Machine Translated by Google

Computadores e Engenharia Industrial 133 (2019) 253–266

Listas de conteúdo disponíveis em ScienceDirect

Computadores e Engenharia Industrial

página inicial do jornal: www.elsevier.com/locate/caie

O problema de agendamento de pedidos do sistema produto-serviço com janelas de tempo

T

Yang Zhanga , Yiran Danb, Bin Danc,ÿ , Huali Gaod

uma
Escola de Administração, Universidade de Tecnologia e Negócios de Chongqing, Chongqing, China
b
School of Construction Management and Real Estate, Chongqing University, Chongqing, China
c
Escola de Economia e Administração de Empresas, Universidade de Chongqing, Chongqing, China
d
Business School, Southwest University of Political Science & Law, Chongqing, China

INFORMAÇÕES DO ARTIGO RESUMO

Palavras-chave: Um sistema produto-serviço (PSS) é um sistema que oferece uma combinação de produtos tangíveis e serviços intangíveis para atender
Sistema produto-serviço às necessidades personalizadas dos clientes. Este artigo estuda um problema de agendamento de pedidos PSS com janelas de tempo
Agendamento de pedidos
(PSS OSPTW) para um provedor de PSS composto por uma planta fabril e um centro de serviços. Neste problema, o produto de cada
Janela de oportunidade
pedido de PSS é produzido primeiro pela fábrica e, em seguida, o serviço de instalação é fornecido pelo centro de serviço. Um modelo
Metaheurísticas
matemático para o PSSOSPTW é apresentado para minimizar o custo total de armazenamento e atraso. Para resolver este problema NP-
difícil, um algoritmo de inserção de tempo ocioso é proposto para obter os tempos ótimos de início e término de produção e atendimento
de pedidos PSS para uma determinada sequência de pedidos. Três meta-heurísticas baseadas em busca local iterada, recozimento
simulado e busca tabu são desenvolvidas para buscar a melhor sequência através da incorporação do algoritmo de inserção de tempo
ocioso. Todas as metaheurísticas utilizam uma versão adaptada da heurística NEH para gerar soluções iniciais e aplicam a ideia de busca
de vizinhança variável para encontrar o ótimo local. O desempenho dos algoritmos propostos é avaliado por comparação, e os efeitos de
alguns fatores de instância também são examinados. Os resultados mostram que nossos algoritmos têm um desempenho muito
semelhante em geral, mas bastante diferente em várias situações. Além disso, o tamanho do problema, o fator de atraso, o fator de
intervalo de datas de vencimento e o fator de intervalo de largura da janela de tempo têm impacto perceptível em seu desempenho.

1. Introdução Na indústria de fabricação de equipamentos (como elevadores e energia eólica,

A fim de lidar com a concorrência de mercado cada vez mais acirrada e atender às
necessidades de serviços personalizados e diversificados dos clientes, muitas empresas
de manufatura tradicionais deixaram de simplesmente vender produtos para fornecer
soluções abrangentes de produtos e seus serviços relacionados, ou seja, sistemas de
serviço de produto (PSSs) (Baines et al., 2007; Boehm & Thomas, 2013). Por exemplo, a
IBM e a GE transformaram-se de puros fabricantes de produtos em fornecedores de PSS,
fornecendo produtos e serviços relacionados, como suporte tecnológico, manutenção e
treinamento (Sawhney, Balasubramanian e Krishnan, 2004). Os resultados da pesquisa
revelaram que o PSS pode não apenas melhorar a competitividade e a lucratividade das
empresas (Geng, Chu, Xue, & Zhang, 2010), mas também melhorar a satisfação e a
fidelidade do cliente (Baines, Lightfoot, Benedetti, & Kay, 2009; Beuren, Ferreira, &
Miguel, 2013). Além disso, o PSS é benéfico para economizar recursos, reduzir a poluição
e melhorar a sustentabilidade da fabricação (Lindahl, Sundin e Sakao, 2014; Tukker,
2015). Portanto, o PSS é propício para alcançar um alto grau de unidade de benefícios
sociais, ambientais e econômicos.
etc.), os contratos de aquisição e instalação de equipamentos são um tipo comum de
pedidos PSS. Nesse tipo de pedidos de PSS, geralmente é fornecida uma janela de
tempo especificada pelo cliente para exigir que o provedor de PSS forneça o serviço de
instalação com base nessa janela de tempo. Se o produto for finalizado antes da janela
de tempo, o provedor de PSS não poderá fornecer o serviço imediatamente devido a
vários motivos, por exemplo, as condições de instalação não estão disponíveis. Se os
recursos de serviço ociosos estiverem indisponíveis quando a produção for concluída,
também será impossível para o provedor de PSS começar a fornecer serviços
imediatamente. Em ambos os casos, o provedor de PSS deve lidar com o problema de
armazenamento e arcar com o custo de armazenamento correspondente, que depende
do tempo de armazenamento e do seguro (Behnamian, Ghomi, & Zandieh, 2010). Se o
prestador de PSS não entregar uma encomenda dentro da sua janela de tempo, é
considerado como uma quebra de contrato e incorrerá no custo de atraso correlacionado
com o atraso e a penalidade estipulada no contrato. Além disso, o atraso pode levar a
uma diminuição da satisfação do cliente e uma potencial perda de goodwill (Chung, Chan,
& Ip, 2011). Para reduzir o custo operacional e aumentar a satisfação do cliente, como
agendar pedidos de PSS razoavelmente de acordo com os limites de janela de tempo
dos clientes é um problema prático enfrentado pelos fornecedores de PSS.

ÿ Autor correspondente.
Endereço de e-mail: danbin@cqu.edu.cn (B. Dan).

https://doi.org/10.1016/j.cie.2019.04.055 Recebido
em 10 de janeiro de 2019; Recebido em formulário revisado em 5 de abril de 2019; Aceito em 30 de abril de 2019
Disponível online em 11 de maio de 2019 0360-8352/ © 2019 Elsevier Ltd. Todos os direitos reservados.
Machine Translated by Google
Y. Zhang, et ai.
A complexidade e dificuldade do escalonamento de pedidos do PSS principalmente
decorrem da interação entre as etapas de produção e serviço.
Como o serviço pode ser iniciado após a finalização da produção, o
sistema híbrido operado por um provedor de PSS pode ser visto como um sistema serial
composto por um subsistema de manufatura e um subsistema de serviço
(Wang, Jiang, Li e Geng, 2013). Por um lado, a conclusão antecipada de
produção fará com que o produto aguarde no armazém da
subsistema de fabricação, incorrendo assim no custo de armazenamento. No outro
Por outro lado, se a produção não puder ser concluída no prazo, a prestação do serviço pelo
subsistema de serviço será atrasada, o que aumenta o risco
de atraso. Portanto, os provedores de PSS precisam fazer uma troca entre
o custo de armazenamento e atraso, bem como coordenar a produção e
agendamento de serviço. Na realidade, a interação entre a produção e
estágios de serviço muitas vezes torna difícil para os provedores de PSS
gerenciar seus sistemas e negócios (Lockett, Johnson, Evans, & Bastl,
2011), causando alto custo operacional. Como alcançar a coordenação
programação da produção e serviço é outro problema crítico para
Provedores de PSS.
Para lidar com as questões acima, consideramos um provedor de PSS composto
de uma fábrica e um centro de serviços. A planta fabril
primeiro produz os produtos dos pedidos PSS e, em seguida, o centro de serviço é
responsável por fornecer os serviços de instalação correspondentes com base
em janelas de tempo especificadas pelos clientes. Estudamos como agendar PSS
pedidos de forma a minimizar o custo total de armazenamento e atraso, e propor alguns
algoritmos eficazes. A contribuição desta pesquisa é
fornecer aos provedores de PSS ferramentas eficazes de modelagem e solução para
agendamento de pedidos PSS, para que o custo operacional possa ser reduzido e
a eficiência operacional pode ser melhorada.
O restante deste artigo está organizado da seguinte forma. A Seção 2 revisa a literatura
relevante. A seção 3 descreve o problema e formula um modelo matemático. A seção 4
propõe um algoritmo de inserção de tempo ocioso. A seção 5 desenvolve três metaheurísticas.
Seção 6
realiza alguns experimentos computacionais. A Seção 7 tira conclusões
e dá sugestões para trabalhos futuros.
2. Revisão da literatura
Três correntes de literatura estão intimamente relacionadas a este artigo. Eles são
PSS, programação integrada de produção e serviços e programação de pedidos.
Atualmente, o PSS tem sido amplamente estudado no meio acadêmico. A maioria
da literatura relevante é a pesquisa qualitativa sobre o conceito, design e
estudo de caso de PSS (Mahut, Daaboul, Bricogne, & Eynard, 2017). Nos últimos anos, a
pesquisa quantitativa de PSS tem atraído gradualmente
atenção dos estudiosos. No campo do marketing, Xie, Jiang, Zhao e Shao
(2014) estudam três contratos comuns sob assimetria de informação em
uma cadeia de suprimentos que fornece PSS, e descobrem que a manutenção do preço de varejo
contrato beneficia o fabricante, enquanto o contrato de taxa de franquia
bom para o varejista. Lee, Yoo e Kim (2016) investigam a competição entre um canal
convencional que fornece bens separados e
serviços e um canal servitizado que fornece PSSs, e revelam que o
dependência de serviço e substituibilidade de canal são críticos para o
fabricante para decidir se adota a servitização. Pascual, Sina,
Santelices, Román e Droguett (2017) desenvolvem uma ferramenta quantitativa para
o desenho de contratos PSS orientados ao uso com base em não reparáveis
confiabilidade de componentes e compartilhamento de riscos. Na área de gestão de
operações, vários modelos de otimização para PSS são desenvolvidos. Por exemplo, Kuo e
Wang (2012) usam análise de utilidade multiatributo para
desenvolver diferentes modelos de serviço de manutenção, em que a operação
custo, emissão de CO2 e satisfação com o serviço são variáveis de decisão. Li e
Jiang (2013) constrói uma estrutura de blocos de otimização de cadeia de Markov
modelo de PSS com capacidade adicional de atendimento e clientes impacientes. Shokohyar,
Mansour e Karimi (2014) integram serviços e
gestão de fim de vida do produto em PSS sustentável para desenvolver um modelo de
otimização. Zhang, Liu, Liu e Li (2016) investigam os serviços de logística sustentável
habilitados para caixas inteligentes baseadas em PSS e apresentam uma
254
Computadores e Engenharia Industrial 133 (2019) 253–266
modelo de otimização dinâmica de tarefas logísticas. Para melhorar a lucratividade de um
PSS orientado ao uso, Liu, Yang, Pei, Liao e Pohl (2019)
formular um processo de decisão de Markov de tempo discreto para maximizar a
receita de longo prazo por período. A literatura acima fornece informações valiosas
experiências e referências para a gestão de marketing e operações do PSS, mas, até onde
sabemos, o agendamento de pedidos do PSS
problema continua a ser resolvido no campo da gestão de operações
mento.
A literatura existente sobre produção integrada e programação de serviços concentra-
se principalmente na produção e distribuição integradas.
área de agendamento. Li, Ganesan e Sivakumar (2005) abordam o problema da programação
sincronizada de montagem com transporte aéreo para
minimizar o custo em uma cadeia de suprimentos de eletrônicos de consumo. Ma, Chan e
Chung (2013) desenvolve um modelo integrado de programação de produção
com informações de envio e propor um algoritmo genético de dois níveis
para lidar com o modelo. Massengale, Larson, Dai e Jr (2014) estudo
o problema de sincronizar a programação da produção e a alocação do transporte ferroviário
de pedidos para otimizar o atendimento ao cliente no mínimo
custo total. Karimi e Davoudpour (2015) estudam a coordenação entre
programação de produção e distribuição em uma rede de cadeia de suprimentos, e
apresentar um método branch and bound para resolver este problema. Wang,
Ma, Luo e Qin (2016) desenvolvem um algoritmo genético híbrido baseado em
a aprendizagem baseada na oposição para resolver a produção coordenada e
programação de transporte em um flowshop de montagem de dois estágios. Através
combinando programação inteira mista, simulação de eventos discretos e um
algoritmo genético, Frazzon et al. (2018) propõem uma abordagem híbrida para
a programação integrada dos processos de produção e transporte no
estrutura de gerenciamento da cadeia de suprimentos. Ainda no contexto da cadeia de suprimentos,
Marandi e Fatemi Ghomi (2019) investigam um problema integrado de produção multifábrica
e programação de transporte com o
objetivo de minimizar o atraso total e o custo de transporte.
Mais pesquisas iniciais sobre questões de produção e distribuição integradas
agendamento pode ser referido a Chen (2010). A literatura acima considera que um veículo
de transporte pode fornecer serviço de entrega para
vários pedidos ao mesmo tempo, ou os produtos de um pedido podem ser divididos em
vários lotes a serem entregues por diferentes veículos de transporte. Dentro
a programação da ordem PSS, considera-se que o centro de serviço pode
execute apenas uma tarefa de serviço de instalação por vez, levando em consideração
que o serviço de instalação não pode ser dividido; adicionalmente, se a instalação não puder
começar imediatamente após a conclusão do produto, o
custos de armazenamento serão incorridos. Portanto, soluções anteriores para a programação
integrada de produção e distribuição não podem ser aplicadas a
o problema de agendamento de pedidos PSS, e novas estratégias de agendamento precisam
a ser desenvolvido para este problema.
A programação de pedidos do cliente tornou-se uma questão importante e quente
na gestão de operações de manufatura e serviços. Wang e
Cheng (2007) considera que cada pedido do cliente contém vários trabalhos diferentes a
serem processados em várias instalações dedicadas, e estuda
o problema de programação de pedidos correspondente para minimizar o total
tempo ponderado de conclusão do pedido. Chen e Pundoor (2009) estudam uma
problema integrado de agendamento e embalagem de pedidos sob as restrições
da capacidade do lote de entrega e do nível de serviço ao cliente. Xu
et ai. (2016) propõem um problema de escalonamento de pedidos de múltiplas máquinas
com efeito de aprendizado baseado em posição para minimizar o atraso total.
Com base na otimização de enxame de partículas, Lin et al. (2017) desenvolvem três
metaheurísticas para um escalonamento de pedidos multi-facilidade de dois agentes com
tempos prontos. Com o objetivo de minimizar o número de trabalhos atrasados,
Wu, Liu, Zhao, Wang e Lin (2017) estudam uma ordem multi-máquina
problema de agendamento com aprendizagem. Wu et ai. (2018) apresentam um pedido
problema de escalonamento com múltiplos objetivos, e propor heurísticas e metaheurísticas
para resolver este problema. Framinan e Perez Gonzalez (2018) desenvolvem algumas
heurísticas construtivas para a ordem
problema de agendamento com minimização de atraso total. Wu et ai. (2019)
resolver um problema de agendamento de pedido de cliente com efeito de aprendizado
baseado em tempo de processamento de soma de processamento em várias máquinas, de
modo que o atraso total dos pedidos seja minimizado. Ao contrário dos estudos acima, que apenas
Machine Translated by Google

