PORTE
.........................................................................................................................................73
7.3 RESULTADOS EXPERIMENTAIS PARA INSTÂNCIAS DE GRANDE PORTE
.........................................................................................................................................82
10
1 INTRODUÇÃO
MAs,1
Máq. 1 S1,1,1 J1 S1,2,1 J2 ... Si-2,i-1,1 Ji-1 ,1
MAs,2,1 Si-1,i,1 Ji
J1, … , Ji
Fábrica 1 MA1, Si-2,i-
Máq. 2 S1,1,2 J1 1,2
S1,1,2 J2 ... MAs,1,2 Ji-1 MAs,2,2 Si-1,i,2 Ji
1,2
C1 C2 Ci-1 Ci
Tempo de setup entre as s-ésima manutenção preventiva do Ci – Instante de
Ji Tarefa i Si,k,j MAs,t,j término da tarefa i
tarefas i e k na m áquina j tipo t na máquina j
MA1,
Máq. 1 Si+1,i+1,1 Ji+1 Si+1,i+2,1 1,1
Ji+2 ... Sk-21,k-1,1 Jk-1 MAs,2,1 Sk-1,k,1 Jk
Ji+1, … , Jk
Fábrica 2 Máq. 2
Si+1,i
Ji+1
MA1,
Si+1,i+2,2 Ji+2
Sk-2,k- Jk-
Sk-1,k,2 Jk
Conjunto de n tarefas +1,2 1,2 ... MAs,1,2
1,2 1
MAs,2,2
MA1,
Máq. 1 Sk+1,k+1,1 Jk+1 Sk+1,k+2,1 Jk+2 ... Sn-2,n-1,1 Jn-1 MAs,2,1 Sn-1,n,1 Jn
Jk+1, … , Jn 1,1
2 FUNDAMENTAÇÃO TEÓRICA
Tempo de Total de Fluxo ou Total Flow Time (∑ Ci , TFT , TCT ): Soma dos
i
entrega.
( n - 1 )2
totalizando uma vizinhança de sequências;
2
Permutação entre pares de tarefas adjacentes: Há uma troca de posições somente
entre as tarefas que estão em posições adjacentes na sequência, totalizando
( n - 1) sequências.
21
realizá-la é uma tarefa complexa que não depende somente do estado atual do item, mas
as consequências dessa escolha durante o horizonte de planejamento (RAUSAND;
HØYLAND, 2004). Podem-se distinguir três tipos diferentes de estratégias de
manutenção, de acordo com Rausand e Høyland (2004):
Manutenção Preventiva (MP): Consiste em realizar as operações em máquinas e
equipamentos antes que a quebra ocorra (RAUSAND; HØYLAND, 2004, RUIZ et
al., 2007);
Manutenção Corretiva (MC): é realizada após o item ter falhado. O propósito da
MC é trazer o item de volta a seu estado de funcionamento, ou também reparar,
substituir ou trocá-lo por um novo (RAUSAND; HØYLAND, 2004, RUIZ et al.,
2007);
Manutenção Preditiva: tipo especial de MP que envolve checagens funcionais e
operacionais ou testes para verificar apropriadamente a operação de itens com
funções off-line, como aparelhos de proteção ou sistemas de backup. São realizadas
em um intervalo especifico entre as operações (RAUSAND; HØYLAND, 2004).
Nesta pesquisa, a política de intervalo entre MP’s definida por Yu e Seif (2016) será
utilizada. De modo geral, Yu e Seif (2016) propõem um modelo de MP semelhante ao
chamada manutenção preventiva baseada na condição ou condition-based maintenance
(CBM). Segundo, os autores, a CBM tem como proposta a avaliação periódica do
estado de saúde da máquina, envolvendo inspeções constantes. O modelo proposto por
23
3 REVISÃO DE LITERATURA
Suponha que uma determinada heurística tenha gerado como lista a ordenação π
= {J3, J5, J1, J4, J2}. De acordo com a Regra 1, a primeira tarefa da sequência pode ser
alocada em qualquer uma das duas fábricas 1 ou 2. Por decisão arbitrária, a tarefa J3 é
alocada na fábrica 1. Em seguida, a tarefa J5 é designada para a fábrica 2, que possui
uma makespan de 0 unidades de tempo (u.t.). A próxima tarefa de π é J1. O makespan
parcial das fábricas 1 e 2 são, respectivamente 12 e 14 u.t.. Então, a tarefa J1 é
designada para a fábrica 1, uma vez que possui o menor makespan parcial. O
26
procedimento é repetido agora para a tarefa J4, que é alocada na fábrica 2, por possuir
um makespan parcial de 14 u.t., valor menor que o o makespan parcial da fábrica 1 de
23. Por fim, a tarefa J5 é designada para a fábrica 2, resultando em um makespan global
de 27 u.t. Conforme a Regra 2, as tarefas J3 e J5 são designadas às fábricas 1 e 2,
respectivamente. A tarefa J1 então é selecionada e testada nas duas fábricas, gerando
um makespan parcial de 23 e 19 u.t. nas fábricas 1 e 2, respectivamente. Portanto, a
tarefa J1 é designada para a fábrica 2. O processo é repetido para as tarefas não
programadas. O resultado da aplicação das Regras 1 e 2 podem ser vistos na Figura 2.
a)
b)
Após a alocação das tarefas por meio de uma das duas regras, o mecanismo de
inserção da heurística NEH de Nawaz, Enscore Jr e Ham (1983) é aplicada em cada
27
uma das fábricas. A heurística NEH consiste de duas etapas: Na primeira fase, as tarefas
são ordenadas em ordem decrescente dos seus tempos totais de processamento. Na
segunda fase, denominada fase de inserção de NEH, as duas primeiras tarefas da
ordenação são inseridas em uma sequência parcial e trocadas de posição. Duas
sequencias parciais são geradas e a que apresenta o menor makespan é adoatada para a
próxima iteração. A próxima tarefa ordenada é então inserida em todas as posições
possíveis da sequência parcial e a que minimiza a makespan (Cmax) parcial é adotada
para a próxima iteração. Este procedimento é repetido até todas as tarefas serem
sequenciadas. Os autores puderam constatar experimentalmente que a Regra 2 obeteve
os melhores resultados.
Outro aspecto relevante ao problema é o critério de aceitação das soluções.
Suponha que o Cmax global corresponde ao da fábrica que gera a maior duração total da
programação entre todas, uma nova Cmax global corresponde a Cmax’ e a nova makespan
da outra fábrica afetada corresponde a Cmax(x). Os autores propuseram dois critérios para
avaliação da aceitação de novas soluções:
a. A nova solução será aceita somente se Cmax’ < Cmax ⋀ Cmax(x) < Cmax;
b. A nova solução será aceita somente se houve um ganho incremental entre as
duas fábricas ou seja, (Cmax - Cmax’) + (Cmax(x) - Cma(x’)) > 0.
Em relação ao uso de heurísticas construtivas e as metaheurísticas, resultados
computacionais mostraram a eficácia de NEH com a Regra 2 e Variable Neighborhood
Descent (VND) com o critério de aceitação (a).
A partir do trabalho pioneiro de Naderi e Ruiz (2010b), pesquisas foram
desenvolvidas propondo novos algoritmos com performances superiores em qualidade
de solução e tempo computacional.
Liu e Gao (2010) e Gao e Chen (2011) propuseram a hibridização entre
Algoritmo Genético e Variable Neighborhood Descent (HAG) ao problema flow shop
permutacional distribuído com minimização de makespan. Os autores, puderam
constatar que a metaheurística proposta (HAG) obteve resultados superiores em
qualidade de solução em comparação com VND de Naderi e Ruiz (2010b), porém em
tempo computacinal maior.
Zhang e Van De Velde (2012) propuseram algoritmos aproximativos para o
problema minimização de makespan em flow shop permutacional distribuído para o
caso de fábricas com duas e três máquinas.
28
Gao, Chen e Deng (2013) propuseram uma versão rápida do algoritmo Tabu
Search (TS) para o problema flow shop permutacional distribuído com minimização da
makespan. Os autores propõem três diferentes estruturas de vizinhança e um mecanismo
de perturbação para fugir de ótimos locais. Resultados experimentais mostraram que TS
superou HAG e os VNDs de Naderi e Ruiz (2010b).
Um algoritmo de Estimation Distribution Algorithm (EDA) é proposto por
Wang et al., (2013) para o problema flow shop permutacional distribuido com
minimização de makespan. Resultados computacionais evidenciaram que EDA superou
os algoritmos de Naderi e Ruiz (2010b) em qualidade de solução.
Naderi e Ruiz (2014) propuseram o algoritmo Scatter Search para o referido
problema. Por meio de experimentações computacionais, os autores puderam constatar
que a metaheurística proposta obteve melhor desempenho que todos os métodos
heurísticos anteriores.
Xu et al. (2014) desenvolveram um algoritmo baseado em Hybrid Immune
Algorithm para o problema flow shop permutacional distribuído com minimização de
makespan. Os autores puderam constatar a performance superior do algoritmo em
comparação com os métodos propostos por Naderi e Ruiz (2010b).
Fernandez-Viagas e Framinan (2015) desenvolveram um algoritmo de Iterated
Greedy com limitante inferior (B-IG). Os autores propõem a aplicação do limitante
inferior no intuito de reduzir o espaço de soluções durante a busca pelas vizinhanças.
Experimentações computacionais mostraram que o proposto B-IG obteve melhor
desempenho que os algoritmos propostos por Naderi e Ruiz (2010b) e EDA de Wang et
al., (2013).
Li e Chen (2015) desenvolveram um Algoritmo Genético (AG) para o problema
flow shop distribuído com minimização da makespan. Os autores apresentam novas
estruturas de busca na vizinhança, Os resultados experimentais mostraram que o AG
proposto não alcança melhorias a partir das melhores soluções encontradas para o
problema.
Bargaoui, Driss e Ghedira (2017) propuseram o algoritmo Chemical Reaction
Optimization (CRO) para o problema referido. Por meio de experimentações
computacionais foi constatado resultados superiores em comparação a B-IG e os
algoritmos VND de Naderi e Ruiz (2010b).
Por fim, Ruiz, Pan e Naderi (2019) desenvolveram novas versões da
metaheurística IG para o problema flow shop permutacional distribuído com
29
o algoritmo Discrete Differential Evolution (DDE) para o problema flow shop com
bloqueio distribuído com minimização de makespan. Os autores adaptaram heurísticas
propostas por Naderi e Ruiz (2010b) para geração da solução inicial. Por meio de
experimentos computacionais, foi constatada a superioridade do método proposto em
comparação com H1G1 de Ying e Lin (2017), Scatter Search Algorithm (SSA) de
Naderi e Ruiz (2014) e Bounded Search Iterated Greedy (BSIG) de Fernandez-Viagas e
Framinan (2015).
Yang e Liu (2018) propuseram o Algoritmo Genético para o problema flow shop
com bloqueio com duas linhas/fábricas em paralelo/distribuído com tempos e datas de
entrefa fuzzy para minimização da makespan e índice médio de aceitação. Ribas,
Companys e Tort-Martorell (2019) propuseram o algoritmo IG e heuristicas
construtivas para o problema flow shop com bloqueio paralelo e minimização do atraso
total ou total tardiness. Os autores apresentaram diferentes heurísticas, baseando-se nos
critérios de alocação de tarefas propostas por Naderi; Ruiz (2010b) e Ribas, Companys
e Tort-Martorell, (2017).
Recentemente, Shao, Pi e Shao (2020) propuseram melhorias para a heurística
construtiva HPF23 de Ribas, Companys e Tort-Martorell (2017), gerando diferentes
versões de EHPF2, sendo EHPF2-Both a de melhor desempenho. Os autores
constataram limitações em relação a decisão de alocar ou não a próxima em situações
em que a carga de trabalho remanescente não é suficiente para atendê-la. Os autores
adicionaram um critério de decisão para estas situações. Como método melhorativo, os
autores desenvolveram a metaheurística Enhanced Hybrid Fruit Fly Optimization
(HFFO) para o problema, utilizando EHPF2-Both como gerador de solução inicial.
Resultados experimentais constataram a superioridade do método em relação a DDE
propostos por Zhang e Xing (2019).
Naderi e Ruiz (2010b) para geração da solução inicial. Resultados experimentais foram
realizados comparando diferentes versões do ICG desenvolvido. Ji et al. (2016)
propuseram o primeiro estudo do problema assembly no-wait flow shop distribuído
estocástico com minimização de makespan, onde foi proposto um algoritmo de Particle
Swarm Optimization (PSO).
Posteriormente, Shao, Pi e Shao (2017a) desenvolveram a heurística
construtiva NEH+Dipak e algoritmos de Iterated Greedy para o problema anteriormente
supracitado. Os autores constataram experimentalmente que o IG proposto apresentou
performance superior ao ICG de Lin e Ying (2016a).
Komaki e Malakooti (2017) apresentaram diversas heurísticas construtivas
baseadas na literataura de no-wait flow shop para o problema e também heurísticas
advindas da publicação pioneira de Naderi e Ruiz (2010b). Os autores constataram que
a heurística NEH2, de Nawaz, Enscore Jr e Ham (1983) apresentaram o melhor
desempenho em relação as heurísticas adaptadas para o problema. Os autores também
propuseram metaheurísticas baseadas em Variable Neighborhood Search (VNS) e
compararam experimentalmente entre si.
Shao, Pi e Shao (2019) introduziram o problema no-wait flow shop
distribuído com tempos de setup dependentes da sequência para minimização de função
multi-objetivo de makespan e atraso total ponderado (total weighted tardiness). Os
autores propuseram a metaheurística Estimation Distribution Algorithm (EDA) com
distribuição de pareto ao problema. Por meio de resultados experimentais foi constatado
a performance superior do algoritmo em comparação com métodos adaptados da
literatura.
Wang e Wang, (2018) introduziram o problema no-wait flow shop distribuído
com minimização de função multi-objetivo de consumo eficiente de energia. Os autores
propuseram o algoritmo Cooperative Algorithm (CA) com solução inicial gerada por
NEH. Resultados experimentais mostraram a eficácia do algoritmo em comparação com
a metaheurística NSGA-2 proposta por Deb et al. (2002).
4 DEFINIÇÃO DO PROBLEMA
NM max
j ,t corresponde é estabelecido pelas políticas de MP descritas na Seção 2;
37
NM1,1
NM1,2
NM2,1
NM2,2
B B
MA1, MA1,
Máq. 1 S1,1,1 J1 S1,2,1 J2 1,1
S2,3,1 J3 S3,4,1 J4 1,1
MA2,1,2 S4,5,1 J5
MA2,
Máq. 2 S1,1,2 J1 1,2
S1,1,2 J2 S2,3,2 J3 MA2,1,2 S3,4,2 J4 MA2,2,2 S4,5,2 J5
C1 C2 C3 C4 Cmax
Figura 3 - Representação gráfica do problema flow shop com bloqueio distribuído, tempos de setup
dependentes da sequência e ocorrência de operações de MP
Fonte: Autor, 2019.
NM1,1
NM1,2
NM2,1
NM2,2
MA1, MA1,
Máq. 1 S1,1,1 J1 S1,2,1 J2 1,1
S2,3,1 J3 S3,4,1 J4 1,1
MA2,1,1 S4,5,1 J5
MA2
Máq. 2 S1,1,2 J1 1,2
S1,1,2 J2 S2,3,2 J3 MA2,1,2 S3,4,2 J4 MA2,2,2 S4,5,2 J5
C1 C2 C3 C4 Cmax
Figura 4 - Representação gráfica do problema no-wait flow shop distribuído, tempos de setup dependentes
da sequência e ocorrência de operações de MP
Fonte: Autor, 2019.
NM t , j , [ i ] ,k \ NM
´ t , j , [ i ] ,k – Nível da MP t da máquina j antes (após) processar a tarefa
n
k = 1, … , F (2)
∑ x [i ], q , k ≤ 1
q =1 i = 1, … , n
n
k = 1, … , F (3)
∑ x [i ], q , k = 1
i =1 q = 1, … , n
n
k = 1, … , F (4)
x[ i ], r, k ≤ ∑ x [i -1], q ,k
q≠ r r = 1, … , n
i = 2, … , n
n
k = 1, … , F (5)
∑ x [1],q , k = 1
q =1
z [ 1 ] , q ,r ,k = 0 k = 1, … , F (6)
q ≠ r = 1, … , n
n
k = 1, … , F (7)
∑ z[1 ] ,q , q ,k = 1
q =1
z [ i ] ,q , r, k - x[ i -1] ,q , r ,k - x [ i ] , q ,r , k ≥ -1 k = 1, … , F (8)
i = 2, … , n
q ≠ r = 1, … , n
Os conjuntos de restrições (2) - (5) asseguram que apenas uma tarefa seja
designada para uma posição da sequência e apenas uma posição receba apenas uma
tarefa, respectivamente. Os conjuntos de restrições (6) - (8) seguem o modelo de
Takano e Nagano (2017). As restrições (6) descrevem a ausência de tarefas precedentes
antes da primeira tarefa da sequência em cada uma das fábricas. As restrições (7) são
aplicadas para ativar o tempo de setup para processar a primeira tarefa. O conjunto de
restrições (8) determinam que a variável binária receba três valores: 1, se as tarefas q e
k são adjacentes, 0 se apenas uma das tarefas q ou r ocupam uma das posições
adjacentes i-1 ou i, respectivamente e -1, caso contrário.
Os conjuntos de restrições (9) - (13) determinam as datas de início e de
conclusão do problema flow shop com bloqueio distribuído com tempos de setup
dependentes da sequência, ocorrência de níveis de MP e minimização de makespan.
