Relatório Técnico Final Compresso

1
RELATÓRIO TÉCNICO FINAL
Contribuições para problemas de scheduling flow shop distribuído com

tempos de setup dependente da sequência e ocorrência de manutenção
preventiva
Pós doutorando: Hugo Hissashi Miyata
Supervisor: Prof. Dr. Marcelo Seido Nagano
Instituição: Universidade de São Paulo - Escola de Engenharia de São

Carlos (EESC-USP)
Abril/2021
2
HUGO HISSASHI MIYATA
Contribuições para problemas de scheduling flow shop distribuído com

tempos de setup dependente da sequência e ocorrência de manutenção
preventiva
Relatório técnico apresentado ao Conselho

Nacional de Desenvolvimento Científico e
Tecnológico – CNPq, como parte dos
requisitos de prestação de contas do
Programa de Pós Doutorado Júnior – PDJ.
ABRIL/2021
3
RESUMO
MIYATA, H. H. Contribuições para problemas de scheduling flow shop distribuído

com tempos de setup dependente da sequência e ocorrência de manutenção
preventiva. 2021. 134 f. Relatório Técnico Final (Pós Doutorado Júnior) –
Departamento de Engenharia de Produção EESC/USP, São Carlos, 2021.
O problema de sequenciamento da produção ou scheduling em ambientes flow shop tem

sido estudado desde a década de 50. Dada sua importância em ambientes práticos, duas
de suas variações, denominadas flow shop com bloqueio e no-wait flow shop, têm sido
foco de estudos nas últimas décadas. Recentemente, empresas tem investido em fábricas
em diferentes espaços geográficos, no intuito de melhorar o atendimento da demanda e
a qualidade do produto, bem como manter a competitividade e minimizar os custos. A
partir de 2010, a literatura tem abordado de forma significativa a integração entre
sistemas distribuidos e scheduling, propondo o desenvolvimento de métodos de solução
para melhoria do desempenho do sistema global das operações nas fábricas. Nesta
pesquisa, são introduzidos os problemas flow shop com bloqueio e no-wait flow shop
distribuídos, em que ambas possuem tempos de setup dependentes da sequência e
ocorrência de manutenção preventiva para minimização da duração total da
programação ou makespan. Uma revisão de literatura foi realizada para identificar o
estado da arte nas áreas de flow shop com bloqueio distribuído e no-wait flow shop
distribuído. Um modelo de programação linear inteira mista (MILP) foi proposto para
cada problema abordado e procedimentos de incorporação da MP ao sequenciamento de
tarefas foram desenvolvidos. Como forma de solução heurística, foi proposto um
algoritmo de Iterated Greedy (IG), denominado IG_NM, com soluções iniciais geradas
pela adaptação de heurísticas da literatura de flow shop com bloqueio e no-wait flow
shop distribuídos. Pelo fato dos dois problemas serem abordados pela primeira vez,
IG_NM foi comparado com duas heurísticas recentes da literatura, denominadas Hybrid
Enhanced Fruit Fly Optimization (HFFO) e Single Stage IG (IG_RPN). As
metaheurísticas foram aplicadas em um conjunto de 18.000 problemas, sendo 4.600 de
pequeno porte e 13.200 de grande porte. Para ambos os problemas, resultados
estatísticos demonstraram que para problemas de grande porte e no desempenho geral
de 18.000 problemas, na relação entre qualidade de solução e tempo computacional, os
algoritmos de IG_NM apresentaram o melhor desempenho, sendo mais eficazes e
eficientes que os algoritmos de HFFO, a metaheurística que obteve o segundo melhor
desempenho.
Palavras-chave: distribuição; sequenciamento da produção; flow shop com bloqueio; no-

wait flow shop; métodos heurísticos.
4
ABSTRACT
MIYATA, H. H. Contributions to the distributed flow shop scheduling problems

with sequence dependente setup times and preventive maintenace operations. 2021.
134 p. Final technical report (Post doctoral Jr.) – Production Engineering Department
EESC/USP, São Carlos, 2021.
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
Figura 1 – Distribuição de tarefas e sequenciamento da produção em sistemas no-wait

flow shop..........................................................................................................................15
Figura 2 - Gráficos de gantt representando: a) Regra 1 e b) Regra 2..............................26
Figura 3 - Representação gráfica do problema flow shop com bloqueio distribuído,
tempos de setup dependentes da sequência e ocorrência de operações de MP...............37
Figura 4 - Representação gráfica do problema no-wait flow shop distribuído, tempos de
setup dependentes da sequência e ocorrência de operações de MP................................38
Figura 5 - Pseudocódigo do procedimento......................................................................47
Figura 6 – Estrutura básica do algoritmo iterated greedy...............................................51
Figura 7 - Pseudocódigo da heurística EHPF2-B............................................................53
Figura 8 - Procedimento para cálculo do índice R(i).......................................................54
Figura 9 – Pseudocódigo da heurística NEH+Dipak.......................................................56
Figura 10 – Pseudocódigo da fase de destruição de IG_NM..........................................57
Figura 11 – Pseudocódigo da fase de reconstrução de IG_NM......................................58
Figura 12 – Pseudocódigo do Variable Neighborhood Search.......................................59
Figura 13 – Pseudocódigo da estrutura de vizinhança de permutação............................60
Figura 14 – Pseudocódigo da estrutura de vizinhança de inserção.................................61
Figura 15 – Pseudocódigo do algoritmo proposto IG_NM.............................................62
Figura 16 - Trade-off entre MPDR e MPRT de problemas flow shop com bloqueio
distribuído para versões da metaheurística HFFO...........................................................71
distribuído para versões da metaheurística IG_RPN.......................................................72
distribuído para versões da metaheurística IG_NM........................................................72
Figura 19 - Desempenho dos métodos em relação ao parâmetro F para problemas flow
shop com bloqueio distribuído de pequeno porte............................................................76
Figura 20 - Desempenho dos métodos em relação ao parâmetro n para problemas flow
Figura 21 - Desempenho dos métodos em relação ao parâmetro m para problemas flow
6
Figura 22 - Desempenho dos métodos em relação ao parâmetro l para problemas flow

Figura 23 - Desempenho dos métodos em relação ao parâmetro si,j,k para problemas flow
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............................................78
Figura 25 – Diagrama de caixa da variação de PDR dos métodos para problemas flow
shop com bloqueio de pequeno porte..............................................................................79
Figura 26 - Desempenho dos métodos em relação ao parâmetro F para problemas flow
shop com bloqueio distribuído de grande porte..............................................................86
Figura 27 - Desempenho dos métodos em relação ao parâmetro n para problemas flow
Figura 28 - Desempenho dos métodos em relação ao parâmetro m para problemas flow
Figura 29 - Desempenho dos métodos em relação ao parâmetro l para problemas flow
Figura 30 - Desempenho dos métodos em relação ao parâmetro si,j,k para problemas flow
distribuído de grande porte..............................................................................................89
distribuído........................................................................................................................92
shop com bloqueio distribuído........................................................................................93
Figura 35 - Trade-off entre MPDR e MPRT de problemas no-wait flow shop distribuído
para versões da metaheurística HFFO.............................................................................98
para versões da metaheurística IG_RPN.........................................................................98
para versões da metaheurística IG_NM..........................................................................99
Figura 38 - Desempenho dos métodos em relação ao parâmetro F para problemas no-
wait flow shop distribuído de pequeno porte.................................................................103
7
Figura 39 - Desempenho dos métodos em relação ao parâmetro n para problemas no-

Figura 40 - Desempenho dos métodos em relação ao parâmetro m para problemas no-
Figura 41 - Desempenho dos métodos em relação ao parâmetro l para problemas no-
Figura 42 - Desempenho dos métodos em relação ao parâmetro si,j,k para problemas no-
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..........................................106
Figura 44 – Diagrama de caixa da variação de PDR dos métodos para problemas no-
wait flow shop de pequeno porte...................................................................................107
Figura 45 - Desempenho dos métodos em relação ao parâmetro F para problemas no-
wait flow shop distribuído de grande porte....................................................................113
Figura 46 - Desempenho dos métodos em relação ao parâmetro n para problemas no-
Figura 47 - Desempenho dos métodos em relação ao parâmetro m para problemas no-
Figura 48 - Desempenho dos métodos em relação ao parâmetro l para problemas no-
Figura 49 - Desempenho dos métodos em relação ao parâmetro si,j,k para problemas no-
distribuído de grande porte............................................................................................116
distribuído......................................................................................................................119
wait flow shop distribuído.............................................................................................120
8
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
flow shop com bloqueio distribuído de grande porte......................................................90
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
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
no-wait flow shop distribuído para problemas de grande porte.....................................118
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
7.4 CONSIDERAÇÕES FINAIS DA SEÇÃO 7............................................................94

8 RESULTADOS EXPERIMENTAIS PARA PROBLEMA NO-WAIT FLOW
SHOP DISTRIBUÍDO COM TEMPOS DE SETUP DEPENDENTES DA
MAKESPAN.............................................................................................................................97
8.1 CALIBRAÇÃO DOS PARÂMETROS....................................................................97
.......................................................................................................................................100
.......................................................................................................................................109
8.4 CONSIDERAÇÕES FINAIS DA SEÇÃO 8..........................................................122
9 CONSIDERAÇÕES FINAIS............................................................................................123
REFERÊNCIAS BIBLIOGRÁFICAS................................................................................127
10 ATIVIDADES DE DISSEMINAÇÃO DA PESQUISA................................................139
10.1 ARTIGOS APROVADOS PARA PUBLICAÇÃO EM REVISTAS...................139
10.2 ARTIGOS APROVADOS E APRESENTADOS EM EVENTOS......................141
10.3 MANUSCRITOS TRADUZIDOS SUBMETIDOS.............................................143
10.4 PARTICIPAÇÃO COMO AVALIADOR DE ARTIGOS E RESUMOS EM
EVENTOS.....................................................................................................................159
11 PRESTAÇÃO DE CONTAS DA TAXA DE BANCADA............................................163
11
1 INTRODUÇÃO
O presente relatório de pós doutorado apresenta os resultados obtidos do plano

de trabalho proposto pelo pós-doutorando na grande área da Engenharia de produção,
subárea Pesquisa Operacional. O tema abordado concentra-se na linha de pesquisa
operacional aplicada a problema de programação da produção ou scheduling. Um
problema de scheduling consiste em encontrar uma sequência de n tarefas (bens e
serviços) que serão processadas em um conjunto de m máquinas (equipamentos,
colaboradores, máquinas propriamente ditas) com o objetivo de minimizar uma
pretendida função-objetivo (BAKER, 1974). O problema do scheduling varia de acordo
com o ambiente de produção onde ocorre o processamento das tarefas, o critério de
desempenho adotado e as restrições adicionais das tarefas ou dos recursos disponíveis
(GRAHAM et al., 1979).
Um dos ambientes de produção mais estudados desde a década de 50
(JOHNSON, 1954) é o denominado Flow Shop Permutacional (MACCARTHY; LIU,
1993; REZA HEJAZI; SAGHAFIAN, 2005; GUPTA; STAFFORD JR, 2006). Um flow
shop permutacional consiste em sequenciar n tarefas que devem ser processadas em m
máquinas dispostas em série. Todas as tarefas possuem o mesmo fluxo padrão de
produção, ou seja, passam pela mesma ordem processamento e obedecem a regra
Primeiro que Entra Primeira que Sai (PEPS) em cada máquina.
Ao adicionar restrições ao sistema de produção, tais como particularidades das
tarefas a serem processadas, limitações de recursos ou restrições do ambiente de
produção, o problema tende a se aproximar da realidade prática (MACCARTHY; LIU,
1993). Neste projeto, as seguintes restrições são incorporadas ao problema flow shop
permutacional: distribuição de tarefas em N fábricas, inexistência de estoques
intermediários (buffers) entre máquinas, condição no-wait, tempos de setup dependentes
da sequência e atividades de manutenção preventiva (MP).
O flow shop com bloqueio é caracterizado por ambientes em que buffers são
limitados ou não existem. Por consequência, a tarefa finalizada permanece na máquina
atual até que a máquina subsequente não pode ser visto em diversos ambientes
produtivos tais como na indústria química, produção de peças aeronáuticas, em
tratamento de dejetos (MARTINEZ et al., 2006), na produção de cidra (TRABELSI;
SAUVEY; SAUER, 2012), de placas de circuitos eletrônicos (GONG; TANG; DUIN,
12
2010), de ferro e aço (HALL; SRISKANDARAJAH, 1996), de blocos de concreto

(GRABOWSKI; PEMPERA, 2000), em operações de terraplanagem (YU; SEIF, 2016)
e também no setor de serviços (HALL; SRISKANDARAJAH, 1996).
Em termos práticos, a restrição de no-wait é vista, por exemplo, quando a
variação de temperatura pode influenciar na degeneração do material ou quando a
capacidade de armazenamento entre as máquinas é um fator limitante (HALL;
SRISKANDARAJAH, 1996). Em indústrias de moldagem de plástico e louças, uma
série de processos deve seguir a outra imediatamente para prevenir a degradação do
material. Em Indústrias farmacêuticas e químicas os produtos não podem esperar por
processamento para evitar também degradação dos mesmos. No processamento de
alimentos, a operação de enlatamento deve imediatamente seguir o cozimento para
garantir a segurança do alimento (HALL; SRISKANDARAJAH, 1996). O ambiente no-
wait também pode ser considerado em sistemas de manufatura flexível e células
robóticas que exigem um processo altamente coordenado e em prestação de serviços,
onde a espera do cliente para processamento acarreta em alto custos (EMMONS;
VAIRAKTARAKIS, 2013).
O setup ou preparação de máquina compreende as atividades para se preparar a
máquina para processar determinada tarefa. Isso inclui obter ferramentas, posicionar
materiais entre as máquinas, retornar as ferramentas, limpeza, ajustamento de
ferramentas e inspeção de materiais (ALLAHVERDI et al., 2008). Da perspectiva
apresentada por (ALLAHVERDI et al., 2008), o setup pode ser especificado de acordo
com:
 A dependência da sequência das tarefas – o tempo de setup pode variar de
acordo com sua tarefa adjacente predecessora, o que se denomina como setup
dependente da sequência. Si,j representa o setup da tarefa j que depende da tarefa
i. Em outro caso, os tempos de setup das tarefas são diferentes entre si, porém,
independente da posição que esta tarefa ocupe, a tarefa adjacente predecessora
não afeta sua duração, ou seja, o setup independente da sequência;
 A Antecipação de sua operação –Se as especificações do produto ou se o
ambiente de produção permitir ou se não há custos significativos envolvidos, o
tempo de setup para a próxima tarefa pode ser efetuado a qualquer momento a
partir de quando a atual tarefa sai da máquina. Caso contrário, o setup é
realizado no instante em que a tarefa será processada;
13
A incorporação do tempo de setup em problemas de scheduling tem sido

estudada desde a década de 60. Allahverdi et al. (1999), Yang e Liao (1999), Allahverdi
et al. (2008), Allahverdi e Soroush (2008) e Allahverdi (2015) pontuam a relevância
desta restrição ao problema de scheduling e também em situações reais. Na prática, as
considerações de setup dependente da sequência impactam diretamente na melhor
utilização de recursos. Os benefícios da redução do tempo de setup incluem a redução
de custos, aumento da velocidade da produção, redução os lead times, maior agilidade
no processo de troca de ferramentas e na entrega do produto ao cliente, aumentando sua
satisfação (ALLAHVERDI et al., 2008).
Segundo Ruiz et al. (2007) e Ma et al. (2010) a manutenção preventiva (MP)
impacta diretamente no tempo disponível para produção, assim como também, torna
mais real a hipótese da disponibilidade da máquina. Na prática, as decisões de MP e de
programação de operações são realizadas independentemente apesar do relacionamento
direto entre elas. Atividades de MP consomem tempos de produção potenciais. Por
outro lado, adiar uma MP por causa da demanda da produção pode aumentar o risco de
probabilidade de falha de máquina. Portanto, integrar estas duas decisões pode vir a
trazer benefícios na tomada de decisões.
Como decisão de sequenciamento, a MP é vista como uma atividade com uma
duração significativa que deve ser realizada em um intervalo específico de tempo. Este
intervalo de tempo pode ser determinado pela teoria estatística da confiabilidade
(CASSADY; KUTANOGLU, 2003; RAUSAND; HΦYLAND, 2004; RUIZ; GARCÍA-
DÍAZ; MAROTO, 2007; TSANG et al., 2014; WANG; LIU, 2014; KHAMSEH;
JOLAI; BABAEI, 2015; MIYATA; SEIDO; GUPTA, 2019), pela recomendação da
equipe de manutenção (RUIZ; GARCÍA-DÍAZ; MAROTO, 2007), pela condição, idade
ou nível de deterioração da máquina (LEE; LIN, 2001; XU; YIN; LI, 2010; YANG;
YANG, 2010; ZHAO; TANG, 2010; BOCK; BRISKORN; HORBACH, 2012; YU;
SEIF, 2016; MIYATA; SEIDO; GUPTA, 2019) e em estudos que consideram a
realização da MP quando a velocidade de processamento da máquina reduz a um certo
valor devido a deterioração da máquina (MOR; MOSHEIOV, 2012; LUO; CHENG; JI,
2015; LUO; JI, 2015). Após a realização da atividade de MP, a máquina retorna ao seu
estado de operação em condições operáveis ou no estado “tão bom quanto novo”. Esta
pesquisa adota o modelo seguido por Yu e Seif (2016), que delimitam o intervalo mais
“apertado” entre manutenções preventivas (MP).
14
Com a intensificação do mercado competitivo e a globalização da economia, os

sistemas de produção com mais de um centro de produção, denominados sistemas de
produção distribuídos (SMD), estão se tornando cada vez mais comuns (HATAMI;
RUIZ; ANDRÉS-ROMANO, 2013; SANG et al., 2019). Estas fábricas podem estar
geograficamente distribuídas em várias localidades e até mesmo em diferentes países.
Os benefícios da SMD incluem proximidade com os clientes, produção de produtos de
alta qualidade com custos menores e riscos de gestão mais baixos (NADERI; RUIZ,
2010; HATAMI; RUIZ; ANDRÉS-ROMANO, 2013). Uma revisão de literatura em
scheduling distribuído pode ser visto em Chan e Chung (2013). Em comparação com
um problema de programação em uma única fábrica, a programação em SMD’s é mais
complicada. Como pode ser visto na ilustração da Figura 1, o problema de scheduling
distribuído consiste em designar n tarefas nas F fábricas. A partir daí, o tomador de
decisão estabelece a sequência de produção das tarefas em cada fábrica de acordo com
as informações sobre as particularidades do ambiente de produção. Os gráficos de gantt
dispõem a duração em que cada tarefa inicia e é finalizada no sistema, onde o eixo
vertical representam as máquinas e o eixo horizontal o tempo decorrido no sistema. Na
Figura 1, cada fábrica é representada por um ambiente no-wait flow shop com duas
máquinas, setup dependente da sequência e ocorrência de diferentes tipos de
manutenção preventiva.
As medidas de desempenho estão relacionadas com a melhor utilização eficiente
dos recursos disponíveis, como por exemplo, a minimização da duração total da
programação, a redução de custos de inventário, como a minimização do tempo total de
fluxo das tarefas no processo e, o atendimento ao cliente, como a minimização das
tarefas atrasadas ou do atraso total. A duração total da programação ou a makespan
(Cmax) tem sido uma das medidas mais adotadas em ambientes flow shop (REZA
HEJAZI; SAGHAFIAN, 2005). A atenção dada pelos pesquisadores para esta medida
reflete a importância de tal no processo de decisão de scheduling, sendo útil também
para direcionamento de outras medidas de desempenho.
15
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
Ci+1 Ci+2 Ck-1 Ck

Tempo de setup entre as s-ésima manutenção preventiva do Ck – Instante de
Ji Tarefa i Si,k,j MAs,t,j término da tarefa k
tarefas i e k na m áquina j tipo t na m áquina j
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
Fábrica N Sk+1, MA1, Sn-