Y. Zhang, et ai. Computadores e Engenharia Industrial 133 (2019) 253–266

considerar ordens de produção, este artigo trata dos mais complicados Sequência de ordem, = ( (1), (2), , ( )) … , onde ( )j denota o j º
n ordem, j Q
problema de escalonamento de pedidos PSS, cada um dos quais é composto por ambos
produto e serviço que deve ser processado por uma fábrica
e um centro de atendimento, respectivamente. 3.2. Formulação matemática

3. Descrição e formulação do problema Com base nas suposições e notações acima, um cálculo matemático
modelo para o PSSOSPTW é formulado da seguinte forma:
Considere um provedor de PSS composto por uma fábrica e um
Centro de serviço. No tempo zero, um conjunto = … {1, 2,n, } de n ordens PSS si min Z = (h· INV b TAR· + )
(1)
N chega simultaneamente ao provedor PSS. Ordem i, i N , consiste em um
unidade de produto e seu serviço de instalação correspondente. Associado sujeito a:
com ordem i é uma janela de tempo [ , ed ] , é o mais antigo permitido
onde euei = dentro
eu

CTP STP pt +
eu eu eu , (2)
tempo de serviço e di é a data de vencimento. Cada pedido de PSS deve passar pelo
etapas de produção e serviço, por sua vez, até a entrega completa, e todos os PSS STP CTP M x j ij+ eu
·( 1), ij, N ij , (3)
os pedidos são processados na mesma seqüência. Na fase de produção,
STS CTP ii , dentro (4)
produtos são produzidos pela fábrica de acordo com as
Modo MTO (fazer sob encomenda). Na fase de serviço, os serviços de instalação STS e eu eu
, dentro (5)
são fornecidos pelo centro de serviço para os clientes. Se a produção de
= st + iii ,
CTS STS dentro (6)
o pedido i for concluído antes do tempo de serviço permitido mais cedo, ou
não houver recurso ocioso a ser atribuído para a prestação do serviço, o produto ficará
STSij CTS M x + ·( j eu
1), ij, N ij , (7)
armazenado no armazém ao custo de hi por unidade de tempo. Se o
a entrega do serviço do pedido i está atrasada, a penalidade de atraso será incorrida xx ij +ji 1, ij, N (8)
ao custo de bi por unidade de tempo de atraso. Geralmente, a receita, custo de produção
e custo de serviço de cada pedido são fixos, então o objetivo de xij _ 1, dentro
o provedor de PSS é determinar a sequência ideal, bem como a dN (9)

tempos ideais de início e conclusão da produção e serviço do PSS

xij _ 1, dN
pedidos para minimizar o custo total de armazenamento e atraso. Por conveniência,
dentro (10)
simplesmente denotamos o problema descrito acima por PSSOSPTW
(o problema de agendamento de pedidos PSS com janelas de tempo). (xx + ij ji ) 1, dentro
dN (11)
3.1. Suposições e notações
xn = j 1
iNjN (12)
Para formular o PSSOSPTW, são feitas as seguintes premissas:
INV STS CTP
eu eu eu
, dentro (13)
(1) A preempção não é permitida após o início da produção ou do serviço.
(2) A planta fabril e o centro de serviços só podem realizar uma TAR CTS d iii , dentro (14)
tarefa de cada vez.
STP i 0, euCTP 0, euSTS 0, euCTS 0, INV TAR 0, ii 0, dentro
(3) Nenhuma interrupção ocorre durante o processo de produção e serviço
(15)
vício.
xij {0, 1}, , ij N (16)
As notações para o PSSSOSPTW são descritas a seguir:
Na Eq. (1), a função objetivo é minimizar o armazenamento total e
custo de atraso, onde o custo de estocagem de cada pedido é a unidade de estocagem
Parâmetros de entrada custo multiplicado pelo tempo de armazenamento e o custo de atraso de cada pedido
n Número total de pedidos é o custo unitário de atraso multiplicado pelo tempo de atraso. Restrição (2)
Q Coleção de posições em uma sequência de ordens com n ordens, Q = … {1, 2, , n}
indica que o processo de produção não pode ser interrompido.
pti Tempo de produção do pedido i
A restrição (3) garante que o horário de início da produção de um pedido não
sti Tempo de serviço do pedido i
Não Tempo de serviço mais antigo permitido do pedido i; Para fazer ei desempenhar uma função de
ser anterior ao tempo de conclusão da produção de seu antecessor imediato. A restrição
restrição, assume-se que o tempo de serviço mais cedo permitido do pedido i não é (4) impõe que o horário de início do serviço de um pedido
antes do seu primeiro tempo de conclusão da produção, ou seja, e pt i eu
não pode ser anterior ao seu tempo de conclusão da produção. Restrição (5)
Data de vencimento do pedido i
garante que a hora de início do serviço de um pedido não pode ser anterior ao seu
de ceni Centro da janela de tempo [,] ed ii , cen i = +( ed ii ) 2
tempo de serviço mais cedo permitido. A restrição (6) representa que o processo de
twi = assumiu
Largura da janela de tempo do pedido i, tw de ii que a ; Para tornar o twi razoável, é
eu

serviço não pode ser interrompido. A restrição (7) garante que

largura da janela de tempo do pedido i não é menor que seu tempo de serviço,
a hora de início do serviço de um pedido não pode ser anterior ao serviço
ou seja, st tw i hi eu

Custo de armazenamento por unidade de tempo do pedido i tempo de conclusão do seu antecessor imediato. Restrições (8)–(12)
com um
Custo de atraso por unidade de tempo do pedido i representam a seqüência de processamento de pedidos. Restrições (13) e (14)
M Um número positivo muito grande
determinar o tempo de armazenamento e atraso, respectivamente. Restrições (15)
Variáveis e (16) definir o domínio das variáveis de decisão.
CTPi Tempo de conclusão da produção do pedido i
Tempo de conclusão do serviço CTSi do pedido i Teorema 1.. O problema PSSOSPTW é NP-difícil.
INVi Tempo de armazenamento do pedido i

TARi Atraso na hora do pedido i Comprovação. Consulte o Apêndice.