41
n
j = 1, … , m (9)
R [ 1 ] , j ,k ≥ ∑ z[1 ], q ,q ,k × s j, q ,q
q =1 k = 1, … , F
n n
j = 1, … , m - 1 (10)
R [ i ] , j, k ≥ R[ i -1 ] , j +1, k + ∑ ∑ z [i ] ,q , r, k × s j ,q , r +
q =1 r ≠q i = 2, … , n
l
k = 1, … , F
+ ∑ y t , j , [ i ] , k × MA t , j
t =1
n n
i = 2, … , n (11)
R [ i ] ,m , k ≥ C[ i -1] ,m , k + ∑ ∑ z [ i ] ,q , r, k × s m, q , r +
q =1 r≠ q k = 1, … , F
l
+ ∑ y t , m , [ i ] ,k × MA t , m
t =1
R [ i ] , j, k ≥ C[ i ] , j -1,k j = 2, … , m (12)
i = 1, … , n
k = 1, … , F
n
j = 1, … , m (13)
C[ i ] , j, k ≥ R[ i ] , j ,k + ∑ x [ i] ,q × pq , j
q =1 i = 1, … , n
k = 1, … , F
As restrições (9) são usadas para determinar a data de início da primeira tarefa
em cada fábrica. Os conjuntos de restrições (10) e (11) asseguram a data de início da
tarefa após o tempo de bloqueio ou ociosidade em todas as máquinas. Já as restrições
(12) impõem que as tarefas devem iniciar na máquina atual após suas conclusões na
máquina anterior. As restrições (13) determinam a data de conclusão das tarefas em
todas as máquinas
A programação das atividades de MP tiveram como inspiração o modelo
proposto por Yu e Seif (2016). Primeiramente, o conjunto de restrições (14) asseguram
a factibilidade do problema.
n n n
t = 1, … , l (14)
NM t , j , [ i ] ,k ≥ ∑ ∑ ( z [i ], q , r, k × s j ,q ,r ) + ∑ ( x [i ] ,q × pq , j )
q =1 r =1 q =1 j = 1, … , m
i = 1, … , n
k = 1, … , F
42
NM t , j , [ 1 ] , k ≥ MLmax
t
t = 1, … , l (15)
j = 1, … , m
k = 1, … , F
y t , j ,[1 ], k = 0 t = 1, … , l (16)
j = 1, … , m
k = 1, … , F
n
t = 1, … , l (17)
NM
´ t , j , [ 1 ] , k = NM t , j , [ 1 ] , k - ∑ x[1 ], q , k × ( s j ,q ,r + pq , j)
q =1 j = 1, … , m
k = 1, … , F
n n
t = 1, … , l (18)
NM
´ t , j , [ i ] ,k = NMt , j , [ i ] , k - ∑ ∑ ( z[ i] ,q , r ,k × s j, q , r ) +
q =1 q ≠r j = 1, … , m
n
i = 2, … , n
+ ∑ ( x [ i ] ,q × pq , j )
q =1 k = 1, … , F
NM t , j , [ i -1] ,k se y t , j[ i ] , k = 0 t = 1, … , l (19)
NM t , j , [ i ] ,k =
{NM max
t,j se y t , j, [ i ] , k = 1 j = 1, … , m
i = 2, … , n
k = 1, … , F
´ t , j , [ i ] ,k ≥ NMt , j , [ i -1] , k - M y t , j , [ i ] ,k
NM t = 1, … , l (20)
j = 1, … , m
i = 2, … , n
k = 1, … , F
´ t , j , [ i ] ,k ≤ NMt , j , [ i -1] , k + M y t , j , [ i ] , k
NM t = 1, … , l (21)
j = 1, … , m
i = 2, … , n
k = 1, … , F
´ t , j , [ i ] ,k ≥ NMmax
NM t , j - M' (1 - y t , j, [ i ] , k )
t = 1, … , l (22)
j = 1, … , m
i = 2, … , n
k = 1, … , F
´ t , j , [ i ] ,k ≤ NMmax
NM t , j + M' (1 - y t , j , [ i ] ,k )
t = 1, … , l (23)
j = 1, … , m
i = 2, … , n
k = 1, … , F
n
j = 1, … , m (24)
P [ 1] , j, k = ∑ z [1 ], q ,q , k × s j ,q ,q
q =1 k = 1, … , F
n n
j = 1, … , m (25)
P [ i ] , j ,k = C[ i -1 ] , j , k + ∑ ∑ z [i ], q ,r , k × s j ,q , r +
q =1 r≠ q i = 2, … , n
l
k = 1, … , F
+ ∑ y t , j , [ i ] , k × MA t , j
t =1
44
R [ i ] , j, k ≥ P[ i] , j ,k j = 1, … , m (26)
k = 1, … , F
R [ i ] , j, k = C[ i ] , j -1,k j = 2, … , m (27)
k = 1, … , F
Por fim, as restrições (28) e (29) definem a natureza e o domínio das variáveis.
´ t , j, [ i ] ,k ∈ R +
R [ i ] , j, k , P[ i ] , j ,k , C[ i] , j -1,k , MLt , j , [ i -1] ,k , ML t = 1, … , l (28)
j = 1, … , m
i = 1, … , n
k = 1, … , F
x[ i] ,q ,k , , z[ i ], q ,r , k , y t , j, [ i ] , k ∈ [0,1] t = 1, … , l (29)
j = 1, … , m
i = 1, … , n
k = 1, … , F
valor NM max
t
´ t , j , [ i ] ,k é recalculado. Caso contrário, o procedimento segue para a
e NM
Tabela 1 - Tempos de processamento e de setup de 6 tarefas para flow shop com duas máquinas
(continua...)
Tempos de processamento
Máquinas J1 J2 J3 J4 J5 J6
Máquina 1 15 8 33 65 89 26
Máquina 2 30 70 79 57 3 88
(Conclusão).
Tempos de setup
Máquina 1 J1 J2 J3 J4 J5 J6
J1 77 6 8 27 4 15
J2 16 78 43 80 56 32
J3 53 22 95 48 68 21
J4 23 23 96 97 51 82
J5 29 99 29 11 34 6
J6 7 88 4 49 91 25
Máquina 2 J1 J2 J3 J4 J5 J6
J1 81 42 68 44 8 61
46
J2 12 97 68 29 83 14
J3 22 20 39 25 18 94
J4 36 89 18 13 64 86
J5 54 44 72 17 86 61
J6 55 1 9 29 28 70
Fonte: Autor, 2021
próxima tarefa a ser avaliada é J6, cujo NM1,1,6, f é obtido por NM1,1,6, f - s 1,2,6 - p6,1 = 113
´ 1,1,3, f = 18 u.t. e NM
– 32 – 26 = 55 u.t.. As próximas tarefas J3 e J4 geram um NM ´ 1,1,4, f
π, π', π'', π''' Sequência gerada pelo procedimento de Ruiz et al.; flag True;
Enquanto flag True faça
Para j 1 até l Faça
Para t 1 até m Faça
NM t , j , [ 1 ] , f NM max
t ;
NM´ t , j ,[1], f NM t , j , [ 1 ] , f - s j ,[ n -1], [ n ] - p[n ], j;
h n – 1; w N t , j; r 2;
Enquanto h ≥ 2 Faça
NM t , j , [ r ] , f NM
´ t , j ,[ r-1], f;
´ t , j ,[ r], f NM t , j , [ r ] , f - s j ,[ h -1], [ h ] - p[h ], j;
NM
´ t , j ,[ r], f ≤ 0 Então
Se NM
k posição da tarefa designada após a w-ésima MA t , j ;
Se h < k Então
Para q k até h + 1 Faça
Insira MA t , j antes da tarefa que ocupa a posição q na sequência π'';
Fim Para q k até h + 1
Se q ≠ k então faça:
r 1; h q; w w – 1;
Senão: h -1; w -1;
Fim Se q ≠ k
h h – 1; r r + 1;
Senão h - 1; r - 1;
Fim se h < k
Fim Se NM´ t , j ,[ r], f ≤ 0
Fim Enquanto h ≥ 2
π''' π';
Fim Para t 1 até m
Se C max ( π ' )
≥ Cmax ( π ' ' ) Então
π', π''' π'';
Fim Se C max ( π ' ) ≥ Cmax ( π'' )
Fim Para j 1 até l
No procedimento LSPM , RE, NM t , j ,[n ],f inicia a ser computado a partir da última
´ t , j ,[ k ], f de valor
tarefa da sequência até a tarefa que ocupa a posição k que causa um NM
negativo. Se a tarefa Jk é designada q posições antes da N t , j-ésima atividade de MP
MA t , j que está programada antes da tarefa que ocupa a posição p, sendo p > k, então, a
referida MA t , j é testada em posições anteriores, iniciando da tarefa p até a tarefa k+1. Se
min Cmax ( π ''' ( q ) ) é menor que Cmax ( π '' ), então, π''' ( q ) é retida como a solução
k +1≤q ≤ p
´ t , j ,[2], f é obtido ao
π '' recebe π ''' e o procedimento inicia-se a partir da tarefa J4. Um NM
processar a tarefa J6. Então, o procedimento avalia o reposicionamento de MA 1,1 antes
de J3, resultando na sequência {J2, MA 2,1, J6, MA 1,1, J3, MA 2,1, J4, MA 1,1, J1, J5} com
Cmax correspondente a 581 u.t.. Uma vez que a nova sequência candidata gera uma Cmax
menor que a solução corrente, então π '' recebe π '''. Para a avaliação da próxima
máquina, π ''' recebe π ' e o reposicionamento da MP do nível 1 é testada na máquina 2.
Para a segunda máquina, o procedimento não encontrou uma sequência com Cmax menor
que 581 u.t.. Em seguida, se Cmax ( π ) for maior que Cmax ( π '') , então π e π ''' recebem π ''
e a busca local é novamente aplicada a todos os níveis de MP e máquinas. O
procedimento não encontrou uma solução melhor durante a segunda iteração, logo, flag
recebe False e o procedimento retorna como solução a sequência {J2, MA 2,1, J6, MA 1,1,
J3, MA 2,1, J4, MA 1,1, J1, J5} com Cmax igual a 581 u.t., uma diferença de 12 u.t. a partir
da solução inicial dada.
Enquanto o procedimento de Ruiz et al. (2007) busca determinar o número de
MP de todos os níveis em todas as máquinas, o procedimento proposto tem como
objetivo reposicionar estas atividades com o intuito de minimizar o makespan. A busca
local proposta é dependente do procedimento de Ruiz et al. Adicionalmente, uma vez
que LSPM , RE é custosa em termos de tempo computacional, a seguinte estratégia foi
utilizada durante o funcionamento dos métodos de solução: O procedimento de Ruiz et
al. (2007) e usado para determinar o número de atividades de MP durante o
funcionamento dos métodos heurísticos e o procedimento proposto é aplicado somente à
solução final. Por exemplo, durante a construção da solução empregada por EHPF2-B,
somente o procedimento de Ruiz et al. (2007) é utilizado. Com a solução final
retornada, LSPM , RE é então aplicada, no intuito de melhorá-la. Em relação as
metaheurísticas, a mesma estratégia anteriormente apresentada é usada e LSPM , RE é
aplicada somente à melhor solução encontrada. Na próxima seção, o algoritmo iterated
greedy é proposto como método de solução heurístico.
50
51
π0 – Solução inicial;
π – busca_local( π0 );
Enquanto (critério de parada não é atingido) Faça
πE, πR ← Destruição ( π);
π ' ← Reconstrução ( πE , πR );
π '' ← busca_local ( π ');
π ← critério de aceitação( π '');
Figura 6 – Estrutura básica do algoritmo iterated greedy
Fonte: Ruiz e Stützle (2007)
A heurística EHPF2-B é composta por três passos e sua estrutura básica pode ser
vista na Figura 7.
n m
wload ← ∑ ∑ ( s j ,i , i + p i , j ) /n ;
i =1 j=1
Calcule R(i) para cada uma das n tarefas de acordo com o algoritmo da Figura 8;
LI ← Ordene as tarefas em ordem crescente de R(i);
Para f ← 1 até F Faça
πf ,[1] ← Tarefa f da LI
Fim Para f ← 1 até F
i ← 1;
Para f ← (F+1) até n Faça
U i ← Tarefa f da LI; i ← i + 1;
Fim Para f ← 1 até F
m
f ← 1; i ← 2; load ← ∑ ( s j ,π , π f ,1 + p π , j );
f ,1 f
j=1
Enquanto f ≤ F Faça
Enquanto load < wload Faça
π f ,[i] ← arg min ω ( π 'k ) ;
π' ∈ U
k
m
Se load + ∑ ( s j ,[i−1] , π ' k
+ pπ' k ,j ) > wload Então
j=1
m
Se load + ∑ ( s j ,[i−1] , π ' k
+ pπ' k ,j ) – wload < wload – load Então
j=1
m m
f ← f + 1; i ← 2; ∑ ( s j ,π ,π + p π , j ); load ← ∑ ( s j ,π ' ,π ' k + pπ ,j );
f f f k 'k
j=1 j=1
m
Fim Se load + ∑ ( s j ,[i−1] , π ' k
+ pπ' k ,j ) – wload < wload – load
j=1
m
Senão π f ,i ← π ' k ; U ← U - π ' k ; i ← i + 1; load ← load + ∑ ( s j ,[i−1] , π ' + p π ' , j ); k k
j=1
m
Fim Se load + ∑ ( s j ,[i−1] , π ' k
+ pπ' k ,j ) > wload
j=1
Fim Enquanto load < wload
Fim Enquanto f ≤ F
No primeiro passo, o índice R(i) que leva em conta o trade-off entre o tempo de
ociosidade da primeira tarefa da sequência e sua data de conclusão é calculado. O
algoritmo ilustrado na Figura 8 apresenta o cálculo de R(i).
J ← Conjunto de tarefas; i ← 1;
Enquanto i ≤ n Faça
fd(i) ← 0;
Ci ,1 ← s 1,i , i + pi ,1;
k, b ← 1; j ← 2;
Enquanto j ≤ m Faça
Se C i , j -1 > s j , i ,i Então
Ci , j ← Ci , j -1 + pi , j;
fd(i) ← fd(i) + (m – j – 1) × pi , j;
Senão
Ci , j ← s j , i ,i + pi , j;
fd(i) ← 0; k ← j; b ← 1;
Fim Se C i , j > s j , i ,i
j ← j + 1;
Fim Enquanto j ≤ m Faça
j ← k + 1;
Enquanto j ≤ m Faça
b ← b + 1; j ← j + 1;
Fim Enquanto j ≤ m
Se b = 1 Então
R(i) = λ × ( Ci ,m - p i ,m ) + ( 1 - λ ) × Ci , m
Senão
2× fd ( i )
R(i) = λ ×
[ b -1 ]
+ sm , i ,i + (1 - λ ) × Ci , m
Fim Se b = 1 Então
Figura 8 - Procedimento para cálculo do índice R(i)
Fonte: Autor, 2021.
n m
qualquer sequência, a carga wload é dada por ∑ ∑ ( s j ,i , i + p i , j ) /n. A próxima tarefa a
i =1 j=1
ser programada é escolhida de acordo com a medida de custo ω de HFP2, dada como
segue
55
m l
∀π ∈U (30)
ω (π , i ) = μ × ∑ ( C[i ] , j, f - C[ i -1 ] , j ,f - s j, [ i -1 ] ,[ i ] - ∑ MA t , j - pπ , j ) –
j =1 t =1
- ( 1- μ ) × ( C[ i] ,m , f - C[ i -1 ] , m ,f )
LI ← Conjunto de tarefas;;
Para i ← 1 até n Faça
m
Pi = ∑ ( s j ,i , i + pi , j )
j =1
Fim Para i ← 1 até n
5.2 DESTRUIÇÃO\RECONSTRUÇÃO
para o conjunto de tarefas removidas πE. As tarefas restantes são inseridas no conjunto
π ' na ordem em que elas aparecem em π. No IG_NM proposto, cada uma das d tarefas é
aleatoriamente removida de uma fábrica aleatória f, se o número de tarefas dessa fábrica
é diferente de 0. Adicionalmente, o parâmetro d é determinado de acordo com a
porcentagem de tarefas removidas (djobs) que vai de 0 a 100% das tarefas, ou seja, de
corresponde a n × djobs.
d ← n × djobs
Para i ← 1 até d Faça
f ← random(F)
Enquanto πf =∅ Faça
Fim Enquanto πf =∅
k ← random(Nf)
π ← π ∩ J f ,[ k ];
πE ← πE ∪ J f ,[k ];
Fim Para i ← 1 até d
Figura 10 – Pseudocódigo da fase de destruição de IG_NM
Fonte: Autor, 2021.
Cmax é gravada como solução π ''. Se a Cmax global de π '' for menor que a Cmax da πR ,
então πR e π ' recebem π '' para a próxima iteração. O procedimento de reconstrução
termina quando todas as tarefas forem reinseridas, gerando uma nova solução obtida π '.
π ' ← π R ; i ← 1;
Enquanto πE =∅ Faça
πR ← πR ∪ J i;
πE ← πE ∩ J i ;
Após a aplicação da fase de reconstrução, a solução obtida π ' passa pela fase da
busca loca. Nessa fase, o uso de estrutura de vizinhança pode modificar a solução atual
com o objetivo de obter novas soluções factíveis (SHAO; PI; SHAO, 2020). Na
literatura, é comum o uso das estruturas de permutação e inserção (LIU; GAO, 2010,
GAO; CHEN, 2011, GAO; CHEN; DENG, 2013, WANG et al., 2013, NADERI;
RUIZ, 2014, XU et al., 2014, FERNANDEZ-VIAGAS; FRAMINAN, 2015, LI; CHEN,
2015, BARGAOUI; DRISS; GHEDIRA, 2016, WANG; WANG; SHEN, 2016, RUIZ;
59
PAN; NADERI, 2019, SHAO; PI; SHAO, 2020). A fase de busca loca pode usar essas
estruturas incorporadas a procedimentos mais complexos, como o Variable Local
Search (VLS) (RIBAS; COMPANYS; TORT-MARTORELL, 2017) e Variable
Neighborhood Search (VNS) (SHAO; PI; SHAO, 2017b). Nesta pesquisa, o VNS,
baseado em Shao, Pi e Shao (2017b), é proposto para tentar melhorar a solução π ' na
fase de busca local. O algoritmo apresentado na Figura 12 mostra a estrutura do VNS
proposto. Originalmente proposto por Mladenovic e Hansen (1997), o VNS basicamente
duas fases: a) geração da solução inicial e; b) perturbação e busca local com estrutura de
mudança de vizinhança, que são sistematicamente aplicadas até que um critério de
parada seja satisfeito.
