Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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
A complexidade e dificuldade do escalonamento de pedidos do PSS principalmente modelo de otimização dinâmica de tarefas logísticas. Para melhorar a lucratividade de um
decorrem da interação entre as etapas de produção e serviço. PSS orientado ao uso, Liu, Yang, Pei, Liao e Pohl (2019)
Como o serviço pode ser iniciado após a finalização da produção, o formular um processo de decisão de Markov de tempo discreto para maximizar a
sistema híbrido operado por um provedor de PSS pode ser visto como um sistema serial receita de longo prazo por período. A literatura acima fornece informações valiosas
composto por um subsistema de manufatura e um subsistema de serviço experiências e referências para a gestão de marketing e operações do PSS, mas, até onde
(Wang, Jiang, Li e Geng, 2013). Por um lado, a conclusão antecipada de sabemos, o agendamento de pedidos do PSS
produção fará com que o produto aguarde no armazém da problema continua a ser resolvido no campo da gestão de operações
subsistema de fabricação, incorrendo assim no custo de armazenamento. No outro mento.
Por outro lado, se a produção não puder ser concluída no prazo, a prestação do serviço pelo A literatura existente sobre produção integrada e programação de serviços concentra-
subsistema de serviço será atrasada, o que aumenta o risco se principalmente na produção e distribuição integradas.
de atraso. Portanto, os provedores de PSS precisam fazer uma troca entre área de agendamento. Li, Ganesan e Sivakumar (2005) abordam o problema da programação
o custo de armazenamento e atraso, bem como coordenar a produção e sincronizada de montagem com transporte aéreo para
agendamento de serviço. Na realidade, a interação entre a produção e minimizar o custo em uma cadeia de suprimentos de eletrônicos de consumo. Ma, Chan e
estágios de serviço muitas vezes torna difícil para os provedores de PSS Chung (2013) desenvolve um modelo integrado de programação de produção
gerenciar seus sistemas e negócios (Lockett, Johnson, Evans, & Bastl, com informações de envio e propor um algoritmo genético de dois níveis
2011), causando alto custo operacional. Como alcançar a coordenação para lidar com o modelo. Massengale, Larson, Dai e Jr (2014) estudo
programação da produção e serviço é outro problema crítico para o problema de sincronizar a programação da produção e a alocação do transporte ferroviário
Provedores de PSS. de pedidos para otimizar o atendimento ao cliente no mínimo
Para lidar com as questões acima, consideramos um provedor de PSS composto custo total. Karimi e Davoudpour (2015) estudam a coordenação entre
de uma fábrica e um centro de serviços. A planta fabril programação de produção e distribuição em uma rede de cadeia de suprimentos, e
primeiro produz os produtos dos pedidos PSS e, em seguida, o centro de serviço é apresentar um método branch and bound para resolver este problema. Wang,
responsável por fornecer os serviços de instalação correspondentes com base Ma, Luo e Qin (2016) desenvolvem um algoritmo genético híbrido baseado em
em janelas de tempo especificadas pelos clientes. Estudamos como agendar PSS a aprendizagem baseada na oposição para resolver a produção coordenada e
pedidos de forma a minimizar o custo total de armazenamento e atraso, e propor alguns programação de transporte em um flowshop de montagem de dois estágios. Através
algoritmos eficazes. A contribuição desta pesquisa é combinando programação inteira mista, simulação de eventos discretos e um
fornecer aos provedores de PSS ferramentas eficazes de modelagem e solução para algoritmo genético, Frazzon et al. (2018) propõem uma abordagem híbrida para
agendamento de pedidos PSS, para que o custo operacional possa ser reduzido e a programação integrada dos processos de produção e transporte no
a eficiência operacional pode ser melhorada. estrutura de gerenciamento da cadeia de suprimentos. Ainda no contexto da cadeia de suprimentos,
O restante deste artigo está organizado da seguinte forma. A Seção 2 revisa a literatura Marandi e Fatemi Ghomi (2019) investigam um problema integrado de produção multifábrica
relevante. A seção 3 descreve o problema e formula um modelo matemático. A seção 4 e programação de transporte com o
propõe um algoritmo de inserção de tempo ocioso. A seção 5 desenvolve três metaheurísticas. objetivo de minimizar o atraso total e o custo de transporte.