Variáveis de decisão Com base no modelo matemático do PSSSOSPTW, apresentamos uma

STPi Hora de início da produção do pedido i
algoritmo de programação de horários para obter os primeiros tempos de início e conclusão
Horário de início do pedido do serviço STsi i
de produção e serviço de ordens PSS para uma determinada sequência. A ideia é
xij Se a ordem j for imediatamente após a ordem i, então xij = 1; caso contrário, xij = 0
simples, ou seja, deixar a fábrica produzir produtos e o
centro de serviço fornecer serviços o mais rápido possível. Pseudocódigo 1 mostra

255
Machine Translated by Google

Y. Zhang, et ai. Computadores e Engenharia Industrial 133 (2019) 253–266

o algoritmo de programação de horários proposto, onde (0) representa o dummy Comprovação. Consulte o Apêndice.
pedido. Este algoritmo será usado para projetar uma inserção de tempo ocioso
É um problema muito difícil determinar se deve haver
algoritmo na próxima seção.
tempo ocioso entre ordens PSS adjacentes. Embora o Teorema 2 parcialmente
resolve este problema, é apenas uma condição desnecessária suficiente, uma vez que
Pseudocódigo 1 alguns pedidos adjacentes que deveriam ser produzidos sucessivamente podem não
satisfaça as condições deste teorema. Ao final desta seção, tal
Procedimento Cronograma ( ) será dado um contra-exemplo. Porque este problema ainda não foi
CTP (0): 0; =
resolvido completamente, mais pesquisas são necessárias no futuro. Baseado em
CTS (0): 0; =
Teorema 2, o seguinte corolário pode ser obtido.
para j : 1 a = n Faz
Por favor
( ) CTP :=
(1) ; aa Corolário 1.. Considere uma sequência de ordem , onde as ordens ( )j e
CTP ( )j () j STP + pt : = (j ) ;
(+1)satisfaz
j pt e d pt(1)stj+j+ +ruaj+ (.j ) (1) j+ E (j ) (1) (1)
STS ( )j : =max{ CTS , max{ , (}};
) jje CTP j ( 1) ( ) Se o tempo de conclusão do serviço do pedido ( )j também for o tempo de início do serviço de
CTS j ( ) : = STS ( ) + stj (j ) ;
,
ordem ( 1) j + então INV INV ( )j ( 1) j+ . Se ambas as ordens ( )j e (1) j +
INV j ()STS : = j() CTP ; j( )
estão atrasados, e o tempo de conclusão da produção do pedido ( )j também é seu serviço
ALCATRÃO
( )j: max{ = CTS j()
d (j ) , 0};
hora de início, então TAR TAR ( )j (1) j+ .
fim para
,
retornar STP CTP , CTS,INV TAR
STS , ii eu eu eu eu
, Comprovação. Consulte o Apêndice.
fim
Inspirado no algoritmo Net Benefit of Movement (NBM) proposto
Proposição 1.. Dada uma sequência de pedidos , um limite inferior do serviço por Tseng e Liao (2008) para um escalonamento de flowshop de fluxo contínuo
hora de início da última ordem nesta sequência é dada como problema, e o movimento de sub-bloco apresentado por Kedad-Sidhoum e
Sourd (2010) para um problema de escalonamento de máquina única, a ideia do nosso
¯ algoritmo de inserção de tempo ocioso para o PSSOSPTW é indicado como segue.
STS = max min e + i st eu max st , max min e eu , pt eu
dentro ii N dentro Primeiro aplicamos o algoritmo de agendamento para obter um cronograma inicial.
dentro dentro (17)
Como os pedidos foram agendados o mais rápido possível, somente por
Um limite inferior do tempo de conclusão do serviço do último pedido é dado deslocamento para a direita podemos reduzir o custo total, ou seja, pela inserção de
Como tempo ocioso antes dos pedidos. No entanto, é um problema determinar como
muitas unidades de tempo ocioso devem ser inseridas antes de cada pedido. Considerar
os blocos de pedidos sucessivos separados por tempos ociosos na produção
CTS¯ = máx. mín. e
eu
+ st eu , máx. mín. , e
eu pt eu st + min
dentro dentro dentro Estágio. É suficiente calcular a quantidade ideal de movimento para
dentro dentro (18)
cada bloco, porque todas as ordens em um bloco movimentam a mesma quantidade.
Denotando qualquer um desses blocos de ordens por B, dividimos os pedidos em B
Comprovação. Consulte o Apêndice.
em quatro subconjuntos diferentes com base nos dois julgamentos seguintes. Um

A proposição 1 indica que o tempo para concluir a entrega de todos julgamento é se o serviço começa mais tarde do que a produção

ordens não é anterior ao tempo definido pela Eq. (18). Assim, se a unidade tempo de conclusão ou não, e a outra é se o serviço é concluído

custo de atraso de um pedido é muito caro e a data de vencimento deste antes do vencimento ou não. De acordo com a afirmativa (A) ou negativa

ordem é anterior ao tempo definido pela Eq. (18), sugere-se que o (N) responder a esses dois julgamentos, os quatro subconjuntos divididos são

tomador de decisão deve evitar colocar esta ordem na posição final. B AA = { i B CTP| STS euCTS
< d } <, i = { eu eu
,
BUM i B CTP STSeuCTS
< di, }
A fim de reduzir a complexidade do problema PSSSOSPTW, eu eu

BN / D = { i B CTP STS CTS = d i e, B }<

decompô-lo em dois subproblemas, a saber, determinar a eu eu eu

=
tempos de início e término da produção e serviço de pedidos PSS para NN | | = {i B CTP
| STS CTS d , eu eu eu
} , respectivamente. Assuma isso
eu
a inserção de tempo ocioso mínimo é uma unidade. Se inserirmos uma unidade de inatividade
uma sequência de ordem e encontrar a sequência ótima. As soluções para
tempo antes do bloco B , então o custo de armazenamento será reduzido em
esses dois subproblemas serão descritos nas Seções 4 e 5, respectivamente. h i B i,
onde BBB
A AA=
A , Enquanto isso, o custo de atraso será aumentado
por B i . Portanto, a condição para determinar se ocioso
b i NN
tempo deve ser inserido antes de B é se o custo de armazenamento reduzido é
4. Um algoritmo de inserção de tempo ocioso para o PSSSOSPTW
maior do que o aumento do custo de atraso. Se i B i Ah > então
b e NN
B eu ,

podemos continuar inserindo o tempo ocioso até que o conjunto BA ou BNN mude.
Esta seção discute como lidar com o primeiro subproblema. Eu cai
De acordo com isso, a inserção de tempo ocioso máximo para B é calculada
Pedidos PSS são agendados o mais rápido possível, então muitos pedidos são
como = min{min{ i B INV _ }, min i B N / D { d CTS }} . Inserção de mais de
UMA
eu eu

probabilidade de concluir a produção antes do início de seus serviços, resultando em

1 1 unidade de tempo ocioso fará com que um pedido seja movido de BA para BNA
alto custo de armazenamento. Portanto, um algoritmo de inserção de tempo ocioso é necessário
ou passar de BNA para BNN. Além disso, pode haver outro bloco de
para agendar as tarefas de produção o mais próximo possível de seus horários de início de serviço pedidos após B , assim denotamos o tempo ocioso entre os dois blocos por 2.
possível. De fato, a inserção de tempo ocioso tem sido amplamente aplicada na
Considerando todo o exposto, a inserção máxima do tempo ocioso antes de B
programação de produção antecipação-atraso (por exemplo, Hendel & Sourd, 2007;
na verdade é = min{ 1 de 2, } . O procedimento acima é aplicado a todos os blocos
Kedad-Sidhoum & Sourd, 2010; Pan, Ruiz e Alfaro-Fernández, 2017),
pedidos, começando do último pedido até o primeiro e considerando
mas sua aplicação na área de agendamento de PSS ainda é uma lacuna. Observe que um pedido de cada vez.
serviços no problema PSSOSPTW não são armazenáveis e normalmente não incorrem
em custos adicionais uma vez concluídos, portanto, só precisamos considerar
inserção de tempo ocioso na etapa de produção, e podemos supor que todos tabela 1
serviços são prestados o mais rápido possível. Antes de apresentar nosso Os parâmetros do exemplo.
algoritmo de inserção de tempo ocioso para o PSSOSPTW, algumas conclusões são
Ordem i pti sti Não Oi
retirou. a partir de com um

1 2 4 4 10 2 3
Teorema 2.. Dada uma sequência de ordem , se as ordens ( )j e (1) j + satisfazem
2 3 2 6 9 1 2
pt pt(1)
j+ + j+ , ( rua
j+ 1) ( (1) e deve
j ) não d existir E j (duas
j+ entre essas
(1) ) ordens na faserua
produção. de então tempo ocioso
3 6 3 10 15 3 2

256
Machine Translated by Google

Y. Zhang, et ai. Computadores e Engenharia Industrial 133 (2019) 253–266

Fig. 1. Gráficos de Gantt para o exemplo com a aplicação do algoritmo de inserção de tempo ocioso, onde 'MP' e 'SC' representam a planta fabril e o serviço
centro, respectivamente.

A seguir, apresentamos um exemplo para ilustrar a inserção do tempo ocioso

Pseudocódigo 2
algoritmo. Os parâmetros do exemplo são dados na Tabela 1, e o
dada sequência é = (1, 2, 3) . A programação inicial é dada na Fig. 1(a).
procedimento IdleTimeInsertion ( )
jn =
:; Os pedidos 1 e 2 terminam a produção antes do horário de início do serviço
Horário ( ); ( INV1 = 2, INV2 = 3 ), respectivamente. O pedido 3 conclui a produção dentro de
enquanto { j1 } faz sua janela de tempo. Os pedidos 1 e 3 entregam o serviço no prazo, enquanto os pedidos
B
Construir um bloco de ordens a partir de (j ); 2 está atrasado ( TAR2 = 1 ). Portanto, o custo total inicial Z = 9 .O
Gerar BAA
B BNA
, NA , e B NN
de B , respectivamente;
procedimento começa com a ordem 3 para construir um bloco B = {3} . Contudo,
BB
ABAA: A
=;
BA = não satisfaz as condições de inserção de tempo ocioso, então
BN
BNB N: =N;
continue a considerar as ordens 2 e 3 para formar um novo bloco B = {2, 3}.
se (( B UMA )&( BNN = (
)) ( , BB
A NN )& ( hiBi
UMA
> b b NN b )) então , devem ser inseridos
Como BAN = {2}, BNA = {3} e BNN = tempo ocioso
se BNA então antes de B. Não há ordem após B , assim = 2+ . Considerando que
1: =
min {min { i B INV }, mín.i B { d CTS ii }}; , = 1 unidades de tempo devem estar em
UMA
eu
N/D
1 = min {min {1}, min {15 14}} 1 =
Senão
servido antes de B, resultando em que o custo total se torna Z = 8 . Isto
=
1 minutoiB { }; i INV
UMA
cronograma é mostrado na Fig. 1(b). Então, BNN mudou para BNN = {3}.
fim se
Desde a h = 1 é menor que b = 2 , inserindo o tempo ocioso antes
se houver uma ordem à direita de B então eu B eu UMA eu BNN
eu
Calcule o tempo ocioso 2 entre B
e esta ordem; B não melhorará o custo total. Em seguida, a ordem 1 é considerada para formar uma
senão ,
bloco B = {1} . Como BAA = {1} e BNN = podemos melhorar o total
2: ; =+ custo inserindo o tempo ocioso antes deste bloco. Observe que a ordem 2 é depois
terminar se
B , as unidades de tempo ocioso entre a ordem 2 e B é 2 = 1 . Considerando
: min {= 12, };
naquela
1 = = min{2} 2, = 1 é o que inserimos antes de B , gerando um
Insira unidades de tempo antes de ; B