π '' ← π '
Enquanto u < 5 Faça
π '' ← N u ( π ' ' ) ; //Fase de perturbação da solução
'
Uma vez que o VNS é incorporado à fase de busca local, a solução corrente π '
dado pelas fases de destruição e reconstrução é usada como solução inicial. Durante a
fase de perturbação, a solução inicial é perturbada por meio de quatro estruturas de
vizinhança. Essas estruturas são propostas por Deng e Wang (2017), tendo obtido
sucesso também para o problema no-wait flow shop distribuído (SHAO; PI; SHAO,
2017b). As seguintes estruturas são definidas:
Perm_multi_critica (N1): Uma tarefa Jc da fábrica crítica fc é selecionada. Em
cada uma das F-1 fábricas, uma tarefa Jf é aleatoriamente selecionada. Então, fc e
Jf são trocadas de posição, gerando F-1 soluções. A solução que gera o menor
Cmax global é escolhida para passar pela busca local;
60
Entre todas as soluções geradas escolha como γ a solução que gera o menor Cmax global;
Entre todas as soluções geradas escolha como γ a solução que gera o menor Cmax global;
Caso uma das duas estruturas de vizinhança gerem solução melhor que a π '
inicial, então, g recebe 1, e a fase de perturbação inicia novamente em N1. Caso
contrário, g recebe g+1 e a fase de perturbação inicia a partir da próxima estrutura de
perturbação. VNS continua até que todas as estruturas de perturbação tenham sido
testadas sem que melhoria seja encontrada na solução π '.
Após a fase de busca local, a nova solução pode ser aceita como melhor solução
e\ou como solução incumbente π. Se a solução corrente π ' é melhor que a melhor
solução encontrada π best, então π ' se torna π best e a solução incumbente π. Caso
contrário, a solução incumbente pode ser substituída de acordo com algum critério de
aceitação. O critério de aceitação baseado em Simulated Annealing de Osman e Potts
(1989), é um do mais populares usados nesta fase (STÜTZLE; RUIZ, 2018). O IG_NM
proposto usa o critério de aceitação referido e é calculado de acordo com
63
n m (31)
∑ ∑ pi , j
i =1 j =1
T = τP ×
10 × n × m
e[ (
- Cmax (π'') - C max (π) / T )]
seja maior que um número aleatório situado entre [0, 1].
6 PROCEDIMENTOS METODOLÓGICOS
conjunto original. No total, 4.800 problemas foram gerados, sendo 1.600 por
fábrica;
Conjunto de instâncias de grande porte: Todos os dez problemas geradas a partir
da combinações entre n × m × F, sendo n = {20, 50, 100} e m = {5, 10, 20} e
n = {200} e m = {10, 20} e F = {2, 3, 4, 5, 6, 7} foram usados para gerar as
instâncias de grande porte. Os níveis de MP foram definidos como l = {1, 2, 3,
4, 5} e os tempos de setup foram gerados com as mesmas configurações
utilizadas para as instâncias de pequeno porte;
Conjunto de instâncias de ajuste de parâmetros: As configurações usadas nos
problemas de pequeno e grande portes foram aplicadas para o referido conjunto.
A duração das atividades de MP foi aleatoriamente geradas na faixa [1, 10] com
distribuição uniforme. A quantidade máxima da MP de nível t da máquina j (PM max
j,i ) é
estabelecido como
I (34)
∑ RPTi ,g
i =1
MPRT g =
I
onde
G
T - ACTi ∑ T i ,g
PRT i , g = i ,g e g =1
ACTi PRD i =
G
Uma vez que os dois problemas foram introduzidos nesta pesquisa, não há
métodos de solução propostos que possam ser comparados. Neste sentido, o algoritmo
IG_NM foi comparado com o algoritmo single stage IG (IG_RPN) de Ruiz, Pan e
Naderi (2019) e Hybrid Enhanced Discrete Fruit Fly Optimization (HFFO) de Shao, Pi
e Shao (2020), as mais recentes metaheurísticas para os problemas flow shop
permutacional distribuído e flow shop com bloqueio distribuído, respectivamente. O
critério de parada foi configurado como o número de iterações Nit, em que Nit = {1, 2, 3,
4, 5}. Neste sentido, 5 versões de cada metaheurística foi testada, sendo que cada Nit foi
testada de forma separada e independente. Portanto, foram testadas no total 15
metaheurísticas: IG_RPN(1), IG_RPN(2), IG_RPN(3), IG_RPN(4), IG_RPN(5),
HFFO(1), HFFO(2), HFFO(3), HFFO(4), HFFO(5), IG_NM(1), IG_NM(2), IG_NM(3),
IG_NM(4) e IG_NM(5). Cada versão passou pelo teste de configuração de parâmetros
no intuito de calibrar a melhor combinação de parâmetros requeridos para uma dava
versão.
O software IRACE® foi utilizado para calibrar os parâmetros das
metaheurísticas. IRACE é um pacote estatístico que realiza o método de “corrida
iterativa” onde o conjunto de parâmetros dos algoritmos de otimização são
automaticamente ajustados dado um conjunto de instâncias e uma faixa de valores de
cada um dos parâmetros. Como configurações internas, IRACE foi configurado com um
número máximo de experimentos igual a 10.000. Utilizou-se as instâncias de ajuste de
parâmetros, anteriormente apresentadas. No total 150.000 experimentos, sendo 10.000
de cada versão, foram realizadas para calibração dos parâmetros. Os algoritmos
IG_RPN e IG_NM necessitaram de dois parâmetros para serem configurados: número
de tarefas removidas (d), na qual d = n × djobs, sendo djobs = [0, 0,01, 0,02, ..., 0,98,
0,99, 1] e τ P, com valores avaliados na faixa [0, 0,01, 0,02, ..., 0,98, 0,99, 1]. Além dos
parâmetros d e τ P, HFFO requer também o número de indivíduos da população (NP) e
o número de enxames gerados a partir de cada indivíduo da população (NS), ambos
avaliados na faixa [1, 2, 3, ..., 9, 10]. Já a configuração de parâmetros de EHPF2-B foi
realizada de forma determinística, em que toda as combinações possíveis de λ e μ foram
testadas no banco de instâncias de grande porte, nas faixas de [0, 0,05, 0,1, 0,15, ...,
0,95, 1]. No total 441 combinações entre λ e μ foram testadas nos problemas de grande
porte, gerando 5.821.200 experimentos para EHPF2-B. Os resultados finais de
desempenho de EHPF2-B podem ser vistos na Subseção 7.1.
70
Tabela 2 - Média da porcentagem do desvio relativo para ajuste de parâmetros da heurística EHPF2-B
λ\μ 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1 Média
0 6.379 6.150 5.933 5.711 5.677 5.609 5.569 5.573 5.569 5.522 5.579 5.577 5.545 5.560 5.608 5.613 5.658 5.650 5.660 5.631 5.811 5.694
0.05 6.397 6.143 5.977 5.749 5.649 5.620 5.568 5.590 5.535 5.560 5.568 5.559 5.568 5.585 5.559 5.606 5.610 5.627 5.646 5.635 5.772 5.691
0.1 6.391 6.128 5.951 5.756 5.681 5.620 5.576 5.544 5.549 5.551 5.550 5.529 5.583 5.572 5.604 5.587 5.576 5.593 5.622 5.660 5.820 5.688
0.15 6.420 6.181 5.951 5.735 5.690 5.603 5.556 5.559 5.570 5.528 5.539 5.548 5.585 5.568 5.593 5.561 5.577 5.606 5.627 5.636 5.774 5.686
0.2 6.417 6.144 5.970 5.774 5.668 5.608 5.572 5.566 5.532 5.518 5.516 5.542 5.551 5.568 5.597 5.562 5.619 5.620 5.605 5.611 5.822 5.685
0.25 6.452 6.187 5.982 5.805 5.708 5.644 5.589 5.565 5.540 5.586 5.555 5.544 5.555 5.572 5.540 5.554 5.576 5.602 5.609 5.581 5.799 5.693
0.3 6.421 6.177 5.973 5.818 5.733 5.636 5.604 5.563 5.580 5.541 5.541 5.544 5.559 5.535 5.599 5.587 5.586 5.574 5.603 5.580 5.757 5.691
0.35 6.429 6.215 5.987 5.815 5.763 5.659 5.604 5.521 5.541 5.580 5.516 5.529 5.547 5.558 5.602 5.599 5.571 5.563 5.567 5.593 5.774 5.692
0.4 6.445 6.201 5.977 5.815 5.697 5.658 5.623 5.568 5.570 5.525 5.542 5.544 5.550 5.551 5.540 5.575 5.579 5.545 5.555 5.574 5.779 5.686
0.45 6.483 6.231 5.991 5.815 5.760 5.653 5.620 5.564 5.542 5.541 5.500 5.544 5.562 5.534 5.532 5.537 5.533 5.576 5.588 5.568 5.771 5.688
0.5 6.493 6.219 6.001 5.871 5.769 5.646 5.620 5.579 5.555 5.545 5.501 5.533 5.548 5.499 5.544 5.525 5.558 5.583 5.554 5.583 5.745 5.689
0.55 6.465 6.194 5.984 5.895 5.724 5.688 5.613 5.531 5.520 5.557 5.518 5.507 5.529 5.529 5.538 5.525 5.547 5.513 5.590 5.564 5.761 5.681
0.6 6.497 6.242 6.029 5.852 5.720 5.672 5.598 5.553 5.571 5.556 5.556 5.537 5.547 5.557 5.503 5.536 5.550 5.517 5.545 5.538 5.676 5.683
0.65 6.471 6.236 6.023 5.844 5.777 5.703 5.609 5.587 5.549 5.540 5.507 5.508 5.528 5.523 5.520 5.562 5.532 5.541 5.516 5.500 5.706 5.680
0.7 6.504 6.241 6.034 5.883 5.776 5.707 5.615 5.609 5.540 5.581 5.506 5.545 5.500 5.555 5.495 5.529 5.529 5.524 5.557 5.544 5.684 5.688
0.75 6.535 6.261 5.997 5.886 5.744 5.693 5.642 5.562 5.574 5.551 5.532 5.517 5.504 5.518 5.518 5.486 5.483 5.511 5.585 5.525 5.650 5.680
0.8 6.546 6.298 6.061 5.888 5.799 5.706 5.649 5.607 5.598 5.531 5.556 5.492 5.574 5.529 5.530 5.566 5.532 5.538 5.540 5.533 5.720 5.704
0.85 6.569 6.309 6.094 5.931 5.789 5.684 5.648 5.583 5.580 5.573 5.569 5.554 5.563 5.544 5.546 5.490 5.512 5.537 5.577 5.538 5.688 5.708
0.9 6.558 6.268 6.091 5.893 5.821 5.739 5.704 5.615 5.616 5.593 5.573 5.559 5.563 5.540 5.550 5.501 5.588 5.541 5.588 5.578 5.702 5.723
0.95 6.620 6.331 6.112 5.936 5.876 5.767 5.666 5.604 5.593 5.572 5.557 5.547 5.508 5.518 5.536 5.479 5.519 5.555 5.524 5.540 5.658 5.715
1 6.590 6.301 6.126 5.930 5.862 5.746 5.673 5.618 5.602 5.526 5.544 5.537 5.538 5.542 5.555 5.524 5.521 5.522 5.545 5.542 5.687 5.716
Médi
a 6.480 6.222 6.012 5.838 5.747 5.670 5.615 5.574 5.563 5.551 5.539 5.538 5.548 5.546 5.553 5.548 5.560 5.564 5.581 5.574 5.741 5.693
Fonte: Autor, 202
73
Tabela 3 - Calibração dos parâmetros das metaheurísticas para problema flow shop com bloqueio
distribuído
Nit 1 2 3 4 5
IG_RPN d = 0.55; τP = 0.53 d = 0.82; τP = 0.04 d = 0.66; τP = 0.3 d = 0.96; τP = 0.38 d = 0.68; τP = 0.06
IG_NM d = 0.92; τP = 0.67 d = 0.94 τP = 0.47 d = 0.66 τP = 0.76 d = 0.94; τP = 0.42 d = 0.84; τP = 0.03
HFFO NP = 10; NS = 7; d NP = 8; NS =10 ; d NP = 7; NS = 10; d NP = 10; NS = 9; d NP = 10; NS = 10;
= 0.99; τP = 0.23 = 0.88; τP = 0.15 = 0.94; τP = 0.4 = 0.63; τP = 0.94 d = 0.22; τP = 0.98
Fonte: Autor, 2021.
Figura 16 - Trade-off entre MPDR e MPRT de problemas flow shop com bloqueio distribuído para
versões da metaheurística HFFO
Fonte: Autor, 2021.
74
Figura 17 - Trade-off entre MPDR e MPRT de problemas flow shop com bloqueio distribuído para
versões da metaheurística IG_RPN
Fonte: Autor, 2021.
Figura 18 - Trade-off entre MPDR e MPRT de problemas flow shop com bloqueio distribuído para
versões da metaheurística IG_NM
Fonte: Autor, 2021.
Tabela 4 - Desempenho dos métodos em problemas flow shop com bloqueio distribuído de pequeno porte (continua...)
Métodos MILP HFFO(2) HFFO(3) HFFO(4) IG_NM(2)
F n PDR* PDRT** Tempo*** PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo
2 4 0.000 14.731 0.847 0.067 -0.968 0.002 0.067 -0.955 0.002 0.067 -0.965 0.002 0.067 -0.994 0.000
6 0.000 14.737 2.828 0.481 -0.968 0.005 0.462 -0.951 0.008 0.462 -0.967 0.005 0.681 -0.994 0.001
8 0.001 14.955 70.009 0.685 -0.995 0.011 0.605 -0.992 0.018 0.588 -0.995 0.011 1.559 -0.999 0.002
10 0.567 14.999 3098.531 1.018 -1.000 0.020 0.678 -1.000 0.035 0.548 -1.000 0.021 2.479 -1.000 0.005
12 4.371 14.999 3603.471 1.407 -1.000 0.034 0.866 -1.000 0.057 0.490 -1.000 0.035 3.270 -1.000 0.008
3 4 0.000 14.846 1.661 0.084 -0.979 0.002 0.084 -0.965 0.003 0.084 -0.983 0.001 0.048 -0.997 0.000
6 0.000 14.914 8.047 0.178 -0.989 0.005 0.158 -0.982 0.008 0.158 -0.990 0.005 0.301 -0.998 0.001
8 0.000 14.988 204.692 0.709 -0.999 0.009 0.561 -0.998 0.016 0.562 -0.999 0.009 1.340 -1.000 0.002
10 0.480 14.999 3002.879 1.012 -1.000 0.017 0.589 -1.000 0.029 0.458 -1.000 0.017 1.955 -1.000 0.003
12 5.692 14.999 3604.181 1.515 -1.000 0.028 0.854 -1.000 0.048 0.364 -1.000 0.029 2.738 -1.000 0.006
4 4 0.000 14.624 0.498 0.106 -0.966 0.001 0.076 -0.922 0.003 0.076 -0.960 0.001 0.076 -0.992 0.000
6 0.000 14.837 4.132 0.144 -0.982 0.004 0.144 -0.966 0.007 0.125 -0.979 0.005 0.102 -0.997 0.001
8 0.000 14.960 59.611 0.309 -0.995 0.009 0.206 -0.992 0.015 0.169 -0.995 0.009 0.423 -0.999 0.001
10 0.087 14.998 2279.922 0.867 -1.000 0.016 0.573 -0.999 0.027 0.455 -1.000 0.016 1.326 -1.000 0.002
12 3.352 14.999 3574.250 1.444 -1.000 0.027 0.629 -1.000 0.044 0.280 -1.000 0.027 2.183 -1.000 0.004
Média 0.970 14.906 1301.037 0.668 -0.989 0.013 0.437 -0.981 0.021 0.326 -0.989 0.013 1.237 -0.998 0.002
*Porcentagem do desvio relativo **Porcentagem do desvio relativo do tempo computacional ***Tempo Computacional em segundos
77
(Conclusão).
