PONTIFCIA UNIVERSIDADE CATLICA DO PARAN CENTRO DE CINCIAS EXATAS E DE TECNOLOGIA PROGRAMA DE PS-GRADUAO STRICTO SENSU EM ENGENHARIA DE PRODUO E SISTEMAS

FELIPE FONSECA TAVARES DE FREITAS

OTIMIZAO DA PROGRAMAO DA PRODUO DE JOB SHOPS FLEXVEIS POR MEIO DE METAHEURSTICA BASEADA EM COLNIA DE FORMIGAS

CURITIBA 2009

FELIPE FONSECA TAVARES DE FREITAS

OTIMIZAO DA PROGRAMAO DA PRODUO DE JOB SHOPS FLEXVEIS POR MEIO DE METAHEURSTICA BASEADA EM COLNIA DE FORMIGAS

Dissertao apresentada ao Programa de PsGraduao Stricto Sensu em Engenharia de Produo e Sistemas, da Pontifcia Universidade Catlica do Paran, como requisito obteno do ttulo de Mestre. Orientador: Prof. D.Sc. Guilherme Ernani Vieira

CURITIBA 2009

FELIPE FONSECA TAVARES DE FREITAS

OTIMIZAO DA PROGRAMAO DA PRODUO DE JOB SHOPS FLEXVEIS POR MEIO DE METAHEURSTICA BASEADA EM COLNIA DE FORMIGAS

Dissertao apresentada ao Programa de Ps-Graduao Stricto Sensu em Engenharia de Produo e Sistemas, da Pontifcia Universidade Catlica do Paran, como requisito obteno do ttulo de Mestre.

COMISSO EXAMINADORA

_________________________________________ Prof. D.Sc. Guilherme Ernani Vieira Pontifcia Universidade Catlica do Paran - PUCPR

_________________________________________ Prof. D.Sc. Fbio Favaretto Pontifcia Universidade Catlica do Paran - PUCPR

_________________________________________ Prof. D.Sc. Ivan Nunes da Silva Universidade de So Paulo - USP

Curitiba, ____ de _________________ de 2009.

Ao meu pai, Euclides, a minha me, Aurora, e a minha irm, Ana Paula. Aos amigos-irmos Mariana e Thiago.

AGRADECIMENTOS

A Deus, que sempre ouviu minhas preces e iluminou minhas aes e esforos ao longo do mestrado. Aos meus familiares, pelo apoio e carinho. Aos professores do curso, pelas dicas e pacincia. Aos meus colegas de sala, que colaboraram direta ou indiretamente para a realizao deste trabalho. Ao meu orientador, Prof. Guilherme Ernani Vieira, que me auxiliou em todas as etapas desta pesquisa. Aos professores Leandro Coelho dos Santos e Andr Melo, cujos conselhos e opinies sempre contriburam positivamente ao desenvolvimento desta dissertao. secretria do programa de mestrado, Daniela Utzig Rossi, cujo companheirismo e amizade fizeram-se presentes ao longo do curso. Aos amigos Luiz Wanzeler, Mariana Carneiro e Thiago Pelaes, que me trouxeram paz de esprito nos momentos mais delicados dessa trajetria.

RESUMO

A programao da produo revela-se como uma atividade que, se bem planejada, otimizada e controlada, capaz de gerar concretas e duradouras vantagens competitivas para uma empresa. Um dos problemas mais complexos de programao da produo ocorre em sistemas do tipo job shop os quais envolvem otimizao combinatria, cuja resoluo em tempo computacional aceitvel quase sempre improvvel (NP-hard). Nesse contexto, vrios mtodos de otimizao tm sido pesquisados e desenvolvidos nas ltimas dcadas, almejando-se planos de produo cada vez melhores, sob tempos de execuo computacional gradativamente menores e viveis para a indstria. Em especial, destaca-se o uso de uma tcnica de inteligncia coletiva denominada Otimizao por Colnia de Formigas (ou Ant Colony Optimization ACO), a qual, mimetizando o comportamento social de colnias de formigas quando buscam por novas fontes de alimento na natureza, vm obtendo bons resultados quando aplicadas a problemas do tipo Job Shop Scheduling (JSS). Nesse sentido, tornam-se promissores estudos voltados identificao de quais fatores de controle da tcnica ACO so estatisticamente significativos ao seu desempenho e como aqueles podem contribuir para a maximizao de sua eficincia. Buscando-se realizar tal tipo de pesquisa, este trabalho recorre ao Planejamento Experimental (ou Design of Experiments DOE) para analisar o impacto de cinco variveis de controle da metaheurstica ACO em seu desempenho, tendo como objetos de otimizao cenrios de JSS flexveis, caracterizados por mltiplos estgios de processamento, recursos produtivos distintos em paralelo e tempos de setup dependentes (FJSS-UPM), sendo esses avaliados segundo o tempo total mximo de programao da produo (makespan) e o tempo de execuo computacional requerido pelo algoritmo. Identificados os parmetros crticos ao ACO e seus melhores valores de configurao entre os verificados pela pesquisa, efetuou-se um estudo comparativo entre ACO e a tcnica de programao matemtica BB, de modo que fosse possvel vislumbrar a importncia da anlise de impacto das variveis de controle do mtodo ACO ao seu desempenho. Como resultados da pesquisa, as informaes relacionadas relevncia da quantidade de feromnio depositada (), quantidade inicial de feromnio (QIF) e ao nmero mximo de viagens permitido para cada formiga (NMV) revelaram-se como as variveis de maior expressividade ao desempenho do mtodo. Em relao ao estudo comparativo, o algoritmo ACO gerou resultados estatisticamente equivalentes aos produzidos pela tcnica BB, porm em tempo computacional significativamente inferior, comprovando no somente sua adequabilidade otimizao de FJSS-UPM, como tambm ratificando a importncia de se compreender melhor o comportamento de um mtodo de otimizao em funo de seus fatores de configurao. Palavras-chave: Job shop scheduling. Otimizao por colnia de formigas. Planejamento experimental.

ABSTRACT

Production programming reveals itself to be an activity which, when well planned, optimized and controlled, is capable of providing concrete and long-lasting competitive advantages for a company. One of the most complex troubles in production programming occurs within job shop systems consisting in combinatory optimization, which resolution in acceptable computational time is almost always unlikely (NP-hard). In this context, several optimization methods have been researched and developed throughout the last decades, aiming to reach much better production plans, under times of computational execution gradually smaller and viable for industries. Primarily, the use of a collective intelligence technique called Ant Colony Optimization ACO is distinguished, which reproduces the social behavior of ant colonies when in search for new food sources in nature, and obtains good results when applied to Job Shop Scheduling (JSS) troubles. Thus, studies aiming the identification of which control factors of ACO technique are statistically significant to their performance and to how those can contribute to the maximization of its efficiency become very promising. In order to accomplish that kind of research, this work utilizes Design of Experiments DOE to analyze the impact of five control variables from the meta-heuristic ACO to their performance, having flexible JSS scenes as optimization objects, characterized by multiple stages of processing, distinct production resources in parallel and dependent setup times (FJSS-UPM), being those evaluated according maximum total time of production programming (makespan) and the time of computational execution requested by the algorithm. When the critical parameters to ACO and their best values of configuration among those verified by research were identified, a comparative study between ACO and BB mathematical programming technique was carried through, making it possible to glimpse the importance of analyzing the impact caused by the ACO method control variables to its performance. As results, information related to the relevance of the amount of pheromone used (), the initial amount of pheromone (IAP) e the maximum number of travels allowed to each ant (MNT) revealed to be the most expressive variables to the performance of this method. Considering the comparative study, ACO algorithm provided statistically equivalent results to those obtained by the BB technique, but within significantly less computational time, proving not only its adequateness to the FJSS-UPM optimization, as well as ratifying the importance of better understanding the behavior of an optimization method through its configuration factors. Key-words: Job shop scheduling. Ant colony optimization. Design of experiments.

LISTA DE ILUSTRAES

Figura 1 Etapas descritivas de um mtodo cientfico ............................................................ 27 Figura 2 Diagrama geral da estratgia de pesquisa adotada .................................................. 30 Figura 3 Modelo de sistema produtivo .................................................................................. 33 Figura 4 - Nveis hierrquicos do planejamento e controle da produo ................................. 37 Figura 5 Hierarquia da complexidade de otimizao de diferentes cenrios de programao da produo............................................................................................................................... 41 Figura 6 - Exemplo de cenrio produtivo do tipo job shop ...................................................... 43 Figura 7 Inteligncia computacional e computao natural .................................................. 50 Figura 8 Comportamento migratrio de um bando de pssaros e sua relao com pbest e nbest .......................................................................................................................................... 52 Figura 9 - Comportamento exploratrio das formigas em busca de novas fontes de alimento 57 Figura 10 Comportamento adaptativo das formigas.............................................................. 57 Figura 11 Fluxograma geral de um algoritmo ACO.............................................................. 62 Figura 12 Exemplo esquemtico de um FJSS-3PM .............................................................. 65 Figura 13 Grafo disjuntivo de um 3 / 4 / prec / cmax JSSP..................................................... 76 Figura 14 Grafo disjuntivo representativo de um FJSS-UPM com k = 2 .............................. 77 Figura 15 Exemplo do grafo de um JSS com dois jobs e trs estgios de processamento .... 79 Figura 16 Identificao de informaes (a) e representao de worktickets como ns de um grafo (b) .................................................................................................................................... 80 Figura 17 Influncia do feromnio na atuao das formigas artificiais ................................ 82 Figura 18 Construo de uma soluo vivel e a construo da lista tabuk .......................... 84 Figura 19 Violao de restries operacionais (a) e restries de processamento de mquinas (b) ............................................................................................................................. 85 Figura 20 Modificaes na lista sp em virtude da movimentao de uma formiga artificial 87 Figura 21 Diagrama representativo das relaes entre classes de objetos e funes computacionais ......................................................................................................................... 99 Figura 22 Representao do algoritmo ACO em um cenrio de FJSS-UPM ...................... 101 Figura 23 Grfico de Gantt referente ao programa de produo gerado pela formiga da Figura 22 ................................................................................................................................. 102 Figura 24 Representao geomtrica (a) e a respectiva matriz (b) de um planejamento 23 108 Figura 25 Representao geomtrica do efeito principal da varivel X .............................. 108

Figura 26 Modelo de DOE voltado investigao de variveis de controle e estudos comparativos de desempenho entre diferentes mtodos de otimizao ................................. 118 Figura 27 Configurao de diferentes velocidades de processamento para os recursos paralelos de uma clula produtiva .......................................................................................... 126 Figura 28 rvore de solues parciais geradas pelo mtodo branch-and-bound ............... 129 Quadro 1 Pseudo-cdigo geral do mtodo ACO ................................................................... 59 Quadro 2 Pseudo-cdigo para a atualizao dos valores de feromnio ................................ 89 Quadro 3 Pseudo-cdigo do mtodo ACO desenvolvido...................................................... 92 Quadro 4 Informaes de um FJSS-UPM com trs jobs, trs operaes e dois recursos em paralelo por estgio ................................................................................................................. 100 Quadro 5 - Tempos de setup dependentes entre jobs (produtos), em funo das relaes de precedncia ............................................................................................................................. 100 Quadro 6 Diretrizes gerais para escolha de um estatstica de teste (z, t ou nenhuma) ........ 112 Quadro 7 Matriz de planejamento do experimento 25 planejado ........................................ 121 Quadro 8 Configurao das variveis de controle do mtodo ACO desenvolvido ............. 122 Quadro 9 Cenrios de FJSS-UPM planejados aos experimentos do grupo I ...................... 124 Quadro 10 Matriz de tempos de setup dependentes entre produtos com diferentes matriasprimas ..................................................................................................................................... 125 Quadro 11 Pseudo-cdigo genrico de BB em JSSPs ......................................................... 128 Quadro 12 Testes preliminares de otimizao de cenrios de FJSS-UPM via BB ............. 132 Quadro 13 Cenrios de FJSS-UPM planejados aps realizao dos testes preliminares .... 135 Quadro 14 Melhores valores de configurao das variveis de controle do mtodo ACO . 151

LISTA DE TABELAS

Tabela 1 Representao por sinais algbricos dos efeitos de um planejamento 23 ............. 110 Tabela 2 Tabela de anlise de varincia para um modelo de efeitos fixos com dois fatores (X e Y) .......................................................................................................................................... 114 Tabela 3 Exemplo de coleta de dados a partir de 30 replicaes de uma combinao de tratamentos dos fatores de controle investigados para o cenrio 4 (com um job, trs operaes e cinco recursos paralelos) ...................................................................................................... 138 Tabela 4 Sntese do planejamento fatorial 25 aplicado sobre o cenrio 4 (um job, trs operaes e cinco recursos paralelos) ..................................................................................... 139 Tabela 5 Resultados da ANOVA para o planejamento fatorial 25 aplicado ao cenrio 4 (um job, trs operaes e cinco recursos paralelos), tendo como indicador de desempenho o makespan ................................................................................................................................ 140 Tabela 6 Resultados da ANOVA para o planejamento fatorial 25 aplicado ao cenrio 4 (um job, trs operaes e cinco recursos paralelos), tendo como indicador de desempenho o tempo computacional ......................................................................................................................... 141 Tabela 7 Estimativa dos efeitos principais das variveis de controle analisadas segundo o makespan, para o cenrio 4 (um job, trs operaes e cinco recursos paralelos) ................... 144 Tabela 8 Estimativa dos efeitos principais das variveis de controle analisadas segundo o tempo computacional, para o cenrio 4 (um job, trs operaes e cinco recursos paralelos) 144 Tabela 9 Resultados da anlise de varincia (ANOVA) aplicada sobre o planejamento fatorial 25, segundo o makespan ............................................................................................. 146 Tabela 10 Resultados da anlise de varincia (ANOVA) aplicada sobre o planejamento fatorial 25, segundo o tempo de execuo computacional ...................................................... 148 Tabela 11 Resultados da otimizao dos cenrios de FJSS-UPM por ACO e BB .............. 152 Tabela 12 Resultados do teste t para o makespan, com = 0,1 .......................................... 153 Tabela 13 Resultados do teste t para o tempo computacional, com = 0,1........................ 153

LISTA DE ABREVIATURAS E SIGLAS

ACO Ant Colony Optimization ANOVA - Analysis of Variance BB Branch-and-Bound BT Busca Tabu DOE Design of Experiments ERP Enterprise Resources Planning FCS Finity Capacity Scheduling FH Framework Hipercbico FJSS Flexible Job Shop Scheduling FJSS-PM Flexible Job Shop Scheduling Parallel Machines FJSS-UPM Flexible Job Shop Scheduling Unrelated Parallel Machines FSP Flow Shop Permutacional FSS Flow Shop Scheduling GD Grafo Disjuntivo IA Inteligncia Artificial IC Inteligncia Computacional JSS Job Shop Scheduling JSSP Job Shop Scheduling Problem MPS Master Production Scheduling MRP Material Requirements Planning MRPII Manufacturing Resources Planning NP-hard Non-deterministic Polynomial-time hard OSS Open Shop Scheduling PCP Planejamento e Controle da Produo

PFE Planejamento Fatorial de Experimentos PMSS Parallel Machine Shop Scheduling PO Pesquisa Operacional PSO Particle Swarm Optimization SCF Sistema de Colnia de Formigas SFC Shop Floor Control SFE Sistema de Formigas Elitista SFM Sistema Flexvel de Manufatura SFMM Sistema de Formigas MIN-MAX SFR Sistema de Formigas Ranqueado SMSS Single Machine Shop Scheduling UPMSS Unrelated Parallel Machines Shop Scheduling

SUMRIO

1 INTRODUO .................................................................................................................. 15 1. 1 PROBLEMA DE PESQUISA......................................................................................... 18 1. 2 PREMISSAS ................................................................................................................... 18 1. 3 HIPTESES .................................................................................................................... 18 1. 4 OBJETIVOS GERAL E ESPECFICOS ........................................................................ 19 1. 5 JUSTIFICATIVA ............................................................................................................ 19 1. 6 ORGANIZAO DESTA PESQUISA ......................................................................... 22 2 METODOLOGIA DE PESQUISA .................................................................................. 24 2. 1 UNIDADE DE ANLISE .............................................................................................. 24 2. 2 DELIMITAES DO TRABALHO .............................................................................. 24 2. 3 CLASSIFICAO DA PESQUISA .............................................................................. 25 2. 4 PESQUISA EXPERIMENTAL ...................................................................................... 26 2. 5 ETAPAS DA PESQUISA ............................................................................................... 29 3 REVISO DA LITERATURA ......................................................................................... 32 3. 1 PLANEJAMENTO E CONTROLE DA PRODUO.................................................. 32 3. 1. 1 3. 1. 2 Revendo os diferentes nveis hierrquicos de PCP ........................................... 36 Programao da produo .................................................................................. 38

3. 2 PROBLEMAS DE OTIMIZAO COMBINATRIA ................................................ 41 3. 2. 1 Job Shop Scheduling ............................................................................................ 42

3. 3 MTODOS DE OTIMIZAO ..................................................................................... 45 3. 4 INTELIGNCIA ARTIFICIAL E COMPUTAO NATURAL ................................. 49 3. 4. 1 3. 4. 2 Otimizao por enxame de partculas................................................................ 51 Otimizao por colnia de formigas .................................................................. 53 Inspirao biolgica do mtodo ................................................................... 55 ACO sob uma perspectiva formal ................................................................ 58 Tendncias de aplicao de ACO em JSSPs ................................................ 63

3. 4. 2. 1 3. 4. 2. 2 3. 4. 2. 3

4 CENRIO INVESTIGADO E MTODO ACO DESENVOLVIDO ........................... 68 4. 1 FJSS-UPM COM TEMPOS DE SETUP DEPENDENTES ........................................... 68 4. 1. 1 4. 1. 2 Modelo matemtico de FJSS-UPM .................................................................... 71 Grafos Disjuntivos ............................................................................................... 74

4. 2 MTODO ACO DESENVOLVIDO .............................................................................. 77 4. 2. 1 Aspectos gerais do algoritmo .............................................................................. 78 Grafo representativo do espao de busca ..................................................... 78 Restries do problema ................................................................................ 81 Modelo de feromnio adotado ..................................................................... 82 Informao heurstica utilizada .................................................................... 82 Construo de solues viveis .................................................................... 83 Atualizao dos valores de feromnio ......................................................... 87 Procedimento de busca local ........................................................................ 90 Particularidades do mtodo desenvolvido .................................................... 90

4. 2. 1. 1 4. 2. 1. 2 4. 2. 1. 3 4. 2. 1. 4 4. 2. 1. 5 4. 2. 1. 6 4. 2. 1. 7 4. 2. 1. 8 4. 2. 2 4. 2. 3

Pseudo-cdigo do mtodo ACO desenvolvido ................................................... 91 Exemplificando a otimizao de FJSS-UPM por meio de ACO ..................... 99

5 PLANEJAMENTO, REALIZAO E ANLISE ESTATSTICA DE EXPERIMENTOS ................................................................................................................ 104 5. 1 FUNDAMENTOS DE PLANEJAMENTO EXPERIMENTAL E ANLISE ESTATSTICA ....................................................................................................................... 104 5. 1. 1 5. 1. 2 5. 1. 3 Planejamento fatorial de experimentos ........................................................... 107 Testes de hipteses ............................................................................................. 110 Anlise de Varincia (ANOVA) ....................................................................... 112

5. 2 ALGUMAS APLICAES DE DOE NO PLANEJAMENTO DA PRODUO..... 115 5. 3 MODELO PROCEDIMENTAL DE DOE APLICADO CONFIGURAO DE ACO PARA PROGRAMAO DA PRODUO........................................................................ 117 5. 4 DESCRIO E ANLISE DOS EXPERIMENTOS REALIZADOS ........................ 119 5. 4. 1 5. 4. 2 5. 4. 3 5. 4. 4 Grupo de experimentos I investigao das variveis de controle .............. 120 Grupo de experimentos II estudo comparativo entre ACO e BB .............. 127 Realizao e ajuste dos experimentos planejados ........................................... 130 Anlise estatstica dos grupos I e II de experimentos ..................................... 136 Anlise do grupo I de experimentos........................................................... 136 Anlise do grupo II de experimentos ......................................................... 150

5. 4. 4. 1 5. 4. 4. 2

6 CONSIDERAES FINAIS .......................................................................................... 155 REFERNCIAS ................................................................................................................... 159

15

1 INTRODUO A competitividade a nvel mundial tem afetado as organizaes de vrias maneiras, sob mltiplos pontos de vista. Noronha e Mendes (2002) avaliam que, alm de exigir nveis de produtividade cada vez maiores, a atual conjuntura industrial demanda que empresas dos mais diversos ramos da economia desenvolvam, apliquem e adquem seus processos produtivos em tempos progressivamente menores. Nesse sentido, as organizaes so estimuladas a articular cada vez melhor seus processos de Planejamento e Controle da Produo (PCP), principalmente entre diferentes nveis hierrquicos de gesto. Gaither e Frazier (2005) esclarecem que uma melhor administrao das operaes de uma empresa pode agregar valor empresa ao melhorar sua competitividade e lucratividade a longo prazo. Assim, pode-se vislumbrar que a preocupao organizacional com a administrao de suas operaes um fator importante para seu desempenho, especialmente em termos de competitividade. Kunnathur et al. (2004) chegam a afirmar que o desenvolvimento de programas de produo adequadamente configurados caracterizam uma notvel vantagem competitiva, uma vez que contribui para a reduo de custos de produo por meio de menores nveis de estoques e maiores ndices de produtividade. Alm disso, a crescente relevncia de determinados aspectos externos organizao, relacionados responsabilidade scio-ambiental das empresas, torna iniciativas

administrativas como reduo de salrios e fechamento de plantas de produo medidas problemticas para corporaes de todo mundo. Uma alternativa a solues extremas e problemticas como essas pode e deve ser a adoo de programas de produo devidamente dimensionados, capazes de aproveitar da melhor maneira possvel a capacidade produtiva dos recursos disponveis (HEINONEN e PETTERSSON, 2007). Nesse contexto, dentre os nveis de PCP identificados em uma empresa (estratgico, ttico e operacional), a programao de cho de fbrica ou de curto prazo (shop scheduling) vem conquistando cada vez mais destaque, quando observados os crescentes esforos de flexibilizao e automao exigidos pela dinmica produtiva contempornea, os quais tornam as atividades de programao detalhada da produo gradativamente mais complexas (KATHAWALA e ALLEN, 1993). Segundo Cox et al. (1992), shop scheduling refere-se colocao de datas de incio e trmino a operaes ou grupos de operaes, para indicar quando essas devem ser iniciadas, objetivando-se a data final como restrio de trmino daquelas. Nesse mbito da programao da produo, destaca-se o Job Shop Scheduling (JSS), um problema de otimizao

16

combinatria que se refere alocao de um grupo de operaes aos recursos produtivos de uma fbrica (mquinas, linhas de produo, pessoal/mo-de-obra, ferramentas, etc.), tendo-se usualmente como principal objetivo a atribuio do maior nmero plausvel de tarefas (operaes) aos recursos disponveis, no menor tempo de processamento possvel. Sob uma perspectiva mais formal, Dorigo e Sttzle (2004) comentam que problemas de otimizao combinatria so interessantes porque, mesmo sendo usualmente fceis de interpretar e declarar, so geralmente difceis de resolver. Nesse contexto, destacam-se os problemas definidos como NP-hard (Non-deterministic Polinomial-time hard), ou seja, aqueles que no podem ser deterministicamente resolvidos em tempo computacional polinomial. Dentre os muitos problemas dessa ordem, ressaltam-se os problemas de programao da produo, especialmente o Job Shop Scheduling Problem (JSSP), principalmente pelo fato do mesmo representar um dos mais difceis problemas de otimizao combinatria abordados pela teoria clssica de programao (GAREY e JOHNSON, 1979). Para solucionar tais problemas, so empregadas, segundo Dorigo e Blum (2005), duas categorias de tcnicas de otimizao global, quais sejam: completas e aproximadas. Enquanto os mtodos completos garantem solues timas em tempo hbil, os aproximados abrem mo da otimalidade dos resultados em prol de solues satisfatrias, que possam ser obtidas em tempo computacional vivel. Em se tratando de problemas de otimizao da classe NP-hard, como o caso do JSSP, no existem mtodos capazes de resolv-los completamente em tempo polinomial. Nesse sentido, uma srie de mtodos de otimizao foi experimentada nas ltimas dcadas, desde tcnicas de programao matemtica, tais como programao linear e branchand-bound (LAND e DOIG, 1960), at sistemas especialistas (ALEXANDER, 1987; KUSIAK e CHEN, 1988; JAIN e MEERAN, 1999), algoritmos genticos (GOLDBERG, 1989; LING, 2003), busca tabu (TAILLARD, 1989; DELL AMICO e TRUBIAN, 1993; BARNES e CHAMBERS, 1996) e simulated annealing (LAARHOVEN et al., 1992; SADEH e NAKAKUKI, 1996; AYDIN e FOGARTY, 2004). No entanto, Dorigo et al. (1991) apresentam um novo mtodo probabilstico de Otimizao por Colnia de Formigas (ou Ant Colony Optimization - ACO), tratando-se de uma tcnica enquadrada em um ramo especfico da inteligncia computacional (inteligncia coletiva ou swarm intelligence), inspirada no comportamento social que as formigas apresentam ao buscarem por fontes de alimento para seus ninhos (HUANG e LIAO, 2008). Ao longo de suas jornadas, os animais depositam uma substncia qumica denominada feromnio, capaz de orientar as demais formigas na escolha do menor caminho do ninho at a

17

fonte de alimento identificada. Quanto maior for a quantidade de feromnio depositada em um determinado curso e mais recorrente for a evaporao dessa qumica em outros caminhos, caracterizado como menor ser a trajetria que recebeu o reforo de feromnio e, consequentemente, mais atradas para esse caminho sero as formigas vindouras. Se no bastasse a complexidade inerente natureza do JSSP, observa-se tambm a relevncia e dificuldade em se configurar os parmetros de controle necessrios ao funcionamento dos mtodos de otimizao, particularmente aqueles dotados de algum tipo de inteligncia artificial. Pesquisas voltadas aplicao de algoritmos genticos revelaram que a configurao tima das variveis de controle no se traduz em tarefa fcil, alm do que a eficincia de tais ajustes est relacionada diretamente s peculiaridades de cada cenrio verificado (GREFENSTETTE, 1986; DE JONG e SPEARS, 1990; GRAVES et al., 1995). Destarte, observa-se o Planejamento de Experimentos (ou Design of Experiments DOE) como um recurso de pesquisa adequado e propcio ao estudo no somente da influncia dos parmetros de controle dos mtodos de otimizao em seus respectivos desempenhos (considerando no apenas seus efeitos isolados como tambm aqueles consequentes de suas interaes), assim como desses em relao a outras tcnicas de otimizao. Alm disso, o DOE tambm pode auxiliar a identificao de faixas ou regies de configurao tima das variveis analisadas, representando uma potencial ferramenta matemtica ao desenvolvimento de algoritmos de otimizao efetivos (FIGLALI et al., 2009). Ainda que escassos, estudos mais recentes envolvendo otimizao de JSSPs apontam uma tendncia de resoluo de cenrios cada vez mais complexos, especialmente em termos de sistemas produtivos com pluralidade de estgios de processamento, flexibilidade de roteiros de produo, paralelismo de recursos produtivos e adoo de tempos de setup dependentes entre diferentes produtos ou ordens de produo (ROSSI e DINI, 2007; ROSSI e BOSCHI, 2009). Logo, tornam-se promissoras pesquisas no sentido de se avaliar o desempenho de diferentes mtodos de otimizao, tais como o ACO, em JSSPs caracterizados pelas especificidades supracitadas, utilizando-se ferramentas metodolgicas, tais como o DOE, capazes de validar matematicamente (estatisticamente) os resultados obtidos, sendo esses os intentos precpuos deste projeto.

18

1. 1

PROBLEMA DE PESQUISA Diante do contexto discutido anteriormente, o problema de pesquisa investigado pode

ser vislumbrado a partir do seguinte questionamento: como avaliado o desempenho do mtodo ACO desenvolvido neste projeto, quando aplicado em ambientes de produo multiestgios caracterizados por cenrios de programao da produo do tipo job shop flexveis, dotados de tempos de setup dependentes e recursos produtivos em paralelo, tomando-se como referncia um estudo comparativo com a tcnica Branch-and-Bound (BB), tendo-se como critrios de avaliao o tempo total mximo de programao da produo (makespan) e o tempo de execuo computacional? 1. 2 PREMISSAS No intuito de responder adequadamente pergunta que caracteriza o problema geral desta pesquisa, parte-se da premissa de que todos os algoritmos desenvolvidos e utilizados so testados, avaliados e comparados com base nos mesmos cenrios de JSS, e segundo os mesmos indicadores de desempenho pr-determinados (makespan e tempo computacional). Na verdade, so abordados cenrios de JSS flexveis (roteiros alternativos), compostos de recursos produtivos diferentes em paralelo, de tempos de setup dependentes (variando de acordo com a relao de precedncia entre produtos) e de mltiplos objetivos de desempenho (representa a existncia de dois ou mais critrios de eficincia a serem avaliados), quando vislumbrados em sistemas produtivos multi-estgios (definidos pela existncia de duas ou mais operaes a serem executadas). 1. 3 HIPTESES Tendo em vista o problema de pesquisa deste trabalho e suas premissas, so estabelecidas as seguintes hipteses de pesquisa: H1 O desempenho do mtodo ACO desenvolvido neste projeto, quando confrontado tcnica BB, estatisticamente anlogo quela em termos qualitativos (makespan), e estatisticamente superior em relao aos tempos de execuo computacional registrados, especialmente quando considerados cenrios de JSS flexveis em ambientes multi-estgios e com tempos de setup dependentes. Tal hiptese fundamenta-se em estudo semelhante realizado por Santos (2008), trabalho esse que comparou um mtodo alicerado em colnia de

19

formigas a outro baseado em BB, porm ambos voltados a cenrios de programao da produo mono-estgio e para trs, constatando-se a superioridade da primeira tcnica, particularmente no que diz respeito ao tempo computacional. H2 DOE, e mais especificamente o planejamento fatorial 2k, trata-se de um recurso metodolgico eficaz realizao de experimentos relacionados identificao e avaliao dos efeitos dos parmetros de controle de um determinado mtodo de otimizao, bem como daqueles resultantes das interaes entre as variveis analisadas. 1. 4 OBJETIVOS GERAL E ESPECFICOS Com base em sua questo norteadora, este projeto tem como objetivo principal desenvolver um mtodo ACO, direcionando sua aplicao a problemas de programao da produo para frente de job shops flexveis, em sistemas multi-estgios, com mquinas compartilhadas, tempos de setup dependentes e dois critrios de desempenho (makespan e tempo computacional). A partir do mtodo desenvolvido, definem-se trs objetivos especficos para a pesquisa, quais seriam: Mensurar o impacto que cada varivel de controle do algoritmo de colnia de formigas desenvolvido apresenta em relao ao desempenho do mtodo investigado, bem como os principais efeitos causados por suas interaes de segunda ou maior ordem, tendo-se como instrumento de experimentao o DOE; Identificar quais so os melhores valores de configurao para cada parmetro de entrada requerido ao funcionamento do mtodo elaborado, com base nos intervalos de configurao investigados, nos cenrios de programao da produo estudados e nos tipos de experimentos planejados; e Realizar um estudo comparativo entre o algoritmo de otimizao construdo e a tcnica de programao matemtica BB, quando aplicados aos mesmos cenrios estabelecidos e tendo como referencial de desempenho os indicadores de eficincia previamente definidos. 1. 5 JUSTIFICATIVA A diversificao cada vez maior dos objetivos de desempenho das organizaes, assim como processos produtivos gradativamente mais complexos, so apenas alguns dos fatores

20

que contriburam para que a busca por programas de produo timos ou quase timos fosse valorizada, no somente pelo mundo empresarial, mas tambm pelo universo cientfico. No entanto, desenvolver mtodos capazes de resolver eficaz e habilmente (em tempo real ou aproximadamente real) problemas de programao da produo no consiste em tarefa simples. Segundo Cook (1971), Erol et al. (2005) e Xia e Wu (2005), problemas de programao da produo do tipo job shop so de difcil otimizao, mesmo por meio de esforos computacionais, pois no podem ser resolvidos em tempo polinomial, ou seja, so NP-hard. Logo, modelos matemticos clssicos enfrentam grandes dificuldades e limitaes no tratamento de tais cenrios. Como dizem Ross et al. (2005), em problemas do tipo jobshop scheduling, [...] assim que ns admitimos trs operaes por job ou mais de duas mquinas, o problema torna-se NP-hard. Analogamente, quando o nmero de jobs maior do que dois, o problema NP-hard. Quando so adicionados mltiplos critrios de desempenho, recursos paralelos distintos, tempos de setup dependentes e flexibilidade de roteiros de produo ao JSSP, as dificuldades so ainda maiores. Uma soluo tima, em se tratando de problemas com um nico objetivo de desempenho, geralmente bem definida. No obstante, o mesmo no pode ser dito sobre situaes onde dois ou mais critrios so identificados, uma vez que passa a existir um conjunto de solues conciliatrias timas, o qual se apresenta para um processo de tomada de deciso onde, geralmente, necessria alguma compensao (trade-off). Em relao a tempos de setup, estudos recentes vm ratificando a importncia de se considerar a existncia e dependncia entre tempos de setup para a otimizao da programao da produo. Kim e Bobrowski (1994) chegam a estabelecer a relevncia do tratamento de tempos de setup em trs pontos bsicos, quais seriam: tempos de setup so parte integrante do tempo de fluxo que afeta a taxa de sada de um sistema produtivo; o custo da unidade de tempo de setup geralmente maior do que o custo unitrio de tempo de processamento, pois engloba desde a paralisao de maquinrio at a utilizao de mo-deobra especializada; e a realizao de atividades de setup usualmente incorre na requisio de servios tcnicos com alto nvel de especializao, sendo esses, por vezes, limitados. Roteiros de produo flexveis e mquinas atuando em paralelo, analogamente, tambm caracterizam maiores dificuldades resoluo de JSSPs. Isto porque, de modo geral, pode-se dizer que JSSPs dessa natureza podem ser desmembrados em dois sub-problemas: o primeiro, de designao das operaes a cada mquina pertencente a um grupo de equipamentos com caractersticas de processamento semelhantes; e outro, de sequenciamento

21

de tais operaes nos respectivos recursos produtivos onde foram previamente alocadas (ROSSI e BOSCHI, 2009). Tal conjuntura produtiva caracteriza cenrios de programao da produo mais complexos e maleveis, uma vez que a disponibilidade de mquinas anlogas divididas em grupos aumenta as possibilidades de alocao e sequenciamento de operaes. Rossi e Boschi (2009) tambm esclarecem que, em se tratando de cenrios produtivos com mquinas em paralelo, quando comparada s pesquisas e estudos realizados acerca do JSS clssico, a literatura sobre tal cenrio de programao da produo ainda incipiente. Essa realidade torna-se mais evidente quando se constata que, at a ltima dcada, as tcnicas de otimizao mais usadas em sistemas de manufatura eram regras de despacho, especialmente porque mtodos dessa espcie demandam complexidade computacional nvel exponencial (IWATA et al., 1980; AHN et al., 1993). Em relao dificuldade e importncia de se configurar algoritmos de otimizao, Eggers et al. (2003) e Shi et al. (2004) afirmam, aps estudos realizados com base em colnias de formigas, que a definio dos parmetros de entrada apresenta-se como etapa fundamental performance dos algoritmos. Karpenko et al. (2005) e Simon et al. (2006) corroboram tal entendimento, assegurando que o desempenho de um algoritmo baseado em colnia de formigas est diretamente relacionado devida configurao de suas variveis de controle, principalmente em se tratando da velocidade de convergncia do mtodo. Observando particularmente as pesquisas nacionais envolvendo o mtodo ACO e problemas de programao da produo, nota-se que a produo cientfica revela-se embrionria. De acordo com Tavares e Godinho (2008), que realizam um levantamento bibliogrfico dos estudos nacionais envolvendo a tcnica ACO, o mtodo vem sendo gradativamente mais pesquisado e experimentado em problemas de otimizao combinatria, especialmente dos tipos roteirizao de veculos e caixeiro viajante. Ainda assim, os autores registram que, quando comparados com outras metaheursticas de otimizao tais como algoritmos genticos, simulated annealing e busca tabu, o mtodo ACO ainda pouco explorado, representando aproximadamente 6,15% dos trabalhos apresentados em eventos nacionais e 0% dos artigos registrados na base de dados Scielo Brasil (http://www.scielo.br/). Diante do panorama acima discutido, novas tcnicas e mtodos so continuamente desenvolvidos e testados cientificamente, almejando-se resultados cada vez mais satisfatrios, tanto em termos de eficincia em relao aos parmetros de desempenho designados, quanto no que diz respeito ao tempo computacional necessrio para se resolver determinados JSSPs flexveis, com diferentes recursos em paralelo, tempos de setup dependentes e analisados em sistemas de produo multi-estgios. Assim, pretende-se desenvolver, experimentar e analisar

22

comparativamente a eficincia entre um mtodo de otimizao alicerado na teoria sobre colnia de formigas e outro fundamentado em BB, observando seus respectivos resultados em relao aos objetivos estabelecidos, assim como o grau de sensibilidade de cada parmetro de configurao sobre o desempenho do mtodo ACO estudado. 1. 6 ORGANIZAO DESTA PESQUISA A continuidade deste projeto encontra-se dividida em cinco captulos, quais seriam: Metodologia de Pesquisa (Captulo 2); Reviso da Literatura (Captulo 3); Cenrio Investigado e Mtodo ACO Desenvolvido (Captulo 4); Planejamento, Realizao e Anlise Estatstica dos Experimentos (Captulo 5); e Consideraes Finais (Captulo 6). A Metodologia de Pesquisa aborda as etapas de realizao do trabalho, abrangendo desde o levantamento bibliogrfico at a anlise dos resultados alcanados. Inicialmente, definida a unidade de anlise do projeto, bem como sua delimitao prtica, especialmente em relao aos cenrios produtivos de JSS estudados. Posteriormente, discute-se a estratgia de pesquisa adotada, classificando-a sob diferentes perspectivas da metodologia cientfica e indicando os objetivos que nortearam seu planejamento e execuo. A Reviso da Literatura, por sua vez, apresenta e discute teorias necessrias ao desenvolvimento desta pesquisa. Primeiramente, so levantados alguns conceitos, definies e classificaes importantes ao entendimento do PCP, particularmente sob o ponto de vista hierrquico de gesto da produo. Destacado o planejamento de curtssimo prazo, so identificados e diferenciados os cenrios produtivos mais vislumbrados na teoria e na prtica da programao detalhada da produo, enfatizando-se o ambiente de produo do tipo job shop. Definido, caracterizado e modelado matematicamente o JSSP, o captulo ainda trata dos diferentes mtodos de otimizao utilizados na sua resoluo, dentre os quais ressalta a tcnica ACO. Tendo esse mtodo de otimizao em foco, o restante da reviso bibliogrfica preocupa-se em estabelecer e explicar sua fundamentao terica, bem como investigar sua aplicabilidade em JSSPs, tendo como embasamento conjectural trabalhos relacionados s principais tendncias e oportunidades de pesquisa envolvendo ACO em JSSPs. O Captulo 4, como seu prprio ttulo sugere, preocupa-se em classificar e descrever detalhadamente o cenrio de JSS investigado pela pesquisa. Partindo-se de sua concepo clssica, so adicionados aspectos como a flexibilidade de roteiros produtivos, a disponibilidade de recursos de produo em paralelo, a existncia de tempos de setup

23

dependentes e a dinmica de sistemas produtivos com mltiplos estgios de processamento. Em se tratando do algoritmo ACO, a seo procura explanar as principais diretrizes de programao utilizadas, comentando desde a linguagem de programao adotada at a lgica funcional do mtodo e sua correlao com ACO. A quinta seo discute, basicamente, o planejamento experimental elaborado. Inicialmente, so apresentados alguns conceitos gerais sobre DOE e certos mtodos estatsticos, bem como so investigados alguns trabalhos acadmicos que, utilizando DOE na configurao de seus algoritmos de otimizao, servem de inspirao terica construo de um modelo procedimental voltado ao planejamento, realizao e anlise dos experimentos propostos a esta pesquisa. O restante do captulo caracteriza a configurao, realizao e anlise dos experimentos, dando nfase identificao das variveis de controle crticas e eficincia do mtodo ACO em relao tcnica BB. O ltimo captulo, voltado s consideraes finais sobre o projeto, tem como finalidade recapitular os principais aspectos observados ao longo do trabalho, especialmente no que diz respeito ao mtodo de pesquisa proposto e utilizado, aos experimentos planejados e realizados e aos procedimentos de anlise estatstica empregados. Alm disso, registram-se tambm as principais contribuies do estudo, frisando-se as oportunidades de pesquisa que surgem a partir dos resultados aferidos, bem como so indicadas as limitaes do projeto, no somente do ponto de vista metodolgico, como tambm sob a tica da abrangncia e validade dos resultados obtidos.