Máq. 2 Jk+1 1,2
Sk+1,k+2,2 Jk+2 ... MAs,1,2 Jn-1 MAs,2,2 Sn-1,n,2 Jn
k+1,2 2,n-1,2
Ck+1 Ck+2 Cn-1 Cn

Tempo de setup entre as s-ésima manutenção preventiva do Ck – Instante de
Ji Tarefa i Si,k,j MAs,t,j término da tarefa k
tarefas i e k na m áquina j tipo t na m áquina j
Figura 1 – Distribuição de tarefas e sequenciamento da produção em sistemas no-wait flow shop

Fonte: Autor, 2019
16
Nos últimos anos, os métodos de solução para o problema de scheduling têm

recebido significativa atenção da comunidade científica da área. Para um pequeno
número de tarefas e máquinas, métodos exatos, que geram a melhor solução para o
problema, têm sido utilizados com sucesso. Entretanto, dependendo do ambiente de
produção, à medida que restrições adicionais e o número de tarefas e máquinas
aumenta, torna-se mais complexa a tomada de decisão por parte do programador de
produção. Por exemplo, um problema flow shop permutacional com n tarefas apresenta
um total de n! soluções (SLACK et al., 1996). Para m > 2 máquinas, os problemas flow
shop com bloqueio foram provados ser da classe de problemas NP-Difícil (RÖCK,
1984; GRAHAM et al., 1979; LOGENDRAN; SRISKANDARAJAH, 1993; HALL;
SRISKANDARAJAH, 1996; VENTURA; YOON, 2013). Neste sentido, o emprego de
heurísticas, métodos que geram soluções próximas da ótima, tem sido foco das
pesquisas recentes.
Este trabalho está estruturado conforme segue: Na Seção 2 são apresentados os
fundamentos teóricos básicos que norteiam esta pesquisa. Na Seção 3 é apresentada a
revisão de literatura em problemas de scheduling no contexto distribuído, especificando
para os problemas aqui abordados. A definição do problema é descrita na Seção 4 e
compreende a descrição dos ambientes considerados e suas hipóteses, proposição de um
modelo de programação linear inteira mista (MILP) para cada problema abordado e
procedimentos para incorporação das atividades de MP ao sequenciamento de tarefas.
Na Seção 5 são apresentados métodos de solução heurísticos construtivos e melhorativo
para solução dos dois problemas. Nesta pesquisa, duas heurísticas construtivas e um
algoritmo Iterated Greedy foram propostos para solução dos problemas. Na Seção 6 são
apresentados os procedimentos metodológicos utilizados para conduzir os testes
computacionais para os métodos propostos. As Seções 7 e 8 são dedicadas a
apresentação dos resultados experimentais da aplicação dos métodos de solução MILP e
as heurísticas para os problemas flow shop com bloqueio e no-wait flow shop no
contexto distribuído, respectivamente. A Seção 9 apresenta as considerações finais
gerais deste trabalho e em seguida podem ser vistas as referências bibliográficas. Por
fim, os resultados de disseminação das pesquisas geradas durante a concessão da bolsa
de pós doutorado são pontuados na Seção 10.
17
2 FUNDAMENTAÇÃO TEÓRICA
Formalmente, um problema clássico de scheduling pode ser definido como n

tarefas que devem ser processadas em m máquinas que estão continuamente disponíveis.
O processamento da tarefa i ( i = 1, … , n ) na máquina j ( j = 1, … , m ) é definido
como uma operação Oi,j, que por sua vez, possui um tempo de processamento associado
pi,j. O fluxo padrão das tarefas ou a ordem das máquinas pode ou não ser fixado(a) para
algumas ou todas as tarefas. Cada tarefa i possui uma data de entrega (di) e pode ser
considerada zero caso não seja relevante para a decisão de scheduling (MACCARTHY;
LIU, 1993). Graham et al. (1979) define um problema de programação de operações por
meio de uma notação de três camposα |β| γ.
O campo α = α 1 α 2 especifica as restrições tecnológicas ou ambientes de
máquinas, sendo α 1 o ambiente de máquina considerado e α 2 a quantidade de máquinas
ou estágios do ambiente. Os ambientes de produção básicos de acordo com Graham et
al. (1979) são:
 Máquina Única (α 1 = °,α 2 = 1¿ : Há apenas uma máquina disponível para o
processamento das tarefas;
 Máquinas Paralelas ( α 1 = P , Q ou R , α 2 = m ): Trata-se de uma
generalização da máquina única. O processamento das tarefas consiste de apenas
uma operação, porém existem várias máquinas paralelas ( m ≥ 2 ) que podem
realizá-la. Em termos de velocidade de processamento, as máquinas paralelas
podem ser classificadas em idênticas (P), proporcionais (Q) e não relacionadas
(R);
 Flow shop (α 1 = F ¿: Há m máquinas em série. Cada tarefa tem que ser
processada em cada uma das m máquinas. Todas as tarefas têm que seguir a
mesmo fluxo padrão nas máquinas (PINEDO, 1995);
 Flow shop Flexível ou Flow shop Híbrido ( α 1 = FFc ): Em vez de m máquinas
em série há c estágios em séries com cada estágio tendo ou não um número de
máquinas paralelas (P, Q ou R). Cada tarefa deve passar primeiro pelo estágio 1,
então pelo estágio 2, até o último estágio. Uma tarefa pode ser processada em
apenas uma das máquinas dentro do estágio de processamento (PINEDO, 1995);
18
 Job shop ( α 1 = J , α 2 = m ): Cada tarefa tem seu roteiro de produção pré-

determinado (PINEDO, 1995).
O campoβ ⊂ {β 1 ,…, β n } representa as condições ou restrições adicionais

relacionadas às características das tarefas ou do ambiente de máquinas (GRAHAM et
al., 1979, ARTIBA; ELMAGHRABY, 1997). Estas restrições incluem:
 Tempos de setup – Refere-se ao tempo incorrido para preparar uma máquina
para processar uma tarefa incluindo a obtenção de ferramentas, o trabalho de
posicionar o material em processo, limpeza, ajuste de ferramentas, inspeção de
materiais e definir peças e acessórios necessários (ALLAHVERDI et al., 2008).
O termo s i , j ,k denota o tempo de setup dependente da sequência que ocorre entre
as tarefas i e j. Se o tempo de setup entre as tarefas i e j dependem da máquina,
então incluímos o subscrito k, ou seja, s i , j ,k (ALLAHVERDI et al., 2008). Caso
o setup não possa ser antecipado, o subscrito non-ant é adicionado ao campo β;
 Bloqueio – Ocorre se a máquina j + 1 ( j = 1, ..., m – 1) estiver ocupada
processando a tarefa i – 1, a tarefa i permanece na máquina j impedindo o
processamento da tarefa i + 1, até que a tarefa i – 1 seja finalizada na máquina j
+ 1 e siga para a próxima máquina (HALL; SRISKANDARAJAH, 1996);
 No-wait –As operações das tarefas não podem esperar por processamento entre
duas máquinas sucessivas (PINEDO, 2008). Neste caso, o cálculo de um tempo
de ociosidade na primeira máquina entre o término da tarefa anterior e o início
da tarefa atual assegura que continuo em todas as máquinas;
 Permutação – Ocorre quando a ordem das tarefas em todas as máquinas deve ser
mantida, ou seja, o fluxo de processamento das tarefas nas máquinas será sempre
o mesmo em todas as máquinas (PINEDO, 1995). Caso o ambiente de produção
seja não permutacional, a notação non-perm é adicionada no campo β.
O campo γ especifica os critérios de desempenho que possuem a função de

avaliar a qualidade de uma determinada solução (GRAHAM et al., 1979). As medidas
de desempenho mais utilizadas na literatura de scheduling são:
 Instante de término da tarefa i ou completion time (Ci) - Instante de término de
processamento da tarefa i ( i = 1, … , n ). Se o instante de término da tarefa i se
19
refere a alguma máquina j ( j = 1, … , m ), então, Ci,j representa o instante de

término da tarefa i na máquina j;
 Duração total da programação ou makespan (Cmax): Instante de término da última
tarefa a deixar o sistema;
 Tempo de Total de Fluxo ou Total Flow Time (∑ Ci , TFT , TCT ): Soma dos
i
instantes de término de todas as n tarefas;
 Atraso total das tarefas (∑ Ti ): Atraso da tarefa em relação à sua data de

i
entrega.
Alguns exemplos de problemas, com o modelo de notação de Graham et al.

(1979) podem ser vistos a seguir:
 1|preemp , s i , j, k|Cmax denota um problema de máquina única com tempos de
setup dependentes da sequência, se admite preempção das tarefas e a função-
objetivo é minimizar a duração total da programação
 F m|block , s i , j, k|∑ Ci – Indica o problema flow shop sem estoque intermediário

i
entre as m máquinas, com tempos de setup dependentes da sequência e

minimização do tempo total de fluxo;
2.1 MÉTODOS DE SOLUÇÃO
De modo geral, métodos de sequenciamento podem ser divididos em métodos de

solução exata e heurístico.
Métodos exatos são aqueles que fornecem a solução ótima para o problema. São
recomendados para problemas cujo número de tarefas e máquinas são pequenos, por
causa do alto esforço computacional empregado. Dentre as mais clássicas técnicas
exatas tem-se programação dinâmica, branch & bound e os métodos para solução de
modelos de programação linear inteira e programação linear inteira mista (MILP).
À medida que a complexidade do problema aumenta, em especial o número de
tarefas e máquinas, métodos heurísticos têm sido empregados para gerar boas soluções e
20
em tempo computacional viável. Os métodos heurísticos, de acordo com Framinan et al.

(2004), podem ser classificados em construtivos e melhorativos.
Segundo Pinedo (1995), uma heurística construtiva fornece apenas uma
sequência que é mantida como a solução do problema. Neste sentido, a sequência
adotada pode ser gerada por meio de alguma ordenação baseada em índices de
prioridade, escolhendo-se a melhor sequência a partir de um conjunto de sequências
geradas ou ainda a partir da geração sucessiva de sequências parciais adotando-se uma
estratégia de inserção de tarefas.
Métodos melhorativos partem de uma solução inicial e, por meio de algum
procedimento iterativo, buscam melhores soluções que a atual para minimizar algum
critério de desempenho. Neste caso, a solução inicial pode ser dada, por exemplo, por
uma heurística construtiva ou por alguma simples regra de sequenciamento
(FRAMINAN et al., 2004). Para qualquer solução inicial gerada, busca-se sempre uma
solução final melhor ou igual. Os métodos melhorativos mais empregados para solução
de problemas de scheduling se concentram em buscas locais e em metaheurísticas.
Buscas locais partem de uma solução inicial s, que pode ser obtida, por exemplo,
por um método heurístico construtivo. A solução s associa-se a uma vizinhança N de s.
Cada solução s’, chamada de solução vizinha da vizinhança N(s) é visitada a partir de s
por meio de um movimento. Seleciona-se uma solução vizinha que seja melhor que a
solução corrente, e a busca prossegue iterativamente até que a vizinhança não contenha
nenhuma solução melhor que a corrente ou se algum critério de parada tenha sido
satisfeito (GRABOWSKI; PEMPERA, 2007). Fink e Voβ (2003) denominam estes
movimentos como:
 Inserção – consiste de inserir a tarefa em todas as (n – 1) posições possíveis da
sequência. Considerando a inserção de todas as tarefas da sequência, tem-se uma
vizinhança de (n – 1)² sequências;
 Permutação – Há uma troca de posições entre as tarefas i e k, sendo i ≠ k,
( 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
Uma metaheurística pode ser formalmente definida como um processo iterativo

que guia uma heurística subordinada combinando diferentes conceitos para explorar o
espaço de busca. Estratégias de aprendizado são usadas para estruturar as informações
para encontrar eficientemente soluções próximas da ótima. Estas técnicas são baseadas
em conceitos advindos da evolução biológica, da matemática e da física, do sistema
nervoso e da estatística mecânica (OSMAN; LAPORTE, 1996). Assim como as buscas
locais, as metaheurísticas também partem de uma solução inicial. Tentativas de
melhoria da solução são realizadas por meio de um processo de busca na vizinhança da
solução inicial. Estes processos de buscas podem ser guiados por buscas locais ou
outros mecanismos. O algoritmo continua até que algum critério de parada seja
satisfeito. O ótimo local encontrado pode estar muito distante da solução ótimo. De
modo a manter o melhor trade-off entre intensificação e diversidade de vizinhança, que
garantem uma busca mais efetiva de soluções, melhoria na qualidade das soluções
iniciais, estratégias de buscas mais robustas e utilização da população de soluções em
vez de uma única solução têm sido aplicadas (OSMAN; LAPORTE, 1996).
2.2 CONFIABILIDADE E MANUTENÇÃO PREVENTIVA
A confiabilidade pode ser definida como a capacidade de um item (máquinas,

equipamentos) de desempenhar certa função exigida, sob dado ambiente operacional,
condições operacionais e por um período de tempo definido (RAUSAND; HØYLAND,
2004). Entende-se por disponibilidade, a capacidade de um item (combinando aspectos
de sua confiabilidade, manutenção e suporte da manutenção) de desempenhar sua
função em um instante ou durante um período de tempo definido (RAUSAND;
HØYLAND, 2004).
A manutenção é o principal fator para determinar a disponibilidade de um item.
Manutenção pode ser definida como a combinação de todas as ações técnicas e
administrativas, incluindo supervisão de ações pretendidas para reparar um item ou
restaurá-lo a um estado na qual pode realizar suas devidas funções (RAUSAND;
HØYLAND, 2004). As decisões de manutenção devem levar em conta a grande
quantidade de critérios de decisão que podem às vezes ser contraditórios. Escolher a
operação de manutenção mais apropriada bem como o melhor período possível para
22
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).
De acordo Rausand e Høyland (2004) a MP visa reduzir a probabilidade de falha

de um item. Isso envolve inspeções, ajustes, lubrificação, substituição de partes,
calibração, e reparo de itens sujeitos a desgastes. A MP geralmente é realizada
regularmente, independentemente do estado de degradação, da funcionalidade ou do
desempenho dos itens. Segundo Ruiz et al. (2007) os objetivos da MP são:
 Aumentar a confiabilidade das máquinas e, portanto, reduzir as falhas durante
sua operação. Isso envolve uma redução em custos e uma melhoria na
disponibilidade;
 Aumentar a vida operacional do equipamento reduzindo significativamente
paradas inesperadas e operações de MC;
 Melhorar a gestão e o planejamento da produção e manter a segurança.
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
Yu e Seif (2016) tenta imitar o modelo CBM, porém utilizando-se dados já

estabelecidos de deterioração que as tarefas causam nas máquinas. Yu e Seif (2016)
estabelecem um intervalo entre MPs mais apertado, utilizando-se os dados dos tempos
de processamento e suas respectivas taxas de deterioração. Como forma de incorporar o
os tempos de setup e suas respectivas taxas de deterioração, em sua tese de doutorado, o
proponente do projeto de pesquisa propõe a seguinte equação para geração dos t níveis
de manutenção:
NM t = max max ( δi , j , t ) × max max ( pi , j ) + max max ( β tj ,i , k ) × max max ( β tj ,i , k )

[
1≤ j≤ m 1≤ i ≤n ] [
1≤ j≤ m 1≤ i ≤ n ] [
1≤ j≤ m 1≤ i ≤n
k ≠i
] [
1≤ j≤ m 1≤ i ≤n
k ≠i
] (8)
t = 1, …, l
Por se tratar da soma das máximas deteriorações de tempo de processamento e

de setup, os intervalos entre MP’s gerados acabam sendo mais curtos que em relação a
política proposta por Ruiz et al. (2007). Neste sentido, como constatado por Ruiz et al.
(2007) e Miyata, Nagano e Gupta (2019), o problema se torna mais difícil de ser
resolvido.
24
25
3 REVISÃO DE LITERATURA
O problema de scheduling flow shop permutacional no contexto distribuído

surge a partir de 2010 com a publicação de Naderi e Ruiz (2010). Os autores
propuseram 6 modelos de programação linear inteira mista (MILP) para descrição e
solução de instâncias de problemas de pequeno porte e métodos heurísticos baseados em
Variable Neighborhood Search (VNS) para solução de problemas de grande porte. Na
referida pesquisa, os autores estabelecem que o problema demanda de duas decisões: a)
Alocação das tarefas às fábricas e; b) sequenciamento das tarefas dentro de cada fábrica.
Inicialmente, uma lista de tarefas é gerada por meio de algum procedimento heurístico e
posteriormente essas tarefas são inseridas nas fábricas de acordo com duas regras:
 Regra 1: A fábrica que apresenta o menor makespan parcial recebe a próxima
tarefa da lista inicial;
 Regra 2: a próxima tarefa da lista inicial é inserida na fábrica que apresenta o
menor makespan parcial após sua inserção.
Para melhor ilustrar as regras desenvolvidas pelos autores, suponha o exemplo

de um ambiente flow shop distribuído com duas fábricas em que cada uma possui duas
máquinas. Na Tabela 1 são descritos os dados do problema.
Tabela 1 – Dados do problema flow shop com duas máquinas

Tarefas
Máquinas J1 J2 J3 J4 J5
1 10 6 8 9 3
2 5 7 4 6 11
Fonte: Adaptado de Naderi e Ruiz (2010).
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)
Figura 2 - Gráficos de gantt representando: a) Regra 1 e b) Regra 2

Fonte: Autor, 2021.
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
minimização da makespan, superando os métodos anteriores em desempenho e tempo

computacional.
Em concomitância com o surgimento de novos métodos de solução para o
problema flow shop permutacional distribuído, pesquisas com a adição de novas
restrições adicionais foram também sendo desenvolvidas, tais como tempos de setup
(DUAN et al., 2016, HUANG; PAN; CHEN, 2019), manutenção (CHUNG; CHAN;
CHAN, 2009), lógica fuzzy e quebra de máquinas (WANG; HUANG; QIN, 2016),
pedidos de clientes (MENG; PAN; WANG, 2019) e flow shop paralelo estocástico (FU
et al., 2019). Adicionalmete, novas pesquisas tem se direcionado para outras funções
objetivo como tempo total de fluxo (PAN; ZOU; DUAN, 2018, PAN et al., 2019,
SANG et al., 2019), funções multi-objetivo (DENG; WANG, 2017, WANG et al., 2017,
LI et al., 2019, WANG et al., 2019) e custos dos impactos ambientais (DENG et al.,
2016, WANG; WANG, 2018, YANG et al., 2019).
Uma vez que o problema flow shop permutacional distribuído é tratado como
base para problemas mais complexos, diferentes ambientes de flow shop distribuído
vem sendo propostos. Publicações relativas ao problema assembly flow shop distribuído
podem ser vistos em Hatami, Ruiz e Andrés-Romano (2013), Wang, Zhang e Liu
(2016), Lin, Wang e Li (2017), Maria Gonzalez-Neira et al. (2017), Wang et al.
(2017b), Yang et al. (2017), Sang et al. (2019), Ochi e Driss (2019), Pan et al. (2019a),
Shao, Pi e Shao (2019a), Ferone et al. (2020) Zhang, Li e Yin (2020). Pesquisas que
tratam diretamente do ambiente no-idle flow shop distribuído são encontrados em Yine
et al. (2017), Jing-Fang, Ling e Jing-Jing (2018) e Chen, Wang e Peng (2019). Estudos
acerca do problema flow shop híbrido distribuído podem ser vistos em Rathinasamy e
Raju (2010), Costa, Varela e Carmo-Silva (2014), Su et al. (2014), Ying e Lin (2018),
Hao et al. (2019), Li et al. (2019b), Wang e Wang (2019), Cai, Zhou e Lei (2020), Shao,
Shao e Pi (2020), Lei e Wang, (2020), Zheng, Wang e Wang (2020).
Dado o enfoque de pesquisa estar concentrado nos ambientes flow shop com
bloqueio distribuído e no-wait flow shop distribuído, um detalhamento maior das
publicações encontradas para estes problemas serão dados nas próximas Seções.
3.2 PROBLEMA FLOW SHOP COM BLOQUEIO DISTRIBUÍDO

