Modelando o Alwabp

MODELANDO O PROBLEMA DE DESIGNAÇÃO DE
TRABALHADORES E BALANCEAMENTO DE UMA

LINHA DE MONTAGEM DE CARROCERIAS.
UMA ABORDAGEM COMPARATIVA ENTRE A

IMPLEMENTAÇÃO DE UM ALGORITMO
GENÉTICO E UMA HEURÍSTICA CONSTRUTIVA.
GABRIEL GAZZINELLI GUIMARÃES – g135793@dac.unicamp.br
UNIVERSIDADE ESTADUAL DE CAMPINAS - UNICAMP
SEBASTIAO ANTONIO A. RODRIGUES – s167638@g.unicamp.br

UNIVERSIDADE ESTADUAL DE CAMPINAS - UNICAMP
Área: 3. PESQUISA OPERACIONAL

Sub-Área: 3.1 – MODELAGEM, SIMULAÇÃO E OTIMIZAÇÃO.
Resumo: ESTE ARTIGO APRESENTA UMA COMPARAÇÃO ENTRE RESULTADOS

OBTIDOS PELA APLICAÇÃO DE UM ALGORITMO GENÉTICO E UMA HEURÍSTICA
CONSTRUTIVA PROPRIAMENTE DESENVOLVIDA PARA UM CASO PARTICULAR
DO PROBLEMA DENOMINADO COMO ALWABP “ASSEMBLY LINE WORKER
ASSINGMENT AND BALANCE PROBLEM”. LINHAS MANUAIS DE MONTAGEM DE
PARTES MÓVEIS DE CARROCERIAS USUALMENTE POSSUEM FATORES
ERGONÔMICOS DESFAVORÁVEIS, DEPENDENDO DA NATUREZA DA TAREFA E
CARACTERÍSTICAS ANATÔMICAS DO EXECUTOR, CONTRIBUINDO PARA UMA
HETEROGENEIDADE NA DURAÇÃO DAS TAREFAS EM FUNÇÃO DO
TRABALHADOR DESIGNADO. PORTANTO, O BALANCEAMENTO DA LINHA E A
OTIMIZAÇÃO DO SEU TEMPO CICLO SÃO DEPENDENTES DE UMA
COMBINAÇÃO DA DESIGNAÇÃO DE TRABALHADORES PARA A EXECUÇÃO DE
UMA LISTA DE TAREFAS A SEREM ALOCADAS EM UMA DETERMINADA
QUANTIDADE DE ESTAÇÕES DE TRABALHO DISPONÍVEIS RESPEITANDO
RESTRIÇÕES DE PRECEDÊNCIA ENTRE AS TAREFAS, CARACTERIZANDO ESTE
PROBLEMA COMO NP-DIFÍCIL. ESTE TRABALHO FOI APLICADO EM UMA
MONTADORA DE AUTOMÓVEIS NA REGIÃO DE CAMPINAS–SP, ONDE FORAM
COLETADOS OS TEMPOS DE EXECUÇÃO DAS TAREFAS POR CADA
TRABALHADOR A FIM DE ALIMENTAR OS MODELOS PROPOSTOS. A SOLUÇÃO
OBTIDA PELA IMPLEMENTAÇÃO DO ALGORÍTIMO GENÉTICO SE MOSTROU MAIS
EFICIENTE, PERMITINDO UMA OPORTUNIDADE DE REDUÇÃO DO TEMPO
CICLO DE LINHA EM 3.89% QUANDO COMPARADO À SOLUÇÃO OBTIDA
ATRAVÉS DA HEURÍSTICA CONSTRUTIVA NA MESMA INSTÂNCIA.
Palavras-chaves: ALWABP, ALGORITMO GENÉTICO, BALANCEAMENTO DE LINHA.