Métodos IG_NM(3) IG_NM(4) IG_RPN(2) IG_RPN(3) IG_RPN(4)
F n PDR* PDRT** Tempo*** PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo
2 4 0.070 -0.992 0.000 0.067 -0.990 0.001 0.377 -0.999 0.000 0.282 -0.999 0.000 0.142 -0.999 0.000
6 0.544 -0.991 0.002 0.586 -0.990 0.002 2.433 -0.999 0.000 2.000 -0.999 0.000 1.457 -0.998 0.000
8 1.220 -0.998 0.004 1.225 -0.998 0.004 4.155 -1.000 0.000 3.200 -1.000 0.000 2.925 -1.000 0.001
10 1.934 -1.000 0.007 1.983 -1.000 0.009 4.665 -1.000 0.000 4.115 -1.000 0.001 3.681 -1.000 0.001
12 2.580 -1.000 0.012 2.586 -1.000 0.015 5.594 -1.000 0.001 4.525 -1.000 0.001 4.244 -1.000 0.002
3 4 0.048 -0.996 0.000 0.048 -0.994 0.000 0.084 -1.000 0.000 0.084 -0.999 0.000 0.084 -0.999 0.000
6 0.183 -0.997 0.001 0.256 -0.997 0.001 1.975 -1.000 0.000 1.375 -1.000 0.000 0.842 -0.999 0.000
8 0.820 -1.000 0.003 0.801 -1.000 0.003 4.089 -1.000 0.000 3.099 -1.000 0.000 2.856 -1.000 0.001
10 1.324 -1.000 0.005 1.427 -1.000 0.006 5.447 -1.000 0.000 4.632 -1.000 0.001 4.033 -1.000 0.001
12 1.880 -1.000 0.009 1.768 -1.000 0.010 6.159 -1.000 0.001 5.541 -1.000 0.001 4.855 -1.000 0.001
4 4 0.076 -0.989 0.000 0.076 -0.987 0.000 0.076 -0.998 0.000 0.076 -0.997 0.000 0.076 -0.998 0.000
6 0.054 -0.996 0.001 0.053 -0.995 0.001 1.131 -0.999 0.000 0.672 -0.999 0.000 0.343 -0.999 0.000
8 0.284 -0.999 0.002 0.274 -0.999 0.002 3.065 -1.000 0.000 2.275 -1.000 0.000 1.857 -1.000 0.000
10 0.930 -1.000 0.004 0.928 -1.000 0.004 4.940 -1.000 0.000 4.026 -1.000 0.000 3.288 -1.000 0.001
12 1.501 -1.000 0.007 1.442 -1.000 0.008 6.629 -1.000 0.000 5.509 -1.000 0.001 4.899 -1.000 0.001
Média 0.897 -0.997 0.004 0.901 -0.997 0.004 3.388 -1.000 0.000 2.761 -0.999 0.000 2.372 -0.999 0.001
*Porcentagem do desvio relativo **Porcentagem do desvio relativo do tempo computacional ***Tempo Computacional em segundos
Fonte: Autor, 2021.
78
Figura 19 - Desempenho dos métodos em relação ao parâmetro F para problemas flow shop com bloqueio
distribuído de pequeno porte
Fonte: Autor, 2021.
Figura 20 - Desempenho dos métodos em relação ao parâmetro n para problemas flow shop com bloqueio
distribuído de pequeno porte
Fonte: Autor, 2021.
Figura 21 - Desempenho dos métodos em relação ao parâmetro m para problemas flow shop com bloqueio
distribuído de pequeno porte
Fonte: Autor, 2021.
79
Figura 22 - Desempenho dos métodos em relação ao parâmetro l para problemas flow shop com bloqueio
distribuído de pequeno porte
Fonte: Autor, 2021.
Figura 23 - Desempenho dos métodos em relação ao parâmetro si,j,k para problemas flow shop com
bloqueio distribuído de pequeno porte
Fonte: Autor, 2021.
a) b)
Figura 24 – Trade-off entre MPDR e MPDRT para problemas flow shop com bloqueio distribuído de
pequeno porte a) com MILP e b) sem MILP
Fonte: Autor, 2021.
81
Figura 25 – Diagrama de caixa da variação de PDR dos métodos para problemas flow shop com bloqueio
de pequeno porte
Fonte: Autor, 2021.
Tabela 5 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de flow shop com
bloqueio distribuído de pequeno porte (continua...)
Amostra 1 – Amostra 2 Teste Erro Teste estatístico Significância Sig.
Estatístico Padrão padrão Ajustada
HFFO(4)-MILP -486,340 259,861 -1,833 0,067 1,000
HFFO(4)-HFFO(3) 1287,513 259,861 4,995 0,000 0,000
HFFO(4)-HFFO(2) 3165,665 259,861 12,182 0,000 0,000
HFFO(4)-IG_NM(4) 4062,650 259,861 -15,634 0,000 0,000
HFFO(4)-IGN_NM(3) -4184,886 259,861 -16,104 0,000 0,000
HFFO(4)-IGN_NM(2) -5775,084 259,861 -22,224 0,000 0,000
HFFO(4)-IG_RPN(4) -10369,036 259,861 -40,941 0,000 0,000
HFFO(4)-IG_RPN(3) -11542,361 259,861 -44,417 0,000 0,000
HFFO(4)-IG_RPN(2) -13226,437 259,861 -50,898 0,000 0,000
MILP-HFFO(3) 811,173 259,861 3,122 0,002 0,081
MILP-HFFO(2) 2689,325 259,861 10,349 0,000 0,000
MILP-IG_NM(4) 3586,310 259,861 13,801 0,000 0,000
MILP-IG_NM(3) 3708,546 259,861 14,271 0,000 0,000
MILP-IG_NM(2) 5298,774 259,861 20,391 0,000 0,000
MILP-IG_RPN(4) 10162,696 259,861 39,108 0,000 0,000
MILP-IG_RPN(3) 11066,021 259,861 42,583 0,000 0,000
MILP-IG_RPN(2) 12750,097 259,861 49,065 0,000 0,000
HFFO(3)-HFFO(2) 1878,152 259,861 7,228 0,000 0,000
HFFO(3)-IG_NM(4) -2775,137 259,861 -10,679 0,000 0,000
HFFO(3)-IG_NM(3) -2897,373 259,861 -11,150 0,000 0,000
HFFO(3)-IG_NM(2) -4487,571 259,861 -17,269 0,000 0,000
HFFO(3)-IG_RPN(4) -9351,522 259,861 -35,987 0,000 0,000
HFFO(3)-IG_RPN(3) -10254,848 259,861 -39,463 0,000 0,000
HFFO(3)-IG_RPN(2) -11938,923 259,861 -45,943 0,000 0,000
HFFO(2)-IG_NM(4) -896,986 259,861 -3,452 0,001 0,025
HFFO(2)-IG_NM(3) -1019,222 259,861 -3,922 0,000 0,004
83
(Conclusão.)
Amostra 1 – Amostra 2 Teste Erro Teste estatístico Significância Sig.
Estatístico Padrão padrão Ajustada
HFFO(2)-IG_NM(2) -2609,420 259,861 -10,042 0,000 0,000
HFFO(2)-IG_RPN(4) -7473,371 259,861 -28,759 0,000 0,000
HFFO(2)-IG_RPN(3) -8376,696 259,861 -32,235 0,000 0,000
HFFO(2)-IG_RPN(2) -10060,772 259,861 -38,716 0,000 0,000
IG_NM(4)-IG_NM(3) 122,236 259,861 0,470 0,638 1,000
IG_NM(4)-IG_NM(2) 1712,434 259,861 6,590 0,000 0,000
IG_NM(4)-IG_RPN(4) -6576,385 259,861 -25,307 0,000 0,000
IG_NM(4)-IG_RPN(3) -7479,711 259,861 -28,783 0,000 0,000
IG_NM(4)-IG_RPN(2) -9163,786 259,861 -35,264 0,000 0,000
IG_NM(3)-IG_RPN(4) -6454,119 259,861 -24,837 0,000 0,000
IG_NM(3)-IG_RPN(3) -7357475,000 259,861 -28,313 0,000 0,000
IG_NM(3)-IG_RPN(2) -9041,550 259,861 -34,794 0,000 0,000
IG_NM(2)-IG_RPN(4) -4863,951 259,861 -18,178 0,000 0,000
IG_NM(2)-IG_RPN(3) -5767,277 259,861 -22,194 0,000 0,000
IG_NM(2)-IG_RPN(2) -7451,352 259,861 -28,674 0,000 0,000
IG_RPN(4)-IG_RPN(3) 903,325 259,861 3,476 0,001 0,023
IG_RPN(4)-IG_RPN(2) 2587,401 259,861 9,957 0,000 0,000
IG_RPN(3)-IG_RPN(2) 1684,076 259,861 6,481 0,000 0,000
Fonte: Autor, 2021.
Tabela 6 - Desempenho dos métodos em problemas flow shop com bloqueio distribuído de grande porte (continua...)
EHPF2_B HFFO(2) HFFO(3) HFFO(4) IG_NM(2)
F n PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo
2 20 8.065 -0.972 0.006 1.167 0.736 0.410 1.067 1.386 0.564 0.645 2.768 0.891 2.582 -0.469 0.132
50 8.248 -0.974 0.082 1.249 0.607 5.399 1.146 1.180 7.293 0.944 2.437 11.581 1.860 -0.349 2.303
100 8.012 -0.975 0.643 1.117 0.523 40.576 1.033 1.021 53.846 0.921 2.232 86.177 1.083 -0.170 22.780
200 6.896 -0.978 6.900 1.155 0.321 419.334 1.104 0.753 556.881 1.094 1.857 908.292 0.633 0.063 349.246
3 20 10.135 -0.978 0.004 1.414 0.816 0.329 1.335 1.501 0.454 0.932 2.930 0.713 2.160 -0.541 0.088
50 9.156 -0.978 0.050 1.473 0.683 4.102 1.304 1.305 5.594 1.177 2.599 8.793 1.569 -0.412 1.519
100 9.658 -0.979 0.361 1.361 0.598 29.108 1.292 1.147 39.150 1.220 2.384 61.800 1.031 -0.228 14.862
200 8.771 -0.982 3.575 1.490 0.368 279.383 1.414 0.848 377.781 1.423 1.956 605.553 0.663 0.010 214.837
4 20 12.043 -0.980 0.003 1.551 0.875 0.288 1.439 1.597 0.400 0.969 3.044 0.624 1.943 -0.595 0.066
50 9.541 -0.981 0.035 1.600 0.752 3.489 1.451 1.411 4.785 1.358 2.742 7.474 1.377 -0.455 1.162
100 10.350 -0.980 0.260 1.600 0.671 24.040 1.497 1.263 32.536 1.463 2.534 50.934 0.989 -0.295 10.902
200 9.598 -0.984 2.397 1.637 0.442 220.965 1.571 0.957 300.756 1.568 2.109 477.729 0.664 -0.047 154.519
5 20 13.905 -0.986 0.002 1.602 0.933 0.264 1.514 1.681 0.367 1.061 3.125 0.566 1.708 -0.642 0.052
50 10.476 -0.982 0.028 1.763 0.807 3.141 1.602 1.497 4.323 1.531 2.868 6.741 1.305 -0.520 0.889
100 11.056 -0.981 0.203 1.715 0.744 21.197 1.629 1.370 28.773 1.633 2.679 44.790 0.925 -0.351 8.531
200 10.074 -0.984 1.854 1.725 0.512 188.605 1.644 1.064 258.275 1.714 2.263 408.076 0.660 -0.113 117.178
6 20 15.108 -0.986 0.002 1.571 0.969 0.247 1.475 1.751 0.346 1.020 3.193 0.528 1.542 -0.678 0.043
50 11.322 -0.983 0.024 1.918 0.850 2.913 1.780 1.569 4.027 1.674 2.926 6.202 1.322 -0.556 0.749
100 11.127 -0.982 0.176 1.888 0.800 19.375 1.696 1.454 26.398 1.794 2.788 40.857 0.902 -0.404 6.884
200 10.150 -0.984 1.553 1.801 0.581 168.201 1.717 1.161 230.813 1.798 2.402 363.298 0.625 -0.180 91.514
7 20 14.995 -0.981 0.002 1.542 1.004 0.236 1.446 1.806 0.331 0.939 3.251 0.502 1.409 -0.707 0.036
50 12.318 -0.984 0.021 2.042 0.878 2.747 1.885 1.621 3.817 1.768 2.989 5.843 1.257 -0.579 0.663
100 11.476 -0.982 0.160 1.967 0.847 18.105 1.780 1.522 24.708 1.890 2.876 38.065 0.956 -0.450 5.796
86
(Continuação.)
EHPF2-B HFFO(2) HFFO(3) HFFO(4) IG_NM(2)
F n PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo
7 200 10.260 -0.985 1.342 1.846 0.636 153.973 1.748 1.246 212.018 1.839 2.520 332.230 0.612 -0.236 75.807
Mean 10.531 -0.981 0.820 1.591 0.706 66.934 1.482 1.338 90.593 1.349 2.645 144.511 1.241 -0.371 45.023
IG_NM(3) IG_NM(4) IG_RPN(2) IG_RPN(3) IG_RPN(4)
F n PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo
2 20 2.151 -0.405 0.147 1.820 -0.279 0.178 3.954 -0.958 0.010 3.777 -0.938 0.015 3.326 -0.915 0.021
50 1.472 -0.261 2.626 1.463 -0.124 3.091 3.347 -0.956 0.150 3.092 -0.937 0.218 2.700 -0.913 0.299
100 0.767 -0.107 24.693 0.955 0.078 30.434 2.715 -0.951 1.349 2.511 -0.928 1.966 2.244 -0.904 2.582
200 0.363 0.090 357.975 0.696 0.351 452.216 2.318 -0.949 16.387 2.250 -0.927 23.772 1.951 -0.902 31.615
3 20 1.840 -0.501 0.096 1.589 -0.380 0.118 4.623 -0.959 0.008 4.478 -0.944 0.010 4.015 -0.921 0.015
50 1.122 -0.335 1.732 1.115 -0.192 2.102 3.736 -0.964 0.090 3.593 -0.949 0.127 3.095 -0.929 0.177
100 0.667 -0.181 15.757 0.791 0.044 20.385 3.072 -0.962 0.702 3.090 -0.948 0.972 2.614 -0.928 1.337
200 0.361 0.069 229.514 0.639 0.359 294.109 2.664 -0.965 7.294 2.686 -0.950 10.522 2.291 -0.931 14.250
4 20 1.530 -0.559 0.071 1.362 -0.463 0.087 4.939 -0.957 0.007 4.688 -0.947 0.009 4.065 -0.922 0.012
50 1.013 -0.415 1.228 0.952 -0.273 1.544 3.894 -0.966 0.069 3.861 -0.954 0.094 3.280 -0.934 0.135
100 0.597 -0.235 11.720 0.745 -0.055 14.709 3.299 -0.967 0.482 3.465 -0.955 0.662 2.798 -0.935 0.953
200 0.365 -0.005 161.823 0.583 0.271 206.675 2.822 -0.970 4.713 2.925 -0.958 6.552 2.421 -0.940 9.294
5 20 1.325 -0.610 0.055 1.155 -0.524 0.068 5.052 -0.963 0.005 4.777 -0.946 0.008 4.082 -0.919 0.011
50 0.961 -0.465 0.994 0.885 -0.348 1.207 4.156 -0.968 0.057 4.170 -0.957 0.077 3.519 -0.935 0.114
100 0.572 -0.318 8.907 0.756 -0.151 11.149 3.488 -0.969 0.387 3.627 -0.958 0.523 2.939 -0.938 0.766
200 0.367 -0.079 120.985 0.598 0.151 151.594 2.850 -0.971 3.700 3.027 -0.961 4.943 2.492 -0.943 7.193
6 20 1.152 -0.646 0.046 1.066 -0.582 0.055 5.180 -0.964 0.005 4.481 -0.942 0.008 4.042 -0.928 0.009
50 0.882 -0.502 0.837 0.889 -0.409 1.001 4.299 -0.968 0.052 4.368 -0.957 0.070 3.646 -0.936 0.103
100 0.604 -0.376 7.191 0.698 -0.209 9.248 3.682 -0.970 0.330 3.797 -0.959 0.451 3.108 -0.939 0.666
200 0.341 -0.159 93.941 0.571 0.087 121.718 2.990 -0.972 2.973 3.148 -0.963 4.034 2.563 -0.945 6.009
(Continua...)
87
(Conclusão.)
IG_NM(3) IG_NM(4) IG_RPN(2) IG_RPN(3) IG_RPN(4)
F n PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo
7 20 1.057 -0.682 0.039 0.785 -0.613 0.048 5.079 -0.961 0.005 4.539 -0.954 0.006 4.046 -0.929 0.009
50 0.868 -0.539 0.723 0.780 -0.448 0.872 4.496 -0.968 0.048 4.435 -0.958 0.064 3.706 -0.936 0.096
100 0.574 -0.415 6.174 0.767 -0.274 7.751 3.775 -0.970 0.299 3.901 -0.960 0.402 3.217 -0.939 0.602
200 0.350 -0.218 77.388 0.528 0.006 99.567 3.011 -0.972 2.629 3.249 -0.964 3.436 2.672 -0.945 5.230
Mean 0.888 -0.327 46.861 0.924 -0.166 59.580 3.727 -0.964 1.740 3.664 -0.951 2.456 3.118 -0.929 3.396
88
Figura 26 - Desempenho dos métodos em relação ao parâmetro F para problemas flow shop com bloqueio
distribuído de grande porte
Fonte: Autor, 2021.
Figura 27 - Desempenho dos métodos em relação ao parâmetro n para problemas flow shop com bloqueio
distribuído de grande porte
Fonte: Autor, 2021.
Figura 28 - Desempenho dos métodos em relação ao parâmetro m para problemas flow shop com bloqueio
distribuído de grande porte
Fonte: Autor, 2021.
89
Figura 29 - Desempenho dos métodos em relação ao parâmetro l para problemas flow shop com bloqueio
distribuído de grande porte
Fonte: Autor, 2021.
Figura 30 - Desempenho dos métodos em relação ao parâmetro si,j,k para problemas flow shop com
bloqueio distribuído de grande porte
Fonte: Autor, 2021.
resultados da literatura de flow shop com uma fábrica, na qual se verifica que a adoção
do mecanismo de inserção NEH tende a reduzir os valores de PDR com o aumento do
número de máquinas. Adicionalmente, o desempenho das versões tendem a se
aproximar com maiores números de m. Por exemplo, a distância entre os PDRs de
IG_RPN(2), IG_RPN(3) e IG_RPN(4) tendem a reduzir com o aumento de m.
Diferentemente do que ocorre com o número de tarefas, os desempenhos de
HFFO(2), HFFO(3) e HFFO(4) tendem a se aproximar de IG_NM(2), IG_NM(3) e
IG_NM(4). Os valores de duração do setup também afetam o desempenho das
heurísticas. É observado que, em geral, o problema se torna mais difícil com maiores
valores da duração do setup, uma vez que todos os métodos têm seus PDRs
aumentados. Por outro lado, pode-se notar que o aumento do parâmetro l tende afetar
suavemente os desempenhos de todas as versões de HFFO, IG_RPN e IG_NM.