Seção 6 Mais pesquisas iniciais sobre questões de produção e distribuição integradas
realiza alguns experimentos computacionais. A Seção 7 tira conclusões agendamento pode ser referido a Chen (2010). A literatura acima considera que um veículo
e dá sugestões para trabalhos futuros. de transporte pode fornecer serviço de entrega para
vários pedidos ao mesmo tempo, ou os produtos de um pedido podem ser divididos em
2. Revisão da literatura vários lotes a serem entregues por diferentes veículos de transporte. Dentro
a programação da ordem PSS, considera-se que o centro de serviço pode
Três correntes de literatura estão intimamente relacionadas a este artigo. Eles são execute apenas uma tarefa de serviço de instalação por vez, levando em consideração
PSS, programação integrada de produção e serviços e programação de pedidos. que o serviço de instalação não pode ser dividido; adicionalmente, se a instalação não puder
começar imediatamente após a conclusão do produto, o
Atualmente, o PSS tem sido amplamente estudado no meio acadêmico. A maioria custos de armazenamento serão incorridos. Portanto, soluções anteriores para a programação
da literatura relevante é a pesquisa qualitativa sobre o conceito, design e integrada de produção e distribuição não podem ser aplicadas a
estudo de caso de PSS (Mahut, Daaboul, Bricogne, & Eynard, 2017). Nos últimos anos, a o problema de agendamento de pedidos PSS, e novas estratégias de agendamento precisam
pesquisa quantitativa de PSS tem atraído gradualmente a ser desenvolvido para este problema.
atenção dos estudiosos. No campo do marketing, Xie, Jiang, Zhao e Shao A programação de pedidos do cliente tornou-se uma questão importante e quente
(2014) estudam três contratos comuns sob assimetria de informação em na gestão de operações de manufatura e serviços. Wang e
uma cadeia de suprimentos que fornece PSS, e descobrem que a manutenção do preço de varejo Cheng (2007) considera que cada pedido do cliente contém vários trabalhos diferentes a
contrato beneficia o fabricante, enquanto o contrato de taxa de franquia serem processados em várias instalações dedicadas, e estuda
bom para o varejista. Lee, Yoo e Kim (2016) investigam a competição entre um canal o problema de programação de pedidos correspondente para minimizar o total
convencional que fornece bens separados e tempo ponderado de conclusão do pedido. Chen e Pundoor (2009) estudam uma
serviços e um canal servitizado que fornece PSSs, e revelam que o problema integrado de agendamento e embalagem de pedidos sob as restrições
dependência de serviço e substituibilidade de canal são críticos para o da capacidade do lote de entrega e do nível de serviço ao cliente. Xu
fabricante para decidir se adota a servitização. Pascual, Sina, et ai. (2016) propõem um problema de escalonamento de pedidos de múltiplas máquinas
Santelices, Román e Droguett (2017) desenvolvem uma ferramenta quantitativa para com efeito de aprendizado baseado em posição para minimizar o atraso total.