XXVIII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Ensino em Engenharia de Produção: Como Preparar as Novas Gerações para o Desafio do Século XXI
Bauru, SP, Brasil, 10 a 12 de novembro de 2021
MODELLING THE ASSEMBLY LINE WORKER

ASSIGNMENT AND BALANCE PROBLEM IN AN
AUTOMOTIVE BIW CLOSURES ASSEMBLY LINE.
A COMPARATIVE APPROACH BETWEEN THE

IMPLEMENTATION OF A GENETIC AGORITHM
AND A CONSTRUCTIVE HEURISTIC.
Abstract: THIS PAPER PRESENTS A COMPARISON BETWEEN RESULTS OBTAINED
BY THE APPLICATION OF A GENETIC ALGORITHM AND A CONSTRUCTIVE
HEURISTIC DEVELOPED FOR A PARTICULAR CASE OF THE ALWABP “ASSEMBLY
LINE WORKER ASSINGMENT AND BALANCE PROBLEM”. MANUAL LINES FOR
ASSEMBLING CLOSURES ONTO AUTOMOTIVE BODIES USUALLY HAVE
UNFAVORABLE ERGONOMIC FACTORS, DEPENDING ON THE NATURE OF THE
TASK AND THE INDIVIDUAL WORKER ANATOMIC FEATURES, CONTRIBUTING TO
HETEROGENICITY IN THE DURATION OF THE TASKS WHEN PERFORMED BY
DIFFERENT WORKERS. THEREFORE, THE BALANCING OF THE LINE AND ITS
CYCLE TIME OPTIMIZATION ARE DEPENDENT ON A COMBINATION OF THE
ASSIGNMENT OF WORKERS FOR PERFORMING A LIST OF TASKS TO BE
ALLOCATED IN A SPECIFIC NUMBER OF WORKSTATIONS AVAILABLE
RESPECTING THE PRECEDENCE CONSTRAINSTS OF THE TASKS LIST,
CHARACTERIZING THIS PROBLEM AS NP-HARD. THIS WORK WAS APPLIED IN AN
AUTOMAKER BODY SHOP ASSEMBLY LINE IN THE REGION OF CAMPINAS–SP,
WHERE THE TASKS PERFORMANCE TIMES WERE COLLECTED FOR ALL
INDIVIDUALS ABLE TO BE ASSIGNED IN ORDER TO SUPPLY THE PROPOSED
MODELS. THE SOLUTION OBTAINED BY THE IMPLEMENTATION OF THE
GENETIC ALGORITIM HAS PROVEN BEING MORE EFFICIENT, ALLOWING AN
OPPORTUNITY TO REDUCE THE LINE CYCLE TIME BY 3.89% WHEN COMPARED
TO THE SOLUTION OBTAINED THROUGH THE CONSTRUCTIVE HEURISTIC IN
THE SAME INSTANCE.
Keywords: ALWABP, GENETIC ALGORITHM, LINE BALANCING.
2
1. Introdução
O desenvolvimento de linhas de produção ou a introdução de um novo produto em