Em relação as versões das metaheurísticas, nota-se que IG_NM(4) e IG_NM(3)
apresentam desempenhos próximos e IG_NM(2) tende a produzir valores menores de
PDR com o aumento de todos os parâmetros. Esses resultados sugerem que o
desempenho de todas as versões de IG_NM tendem a ser similares à medida que o
problema se torna mais difícil. Em suma, IG_NM(3) tende a ser mais efetivo que
IG_NM(4) e IG_NM(2). As versões HFFO(2), HFFO(3) e HFFO(4) tem desempenhos
próximos em todos os parâmetros avaliados. Entre todas as versões, pode-se notar que
HFFO(4) superou HFFO(3) e HFFO(2). Em relação aos algoritmos de IG_RPN,
IG_RPN(4) obteve o melhor desempenho, sendo que IG_RPN(2) e IG_RPN(3) obtém
desempenhos similares com o aumento de todos os parâmetros.
Pela análise de PDRT, é visível que IG_RPN(2), IG_RPN(3) e IG_RPN(4) são
os métodos mais eficientes para solução de problemas de grande porte. Em geral,
HFFO(2), HFFO(3) e HFFO(4) consomem mais tempo computacional com o aumento
de F e a duração dos tempos de setup, efeito oposto que ocorre com IG_NM(2),
IG_NM(3) e IG_NM(4). Uma vez que o aumento de F tende a reduzir o número de
tarefas em cada fábrica, os esforços empregados durante a fase de reconstrução de
IG_NM são mais eficientes, diminuindo o tempo computacional necessário para solução
do problema. Por outro lado, um comportamento contrário de HFFO e IG_NM pode ser
visto com o aumento de n, m e l, onde ambas as metaheurísticas tendem a despender
mais tempo computacional com valores maiores dos parâmetros referidos. HFFO(4) é o
método que apresenta o maior MPDRT, seguido de HFFO(3) e HFFO(2). Valores
91
Figura 31 – Trade-off entre MPDR e MPDRT para problemas flow shop com bloqueio distribuído de
grande porte
Fonte: Autor, 2021.
Figura 32 – Diagrama de caixa da variação de PDR dos métodos para problemas flow shop com bloqueio
distribuído de grande porte
Fonte: Autor, 2021.
Tabela 7 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de flow shop com
bloqueio distribuído de grande porte (continua...)
Amostra 1 – Amostra 2 Teste Erro Teste estatístico Significância Sig.
Estatístico Padrão padrão Ajustada
IG_NM(3)-IG_NM(4) -732.443 422.074 -1.735 0.083 1
IG_NM(3)-IG_NM(2) 9988.162 422.074 23.665 0 0
IG_NM(3)-HFFO(4) 13307.114 422.074 31.528 0 0
IG_NM(3)-HFFO(3) 17693.661 422.074 41.921 0 0
IG_NM(3)-HFFO(2) 21019.399 422.074 49.8 0 0
93
(Conclusão.)
Amostra 1 – Amostra 2 Teste Erro Teste estatístico Significância Sig.
Estatístico Padrão padrão Ajustada
IG_NM(3)-IG_RPN(4) -55088.406 422.074 -130.519 0 0
IG_NM(3)-IG_RPN(3) -62162.959 422.074 -147.28 0 0
IG_NM(3)-IG_RPN((2) -62712.993 422.074 -147.853 0 0
IG_NM(4)-IG_NM(2) 9255.719 422.074 21.929 0 0
IG_NM(4)-HHFO(4) 12564.672 422.074 29.793 0 0
IG_NM(4)-HFFO(3) 16961.218 422.074 40.185 0 0
IG_NM(4)-HFFO(2) 20286.956 422.074 48.065 0 0
IG_NM(4)-IG_RPN(4) -54355.963 422.074 -12.783 0 0
IG_NM(4)-IG_RPN(3) -61430.516 422.074 -145.545 0 0
IG_NM(4)-IG_RPN(2) -61980.55 422.074 -146.848 0 0
IG_NM(2)-HFFO(4) 3318.952 422.074 7.863 0 0
IG_NM(2)-HFFO(3) 7705.499 422.074 18.256 0 0
IG_NM(2)-HFFO(2) 11031.237 422.074 28.136 0 0
IG_NM(2)-IG_RPN(4) -45100.244 422.074 -106.854 0 0
IG_NM(2)-IG_RPN(3) -52174.797 422.074 -123.615 0 0
IG_NM(2)-IG_RPN(2) -52724.831 422.074 -124.919 0 0
HFFO(4)-HFFO(3) 4386.547 422.074 10.393 0 0
HFFO(4)-HFFO(2) 7712.284 422.074 18.272 0 0
HFFO(4)-IG_RPN(4) -41781.291 422.074 -98.991 0 0
HFFO(4)-IG_RPN(3) -48855.845 422.074 -115.752 0 0
HFFO(4)-IG_RPN(2) -49405.879 422.074 -117.055 0 0
HFFO(3)-HFFO(2) 3325.738 422.074 7.88 0 0
HFFO(3)-IG_RPN(4) -37394.745 422.074 -88.598 0 0
HFFO(3)-IG_RPN(3) -44469.298 422.074 -105.359 0 0
HFFO(3)-IG_RPN(2) -45019.332 422.074 -106.662 0 0
HFFO(2)-IG_RPN(4) -34069.007 422.074 -80.718 0 0
HFFO(2)-IG_RPN(3) -41134.56 422.074 -97.48 0 0
HFFO(2)-IG_RPN(2) -41693.594 422.074 -98.783 0 0
IG_RPN(4)-IG-RPN(3) 7074.553 422.074 16.761 0 0
IG_RPN(4)-IG-RPN(2) 7624.587 422.074 18.065 0 0
IG_RPN(3)-IG-RPN(2) 550.034 422.074 1.303 0.193 1
Fonte: Autor, 2021.
Figura 33 – Trade-off entre MPDR e MPDRT para problemas flow shop com bloqueio distribuído
Fonte: Autor, 2021.
Figura 34 – Diagrama de caixa da variação de PDR dos métodos para problemas flow shop com bloqueio
distribuído
Fonte: Autor, 2021.
Tabela 8 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de flow shop com
bloqueio distribuído (continua...)
Amostra 1 – Amostra 2 Teste Erro Teste estatístico Significância Sig.
Estatístico Padrão padrão Ajustada
IG_NM(3)-IG_NM(4) -784.338 491.359 -1.596 0.1 1
IG_NM(3)-HFFO(4) 7712.105 491.359 15.695 0 0
IG_NM(3)-IG_NM(2) 11263.139 491.359 22.922 0 0
IG_NM(3)-HFFO(3) 12893.537 491.359 26.241 0 0
IG_NM(3)-HFFO(2) 17747.689 491.359 36.12 0 0
IG_NM(3)-IG_RPN(4) -55892.073 491.359 -113.75 0 0
IG_NM(3)-IG_RPN(3) -63110.758 491.359 -128.441 0 0
IG_NM(3)-IG_RPN(2) -65713.097 491.359 -133.737 0 0
IG_NM(4)-HFFO(4) 6927.768 491.359 14.099 0 0
IG_NM(4)-IG_NM(2) 10478.802 491.359 21.326 0 0
IG_NM(4)-HFFO(3) 12109.199 491.359 24.644 0 0
IG_NM(4)-HFFO(2) 16963.351 491.359 34.523 0 0
IG_NM(4)-IG_RPN(4) -55107.735 491.359 -112.154 0 0
IG_NM(4)-IG_RPN(3) -62326.42 491.359 -126.845 0 0
IG_NM(4)-IG_RPN(2) -64928.759 491.359 -132.141 0 0
96
(Conclusão.)
Amostra 1 – Amostra 2 Teste Erro Teste estatístico Significância Sig.
Estatístico Padrão padrão Ajustada
HFFO(4)-IG_NM(2) -3551.034 491.359 -7.227 0 0
HFFO(4)-HFFO(3) 5181.432 491.359 10.545 0 0
HFFO(4)-HFFO(2) 10035.584 491.359 20.424 0 0
HFFO(4)-IG_RPN(4) -48179.967 491.359 -98.054 0 0
HFFO(4)-IG_RPN(3) -55398.652 491.359 -112.746 0 0
HFFO(4)-IG_RPN(2) -58000.992 491.359 -118.042 0 0
IG_NM(2)-HFFO(3) 1630.397 491.359 3.318 0 0
IG_NM(2)-HFFO(2) 6484.55 491.359 13.197 0 0
IG_NM(2)-IG_RPN(4) -44628.933 491.359 -90.287 0 0
IG_NM(2)-IG_RPN(3) -51847.68 491.359 -105.519 0 0
IG_NM(2)-IG_RPN(2) -54449.958 491.359 -110.815 0 0
HFFO(3)-HFFO(2) 4854.152 491.359 9.879 0 0
HFFO(3)-IG_RPN(4) -42998.536 491.359 -87.509 0 0
HFFO(3)-IG_RPN(3) -50217.221 491.359 -102.201 0 0
HFFO(3)-IG_RPN(2) -52819.56 491.359 -107.497 0 0
HFFO(2)-IG_RPN(4) -38114.384 491.359 -77.63 0 0
HFFO(2)-IG_RPN(3) -45363.068 491.359 -92.322 0 0
HFFO(2)-IG_RPN(2) -47965.408 491.359 -97.618 0 0
IG_RPN(4)-IG_RPN(3) 7128.685 491.359 14.691 0 0
IG_RPN(4)-IG_RPN(2) 9821.025 491.359 19.987 0 0
IG_RPN(3)-IG_RPN(2) 2602.34 491.359 5.296 0 0
Fonte: Autor, 2021.
Tabela 9 - Calibração dos parâmetros das metaheurísticas para problema no-wait flow shop distribuído
Nit 1 2 3 4 5
IG_RPN d=0,91; τP=0,38 d=0,9; τP=0,38 d=0,72; τP=0,73 d=0,93; τP=0,62 d=0,95; τP=0,89
IG_NM d=0,9; τP=0,98 d=0,61; τP=0,04 d=0,43; τP=0,16 d=0,54; τP=0,64 d=0,91; τP=0,25
HFFO NP=10; NS=7; NP=9; NS =10 ; NP=10; NS=10; NP=10; NS=9; NP=9; NS=10;
d=0,98; τP=0,95 d=0,9; τP=0,83 d=0,45; τP=0,59 d=0,4; τP=0,28 d=0,32; τP=0,48
Fonte: Autor, 2021.
Figura 35 - Trade-off entre MPDR e MPRT de problemas no-wait flow shop distribuído para versões da
metaheurística HFFO
Fonte: Autor, 2021.
Figura 36 - Trade-off entre MPDR e MPRT de problemas no-wait flow shop distribuído para versões da
metaheurística IG_RPN
Fonte: Autor, 2021.
101
Figura 37 - Trade-off entre MPDR e MPRT de problemas no-wait flow shop distribuído para versões da
metaheurística IG_NM
Fonte: Autor, 2021.
O desempenho dos métodos em relação a PDR e PDRT pode ser visto na Tabela
10. Os dados foram categorizados pelo número de fábricas (F) e subdivididos pelo
número de tarefas (n).
Pode-se observar que o modelo de programação linear inteira mista (MILP)
apresentou o melhor desempenho para o conjunto de instâncias que vai de 4 a 8 tarefas,
em todos os valores de F. Com o aumento da complexidade a partir de 10 tarefas, pode-
se notar que o MILP encontra dificuldades de obter as melhores soluções, e
consequentemente, alcança o tempo limite estabelecido (1 hora) para a maioria dos
problemas. Em instâncias com 12 tarefas, HFFO(3) superou todos os outros métodos
em qualidade de solução, seguido de HFFO(4) e HFFO(2). Apesar de obterem o melhor
desempenho, em especial a partir de 10 tarefas, todas as versões de HFFO foram as que
mais consumiram tempo computacional em comparação com as outras metaheurísticas.
As versões de IG_NM(2), IG_NM(3) e IG_NM(4) obtiveram desempenhos
intermediários, sendo IG_NM(4) o melhor entre eles. As versões de IG_NM também
obtiveram tempos computacionais intermediários, ou seja, foram mais custosas em
comparação a IG_RPN, porém, foram mais eficientes que HFFO e o MILP.
Dos resultados experimentais, observou-se que as versões de IG_RPN foram as
mais eficientes, ou seja, as que obtiveram os menores tempos computacionais, com
pequena diferença de tempo entre eles. IG_RPN(2) foi a versão mais rápida entre elas,
seguidos de IG_RPN(3) e IG_RPN(4). Por outro lado, todas as versões de IG_RPN
apresentaram os maiores PDRs em comparação com MILP, HFFO e IG_NM.
As Figuras 38, 39, 40, 41 e 42 apresentam o desempenho dos algoritmos em
relação aos parâmetros F, n, número de máquinas (m), níveis de manutenção preventiva
(l) e tempos de setup (si,j,k), respectivamente. Os tempos computacionais do MILP foram
consideravelmente maiores em comparação às outras metaheurísticas. Devido a esta
diferença, o MILP interfere na interpretação dos resultados em gráficos gerados para
avaliar a eficiência das metaheurísticas, em especial métodos com desempenhos
similares. Por estar razão o MILP foi omitido dos gráficos gerados para PDRT.
103
Tabela 10 - Desempenho dos métodos em problemas no-wait flow shop distribuído de pequeno porte (continua...)
MILP HFFO(2) HFFO(3) HFFO(4) IG_NM(2)
F N PDR* PDRT** Tempo*** PDR PDT Tempo PDR PDT Tempo PDR PDT Tempo PDR PDT Tempo
2 4 0.000 14.181 1.714 0.062 -0.932 0.006 0.062 -0.899 0.008 0.062 -0.853 0.013 0.062 -0.992 0.001
6 0.000 14.781 9.279 0.478 -0.964 0.018 0.443 -0.951 0.023 0.625 -0.947 0.027 0.566 -0.996 0.002
8 0.000 14.956 151.717 0.584 -0.993 0.035 0.508 -0.991 0.051 0.623 -0.988 0.062 1.391 -0.999 0.004
10 0.816 14.997 3335.592 0.832 -1.000 0.063 0.626 -1.000 0.063 0.683 -1.000 0.087 2.468 -1.000 0.008
12 4.722 14.996 3604.728 1.219 -1.000 0.102 0.661 -0.999 0.127 0.699 -0.999 0.162 2.993 -1.000 0.014
3 4 0.000 14.720 2.350 0.073 -0.950 0.004 0.073 -0.952 0.004 0.073 -0.955 0.004 0.073 -0.996 0.000
6 0.000 14.887 11.559 0.185 -0.978 0.012 0.184 -0.978 0.011 0.328 -0.985 0.008 0.293 -0.998 0.001
8 0.000 14.981 193.467 0.669 -0.996 0.024 0.546 -0.996 0.025 0.664 -0.998 0.013 1.218 -1.000 0.003
10 0.800 14.999 3283.302 0.911 -1.000 0.041 0.494 -1.000 0.043 0.557 -1.000 0.034 1.727 -1.000 0.006
12 6.873 14.998 3603.343 1.543 -1.000 0.067 0.847 -1.000 0.069 0.618 -1.000 0.048 2.745 -1.000 0.009
4 4 0.000 14.777 1.674 0.161 -0.954 0.004 0.155 -0.960 0.004 0.155 -0.969 0.003 0.155 -0.995 0.000
6 0.000 14.944 28.085 0.148 -0.986 0.012 0.148 -0.989 0.011 0.148 -0.993 0.008 0.167 -0.999 0.001
8 0.000 14.985 240.728 0.292 -0.996 0.023 0.221 -0.996 0.021 0.243 -0.998 0.012 0.600 -1.000 0.002
10 0.690 14.998 2984.572 0.750 -1.000 0.039 0.458 -1.000 0.040 0.472 -1.000 0.031 1.106 -1.000 0.004
12 6.833 14.999 3601.609 1.446 -1.000 0.065 0.725 -1.000 0.064 0.366 -1.000 0.043 2.030 -1.000 0.007
Média 1.382 14.880 1403.581 0.624 -0.983 0.034 0.410 -0.981 0.038 0.421 -0.979 0.037 1.173 -0.998 0.004
*Porcentagem do desvio relativo **Porcentagem do desvio relativo do tempo computacional ***Tempo computacional (segundos)
104
(Conclusão.)
IG_NM(3) IG_NM(4) IG_RPN(2) IG_RPN(3) IG_RPN(4)
F n PDR PDT Tempo PDR PDT Tempo PDR PDT Tempo PDR PDT Tempo PDR PDT Tempo
2 4 0.062 -0.991 0.001 0.062 -0.987 0.001 0.442 -0.998 0.000 0.346 -0.998 0.000 0.171 -0.997 0.000
6 0.529 -0.995 0.002 0.490 -0.993 0.004 2.115 -0.999 0.000 1.763 -0.999 0.001 1.653 -0.998 0.001
8 1.074 -0.999 0.006 0.924 -0.999 0.008 3.765 -1.000 0.001 3.276 -1.000 0.001 2.616 -1.000 0.002
10 1.961 -1.000 0.012 1.502 -1.000 0.016 4.370 -1.000 0.001 4.087 -1.000 0.002 3.573 -1.000 0.003
12 2.405 -1.000 0.020 2.132 -1.000 0.026 5.483 -1.000 0.002 4.755 -1.000 0.003 4.148 -1.000 0.004
3 4 0.073 -0.993 0.001 0.073 -0.990 0.001 0.073 -0.998 0.000 0.073 -0.998 0.000 0.073 -0.997 0.000
6 0.233 -0.997 0.002 0.220 -0.996 0.002 1.871 -0.999 0.000 1.018 -0.999 0.000 1.093 -0.999 0.001
8 0.987 -0.999 0.004 0.720 -0.999 0.006 4.487 -1.000 0.001 3.598 -1.000 0.001 3.109 -1.000 0.001
10 1.307 -1.000 0.008 0.913 -1.000 0.014 5.503 -1.000 0.001 4.822 -1.000 0.002 3.825 -1.000 0.002
12 1.840 -1.000 0.014 1.615 -1.000 0.020 6.105 -1.000 0.002 5.476 -1.000 0.003 4.872 -1.000 0.003
4 4 0.155 -0.994 0.001 0.155 -0.992 0.001 0.155 -0.999 0.000 0.155 -0.999 0.000 0.155 -0.998 0.000
6 0.149 -0.999 0.001 0.114 -0.998 0.002 1.167 -1.000 0.000 0.708 -1.000 0.000 0.627 -1.000 0.000
8 0.396 -1.000 0.003 0.285 -0.999 0.004 3.370 -1.000 0.000 2.618 -1.000 0.001 2.092 -1.000 0.001
10 0.912 -1.000 0.006 0.658 -1.000 0.007 5.597 -1.000 0.001 3.984 -1.000 0.001 3.639 -1.000 0.001
12 1.439 -1.000 0.010 1.048 -1.000 0.013 6.452 -1.000 0.001 5.468 -1.000 0.002 5.017 -1.000 0.002
Média 0.901 -0.998 0.006 0.727 -0.997 0.008 3.397 -1.000 0.001 2.810 -0.999 0.001 2.444 -0.999 0.001
Fonte: Autor, 2021.
