Escolar Documentos
Profissional Documentos
Cultura Documentos
2
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
1. Introdução
3
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
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
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
5
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
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.
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.
Fonte: Autores
6
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
∑ [ ] [ ] [ ] (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:
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
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
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.
8
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
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.
9
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
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
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
• 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
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
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.
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
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
Fonte: Autores
Fonte: Autores
13
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
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).
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