Teoria da Melhor

Sequencia
Utilização do Algoritmo de Monte Carlo na
sequencia de produção
Exercício 1 Balanceamento de Capacidade na Semana
.

Solução 1
Roteiro / 1000 500
Produtos Capacidade
Demanda Seman Seq Setor 1 Setor 2
a
Produto Setor 1 Produto Setor 1 Setor 2 1 Prod1 / Prod2 1000 0
Prod1 Capacidade 1000 Prod1 500 0 2 Prod3 / Prod4 1000 0
Prod2 Prod2 500 0 3 Prod5 / Prod6 1000 500
Prod3 Setor 2 Prod3 500 0 4 Prod7 / Prod8 1000 500
Prod4 Capacidade 500 Prod4 500 0 5 Prod9 / 1000 500
Prod5 Prod5 500 0 Prod10
Prod6 Prod6 500 500 6 500
Prod7 Prod7 500 500 7 500
Prod8 Prod8 500 500
Prod9 Prod9 500 500
Prod10 Prod10 500 500 Solução 2
1000 500
Seman Seq Setor 1 Setor 2
a
1 Prod1 / Prod6 1000 500
2 Prod2 / Prod7 1000 500
3 Prod3 / Prod8 1000 500
4 Prod4 / Prod9 1000 500
5 Prod5 / Prod10 1000 500
Exercício 2 .

Roteiro /
Produtos Capacidade
Demanda

?
Produto Setor 1 Produto Setor 1 Setor 2 Setor 3 Setor 4 Setor 5 Setor 6 Setor 7
A Capacidade 1000 A 500 0 300 200 434 1000 200
B B 500 0 200 434 300 1000 434
C Setor 2 C 500 0 100 1000 300 1000 0
D Capacidade 500 D 500 0 0 434 1000 0 1000
E E 500 0 300 200 0 1000 300
F Setor 3 F 500 500 200 434 434 0 434
G Capacidade 500 G 500 500 500 300 300 0 200
H H 500 500 600 1000 434 1000 434
I Setor 4 I 500 500 1000 434 1000 1000 1000
J Capacidade 500 J 500 500 200 0 300 1000 434
K K 434 434 1000 0 434 1000 434
L Setor 5 L 200 1000 0 434 1000 200 200
M Capacidade 500 M 200 0 0 1000 434 1000 434
N N 434 0 200 434 0 1000 200
O O 1000 0 300 434 0 200 434
Setor 6
P P 434 434 1000 200 0 1000 300
Capacidade 500
Q Q 0 0 1000 434 0 1000 1000
R R 1000 434 200 434 1000 200 434
S S 0 200 1000 300 300 1000 0
Temas .

• Sequencia de Produção
• Metodologia Atual
• Sequencia x Preactor
• Problemas
• Exemplos
• Monte Carlo
• “Melhor solução”
 Sequencia de Produção .

• Sequencia atual de produção

 Metodologia Atual .

- Fatores Utilizados

- Número de Caixas
- Volume de Pintura
- “Tamanho do Lote”
- Cores
- DDE

- Método

- O analista monta blocos de produção tentando combinar itens de forma que o número de
caixas e pintura fique dentro dos parâmetros comuns pré estabelecidados dentre todos. (Ex.
27.000 CX 115.000 m2 de pintura).

- Além disso ele tenta agrupar as cores, quebrar lotes para chegar nos parâmetros de caixas e
pintura e obedecer o DDE.

- Essa sequencia determina a data de entrega das MP além de direcionar o sequenciamento do

Preactor
 Sequencia x Preactor .

x
- Conceitualmente primeiro se faz um MPS que direcione o balanceamento do programa para
em seguida firmar a demanda e abrir as OP´s para serem sequenciadas pelo APS
- O Preactor é um software estocástico (não determinístico) que tenta encontrar o melhor
sequenciamento com premissas pré estabelecidas (Data de Entrega / Melhor Setup /
Sequencia do Arquivo / etc...)
- Ele precisa de parâmetros que o guiem previamente (MPS) para que ele encontre uma solução
ótima em um tempo aceitável pois as soluções são infinitas.
- Na nossa modelagem utilizamos a data de entrega como parâmetro para que o preactor
encontre a melhor otimização dos recursos.
- Ou seja a sequencia e o Preactor trabalham juntos. Eles se complementam para encontrar a
melhor solução de sequenciamento.
 Problemas .