24

2 METODOLOGIA DE PESQUISA Apesar de esta pesquisa ter seus principais resultados alicerados na realizao e na anlise estatstica de experimentos computacionais, para que fosse possvel planejar e perpetuar correta, adequada e satisfatoriamente o desenvolvimento dos experimentos, certas etapas mostraram-se relevantes, desde a reviso bibliogrfica sobre os temas envolvidos, at a delimitao da abrangncia de seus resultados. Por isso, a metodologia de pesquisa estruturada ser apresentada por meio das seguintes subsees: Unidade de Anlise; Delimitaes do Trabalho; Estratgia de Pesquisa Utilizada; e Pesquisa Experimental. 2. 1 UNIDADE DE ANLISE A unidade de anlise a ser pesquisada o mtodo de Otimizao por Colnia de Formigas (ou Ant Colony Optimization ACO), quando aplicado em problemas de programao da produo de job shops flexveis dotados de recursos produtivos distintos em paralelo, compostos por tempos de setup dependentes, avaliados segundo makespan e tempo de execuo computacional, e posicionados em sistemas multi-estgios, ou seja, caracterizados pela existncia de dois ou mais estgios de processamento (operaes). 2. 2 DELIMITAES DO TRABALHO Alm de apresentar delimitaes quanto aos cenrios de JSS pesquisados, o projeto tambm possui delimitaes relacionadas ao estudo comparativo entre diferentes tcnicas de otimizao. A anlise comparativa proposta neste trabalho abrange somente o mtodo ACO e a tcnica Branch-and-Bound (BB). Portanto, quaisquer afirmaes acerca da eventual superioridade de um dos algoritmos analisados tornam-se restritas ao desempenho de ambos os mtodos. Isso quer dizer que, de modo algum, raciocnios dedutivos podem ser elaborados a respeito de outras metaheursticas de otimizao, tais como algoritmos genticos, simulated annealing, etc. Para que tal iniciativa fosse vlida, seriam necessrias pesquisas mais abrangentes, que inclussem tais mtodos em suas investigaes. Faz-se relevante destacar, tambm, que as anlises estatsticas efetuadas neste trabalho, mesmo quando consideradas as delimitaes outrora mencionadas sobre o estudo comparativo, tambm se encontram delineadas pelos mtodos de tratamento estatstico utilizados. No caso deste projeto, exploraram-se as propriedades do planejamento fatorial

25

completo 2k para a configurao tima do algoritmo ACO desenvolvido. No entanto, o planejamento fatorial no se apresenta como a nica possibilidade de tratamento estatstico capaz de auxiliar na configurao de mtodos de otimizao, assim como os valores iniciais sugeridos aos parmetros de controle, igualmente, no so inexorveis. Logo, as ferramentas estatsticas utilizadas tambm atuam como delimitadores do escopo desta pesquisa. 2. 3 CLASSIFICAO DA PESQUISA Uma pesquisa, para que alcance os resultados desejados, deve seguir uma determinada estratgia que nortear todas as etapas de sua realizao. No entanto, antes de se fazer tal escolha, importante compreender melhor o que uma pesquisa cientfica e quais so as diferentes estratgias conhecidas e disponveis para desempenh-la. Nesse contexto, Gil (2009) expressa um entendimento prtico e slido acerca do que seria a pesquisa, consistindo essa num procedimento racional e sistemtico que tem como objetivo proporcionar respostas aos problemas que so propostos. Uma vez compreendida a noo de pesquisa, a mesma pode ser classificada. Utilizando-se dos critrios apresentados por Silva e Menezes (2005) e Gil (2009), pode-se classificar esta pesquisa como sendo: Sob o prisma da natureza da pesquisa, uma pesquisa aplicada, pois est voltada ao debate e discusso do conhecimento cientfico aplicado e dirigido soluo de problemas especficos (programao da produo do tipo job shop), cujos resultados tambm so de abrangncia limitada, pontual; Sob o prisma da abordagem do problema, uma pesquisa quantitativa, pois gera e discute resultados baseados na explorao de clculos numricos e tcnicas estatsticas, ou seja, as informaes e resultados mais relevantes do projeto so obtidos e avaliados por meio de nmeros e procedimentos estatsticos; Sob o prisma dos objetivos da pesquisa, uma pesquisa primordialmente explicativa e, complementarmente, descritiva. Explicativa porque, coletando e analisando dados e informaes de um determinado fenmeno (otimizao de problemas do tipo JSS, utilizando-se o mtodo ACO), tenta compreend-lo e interpret-lo de forma mais abalizada, construindo e testando hipteses sobre o objeto de estudo. A pesquisa apresenta igualmente traos de um estudo descritivo, em virtude de investigar os efeitos advindos das relaes existentes entre as variveis de controle do algoritmo ACO sobre seu desempenho, alm de avaliar

26

quais valores de configurao de tais parmetros revelam-se mais promissores eficincia do mtodo; e Sob o prisma dos procedimentos tcnicos adotados, uma pesquisa experimental, uma vez que todas as etapas de execuo do projeto so planejadas, efetuadas, controladas e analisadas com base nos princpios metodolgicos de planejamento de experimentos. Dentre os critrios de classificao de estratgias de pesquisa comentados anteriormente, aquele que vislumbra os procedimentos tcnicos adotados mostra-se importante para o desenvolvimento de um projeto. Isto porque ele sinaliza que artifcio(s) metodolgico(s) ser(o) utilizado(s) para que o trabalho seja planejada, devida e corretamente construdo, ratificando e validando os resultados obtidos pelo mesmo. Tendo em vista que este estudo abrange o mtodo experimental e esse, por sua vez, representa grande parte dos esforos de pesquisa deste projeto, torna-se necessrio compreender melhor quais so suas principais caractersticas e peculiaridades. 2. 4 PESQUISA EXPERIMENTAL Estudos experimentais, assim como qualquer outro mtodo de pesquisa, so caracterizados por determinadas etapas fundamentais que o constituem e justificam sua natureza cientfica. Tais fases evoluem desde a observao e descoberta de fenmenos identificados na realidade das coisas que nos cercam, perpassando o desenvolvimento de hipteses verossmeis a respeito dos questionamentos levantados sobre os fatos previamente observados, at a coleta e anlise de dados capazes de satisfazer e responder, respectivamente, motivao e indagao da pesquisa, permitindo o desenvolvimento de concluses acerca do objeto estudado, bem como dos procedimentos necessrios aquisio do conhecimento desvendado, conforme ilustra a Figura 1.

Observao

Descoberta

Hipteses

Coleta de Dados

Anlise

Concluso

27

Figura 1 Etapas descritivas de um mtodo cientfico Fonte: Adaptado de Hair et al. (2005).

No entanto, antes de se aprofundar a discusso a respeito do mtodo experimental, fazse pertinente o entendimento de seu objeto de estudo, qual seja: o experimento. Nesse sentido, Hair et al. (2005) definem um experimento como sendo um plano causal em que um pesquisador controla uma causa potencial e observa qualquer mudana correspondente nos efeitos supostos. Montgomery e Runger (2009), por sua vez, elucidam que experimentos nada mais so do que testes ou sries de testes, realizados no intuito de se investigar uma determinada conjectura, sendo essa fundamentada nas hipteses originais que estimulam os esforos de pesquisa. Nessa linha de raciocnio, pode-se vislumbrar a pesquisa ou mtodo experimental como sendo o conjunto de medidas apropriadas ao estabelecimento de um objeto de estudo, identificao e seleo das variveis capazes de influenci-lo e estruturao de modos de controle, observao e anlise dos efeitos que aquelas variveis produzem sobre o objeto investigado (GIL, 2009). O autor ainda ressalta que, para que uma pesquisa seja considerada experimental, deve apresentar trs caractersticas bsicas, quais seriam: manipulao (capacidade de ajustar e/ou modificar certas nuances dos elementos estudados); controle (estruturao de formas e instrumentos de controle dos testes efetuados); e distribuio aleatria (indicao aleatria dos elementos verificados nos experimentos). Sobre os aspectos do controle e da manipulao, Hair et al. (2005) esclarecem que se tratam, fundamentalmente, da possibilidade de configurao das variveis causais em diferentes nveis ou tratamentos, permitindo a anlise das consequncias dessas alteraes nos resultados esperados. Ainda segundo os autores imediatamente supracitados e Gil (2009), os trs pilares do mtodo experimental so, justamente, os fatores que o diferenciam e o destacam quando comparado a outros mtodos cientficos de pesquisa, uma vez que permitem com que uma srie de hipteses referentes s relaes de causa e efeito entre variveis e objeto de estudo seja testada. Robson (2002) corrobora tal reflexo, ao ressaltar que uma estratgia de pesquisa fixa est diretamente vinculada estruturao e determinao prvias de toda a coleta e de grande parte dos esforos de anlise de dados. Nesse contexto, o mtodo experimental identifica-se com este tipo de estratgia de pesquisa, principalmente por trabalhar com testes de relaes entre variveis, usualmente sob condies controladas pelo autor dos experimentos.

28

A pesquisa experimental desenvolvida neste projeto foi concebida no intuito de atender a dois objetivos principais distintos, quais foram: Identificar quais variveis de controle (parmetros de entrada) revelam-se influentes no desempenho do mtodo ACO e, consequentemente, na qualidade das solues geradas pelo mesmo. Alm disso, pretendeu-se tambm determinar os melhores valores de configurao, dentre os considerados pela pesquisa, s variveis de controle investigadas, de modo a maximizar o potencial de otimizao do algoritmo ACO desenvolvido; e Avaliar a eficincia da tcnica ACO na resoluo de problemas do tipo JSS. Nessa fase da pesquisa, o mtodo ACO teve seus resultados confrontados com os obtidos pela tcnica de programao matemtica BB, quando aplicados em cenrios especficos de programao da produo envolvendo flexibilidade de roteiros produtivos, paralelismo de mquinas diferentes, tempos de setup dependentes e sistemas de produo multi-estgios, e considerados dois critrios de desempenho, sendo esses o makespan e o tempo de execuo computacional. Diante dos objetivos estabelecidos, pode-se dizer que o plano de pesquisa elaborado corresponde a um projeto fatorial de otimizao, uma vez que atribui diferentes condies experimentais (nveis ou tratamentos) a mais de um parmetro de controle simultaneamente, testando todas ou algumas das combinaes possveis entre as variveis consideradas, na tentativa de identificar quais delas interferem de maneira relevante nos resultados do mtodo de otimizao desenvolvido e quais tendncias de ajuste mostram-se mais promissoras quelas, de modo a melhorar a qualidade dos programas de produo gerados (HAIR et al., 2005; GIL, 2009; MONTGOMERY e RUNGER, 2009). Para desempenhar estudos por meio de planos experimentais fatoriais, adota-se, usualmente, o Planejamento de Experimentos (ou Design of Experiments DOE) como recurso metodolgico bsico, sendo que tcnicas como planejamento fatorial e testes de hipteses tambm so frequentemente utilizadas. A fundamentao terica sobre DOE e outras tcnicas de anlise estatstica ser introduzida e discutida no Captulo Cinco desta dissertao. Tambm na Seo Cinco sero relatados e explicados todos os procedimentos necessrios ao planejamento e realizao dos experimentos desta pesquisa, bem como o mtodo de anlise de dados utilizado para validar os resultados alcanados.

29

2. 5

ETAPAS DA PESQUISA Uma vez classificado sob diferentes perspectivas cientficas e compreendida sua

estratgia de pesquisa, o presente estudo pode ser desmembrado em trs fases gerais de realizao, quais seriam: concepo e projeo da pesquisa; reviso da literatura relacionada aos temas abordados; e planejamento, realizao e anlise dos experimentos pertinentes. A fase de concepo e projeo encontra-se descrita nos primeiro e segundo captulos desde trabalho, englobando desde a definio do problema a ser estudado at a escolha da estratgia de pesquisa mais adequada sua resoluo. O segundo momento, abordado pelos captulos trs e quatro deste documento, trata do levantamento de conceitos, definies e construes tericas importantes compreenso e caracterizao de mtodos de otimizao baseados em colnias de formigas, do planejamento fatorial com mltiplos parmetros de controle, e de cenrios de programao da produo do tipo job shop. Alm disso, nesta fase de pesquisa que so especificadas a composio do algoritmo ACO implementado, bem como as particularidades dos cenrios de JSS investigados, tais como flexibilidade de roteiros produtivos, tempos de setup dependentes, entre outras. A terceira e ltima fase da pesquisa, referida nas sees cinco e seis deste trabalho, abrange o planejamento, a configurao, a realizao e a anlise estatstica dos experimentos elaborados, almejando investigar os efeitos dos parmetros de controle do mtodo ACO programado e identificar os valores de configurao com melhor desempenho, alm de comparar a eficincia dessa tcnica com o mtodo BB, tendo como referncias de atuao o makespan e o tempo de otimizao computacional. Finalmente, tendo em vista os esforos de pesquisa realizados e os resultados obtidos, so feitas algumas consideraes finais acerca do projeto. As trs macro-etapas da pesquisa encontram-se sintetizadas na Figura 2.

30

PROJETO DE PESQUISA

Definio do Problema de Pesquisa Hipteses e Objetivos do Projeto Definio da Unidade de Anlise

CONCEPO E PROJEO

Escolha da Estratgia de Pesquisa

Pesquisa Bibliogrfica

REVISO DA LITERATURA
Planejamento Experimental
- Identificao das variveis de controle crticas em um processo. - Avaliao de desempenho entre o mtodo ACO desenvolvido e a tcnica BB.

Job Shop Scheduling

- Identificao e definio das configuraes dos cenrios de JSS a serem otimizados ao longo da pesquisa.

Otimizao por Colnia de Formigas

- Determinao, com base na TCF consultada e nos cenrios de JSS analisados, da estrutura de programao mais adequada ao desenvolvimento do mtodo ACO.

Planejamento de Experimentos Planejamento Fatorial (Anlise de Varincia) Testes de Hipteses

PLANEJAMENTO E ANLISE DE EXPERIMENTOS

Avaliao de Resultados

Figura 2 Diagrama geral da estratgia de pesquisa adotada

Para se concretizarem as trs fases do projeto, algumas etapas mostraram-se necessrias e importantes, sendo as mesmas sintetizadas a seguir: 1. Identificao de referencial terico sobre os trs assuntos-pilares deste projeto (ACO, programao da produo do tipo job shop e DOE) e caracterizao de seu estado-da-arte; 2. Definio das configuraes dos cenrios de JSS a serem otimizados pelo mtodo ACO proposto. Isto significa especificar as vrias caractersticas de um ambiente de

31

programao da produo para cada situao investigada, desde a flexibilidade de roteiros produtivos de um produto at o nmero de operaes necessrias sua fabricao, incluindo sua modelagem matemtica; 3. Determinao, com base nas peculiaridades dos cenrios de JSS estudados, da estrutura de programao mais adequada ao desenvolvimento do algoritmo ACO. Esse procedimento teve como principal objetivo garantir que o mtodo desenvolvido estivesse apto otimizao dos cenrios de JSS previamente configurados, respeitando sempre as restries impostas a cada situao considerada; 4. Planejamento e execuo de experimentos relacionados ao algoritmo ACO desenvolvido e sua aplicao na resoluo dos problemas de programao da produo propostos. vlido ressaltar que o planejamento dos experimentos considerou todos os fins estabelecidos pesquisa, ou seja, no somente a investigao de quais so as variveis crticas do mtodo ACO, mas tambm a avaliao do quo eficiente ele em relao tcnica BB; 5. Anlise dos resultados obtidos, identificando os fatores que exercem maior influncia sobre o mtodo ACO, bem como suas configuraes de melhor desempenho, e avaliando sua performance quando confrontado ao BB. Para se alcanar tais feitos, utilizaram-se determinadas tcnicas de anlise estatstica, tais como planejamento fatorial e testes de hipteses, capazes de auxiliar efetivamente aos propsitos do planejamento experimental; e 6. Registro das principais concluses da pesquisa, apontando suas maiores contribuies em termos prticos e cientficos, assim como indicando suas principais limitaes, dificuldades e oportunidades para estudos futuros. O primeiro passo contemplado no restante desse captulo e ao longo de toda a terceira seo do projeto, onde registrada a reviso terica realizada a respeito de JSS, ACO e DOE. As etapas dois e trs encontram-se discutidas na quarta seo do trabalho, dedicada caracterizao do mtodo ACO desenvolvido e definio dos cenrios de JSS alvos do processo de otimizao. Os procedimentos quatro e cinco constituem o quinto captulo do projeto, tratando de todos os aspectos de planejamento, execuo e anlise dos experimentos necessrios s intenes da pesquisa. A etapa seis, finalmente, incorporada sexta e ltima seo do trabalho, voltada s consideraes finais sobre este.

32

3 REVISO DA LITERATURA Este captulo trata do embasamento terico necessrio realizao da pesquisa. Inicialmente, so introduzidas algumas concepes e definies acerca do Planejamento e Controle da Produo (PCP), destacando-se sua evoluo histrica em termos de sistemas de gesto. Posteriormente, contextualiza-se a programao da produo de job shops segundo os nveis hierrquicos de PCP, ressaltando-se as principais caractersticas que definem e distinguem o cenrio de job shop scheduling como um problema de otimizao combinatria do tipo NP-hard. A segunda parte desta seo, por sua vez, disserta a respeito de alguns mtodos de otimizao utilizados no tratamento de problemas de job shop scheduling, especialmente aqueles fundamentados em princpios de inteligncia computacional. Por ltimo, apresenta-se o mtodo de otimizao por colnia de formigas, abordando-se desde sua inspirao biolgica e fundamentao matemtica, at as mais recentes linhas de estudo abrangendo sua aplicao em problemas de programao da produo de job shops. 3. 1 PLANEJAMENTO E CONTROLE DA PRODUO Antes de se pensar em planejamento e controle da produo, torna-se necessrio conhecer seus objetos de anlise, que seriam os prprios sistemas de produo. Segundo Martins e Laugeni (2006), um sistema pode ser definido como um conjunto de elementos inter-relacionados com um objetivo comum. Nesse sentido, ainda segundo os autores, todo sistema composto, basicamente, por trs elementos, quais sejam: as entradas (inputs), que tudo aquilo que serve de recurso a ser processado pelas atividades de produo de um sistema; as funes de transformao, que so as atividades produtivas propriamente ditas; e as sadas (outputs) do sistema, que todo resultado das transformaes realizadas sobre os inputs, sejam produtos manufaturados, servios prestados ou at mesmo informaes distribudas. Nesse contexto, um sistema produtivo pode ser visto como aquele que transforma insumos matrias-primas, pessoal, mquinas, prdios, tecnologia, dinheiro, informao e outros recursos em sadas produtos e servios, sendo esse exemplificado por meio da Figura 3 (GAITHER e FRAZIER, 2005).

33

Figura 3 Modelo de sistema produtivo Fonte: Adaptado de Gaither e Frazier (2005) e Martins e Laugeni (2006).

Quando se aborda a temtica de sistemas produtivos, no se discute uma realidade historicamente recente. Como dizem Martinich (1997) e Gaither e Frazier (2005), sistemas produtivos podem ser identificados a partir do incio de nossa civilizao, ao observarmos desde as Pirmides do Egito at a Grande Muralha da China, ambos feitos realizados por sociedades anacrnicas, mas que j demonstravam a capacidade do ser humano em produzir de modo sistemtico. No entanto, as condies e prticas produtivas da antiguidade diferem muito da atual realidade experimentada pelo homem moderno. Desde a Primeira Revoluo Industrial, em meados do sculo XVIII, onde a fora de trabalho humana comeou a ser substituda pela fora mecanizada e foram lanadas idias fundamentais organizao do trabalho, tais como a especializao da mo-de-obra e a administrao cientfica, at o final da Segunda Guerra Mundial, contexto em que pesquisadores envolvidos com as recentes descobertas e avanos cientficos proporcionados pelos esforos despendidos durante a guerra projetaram suas descobertas para fins diversos (especialmente nvel industrial), os sistemas produtivos j sofreram diversas e intensas transformaes.

34

No obstante, planejar e controlar os processos inerentes aos sistemas produtivos so os grandes desafios enfrentados pelas organizaes nos dias atuais, contexto em que o fluxo de informaes e produtos cada vez mais dinmico, e a competitividade inter-organizacional alcana altos nveis de complexidade, particularmente quando consideradas a evoluo rpida e contnua da tecnologia disponvel e a participao e exigncia gradativamente maiores dos consumidores/clientes. Assim, para que um sistema de produo consiga atender s suas metas e objetivos estratgicos, faz-se necessrio o acompanhamento e aprimoramento contnuo de seu desempenho. Nesse sentido, conforme expressam Vollmann et al. (2006), o PCP o responsvel por cuidar de todos os aspectos relacionados s operaes produtivas de uma organizao, desde o gerenciamento de recursos materiais e a programao de mquinas at a superviso de transaes com fornecedores. Martins e Laugeni (2006), por sua vez, esclarecem que o PCP tambm representa uma funo administrativa, pois sua atuao abrange desde o planejamento e gerenciamento de suprimentos materiais at a alocao de recursos e sequenciamento de ordens de produo. Sobre PCP e suas principais competncias, Corra et al. (2001) definem uma srie de atividades pertinentes, dentre as quais destacam-se: Programar operaes produtivas, de modo que todos os recursos disponveis sejam adequadamente utilizados, obedecendo-se a designaes e prioridades prestabelecidas; Manter a capacidade do sistema de informar atualizadamente sobre o status dos recursos usados (sejam esses pessoas, mquinas, instalaes ou materiais) e das ordens (de produo ou de compra) presentes no sistema; e Responder rpida, eficiente e eficazmente s alteraes do sistema, sejam elas de origem interna e/ou externa. No entanto, o modo como tal planejamento perpetuado pelas organizaes vem sofrendo profundas transformaes ao longo dos anos, principalmente devido crescente complexidade dos ambientes de produo. At meados da dcada de 1960, os estoques eram, em sua grande maioria, gerenciados por sistemas tradicionais, fundamentados em tcnicas estatsticas simples, tais como Curva de Pareto, Lote Econmico de Compra e Ponto de Pedido. Nesse contexto, Kenworthy (1997) destaca as transformaes no ambiente industrial norte-americano nas dcadas de 1950 e 1960, especialmente no que diz respeito ao uso de computadores nas empresas, primeiramente, em suas atividades administrativas e,

35

posteriormente, no gerenciamento da produo. Diante das limitaes apresentadas pelos mtodos daquele momento histrico e da possibilidade de se empregar ferramentas computacionais no planejamento da produo, surge, em meados da dcada de 1970, o conceito de Material Requeriments Planning (MRP) ou Planejamento de Necessidades de Materiais. Ao longo das dcadas seguintes, novas necessidades organizacionais, principalmente aquelas relacionadas com a incorporao de restries de capacidade ao planejamento da produo e a complexidade de integrao entre diferentes processos e sistemas de informao, impulsionaram o aprimoramento do MRP e, consequentemente, o surgimento de novos perfis de sistemas de gesto da produo, com destaque para o Manufacturing Resources Planning (MRPII) e, posteriormente, o Enterprise Resources Planning (ERP) (LAURINDO e MESQUITA, 2000). Porm, os sistemas MRP/MRPII/ERP possuem determinados entraves que demandam a adoo de sistemas complementares. Atividades como o sequenciamento de operaes, por exemplo, ainda representam limitaes ao desempenho dos sistemas. Plenert e Kirchmier (2000) chegam a apontar a adoo de sistemas denominados Finity Capacity Scheduling (FCS) como medida positiva programao da produo, especialmente por considerar aspectos como disponibilidade de recursos, relaes de precedncia e prioridades no sequenciamento de ordens de produo. Diante da evoluo conjuntural experimentada pela administrao da produo, Vollmann et al. (2006) chegam a identificar trs foras de influncia sobre a dinmica dos sistemas de planejamento e controle da produo observados na atualidade. A internacionalizao da produo, por exemplo, caracteriza uma complexa rede de produo voltada a mercados localizados nos mais variados e diferentes pontos geogrficos do globo, estimulando o surgimento e desenvolvimento de aes colaborativas entre organizaes, concepo bsica que norteia os conceitos de cadeia ou rede de suprimentos. O papel cada vez mais atuante dos clientes, por outro lado, tambm influencia nas aes de administrao da produo. O advento da personalizao (customization) em massa, combinada internacionalizao da demanda e, consequentemente, das preferncias dos consumidores, amplia consideravelmente a variedade de produtos solicitada pelo mercado, bem como potencializa a flexibilidade de seus respectivos processos produtivos. O terceiro fator, na verdade, pode ser interpretado tanto como um suporte aos anteriores, quanto um catalisador daqueles. Se, por um ngulo, a necessidade por fluxos de produtos e informaes entre atividades de PCP de uma empresa multinacional

36

(transnacional), ou entre organizaes distintas, mas que cooperam entre si (cadeias ou redes de suprimentos), requer investimentos cada vez maiores e mais frequentes em tecnologia de ponta, a coordenao intra-institucional de processos e operaes cada vez mais complexos, sob outra perspectiva, no consegue mais ser realizada, satisfatoriamente, pela fora de trabalho humana, uma vez que os fatores e especificaes tcnicas envolvidos tornam a administrao da produo progressivamente invivel ao trabalhador humano, recorrendo-se ao uso da tecnologia como ferramenta de suporte tomada de deciso. Gaither e Frazier (2005) ratificam e complementam o ponto de vista pretrito, apontando seis fatores que influenciam as atividades de PCP nos dias de hoje, sendo eles: a crescente competitividade global; a demanda por maior qualidade no servio prestado ao cliente; grande desenvolvimento da tecnologia de produo avanada; expanso contnua do setor de servios; limitao cada vez maior de recursos produtivos; e maior preocupao com aspectos voltados responsabilidade social. Avaliando o propsito funcional concebido ao PCP, sua evoluo histrica em termos de sistemas de gesto e as principais diretrizes que norteiam, atualmente, suas atividades, fica evidente que a administrao de sistemas de produo envolve um complexo processo de tomada de decises. Porm, Corra e Corra (2009) explicam que a intrincada tarefa de planejar e controlar a produo varia muito segundo a inrcia decisria envolvida, ou seja, de acordo com o grau de responsabilidade e impacto das decises tomadas, assim como o alcance das mesmas em termos de horizontes de planejamento. Uma deciso de grande inrcia representa medidas referentes a longos horizontes de planejamento, que envolvem maior antecedncia e maiores recursos do que decises de baixa inrcia. Para cada inrcia, pois, existe um nvel organizacional responsvel por suas decises, desde aquelas de longo prazo (carter administrativo) at as de curtssimo prazo (natureza operacional). Tais aspectos apontam a necessidade e importncia em se identificar e compreender adequadamente os diferentes nveis hierrquicos do PCP e como eles se relacionam entre si. 3. 1. 1 Revendo os diferentes nveis hierrquicos de PCP Para que se possa compreender a relevncia e o enquadramento da programao da produo na conjuntura organizacional, torna-se necessrio entender o planejamento hierrquico de um negcio. Segundo Corra et al. (2001), o horizonte de planejamento pode ser definido como o tamanho do tempo futuro sobre o qual se tenha interesse em desenvolver

37

uma viso. Ainda de acordo com os autores, o horizonte de planejamento deve ser decomposto em sub-horizontes, de modo que cada um represente um determinado nvel de agregao de informaes. Ratificando tal ponto de vista, Lustosa et al. (2008) e Corra e Corra (2009) segregam o PCP em, basicamente, quatro nveis hierrquicos, conforme ilustra a Figura 4. O planejamento de longo prazo, que compreende geralmente perodos mensais ou semestrais, abrange decises de grande inrcia, sendo representado pelo planejamento de vendas e operaes (planejamento agregado). O planejamento de mdio prazo, por sua vez, atua sobre horizontes de planejamento menores (semanas), sendo hierarquicamente condicionado pelo planejamento agregado. O produto desse nvel de planejamento (plano mestre de produo) o responsvel por orientar todas as medidas e aes perpetuadas pelos planejamentos de curto e curtssimo prazos.
Horizonte: Ms 1 Ms 2 Ms 3 . . . Ms n Planejamento Agregado

Planejamento de Recursos

Planejamento de Vendas e Operaes

Gerenciamento da Demanda

Horizonte: Sem. 1 Sem. 2 . . . Sem. m

Front End Planejamento Mestre de Produo

Plano Mestre de Produo

Planejamento de Mdio Prazo

Horizonte: Semana 1 Semana 2 Semana 3 Semana 4

Planejamento de Planejamento Detalhado de Capacidade Curto Prazo

Horizonte: Segunda Tera . . . Sexta

Planejamento Detalhado de Materiais (MRP)

Engine Planejamento Detalhado de Capacidade e Materiais

Programa de Produo

Planejamento de Curtssimo Prazo

Horizonte: Hora 1 Hora 2 Hora 3 . . . Hora 8

Back End

Execuo e Controle

Sistemas de Cho-deFbrica

Sistemas do Fornecedor

Figura 4 - Nveis hierrquicos do planejamento e controle da produo Fonte: Adaptado de Vollmann et al. (2006), Lustosa et al. (2008) e Corra e Corra (2009).

Vinculada diretamente ao MRP e compondo o horizonte de planejamento de curtssimo prazo (o qual abrange, usualmente, perodos que variam entre minutos, horas ou

Sistema de Planejamento de Recursos Materiais (ERP)

Planejamento de Longo Prazo

38

dias), a programao da produo lida com a alocao e o sequenciamento das ordens de produo geradas pelo planejamento de curto prazo nos grupos de recursos produtivos capazes de execut-las, de modo que uma srie de eventos seja considerada e atendida, tais como quebras de maquinrio, distrbios nos lead-times previstos, atrasos e/ou falhas nas atividades de setup, etc. (PINEDO, 2005; PINEDO, 2008). Em virtude de, por um lado, estar inserida na etapa de planejamento mais prxima do produto final e, por outro, trabalhar com um grau de preciso de informaes muito elevado, a programao da produo apresenta grande complexidade em ser formulada. Lustosa et al. (2008) chegam a inserir as atividades de programao da produo no contexto do controle de cho de fbrica (Shop Floor Control SFC), tambm como responsabilidade da execuo e do controle da produo, uma vez que, dependendo das condies observadas ao longo do processo produtivo, os programas de produo devem ser rapidamente ajustados e alterados conforme as novas necessidades da planta e/ou do cliente. Tal conjuntura sinaliza o quo imediatos so os esforos de programao da produo, sendo o desenvolvimento de mtodos de otimizao capazes de gerar programas cada vez melhores e em menores intervalos de tempo uma das principais vertentes de estudo na rea de PCP. Identificados os nveis hierrquicos do PCP e analisada a programao da produo sob uma perspectiva organizacional e temporal, deve-se buscar conhecimentos mais especficos acerca desse sub-horizonte de planejamento e dos tipos de cenrios produtivos que o norteiam. 3. 1. 2 Programao da produo A programao da produo pode ser vista como o processo de alocao e sequenciamento de operaes em determinados recursos produtivos, da maneira mais econmica possvel e respeitando certas restries observadas (ROSS et al., 2005). Morton e Pentico (1993) e Pinedo (2008) a definem como o processo de alocao de certos recursos limitados a determinadas tarefas por um dado perodo de tempo, de forma a se produzir os outputs previstos no prazo planejado, obedecendo-se, concomitantemente, a um conjunto de restries de tempo, de relaes de precedncia e de capacidades produtivas. Metaxiotis et al. (2003) ressaltam, ao criticarem certas limitaes dos sistemas ERP relacionadas carncia de suporte satisfatrio s atividades de programao detalhada da produo, que, na atual conjuntura de intensa competitividade inter-organizacional, programar adequada e acertadamente a produo deixou de ser um diferencial de mercado para se tornar

39

aspecto fundamental sobrevivncia das empresas. Classen e Malstrom (1982) chegam a elaborar uma stira, afirmando que de nada serve centenas de robs e milhes de dlares investidos em controle automotivo, se tais recursos forem subutilizados ou mal alocados devido a escalas de produo mal programadas. Ratificando o entendimento dos autores supracitados, uma pesquisa desenvolvida pela Advanced Manufacturing Research Inc. (1996) revelou que, adotando-se prticas efetivas de programao da produo, as organizaes podem atingir os seguintes ndices de desempenho: reduo dos custos de produo em 10% a 15%, sendo possvel dobrar a margem de lucro; reduo dos custos com estocagem de material em 8% a 10%; e aumento das entregas concretizadas nos prazos acertados com o cliente em at 30%. De acordo com Metaxiotis et al. (2003), uma srie de fatores tornam a programao da produo complexa e, igualmente, seus mecanismos de resoluo. No somente por ser um dos maiores desafios da teoria de otimizao (CONWAY et al., 1967; PANURAK, 1991), mas tambm por demandar uma srie de cuidados muitas vezes especficos a um determinado sistema, tais como a representao de conhecimentos especializados ou os meios de transmisso da informao (PINEDO et al., 1994; CHAN e ROSEMANN, 2000). Nesse contexto, Ross et al. (2005) destacam uma srie de problemas de programao da produo, definidos a partir da relao entre o nmero de mquinas (recursos), a quantidade de ordens de produo (jobs) e operaes, e os diferentes tipos de restries impostas sobre as mesmas. Os cenrios de programao mais investigados e verificados na prtica so: Single Machine Shop Scheduling (SMSS): cada job possui apenas uma operao a ser executada por um nico recurso produtivo; Parallel Machines Shop Scheduling (PMSS): nesse tipo de problema, cada job continua possuindo apenas uma operao a ser executada, mas existem m recursos idnticos atuando em paralelo, sendo que cada job pode ser operado por qualquer uma das m mquinas disponveis; Flow Shop Scheduling (FSS): cenrio em que existem m mquinas e n jobs, sendo que cada um apresenta um conjunto de operaes (estgios de processamento) prordenadas e as sequncias de execuo nos recursos disponveis so as mesmas para todos os jobs envolvidos; Job Shop Scheduling (JSS): tal problema difere do anterior pelo fato de que, nesse caso, cada job apresenta uma sequncia prpria de execuo de suas operaes nos

40

recursos produtivos disponveis, podendo aquela ser ou no compartilhada por um outro job do sistema considerado; e Open Shop Scheduling (OSS): este tipo de problema pode ser interpretado como um caso particular do JSS, onde os jobs verificados no apresentam restries internas de ordenamento de operaes, ou seja, suas operaes no possuem relaes de precedncia pr-estabelecidas. Pinedo (2005) esclarece que a generalizao de cenrios de JSS pode ser denominada Flexible Job Shop Scheduling (FJSS). Problemas dessa ordem so caracterizados pela necessidade de se programar n jobs em c grupos de recursos produtivos, sendo que cada um constitudo por um conjunto de cm mquinas em paralelo com as mesmas caractersticas e capacidades operacionais (idnticas). medida que um job chega a um grupo de recursos produtivos para ser processado, ele poder usufruir de qualquer uma das mquinas disponveis nesse grupo, dependendo das condies reais de operao de cada recurso. Outro cenrio peculiar de programao da produo destacado por Pinedo (2008) aquele definido por um nico estgio de processamento, sendo esse desempenhado por uma dentre m mquinas distintas em paralelo. Conhecido como Unrelated Parallel Machines Shop Scheduling (UPMSS), esse ambiente produtivo representa, em verdade, a generalizao de um cenrio de PMSS. Um job j processado por um recurso produtivo i com uma velocidade vi,j, que varia de acordo com a aptido da mquina i para a execuo do job j. Conhecer os cenrios de FJSS e UPMSS importante porque, combinando-se suas caractersticas operacionais, tem-se, justamente, o cenrio de Flexible Job Shop Scheduling Unrelated Parallel Machines (FJSS-UPM) investigado por esta pesquisa. Sobre a dificuldade em se otimizar cenrios de JSS como os previamente apresentados, Pinedo (2008) elabora uma hierarquia de complexidade, vislumbrada a partir da Figura 5, que ilustra satisfatoriamente as relaes existentes entre aqueles. Como possvel perceber, o problema de FJSS-UPM abordado neste projeto corresponde a uma das situaes mais complexas de programao da produo, fato que contribui e estimula o desenvolvimento de mtodos de otimizao progressivamente mais eficientes sua resoluo.

41

COMPLEXIDADE DE OTIMIZAO

FJSS-UPM
FJSS UPMSS JSS

PMSS

FSS

OSS

CENRIOS DE PROGRAMAO DA PRODUO

Figura 5 Hierarquia da complexidade de otimizao de diferentes cenrios de programao da produo Fonte: Adaptado de Pinedo (2008).

Pode-se deduzir, logo, que um cenrio de FJSS-UPM, de forma anloga ao FJSS em sua concepo original, tambm classificado como um problema de otimizao combinatria NP-hard, uma vez que no pode ser resolvido otimamente em tempo polinomial. Assim, antes de se aprofundar o entendimento sobre o cenrio de programao da produo tratado por este projeto, torna-se importante compreender melhor a classe de problemas de otimizao a qual ele pertence e a concepo original da programao de job shops. 3. 2 PROBLEMAS DE OTIMIZAO COMBINATRIA Um problema de otimizao combinatria pode ser caracterizado a partir da necessidade de se atribuir valores observados em um dado espao de busca a determinadas variveis, de modo que uma soluo tima seja identificada em relao a uma funo-objetivo conhecida (DORIGO e STTZLE, 2004). Papadimitriou e Steiglitz (1982), por sua vez, o definem como um conjunto de objetos e uma funo-objetivo para a qual, atribuindo-se valores de custo positivos para cada elemento, almeja-se construir solues capazes de encontrar o objeto de menor valor de custo positivo. Nesse sentido, nota-se que problemas de otimizao despertam tanto o interesse cientfico quanto o profissional, por se enquadrarem em uma srie de eventos observados diariamente por empresas das mais variadas naturezas possveis. Assim, pode-se vislumbrar uma gama de exemplos que sinalizam a relevncia de tais problemas sob as perspectivas

42

terica e prtica, tais como manipulao de itens em estoque, roteirizao de veculos, programao de transporte entre clulas de manufatura, otimizao de operaes de mquinas em manufatura, fabricao de chips, programao da produo, identificao das menores trajetrias (problema do caixeiro viajante), dentre outros (GOLDBARG e LUNA, 2005). Dorigo e Sttzle (2004) e Dorigo e Blum (2005) apresentam uma definio formal para problemas de otimizao combinatria, conforme a notao = , , , onde: : espao de busca finito, composto pelas solues candidatas; : conjunto de restries impostas ao espao de solues ; e : uma funo-objetivo : +. O espao de busca composto por n variveis de deciso Xi, sendo os valores do domnio de solues = 1 , ,

, i = 1, . . ., n. Destarte, uma soluo

caracterizada como vivel quando todas as variveis de deciso possuem valores do domnio de solues atribudos, ou seja, quando = , sendo i = 1, . . ., n e j = 1, . . ., , respeitando-se as restries expressas em . O objetivo dos mtodos de otimizao, pois, encontrar uma soluo vivel global s*, tal que: para problemas de minimizao, f(s*) f(s), para toda soluo vivel ; para problemas de maximizao, f(s*) f(s), para toda soluo vivel . Uma vez que problemas de otimizao combinatria do tipo NP-hard no podem ser resolvidos em tempo computacional hbil, houve um estmulo cada vez maior s pesquisas voltadas para o desenvolvimento de algoritmos capazes de gerar resultados gradativamente melhores, em tempos computacionais progressivamente menores, circunstncia em que a tcnica ACO ganha destaque. 3. 2. 1 Job Shop Scheduling Um Job Shop Scheduling Problem (JSSP), em sua concepo clssica, pode ser definido, segundo Fattahi et al.(2007), como um problema de programao da produo cuja preocupao alocar um grupo de ordens de produo com sequncias de operaes prordenadas em ambientes dotados de mltiplos recursos produtivos, sendo que cada ordem apresenta um conjunto de restries tecnolgicas que descrevem diferentes roteiros produtivos fixos previamente conhecidos. Em termos formais, um job shop descreve um sistema produtivo composto por n jobs e m mquinas, sendo todo job integrado por um grupo de operaes Oij (i = 1, 2, 3, ..., m; j =

43

1, 2, 3, ..., n). Cada job, por sua vez, apresenta uma sequncia prpria de execuo de operaes nos recursos produtivos disponveis, conforme ilustra a Figura 6.

Job 1

Mq. 1

Mq. 2

Mq. 3

Mq. 4

Produto 1

Job 2

Mq. 2

Mq. 4

Mq. 3

Mq. 1

Produto 2

Job n

Mq. 4

Mq. 2

Mq. 3

Produto n

Figura 6 - Exemplo de cenrio produtivo do tipo job shop Fonte: Adaptado de Bustamante (2007).