105
Figura 38 - Desempenho dos métodos em relação ao parâmetro F para problemas no-wait flow shop
distribuído de pequeno porte
Fonte: Autor, 2021.
Figura 39 - Desempenho dos métodos em relação ao parâmetro n para problemas no-wait flow shop
distribuído de pequeno porte
Fonte: Autor, 2021.
Figura 40 - Desempenho dos métodos em relação ao parâmetro m para problemas no-wait flow shop
distribuído de pequeno porte
Fonte: Autor, 2021.
106
Figura 41 - Desempenho dos métodos em relação ao parâmetro l para problemas no-wait flow shop
distribuído de pequeno porte
Fonte: Autor, 2021.
Figura 42 - Desempenho dos métodos em relação ao parâmetro si,j,k para problemas no-wait flow shop
distribuído de pequeno porte
Fonte: Autor, 2021.
a) b)
Figura 43 – Trade-off entre MPDR e MPDRT para problemas no-wait flow shop distribuído de pequeno
porte a) com MILP e b) sem MILP
Fonte: Autor, 2021.
Figura 44 – Diagrama de caixa da variação de PDR dos métodos para problemas no-wait flow shop de
pequeno porte
Fonte: Autor, 2021.
Tabela 11 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de no-wait flow
shop distribuído de pequeno porte (continua...)
Amostra 1 – Amostra 2 Teste Erro Teste estatístico Significânci Sig.
Estatístico Padrão padrão a Ajustada
HFFO(4)-HFFO(3) 72.851 288.523 0.252 0.801 1
HFFO(4)-MILP -894.904 288.523 -3.102 0.002 0.106
HFFO(4)-HFFO(2) 2099.364 288.523 7.276 0 0
HFFO(4)-IG_NM(4) -2490.529 288.523 -8.632 0 0
HFFO(4)-IG_NM(3) -3555.473 288.523 12.323 0 0
HFFO(4)-IG_NM(2) -5012.632 288.523 -17.373 0 0
HFFO(4)-IG_RPN(4) -10957.687 288.523 -37.979 0 0
HFFO(4)-IG_RPN(3) -11974.963 288.523 -41.504 0 0
HFFO(4)-IG_RPN(2) -13571.03 288.523 -47.036 0 0
HFFO(3)-MILP -822.053 288.523 -2.849 0.004 0.241
HFFO(3)-HFFO(2) 2026.513 288.523 7.024 0 0
HFFO(3)-IG_NM(4) -2417.678 288.523 -8.379 0 0
HFFO(3)-IG_NM(3) -3482.622 288.523 -12.071 0 0
HFFO(3)-IG_NM(2) -4939.781 288.523 -17.121 0 0
HFFO(3)-IG_RPN(4) -10884.836 288.523 -37.726 0 0
HFFO(3)-IG_RPN(3) 11902.112 288.523 -41.252 0 0
HFFO(3)-IG_RPN(2) -13498.179 288.523 -46.784 0 0
MILP-HFFO(2) 1204.461 288.523 4.175 0 0
MILP-IG_NM(4) 1595.625 288.523 5.53 0 0
MILP-IG_NM(3) 2660.569 288.523 9.221 0 0
MILP-IG_NM(2) 4117.728 288.523 14.272 0 0
MILP-IG_RPN(4) 10062.783 288.523 34.877 0 0
MILP-IG_RPN(3) 11080.06 288.523 38.403 0 0
MILP-IG_RPN(2) 12676.126 288.523 43.935 0 0
HFFO(2)-IG_NM(4) -391.165 288.523 -1.356 0.175 1
HFFO(2)-IG_NM(3) -1456.108 288.523 -5.047 0 0
HFFO(2)-IG_NM(2) -2913.268 288.523 -10.097 0 0
HFFO(2)-IG_RPN(4) -8858.322 288.523 -30.702 0 0
HFFO(2)-IG_RPN(3) -9875.599 288.523 -34.228 0 0
HFFO(2)-IG_RPN(2) -11471.666 288.523 -39.76 0 0
IG_NM(4)-IG_NM(3) 1064.944 288.523 3.691 0 0.012
IG_NM(4)-IG_NM(2) 2522.103 288.523 8.741 0 0
IG_NM(4)-IG_RPN(4) -8,467 288.523 -29.347 0 0
IG_NM(4)-IG_RPN(3) -9484.435 288.523 -32.872 0 0
IG_NM(4)-IG_RPN(2) -11080.501 288.523 -38.404 0 0
IG_NM(3)-IG_NM(2) 1457.159 288.523 5.05 0 0
IG_NM(3)-IG_RPN(4) -7402.214 288.523 -25.656 0 0
IG_NM(3)-IG_RPN(3) -8419.491 288.523 -29.181 0 0
IG_NM(3)-IG_RPN(2) -10015.558 288.523 -34.713 0 0
IG_NM(2)-IG_RPN(4) -5945.055 288.523 -20.605 0 0
111
(Conclusão.)
Amostra 1 – Amostra 2
Teste Erro Teste estatístico Significânci Sig.
Estatístico Padrão padrão a Ajustada
IG_NM(2)-IG_RPN(2) -8558.398 288.523 -29.63 0 0
IG_RPN(4)-IG_RPN(3) 1017.277 288.523 3.526 0 0
IG_RPN(4)-IG_RPN(2) 2613.344 288.523 9.058 0 0
IG_RPN(3)-IG_RPN(2) 1596.067 288.523 5.532 0 0
Fonte, Autor, 2021.
Tabela 12 - Desempenho dos métodos em problemas no-wait flow shop distribuído de grande porte (continua...)
DNEH+Dipak HFFO(2) HFFO(3) HFFO(4) IG_NM(2)
F n PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo
2 20 6.604 -0.975 0.006 1.365 1.693 0.708 0.836 1.434 0.645 0.626 1.755 0.732 2.809 -0.495 0.136
50 3.924 -0.955 0.166 1.188 1.474 9.070 0.798 1.255 8.326 0.597 1.616 9.662 1.826 -0.371 2.373
100 2.320 -0.923 2.244 0.906 1.374 69.263 0.763 1.209 64.850 0.671 1.528 74.272 1.060 -0.224 23.111
200 1.199 -0.874 44.959 0.774 0.983 696.533 0.775 0.969 710.389 0.719 1.304 832.767 0.559 -0.086 327.326
3 20 9.433 -0.984 0.003 1.728 1.831 0.580 1.200 1.502 0.517 0.905 1.826 0.585 2.507 -0.547 0.096
50 5.448 -0.974 0.070 1.506 1.610 6.991 1.263 1.332 6.288 1.051 1.681 7.235 1.588 -0.415 1.634
100 3.417 -0.959 0.831 1.418 1.506 50.168 1.401 1.263 45.556 1.253 1.562 51.621 1.082 -0.256 15.549
200 2.082 -0.934 14.943 1.425 1.114 471.715 1.491 1.015 459.131 1.469 1.325 530.555 0.695 -0.078 210.503
4 20 10.737 -0.987 0.002 1.872 1.937 0.511 1.227 1.561 0.450 1.074 1.883 0.507 2.108 -0.591 0.074
50 7.087 -0.982 0.039 1.820 1.722 6.006 1.705 1.401 5.337 1.510 1.748 6.113 1.447 -0.465 1.239
100 4.383 -0.973 0.428 1.765 1.642 41.593 1.892 1.342 37.092 1.759 1.637 41.807 1.073 -0.303 11.727
200 2.782 -0.959 6.978 1.796 1.217 374.358 1.971 1.068 355.530 1.932 1.365 407.488 0.763 -0.119 155.993
5 20 12.218 -0.989 0.002 1.960 2.019 0.468 1.371 1.604 0.407 0.998 1.921 0.458 1.960 -0.637 0.059
50 8.299 -0.986 0.027 2.007 1.819 5.424 2.041 1.467 4.787 1.862 1.819 5.469 1.480 -0.522 0.971
100 5.302 -0.979 0.281 2.017 1.749 36.700 2.215 1.414 32.444 2.105 1.708 36.413 1.047 -0.345 9.294
200 3.374 -0.970 4.210 2.062 1.318 319.006 2.287 1.135 298.613 2.259 1.435 341.143 0.754 -0.151 121.621
6 20 14.201 -0.989 0.002 1.946 2.113 0.443 1.338 1.639 0.379 0.978 1.955 0.424 1.580 -0.675 0.048
50 9.540 -0.988 0.021 2.222 1.905 5.083 2.268 1.509 4.422 2.095 1.866 5.052 1.379 -0.560 0.809
100 6.048 -0.983 0.203 2.178 1.857 33.714 2.444 1.480 29.467 2.342 1.777 33.020 1.071 -0.412 7.380
200 3.937 -0.976 2.819 2.237 1.419 283.991 2.537 1.207 263.272 2.508 1.509 299.685 0.773 -0.227 94.804
7 20 13.560 -0.990 0.001 1.822 2.189 0.423 1.170 1.660 0.355 0.977 1.968 0.396 1.386 -0.706 0.040
50 10.856 -0.989 0.018 2.482 1.958 4.818 2.506 1.536 4.163 2.392 1.895 4.751 1.348 -0.584 0.716
100 6.857 -0.987 0.159 2.360 1.624 31.679 2.599 1.518 32.833 2.568 1.914 37.901 1.065 -0.515 6.282
113
(Continuação.)
DNEH+Dipak HFFO(2) HFFO(3) HFFO(4) IG_NM(2)
F n PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo
7 200 4.357 -0.981 2.039 2.344 1.510 260.895 2.701 1.268 239.476 2.669 1.571 271.807 0.764 -0.261 80.100
Média 6.582 -0.970 3.352 1.800 1.649 112.923 1.700 1.366 108.530 1.555 1.690 124.994 1.339 -0.398 44.662
IG_NM(3) IG_NM(4) IG_RPN(2) IG_RPN(3) IG_RPN(4)
F n PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo PDR PDRT Tempo
2 20 2.277 -0.476 0.142 2.105 -0.288 0.195 4.209 -0.963 0.010 3.936 -0.945 0.015 3.639 -0.925 0.020
50 1.561 -0.360 2.460 1.301 -0.144 3.211 2.987 -0.960 0.148 2.869 -0.942 0.216 2.571 -0.921 0.292
100 0.958 -0.235 22.962 0.705 0.040 31.211 1.895 -0.953 1.390 1.906 -0.930 2.086 1.746 -0.906 2.814
200 0.537 -0.070 336.525 0.392 0.281 464.723 1.026 -0.947 19.744 1.035 -0.920 29.416 1.008 -0.895 38.208
3 20 2.120 -0.551 0.096 1.740 -0.378 0.133 5.532 -0.965 0.007 5.013 -0.949 0.011 4.570 -0.931 0.015
50 1.268 -0.409 1.672 1.011 -0.202 2.230 3.709 -0.968 0.087 3.631 -0.953 0.128 3.189 -0.935 0.175
100 0.886 -0.251 15.805 0.621 0.020 21.496 2.795 -0.966 0.695 2.783 -0.949 1.044 2.509 -0.931 1.399
200 0.679 -0.090 212.511 0.470 0.257 292.799 1.885 -0.964 8.286 1.903 -0.947 12.230 1.855 -0.928 16.676
4 20 1.799 -0.605 0.072 1.460 -0.444 0.101 5.554 -0.965 0.006 5.259 -0.950 0.009 4.639 -0.932 0.012
50 1.232 -0.467 1.239 0.885 -0.272 1.685 4.236 -0.970 0.067 4.171 -0.956 0.098 3.670 -0.939 0.135
100 0.922 -0.316 11.455 0.650 -0.060 15.568 3.346 -0.969 0.485 3.339 -0.955 0.712 3.021 -0.939 0.966
200 0.669 -0.082 162.319 0.467 0.224 216.941 2.494 -0.970 5.206 2.488 -0.956 7.626 2.377 -0.941 10.228
5 20 1.470 -0.650 0.057 1.114 -0.506 0.080 5.644 -0.966 0.005 5.344 -0.950 0.008 4.728 -0.931 0.011
50 1.140 -0.529 0.955 0.832 -0.346 1.333 4.638 -0.970 0.058 4.430 -0.957 0.084 3.955 -0.941 0.115
100 0.922 -0.369 8.961 0.713 -0.140 12.220 3.721 -0.971 0.386 3.687 -0.958 0.569 3.264 -0.942 0.777
200 0.741 -0.158 121.315 0.499 0.153 166.319 2.930 -0.973 3.772 2.998 -0.961 5.520 2.799 -0.946 7.565
6 20 1.217 -0.687 0.047 1.002 -0.560 0.066 5.533 -0.966 0.005 5.082 -0.950 0.007 4.579 -0.932 0.010
50 1.141 -0.572 0.790 0.819 -0.401 1.106 4.905 -0.971 0.052 4.680 -0.957 0.076 4.182 -0.941 0.106
100 0.902 -0.419 7.317 0.690 -0.214 9.839 3.998 -0.972 0.337 3.961 -0.959 0.490 3.616 -0.943 0.674
200 0.763 -0.219 96.367 0.481 0.070 131.903 3.210 -0.974 3.105 3.315 -0.962 4.534 3.068 -0.948 6.191
(Continua...)
(Conclusão.)
114
Figura 45 - Desempenho dos métodos em relação ao parâmetro F para problemas no-wait flow shop distribuído
de grande porte
Fonte: Autor, 2021.
116
Figura 46 - Desempenho dos métodos em relação ao parâmetro n para problemas no-wait flow shop distribuído
de grande porte
Fonte: Autor, 2021.
Figura 47 - Desempenho dos métodos em relação ao parâmetro m para problemas no-wait flow shop distribuído
de grande porte
Fonte: Autor, 2021.
Figura 48 - Desempenho dos métodos em relação ao parâmetro l para problemas no-wait flow shop distribuído
de grande porte
Fonte: Autor, 2021.
117
Figura 49 - Desempenho dos métodos em relação ao parâmetro si,j,k para problemas no-wait flow shop distribuído
de grande porte
Fonte: Autor, 2021.
IG_NM(4). Uma vez que o aumento de F tende a diminuir o número de tarefas alocadas para
uma dada fábrica, os esforços empregados durante a fase de reconstrução de IG_NM se torna
mais eficiente, diminuindo consideravelmente o tempo necessário para concluir esta fase. Por
outro lado, todas as metaheurísticas tendem a apresentar aumento do PDRT com valores mais
numerosos de n, m e l. Esta constatação é facilmente observada nas Figura 46, Figura 47,
Figura 48 e Figura 49 e pela lógica tende a ser óbvia, pois o amento de n, m, l aumentam a
complexidade de cálculo da função-objetivo e dos procedimentos de posicionamento e
reposicionamento das atividades de MP. Pode-se observar que as metaheurísticas não
parecem ser afetadas pelo aumento dos valores do parâmetro si,j,k..
Na Figura 50 é apresentado o trade-off entre MPDR e MPDRT dos métodos para
problemas de grande porte. Como já constatado em resultados anteriores, as versões de
IG_NM, principalmente IG_NM(3) e IG_NM(4) obtiveram o melhor trade-off entre MPDR e
MPRT. É percebido que as versões tendem a apresentar desempenhos similares, uma vez que
os pontos de IG_NM, IG_RPN e HFFO se concentram em uma área específica do gráfico. Em
relação a HFFO, nota-se que HFFO(3) atende o melhor trade-off em comparação com
HFFO(2) e HFFO(4), onde apresentam PDRT similares. Já as versões de IG_RPN apresentam
PDRT próximos, sendo IG_RPN(4) o que melhor atende o trade-off entre MPDR e MPDRT
comparado com IG_RPN(3) e IG_RPN(2).
Figura 50 – Trade-off entre MPDR e MPDRT para problemas no-wait flow shop distribuído de grande porte
Fonte: Autor, 2021.
119
Figura 51 – Diagrama de caixa da variação de PDR dos métodos para problemas no-wait flow shop distribuído
de grande porte
Fonte: Autor, 2021.
Tabela 13 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de no-wait flow shop
distribuído para problemas de grande porte
Amostra 1 – Amostra 2 Teste Estatístico Erro Teste estatístico Significânci Sig.