- Uma sequencia não balanceada gera uma

sequencia ruim

- Gargalos
- Pulmão cheio
- Lotes que não encaixam
- Produção não linear (picos e vales)
- Ineficiência (muitos setups)
Exemplo 1 .

Exemplo 1 Lego - A ordem dos itens altera o resultado final

1 2 3 4 1 2 3 4 5 6 7 8 9 10

A A C B

B A B C

C
 Exemplo 2 .
Exemplo 2 Tamanho do Lote

Sec 1 2 3 4 5 6
Produto A
Col 1 2 3 4

Sec 1 2 3 4 5 6
Produto B
Col 1 2 3 4

Dias 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Processo Sec 1 2 3 4 5 6 1 2 3 4 5 6
Col 1 2 3 4 1 2 3 4

Sec 1 2 3
Produto A
Col 1 2

Sec 4 5 6
Produto A
Col 3 4

Sec 1 2 3
Produto B
Col 1 2

Sec 4 5 6
Produto B
Col 3 4

Dias 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Processo Sec 1 2 3 1 2 3 4 5 6 4 5 6
Col 1 2 1 2 3 4 3 4

Exemplo 1 Exemplo 2 % Melhor

Tempo Total 16 14 13%
Ociosidade Sec 4 2 50%
Ociosidade Col 8 6 25%
 Exemplo 3 .

Exemplo 3 Melhor Sequencia

Demanda Sequencia 1 Sequencia 1 Sequencia 2 Sequencia 2

Produto COL PIN Capacidade 1000 500 Capacidade 1000 500 Dias Capacidade 1000 500 Capacidade 1000 500
A 500 0 Produto COL PIN Produto COL PIN 0 Produto COL PIN Produto COL PIN
B 500 0 1A 500 0 A/B 1000 0 1 1A 500 0 A/F 1000 500 1
C 500 0 2B 500 0 C/D 1000 0 2 2F 500 500 B/G 1000 500 2
D 500 0 3C 500 0 E/F 1000 500 3 3B 500 0 C/H 1000 500 3
E 500 0 4D 500 0 G/H 1000 500 4 4G 500 500 D/I 1000 500 4
F 500 500 5E 500 0 I/J 1000 500 5 5C 500 0 E/J 1000 500 5
G 500 500 6F 500 500 0 500 6 6H 500 500
H 500 500 7G 500 500 0 500 7 7D 500 0
I 500 500 8H 500 500 8I 500 500
J 500 500 9I 500 500 9E 500 0
10 J 500 500 10 J 500 500

Exemplo 1 Exemplo 2 % Melhor

Tempo Total 8 5 38%
Ociosidade Col 2 0 100%
Ociosidade Pin 2 0 100%
 Problema .
- Uma sequência normal tem em média 139 itens
- Isso nos dá uma sequência de 9,6157E+238
combinações
- Como encontrar a melhor sequência?

- Algoritmo de sequenciamento e pesquisa

operacional !
- Algoritmo de Monte Carlo
 Problema .

Designa-se por método de Monte Carlo (MMC) qualquer método de uma classe de métodos estatísticos que
se baseiam em amostragens aleatórias massivas para obter resultados numéricos. Em suma, utilizam a
aleatoriedade de dados para gerar um resultado para problemas que a priori são determinísticos. São
utilizados mais comumente em problemas de física e de matemática onde são muito difíceis ou impossível de
serem resolvidos com outros métodos.

O método de Monte Carlo tem sido utilizado há muito tempo como forma de obter aproximações numéricas
de funções complexas em que não é viável, ou é mesmo impossível, obter uma solução analítica ou, pelo
menos, determinística.
Melhor solução .

Desenvolvimento
Obrigado!