No exemplo construdo na Figura 6, o sistema de produo constitudo por n jobs, cada um composto por um conjunto de operaes que deve ser executada por todas ou algumas das mquinas disponveis. O job 1, por exemplo, constitudo de quatro operaes, cujo roteiro produtivo perpassa as mquinas 1, 2, 3 e 4, nessa ordem. O job 2, por sua vez, apresenta um roteiro de fabricao igualmente com quatro operaes, as quais percorrem os recursos 2, 4, 3 e 1, nessa sequncia. Dois aspectos relevantes podem ser observados e merecem destaque. Primeiramente, nota-se que cada job apresenta um roteiro de produo prprio, que no necessariamente compartilhado por outros jobs. Alm disso, percebe-se que, no caso de um job shop clssico, cada job processado de acordo com um nico roteiro produtivo, a ser executado em uma ordem exata de recursos de fabricao. Assim, cada job termina por se confundir com o roteiro de produo que o descreve, uma vez que no h outra maneira de se fabricar um item desejado, que no seja pelo roteiro sinalizado. Sob uma tica matemtica, um cenrio clssico de JSS pode ser caracterizado por meio de (ZHANG et al., 2006; HEINONEN e PETTERSSON, 2007; ESSAFI et al., 2008; XING et al., 2009): Um conjunto de n jobs, sendo J = {J1, J2, . . ., Jn}; Um conjunto de m recursos produtivos (mquinas), tal que M = {M1, M2, . . ., Mm}; Cada job j composto por uma sequncia pr-ordenada de uij m operaes, de modo que uij representa a execuo do job j na mquina i, tal que o conjunto de operaes de um sistema = | 1, , 1, ;

44

Se uma relao de precedncia uej ufj existir, significa que as operaes uej e ufj pertencem ao mesmo job j, sendo que no h mquina h que no seja e ou f, tal que a relao uej uhj ou uhj ufj exista. Assim, uma vez identificada a relao uej ufj, pode-se afirmar que ufj uma operao que imediatamente sucede uej. Cada operao uij apresenta um tempo de processamento no-negativo pij > 0, sendo que, uma vez iniciada sua execuo na mquina i, a mesma no pode ser interrompida e no pode haver processamento simultneo de outra operao. Logo, se uej ufj, ento a operao ufj no pode ser iniciada at que uej j se encontre finalizada; e De maneira complementar, somente um job pode ser processado, a cada unidade de tempo, em uma determinada mquina i. Logo, iniciado o processamento do job j na mquina i, no pode haver um job k tambm em execuo na mquina i, tal que k j. No que diz respeito aos objetivos da programao de um job shop, vrios podem ser os critrios de desempenho adotados. Ross et al. (2005) citam dez parmetros de desempenho usualmente aplicados em trabalhos cientficos, mas esclarecem que esses no so os nicos, existindo uma srie de critrios alternativos. Dentre os mais usados em pesquisas cientficas, destaca-se o makespan, que representa o tempo total transcorrido entre a primeira e a ltima operaes programadas de um job. Esse indicador definido a partir do valor Cij = Ckj + pij, voltado operao uij e segundo a relao de precedncia ukj uij. Destarte, um job shop que tenha como parmetro de desempenho o makespan pode ser matematicamente formulado da seguinte maneira (ZHANG et al., 2006; ARTIGUES e FEILLET, 2008; ARTIGUES et al., 2009):
Minimizar = max

= max +

(1)

Sujeito a:
+ , ; = 1, 2, , = 1, 2, , + , ; = 1, 2, , = 1, 2, , 0 , 0 , (2) (3) (4) (5)

45

A funo-objetivo definida a partir da minimizao do makespan (Cmax) (1). As restries de precedncia operacional e de processamento so estabelecidas em (2) e (3), respectivamente. Elas declaram no somente que cada job possui uma determinada sequncia de operaes a ser obedecida, como tambm que somente um job pode ser processado, a cada unidade de tempo, em um mesmo recurso produtivo. As restries (4) e (5), por sua vez, apenas indicam a no-negatividade dos tempos de processamento pij e de incio tij das operaes a serem programadas. Nesse contexto, cenrios de JSS representam um dos principais objetos de estudo na rea de desenvolvimento de mtodos de otimizao de problemas combinatrios, sendo expressiva a quantidade de trabalhos acadmicos que abordam tal assunto (JAIN e MEERAN, 1999; ROSS et al., 2005). Seguindo essa linha de raciocnio, Zitzler (1999), Coello (2001), Collette e Siarry (2002) e Zitzler et al. (2004) esclarecem que algoritmos de inteligncia artificial e computao natural vm sendo gradativamente reconhecidos como tcnicas eficientes na otimizao de problemas de JSS. 3. 3 MTODOS DE OTIMIZAO Para resolver problemas de otimizao combinatria, tais como o JSSP, so empregados, basicamente, dois tipos de mtodos: determinsticos e probabilsticos. Os determinsticos abrangem, fundamentalmente, tcnicas aliceradas em modificaes de trajetrias e imposio de penalidades, como meios de se escapar de mnimos locais; enquanto os mtodos estocsticos envolvem, essencialmente, decises probabilsticas de quando a busca deve ou no partir da vizinhana de mnimos (PARSOPOULOS e VRAHATIS, 2002). Contudo, os esforos destinados ao estudo e desenvolvimento desses mtodos sofreram transformaes relevantes ao longo dos anos. De acordo com Jain e Meeran (1998), a primeira pesquisa notria voltada otimizao de problemas de programao da produo pode ser atribuda Johnson (1954), que estruturou um algoritmo de otimizao para cenrios do tipo flow shop, compostos por duas mquinas. A partir desse trabalho e ao longo da dcada de 1960, novos algoritmos matemticos gradativamente mais sofisticados foram desenvolvidos, no intuito de identificar as solues timas para diferentes cenrios de programao da produo. Durante as dcadas seguintes (1970 e 1980), uma srie de trabalhos identificou e demonstrou matematicamente que somente alguns cenrios especficos de JSS podem ser

46

resolvidos em tempo polinomial. Nesse sentido, Garey e Johnson (1979) chegaram a catalogar e classificar cerca de 320 problemas de otimizao como NP-hard. Tal constatao fez com que diminusse o nmero de pesquisas voltadas ao desenvolvimento de tcnicas de otimizao determinsticas, ocorrendo uma transio de foco para mtodos aproximados ou probabilsticos. De 1980 at meados de 1990, grande parte dos pesquisadores investiu seu tempo no desenvolvimento de regras de despacho complexas e heursticas flexveis e devidamente discriminadas para problemas especficos de programao da produo. No entanto, foi a partir da dcada de 1990 que tcnicas denominadas metaheursticas comearam a ser amplamente investigadas, dentre as quais se destacam mtodos como algoritmos genticos, simulated annealing, busca tabu, entre outros. vlido frisar, porm, que o advento das metaheursticas no representa o abandono de tcnicas clssicas de otimizao, tais como Branch-and-Bound (BB) e regras de despacho. Shanker e Modi (1999) utilizam uma tcnica heurstica baseada em BB para tratar o problema de programao da produo em um sistema de manufatura flexvel, com restries de recursos produtivos (sendo estes agrupados em esgotveis e no-esgotveis), mltiplos itens de fabricao e flexibilidade de roteiros de produo. Almejando-se a minimizao do makespan e a manuteno de nveis equilibrados de utilizao dos recursos disponveis, os autores observaram que o mtodo BB obteve resultados significativamente superiores quando comparado a modelos de programao linear inteira. Dunstall e Wirth (2005), por sua vez, sugerem uma formulao alternativa ao mtodo BB em um problema de programao da produo de n jobs em m mquinas idnticas paralelas, considerando-se tempos de setup independentes e tendo-se como critrio de desempenho a minimizao da soma balanceada dos tempos de finalizao dos jobs avaliados. Confrontando os resultados do algoritmo proposto pela pesquisa com aqueles apresentados por mtodo semelhante desenvolvido por Azizoglu e Webster (2003), os autores constataram melhor desempenho do primeiro, no somente em relao ao ndice de eficincia selecionado como tambm em funo dos tempos computacionais registrados ao longo dos experimentos. Shim e Kim (2008) realizam estudo semelhante, ao tratarem problemas de programao da produo onde so considerados n jobs independentes, processados em m mquinas paralelas idnticas, com o objetivo de minimizar o tempo total de finalizao dos jobs aps os perodos agendados. O aspecto diferencial do estudo que os autores levantam a possibilidade de fragmentar um job em sub-jobs, sendo cada um deles capaz de ser processado independentemente em recursos paralelos. Testes realizados com o mtodo BB

47

geraram resultados satisfatrios, sendo que o algoritmo desenvolvido chegou a alcanar valores timos em cenrios com at 4 mquinas e 12 jobs. Baykasoglu et al. (2004), por outro lado, realizam estudo interessante em que modelam um job shop flexvel com base em uma representao lingustica, e aplicam heursticas fundamentadas em regras de despacho e busca tabu (BT) multi-objetiva em seu processo de otimizao. Adotando-se como parmetros de desempenho o makespan, o tempo total de finalizao de jobs aps datas agendadas e o balano de carga dos recursos produtivos, os autores constaram que a modelagem lingustica propicia maior flexibilidade aplicao de mtodos heursticos, alm do que houve desempenho satisfatrio na convergncia de solues timas de Pareto. Nowicki e Smutnicki (1996) desenvolvem um algoritmo de aproximao muito eficiente para problemas do tipo JSS, em que a BT manipulada como tcnica-base para o algoritmo, porm com uma definio especfica das funes de vizinhana. Tal pesquisa foi interpretada durante a ltima dcada como o estado da arte em termos de BT, no tratamento de JSS, sendo amplamente hibridizada com outros mtodos e adotada em diversos trabalhos cientficos (BLUM e SAMPLES, 2004; SHA e HSU, 2006; ROSSI e DINI, 2007; HEINONEN e PETTERSSON, 2007; HUANG e LIAO, 2008; ROSSI e BOSCHI, 2009). Pezzella e Merelli (2000) utilizam BT e shifting bottleneck na soluo de JSSP. Aplicando shifting bottleneck na gerao de solues iniciais a serem exploradas pela BT e no refinamento dos resultados obtidos por essa, os autores constataram que o mtodo sugerido, experimentado junto a problemas de benchmarking, obteve resultados timos ou prximos de valores timos, em tempo computacional vivel. Jzefowska e Zimniak (2008), em contrapartida, desenvolvem um sistema de suporte tomada de decises de curto prazo sobre planejamento e programao da produo, com base em trs mdulos computacionais: mdulo de sistema especialista; mdulo de otimizao; e mdulo de conversao. Nesse contexto, o sistema especialista tem como finalidade principal restringir o espao de solues viveis a ser explorado pelo mdulo de otimizao, sendo este baseado em algoritmos genticos. Experimentos computacionais revelaram bom desempenho do sistema, alcanando resultados satisfatrios em tempos computacionais at trs vezes menores do que a aplicao do mdulo de otimizao sem as regras de restrio do sistema especialista. Loukil et al. (2007) tratam de JSS em cenrios complexos, abrangendo aspectos como flexibilidade de roteiros de produo, produo em lotes, fabricao de sub-peas e montagem de produtos finais e at mesmo a execuo de duas operaes de um mesmo job

48

simultaneamente. Mensurando-se critrios como makespan, tempo mdio de finalizao dos jobs e tempos mdio e mximo de finalizao tardia de jobs, os autores propem a aplicao de simulated annealing multi-objetivo na resoluo do problema de programao. Os resultados da pesquisa revelaram desempenho satisfatrio do algoritmo, especificamente no que diz respeito flexibilidade do mtodo em otimizar vrios critrios de desempenho concomitantemente. Usando um esquema de representao gentica universal, tanto para um quanto para mltiplos recursos produtivos, Wang e Brunn (2000) desenvolveram operadores genticos de seleo, cruzamento e mutao eficientes para JSSPs. Adicionando ao algoritmo proposto determinadas regras heursticas proibitivas de solues inviveis, o mtodo experimentado alcanou resultados satisfatrios quando aplicado em problemas de benchmarking e cenrios produtivos artificialmente gerados, com at 50 mquinas e 100 jobs. Gholami e Zandieh (2009) abordam o problema de JSS sob uma perspective distinta. Considerando que, em cenrios de produo reais, problemas como quebra de mquinas e manuteno reativa podem ocorrer a qualquer momento, os autores desenvolvem uma aplicao de algoritmos genticos integrada com princpios de simulao, visando observar a influncia daqueles eventos no desempenho da tcnica utilizada, especialmente em termos de makespan e tempo mdio de ultrapassagem dos prazos pr-determinados de finalizao de jobs. Como resultados da pesquisa, constatou-se que fatores inesperados, tais como os supracitados, impactam diretamente os objetivos de desempenho estabelecidos. Vzquez e Whitley (2000), sob outra perspectiva, tratam de job shops dinmicos, ou seja, os jobs a serem alocados e sequenciados so recebidos pelo sistema ao longo do processo de programao da produo. Adotando um algoritmo gentico hibridizado com a heurstica proposta por Giffler e Thompson (1960) e lanando-se mo de uma representao cromossmica direta das solues, os autores compararam o mtodo desenvolvido com duas outras tcnicas igualmente fundamentadas em algoritmos genticos, observando-se a superioridade do primeiro em relao aos demais, especialmente quando considerados cenrios de larga escala, tal como um ambiente com 50 jobs e 8 mquinas. vlido observar, com base nos trabalhos preteritamente discutidos, que grande parte das metaheursticas desenvolvidas e pesquisadas na atualidade enquadrada como mtodo de inteligncia artificial ou computao natural, incluindo a tcnica ACO. Logo, torna-se importante compreender os princpios e conceitos gerais que constituem essas classes de mtodos de otimizao.

49

3. 4

INTELIGNCIA ARTIFICIAL E COMPUTAO NATURAL Atualmente, quando se pretender falar a respeito de ferramentas computacionais

dotadas de algum tipo de inteligncia, uma gama de nomenclaturas utilizada, tais como Inteligncia Artificial, Inteligncia Computacional, Computao Flexvel, Computao Natural, entre outras. Contudo, existem aspectos histricos e substancialmente tericos que diferenciam e distinguem cada uma dessas expresses. Olhando para o passado, identifica-se como sendo de 1943 a primeira pesquisa sobre inteligncia artificial (IA), consistindo essa em uma tentativa de Warren McCulloch e Walter Pitts em criar um modelo artificial de neurnios (MCCULLOCH e PITTS, 1943). O termo inteligncia artificial, no entanto, s foi criado e constitudo como um ramo de conhecimento cientfico em 1956, na Conferncia de Dartmouth, pelo pesquisador norteamericano John McCarthy. Desde seu surgimento, a IA clssica sempre abarcou pesquisas voltadas representao do conhecimento ou de habilidades humanas, tais como os sistemas especialistas (expert systems). Entretanto, a partir da dcada de 1960 novos estudos passaram a explorar fenmenos inteligentes da natureza que no estavam co-relacionados ao ser humano. Logo comearam a surgir dvidas sobre o enquadramento dessas tcnicas como inteligentes, uma vez que declarar o comportamento de colnias de bactrias ou de formigas como condutas inteligentes parecia inadequado (CASTRO e ZUBEN, 2009). Contudo, foi Lotfi Zadeh, ao observar o elevado grau de incerteza e impreciso que norteia os fenmenos do nosso dia a dia, que impulsionou efetivamente a distino entre Inteligncia Computacional (IC) e IA, por meio da noo de computao flexvel (soft computing) (ZADEH, 1994). Ainda segundo o autor e Castro e Zuben (2009), a IC constituda, essencialmente, por quatro grupos de tcnicas artificiais, quais seriam: lgica nebulosa (fuzzy); redes neurais; computao evolutiva; e computao natural. A Figura 7, alm de ilustrar a distino entre IA e IC e identificar as reas de composio desta, tambm mostra que, entre as tcnicas de busca e otimizao orientadas por transies aleatrias, destacam-se os mtodos de inteligncia coletiva. Esses ltimos compem uma rea especfica da computao natural, relacionada computao inspirada na natureza, ou seja, ao desenvolvimento de novos mecanismos de soluo de problemas, a partir da observao de fenmenos da natureza.

50

Inteligncia Artificial

Inteligncia Computacional

Sistemas Especialistas

Computao Evolutiva

Lgica Fuzzy

Redes Neurais

Computao Natural

Algoritmos Evolutivos

Simulated Annealing (SA)

Inteligncia Coletiva
Enxame ou Nuvem de Partculas Colnia de Formigas

Baseadas em Transies Aleatrias

Colnia de Bactrias Sistemas Imunolgicos Artificiais

Baseadas em Clculo
Fibonacci/ Newtoniana

Enumerativas
Programao Dinmica

Tcnicas de Busca/ Otimizao

Figura 7 Inteligncia Computacional e Computao Natural

Nesse sentido, o interesse no comportamento de colnias de formigas, colnias de bactrias, ou de bandos de pssaros, por exemplo, revelam uma caracterstica importante da inteligncia coletiva, que o estudo de grupos de animais que, individualmente, no agem inteligentemente, mas que, coletivamente, desenvolvem atividades relativamente complexas, tais como identificar a menor trajetria entre suas localizaes, as fontes de alimento de melhor qualidade e mais prximas, a regio com as melhores condies climticas para a reproduo da espcie, etc. Apesar de cada tcnica apresentar caractersticas peculiares, algumas podem ser generalizadas, pois so inerentes inteligncia coletiva. Nesse contexto, destaca-se o controle descentralizado dos mtodos, uma vez que cada indivduo (agente) possui autonomia para agir

51

de acordo com regras e informaes locais, interagindo com os semelhantes mais prximos e colaborando com o restante da colnia, em prol da realizao de comportamentos complexos (BONABEAU et al., 1999). Em se tratando de problemas de programao da produo, os algoritmos de inteligncia coletiva mais experimentados so fundamentados em colnias de formigas e enxames de partculas, sendo ambas as tcnicas explanadas a seguir. 3. 4. 1 Otimizao por enxame de partculas A Otimizao por Enxame de Partculas (ou Particle Swarm Optimization - PSO) uma tcnica da inteligncia coletiva, desenvolvida por Kennedy e Eberhart em 1995 (EBERHART e KENNEDY, 1995; KENNEDY e EBERHART, 1995). Trata-se, em verdade, de um mtodo estocstico de otimizao que apresenta caractersticas populacionais, assim como algoritmos genticos. Conforme salientam Yin e Wang (2006) e Kuo et al. (2009), PSO um mtodo baseado no comportamento de pssaros e peixes, quando observados em sua dinmica social. De acordo com Ali e Kaelo (2008), o mtodo PSO atua sobre uma populao (enxame) de solues potenciais (partculas), sendo que essas tm suas posies e velocidades inicializadas aleatoriamente em um determinado espao de busca. A cada iterao, as partculas tm suas velocidades atualizadas com base na melhor posio visitada por ela mesma (pbest), bem como na melhor posio conquistada pelas partculas vizinhas (nbest). Finalmente, cada partcula tem sua posio atualizada com base em seus novos valores de velocidade, alcanando, destarte, novas posies no espao de solues. Muitos pesquisadores investigaram como bandos de pssaros e peixes so capazes de desenvolver movimentos harmoniosos e sincronizados, sem, contudo, colidirem entre si (REYNOLDS, 1987; HEPPNER e GRENANDER, 1990). Eberhart et al. (1996) esclarecem que o movimento de tais grupos de animais, na verdade, resulta de seus esforos individuais para manter distncias timas entre seus vizinhos, ou seja, entre cada indivduo e os demais adjacentes. Nesse sentido, a dinmica bsica de PSO estabelecida por meio da movimentao de suas partculas, que, possuindo velocidades adaptativas e acessando suas memrias (melhor posio individual) e a do grupo (melhor posio do bando), movimenta-se ao longo do espao de busca, procurando pelo timo global, conforme ilustra a Figura 8.

52

Figura 8 Comportamento migratrio de um bando de pssaros e sua relao com pbest e nbest Fonte: Adaptado de Zuben e Attux (2009).

Em se tratando de PSO aplicada a problemas de JSS, alguns trabalhos interessantes j foram desenvolvidos, fornecendo informaes importantes a estudos futuros. Xia e Wu (2005), por exemplo, desenvolveram um mtodo de otimizao hierrquico, onde a tcnica PSO aplicada ao problema de alocao de operaes e, posteriormente, utiliza-se a metaheurstica simulated annealing para a avaliao dos valores de fitness de cada partcula, representando o sequenciamento das operaes. Buscando-se validar o mtodo proposto atravs de experimentao, foram realizados estudos comparativos com outros mtodos de otimizao, destacando-se os algoritmos genticos clssicos. Com base em trs cenrios, pde-se constatar a superioridade do algoritmo hbrido elaborado, em relao makespan, workload crtico e workload total das mquinas. Lian et al. (2006) desenvolveram, por sua vez, um algoritmo de PSO hbrido, em que operadores genticos de cruzamento e mutao foram devidamente adaptados e aplicados s equaes de atualizao de posio e velocidade das partculas. Utilizando-se de quatro procedimentos distintos de cruzamento e nove de mutao, os autores alcanaram resultados satisfatrios, sendo que o mtodo sugerido superou, em relao aos cenrios estudados, o desempenho de algoritmos genticos clssicos. Segundo os autores, a eficincia superior pode ser atribuda pelo fato da tcnica elaborada permitir no somente o compartilhamento de informaes entre as partculas (caracterstica dos algoritmos genticos), como tambm a

53

atualizao das mesmas com base nas informaes internas de acelerao e velocidade do grupo (atributo do PSO). Sha e Hsu (2006), por outro lado, efetuaram modificaes aos mecanismos de ajuste de velocidade e movimentao das partculas, alterando fundamentalmente a memria de pbest, que passa a receber um valor integrante de uma lista com as N melhores performances individuais observadas at ento, sendo essas atualizadas a cada iterao do mtodo. Os autores aplicaram o algoritmo proposto na gerao de solues iniciais a serem melhoradas pela BT, uma heurstica de busca local amplamente utilizada em problemas de JSS. O intuito da pesquisa era fornecer solues iniciais variadas e de boa eficincia BT. 3. 4. 2 Otimizao por colnia de formigas O mtodo de Otimizao por Colnia de Formigas (ou Ant Colony Optimization ACO), como exposto preteritamente, foi desenvolvido em 1991 por Dorigo et al. (1991), e apresentado por meio de um relatrio tcnico intitulado Ant System: an autocatalytic optimizing process. Porm, foi ocasio da tese de doutorado de Dorigo (1992) que a tcnica ACO adquiriu maior projeo (YING e LIAO, 2004). Em sua verso original, denominada Ant System (Sistema de Formigas), a tcnica tinha como intuito otimizar o problema do caixeiro viajante, onde um indivduo precisa visitar X cidades uma nica vez, percorrendo Y distncias diferentes entre as mesmas. Como possvel observar, o algoritmo ACO, desde sua concepo, j era destinado ao tratamento de problemas de otimizao combinatria discreta (BLUM, 2005). Nesse contexto, pode-se dizer que, segundo Huang e Liao (2008) e Yagmahan e Yenisey (2008), ACO uma tecnologia de otimizao global inspirada no comportamento natural de colnias de formigas, quando empenhadas em encontrar novas fontes de alimentos para seus ninhos. Em termos computacionais, trata-se do desenvolvimento de uma colnia artificial de formigas que, cooperando entre si, procurem pelas melhores solues viveis (melhores fontes de comida) para um dado problema, observadas determinadas restries (limitaes ou peculiaridades impostas movimentao dos agentes) integradas ao espao de busca considerado (a pluralidade de caminhos que podem ser explorados pelas formigas). Ainda de acordo com os autores supracitados e Beckers et al. (1992), as formigas so animais capazes de identificar os menores caminhos entre seus ninhos e as fontes de alimento mais prximas, sem necessitar de quaisquer orientaes visuais. Na verdade, a nica forma de comunicao existente entre os insetos ocorre por meio de uma essncia aromtica depositada

54

pelos mesmos durante o processo de busca por novas e boas fontes de comida. A substncia depositada, conhecida por feromnio, percebida pelas demais formigas do ninho que, ao iniciarem suas buscas, tero suas trajetrias orientadas pelo nvel de concentrao da qumica secretada. Quanto maior a quantidade de feromnio depositada em um determinado caminho, mais estimuladas a percorrerem tal curso sero as formigas vindouras, ou seja, maior ser a probabilidade de escolha daquele caminho. medida que as formigas identificam os menores caminhos que levam s melhores fontes de alimento, os percursos do ninho at a fonte e viceversa ocorrem, naturalmente, de forma mais rpida, uma vez que se trata do menor caminho. Logo, mais rapidamente ser acumulada uma quantidade considervel de feromnio, fazendo com que a probabilidade de que futuras formigas escolham tais direes seja maior do que aquelas referentes a caminhos alternativos (ZHANG et al., 2006). Nesse sentido, o mtodo ACO apresenta-se como um dos algoritmos de otimizao por aproximao mais recentes e promissores dos ltimos anos (BLUM, 2005). Tal mtodo pode ser interpretado, sob o ponto de vista da IC e da computao natural, como uma das tcnicas mais eficientes de inteligncia coletiva (BONABEAU et al., 2000), sendo essa caracterizada pela estruturao de sistemas multi-agentes, formulados a partir do comportamento social coletivo de alguns insetos da natureza, tais como abelhas, vespas, formigas, pssaros, peixes, etc. Sob a perspectiva da Pesquisa Operacional (PO), a tcnica ACO classificada como uma metaheurstica (BLUM e ROLI, 2003). O termo, criado em 1986 por Glover, surge a partir da juno de duas expresses gregas: heuriskein, que significa encontrar; e meta, que quer dizer alm ou em um nvel superior. Logo, segundo o site

http://www.metaheuristics.net/, uma metaheurstica pode ser definida como uma estratgia geral de otimizao, capaz de orientar a aplicao de mtodos heursticos especficos para uma ampla variedade de problemas. Trata-se, em verdade, de um modelo ou framework genrico de otimizao que, sofrendo apenas alguns ajustes em sua estrutura algortmica, pode ser utilizado na resoluo de uma srie de problemas distintos, apresentando desempenho satisfatrio. Antes de compreender melhor a dinmica funcional do mtodo computacional ACO, torna-se relevante entender quais aspectos comportamentais de uma colnia de formigas inspiraram o desenvolvimento da metaheurstica, assim como vislumbrar quais as principais diferenas e adaptaes inseridas na conduta de formigas artificialmente programadas pelo ser

55

humano, em relao aos insetos reais observados na natureza e seus hbitos sociais, objetivando a soluo de problemas de otimizao combinatria. 3. 4. 2. 1 Inspirao biolgica do mtodo

As formigas, assim como outros animais semelhantes, tais como vespas e abelhas, constituem sociedades com dinmicas comportamentais avanadas, conhecidas por eusocialidades. Integrando a ordem das Hymenoptera, as formigas encontram-se classificadas sob a mesma famlia (Formicidae) e so to relevantes biodiversidade que chegam a compor aproximadamente 15% a 20% da biomassa animal terrestre, podendo alcanar at 25% em regies tropicais (SCHULTZ, 2000). No que diz respeito ao comportamento coletivo de eusocialidades animais em circunstncias previsveis (esperadas), McGlynn et al. (2003) esclarecem que as espcies respondem s transformaes do meio ambiente por meio de sinais endgenos ou exgenos. O movimento migratrio dos pssaros em busca de alimento no inverno, por exemplo, guiado pela durao dos dias e pelos relgios biolgicos dos animais (COX, 1985). Algumas espcies de camaro, por sua vez, so orientadas pelo nvel de luz solar, indicando os perodos de menor risco predatrio e, portanto, melhores para alimentao (FORWARD e HETTLER, 1992). As formigas, porm, lidam frequentemente com cenrios hostis e de constantes mudanas. Nesse sentido, Johnson e Rossi (2006) explicam que o comportamento social das formigas desperta a curiosidade cientfica, especialmente, porque no h um controle central para tal processo, ou seja, tratam-se de simples organismos vivos que, coletivamente, so capazes de manter a auto-preservao de suas colnias. Ainda segundo os autores, o principal mecanismo responsvel pela comunicao entre formigas a secreo de substncias qumicas denominadas feromnios, que podem indicar desde perigo predatrio iminente at proximidade de possveis fontes de alimento. Quando as formigas movimentam-se em busca de novas fontes de alimentos, ocorre um processo de auto-organizao que, de acordo com Vittori et al. (2006), regido por dois tipos de feedback, ambos relacionados concentrao de feromnio secretado pelos agentes: um positivo (intensificao da quantidade de feromnio depositada em um determinado caminho); e um negativo (evaporao gradativa da concentrao de feromnio em certas trajetrias). Com base no equilbrio entre essas duas informaes, a colnia torna-se apta a

56

selecionar, progressivamente, as melhores fontes de comida, assim como os menores caminhos para alcan-las (GOSS et al., 1989; BECKERS et al., 1993). De modo geral, o processo de busca de uma formiga por novos recursos alimentcios envolve, basicamente, uma constante tomada de deciso, seguida por futura ratificao ou no da escolha realizada anteriormente. Segundo Vittori et al. (2006), ao longo de sua caminhada, um formiga depara-se frequentemente com bifurcaes. Tais bifurcaes, naturalmente, exigem que o inseto tome uma deciso sobre qual caminho seguir. Inicialmente, tal escolha feita de modo aleatrio, pois ainda no h reconhecimento qumico do espao de busca. Com o passar do tempo e realizadas algumas rotinas de busca a fontes de alimentos, passam a existir diferenas de concentrao entre as quantidades atualizadas de feromnio entre as trajetrias componentes do espao de busca. Logo, a tomada de deciso deixa de ser randmica e torna-se guiada probabilisticamente pelos nveis de feromnio percebidos pelas formigas que percorrem as bifurcaes do espao de busca (JOHNSON e ROSSI, 2006). Um modelo visual do comportamento exploratrio das formigas pode ser vislumbrado por meio da Figura 9. O primeiro momento descreve o cenrio inicial de busca por alimentos, quando ainda no existe orientao via feromnio. A fase II j revela como acontece a intensificao (feedback positivo) da melhor trajetria, uma vez que um nmero maior de formigas percorrem um determinado caminho e, consequentemente, maior o depsito de feromnio nessa regio de busca. O momento III, finalmente, alm de exibir a intensificao do melhor curso, exemplifica a evaporao (feedback negativo) dos caminhos alternativos, que no receberam acrscimos de feromnio. Com o tempo, as formigas deixam de ser sensibilizadas e no se movimentam mais por tais trajetrias. Segundo Colorni et al. (1994) e Dorigo e Gambardella (1997), uma colnia de formigas no somente capaz de identificar o menor caminho entre seu ninho e uma fonte de alimentos sem indcios visuais, como tambm capaz de adaptar seu comportamento conforme variaes no ambiente ou espao de locomoo. Por meio das informaes de feedback negativo, os depsitos de feromnio relacionados a trajetrias no mais interessantes evaporam gradativamente, at que as formigas deixam de seguir tais cursos e passam a explorar novos caminhos de busca, tal como ilustra a Figura 10.

57

Busca aleatria Colnia Identificao de alimento

Fase I
Formao da trilha de feromnio Colnia

Fase II
Colnia Trilha de feromnio

Fase III Fase III

Figura 9 - Comportamento exploratrio das formigas em busca de novas fontes de alimento Fonte: Adaptado de Lacerda (2008).

1
Comida Ninho

2
Comida Ninho

3
Comida Ninho

4
Comida Ninho

Figura 10 Comportamento adaptativo das formigas Fonte: Adaptado de Pennachin (2009).

No entanto, quando se trata de ACO, os algoritmos desenvolvidos pelo homem com base na conduta coletiva das formigas podem abranger ajustes e adaptaes que aprimoram os procedimentos de busca pelo menor caminho entre ninho e fonte de alimentos, quando comparados com aqueles praticados pelas formigas da natureza. Pode-se estabelecer, por

58

exemplo, que as formigas movimentem-se somente por caminhos que atendam determinadas restries, ou atribuir memria adaptativa, capaz de registrar as trajetrias j percorridas, ou at mesmo determinar cursos simtricos, ou seja, o caminho tomado por uma formiga de seu ninho at a fonte de alimentos ser o mesmo percorrido no percurso de volta (HEINONEN e PETTERSSON, 2007). Blum (2005), por sua vez, corrobora a idia do pargrafo anterior, mencionando que, em termos de modelagem do comportamento das formigas para fins de otimizao, so introduzidas, basicamente, trs caractersticas diferenciais, quais seriam: 1. Enquanto, na vida real, as formigas movimentam-se de modo randmico, no modelo artificial, elas deslocam-se do ninho at a fonte de comida e percorrem o caminho de volta de maneira sincronizada, adotando o mesmo caminho em ambos os sentidos; 2. Se, por um lado, as formigas reais depositam feromnio a todo o momento durante suas caminhadas, as artificiais o fazem somente no retorno ao ninho, uma vez j avaliada a qualidade das solues identificadas; e 3. Enquanto as formigas reais avaliam implicitamente a qualidade de um determinado caminho percorrido (quanto mais curto, melhor), os agentes artificiais adotam uma avaliao explcita de acordo com alguma medida qualitativa. Compreendida adequadamente a natureza comportamental de colnias de formigas em ambiente real e apontadas as principais diferenas entre essas e os agentes programados para atuarem na soluo de problemas de otimizao combinatria, pode-se estruturar melhor o funcionamento do mtodo ACO, observando-se desde sua concepo procedimental at sua formulao matemtica. 3. 4. 2. 2 ACO sob uma perspectiva formal

Tomando-se como referncia os trabalhos de Blum e Sampels (2004), Dorigo e Blum (2005) e Blum (2005), pode-se dizer que a ACO atua, fundamentalmente, em cinco etapas, sendo essas: inicializao do modelo de feromnio e parmetros de configurao; construo de solues viveis; realizao de procedimentos de busca local; atualizao do modelo de feromnio; e implantao de aes complementares. O pseudo-cdigo exibido no Quadro 1 esclarece a dinmica geral de um algoritmo de ACO.

59

INCIO Passo I Inicializao do modelo de feromnio e dos parmetros de configurao. Enquanto (critrio de parada no for alcanado) fazer: Passo II construir uma soluo vivel; Passo III melhorar a soluo por meio de procedimentos de busca local (opcional); Passo IV atualizar o modelo de feromnio (intensificao e evaporao); Passo V desempenhar aes complementares. Retornar a melhor soluo encontrada. FIM
Quadro 1 Pseudo-cdigo geral do mtodo ACO

A etapa de inicializao dos valores de feromnio nada mais significa do que a atribuio de um valor baixo e constante de feromnio (0 0) a todos os caminhos passveis de visitao pelas formigas. A inteno estimular uma busca inicialmente aleatria, uma vez que todas as trajetrias possuem a mesma concentrao de feromnio. Dorigo et al. (1996) realizou experimentos com 0 = 0 e 0 = 1 , onde d expressa o nmero de pontos de deciso ao longo do processo de busca e Ldd representa o tamanho da viagem produzida pela heurstica do vizinho mais prximo (ROSENKRANTZ et al., 1977). Como resultado da pesquisa, constatou-se que 0 = 1 rendeu melhor desempenho que 0 = 0, sendo um potencial valor a ser adotado nessa etapa do mtodo. A etapa de construo das solues viveis de um problema coordenada pela atuao das formigas artificiais, que podem ser interpretadas como heursticas construtivas de solues probabilsticas obtidas por meio do sequenciamento dos componentes de soluo estabelecidos. Toda soluo iniciada por uma construo parcial = . medida que o algoritmo avana e as formigas continuam suas jornadas, a soluo parcial sp recebe novos elementos, sendo esses absorvidos do conjunto de componentes de soluo viveis , definido a partir das restries impostas ao problema e integradas ao mecanismo de construo de solues viveis configurado. Nesse sentido, cada componente de soluo

possui uma determinada

probabilidade de ser escolhido como prximo ponto a ser visitado em um procedimento de busca. Tal probabilidade, conhecida como probabilidade ou regra de transio, pode assumir uma gama de funes estocsticas. No entanto, a maioria dos algoritmos ACO adota a seguinte equao:

(6)

60

Onde, representa uma funo que atribui um valor heurstico a cada componente , tambm conhecida como a informao heurstica da regra de transio.

expressa a quantidade de feromnio presente em um dado componente de soluo, enquanto ( > 0) e ( > 0) representam a importncia relativa do valor de feromnio e da informao heurstica, respectivamente. Em suma, quanto maior a relao entre quantidade de feromnio e informao heurstica, maior a probabilidade de seleo de um determinado componente de soluo. Sobre a regra de transio, vlido ressaltar que a informao heurstica, em verdade, no corresponde a elemento obrigatrio do mtodo ACO, porm sua adoo geralmente resulta em melhores desempenhos do algoritmo (DORIGO e BLUM, 2005). Alm disso, importante observar que vrios podem ser os critrios utilizados para se determinar a informao heurstica, dependendo basicamente do tipo de problema estudado e dos objetivos de otimizao estabelecidos. Tratando-se do problema do caixeiro viajante, por exemplo, costuma-se atribuir = 1 , onde dij expressa a distncia entre as cidades i e j. Nesse caso, quanto maior o valor de dij, menor ser o valor da informao heurstica, tornando esse componente de soluo menos atraente construo de uma soluo vivel. Uma vez construdas as solues, pode-se, opcionalmente, aplicar um procedimento complementar de busca local, objetivando-se aprimorar a qualidade dos resultados obtidos com a aplicao da probabilidade de transio. Apesar de no ser obrigatria, a utilizao de algoritmos de busca local vem apresentando bons resultados experimentais, como demonstram Heinonen e Pettersson (2007), Huang e Liao (2008) e Rossi e Boschi (2009), entre outros. A partir da construo das solues pelos agentes artificiais e o eventual melhoramento das mesmas por meio de alguma tcnica complementar, tem-se incio da etapa de atualizao do modelo de feromnio a partir das solues identificadas. Essa fase tem como objetivos principais valorizar os melhores componentes de soluo atravs de acrscimos em seus valores de feromnio, assim como estimular a explorao de componentes alternativos, uma vez que a evaporao de parte do feromnio depositado faz com que as formigas no tenham suas escolhas prematuramente fixadas, permitindo com que o espao de busca seja melhor analisado e impedindo o aprisionamento dos resultados em regies de mnimos locais.

61

Muitas regras podem ser adotadas para se atualizar modelos de feromnio. No entanto, conforme salientam Dorigo e Blum (2005), a grande maioria das frmulas pode ser extrada da seguinte equao:
= 1 +

(7)

Onde, 0, 1 a taxa de evaporao de feromnio a ser adotada, sendo a grande responsvel pelo feedback negativo do mtodo (diversificao). F(s) representa uma medida qualitativa da funo-objetivo a ser otimizada. Logo, para um problema de minimizao, se f(s) < f(s'), ento F(s) F(s'), , sendo o conjunto de combinaes possveis e viveis entre os componentes de soluo. Ou seja, quanto menor o valor da funo-objetivo de uma soluo s, maior ser sua qualidade (F(s)). O conjunto , na verdade, envolve um grupo de componentes que pode variar, dependendo das especificaes atribudas ao algoritmo. No Sistema de Colnia de Formigas SCF (DORIGO e GAMBARDELLA, 1997), adota-se , onde somente a melhor soluo obtida ao longo de todas as iteraes j efetuadas (sbs) considerada para fins de atualizao da quantidade de feromnio. No Sistema de Formigas MIN-MAX SFMM (STTZLE e HOOS, 2000), por outro lado, alm de se adotar , aplica-se tambm | , circunstncia em que apenas a melhor soluo da iterao atual sofre atualizaes de feromnio. Finalmente, tem-se a etapa de aes complementares, que abrange uma srie de medidas centrais ao mtodo, e que no podem ser executadas individualmente pelas formigas artificiais. Em geral, tais aes incluem algoritmos complementares de busca local e regras especficas de atualizao do modelo de feromnio. Contudo, essa etapa pode contemplar quaisquer outras inovaes tecnolgicas sugeridas ao mtodo ACO desenvolvido. O fluxograma estruturado na Figura 11 apresenta um esquema funcional genrico de um algoritmo ACO, considerando as etapas apresentadas anteriormente. importante observar que as etapas registradas em retngulos com traado intermitente no so obrigatrias. A aplicao de algoritmos de busca local para aprimorar os resultados obtidos com ACO, por exemplo, reflete uma prtica de hibridizao muito utilizada em pesquisas recentes, no consistindo em medida intrnseca ao mtodo. Esse procedimento empregado por alguns trabalhos, inclusive, depois da atualizao do modelo de feromnio, mostrando que

62

a forma como o mesmo explorado pode ser ajustada e experimentada conforme os interesses do pesquisador.
INCIO

Inicializao dos parmetros de sistema

O(s) critrio(s) de parada foi(ram) atingido(s)?

Sim

FIM

No

Posicionamento das formigas no marco inicial [ sp = ( ) ]

Todas as formigas construram seus roteiros (chegaram fonte de comida)?

Sim

Aplicao de procedimento de busca local complementar

No

OU Atualizao global do modelo de feromnio

Cada formiga escolhe uma trajetria com base na regra de transio definida

Implementao de medidas complementares Atualizao local dos valores de feromnio

Figura 11 Fluxograma geral de um algoritmo ACO

63

Maiores detalhamentos sobre a estrutura funcional do mtodo ACO sero discutidos no Captulo 4, onde ser descrito o algoritmo desenvolvido para esta pesquisa. A essa ocasio, sero abordados desde os aspectos funcionais gerais que caracterizam as etapas de atuao da tcnica ACO, at o pseudo-cdigo representativo das principais funes de programao computacional desenvolvidas para a implantao do mtodo nos cenrios de job shop pesquisados. 3. 4. 2. 3 Tendncias de aplicao de ACO em JSSPs

O primeiro estudo que integrou ACO a JSSPs atribudo Colorni et al. (1994), aplicando a verso original do mtodo ACO (Sistema de Formigas) a cenrios do tipo job shop. No entanto, em sua primeira verso, utilizada inicialmente no tratamento de problemas do tipo caixeiro viajante, a tcnica ACO mostrou-se pouco satisfatria resoluo de vrios problemas de otimizao combinatria, impulsionando uma srie de pesquisas inovadoras em prol de melhorias ao mtodo. Nesse contexto, uma gama de variaes do algoritmo original foi desenvolvida, sendo que algumas alcanaram resultados to promissores que acabaram por se distinguirem das demais, recebendo denominaes prprias. Dentre as mais conhecidas, destacam-se o Sistema de Formigas Elitista SFE (DORIGO et al., 1996), o Sistema de Formigas Ranqueado SFR (BULLNHEIMER et al., 1999), o Framework Hipercbico FH (BLUM e DORIGO, 2004), o SFMM e o SCF, ambos j citados e comentados preteritamente. Com base em tais variaes, novas possibilidades de estudo foram identificadas, destacando-se as pesquisas de Blum (2002) e Zhang et al. (2006), em que mtodos inspirados nas variaes SFMM e SCF, respectivamente, foram testados junto a JSSPs. Essas pesquisas revelaram que o desempenho das tcnicas experimentadas muito satisfatrio, inclusive quando comparado a outros algoritmos de otimizao. Apesar de cada variao do mtodo ACO apresentar suas peculiaridades e, naturalmente, ser mais adequada para determinados tipos de problema, Sttzle e Dorigo (2002) esclarecem que as tcnicas que estabelecem nveis positivos mnimos para os valores de feromnio alcanam melhores resultados, pois evitam com que solues zeradas sejam produzidas. Tais mtodos constituem uma classe de algoritmos conhecida por ACO min , sendo que SFMM e SCF fazem parte de tal grupo, constituindo um dos motivos que as tornam duas das tcnicas de ACO mais bem sucedidas na resoluo de JSSPs.

64

No que diz respeito s novas fronteiras de pesquisa envolvendo ACO e JSSP, pode-se observar uma forte tendncia relacionada aos cenrios de JSS analisados. Os estudos mais recentes procuram otimizar ambientes produtivos cada vez mais complexos, especialmente em termos de flexibilidade de roteiros de produo, de replicao de recursos produtivos, da adoo de tempos de setup dependentes e da avaliao de mltiplos critrios de desempenho (FREITAS e VIEIRA, 2009). De acordo com Rossi e Dini (2007), quando as mquinas disponveis em um sistema produtivo so agrupadas segundo funcionalidades anlogas (caractersticas equivalentes de processamento de operaes) e organizadas em paralelo, trata-se de um Flexible Job Shop Scheduling com Parallel Machines (FJSS-PM). Formalmente, um FJSS-PM pode ser definido como n jobs que devem ser processados por m grupos de mquinas, cada um contendo mi recursos paralelos dotados de configuraes operacionais semelhantes (i = 1, 2, ..., m). O valor k = mini = 1, 2, ..., m mi representa o grau da capacidade de paralelizao de um determinado sistema produtivo. Quando os grupos de mquinas envolvidos apresentam o mesmo nmero de equipamentos, ou seja, k = mi, defini-se o cenrio como FJSS-kPM. Retomando o exemplo de JSS apresentado pela Figura 6, pode-se vislumbrar, por meio da Figura 12, como ele poderia ser formulado, caso fossem consideradas as propriedades supracitadas, com especial ateno para a flexibilidade de roteiros produtivos e a disposio de mltiplos recursos de produo em paralelo. Os produtos 1 e 2 apresentam ordens de produo (job 1 e job 2, respectivamente) caracterizadas por quatro operaes que devem ser executadas em quatro grupos de recursos produtivos, de acordo com as restries tecnolgicas existentes. As principais diferenas em relao ao job shop clssico esto relacionadas flexibilidade de roteiros de produo e disposio de mquinas em paralelo. A primeira operao do processo de fabricao do produto 1, por exemplo, pode ser processada pela mquina 1, 2 ou 3, todas pertencentes ao grupo de recursos I, enquanto que a segunda operao s pode ser executada pela mquina 4, 5 ou 6 do grupo de recursos II, e assim por diante, aplicando-se o mesmo raciocnio aos demais n produtos do sistema. Como as possibilidades de alocao e sequenciamento das operaes aumentam consideravelmente, os esforos de programao tornam-se mais complexos, especialmente quanto maior for a quantidade de mquinas compartilhadas em cada grupo de recursos.

65

Job 1

Grupo 1
Mq. 1 Mq. 2 Mq. 3

Grupo 2
Mq. 4 Mq. 5 Mq. 6

Grupo 3
Mq. 7 Mq. 8 Mq. 9

Grupo 4
Mq. 10 Mq. 11 Mq. 12

Produto 1

Job 2

Grupo 2
Mq. 4 Mq. 5 Mq. 6

Grupo 4
Mq. 10 Mq. 11 Mq. 12

Grupo 3
Mq. 7 Mq. 8 Mq. 9

Grupo 1
Mq. 1 Mq. 2 Mq. 3

Produto 2

. . .
Job n

. . .
Produto n

Grupo 4
Mq. 10 Mq. 11 Mq. 12

Grupo 2
Mq. 4 Mq. 5 Mq. 6

Grupo 3
Mq. 7 Mq. 8 Mq. 9

Figura 12 Exemplo esquemtico de um FJSS-3PM

Em relao a tempos de setup, uma srie de aspectos deve ser considerada. Feng et al. (1997), antes mesmo de abordarem dependncia entre tempos de setup, preocupam-se em distinguir atividades de setup internas e externas. Nesse sentido, o setup interno caracteriza as atividades de ajuste dos recursos produtivos (mquinas, ferramentas, materiais, robs, etc.) de forma que os mesmos tornem-se aptos (operacionais) ao processamento de certo lote, produto ou ordem de produo. O setup externo, por sua vez, engloba todas as demais atividades de setup que no caracterizam setup interno, podendo aquelas influenciar ou no as atividades de setup interno. Tratando-se mais particularmente da dependncia entre tempos de setup, Cheng e Chen (1994) esclarecem que tempos de setup devem ser definidos como independentes somente se o tempo necessrio para se ajustar os equipamentos de uma mquina ou grupo de recursos do processamento de um job j para um job k for o mesmo requisitado execuo do job k sem haver precedncia alguma de jobs. Caso contrrio, ou seja, se o tempo de preparao de j para k diferir do tempo de um outro job g para k, ento existe dependncia entre tempos de setup e ela deve ser considerada ocasio da otimizao da programao da produo. Nesse sentido, muitos mtodos de otimizao desenvolvidos nas ltimas dcadas assumem tempos de setup independentes, circunstncia em que os mesmo so automaticamente incorporados aos tempos de processamento, ou irrelevantes, ocasio em que

66

eles so ignorados. Porm, tais abordagens nem sempre representam satisfatoriamente situaes reais de programao da produo. Ambientes produtivos relacionados a atividades de impresso, txteis, qumicas e metalrgicas, por exemplo, apresentam tempos de setup significativos que dependem diretamente da sequncia de operaes executada, no podendo ser negligenciados (RAJENDRAN e ZIEGLER, 2003). Pesquisas como as realizadas em Barros e Moccellin (2004) e Moccellin e Nagano (2007) evidenciam a ateno prestada ao tratamento dos tempos de setup em cenrios de programao da produo. Apesar de ambas as pesquisas abordarem o problema de programao da produo do tipo Flow Shop Permutacional (FSP), o aspecto de maior relevncia a incluso de tempos de setup dependentes na anlise de otimizao dos cenrios abordados. Barros e Moccellin (2004) investigaram a programao de um FSP, considerando tempos de setup assimtricos e dependentes da sequncia de operaes observada. O estudo adota uma lgica de resoluo diferenciada, pois, apesar de ter como medida de desempenho a durao total do programa gerado (makespan), o foco do processo resolutivo a identificao e otimizao do somatrio de tempos de setup, via simulated annealing, do recurso gargalo do sistema verificado. Alm de registrar a flutuao do recurso gargalo ao longo do processo de otimizao, a pesquisa tambm comprovou a complexidade atribuda programao da produo quando observados tempos de setup dependentes. Moccellin e Nagano (2007) efetuam anlise mais abrangente, realizando experimentos computacionais no intuito de avaliar numericamente o grau de equivalncia dos espaos de solues entre o problema de programao da produo de um FSP com tempos de setup e o problema cclico assimtrico do caixeiro viajante. Por meio da anlise supracitada, os autores constataram que, quando se opera com tempos de setup separados dos tempos de processamento em mquina, pode-se calcular um valor de limitante superior do tempo de mquina parada entre sua preparao (setup) e a execuo de uma tarefa. Kim e Brobowski (1997), por sua vez, realizam pesquisa direcionada avaliao dos impactos proporcionados por variaes de tempos de setup dependentes em problemas de programao da produo. Baseados nas pesquisas de Wilbrecht e Prescott (1969) e Deane e Yang (1992), que comprovaram que as implicaes de tempos de setup na performance da programao de produo so maiores do que aquelas provocadas pelos tempos de processamento, especialmente em ambientes com tempos de setup dependentes, os autores investigaram o impacto das variaes de setup no desempenho da programao da produo e de determinadas regras de sequenciamento consideradas, segundo um planejamento fatorial

67

completo aplicado a trs fatores, estruturado da seguinte maneira: variao de setup (cinco nveis), regras de sequenciamento (quatro nveis) e o rigor das datas de entrega (dois nveis). Como resultados da pesquisa, as regras de sequenciamento que consideravam as variaes nos tempos de setup mostraram desempenho estatisticamente superior s demais. De modo geral, a pesquisa demonstra que o desempenho de um ambiente de programao sofre deteriorao medida que variaes de setup so consideradas. Quanto maiores os valores de variao e mais rigorosos os prazos de entrega (caso esses existam e sejam considerados para efeitos de programao), mais importante torna-se a utilizao de regras de sequenciamento adequadas que observem os tempos de setup existentes. Uma vez compreendido o contexto de PCP em que est inserido o problema de programao da produo de job shops e os fatores que contribuem para a complexidade de otimizao dos cenrios de FJSS-UPM analisados por esta pesquisa, e tendo em vista o mtodo ACO como uma tcnica de otimizao da computao natural promissora no tratamento e resoluo desse tipo de problema, pode-se descrever adequada e efetivamente os cenrios de FJSS-UPM investigados pelo projeto, bem como detalhar os princpios funcionais e a lgica de programao computacional do mtodo ACO desenvolvido.