Padrão padrão a Ajustada
IG_NM(4)-IG_NM(3) 7153.195 422.075 16.948 0 0
IG_NM(4)-IG_NM(2) 12818.16 422.075 30.369 0 0
IG_NM(4)-HFFO(4) 17.848.244 422.075 42.287 0 0
IG_NM(4)-HFFO(3) 22089.85 422.075 52.336 0 0
IG_NM(4)-HFFO(2) 25554.06 422.075 60.544 0 0
IG_NM(4)-IG_RPN(4) -57215 422.075 -135.556 0 0
IG_NM(4)-IG_RPN(3) -61579 422.075 -145.896 0 0
IG_NM(4)-IG_RPN(2) -62579.9 422.075 -148.267 0 0
IG_NM(3)-IG_NM(2) 5664.968 422.075 13.422 0 0
IG_NM(3)-HFFO(4) 10695.05 422.075 25.339 0 0
IG_NM(3)-HFFO(3) 14936.65 422.075 35.389 0 0
IG_NM(3)-HFFO(2) 18400.87 422.075 43.596 0 0
IG_NM(3)-IG_RPN(4) -50061.8 422.075 -118.609 0 0
IG_NM(3)-IG_RPN(3) -54425.8 422.075 -128.948 0 0
IG_NM(3)-IG_RPN(2) 55426.67 422.075 -131.319 0 0
IG_NM(2)-HFFO(4) 5030.082 422.075 11.918 0 0
IG_NM(2)-HFFO(3) 9271.687 422.075 21.967 0 0
IG_NM(2)-HFFO(2) 12735.9 422.075 30.174 0 0
IG_NM(2)-IG_RPN(4) -44396.9 422.075 -105.187 0 0
IG_NM(2)-IG_RPN(3) -48760.8 422.075 -115.526 0 0
IG_NM(2)-IG_RPN(2) 49761.7 422.075 -117.898 0 0
HFFO(4)-HFFO(3) 4241.605 422.075 10.049 0 0
HFFO(4)-HFFO(2) 7705.819 422.075 18.257 0 0
HFFO(4)-IG_RPN(4) -39366.8 422.075 -93.27 0 0
HFFO(4)-IG_RPN(3) -43730.7 422.075 -103.609 0 0
HFFO(4)-IG_RPN(2) -44731.6 422.075 -105.98 0 0
HFFO(3)-HFFO(2) 3464.214 422.075 8.208 0 0
HFFO(3)-IG_RPN(4) -35125.2 422.075 -83.22 0 0
HFFO(3)-IG_RPN(3) -39489.1 422.075 -93.559 0 0
HFFO(3)-IG_RPN(2) -40490 422.075 -95.931 0 0
HFFO(2)-IG_RPN(4) -31661 422.075 -75.013 0 0
HFFO(2)-IG_RPN(3) -36024.9 422.075 -85.352 0 0
HFFO(2)-IG_RPN(2) -37025.8 422.075 -87.723 0 0
IG_RPN(4)-IG_RPN(3) 4363942 422.075 10.339 0 0
IG_RPN(4)-IG_RPN(2) 5364.854 422.075 12.711 0 0
IG_RPN(3)-IG_RPN(2) 1000.912 422.075 2.371 0.018 0.638
Fonte: Autor, 2021.
podem ser consideradas iguais. Para o restante dos pares, o teste indicou a rejeição da H0, e,
portanto, há diferença estatística significativa entre essas combinações. De acordo com a
qualidade de solução, pode-se constatar que HFFO(4), IG_NM(4) e IG_RPN(4) apresentaram
os melhores desempenhos dentre suas respectivas versões. Porém, de acordo com a relação
qualidade de solução e tempo computacional, pode-se notar que IG_NM(4) ou IG_NM(3)
apresentaram o melhor desempenho para problemas de grande porte.
Uma análise adicional foi realizada para avaliar o desempenho dos algoritmos
considerando todas as instâncias juntas, ou seja, os 18.000 problemas. Na Figura 52 apresenta
o trade-off entre MPDR e MPDRT dos métodos considerando a média de todas as instâncias
testadas.
Figura 52 – Trade-off entre MPDR e MPDRT para problemas no-wait flow shop distribuído
Fonte: Autor, 2021.
Figura 53 – Diagrama de caixa da variação de PDR dos métodos para problemas no-wait flow shop distribuído
Fonte: Autor, 2021.
Tabela 14 - Teste de Dunn-Borrefonni post hoc dos pares de amostras para instâncias de no-wait flow shop
distribuído (continua...)
Amostra 1 – Amostra 2 Teste Erro Teste estatístico Significância Sig. Ajustada
Estatístico Padrão padrão
IG_NM(4)-IG_NM(3) 7936.384 491.419 16.15 0 0
IG_NM(4)-HFFO(4) 13649.422 491.419 27.776 0 0
IG_NM(4)-IG_NM(2) 14619.66 491.419 29.75 0 0
123
(Conclusão.)
Amostra 1 – Amostra 2 Teste Erro Teste estatístico Significância Sig. Ajustada
Estatístico Padrão padrão
IG_NM(4)-HFFO(3) 17542.996 491.419 35.699 0 0
IG_NM(4)-HFFO(2) 22692.256 491.419 46.177 0 0
IG_NM(4)-IG_RPN(4) -59275.194 491.419 -120.62 0 0
IG_NM(4)-IG_RPN(3) -62252.22 491.419 -130.748 0 0
IG_NM(4)-IG_RPN(2) -67010.089 491.419 -136.36 0 0
IG_NM(3)-HFFO(4) 5713.039 491.419 11.626 0 0
IG_NM(3)-IG_NM(2) 6683.277 491.419 13.6 0 0
IG_NM(3)-HFFO(3) 9606.612 491.419 19.549 0 0
IG_NM(3)-HFFO(2) 14.755.872 491.419 30.027 0 0
IG_NM(3)-IG_RPN(4) -51338.81 491.419 -104.471 0 0
IG_NM(3)-IG_RPN(3) -56315.837 491.419 -114.598 0 0
IG_NM(3)-IG_RPN(2) -59073.706 491.419 -120.21 0 0
HFFO(4)-IGN_NM(2) -970.238 491.419 -1.974 0.048 1
HFFO(4)-HFFO(3) 3893.573 491.419 7.923 0 0
HFFO(4)-HFFO(2) 9042.833 491.419 18.401 0 0
HFFO(4)-IG_RPN(4) -45625.771 491.419 -92.845 0 0
HFFO(4)-IG_RPN(3) -50602.798 491.419 -102.973 0 0
HFFO(4)-IG_RPN(2) -53360.667 491.419 -108.585 0 0
IG_NM(2)-HFFO(3) 2923.336 491.419 5.949 0 0
IG_NM(2)-HFFO(2) 8072.596 491.419 16.427 0 0
IG_NM(2)-IG_RPN(4) -44655.534 491.419 -90.871 0 0
IG_NM(2)-IG_RPN(3) -49632.56 491.419 -100.998 0 0
IG_NM(2)-IG_RPN(2) -52390.429 491.419 -106.611 0 0
HFFO(3)-HFFO(2) 5149.26 491.419 10.478 0 0
HFFO(3)-IG_RPN(4) -41732.198 491.419 -84.922 0 0
HFFO(3)-IG_RPN(3) -46709.225 491.419 -95.05 0 0
HFFO(3)-IG_RPN(2) -49467.093 491.419 -100.662 0 0
HFFO(2)-IG_RPN(4) -36582.938 491.419 -74.443 0 0
HFFO(2)-IG_RPN(3) -41559.965 491.419 -84.571 0 0
HFFO(2)-IG_RPN(2) -44317.822 491.419 -90.183 0 0
IG_RPN(4)-IG_RPN(3) 4977.027 491.419 10.128 0 0
IG_RPN(4)-IG_RPN(2) 7734.895 491.419 15.74 0 0
IG_RPN(3)-IG_RPN(2) 2757.869 491.419 5.612 0 0
Fonte: Autor, 2021.
Nesta Seção o método proposto IG_NM foi testado experimentalmente para solucionar
o problema no-wait flow shop distribuído com tempos de setup dependentes da sequência e
ocorrência de manutenção preventiva para minimização da duração total da programação
(makespan). Duas metaheurísticas da literatura, denominadas HFFO e IG_RPN, foram
adaptadas no intuito de avaliar o desempenho da metaheurística proposta.
Das cinco versões propostas para solucionar o problema foi constatado que as versões
intermediárias com Nit = {2, 3, 4} das metaheurísticas apresentaram o melhor desempenho.
Por este motivo, as versões intermediárias de HFFO, IG_RPN e IG_NM foram testadas contra
o MILP em problemas de pequeno porte e testadas umas contra as outras em problemas de
grande porte.
Por meio dos resultados experimentais, foi constatado que HFFO(4) foi a heurística
que obteve o melhor desempenho em qualidade de solução para problemas de pequeno porte e
estatisticamente é equivalente ao MILP. Para problemas de grande porte e pelo resultado geral
(as duas bases juntas), foi observado que IG_NM(3) e IG_NM(4) obtiveram o melhor
desempenho no trade-off entre qualidade de solução e tempo computacional, sendo mais
eficiente e eficaz que HFFO. Testes estatísticos mostraram que IG_NM(3) e IG_NM(4)
apresentaram diferenças estatísticas significativas em relação aos outros métodos da literatura.
Apesar de apresentarem tempo computacional consideravelmente maior que todas as versões
de IG_RPN, IG_NM(3) e IG_NM(4) apresentaram desempenho superior significativo em
qualidade de solução. Por fim, constata-se que a decisão de escolher IG_NM(3) ou IG_NM(4)
fica por conta da disponibilidade de tempo que o tomador de decisão possui para retornar uma
solução.
125
9 CONSIDERAÇÕES FINAIS
Este projeto teve como objetivo a proposição de métodos de solução para dois
problemas de scheduling: flow shop com bloqueio distribuído e no-wait flow shop distribuído,
ambos com restrições adicionais de tempos setup dependentes da sequência e ocorrência de
operações manutenção preventiva (MP) baseada em níveis para minimização da duração total
REFERÊNCIAS BIBLIOGRÁFICAS
BARGAOUI, H.; DRISS, O. B.; GHEDIRA, K. A novel chemical reaction optimization for
the distributed permutation flowshop scheduling problem with makespan criterion.
COMPUTERS & INDUSTRIAL ENGINEERING, v. 111, p. 239–250, 2017.
CAI, J.; ZHOU, R.; LEI, D. Fuzzy distributed two-stage hybrid flow shop scheduling problem
with setup time: collaborative variable search. JOURNAL OF INTELLIGENT & FUZZY
SYSTEMS, v. 38, n. 3, p. 3189–3199, 2020.
CHEN, J.; WANG, L.; PENG, Z. A collaborative optimization algorithm for energy-efficient
multi-objective distributed no-idle flow-shop scheduling. SWARM AND
EVOLUTIONARY COMPUTATION, v. 50, nov. 2019.
CHUNG, S. H.; CHAN, F. T. S.; CHAN, H. K. A modified genetic algorithm approach for
scheduling of perfect maintenance in distributed production scheduling. Engineering
Applications of Artificial Intelligence, v. 22, n. 7, p. 1005–1014, 2009.
DUAN, J. H. et al. Scheduling the blocking flow shop problem using a harmony search
algorithm. Proceedings - 2010 6th International Conference on Natural Computation, ICNC
2010. Anais...IEEE, 2010
FERONE, D. et al. A biased-randomized iterated local search for the distributed assembly
permutation flow-shop problem. INTERNATIONAL TRANSACTIONS IN
OPERATIONAL RESEARCH, v. 27, n. 3, p. 1368–1391, 2020.
FIELD, A. Descobrindo a estatística usando o SPSS. 2. ed. Poro Alegre: Artmed, 2009.
GAO, J.; CHEN, R. An NEH-based heuristic algorithm for distributed permutation flowshop
scheduling problems. Scientific Research and Essays, v. 6, n. 14, p. 3094–3100, 2011.
GAO, J.; CHEN, R.; DENG, W. An efficient tabu search algorithm for the distributed
permutation flowshop scheduling problem. INTERNATIONAL JOURNAL OF
PRODUCTION RESEARCH, v. 51, n. 3, p. 641–651, 2013.
GONG, H.; TANG, L.; DUIN, C. W. A two-stage flow shop scheduling problem on a
batching machine and a discrete machine with blocking and shared setup times. Computers
& Operations Research, v. 37, n. 5, p. 960–969, 2010.
GRABOWSKI, J.; PEMPERA, J. The permutation flow shop problem with blocking. A tabu
search approach. Omega-International Journal of Management Science, v. 35, n. 3, p.
302–311, 2007.
HAO, J.-H. et al. Solving Distributed Hybrid Flowshop Scheduling Problems by a Hybrid
Brain Storm Optimization Algorithm. IEEE ACCESS, v. 7, p. 66879–66894, 2019.
HUANG, J.; PAN, Q.; CHEN, Q. A Hybrid Genetic Algorithm for the Distributed
Permutation Flowshop Scheduling Problem with Sequence-Dependent Setup Times. IOP
Conference Series: Materials Science and Engineering. Anais...2019
JOHNSON, S. M. Optimal two- and three-stage production schedules with setup times
included. Naval Research Logistics Quarterly, v. 1, n. 1, p. 61–68, 1954.
LEE, C. Y.; LIN, C. S. Single-machine scheduling with maintenance and repair rate-
modifying activities. European Journal of Operational Research, v. 135, n. 3, p. 493–513,
2001.
LEI, D.; WANG, T. Solving distributed two-stage hybrid flowshop scheduling using a
shuffled frog-leaping algorithm with memeplex grouping. ENGINEERING
OPTIMIZATION, v. 52, n. 9, p. 1461–1474, 2020.
LI, J. et al. An improved artificial bee colony algorithm for addressing distributed flow shop
with distance coefficient in a prefabricated system. INTERNATIONAL JOURNAL OF
PRODUCTION RESEARCH, v. 57, n. 22, p. 6922–6942, nov. 2019a.
LI, Y. et al. An artificial bee colony algorithm for the distributed hybrid flowshop
scheduling problem. Procedia Manufacturing. Anais...2019b
LI, Y.; CHEN, Z. The distributed permutation flowshop scheduling problem: A genetic
algorithm approach. (Choi, SB, Ed.)PROCEEDINGS OF THE 3RD INTERNATIONAL
CONFERENCE ON MECHATRONICS AND INDUSTRIAL INFORMATICS. Anais...:
ACSR-Advances in Comptuer Science Research.2015
LIN, J.; WANG, Z.-J.; LI, X. A backtracking search hyper-heuristic for the distributed
assembly flow-shop scheduling problem. SWARM AND EVOLUTIONARY
COMPUTATION, v. 36, p. 124–135, 2017.
LIN, S.-W.; YING, K.-C. Minimizing makespan for solving the distributed no-wait flowshop
scheduling problem. COMPUTERS & INDUSTRIAL ENGINEERING, v. 99, p. 202–209,
2016a.
LIN, S. W.; YING, K. C. Minimizing makespan for solving the distributed no-wait flowshop
scheduling problem. Computers and Industrial Engineering, v. 99, p. 202–209, 2016b.
LIU, B.; WANG, L.; JIN, Y. H. An effective hybrid PSO-based algorithm for flow shop
133
scheduling with limited buffers. Computers & Operations Research, v. 35, n. 9, p. 2791–
2806, 2008.
LIU, S. Q.; KOZAN, E. Scheduling a flow shop with combined buffer conditions.
International Journal of Production Economics, v. 117, n. 2, p. 371–380, fev. 2009.
LUO, W.; CHENG, T. C. E.; JI, M. Single-machine scheduling with a variable maintenance
activity. Computers and Industrial Engineering, v. 79, p. 168–174, 2015.
LUO, W.; JI, M. Scheduling a variable maintenance and linear deteriorating jobs on a single
machine. Information Processing Letters, v. 115, n. 1, p. 33–39, 2015.
MENG, T.; PAN, Q.-K.; WANG, L. A distributed permutation flowshop scheduling problem
with the customer order constraint. KNOWLEDGE-BASED SYSTEMS, v. 184, nov. 2019.
MIYATA, H. H. et al. Integrating preventive maintenance activities to the no-wait flow shop
scheduling problem with dependent-sequence setup times and makespan minimization.
Computers & Industrial Engineering, v. 135, n. June, p. 79–104, 2019.
NADERI, B.; RUIZ, R. A scatter search algorithm for the distributed permutation flowshop
scheduling problem. EUROPEAN JOURNAL OF OPERATIONAL RESEARCH, v. 239,
n. 2, p. 323–334, 2014.
NAWAZ, M.; ENSCORE JR, E. E.; HAM, I. A Heuristic Algorithm for the m-Machine , n-
Job Flow-shop Sequencing Problem. Omega-International Journal of Management
Science, v. 11, n. 1, p. 91–95, 1983.
PAN, J.-Q.; ZOU, W.-Q.; DUAN, J. A Discrete Artificial Bee Colony for Distributed
Permutation Flowshop Scheduling Problem with Total Flow Time Minimization. (Chen,
X and Zhao, QC, Ed.)2018 37TH CHINESE CONTROL CONFERENCE (CCC). Anais...:
Chinese Control Conference.2018
PAN, Q.-K. et al. Effective constructive heuristics and meta-heuristics for the distributed
assembly permutation flowshop scheduling problem. APPLIED SOFT COMPUTING, v.
81, 2019a.
PAN, Q.-K. K. et al. Effective heuristics and metaheuristics to minimize total flowtime for the
distributed permutation flowshop problem. EXPERT SYSTEMS WITH APPLICATIONS,
v. 124, p. 309–324, jun. 2019b.
PAN, Q. K.; WANG, L. Effective heuristics for the blocking flowshop scheduling problem
with makespan minimization. Omega, v. 40, n. 2, p. 218–229, 2012.
135
PINEDO, M. L. Scheduling Theory, Algorithms, and Systems. 3. ed. Nova York: Prentice
Hall, 2008.
QIAN, B. et al. An effective hybrid DE-based algorithm for multi-objective flow shop
scheduling with limited buffers. Computers & Operations Research, v. 36, p. 209–233,
2009.
RIBAS, I.; COMPANYS, R. Efficient heuristic algorithms for the blocking flow shop
scheduling problem with total flow time minimization. Computers and Industrial
Engineering, v. 87, p. 30–39, 2015.