STP STP
+ ii : = , eB; esquema com Z = 6 como mostrado na Fig. 1(c). O bloco final construído é
CTP CTP
ii : = + , eB; B = {1, 2, 3} , onde BAA = {1}, BAN = {2}, BNA = e BNN = {3} . Seja h = 3 é
STS STS
+ ii : = , eB; N causa i B i maior que b = 2 , inserir o tempo ocioso é
UMA iB NN
eu

CTS CTS
+ ii : = , eB; N
rentável. Semelhante ao procedimento acima, é fácil saber que
INV INV i : = i , iB
1 = = min {1, 2} 1 . Portanto, = 1 unidades de tempo devem ser
UMA

2
=+e
TAR TAR : = ii + , ; e B ; NN
senão
inserido antes de B . Agora BNA mudou para BNA = {1} , e servir o tempo ocioso
jj :1; = antes de B não melhorará o custo total. Como resultado, o
fim se
o procedimento de inserção de tempo ocioso termina e a programação final com o
terminar enquanto
custo total ótimo Z = 5 é mostrado na Fig. 1(d).
return {STP CTP ,STS CTS
, INV TAR
, ii fim,
eu eu eu eu
e }
A Fig. 1(d) indica que para a sequência = (1, 2, 3) , todas as ordens
devem produzir sucessivamente para minimizar o custo total. Contudo,
pt2 = < = 3 4 st1 não satisfaz as condições do Teorema 2. Isso
O pseudocódigo 2 mostra o algoritmo de inserção de tempo ocioso. Para uma sequência verifica que o Teorema 2 é apenas uma condição desnecessária suficiente para
contendo n ordens, o cálculo de 1 pode exigir percorrer todos os decidir se deve existir tempo ocioso entre ordens PSS adjacentes.
ordens, assim a complexidade computacional da inserção do tempo ocioso
5. Metaheurísticas para o PSSOSPTW
algoritmo é O n( )2 no pior caso.
Teorema 3.. O algoritmo de inserção de tempo ocioso produz uma programação ótima
Como o PSSOSPTW é NP-hard, nenhum algoritmo de tempo polinomial pode
para uma dada sequência.
possivelmente resolva. Portanto, propomos metaheurísticas simples baseadas em
Prova.. Este teorema pode ser facilmente provado de forma semelhante ao Teorema busca local iterada (ILS), recozimento simulado (SA) e busca tabu
2 em (Tseng & Liao, 2008), portanto a prova é omitida aqui. (TS) para resolver este problema. A razão para usar simples

257
Machine Translated by Google

Y. Zhang, et ai. Computadores e Engenharia Industrial 133 (2019) 253–266

metaheurísticas em vez de abordagens complexas como algoritmo genético, otimização
de colônias de formigas e etc. tem três aspectos. Primeiro, esses
metaheurísticas baseadas em soluções únicas são mais fáceis de entender, implementar
e estender a outras variantes de problemas. Em segundo lugar, eles têm menos
parâmetros, portanto, os resultados experimentais são fáceis de replicar. Terceiro,
estudos recentes sobre muitos problemas de agendamento (por exemplo, Naderi, Ruiz, &
Zandieh, 2010; Cheng, Chung, Liao e Lee, 2013; Gao, Chen e Deng,
2013) indicam que metaheurísticas simples podem dar resultados de última geração
quando comparadas a abordagens complexas.
Na Seção 5.1, apresentamos primeiro uma versão adaptada do NEH
heurística como um gerador de solução inicial para nossas metaheurísticas. Dentro
Seções 5.2–5.4, apresentamos as metaheurísticas propostas. Observe que
o esquema de codificação para o PSSOSPTW é uma simples permutação de PSS
pedidos, e o algoritmo de inserção de tempo ocioso é incorporado a esses
metaheurísticas para avaliar as soluções.
5.1. Uma heurística NEH adaptada para o PSSSOSPTW
Baseado no algoritmo NEH proposto por Nawaz e Ham (1983),
desenvolvemos um algoritmo NEH adaptado chamado NEHPSS para o PSOS PTW. A
ideia do NEHPSS é a seguinte.
Em primeiro lugar, três sequências iniciais são geradas pelos três seguintes
regras de despacho, respectivamente:
Farias, 2010) e o problema de agendamento flowshop (eg, Pan & Ruiz,
2012). A partir de uma solução inicial, o ILS primeiro realiza uma pesquisa local
para encontrar um ótimo local, que é usado para atualizar a solução atual
de acordo com um critério de aceitação, e então realiza uma perturbação para escapar
dele. Esse processo itera até que o critério de término seja atendido. Como o ILS é
simples e eficaz, nós o aplicamos para resolver os
PSSOSPTW.
O ILS proposto aplica uma busca de vizinhança variável (VNS)
(Mladenoviÿ & Hansen, 1997) para encontrar soluções promissoras no
espaço de solução. As vizinhanças de inserção e troca comumente usadas
formam as estruturas de vizinhança, que são alteradas dinamicamente
durante o processo de busca. Ambos os bairros são definidos com base em
os movimentos das ordens. O movimento de inserção é definido removendo uma ordem
selecionada aleatoriamente de sua posição original e inserindo-a na
outra posição aleatória, enquanto o movimento de troca é definido trocando
as posições de duas ordens selecionadas aleatoriamente. Na inserção (troca)
busca de vizinhança, o movimento de inserção (swap) é executado n vezes no
a solução atual para gerar n soluções de vizinhança, e a
o melhor entre eles é selecionado. O pseudocódigo 4 mostra ambas as pesquisas de
bairro. O método VNS sempre prefere a pesquisa de vizinhança de inserção à de troca,
a menos que a primeira não consiga obter uma
melhor solução de vizinhança do que a atual. O método VNS é
mostrado no pseudocódigo 5.

Pseudocódigo 4
• EDT (primeiro prazo de entrega): ordene os pedidos PSS na ordem crescente
ordem dos prazos de entrega mais cedo e st •ii + , eu N.
procedimento Pesquisa de Bairro ( , )i
EDD (data de vencimento mais cedo): ordena os pedidos PSS em ordem crescente :;=
de suas datas de dentro. para j : 1 a = n Faz
se i = 1 então
vencimento di, • MSS (folga mínima de serviço): considerar conjuntamente as janelas de tempo
=
: inserir(); senão
e tempos de serviço, e ordenar os pedidos PSS na ordem crescente de
se{i = 2} então
(de st i),
eu eu
dentro.
= ); fim se
: troca(

Em segundo lugar, o procedimento de inserção NEH é realizado para cada Adicionar à ;

seqüência. Ou seja, as duas primeiras ordens em uma determinada sequência inicial são ordenadas fim para

para formar uma solução parcial e, em seguida, as ordens restantes são inseridas em =
: melhor permutação em ;

a melhor posição de todas as posições possíveis na solução parcial, uma por uma. Retorna
fim
Finalmente, três novas soluções completas são obtidas e a melhor delas é
selecionado como o cronograma final. Intuitivamente, combinar as três regras de
despacho acima pode produzir melhores resultados do que apenas usar um único despacho
regra. O pseudocódigo 3 mostra os detalhes da heurística NEHPSS , que é usada
para gerar soluções iniciais para nossas metaheurísticas propostas.
Pseudocódigo 5

Pseudocódigo 3 procedimento VNS ( )

e: 1; =
procedimentoNEHPSS enquanto eu 2 faço
:;= =
: Pesquisa de Bairro( , ); se Z ( )eu

Defina a regra EDT como R1 , a regra EDD como

R2e a regra MSS como ;R3 () < Z então
para i: 1 a 3 = faça :;=
do PSS para gerar uma sequência inicial:0 = ((1), 0
Classifique as ordens Ri (2), ,…0 n0 ( )); e: 1; =
Classifique as duas primeiras ordens de
0, e a programação com menor custo total será a parcial Senão

= (2));
solução: ((1), eu :
eu 1; = +
n fim se
para j : 3 para = fazer
terminar enquanto
Inserir pedido (0 )dem todas as posições possíveis de , e o cronograma com o menor total
Retorna
custo será a solução parcial : fim para = ((1), (2), , ( )); … j
fim

Adicionar à ;
fim para
=
: melhor solução em ; O procedimento de perturbação é essencial para ILS (Lourenço et al., 2010). Isto
Retorna move uma solução de um ótimo local para uma região mais promissora no espaço de
fim
solução. Inspirado no movimento cambial e no
operador de perturbação proposto por Naderi et al. (2010), este artigo
apresenta um procedimento de perturbação baseado em troca. A troca
5.2. O algoritmo ILS movimento é definido selecionando, aleatoriamente, (3) ordens diferentes de
a solução atual e reorganizando esses pedidos aleatoriamente. O procedimento primeiro
O ILS proposto por Lourenço, Martin e Stützle (2010) foi realiza os tempos de movimento de troca na solução atual para gerar novas soluções e,
aplicados sucessivamente a vários problemas de programação, como o em seguida, seleciona a melhor entre
problema de roteamento (por exemplo, Subramanian, Drummond, & Bentes, Ochi, & como solução de perturbação. O pseudocódigo 6 fornece a

258
Machine Translated by Google

Y. Zhang, et ai. Computadores e Engenharia Industrial 133 (2019) 253–266

procedimento de perturbação. 5.3. O algoritmo SA

O SA proposto por Kirkpatrick, Gelatt e Vecchi (1983) é um algoritmo estocástico

Pseudocódigo 6
inspirado em uma analogia entre o recozimento físico de matérias sólidas e
procedimento Perturbação ( , ,) problemas de otimização. Ele utiliza o cronograma de nealing e o critério de
:;= aceitação da regra Metropolis para
para i: 1to = Faz escapar de ótimos locais e alcançar a otimização global. Como um
=
: Troca( , ); metaheurística popular, SA tem sido aplicada a muitas
Adicionar à ;
problemas de otimização, como o problema do caixeiro viajante (por exemplo,
fim para
= Geng, Chen, Yang, Shi, & Zhao, 2011), a programação de manutenção
: melhor permutação em ;
Retorna problema ( por exemplo, Safaei, Banjevic, & Jardine, 2012).
fim Diferente do algoritmo SA tradicional, nosso SA proposto adota
uma estrutura de vizinhança semelhante ao método VNS apresentado. Dentro
outras palavras, o VNS é executado em vez de simplesmente gerar um
Depois que uma nova solução é gerada pelo procedimento de busca local, um
nova solução para comparação em cada iteração e repetir este processo
a decisão precisa ser tomada sobre aceitá-la como a solução atual para a próxima
para um número fixo de iteração na mesma temperatura. As razões para
iteração. Adotamos um modelo SA
adotando o VNS em SA são duas dobras. Em primeiro lugar, podemos tirar vantagens de
critério de aceitação com uma temperatura constante semelhante à
o VNS para expandir o escopo de pesquisa do espaço de solução. Em segundo lugar, nós
em (Osman & Potts, 1989). Neste critério de aceitação, se é melhor
acreditam que a pesquisa local pode ser realizada de forma mais completa se vários
, então é aceito; caso contrário, é aceito com uma probabilidade
pesquisas de vizinhança na solução atual são conduzidas antes
de Pr Z ( ) exp( = Z T) , ( ) onde
Z e T éZZ
o =()
aplicando o critério de aceitação. A probabilidade de aceitação de uma
valor da temperatura. Karabulut (2016) sugere que T deve estar no solução que não melhora também é Pr Z ( ) exp( ILS= Z T) conforme definido no
mesma escala do valor objetivo. Como nossa função objetivo é a
algoritmo. No esquema de recozimento, a função de recozimento
custo total determinado pelo tempo de armazenamento e atraso, consideramos um exponencial é usada aqui para diminuir a temperatura, ou seja, T:, · Onde
=T
valor de temperatura definido por (0, 1) é a taxa de recozimento. O pseudocódigo 9 mostra os detalhes do
n ¯ ¯
[ STS
( h pt ) + eu b máximo{ CTS d , 0}] algoritmo SA proposto.
=1
TT=0
eu eu eu
eu