uma linha pré-existente traz consigo algumas questões como quantas estações de trabalho
serão necessárias para manufaturar determinado produto e quais tarefas devem ser atribuídas
às quais estações de trabalho de forma a atender uma determinada taxa de produção e
minimizar a quantidade de recursos empenhados. O referido problema é estudado em
engenharia de produção e denominado na literatura como balanceamento de linhas de
produção, ou ALBP “Assembly line balancing problem”.
Existem diferentes categorias do ALBP, dependendo das restrições impostas pelo
problema e o objetivo de otimização que pode ser a maximização da eficiência de
balanceamento ou a minimização do tempo ciclo da estação gargalo ou até mesmo a
minimização do makespan (Boysen, Fliedner e Scholl, 2007). O problema em sua forma mais
simplificada, o SALBP “Simple assembly line balance problem” considera que o tempo de
execução das tarefas manuais é constante, independente do trabalhador designado, enquanto o
ALWABP “Assembly line worker assignment and balancing problem” (Miralles, et al. 2007),
considera uma heterogeneidade na duração do tempo de uma determinada tarefa quando
executada por diferentes trabalhadores, levando em consideração suas individualidades de
anatomia que podem impactar na ergonomia da execução das tarefas e consequentemente no
tempo ciclo de linha e de estação. Essa realidade é potencializada em processos industriais
onde as tarefas possuem fatores ergonômicos desfavoráveis, geralmente devida à posição de
trabalho requerida para processos de montagem.
O processo de montagem de partes móveis de uma carroceria automotiva é um caso
onde há uma considerável heterogeneidade de tempos de execução entre diferentes
trabalhadores, pois determinadas peças como a tampa traseira, por exemplo, são em geral
mais facilmente montadas por trabalhadores de maior estatura, enquanto a montagem de
Paralamas é mais prática quando executada por trabalhadores de baixa estatura. Portanto, as
individualidades anatômicas, bem como as habilidades particulares de cada trabalhador são
determinantes para a não homogeneidade destes tempos, fazendo com que a otimização deste
processo totalmente dependente de uma designação de trabalhadores apropriada, tornando
este problema um caso de ALWABP.
3
FIGURA 1 - Componentes de montagem da linha em estudo
Fonte: Autores (adaptado de Hyundai Motor Company)
Quanto à organização deste artigo, uma sucinta fundamentação teórica sobre o ALPB
e ALWABP são abordados na próxima seção, seguido pela metodologia aplicada na seção 3 e
a modelagem e implementação da heurística e algoritmo genético na seção 4. Os resultados
experimentais podem ser encontrados na seção 5 e no final a conclusão deste trabalho.
2. Fundamentação teórica
Em problemas de balanceamento de linhas de produção, o modelo mais desenvolvido
e amadurecido é o SALBP (Scholl e Becker, 2003) que é uma abstração mais simples e
menos realista, que serviu de base para o estudo de problemas reais que surgem na indústria.
A partir do SALBP, é possível adicionar restrições e condições à resolução do problema.
Dentro do próprio SALBP existem quatro diferentes variantes do problema:
• SALBP-F: Tempo de ciclo c e número de estações m são fixos, e o problema se
resume em determinar uma possível configuração da linha de montagem que satisfaça, além
das restrições de precedência entre tarefas, estes dois parâmetros.
• SALBP-1: Tempo de ciclo c é fixo e o objetivo é encontrar uma configuração que
minimize o número de estações m.
• SALBP-2: O problema dual do SALBP-1, o número de estações m é fixo e o
objetivo é minimizar o tempo de ciclo c.
• SALBP-E: Não fornece nenhum dos parâmetros de entrada e o objetivo é minimizar
4
simultaneamente o tempo de ciclo e o número de estações.

O SALBP é uma modelagem extremamente simplificada do problema de
balanceamento de linhas de produção e, portanto muito pouco realista em relação aos
requisitos que de fato aparecem na indústria. Conforme condições que retratam uma linha real
vão sendo introduzidas, o problema se torna mais complexo de ser resolvido. Uma destas
condições é a variabilidade no tempo de execução de uma determinada tarefa entre
trabalhadores aptos.
No SALBP, é assumido que todos os trabalhadores possuem as mesmas capacidades e
habilidades e, por isso, utilizam a mesma quantidade de tempo para executar determinada
tarefa. Porém existem situações em que diferentes trabalhadores possuem diferentes
competências e anatomias, e o tempo de execução de uma determinada tarefa depende de
qual trabalhador é designado. Geralmente isto ocorre em linhas de montagem nas quais,
possuem fatores de risco ergonômico ou mesmo requerem habilidades complexas de destreza
manual ou também porque o produto possui difícil acesso ao ponto de montagem.
A diferença fundamental entre o SALBP e o ALWABP, em termos de definição, é que
ao invés de cada tarefa j possuir um tempo de execução fixo cada tarefa possui um tempo
de execução que depende do trabalhador w no qual a tarefa foi designada. Portanto, éo
tempo que o trabalhador w gasta para executar a tarefa j.
Assim como no SALBP, o ALWABP também pode ser divido em quatro problemas,
variando os parâmetros e o objetivo. Utilizando a mesma nomenclatura, existem as variantes
ALWABP-1, ALWABP-2, ALWABP-E e ALWABP-F. Sendo que a aplicável ao caso
proposto neste trabalho é certamente o ALWABP-2, uma vez que a característica que define o
problema é justamente a heterogeneidade dos trabalhadores para executar um conjunto de
tarefas j em uma determinada quantidade de estações de trabalho m.
A solução para o ALWABP foi proposta (Miralles et al. 2008) implementando um
algoritmo “branch and bound” que era capaz de resolver pequenas instâncias A partir de
então, devido à sua limitação em resolver instâncias maiores, uma abordagem utilizando
meta-heurísticas começou a ser utilizada. Atualmente, o estado da arte para a solução do
ALWABP é um algoritmo proposto por (Blum e Miralles, 2011) onde se aplica uma meta-
heurística de “beam search” capaz de encontrar as melhores soluções, quando comparado à
outros métodos propostos anteriormente nas mesmas instâncias.
5
3. Metodologia
Neste caso particular, o objetivo é maximizar a taxa de produção de uma linha de
montagem de partes móveis na carroceria para um específico modelo de veículo.
Uma vez que esta é uma linha de produção já existente, com posição de racks de
abastecimento de peças e outras restrições de layout já definidas, foi elaborado o grafo de
precedência entre tarefas considerando todas as restrições tecnológicas.
FIGURA 2 – Grafos de precedência das tarefas do processo
Fonte: Autores
Cada estação de trabalho na linha agrega valor ao produto incrementando uma parte
móvel à carroceria: portas; tampa traseira; capô e para-lamas. Para cada estação de trabalho k
é designado um trabalhador w. Um layout simplificado para um fácil entendimento deste
processo de montagem é ilustrado abaixo através da figura 3.
FIGURA 3 - Layout ilustrativo da linha de produção em estudo
Fonte: Autores
6
Observa-se que o processo de montagem e ajuste de portas e para-lamas do lado