30
O problema de scheduling flow shop com bloqueio paralelo com

minimização de makespan foi introduzido por Companys e Ribas (2015). Os autores
propuseram a adaptação de heuristicas construtivas para o problema, oriundas do
trabalho de Naderi e Ruiz (2010b) e métodos desenvolvidos para o problema flow shop
com bloqueio como PF (MCCORMICK et al., 1989), PW (PAN; WANG, 2012) e
HPF2 (RIBAS; COMPANYS, 2015). Além das Regras 1 e 2 descritas no início da
Seção 3, os autores propuseram uma nova regra de alocação das tarefas às fábricas e
sequenciamento das tarefas dentro das fábricas, denominada Regra 3. Aqui, a carga total
de trabalho, representada pela soma total dos tempos de processamento das tarefas, é
dividida em F frações, onde F representa o número total de fábricas. Então, a carga de
trabalho média é utilizada para designar as tarefas às respectivas fábricas. A ordem das
tarefas é definida por uma heurística construtiva e um número determinado de tarefas
que não ultrapassa a carga média de trabalho é designada para cada fábrica. Então, o
mecanismo de inserção de NEH é aplicado para gerar a sequência das tarefas em cada
uma das fábricas. Os autores puderam constatar que a versão HPF23, que combina
HPF2 com a Regra 3, obteve o melhor desempenho em relação as outras heurísticas
adaptadas.
Ribas, Companys e Tort-Martorell (2017) estendem o trabalho de Companys e
Ribas (2015), propondo um modelo de programação linear inteira mista e métodos
heurísticos construtivos e melhorativos. Os autores adaptaram heurísticas construtivas
da publicação pioneira de Naderi e Ruiz (2010b) e da literatura de flow shop com
bloqueio. Os autores definem que os problemas flow shop paralelo e distribuídos são
equivalentes, uma ambos podem ser descritos matematicamente de forma igual. O
objetivo do problema foi a minimização de makespan. Os autores também propuseram
metaheurísticas de ILS (VNS) e Iterated Greedy (IG) para o problema. Os autores
puderam constatar que o algoritmo Iterated Greedy com solução inicial gerada por
HPF23 obteve o melhor desempenho em comparação a ILS e outras versões de IG
propostas.
Ying e Lin (2017) propuseram algoritmos IG com lista tabu para o problema
anteriormente referido utilizando NEH2 combinadas com a heurística PW para gerar a
solução inicial. Os autores puderam constatar experimentalmente que o IG proposto
obteve o melhor desempenho em relação a metaheurísticas propostas para o problema
flow shop com bloqueio. Zhang, Xing e Cao (2018) e Zhang e Xing (2019) propuseram
31
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).
3.3 PROBLEMA NO-WAIT FLOW SHOP DISTRIBUÍDO
O problema no-wait flow shop distribuído foi introduzido a partir de 2016,

com a publicação de Lin e Ying (2016), que apresentam um Modelo Linear Inteiro para
e algoritmos de Iterated Cocktail Greedy para solução do problema. O objetivo dos
autores foi a minimização de makespan. Os autores utilizaram a heurística NEH2 de
32
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).
3.3 CONSIDERAÇÕES FINAIS DA REVISÃO DE LITERATURA

33
Dos resultados obtidos pela revisão de literatura, é percebido que os problemas

adotados durante a fase de prospeção do projeto de pós-doutorado não foram abordados
ainda pela área de scheduling. Neste sentido, este trabalho é o primeiro a abordar ambos
os problemas.
Em relação a proposição de algoritmos, pode-se perceber que a utilização de
metaheurísticas é mais predominante na literatura, tendo como destaque a aplicação do
algoritmo Iterated Greedy (IG). A literatura específica em ambientes flow shop
distribuído tem mostrado a eficácio do IG em eficácia (qualidade de solução) e
eficiência (tempo computational). Por ser um algoritmo de fácil implementação e que
permite a inserção de diferentes mecanismos de buscas, o IG foi adotado como método
de solução heurístico para o problema.
Quanto ao desenvolvimento de heurísticas construtivas, pode-se verificar que a
literatura vigente em flow shop com bloqueio distribuído assim como a de no-wait flow
shop distribuído já utilizaram a estratégia de adaptação de heurísticas da literatura para
o problema, trazendo resultados experimentais pertinentes para a pesquisa abordada.
Neste caso, a adaptação das melhores heurísticas construtivas da litertura foram
adaptadas aos problemas adotados: EHPF2-Both de Shao, Pi e Shao (2020) e
NEH+Dipak de Shao, Pi e Shao (2017).
Na próxima Seção é apresentada a definição do problema que inclui modelos de
programação linear inteira mista para os dois problemas, procedimentos heurísticos de
incorporação da MP ao sequenciamento de tarefas.
34
35
4 DEFINIÇÃO DO PROBLEMA
Os problemas descritos nesta seção podem ser especificados como

F N : {F m|no - wait , s j , i ,k , PML ( m )| Cmax } e F N : {F m|block , s j ,i , k , PML( m )|Cmax }, onde FN
é o problema de distribuição de tarefas às N fábricas e PML(k) é a ocorrência de

manutenção preventiva nas m máquinas baseada em níveis.
Os problemas de scheduling aqui tratados podem ser definidos como seguem:
um conjunto n de tarefas, tal que i = 1,...,n deve ser alocado a N fábricas, onde F = 1, ...,
N. Cada subconjunto de tarefas designadas para a fábrica F devem ser processadas em
m máquinas, onde j = 1, ..., m. Cada tarefa i possui m operações nas m máquinas, sendo
que cada máquina processa apenas uma tarefa por vez e as tarefas passam apenas uma
vez pela fluxo de produção. Um tempo de processamento pi,j está associado a cada
operação Oi,j. Cada tarefa possui um tempo de setup associado a máquina e da tarefa
adjacente precedente, ou seja, o tempo de setup depende da tarefa anterior. A condição
permutacional impõe que todas as tarefas são processadas na mesma ordem em todas as
máquinas, ou seja, a regra First-In-First-Out define a sequência das tarefas em cada
máquina. Todas as tarefas estão disponíveis para serem processadas a qualquer
momento. O processamento da tarefa i na máquina j não pode ser interrompido uma vez
iniciado, ou seja, preempções não são permitidas.
Todas as máquinas estão sujeitas a manutenção preventiva (MP). As atividades
de MP são realizadas periodicamente, respeitando o limite máximo do tempo
estabelecido pelas políticas de MP. Devido à condição de não preempção, as MPs são
realizadas entre o término de processamento de uma tarefa e o início de processamento
da tarefa que ocupa a posição adjacente. Dado que uma máquina é composta por vários
componentes reparáveis, determinamos níveis de MP (NM) para um número l de
componentes reparáveis de uma máquina j. O conceito de NM aplicado ao problema de
scheduling foi proposto por Bock et al. (2012), para o problema de máquina única.
Posteriormente, Yu e Seif (2016) aplicaram este conceito para o problema flow shop
permutacional.
Denota-se o NM do componente t da máquina j como NMj,t. Sem perca de
generalidade, assume-se que os tempos de processamento são inteiros. NMj,t é
representado por um número inteiro entre 0 e NM max max
j ,t , com NM j ,t > 0. Quanto maior
36
NMj,t, melhor o estado de operação da máquina. Se NMj,t atinge NM max

j ,t , a máquina está
em seu melhor estado. As atividades de manutenção (MA) do componente t da máquina

j podem ser programadas entre as tarefas que ocupam as posições adjacentes i – 1 e i (i
= 1, ..., n) e podem ser denotadas como MA [i ], j,t. Basicamente, o NM é afetado quando:
a) o setup ou as tarefas são processadas, correspondendo a deterioração da máquina e
consequentemente a diminuição do NM e; b) quando as máquinas param para atividades
de MP, aumentado o NM ao seu nível máximo. Se uma MA é programada após uma
certa tarefa, o setup é iniciado apenas após essa MA ter sido finalizada. Se, após o
processamento de uma certa tarefa, a máquina parar para realizar MAs de dois de seus
componentes, ambas são realizadas sequencialmente, ou seja, uma MA após a outra. As
MAs são realizadas somente se a máquina não está bloqueada por uma tarefa. Um NM
negativo está associado com a quebra de máquina, então, uma programação factível
deve assegurar que o NM não ultrapasse valores abaixo de zero para evitar as
indisponibilidades das máquinas. Assumimos que a deterioração do componente t da
máquina j ocorre somente durante o processamento da tarefa i. Outras hipóteses são
consideradas:
 A duração de uma MA para um determinável nível t na máquina j é conhecida e
invariável. Isto significa que a MA do nível t na máquina j possui a mesma
duração e é realizada por completo, independente do estado de deterioração da
máquina;
 Quando uma tarefa está sendo processada, todos os NMs estão sujeitos a
deterioração de acordo com uma função linear dada por (δt,j,i ∙ p i,j+s j , p , k ∙ β tj ,p , k)
onde δt,j,i é a taxa de deterioração do t-ésimo componente da máquina j causada
por uma tarefa i durante seu processamento e pij é o tempo de processamento da
tarefa i. β tj ,p , k corresponde a taxa de deterioração do t-ésimo componente da

máquina j causada pelo setup entre as tarefas p e k na máquina j. Neste trabalho,
as taxas de δt,j,i e β tj ,p , k são consideradas iguais a 1, ou seja, a deterioração dos
níveis de MP corresponde a soma dos tempos de setup e de processamento das
tarefas;
 Antes de processar a primeira tarefa, todas os NM’s de todas as máquinas estão
no seu nível máximo NM max
j ,t ;
 NM max
j ,t corresponde é estabelecido pelas políticas de MP descritas na Seção 2;
37
 Os recursos (materiais, força de trabalho, operadores, peças para manutenção,

etc.) estão sempre disponíveis para processamento das tarefas e das MAs e são
ilimitados;
t max
 A quantidade δ t,j,i ∙ p i,j+s j , p , k ∙ β j ,p , k é sempre menor ou igual a NM j ,t , caso
contrário, o problema seria infactível;
 Não são admitidas falhas aleatórias, ou seja, as manutenções corretivas (MC)
não serão consideradas neste estudo.
A função-objetivo adotada consiste em minimizar a duração total da

programação ou makespan (Cmax), ou seja, a data de término da última tarefa na última
máquina. Em um problema flow shop com bloqueio, a tarefa i permanece na máquina j
devido à ausência de buffers entre as máquinas, bloqueando o início de processamento
da tarefa posterior. A máquina é apenas liberada quando a tarefa i-1 é finalizada na
máquina j+1. Este problema pode ser visto na Figura 3.
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
Tempo de setup entre as s-ésima manutenção Ci – Instante de

Ji Tarefa i Si,k,j MAsj preventiva do tipo t na B – Bloqueio
tarefas i e k na máquina j término da tarefa i
máquina j
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.
Em um no-wait flow shop, ilustrado na Figura 4, as tarefas devem ser

processadas continuamente entre as máquinas. Isso implica em um tempo de ociosidade
38
adicional de início de processamento da tarefa i na primeira máquina, garantindo que a

tarefa passe por todas as máquinas sem espera.
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
Tempo de setup entre as s-ésima manutenção preventiva do Ci – Instante de

Ji Tarefa i Si,k,j MAsj término da tarefa i
tarefas i e k na máquina j tipo t na máquina j
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.
Visto que os problemas apresentados anteriormente não foram ainda abordados

na literatura, um modelo de programação linear inteira mista foi desenvolvido para cada
problema e podem ser vistos na próxima Seção.
4.1 MODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA
As seguintes notações serão usadas para auxiliar na descrição dos modelos de

programação linear inteira mista:
 k, F – Índices associados com número de fábricas, onde k = 1, … , F;
 i, p, q, r, n – Índices associados com o número de tarefas, onde i, p, q, r, = 1 , ... ,
n;
 j, m – Índices associados com o número de máquinas, onde j = 1, … , m ;
39
 t, j – Índices associados com o número de níveis de manutenções preventivas

(MPs), onde l = 1, … , t;
 N k – Número de tarefas designadas para a fábrica k, onde k = 1, … , F;
 R [i ], j, k – Data de início da tarefa que ocupa a posição i na máquina j da

sequência da fábrica k;
 C[i ], j, k – Data de conclusão da tarefa que ocupa a posição i na máquina j da
 P [ i ] , j ,k – Data de conclusão das atividades de preparação da máquina j (setup e
MPs) antes de processar a tarefa que ocupa a posição i da sequência da fábrica k;
 Cmax – Duração total da programação ou makespan global;
 NM t , j , [ i ] ,k \ NM
´ t , j , [ i ] ,k – Nível da MP t da máquina j antes (após) processar a tarefa
que ocupa a posição i da sequência da fábrica k;

 x[ i] ,q ,k – Variável binária que assume valor 1 se a tarefa q é designada para a
posição i da sequência da fábrica k;
 z [ i ] ,q , r, k – Variável binária que recebe valor 1 se as tarefas q e r ocupam as
posições adjacentes i-1 e i da sequência k, -1 se as tarefas q e r não ocupam as
posições i-1 e i e 0, caso contrário;
 y t ,, j , [ i ] , k – Variável binária que assume valor 1 se a atividade de MP do nível t da
máquina j é realizada antes de processar a tarefas que ocupa a posição i da
 pq , j – Tempo de processamento da tarefa q na máquina j;
 s j ,q ,r – Tempo de setup para preparar a máquina j se as tarefas q e r ocupam

posições adjacentes da sequência;
 NM max
t - Máxima quantidade da MP do nível t;
 MAt,j – Duração da atividade de MP de nível t na máquina j;

 M, M’ – Variável auxiliar que representa um número muito grande;
min Cmax = max Cn ,m , k (1)

1≤ k ≤ F
A função-objetivo do problema, representado pela Eq. (1), procura minimizar

Cmax , que corresponde à fábrica que obteve a máxima Cn , m ,k entre todas as F fábricas.
40
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
Para atender as hipóteses levantadas no início da Seção 3, as restrições (15) e

(16) definem a quantidade máximo da MP do nível t da máquina j antes do
processamento da primeira tarefa e a desativação de uma atividade de MP,
respectivamente.
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
As restrições (17) e (18) determinam o estado do a MP de nível t da máquina j

após o processamento das tarefas da sequência da fábrica k. A partir da segunda tarefa,
o nível da manutenção preventiva t na máquina j antes de processar a tarefa que ocupa a
posição i pode ser calculado de acordo com
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
As restrições correspondem a linearização da equação (19).

43
´ 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
Em resumo, ambas as restrições (20) - (23) trabalham juntas. Se y t , j , [ i ] ,k = 1 (

y t , j , [ i ] ,k = 0), as restrições (20) e (21) ((22 e (23) são ativadas e as restrições ((22) e
((23) (20 e (21) continuam sendo válidas.
Para o problema no-wait flow shop distribuído com tempos de setup dependentes
da sequência, ocorrência de níveis de MP e minimização de makespan, as restrições
(24) e (25) determinam as datas de conclusão das atividades de preparação da máquina.
Já as restrições (26) e (27) impõem as datas de início das tarefas.
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
Portanto, as restrições ((1-(22) e (28-(29) são utilizadas para modelar o problema

flow shop com bloqueio distribuído e as restrições, ((1-(8) e ((14(29) descrevem o
problema no-wait flow shop distribuído.
4.2 PROCEDIMENTO HEURÍSTICO DE INCORPORAÇÃO DAS ATIVIDADES DE

MANUTENÇÕES PREVENTIVA E SEQUENCIAMENTO DE TAREFAS
Nesta seção, procedimentos são propostos para determinar o número de

atividades de manutenção preventiva (MP) para uma dada sequência e encontrar o
melhor posicionamento das atividades de MP entre as tarefas de modo a respeitar a
restrição de estado de deterioração da máquina e minimização de makespan (Cmax).
O primeiro procedimento tem como objetivo determinar o número mínimo de
atividades de MP de uma dada sequência. Este procedimento é apresentado por Ruiz,
García-Díaz e Maroto (2007) e é definido como segue: Sempre que uma tarefa i será
processada em uma determinada máquina j, o estado da MP de nível t da máquina j após
45
o processamento da tarefa que ocupa a posição i é calculada de acordo com

´ t , j , [ i ] ,k = NMt , j , [ i ] , k - s j , [ i -1] ,[ i ] - p [i ], j. Se o valor de NM
NM ´ t , j , [ i ] ,k resultar em um valor
menor que 0, então uma atividade de MP de nível t da máquina j, com duração MA t , j é

realizada antes da tarefa que ocupa a posição i ser processada. Então, NM t , j , [ i ] ,k recebe o
valor NM max
t
´ t , j , [ i ] ,k é recalculado. Caso contrário, o procedimento segue para a
e NM
próxima tarefa que ocupa a posição i+1 e NM t , j , [ i +1 ] ,k = NM

´ t , j , [ i -1 ] ,k . Este procedimento é
repetido até que todas as n tarefas, l níveis de MP, m máquinas e F fábricas.