68

4 CENRIO INVESTIGADO E MTODO ACO DESENVOLVIDO Este captulo da pesquisa destina-se descrio do cenrio de JSS investigado, assim como definio e estruturao do algoritmo ACO desenvolvido e experimentado junto ao cenrio especificado. Inicialmente, pretende-se introduzir e apresentar formalmente o problema de Flexible Job Shop Scheduling dotado de recursos produtivos distintos em paralelo (FJSS-UPM) e tempos de setup dependentes, ressaltando suas particularidades e mais relevantes caractersticas. Posteriormente, formaliza-se matematicamente o problema de FJSS-UPM investigado neste projeto, destacando suas restries e variveis de deciso relacionadas aos objetivos de desempenho pr-definidos. Em seguida, discorre-se a respeito dos grafos disjuntivos, ferramenta muito utilizada na representao de problemas de JSS. Nesse contexto, a seo procura esclarecer como tal recurso grfico pode ser adaptado adequadamente modelagem desse tipo de problema de otimizao. A segunda parte do captulo preocupa-se com o mtodo ACO experimentado neste trabalho. Primeiramente, so identificados e explicados alguns aspectos gerais da tcnica ACO desenvolvida, sintetizando sua lgica de programao por meio de um pseudo-cdigo. Depois, aborda-se a escolha da linguagem computacional adotada, bem como so introduzidas e explicadas algumas funes computacionais necessrias e importantes execuo do mtodo. Por ltimo, formula-se um breve exemplo de otimizao de um FJSS-UPM por meio da tcnica ACO, com o intuito de aclarar a representao de um JSSP via grafo disjuntivo e o modo como ocorre o processo de otimizao praticado pelo algoritmo ACO desenvolvido. 4. 1 FJSS-UPM COM TEMPOS DE SETUP DEPENDENTES Como demonstrado na seo anterior, o problema de JSS abordado nesta pesquisa consiste em um dos cenrios mais complexos de programao da produo, uma vez que incorpora a flexibilidade operacional do FJSS e o paralelismo de mquinas distintas inerente ao UPMSS. Cenrios de produo como o FJSS-UPM compem os denominados Sistemas Flexveis de Manufatura (SFM). Um SFM, por sua vez, pode ser interpretado como um sistema de manufatura automatizado, composto por equipamentos ou mquinas

multifuncionais que permitem com que uma determinada tarefa possa ser executada em um ou mais recursos (LEE e KIM, 1999). No entanto, em virtude da ampla variedade de sistemas

69

produtivos observados na prtica fabril dos mais diversos tipos de organizao, torna-se vlido observar outros critrios de caracterizao e classificao de problemas de JSS, alm daqueles j considerados na qualificao do cenrio de pesquisa como FJSS-UPM. Nesse contexto, Jones e Rabelo (1998) destacam cinco diferentes perspectivas de categorizao de problemas de programao da produo, quais seriam: gerao de requerimentos; complexidade de processos; critrio de programao; variabilidade de parmetros; e ambiente de programao. Tendo em vista tais indicadores, pode-se dizer que o FJSS-UPM pesquisado dotado de parmetros de configurao atribudos probabilisticamente, sendo experimentado em ambientes estticos (onde todas as ordens de produo a serem agendadas so conhecidas previamente e encontram-se prontas para programao desde o incio da respectiva atividade), e avaliado segundo o makespan e o tempo computacional. Sob uma tica formal e matemtica, o FJSS-UPM tratado nesta pesquisa pode ser caracterizado da seguinte maneira (CHEN, 1997; LEE e KIM, 1999; ZHANG et al., 2006; HEINONEN e PETTERSSON, 2007; ROSSI e DINI, 2007; ESSAFI et al., 2008; PINEDO, 2008; XING et al., 2009; ROSSI e BOSCHI, 2009): Um conjunto de n jobs, sendo J = {J1, ..., Jn}; Um conjunto de m grupos de recursos produtivos (estaes de trabalho), sendo que cada grupo i (i = 1, 2, ..., m) contem mi mquinas diferentes entre si, em paralelo; Cada job j composto por uma sequncia pr-ordenada de rj m operaes, de modo que uj,r representa a r-sima operao do job j. Quando h um estgio de processamento a ser executado em uma determinada mquina h de i, aquele passa a ser identificado como ui,h,j,r, tal que o conjunto de operaes de um sistema O = {ui,h,j,r |i [1,m], h [1,mi], j [1,n], r [1,rj]}; Cada operao ui,h,j,r apresenta um tempo de processamento no-negativo pi,h,j,r > 0, o qual pode ser diferente de um outro tempo de processamento pi,h,k,l, uma vez que a mquina h de i apresenta uma velocidade vi,h de processamento distinta, dependendo do job por ela executado. Iniciado o processamento de ui,h,j,r, o mesmo no pode ser interrompido e no pode haver processamento simultneo de outra operao no recurso h. Alm disso, a operao uj,r+1 no pode ser iniciada at que uj,r tenha sido finalizada; De maneira complementar, somente um job pode ser processado, a cada unidade de tempo, em uma determinada mquina h de i. Logo, iniciado o processamento do job

70

j em uma mquina h do grupo i, no pode haver um job k tambm em execuo em h, sendo k j; Se uma relao de precedncia uv,z,j,r uf,s,j,l existir, significa que as operaes uv,z,j,r e uf,s,j,l pertencem ao mesmo job j, sendo que no h grupo de mquinas e que no seja v ou f, tal que a relao uv,z,j,r ue,g,j,l ou ue,g,j,r uf,s,j,l exista. Assim, uma vez identificada a relao uv,z,j,r uf,s,j,l, pode-se afirmar que uf,s,j,l uma operao que imediatamente sucede uv,z,j,r, de modo que uf,s,j,l = r + 1; Cada operao uj,r apresenta tempos de incio e trmino definidos, respectivamente, por st(uj,r) e et(uj,r); e Para cada mquina do grupo i de recursos produtivos, atribudo um valor de setup si,h,k,j relacionado ao tempo de preparao da mquina h de i para o processamento do job j, quando a relao ui,h,k,l ui,h,j,r observada, ou seja, quando uma operao do job j sucede imediatamente uma operao do job k em um recurso h de i. Se ui,h,j,r representar a primeira operao a ser executada em i, atribui-se um valor de setup si,h,0,j, que nada mais significa do que o tempo de preparao da mquina h de i para o processamento do job j, quando no h relao de precedncia com outro job, ou seja, quando no h operao de outro job k que tenha sido executada em h antes do job j. No que diz respeito aos grupos de mquinas disponveis, define-se k = mini = 1, ..., m mi como sendo o grau de paralelizao do sistema, de acordo com as seguintes equaes:

=
=1

(8)

= ;

, = 1, 2, , ;

(9)

Sendo que M representa o conjunto de todas as mquinas do sistema analisado e Ga e Gb significam dois grupos quaisquer de recursos produtivos disponveis. Assim, pode-se dizer que, em uma situao onde so observados trs grupos de mquinas em paralelo e o conjunto com menor nmero de equipamentos conta com dois recursos produtivos, a capacidade de paralelizao do sistema de duas mquinas. Lee e Kim (1999) afirmam que, como um cenrio de FJSS-UPM pode ser visto como uma verso generalizada do problema de FJSS, esse, portanto, pode ser interpretado como um caso particular daquele, onde cada grupo de recursos apresenta somente uma mquina disponvel para processamento (k = 1).

71

Uma das formas mais utilizadas de representao de JSSPs a notao / / , desenvolvida por Graham et al. (1979), onde representa o cenrio produtivo considerado, expressa as relaes de precedncia existentes, e indica os objetivos de desempenho avaliados. Rossi e Boschi (2007), por exemplo, realizam uma pesquisa voltada a problemas do tipo FJSS-PM / prec / Cmax, modelo este que significa um cenrio de FJSS-PM com relaes de precedncia lineares (prec), tendo como critrio de eficincia o makespan (Cmax). Conway et al. (1967) apontam um esquema de representao com informaes mais explcitas a respeito do cenrio estudado, cuja notao A / B / C / D expressa: A o nmero de jobs considerados; B a quantidade de mquinas disponveis; C as regras de precedncia existentes; e D o(s) objetivo(s) de desempenho mensurado(s). Diante das premissas registradas anteriormente, pode-se refinar o objeto de estudo desta pesquisa como sendo um problema de FJSS-UPM, cujos grupos de recursos possuem mquinas com capacidades e caractersticas tecnolgicas dspares uma das outras, sendo considerados tempos de setup internos e dependentes das relaes de precedncia entre produtos. Adotando-se as notaes previamente discutidas, pode-se representar o problema de programao da produo estudado como sendo um FJSS-UPM / si,h,k,j; prec / Cmax, ou seja, dotado de roteiros flexveis e mquinas diferentes dispostas em paralelo (FJSS-UPM), com relaes de precedncia lineares (prec) orientadas por tempos de setup dependentes (si,h,k,j), avaliados segundo o mximo tempo total de processamento (Cmax), alm do tempo computacional necessrio otimizao dos jobs programados. Em se tratando de makspan, Seda (2007) esclarece que o mesmo corresponde ao tempo total C transcorrido entre a primeira e a ltima operaes programadas de um job. Logo, quando se determinada que um dos indicadores de desempenho mensurados Cmax, significa dizer que ser avaliado o mximo valor C do ltimo job programado de um sistema. Pretende-se, pois, minimizar o tempo total mximo de processamento dos jobs de um ambiente produtivo, e no dos valores individuais de C de cada job programado. Posto o cenrio de programao da produo a ser otimizado, bem como os critrios de desempenho pretendidos, pode-se modelar formal e matematicamente o FJSS-UPM a ser otimizado por meio desta pesquisa. 4. 1. 1 Modelo matemtico de FJSS-UPM De acordo com Fattahi et al. (2007), Saidi-Mehrabad e Fattahi (2007) e Huang e Yang (2008), problemas de otimizao combinatria como o FJSS-UPM podem ser modelados

72

como problemas de programao inteira mista, conforme estruturado nas equaes apresentadas a seguir. O modelo descrito tem como aspectos mais importantes a flexibilidade de agendamento das operaes, os tempos de setup dependentes e o critrio de desempenho estabelecido (makespan), sendo baseado nos trabalhos supracitados e em Chen (1997), Singer e Pinedo (1998), Yi e Wang (2003), Artigues e Feillet (2008) e Choi e Lee (2009).
,, , = 1 se , pode ser processada na mquina de 0 caso contrrio 1 se a mquina de for selecionada para processar , 0 caso contrrio 1 se ,, , preceder imediatamente ,,, 0 caso contrrio

,, , =

,, ,,, =

n nmero de jobs do sistema; m nmero de grupos de recursos produtivos (mquinas) do sistema; si,h,k,j tempo de setup na mquina h de i, do job k para o job j; pi,h,j,r tempo de processamento da operao ui,h,j,r; vi,h,j,r velocidade de processamento do job j na mquina h de i; qtdej volume de produo designado pelo job j; ai,h,j,r ndice sinalizador da capacidade tecnolgica da mquina h de i, em processar uj,r; relj data de lanamento do job j na programao; e M um nmero muito grande. Uma vez registrados os parmetros e valores de referncia a serem aplicados no modelo, formula-se a funo-objetivo a ser minimizada, alm de se listarem as restries que caracterizam o problema estudado:
Minimizar Sujeito a: = ,, ,, , = = 1, 2, . . . , ; = 1, 2, , ; = 1, 2, , ; = 1, 2, , (10) = =
, , ,

,,

,, ,

= 1, 2, . . . , ; = 1, . . . ,

= 1, 2, , ; (11)

73

,, , + ,, , ,, ,

= 1, . . . , ; = 1, 2, ,

= 1, . . . , ;

= 1, . . . , ; (12) (13) = 1, . . . , ; = 1, . . . , ; (14)

, ,+1

= 1, 2, , ;

= 1, 2, , 1 = 0, . . . , ; = 1, . . . , ;

, + ,, , + ,, , , + 1 ,, ,,,

= 1, . . . , ; = 1, 2, , , + ,, , ,+1 + 1 ,,,, ,+1 = 1, . . . , ; = 1, . . . , ; ,, , ,, , ,, , = 1

= 0, . . . , ; = 1, . . . , ; (15) (16) (17) = 1, 2, , = 1, 2, ,

= 1, . . . , 1;

= 1, . . . , ; = 0, 1, . . . , ;

= 0, . . . , ; = 1, . . . , ;

= 1, . . . , ; = 1, 2, ,

,, ,,, = ,,,

= 1, . . . , ; = 1, 2, ,

= 1, . . . , ;

= 1, . . . , ; (18)

,, ,,, = ,, ,

= 1, . . . , ; = 1, 2, ,

= 0, 1, . . . , ;

= 1, . . . , ; (19) (20)

, ,,0, , , 0 , 0 ,, ,, , = 0

, = 1, . . . , ; = 0, 1, . . . , ; = 0, 1, . . . , ; = 1, . . . , ; = 1, 2, , = 1, . . . , = 1, . . . , = 1, . . . , = 0, 1, . . . , ; = 1, . . . , ;

(21) (22) (23)

(24) = 0, 1, . . . , ; = 0, 1, . . . , ; = 1, 2, , = 1, . . . , ; = 1, . . . , ; = 1, 2, , = 1, . . . , ; (26) (25)

,, , 0,1 ,, ,,, 0,1

= 1, . . . , ; = 1, . . . , ; = 1, . . . , ;

74

Analisando-se o modelo estruturado, observa-se que a restrio (10) responsvel pela definio do makespan (Cmax). O tempo de execuo de uma operao ui,h,j,r estabelecido com base na velocidade de processamento da mquina h de i, conforme salienta a restrio (11). As restries (12) e (13), por sua vez, garantem com que cada job do sistema siga sua respectiva sequncia de operaes. As restries (14) e (15), por outro lado, limitam o processamento de cada recurso produtivo a somente uma operao por vez, considerando os eventuais tempos de setup necessrios. A restrio (16) exige com que a mquina a executar uma operao uj,r seja escolhida a partir dos recursos capazes de faz-lo, ou seja, dentre as mquinas do grupo de recursos apto a desempenhar a operao uj,r. A restrio (17) complementa a anterior, restringindo a seleo de somente uma mquina dentre as viveis, para o processamento de uj,r. As restries (18) e (19), no entanto, asseguram permutaes circulares de operaes para cada grupo de mquinas presente no sistema, ou seja, permitem sequncias de operaes programadas para um mesmo conjunto de recursos produtivos considerado. Finalmente, abordam-se as restries (20) e (21), que garantem com que os tempos de incio das operaes de um job j no sejam inferiores aos tempos de setup deste job, quando no for observada relao de precedncia alguma com outro job k, e s datas de lanamento do job j para processamento. Vale frisar que as duas ltimas restries, de fato, complementam-se e acabam estabelecendo limites mnimos aos tempos de incio das operaes de um sistema. As demais restries, de (22) a (26), encarregam-se, basicamente, do estabelecimento da nonegatividade de determinados parmetros do modelo. Compreendido, classificado e modelado matematicamente o cenrio de FJSS-UPM analisado por esta pesquisa, torna-se importante represent-lo de forma inteligvel e que seja til ao processo de otimizao pelo mtodo ACO, conjuntura em que se torna importante conhecer um pouco mais sobre grafos disjuntivos e sua participao na resoluo de problemas de otimizao combinatria, especialmente de programao da produo. 4. 1. 2 Grafos Disjuntivos O Grafo Disjuntivo (GD), originalmente proposto por Roy e Sussman (1964), um dos modelos mais utilizados na representao de problemas do tipo JSS, sendo esse, por sua vez, um dos mais pesquisados no que diz respeito a cenrios de programao da produo (BLAZEWICZ et al., 2000). Ainda segundo Roy e Sussman (1964) e Heinonen e Pettersson (2007), um GD, em sua concepo clssica, consiste em um grafo direcionado G = (V, C, D),

75

onde V expressa o conjunto de operaes do sistema, C representa o conjunto de arcos direcionados (relaes de precedncia entre duas operaes de um mesmo job), e D significa um conjunto de arcos disjuntivos no-direcionados (conexo entre operaes de jobs distintos, que devem ser processadas na mesma mquina ou conjunto de mquinas). Nesse contexto, o JSSP tem como soluo tima uma determinada sequncia de operaes que, processada atravs das mquinas disponveis, direcione os arcos disjuntivos do grafo de modo acclico (sem loops), apresentando o menor caminho entre a tarefa inicial T0 e a operao final T(n+1). Em suma, trata-se de direcionar os arcos disjuntivos nodirecionados, de forma que a maior trajetria de T0 a T(n+1) seja a mnima possvel. Vale ressaltar que as operaes T0 e T(n+1) so inseridas apenas para demarcar pontos de incio e trmino do sistema como um todo, sendo denominadas tarefas burras, pois no interferem na dinmica produtiva de um job shop. Matematicamente, os trs componentes de um GD (V, C, D) podem ser definidos da seguinte maneira (ZHANG et al., 2006): = + : onde, O representa o conjunto de todas as operaes do sistema, e T0 e T(n+1) so as operaes burras, adicionadas como artifcios do GD; = , + | + , , , |

, + | : onde, Tjr Tjr+1 caracteriza a relao de precedncia entre as operaes, sendo que Tjr precede Tjr+1. n o nmero de jobs do sistema, enquanto m o nmero de operaes. Tj1, portanto, significa a primeira operao de cada job, enquanto Tjm a ltima tarefa de cada job; e = , | , , .

Um fator importante em se tratando de GDs o critrio adotado para estabelecer as distncias de seus arcos. Quando se investiga JSSPs, usualmente aplica-se o tempo de processamento de uma operao (pi,h,j,r) como parmetro de relevncia dos arcos. Vale frisar que os arcos vinculados aos ns burros do sistema (T0, T(n+1)) no possuem relevncia alguma, pois, caso contrrio, influenciariam na representao de um JSS. Logo, p0 = p(n+1) = 0. Pode-se vislumbrar um exemplo de GD por meio da Figura 13. Adotando-se o esquema taxonmico sugerido por Conway et al. (1967), a Figura 13 traz um 3 / 4 / prec / Cmax JSSP. No exemplo dado, os ns 0 e 13 so os burros, sinalizando apenas o incio e

76

trmino do sistema. Cada linha do grafo modela as operaes de um determinado job. A notao (a, b, c) representa a mquina onde certa operao pode ser processada (a), o job a qual pertence (b) e sua r-sima operao a ser executada (c), respectivamente. Assim, pode-se dizer que as operaes 1, 6 e 9 devem ser processadas pela mquina 1, enquanto as operaes 4, 8 e 12, por sua vez, devem ser realizadas pela mquina 4, e assim sucessivamente. importante observar que o nmero mximo de ns para um problema com n jobs e m mquinas corresponde a = + 2, onde o valor 2 refere-se aos ns burros do sistema. Graficamente, os arcos de traado slido expressam as relaes de precedncia linear entre as operaes de um mesmo job (arcos direcionados). Os arcos com traados diferenciados representam, na verdade, os arcos disjuntivos no-direcionados do grafo, correspondendo s operaes que devem ser desempenhadas pelas mesmas mquinas, ou seja, tarefas que concorrem pelos mesmos recursos produtivos.
O(1,1,1)
1 2

O(2,1,2)
3

O(3,1,3)
4

O(4,1,4)

Job1
O(3,2,1)
0 5 6

Job2

O(1,2,2)
7

O(2,2,3)
8

O(4,2,4)
13

Job3
9 10 11 12

O(1,3,1)

O(2,3,2)

O(3,3,3)

O(4,3,4)

Figura 13 Grafo disjuntivo de um 3 / 4 / prec / Cmax JSSP

Rossi e Dini (2007) propem uma notao alternativa para GDs, quando voltados a problemas de FJSS-PM. Nesse sentido, um GD passa a ser designado como GDFJSS-PM = (V, C, Di,h), onde o novo elemento Di,h representa o conjunto de arcos disjuntivos entre operaes que devem ser processadas em uma mquina h (h = 1, . . ., mi) de um mesmo grupo de recursos i (i = 1, . . ., m). A definio de GD sugerida pelos autores programao de um FJSS-PM pode ser facilmente adaptada representao de um FJSS-UPM. Em termos grficos, um problema de FJSS-UPM poderia ser representado de modo anlogo ao exemplo da Figura 13, conforme ilustra a Figura 14. No obstante, considerandose um caso de FJSS-UPM com k = 2, a diferena entre os grafos apresentados pela Figura 13 e pela Figura 14 reside na quantidade de arcos disjuntivos conectando operaes de jobs

77

distintos. Em verdade, cada arco disjuntivo que liga um par de operaes ao mesmo grupo de recursos i, por exemplo, deve ser replicado mi vezes entre as tarefas envolvidas, indicando a existncia de um grupo i com mi mquinas diferentes, todas elas capazes de processar as operaes interligadas pelos arcos em questo.
O(1,1,1)
1 2

O(2,1,2)
3

O(3,1,3)
4

O(4,1,4)

Job1
O(3,2,1)
0 5 6

Job2

O(1,2,2)
7

O(2,2,3)
8

O(4,2,4)
13

Job3
9 10 11 12

O(1,3,1)

O(2,3,2)

O(3,3,3)

O(4,3,4)

Figura 14 Grafo disjuntivo representativo de um FJSS-UPM com k = 2

No exemplo da Figura 14, cada arco repetido na cor azul expressa uma determinada mquina do grupo disponvel para alocao das operaes. Assim, levando-se em considerao as operaes 2, 7 e 10, pode-se afirmar que elas compartilham dois recursos produtivos distintos capazes de process-las, sendo um representado pelos arcos em preto e o outro indicado pelos arcos em azul. As operaes 3, 5 e 11, por outro lado, tambm podem ser processadas por duas mquinas, sendo uma sinalizada pelos arcos de cor preta e a outra apontada pelos arcos em azul, e assim por diante. Apesar do GD ser largamente utilizado na representao de problemas de JSS, ele revela-se particularmente propcio atuao do mtodo ACO, uma vez que sua estrutura de arcos e ns adapta-se adequada e promissoramente dinmica de movimentao das formigas artificiais atravs do espao de busca de um determinado problema. No entanto, antes de se demonstrar como ocorre tal acomodao entre GD e ACO, importante entender como o algoritmo desta pesquisa foi desenvolvido, partindo-se desde sua concepo terica at as funes computacionais responsveis por seu funcionamento. 4. 2 MTODO ACO DESENVOLVIDO Para que se compreenda corretamente o modo como o mtodo ACO desenvolvido nesta pesquisa opera na otimizao de um JSSP, necessrio vislumbrar trs pontos bsicos

78

acerca de sua estruturao, quais seriam: os aspectos gerais que correlacionam a teoria sobre colnia de formigas ao algoritmo elaborado; as etapas de atuao do mtodo, devidamente elencadas e representadas por um pseudo-cdigo; e os principais mdulos e funes computacionais responsveis por traduzir as diretrizes tericas do mtodo ACO para uma linguagem computacional passvel de experimentao e anlise. Alm disso, um exemplo de otimizao de um FJSS-UPM via ACO apresentado, objetivando ilustrar como a tcnica em questo desempenha sua proposta de resoluo sobre esse tipo de problema de otimizao combinatria. 4. 2. 1 Aspectos gerais do algoritmo O mtodo ACO, como discutido ao longo da reviso de literatura apresentada anteriormente, sofreu uma srie de transformaes e adaptaes desde sua verso original, resultando no desenvolvimento de variaes progressivamente melhores. Segundo Dorigo e Sttzle (2004), tais modificaes envolvem, basicamente, os seguintes aspectos: a forma como o modelo de feromnio estruturado; que informao heurstica utilizada na movimentao dos agentes; qual o tipo de algoritmo ACO explorado; e se h ou no a aplicao de algum procedimento complementar de busca local. Ainda de acordo com os autores supracitados, esses aspectos gerais capazes de distinguir diferentes variaes da metaheurstica ACO podem ser devidamente abordados e esclarecidos em funo de oito fatores caractersticos de qualquer algoritmo ACO, quais seriam: criao do grafo representativo do espao de busca; definio das restries do problema; caracterizao do modelo de feromnio adotado; seleo da informao heurstica; construo de solues viveis; atualizao dos valores de feromnio; aplicao eventual de procedimentos de busca local; e definio de caractersticas peculiares ao mtodo. 4. 2. 1. 1 Grafo representativo do espao de busca

O grafo representativo do espao de busca, no caso de problemas de JSS, constitudo por um conjunto de ns que correspondem, na verdade, s operaes de um determinado sistema. Logo, cada n de um grafo equivale a uma operao de certo job a ser processado. A Figura 15 traz um exemplo de grafo referente a um JSSP com dois jobs, cada um apresentando trs estgios de processamento. Observando o grafo da Figura 15, possvel constatar que o mesmo composto, exatamente, por seis ns (trs ns relacionados s

79

respectivas operaes de cada job) mais dois ns burros (representando apenas o incio e o trmino do sistema, ou seja, o ninho e a fonte de alimento das formigas artificiais).
1 Estgio de Processamento
1

2 Estgio de Processamento
2

3 Estgio de Processamento
3

Job1

Job1

I
Job2
4 5 6

F
Job2

Figura 15 Exemplo do grafo de um JSS com dois jobs e trs estgios de processamento

Primeiramente, vlido ressaltar que as linhas com traado intermitente representam as possibilidades de movimentao do agente de busca. Os ns 1, 2 e 3 representam as trs operaes do job 1, enquanto os ns 4, 5 e 6, por sua vez, significam os trs estgios de processamento do job 2. Um programa de produo finalizado quando uma formiga artificial percorre, uma nica vez, todos os ns do grafo, at chegar fonte de alimento, respeitando as restries impostas sua movimentao atravs do grafo. Em cenrios de FJSS-UPM, cada n, em verdade, no representa uma operao a ser processada, mas sim uma possibilidade de execuo de uma operao dentre as mi mquinas que constituem um grupo i de recursos produtivos. Para efeitos de programao do algoritmo, foi criada uma entidade computacional denominada workticket, a qual incorpora todas as informaes necessrias identificao de qual mquina c, de um determinado grupo de mquinas t, est sendo utilizada para desempenhar um estgio de processamento d de um job j. A Figura 16 ilustra como identificar corretamente as informaes guardadas pelos worktickets (a), alm de indicar a disposio deles como ns de um grafo de espao de busca (b). O exemplo apresentado pela Figura 16 retoma parcialmente o FJSS-3PM da Figura 12. Considerando a estrutura produtiva do job 2, destacam-se os worktickets originados a partir de cada possibilidade de processamento da sua primeira operao no conjunto de mquinas capacitado para a atividade (Grupo 2). Supondo-se um cenrio em que seja programada somente a produo do job 2, cada n do grafo representa um workticket, e no um estgio de processamento.

80

Job 2

Grupo 2
Mq. 1 Mq. 2 Mq. 3

Grupo 4
Mq. 1 Mq. 2 Mq. 3

Grupo 3
Mq. 1 Mq. 2 Mq. 3

Grupo 1
Mq. 1 Mq. 2 Mq. 3

Produto 2

WT WT WT
2,1,2,2

Grupo de mquinas (t)

WT2,1,2,1
1

2,1,2,1

Mquina (c)
WT2,1,2,2

. . . . . . . . .
F

Estgio de processamento (d) Job (j)

Job2

WT2,1,2,3
3

2,1,2,3

(a) Informaes de um WorkTicket

AAAAAAAAAAAAAAAAA

(b) Representao dos ns de um grafo de espao de busca

Figura 16 Identificao de informaes (a) e representao de worktickets como ns de um grafo (b)

Com base no exemplo da Figura 16, vislumbra-se que todos os grupos de mquinas envolvidos contam com a mesma quantidade de recursos em paralelo, neste caso, k = 3. Logo, pode-se afirmar que, para cada estgio de processamento do job 2, existir um determinado conjunto de mquinas apto a desempenhar tal operao, de modo que um nmero constante de trs recursos distintos em paralelo sero capazes de faz-lo. No entanto, vlido frisar que tal condio de paralelizao (k invarivel para todos os grupos de mquinas) trata-se de uma caracterstica peculiar atribuda aos cenrios investigados nesta pesquisa, no intuito de reduzir o grau de complexidade de otimizao dos problemas analisados. De fato, cenrios mais representativos da realidade produtiva de manufatura tendem a apresentar valores diferentes de k para cada grupo de mquinas disponvel, ou seja, para cada estgio de processamento, h uma quantidade desigual de recursos distintos em paralelo capazes de processar tal operao (k varivel para os conjuntos de mquinas). Apesar do algoritmo desenvolvido neste projeto estar preparado para otimizar cenrios de FJSS dessa ordem, optou-se por estudar problemas com valores constantes de k, pelos motivos j mencionados no pargrafo anterior. Como possvel observar e perceber intuitivamente, o grafo do mtodo ACO assemelha-se, naturalmente, ao GD, sinalizando a adequabilidade desse dinmica de otimizao da tcnica ACO. Nesse sentido, compreender o que so os worktickets e quais informaes podem ser resgatadas por meio deles importante para o desenvolvimento do

81

algoritmo ACO e para a resoluo dos cenrios de FJSS-UPM investigados, uma vez que os ns dos GDs representativos dos problemas otimizados correspondem exatamente a cada workticket originado pelo sistema. 4. 2. 1. 2 Restries do problema

Existem, segundo Zhang et al. (2006), basicamente duas classes de restries que devem ser respeitadas em um problema de JSS. As restries de precedncia operacional, que nada mais estabelecem do que uma sequncia pr-determinada por meio da qual as operaes de um dado job devem ser processadas de modo ininterrupto e no-concomitante com demais operaes; e as restries de processamento das mquinas, que asseguram com que somente um nico job seja processado, por cada recurso produtivo, a cada perodo considerado. As restries impostas ao problema de FJSS-UPM abordado seguem as mesmas diretrizes de Zhang et al. (2006). Logo, foram estabelecidas restries de precedncia operacional entre os estgios de processamento de cada job, assim como foram delineadas as restries de processamento das mquinas. No entanto, vlido ressaltar que as restries de maquinrio foram configuradas de modo que mais de um job possa ser processado, simultaneamente, pelo mesmo grupo de recursos produtivos, mas no pela mesma mquina. Isso quer dizer que, se dois jobs j e k apresentarem operaes em um mesmo grupo de recursos t, essas podero ser processadas simultaneamente naquele grupo, porm no pelo mesmo recurso produtivo. Outra importante restrio incorporada pelo modelo matemtico do problema e igualmente observada pelo mtodo ACO a existncia de tempos de setup dependentes entre diferentes jobs processados. Se uma operao do job j for processada em uma mquina h, depois de h ter executado uma operao pertinente a outro job k, deve ser considerado um tempo de setup necessrio preparao do recurso h para o processamento do job j, sendo que o tempo observado varia conforme a relao entre jobs verificada. Nesse sentido, vlido elucidar uma peculiaridade atribuda aos jobs desta pesquisa. Em um ambiente produtivo real, uma mesma ordem de produo pode determinar diferentes quantidades de produtos distintos a serem produzidos. Em outras palavras, um nico job pode estabelecer a produo de 50 unidades do produto A e 25 unidades do produto B, por exemplo. No entanto, essa possibilidade, para efeitos de pesquisa e experimentao computacional, traria grandes dificuldades otimizao de um cenrio de FJSS-UPM. Assim, optou-se por estabelecer no mais do que um produto por job. Diante dessa iniciativa, pode-se

82

afirmar que os tempos de setup dependentes entre jobs tambm so dependentes entre produtos, uma vez que cada job representa um nico item a ser produzido. 4. 2. 1. 3 Modelo de feromnio adotado

Existem diferentes maneiras de se configurar a participao do modelo de feromnio no processo de otimizao de um mtodo ACO. No caso do algoritmo desenvolvido nesta pesquisa, os valores de feromnio procuram indicar o quo favorvel construo de uma soluo vivel tima um determinado caminho do grafo a ser pesquisado pelas formigas artificiais, tendo como referncia as passagens de outras formigas, por ali j realizadas. Tendo como a quantidade de feromnio depositada no arco que liga o n i ao n j, pode-se dizer que, quanto maior o valor de , mais desejvel ao deslocamento de uma formiga o arco entre i e j, conforme esclarece a Figura 17.

?
i i k

Figura 17 Influncia do feromnio na atuao das formigas artificiais

Imaginando-se os ns i, j e k como worktickets de um sistema e considerando que a espessura dos arcos entre eles equivale quantidade de feromnio depositada naquela trajetria, pode-se afirmar que, do ponto de vista do modelo de feromnio, o agendamento do recurso correspondente ao n j aps i mais promissor do que o workticket k. A informao transmitida pelos valores de feromnio, juntamente com a informao heurstica do algoritmo, influenciam diretamente na movimentao das formigas artificiais em busca da melhor soluo para o problema estudado. 4. 2. 1. 4 Informao heurstica utilizada

A informao heurstica, como explicado anteriormente, no de utilizao obrigatria em mtodos ACO. No entanto, sua aplicao recomendada, sendo, portanto,

83

adotada neste projeto. No que diz respeito ao critrio da informao heurstica, vrias so as possibilidades para problemas de JSS. A primeira aplicao do mtodo ACO ao problema de JSS (COLORNI et al., 1994), por exemplo, utilizou como parmetro da informao heurstica o maior tempo de processamento restante de cada job (

= maior tempo de

processamento restante ). Logo, quanto maior fosse o tempo de processamento restante para a finalizao de um determinado job j, mais promissora seria sua informao heurstica. No caso desta pesquisa, a informao heurstica foi atrelada diretamente avaliao da funo-objetivo atribuda ao problema otimizado. medida que uma formiga caminha pelo grafo representativo do espao de busca e ocupa um determinado n (agenda certo workticket do sistema), novas possibilidades de movimentao tornam-se viveis. Cada provvel n a ser visitado pelo agente artificial tem sua informao heurstica calculada de modo inversamente proporcional ao makespan obtido, caso o workticket em questo seja efetivamente escolhido pela formiga, conforme elucida a Equao (27).
=

(27)

Logo, pode-se afirmar que, quanto maior o makespan parcial resultante da seleo de um dado n do grafo, menos atraente sob a tica heurstica torna-se o workticket analisado. importante esclarecer que a informao heurstica, por si s, no determina a escolha de um determinado workticket para agendamento. Trata-se de apenas uma das informaes relevantes tomada de deciso das formigas ao longo de suas movimentaes. A escolha da operao seguinte a ser executada ser definida, de fato, a partir da interpretao conjunta da informao heurstica, da quantidade de feromnio depositada na trajetria at o respectivo n observado e das restries apresentadas pelo problema. 4. 2. 1. 5 Construo de solues viveis

A construo de uma soluo vivel por uma formiga artificial representa, em verdade, a gerao de um programa de produo completo envolvendo os jobs de um sistema. Todos os agentes, no incio do processo de otimizao, so colocados no n inicial do grafo do problema estudado (ninho). A misso das formigas, nesse contexto, identificar o melhor caminho para se chegar a uma fonte de alimentos de boa qualidade, ou seja, agendar todas as operaes do sistema, de forma que os indicadores de desempenho dimensionados apresentem valores timos ou localizados na regio de otimalidade.

84

Para que cada formiga realize sua jornada atravs dos worktickets gerados pelo sistema e representados pelos ns do GD, foram criadas trs listas distintas, cada uma com um tipo de informao especfica e importante orientao das formigas. A lista Gp composta por todos os ns (worktickets) ainda no visitados por um agente artificial. A lista Sp, por sua vez, contem os ns passveis de visitao na prxima iterao do mtodo. A terceira lista, intitulada tabup, armazena todos os worktickets j agendados por uma formiga. Em outras palavras, a lista tabup apresenta todos os ns pelos quais uma determinada formiga j passou, representando a construo parcial de um programa de produo, conforme ilustra a Figura 18.
WT1,1,3,1
1 2

WT1,2,2,1
3

WT1,3,1,1

tabup = { } Job1

tabup = { WT1,1,3,1

WT1,2,2,2

WT1,3,1,1
4 5 6

WT1,1,3,2

WT1,2,2,2

WT1,3,1,2

Figura 18 Construo de uma soluo vivel e a construo da lista tabuk

A Figura 18 deixa claro que a movimentao de uma formiga atravs dos ns de um GD significa o agendamento das operaes e recursos por eles representados, ou seja, dos respectivos worktickets. Todo agente inicia sua jornada com tabup = . Com o passar do tempo e a visitao dos worktickets do grafo, a lista tabup vai sendo constituda pelos ns visitados, fato que exprime dois significados: primeiro, que, uma vez presente na lista tabup, um determinado workticket no pode ser visitado novamente por aquele agente, naquela jornada (naquele programa de produo definido); segundo, que a ordem de visitao dos ns do grafo corresponde exatamente sequncia de registro dos respectivos worktickets na lista tabup, sendo que essa, por outro lado, pode ser traduzida como o prprio sequenciamento da produo. Para o exemplo da Figura 18, pode-se afirmar que o programa gerado estabelece que o primeiro estgio de processamento do job 1 seja desempenhado pela mquina 1 do grupo de recursos 3. Posteriormente, deve-se executar a segunda operao do job 1 na mquina 2 do grupo de recursos 2. Por ltimo, agenda-se o terceiro estgio de processamento do job 1 mquina 1 do grupo de recursos 1, finalizando-se o programa de produo para um nico job.

85

Logo, a ordem em que os worktickets so registrados na lista tabup a prpria sequncia em que devem ser processados. No entanto, a movimentao das formigas que determina quais ns de um grafo sero visitados ou no. Como explicado outrora, as formigas artificiais tm seus deslocamentos orientados segundo uma regra ou probabilidade de transio, formulada a partir de dois componentes bsicos: a informao heurstica e a quantidade de feromnio identificadas em um determinado caminho do grafo. Antes, contudo, de se calcular a probabilidade de transio de um determinado arco do grafo, deve-se restringir o esforo computacional para somente os worktickets viveis em uma determinada iterao. Nesse contexto, as restries de precedncia operacional e de processamento das mquinas atuam como parmetros proibitivos para a gerao de worktickets candidatos visitao na prxima iterao. A cada movimento efetuado por uma formiga, um conjunto de ns do GD selecionado para compor a lista Sp, a qual representa todos os worktickets viveis para agendamento em uma determinada iterao, obedecendo-se todas as restries aplicadas ao processo de otimizao. Percebe-se que, dentre as trs listas criadas para o funcionamento do mtodo (Gp, Sp e tabup), a lista Sp a nica de natureza efetivamente dinmica, uma vez que seus membros so adicionados e excludos continuamente durante a viagem de um agente artificial. As listas Gp e tabup, por sua vez, tm seus elementos apenas excludos e adicionados, respectivamente.
WT1,1,3,1
1 2

WT1,2,2,1
3

WT1,3,1,1
1

WT1,1,3,1
2

WT1,2,2,1
3

WT1,3,1,1

WT1,1,3,2

WT1,2,2,2

WT1,3,1,2
AAAAAAAAAAAAAAAAAAAAAAAAAAAAA

WT1,1,3,2

WT1,2,2,2

WT1,3,1,2

(a) Restries de precedncia operacional

(b) Restries de processamento de mquinas

Figura 19 Violao de restries operacionais (a) e restries de processamento de mquinas (b)

Retomando o exemplo da Figura 18, pode-se vislumbrar na Figura 19 duas situaes tpicas de violao de restries operacionais e de processamento. Na Figura 19(a), acontece primeiro o agendamento de um workticket referente ao segundo estgio de processamento de um determinado job, sendo essa uma movimentao imprpria, uma vez que a segunda operao deve ser processada somente aps o trmino da primeira que, nesse caso, nem mesmo foi agendada. J na Figura 19(b), por outro lado, so visitados dois ns pertencentes a um mesmo estgio de processamento, tal como se uma mesma operao pudesse ser

86

processada por duas mquinas sequencialmente, fato que tambm no permitido pelas restries de processamento atribudas ao FJSS-UPM analisado. Tendo em vista as restries impostas ao problema de FJSS-UPM investigado neste projeto e incorporadas ao mtodo ACO desenvolvido, so geradas possibilidades de deslocamento viveis para cada agente artificial, conforme ratifica a Equao (28). Verifica-se claramente que, uma vez definido como invivel, um determinado n do grafo no apresenta chance alguma de visitao.
0

, , caso contrrio

(28)

Constata-se na Equao (28) a mesma lgica probabilstica da Equao (6). Logo, pode-se inferir que o conjunto contm todos os ns factveis do grafo, ou seja, aqueles que podem ser ocupados por uma formiga em uma determinada iterao e, portanto, constituir parte do programa de produo almejado. medida que a lista tabup preenchida com os worktickets agendados, a lista Gp tem seus itens gradativamente excludos (pois vai diminuindo o nmero de ns disponveis visitao), at que Gp = , fato que aponta o fechamento de um programa de produo completo, englobando todas as ordens de produo do sistema. vlido ressaltar que, no caso de um FJSS-UPM, a excluso dos ns da lista Gp ocorre de forma diferente da tradicional. Como uma determinada operao pode ser realizada por duas ou mais mquinas de certo grupo de recursos produtivos, quando um dos worktickets do sistema agendado para processamento, todos os demais relacionados a diferentes recursos capazes de processar a mesma operao do job representado pelo workticket programado tornam-se automaticamente inviveis para agendamento durante essa viagem da formiga artificial, partindo-se da restrio de que toda operao deve ser processada somente uma vez por apenas um recurso produtivo. vlido ressaltar que a lista Sp tambm sofre alteraes relevantes, porque, estando o n referente ao workticket agendado j ocupado por uma formiga, todos os demais agentes artificiais que para l poderiam movimentar-se no mais podero faz-lo, uma vez que no possvel o processamento de dois jobs, simultaneamente, pelo mesmo recurso produtivo. A Figura 20 traz uma situao em que dois agentes artificiais (um escuro e outro claro) podem ocupar diferentes ns do GD em que se movimentam. Com o deslocamento da formiga escura do n 1 para o n 3, o WT1,2,4,2 agendado para o processamento da segunda operao do job 1. Realizada essa movimentao, a formiga clara, que est localizada no n 4,

87

no poder movimentar-se para o n 6, uma vez que um mesmo recurso no capaz de processar simultaneamente duas ou mais operaes (linha inferior tracejada em vermelho). Alm disso, outras possibilidades de movimentao do agente escuro tornam-se automaticamente inabilitadas, pois se referem execuo do mesmo estgio de processamento desempenhado pelo WT1,2,4,2 (linha superior tracejada em vermelho).
WT1,2,4,1 WT1,1,1,1
1 2 1

WT1,2,4,1 WT1,1,1,1
2

WT1,2,4,2
3 3

WT1,2,4,2

WT3,1,4,1 WT2,3,2,2
4 5 4

WT3,1,4,1 WT2,3,2,2
5

WT3,1,4,2
6 6

WT3,1,4,2

Figura 20 Modificaes na lista Sp em virtude da movimentao de uma formiga artificial

Aps verificarem-se todas as medidas e cuidados que norteiam as construes de solues viveis para o problema de JSS analisado por esta pesquisa, pode-se dizer que essa uma das etapas mais importante do mtodo ACO, considerando-se que atravs dela que um programa de produo efetivamente gerado e so respeitadas todas as restries operacionais e de processamento de mquinas impostas ao problema. 4. 2. 1. 6 Atualizao dos valores de feromnio

Uma vez finalizadas as viagens de todas as formigas artificiais do ninho at a fonte de comida (do n inicial ao n terminal do GD), tem incio o processo de atualizao dos valores de feromnio depositado nos caminhos percorridos pelos agentes. Os procedimentos de atualizao de feromnio configurados ao algoritmo desenvolvido seguiram a mesma linha de raciocnio apresentada pela Equao (7). Destarte, pode-se dizer que o modelo de atualizao das quantidades de feromnio projetado para o algoritmo ACO experimentado envolve, basicamente, a evaporao de parte da qumica existente em todos os caminhos de um determinado GD, assim como o acrscimo de feromnio nos trechos percorridos pela formiga que gera o melhor programa de produo do ciclo de viagens.