100n (19)

onde STS¯ e CTS¯ são definidos pelas Eqs. (17) e (18), respectivamente, e Pseudocódigo 9

T0 é um parâmetro a ser calibrado. O critério de aceitação é mostrado em

procedimento SA
Pseudocódigo 7, onde Rand é um número aleatório gerado a partir de um
Definir parâmetros e ; T0
distribuição uniforme com o intervalo [0, 1]. T: formulação(24); =
=
: NEH; PSS

*: ; =
Pseudocódigo 7 enquanto o critério de rescisão não for satisfeito faça

e: 1; =
procedimento Critério de Aceitação ( , se Z ( ) ,)T enquanto eu 2 faço

( ) < Z então =
: Pesquisa de Bairro( , ); se Z ( ) ( ) eu

:;= < Z então

senão ifRand exp( ZT ) então :;=
:;= e: 1; =
fim se
se Z ( ) (< Z *) então
Retorna
*: ; =
fim fim se
senão

se Rand ZT exp( ) então

Finalmente, um framework completo do algoritmo ILS proposto é fornecido no :;=
Pseudocódigo 8. e: 1; =
senão

eu : eu 1; = +
fim se
Pseudocódigo 8
fim se
terminar enquanto
Procedimento ILS

Definir parâmetros, e ; T0 ·
T: ; = T
=
T: formulação (24);
terminar enquanto

= Retorna *
0 : NEH; PSS
fim
=
: VNS(); 0

*: ; =
enquanto o critério de rescisão não for satisfeito faça

=
: Perturbação( , , ); 5.4. O algoritmo TS
=
: VNS();
se Z ( ) (< Z *) então O TS proposto por Glover (1986) é uma extensão da busca de vizinhança local.
*: ; = Em TS, uma lista tabu é adotada para sair dos ótimos locais
fim se
e evitar buscas tortuosas, e um critério de aspiração é usado para validar o status
=
: AcceptanceCriterion( , end , T ); tabu de um movimento. O TS também possui amplas aplicações em
while vários problemas de agendamento, como o problema de roteamento de veículos
Retorna *
fim
(por exemplo, Cordeau & Maischberger, 2012) e a permutação distribuída
problema de agendamento flowshop (por exemplo, Gao et al., 2013).
O esboço do TS proposto é bastante semelhante ao do SA proposto, exceto
que uma lista tabu está envolvida e o valor da temperatura

259
Machine Translated by Google

Y. Zhang, et ai. Computadores e Engenharia Industrial 133 (2019) 253–266

Fig. 2. Gráfico de médias e intervalos LSD para , e T0 em ILS.

é definida como uma constante definida pela Eq. (19). A lista tabu é usada para registrar Pseudocódigo 10

os movimentos de bairro recentemente aceitos que entram e saem do

terminar enquanto
lista tabu no estilo primeiro a entrar, primeiro a sair. O tamanho da lista tabu representa o número terminar enquanto

de iterações que um movimento de vizinhança permanece como tabu. Nós determinamos Retorna *
o tamanho da lista tabu dependendo do tamanho do pedido n. Mais precisamente, definimos procedimento final
o tamanho da lista tabu para n que
, denota o número inteiro máximo que é
não maior que n. O critério de aspiração usado aqui é permitir um tabu
6. Avaliação computacional
mover se for melhor que a solução atual. Os detalhes da proposta
O algoritmo SA é mostrado no pseudocódigo 10.
Nesta seção, realizamos experimentos de simulação para avaliar a
desempenho dos algoritmos ILS, SA e TS propostos. Esses algoritmos são implementados

Pseudocódigo 10 no MATLAB 2016b e executados em um PC com

CPU Intel (R) Core (TM) i5-3470 de 3,20 GHz e 8G de RAM.
procedimento TS Uma vez que o PSSOSPTW é um problema de escalonamento novo e nenhuma
Definir parâmetro; T0
=
instância benchmark foi encontrada na literatura existente, nós aleatoriamente
T: formulação (24);
= gerar um conjunto de instâncias de teste. Para cada pedido eu, tanto a produção
: NEH; PS
* :; = tempo pti e tempo de serviço sti são gerados a partir de uma distribuição uniforme
Lista Tabu: {}; = com o intervalo [1, 100] , e tanto o custo de armazenamento unitário hi quanto o atraso
enquanto o critério de rescisão não for satisfeito faça custo bi são gerados a partir de uma distribuição uniforme com o intervalo [1, 10].
e: 1; = Em referência a Potts e Van Wassenhove (1982), o centro do tempo
enquanto eu 2 faço
window ceni é gerado a partir de uma distribuição uniforme com o intervalo
=
: Pesquisa de Bairro( , );
[PS R (1
PS2)]+onde
R PS representa o primeiro ,
eu

(1 2),
enquanto ( TabuList Z ) & () ()) De a
= tempo possível para que todos os pedidos sejam entregues, é o fator de atraso e
: Pesquisa de Bairro( , ); eu

terminar enquanto R é o fator de intervalo de datas de vencimento. Uma vez que este artigo assume que os primeiros
se Z ( ) ( ) < Z então tempo de serviço permitido de cada pedido não é anterior ao seu primeiro
:;= tempo de conclusão da produção, ou seja, e pt i eu, PS pode ser obtido em
e: 1; =
Proposição 1:
se Z ( ) (< Z *) então
*: ; =
fim se PS = máx. pt + st min
ii , ponto mín . +
eu
st eu
dentro dentro
senão dentro dentro

se Rand Z exp{ ( ( ) ZT(então

)) }
:;= A largura da janela de tempo twi segue uma distribuição uniforme com a
e: 1; = intervalo [preço
onde],representa
100, · preçoa largura da janela de tempo
senão fator de alcance. Com base em ceni e twi, o tempo de serviço mais cedo permitido
eu :
eu 1; = + e
eu = max {2,
ii cent tw pt eu } e data de vencimento d i = max {+
twcent
ii 2 , rstii
+ . }
fim se
O conjunto de instâncias de teste contém combinações completas de
fim se
se (1)&( i = TabuList) então n = {20, 30, 40, 50}, R = {0,4,= 0,6,
{0,2,0,8}
0,3,e0,4},
Adicione à frente de ; Lista Tabu = {0.4, 0.6, 0.8} e cinco instâncias para cada combinação. Daí, há
if TabuList n > então são 4 3instâncias
3 3 5 540 de
× ×teste
× × =no total.
Exclua a permutação no final de ; Lista Tabu O critério de término é definido para n3 milissegundos de tempo de CPU decorrido
fim se
para todos os algoritmos de teste. O índice de desvio relativo (RDI) é usado para
fim se
medida de desempenho, e é calculado da seguinte forma:

260
Machine Translated by Google
Y. Zhang, et ai.
Fig. 3. Gráfico de médias e intervalos LSD para e T0 em SA.
ZZmelhor
IDR = pior melhor 100×
COM COM
onde Zalg é o valor objetivo obtido por um determinado algoritmo, Zbest e Z
pior
representam as melhores e piores soluções obtidas por todos os
algoritmos comparados, respectivamente. Observe que se a melhor e a pior soluções
tiverem o mesmo valor, então RDI será substituído por 0. Valores mais baixos de
RDI são sempre preferidos.
6.1. Calibração de parâmetros
O desempenho dos algoritmos pode ser muito influenciado por seus valores de
parâmetros. Nesta seção, realizamos um planejamento fatorial completo na
abordagem Design of Experiments (DOE) (Montgomery, 2017) para calibrar os
parâmetros dos algoritmos propostos. Tomamos os parâmetros como fatores e
consideramos os níveis dos parâmetros da seguinte forma. Para o algoritmo ILS, é
testado em 3 níveis {3, 4, 5}, em 4 níveis {20, 30, 40, 50} e T0 em 4 níveis T0 {0,1,
0,3,
0,5, 0,7} . Para o algoritmo SA, é testado em 4 níveis {0,93, 0,95, 0,97, 0,99} e T0
em 4 níveis {0,1, 0,3, 0,5, 0,7} . Para o algoritmo TS, T0 também é testado em 4
níveis {0,1, 0,3, 0,5, 0,7} . Portanto, ILS tem um total de 48 combinações, SA 16 e
TS 4. Um conjunto de instâncias de calibração de 20 instâncias é gerado da seguinte
forma: uma instância para cada uma das 20 combinações aleatórias de n, cujos
valores são selecionados aleatoriamente das conjuntos de valores. A geração de
, Re , uma instância de calibração é a mesma de uma instância de teste.
Cada algoritmo é executado cinco vezes para cada instância de calibração.
Os resultados obtidos são analisados por meio da técnica de análise de
variância multifatorial (ANOVA), que é uma poderosa ferramenta estatística e tem
sido amplamente utilizada na literatura de escalonamento na última década para
calibrar métodos com sucesso. Suas três principais hipóteses, ou seja, normalidade,
homogeneidade da variância e independência dos resíduos, foram verificadas e não
foram encontrados desvios significativos no cumprimento das hipóteses. Os
resultados detalhados da ANOVA e as tabelas dos experimentos de calibração de
parâmetros dos algoritmos propostos são omitidos aqui devido a limitações de
espaço, mas estão disponíveis mediante solicitação aos autores. Em vez disso,
reproduzimos o gráfico de médias com intervalos de confiança dos parâmetros em
cada algoritmo.
261
Computadores e Engenharia Industrial 133 (2019) 253–266
O gráfico de médias e os intervalos de diferença menos significativa (LSD) (com
nível de confiança de 95%) para diferentes níveis de e T0 ,em ILS são
Fig. 2. mostrados
Conforme na
observado na Fig. 2(a), não há diferença estatisticamente significativa entre = 3 e 4,
mas ambas as opções produzem resultados estatisticamente melhores do que = 5 .
De acordo com a Fig. 2(b), nenhuma diferença estatística
diferentes níveis deéeobservada entre os
a mesma conclusão
pode ser tirada para T0 pela Fig. 2(c). Isso indica que o algoritmo ILS é muito robusto
em relação ao intervalo [20, 50] e T0 no intervalo [0,1, 0,7] , respectivamente. Com
base nos resultados de ANOVA para o experimento de calibração de parâmetros do
ILS, as configurações finais dos parâmetros no ILS são = 3, = 30 e T0 = 0,1.
O gráfico das médias e os intervalos LSD para diferentes níveis de e T0 em SA
estão representados na Fig. 3. É mostrado na Fig. 3(a) que não existe diferença
estatística significativa entre os diferentes níveis de . Isso significa que o algoritmo
SA é bastante robusto em relação ao intervalo [0,93, 0,99] . No entanto, ainda
podemos considerar = 0,97 um pouco melhor do que as outras opções. A Fig. 3(b)
demonstra que T0 = 0,3 fornece resultados estatisticamente melhores do que as
opções de 0,5 e 0,7, mas não há diferença estatisticamente significativa entre 0,1 e
0,3. De acordo com os resultados da ANOVA para o experimento de calibração de
parâmetros do SA, as configurações finais dos parâmetros usados no SA são = 0,97
e T0 = 0,3.
A Fig. 4 mostra o gráfico de médias e intervalos LSD para diferentes níveis de
T0 em TS. Como visto nesta figura, T0 = 0,1 e 0,3 produzem resultados
estatisticamente melhores do que 0,7. Além disso, 0,3 dá um desempenho médio
ligeiramente melhor do que 0,1. Portanto, T0 = 0,3 é usado no algoritmo TS.
6.2. Comparações de algoritmos
Nesta seção, fornecemos uma avaliação experimental abrangente e comparação
dos algoritmos ILS, SA e TS propostos. Cada algoritmo é executado cinco vezes em
cada instância do conjunto de problemas de teste gerado aleatoriamente.
Primeiro, descrevemos o desempenho geral dos algoritmos de teste. Com base
nos resultados computacionais, é realizada uma análise de variância para validar a
significância estatística das diferenças observadas na qualidade da solução. A
análise tem um único fator que é o tipo de algoritmo com 3 níveis. A variável de
resposta é dada pelo RDI de cada instância. O gráfico de médias e intervalos LSD
(com nível de confiança de 95%)
Machine Translated by Google