direito e esquerdo ocorrem simultaneamente de cada lado linha. Desta forma, no cálculo da
função objetivo deve-se considerar o maior tempo dentre as montagens simétricas. O objetivo
é maximizar a taxa de produção, em outras palavras, pode ser descrito como minimizar o
somatório dos tempos de execução das tarefas a fim de possibilitar um aumento na velocidade
da esteira transportadora e consequentemente o aumento na taxa temporal de produção.
∑ [ ] [ ] [ ] (1)
Sujeito à:
( )
Com relação ao tempo heterogêneo de cada trabalhador w para realizar cada atividade
j, foram coletadas amostras de tempo destes trabalhadores durante o processo produtivo,
sendo que o resultado foi computado como sendo a média de três medições. A sumarização
destes dados é representada na tabela a seguir:
TABELA 1 - Tempo de execução das tarefas por trabalhador

TASKS (tempo em segundos)
j1 j2 j3 j4 j5 j6 j7 j8 j9 j10 j11 j12 j13 j14 j15 j16 j17
Montagem Montagem Montagem Montagem Ajuste Ajuste Ajuste Ajuste
Montagem Ajuste Montagem Montagem ajuste Ajuste
Reparo CO² porta porta porta porta porta porta porta porta Montagem Ajuste
Worker assoalho taseira taseira dianteira dianterira taseira taseira dianteira dianterira
tampa tampa
capo capo
paralama paralama paralama paralama
traseira traseira direito esquerdo direito esquerdo
direita esquerda direita esquerda direita esquerda direita esquerda
w1 NA 37 37 40 40 30 30 26 26 47 25 50 27 54 54 20 20
w2 73 38 38 39 39 31 31 27 27 51 26 51 26 52 52 22 22
w3 75 39 39 41 41 30 30 27 27 50 24 51 26 53 53 23 23
w4 NA 41 41 43 43 28 28 25 25 46 22 50 26 56 56 20 20
w5 71 41 41 43 43 26 26 23 23 54 21 53 24 NA NA NA NA
w6 74 39 39 41 41 30 30 26 26 48 24 52 25 53 53 22 22
w7 73 38 38 39 39 31 31 27 27 50 26 50 26 52 52 22 22
w8 NA 37 37 40 40 29 29 28 28 47 23 49 26 53 53 22 22
w9 73 38 38 39 39 30 30 26 26 46 24 50 25 51 51 22 22
Fonte: Autores
Nota-se que nem todos trabalhadores estão habilitados a executar todas tarefas e essas
restrições devem ser consideradas no algoritmo de busca.
De acordo com a precedência de atividades e tempo ciclo disponível, é possível notar
que existem duas configurações possíveis para a linha de montagem, a configuração 1
equivale a montar as portas traseiras e e dianteiras e na mesma estação, enquanto
7
na estação seguinte realizar as tarefas de ajuste a .