88

t + 1 = 1 t + t + 1
Evaporao (feedback negativo) Adio de feromnio (feedback positivo)

(29)

Com base na Equao (29), pode-se vislumbrar no somente o procedimento de evaporao do feromnio depositado ao longo das arestas de um GD em uma dada iterao t (em funo do coeficiente de evaporao estabelecido ()), bem como a valorizao de certos componentes de soluo de acordo com a importncia () atribuda quantidade de feromnio estipulada. O volume de feromnio incrementado ( ) na iterao (t + 1), pois, dimensionado com base em uma constante positiva Q, e no melhor valor da funo objetivo encontrado durante as iteraes do mtodo ACO j realizadas (Tgb), conforme esclarece a Equao (30).
t + 1 =

melhor valor da funo objetivo

(30)

Recordando a Equao (7), observa-se que a adio de feromnio afeta somente alguns componentes de soluo, dependendo do critrio de formao do conjunto , representante das trajetrias que devem participar da atualizao dos valores de feromnio. O mtodo desenvolvido, no obstante, pratica a atualizao do modelo de feromnio de maneira diferente da tradicional, segregando o momento de atualizao dos valores de feromnio em funo da qualidade de uma determinada soluo encontrada. Ao invs de se efetuar apenas a valorizao da melhor resposta encontrada (acrscimo de feromnio) ao final de um ciclo de viagens de todas as formigas de um sistema, o algoritmo elaborado procura estimular a explorao do espao de busca ao permitir o acrscimo de pequenas quantidades de feromnio mesmo quelas solues piores do que o melhor resultado obtido at a presente iterao. Tal medida, no entanto, ocorre de modo contnuo, no aguardando pelo trmino das viagens de todas as formigas. Isto quer dizer que, assim que uma formiga conclui uma de suas jornadas do ninho at a fonte de comida, o programa de produo gerado pela mesma tem sua funo-objetivo calculada e comparada ao melhor resultado obtido ao longo de todas as iteraes (viagens) do mtodo. Dependendo de seu desempenho em relao melhor soluo identificada at ento, um determinado procedimento de atualizao de feromnio aplicado: se o programa gerado representar a mais nova melhor soluo do problema em tratamento, a formiga responsvel pelo mesmo tem sua lista tabup salvaguardada para posterior atualizao de feromnio, com

89

base no procedimento de clculo tradicional exposto pela Equao (29); caso contrrio, ou seja, se o programa de produo for pior do que a atual melhor soluo do problema, seus componentes de soluo, ainda assim, recebem acrscimo de feromnio, porm correspondente 1% da importncia normalmente utilizada. A adoo de 1% de para a atualizao de feromnio de solues piores do que a atual melhor soluo corresponde uma medida emprica experimentada neste trabalho (assim como o valor de 1%), cujo objetivo reduzir o impacto constante do procedimento de evaporao sobre componentes de soluo que no configurem o melhor resultado da metaheurstica ao longo de sua execuo. Essa medida, de fato, tem como objetivo principal estimular com que outras solues, que no somente a tima, tenham suas trajetrias no GD proporcionalmente valorizadas, para que futuras formigas apresentem probabilidades relevantes de percorr-las. Os procedimentos de atualizao de feromnio foram estabelecidos segundo a lgica expressa pelo Quadro 2, o qual apresenta um breve pseudo-cdigo orientador de qual vis de ajuste de feromnio deve ser aplicado a uma determinada soluo encontrada.
INCIO Se (soluo_corrente < melhor_soluo) Atualiza_feromnio (soluo_corrente; * ); ( = 1) Caso contrrio Se (soluo_corrente >= melhor_soluo) Atualiza_feromnio (soluo_corrente; * ); ( = 0.01) Fim se Fim Caso contrrio Fim Se FIM
Quadro 2 Pseudo-cdigo para a atualizao dos valores de feromnio

Em se tratando da segunda medida de atualizao do modelo de feromnio (procedimento de evaporao), torna-se importante esclarecer que o feedback negativo inclui todas as arestas do GD considerado, ou seja, todos os cursos percorridos pelas formigas sofrem decaimento em seus valores de feromnio, independente da qualidade dos programas de produo gerados pelos mesmos, uma vez que se trata de medida importante fuga de regies de mnimos locais e da convergncia prematura do algoritmo. Ainda sobre a evaporao de feromnio, vlido ressaltar que, ao contrrio do feedback positivo, sua ocorrncia somente tem vez quando todas as formigas realizam

90

completamente um ciclo de viagens, ou seja, quando todos os agentes artificiais alcanam a fonte de comida, finalizando um programa de produo completo. 4. 2. 1. 7 Procedimento de busca local

Em verdade, no foi utilizado nenhum procedimento complementar de busca local. Essa deciso foi influenciada, principalmente, pelos objetivos geral e especficos desta pesquisa. Uma das metas deste projeto analisar quais parmetros de configurao do mtodo ACO revelam-se crticos ao seu desempenho, quando considerados os cenrios de JSS delineados e os critrios de eficincia estabelecidos. Logo, para que a identificao das variveis de controle efetivamente crticas ao algoritmo possa ser realizada de modo eficaz e seguro, torna-se importante afastar do estudo quaisquer influncias externas ao desempenho da tcnica ACO. Por esse motivo, evitou-se trabalhar com procedimentos de busca local atuando sobre os resultados gerados pelo algoritmo ACO. 4. 2. 1. 8 Particularidades do mtodo desenvolvido

Em termos de aspectos peculiares ao algoritmo desenvolvido neste projeto, vale ressaltar apenas uma medida implantada com o intuito de tratar a quantidade de feromnio depositada nas arestas de um GD com base na convergncia das solues encontradas. Para que as solues obtidas no ficassem aprisionadas em regies de mnimos locais, adicionouse uma condio ao algoritmo que estabelecia a seguinte condio de reajuste das quantidades de feromnio depositadas: se a melhor soluo obtida ao longo de todas as iteraes realizadas pelas formigas ao longo de uma viagem no apresentar melhoria em at 20 viagens realizadas, ento os valores de feromnio das arestas do GD devem todos ser reiniciados, ou seja, elas devem reassumir seus valores iniciais (SANTOS, 2008). Por meio de tal diretriz, toda vez que um conjunto de solues apontar para a convergncia do mtodo (mais de 20 melhores programas com os mesmos desempenhos), provoca-se uma espcie de reinicializao do espao de busca, de forma que as quantidades de feromnio sejam todas homogeneizadas e novos componentes de soluo possam ser investigados, sem a influncia das quantidades secretadas anteriormente nas arestas do grafo. Apesar de promissora, tal medida no se mostrou muito relevante em termos prticos. Aps uma breve srie de testes preliminares, pde-se constatar que o grau de convergncia do mtodo preservou-se baixo, no ativando o procedimento de reinicializao

91

de feromnio do sistema. Logo, tal particularidade, para os ensaios efetivos deste trabalho, foi retirada do algoritmo ACO, poupando esforo (tempo) computacional. 4. 2. 2 Pseudo-cdigo do mtodo ACO desenvolvido Com base nos aspectos gerais que delinearam a estruturao e o desenvolvimento do algoritmo ACO utilizado e pesquisado nesta pesquisa, pde-se organizar sistematicamente sua atuao sobre um problema de JSS por meio do pseudo-cdigo representado no Quadro 3. O pseudo-cdigo apresentado no tem como objetivo detalhar o funcionamento do mtodo, mas apenas registrar as diretrizes gerais de otimizao do mesmo. A relevncia de se projetar um pseudo-cdigo voltado caracterizao de um algoritmo est presente em dois sentidos: primeiramente, ele sintetiza de modo formal as linhas gerais de atuao de um determinado mtodo, permitindo com que se desenvolva uma viso holstica sobre o mesmo; alm disso, ele revela-se como um recurso de lgica de programao muito eficaz ao prprio desenvolvimento computacional da tcnica, uma vez que grande parte, seno todas as funes computacionais necessrias ao funcionamento do algoritmo so baseadas diretamente nas orientaes presentes no pseudo-cdigo.
INCIO Procedimento Run_ACO (executa efetivamente as etapas do mtodo) Procedimento Criao_Sistema (grafo disjuntivo e parmetros de controle) Enquanto Critrio_Parada = Falso Posicionar_Formiga; (coloc-la no n inicial do grafo) Movimentar_Formiga; (construo de solues viveis) Atualizar_Feromnio_Sistema; (atualiza quantidades de feromnio depositadas) Evaporar_Feromnio_Sistema; (evapora quantidades de feromnio depositadas) Fim enquanto Fim Procedimento Criao_Sistema Fim Procedimento Run_ACO --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------Procedimento Posicionar_Formiga Para k = 1 at k = W (onde W representa o nmero total de formigas do sistema) Movimentar_formiga_k_para_n_T0; (n burro inicial do grafo disjuntivo) Fim para --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------Procedimento Movimentar_Formiga Se n = 1 (se for o primeiro movimento de uma formiga k) Gerar_lista_de_ns_factveis_Sp; (com base nas restries do problema) Caso contrrio (se n > 1)

92

Atualizar_lista_de_ns_factveis_Sp; (com base nas restries do problema) Enquanto Sp Para k = 1 at k = W Movimentar_formiga_k_de_Ti_para_Tj; (utilizando a regra de transio definida) Excluir_ui,h,j,r_de_Sp; (para todo ) Inserir_ui,h,j,r_na_lista_tabup; (lista que contem os worktickets agendados) Fim para Fim enquanto Fim Procedimento Movimentar_Formiga --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------Procedimento Atualizar_Feromnio_Sistema Para k = 1 at k = W Avaliar_funo_objetivo_soluo_corrente_atravs_lista_tabup; Se soluo_corrente < melhor_soluo melhor_soluo = soluo_corrente; Caso contrrio atualizar_feromnio_arestas_soluo_corrente; (0.01 * importncia ) Fim caso contrrio Fim se Fim para Se nmero_formigas_completaram_viagem = nmero_total_formigas_sistema Atualizar_feromnio_arestas_melhor_soluo; (importncia ) Fim se Fim Procedimento Atualizar_Feromnio_Sistema --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------Procedimento Evaporar_Feromnio_Sistema Se Sp = Efetuar_evaporao_feromnio_sistema; (adotando o coeficiente de evaporao ) Fim se Fim Procedimento Evaporar_Feromnio_Sistema FIM
Quadro 3 Pseudo-cdigo do mtodo ACO desenvolvido

O pseudo-cdigo exibido pelo Quadro 3 abrange as principais etapas de atuao do mtodo ACO desenvolvido nesta pesquisa, corroborando as idias e medidas relacionadas aos aspectos gerais de sua estruturao e configurao (vide seo 4.2.1). Dentre os procedimentos registrados no pseudo-cdigo, vale destacar o primeiro deles, qual seria a Criao_Sistema. A criao do sistema nada mais representa do que a criao do GD descritivo do problema de FJSS-UPM pesquisado, assim como a configurao dos parmetros de controle

93

necessrios ao funcionamento do algoritmo. O GD, como explanado preteritamente, construdo por meio dos worktickets do sistema de produo investigado, ou seja, por todas as possibilidades de processamento de todas as operaes do sistema de produo a ser otimizado. Vale frisar, contudo, que, apesar de todos os ns encontrarem-se presentes no GD, isso no significa que todos possam ser visitados a qualquer momento. Na verdade, as restries operacionais e de processamento de mquinas limita a mobilidade das formigas somente a alguns worktickets disponveis, sendo que o status dos mesmos sofre contnua transformao ao longo do processo de programao da produo. As variveis iniciadas e configuradas pelo sistema incluem todos os parmetros de entrada requisitados pelo mtodo. Nesse sentido, destacam-se oito variveis de controle peculiares ao mtodo ACO, quais seriam: Relevncia da Quantidade de Feromnio (): trata-se da importncia relativa da quantidade de feromnio para o clculo da probabilidade de visitao de um determinado n do GD; Relevncia da Informao Heurstica (): reflete a importncia relativa da informao heurstica para a regra de transio do mtodo ACO; Coeficiente de Evaporao (): trata-se da taxa de evaporao das quantidades de feromnio depositadas ao longo das arestas de um GD; Valorizao da Melhor Resposta (VMR): indica por qual valor as quantidades de feromnio depositadas por uma formiga nas trajetrias constituintes da melhor soluo encontrada at a iterao atual deve ser multiplicada e, posteriormente, adicionada aos respectivos caminhos percorridos. Tomando-se como referncia a Equao (29), VMR corresponde ao fator ; Nmero de Formigas (NF): aponta a quantidade de formigas que faro o trajeto do ninho at a fonte de comida, ou seja, que geraro programas de produo ao longo do processo de otimizao; Quantidade Inicial de Feromnio (QIF): trata-se da quantidade de feromnio depositada inicialmente em todas as arestas do grafo, de maneira que todas as formigas iniciem suas primeiras jornadas sem orientao qumica alguma, ou seja, de forma completamente aleatria; Quantidade Adicionada de Feromnio (QAF): expressa a quantidade padro de feromnio que cada formiga depositar no caminho que acaba de percorrer assim que a mesma chegar fonte de comida; e

94

Nmero Mximo de Viagens (NMV): o nmero de vezes que cada formiga viajar entre seu ninho e a fonte de alimento. vlido destacar que o NMV atua como o nico critrio de parada imposto ao algoritmo ACO desenvolvido. Uma vez criado o sistema, as demais etapas de otimizao tm incio, desde a movimentao de cada formiga atravs do GD criado, passando pela anlise das solues obtidas por cada agente, at a atualizao das quantidades de feromnio depositadas durante as viagens realizadas entre o ninho e a fonte de comida. Tal ciclo perdura at que o nmero mximo de viagens por formiga (NMV) seja alcanado. Tratando-se da programao computacional do algoritmo ACO proposto, recorreu-se linguagem de programao C++, estruturada por meio do software Borland C++ Builder 6.0. Vale esclarecer que, alm da metaheurstica ACO, a linguagem C++ tambm foi utilizada para a programao da tcnica BB desenvolvida e experimentada nesta pesquisa. Sendo uma linguagem orientada a objetos, o C++ oferece alguns recursos de programao particularmente vantajosos otimizao da programao da produo. Nesse contexto, Pinedo e Yen (1997) destacam os principais benefcios de se adotar uma linguagem de programao orientada a objetos, quais seriam: a estrutura modular da programao facilita a implementao de eventuais modificaes; grande parte do cdigo desenvolvido pode ser reutilizada para sistemas semelhantes; o raciocnio lgico de um sistema flui mais naturalmente para o programador, uma vez que ele pensa em termos de quais objetos so necessrios e quais aes os mesmos devem ser capazes de desempenhar para atender aos requisitos de um programa. Assim, um grupo de entidades computacionais (objetos e mtodos) foi desenvolvido, com o intuito de se traduzir o comportamento de uma colnia de formigas quando seus integrantes movimentam-se em busca de novas fontes de alimentos. Inicialmente, foram delineadas cinco classes de objetos, a partir das quais toda a lgica de otimizao do algoritmo deve ser executada. As classes desenvolvidas e suas principais variveis/atributos foram os seguintes: Formiga: representa o agente artificial propriamente dito. Tem como principais variveis uma lista tabup (worktickets agendados), a lista de ns viveis para visitao (lista Sp), uma lista contendo os arcos j percorridos, e o nmero de vezes que j deslocou-se do ninho at a fonte de comida; Grafo: trata-se do GD sobre o qual sero realizados os procedimentos de busca pelas formigas do sistema. O grafo caracterizado, fundamentalmente, por uma lista com os ns que o compem (incluindo os ns burros de incio e trmino do

95

sistema) e outra constituda pelos caminhos entre aqueles (representando os prprios arcos disjuntivos de um GD); N: representa os worktickets do sistema que podem ser agendados. Logo, as informaes que o identificam so basicamente as mesmas resgatadas de um workticket, quais seriam: a qual ordem de produo est relacionado, a qual estgio de processamento refere-se, em que grupo i de recursos produtivos ser executado e, mais precisamente, em que mquina h desse grupo o processamento ser efetuado. N_Vivel: um objeto especial gerado a partir dos ns de um GD. Trata-se da caracterizao de um n vivel para visitao de uma formiga. Dentre seus principais atributos, destaca-se a probabilidade que o mesmo apresenta de ser visitado por uma formiga na prxima iterao, ou seja, seu resultado para a regra de transio formulada; e Aresta: nada mais do que um caminho que conecta dois ns. Com base na teoria j vista e nos aspectos gerais do algoritmo proposto, pode-se deduzir que uma aresta composta por trs dados bsicos, sendo esses os ns de origem e de destino do caminho, bem como a quantidade de feromnio nele depositada. Uma vez definidos os objetos suficientes ao desempenho do mtodo, preciso modelar a forma como eles devem interagir entre si, de modo que o comportamento das formigas da natureza seja reproduzido da forma mais verossmil possvel e que as restries do problema abordado sejam devida e totalmente respeitadas. Nesse sentido, foram elaborados mtodos computacionais capazes de intermediar o comportamento dos objetos criados, tomando-se como principal referncia a teoria sobre colnia de formigas e o pseudocdigo previamente estruturado. As principais funes do mtodo ACO desenvolvidas foram as seguintes: Create_Nodes( ): tem como finalidade criar os ns do GD a ser explorado pelas formigas. Vale destacar que essa funo atua identificando quais produtos constituem as ordens de produo a serem agendadas e, somente ento, faz a leitura dos roteiros flexveis de cada produto, criando os ns (worktickets) pertinentes a cada recurso produtivo capaz de processar os itens envolvidos. Run_ACO( ): a funo que ativa e coordena o funcionamento de todos os demais mtodos computacionais elaborados. Como seu nome sugere, ela faz com que o processo de otimizao tenha incio (faz com que o algoritmo rode), uma vez j

96

construdo o GD do problema estudado. Tambm por meio dessa funo que o critrio de parada controlado, bem como so ajustadas a convergncia dos resultados obtidos (se ou no maior do que 20 solues) e a faixa de atualizao de feromnio a ser adotada (se para a melhor soluo encontrada, para uma soluo corrente quase-tima ou para uma soluo corrente qualquer). Move( ): trata-se da funo que rege a movimentao de uma formiga pelo grafo do sistema. Sendo responsvel por uma das principais etapas do comportamento das formigas na busca por novas fontes de alimento, essa funo precisa acessar informaes de outros mtodos computacionais, assim como manipular diretamente os atributos de alguns objetos do programa, em especial do agente artificial. Com base nas listas Sp e tabup e nas probabilidades fornecidas pela regra de transio, essa funo determina o deslocamento das formigas do sistema, sendo responsvel pelo agendamento de um workticket. Probability( ): essa funo tem como finalidade calcular o valor da regra de transio para cada n vivel movimentao de uma determinada formiga. De fato, o mtodo de seleo do prximo n a ser visitado segue o padro de uma roleta, onde cada fatia da mesma proporcional probabilidade de um n ser visitado sobre a probabilidade total de seleo somente dos ns efetivamente viveis movimentao. A funo acessa diretamente os valores da informao heurstica e da quantidade de feromnio depositada nas arestas que ligam o n corrente a cada um dos ns permitidos movimentao; Update_List_of_Feasible_Nodes( ): como o prprio nome do mtodo sugere,

trata-se do procedimento computacional que modifica continuamente a lista Sp para cada agente artificial do sistema. Partindo-se da movimentao realizada por uma formiga na iterao anterior e das restries de precedncia operacional e de processamento de mquinas, a funo atualiza repetidamente a lista de ns que apresentam-se viveis visitao na prxima iterao. Importante destacar que, ao final da funo, o mtodo Probability( ) chamado, para que a probabilidade de transio seja devidamente aplicada somente aos ns listados em Sp; Way_Taken( ): essa funo nada mais representa do que a formao da lista tabup, que corresponde aos ns j visitados por uma formiga, ou seja, aos worktickets efetivamente agendados para processamento;

97

Cost_ACO( ): trata-se da funo responsvel por calcular os indicadores de desempenho estabelecidos para a pesquisa, sendo esses o makespan e o tempo computacional de execuo do algoritmo. Sua informao importante no somente para a atualizao das quantidades de feromnio, mas tambm para o clculo da regra de transio, que interpreta o makespan como componente da informao heurstica; Update_Pheromone( ): essa funo tem como objetivo principal atualizar as quantidades de feromnio depositadas nas arestas percorridas por uma determinada formiga. Com base no desempenho de cada soluo, mensurado anteriormente por meio do mtodo Cost_ACO( ), o programa de produo gerado por cada formiga do sistema enquadrado em uma faixa de atualizao de feromnio (tima, quasetima ou sem acrscimo de feromnio), sendo que os ajustes nas quantidades da qumica secretada realizado, efetivamente, por essa funo; e Evaporacao( ): essa funo, na verdade, complementa as medidas implementadas pelo mtodo computacional Update_Pheromone( ). Ela responsvel pela

evaporao de parte das quantidades de feromnio depositadas ao longo do GD. Vale lembrar que tal procedimento abrange todos os arcos do grafo do problema investigado, uma vez que se trata de medida importante explorao do espao de componentes de solues. O algoritmo ACO desenvolvido neste projeto ainda apresenta outras quatro funes complementares, cujos papis principais esto relacionados ao subsdio de dados necessrios ao desempenho dos mtodos computacionais supracitados, especialmente em termos de caracterizao e adaptao das restries do problema investigado, bem como do agendamento e desagendamento dos worktickets do sistema. Tais funes so listadas e explicadas a seguir: Generate_WTs( ): essa funo tem como nico objetivo gerar os worktickets de um sistema de produo. A partir das entidades computacionais criadas por ela que a funo Create_Nodes( ) constri o GD a ser explorado pelo algoritmo ACO; Fit_Forward( ): trata-se do mtodo computacional que, efetivamente, agenda um workticket do sistema. Essa funo acionada pela Move( ), assim que uma formiga movimenta-se no grafo e ocupa um dos ns viveis de sua lista Sp. Sua relevncia no est somente no agendamento de um workticket, mas tambm e, principalmente, no fato de que ela tambm restringe o tempo de incio do estgio de

98

processamento imediatamente posterior operao executada na iterao atual, com base no tempo de trmino dessa ltima. Em outras palavras, essa funo garante que uma operao seja processada a partir do trmino da sua precedente; Update_Status( ): esse mtodo acionado toda vez que um workticket agendado para processamento. Com base no deslocamento efetuado por uma formiga, a funo ajusta a viabilidade de todos os demais worktickets do sistema. O resultado de sua atuao utilizado diretamente pela funo

Update_List_of_Feasible_Nodes( ), sendo que todos os ns correspondentes a worktickets apontados como viveis, tambm o sero para visitao de uma formiga na prxima iterao do mtodo; e Unschedule( ): essa funo atua no desagendamento de um workticket. Ela acessada, fundamentalmente, quando uma formiga finaliza sua viagem do ninho at a fonte de alimento, ou seja, quando gerado um programa de produo. Para que ela possa reiniciar sua jornada (caso no tenha sido alcanado um dos critrios de parada estabelecidos), necessrio que suas listas Sp e tabup sejam reiniciadas, de forma que novos ns possam ser visitados e, consequentemente, novas solues possam ser geradas. Sua funo justamente reiniciar a viagem de uma formiga, retornando suas listas aos seus respectivos estados iniciais (da primeira iterao). A Figura 21 ilustra de forma sintetizada a relao existente entre as classes de objetos definidas, as funes principais e complementares elaboradas e o mtodo ACO desenvolvido. Pode-se vislumbrar que, inicialmente, so criados os ns do grafo a ser pesquisado e executase o mtodo ACO propriamente (Create_Nodes( ), Generate_WTs( ) e Run_ACO( )). Posteriormente, tomando-se como referencial o agente artificial em azul, observa-se a funo Way_Taken( ), responsvel pela constituio da lista tabup, e os mtodos Probability( ), Move( ), Fit_Forward( ), Update_List_of_Feasible_Nodes( ) e Update_Schedules( ), todos voltados identificao e atualizao da condio de viabilidade de certos ns para visitao, ao clculo da probabilidade seleo de um dos ns qualificados como viveis, ao deslocamento de uma formiga para o n escolhido e ao agendamento efetivo de um dos worktickets disponveis. Ao final da viagem de uma formiga, as funes Cost_ACO( ) e Update_Pheromone( ) exercem seus respectivos papis, avaliando o makespan de cada soluo gerada e, com base na qualidade desse indicador de desempenho, classificando o programa de produo definido em uma determinada faixa de atualizao de feromnio. Atingido o critrio de parada estabelecido (nmero mximo de viagens realizadas por um agente), os mtodos Evaporacao(

99

) e Unschedule( ) entram em ao, reduzindo o volume de feromnio de todas as arestas do GD em anlise, bem como reiniciando o posicionamento das formigas no incio do grafo e desagendando os worktickets programados na ltima execuo do algoritmo.
Grafo Disjuntivo

N
Formiga Aresta
5 6 7

N (N_Vivel)

Cost_ACO ( ) Create_Nodes ( )
Generate_WTs ( )

Way_Taken ( )

Probability ( ) Move ( )
Fit_Forward ( )

Update_Pheromone ( )

Run_ACO ( )

Evaporacao ( )
Unschedule ( )

Update_List_of_Fea sible_Nodes ( )
Update_Schedules ( )

Figura 21 Diagrama representativo das relaes entre classes de objetos e funes computacionais

Compreendido o cenrio de JSS estudado nesta pesquisa, assim como os principais aspectos tericos e funcionais do mtodo ACO desenvolvido, torna-se vlida a apresentao de um exemplo de programao da produo envolvendo FJSS-UPM e ACO, capaz de ilustrar satisfatoriamente a natureza dos experimentos planejados, realizados e analisados na prxima seo deste projeto. 4. 2. 3 Exemplificando a otimizao de FJSS-UPM por meio de ACO Para que se tenha um cenrio de FJSS-UPM, alguns pontos bsicos devem ser constatados, sendo esses: pluralidade de estgios de produo (duas ou mais operaes a serem executadas); disponibilidade de um grupo de recursos produtivos capacitados ao processamento de cada operao de cada job do sistema, sendo todo grupo composto por mquinas com especificaes tcnicas distintas entre si; e variabilidade dos roteiros de produo de cada job a ser programado. No caso particular desta pesquisa, tambm devem ser

100

observados tempos de setup dependentes entre diferentes produtos (jobs) a serem processados na mesma mquina de um mesmo grupo de recursos produtivos. Os Quadros 4 e 5 apresentam dados relacionados a um FJSS-UPM com trs jobs, cada um possuindo trs estgios de processamento, que devem ser executados por trs grupos de recursos, cada um composto por duas mquinas distintas em paralelo. O Quadro 4 exibe informaes relacionadas s sequncias de operaes, flexibilidade tecnolgica das mquinas e tempos de processamento de cada operao em minutos (dado sinalizado entre parnteses), enquanto que o Quadro 5 distingue os tempos de setup dependentes em funo das relaes de precedncia entre jobs (produtos) observadas em cada recurso produtivo.
OPERAES Jobs Job 1 (Produto 1) 1 G1M1 (7) ou G1M2 (10) G2M1 (5) ou G2M2 (4) G3M1 (12) ou G3M2 (10) 2 G2M1 (4) ou G2M2 (14) G3M1 (7) ou G3M2 (9) G1M1 (14) ou G1M2 (11) 3 G3M1 (11) ou G3M2 (8) G1M1 (10) ou G1M2 (6) G2M1 (18) ou G2M2 (16)

Job 2 (Produto 2)

Job 3 (Produto 3)

Quadro 4 Informaes de um FJSS-UPM com trs jobs, trs operaes e dois recursos em paralelo por estgio Fonte: Adaptado de Mehrabad e Fattahi (2007).

GRUPO 1 Mquina 1 Job Inici al Job 1 Job 2 Job 3 Mquina 2

GRUPO 2 Mquina 1 Mquina 2

GRUPO 3 Mquina 1 Mquina 2

Job Job Job Job Job Job Job Job Job Job Job Job Job Job Job Job Job Job 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 0 2 5 3 0 8 6 5 0 0 7 6 9 0 10 11 13 0 0 11 5 4 0 1 3 17 0 0 9 10 18 0 11 8 7 0 0 14 15 4 0 10 8 16 0 0 3 13 2 0 5 9 7 0

Quadro 5 - Tempos de setup dependentes entre jobs (produtos), em funo das relaes de precedncia Fonte: Adaptado de Mehrabad e Fattahi (2007).

101

A partir da observao do sistema produtivo caracterizado pelos Quadros 4 e 5, percebe-se que cada operao de um dos trs jobs pode ser executada por uma de duas mquinas alternativas viveis, configurando a existncia de recursos em paralelo e flexibilidade de roteiro produtivo, ou seja, um problema de FJSS-UPM. No caso do job 1 e de sua terceira operao, por exemplo, essa pode ser desempenhada no grupo de recursos 3 (G3), na mquina 1 (M1) em 11 minutos, ou, ainda no grupo 3, porm na mquina 2 (M2) em 8 minutos. Em termos de setup, o tempo necessrio para o processamento do job 1 depois do job 2 na mquina 1 do grupo 1 de 2 minutos, enquanto o tempo gasto para se preparar a mquina 2 do grupo 3 para o job 3 aps o processamento do job 1 de 9 minutos, sendo a mesma lgica aplicada s demais relaes de precedncia entre jobs. Interpretadas as informaes fornecidas pelos Quadros 4 e 5, pode-se iniciar o processo de otimizao da programao da produo. Como explicado preteritamente, o primeiro passo do algoritmo ACO desenvolvido a gerao dos worktickets do sistema de produo investigado e, com base nesses, construir o GD pertinente. Posteriormente, cada formiga efetua suas viagens (conforme o nmero mximo de jornadas estabelecido como critrio de parada ao algoritmo), movimentando-se de um n para outro, at alcanar a fonte de alimento, gerando um programa de produo completo para os trs jobs do sistema. O processo geral de otimizao pode ser vislumbrado por meio da Figura 22.
WT1,1,1,1
1 7

WT1,2,2,1
7

WT1,2,2,1

WT1,1,1,2
2 8

WT1,2,2,2
8

WT1,2,2,2

WT2,1,2,1
3 9

WT2,2,3,1
9

WT2,2,3,1

N
WT2,1,2,2
4 10

WT2,2,3,2
10

WT2,2,3,2

WT3,1,3,1
5 11

WT3,2,1,1
11

WT3,2,1,1

WT3,1,3,2
6 12

WT3,2,1,2
12

WT3,2,1,2

Figura 22 Representao do algoritmo ACO em um cenrio de FJSS-UPM

A Figura 22 apresenta o processo de gerao de um programa de produo a partir da movimentao de uma formiga por meio do GD representativo de um FJSS-UPM. O deslocamento dos agentes atravs dos ns do grafo, bem como o agendamento dos respectivos

102

worktickets so etapas efetuadas por meio das funes computacionais previamente explanadas. Como resultado do algoritmo ACO desenvolvido, tem-se uma lista tabup completa com todos os worktickets agendados do sistema, representando o programa de produo sugerido como soluo ao problema estudado. Um exemplo de programa de produo pode ser visualizado a partir da Figura 23, que introduz o grfico de Gantt como uma importante ferramenta visual representao de programas de produo. O grfico de Gantt, criado por Henry Gantt em 1917, j sofreu diversas transformaes ao longo dos anos. No entanto, sua finalidade original, ainda muito til nos dias atuais, indicar a utilizao dos recursos produtivos de uma empresa ao longo de um determinado horizonte de planejamento, em funo da alocao e do sequenciamento das operaes atravs das mquinas disponveis. O grfico da Figura 23 estruturado segundo a concepo original desse instrumento, ilustrando a ocupao das seis mquinas do sistema apresentado pelos Quadros 4 e 5, conforme a trajetria realizada pela formiga representada na Figura 22.
Mquinas
G3M2

WT3,1,3,2

G3M1

WT2,2,3,1

WT1,3,3,1

G2M2

WT2,1,2,2

WT1,2,2,2

WT3,3,2,2

G2M1

G1M2

WT3,2,1,2

G1M1

WT1,1,1,1

WT2,3,1,1

Tempo (Horizonte de Planejamento)

Figura 23 Grfico de Gantt referente ao programa de produo gerado pela formiga da Figura 22

Partindo-se do grfico de Gantt apresentado pela Figura 23, pode-se interpretar o programa de produo gerado pelo mtodo ACO ilustrado na Figura 22 da seguinte maneira:

103

primeiramente, os jobs 1, 2 e 3 tm seus primeiros estgios de processamento executados pelos recursos G1M1, G2M2 e G3M2, respectivamente. Em seguida, ocorrem os processamentos das operaes de segundo estgio dos jobs 2, 1 e 3 respectivamente nos recursos G3M1, G2M2, G1M2. Por ltimo, so agendadas as operaes de terceiro estgio dos jobs 2, 3 e 1 nas mquinas G1M1, G2M2 e G3M1, respectivamente, finalizando a programao da produo dos trs jobs presentes no sistema. importante ressaltar a importncia de se considerar os tempos de setup dependentes entre os diferentes jobs processados pelo sistema. Como possvel constatar visualmente por meio da Figura 23, tempos de setup influenciam diretamente a durao de um programa de produo, sendo de grande valor prtico e terico sua incluso e anlise em processos de otimizao de JSSPs. Outro aspecto interessante percebido na Figura 23 que o WT1,2,2,2, por exemplo, mesmo sendo agendado antes do WT2,1,2,2, executado aps esse. No se trata de falha ou equvoco no sequenciamento da produo. Em verdade, o algoritmo identifica que o WT1,2,2,2 s pode ser processado aps a finalizao da operao que o imediatamente precede (WT1,1,1,1), segundo as restries operacionais do job 1. Assim, como o recurso G2M2 ficaria ocioso at a execuo de WT1,2,2,2, o mtodo calcula a possibilidade de executar logo o WT2,1,2,2, que foi alocado para a mesma mquina, do mesmo grupo de recursos. Como o tempo disponvel de G2M2 at a execuo de WT1,2,2,2 suficiente para processar o WT2,1,2,2, ento permitida sua antecipao, reduzindo-se ociosidade de maquinrio e contribuindo para a minimizao do makespan. Uma vez compreendido o cenrio de JSS efetivamente investigado neste projeto (FJSS-UPM), apresentada e descrita a estrutura computacional do algoritmo ACO desenvolvido e ilustrada sua atuao sobre um problema de FJSS-UPM por meio de um exemplo de baixa complexidade de otimizao (trs jobs, trs estgios de processamento, dois recursos em paralelo e tempos de setup dependentes da relao de precedncia entre diferentes produtos), torna-se vivel o planejamento, a realizao e, por fim, a anlise estatstica dos experimentos necessrios comprovao ou refutao das hipteses levantadas por esta pesquisa.

104

5 PLANEJAMENTO, EXPERIMENTOS

REALIZAO

ANLISE

ESTATSTICA

DE

No intuito de se avaliar o desempenho do algoritmo ACO desenvolvido sobre o problema de FJSS-UPM caracterizado, e de identificar quais variveis de controle da tcnica proposta so crticas ao seu desempenho, recorreu-se ao mtodo experimental de pesquisa, cujas prerrogativas e convenincias j foram outrora abordadas. Pode-se constatar, portanto, que existe um vasto conjunto de ferramentas estatsticas capazes de orientar estudos experimentais, auxiliando de modo notvel os procedimentos de anlise e validao dos resultados obtidos. Nesse contexto, o Captulo 5 iniciado por meio de uma breve reviso terica sobre alguns recursos estatsticos utilizados para o planejamento, a realizao e a anlise dos experimentos elaborados, destacando-se a aplicabilidade e adequao do Planejamento Experimental (ou Design of Experiments DOE), do Planejamento Fatorial, da Anlise de Varincia (ANOVA) e dos testes de hipteses aos propsitos estabelecidos para o estudo, especialmente em termos de hipteses da pesquisa. Posteriormente, so elencados e discutidos alguns trabalhos cientficos voltados a estudos anlogos ao desempenhado nesta pesquisa, que utilizam com sucesso as ferramentas estatsticas supracitadas para a anlise e validao de seus resultados. Tais pesquisas servem, na verdade, de inspirao e proporcionam embasamento terico substancial sugesto de um modelo procedimental propcio ao desenvolvimento do planejamento experimental aspirado por este projeto, sendo o framework construdo devidamente apresentado e explanado tambm nesta seo. Por ltimo, so estruturados e descritos dois grupos de experimentos envolvendo ACO, FJSS-UPM e BB, ressaltando-se a finalidade e importncia daqueles para os objetivos da pesquisa. Em seguida, so analisados e avaliados estatisticamente os resultados gerados pelos experimentos, confrontando-os com as projees indiciadas pela teoria e, sobretudo, com as hipteses definidas inicialmente para este projeto. 5. 1 FUNDAMENTOS DE PLANEJAMENTO EXPERIMENTAL E ANLISE ESTATSTICA Um experimento, na verdade, representa uma construo terica simples. Todavia, segundo esclarecimento de Montgomery e Runger (2009), a validade dos resultados gerados

105

por um experimento est diretamente relacionada ao mtodo, aos procedimentos a partir dos quais o mesmo conduzido. Alguns autores chegam a defender que o planejamento de um experimento, na verdade, chega a ser mais importante que os prprios resultados obtidos por meio dele. Segundo tais autores, experimentos bem planejados e executados normalmente resultam em anlises estatsticas claras e inequvocas (RYAN, 2009). exatamente nesse contexto em que o DOE torna-se importante ao desenvolvimento de estudos experimentais. O DOE pode ser interpretado como um conjunto de testes ou ensaios estabelecidos por meio de critrios cientficos e estatsticos, almejando-se a determinao da influncia de uma ou mais variveis no desempenho de certos processos ou sistemas (BUTTON, 2005). Nesse sentido, Figlali et al. (2009) declaram que, partindo-se do DOE, pode-se alcanar maior entendimento e domnio sobre os experimentos realizados, uma vez que so abrangidos desde o planejamento de ensaios, passando por suas condues e anlises, at a interpretao dos resultados obtidos. Button (2005) aponta de modo mais especfico os principais objetivos de se aplicar o DOE, destacando a identificao das variveis mais influentes em determinados processos com base em certos critrios de desempenho, bem como a configurao das mesmas, de maneira a otimizar os resultados gerados. O autor ainda ressalta os benefcios comumente percebidos por meio do DOE, dentre os quais se sobressaem: a) Reduo do nmero de ensaios, preservando-se a qualidade das informaes disponveis; b) Anlise concomitante de mltiplas variveis e seus respectivos efeitos no sistema ou processo considerado; c) Determinao do nvel de confiana dos resultados encontrados; d) Representao do processo ou sistema verificado, por meio de formalismo matemtico; e e) Elaborao de concluses com base em resultados qualitativos. Em se tratando de DOE, o Planejamento Fatorial de Experimentos (PFE) revela-se como uma das tcnicas mais utilizadas e promissoras na identificao e mensurao dos impactos das variveis de entrada de certos mtodos ou sistemas. Montgomery e Runger (2009) enfatizam a adequao do PFE, afirmando que, em relao aos efeitos dos parmetros de controle, planejamentos fatoriais apresentam-se como a nica forma eficaz de se descobrir interaes entre as variveis. No entanto, a aplicao do PFE, na prtica, ainda no muito observada. De acordo com Ryan (2009) e Montgomery e Runger (2009), um grande nmero de pesquisas

106

desenvolvidas nos dias atuais ainda prefere utilizar uma abordagem mais simplificada, onde cada fator (varivel) de controle alterado um de cada vez, e no simultaneamente, como recomenda o PFE. Segundo os autores, esse tipo de experimento coeteris paribus acaba requisitando longos perodos e maiores esforos de experimentao, assim como ignora completamente os efeitos gerados pela interao entre os parmetros investigados (WANG e WU, 1999). Como experimentos do tipo coeteris paribus no so capazes de enxergar interaes entre variveis de controle, o PFE torna-se a ferramenta de pesquisa mais promissora para estudos dessa ordem. Figlali et al. (2009) ainda apontam duas outras tendncias de pesquisa identificadas em trabalhos desenvolvidos nessa rea de estudo, quais seriam: a configurao de parmetros de entrada com base em valores apontados preteritamente por pesquisas anlogas j realizadas; e a atribuio de valores intuitivos aos fatores de controle do algoritmo. No entanto, as duas perspectivas supracitadas tambm apresentam falhas e/ou inconvenincias. A adoo de valores com base no benchmarking de pesquisas semelhantes pode ser interpretada como medida pouco promissora, uma vez que a definio dos parmetros est diretamente vinculada s peculiaridades do problema avaliado. Logo, aplicar valores retirados de outros trabalhos pode resultar em desempenho insatisfatrio do algoritmo em desenvolvimento, orientando-o, eventualmente, a regies de mnimos locais. Por outro lado, a utilizao de valores intuitivos, por melhores que sejam os resultados gerados, no apresenta qualquer fundamentao estatstica que os validem, tornando frgeis quaisquer afirmaes ou concluses acerca da eficincia do algoritmo elaborado. Alm do PFE, outros recursos estatsticos revelam-se necessrios s anlises pretendidas pela pesquisa. Para avaliar a eficincia do mtodo ACO em comparao a outras tcnicas de otimizao, Lapponi (2005) esclarece que o teste de hipteses da diferena das mdias de duas populaes frequentemente utilizado para determinar se ou no razovel concluir que as mdias das duas populaes so diferentes. Nesse contexto, Montgomery e Runger (2009) afirmam que a aplicao de testes estatsticos de hipteses envolvendo intervalos de confiana apresenta-se como um mtodo fundamental de anlise de dados, especialmente em experimentos de natureza comparativa, como o caso quando se pretende avaliar o desempenho de um mtodo de otimizao em relao a outro. Tendo em vista os elementos estatsticos discutidos at ento, a continuidade deste captulo preocupa-se em conceitu-los, explic-los e contextualiz-los no desenvolvimento

107

desta pesquisa, apresentando outros trabalhos acadmicos que utilizaram, satisfatoriamente, tais mtodos estatsticos. Alm disso, a partir dos aspectos mais importantes observados na teoria e na prtica, prope-se um modelo procedimental voltado ao desenvolvimento deste projeto, descrevendo-se todas as etapas componentes do planejamento e da anlise dos experimentos realizados. 5. 1. 1 Planejamento fatorial de experimentos O experimento fatorial pode ser definido como sendo um tipo de experimento onde, em cada uma de suas corridas ou replicaes, so investigadas todas as combinaes possveis entre os nveis estabelecidos para as variveis de controle consideradas (BUTTON, 2005; MONTGOMERY e RUNGER, 2009). Nesse contexto, Ryan (2009) elucida que um planejamento fatorial pode ser representado como sk, sendo que s indica o nmero de nveis que cada uma das k variveis pode assumir ao longo do experimento. Em uma situao onde se deseja planejar experimentos com cinco fatores de controle com trs nveis cada, por exemplo, ter-se-ia um planejamento 35. No entanto, percebe-se, at mesmo intuitivamente, que, quanto maior a quantidade de parmetros investigados e/ou maior o nmero de nveis permitidos a cada fator, o volume de corridas (replicaes) exigidas cresce rapidamente, tornando alguns experimentos, ocasionalmente, inviveis. Assim, Law e Kelton (1997) argumentam que o planejamento fatorial 2k apresenta-se como uma tcnica econmica e vivel, especialmente quando se tratam de estudos iniciais sobre determinadas variveis de controle, ou quando o foco da anlise mais prtico do que terico. No planejamento fatorial 2k, consideram-se k fatores com apenas dois nveis de configurao cada (um mximo e outro mnimo). Usualmente, denotam-se os valores mximos com um sinal + e os mnimos com , facilitando a identificao das combinaes analisadas (BUTTON, 2005). A Figura 24 ilustra geometricamente um planejamento fatorial 23, ou seja, so estabelecidas trs variveis de controle X, Y e Z, com dois nveis cada. Nesse caso, X, Y e Z representam, respectivamente, os efeitos principais dos fatores X, Y e Z, sendo que XY, XZ e YZ expressam as interaes de segunda ordem (considerando os efeitos de duas variveis simultaneamente) e XYZ, as de terceira ordem (trs efeitos principais analisados ao mesmo tempo). O cubo ilustrado na Figura 24(a) abrange todas as oito combinaes possveis entre os fatores considerados, cada uma representada por um vrtice da figura geomtrica.