Y. Zhang, et ai. Computadores e Engenharia Industrial 133 (2019) 253–266

mesa 2
Resultados de ANOVA para o experimento sobre os efeitos de fatores de instância.

Fonte Soma de quadrados Df Quadrado médio Razão F valor p

Principais efeitos
R: n 19251,9 3 6417,29 12.10 0,0000
B: t 149,1 2 74,53 0,14 0,8690
C: R 5143,5 2 2571,73 4,85 0,0082
D: 368,1 2 184,05 0,35 0,7070

Interações
UM JEITO 1267,8 6 211,30 0,40 0,8803
CA 5443.1 6 907,18 1,71 0,1162
PARA 1937,8 6 322,97 0,61 0,7235
BC 1588,6 4 397,16 0,75 0,5592
BD 2.096,4 4 524.11 0,99 0,4135
CD 938,8 4 234,69 0,44 0,7780

Residual 322588.8 608 530,57

Total 360773.8 647

Fig. 4. Gráfico de médias e intervalos LSD para T0 em TS.

Fig. 6. Gráfico de médias da interação entre os algoritmos e o tamanho do problema.

Fig. 5. Gráfico de médias e intervalos LSD para os algoritmos de teste.

para vários algoritmos são mostrados na Fig. 5. Observa-se a partir deste
figura que não existe diferença estatística significativa entre o ILS, SA
e algoritmos TS, indicando que todos os algoritmos propostos têm
desempenho semelhante na resolução do PSSOSPTW.
Em seguida, comparamos o desempenho dos algoritmos propostos
com base em fatores de instância específicos, que incluem o tamanho do problema,
fator de atraso, fator de intervalo de datas de vencimento e intervalo de largura da janela de tempo
fator, e analisar os impactos desses fatores de instância. A ANOVA
resultados para o experimento sobre as influências de fatores de instância são fornecidos
na Tabela 2. Nesta tabela, a magnitude da razão F é um indicador claro
de significância do fator analisado na variável resposta, e o
O valor de p menor que 0,05 implica que o fator analisado tem efeitos estatisticamente
significativos. De acordo com a Tabela 2, o tamanho do problema n resulta
na maior razão F, o que significa que este fator é o mais importante
fator que afeta o desempenho dos algoritmos propostos. Além do mais,
o fator de intervalo de datas de vencimento R é observado como o segundo mais importante
fator. No entanto, o efeito do fator de atraso te janela de tempo
o fator de intervalo de largura nos algoritmos de teste não é significativo, e também não é
a interação entre quaisquer dois fatores entre esses fatores.
Para examinar melhor as diferenças de desempenho dos problemas de teste
causados pelo tamanho do problema e investigamos seu impacto, fornecemos a
gráfico de médias correspondentes na Fig. 6. A partir desta figura, o seguinte
resultados são observados: (1) O desempenho de SA e TS tem um
tendência decrescente quando n aumenta, enquanto o desempenho do ILS primeiro
diminui e depois aumenta, indicando que o tamanho do problema tem um
grande efeito no desempenho desses algoritmos quando n [20, 50] ;
(2) Quando o tamanho do problema é relativamente pequeno (n = 20 ), TS dá o melhor
atuação; (3) Em problemas de tamanho médio (n = 30, 40 ), SA produz
os melhores resultados; (4) Quando o tamanho do problema é relativamente grande (n = 50 ),
O ILS supera os outros algoritmos.
Examinar a interação entre o fator de atraso e o
desempenho dos algoritmos, a Fig. 7 fornece o gráfico de médias para o
fator de atraso. Observe que à medida que o fator de atraso aumenta, os problemas se
tornam mais difíceis de resolver. Conforme ilustrado na Fig. 7, é interessante que o
desempenho de todos os algoritmos não seja monótono sobre o
fator de atraso. Comparado com TS, ILS e SA são melhores para resolver
problemas difíceis ( t = 0,4 ), enquanto o SA apresenta desempenho superior
quando os problemas são relativamente fáceis ( t = 0,2 ).
A Fig. 8 fornece o gráfico de médias para a interação entre o devido
fator de intervalo de datas e o desempenho dos algoritmos. A partir disso

262
Machine Translated by Google
Y. Zhang, et ai.
Fig. 7. Gráfico de médias da interação entre os algoritmos e o fator de atraso.
Fig. 8. Gráfico de médias para a interação entre algoritmos e o fator de intervalo de datas
de vencimento.
figura, fica claro que o fator de intervalo de datas de vencimento tem um impacto
perceptível no desempenho desses algoritmos. Observe que quanto maior o fator
de intervalo de datas de vencimento, mais dispersas as datas de vencimento e mais
fáceis os problemas. Assim, quando R aumenta de 0,4 para 0,8, o desempenho de
todos os algoritmos aumenta.
Por fim, verificamos a influência do fator de intervalo de largura da janela de
tempo. O gráfico de médias correspondente é mostrado na Fig. 9. À medida que
esse fator aumenta, a largura da janela de tempo também pode aumentar, tornando
os problemas mais fáceis de resolver. É interessante que a tendência de cada
algoritmo seja diferente da dos outros para este fator. O ILS é o melhor para
problemas relativamente difíceis ( = 0,4, 0,6 ), mas é superado por SA e TS para
problemas fáceis ( = 0,8 ). Pelo contrário, TS produz os piores resultados para
problemas difíceis, mas torna-se o algoritmo mais eficaz para problemas fáceis.
As observações acima demonstram que todos os algoritmos propostos
funcionam de forma diferente em várias situações. Portanto, algoritmos apropriados
devem ser selecionados de acordo com as características do
263
Computadores e Engenharia Industrial 133 (2019) 253–266
Fig. 9. Gráfico de médias para a interação entre algoritmos e o fator de intervalo de
largura da janela de tempo.
Problema PSSOSPTW.
7. Conclusão e trabalho futuro
Neste artigo, o problema PSSOSPTW foi abordado para um provedor de PSS
com uma fábrica e um centro de serviços. Um modelo matemático para este
problema é apresentado para minimizar o custo total de estocagem e atraso. O
problema estudado é decomposto em dois subproblemas para reduzir a complexidade
devido à sua NP-dureza. O primeiro subproblema é determinar os tempos ótimos de
início e término da produção e atendimento dos pedidos PSS para uma dada
sequência, e um algoritmo de inserção de tempo ocioso é proposto para este
subproblema. O segundo subproblema é encontrar a sequência ótima, e três novas
metaheurísticas (ILS, SA e TS) são desenvolvidas para atingir seu objetivo. Nos
algoritmos propostos, uma heurística NEHPSS combinada com três regras de
despacho é apresentada para gerar soluções iniciais, e a ideia de VNS é incorporada
a esses algoritmos para realizar uma busca local eficiente. Para ILS, um novo
procedimento de perturbação também é proposto. O desempenho desses algoritmos
é comparado por meio de experimentos de simulação, e os efeitos de alguns fatores
de instância também são analisados. Os resultados mostram que, o desempenho
geral dos algoritmos propostos não difere estatisticamente significantemente,
indicando que todos eles são eficazes para resolver o problema PSSOSPTW. No
entanto, eles podem ter um desempenho bastante diferente para vários fatores de
instância.
Pesquisas futuras podem ser conduzidas para a situação de um provedor de
PSS ter várias fábricas e centros de serviços, o que é mais realista, mas mais
complexo. Outra área de pesquisa potencial é considerar incertezas como produção
incerta e tempos de serviço.
Além disso, é desejável desenvolver mais heurísticas ou metaheurísticas de
economia de tempo para PSSOSPTW.
Reconhecimento
Este trabalho foi apoiado pelo National Natural Science National Key Research
Fundação da China (Concessão nº 71572020) , and Development Program
(Grant No. 2018YFB1701502), Fundamental Research Funds for the Central
Universities (Project No.
2018CDJSK02PT08) e Projeto Inicial de Pesquisa Científica de Talentos de Alto
Nível na Universidade de Tecnologia e Negócios de Chongqing (Projeto nº
950319002).
Machine Translated by Google

Y. Zhang, et ai. Computadores e Engenharia Industrial 133 (2019) 253–266

Apêndice

Prova do Teorema 1. Como os pedidos de PSS devem ser processados primeiro pela fábrica e depois pelo centro de serviço, e a sequência de processamento do pedido em
as etapas de produção e serviço permanecem as mesmas, o sistema operado por um provedor de PSS pode ser visto como um flowshop de permutação de duas máquinas. No
modelo matemático apresentado para o PSSOSPTW, seja o custo unitário de armazenamento hi = 0, o custo unitário de atraso bi = 1 e o tempo de serviço mais cedo permitido ei = 0, o
O problema estudado pode ser considerado como o problema de escalonamento flowshop de permutação de duas máquinas com minimização de atraso total. É bem conhecido que o
último problema é NP-difícil (Pinedo, 2012), portanto, o problema PSSOSPTW também é NP-difícil.