A configuração 2 equivale a executar as tarefas e de montagem da porta traseira
e realizar os respectivos ajustes e na mesma estação enquanto para a próxima estação
são designadas as tarefas de montar as portas dianteiras e e ajustá-las e . As demais
tarefas são efetuadas nas mesmas estações para as configurações 1 e 2.
Tal abordagem em duas configurações, possibilitou uma simplificação dos modelos
desenvolvidos na seção seguinte.
4. Modelagem
Nesta seção, os modelos de implementação da heurística construtiva e do algoritmo
genético são apresentados em detalhes. Ambos foram implementados utilizando a plataforma
Google Colab e o solver Gurobi.
4.1 Heurística construtiva

Seu fundamento central é atribuir para cada estação, o trabalhador que minimize o
tempo necessário para execução das tarefas. O primeiro passo do algoritmo é de determinar
quais trabalhadores podem ser alocados em quais estações, para isso foi criada uma função
que retorna para cada estação, o conjunto de trabalhadores compatíveis com as tarefas
presentes na estação e que são capazes de executar as tarefas da estação respeitando a
restrição de tempo ciclo máximo.
Uma vez que os trabalhadores válidos são obtidos, o próximo passo é atribuir os
trabalhadores para as estações. Na medida em que os trabalhadores são alocados nas estações,
é possível que não reste nenhum trabalhador válido para ser inserido em alguma estação
restante. Neste caso, o algoritmo precisa trocar qual trabalhador é alocado em alguma das
estações anteriores, de forma a garantir que seja alocado um trabalhador válido em cada
estação. A maneira na qual é feita a atribuição de trabalhadores, assim como, a realização de
trocas, quando necessário, é explicada em detalhes a seguir.
Com o intuito de reduzir o número de trocas feitas e, consequentemente, acelerar a
convergência do algoritmo a atribuição de trabalhadores nas estações é feita em função da
quantidade de trabalhadores válidos para cada estação, sempre priorizando as estações com
um menor número de trabalhadores válidos disponíveis. Para determinar a ordem das estações
nas quais os trabalhadores devem ser alocados é utilizada uma função para retornar uma lista
L contendo todas as m estações, ordenadas em função da quantidade de trabalhadores válidos.
8
Após a execução desta, é utilizada uma função para atribuição dos trabalhadores nas estações,
na ordem dada pela lista L. Para cada estação é atribuído o trabalhador disponível cujo o
tempo para execução das tarefas é o menor possível e que não tenha sido utilizado
anteriormente, além disso, somente trabalhadores válidos são considerados, ou seja,
trabalhadores capazes de realizar as tarefas em tempo igual ou menor o limite de 77 segundos
e compatíveis com as tarefas presentes na estação. Caso, para alguma estação i, não reste
nenhum trabalhador válido disponível, então uma nova função recebe a lista contendo todos
os trabalhadores válidos para a estação i, seja TV esta lista. Considere que a lista TV tem m
elementos e que os índices , , ..., são referentes aos m trabalhadores válidos para a
estação i. É selecionado então o trabalhador , como este trabalhador não está disponível, ele
foi inserido em alguma estação anteriormente, a estação na qual o trabalhador foi inserido é
determinada, seja k esta estação. Caso exista algum outro trabalhador disponível e válido para
a estação k, é feita uma troca, onde o trabalhador é alocado na estação i e o trabalhador
disponível e válido que consome menos tempo para executar as tarefas da estação k é
atribuído à essa estação. Caso não exista nenhum trabalhador válido e disponível para ser
atribuído na estação k então é selecionado o trabalhador e o processo é repetido. Caso não
seja possível realizar nenhuma troca então não existe uma nova solução factível para o
problema.
4.2 Algoritmo genético

4.2.1 Decodificação dos indivíduos
Cada individuo da população contêm duas informações importantes, sendo estas: quais
trabalhadores são alocados em quais estações e se é utilizada a configuração 1 ou 2. Para fazer
a representação dos indivíduos são utilizados N vetores, , , ..., , e cada um destes
vetores contém três parâmetros sendo , o índice da estação referente ao vetor ,, o índice do
trabalhador alocado a estação , e , um vetor contendo o índice das tarefas executadas na
estação . Desta forma cada individuo i é representado da seguinte maneira:
I = [[ ], [ ]...[ ]]
Onde cada vetor vi tem a seguinte representação:
= [ , [ , [ ]]
Cada trabalhador deve ser alocado à uma e apenas uma estação, portanto para
devemos ter . De forma análoga, uma vez que todas as estações devem ser utilizadas
uma única vez para devemos ter . Os vetores Ti são determinados em função da
9
estação si e da configuração utilizada.