108

yz

xyz
Corrida 1 2 3 4 5 6 7 8 A + + + + B + + + + C + + + +
3

xz

Z
y

xy
+

(1)

x
_ _

(b) Matriz (b) Matriz dede planejamento 2 23 planejamento

(a) Representao geomtrica (a) Representao geomtrica

Figura 24 Representao geomtrica (a) e a respectiva matriz (b) de um planejamento 2 3 Fonte: Adaptado de Montgomery e Runger (2009).

Tendo em vista que as letras minsculas (1), x, y, z, xy, xz, yz, xyz significam o total das n replicaes efetuadas em cada uma das oito combinaes registradas na matriz de planejamento do experimento (Figura 24(b)), pode-se calcular os efeitos principais de todos os fatores, bem como de suas interaes de segunda e terceira ordem. Vale frisar que a matriz de planejamento revela-se importante ao PFE, uma vez que registra todas as possveis combinaes entre as variveis de controle estudadas.
yz

xyz

xz

_
y (1)
_

+
xy

x X
+

Figura 25 Representao geomtrica do efeito principal da varivel X Fonte: Adaptado de Montgomery e Runger (2009).

As Equaes (31) e (32) demonstram que, para se obter o efeito principal da varivel X, por exemplo, basta calcular a diferena entre a mdia das quatro combinaes de nveis da face direita do cubo da Figura 24(a), onde se observa o maior tratamento do parmetro X, e a

109

mdia das quatro combinaes da face esquerda do cubo, onde constam as interaes com o menor valor de tratamento do fator X, como possvel notar por meio da Figura 25.
= + + + 1 + + + 4 4 1 + + + 1 4 (31)

(32)

Uma interao de segunda ordem, tal como XY, pode ser interpretada como a diferena entre os efeitos mdios de X nos dois tratamentos de Y. A interao de terceira ordem XYZ, por sua vez, pode ser vista como a diferena mdia entre a interao XY para os nveis existentes de Z. As Equaes (33) e (34) revelam os clculos necessrios para se mensurar os efeitos das interaes de segunda e terceira ordens XY e XYZ, respectivamente.
= 1 + + + (1) 4 1 + + + (1) 4 (33)

(34)

Com base nas Equaes (31) a (34), destaca-se outro elemento importante ao planejamento fatorial, sendo ele conhecido por contraste. Os contrastes nada mais so do que os termos destacados entre colchetes nas equaes supracitadas. Por meio deles, pode-se estruturar tabelas com valores positivos e negativos, tais como a Tabela 1, capazes de auxiliar no clculo de quaisquer efeitos principais ou de interaes em um planejamento fatorial 2k, como revela a Equao (35).
= 21 (35)

Observando-se atentamente o contedo da Tabela 1 e a Figura 24(b), percebe-se claramente que uma matriz de planejamento nada mais do que uma parcela da tabela de contrastes de um experimento, restringindo-se aos efeitos principais das variveis de controle verificadas. No entanto, muitas pesquisas analisam extensos conjuntos de variveis de controle, o que resultaria em um nmero grande de corridas. Em um planejamento 2k com k = 7, por exemplo, seriam necessrias 128 replicaes do mtodo. Logo, conforme esclarecem Montgomery e Runger (2009), quando determinadas interaes de alta ordem entre os

110

parmetros verificados podem ser negligenciadas, possvel recorrer ao planejamento fatorial fracionrio, onde so aplicadas 2k-p corridas.
Tabela 1 Representao por sinais algbricos dos efeitos de um planejamento 2 3
Combinao dos Tratamentos (1) x y z xy xz yz xyz Efeitos Fatoriais Z XY + + + + + + + +

I + + + + + + + +

X + + + +

Y + + + +

XZ + + + +

YZ + + + +

XYZ + + + +

Fonte: Adaptado de Montgomery e Runger (2009).

Conforme esclarecimento de Law e Kelton (1997), o planejamento fatorial fracionrio torna-se interessante quando se pretender reduzir o esforo computacional necessrio aos experimentos, sem pr em risco a validade estatstica dos resultados obtidos. Ainda segundo os autores, o principal cuidado em se adotar esse mtodo deve ser a identificao das ordens de interao que no agregam, de fato, valor ao estudo. Em outras palavras, quais combinaes 2k-p das 2k possveis so relevantes ao estudo de influncia das variveis. Entretanto, quando uma pesquisa busca confirmar ou no a criticidade de certas variveis de controle para o desempenho de um sistema, ela pretende, de fato, aceitar ou rejeitar determinadas hipteses elaboradas acerca dos impactos dos parmetros investigados, seja o planejamento fatorial utilizado completo, seja ele fracionrio. Assim, torna-se importante compreender o conceito, a aplicao e, especialmente, a relevncia dos testes de hipteses entre diferentes amostras para os objetivos deste projeto. 5. 1. 2 Testes de hipteses Segundo Montgomery e Runger (2009), uma hiptese estatstica pode ser interpretada como uma afirmao sobre os parmetros de uma ou mais populaes. Logo, testar diferentes hipteses nada mais significa do que comparar e analisar, partindo-se do estabelecimento prvio de intervalos de confiana, determinadas estimaes de certos fatores relacionados a uma mesma populao ou a diferentes populaes, de modo que um conjunto de afirmaes possa ser aceito ou rejeitado. Ainda conforme Montgomery e Runger (2009), um teste de hipteses deve ser efetuado por meio de oito procedimentos bsicos, quais seriam:

111

1. Identificao dos parmetros de interesse da pesquisa; 2. Formulao de uma hiptese nula H0; 3. Definio de uma hiptese alternativa H1; 4. Determinao de um nvel de significncia ; 5. Estabelecimento de uma estatstica de teste adequada (t ou Z); 6. Delineamento da regio de rejeio para a estatstica escolhida (bilateral ou unilateral); 7. Dimensionamento das grandezas amostrais pertinentes, aplicando-as estatstica de teste em uso; e 8. Tomada de deciso sobre a rejeio ou no de H0, interpretando-se os resultados obtidos no contexto da hiptese alternativa investigada. Dentre as etapas supracitadas, destacam-se a elaborao das hipteses nula e alternativa, bem como a seleo de qual a estatstica de teste mais propcia s anlises aspiradas. Em verdade, a hiptese H0 aquela a ser testada, ou seja, a qual se pretende rejeitar. De acordo com Ryan (2009), no h coerncia em se testar uma hiptese potencialmente verdadeira, uma vez que testes de hipteses no podem ser utilizados para a confirmao de uma hiptese, mas apenas para sua rejeio. Logo, sendo H0 a hiptese a qual se deseja refutar, necessrio formular uma hiptese alternativa (representada por H1), que corresponde afirmao que se vislumbra como verdadeira e, portanto, almeja-se aceitar. Em relao a H1, a mesma pode ser enquadrada em uma regio bilateral ou unilateral (MONTGOMEY e RUNGER, 2009). Uma hiptese alternativa bilateral aquela que permite com que o valor de um parmetro seja maior ou menor do que o testado por H0. Uma hiptese unilateral, por sua vez, abrange somente valores superiores ou inferiores ao estabelecido em H0. Se, por exemplo, H0: = 100 e H1: 100, tm-se uma hiptese alternativa bilateral. No entanto, se H1: < 100 ou H1: > 100, a hiptese revela-se unilateral. Nesse sentido, para que uma ou mais hipteses sejam devidamente testadas, recorrese, usualmente, a duas estatsticas distintas, denominadas de t e Z. O Teste Z geralmente acessado quando o parmetro amostral verificado pode ser padronizado, de forma que seu comportamento possa ser representado por uma distribuio normal cuja varincia (2) seja conhecida. A estatstica t, tambm conhecida por t de Student, usualmente acessada em cenrios onde se pressupe uma populao normal, porm caracterizada por um 2 desconhecido e cujo tamanho amostral seja reduzido (MONTGOMERY e RUNGER, 2009; RYAN, 2009).

112

Ainda sobre a escolha da melhor estatstica de teste a ser implantada, o Quadro 6 aponta algumas diretrizes gerais capazes de auxiliar no processo de seleo do teste de hipteses mais adequado a cada anlise planejada.
Distribuio Normal Normal Normal Normal Desconhecido Desconhecido Desconhecido Desconhecido Tamanho da Amostra Grande Pequeno Grande Pequeno Grande Grande Pequeno Pequeno Conhecido Conhecido Desconhecido Desconhecido Conhecido Desconhecido Conhecido Desconhecido Estatstica de Teste Z Z Z ou t t Z Z Nenhum Nenhum

Quadro 6 Diretrizes gerais para escolha de um estatstica de teste (Z, t ou nenhuma) Fonte: Ryan (2009).

No que diz respeito utilizao dos testes de hipteses, destacam-se, para os fins desta pesquisa, sua aplicao em estudos avaliativos das divergncias de eficincia entre dois ou mais mtodos de otimizao, com base em determinados indicadores de desempenho previamente estabelecidos. Nesse contexto, Lapponi (2005) recomenda que se utilize a Anlise de Varincia (ANOVA) como recurso para se comprovar ou no diferenas estatisticamente relevantes entre as varincias amostrais de dois ou mais tratamentos ou populaes. No caso de mtodos de otimizao, tais como ACO, a tcnica ANOVA pode ser aplicada no somente ao estudo dos efeitos das variveis de controle sobre o desempenho de um processo, como tambm avaliao comparativa entre seus resultados e outros gerados por tcnicas anlogas. Por meio de ajustes experimentalmente validados, a probabilidade de que um algoritmo de otimizao, tal como ACO, atue com eficincia maximizada muito maior, uma vez que os efeitos e impactos de suas variveis de entrada, bem como de suas interaes, encontram-se identificados e estimados. 5. 1. 3 Anlise de Varincia (ANOVA) Apesar de gerar um extenso grupo de dados, o PFE, como apresentado e explicado at ento, no permite que seja identificada, efetivamente, a relevncia de uma determinada

113

varivel de controle ao desempenho de certo sistema. Para que tal fim seja alcanado, torna-se necessria a adoo de procedimentos estatsticos complementares, contexto em que se destaca a Anlise de Varincia (ANOVA), aplicada ao estudo de igualdade de efeitos entre diferentes nveis de configurao de um parmetro de controle. Nesse sentido, Montgomery e Runger (2009) sugerem a utilizao de um modelo estatstico linear aditivo representao da ANOVA em planejamentos fatoriais, sendo o mesmo corroborado por Fligali et al. (2009) e estruturado na Equao (36).
= + + + + = 1, 2, , = 1, 2, , (36)

Nesse exemplo de modelo ANOVA, que considera a existncia de apenas duas variveis de controle a serem investigadas (X e Y), reflete um elemento comum a todos os nveis analisados, representando o efeito mdio global dos parmetros do sistema; Xk e Ym nada mais so do que os efeitos das variveis X e Y, quando configuradas em seus k-simo e m-simo tratamentos respectivamente; (XY)km reflete os efeitos da interao entre X e Y em seus k-simo e m-simo nveis de configurao; e representa um componente de erro aleatrio. Com base em tais dados, registra-se um determinado valor da varivel ykml, correspondendo essa kml-sima reposta do sistema analisado. Tratando-se de ANOVA aplicada a planejamentos fatoriais, os nveis de configurao dos fatores estudados podem ser estabelecidos aleatoriamente ou ser prefixados de acordo com as intenes ou percepes dos responsveis pelos experimentos (MONTGOMERY e RUNGER, 2009). Pressupondo-se a atribuio predefinida dos tratamentos analisados para cada varivel de controle pesquisada, pode-se mensurar a variabilidade causada pela adoo dos diferentes nveis de configurao de um determinado parmetro a partir da soma dos quadrados das diferenas entre as mdias dos tratamentos observados e a mdia global, denominada de Soma dos Quadrados (SQX, SQY e SQXY para o caso do modelo exemplificado). Nesse contexto, alm de auxiliar no dimensionamento dos efeitos de certas variveis de controle, a informao de contraste mostra-se tambm muito til para o clculo de SQ, conforme elucida a Equao (37).
= 2
2

(37)

114

A soma dos quadrados das diferenas entre as observaes das replicaes de um tratamento e a mdia de todos os tratamentos estabelecidos constitui a Soma dos Quadrados do Erro (SQE). A informao de SQE importante ANOVA, pois incorpora o componente de erro aleatrio da investigao. Em outras palavras, SQE permite com que se fragmente a variabilidade total dos dados analisados, segregando-se as diferenas efetivas entre os nveis de um parmetro (SQX, SQY e SQXY) das divergncias ocasionadas pela aleatoriedade inerente aos experimentos (SQE). Ainda com base no modelo ANOVA sugerido pela Equao (36), pode-se dizer que o fator X, possuindo x nveis diferentes de tratamento, apresenta SQX com (x 1) graus de liberdade; Y, por sua vez, tem SQY com (y 1); e XY tem SQXY com (x 1)(y 1) graus de liberdade. Como cada nvel de configurao investigado por meio de um determinado nmero de rplicas com (n 1) graus de liberdade, constata-se que o erro experimental pode ser obtido com xy(n 1) graus de liberdade. Por meio dos valores de SQX, SQY, SQXY, SQE e de seus respectivos graus de liberdade, pode-se estruturar as informaes necessrias ANOVA.
Tabela 2 Tabela de Anlise de Varincia para um modelo de efeitos fixos com dois fatores (X e Y)

Fonte de Variao X

Soma dos Quadrados SQX

Graus de Liberdade x-1

Mdia Quadrtica 1 1

F0

SQY

y-1

XY

SQXY

(x - 1)(y - 1)

1 ( 1) ( 1) 1

Erro

SQE

xy(n - 1)

Total

SQT

xyn - 1

Fonte: Adaptado de Montgomery e Runger (2009).

A Tabela 2 sintetiza os principais dados constituintes da ANOVA, para um planejamento fatorial de efeitos fixos com duas variveis de controle. Como possvel

115

perceber, a partir de SQ e dos graus de liberdade, pode-se calcular as Mdias Quadrticas (MQ) de cada parmetro investigado e de suas interaes, assim como do erro aleatrio dos experimentos (MQE). Os valores do Teste F para ANOVA (F0) tambm so dimensionados, partindo-se de MQ e MQE. com base em tais informaes, na verdade, que so avaliadas as diferenas de efeitos entre diferentes tratamentos de um fator de controle. Tomando-se como base o exemplo estruturado pela Tabela 2, pode-se afirmar que sua distribuio F caracterizada por: (x 1) e xy(n 1) graus de liberdade para X; (y 1) e xy(n 1) graus de liberdade para Y; (x 1)(y 1) e xy(n 1) graus de liberdade para XY. Nesse sentido, a anlise final sobre a variabilidade dos efeitos dos diferentes nveis de configurao do parmetro X, por exemplo, obedece a seguinte lgica: se o valor de F0 > F,(x 1), xy(n 1), possvel dizer que existe diferena estatisticamente relevante entre os efeitos proporcionados pelos diferentes tratamentos de X. Caso contrrio, ou seja, se F0 < F,(x 1), xy(n 1), entende-se que as diferenas de efeitos entre os distintos nveis de X no so expressivas estatisticamente, ou seja, o parmetro X no crtico ao desempenho do sistema em questo. 5. 2 ALGUMAS APLICAES DE DOE NO PLANEJAMENTO DA PRODUO Quando se investigam pesquisas relacionadas aplicao de mtodos de otimizao em problemas tericos e/ou prticos, a grande maioria dos trabalhos identificados no validam estatisticamente seus estudos comparativos em relao a outros mtodos j conhecidos. Geralmente, uma srie de simulaes e testes realizada e, com base nos valores registrados, so elaboradas concluses carentes de um embasamento estatstico formal e consistente, inferidas a partir de comparaes diretas entre os valores absolutos obtidos pelas tcnicas confrontadas, tal como em McMullen (2001) e Heinonen e Pettersson (2007). Quando o so, os procedimentos estatsticos utilizados no so explicitados, tornando difcil a interpretao do estudo por parte dos leitores. Tratando-se mais diretamente de mtodos de otimizao aplicados em problemas de planejamento da produo, algumas pesquisas demonstram satisfatoriamente os benefcios de se planejar estatisticamente um conjunto de experimentos, no somente do ponto de vista procedimental como tambm sob a perspectiva da validao matemtica dos resultados produzidos. Figlali et al. (2009) investigam a influncia das variveis de controle bsicas de um mtodo ACO (nmero de formigas - m, nmero de viagens - t, taxa de evaporao - , importncia relativa de feromnio - e importncia relativa da informao heurstica - ),

116

partindo da otimizao de JSS em sua concepo clssica, tendo o makespan como objeto de desempenho mensurado. Adotando-se ANOVA em cinco grupos de experimentos com caractersticas distintas relacionadas a parmetros de controle e aos prprios cenrios de JSS, os autores recorreram, inicialmente, ao planejamento fatorial completo 25 e, posteriormente, testaram o planejamento fatorial fracionrio 25-2, comparando seus resultados. Como concluses da pesquisa, constataram-se que o mtodo ACO apresenta melhor desempenho com altos valores de m e t e baixos valores de , sendo que no foram verificadas tendncias explcitas em relao s variveis e . No que diz respeito aos dois tipos de planejamento fatorial utilizados, observou-se a equivalncia estatstica entre ambos, sendo os resultados registrados pelas abordagens praticamente os mesmos. Isso mostra que, para determinados cenrios, o planejamento fatorial fracionrio pode gerar resultados de modo mais rpido e compacto, sem comprometimento da validade estatstica dos mesmos. Minikovski (2008), por sua vez, realiza estudo direcionado ao problema de planejamento mestre da produo (ou Master Production Scheduling MPS), no intuito de otimiz-lo com base na qualidade dos planos mestres gerados e no tempo computacional requerido, comparando o desempenho do algoritmo desenvolvido com o mtodo de programao matemtica BB e uma variante hibridizada entre esse e ACO. Analisando-se oito cenrios de complexidades distintas (trs considerados pequenos, trs mdios e dois cenrios grandes), a pesquisa utilizou planejamento fatorial completo 2k e ANOVA para estimar os efeitos de sete variveis de controle estabelecidas e confrontar a eficincia dos mtodos estudados (ACO, ACO hibridizado e BB). Por meio do uso de DOE, a pesquisa no somente conseguiu identificar adequadamente os parmetros de entrada que mais afetam o desempenho do mtodo proposto, como tambm demonstrou que as tcnicas ACO hibridizada e BB so estatisticamente superiores ACO pura em termos de qualidade das solues obtidas, apresentando diferenas estatisticamente relevantes entre suas mdias amostrais. Em se tratando do tempo computacional, o mesmo foi considerado estatisticamente equivalente para todas. Soares (2006) realizou pesquisa similar, porm utilizando-se da teoria de algoritmos genticos para a proposio de um mtodo de otimizao efetivo ao problema de MPS. Buscando-se averiguar os efeitos das variveis de controle, adotou-se o planejamento fatorial fracionrio 2k-p (210-3 = 128 corridas necessrias), uma vez que a anlise de todos os parmetros dimensionados (dez) resultaria em um nmero relativamente grande de replicaes (210 = 1024) e, consequentemente, em maior esforo computacional.

117

O autor da pesquisa ainda refinou sua anlise, investigando individualmente cada varivel do algoritmo, por meio de uma abordagem coeteris paribus, fixando os valores das demais com base na melhor configurao indicada pelo planejamento fatorial fracionrio efetuado previamente. Reproduzindo esse esquema de DOE a trs cenrios distintos de MPS, a pesquisa consegue no apenas caracterizar a influncia de cada varivel de controle sobre o desempenho do mtodo elaborado, como tambm capaz de subsidiar discusses sobre determinadas estratgias de desenvolvimento e configurao de algoritmos genticos. 5. 3 MODELO PROCEDIMENTAL DE DOE APLICADO CONFIGURAO DE ACO PARA PROGRAMAO DA PRODUO Com base nos aspectos tericos apresentados anteriormente relacionados a DOE e sua aplicao em problemas de JSS, e tomando como referncia a dinmica experimental de um grupo de pesquisas desenvolvidas que abrange os elementos tericos supracitados, tais como os trabalhos discutidos na seo anterior, pde-se formatar o modelo de DOE ilustrado na Figura 26. O modelo proposto segmenta o DOE em trs fases distintas, porm inter-relacionadas. Primeiramente, so feitas algumas consideraes preliminares fundamentais ao

desenvolvimento do planejamento experimental. Basicamente, trata-se da determinao clara e precisa de quais so os objetivos a se alcanar com a execuo dos experimentos pretendidos, ou seja, qual a finalidade dos testes a serem realizados (apurar os efeitos das variveis de controle? comparar estatisticamente os desempenhos de mtodos de otimizao distintos? etc.). Posteriormente, deve-se identificar os parmetros de configurao a serem estudados. Essa etapa muito importante, porque nem sempre o objetivo de uma pesquisa analisar os impactos de todas as variveis programveis, mas somente de um determinado conjunto de parmetros. Por esse motivo que a definio dos objetivos e escolha das variveis so medidas que devem ser discutidas antes de se tomar quaisquer decises acerca do planejamento experimental propriamente dito. A fase de investigao das variveis de controle abrange todos os procedimentos necessrios percepo da capacidade de influncia dos parmetros selecionados na primeira fase, englobando inclusive a determinao das configuraes de melhor desempenho verificadas pela anlise de varincia. A identificao dos valores de ajuste das variveis

118

pertinentes apresenta-se, de fato, como uma informao relevante ao planejamento fatorial, seja ele completo ou fracionrio.

Determinao dos Objetivos do Planejamento Experimental

CONSIDERAES PRELIMINARES

Identificao das Variveis de Controle para Anlise

Escolha do Tipo de Planejamento Fatorial a ser Adotado

Planejamento Fatorial Completo 2k Planejamento Fatorial Fracionrio 2k-p

Identificao dos Valores de Ajuste dos Parmetros de Controle

INVESTIGAO DAS VARIVEIS DE CONTROLE

Definio do Tamanho da(s) Amostra(s)

Realizao e Anlise Estatstica das Replicaes Planejadas

Execuo de Anlises Complementares

Refinamento das investigaes sobre as variveis de controle do mtodo de otimizao analisado

Definio das Configuraes de Melhor Desempenho Verificadas

Seleo do(s) Mtodo(s) de Otimizao Pertinente(s) ao Estudo Comparativo

Algoritmos genticos, simulated annealing, enxame de partculas, etc.

Determinao dos Parmetros de Viabilidade Tcnica de Comparao

Cenrios de otimizao, critrios de desempenho, etc.

ESTUDOS COMPARATIVOS

Aplicao de Testes Estatsticos

Testes F, t, Z, etc.

Avaliao Final dos Resultados dos Experimentos

Figura 26 - Modelo de DOE voltado investigao de variveis de controle e estudos comparativos de desempenho entre diferentes mtodos de otimizao

Alm disso, destaca-se a execuo de anlises complementares, que nada mais representam do que um eventual refinamento do estudo das variveis consideradas. Um

119

exemplo desse tipo de medida pode ser observado em Soares (2006), onde uma abordagem coeteris paribus foi utilizada complementarmente ao planejamento fatorial fracionrio 2k-p, almejando-se aprofundar a compreenso de certos parmetros investigados. A terceira fase, correspondente ao estudo comparativo do desempenho de um determinado mtodo experimentado em relao a outras tcnicas, marcada principalmente pela anlise de viabilidade e pertinncia das comparaes pretendidas. Isso quer dizer que, para que dois ou mais mtodos possam ter seus resultados adequadamente confrontados, necessrio verificar um conjunto de fatores que devem apresentar similaridades entre os contextos de aplicao dos algoritmos avaliados, tais como os mesmos critrios de desempenho, o tratamento dos mesmos cenrios de planejamento da produo, a adoo dos mesmos critrios de parada (quando possvel), dentre outros. Ainda sobre estudos comparativos, importante salientar a relevncia da aplicao de tcnicas estatsticas no planejamento, na realizao e no tratamento dos experimentos requisitados pela pesquisa. Pode-se dizer, inclusive, que a abordagem estatstica revelou-se um dos principais diferenciais dos trabalhos que servem de inspirao ao modelo sugerido, uma vez que seus resultados, alm de vlidos s pesquisas das quais fazem parte, tornam-se mais amplos, tendo em vista que passam a contar com a corroborao dos procedimentos matemticos adotados ao longo de suas anlises. Uma vez construdo um framework procedimental voltado implantao do DOE em estudos de criticidade de variveis de controle ao desempenho de sistemas e de avaliao comparativa entre diferentes mtodos de otimizao, devidamente amparado em aspectos tericos de estatstica e de colnia de formigas, pode-se dar continuidade pesquisa corrente, descrevendo-se quais foram, efetivamente, os experimentos delineados, praticados e analisados, de modo que fosse possvel avaliar quantitativa e qualitativamente as hipteses de pesquisa estabelecidas, bem como se os objetivos geral e especficos do projeto foram atingidos satisfatoriamente. 5. 4 DESCRIO E ANLISE DOS EXPERIMENTOS REALIZADOS De acordo com o mtodo de DOE anteriormente apresentado, o mtodo experimental almejado para esta pesquisa abrange, basicamente, trs fases de planejamento, execuo e anlise. O primeiro procedimento a ser cumprido a determinao dos objetivos do planejamento experimental. Logo, como explicitado algumas vezes ao longo do trabalho, foram definidas como intenes desta pesquisa a identificao dos efeitos que certos

120

parmetros de execuo apresentam sobre os resultados do mtodo ACO em FJSS-UPM, quando considerados makespan e tempo computacional, alm da realizao de testes formais sobre a eficincia da metaheurstica ACO para a resoluo do problema proposto, especialmente quando comparada tcnica de otimizao BB. Tambm em relao aos objetivos da pesquisa, torna-se importante caracterizar efetivamente os tipos de JSS que sero avaliados. Logo, quando foi estabelecido que os cenrios pesquisados tratar-se-iam de FJSS-UPM dotados de tempos de setup dependentes da relao de precedncia entre diferentes produtos, tal requisito do modelo sugerido foi igualmente atendido. O segundo momento de experimentao, destinado investigao do grau de impacto de determinadas variveis de controle no desempenho da metaheurstica ACO em FJSS-UPM, descrito na seo 5.4.1, onde planejado o primeiro grupo de experimentos do projeto, e finalizado na seo 5.4.3, onde so analisados estatisticamente os resultados obtidos. Como consequncias dessa fase de experimentos, pode-se identificar satisfatoriamente qual(is) varivel(is) (so) crtica(s) eficincia do algoritmo ACO, alm de se determinar quais so os melhores valores de configurao dos parmetros analisados, dentre as faixas investigadas nos experimentos. A terceira fase de experimentao, introduzida na seo 5.4.2, preocupa-se em avaliar o mtodo ACO em comparao tcnica BB, considerando-se a qualidade dos programas de produo gerados por ambos os algoritmos (makespan), bem como o tempo computacional necessrio execuo dos experimentos planejados. Com base nos dois grupos de experimentos pretendidos, pode-se refletir sobre os objetivos atribudos ao projeto, alm de se comprovar ou no as hipteses de pesquisa definidas ainda no primeiro captulo deste documento. 5. 4. 1 Grupo de experimentos I investigao das variveis de controle No intuito de possibilitar a anlise dos efeitos de determinadas variveis de controle no desempenho do algoritmo desenvolvido, deve-se, primeiramente, definir quais, dentre as estabelecidas ao mtodo ACO desenvolvido nesta pesquisa, tero, efetivamente, seus efeitos estudados. Nesse sentido, com base nos oito parmetros de ACO listados na seo 4.2.2, foram selecionados os seguintes: Nmero Mximo de Viagens (NMV); Quantidade Inicial de Feromnio (QIF); Quantidade Adicionada de Feromnio (QAF); Relevncia da Quantidade de Feromnio (); e Relevncia da Informao Heurstica ().

121

As variveis Coeficiente de Evaporao (), Valorizao da Melhor Resposta (VMR) e Nmero de Formigas (NF) foram excludas da anlise, no somente pelo fato de que a reduo da quantidade de parmetros contribui diretamente para um nmero menor de experimentos, mas tambm porque tais fatores j apresentam tendncias de configurao amplamente pesquisadas e condicionadas por outros trabalhos voltados ao estudo de ACO, sendo que os valores incorporados por essas variveis ao longo dos experimentos sero comentados mais adiante neste trabalho. Para se avaliar o grau de impacto das variveis selecionadas, utilizou-se o planejamento fatorial completo 2k com efeitos prefixados, ou seja, foram analisadas todas as combinaes possveis entre dois nveis distintos de configurao predefinidos para cada fator considerado neste estudo. Como foram estabelecidas cinco variveis de controle ao planejamento fatorial, tem-se que, para cada cenrio otimizado, existem 25 = 32 resultados possveis. O Quadro 7 exibe a matriz de planejamento do experimento 25, sendo que o sinal + representa o nvel de configurao mais elevado de certa varivel, enquanto o sinal - expressa o menor nvel de ajuste.
Combinaes de tratamentos (1) A B AB C AC BC ABC D AD BD ABD CD ACD BCD ABCD E AE BE ABE DE ACE BCE ABCE DE ADE BDE ABDE CDE ACDE BCDE ABCDE A + + + + + + + + + + + + + + + + B + + + + + + + + + + + + + + + + C + + + + + + + + + + + + + + + + D + + + + + + + + + + + + + + + + E + + + + + + + + + + + + + + + +

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

Quadro 7 Matriz de planejamento do experimento 25 planejado

122

Uma vez selecionadas as variveis de controle a serem investigadas e determinado o tipo de planejamento fatorial a ser utilizado (completo), seguindo-se as etapas sugeridas pelo modelo procedimental proposto, tornou-se necessria a definio dos nveis de configurao de cada parmetro analisado. Tratando-se de um planejamento fatorial 25, escolheram-se dois tratamentos (um mximo e um mnimo) para cada fator de entrada observado. Os valores foram atribudos a partir da consulta a outros trabalhos relacionados ao mtodo ACO, tais como Zwaan e Marques (1999), Zhang et al. (2006), Heinonen e Pettersson (2007), Rossi e Dini (2007), Santos (2008), Rossi e Dini (2009) e Fligali et al. (2009). O Quadro 8 registra no somente os nveis de configurao investigados junto s variveis de controle estudadas, como tambm os valores de configurao imputados aos parmetros do mtodo ACO que no foram selecionados para compor o planejamento fatorial deste projeto (, VMR e NF). Sobre o Quadro 8, vale destacar QAF, que tem seu valor calculado a partir de , sendo Tgb a melhor soluo (makespan) encontrada at a atual

iterao do mtodo, e Q uma constante determinada pelo pesquisador. No caso deste trabalho, verificar-se- o parmetro QAF por meio de seu componente Q, tratando-se ele como o elemento de controle da varivel QAF.
Variveis de Controle QAF (Q) NMV QIF VMR () NF Nveis de Configurao + 10 80 10 1 1 1 0,1 0,1 = nmero de ns do GD 100 5 10 10

Valores Determinados

Quadro 8 Configurao das variveis de controle do mtodo ACO desenvolvido

A prxima etapa do DOE a definio do tamanho das amostras necessrias aos testes estatsticos. No obstante, o clculo amostral encontra-se intimamente vinculado estatstica de teste de hipteses explorada. Assim, orientando-se pelas consideraes de Ryan (2009) acerca dos principais aspectos que influenciam a escolha de certa estatstica de teste (sintetizados no Quadro 6), constata-se que o teste t o mais adequado s circunstncias da

123

pesquisa,

especialmente

quando

observados

pequeno

tamanho

amostral

desconhecimento sobre a varincia das populaes investigadas. Segundo Dally et al. (1993) e Lapponi (2005), a distribuio t no somente a mais adequada para situaes com pequenas amostras (n 30), como seu valor pode auxiliar diretamente em clculos amostrais. Conforme esclarece a Equao (38), o tamanho amostral (n) pode ser definido, de modo que se obtenha uma estimativa da mdia de uma amostra para uma dada confiana.
=
2

(38)

Onde, t o valor obtido pela distribuio t de Student para o nvel de confiana estabelecido; representa o desvio padro; p sinaliza a preciso desejada; indica a mdia; e n corresponde, efetivamente, ao tamanho amostral dimensionado. O procedimento para encontrar o tamanho da amostra iterativo, ou seja, primeiramente determina-se um valor para n e verifica-se se t atende ao nvel de confiana vislumbrado. Se no o fizer, realizam-se novos ensaios, recalculando-se a mdia e o desvio padro at a convergncia de n. Para o estudo sugerido nesta primeira fase de experimentos, estabeleceu-se um intervalo de confiana de 95% (nvel de confiana de 5%) e preciso de aproximadamente 1%. Como resultado, obteve-se, por meio do procedimento iterativo supracitado, uma amostra com 16 elementos ou indivduos. Assim, foram estudados e caracterizados alguns cenrios de FJSS-UPM, cada um representando um elemento amostral. Ao todo, foram estruturados 30 cenrios, valor que, alm de atender s exigncias do tamanho amostral previamente calculado (n = 16), tambm abrange um grupo satisfatrio de diferentes ambientes produtivos. De forma geral, cada cenrio foi especificado segundo trs informaes, quais sejam: nmero de ordens de produo (jobs) programadas; nmero de operaes a serem executadas por job; e quantidade de recursos paralelos disponveis em cada clula produtiva. Os cenrios planejados podem ser vislumbrados por meio do Quadro 9. Eles foram assim caracterizados a partir das tendncias de experimentao apontadas por outras pesquisas relacionadas ao estudo de ACO e seus fatores de controle (FLIGALI et al., 2009; ROSSI e

124

DINI, 2007; SANTOS, 2008; ROSSI e DINI, 2009), assim como em funo da experincia dos autores deste projeto.
Recurso(s) paralelo(s) por operao(es) 1 3 4 1 3 4 1 3 4 1 3 4 1 3 4 1 3 4 1 3 4 1 3 4 1 3 4 1 3 4

Cenrios 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Ordens de Produo 5 5 5 5 5 5 5 5 5 10 10 10 10 10 10 10 10 10 25 25 25 25 25 25 25 25 25 50 50 50

Operao(es) 1 1 1 3 3 3 5 5 5 1 1 1 3 3 3 5 5 5 1 1 1 3 3 3 5 5 5 3 3 3

Quadro 9 Cenrios de FJSS-UPM planejados aos experimentos do grupo I

Alm das informaes gerais de configurao dos cenrios, foram tambm definidos outros aspectos importantes aos experimentos almejados. Foram considerados, no mximo, cinco produtos diferentes para cada cenrio investigado. Em outras palavras, pode-se afirmar que, em um cenrio com 15 ordens de produo observadas, por exemplo, so produzidos somente cinco itens diferentes, porm cada um apresentando trs jobs independentes entre si. Em relao s quantidades de produo de cada item trabalhado por um job, especificou-se que as mesmas deveriam oscilar uniformemente entre 500 e 5.000 unidades, independentemente do tipo de produto solicitado para fabricao. Tais informaes so

125

igualmente teis quando se atenta para a ocorrncia de tempos de setup dependentes do tipo de produto a ser processado em um determinado recurso. Constata-se, pois, que, para um dado recurso k de produo, imaginando-se o processamento prvio do produto X, tm-se apenas quatro possibilidades de ocorrncia de setup, dependendo do produto a ser processado imediatamente aps o item X, tambm no recurso produtivo k (produto X produto Y; produto X produto Z; produto X produto W; ou produto X produto V). Alm disso, destaca-se a independncia dos tempos de setup em relao s quantidades requisitadas dos itens programados. Logo, o tempo de setup da mquina k do processamento do produto X para a confeco do produto Y, por exemplo, ser o mesmo tanto para 1.000, quanto para 5.000 unidades de Y a serem processadas em k. Os tempos de setup foram todos configurados por meio de uma matriz de valores, todos relacionados aos provveis pares de itens processados, sequencialmente, por uma determinada mquina. importante frisar que o critrio de diferenciao de produtos adotado foi a observao dos diferentes tipos de matrias primas que os constituem. Levando-se em considerao que cada item fabricado composto por um determinado material de uso exclusivo dele, pode-se afirmar que, se uma mquina k deixar de produzir um produto X para processar outro produto Y, haver ocorrncia de setup, dependendo esse do valor registrado na matriz de tempos de setup e vinculado relao de precedncia entre o produto X e o produto Y, na mquina k. O Quadro 10 exemplifica a matriz de tempos de setup dependentes utilizada neste projeto, cujos valores foram definidos de modo aleatrio, variando em um intervalo de 0 a 10 horas.
Tempos de Setup Produto X (horas) Produto X Produto V Produto Y Produto W Produto Z 0 2 8 1 2

Produto V 4 0 2 6 9

Produto Y 9 7 0 10 3

Produto W 4 8 9 0 8

Produto Z 8 3 7 6 0

Quadro 10 Matriz de tempos de setup dependentes entre produtos com diferentes matrias-primas

Alm da especificao dos cenrios de FJSS-UPM a serem investigados e dos tempos de setup dependentes acessados ao longo da programao da produo, outro aspecto importante dos experimentos foi a estruturao das velocidades de processamento dos

126

recursos produtivos disponveis para agendamento. Como o problema estudado permite que um conjunto de mquinas possa processar a mesma operao, porm com velocidades distintas de processamento (UPMSS), foi necessria a configurao de diferentes velocidades produtivas para os recursos de fabricao de um mesmo grupo de recursos. Nesse sentido, foi estabelecido que cada recurso k de uma mesma clula i de produo teria sua velocidade de processamento, para um dado job j, definida aleatoriamente entre 70 e 100 unidades por hora. A Figura 27 ilustra um exemplo de processamento de um job j, por um grupo i de mquinas em paralelo. Como possvel constatar, cada um dos recursos componentes de i recebe certo valor de velocidade de processamento, entre 70 e 100 unidades por hora, sendo que essa dinmica de ajuste foi igualmente aplicada ao delineamento dos experimentos realizados. Vale lembrar, como esclarecido anteriormente, que cada job programado diz respeito a um nico produto. Logo, pode-se concluir que a velocidade de processamento de um job j por um recurso h de i nada mais representa do que a velocidade de processamento do produto X cuja produo requisitada pelo job j.

Job j

Grupo i
Mq. 1 Mq. 2 Mq. 3

. . .
vi,1,j = 74 und./h vi,2,j = 93 und./h vi,3,j = 89 und./h

Produto X

. . .
Mq. k

vi,k,j = (70, 100) und./h

Figura 27 Configurao de diferentes velocidades de processamento para os recursos paralelos de uma clula produtiva

Uma vez caracterizados os cenrios de FJSS-UPM a serem otimizados pelo algoritmo ACO desenvolvido e definidas algumas informaes complementares no somente necessrias especificao completa dos cenrios como tambm importantes preservao do carter aleatrio dos experimentos, pde-se estruturar o grupo II de experimentos, voltados ao estudo comparativo entre o mtodo ACO e a tcnica BB.