Como exemplo de aplicação do critério exposto anteriormente, suponha uma
determinada fábrica que apresenta a condição de bloqueio, composta por um flow shop
de duas máquinas com 6 tarefas e um nível de manutenção preventiva. Os dados do
problema podem ser vistos na Tabela 1. Considere que cada máquina possui um nível
de MP. A sequência a ser avaliada é {J2, J6, J3, J4, J1, J5} e que o nível máximo da MP
é igual a 199 unidades de tempo (u.t.). Antes de processar a primeira tarefa, todos os
max
níveis de MP NM j ,t , [ 1 ] , f = NMt = 199 u.t.. Os valores da duração da MP nível 1 são
iguais a MA 1,1 = 6 u.t. e MA 2,1 = 1 u.t.
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
O procedimento inicia com a MP de nível 1 da primeira máquina, ou seja, l = 1 e

j = 1, onde NM1,1, [ 1] ,f = NM1,1,2, f = 199 u.t. A primeira tarefa a ser avaliada é J2. De
´ 1,1,2, f = NM1,1,2, f - s 1,2,2 - p2,1 = 199 – 78 – 8 = 113 u.t. Como o
acordo com a Tabela 1, NM
estado da máquina permanece positivo, NM1,1, [ 2 ] ,f recebe NM

´ 1,1, [ 1] ,f , ou seja, 113 u.t.. A
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
´ 1,1,4, f atingiu um nível negativo, NM1,1,4, f é restaurada para o

= -95 u.t. Uma vez que NM
nível máximo, 199 u.t., e a tarefa J4 é processada após a realização da atividade de MP.
´ 1,1,4, f = 199 – 65 – 48 = 86 u.t. Por fim, J1 e J5 recebem NM
Logo, NM ´ 1,1,1, f = 48 u.t. e
´ 1,1,5, f = -45 = 199 – 4 – 89 – 106 u.t., respectivamente. O procedimento é repetido

NM
para MP de nível 1 da máquina 2. A sequência final é dada por {J2, MA 2,1, J6, J3, MA 1,1
, MA 2,1, J4, J1, MA 1,1, J5}, que gera Cmax = 593. u.t.
O segundo procedimento, chamado LS PM , RE, foi desenvolvido para reposicionar
as atividades de MP identificadas pelo procedimento de Ruiz et al (2007). Em suma,
LSPM , RE tenta realocar a uma atividade de MP em outra posição com o intuito de
minimizar a função-objetivo, sem modificar o número total de MPs. O pseudocódigo
deste procedimento pode ser visto na Figura 5.
47
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
π'''  min Cmax ( π '' ( q ) );

h +1 ≤ q ≤ k
Se C max ( π '' ) ≥ Cmax ( π ''' ) Entã

π''  π''';
NM t , j , [ 1 ] , f  NM max
t ;
''
Fim Se C max ( π ) ≥ Cmax ( π '' ' )
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
Se C max ( π ) ≥Cmax ( π ') Entã

π, π'', π'''  π';
Figura 5 - Pseudocódigo do procedimento
Fonte: Autor, 2021.
48
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
candidata π'' '. Em seguida, LSPM , RE calcula a deterioração da MP de nível t a partir da

última tarefa que vem antes de Jk até a tarefa q que causa um valor negativo em
´ t , j ,[q ],f . Se a posição q está localizada antes da N t , j–1-ésima MA t , j é testada da
NM
posição k até a posição q+1. Se a sequência candidata que minimiza Cmax é menor que a
Cmax da sequência π'', então π'' recebe π''' e o procedimento reinicia a partir da tarefa Jq
avaliando o reposicionamento N t , j–2-ésima AMt , j. O procedimento é repetido até que a
segunda tarefa seja avaliada. No caso de uma w-ésima MA t , j ser suficiente para
processar apenas uma tarefa, essa atividade é fixada a essa posição e o procedimento
reinicia a partir da tarefa anterior com a (w-1)-ésima MA t , j. Após avaliar a máquina 1, a
sequência π ''' recebe a sequência π ' e o procedimento avalia as próximas máquinas de
maneira análoga. O procedimento vai escolher a sequência cujo reposicionamento da
MP de nível t gerar a menor Cmax na máquina j. Se Cmax ( π '' ) for menor que Cmax ( π ' ) ,
então π ' e π ''' recebem π '' e o procedimento reinicia para avaliação da próxima MP de
nível t+1 em todas as máquinas. Após todos os níveis serem avaliados, caso Cmax ( π ' )
seja menor que Cmax ( π ), então, π é atualizado e o procedimento reinicia novamente,
avaliando o reposicionamento de cada MP de nível t em todas as máquinas. Caso
contrário, o procedimento é interrompido e π é dada como solução final. A sequência
{J2, MA 2,1, J6, J3, MA 1,1, MA 2,1, J4, J1, MA 1,1, J5} será utilizada como exemplo de
aplicação de LSPM , RE. O procedimento inicia-se com o cálculo da deterioração da MP de
nível 1 da máquina 1, a partir da última tarefa até a tarefa anteriormente designada à
´ t , j ,[ k ], f de valor negativo. Após o processamento da tarefa J5,
posição k que causa um NM
´ t , j ,[4], f igual a -45 u.t., ou seja,
J1 e J4, o procedimento encontra um valor negativo NM
ao processar a tarefa J4. Uma vez que a última MA 1,1 foi programada antes da tarefa 5, a
MA 1,1 é testada antes da tarefa J1, gerando a sequência {J2, MA 2,1, J6, J3, MA 1,1, MA 2,1,
J4, MA 1,1, J1, J5}, com Cmax igual a 587. Por obter uma Cmax menor que Cmax ( π '') , então
49
´ 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
5 ALGORITMO ITERATED GREEDY
O algoritmo iterated greedy (IG) é uma simples e eficaz metaheurística

introduzida por Ruiz e Stützle (2007), que tem sido usada com sucesso em problemas
de scheduling. A versão básica do IG pode ser vista na Figura 6.
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)
Em suma, uma solução inicial ( π0 ) é exigida para iniciar as iterações do IG.

Alguma forma de busca local pode ser aplicada a π0 no intuito de melhora-la, gerando π
. O funcionamento do IG é composto basicamente por 4 componentes: 1) Destruição,
onde a solução incumbente π é parcialmente destruída, ou seja, alguns de seus
elementos são removidos e colocadas em um conjunto πE. Uma sequencia parcial πR é
gerada contendo as tarefas restantes; 2) Reconstrução, onde cada tarefa de πE é
reinserida na sequência parcial πR , resultando em uma nova solução π '; 3) busca local,
onde π ' passa por uma busca local, no intuito de melhorar a solução encontrada durante
as fases de destruição e reconstrução, gerando π ''; e) avaliação de aceitação da solução,
onde π '' passa por um critério de aceitação. Se π '' apresenta Cmax melhor que melhor
solução encontrada até então, a melhor solução é atualizada. Caso contrário, π '' pode ser
aceita como solução incumbente π dada uma certa probabilidade para que outras regiões
do espaço de solução sejam exploradas. Nas próximas seções, cada um dos
componentes do IG proposto, denominado IG_NM, será detalhado.
52
5.1 SOLUÇÃO INICIAL
Nesta seção são apresentados os métodos heurísticos propostos para geração da

solução inicial do IG_NM para os problemas flow shop com bloqueio distribuído e no-
wait flow shop distribuído com minimização de makespan, ambos com ocorrência de
setup dependentes da sequência e atividades de manutenção preventiva (MP).
A solução inicial é usada como um dado de entrada para funcionamento do
algoritmo iterated greedy. Na literatura, é verificado que a qualidade da solução inicial
pode afetar o desempenho de um algoritmo melhorativo. É comum o uso de heurísticas
construtivas para gerar soluções de boa qualidade e tempo computacional razoável
(RUIZ; PAN; NADERI, 2019). Como visto na Seção 3, melhorias progressivas tem sido
feitas à heurística HPF23, iniciando-se com a adaptação da heurística HPF2 de Ribas e
Companys (2015) para o problema flow shop com bloqueio distribuído (HPF23) por
Companys e Ribas (2015) e seu refinamento do seu funcionamento (EHPF2-B) por
Shao, Pi e Shao (2020). Resultados experimentais têm demonstrado a eficácia de
EHPF2-B para o problema flow shop com bloqueio distribuído. Em vista de sua
performance, a heurística EHPF2-B foi adaptada ao problema
F N : {F m|block , s j ,i , k , PML( m )|Cmax }. Para o problema no-wait flow shop distribuído,
Lin e Ying (2016a) e Komaki e Malakooti (2017) demonstraram a eficácia e eficiência

da heurística NEH2 de Naderi e Ruiz (2010a) em relação a outras heurísticas adaptadas
da literatura (incluindo métodos desenvolvido para o problema no-wait flow shop).
Posteriormente, Shao, Pi e Shao (2017a) apresentaram melhorias para a heurística
NEH2, propondo DNEH+Dipak. Resultados experimentais demonstraram a eficácia da
heurística proposta. Portanto, DNEH+Dipak foi adaptada para o problema
F N : {Fm |no - wait , s j ,i , k , PML( m )|Cmax }. As próximas subseções são dedicadas a
descrição das heurísticas anteriormente citadas.
5.1.1 Heurística EHPF2-B

53
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;
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

Para k ← 1 até Nf Faça
γ k ← πf , k; πf ← πf - πf , k;
Fim Para k ← 1 até Nf
πf ,1 ← γ1;
Figura 7 - Pseudocódigo da heurística EHPF2-B
Fonte: Autor, 2021.
54
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.
Onde λ é um parâmetro a ser ajustado. Com os valores de R(i) calculados, as

tarefas são inseridas e ordenadas em uma lista inicial (LI) em ordem crescente de R(i).
As F primeira tarefas da LI são então designadas a primeira posição da sequência de
cada uma das F fábricas. No segundo passo, cada fábrica recebe tarefas até atingir a
carga média, denominada wload. Uma vez que não há uma sequência definida para
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 )
Onde μ é um parâmetro, U é o conjunto de tarefas não programadas e i é a

próxima posição da sequência da fábrica f. Adicionalmente, se a carga remanescente da
fábrica f não é suficiente para processar a próxima tarefa, porém a distância entre ela e a
carga média é menor que o tempo total de processamento da tarefa candidata, essa
tarefa é designada à fábrica f. Caso contrário, a tarefa candidata é alocada para a
próxima fábrica.
No terceiro passo de EHPF2-B, o mecanismo de inserção NEH é aplicado a cada
uma das F fábricas. Nessa fase, todas as tarefas designadas a fábrica f é gravada em uma
lista γ, na ordem estabelecida pelo passo 2. As primeiras duas tarefas de γ são remoídas
e inseridas na sequência πf . As duas sequencias parciais são geradas quando as tarefas
trocam de posição e a sequência que minimiza a Cmax é escolhida para a próxima
iteração. Da terceira tarefa até a última, cada tarefa i é inserida em todas as posições
possíveis de πf e a sequencia parcial que minimiza a Cmax é escolhida. Então, as tarefas
adjacentes anterior e posterior à nova tarefa inserida são removidas e inseridas no
conjunto γ '. Se a nova tarefa for posicionada na primeira ou na última posição da
sequência πf , somente a segunda e a penúltima tarefa é removida, respectivamente. A
primeira tarefa removida é então testada em todas as posições de πf e a sequência
candidata que minimiza Cmax é escolhida. O procedimento é repetido para a segunda
tarefa removida (se houver) e a nova sequência prossegue para a próxima iteração. O
mecanismo de inserção NEH juntamente com a reinserção das tarefas adjacentes são
repetidos até que todas as tarefas de γ sejam inseridas em πf . Por fim, EHPF2-B termina
quando o terceiro passo é aplicado para todas as F fábricas.
5.1.2 Heurística NEH+Dipak
O pseudocódigo da heurística NEH+Dipak pode ser visto na Figura 9. Proposta

por Shao, Pi e Shao (2017b), NEH+Dipak apresenta incrementos de melhoria.
56
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
Ordene todas as tarefas em LI de acordo com a ordem decrescente de P i;
Para i ← 1 até n Faça

Insira a tarefa J i de LI em todas as k = i + F posições de π. A tarefa i será inserida na posição da
fábrica f que gera a menor C max ( f );
Se N f > 2 Então
Para k ← 1 até N f Faça
Insira a tarefa k em todas as posições possíveis da sequência de tarefas da fábrica f;
Fim Para k ← 1 até N f
Fim Se N f > 2
Escolha como π a solução que gera a C max ( f ) mínima da fábrica f;
Figura 9 – Pseudocódigo da heurística DNEH+Dipak
Fonte: Autor, 2021.
A heurística proposta consiste em dois passos. No primeiro passo, um índice Pi é

calculado para cada tarefa, sendo Pi a soma total dos tempos de processamento e de
setup da tarefa ao ser colocada na primeira posição da sequência. Uma lista inicial é
gerada ordenando as tarefas de acordo com a ordem decrescente de Pi. No segundo
passo, cada tarefa de LI é inserida em todas as posições possíveis da solução π. A
solução candidata que apresenta a fábrica f com a mínima Cmax é selecionada. Em
seguida, todas as tarefas da fábrica f são reinseridas em todas as posições da sequência
de f. A solução que gerar a mínima Cmax(f) é selecionada para a próxima iteração. Este
procedimento é repetido para todas as tarefas de LI. DNEH+Dipak termina após a
inserção de todas as tarefas.
5.2 DESTRUIÇÃO\RECONSTRUÇÃO
O algoritmo ilustrado na Figura 10 mostra o pseudocódigo da fase de destruição.

Em suma, um certo número de tarefas (d) é removido da solução incumbente e movida
57
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.
Durante a fase de reconstrução, uma nova solução candidata é construída por

meio da reinserção das tarefas removidas do conjunto πE para o conjunto de tarefas πR .
No IG original, o mecanismo de inserção NEH é usado para reinserir as tarefas
removidas para construir uma nova solução (RUIZ; STÜTZLE, 2007). Na literatura de
flow shop distribuído, resultados experimentais têm evidenciado que o uso de
mecanismos adicionais ao mecanismo de inserção NEH melhora significativamente o
desempenho do algoritmo na fase de reconstrução (RUIZ; PAN; NADERI, 2019,
SHAO; PI; SHAO, 2020). Neste sentido, foi proposto para a fase de reconstrução de
IG_NM, a adição de uma estrutura de inserção ao mecanismo NEH. Este mecanismo
pode ser visto na Figura 11 e é resumido como segue: Cada tarefa de πE é selecionada
na ordem que foi removida durante a fase de destruição e inserida em todas as posições
possíveis da solução π '. A solução que apresenta a fábrica com a mínima Cmax é
escolhida e gravada como π ' e πR . Com a nova solução parcial gerada, o procedimento
seleciona a fábrica crítica fc, ou seja, a fábrica da solução que gera a maior Cmax(fc).
Então, cada tarefa de fc é removida e inserida em todas as posições possíveis das
sequencias de todas as fábricas restantes. A sequência de a fábrica f que gera a menor
58
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 ;

Insira Ji em todas as posições Nf posições possíveis da sequência parcial da fábrica f de πR ;
'
π R,f ← min Cmax ( π R ,f , i );
1 ≤ i ≤ Nf

Se f ≠ fc Então
Para i ← 1 até N π' ,f c Faça
Insira a tarefa J f c ,i em todas as Nf posições da sequência da fábrica f e escolha como π '''f a
solução com a sequencia que gera a mínima Cmax(f) parcial;
Fim Para i ← 1 até N π' ,f c
Fim Se f ≠ fc
π ''' ← 1 ≤min Cmax ( π'''f );

f ≤ F
Se C max ( π '' ) ≤ Cmax ( π R )Então

πR ← π '';
Figura 11 – Pseudocódigo da fase de reconstrução de IG_NM
Fonte: Autor, 2021.
5.3 BUSCA LOCAL
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
'
Estrutura_Vizinhança_Inserção( π ' ' );

Estrutura_Vizinhança_Permutação( π ' ' );
Se C max ( π '' ) ≤ Cmax ( π ' ) Então

π ' ← π '';
u ← 1;
Senão
π ' ' ← π ';
u ← u + 1;
Figura 12 – Pseudocódigo do Variable Neighborhood Search

Fonte: Autor, 2021.
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
 Insert_multi_critica(N2): uma tarefa Jc da fc é selecionada. Para cada uma das F-

1 fábricas restantes, selecione uma posição aleatória e insira Jc. Então, F-1
soluções são geradas e a melhor delas é selecionada para passar pela busca local;
 Perm_unico_critica (N3): Um total de p tarefas são selecionadas da fc onde p é
igual a F-1, se N f < F ou N f –1, caso contrário. Uma tarefa J f é selecionada
c c c
entre as p tarefas e trocadas de posição com as outras p-1 tarefas da sequência da

f c. A melhor solução entre as p-1 geradas é selecionada para passar pela busca
local;
 Insert_unico_critica (N4): Uma tarefa Jc é selecionada da fc e inserida em p
posições aleatórias em f c, onde p é igual a F-1, se N f < F ou N f –1, caso
c c
contrário. A melhor solução entre as p geradas é selecionada para passar pela

busca local.
Na etapa de busca local, duas estruturas de vizinhança baseadas em inserção e

permutação são aplicadas a nova solução obtida pela fase de perturbação. Na primeira
estrutura de vizinhança, descrita no algoritmo descrito na Figura 13, cada tarefa da
fábrica crítica da solução π ' é trocada de posição com todas as tarefas restantes de todas
as fábricas, incluindo fc. A solução que gera a Cmax global mínima é adotada como nova
solução candidata π ''. Se a nova solução candidata π '' gera uma Cmax global menor que a
solução corrente π ', então, π ' recebe π '' e a estrutura de permutação é aplicada a π '
novamente. O procedimento é repetido até que nenhuma melhoria seja encontrada.
61
π'' , β ← π' ; flag ← True; Cmax ( best ) ← Cmax ( π' );

Enquanto flag = True Faça
flag ← False;
Para i ← 1 até N f Façac

Troque a tarefa que ocupa a posição i da sequência da fábrica crítica fc em π'' com todas as
tarefas da fábrica f;
Fim Para f ← 1 até F Faça
Escolha como γ a solução que gera o menor Cmax global.

Fim Para i ← 1 até N f c Faça
Entre todas as soluções geradas escolha como γ a solução que gera o menor Cmax global;
Se C max ( γ ) ≤ Cmax ( best ) Então

β ← γ;
Cmax ( best ) ← Cmax ( γ ) ;
flag ← True;
Senão
Fim Se C max ( γ ) ≤ Cmax ( best )
π '' ← β;
Figura 13 – Pseudocódigo da estrutura de vizinhança de permutação
Fonte: Autor, 2021.
A segunda estrutura de vizinhança utiliza inserção para busca de melhores

soluções e seu pseudocódigo pode ser visto na Figura 14. Cada tarefa da fábrica crítica
fc, da primeira até a última tarefa da sequência, é removida e inserida em todas as
posições possíveis da solução π ', incluindo fc. A solução que gera a mínima Cmax global
é adotada como solução candidata π ''. Se a Cmax de π '' for menor que a Cmax de π ', então,
π ' recebe π '' e a estrutura de vizinhança de inserção é aplicada novamente a solução π '.
Caso contrário, o procedimento encerra e procede para a fase de avaliação da solução.
62
π'' , β ← π' ; flag ← True; Cmax ( best ) ← Cmax ( π' );

Enquanto flag = True Faça
flag ← False;
Para i ← 1 até N f Faça c

Remova a tarefa que ocupa a posição i da sequência da fábrica crítica fc em π'' e insira em
todas as posições possíveis da fábrica f;
Fim Para f ← 1 até F Faça
Fim Para i ← 1 até N f c Faça
Entre todas as soluções geradas escolha como γ a solução que gera o menor Cmax global;
Se C max ( γ ) ≤ Cmax ( best ) Então

β ← γ;
Cmax ( best ) ← Cmax ( γ ) ;
flag ← True;
Senão
Fim Se C max ( γ ) ≤ Cmax ( best )
π '' ← β;
Figura 14 – Pseudocódigo da estrutura de vizinhança de inserção
Fonte: Autor, 2021.
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 '.
5.4 CRITÉRIO DE ACEITAÇÃO
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
onde τ P é um parâmetro a ser ajustado.
A nova solução é aceita como incumbente caso a probabilidade do valor de
e[ (
- Cmax (π'') - C max (π) / T )]
seja maior que um número aleatório situado entre [0, 1].
5.5 ESTRUTURA DO ALGORITMO IG_NM
O pseudocódigo geral do algoritmo proposto IG_NM pode ser visto na Figura

15.
π , π best ← HPF2-B ou DNEH+Dipak; d ← n × djobs

Enquanto (critério de parada não atingido) Faça
πE , π R ← Destruição ( π , d );
π ' ← Reconstrução ( π E , π R , d );
π' ' ←π '
π ' ← Busca Local ( π ' ' )
Se C max ( π ' ) ≤ Cmax ( π best ) Então
π , π best ← π ';
Aplique LSRE,PM ( π ')
Senão
Se random < e [- ( Cmax (π'') - C max (π) / T )]
Então
π ← π ';
Fim Se random < e [- ( C (π'') - C max max (π) / T )]
Fim Se C max ( π ' ) ≤ Cmax ( π best )

Figura 15 – Pseudocódigo do algoritmo proposto IG_NM
Fonte: Autor, 2021.
O algoritmo proposto inicia com a solução incumbente dada por HPF2-B ou