o desenho de contratos PSS orientados ao uso com base em não reparáveis Com base na otimização de enxame de partículas, Lin et al. (2017) desenvolvem três
confiabilidade de componentes e compartilhamento de riscos. Na área de gestão de metaheurísticas para um escalonamento de pedidos multi-facilidade de dois agentes com
operações, vários modelos de otimização para PSS são desenvolvidos. Por exemplo, Kuo e tempos prontos. Com o objetivo de minimizar o número de trabalhos atrasados,
Wang (2012) usam análise de utilidade multiatributo para Wu, Liu, Zhao, Wang e Lin (2017) estudam uma ordem multi-máquina
desenvolver diferentes modelos de serviço de manutenção, em que a operação problema de agendamento com aprendizagem. Wu et ai. (2018) apresentam um pedido
custo, emissão de CO2 e satisfação com o serviço são variáveis de decisão. Li e problema de escalonamento com múltiplos objetivos, e propor heurísticas e metaheurísticas
Jiang (2013) constrói uma estrutura de blocos de otimização de cadeia de Markov para resolver este problema. Framinan e Perez Gonzalez (2018) desenvolvem algumas
modelo de PSS com capacidade adicional de atendimento e clientes impacientes. Shokohyar, heurísticas construtivas para a ordem
Mansour e Karimi (2014) integram serviços e problema de agendamento com minimização de atraso total. Wu et ai. (2019)
gestão de fim de vida do produto em PSS sustentável para desenvolver um modelo de resolver um problema de agendamento de pedido de cliente com efeito de aprendizado
otimização. Zhang, Liu, Liu e Li (2016) investigam os serviços de logística sustentável baseado em tempo de processamento de soma de processamento em várias máquinas, de
habilitados para caixas inteligentes baseadas em PSS e apresentam uma modo que o atraso total dos pedidos seja minimizado. Ao contrário dos estudos acima, que apenas
254
Machine Translated by Google
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)
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
255
Machine Translated by Google
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
=
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
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
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.
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
metaheurísticas em vez de abordagens complexas como algoritmo genético, otimização Farias, 2010) e o problema de agendamento flowshop (eg, Pan & Ruiz,
de colônias de formigas e etc. tem três aspectos. Primeiro, esses 2012). A partir de uma solução inicial, o ILS primeiro realiza uma pesquisa local
metaheurísticas baseadas em soluções únicas são mais fáceis de entender, implementar para encontrar um ótimo local, que é usado para atualizar a solução atual
e estender a outras variantes de problemas. Em segundo lugar, eles têm menos de acordo com um critério de aceitação, e então realiza uma perturbação para escapar
parâmetros, portanto, os resultados experimentais são fáceis de replicar. Terceiro, dele. Esse processo itera até que o critério de término seja atendido. Como o ILS é
estudos recentes sobre muitos problemas de agendamento (por exemplo, Naderi, Ruiz, & simples e eficaz, nós o aplicamos para resolver os
Zandieh, 2010; Cheng, Chung, Liao e Lee, 2013; Gao, Chen e Deng, PSSOSPTW.
2013) indicam que metaheurísticas simples podem dar resultados de última geração O ILS proposto aplica uma busca de vizinhança variável (VNS)
quando comparadas a abordagens complexas. (Mladenoviÿ & Hansen, 1997) para encontrar soluções promissoras no
Na Seção 5.1, apresentamos primeiro uma versão adaptada do NEH espaço de solução. As vizinhanças de inserção e troca comumente usadas
heurística como um gerador de solução inicial para nossas metaheurísticas. Dentro formam as estruturas de vizinhança, que são alteradas dinamicamente
Seções 5.2–5.4, apresentamos as metaheurísticas propostas. Observe que durante o processo de busca. Ambos os bairros são definidos com base em
o esquema de codificação para o PSSOSPTW é uma simples permutação de PSS os movimentos das ordens. O movimento de inserção é definido removendo uma ordem
pedidos, e o algoritmo de inserção de tempo ocioso é incorporado a esses selecionada aleatoriamente de sua posição original e inserindo-a na
metaheurísticas para avaliar as soluções. 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
5.1. Uma heurística NEH adaptada para o PSSSOSPTW 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
Baseado no algoritmo NEH proposto por Nawaz e Ham (1983), bairro. O método VNS sempre prefere a pesquisa de vizinhança de inserção à de troca,
desenvolvemos um algoritmo NEH adaptado chamado NEHPSS para o PSOS PTW. A a menos que a primeira não consiga obter uma
ideia do NEHPSS é a seguinte. melhor solução de vizinhança do que a atual. O método VNS é
Em primeiro lugar, três sequências iniciais são geradas pelos três seguintes mostrado no pseudocódigo 5.