RIBAS, I.; COMPANYS, R.; TORT-MARTORELL, X. Efficient heuristics for the parallel
blocking flow shop scheduling problem. Expert Systems With Applications, v. 74, p. 41–
54, 2017.
RONCONI, D. P. A note on constructive heuristics for the flowshop problem with blocking.
International Journal of Production Economics, v. 87, n. 1, p. 39–48, 2004.
RUIZ, R.; PAN, Q.-K.; NADERI, B. Iterated Greedy methods for the distributed permutation
flowshop scheduling problem. OMEGA-INTERNATIONAL JOURNAL OF
MANAGEMENT SCIENCE, v. 83, p. 213–222, mar. 2019.
RUIZ, R.; STÜTZLE, T. A simple and effective iterated greedy algorithm for the permutation
flowshop scheduling problem. European Journal of Operational Research, v. 177, n. 3, p.
136
2033–2049, 2007.
SANG, H. Y. et al. Effective invasive weed optimization algorithms for distributed assembly
permutation flowshop problem with total flowtime criterion. Swarm and Evolutionary
Computation, v. 44, n. November 2018, p. 64–73, 2019.
SHAO, W.; PI, D.; SHAO, Z. Optimization of makespan for the distributed no-wait flow shop
scheduling problem with iterated greedy algorithms. KNOWLEDGE-BASED SYSTEMS,
v. 137, p. 163–181, 2017a.
SHAO, W.; PI, D.; SHAO, Z. Optimization of makespan for the distributed no-wait flow shop
scheduling problem with iterated greedy algorithms. Knowledge-Based Systems, v. 137, p.
163–181, 2017b.
SHAO, W.; PI, D.; SHAO, Z. Local Search Methods for a Distributed Assembly No-Idle
Flow Shop Scheduling Problem. IEEE SYSTEMS JOURNAL, v. 13, n. 2, p. 1945–1956,
jun. 2019a.
SHAO, W.; PI, D.; SHAO, Z. A Pareto-Based Estimation of Distribution Algorithm for
Solving Multiobjective Distributed No-Wait Flow-Shop Scheduling Problem With Sequence-
Dependent Setup Time. IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND
ENGINEERING, v. 16, n. 3, p. 1344–1360, jul. 2019b.
SHAO, W.; SHAO, Z.; PI, D. Modeling and multi-neighborhood iterated greedy algorithm for
distributed hybrid flow shop scheduling problem. Knowledge-Based Systems, 2020.
SHAO, Z.; PI, D.; SHAO, W. Hybrid enhanced discrete fruit fly optimization algorithm for
scheduling blocking flow-shop in distributed environment. EXPERT SYSTEMS WITH
APPLICATIONS, v. 145, 2020.
SLACK, N.; CHAMBERS, S.; R, J. Administração da Produção. São Paulo: Atlas, 1996.
STÜTZLE, T.; RUIZ, R. Iterated Greedy. In: MARTÍ, R.; PARDALOS, P. M.; RESENDE,
M. G. C. (Eds.). . Handbook of Heuristics. Cham: Springer International Publishing, 2018.
p. 547–577.
TRABELSI, W.; SAUVEY, C.; SAUER, N. Heuristics and metaheuristics for mixed blocking
constraints flowshop scheduling problems. Computers and Operations Research, v. 39, n.
11, p. 2520–2527, 2012.
VENTURA, J. A.; YOON, S.-H. A new genetic algorithm for lot-streaming flow shop
scheduling with limited capacity buffers. Journal of Intel, v. 24, p. 1185–1196, 2013.
WANG, H. et al. A NSGA-II based memetic algorithm for multiobjective parallel flowshop
scheduling problem. COMPUTERS & INDUSTRIAL ENGINEERING, v. 113, p. 185–
194, nov. 2017a.
WANG, J.-J.; WANG, L. An iterated greedy algorithm for distributed hybrid flowshop
scheduling problem with total tardiness minimization. IEEE International Conference on
Automation Science and Engineering. Anais...2019
WANG, J.; WANG, L.; SHEN, J. A Hybrid Discrete Cuckoo Search for Distributed
Permutation Flowshop Scheduling Problem. 2016 IEEE CONGRESS ON
EVOLUTIONARY COMPUTATION (CEC). Anais...: IEEE Congress on Evolutionary
Computation.2016
WANG, K.; HUANG, Y.; QIN, H. A fuzzy logic-based hybrid estimation of distribution
algorithm for distributed permutation flowshop scheduling problems under machine
breakdown. JOURNAL OF THE OPERATIONAL RESEARCH SOCIETY, v. 67, n. 1, p.
68–82, jan. 2016.
WANG, K.; ZHANG, R.; LIU, B. Variable Neighborhood based Memetic Algorithm for
Distributed Assembly Permutation Flowshop. 2016 IEEE CONGRESS ON
EVOLUTIONARY COMPUTATION (CEC). Anais...: IEEE Congress on Evolutionary
Computation.2016
138
WANG, L. et al. A novel hybrid discrete differential evolution algorithm for blocking flow
shop scheduling problems. Computers & Operations Research, v. 37, n. 3, p. 509–520,
2010.
WANG, L.; ZHANG, L.; ZHENG, D. An effective hybrid genetic algorithm for flow shop
scheduling with limited buffers. computers & oper, v. 33, p. 2960–2971, 2006.
WANG, S. et al. An effective estimation of distribution algorithm for solving the distributed
permutation flow-shop scheduling problem. INTERNATIONAL JOURNAL OF
PRODUCTION ECONOMICS, v. 145, n. 1, p. 387–396, 2013.
WANG, S.; LIU, M. Two-machine flow shop scheduling integrated with preventive
maintenance planning. International Journal of Systems Science, v. 7721, n. December, p.
1–19, 2014.
XU, D.; YIN, Y.; LI, H. Scheduling jobs under increasing linear machine maintenance time.
Journal of Scheduling, v. 13, n. 4, p. 443–449, 2010.
XU, Y. et al. An effective hybrid immune algorithm for solving the distributed permutation
flow-shop scheduling problem. ENGINEERING OPTIMIZATION, v. 46, n. 9, p. 1269–
1283, 2014.
YANG, W.; LIAO, C.-J. Survey of scheduling research involving setup times. International
Journal of Systems Science, v. 30, n. September, p. 143–155, 1999.
YANG, X.-L. et al. Enhanced estimation of distribution algorithm for low carbon scheduling
of distributed flow shop problem | 增强分布估计算法求解低碳分布式流水线调度.
Kongzhi Lilun Yu Yingyong/Control Theory and Applications, v. 36, n. 5, p. 803–815,
2019.
YANG, Z.; LIU, C. A multi-objective genetic algorithm for a fuzzy parallel blocking flow
shop scheduling problem. Academic Journal of Manufacturing Engineering, v. 16, n. 2, p.
3–11, 2018.
YINE, K.-C. et al. Iterated reference greedy algorithm for solving distributed no-idle
permutation flowshop scheduling problems. COMPUTERS & INDUSTRIAL
ENGINEERING, v. 110, p. 413–423, 2017.
YING, K.-C.; LIN, S.-W. Minimizing makespan for the distributed hybrid flowshop
scheduling problem with multiprocessor tasks. EXPERT SYSTEMS WITH
139
YING, K.; LIN, S. Minimizing Makespan in Distributed Blocking Flowshops Using Hybrid
Iterated Greedy Algorithms. IEEE Access, v. 5, p. 15695–15705, 2017.
YU, A. J.; SEIF, J. Minimizing tardiness and maintenance costs in flow shop scheduling by a
lower-bound-based GA. Computers and Industrial Engineering, v. 97, p. 26–40, 2016.
ZHANG, G.; XING, K.; CAO, F. Discrete differential evolution algorithm for distributed
blocking flowshop scheduling with makespan criterion. ENGINEERING APPLICATIONS
OF ARTIFICIAL INTELLIGENCE, v. 76, n. 28, p. 96–107, nov. 2018.
ZHANG, X.; LI, X.-T. X.-T.; YIN, M.-H. M.-H. An enhanced genetic algorithm for the
distributed assembly permutation flowshop scheduling problem. INTERNATIONAL
JOURNAL OF BIO-INSPIRED COMPUTATION, v. 15, n. 2, p. 113–124, 2020.
ZHANG, X.; VAN DE VELDE, S. Approximation algorithms for the parallel flow shop
problem. EUROPEAN JOURNAL OF OPERATIONAL RESEARCH, v. 216, n. 3, p.
544–552, 2012.
ZHAO, C. LI; TANG, H. YONG. Single machine scheduling with general job-dependent
aging effect and maintenance activities to minimize makespan. Applied Mathematical
Modelling, v. 34, n. 3, p. 837–841, 2010.
ZHENG, J.; WANG, L.; WANG, J.-J. A cooperative coevolution algorithm for multi-
objective fuzzy distributed hybrid flow shop. Knowledge-Based Systems, 2020.
140
141
MIYATA, H. H.; NAGANO, M. S. Heuristic methods for m-machine blocking flow shop
with setup times to minimize hierarchical objective-function. International Conference of
Production Research Americas 2020 – ICPR – Americas 2020. Dezembro 2020, Bahía
Blanca, Argentina.
143
144
MIYATA, H. H.; NAGANO, M. S. Solution methods for m-machine blocking flow shop
with setup times and preventive maintenance costs to minimize hierarchical function. 2020.
Submetido para Omega – The international journal of management Science.
2:09 AM
to me
https://www.editorialmanager.com/omega/l.asp?i=56861&l=IJR8K3PK
If you have not yet registered for the journal on Editorial Manager, you will need to create an
account to complete this confirmation. Once your account is set up and you have confirmed
your status as Co-Author of the submission, you will be able to view and track the status of
the submission as it goes through the editorial process by logging in
at https://www.editorialmanager.com/omega/. If you did not co-author this submission, please
contact the Corresponding Author directly at drnagano@usp.br
Thank you,
Omega
More information and support FAQ: What is Editorial Manager Co-Author registration?
https://service.elsevier.com/app/answers/detail/a_id/28460/supporthub/publishing/kw/co-
author+editorial+manager/
You will find information relevant for you as an author on Elsevier’s Author
146
Hub: https://www.elsevier.com/authors
FAQ: How can I reset a forgotten password?
https://service.elsevier.com/app/answers/detail/a_id/28452/supporthub/publishing/
For further assistance, please visit our customer servisse
site: https://service.elsevier.com/app/home/supporthub/publishing/
Here you can search for solutions on a range of topics, find answers to frequently asked
questions, and learn more about Editorial Manager via interactive tutorials. You can also talk
24/7 to our customer support team by phone and 24/7 by live chat and email
__________________________________________________
In compliance with data protection regulations, you may request that we remove your
personal registration details at any time. (Use the following
URL: https://www.editorialmanager.com/omega/login.asp?a=r). Please contact the
publication office if you have any questions.
147
148
Dear Miyata,
Professor Marcelo Seido Nagano submitted this manuscript via Elsevier's online submission
system, Editorial Manager, and you have been listed as a Co-Author of this submission.
Elsevier asks Co-Authors to confirm their consent to be listed as Co-Author and track the
papers status. In order to confirm your connection to this submission, please click here to
confirm your co authorship: https://www.editorialmanager.com/eaai/l.asp?
i=722095&l=1CPE6B5I
If you have not yet registered for the journal on Editorial Manager, you will need to create an
account to complete this confirmation. Once your account is set up and you have confirmed
your status as Co-Author of the submission, you will be able to view and track the status of
the submission as it goes through the editorial process by logging in
at https://www.editorialmanager.com/eaai/
If you did not co-author this submission, please contact the Corresponding Author directly
at drnagano@usp.br;drnagano@sc.usp.br
149
Thank you,
Engineering Applications of Artificial Intelligence
You will find information relevant for you as an author on Elsevier’s Author
Hub: https://www.elsevier.com/authors
FAQ: How can I reset a forgotten password?
https://service.elsevier.com/app/answers/detail/a_id/28452/supporthub/publishing/kw/editoria
l+manager/
__________________________________________________
In compliance with data protection regulations, you may request that we remove your
personal registration details at any time. (Use the following
URL: https://www.editorialmanager.com/eaai/login.asp?a=r). Please contact the publication
office if you have any questions.
150
151
MIYATA, H. H.; NAGANO, M. S. An iterated greedy algorithm for distributed no-wait flow
shop with setup times and preventive maintenance operations to minimize makespan. 2021.
Submetido para International Journal of Production Economics.
Professor Marcelo Seido Nagano submitted this manuscript via Elsevier's online submission
system, Editorial Manager, and you have been listed as a Co-Author of this submission.
Elsevier asks Co-Authors to confirm their consent to be listed as Co-Author and track the
papers status. In order to confirm your connection to this submission, please click here to
confirm your co authorship: https://www.editorialmanager.com/proeco/l.asp?
i=339964&l=F8RIBVLN
If you have not yet registered for the journal on Editorial Manager, you will need to create an
account to complete this confirmation. Once your account is set up and you have confirmed
your status as Co-Author of the submission, you will be able to view and track the status of
the submission as it goes through the editorial process by logging in
at https://www.editorialmanager.com/proeco/
If you did not co-author this submission, please contact the Corresponding Author directly
at drnagano@usp.br;drnagano@sc.usp.br
Thank you,
International Journal of Production Economics
More information and support
152
In compliance with data protection regulations, you may request that we remove your
personal registration details at any time. (Use the following
URL: https://www.editorialmanager.com/proeco/login.asp?a=r). Please contact the
publication office if you have any questions.
153
154
Points to note: If you have registered, kindly close any already opened Editorial Manager
session as it is a direct link to confirm co-authorship
If you have not yet registered, system will prompt to register and then confirm co-authorship.
https://www.editorialmanager.com/omega/l.asp?i=76915&l=N78KRR6I
If you have not yet registered for the journal on Editorial Manager, you will need to create an
account to complete this confirmation. Once your account is set up and you have confirmed
your status as Co-Author of the submission, you will be able to view and track the status of
155
Thank you,
Omega
More information and support FAQ: What is Editorial Manager Co-Author registration?
https://service.elsevier.com/app/answers/detail/a_id/28460/supporthub/publishing/kw/co-
author+editorial+manager/
You will find information relevant for you as an author on Elsevier’s Author
Hub: https://www.elsevier.com/authors
FAQ: How can I reset a forgotten password?
https://service.elsevier.com/app/answers/detail/a_id/28452/supporthub/publishing/
For further assistance, please visit our customer service
site: https://service.elsevier.com/app/home/supporthub/publishing/
Here you can search for solutions on a range of topics, find answers to frequently asked
questions, and learn more about Editorial Manager via interactive tutorials. You can also talk
24/7 to our customer support team by phone and 24/7 by live chat and email
__________________________________________________
In compliance with data protection regulations, you may request that we remove your
personal registration details at any time. (Use the following
URL: https://www.editorialmanager.com/omega/login.asp?a=r). Please contact the
publication office if you have any questions.
156
157
Thank you for your submission to IJIEC. Below is a copy of the information submitted for
your records.
Title: Minimization of total tardiness in no-wait flowshop production systems with preventive
maintenance
Author 1:
First Name: Tuane Tonani
Last Name: Yamad
Organization: University of São Paulo, São Carlos School of Engineering
Country: Brazil
Email: tuaneyamada@gmail.com
Author 2:
First Name: Marcelo Seido
Last Name: Nagano
Organization: University of São Paulo, São Carlos School of Engineering
Country: Brazil
Email: drnagano@usp.br
Author 3:
First Name: Hugo Hissashi
Last Name: Miyata
158
Topic(s): Scheduling
Keywords: no-wait flowshop, preventive maintenance, total tardiness, and heuristic methods.
Abstract: Efficient organizations keep quality, cost and time constraints balanced in
competitive environments. There are several stages of the production chain in which time
must be monitored. When production scheduling is not prioritized in companies, several
negative effects may occur. The corporation may suffer financial penalties, and a negative
exposure of the brand, which may have its credibility challenged. Therefore, this paper aims
to propose constructive methods to minimize total tardiness criterion. In order to bring the
method closer to the reality of industries, preventive maintenance constraints will be
considered. The study environment will be the no-wait flowshop in which jobs are processed
without interruptions between one operation and another of a same job. In addition to
proposing constructive methods to solve the problem, a metaheuristic will be presented as a
way of demonstrating how results obtained by constructive methods can be improved.
Computational experiments were designed and performed to compare the algorithms. Among
the constructive heuristics, the one which presented the best performance was the HENLL
algorithm which uses an insertion logic. The proposed metaheuristic is based on the IG
(iterated greedy) procedure, and the results obtained were improved compared to the
heuristics. It is expected that this article can be used by PPC (production planning and
control) professionals, in which they will be able to use the proposed method to schedule the
production in a more efficient way. The proposed winning method presented a better solution
in relation to the total tardiness, considering the presented environment.
We would like to submit the enclosed manuscript entitled "Minimization of total tardiness in
no-wait flowshop production systems with preventive maintenance" for publication to the
International Journal of Industrial Engineering Computations feature issue.
We certify that we have participated sufficiently in the paper to take public responsibility. All
the authors (Tuane Tonani Yamada, Marcelo Seido Nagano and Hugo Hissashi Miyata) have
reviewed the final version of the manuscript and approved it for submission. To the best of
our knowledge, this manuscript has not been published in whole or in part nor is it being
considered for publication elsewhere. We sincerely thank you for considering our manuscript
to potential publication.
Sincerely,
Marcelo Seido Nagano, Tuane Tonani Yamada and Hugo Hissashi Miyata.
Corresponding author:
Marcelo Seido Nagano.
School of Engineering São Carlos
University of São Paulo, Brazil
Av. Trabalhador Sãocarlense, 400 – Centro
Zip Code: 13566-590
São Carlos - SP/Brazil
Phone: 55 16 3373-9428
Fax: 55 16 3373-9425
E-mails: drnagano@usp.br, drnagano@sc.usp.br
160