DNEH+Dipak (Veja Seção 5.4.1). Enquanto o critério de parado não é satisfeito, a
solução corrente recebe a solução incumbente. Na fase de destruição, d tarefas são
aleatoriamente removidas da solução corrente e inseridas em um conjunto de tarefas
removidas πE. As tarefas restantes são inseridas em outro conjunto de tarefas πR .
64
Durante a phase de reconstrução, cada tarefa removida é inserida no conjunto de tarefas

mantidas de acordo com o mecanismo composto pela combinação de inserção NEH e a
estrutura de vizinhança de inserção. As fases de destruição e reconstrução podem ser
vistas na Seção 5.4.2. Em seguida, a fase de busca local, descrita na Seção 5.4.3,
emprega o algoritmo Variable Neighoborhood Search a solução obtida pela
destruição/reconstrução. Se a nova solução corrente encontrada pela Busca Local é
melhor que a melhor solução encontrada até então, a melhor solução é atualizada e o
procedimento desenvolvido LSRE,PM é aplicado à melhor solução encontrada. Caso
contrário, a nova solução corrente é aceita como solução incumbente de acordo com
uma probabilidade baseada em Simulated Annealing (Veja a Seção 5.4.4). Por fim, se o
critério de parada é atingido, então, o algoritmo termina e a melhor solução encontrada é
dada como solução final. Caso contrário, o procedimento reinicia a partir da fase de
destruição.
65
66
6 PROCEDIMENTOS METODOLÓGICOS
Todas as heurísticas foram implementadas em linguagem Delphi 7. O modelo de

programação linear inteira mista (MILP) foi implementado em Python e solucionado
pelo solver CPLEX IBM® 12.8 com tempo de CPU limite de 3.600 segundos (1 hora).
Todos os experimentos foram rodados em um computador com configurações AMD®
Ryzen (5) processador de 6 núcleos, 12 threads, 3.701 Mhz, com 8 GB de RAM com
sistema operacional Windows 10 64 bits. Os testes experimentais foram realizados por
computadores do Laboratory of Applied of Operational Research (LAOR) do
departamento de Engenharia de Produção da EESC/USP. As base de dados utilizadas
para avaliar o desempenho dos métodos foram gerados a partir do conjunto de dados de
Naderi e Ruiz (2010b), disponível em <htt://soa.iti.es>. As instâncias são divididas em
conjuntos de pequeno, de grande e de ajuste de parâmetros. O conjunto de pequenas
instâncias possui 420 problemas, divididos em 5 × n × m × F, onde n = {4, 6, 8, 10,
12, 16}, m = {2, 3, 4, 5} e F = {2, 3, 4}. Os problemas de grande porte foram baseados
nas instâncias de Taillard (1993), onde dez problemas são gerados para cada
combinação de n × m, onde n = {20, 50, 100} e m = {5, 10, 20}, n = 200 e m = {10,
20} e n = {500} e m = {20}. Na base de dados de grande instâncias de, o número de
fábricas F foi configurado como F = {2, 3, 4, 5, 6, 7}. A combinação entre
10 × n × m × F gerou 720 problemas. Finalmente, 34 e 50 problemas foram gerados
para instâncias de pequeno e grande porte, respectivamente, para calibração de
parâmetros.
Em todas as instâncias, os tempos de processamentos foram gerados
randomicamente por meio de uma distribuição uniforme na faixa entre [1, 99]. Todas as
bases de dados foram modificadas para incluir os tempos de setup e os níveis de
manutenção preventiva (MP). As novas instâncias geradas são descritas como segue:
 Conjunto de instância de pequeno porte: Os problemas usados para gerar o
conjunto de instâncias de pequeno porte foram n = {4, 6, 8, 10, 12}, m = {2, 3,
4, 5} e F = {2, 3, 4}. Os níveis de MP foram configurados como l = {1, 2, 3, 4}.
Os tempos de setup foram gerados de acordo com {10%, 50%, 100%, 125%}
dos tempos de processamento com distribuição uniforme. No total, 16
problemas foram gerados para cada um dos 5 × n × m × F problemas do
67
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
PM max = max ( pi , j ) + max max s j , i ,k (32)

j,i
1≤i ≤n [
1≤ i ≤n 1≤ k ≤n ]
Todos os métodos foram avaliados de acordo com eficácia e eficiência. A
porcentagem do desvio relativo (PDR) foi adotado como medida de eficiência. PDR
avalia a distância relativa entre uma dada solução e a melhor solução encontrada para
um dado problema e é descrito como segue:
Cmax ( g , b , h ) - Cmax ( best , b , h ) (33)

PRD g , b , h = 100 ×
Cmax ( best , b , h )
Onde é o DRP da solução dado por um algoritmo g para o problema b da

instância h, Cmax(g, b, h) é a makespan da solução obtida pelo algoritmo g para o
problema b da instância h e Cmax(best, b, h) é a makespan da melhor solução encontrada
para o problema b da instância h. O valor de PRDb,h,g = 0 significa que a solução gerada
pelo algoritmo g é a melhor solução encontrada.
A eficiência dos métodos foi medido por meio da média da porcentagem relativa
de tempo computacional (MPRT) do algoritmo g (MPRTg), recentemente aplicado por ,
que é computado como segue:
68
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
onde PRTi,g é a porcentagem relativa de tempo computacional (PRT) obtido pelo

algoritmo g para a instância i, Ti,g é o tempo computacional do método g quando
aplicado a instância i, G é o número de algoritmos considerados, I é o número de total
de problemas da base de dados e ACTi é a média do tempo computacional para uma
dada instância i de todos os algoritmos considerados.
Para verificar diferenças estatísticas em relação do desempenho dos métodos, o
PRD foi utilizado como medida de fator. Inicialmente, foi proposto utilizar o método
estatístico paramétrico de análise da variância (ANOVA), que testa a igualdade de três
ou mais médias populacionais, baseadas na análise das variâncias amostrais. A ANOVA
requer o atendimento de algumas hipóteses como distribuição normal da população,
homogeneidade da variância e aleatoriedade e independência das amostras. Em vista
disso, as amostras foram submetidas ao teste de normalidade de Levene, disponível no
software IBM® SPSS 22. Os resultados para ambos os problemas, no-wait flow e flow
shop com bloqueio distribuídos, indicaram que as amostras não seguem uma
distribuição, mesmo após o tratamento dos dados. Neste sentido, utilizou-se a análise
estatística não paramétrica equivalente a ANOVA, chamado de teste de Kruskal-Wallis,
também disponível no software IBM® SPSS 22. O teste de Kruskal-Wallis avalia a
validade das amostras aceitarem ou não uma hipótese nula H0 por meio de um valor p
dado um nível de significância α. Se este valor p é menor que um dado nível de
significância, a H0 é rejeitada, caso contrário, não se pode rejeitá-la. O resultado do
teste indica entre todas as possíveis combinações de amostras analisadas se a H0 é
rejeitada. Nesta pesquisa, a hipótese H0 é anunciada como “H0 – A distribuição do PDR
é igual entre os métodos avaliados”. Como medida de análise post hoc, o software
IBM® SPS 22 disponibiliza o teste de Dunn-Borrefonni que evidencia o valor de p dado
pelas combinações a um nível de significância α. Para maiores informações sobre os
métodos estatísticos citados, pode-se extrair mais informações em Field (2009).
69
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
As próximas Seções são dedicadas a análise dos resultados experimentais da

aplicação das heurísticas e dos modelos de programação linear inteira mista (MILP) aos
problemas no-wait flow shop e flow shop com bloqueio distribuídos.
71
7 RESULTADOS EXPERIMENTAIS PARA PROBLEMA FLOW SHOP COM

BLOQUEIO DISTRIBUÍDO COM TEMPOS DE SETUP DEPENDENTES DA
MAKESPAN
Nesta Seção são apresentados os resultados experimentais do problema

F N : {F m|block , s j ,i , k , PML( m )|Cmax }. Para uma melhor organização e exposição dos
resultados, a Seção foi subdividida em 3 subseções: na Subseção 7.1 apresenta-se os

resultados da calibração dos parâmetros. As Subsesções 7.2 e 7.3 é dedicada a análise
de desempenho dos algoritmos para as instâncias de pequeno e grande porte.
7.1 CALIBRAÇÃO DOS PARÂMETROS
Na Tabela 2 apresenta-se a média de desempenho de EHPF2-B de acordo com

os parâmetros λ e μ. Como pode ser visto, ambos os fatores tendem a influenciar o
desempenho do algoritmo. Pode-se perceber que os valores crescentes de λ apresentam
variação em torno da média para um dado μ fixo, ou seja, para instâncias de grande
porte, a variação de λ tende a não obter crescimento ou decrescimento da porcentagem
do desvio relativo (PDR). Por outro lado, o aumento de μ para um dado λ tende a ser
mais significativa, gerando valores cada vez mais reduzidos de PDR. Embora as médias
mínimas encontradas foram para os valores de λ iguais 0,65 e 0,75 e μ igual a 0,55, a
combinação λ = 0,95 e μ = 0,75 foi adotada como o melhor ajuste, por apresentar o
valor mínimo dentre as 441 combinações de parâmetros avaliadas. Portanto, EHPF2-B
foi configurado com os valores λ = 0,95 e μ = 0,75 para geração da solução inicial das
metaheurísticas avaliadas.
72
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
Na Tabela 3 são apresentados as combinações de parâmetros para cada versão

das metaheurísticas HFFO, IG_RPN e IG_NM.
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.
Nas Figuras 16, 17 e 18 são ilustradas, respectivamente, o desempenho geral das

metaheurísticas HFFO, IG_RPN e IG_NM em relação as suas versões. O gráfico
apresenta o trade-off entre qualidade de solução e tempo computacional exigido por
cada versão da metaheurística. Nesta análise gráfica é desejável que o método se
encontre o mais próximo da interseção entre a média da porcentagem do desvio relativo
(MPDR) e a média da porcentagem do desvio relativo do tempo computacional
(MPDRT). Logo, é desejável que as metaheurísticas apresentem pontos próximos ao
canto inferior esquerdo do gráfico. O objetivo desta análise preliminar foi avaliar o
desempenho das versões de cada metaheurística, no intuito de selecionar as melhores
versões para serem avaliadas nas instâncias de pequeno e grande porte.
Figura 16 - Trade-off entre MPDR e MPRT de problemas flow shop com bloqueio distribuído para
versões da metaheurística HFFO
Fonte: Autor, 2021.
74
versões da metaheurística IG_RPN
Fonte: Autor, 2021.
versões da metaheurística IG_NM
Fonte: Autor, 2021.
De acordo com os resultados expostos anteriormente, pode-se notar que as

versões intermediárias dos algoritmos obtiveram o melhor trade-off entre MPDR e
MPDRT, ou seja, HFFO(2), HFFO(3), HFFO(4), IG_RPN(2), IG_RPN(3), IG_RPN(4),
IG_NM(2), IG_NM(3) e IG_NM(4). Neste sentido, todas as referidas metaheurísticas
foram selecionadas para serem avaliadas em relação aos problemas de pequeno e grande
porte.
75
Na Tabela 4 pode-se verificar os resultados de desempenho dos métodos para os

problemas de pequeno porte. Os dados foram categorizados de acordo com o número de
fábricas (F), sendo cada uma delas subdividas pelo número de tarefas (n).
Pode-se observar que o modelo de programação linear inteira mista (MILP)
entrega o melhor desempenho em qualidade de solução (PDR) das faixas de tarefas que
vão de 4 a 10, para todos os valores de F. Dado que o problema se torna mais complexo
a partir de 10 tarefas, o MILP encontra dificuldades para solucionar problemas, e
consequentemente, na maioria dos problemas, o tempo computacional limite é utilizado.
Esse comportamento é mais claro nas instâncias com 12 tarefas, onde HFFO(4) supera
todos os métodos avaliados. Entre todas as versões de IG_NM, IG_NM(3) obteve o
melhor desempenho. Diferente dos algoritmos de HFFO, pode-se observar que o PDR
dos algoritmos de IG_NM e IG_RPN tendem a aumentar com valores maiores de n. Em
relação ao tempo computacional e a porcentagem do desvio relativo do tempo
computacional (PDRT), pode-se perceber que IG_RPN é o método mais rápido entre
todos os avaliados.
As Figuras 19, 20, 21, 22 e 23 ilustram o desempenho dos métodos em relação a
PDR (a) e PDRT (b) de acordo com valores de F, n, m, l e taxas de duração do setup
(si,j,k), respectivamente. Os tempos computacionais do MILP é significativamente maior
que de todas as outras metaheurísticas. Neste sentido, a representação gráfica do MILP
nas análises envolvendo PDRT apresentam uma distância grande em relação aos outros
métodos, o que visualmente afetou o posicionamento das metaheurísticas avaliadas. Por
essa razão, o MILP foi omitido das figuras que apresentam a análise da medida de
PDRT.
76
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
Fonte: Autor, 2021.
Figura 21 - Desempenho dos métodos em relação ao parâmetro m para problemas flow shop com bloqueio
Fonte: Autor, 2021.
79
Figura 22 - Desempenho dos métodos em relação ao parâmetro l para problemas flow shop com bloqueio
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.
Pode-se perceber pela Figura 19 que o parâmetro F influencia significativamente

o desempenho dos algoritmos. De acordo com os resultados mostrados na Figura 19 e
na Tabela 4, o PDR dos algoritmos tendem a reduzir com o aumento de F. Na média,
todos os métodos atingiram o menor PDR com F = 4. HFFO(3) e HFFO(4) superaram
todos os outros métodos em qualidade de solução. Em geral, os algoritmos IG_NM
apresentaram resultados próximos do MILP com valores de PDR menores nos casos F =
3 e F = 4. Por outro lado, é visível que os algoritmos de HFFO obtiveram os maiores
valores de PDRT em comparação com os outros métodos, com exceção do MILP. Em
geral, as versões de IG_RPN obtiveram os menores valores de MPDRT. Em relação ao
parâmetro n, pode-se observar um aumento do PDR com valores maiores de n,
80
principalmente o desempenho do MILP. Para valores de n maiores que 8, torna-se mais

evidente as diferenças de desempenho dos métodos. Similarmente, os parâmetros de
níveis de manutenção preventiva (l) e de duração do setup (si,j,k) tendem a aumentar o
PDR dos métodos. Em geral, todos os métodos foram afetados com o aumento dos
valores de l e si,j,k. Estes resultados se refletem na dificuldade de solucionar problemas
com valores mais altos tanto de l quanto de si,j,k, uma vez que o problema se torna mais
complexo. Em relação a DRPT, pode-se observar que o tempo computacional
consumido por cada heurística é relativamente rápido, sendo DPRT mais sensível para
instâncias de pequeno porte. Entre todos os métodos avaliados, IG_RPN é o mais
eficiente e, diferente das outras metaheurísticas, o número de iterações não parece afetar
significativamente o tempo computacional despendido para solucionar o problema.
Estes resultados podem ser vistos nas Figuras 19, 20, 21, 22 e 23 onde PDRT das
versões de IG_RPN obtiveram valores muito similares em todos os parâmetros
avaliados.
Outros aspectos podem ser vistos em relação à m e l, onde PDRT parece ser
estável com o aumento deles. Em razão da eficiência das metaheurísticas para
problemas de pequeno porte, a análise do desempenho delas em relação a F, n, m, l e
si,j,k pode ser mais evidente para problemas de grande porte. Embora HFFO(3) e
HFFO(4) superaram todos os outros métodos em qualidade de solução (PDR), ambas as
versões consumiram tempos computacionais mais altos que IG_NM e IG_RPN. A
Figura 24 ilustra o trade-off entre MPDR × MPDRT para problemas de pequeno porte.
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
Na Figura 24 (a), pode-se perceber que, na média, HFFO(2), HFFO(3) e

HFFO(4) superaram o MILP e que IG_NM(2), IG_NM(3) e IG_NM(4) obtiveram
desempenho similar, com valor de DPRT significativamente menor. Entretanto, o alto
valor de MPDRT do MILP dificulta a visualização das diferenças de DPRT entre as
metaheurísticas. Neste sentido, a Figura 24 (b) foi elaborada apenas com o trade-off
entre PDR e PDRT das metaheurísticas. Embora as versões de HFFO superaram todas
as outras heurísticas em relação a qualidade de solução, IG_NM(3) e IG_NM(4)
apresentaram soluções razoavelmente boas em um tempo computacional visivelmente
menor. Adicionalmente, pode-se observar melhorias na qualidade de solução entre as
versões de IG_RPN(2), IG_RPN(3) e IG_RPN(4), com um pequeno incremento de
DPRT. Entretanto, todas as versões de IG_RPN apresentam uma distância grande em
relação a IG_NM(2), que obteve o DPRT mais próximo. Entre todas as versões,
IG_RPN(4) obteve o melhor desempenho. A Figura 25 ilustra o diagrama de caixa da
distribuição de PDR dos métodos para as instâncias de pequeno porte.
Figura 25 – Diagrama de caixa da variação de PDR dos métodos para problemas flow shop com bloqueio
de pequeno porte
Fonte: Autor, 2021.
Pode-se observar que a distribuição de PDR do MILP apresentou menos

variação se comparado com os outros métodos. O MILP gerou a maioria dos valores de
PDRs próximos de zero, e consequentemente, apresentou um diagrama de caixa
achatado próximo de zero. Em relação as metaheurísticas, HFFO(4) e HFFO(3)
apresentaram distribuição do PDR menos espalhadas em comparação a HFFO(2). Uma
vez que ambas as metaheurísicas apresentaram valores próximos de PDR em todas as
82
instâncias avaliadas, IG_NM(3) e IG_NM(4) apresentaram distribuição similar de PDR.

Em comparação com os outros métodos, os algoritmos de IG_RPN obtiveram as
distribuições mais espalhadas de PDR.
De acordo com os resultados expostos anteriormente, é evidente a dificuldade de
avaliar a qualidade de solução dos métodos, principalmente do MILP em relação às
metaheurísticas, uma vez que o MILP foi consideravelmente afetado pelas instâncias de
12 tarefas. Neste sentido, o teste estatístico não paramétrico Kruskal Wallis foi aplicado
para todos os pares de amostras consideradas. Levando-se em consideração as hipóteses
H0 e Ha pontuadas na Seção 6, a um nível de 5% de significância, o teste de Kruskal
Wallis resultou em um valor de p = 0,000, indicando que pode-se rejeitar a H0, ou seja,
a distribuição do PDR não é a mesma entre pelo menos um dos pares avaliados.
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.)
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.
Ao nível de 5% de significância, o teste de Dunn-Borrefoni indicou duas

combinações em que H0 não pode ser rejeitada: MILP-HFFO(4) e IG_NM(3)-
IG_NM(4), ou seja, a distribuição de PDR pode ser considerada a mesma entre ambos
os pares avaliados. Para as amostras restantes, o teste indicou a rejeição de H0, e,
portanto, há diferença estatística significativa na distribuição de PDR dos pares
avaliados. Esses resultados sugerem que, em relação a qualidade de solução,
IG_RPN(4), IG_NM(3), IG_NM(4) e HFFO(4) superaram suas respectivas versões.
Adicionalmente, o teste também indicou que o desempenho de MILP e HFFO(4) são
equivalentes. Portanto, HFFO(4) pode ser considerado como um método heurístico
alternativo para solução de pequenas instâncias com tempo consideravelmente menor.
Uma vez que não há diferenças estatísticas significativas entre IG_NM(3) e IG_NM(4),
o primeiro método pode ser recomendado para solução de instâncias de pequeno porte,
no caso do tomador de decisão ter um tempo mais limitado que a média de tempo de
HFFO(4) para tomar uma decisão.
84
Na Tabela 6 é apresentado o desempenho das metaheurísticas para os problemas

de grande porte, categorizado por F e subdividido por n. Entre os métodos
melhorativos, IG_NM(3) e IG_NM(4) apresentaram o melhor desempenho em
qualidade de solução, sendo que o primeiro obtém uma pequena vantagem em PDR.
Embora obtém um PDRT maior que os algoritmos de IG_RPN, IG_NM(3) consome
tempos computacionais consideravelmente menores que HFFO(2), HFFO(3), HFFO(4)
e IG_NM(4). Entre todas as metaheurísticas, IG_RPN(2) obteve o menor DRPT,
seguidos de suas versões IG_RPN(3) e IG_RPN(4).
Diferentemente dos resultados de instâncias de pequeno porte, as versões de
IG_NM e de IG_RPN apresentam redução do PDR com o aumento do valor de n,
independente da variação de F. Em comparação com a solução inicial dada por EHPF2-
B, pode-se perceber uma melhoria considerável de todas as metaheurísticas e suas
respectivas versões. A maior diferença em qualidade de solução pode ser vista entre
EHPF2-B e IG_NM(3), com aproximadamente 9,64% no valor da média de ambos.
As Figuras 26, 27, 28, 29 e 30 mostram o desempenho de PDR e PDRT das
metaheurísticas em relação a F, n, m, l e si,j,k, respectivamente. Por meio dos dados
observados pela Tabela 6, a solução inicial dada por EHPF2-B apresentou desempenho
consideravelmente inferior às metaheurísticas avaliadas. Essa situação gera uma
distância significativa entre EHPF2-B e os outros métodos, o que graficamente pode
dificultar a visualização de metaheurísticas com desempenhos próximos. Por este
motivo, EHPF2-B foi omitido das análises que seguem.
85
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)
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)
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.)
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
Fonte: Autor, 2021.
Figura 28 - Desempenho dos métodos em relação ao parâmetro m para problemas flow shop com bloqueio
Fonte: Autor, 2021.
89
Figura 29 - Desempenho dos métodos em relação ao parâmetro l para problemas flow shop com bloqueio
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.
Com o aumento do parâmetro F, as versões de IG_NM tendem a obter um

desempenho melhor que as versões de IG_RPN e HFFO. Esses resultados sugerem que
IG_NM(2), IG_NM(3) e IG_NM(4) são mais eficazes para F > 2 fábricas. Em relação
ao parâmetro n, pode-se perceber que as versões de IG_RPN e IG_NM tendem a se
aproximar das melhores soluções encontradas com o aumento de n, uma vez que há uma
redução do PDR, atingindo seu mínimo em n = 200. Por outro lado, pode-se notar que
HFFO(4) apresentou o melhor desempenho para n = 20. Desse modo, é evidenciado que
as versões de HFFO são efetivas para problemas com número de tarefas reduzidos.
Assim como nos problemas de pequeno porte, todos os métodos tendem a
produzir valores reduzidos de PDR com o aumento de m. Este resultado corrobora com
90
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
próximos de PDRT podem ser vistos em IG_NM(2), IG_NM(3) e IG_NM(4), sendo