regras de despacho, respectivamente:
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(
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
= (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
100n (19)
onde STS¯ e CTS¯ são definidos pelas Eqs. (17) e (18), respectivamente, e Pseudocódigo 9
*: ; =
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
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
é definida como uma constante definida pela Eq. (19). A lista tabu é usada para registrar Pseudocódigo 10
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
(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
260
Machine Translated by Google
O desempenho dos algoritmos pode ser muito influenciado por seus valores de O gráfico das médias e os intervalos LSD para diferentes níveis de e T0 em SA
parâmetros. Nesta seção, realizamos um planejamento fatorial completo na estão representados na Fig. 3. É mostrado na Fig. 3(a) que não existe diferença
abordagem Design of Experiments (DOE) (Montgomery, 2017) para calibrar os estatística significativa entre os diferentes níveis de . Isso significa que o algoritmo
parâmetros dos algoritmos propostos. Tomamos os parâmetros como fatores e SA é bastante robusto em relação ao intervalo [0,93, 0,99] . No entanto, ainda
consideramos os níveis dos parâmetros da seguinte forma. Para o algoritmo ILS, é podemos considerar = 0,97 um pouco melhor do que as outras opções. A Fig. 3(b)
testado em 3 níveis {3, 4, 5}, em 4 níveis {20, 30, 40, 50} e T0 em 4 níveis T0 {0,1,
0,3, demonstra que T0 = 0,3 fornece resultados estatisticamente melhores do que as
0,5, 0,7} . Para o algoritmo SA, é testado em 4 níveis {0,93, 0,95, 0,97, 0,99} e T0 opções de 0,5 e 0,7, mas não há diferença estatisticamente significativa entre 0,1 e
em 4 níveis {0,1, 0,3, 0,5, 0,7} . Para o algoritmo TS, T0 também é testado em 4 0,3. De acordo com os resultados da ANOVA para o experimento de calibração de
níveis {0,1, 0,3, 0,5, 0,7} . Portanto, ILS tem um total de 48 combinações, SA 16 e parâmetros do SA, as configurações finais dos parâmetros usados no SA são = 0,97
TS 4. Um conjunto de instâncias de calibração de 20 instâncias é gerado da seguinte e T0 = 0,3.
forma: uma instância para cada uma das 20 combinações aleatórias de n, cujos A Fig. 4 mostra o gráfico de médias e intervalos LSD para diferentes níveis de
valores são selecionados aleatoriamente das conjuntos de valores. A geração de T0 em TS. Como visto nesta figura, T0 = 0,1 e 0,3 produzem resultados
, Re , uma instância de calibração é a mesma de uma instância de teste. estatisticamente melhores do que 0,7. Além disso, 0,3 dá um desempenho médio
Cada algoritmo é executado cinco vezes para cada instância de calibração. ligeiramente melhor do que 0,1. Portanto, T0 = 0,3 é usado no algoritmo TS.
261
Machine Translated by Google
mesa 2
Resultados de ANOVA para o experimento sobre os efeitos de fatores de instância.
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
262
Machine Translated by Google
Fig. 7. Gráfico de médias da interação entre os algoritmos e o fator de atraso. Fig. 9. Gráfico de médias para a interação entre algoritmos e o fator de intervalo de
largura da janela de tempo.
Problema PSSOSPTW.
263
Machine Translated by Google
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
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) 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)
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
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,
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
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.
Subtraindo ambos os lados da desigualdade acima por CTP ( )j e aplicando o algoritmo de agendamento, temos
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
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
265
Machine Translated by Google
Computadores e Engenharia Industrial, 59(4), 585–594. Nawaz, M., Jr, EEE, & Ham, I. (1983). Um algoritmo heurístico para o problema de sequenciamento de m-
Glover, F. (1986). Caminhos futuros para programação inteira e links para inteligência artificial . máquinas e n-jobs. Ômega, 11 (1), 91–5.
Computers & Operations Research, 13(5), 533–549. Osman, IH, & Potts, CN (1989). Recozimento simulado para escalonamento flow-shop de permutação.
Hendel, Y., & Sourd, F. (2007). Um algoritmo de temporização de antecipação-atraso aprimorado. Ômega, 17(6), 551-557.