127

5. 4. 2 Grupo de experimentos II estudo comparativo entre ACO e BB Tomando-se por base o modelo de planejamento experimental estruturado neste trabalho, a primeira etapa de um estudo comparativo entre diferentes mtodos de otimizao a determinao de qual(is) condio(es) tcnica(s) deve(m) ser observada(s), de modo que a anlise comparativa pretendida torne-se efetivamente pertinente ou vivel. Nesse sentido, dois aspectos revelaram-se os alicerces do estudo comparativo, quais seriam: a preservao dos mesmos cenrios investigados; e a determinao e avaliao dos mesmos critrios de desempenho. Assim, antes mesmo de se definir com que outro mtodo de otimizao o desempenho do algoritmo ACO desenvolvido seria confrontado, predeterminou-se que ele deveria ser experimentado sobre os mesmos cenrios otimizados pelo ACO, ou seja, aqueles indicados pelo Quadro 9 aos experimentos do grupo I, assim como avaliados segundo makespan e tempo de execuo computacional. Identificados como parmetros do grupo II os mesmos cenrios e indicadores de eficincia do mtodo ACO estabelecidos ao grupo I de experimentos, a anlise teve continuidade a partir da escolha de qual(is) mtodo(s) de otimizao seria(m) promissor(es) a um estudo comparativo com ACO. Assim, depois de levantadas e averiguadas as tcnicas de otimizao mais aplicadas a problemas do tipo JSS, optou-se por investigar o desempenho do mtodo Branch-and-Bound (BB). Tal seleo teve como principal justificativa confrontar dois mtodos de naturezas e com aspiraes distintas, uma vez que, sendo uma tcnica de otimizao exata, BB procura identificar a melhor soluo para um determinado problema, enquanto ACO, sendo uma metaheurstica probabilstica, objetiva encontrar resultados satisfatrios, mas no obrigatoriamente timos. Outro aspecto interessante levado em considerao para a escolha do mtodo BB foram os critrios de desempenho avaliados. Tratando-se o makespan de um indicador avaliativo da qualidade das solues obtidas e o tempo computacional, da viabilidade tecnolgica do processo de otimizao, percebe-se que cada um dos critrios, a priori, favorece a utilizao de mtodos completos e aproximados, respectivamente. Nesse sentido, pois, a comparao entre ACO e BB ganha mais destaque, uma vez que, comparando seus resultados quando aplicados nos cenrios de FJSS-UPM dimensionados anteriormente, podese verificar at que ponto o ganho em velocidade de otimizao proporcionado por tcnicas probabilsticas (ACO) afeta ou no a qualidade dos programas de produo gerados.

128

Antes, contudo, de se estruturar os experimentos referentes ao estudo comparativo proposto, torna-se importante entender, ao menos superficialmente, quais as principais caractersticas do mtodo BB. Nesse contexto, Pinedo (2008) define o mtodo BB como um mtodo de otimizao completo que, a partir da gerao de todos os programas de produo ativos de um sistema, capaz de identificar a melhor soluo (tima) para um determinado problema do tipo JSS. possvel notar que um aspecto inerente ao BB, quando aplicado a problemas de JSS, a construo e avaliao apenas de programas de produo ativos, sendo importante, pois, compreend-los melhor. Um programa de produo classificado como ativo apenas quando ele no puder ser alterado de alguma maneira em que o adiantamento de uma determinada operao agendada no reflita no atraso de outra. Isto significa dizer que, quando um job requisitar o processamento de uma de suas operaes em certa mquina do sistema, ele ocorrer o mais cedo possvel, respeitando-se as restries de precedncia operacional do job.
INCIO Passo I (Inicializao do Sistema) Seja = {ui,j,1}, ui,j,k (somente as primeiras operaes de todos os jobs); Seja ri,j,k = 0, ui,j,k ; Passo II (Seleo de Mquina) Calcular, para uma soluo parcial, o valor de t(); = min , , , , + , , Definir i* como o recurso produtivo onde o valor mnimo identificado; Passo III (Construo de Solues Parciais) Seja = {ui*,j,k}, ri*,j,k < t(); Para cada operao de , considerar uma soluo parcial estendida, sendo a operao em uso agendada como a prxima na mquina i*; Para cada soluo parcial estendida, deletar a operao em uso de , incluindo sua sucessora imediata em ; Enquanto Retornar ao Passo II; Fim enquanto FIM
Quadro 11 Pseudo-cdigo genrico de BB em JSSPs Fonte: Adaptado de Pinedo (2008).

Sendo um conjunto com todas as operaes cujas tarefas precedentes j foram devidamente agendadas, ri,j,k o menor tempo de incio da operao ui,j,k, pi,j,k o tempo de processamento da operao k do job j na mquina i, e um subconjunto de , o Quadro 11

129

apresenta um pseudo-cdigo ilustrativo da dinmica de otimizao do mtodo BB, partindo-se da sistemtica de construo parcial de programas ativos de produo. Partindo-se do processo de gerao de programas de produo parciais ativos, o mtodo BB constri rvores de solues que, na verdade, correspondem ao prprio espao de busca do problema analisado. A Figura 28 demonstra, de forma simplificada, um processo de gerao de solues parciais via BB. Os ns S e S representam, respectivamente, as operaes ui*,j,k e ui*,l,h, que so as possibilidades de agendamento a serem avaliadas aps o processamento da operao representada pelo n S. Acrescentada uma das operaes dos ns S ou S soluo parcial em desenvolvimento, todos os arcos disjuntivos que relacionam a operao agendada a outras que ainda no o foram devem ser adicionados ao conjunto , dando continuidade construo de uma soluo vivel ativa, at que todas as possibilidades tenham sido testadas e seja encontrada a soluo tima.

N S

= {(ui*,j,k) (ui*,l,h)}

N S
Seleo da operao ui*,j,k Todos os arcos disjuntivos de ui*,j,k ui*,g,v (para todo ui*,g,v sendo uma operao ainda no agendada) devem ser adicionados

N S
Seleo da operao ui*,l,h Todos os arcos disjuntivos de ui*,l,h ui*,g,v (para todo ui*,g,v sendo uma operao ainda no agendada) devem ser adicionados

Figura 28 rvore de solues parciais geradas pelo mtodo Branch-and-Bound Fonte: Adaptado de Pinedo (2008).

Levando-se em considerao que o mtodo BB efetua uma varredura completa dos possveis programas de produo ativos de um cenrio de JSS, torna-se fcil concluir que a soluo indicada pela tcnica como tima, de fato, o ser, pois todas as possibilidades de agendamento das operaes consideradas foram esgotadas. Vale ressaltar a aplicabilidade do grafo disjuntivo ao algoritmo BB, uma vez que os ns da rvore estruturada ao longo de sua atuao correspondem, analogamente ao mtodo ACO, s operaes de um sistema, em outros termos, aos worktickets para alocao e agendamento.

130

Em termos de cenrios de FJSS-UPM utilizados para o estudo comparativo sugerido, vale frisar que alm de se utilizarem os mesmos aplicados ao grupo I de experimentos, foram preservadas tambm suas caractersticas complementares (quantidades de produo dos jobs programados, tempos de setup dependentes e velocidades de processamento dos diferentes recursos produtivos). Como j esclarecido, a manuteno dos mesmos cenrios de otimizao e dos mesmos critrios de desempenho so medidas fundamentais significncia e validao das comparaes realizadas. Delineados os grupos I e II de experimentos necessrios s pretenses deste projeto, teve incio a etapa de realizao efetiva dos ensaios planejados. Tal fase da pesquisa mostrouse de grande relevncia no somente aos testes estatsticos posteriormente desempenhados, em funo da coleta de dados acerca dos ciclos de otimizao efetuados pelos mtodos investigados (ACO e BB), como tambm ao replanejamento dos cenrios de experimentao, em virtude da relativa complexidade computacional de alguns dos ambientes produtivos definidos. 5. 4. 3 Realizao e ajuste dos experimentos planejados Apesar dos experimentos do grupo I e do grupo II possurem finalidades distintas (os primeiros voltam-se anlise da influncia de cada varivel de controle investigada no desempenho da metaheurstica ACO, enquanto os ltimos preocupam-se em analisar comparativamente ACO e BB), suas informaes, na verdade, so interdependentes. Tal afirmao baseia-se no fato de que a partir da anlise dos resultados do grupo I que so definidas as melhores configuraes dos fatores de controle do ACO, medida fundamental ao estudo comparativo entre esse e BB. Assim, mesmo que os experimentos do grupo II dependam dos resultados do grupo I, vlido interpretar a realizao de ambos de maneira conjunta e interdependente. Tendo em vista que o mtodo BB uma tcnica de programao matemtica aplicada usualmente em problemas de otimizao combinatria cujas solues podem ser obtidas em tempo polinomial, optou-se por executar uma breve srie de experimentos preliminares, de modo que fosse possvel identificar as limitaes da tcnica BB em termos de complexidade dos cenrios investigados, bem como dos tempos computacionais requisitados ao processo de otimizao. O intuito desses testes preliminares foi, com base no desempenho apresentado pelo algoritmo BB, confirmar a viabilidade dos cenrios previamente configurados para os experimentos do grupo I tambm aos cenrios do grupo II, ou acusar a necessidade de

131

refinamento daqueles, de maneira que fossem estudados cenrios igualmente viveis a ambos os grupos de experimentos. Para a realizao dos testes preliminares, foram selecionados 24 cenrios no necessariamente iguais aos 30 configurados originalmente, tendo-se como critrio de avaliao o tempo computacional necessrio resoluo de cada cenrio. Nesse aspecto, buscando-se limitar os esforos computacionais despendidos na resoluo dos cenrios escolhidos para os testes preliminares e preservar a coerncia do mtodo BB experimentado com o enquadramento do problema de JSS na hierarquia de PCP (planejamento de curto/curtssimo prazo), padronizou-se um tempo limite para a otimizao via BB de trs horas de execuo computacional. Caso o algoritmo identificasse a melhor soluo para o cenrio analisado dentro do prazo de trs horas, o sistema retornava o valor do resultado obtido e o tempo computacional necessrio para encontr-lo. Caso contrrio, o sistema indicava a insuficincia de tempo resoluo do problema proposto, bem como retornava a melhor soluo encontrada at a finalizao das trs horas estabelecidas. Os experimentos foram executados em computadores dotados das seguintes especificaes de hardware e software: processador Intel Core2 Duo E8400 3.00GHz; 2.00GB de memria RAM; e sistema operacional Microsoft Windows XP Professional 2002 (SP3). As informaes relacionadas a tempos de setup, velocidades de processamento dos recursos produtivos e quantidades de produo solicitadas por cada job foram mantidas as mesmas do planejamento original. As configuraes das quantidades de ordens de produo, de operaes e de recursos produtivos em paralelo, assim como os resultados obtidos em termos de tempo computacional, encontram-se devidamente discriminados no Quadro 12. Sobre os resultados apontados pelo mtodo BB, pde-se verificar algumas ocorrncias interessantes relacionadas ao mtodo BB. Primeiramente, observou-se que, at o cenrio 4, a tcnica BB identificou a soluo tima em um tempo computacional muito satisfatrio (aproximadamente um segundo). No entanto, o cenrio 5 apresentou um aumento sensvel de tempo computacional demandado execuo do mtodo, registrando a soluo tima depois de cerca de 95 minutos de atuao do algoritmo. Com base nesse e nos demais resultados dos testes preliminares, pde-se verificar que, entre as trs dimenses dos cenrios experimentados (quantidade de ordens de produo, de operaes e de recursos em paralelo), o nmero de operaes mostrou-se a caracterstica mais influente sobre o tempo de execuo computacional do mtodo BB.

132

Ordens de Cenrios Operao(es) Produo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 3 3 3 5 5 5 10 10 10 10 10 10 15 15 15 15 15 15 20 20 20 20 20 20 1 3 2 1 3 2 1 2 5 2 2 3 1 2 5 2 2 3 1 2 5 2 2 3

Recurso(s) Paralelo(s) por Operao 5 1 3 5 1 3 5 1 1 2 3 2 5 1 1 2 3 2 5 1 1 2 3 2

Alcanou Resultado? (tempo 3 horas) Sim Sim Sim Sim Sim No No No No No No -

Tempo Computacional (segundos) 0,2030 0,1410 0,8440 1,1250 5699,1910 "Falta de Memria" 10800 10800 Falta de Memria Falta de Memria "Falta de Memria" Falta de Memria 10800 10800 Falta de Memria Falta de Memria "Falta de Memria" Falta de Memria 10800 10800 Falta de Memria Falta de Memria "Falta de Memria" Falta de Memria

Quadro 12 Testes preliminares de otimizao de cenrios de FJSS-UPM via BB

Outro aspecto importante registrado a partir dos testes preliminares foi o retorno da mensagem Falta de Memria como resposta a alguns dos cenrios investigados. Tal retorno significa que as especificaes tcnicas dos computadores utilizados para a otimizao do cenrio em questo, especialmente no que diz respeito disponibilidade de memria virtual para armazenagem e processamento de dados temporrios, no foram capazes de suportar o processo de resoluo perpetuado pela tcnica BB. Vale ressaltar que, para a realizao dos testes preliminares, os computadores utilizados foram configurados para dispor de 2046 MB a 4092 MB de memria virtual. Por ltimo, observam-se os cenrios que no foram resolvidos otimamente dentro do prazo de trs horas estabelecido aos testes preliminares, mas que tambm no acusaram falta

133

de memria virtual do sistema. Analisando atentamente esses cenrios, pde-se observar que os mesmos so caracterizados ou por somente um estgio de processamento, ou por apenas um recurso produtivo por operao. Levando em considerao que at mesmo cenrios com 20 jobs dotados de apenas uma operao ou de apenas um recurso no acusaram falta de memria, porm no foram igualmente resolvidos em trs horas de otimizao, fica ntido que o volume de dados que sobrecarregam o sistema parte, na verdade, da quantidade de operaes e/ou de mquinas em paralelo configuradas a cada cenrio. Logo, quanto mais operaes e recursos paralelos forem atribudos a um cenrio de FJSS-UPM, maior a necessidade por memria virtual voltada ao funcionamento do mtodo BB. Essa limitao operacional da tcnica BB (memria virtual), na verdade, sustentada pela prpria natureza do mtodo. Como explicado preteritamente, o BB gera suas solues a partir da construo de programas de produo parciais ativos, desenvolvendo-se uma rvore de possibilidades de agendamento e sequenciamento das operaes de um sistema, tal como um grupo de procedimentos recursivos que, agregando novas operaes aos programas parciais de produo, ocupa progressivamente a memria virtual da plataforma computacional utilizada. Destarte, quanto maior a quantidade de operaes e recursos produtivos de um cenrio de JSS, maior ser a rvore de busca originada pelo mtodo BB. Consequentemente, maior ser o consumo de memria computacional, recurso este que pode revelar-se como uma importante restrio ao processo de otimizao, como foi verificado a partir dos testes preliminares. Com base nos resultados apresentados pelos ensaios prvios, constatou-se a necessidade de se reformularem os cenrios de pesquisa a serem investigados pelos grupos I e II de experimentos. Nesse sentido, no somente a quantidade de cenrios foi diminuda de 30 para 17, como a complexidade dos mesmos tambm foi reduzida, de modo que o mtodo BB fosse capaz de resolv-los em sua maioria. Contudo, alguns cenrios que no foram solucionados pelo algoritmo BB nos testes preliminares, ainda assim, foram mantidos na reestruturao de cenrios para as experimentaes finais do grupo I e do grupo II. Isto porque tais ambientes produtivos ilustram adequada e nitidamente a principal limitao da tcnica BB em relao metaheurstica ACO, tratando-se justamente do tempo de execuo computacional requisitado atuao dos mtodos. Alm disso, o intervalo de tempo concedido otimizao dos cenrios de FJSS-UPM definidos foi ampliado de trs para quatro horas, assim como foram utilizados computadores dotados de especificaes tcnicas mais sofisticadas, tais quais: Intel Core2 Duo T7300 2.00GHz; 4.00GB de memria RAM; sistema operacional Microsoft Windows Vista Ultimate

134

2007 (SP2); e memria virtual disponvel de 8184 MB a 32736 MB. Tais medidas foram implementadas no intuito de permitir com que a tcnica BB fosse capaz de resolver um nmero maior de cenrios produtivos, contribuindo diretamente para a anlise estatstica do grupo II de experimentos. Os cenrios resultantes do refinamento dos testes preliminares podem ser averiguados por meio do Quadro 13, levando-se em considerao as mesmas caractersticas registradas no planejamento original dos cenrios de experimentao (vide Quadro 9), alm dos produtos vinculados a cada ordem de produo programada e suas respectivas quantidades.
Quantidades a Ordem(ns) de Produzir (unid.) Produo 4500 2950 3450 4250 2750 1150 3050 2300 4450 1200 2200 750 1550 5000 550 5000 3950 3450 4800 1100 900 4000 2750 1000 2200 1 1 1 1 2 2 2 2 Recurso(s) Paralelo(s) por Operao 5 3 2 5 5 3 2 5

Cenrios 1 2 3 4 5 6 7 8

Produtos 004 012 023 018 001 005 011 014 022 025 019 017 001 002 004 011 014 013 024 022 021 017 019 020 001

Operao(es) 1 2 3 3 1 2 3 3

10

11

12 13

3 4

3 1

5 5

135

Cenrios

Produtos 005 003 004 011 014 015 013 016 019 018 017 001 002 005 004 003 016 020 019 018 017

Quantidades a Ordem(ns) de Produzir (unid.) Produo 4700 3450 1050 4800 3750 2850 1000 5000 4050 3400 3200 2300 4500 4400 3250 2850 4050 5000 2550 2350 800

Operao(es)

Recurso(s) Paralelo(s) por Operao

14

15

16

17

Quadro 13 Cenrios de FJSS-UPM planejados aps realizao dos testes preliminares

Definidos os cenrios efetivamente trabalhados pelo grupo I e pelo grupo II de experimentos, pde-se dar continuidade aos ensaios planejados, realizando-os e analisando-os com base nos objetivos atribudos pesquisa. Vale ressaltar, no entanto, que, apesar do grupo II ter influenciado na deciso sobre quais cenrios foram delineados tambm ao grupo I, a realizao e a anlise dos experimentos de ambos os grupos no ocorre de forma independente. Na verdade, primeiramente foram executados e analisados os experimentos do grupo I para, somente depois, dar-se incio aos experimentos do grupo II. Tal sequncia foi respeitada, de fato, em virtude das anlises do grupo I afetarem diretamente os valores de configurao dos parmetros de controle do mtodo ACO a ser confrontado com a tcnica BB, sendo essa comparao o principal intuito do grupo II de experimentos.

136

5. 4. 4 Anlise estatstica dos grupos I e II de experimentos Como esclarecido previamente, os experimentos do grupo II dependeram diretamente das anlises dos resultados do grupo I, particularmente em virtude dos valores de configurao do mtodo ACO a serem utilizados para o estudo comparativo com a tcnica BB. Logo, inicialmente foi realizada a anlise dos experimentos do grupo I para, somente depois, analisar-se os ensaios do grupo II. 5. 4. 4. 1 Anlise do grupo I de experimentos

Objetivando a identificao de qual(is) varivel(is) (so) crtica(s) ao desempenho do mtodo ACO, recorreu-se anlise de varincia (ANOVA) aplicada ao planejamento fatorial 25. Retomando-se o modelo estatstico linear aditivo apresentado pela Equao (36), pode-se definir o modelo analisado por este trabalho da seguinte forma:
= + + + + + + . + .

+ .

+ .

+ .

+ .

+ .

+ .

+ .

+ .

+ . .

+ . .

+ . .

+ . .

+ . .

+ . .

+ . .

+ . .

+ . .

+ . .

+ . . .

+ . . .

+ . . .

+ . . . +

+ . . .

+ . . . .

(39)

Assim como no modelo genrico da Equao (36), a Equao (39) traz representando o efeito mdio geral das variveis estudadas, i, j, QIFk, QAFm e NMVn expressam os efeitos principais dos fatores estudados, (.)ij, (.QIF)ik, (.QIF)jk, (.QAF)im, (.QAF)jm, (QIF.QAF)km, (.NMV)in, (.NMV)jn, (QIF.NMV)kn e (QAF.NMV)mn representam os efeitos das interaes de segunda ordem entre os parmetros investigados, (..QIF)ijk, (..QAF)ijm, (.QIF.QAF)ikm, (.QIF.QAF)jkm, (..NMV)ijn, (.QIF.NMV)ikn, (.QIF.NMV)jkn, (.QAF.NMV)imn, (.QAF.NMV)jmn e (QIF.QAF.NMV)kmn so os efeitos das interaes de terceira ordem, (..QIF.QAF)ijkm, (..QIF.NMV)ijkn, (..QAF.NMV)ijmn, (.QIF.QAF.NMV)ikmn e (.QIF.QAF.NMV)jkmn significam o efeito das interaes de quarta

137

ordem, enquanto (..QIF.QAF.NMV)ijkmn exprime o efeito da nica interao de quinta ordem do planejamento fatorial analisado, sendo um componente de erro aleatrio. Em se tratando de ANOVA, necessrio, como salientado na seo 5.1, estabelecer qual(is) hiptese(s) pretende-se testar (H0) e qual(is) (so) a(s) hiptese(s) alternativa(s) passvel(is) de apreciao (H1). Nesse contexto, foram definidos quatro blocos de hipteses H0 H1 a se verificar, sendo cada grupo voltado anlise dos efeitos de ordens diferentes de interao entre as variveis de controle. O primeiro grupo, por exemplo, volta-se anlise dos efeitos principais das variveis de controle em seus diferentes tratamentos. O segundo conjunto H0 H1, por sua vez, aborda os efeitos advindos das interaes de segunda ordem entre os diferentes nveis de configurao dos fatores de controle do algoritmo ACO, e assim sucessivamente para os dois grupos restantes. : = = = = = : No exemplo acima, a hiptese nula estabelece que no h diferenas relevantes nos efeitos da varivel QAF sobre o desempenho do algoritmo ACO, quando modificados seus nveis de configurao. A hiptese alternativa, por outro lado, estabelece que existem diferenas expressivas para ao menos um dos tratamentos do parmetro QAF. O mesmo raciocnio pode ser perpetuado s interaes de segunda ordem, por exemplo. No caso ilustrado abaixo, H0 defende que os efeitos proporcionados pelas combinaes entre os nveis de QAF e QIF no apresentam diferenas estatisticamente relevantes, enquanto H1 aponta a existncia de diferenas relevantes para ao menos uma combinao de tratamentos entre QAF e QIF. : (. ) = , : .

A mesma lgica adotada elaborao dos conjuntos de hipteses acima apresentados foi estendida para as demais variveis de controle investigadas, bem como para as interaes de segunda, terceira, quarta e quinta ordens restantes. vlido frisar que a aplicao de ANOVA sobre as hipteses confeccionadas para os efeitos dos parmetros verificados foi discriminada a cada cenrio de FJSS-UPM planejado aos experimentos. Tal iniciativa foi tomada em virtude das possibilidades de anlise que surgem a partir da interpretao

138

individualizada dos efeitos das variveis de entrada sobre cada cenrio investigado. Por meio desse artifcio de anlise, pode-se, eventualmente, identificar algum padro ou tendncia de comportamento dos fatores de controle em relao complexidade dos cenrios estudados em termos de quantidade de ordens de produo, de operaes e/ou de recursos produtivos em paralelo. Tomando-se como exemplo o comportamento das variveis de controle do mtodo ACO em relao ao processo de otimizao do cenrio 4 (composto por uma ordem de produo, trs operaes e cinco recursos produtivos em paralelo para cada estgio de processamento), pode-se testar satisfatoriamente as hipteses relacionadas aos efeitos principais e de segunda, terceira, quarta e quinta ordens das variveis de controle do ACO por meio de ANOVA. importante salientar que, para a anlise do planejamento fatorial 25 pesquisado, os indicadores de desempenho foram mensurados a partir de 30 replicaes de cada uma das 32 combinaes entre os diferentes nveis de configurao dos fatores de controle pesquisados. A Tabela 3 demonstra o processo de coleta de dados de uma das 32 combinaes entre os parmetros de controle investigados para o cenrio 4. Alm dos valores absolutos dos indicadores de desempenho avaliados (makespan e tempo computacional), registram-se tambm estimativas da mdia e do desvio-padro () dos dados coletados pelas 30 replicaes.
Tabela 3 Exemplo de coleta de dados a partir de 30 replicaes de uma combinao de tratamentos dos fatores de controle investigados para o cenrio 4 (com um job, trs operaes e cinco recursos paralelos)

Replicaes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

= 10 / = 1 / QIF = 1 / QAF = 80 / NMV = 10 Makespan (horas) Tempo Computacional (seg.) 137,1327595 0,028000376 137,1327595 0,027999748 133,0909581 0,027999748 139,6728025 0,026999577 133,6215448 0,028999918 133,6215448 0,028000376 139,6728025 0,027999748 133,6215448 0,030000089 131,0815018 0,027000206 131,0815018 0,028999918 135,803724 0,028999918 133,909807 0,028000376 135,2847985 0,030000089 133,0909581 0,027000206 137,2942548 0,027999748

139

Replicaes 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Mdia Desvio-padro ()

= 10 / = 1 / QIF = 1 / QAF = 80 / NMV = 10 Makespan (horas) Tempo Computacional (seg.) 135,2847985 0,027000206 131,0815018 0,026999577 137,8131803 0,030000089 133,909807 0,027000206 137,2942548 0,028999918 135,9192633 0,027000206 137,1327595 0,027999748 133,6215448 0,027000206 133,909807 0,026999577 133,909807 0,028000376 137,2942548 0,026999577 137,8131803 0,028000376 135,803724 0,028999918 133,909807 0,028999918 135,4669638 0,026000035 135,1759305 0,027999999 2,329862962 0,001050466

De posse de todas as 30 replicaes de cada uma das 32 combinaes possveis entre os tratamentos das variveis de controle estudadas e, consequentemente, dos valores mdios do makespan e do tempo computacional proporcionados por cada uma das combinaes mensuradas, pode-se ter uma primeira viso geral acerca das diferenas de desempenho do ACO proporcionadas pelas alteraes nas configuraes de suas variveis de entrada.
Tabela 4 Sntese do planejamento fatorial 25 aplicado sobre o cenrio 4 (um job, trs operaes e cinco recursos paralelos)

Combinao 1 2 3 4 5 6 7 8 9 10 11 12 13 14

1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 10 10 10 10 10 10

QIF 1 1 1 1 5 5 5 5 1 1 1 1 5 5

QAF 10 10 80 80 10 10 80 80 10 10 80 80 10 10

NMV Makespan (horas) 10 100 10 100 10 100 10 100 10 100 10 100 10 100 135,4160775 135,5860687 135,398192 135,9044823 136,3741643 137,3034095 137,4633054 136,2256668 135,665679 135,0203943 135,8338241 135,7400162 136,4317145 137,1679456

Tempo Computacional 0,027866664 0,211800048 0,027866643 0,213566639 0,028033338 0,211633374 0,027933342 0,211099971 0,028033359 0,212933323 0,027833346 0,213966707 0,02800002 0,213366647

140

Combinao 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

1 1 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10

10 10 1 1 1 1 1 1 1 1 10 10 10 10 10 10 10 10

QIF 5 5 1 1 1 1 5 5 5 5 1 1 1 1 5 5 5 5

QAF 80 80 10 10 80 80 10 10 80 80 10 10 80 80 10 10 80 80

NMV Makespan (horas) 10 100 10 100 10 100 10 100 10 100 10 100 10 100 10 100 10 100 135,6965959 135,9887843 135,3571082 135,2322506 135,1759305 135,5489965 146,2152314 145,6102594 146,4570928 144,5447783 135,5399351 135,0752654 135,9146636 135,3317326 147,6575045 148,7597683 148,1963731 146,8637155

Tempo Computacional 0,027700011 0,211300005 0,027833346 0,213099997 0,027999999 0,211899981 0,026966678 0,207666638 0,0269 0,209999951 0,027833283 0,213199931 0,028300029 0,211566654 0,026766623 0,207166679 0,026766602 0,206666635

A Tabela 4 exemplifica, ainda com base na otimizao do cenrio 4, o resumo das informaes resultantes do planejamento fatorial 25 realizado. As colunas da esquerda apontam os valores de configurao mnima e mxima de cada parmetro de controle, utilizada em cada combinao experimentada. As duas ltimas colunas, por sua vez, apresentam os valores mdios de makespan e tempo computacional obtidos a partir das 30 replicaes de cada combinao.
Tabela 5 Resultados da ANOVA para o planejamento fatorial 2 5 aplicado ao cenrio 4 (um job, trs operaes e cinco recursos paralelos), tendo como indicador de desempenho o makespan

ANOVA Fatores QIF QAF NMV * * QIF * QAF * NMV * QIF * QAF 201,3236 1,5624 307,6173 0,1416 0,261 4,0071 215,4991 0,0153 0,5524 1,1499 0,0592

MAKESPAN Soma dos Quadrados GL Mdia Quadrtica 1 1 1 1 1 1 1 1 1 1 1 201,3236 1,5624 307,6173 0,1416 0,261 4,0071 215,4991 0,0153 0,5524 1,1499 0,0592 F

R2: 1764,69 13,695 2696,39 1,241 2,288 35,124 1888,94 0,134 4,842 10,08 0,519

0,99 p 0 0,01008 0 0,307878 0,181173 0,00103 0 0,72687 0,070063 0,0192 0,498395

141

ANOVA

MAKESPAN

R2: F 0,228 9,989 0,372 7,085 28,16 0,463 0,313 0,006 2,043 0,736 3,437 10,993 0,01 15,908 0,5400 0,1700 3,3300 0,1000 0,2400

0,99 p 0,649843 0,01955 0,564256 0,03744 0,00182 0,52148 0,595865 0,94253 0,202825 0,423813 0,113185 0,01609 0,922333 0,00721 0,5970 0,7520 0,3190 0,8090 0,7080

Fatores Soma dos Quadrados GL Mdia Quadrtica * NMV 0,026 1 0,026 QIF * QAF 1,1396 1 1,1396 QIF * NMV 0,0424 1 0,0424 QAF * NMV 0,8083 1 0,8083 * * QIF 3,2127 1 3,2127 * * QAF 0,0529 1 0,0529 * * NMV 0,0358 1 0,0358 * QIF * QAF 0,0006 1 0,0006 * QIF * NMV 0,2331 1 0,2331 * QAF * NMV 0,084 1 0,084 * QIF * QAF 0,3921 1 0,3921 * QIF * NMV 1,2541 1 1,2541 * QAF * NMV 0,0012 1 0,0012 QIF * QAF * NMV 1,8148 1 1,8148 * * QI F *QAF 0,0690 1 0,0690 * * QIF * NMV 0,0220 1 0,0220 * * QAF * NMV 0,4240 1 0,4240 * QIF * QAF * NMV 0,0120 1 0,0120 * QIF * QAF * NMV 0,0310 1 0,0310 Erro 0,6845 6 0,1141 SQ Total 741,9709 31

A partir dos dados registrados na Tabela 4, pode-se conhecer o comportamento do mtodo ACO em funo dos diferentes tratamentos de suas variveis de controle por meio de ANOVA, mais especificamente do teste F. Para a realizao do teste F, foi utilizado o software Statistica 8.0, alm do que foram estabelecidos um intervalo de confiana de 95% e um nvel de significncia de 5%. Os resultados do teste F para as mdias de makespan e tempo computacional registradas na Tabela 4 podem ser vislumbrados nas Tabelas 5 e 6, respectivamente.
Tabela 6 Resultados da ANOVA para o planejamento fatorial 2 5 aplicado ao cenrio 4 (um job, trs operaes e cinco recursos paralelos), tendo como indicador de desempenho o tempo computacional

ANOVA Fatores QIF QAF NMV *

TEMPO COMPUTACIONAL

R2:

0,99

Soma dos Quadrados GL Mdia Quadrtica F p 0,000016 20,9 0,003818 1 0,000016 0,000000 0,0 0,880347 1 0,000000 0,000024 32,0 0,001306 1 0,000024 0,000000 0,0 0,870055 1 0,000000 0,269800 362264,0 0,000000 1 0,269800 0,000002 2,3 0,178663 1 0,000002

142

ANOVA

TEMPO COMPUTACIONAL F

R2:
13,6 0,0 8,8 0,8 1,3 0,0 0,1 14,6 0,0 0,8 0,0 2,4 3,8 3,2 0,2 0,5 0,2 1,3 0,0

0,99 p
0,010161 0,994792 0,024951 0,419173 0,297660 0,932166 0,749304 0,008793 0,880347 0,419191 0,963417 0,168951 0,097749 0,122675 0,645012 0,508205 0,672759 0,302949 0,973882

Fatores Soma dos Quadrados GL Mdia Quadrtica 0,000010 * QIF 1 0,000010 0,000000 * QAF 1 0,000000 0,000007 * NMV 1 0,000007 0,000001 * QIF 1 0,000001 0,000001 * QAF 1 0,000001 0,000000 * NMV 1 0,000000 0,000000 QIF * QAF 1 0,000000 0,000011 QIF * NMV 1 0,000011 0,000000 QAF * NMV 1 0,000000 0,000001 * * QIF 1 0,000001 0,000000 * * QAF 1 0,000000 0,000002 * * NMV 1 0,000002 0,000003 * QIF * QAF 1 0,000003 0,000002 * QIF * NMV 1 0,000002 0,000000 * QAF * NMV 1 0,000000 0,000000 * QIF * QAF 1 0,000000 0,000000 * QIF * NMV 1 0,000000 0,000001 * QAF * NMV 1 0,000001 0,000000 QIF * QAF * NMV 1 0,000000 * * QI F *QAF 0,0000 1 0,0000 * * QIF * NMV 0,0000 1 0,0000 * * QAF * NMV 0,0000 1 0,0000 * QIF * QAF * NMV 0,0000 1 0,0000 * QIF * QAF * NMV 0,0000 1 0,0000 Erro 0,000004 6 0,000001 SQ Total 0,269884 31

1,8000 7,6000 1,6700 59,7800 4,7100

0,4080 0,2220 0,4190 0,0820 0,2750

Observando os resultados da anlise de varincia registrados pelas Tabelas 5 e 6, uma srie de anlises podem ser desenvolvidas. Inicialmente, repara-se no valor do coeficiente de determinao R2. Como possvel verificar, seu valor, tanto para o makespan quanto para o tempo computacional, gira em torno de 0,99, ou seja, muito prximo de 1. Isto significa que o modelo ANOVA estatstico linear aditivo representa satisfatoriamente o planejamento fatorial 25 implementado. Partindo-se da adequabilidade do modelo aos experimentos planejados, pode-se analisar objetivamente os resultados da ANOVA em relao aos impactos causados pelo diferentes tratamentos das variveis de controle estudadas. Nesse sentido, duas interpretaes podem ser adotadas com base nos valores de F e p indicados pelas Tabelas 5 e 6. Se o valor de F calculado para um determinado fator observado for menor do que o valor de F tabelado, pode-se inferir que variaes nos nveis de configurao desse parmetro no interferem de

143

modo estatisticamente relevante no desempenho do mtodo ACO. Em outras palavras, a hiptese nula (A1 = A2 = A3 = . . . = Aa = 0) no pode ser rejeitada. Caso contrrio, ou seja, se F calculado for maior do que F tabelado, existem diferenas estatisticamente relevantes entre os resultados advindos da adoo dos diferentes tratamentos de certo fator de controle, conforme ilustram os dados destacados em negrito nas Tabelas 5 e 6. As mesmas concluses podem ser feitas atravs do valor de p. Se, para uma determinada varivel de controle, o ndice p for maior do que o nvel de significncia estabelecido (no caso desta pesquisa, 0,05), os diferentes nveis de configurao do parmetro em estudo no influenciam de modo estatisticamente relevante a eficincia do mtodo ACO. Caso contrrio, ou seja, se p for menor do que 0,05, ento as diferenas de tratamento so significativas, podendo ser rejeitada a hiptese H0 em prol da hiptese alternativa especificada, situao igualmente destacada em negrito nas Tabelas 5 e 6. Tendo em vista os valores de F e p apontados pela Tabelas 5, nota-se que as variveis , e QIF tm seus efeitos principais sensivelmente relevantes ao desempenho do mtodo em termos de makespan (parmetros significativos nvel de 95% de confiabilidade destacados em negrito). Em se tratando de interaes de segunda e terceira ordens, destacam-se * , * QIF, * QIF, QIF * QAF, QAF * NMV, * * QIF, * QIF * NMV e QIF * QAF * NMV. De modo geral, percebe-se que praticamente todas as interaes de segunda ordem envolvendo os efeitos principais de , e QIF, individualmente significativos ao desempenho do algoritmo, so igualmente estatisticamente relevantes, bem como algumas interaes de terceira ordem. Curiosamente, apesar de no se mostrarem isoladamente relevantes, a interao QAF * NMV estatisticamente significativa ao comportamento da metaheurstica ACO. Interaes de quarta e quinta ordens no apresentaram relevncia alguma. O mesmo tipo de anlise pode ser conduzido junto aos resultados da Tabela 6, destinada ao tempo computacional. Nesse sentido, fica ntido que os fatores , QIF e NMV so os nicos cujos efeitos principais so estatisticamente expressivos ao desempenho do mtodo, assim como suas interaes de segunda ordem. Em termos de interaes de terceira ou maior ordem, nenhum efeito estatisticamente relevante foi identificado. vlido ressaltar, a essa ocasio da pesquisa, que a interao de quinta ordem ( * * QI F * QAF * NMV) no se mostrou relevante estatisticamente nem para os indicadores do cenrio 4, nem para outros cenrios analisados previamente em carter experimental. Logo, a interao de quinta ordem foi dispensada dos demais testes de varincia, no sendo incorporada s tabelas ANOVA explanadas ao longo das anlises restantes.

144

Alm do coeficiente de determinao e da anlise de varincia, outro aspecto interessante a ser estudado o impacto que cada fator exerce sobre os critrios de desempenho avaliados. Tal anlise, alm de permitir a identificao do(s) parmetro(s) mais relevante(s) eficincia da tcnica ACO, tambm possibilita a percepo direta e em valores absolutos das mudanas sofridas pelos indicadores de desempenho, quando alterados os nveis de configurao de um determinado fator de controle. As Tabelas 7 e 8 apresentam as estimativas dos efeitos principais das variveis de entrada consideradas pelo planejamento fatorial 25 investigado tanto para o makespan quanto para o tempo computacional. Observando as Tabelas 7 e 8, destacam-se suas primeiras colunas, voltadas caracterizao dos impactos causados por uma determinada varivel de controle ao makespan e ao tempo computacional, respectivamente, quando alterada sua configurao do nvel inferior (-) para o nvel superior (+). Isto significa que, tomando-se como exemplo o fator , quando sua configurao ajustada de 1 (valor mnimo) para 10 (valor mximo), o makespan incrementado, em mdia, em 5,0165 unidades, enquanto o tempo computacional reduzido, em mdia, em 0,001394 unidades. Assim, pode-se afirmar que, para o cenrio 4, as variveis de maior influncia sobre a metaheurstica ACO so QIF e (makespan), e NMV (tempo computacional).
Tabela 7 Estimativa dos efeitos principais das variveis de controle analisadas segundo o makespan, para o cenrio 4 (um job, trs operaes e cinco recursos paralelos)

Fatores Mdia / Interc. QIF QAF NMV

Efeito
138,5843 5,0165 0,4419 6,2010 -0,1330 -0,1806

Erro Padro
0,059709 0,119418 0,119418 0,119418 0,119418 0,119418

t(6)
2321,000 42,008 3,701 51,927 -1,114 -1,512

p
0,000000 0,000000 0,010080 0,000000 0,307878 0,181173

Int. Conf. -95%

138,4382 4,7243 0,1497 5,9088 -0,4252 -0,4728

Int. Conf. +95%

138,7304 5,3087 0,7341 6,4932 0,1592 0,1116

Tabela 8 Estimativa dos efeitos principais das variveis de controle analisadas segundo o tempo computacional, para o cenrio 4 (um job, trs operaes e cinco recursos paralelos)

Fatores Mdia / Interc. QIF QAF NMV

Efeito
0,119486 -0,001394 -0,000048 -0,001727 -0,000052 0,183644

Erro Padro
0,000153 0,000305 0,000305 0,000305 0,000305 0,000305

t(6)
783,2224 -4,5680 -0,1571 -5,6605 -0,1707 601,8837

p
0,000000 0,003818 0,880347 0,001306 0,870055 0,000000

Int. Conf. -95%

0,119113 -0,002140 -0,000795 -0,002474 -0,000799 0,182897

Int. Conf. +95%

0,119860 -0,000647 0,000699 -0,000981 0,000694 0,184390

145

A anlise dos demais cenrios foi desempenhada de forma anloga qual foram submetidos e tratados os dados do planejamento fatorial 25 aplicado ao cenrio 4. Assim, para cada cenrio estruturado ao grupo I de experimentos foram observadas e interpretadas informaes sobre coeficiente de determinao (R2), teste F e estimativas dos efeitos principais das variveis de controle estudadas, segregando-se as anlises em funo do indicador de desempenho abordado (makespan e tempo computacional). A Tabela 9 apresenta de forma sintetizada todos os valores do teste F para cada combinao possvel entre os diferentes nveis de configurao dos parmetros de controle investigados e seus efeitos sobre o makespan. Na horizontal, encontram-se listados todos os 17 cenrios de FJSS-UPM delineados aps os testes preliminares, cada um definido a partir da representao A x B x C, onde: A exprime a quantidade de ordens de produo a programar; B aponta o nmero de operaes de cada job; e C define a quantidade de recursos produtivos paralelos disponveis. Na primeira coluna da esquerda constam todos os fatores principais e de segunda, terceira e quarta ordens, recordando que a interao de quinta ordem foi retirada da anlise em virtude de no expressar significncia estatstica em nenhum dos cenrios pesquisados. Nesse sentido, vale ressaltar que os valores de F destacados em negrito expressam a relevncia estatstica de uma determinada varivel e/ou interao de segunda ou maior ordem, sob um intervalo de confiana de 95% e nvel de significncia de 0,05. Em outros termos, um valor de F negritado caracteriza a refutao da hiptese H0. Iniciando-se a interpretao da Tabela 9 pelos valores de R2, constata-se que o modelo ANOVA implantado, de fato, adequado ao planejamento fatorial completo 25, com base no indicador makespan e nos cenrios investigados. Os valores de R2 foram todos enquadrados entre 0,90 e 0,99, ou seja, muito prximos de 1, fato que caracteriza a correspondncia do modelo estatstico linear aditivo representao e conduo dos experimentos planejados. Analisando-se os valores de F registrados pela Tabela 9, torna-se fcil a percepo de que as variveis , QIF e a interao de segunda ordem entre ambas so os fatores de maior significncia estatstica ao mtodo e, particularmente, ao makespan. Logo, a relevncia da quantidade de feromnio depositada, a quantidade de feromnio inicialmente atribuda aos arcos de um GD e a interao entre essas informaes apresentam-se como os parmetros que afetam com maior sensibilidade o makespan alcanado pelo mtodo ACO experimentado nesta pesquisa.