IG_NM(2) o mais eficiente entre eles.
Figura 31 – Trade-off entre MPDR e MPDRT para problemas flow shop com bloqueio distribuído de
grande porte
Fonte: Autor, 2021.
Na Figura 31 é mostrado o trade-off entre MPDR × MPDRT dos métodos

avaliados. Para problemas de grande porte é constado que IG_NM(3) obteve o melhor
desempenho entre qualidade de solução e tempo computacional. A referida versão
obteve melhor qualidade de solução média que IG_NM(2) em tempo computacional
menor que IG_NM(4). Em relação à HFFO, pode-se observar que HFFO(4) obteve o
melhor resultado de MPDR em comparação com HFFO(3) e HFFO(2), porém, com o
maior MPDRT entre todas as metaheurísticas avaliadas. De maneira similar ao que foi
encontrado em problemas de pequeno porte, IG_RPN(4) superou IG_RPN(2) e
IG_PRN(3) em qualidade de solução.
A variabilidade da distribuição do PDR dos métodos ao longo dos problemas de
grande porte pode ser vista na Figura 32.
92
Fonte: Autor, 2021.
Embora IG_NM(3), IG_NM(4) e IG_NM(2) apresentaram uma mediana menor

que HFFO(4), HFFO(3) e HFFO(2), pode-se observar que o quarto quartil de ambos os
métodos são similares. Entretanto, as distribuições do PDR dos algoritmos de HFFO são
mais espalhadas que das versões de IG_NM. Entre todos os métodos considerados,
IG_RPN(2) e IG_RPN(3) obtiveram as distribuições de PDR mais espalhadas.
O teste estatístico não paramétrico de Kruksal Wallis também foi aplicado para
verificar as diferenças estatísticas da média de PDR das metaheurísticas avaliadas em
problemas de grande porte. O teste considerou um nível de significância de 5%,
testando a hipótese nula H0 descrita na Seção 6. O teste de Kruskal Wallis indicou
rejeitar a H0, ou seja, em pelo menos um dos pares avaliados, a distribuição do PDR
não é a mesma entre os algoritmos. Na Tabela 7 é evidenciado o resultado da aplicação
do teste post hoc de Dunn Borrefoni para todos as possíveis combinações de pares de
amostras.
bloqueio distribuído de grande porte (continua...)
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.)
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.
Os resultados indicaram que H0 não pode ser rejeitada para as combinações

IG_NM(3)-IGNM(4) e IG_RPN(3)-IG_RPN(4). Esses resultados sugerem que
IG_NM(3) e IG_NM(4), assim como IG_RPN(3) e IG_RPN(4) são equivalentes, ou
seja, a distribuição do PDR entre eles podem ser consideradas iguais. Para as
combinações restantes, o teste indicou que há diferença estatística significativa ao nível
de 5% de significância. Logo, pode-se constatar que HFFO(4), IG_NM(3), IG_NM(4),
94
IG_RPN(3) e IG_RPN(4) são os melhores métodos em relação a qualidade de solução

entre cada uma de suas respectivas versões. Uma vez que não há diferenças estatísticas
entre as distribuições de PDR de IG_NM(3) e de IG_NM(4), a eficiência pode ser
considerada como um critério de desempate. Portanto, de acordo com os resultados
expostos anteriormente, pode-se notar que IG_NM(3) obteve o melhor desempenho
para instâncias de grande porte.
Por fim, uma avaliação adicional foi realizada para avaliar o desempenho das
metaheurísticas, considerando todas as instâncias juntas, ou seja, 18.000 problemas. Os
resultados do trade-off entre MDPR e MDPRT podem ser vistos na Figura 33.
Figura 33 – Trade-off entre MPDR e MPDRT para problemas flow shop com bloqueio distribuído
Fonte: Autor, 2021.
Pode-se observar que as versões de IG_NM, principalmente IG_NM(3), foram

os métodos que melhor atenderam o trade-off entre MPDR e MPDRT. Na Figura 34
pode-se observar medianas similares entre IG_NM(3), IG_NM(4), HFFO(4), HFFO(3),
IG_NM(2) e HFFO(2), sendo que IG_NM(3) e IG_NM(4) obtiveram as menores
variações na distribuição do PDR. Em geral os algoritmos IG_RPN são os que mais
apresentaram variabilidade na distribuição do PDR. Essa variabilidade tende a diminuir
com versões que admitem mais iterações, neste caso, IG_RPN(4).
95
distribuído
Fonte: Autor, 2021.
O teste não paramétrico de Kruskal Wallis também foi aplicado ao banco de

dados total, avaliando a hipótese H0 pontuada na Seção 6 e considerando o nível de
significância de 5%. Os resultados do teste indicaram a rejeição de H0 e na Tabela 8 são
apresentados os resultados do teste de post hoc de Dunn-Borrefonni para todas as
possíveis combinações entre pares das amostras avaliadas.
bloqueio distribuído (continua...)
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.)
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.
De acordo com os resultados retornados pelo teste de Dunn-Borrefoni, somente

IG_NM(3) e IG_NM(4) apresentaram significância maior que 5%, o que indica que H0
não pode ser rejeitada. Para as demais comparações, o teste indicou diferenças
estatísticas significativas entre as médias de PDR. Portanto, baseado nos resultados
experimentais, IG_NM(3) obteve o melhor desempenho entre todos os métodos,
considerando o resultado geral do banco de dados testado.
7.4 CONSIDERAÇÕES FINAIS DA SEÇÃO 7
Nesta Seção o método proposto IG_NM foi testado experimentalmente para

solucionar o problema flow shop com bloqueio distribuído com tempos de setup
dependentes da sequência e ocorrência de manutenção preventiva para minimização da
97
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 de todas as metaheurísticas apresentaram o melhor desempenho.
Por este motivo, as versões intermediárias com Nit = {2, 3, 4} de HFFO, IG_RPN e
IG_NM foram testadas contra o modelo de programação linear inteira mista (MILP) e
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) foram equivalentes e apresentaram diferenças
estatísticas significativas em relação aos outros métodos da literatura. Apesar de
apresentarem tempo computacional consideravelmente maior que IG_RPN, todas as
versões de IG_NM apresentaram desempenho superior significativo em qualidade de
solução. Por fim, IG_NM(3) foi o método que obteve o melhor desempenho em
qualidade de solução e menor tempo computacional que em relação a IG_NM(3).
Sugere-se como pesquisas futuras a proposição de novos métodos heurísticos
para o problema F N : {F m|block , s j ,i , k , PML( m )|Cmax } e também o estudo do problema

com outras funções-objetivo, como tempo total de fluxo e atraso total.
98
99
8 RESULTADOS EXPERIMENTAIS PARA PROBLEMA NO-WAIT FLOW

SHOP DISTRIBUÍDO COM TEMPOS DE SETUP DEPENDENTES DA
MAKESPAN
Nesta Seção são apresentados os resultados experimentais do problema

F N : {F m|no-wait , s j ,i , k , PML( m )|Cmax }. De forma análoga a Seção 7, esta Seção foi
subdividida em 3 Subseções: na Subseção 8.1 apresenta-se os resultados da calibração

dos parâmetros. As Subseções 8.2 e 8.3 é dedicada a análise de desempenho dos
algoritmos para as instâncias de pequeno e grande porte.
8.1 CALIBRAÇÃO DOS PARÂMETROS
Na Tabela 9 apresenta-se os parâmetros retornados pelo IRACE para cada

versão das metaheurísticas IG_RPN, IG_NM e HFFO.
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.
Após configurar o conjunto de parâmetros, cada metaheurística foi aplicada as

instâncias de pequeno e grande porte. De modo similar ao que foi conduzido na Seção
7, uma análise preliminar foi realizada entre as versões de cada metaheurística. O intuito
desta análise foi de identificar as melhores versões para serem avaliadas em relação ao
modelo de programação linear inteira mista (MILP) em problemas de pequeno porte e
em relação a solução inicial em problemas de grande porte.
100
Figura 35 - Trade-off entre MPDR e MPRT de problemas no-wait flow shop distribuído para versões da
metaheurística HFFO
Fonte: Autor, 2021.
metaheurística IG_RPN
Fonte: Autor, 2021.
101
metaheurística IG_NM
Fonte: Autor, 2021.
Os resultados do trade-off entre eficácia e eficiência para HFFO, IG_RPN e

IG_NM podem ser vistos nas Figuras 35, 36 e 37, respectivamente. Nesta análise é
desejável que o método encontre-se o mais próximo do canto inferior esquerdo do
gráfico, que compreende o valor mínimo do eixo x, representado pela média da
porcentagem do desvio relativo do tempo computacional (MPDRT) e o valor mínimo
do eixo y, representado pela média da porcentagem do desvio relativo (MPDR).
De acordo com os resultados expostos anteriormente, pode-se notar que as
versões intermediárias de todas as metaheurísticas tendem a melhor atender o trade-off
entre MPDRT e MPDR, ou seja, IG_RPN(2), IG_RPN(3), IG_RPN(4), HFFO(2),
HFFO(3), HFFO(4), IG_NM(2), IG_NM(3) e IG_NM(5). É percebido que as referidas
versões fornecem soluções de boa qualidade em tempo computacional médio em
comparação com as versões extremas (Nit = 1 e 5). Adicionalmente pode-se verificar
que diferente do que ocorre com HFFO, as versões de IG_NM e IG_RPN tendem a
apresentar melhorias a medida que o número de iterações aumenta. Portanto, as
referidas versões intermediárias foram selecionadas para serem avaliadas em problemas
de pequeno e grande portes.
102
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.)
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
Fonte: Autor, 2021.
Figura 39 - Desempenho dos métodos em relação ao parâmetro n para problemas no-wait flow shop
Fonte: Autor, 2021.
Figura 40 - Desempenho dos métodos em relação ao parâmetro m para problemas no-wait flow shop
Fonte: Autor, 2021.
106
Figura 41 - Desempenho dos métodos em relação ao parâmetro l para problemas no-wait flow shop
Fonte: Autor, 2021.
Figura 42 - Desempenho dos métodos em relação ao parâmetro si,j,k para problemas no-wait flow shop
Fonte: Autor, 2021.
De acordo com os resultados expostos anteriormente, o PDR dos algoritmos

tendem a reduzir com o aumento de F. Com exceção do MILP, todos os métodos
atingiram o menor PDR com F = 4. Na média, HFFO(3) e HFFO(4) superaram todos os
outros métodos. Pode-se notar que as versões de IG_NM se aproximam de HFFO com o
aumento de F. Por outro lado, é visível que as versões de HFFO obtiveram os maiores
valores de PDRT em comparação com as outras metaheurísticas. Em geral, todas as
versões de IG_RPN apresentaram os maiores valores de PDR e os menores valores de
PDRT.
107
O desempenho dos algoritmos tende a apresentar redução do PDR com o

aumento de m. Como já mencionado na Seção 7, estes resultados também corroboram
com a literatura, uma vez que o mecanismo de inserção NEH tende a reduzir os valores
de PDR com o aumento de m. Em relação ao parâmetro n, é observado que todos os
métodos apresentam PDR crescentes com o aumento de n. Fenômeno similar ocorre
com o aumento de l e si,j,k. Uma vez que o problema se torna mais complexo, o PDR de
todos os métodos tende a aumentar para valores de l e n mais numerosas e durações de
si,j,k maiores. Adicionalmente, pode-se notar que o desempenho de MILP tende a se
distanciar cada vez mais de HFFO e IG_NM com o aumento de n, l e si,j,k, se
aproximando de IG_RPN.
Em relação à eficiência dos métodos avaliados, é percebido que na média, o
tempo computacional consumido por cada metaheurística é relativamente rápido e mais
eficiente que o MILP, embora o MILP entregue bom desempenho em qualidade de
solução para problemas com até 10 tarefas. Em geral, PDRT parece ser mais sensível
para instâncias de pequeno porte, uma vez que pequenas diferenças no tempo
computacional podem afetar consideravelmente o cálculo da medida.
Como mencionado, IG_RPN é o algoritmo mais rápido para solucionar
problemas de pequeno porte. Em comparação com os outros métodos, pode-se observar
que o número de iterações (Nit) e as diferentes configurações dos parâmetros parecem
não afetar o desempenho entre as versões, sendo que IG_RPN(2), IG_RPN(3) e
IG_RPN(4) apresentam PDRT similares.
Embora HFFO(3) e HFFO(4) são os mais efetivos métodos, entretanto, são as
metaheurísticas que apresentam PDRT consideravelmente maiores em comparação com
IG_NM e IG_RPM.
Levando-se em consideração que busca-se avaliar os algoritmos pela sua
qualidade de solução e também pelo tempo que este método leva para encontrar tais
soluções, observa-se que todos os métodos apresentaram resultados distintos, não tendo
um método que obteve melhor eficácia e também melhor eficiência concomitantemente.
Na Figura 43 é mostrado o trade-off entre a média de PDR (MPDR) e a média de PDRT
(MPDRT) para instâncias de pequeno porte.
108
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.
Na média, pode-se perceber que em (a), HFFO(3), HFFO(4), HFFO(2),

IG_NM(4), IG_NM(3) e IG_NM(2) obtiveram melhores desempenhos em comparação
com o MILP, tanto em qualidade de solução como em tempo computacional.
Entretanto, devido ao alto custo computacional empregado pelo MILP, torna-se
dificultoso de se avaliar a eficiência entre as metaheurísticas. Por esta razão, (b) foi
gerada considerando apenas os PDRTs das metaheurísticas. Apesar de HFFO(2),
HFFO(3) e HFFO(4) superarem todas as heurísticas avaliadas em PDR, é visto que
todas as versões de IG_NM, principalmente IG_NM(3) e IG_NM(4) apresentaram
pontos mais próximos do desejável, que é o canto inferior esquerdo, próximo a origem
dos eixos x e y. Pode-se observar melhorias entre as versões de IG_RPN, sendo
IG_RPN(4) a mais eficaz entre elas. Entretanto, percebe-se que a referida versão
apresenta distância de PDR considerável em relação à IG_NM(2), a metaheurística mais
próxima em MPDRT de IG_RPN(2), IG_RPN(3) e IG_RPN(4).
Na Figura 44 pode-se verificar a distribuição do PDR dos métodos por meio do
diagrama de caixa em problemas de pequeno porte. Pode-se observar que HFFO(3),
HFFO(4) e o MILP apresentaram as menores variações em relação aos quartis dos seus
respectivos diagramas de caixa, com mediana similares. Entretanto, é percebido que o
conjunto de problemas de 12 tarefas apresentou a maioria dos pontos outliers do MILP.
Entre todas as versões de HFFO, HFFO(4) apresentou a distribuição menos espalhada,
seguida de HFFO(3) e HFFO(2). Para IG_NM e IG_RPN, é percebido que a
distribuição do PDR tende a ser mais dispersa a medida que o fator Nit aumenta. Logo,
109
pode-se notar que IG_NM(4) (IG_RPN(4)) apresenta distribuição de PDR menos

dispersa que IG_NM(3) (IG_RPN(3)) e IG_NM(2) (IG_RPN(2)).
Figura 44 – Diagrama de caixa da variação de PDR dos métodos para problemas no-wait flow shop de
pequeno porte
Fonte: Autor, 2021.
Por apresentarem resultados similares em sua distribuição, torna-se dificultoso

perceber se a eficácia das versões de HFFO apresentaram de fato uma diferença em
relação ao MILP, uma vez que o modelo foi significativamente afetado pelos problemas
com 12 tarefas. Neste sentido, o teste estatístico não paramétrico de Kruskal Wallis foi
aplicado para os pares de amostras selecionados para avaliação de problemas de
pequeno porte. O teste considerou a hipótese nula H0 “H0 – As distribuições do PDR
são iguais entre os métodos avaliados”, levando-se em conta um nível de significância
de 5%. O teste de Kruskall Wallis indicou a rejeição da hipótese nula com valor de p
inferior a 5%, ou seja, pelo menos um dos pares de amostras avaliadas apresentou
diferença estatística significativa. Para identificar qual(is) par(es) apresentou esta
diferença, aplicou-se o teste de post hoc de Dunn Borrefoni ao nível de significância de
5%. Na
são mostrados os resultados.