Computers & Operations Research, 34(10), 2931-2938. Pan, QK, & Ruiz, R. (2012). Métodos de busca local para o problema de escalonamento de flowshop com
Karabulut, K. (2016). Um algoritmo guloso iterado híbrido para minimização de atraso total em flowshops de minimização do tempo de fluxo. Jornal Europeu de Pesquisa Operacional, 222(1), 31–43.
permutação. Computadores e Engenharia Industrial, 98, 300–307. Pan, QK, Ruiz, R., & Alfaro-Fernández, P. (2017). Métodos de busca iterados para minimização de antecipação
Karimi, N., & Davoudpour, H. (2015). Um método de ramificação e limite para resolver multi e atraso em flowshops híbridos com janelas devidas. Computers & Operations Research, 80, 50–60.
programação da cadeia de suprimentos da fábrica com entrega em lote. Sistemas Especialistas com
Aplicativos, 42(1), 238-245. Pascual, R., Siña, M., Santelices, G., Román, M., & Droguett, EL (2017). Coordenação de canal ideal em contratos
Kedad-Sidhoum, S., & Sourd, F. (2010). Busca rápida de vizinhança para o problema de escalonamento de sistema de produto-serviço baseados em uso. International Journal of Production Research, 5, 1–11.
antecipado-atraso de máquina única . Computers & Operations Research, 37(8), 1464–1471.
Pinedo, ML (2012). Agendamento: Teoria, algoritmos e sistemas. Springer Science & Business Media.
Kirkpatrick, S., Gelatt, CD, & Vecchi, MP (1983). Otimização por Simulated Annealing. Ciência, 220
(4598), 671. Potts, CN, & Van Wassenhove, LN (1982). Um algoritmo de decomposição para o problema de atraso total de
Kuo, TC, & Wang, ML (2012). A otimização dos níveis de serviço de manutenção para apoiar o sistema de máquina única. Operations Research Letters, 1(5), 177–181.
serviço do produto. Revista Internacional de Pesquisa de Produção, 50(23), 6691-6708. 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.
Lee, S., Yoo, S., & Kim, D. (2016). Quando a servitização é uma estratégia competitiva lucrativa?
Jornal Internacional de Economia da Produção, 173, 43-53. Sawhney, M., Balasubramanian, S., & Krishnan, VV (2004). Criando crescimento com ser
Li, K., Ganesan, V., & Sivakumar, A. (2005). Programação sincronizada de montagem e transporte aéreo vícios. Mit Sloan Management Review, 45(2), 34.
multidestino em uma cadeia de suprimentos de eletrônicos de consumo. Shokohyar, S., Mansour, S., & Karimi, B. (2014). Um modelo de integração de serviços e
International Journal of Production Research, 43(13), 2671–2685. gerenciamento de EOL do produto em sistema de serviço de produto sustentável (S-PSS). Journal of
Li, N., & Jiang, Z. (2013). Modelagem e otimização de um sistema produto-serviço com capacidade adicional de Intelligent Manufacturing, 25(3), 427–440.
atendimento e clientes impacientes. Computers & Operations Research, 40(8), 1923-1937. 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,
Lin, WC, Yin, Y., Cheng, SR, Cheng, TCE, Wu, CH, & Wu, CC (2017). Otimização de enxame de partículas e 37(11), 1899–1911.
otimização de enxame de partículas com base oposta para agendamento de pedidos de clientes em várias Tseng, CT, & Liao, CJ (2008). Uma otimização de enxame de partículas discretas para o problema de programação
instalações de dois agentes com tempos de prontidão. Computação Suave Aplicada, 52, de flowshop de fluxo de lotes. Jornal Europeu de Pesquisa Operacional, 191(2),
877-884. 360-373.
Lindahl, M., Sundin, E., & Sakao, T. (2014). Benefícios ambientais e econômicos de Tukker, A. (2015). Serviços de produtos para uma economia circular e eficiente em recursos – A
Ofertas integradas de serviços de produtos quantificadas com casos de negócios reais. Journal of Cleaner Reveja. Journal of Cleaner Production, 97, 76-91.