Para gerar os indivíduos, é utilizada uma função atribuindo aleatoriamente um
trabalhador para cada estação de forma que todos os trabalhadores e estações sejam utilizados
uma única vez. Além disso, são atribuídas as tarefas para cada estação segundo a
configuração 1 ou 2. A configuração utilizada no individuo gerado é decidida aleatoriamente,
havendo chances iguais de 50% em utilizar cada configuração. Neste trabalho, geramos uma
população inicial contendo 150 indivíduos.
4.2.2 Seleção dos pais

Nesta etapa do algoritmo genético são selecionados os melhores indivíduos para
representarem os pais que serão utilizados para gerar os filhos da próxima geração. A seleção
dos pais é feita a partir de um torneio binário, no qual dois indivíduos da população são
escolhidos de forma aleatória e o com o melhor valor de função objetivo é selecionado. No
total, são selecionados 150 indivíduos para representar os pais.
4.2.3 Penalizações
Com o intuito de eliminar os indivíduos infactíveis da população no decorrer do
algoritmo genético, as infactibilidades foram penalizadas da seguinte forma: caso um
trabalhador seja designado para executar uma tarefa na qual ele é incompatível, foi atribuído o
tempo de cinco vezes o limite de tempo de 77 segundos, ou seja, 385 segundos. Além disso,
caso uma estação necessite além de 77 segundos para executar as tarefas alocadas a esta
estação, foi somado no valor da função objetivo 77* s. Onde s representa a quantidade de
tempo, em segundos, que a estação excede o limite de tempo preestabelecido.
4.2.4 Crossover
O “crossover” é realizado com 95% de probabilidade, o processo para geração dos
filhos pode ser resumido nas seguintes etapas:
• São selecionados dois pais aleatoriamente, dentre o conjunto de pais determinado pelo
procedimento descrito na seção 4.
• São obtidas todas as combinações possíveis entre pai 1 e pai 2 que respeitem o fato de que
cada estação pertencente a S e cada trabalhador pertencente a W sejam utilizados uma única
vez. As combinações são obtidas a partir da solução de um problema inteiro, descrito a seguir.
• Duas das combinações obtidas anteriormente são escolhidas aleatoriamente e usadas para
gerar o filho 1 e filho 2.
10
• As tarefas são atribuídas de acordo com a configuração dos pais. O filho 1 herda a
configuração do pai 1 e o filho 2 herda a configuração do pai 2.
• O processo é repetido até gerar 150 filhos.
O problema de determinar as combinações válidas entre dois pais pode ser formulado
( )
como um problema de programação inteira. Seja uma variável binária que é igual a 1 se e
( ) ( )
somente se é utilizado na composição do filho e uma variável binária que é igual a 1
( ) ( )
se e somente se é utilizado na composição do filho. Seja uma constante que indica o
( ) ( )
índice i para o qual o vetor está utilizando o trabalhador l, ou seja, o vetor ( ) utiliza
( )
( )
necessariamente o trabalhador l. De forma similar, considere uma constante que indica o
( ) ( )
índice i para o qual o vetor está utilizando a estação l, ou seja, o vetor ( ) utiliza a
( )
estação l, l {1, ..., m}. Dado que cada trabalhador e cada estação só podem ser utilizados
uma única vez devemos ter:
( ) ( )
( ) ( ) =1 l=1,2….m (2)
( ) ( )
( ) ( )
( ) ( ) =1 l=1,2….m (3)
( ) ( )
O conjunto de restrições (1) garante que cada trabalhador l {1, 2, ..., N} seja
utilizado uma única vez no filho, de forma análoga as restrições (2) garantem que cada
estação l {1, 2, ..., N} seja utilizada uma única vez no filho. Uma vez que nosso interesse é
determinar todas as combinações válidas entre os pais, ou seja, todas as soluções factíveis do
problema ((1)-(2)) foi fixado o valor de função objetivo igual a 0. Assim toda solução factível
tem o mesmo valor de função objetivo.
4.2.5 Mutação
Dois tipos distintos de mutação são aplicados nos filhos gerados, a primeira delas
consiste em permutar os trabalhadores atribuídos em duas estações, as estações escolhidas
para a permuta são decididas aleatoriamente, esta mutação ocorre com 10% de probabilidade
para cada vetor vi do filho. A segunda mutação troca a configuração do filho, ou seja, se
anteriormente o filho utilizava a configuração 1 ele passa a utilizar a configuração 2 e vice-
versa. Esta mutação tem 5% de probabilidade de ocorrer para cada filho.
Após a execução das etapas anteriores, são selecionados os melhores 150 indivíduos
dentre a população no início da etapa 1 e os filhos gerados. O procedimento é repetido até
11
atingir o número de gerações preestabelecido. Note que quanto maior o número de gerações,
mais tempo será exigido para a execução do algoritmo. No nosso caso em particular o
algoritmo convergiu para um individuo rapidamente, após a convergência do método não
houve melhora na função objetivo média da população, desta maneira, trabalhamos com
apenas 20 gerações, número considerado suficiente para a convergência do método no nosso
caso específico.
5. Resultados experimentais
A heurística construtiva proposta obteve sucesso em determinar indivíduos factíveis.
Utilizando a configuração 1, o valor da função objetivo obtido é de 425 segundos, já
utilizando a configuração 2 o valor de função objetivo obtido é de 426 segundos.
Quanto ao algoritmo genético, foi considerado um tamanho de população composto de
150 indivíduos e um total de 20 gerações. O algoritmo rapidamente se livrou de
infactibilidades. Apenas na primeira geração houve incompatibilidades entre trabalhadores e
tarefas, de forma, similar, apenas nas duas primeiras gerações houve estações que excederam
o limite de tempo (77 segundos). A quantidade de incompatibilidades entre tarefas e
trabalhadores por geração e o número de estações que excederam o limite de tempo estão
ilustrados na figura 5.
FIGURA 5 – Incompatibilidades e estações com tempo excedido por geração
Durante a execução dos testes computacionais, se buscou avaliar qual a melhor dentre
as duas configurações. Tanto a heurística proposta quando o algoritmo genético apresentaram
melhores resultados para a configuração 1. A Figura 6 apresenta o número de indivíduos que
utilizam a configuração 1 ou 2 por geração do algoritmo genético
12
FIGURA 6 – Nº de indivíduos por configuração ao longo das gerações
Fonte: Autores
Inicialmente o número de indivíduos que utilizam a configuração 1 é bem próximo do