110
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
IG_NM(2)-IG_RPN(3) -6962.332 288.523 -24.131 0 0
(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.
O teste de Dunn-Borrefoni indicou quatro combinações em que a H0 não pode

ser rejeitada: HFFO(4)-HFFO(3), HFFO(4)-MILP, HFFO(3)-MILP e HFFO(2)-
IG_NM(4), ou seja, as distribuições do PDR entre esses algoritmos pode ser
consideradas iguais. Para os testes restantes, o teste indicou a rejeição de H0, e,
portanto, há evidência estatística significativa de que a distribuição do PDR dos pares
restantes são diferentes. Esses resultados sugerem que, em relação a qualidade de
solução, IG_RPN(4), IG_NM(4), HFFO(3) e HFFO(4) apresentaram o melhor
desempenho entre suas respectivas versões. Adicionalmente, o teste de Dunn-Borrefoni
indicou que o desempenho de MILP, HFFO(4) e HFFO(3) e HFFO e IG_NM(4) são
equivalentes. Logo, uma vez que HFFO(3) apresentou valores menores de PDRT em
comparação a HFFO(4), pode-se indicar HFFO(3) como método alternativo para
solução de problemas de pequeno porte com tempo computacional razoável. Todavia,
considerando o trade-off entre PDRT e PDR, IG_NM(3) e IG_NM(4) apresentaram o
melhor posicionamento. Logo, ambos os métodos podem ser utilizados para problemas
de pequeno porte, no caso dos recursos de tempo para tomar uma decisão serem mais
limitados que o tempo requerido por HFFO(3).
Na Tabela 12 é apresentado o desempenho das heurísticas avaliadas para

problemas de grande porte. Os dados foram categorizados pelo número de fábricas (F) e
subdivididos pelo número de tarefas (n).
112
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)
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)
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
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

7 20 1.051 -0.718 0.039 0.843 -0.599 0.056 5.423 -0.967 0.005 4.818 -0.952 0.007 4.449 -0.934 0.009
50 1.121 -0.601 0.692 0.797 -0.449 0.951 5.175 -0.971 0.048 4.954 -0.957 0.071 4.387 -0.941 0.097
100 0.956 -0.527 6.153 0.660 -0.347 8.538 4.200 -0.975 0.305 4.171 -0.964 0.437 3.725 -0.950 0.608
200 0.721 -0.273 79.741 0.502 -0.013 108.334 3.427 -0.975 2.657 3.517 -0.963 3.873 3.193 -0.949 5.344
Mean 1.127 -0.401 45.404 0.865 -0.180 62.126 3.853 -0.967 1.953 3.720 -0.952 2.886 3.364 -0.934 3.852
Fonte: Autor, 2021.
115
Entre os métodos melhorativos, pode-se constatar que IG_NM(2), IG_NM(3) e

IG_NM(4) apresentaram o melhor desempenho em qualidade de solução, comparados com os
outros métodos avaliados. Embora demandem mais tempo que todas as versões de IG_RPN,
IG_NM(4) apesentou valores menores de PDRT que HFFO(2), HFFO(3) e HFFO(4), os
métodos mais próximos em qualidade de solução. Entre todas as metaheurísticas, IG_RPN(2)
obteve o menor MPDRT, seguido de IG_RPN(3) e IG_RPN(4). Contudo, todas as versões de
IG_RPN(4) apresentaram desempenho consideravelmente inferior em qualidade de solução,
comparados com IG_NM e HFFO.
Pode-se perceber que todas as metaheurísticas obtiveram melhorias consideráveis em
comparação à solução inicial gerada por DNEH+Dipak. A maior diferença em termos de
qualidade de solução pode ser vista entre DNEH+Dipak e IG_NM(4), com cerca de 5,71% do
valor do MPDR. Dos resultados que foram expostos anteriormente, DNEH+Dipak apresentou
os maiores valores de PDR, obtendo melhorias expressivas com o aumento de n.
Nas Figuras 45, 46, 47, 48 e 49 são mostrados o desempenho das metaheuristicas em
relação ao número de fábricas (F), número de tarefas (n), número de máquinas (m), níveis de
manutenção preventiva (l) e duração dos tempos de setup (si,j,k). Devido a diferença de PDR
entre DNEH+Dipak e todas as metaheurísticas, o referido método construtivo foi omitido das
análises posteriores.
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.
Em geral, pode-se observar na Figura 45 que IG_NM tende a obter um melhor

desempenho e se distancia de HFFO e IG_RPN com o aumento de F. O efeito contrário pode
ser percebido com HFFO e IG_RPN, onde ambas as versões tendem a obter PDR cada vez
mais aumentados para valores de F mais numerosos. Esses resultados sugerem que
IG_NM(2), IG_NM(3) e IG_NM(4) são mais efetivos para F > 3. Em relação ao parâmetro n,
é evidenciado na Figura 46 que as versões de IG_RPN e IG_NM tendem a obter reduções do
PDR com o aumento de n. Adicionalmente, HFFO(2), HFFO(3) e HFFO(4) apresentam o
melhor desempenho para n = 20. Como constatado em problemas de pequeno porte, a Figura
47 evidencia uma redução expressiva do PDR de todas as metaheurísticas com o aumento de
m. Por outro lado, pela Figura 49 observa-se que a adoção de valores maiores para durações
de setup afetam de forma considerável o desempenho de todos os métodos, uma vez que o
comportamento do PDR para todas as metaheurísticas tende a aumentar para valores maiores
de si,j,k. Já em relação aos níveis de MP, é constatado pela Figura 48 que todos os métodos
apresentam pequenas alterações nos valores de PDR, obtendo leves variações em torno da
média. Esses resultados sugerem que todas as metaheurísticas tendem a apresentar
estabilidade para a variação em l. Em relação a qualidade de solução, pode-se constatar que
IG_NM(4), HFFO(4) e IG_RPN(4) apresentaram os melhores resultados em relação a todas
as outras respectivas versões.
Em relação a PDRT, conforme já pontuado anteriormente, todas as versões de
IG_RPN, principalmente IG_RPN(2), foram os mais eficientes para solucionar o problema.
Em geral, HFFO(2), HFFO(3) e HFFO(4) consomem mais tempo computacional a medida
que F aumenta, comportamento oposto do que ocorre com IG_NM(2), IG_NM(3) e
118
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
Na Figura 51 são apresentados os diagramas de caixa da distribuição do PDR dos

métodos para problemas de grande porte.
Figura 51 – Diagrama de caixa da variação de PDR dos métodos para problemas no-wait flow shop distribuído
de grande porte
Fonte: Autor, 2021.
Em geral, IG_NM(4), IG_NM(3) e IG_NM(2) apresentam as distribuições menos

dispersas entre os métodos avaliados, sendo IG_NM(4) a que obteve a distribuição dos quartis
menos espalhada. Em consonância com os resultados expostos na Tabela 12 é observado que
quanto maior o MPDR, maior a dispersão da distribuição do PDR nos diagramas de caixa.
Esta constatação pode ser vista nas versões IG_RPN(2), IG_RPN(3) e IG_RPN(4), onde
apresentaram quartis mais espaçados. Já HFFO(4), HFFO(3) e HFFO(2) apresentaram
desempenhos intermediários, com diagrama de caixa similares.
O teste estatístico não paramétrico de Kruskal Wallis também foi aplicado as amostras
obtidas para problemas de grande porte. Considerou-se a hipótese nula “H0 – A distribuição
do fator PDR é igual entre os métodos avaliados” com nível de significância de 5%. O teste
de Kruskal Wallis indicou rejeitar a H0 com valor de p < 0,05, sugerindo que pelo menos um
par de amostras apresenta diferença estatística significativa. O teste post hoc de Dunn-
Borrefoni foi aplicado para identificar os pares de amostras que apresentam tais valores de p
maiores que o nível de significância de 5%. Na Tabela 13 podem ser vistos os resultados.
.
120
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.
O teste post hoc de Dunn-Borrefoni indicou a aceitação de H0 apenas para o par

IG_RPN(3)-IG_RPN(2), o que sugere que a distribuição do PDR para estas duas amostras
121
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.
Pode-se observar que as versões de IG_NM apresentaram a melhor relação entre

qualidade de solução e tempo computacional, uma vez que se encontram em áreas mais
desejáveis do gráfico, ou seja, próximo ao canto inferior esquerdo. Por apresentarem
desempenhos similares em pequeno e grande porte de problemas, todas as versões de
IG_RPN apresentaram desempenhos distintos em relação ao fator Nit, sendo IG_RPN(4) a
mais eficaz entre todas as versões. Entre as versões avaliadas, HFFO(3) apresentou o melhor
desempenho comparado a HFFO(2) e HFFO(4). Na Figura 53 são mostrados os diagramas de
caixa das distribuições do PDR das metaheurísticas avaliadas.
122
Figura 53 – Diagrama de caixa da variação de PDR dos métodos para problemas no-wait flow shop distribuído
Fonte: Autor, 2021.
Percebe-se que IG_NM(4) e IG_NM(3) apresentaram as distribuições menos dispersas

das amostras avaliadas, seguidas de HFFO(4) e IG_NM(2). Pode-se notar que pelo menos
25% dos dados dos referidos métodos se concentram em valores de PDR muito próximos de
zero, uma vez que o primeiro quartil encontra-se muito próximo do eixo de origem. A
distribuição do PDR torna-se mais dispersa para HFFO(3), HFFO(2), IG_RPN(4),
IG_RPN(3) e IG_RPN(2), cujos valores que separam os quartis se encontram cada vez mais
espaçados.
Por fim, o teste não paramétrico de Kruskal Wallis foi aplicado às amostras avaliadas
para verificar a hipótese nula “H0 – A distribuição do PDR é a mesma entre os métodos
avaliados” ao nível de 5% de significância. O teste indicou a rejeição de H0, ou seja, pelo
menos um par de amostras apresenta diferença estatística significativa. Na Tabela 14 são
apresentados os resultados do teste post hoc de Dunn-Borrefoni aplicado às amostras ao nível
e 5% de significância.
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.
O teste indicou um valor de p maior que 5% apenas para o par HFFO(4)-IG_NM(2), o

que sugere que H0 não pode ser rejeitada para este caso. Para os pares restantes, o teste
indicou que há diferenças estatísticas significativas entre a distribuição do PDR. Portanto,
pode-se constatar que IG_NM(3) e IG_NM(4) apresentaram média de PDR
significativamente menores que IG_NM(2), HFFO(4), HFFO(3), HFFO(2), IG_RPN(4),
124
IG_RPN(3) e IG_RPN(2). Entre as duas versões de IG_NM, percebe-se que a distinção de

tempo computacional pode ser um fator decisivo de escolha, cabendo ao tomador de decisão
avaliar o recurso de tempo disponível para gerar a programação mais eficaz para o seu
problema.
8.4 CONSIDERAÇÕES FINAIS DA SEÇÃO 8
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
Sugere-se como pesquisas futuras a proposição de novos métodos heurísticos para o
problema F N : {F m|no-wait , s j, i , k , PML( m )|Cmax } e também o estudo do problema com outras

funções-objetivo, como tempo total de fluxo e atraso total.
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
da programação ou makespan (Cmax), especificados como F N : {F m|block , s j ,i , k , PML( m )|Cmax }
e F N : {F m|no-wait , s j, i , k , PML( m )|Cmax }, respectivamente. A abordagem de MP, baseada em e

estendida para ambientes flow shop por , leva em consideração dois aspectos: a) diversidade,
em que as atividades de MP são definidas por diferentes tipos e níveis e; b) flexibilidade, one
as atividades de MP não estão limitadas a serem realizadas em um intervalo específico, ou
seja, podem ser realizadas a qualquer momento dado o estado de degradação de um
determinado nível numa dada máquina.
De acordo com a revisão de literatura, os dois referidos problemas ainda não foram
abordados pela literatura específíca, sendo portanto, introduzidos neste projeto. Por esta razão,
a primeira abordagem de solução foi a proposição de um modelo de programação linear
inteira mista (MILP) para cada problema. Como forma de solução de solução heurística, foi
necessário integrar à função-objetivo procedimentos de alocação das atividades de MP à
sequência de tarefas. Foram propostas duas formas heurísticas para alocação e
reposicionamento das operações de MP, sendo a primeira adaptada de e a segunda utilizada
para melhoria da Cmax.
Como método de solução heurísticos foi proposto um algoritmo de Iterated Greedy
(IG) para ambos os problemas, denominado IG_NM. Para gerar a solução inicial para
funcionamento do IG, foi proposto inicialmente a adaptação de métodos heurísticos
construtivos da literatura clássica de flow shop com bloqueio e de no-wait flow shop para os
respectivos problemas distribuídos. Dado o histórico da literatura em cada um dos dois
problemas, por meio da revisão de literatura foi constatado que as heurísticas construtivas
126
EHPF2-B de e DNEH+Dipak de foram as heurísticas com melhor desempenho para os

problema flow shop com bloqueio distribuído e no-wait flow shop distribuído com
minimização da Cmax. Neste sentido, as das heurísticas construtivas foram adaptadas aos
respectivos problemas.
O IG_NM proposto foi testado para problemas de pequeno e grande portes adaptados
de . A heurística proposta foi comparada com as metaheurísticas mais recentes da literatura,
Hybrid Enhanced Fruit Fly Optimization (HFFO) de e single stage IG (IG_RPN) de . Ao todo
15 versões de algoritmos, sendo 5 de cada metaheurística, foram calibradas por meio do
software IRACE e aplicadas ao conjunto de instâncias. O desempenho das heurísticas foi
medido por meio da qualidade de solução qualidade de solução, representado pela
Porcentagem do Desvio Relativo (PDR), e eficiência, representado pela porcentagem do
desvio relativo do tempo computacional (PDRT).
Inicialmente, foi constatado que as versões intermediárias (IG_NM(2), IG_NM(3),
IG_NM(4), IG_RPN(2), IG_RPN(3), IG_RPN(4), HFFO(2), HFFO(3) e HFFO(4))
apresentaram o melhor desempenho na relação PDR × PDRT nos dois problemas. Neste
sentido, todos os métodos supracitados foram selecionados para serem avaliados em
problemas de pequeno e grande porte.
Em ambos os problemas, F N : {F m|no-wait , s j, i , k , PML( m )|Cmax } e
F N : {F m|block , s j ,i , k , PML( m )|Cmax } foi constatado que HFFO(4) e HFFO(3) apresentaram os
melhores desempenhos em qualidade de solução entre as heurísticas avaliadas. Pelos

resultados estatísticos empregados, HFFO(4) apresentou distribuição de PDR igual à do
MILP, podendo ser utilizado como método heurístico alternativo para o problema. Entretanto,
o método referido foi o que apresentou o maior PDRT, enquanto IG_RPN e IG_NM
obtiveram valores de PDRT consideravelmente menores. No trade-off entre PDR e PDRT, foi
verificado que os algoritmos de IG_NM(3) e IG_NM(4) obtiveram os melhores desempenhos,
uma vez que produziram soluções de boa qualidade e tempos computacionais menores que
todos os algoritmos de HFFO.
Para problemas de grande porte, resultados estatísticos mostraram a superioridade de
IG_NM(3) e IG_NM(4) em relação PDR comparadas a todos as versões de HFFO e IG_RPN
no problema F N : {F m|block , s j ,i , k , PML( m )|Cmax }. Adicionalmente, os métodos de IG_NM

apresentaram tempo consideravelmente menores que HFFO. No resultado geral, ou seja,
considerando os dois conjuntos de instâncias avaliados, foi observado que IG_NM(3) e
IG_NM(4) apresentaram também o melhor desempenho sem diferença estatística significativa
127
na distribuição do PDR. Logo, os resultados computacionais sugerem que IG_NM(3) obteve o

melhor desempenho, por apresentar uma média do PDRT (MPDRT) menor que IG_NM(4). Já
para o problema F N : {F m|no-wait , s j, i , k , PML( m )|Cmax }, pode-se observar que IG_NM(4)

obteve o melhor desempenho entre todas as heurísticas avaliadas, com valores de PDRT
consideravelmente menores que os algoritmos de HFFO e PDR significativamente superior a
IG_RPN. O melhor desempenho de IG_NM(4) também foi confirmado para a avaliação do
resultado geral.
Dada abordagem de dois novos problemas da literatura, pode-se elencar algumas
limitações desta pesquisa que simultaneamente também são futuros passos de pesquisa nos
quesitos de proposição de métodos de solução e também nos testes experimentais.
O primeiro deles está na proposição dos MILPs para os problemas, uma vez que, esta
pesquisa foi limitada ao desenvolvimento de apenas um MILP para cada problema. Como
passos futuros pretende-se a modelagem de novos MILPs, levando-se em conta a
minimização do esforço computacional. É certo que modelar os problemas de forma a
otimizar o número de restrições reduz o tempo computacional assim como também apresenta
melhor utilização da memória disponível.
Outro aspecto limitante foi o teste dos algoritmos para níveis de MP com intervalos
mínimos de degradação. Como constatado pelos resultados experimentais, níveis com
quantidades de degradação mais “apertadas” de MP apresentaram poucas diferenças no
desempenho dos algoritmos em problemas de grande porte. Por esta razão, estudos serão
direcionados em testar os algoritmos em instâncias com níveis de MP mais espaçados,
utilizando os modelos probabilísticos de MP de Rui, em que cada nível de MP possui um
valor distinto.
Em questão da proposição do algoritmo IG_NM, pode-se perceber que os mecanismos
estruturais propostos, apesar de obterem o melhor desempenho em problemas de grande porte,
apresentam limitações em problemas de pequeno porte. Observações experimentais prévias
mostraram que a fase de reconstrução do IG_NM tem impacto significativo na etapa seguinte,
que é a busca local. Por se tratar de uma fase em que as tarefas da fábrica crítica são
distribuídas para outras fábricas, a estrutura de inserção pode acabar levando a solução para
um ótimo local prematuramente, dificultando a fase de busca local a sair desta zona. Neste
sentido, pesquisas futuras podem ser direcionadas ao teste e incremento de novos mecanismos
de busca para esta fase. Outras melhorias também podem ser feitas na fase de perturbação da
solução durante o funcionamento do VNS, com novas formas de perturbação da solução.
128
No tocante a sugestões de pesquisas futuras, sugere-se o estudo de ambos os

problemas com outras funções-objetivo, como tempo total de fluxo e atraso total. Além disso,
por se tratar da primeira pesquisa a abordar o problema flow shop com bloqueio e com no-
wait com tempos de setup dependentes da sequência e ocorrência de manutenção preventiva
no contexto distribuído, sugere-se a proposição de novos métodos heurísticos construtivos e
melhorativos. Novos problemas com adição de outras restrições adicionais também podem ser
propostos, tais como tempos de transporte, integração com entrega de produtos, custos de MP,
quebras de máquinas aleatórias e outras abordagens de MP.
129
REFERÊNCIAS BIBLIOGRÁFICAS
ABADI, I. N. K. N. K. I. N. K.; HALL, N. G. .; SRISKANDARAJAH, C. Minimizing cycle

time in a blocking flowshop. Operations Research, v. 48, n. 1, p. 177–180, 2000.
ALLAHVERDI, A. et al. A survey of scheduling problems with setup times or costs.

European Journal of Operational Research, v. 187, n. 3, p. 985–1032, jun. 2008.
BAKER, K. R. Introduction To Scheduling and Sequencing. Nova York: Wiley, 1974.
BARGAOUI, H.; DRISS, O. B.; GHEDIRA, K. Minimizing Makespan in Multi-Factory

Flow Shop Problem Using a Chemical Reaction Metaheuristic. 2016 IEEE CONGRESS
ON EVOLUTIONARY COMPUTATION (CEC). Anais...: IEEE Congress on Evolutionary
Computation.2016
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.
BOCK, S.; BRISKORN, D.; HORBACH, A. Scheduling flexible maintenance activities

subject to job-dependent machine deterioration. Journal of Scheduling, v. 15, n. 5, p. 565–
578, 2012.
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.
CASSADY, C. R.; KUTANOGLU, E. Minimizing job tardiness using integrated preventive

maintenance planning and production scheduling. IEEE Transactions, v. 35, n. 6, p. 503–
513, 2003.
CHAN, H. K.; CHUNG, S. H. Optimisation approaches for distributed scheduling problems.

v. 7543, 2013.
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.
COMPANYS, R.; RIBAS, I. Efficient Constructive procedures for the distributed

blocking flow shop scheduling problem. (Framinan, JM and Gonzalez, PP and Artiba, A,
Ed.)2015 INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND
130
SYSTEMS MANAGEMENT (IESM). Anais...Seville, Spain: International Institute for

Innovation, Industrial Engineering and Entrepreneurship - I4e2, 2015
COSTA, N. M. L.; VARELA, M. L. R.; CARMO-SILVA, S. Scheduling in product

oriented manufacturing systems: Comparing hybrid flowshop with parallel-machine
flowshop - An industrial study. 2014 6th World Congress on Nature and Biologically
Inspired Computing, NaBIC 2014. Anais...2014
DEB, K. et al. A Fast and Elitist Multiobjective Genetic Algorithm : IEEE

TRANSACTIONS ON EVOLUTIONARY COMPUTATION, v. 6, n. 2, p. 182–197,
2002.
DENG, J. et al. A Competitive Memetic Algorithm for Carbon-Efficient Scheduling of

Distributed Flow-Shop. (Huang, DS and Bevilacqua, V and Premaratne, P,
Ed.)INTELLIGENT COMPUTING THEORIES AND APPLICATION, ICIC 2016, PT I.
Anais...: Lecture Notes in Computer Science.2016
DENG, J.; WANG, L. A competitive memetic algorithm for multi-objective distributed

permutation flow shop scheduling problem. Swarm and Evolutionary Computation, v. 32,
p. 121–131, 2017.
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
DUAN, W. et al. A Hybrid Estimation of Distribution Algorithm for Distributed

Permutation Flowshop Scheduling with Flowline Eligibility. 2016 IEEE CONGRESS ON
EVOLUTIONARY COMPUTATION (CEC). Anais...: IEEE Congress on Evolutionary
Computation.2016
EMMONS, H.; VAIRAKTARAKIS, G. The no-wait flowshop. International Series in

Operations Research & Management Science, v. 182, p. 189–220, 2013.
FERNANDEZ-VIAGAS, V.; FRAMINAN, J. M. A bounded-search iterated greedy

algorithm for the distributed permutation flowshop scheduling problem. INTERNATIONAL
JOURNAL OF PRODUCTION RESEARCH, v. 53, n. 4, p. 1111–1123, 2015.
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.
FU, Y. et al. Stochastic multi-objective modelling and optimization of an energy-conscious

distributed permutation flow shop scheduling problem with the total tardiness constraint.
JOURNAL OF CLEANER PRODUCTION, v. 226, p. 515–525, jul. 2019.
131
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. Sequencing of jobs in some production system. European