Production, 64(2), 288–296. Wang, G., & Cheng, TCE (2007). Agendamento de pedidos do cliente para minimizar o total
Liu, X., Yang, T., Pei, J., Liao, H., & Pohl, EA (2019). Substituição e controle de estoque para um sistema de tempo de conclusão ponderado. Ômega, 35(5), 623-626.
atendimento ao produto multi-cliente com redução dos custos de reposição. Wang, K., Jiang, Z., Li, N., & Geng, N. (2013). Produção ideal e controle de admissão para um sistema SOM
Jornal Europeu de Pesquisa Operacional, 273(2), 561–574. estocástico com demandas de produto e PSS. International Journal of Production Research, 51(23–24),
Lockett, H., Johnson, M., Evans, S., & Bastl, M. (2011). Sistemas de Serviço de Produto e 7270–7288.
relacionamentos da rede de suprimentos: um estudo de caso exploratório. Journal of Manufacturing Wang, K., Ma, W., Luo, H., & Qin, H. (2016). Programação coordenada de produção e transporte em um flowshop
Technology Management, 22(3), 293–313. de montagem de dois estágios. International Journal of Production Research, 54(22), 6891–6911.
Lourenço, HR, Martin, OC, & Stützle, T. (2010). Pesquisa local iterada: estrutura e
formulários. Handbook of Metaheuristics, 146, 363-397. Wu, CC, Lin, WC, Zhang, XG, Chung, IH, Yang, TH e Lai, KJ (2019). Minimização de atrasos para um problema
Ma, HL, Chan, FTS e Chung, SH (2013). Minimizando a antecipação e o atraso integrando a programação da de agendamento de pedidos de clientes com efeito de aprendizado baseado na soma do tempo de
produção com as informações de envio. International Journal of Production Research, 51(8), 2253–2267. 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
Mahut, F., Daaboul, J., Bricogne, M., & Eynard, B. (2017). Sistemas produto-serviço para máxima de atraso para um problema de programação de pedidos . Computadores e Engenharia Industrial,
servitização da indústria automotiva: uma revisão de literatura. International Journal of Production Research, 117, 152-163.
55(7), 2102–2120. Wu, CC, Liu, SC, Zhao, C., Wang, SZ e Lin, WC (2017). Um escalonamento de pedidos multimáquinas com
Marandi, F., & Fatemi Ghomi, SMT (2019). Programação integrada de produção e distribuição multifábrica aprendizado usando o algoritmo genético e otimização de enxame de partículas . The Computer Journal,
aplicando a abordagem de roteamento de veículos. International Journal of Production Research, 57(3), 61(1), 14-31.
722–748. Xie, W., Jiang, Z., Zhao, Y., & Shao, X. (2014). Desenho de contrato para sistema de serviço de produto
Massengale, A., Larson, MC, Dai, C., & Jr, JSH (2014). Programação integrada de produção e transporte cooperativo com assimetria de informação. International Journal of Production Research, 52(6), 1658–1680.
ferroviário. Computadores e Engenharia Industrial, 74(1), 240–256.
Xu, J., Wu, CC, Yin, Y., Zhao, C., Chiou, YT, & Lin, WC (2016). Um problema de escalonamento de pedidos com
Mladenoviÿ, N., & Hansen, P. (1997). Pesquisa de bairro variável. Computadores & efeito de aprendizado baseado em posição. Computadores e Pesquisa Operacional, 74, 175-186.
Pesquisa Operacional, 24(11), 1097-1100.
Montgomery, DC (2017). Concepção e análise de experiências. John Wiley & Filhos. Zhang, Y., Liu, S., Liu, Y., & Li, R. (2016). Sistema de produto-serviço habilitado para caixa inteligente para
Naderi, B., Ruiz, R., & Zandieh, M. (2010). Algoritmos para uma variante realista do escalonamento flowshop. logística em nuvem. International Journal of Production Research, 54(22), 6693–6706.
Computers & Operations Research, 37(2), 236–246.
266