número de indivíduos que utilizam a configuração 2, pois a configuração utilizada pelos
indivíduos na primeira geração é definida aleatoriamente. Na medida em que o algoritmo
progride há uma variação na quantidade de indivíduos utilizando cada uma das configurações
até que o algoritmo converge para uma população formada inteiramente por indivíduos que
utilizam a configuração 1.
Uma vez que as infactibilidades são eliminadas rapidamente do problema e os
indivíduos infactíveis são fortemente penalizados, é possível notar que o gráfico da função
apresenta uma queda brusca já nas primeiras gerações, convergindo para uma população
factível, enquanto excluindo as penalizações o algoritmo converge após 13º geração.
FIGURA 7 – Convergência do algoritmo genético com e sem a aplicação de penalização
Fonte: Autores
13
6. Conclusão
O objetivo deste trabalho foi implementar dois métodos para a solução do ALWABP
em uma linha de montagem de partes móveis de carroceria e comparar os resultados obtidos.
A partir dos testes computacionais realizados, foi possível determinar uma solução
factível. Tanto a heurística construtiva quanto o algoritmo genético apresentaram melhores
resultados considerando a configuração 1. A solução encontrada pelo algoritmo genético foi
superior à encontrada através da heurística proposta. Para o melhor individuo gerado, o
“makespan” é de 422 segundos, enquanto as soluções obtidas a partir da heurística proposta
são de 425 e 426 segundos, usando as configurações 1 e 2 respectivamente.
Dessa forma, o algoritmo genético se mostrou mais eficiente, estabelecendo uma
solução factível para o problema proposto e promovendo uma redução de 3 segundos em
comparação à solução obtida via heurística construtiva, tempo este que, em uma produção de
alta cadência com capacidade de montagem de 45 carrocerias por hora, 3 segundos significam
um ganho de produtividade em quase 4%, ou seja, um ganho de 1,75 carrocerias por hora.
REFERÊNCIAS
BLUM, Christian; MIRALLES, Cristobal. On solving the assembly line worker assignment and
balancing problem via beam search. Comput. Oper. Res. 38.1, pp. 328–339 (2011).
NILS, Boysen; FLIEDNER, Malte; SCHOLL, Armin. A classification of assembly line balancing
problems. European Journal of Operational Research 183.2, pp. 674 –693 (2007).
MIRALLES, Cristobal et al. Advantages of assembly lines in Sheltered Work Centres for
Disabled. A case study. International Journal of Production Economics 110.1-2, pp. 187–197 (2007).
MIRALLES, Cristobal; et al. Branch and bound procedures for solving the Assembly Line
Worker Assignment and Balancing Problem: Application to Sheltered Work centres for
Disabled. Discrete Appl. Math. 156.3, pp. 352–367 (2008).
SCHOLL, Armin; BECKER, Christian. State-of-the-art exact and heuristic solution