Prova de Proposição. Deixe a fábrica produzir produtos e o centro de serviços fornecer serviços o mais rápido possível. De acordo com o calendário
algoritmo, o horário de início de serviço mais cedo da ordem ( ) n é

= (max{,
STS ( ) n CTS max{,
1) n e CTP ()() }} n n

assim valem as duas desigualdades a seguir:

STS ()n CTS (1) n = STS + st
n (1) ( n 1) (A1)
e

STS ( ) n max{ , e CTP (n ) }n( ) (A2)

Novamente pelo algoritmo de agendamento, o horário de início do serviço mais cedo do pedido (1) é o (1) = E (1) , e o tempo de conclusão da produção mais cedo de
pedido STS ( ) n é igual à soma dos tempos de produção de todos os pedidos, ou seja, CTP (n) = eu Npontoeu. Portanto, podemos obter de (A1) e (A2) que

STS ( n) E (1) + st j ( ) = E (1) + st st ( ) n ,

jQn {} dentro (A3)
e

STS ( n) máximo E ( n) , pt eu
dentro (A4)

Os primeiros tempos de serviço permitidos dos pedidos (1) e ( ) n não são inferiores ao valor mínimo daqueles de todos os pedidos, a saber, e (1) mini N i e e
e () não e N eu . Além disso, o tempo de serviço do pedido ( ) n não é superior ao valor máximo dos de todos os pedidos, a saber, st (n)
min eu max st
i. i N
Portanto, (A3) e (A4) rendem

STS ( n) min + ei st eu max eust

dentro dentro
dentro

STS ( n)
máx. mín . e
eu , pt eu
eN
dentro

Combinando as duas equações acima, a Eq. (17) é um limite inferior do horário de início do serviço do pedido ( ) n . = STS n n e o serviço
+ ( ) st ( )
Como CTS ( ) n tempo de pedido ( ) n não é menor que o valor mínimo dos de todos os pedidos,
( n) ou
de seja,
(A3) e
st(A4)
eu N eu ,min que
st temos

CTS ( ) n E (1) + st j ( ) min e

eu + st eu ,
eN
jQ dentro

CTS ( ) n máximo E , por + st ( ) max min e eu , por st + min

(n
) eu n eu eu

dentro dentro
dentro dentro

Combinando as duas equações acima, conclui-se que a Eq. (18) é um limite inferior do tempo de conclusão do serviço do pedido ( ) n.
1) etapa de produção, a saber,
Prova do Teorema. Procedemos por contradição. Assumindo que há tempo ocioso entre os pedidos ( )j e ( j + na
Por favor
( 1) j+ > ( CTP
)j , consideramos os três casos a seguir:
Caso 1: O tempo de término da produção do pedido ( )j é anterior ao horário de início do serviço, ou seja, CTP STS ( )j < e o horário de início da produção de
pedido ( 1) j + não é posterior ao horário de início do serviço do pedido ( )j , ou seja, STP ( 1) j+ ( )j , STS Neste caso,
e o custo o armazenamento
total podem ser reduzidos por
retardando (STP CTP ( 1) j+ Caso
( )j1.. ( )j ) time une o tempo de início da produção do pedido ( )j para eliminar o tempo ocioso. Portanto, o cronograma original não é ótimo em

Caso 2: O tempo de término da produção do pedido ( )j também é o tempo de início do serviço, ou seja, CTP STS ( )j STP CTP ( 1) j+ > obtemos = ( )j . Neste caso, a partir de pt (st
1) (j+
) >j e
()j,

CTP (1) j+ = Por favor + pt >+

( 1) ) j+ ( 1)STS
j (st j+ j()
= CTS ( )j

o que indica que o tempo de conclusão da produção do pedido ( 1) j + é posterior à hora de início do serviço do pedido ( )j . Pentear
d (1)
j+ E j() pt st (j+1)+ (j+)j ,, ( 1) STS ej (CTP
) E (j ) =
STS ( )j temos

E j (1)
+ d 1) j ( ) j ( st
(+ 1) j (1)+ E + pt j + STS + j ( ) j+
por (1)
= CTP < + pt+j () j (1) STP
+ pt(1) j (1) j + + = CTP (1)
j+

o que significa que o tempo de conclusão da produção do pedido ( 1) j + é posterior ao seu tempo de serviço mais antigo permitido. Portanto, deriva que

264
Machine Translated by Google

Y. Zhang, et ai. Computadores e Engenharia Industrial 133 (2019) 253–266

CTS (1) j+ = CTP + st > + pt e j+ ( 1) j+ ( 1) j ( ) d

+ (1) + stj (1)
j+ (1)
j+

o que denota que a ordem (1) j + é tardia. Para reduzir o atraso e o custo total, podemos adiantar o horário de início da produção do pedido ( 1) j + para o
tempo de conclusão da produção do pedido ( )j , de modo que o tempo ocioso possa ser eliminado. Assim, o cronograma original não é ótimo no Caso 2.

Caso 3: O tempo de término da produção do pedido ( )j é anterior ao horário de início do serviço, ou seja, CTP STS ( )j < e o horário de início da produção
( )j , do pedido ( 1)
total j + é posterior
podem ao horário de início do serviço do pedido ( )j , ou seja, (STP
ser reduzidos 1) j+STS
> ( )j Neste
. caso, o atraso e o custo
implementando as seguintes operações. Em primeiro lugar, podemos reduzir o armazenamento e o custo total atrasando (STS ( )j ) unidades
CTP ( )j de tempo na produção
horário de início do pedido ( )j para reduzir o tempo ocioso, resultando em que o tempo de conclusão da produção do pedido ( )j seja igual ao horário de início do serviço, ou seja,
CTP STS ( =
)j ( )j . Em segundo lugar, semelhante ao Caso 2, o atraso e o custo total podem ser ainda mais reduzidos ao adiantar o horário de início da produção do pedido
( 1) j + ao tempo de conclusão da produção do pedido ( )j para eliminar o tempo ocioso. Portanto, o cronograma original não é ótimo no Caso 3.

Prova de Corolário. De CTS STS=( )j (1) j+e pt (1) j+ rua

(j ), Nós temos

STS = CTS rua = STS st j ( ) STS (1) por (1)

( )j j() j() j+ (1) j+ j+

Subtraindo ambos os lados da desigualdade acima por CTP ( )j e aplicando o algoritmo de agendamento, temos

STS ( )j CTP ( )j STS (1) j+ CTP j ( )

por (1)
j+ = STS (1) j+ CTP (1) j+

ou seja, INV INV ( )j (1) j+ .

Por CTP = e o algoritmo de agendamento, podemos obter
STS ( )j ( )j

CTP (1) j+ = CTP + +ptj ()j

( 1)
= STS + j+
pt (j 1)
() (A5)

Pentear st j ( ) d j() E ( ) j+e( dj

1) _
E j() pt j+ + j+ , (rua1) ( 1) temos

max{st ( 1) j+++ j (E1) E ( ) j ,st dj + j + ( ) ( 1) d (j)} d (1) j+ E (j ) pt st

(1)j+
(1)+ j+

que rende isso

E (1) j+ E +() ptj (1) j+ (A6)

st j ( ) d j() por (st1)j+( +

1)j+ d (1)
j+ (A7)

Desde STS j ( ) E (j ), temos de (A5) e (A6) que

CTP (1) j+ = STS E E

+ j+
( )( pt
1) j (ptj
1) + j + ( ) (1)
+j

indicando que o tempo de conclusão do pedido ( 1) j + não é anterior ao seu primeiro tempo de serviço permitido. Então, de pt tem (1)
j+ st j ( ) e (A5), nós

CTP (1) j+ STS pt

j+ j( +) ( 1) STS ()() st j + =j CTS
( )j

o que indica que o tempo de término da produção do pedido ( 1) j + não é anterior ao tempo de término do serviço do pedido ( )j . Portanto, o
hora de início do serviço do pedido (é1)o jtempo
+ de conclusão da produção, ou seja, STS ( 1) j+ . Penteando j+ = eCTP
(1) (A5) (A7), podemos obter

CTS (1) j + d = STS rua + d

(1)
+ j (1)
+ j (1)
+ j j+
(1)
= CTP rua + d
( 1) j + (1)
+ j j+
(1)
= STS + rua + d
(j ) por (1)
+ j (1)
+ j j+
(1)
STS (j ) rua +
(j ) d (j )
= CTS d
(j ) (j )

ou seja, TAR (1) j+

ALCATRÃO
( )j .

Referências and Operations Management, 18(6), 672–692.

Cheng, TCE, Chung, Y.-H., Liao, S.-C., & Lee, W.-C. (2013). Máquina única de dois agentes
programação com tempos de liberação para minimizar o tempo de conclusão ponderado total.
Baines, TS, Lightfoot, HW, Benedettini, O., & Kay, JM (2009). A servitização de Computers & Operations Research, 40(1), 353–361.
fabricação: Uma revisão da literatura e reflexão sobre os desafios futuros. Diário de Chung, SH, Chan, FTS e Ip, WH (2011). Minimização de atrasos de pedidos através de
Gerenciamento de Tecnologia de Manufatura, 20(5), 547–567. estratégia de colaboração em sistema de produção multifábrica. IEEE Systems Journal, 5(1),
Baines, TS, Lightfoot, HW, Evans, S., Neely, A., Greenough, R., Peppard, J., Roy, R., ... 40-49.
Wilson, H. (2007). Estado da arte em sistemas produto-serviço. Procedimentos do Cordeau, J.-F., & Maischberger, M. (2012). Uma heurística de busca tabu iterada paralela para
Instituição de Engenheiros Mecânicos, Parte B: Journal of Engineering Manufacture, 221(10), problemas de roteamento de veículos. Computers & Operations Research, 39(9), 2033–2050.
1543-1552. Framinan, JM, & Perez-Gonzalez, P. (2018). Agendamento de pedidos com objetivo de atraso:
Behnamian, J., Ghomi, SMTF, & Zandieh, M. (2010). Desenvolvimento de uma me taheurística Soluções aproximadas melhoradas. Jornal Europeu de Pesquisa Operacional, 266(3),
híbrida para minimizar a antecipação e o atraso em um flowshop híbrido com tempos de setup 840-850.
dependentes da sequência. International Journal of Production Research, 48(5), Frazzon, EM, Albrecht, A., Pires, M., Israel, E., Kück, M., & Freitag, M. (2018). Híbrido
1415-1438. abordagem para a programação integrada dos processos de produção e transporte ao longo
Beuren, FH, Ferreira, MGG, & Miguel, PAC (2013). Sistemas produto-serviço: A redes de fornecimento. International Journal of Production Research, 56(5), 2019–2035.
revisão de literatura sobre produtos e serviços integrados. Jornal de Produção Mais Limpa, Gao, J., Chen, R., & Deng, W. (2013). Um algoritmo de busca tabu eficiente para o problema
47, 222-231. de escalonamento de flowshop de permutação distribuída. Jornal Internacional de
Boehm, M., & Thomas, O. (2013). Olhando além da borda da xícara de chá: um multi Pesquisa de Produção, 51(3), 641-651. https://doi.org/10.1080/00207543.2011.
revisão disciplinar da literatura de Sistemas Produto-Serviço em Sistemas de Informação, 644819.
Gestão de Negócios e Engenharia e Design. Jornal de Produção Mais Limpa, 51, Geng, X., Chen, Z., Yang, W., Shi, D., & Zhao, K. (2011) Resolvendo o caixeiro-viajante
245-260. problema baseado em um algoritmo de recozimento simulado adaptativo com busca gulosa.
Chen, ZL (2010). Produção integrada e programação de distribuição de saída: Revisão Computação Suave Aplicada, 11(4), 3680–3689.
e extensões. Pesquisa Operacional, 58(1), 130–148. Geng, X., Chu, X., Xue, D., & Zhang, Z. (2010). Uma abordagem integrada para avaliar a
Chen, ZL, & Pundoor, G. (2009). Programação e embalagem integrada de pedidos. Produção importância final das características da engenharia no desenvolvimento do sistema produto-serviço.