Journal of Operational Research, v. 125, n. 3, p. 535–550, set. 2000.
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.
GRAHAM, R. L. et al. Optimization and Approximation in Deterministic Sequencing

and Scheduling: a SurveyAnnals of Discrete Mathematics, 1979.
HALL, N. G. .; SRISKANDARAJAH, C. A survey of machine scheduling problems with

blocking and no-wait in process. Operations Research, v. 44, n. 3, p. 510–525, 1996.
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.
HATAMI, S.; RUIZ, R.; ANDRÉS-ROMANO, C. The distributed assembly permutation

flowshop scheduling problem. International Journal of Production Research, v. 51, n. 17,
p. 5292–5308, 2013.
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
JARBOUI, B. et al. An Estimation of Distribution Algorithm for Minimizing the Makespan in

Blocking Flowshop Scheduling Problems. In: CHAKRABORTY, U. K. (Ed.). .
Computational Intelligence in Flow Shop and Job Shop Scheduling. Berlin, Heidelberg,
Heidelberg: Springer Berlin Heidelberg, 2009. p. 151–167.
JI, M. et al. Scheduling of No-wait Stochastic Distributed Assembly Flowshop by Hybrid

PSO. 2016 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION (CEC). Anais...:
IEEE Congress on Evolutionary Computation.2016
JING-FANG, C.; LING, W.; JING-JING, W. A Two-stage Memetic Algorithm for

Distributed No-idle Permutation Flowshop Scheduling Problem. (Chen, X and Zhao, QC,
132
Ed.)2018 37TH CHINESE CONTROL CONFERENCE (CCC). Anais...: Chinese Control

Conference.2018
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.
KHAMSEH, A.; JOLAI, F.; BABAEI, M. Integrating sequence-dependent group scheduling

problem and preventive maintenance in flexible flow shops. International Journal of
Advanced Manufacturing Technology, v. 77, n. 1–4, p. 173–185, 2015.
KOMAKI, M.; MALAKOOTI, B. General variable neighborhood search algorithm to

minimize makespan of the distributed no-wait flow shop scheduling problem.
PRODUCTION ENGINEERING-RESEARCH AND DEVELOPMENT, v. 11, n. 3, p.
315–329, jun. 2017.
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, H.; GAO, L. A discrete electromagnetism-like mechanism algorithm for solving

distributed permutation flowshop scheduling problem. Proceedings - 2010 International
Conference on Manufacturing Automation, ICMA 2010. Anais...2010
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.
LOGENDRAN, R.; SRISKANDARAJAH, C. Two-machine group scheduling problem with

blocking and anticipatory setups. European Journal of Operational Research, v. 69, n. 3, p.
467–481, 1993.
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.
MACCARTHY, B. L.; LIU, J. Addressing the gap in scheduling research: a review of

optimization and heuristic methods in production scheduling. International Journal of
Production Research, v. 31, n. 1, p. 59–79, 1993.
MARIA GONZALEZ-NEIRA, E. et al. A biased-randomized simheuristic for the distributed

assembly permutation flowshop problem with stochastic processing times. SIMULATION
MODELLING PRACTICE AND THEORY, v. 79, p. 23–36, 2017.
MARTINEZ, S. et al. Complexity of flowshop scheduling problems with a new blocking

constraint. European Journal of Operational Research, v. 169, n. 3, p. 855–864, 2006.
MCCORMICK, S. T. et al. Sequencing in an Assembly Line with Blocking to Minimize

Cycle Time. Operations Research, v. 37, n. 6, p. 925–935, 1989.
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.
MIYATA, H. H.; NAGANO, M. S.; GUPTA, J. N. D. D. Incorporating preventive

maintenance into the m-machine no-wait flow-shop scheduling problem with total flow-time
minimization: a computational study. Engineering Optimization, v. 51, n. 4, p. 680–698,
2019.
134
MLADENOVIC, N.; HANSEN, P. Variable Neighborhood Search. Computers &

Operations Research, v. 24, n. 1, p. 1097–1100, 1997.
MOR, B.; MOSHEIOV, G. Scheduling a deteriorating maintenance activity and due-window

assignment based on common flow allowance. International Journal of Production
Economics, v. 135, p. 222–230, 2012.
NADERI, B.; RUIZ, R. The distributed permutation flowshop scheduling problem.

Computers and Operations Research, v. 37, n. 4, p. 754–768, 2010a.
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.
NADERI, B.; RUIZ, R. R. The distributed permutation flowshop scheduling problem.

COMPUTERS & OPERATIONS RESEARCH, v. 37, n. 4, p. 754–768, 2010b.
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.
OCHI, H.; DRISS, O. B. Scheduling the distributed assembly flowshop problem to

minimize the makespan. Procedia Computer Science. Anais...2019
OSMAN, I. H.; LAPORTE, G. Metaheuristics: A bibliography. Annals of Operations

Research, v. 63, n. 5, p. 511–623, 1996.
OSMAN, I.; POTTS, C. N. Simulated Annealing for Permutation Flow-Shop Scheduling.

Omega-International Journal of Management Science, v. 17, n. 6, p. 551–557, 1989.
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.
RATHINASAMY, S.; RAJU, R. Sequencing and scheduling of nonuniform flow pattern in

parallel hybrid flow shop. INTERNATIONAL JOURNAL OF ADVANCED
MANUFACTURING TECHNOLOGY, v. 49, n. 1–4, p. 213–225, jul. 2010.
RAUSAND, M.; HΦYLAND, A. System reliability theory. Models, statistical methods,

and applications. 2. ed. New Jersey: Wiley, 2004.
REZA HEJAZI, S.; SAGHAFIAN, S. Flowshop-scheduling problems with makespan

criterion: a review. International Journal of Production Research, v. 43, n. 14, p. 2895–
2929, 2005.
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.
RIBAS, I.; COMPANYS, R.; TORT-MARTORELL, X. An iterated greedy algorithm for

solving the total tardiness parallel blocking flow shop scheduling problem. EXPERT
SYSTEMS WITH APPLICATIONS, v. 121, p. 347–361, 2019.
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.
RONCONI, D. P. A Branch-and-Bound Algorithm to Minimize the Makespan in a Flowshop

with Blocking. Annals of Operations Research, v. 138, p. 53–65, 2005.
RUIZ, R.; GARCÍA-DÍAZ, J. C.; MAROTO, C. Considering scheduling and preventive

maintenance in the flowshop sequencing problem. Computers and Operations Research, v.
34, n. 11, p. 3314–3330, 2007.
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.
SU, S. et al. A distributed coevolutionary algorithm for multiobjective hybrid flowshop

scheduling problems. INTERNATIONAL JOURNAL OF ADVANCED
MANUFACTURING TECHNOLOGY, v. 70, n. 1–4, p. 477–494, jan. 2014.
TAILLARD, E. Benchmarks for Basic Scheduling Problems. European Journal of

Operational Research, v. 64, p. 278–285, 1993.
TAKANO, M. I.; NAGANO, M. S. A branch-and-bound method to minimize the makespan

in a permutation flow shop with blocking and setup times. Cogent Engineering, v. 4, n. 1, p.
1–16, 2017.
137
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.
TSANG, A. H. C. et al. Integrated production planning and preventive maintenance in

deteriorating production systems. Information Sciences, v. 278, n. 1, p. 841–861, 2014.
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, G. et al. A Multi-Objective Whale Swarm Algorithm for Energy-Efficient

Distributed Permutation Flow shop Scheduling Problem with Sequence Dependent Setup
Times. IFAC PAPERSONLINE, v. 52, n. 13, p. 235–240, 2019.
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. A Knowledge-Based Cooperative Algorithm for Energy-Efficient

Scheduling of Distributed Flow-Shop. IEEE Transactions on Systems, Man, and
Cybernetics: Systems, 2018.
WANG, J.; WANG, L.; SHEN, J. A Hybrid Discrete Cuckoo Search for Distributed
Permutation Flowshop Scheduling Problem. 2016 IEEE CONGRESS ON
Computation.2016
WANG, K. et al. Variable Neighborhood based Memetic Algorithm for Just-in-Time

Distributed Assembly Permutation Flowshop Scheduling. 2017 IEEE INTERNATIONAL
CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC). Anais...: IEEE
International Conference on Systems Man and Cybernetics Conference Proceedings.2017b
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
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, S. J.; YANG, D. L. Minimizing the makespan on single-machine scheduling with

aging effect and variable maintenance activities. Omega, v. 38, n. 6, p. 528–533, 2010.
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, Y. et al. Scatter Search for Distributed Assembly Flowshop Scheduling to

Minimize Total Tardiness. 2017 IEEE CONGRESS ON EVOLUTIONARY
COMPUTATION (CEC). Anais...: IEEE Congress on Evolutionary Computation.2017
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
APPLICATIONS, v. 92, p. 132–141, 2018.
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. Differential evolution metaheuristics for distributed limited-buffer

flowshop scheduling with makespan criterion. COMPUTERS & OPERATIONS
RESEARCH, v. 108, p. 33–43, 2019.
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
10 ATIVIDADES DE DISSEMINAÇÃO DA PESQUISA
Nesta Seção são apresentados os resultados de pesquisa durante a concessão da bolsa

do pós-doutorando, estruturada como segue: Na Seção 10.1 é listada um artigo aprovado para
publicação em revista com fator de impacto JCR. Na Seção 10.2 é listado o artigo aprovado e
apresentado em evento, juntamente com os comprovantes de apresentação do artigo. Na
Seção 10.3 foram listados os artigos submetidos para revistas com fator de impacto. Ressalta-
se que os artigos foram submetidos para periódicos internacionais com fator de impacto.
Todos os artigos foram traduzidos e suas versões podem ser vistas nas seções pertinentes. Por
razões de limitação de tamanho do arquivo, não foi possível anexar os manuscritos dos artigos
neste relatório. Por esta razão, na Seção 10.3 foram colocados apenas os comprovantes de
submissão e uma cópia da primeira página de cada manuscrito submetido. O autor se
disponibiliza em compartilhar os manuscritos completos dos artigos submetidos via e-mail
<hhmiyata@usp.br>. Por fim, a Seção 10.4 apresenta as participações em eventos como
avaliador de artigos e resumos.
10.1 ARTIGOS APROVADOS PARA PUBLICAÇÃO EM REVISTAS
NAGANO, M. S.; DE ALMEIDA, F. S.; MIYATA, H. H. An iterated greedy algorithm for

the no-wait flowshop scheduling problem to minimize makespan subject to total completion
time. Engineering Optimization (JCR 2019 – 2,165), 2020. DOI: <
https://doi.org/10.1080/0305215X.2020.1797000>.
142
10.2 ARTIGOS APROVADOS E APRESENTADOS EM EVENTOS
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
10.3 MANUSCRITOS TRADUZIDOS SUBMETIDOS
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.
E-mail de confirmação da submissão:
Omega <em@editorialmanager.com> Sat, Sep 5, 2020,

145
2:09 AM
to me
*This is an automated message. *

Journal: Omega
Title: Solution methods for m-machine blocking flow shop with setup times and preventive
maintenance costs to minimize hierarchical function
Corresponding Author: Professor Marcelo Seido Nagano
Co-Authors: Hugo Hissashi Miyata, Ph.D.
Manuscript Number:
Dear Hugo Hissashi 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/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
MIYATA, H. H.; NAGANO, M. S. An iterated greedy algorithm for distributed blocking

flow shop with setup times and preventive maintenance operations to minimize makespan.
2021. Submetido para Engineering Applications of Artificial Inteligence.
*This is an automated message.*
Journal: Engineering Applications of Artificial Intelligence

Title: An iterated greedy algorithm for distributed blocking flow shop with setup times and
preventive maintenance operations to minimize makespan

Manuscript Number:
Dear Miyata,
confirm your co authorship: https://www.editorialmanager.com/eaai/l.asp?
i=722095&l=1CPE6B5I
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
More information and support

FAQ: What is Editorial Manager Co-Author registration?
https://service.elsevier.com/app/answers/detail/a_id/28452/supporthub/publishing/kw/editoria
l+manager/
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.
__________________________________________________
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.
E-mail de confirmação de submissão:

Journal: International Journal of Production Economics
Title: An iterated greedy algorithm for distributed no-wait flow shop with setup times and
preventive maintenance operations to minimize makespan
Manuscript Number:
Dear Miyata,
confirm your co authorship: https://www.editorialmanager.com/proeco/l.asp?
i=339964&l=F8RIBVLN
at https://www.editorialmanager.com/proeco/
at drnagano@usp.br;drnagano@sc.usp.br
Thank you,
International Journal of Production Economics
More information and support
152
FAQ: What is Editorial Manager Co-Author registration?

https://service.elsevier.com/app/answers/detail/a_id/28452/supporthub/publishing/kw/editoria
l+manager/

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.
URL: https://www.editorialmanager.com/proeco/login.asp?a=r). Please contact the
153
154
DE SOUZA, E A. G.; NAGANO, M. S.; MIYATA, H. H. Bounded Dynamic programming

approach to minimize makespan in the blocking flowshop problem with sequence dependente
setup times. 2021. Submetido para Omega – The international journal of management
Science.
Omega <em@editorialmanager.com> Tue, Mar 23,

6:48 PM
to me
*This is an automated message. *

Journal: Omega
Title: Bounded Dynamic Programming approach to minimize makespan in the blocking
flowshop problem with sequence dependent setup times
Co-Authors: Edson Antônio Gonçalves de Souza, M.Sc.; Hugo Hissashi Miyata, Ph.D.
Manuscript Number:
Dear Hugo Hissashi Miyata,

confirm your co-authorship:
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
155

at https://www.editorialmanager.com/omega/
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/28452/supporthub/publishing/
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
__________________________________________________
URL: https://www.editorialmanager.com/omega/login.asp?a=r). Please contact the
156
157
YAMADA, T. T. NAGANO, M. S.; MIYATA, H. H. Minimization of total tardiness in no-

wait flowshop production systems with preventive maintenance. 2021. Submetido para
International Journal of Industrial Engineering Computations.
Thank you for your submission to IJIEC. Below is a copy of the information submitted for
your records.
Submission ID: 1383
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
Country: Brazil
Email: drnagano@usp.br
Author 3:
First Name: Hugo Hissashi
Last Name: Miyata
158

Country: Brazil
Email: hugomiyata7@hotmail.com
Contact Author: Author 2
Alternate Contact: drnagano@sc.usp.br
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.
Comments: Dear S. J. Sadjadi,

Editor-in-Chief
159
International Journal of Industrial Engineering Computations
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
10.4 PARTICIPAÇÃO COMO AVALIADOR DE ARTIGOS E RESUMOS EM EVENTOS
Avaliador de artigos no evento International Conference of Production Research Americas

2020 – ICPR – Americas 2020. Dezembro 2020, Bahía Blanca, Argentina;
Avaliador de trabalhos de iniciação científica no 28º Simpósio Internacional de Iniciação

Científica e Tecnológica da USP – 28º SSICUSP. Novembro 2020. São Carlos, Brasil.
161
162

Relatório Técnico Final Compresso

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Relatório Técnico Final Compresso

Enviado por

Direitos autorais:

Formatos disponíveis

1

RELATÓRIO TÉCNICO FINAL

Contribuições para problemas de scheduling flow shop distribuído com

Pós doutorando: Hugo Hissashi Miyata

Supervisor: Prof. Dr. Marcelo Seido Nagano

Instituição: Universidade de São Paulo - Escola de Engenharia de São

HUGO HISSASHI MIYATA

Contribuições para problemas de scheduling flow shop distribuído com

Relatório técnico apresentado ao Conselho

MIYATA, H. H. Contribuições para problemas de scheduling flow shop distribuído

O problema de sequenciamento da produção ou scheduling em ambientes flow shop tem

Palavras-chave: distribuição; sequenciamento da produção; flow shop com bloqueio; no-

MIYATA, H. H. Contributions to the distributed flow shop scheduling problems

Figura 1 – Distribuição de tarefas e sequenciamento da produção em sistemas no-wait

Figura 22 - Desempenho dos métodos em relação ao parâmetro l para problemas flow

Figura 39 - Desempenho dos métodos em relação ao parâmetro n para problemas no-

7.4 CONSIDERAÇÕES FINAIS DA SEÇÃO 7............................................................94

O presente relatório de pós doutorado apresenta os resultados obtidos do plano

2010), de ferro e aço (HALL; SRISKANDARAJAH, 1996), de blocos de concreto

A incorporação do tempo de setup em problemas de scheduling tem sido

Com a intensificação do mercado competitivo e a globalização da economia, os

Ci+1 Ci+2 Ck-1 Ck

Fábrica N Sk+1, MA1, Sn-

Ck+1 Ck+2 Cn-1 Cn

Figura 1 – Distribuição de tarefas e sequenciamento da produção em sistemas no-wait flow shop

Nos últimos anos, os métodos de solução para o problema de scheduling têm

Formalmente, um problema clássico de scheduling pode ser definido como n

 Job shop ( α 1 = J , α 2 = m ): Cada tarefa tem seu roteiro de produção pré-

O campoβ ⊂ {β 1 ,…, β n } representa as condições ou restrições adicionais

O campo γ especifica os critérios de desempenho que possuem a função de

refere a alguma máquina j ( j = 1, … , m ), então, Ci,j representa o instante de

instantes de término de todas as n tarefas;

 Atraso total das tarefas (∑ Ti ): Atraso da tarefa em relação à sua data de

Alguns exemplos de problemas, com o modelo de notação de Graham et al.

 F m|block , s i , j, k|∑ Ci – Indica o problema flow shop sem estoque intermediário

entre as m máquinas, com tempos de setup dependentes da sequência e

2.1 MÉTODOS DE SOLUÇÃO

De modo geral, métodos de sequenciamento podem ser divididos em métodos de

em tempo computacional viável. Os métodos heurísticos, de acordo com Framinan et al.

Uma metaheurística pode ser formalmente definida como um processo iterativo

2.2 CONFIABILIDADE E MANUTENÇÃO PREVENTIVA

A confiabilidade pode ser definida como a capacidade de um item (máquinas,

De acordo Rausand e Høyland (2004) a MP visa reduzir a probabilidade de falha

Yu e Seif (2016) tenta imitar o modelo CBM, porém utilizando-se dados já

NM t = max max ( δi , j , t ) × max max ( pi , j ) + max max ( β tj ,i , k ) × max max ( β tj ,i , k )

Por se tratar da soma das máximas deteriorações de tempo de processamento e

O problema de scheduling flow shop permutacional no contexto distribuído

Para melhor ilustrar as regras desenvolvidas pelos autores, suponha o exemplo

Tabela 1 – Dados do problema flow shop com duas máquinas

Figura 2 - Gráficos de gantt representando: a) Regra 1 e b) Regra 2

minimização da makespan, superando os métodos anteriores em desempenho e tempo

3.2 PROBLEMA FLOW SHOP COM BLOQUEIO DISTRIBUÍDO

O problema de scheduling flow shop com bloqueio paralelo com

3.3 PROBLEMA NO-WAIT FLOW SHOP DISTRIBUÍDO

O problema no-wait flow shop distribuído foi introduzido a partir de 2016,

3.3 CONSIDERAÇÕES FINAIS DA REVISÃO DE LITERATURA

Dos resultados obtidos pela revisão de literatura, é percebido que os problemas

Os problemas descritos nesta seção podem ser especificados como

é o problema de distribuição de tarefas às N fábricas e PML(k) é a ocorrência de

NMj,t, melhor o estado de operação da máquina. Se NMj,t atinge NM max

em seu melhor estado. As atividades de manutenção (MA) do componente t da máquina

tarefa i. β tj ,p , k corresponde a taxa de deterioração do t-ésimo componente da

 Os recursos (materiais, força de trabalho, operadores, peças para manutenção,

A função-objetivo adotada consiste em minimizar a duração total da