procedures for simple assembly line balancing. Jenaer Schriften zur Wirtschaftswissenschaft
20/2003. Friedrich-Schiller-Universität Jena, Wirtschaftswissenschaftliche Fakultät.
SEWELL, E. C; JACOBSON, S. H. A Branch, Bound, and Remember Algorithm for the Simple
Assembly Line Balancing Problem. INFORMS J. on Computing 24.3, pp. 433–442 (2012).
14

Modelando o Alwabp

Enviado por

Dados do documento

Descrição original:

Título original

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

Modelando o Alwabp

Enviado por

Direitos autorais:

Formatos disponíveis

MODELANDO O PROBLEMA DE DESIGNAÇÃO DE

TRABALHADORES E BALANCEAMENTO DE UMA

UMA ABORDAGEM COMPARATIVA ENTRE A

SEBASTIAO ANTONIO A. RODRIGUES – s167638@g.unicamp.br

Área: 3. PESQUISA OPERACIONAL

Resumo: ESTE ARTIGO APRESENTA UMA COMPARAÇÃO ENTRE RESULTADOS

Palavras-chaves: ALWABP, ALGORITMO GENÉTICO, BALANCEAMENTO DE LINHA.

MODELLING THE ASSEMBLY LINE WORKER

A COMPARATIVE APPROACH BETWEEN THE

Keywords: ALWABP, GENETIC ALGORITHM, LINE BALANCING.

O desenvolvimento de linhas de produção ou a introdução de um novo produto em

FIGURA 1 - Componentes de montagem da linha em estudo

Fonte: Autores (adaptado de Hyundai Motor Company)

simultaneamente o tempo de ciclo e o número de estações.

FIGURA 2 – Grafos de precedência das tarefas do processo

FIGURA 3 - Layout ilustrativo da linha de produção em estudo

Observa-se que o processo de montagem e ajuste de portas e para-lamas do lado

TABELA 1 - Tempo de execução das tarefas por trabalhador

na estação seguinte realizar as tarefas de ajuste a .

4.1 Heurística construtiva

4.2 Algoritmo genético

estação si e da configuração utilizada.

4.2.2 Seleção dos pais

FIGURA 5 – Incompatibilidades e estações com tempo excedido por geração

FIGURA 6 – Nº de indivíduos por configuração ao longo das gerações

Inicialmente o número de indivíduos que utilizam a configuração 1 é bem próximo do

FIGURA 7 – Convergência do algoritmo genético com e sem a aplicação de penalização

SCHOLL, Armin; BECKER, Christian. State-of-the-art exact and heuristic solution

Você também pode gostar