265
Machine Translated by Google
Y. Zhang, et ai.
Computadores e Engenharia Industrial, 59(4), 585–594.
Glover, F. (1986). Caminhos futuros para programação inteira e links para inteligência artificial .
Computers & Operations Research, 13(5), 533–549.
Hendel, Y., & Sourd, F. (2007). Um algoritmo de temporização de antecipação-atraso aprimorado.
Computers & Operations Research, 34(10), 2931-2938.
Karabulut, K. (2016). Um algoritmo guloso iterado híbrido para minimização de atraso total em flowshops de
permutação. Computadores e Engenharia Industrial, 98, 300–307.
Karimi, N., & Davoudpour, H. (2015). Um método de ramificação e limite para resolver multi
programação da cadeia de suprimentos da fábrica com entrega em lote. Sistemas Especialistas com
Aplicativos, 42(1), 238-245.
Kedad-Sidhoum, S., & Sourd, F. (2010). Busca rápida de vizinhança para o problema de escalonamento
antecipado-atraso de máquina única . Computers & Operations Research, 37(8), 1464–1471.
Kirkpatrick, S., Gelatt, CD, & Vecchi, MP (1983). Otimização por Simulated Annealing. Ciência, 220
(4598), 671.
Kuo, TC, & Wang, ML (2012). A otimização dos níveis de serviço de manutenção para apoiar o sistema de
serviço do produto. Revista Internacional de Pesquisa de Produção, 50(23), 6691-6708.
Lee, S., Yoo, S., & Kim, D. (2016). Quando a servitização é uma estratégia competitiva lucrativa?
Jornal Internacional de Economia da Produção, 173, 43-53.
Li, K., Ganesan, V., & Sivakumar, A. (2005). Programação sincronizada de montagem e transporte aéreo
multidestino em uma cadeia de suprimentos de eletrônicos de consumo.
International Journal of Production Research, 43(13), 2671–2685.
Li, N., & Jiang, Z. (2013). Modelagem e otimização de um sistema produto-serviço com capacidade adicional de
atendimento e clientes impacientes. Computers & Operations Research, 40(8), 1923-1937.
Lin, WC, Yin, Y., Cheng, SR, Cheng, TCE, Wu, CH, & Wu, CC (2017). Otimização de enxame de partículas e
otimização de enxame de partículas com base oposta para agendamento de pedidos de clientes em várias
instalações de dois agentes com tempos de prontidão. Computação Suave Aplicada, 52,
877-884.
Lindahl, M., Sundin, E., & Sakao, T. (2014). Benefícios ambientais e econômicos de
Ofertas integradas de serviços de produtos quantificadas com casos de negócios reais. Journal of Cleaner
Production, 64(2), 288–296.
Liu, X., Yang, T., Pei, J., Liao, H., & Pohl, EA (2019). Substituição e controle de estoque para um sistema de
atendimento ao produto multi-cliente com redução dos custos de reposição.
Jornal Europeu de Pesquisa Operacional, 273(2), 561–574.
Lockett, H., Johnson, M., Evans, S., & Bastl, M. (2011). Sistemas de Serviço de Produto e
relacionamentos da rede de suprimentos: um estudo de caso exploratório. Journal of Manufacturing
Technology Management, 22(3), 293–313.
Lourenço, HR, Martin, OC, & Stützle, T. (2010). Pesquisa local iterada: estrutura e
formulários. Handbook of Metaheuristics, 146, 363-397.
Ma, HL, Chan, FTS e Chung, SH (2013). Minimizando a antecipação e o atraso integrando a programação da
produção com as informações de envio. International Journal of Production Research, 51(8), 2253–2267.
Mahut, F., Daaboul, J., Bricogne, M., & Eynard, B. (2017). Sistemas produto-serviço para
servitização da indústria automotiva: uma revisão de literatura. International Journal of Production Research,
55(7), 2102–2120.
Marandi, F., & Fatemi Ghomi, SMT (2019). Programação integrada de produção e distribuição multifábrica
aplicando a abordagem de roteamento de veículos. International Journal of Production Research, 57(3),
722–748.
Massengale, A., Larson, MC, Dai, C., & Jr, JSH (2014). Programação integrada de produção e transporte
ferroviário. Computadores e Engenharia Industrial, 74(1), 240–256.
Mladenoviÿ, N., & Hansen, P. (1997). Pesquisa de bairro variável. Computadores &
Pesquisa Operacional, 24(11), 1097-1100.
Montgomery, DC (2017). Concepção e análise de experiências. John Wiley & Filhos.
Naderi, B., Ruiz, R., & Zandieh, M. (2010). Algoritmos para uma variante realista do escalonamento flowshop.
Computers & Operations Research, 37(2), 236–246.
266
Computadores e Engenharia Industrial 133 (2019) 253–266
Nawaz, M., Jr, EEE, & Ham, I. (1983). Um algoritmo heurístico para o problema de sequenciamento de m-
máquinas e n-jobs. Ômega, 11 (1), 91–5.
Osman, IH, & Potts, CN (1989). Recozimento simulado para escalonamento flow-shop de permutação.
Ômega, 17(6), 551-557.
Pan, QK, & Ruiz, R. (2012). Métodos de busca local para o problema de escalonamento de flowshop com
minimização do tempo de fluxo. Jornal Europeu de Pesquisa Operacional, 222(1), 31–43.
Pan, QK, Ruiz, R., & Alfaro-Fernández, P. (2017). Métodos de busca iterados para minimização de antecipação
e atraso em flowshops híbridos com janelas devidas. Computers & Operations Research, 80, 50–60.
Pascual, R., Siña, M., Santelices, G., Román, M., & Droguett, EL (2017). Coordenação de canal ideal em contratos
de sistema de produto-serviço baseados em uso. International Journal of Production Research, 5, 1–11.
Pinedo, ML (2012). Agendamento: Teoria, algoritmos e sistemas. Springer Science & Business Media.
Potts, CN, & Van Wassenhove, LN (1982). Um algoritmo de decomposição para o problema de atraso total de
máquina única. Operations Research Letters, 1(5), 177–181.
Safaei, N., Banjevic, D., & Jardine, AK (2012). Recozimento simulado multi-thread para um problema de
programação de manutenção bi-objetivo. International Journal of Production Research, 50(1), 63–80.
Sawhney, M., Balasubramanian, S., & Krishnan, VV (2004). Criando crescimento com ser
vícios. Mit Sloan Management Review, 45(2), 34.
Shokohyar, S., Mansour, S., & Karimi, B. (2014). Um modelo de integração de serviços e
gerenciamento de EOL do produto em sistema de serviço de produto sustentável (S-PSS). Journal of
Intelligent Manufacturing, 25(3), 427–440.
Subramanian, A., Drummond, LMdA, Bentes, C., Ochi, LS, & Farias, R. (2010). Uma heurística paralela para o
problema de roteamento de veículos com coleta e entrega simultâneas. Computers & Operations Research,
37(11), 1899–1911.
Tseng, CT, & Liao, CJ (2008). Uma otimização de enxame de partículas discretas para o problema de programação
de flowshop de fluxo de lotes. Jornal Europeu de Pesquisa Operacional, 191(2),
360-373.
Tukker, A. (2015). Serviços de produtos para uma economia circular e eficiente em recursos – A
Reveja. Journal of Cleaner Production, 97, 76-91.
Wang, G., & Cheng, TCE (2007). Agendamento de pedidos do cliente para minimizar o total
tempo de conclusão ponderado. Ômega, 35(5), 623-626.
Wang, K., Jiang, Z., Li, N., & Geng, N. (2013). Produção ideal e controle de admissão para um sistema SOM
estocástico com demandas de produto e PSS. International Journal of Production Research, 51(23–24),
7270–7288.
Wang, K., Ma, W., Luo, H., & Qin, H. (2016). Programação coordenada de produção e transporte em um flowshop
de montagem de dois estágios. International Journal of Production Research, 54(22), 6891–6911.
Wu, CC, Lin, WC, Zhang, XG, Chung, IH, Yang, TH e Lai, KJ (2019). Minimização de atrasos para um problema
de agendamento de pedidos de clientes com efeito de aprendizado baseado na soma do tempo de
processamento . Jornal da Sociedade de Pesquisa Operacional, 70(3), 487–501.
Wu, CC, Liu, SC, Lin, TY, Yang, TH, Chung, IH e Lin, WC (2018). Bicritério de tempo total de fluxo e minimização
máxima de atraso para um problema de programação de pedidos . Computadores e Engenharia Industrial,
117, 152-163.
Wu, CC, Liu, SC, Zhao, C., Wang, SZ e Lin, WC (2017). Um escalonamento de pedidos multimáquinas com
aprendizado usando o algoritmo genético e otimização de enxame de partículas . The Computer Journal,
61(1), 14-31.
Xie, W., Jiang, Z., Zhao, Y., & Shao, X. (2014). Desenho de contrato para sistema de serviço de produto
cooperativo com assimetria de informação. International Journal of Production Research, 52(6), 1658–1680.
Xu, J., Wu, CC, Yin, Y., Zhao, C., Chiou, YT, & Lin, WC (2016). Um problema de escalonamento de pedidos com
efeito de aprendizado baseado em posição. Computadores e Pesquisa Operacional, 74, 175-186.
Zhang, Y., Liu, S., Liu, Y., & Li, R. (2016). Sistema de produto-serviço habilitado para caixa inteligente para
logística em nuvem. International Journal of Production Research, 54(22), 6693–6706.