146

Tabela 9 Resultados da Anlise de Varincia (ANOVA) aplicada sobre o planejamento fatorial 2 5, segundo o makespan
Cenrio QIF QAF NM V QIF QAF NM V QIF QAF NM V QIF QAF QIF NM V QAF NM V QIF QAF NM V QIF QAF QIF NM V QAF NM V QIF QAF QIF NM V QAF NM V QIF QAF NM V QIF QAF QIF NM V QAF NM V QIF QAF NM V QIF QAF NM V R
2

1x1x5 211,21 2,86 389,22 1,44 0,13 3,89 208,68 0,16 0,02 6,97 0,86 0,19 1,48 1,43 0,01 0,00 0,16 0,24 0,03 5,16 6,66 0,01 5,41 10,67 1,11 0,11 0,54 1,36 0,40 0,34 0,99

1x2x3 225,25 4,07 539,05 0,04 0,35 0,02 190,91 0,82 1,12 0,16 2,70 0,39 1,09 0,03 0,95 0,43 0,16 0,81 1,81 0,16 1,47 1,91 0,00 2,22 2,17 40,75 13,47 21,20 0,10 3,80 0,99

1x3x2 34,30 0,31 288,37 0,61 0,06 1,73 45,52 1,37 0,32 3,61 0,08 3,11 0,18 0,11 1,70 1,55 0,42 0,67 0,36 1,09 0,00 0,09 1,15 0,13 0,82 0,02 0,42 1,67 0,33 7,66 0,98

1x3x5 1764,68 13,70 2696,39 1,24 2,29 35,12 1888,94 0,13 4,84 10,08 0,52 0,23 9,99 0,37 7,08 28,16 0,46 0,31 0,01 2,04 0,74 3,44 10,99 0,01 15,91 0,54 0,17 3,33 0,10 0,24 0,99

2x1x5 249,75 0,28 325,04 1,31 0,23 0,36 238,75 1,92 0,03 0,04 1,14 0,38 0,78 0,24 0,71 0,75 1,89 0,99 0,44 0,11 0,36 1,77 0,78 3,05 0,06 0,68 0,27 0,30 0,00 1,51 0,99

2x2x3 295,52 1,00 476,97 0,93 0,09 1,21 306,13 1,66 0,49 0,11 0,04 0,20 0,23 0,11 3,74 0,63 0,01 1,28 0,07 0,57 0,71 0,09 0,05 0,00 0,01 0,00 0,02 0,42 0,63 0,06 0,99

2x3x2 98,39 0,81 157,12 1,21 0,64 1,18 93,09 0,27 0,00 0,29 0,85 0,04 0,76 0,01 0,38 0,54 1,09 0,53 0,01 0,15 0,43 0,17 0,18 0,13 0,14 1,48 0,19 0,19 0,24 0,85 0,98

2x3x5 1037,51 2,77 1114,51 0,03 0,44 5,69 1027,81 0,03 0,52 3,56 2,65 1,06 0,98 2,20 2,06 2,54 0,32 1,47 0,35 1,36 1,09 2,20 4,32 0,67 3,55 3,03 3,44 0,41 2,70 0,19 0,99

3x1x5 750,66 1,70 900,50 0,20 3,58 2,42 692,76 1,55 5,39 2,13 2,29 0,29 0,36 1,26 0,34 1,97 0,60 0,43 2,91 3,46 1,92 2,78 0,99 0,28 1,09 114,26 193,77 48,05 1371,23 40,67 0,99

3x2x3 86,17 0,00 90,60 0,24 1,09 0,00 87,01 0,21 1,40 0,00 0,10 0,76 0,22 1,10 0,16 0,00 0,17 0,60 0,13 1,43 0,07 0,11 0,74 1,71 0,05 0,04 0,47 1,05 0,02 1,22 0,97

3x3x2 378,19 1,69 408,26 5,37 4,41 1,44 389,65 4,50 3,89 1,87 0,03 0,25 4,94 4,81 1,52 1,58 0,04 0,86 3,92 3,51 0,88 0,09 0,49 1,83 0,98 0,02 0,37 0,88 0,80 1,17 0,99

3x3x5 408,16 0,07 446,26 0,86 0,36 0,00 408,75 0,14 0,83 0,22 2,53 1,02 0,95 1,29 0,68 0,31 2,89 0,72 0,13 0,70 0,98 1,85 0,97 0,02 0,72 69,85 8,13 1,68 25,43 1,69 0,99

4x1x5 296,23 2,38 303,06 1,34 0,08 2,48 296,87 0,99 0,08 2,56 0,07 0,96 1,09 0,08 4,23 2,51 0,03 0,80 1,23 0,08 4,26 0,04 0,92 0,19 3,75 0,12 3,76 1,06 16,47 1,12 0,99

4x2x3 177,67 2,39 194,72 0,20 0,24 1,33 176,67 0,26 0,66 1,59 0,16 0,24 0,15 0,36 1,60 1,77 0,01 0,09 0,38 0,36 1,43 0,16 0,15 1,49 2,29 0,27 0,20 1,31 2,25 1,11 0,98

4x3x5 23,95 0,00 6,22 0,02 0,03 0,01 5,54 0,00 0,03 6,38 0,00 0,01 6,20 0,03 0,00 6,35 0,00 0,00 6,51 0,05 0,01 6,19 0,00 0,00 0,00 102475,01 38,22 385,30 5,84 0,04 0,91

5x1x5 92,46 0,00 97,04 0,01 0,44 0,00 94,95 0,19 0,11 0,00 0,08 0,17 0,06 0,20 0,03 0,00 0,01 0,00 0,00 0,43 0,02 0,00 0,03 1,39 0,07 0,00 0,05 1,65 0,00 0,73 0,97

5x3x5 1137,60 0,48 1169,57 1,93 0,37 0,39 1148,82 0,79 0,42 0,82 0,01 3,46 1,21 0,73 0,00 0,45 0,09 4,26 0,53 1,51 0,27 0,01 4,31 0,17 0,74 118,78 1478,66 7,55 24,00 27,09 0,99

147

A importncia desses fatores tcnica ACO, em verdade, trata-se de ocorrncia j esperada, uma vez que o feromnio representa o principal componente de comunicao entre as formigas artificiais, orientando-as em busca das melhores fontes de alimento (solues) disponveis e acessveis (viveis). Nesse sentido, torna-se relativamente dedutivo o entendimento de que uma mudana na forma como tal substncia qumica considerada para a movimentao das formigas ao longo do processo de otimizao capaz de acarretar transformaes significativas nas variveis de resposta do algoritmo, tais como o makespan. Pde-se observar, no entanto, que a informao pertinente quantidade de feromnio adicionada a cada procedimento de atualizao (QAF), apesar de estar relacionada ao feromnio (assim como e QIF), no se mostrou, individualmente, estatisticamente expressiva. Tal parmetro s apresentou alguma relevncia estatstica quando interagido com outros fatores de controle, tais como NMV e QIF. Alm disso, alguns comportamentos atpicos foram notados, especificamente nos cenrios 1x1x5, 1x3x5 e 4x3x5. De modo geral, apenas as variveis e QIF apresentaram diferenas de nveis de configurao estatisticamente relevantes. Nos cenrios previamente citados, contudo, houve uma espcie de aleatoriedade no comportamento do mtodo, sendo que uma srie de interaes de segunda, terceira e quarta ordens passaram a adquirir expressividade estatstica. A grande surpresa proporcionada pelo teste F foi atribuda varivel , responsvel pela relevncia da informao heurstica regra de transio da metaheurstica ACO. Apesar de ser apontada por muitas pesquisas como um fator promissor e de grande valia eficincia da tcnica ACO, a varivel no demonstrou, quando considerada isoladamente, efeitos estatisticamente significativos ao makespan, sendo que as poucas ocorrncias relevantes envolvendo o fator se deram em interaes de segunda ou maior ordem. Em se tratando das estimativas dos efeitos principais das variveis investigadas, verificou-se que o parmetro QIF o mais influente na qualidade do makespan obtido pelo mtodo ACO. Tal constatao pode ser atribuda a um conjunto de explicaes cuja investigao vai alm dos objetivos deste trabalho. Entretanto, possvel que a alta significncia de QIF tenha acontecido em virtude da escolha de um intervalo relativamente grande entre os tratamentos mnimo e mximo selecionados ao planejamento fatorial (1 e 5), medida essa com grande potencial para influenciar no processo de otimizao de ACO, especialmente em termos de velocidade de convergncia do algoritmo.

148

Tabela 10 - Resultados da Anlise de Varincia (ANOVA) aplicada sobre o planejamento fatorial 25, segundo o tempo de execuo computacional
Cenrio QIF QAF NM V QIF QAF NM V QIF QAF NM V QIF QAF QIF NM V QAF NM V QIF QAF NM V QIF QAF QIF NM V QAF NM V QIF QAF QIF NM V QAF NM V QIF QAF NM V QIF QAF QIF NM V QAF NM V QIF QAF NM V QIF QAF NM V R2 1x1x5 1,42 0,00 73,79 1,42 0,04 36,99 1,13 0,19 2,46 0,66 1,14 0,10 27,08 0,00 0,10 0,48 1,14 0,32 3,78 0,32 0,89 1,42 1,14 0,10 0,11 0,82 0,06 0,82 0,66 0,99 1x2x3 0,44 1,09 0,20 0,96 0,97 0,47 0,98 1,58 0,99 0,80 0,78 0,97 1,68 0,87 0,69 0,91 0,98 0,94 1,41 1,00 1,09 0,93 0,99 0,96 0,62 1,19 0,91 0,86 0,71 0,97 1x3x2 8,10 0,06 0,77 0,05 1,43 0,08 0,60 4,71 6,59 0,31 0,00 0,63 0,01 0,01 3,00 0,10 0,36 1,94 0,08 0,29 3,00 3,88 0,19 0,16 1,75 2,30 0,60 4,26 5,85 0,99 1x3x5 20,87 0,02 32,04 0,03 2,32 13,65 0,00 8,82 0,75 1,30 0,01 0,11 14,57 0,02 0,75 0,00 2,44 3,84 3,22 0,24 0,49 0,20 1,27 0,00 1,80 7,60 1,67 59,78 4,71 0,99 2x1x5 5,35 1,39 73,70 0,14 1,71 42,87 0,12 0,36 0,19 12,76 1,47 0,44 38,74 1,72 0,19 0,06 2,36 0,12 34,44 0,00 1,17 0,04 9,53 0,03 12,92 0,00 5,80 1,88 9,92 0,99 2x2x3 16,93 0,30 155,93 8,06 0,14 124,42 0,66 9,97 0,57 3,12 0,34 5,24 81,71 6,95 2,45 0,91 1,34 0,01 75,55 0,81 0,21 1,15 5,11 1,93 0,62 3,20 0,94 0,03 0,77 0,99 2x3x2 13,55 0,97 63,89 0,01 0,00 21,53 0,01 5,40 0,26 0,28 0,82 0,04 34,52 0,23 0,42 0,59 0,01 3,96 9,43 0,46 0,50 0,28 0,66 0,26 1,24 0,74 1,09 8,06 1,51 0,99 2x3x5 3,60 5,41 5,34 0,08 5,00 2,96 0,01 2,20 1,11 0,66 1,75 0,04 1,66 0,14 0,32 0,39 1,86 0,01 0,79 0,06 2,24 0,62 0,52 0,01 1,10 0,06 0,23 0,03 1,00 0,99 3x1x5 27,93 0,09 151,60 1,23 0,93 50,40 0,00 4,85 0,09 1,36 0,15 0,05 77,93 1,05 2,55 0,13 3,67 4,60 14,34 0,01 0,58 0,82 0,72 0,46 0,08 13,84 0,01 15,68 15,68 0,99 3x2x3 151,62 16,42 153,23 0,00 0,01 12,64 5,86 58,18 3,66 31,58 0,01 0,13 94,43 4,80 4,21 4,73 22,92 3,24 0,42 6,59 0,14 0,22 0,01 0,00 0,69 0,03 0,50 4,48 6,86 0,99 3x3x2 38,28 0,88 187,56 2,57 6,91 62,94 3,13 24,82 0,35 1,87 0,00 1,14 50,04 0,51 0,10 0,42 1,01 0,07 39,21 0,26 0,07 0,08 0,05 0,71 214,03 62,51 193,31 615,45 1186,17 0,99 3x3x5 0,98 1,01 0,96 1,00 0,97 0,97 1,01 0,98 1,00 0,99 1,01 0,99 0,98 0,99 1,00 1,00 0,98 1,01 0,98 1,00 1,01 0,99 1,00 0,99 1,01 0,99 1,01 1,02 1,01 0,81 4x1x5 11,48 1,12 8,33 0,64 4,52 26,22 0,24 8,50 1,90 0,07 1,40 0,14 4,68 2,71 1,62 0,93 2,20 0,14 16,14 0,28 0,16 0,70 0,05 0,30 1,96 6,05 17,32 3,80 4,57 0,99 4x2x3 4x3x5 0,94 1,01 0,96 1,00 0,99 0,95 1,00 0,96 1,02 1,00 1,01 1,00 0,97 1,00 0,98 1,00 0,99 1,00 0,97 1,00 1,00 1,01 1,00 1,00 1,00 0,98 0,99 0,99 0,98 0,81 1,52 1,12 1,46 0,74 0,63 1,43 0,60 1,08 2,05 0,82 1,00 0,38 1,05 0,84 1,16 0,97 0,59 0,29 1,13 0,69 1,42 1,33 0,89 0,56 1,39 0,68 0,77 0,41 0,78 0,97 5x1x5 19,10 11,85 12,20 2,64 12,90 43,58 0,20 12,48 0,71 2,44 7,41 0,35 6,84 1,80 1,09 2,74 5,55 0,02 24,41 0,15 3,97 0,12 2,52 0,35 0,64 2,20 3,61 0,75 5,22 0,99 5x3x5 124,93 3,60 304,23 0,12 5,95 253,21 0,33 27,98 1,11 1,34 2,06 9,32 93,61 0,08 4,23 0,01 0,96 0,38 78,12 0,03 1,08 0,18 3,45 12,17 0,54 2,39 0,18 0,73 0,58 0,99

104146,18 191,55 5561,54 362263,97 86282,27 150655,95 38946,76 17357,10 325875,48 56857,43 71025,13

2,19 4253,64

2,23 198,95 11093,45 79383,49

149

Dando continuidade avaliao dos experimentos do grupo I, a Tabela 10 apresenta um conjunto de dados anlogos aos expostos pela Tabela 9, porm voltados ao tempo computacional requerido execuo do mtodo ACO como o indicador de eficincia avaliado. Em relao ao coeficiente R2, pode-se dizer que o modelo ANOVA revelou-se, novamente, adequado aos experimentos planejados. Todos os cenrios apresentaram coeficientes de determinao entre 0,90 e 0,99, exceto por 3x3x5 e 4x2x3, os quais foram caracterizados por R2 = 0,81. Ainda assim, de acordo com Figlali et al. (2009), tratam-se de valores que ratificam a viabilidade do modelo ANOVA aditivo ao estudo praticado. No que diz respeito aos valores do teste F, possvel afirmar, primeira vista, que o nmero mximo de viagens realizadas por cada formiga (NMV) a varivel de controle cujos efeitos principais apresentam maior relevncia estatstica para o tempo computacional. Tal informao, na verdade, condiz com a lgica de atuao do algoritmo computacional desenvolvido, uma vez que NMV assume o papel de critrio de parada do mtodo ACO. Logo, quanto maior a quantidade de viagens permitidas para cada formiga, maior ser o tempo de execuo computacional admitido, resultando, naturalmente, em notveis ndices de significncia estatstica, tais como os observados na Tabela 10. Ainda sobre a varivel NMV, variaes em sua configurao so to expressivas que, observando os 17 cenrios otimizados pela metaheurstica ACO, pode-se vislumbrar que, em quase todos, no somente os efeitos principais de NMV so relevantes, mas tambm grande parte de suas interaes de segunda e terceira ordens, em especial a combinao * QIF * NMV, sendo identificado um caso extremo de significncia do fator NMV no cenrio 3x3x2, onde as interaes de quarta ordem envolvendo NMV tambm revelaram-se, quase todas, impactantes estatisticamente. No entanto, NMV no foi o nico parmetro a manifestar forte relevncia estatstica sobre o tempo computacional do algoritmo ACO. Os fatores e QIF tambm se apresentaram estatisticamente relevantes para a grande maioria dos cenrios verificados. Em se tratando de interaes de segunda, terceira e quarta ordens, foram observados alguns padres de relevncia estatstica relacionados s combinaes * QIF, * NMV, QIF * NMV e * QIF * NMV. Mais uma vez, destacam-se as variveis e NMV, assim como a interao * QIF, igualmente significativa ao makespan. Dois cenrios, dentre os 17 analisados, apresentaram valores de F incomuns quando comparados queles calculados para os demais cenrios. Segundo os resultados ANOVA registrados na Tabela 10, nenhuma varivel ou interao de segunda ou maior ordem estatisticamente significativa ao desempenho do mtodo sob a tica do tempo computacional.

150

Apesar da identificao e explicao das razes para esse tipo de divergncia do teste F fugir ao escopo deste trabalho, um dos provveis motivos para tal ocorrncia pode ser a aleatoriedade de algum componente do processo de otimizao, fazendo com que os parmetros tenham seus efeitos deturpados em relao ao comportamento normal da tcnica ACO. Apesar de ficar implcita por meio dos elevados ndices de F ilustrados na Tabela 10, a anlise de estimativas de efeitos principais comprova que, em se tratando de tempo computacional, a varivel NMV a que mais afeta o desempenho do algoritmo ACO, seguida pela QIF e por . Novamente, o parmetros no apresentou significncia ao mtodo ACO, exceto por dois cenrios avaliados (3x2x3 e 5x1x5). Analisando ambos os indicadores de desempenho avaliados, fica ntida a relevncia dos fatores , QIF e NMV ao desempenho da tcnica ACO, a baixa expressividade do parmetro e a quase-nula significncia estatstica da varivel QAF, estando essa qualificada como relevante apenas em algumas interaes de segunda ou maior ordem. A partir da anlise de varincia dos efeitos provocados pelos diferentes nveis de configurao das variveis de controle investigadas por meio do planejamento fatorial completo 25, identifica-se no apenas quais parmetros so estatisticamente relevantes, mas tambm seus melhores valores de configurao. Logo, pde-se ajustar o mtodo ACO desenvolvido para atingir seu melhor desempenho possvel na otimizao dos cenrios de FJSS-UPM propostos, permitindo-se a continuidade da pesquisa por meio do estudo comparativo entre a metaheurstica ACO otimizada e a tcnica BB. 5. 4. 4. 2 Anlise do grupo II de experimentos

O grupo II de experimentos, como estabelecido preteritamente, destina-se ao estudo comparativo entre ACO e BB, tendo-se como plataforma de avaliao os mesmos cenrios trabalhados pelo grupo I, assim como os mesmos apontadores de desempenho. Assim, a primeira medida tomada foi o reajuste do mtodo ACO desenvolvido segundo os melhores valores de configurao sinalizados pela anlise do grupo I de experimentos. O Quadro 14 discrimina os fatores de controle investigados, bem como seus melhores valores de configurao identificados, segundo cada cenrio pesquisado. Uma vez definidas as configuraes dos fatores de controle do mtodo ACO, foram realizadas novas replicaes (n = 30) do algoritmo sobre os mesmos cenrios do grupo I, de modo que fossem registradas as solues da tcnica a serem efetivamente comparadas com os

151

resultados gerados por BB. A Tabela 11 apresenta os valores de makespan alcanados por cada mtodo, para cada cenrio otimizado, alm de se registrar o tempo computacional requisitado para a obteno dos resultados registrados.
Cenrios 1x1x5 1x2x3 1x3x2 1x3x5 2x1x5 2x2x3 2x3x2 2x3x5 3x1x5 3x2x3 3x3x2 3x3x5 4x1x5 4x2x3 4x3x5 5x1x5 5x3x5 10 10 10 1 1 1 1 10 1 1 1 1 1 10 1 1 10 10 10 10 10 1 1 1 1 10 10 1 1 10 10 1 1 10 QIF 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 QAF 80 80 80 10 80 10 80 10 80 10 80 10 10 10 80 80 10 NMV 10 100 10 100 100 100 10 10 100 100 100 10 100 100 100 10 100

Quadro 14 Melhores valores de configurao das variveis de controle do mtodo ACO

Observando os resultados apontados pela Tabela 11, repara-se que o mtodo BB no retornou soluo tima para os cenrios 3x3x5, 4x3x5 e 5x3x5. Isto no significa que o mtodo BB seja incapaz de resolver tais cenrios de FJSS-UPM. De fato, vlido recordar as diretrizes experimentais salientadas na seo 5.4.3.. J durante a realizao dos testes preliminares, foi estabelecido um intervalo de tempo de trs horas ao processo de otimizao. Para os experimentos finais, tal restrio foi ampliada para quatro horas de tempo computacional. Logo, a inexistncia de soluo tima representa que o mtodo BB no pde, na verdade, identificar a melhor resposta para os cenrios supracitados dentro do limite de tempo estipulado, no significando que o mesmo seja funcionalmente incapaz de resolv-los. Vale atentar para os valores de makespan destacados em negrito, pertinentes aos cenrios 3x1x5, 4x1x5 e 4x2x3. Tais cenrios foram destacados em virtude do mtodo ACO ter identificado a soluo tima para o problema proposto, ou seja, o algoritmo desenvolvido durante a pesquisa conseguiu achar a mesma soluo apontada pela tcnica BB, que corresponde ao melhor programa de produo efetivo para um determinado cenrio de FJSSUPM.

152

Tabela 11 Resultados da otimizao dos cenrios de FJSS-UPM por ACO e BB

ACO Cenrios 1x1x5 1x2x3 1x3x2 1x3x5 2x1x5 2x2x3 2x3x2 2x3x5 3x1x5 3x2x3 3x3x2 3x3x5 4x1x5 4x2x3 4x3x5 5x1x5 5x3x5 Makespan (horas) 46,10799922 60,59250361 118,3110511 135,0203943 29,00125244 66,61034151 141,6106874 68,84121383 52,08388889 109,1539937 160,2142271 125,9959581 47,47502525 104,658061 158,7103211 47,81122765 163,0057637 Tempo Comp. (segundos) 0,001633319 0,018066731 0,003100026 0,212933323 0,044799973 0,066633238 0,011400038 0,139399976 0,098333345 0,15340006 0,152033307 0,39573337 0,189799983 0,28330005 4,052433323 0,046866615 6,983166584 Makespan (horas) 45,91864512 60,22972222 117,8158864 131,0815018 28,9476462 66,50132579 140,6498086 68,62535932 52,08388889 109,0187672 160,1755797 --------------47,47502525 104,658061 --------------46,87527778 ---------------

BB Tempo Comp. (segundos) 0,063000061 0,063000061 0,077999476 0,09400032 0,06199989 0,06199989 0,078000105 6,005999912 0,063000061 1,653999905 25,11599986 14.400 0,203000056 391,27500001 14.400 0,827000267 14.400

De posse dos valores de makespan e tempo computacional, foram estabelecidas as hipteses estatsticas a serem verificadas pelo teste de hipteses. Nesse sentido, elaboraram-se duas hipteses nulas e duas alternativas, sendo cada par destinado anlise de um dos indicadores de desempenho avaliados (makespan e tempo de execuo computacional). A seguir, apresenta-se um exemplo de como os pares de hipteses nulas e alternativas foram determinados. Tendo-se 1 como a mdia amostral de makespan ou tempo computacional para ACO e 2 como a mdia amostral dos mesmos indicadores para BB, procura-se testar a igualdade entre as mdias. Em outras palavras, busca-se identificar se os resultados fornecidos pelos mtodos investigados so equivalentes estatisticamente. Caso contrrio, ou seja, se houver diferenas estatisticamente relevantes entre as mdias apresentadas pelas tcnicas, para cada indicador mensurado, rejeita-se H0 em prol de H1. : = : Definidas as hipteses a serem verificadas, procedeu-se execuo dos testes de hipteses propriamente ditos. Para os testes de hipteses planejados, houve uma pequena

153

diferenciao entre os tratamentos destinados ao makespan e ao tempo computacional. Como trs cenrios analisados no foram resolvidos pelo mtodo BB (considerando o limite de quatro horas de tempo computacional), foram utilizados, para o teste de hipteses entre as mdias de makespan, somente os 14 resultados vlidos relacionados aos 14 cenrios solucionados tanto por ACO quanto por BB. Para o teste de hipteses entre as mdias de tempo computacional, no obstante, foram utilizados todos os 17 valores de tempo de execuo computacional. Isto porque, na verdade, a extrapolao do limite de quatro horas pelo mtodo BB indica que a tcnica precisa de, no mnimo, mais de quatro horas para resolver cada um dos cenrios pertinentes. Logo, vlida a considerao desses tempos para efeito de comparao entre os mtodos avaliados, sendo importante sua utilizao no teste de hipteses relacionado ao tempo computacional. Nesse contexto, diferentes tipos de testes podem ser adotados. No caso desta anlise, utilizar-se- o teste t, uma vez que se trata de uma amostra pequena de dados (14 a 17 cenrios otimizados por ACO e BB), cujas varincias so desconhecidas. Os resultados dos testes t aplicados a makespan e tempo computacional, desempenhados por meio do software Statistica 8.0 para um nvel de significncia de 10% (valor explicado adiante), encontram-se registrados nas Tabelas 12 e 13, respectivamente.
Tabela 12 Resultados do teste t para o makespan, com = 0,1

ACO Mdia Desvio-padro () GL Teste-t p

84,82085 42,20926

BB
84,28975 41,82669

26
0,033441 0,973578

Tabela 13 Resultados do teste t para o tempo computacional, com = 0,1

ACO Mdia Desvio-padro () GL Teste-t p

0,756061 1,868693

BB
2566,214 5647,350

32
-1,87303 0,070224

Analisando os valores do teste t para makespan e tempo computacional registrados na Tabela 12, constata-se a equivalncia estatstica entre ACO e BB no que diz respeito makespan. Tal afirmao pode ser feita com base no valor de p, que se apresenta maior do que

154

o nvel de significncia estabelecido (10%). Logo, a hiptese nula no pode ser rejeitada. Em outras palavras, no se pode dizer que existe diferena estatstica expressiva entre o desempenho mdio do algoritmo ACO desenvolvido e a tcnica BB, em relao ao makespan dos cenrios investigados. Com relao ao tempo computacional, contudo, a anlise da Tabela 13 aponta diferenas estatisticamente significativas entre ACO e BB. Isto porque, reparando-se novamente no valor de p (destacado em negrito), nota-se que o mesmo inferior ao nvel de significncia determinado (10%). Assim, ao rejeitar-se a hiptese nula formulada, pode-se afirmar que existe diferena estatstica significativa entre os tempos mdios de execuo computacional desempenhados por ACO e BB. Com base nos testes de hipteses efetuados e em suas respectivas anlises, pode-se concluir que o mtodo ACO desenvolvido e experimentado nesta pesquisa capaz de gerar programas de produo timos ou aproximadamente timos de modo estatisticamente equivalente tcnica BB, porm em tempo computacional expressivamente inferior, tendo como referncia de estudo os cenrios de FJSS-UPM predeterminados. Vale ressaltar, porm, que um nmero maior de experimentos envolvendo cenrios de FJSS-UPM mais complexos faz-se necessrio a um estudo comparativo mais abalizado entre ACO e BB. Tal reflexo teve origem a partir da realizao dos testes de hipteses comentados anteriormente, utilizando-se um nvel de significncia de 5%, ao invs de 10%. Verificou-se que, para = 0,05, tanto makespan quanto tempo computacional passam a no apresentar diferenas estatisticamente relevantes entre suas mdias amostrais. Tal resultado diverge daquele encontrado com = 10%, muito provavelmente, em virtude do nmero reduzido de cenrios experimentados e, mais especificamente, por causa da baixa complexidade dos mesmos. Os cenrios mais complexos, por exemplo, apresentaram crescentes diferenas absolutas entre os valores de tempo computacional apresentados por ACO e BB, como possvel notar por meio dos resultados alcanados com a otimizao dos cenrios 3x3x2, 3x3x5, 4x2x3, 4x3x5 e 5x3x5. Logo, novos experimentos abrangendo uma quantidade maior de cenrios de FSJJUPM e mais complexos do que os designados para este trabalho devem ser capazes de comprovar que, mesmo para nveis de significncia menores (5%, por exemplo), existe diferena expressiva entre os tempos computacionais requisitados pelos mtodos ACO e BB, sem, contudo, haver comprometimento da equivalncia estatstica entre os valores de makespan obtidos.

155

6 CONSIDERAES FINAIS Os mais diversos tipos de problemas de otimizao despertam a curiosidade cientfica h muitos anos. Nesse contexto, aqueles classificados como NP-hard destacam-se no somente pela complexidade de se encontrar solues timas em tempo computacional hbil, mas tambm e, principalmente, pelo fato dos mesmos representarem uma parcela considervel dos problemas identificados em nosso dia-a-dia. A programao da produo um bom exemplo de problema de otimizao no-polinomial continuamente observado em ambiente organizacional, tornando-se ainda mais importante quando considerada a atual realidade competitiva definida pela globalizao. Constituindo um problema com certo grau de complexidade, o JSSP foi arduamente estudado pela comunidade cientfica, sendo vrias as tcnicas de otimizao j experimentadas, desde mtodos de programao matemtica at algoritmos evolutivos de abordagem estocstica. Mais recentemente, as metaheursticas de inteligncia coletiva, fundamentadas na modelagem e representao de um grupo de condutas sociais praticado por determinados animais, vm recebendo destaque, sendo ACO um dos mtodos mais aplicados junto a JSSPs. Diante da reviso terica apresentada, pde-se constatar que as pesquisas desenvolvidas nessa rea de estudo sinalizam algumas tendncias muito claras, quais seriam: anlise da eficincia de algoritmos ACO voltados otimizao de cenrios de JSS mais complexos, caracterizados por aspectos tais como flexibilidade de roteiros de produo, compartilhamento de recursos produtivos e tempos de setup dependentes do sequenciamento das operaes de um sistema. No obstante, igualmente relevante ao desenvolvimento de um algoritmo ACO em si, a configurao adequada de seus parmetros de controle, de forma que o desempenho do mtodo possa ser maximizado. Assim, esta pesquisa props-se a desenvolver um algoritmo ACO e, investigando a criticidade de suas principais variveis de controle, analisar a eficincia da tcnica na otimizao de cenrios de JSS flexveis, dotados de mltiplos estgios de processamento, mquinas em paralelo e tempos de setup dependentes, quando mensurados o tempo total mximo de programao da produo (makespan) e o tempo de execuo de computacional. Para se concretizar a proposta de pesquisa, foi estabelecida uma estratgia metodolgica baseada no planejamento experimental (DOE), mais especificamente no planejamento fatorial completo 2k, onde um conjunto de parmetros de controle tem seus

156

efeitos sobre um determinado processo analisados conforme as diferenas estatsticas apresentadas pelos dois nveis de configurao permitidos a cada fator observado. Conhecidas as variveis crticas ao desempenho de certo processo ou sistema, pode-se realizar uma srie de estudos complementares, tais como avaliaes comparativas entre o processo verificado e outros de natureza ou com finalidades anlogas. Nesse sentido, quando aplicado atuao da metaheurstica ACO sobre determinados cenrios de FJSS-UPM, o planejamento fatorial 2k, apoiado pela tcnica de anlise de varincia (ANOVA), foi capaz no somente de identificar quais variveis de controle, entre as estudadas, revelaram-se mais influentes no desempenho da tcnica ACO, como tambm de apontar quais os melhores valores de configurao a se utilizar para cada um dos fatores investigados. De posse dos resultados do planejamento fatorial desempenhado, foi possvel realizar um estudo comparativo entre o mtodo ACO e a tcnica de programao matemtica BB, almejando-se avaliar at que ponto o ganho de velocidade de resposta da metaheurstica ACO compensa o relaxamento na busca pela soluo tima. Recorrendo-se novamente anlise de varincia e ao teste de hipteses t, pde-se constatar no apenas a equivalncia estatstica entre ACO e BB sob a tica do makespan dos programas de produo gerados, como tambm a existncia de diferenas estatisticamente relevantes entre as mdias de tempo de execuo computacional apresentadas por ambas as tcnicas. De modo geral, observou-se, por meio do planejamento experimental elaborado e das anlises estatsticas conduzidas, que as variveis de controle mais relevantes ao desempenho do mtodo ACO, entre as consideradas pelo planejamento fatorial 2k estruturado, foram: a relevncia da quantidade de feromnio depositada movimentao dos agentes artificiais (); a quantidade de feromnio inicialmente atribuda aos caminhos do espao de busca explorado (QIF); e o nmero mximo de viagens permitido a cada formiga do sistema (NMV). Em relao ao desempenho do algoritmo ACO experimentado em relao ao BB, aquele mostrou-se mais eficiente do que este, uma vez que as anlises estatsticas efetuadas no identificaram diferenas de qualidade relevantes entre as solues apresentadas por ambos os mtodos. Em se tratando de tempo computacional, por outro lado, ACO revelou-se mais eficiente que BB, sendo tal diferena de atuao ratificada pelos testes estatsticos pertinentes. Deslocando-se o foco das consideraes finais dos experimentos para a pesquisa como um todo, possvel verificar que as hipteses e objetivos estabelecidos ao estudo foram satisfatoriamente contemplados. Tal afirmativa pode ser feita, uma vez que no somente as

157

impresses iniciais sobre a eficincia do mtodo ACO foram confirmadas por meio dos experimentos desenvolvidos, como tambm a eficcia do planejamento fatorial em identificar e aferir a relevncia estatstica de certas variveis de controle ao desempenho do algoritmo ACO foi, igualmente, sustentada, uma vez que os objetivos especficos do projeto foram todos cumpridos satisfatoriamente. De modo geral, pode-se dizer que a pesquisa apresenta uma contribuio relevante rea de conhecimento investigada, especialmente quando so abordadas pesquisas nvel nacional. Ao se trabalhar com otimizao de um problema de otimizao combinatria to complexo quanto o FJSS-UPM, termina-se por estimular aprimoramentos cada vez mais significativos ao mtodo ACO, assim como aprofunda-se o conhecimento a respeito dessa variaes do JSS clssico. No entanto, limitaes tambm existem e devem ser consideradas. No caso deste trabalho, suas principais limitaes esto relacionadas lgica de otimizao do algoritmo ACO desenvolvido, assim como quantidade e complexidade de cenrios analisados. Como explicado ao longo do captulo 4, optou-se por no adotar procedimento complementar algum de busca local. Contudo, sabido que tal medida capaz de melhorar expressivamente o desempenho qualitativo do mtodo. Alm disso, a carncia de um nmero maior de cenrios de FJSS-UPM mais complexos do que os avaliados nesta pesquisa, como discutido no trmino do captulo 5, tambm influencia na abrangncia das anlises estatsticas realizadas. No apenas as consideraes acerca da significncia das variveis ao desempenho do mtodo ACO tornamse mais restritas s circunstncias simplificadas dos ambientes de produo definidos, como tambm as concluses sobre sua eficincia ficam restritas aos cenrios avaliados e pouca disponibilidade de dados efetivos sobre os indicadores de eficincia avaliados, conforme apontaram as diferenas das anlises estatsticas com nvel de significncia igual a 10%. Nesse contexto, destacam-se duas oportunidades para estudos futuros. A primeira, tambm est voltada anlise de relevncia dos parmetros de controle da tcnica ACO, porm englobando diferentes ferramentas de planejamento experimental, tais como o planejamento fatorial 3k ou at mesmo a anlise de valores de configurao dinmicos, e/ou condies de otimizao distintas. Mais do que possvel, tornam-se vlidas e promissoras pesquisas no sentido de se verificar como os fatores de controle de ACO comportam-se quando operados juntamente com procedimentos de busca local ou, at mesmo, com outros mtodos de otimizao da inteligncia computacional (algoritmos genticos, simulated annealing, etc.)

158

A segunda oportunidade para trabalhos futuros envolve a explorao das habilidades de otimizao do mtodo ACO em um nmero maior de cenrios de FJSS-UPM, sendo esses de mdia para alta complexidade de resoluo, ou seja, englobando mais de 5 jobs, 3 estgios de processamento e 5 recursos produtivos distintos em paralelo. Quanto mais experimentos forem desenvolvidos com base em ACO e JSS, especialmente quando tratados cenrios da ordem do FJSS-UPM, mais possibilidades de melhorias metaheurstica so identificadas, bem como mais prxima da realidade torna-se a aplicao da inteligncia computacional resoluo de problemas caractersticos do cotidiano produtivo organizacional.

159

REFERNCIAS

ADVANCED MANUFACTURING RESEARCH, INC. Advanced planning and scheduling systems: just a fad or a breakthrough in manufacturing and supply chain management? The Report on Manufacturing, 1996. AHN, J.; HE, W.; KUSIAK A. Scheduling with alternative operations. IEEE - Transactions on Robotics and Automation, vol. 9, no. 3, p. 297303, 1993. ALEXANDER, S. M. Expert system for the selection of scheduling rules in a job-shop. Computers and Industrial Engineering, vol. 12, no. 3, p. 167-171, 1987. ALI, M. M.; KAELO, P. Improved particle swarm algorithms for global optimization. Applied Mathematics and Computation, vol. 196, no. 2, p. 578-593, 2008. ARTIGUES, C.; FEILLET, D. A branch and bound method for the job-shop problem with sequence-dependent setup times. Annals of Operations Research, vol. 159, no. 1, p. 135159, 2008. ARTIGUES, C.; GENDREAU, M.; ROUSSEAU, L; VERGNAUD, A. Solving an integrated employee timetabling and job-shop scheduling problem via hybrid branch-and-bound. Computers & Operations Research, vol. 36, no. 8, p. 2330-2340, 2009. AYDIN, M. E.; FOGARTY, T. C. A simulated annealing algorithm for multi-agent systems: a job-shop scheduling application. Journal of Intelligent Manufacturing, vol. 15, no. 6, p. 805-814, 2004. AZIZOGLU, M.; WEBSTER, S. T. Scheduling parallel machines to minimize weighted flowtime with family setup times. International Journal of Production Research, vol. 41, no. 6, p. 11991215, 2003. BARNES, J. W.; CHAMBERS, J. B. Flexible job shop scheduling by tabu search. Technical Report Series ORP 96-09. Department of Mechanical Engineering, University of Texas, Austin, 1996. BARROS, A. D. DE; MOCCELLIN, J. V. Anlise da flutuao do gargalo em flow shop permutacional com tempos de setup assimtricos e dependentes da sequncia. Gesto & Produo, vol. 11, no. 1, p. 101-108, 2004. BAYKASOGLU, A.; ZBAKIR, L; SNMEZ, A. I. Using multiple objective tabu search and grammars to model and solve multi-objective flexible job shop scheduling problems. Journal of Intelligent Manufacturing, vol. 15, no. 6, p. 777-785, 2004.

160

BECKERS, R.; DENEUBOURG, J. L.; GOSS, S. Modulation of trail laying in the ant Lasius niger (Hymenoptera: Formicidae) and its role in the collective selection of a food source. Journal of Insect Behavior. vol. 6, no. 6, p. 751759, 1993. BECKERS, R.; DENEUBOURG, J. L.; GOSS, S. Trails and U-turns in the selection of the shortest path by the ant Lasius niger. Journal of Theoretical Biology, vol. 159, no. 4, p. 397 415, 1992. BLUM, C. Ant colony optimization: introduction and recent trends. Physics of Life Reviews, vol. 2, no. 4, p. 353-373, 2005. BLUM, C. Metaheuristics for group shop scheduling. 2002. 80 f. Thesis (Diplome Detudes Approfondies) - Universit Libre de Bruxelles, Brussels, 2002. BLUM, C.; DORIGO, M. The Hyper-Cube Framework for Ant Colony Optimization. IEEE Transactions on Systems, Man, and Cybernetics Part B, vol. 34, no. 2, p. 1161-1172, 2004. BLUM, C.; ROLI, A. Metaheuristics in combinatorial optimization: overview and conceptual comparison. ACM Computing Surveys, vol. 35, no. 3, p. 268-308, 2003. BLUM, C.; SAMPELS, M. An ant colony optimization algorithm for shop scheduling problems. Journal of Mathematical Modelling and Algorithms, vol. 3, no. 3, p. 285-308, 2004. BONABEAU, E.; DORIGO, M.; THERAULAZ, G. Inspiration for optimization from social insect behavior. Nature, vol. 406, no. 6791, p. 39-42, 2000. BONABEAU, E.; DORIGO, M.; THERAULAZ, G. Swarm intelligence: from natural to artificial systems. New York: Oxford University Press, 1999. BULLNHEIMER, B.; HARTL, R. F.; STRAUSS, C. A new rank-based version of the ant system: a computational study. Central European Journal for Operations Research and Economics, vol. 7, no. 1, p. 25-38, 1999. BUSTAMANTE, L. M. Minimizao do custo de antecipao e atraso para o problema de sequenciamento de uma mquina com tempo de preparao dependente da sequncia: aplicao em uma usina siderrgica. 2007. 86 f. Dissertao (Mestrado em Engenharia de Produo) Universidade Federal de Minas Gerais, Belo Horizonte, 2007. BUTTON, S. T. Metodologia para planejamento experimental e anlise de resultados, IM 317. Programa de Ps-Graduao em Engenharia Mecnica Universidade Estadual de Campinas, Campinas, 2005. CASTRO, L. N.; ZUBEN, F. J. V. Introduo Computao Natural: apostila tcnica. Campinas: UNICAMP, 2009.

161

CHAN, R.; ROSEMANN, M. Structure in Modeling Knowledge in the Context of Enterprise Resource Planning. Hong Kong: PACIS, 2000. CHEN, Z.-L. Scheduling with batch setup times and earliness-tardiness penalties. European Journal of Operational Research, vol. 96, no. 3, p. 518-537, 1997. CHENG, T. C. E.; CHEN, Z.-L. Parallel machine scheduling with batch setup times. Operations Research, vol. 42, no. 6, p. 1171-1174, 1994. CHOI, H.-S.; LEE, D.-H. Scheduling algorithms to minimize the number of tardy jobs in twostage hybrid flow shops. Computers & Industrial Engineering, vol. 56, no. 1, p. 113-120, 2009. CLASSEN, R. J.; MALSTROM, E. M. Effective capacity planning for automated factories requires workable simulation tools and responsive shopfloor controls. Industrial Engineering, vol. 3, no. 1, p. 73-79, 1982. COELLO, C. A. A Short Tutorial On Evolutionary Multiobjective Optimization. In: PROCEEDINGS OF THE FIRST INTERNATIONAL CONFERENCE ON EVOLUTIONARY MULTI-CRITERION OPTIMIZATION, Lectures Notes in Computer Science, vol. 1993, p. 21-40, Springer-Verlag, 2001. COLLETTE, Y.; SIARRY, P. Optimisation Multiobjectif. Paris: Edition Eyrolles, 2002. COLORNI, A.; DORIGO, M.; MANIEZZO, V.; TRUBIAN, M. Ant system for job-shop scheduling. JORBEL Belgian Journal of Operations Research, Statistics and Computer Science, vol. 34, no. 1, p. 39-53, 1994. CONWAY, R. W.; MAXWELL, W. L.; MILLER, L. W. Theory of scheduling. Reading: Addison-Wesley, 1967. COOK, S. A. The complexity of theorem proving procedures. In: PROCEEDINGS OF THE ANNUAL ACM SYMPOSIUM ON THEORY OF COMPUTING, 3., 1971, Shaker Heights, Ohio. Annals New York: Association of Computing Machinery, 1971, p. 151-158. CORRA, H. L.; CORRA, C. A. Administrao de produo e operaes: manufatura e servios uma abordagem estratgica. 2. ed. 4. reimpr. So Paulo: Atlas, 2009. CORRA, H. L.; GIANESI, I. G. N.; CAON, M. Planejamento, Programao e Controle da Produo. 4. ed. So Paulo: Atlas, 2001. COX, G. W. The evolution of avian migration systems between temperate and tropical regions of the new world. The American Naturalist, vol. 126, no. 4, p. 451474, 1985. COX, J. F.; BLACKSTONE, J. H.; SPENCER, M. S. APICS Dictionary. 7. ed. Falls Church, VA: American Production and Inventory Control Society - APICS, 1992.

162

DE JONG, K. A.; SPEARS, W. M. An analysis of the interacting roles of population size and crossover in genetic algorithms. In: PROCEEDINGS OF THE WORKSHOP ON PARALLEL PROBLEM SOLVING FROM NATURE, 1., 1990, Berlim. Annals London: Springer-Verlag, 1990, p. 38-47. DEANE, R. H.; YANG, J. Product mix selection and closed manufacturing cell flow time performance. International Journal of Production Economics, vol. 28, no. 2, p. 157-169, 1992. DELL AMICO, M.; TRUBIAN, M. Applying tabu search to the job shop scheduling problem. Annals of Operations Research, vol. 41, no. 3, p. 231-252, 1993. DORIGO, M. Optimization, learning and natural algorithms. Ph.D. Thesis, Dipartemento di Elettronica, Politecnico di Milano, Italy, 1992 [em italiano]. DORIGO, M.; BLUM, C. Ant colony optimization theory: a survey. Theoretical Computer Science, vol. 344, no. 2-3, p. 243-278, 2005. DORIGO, M.; GAMBARDELLA, L. M. Ant colony system: a cooperative learning approach to the traveling salesman problem. IEEE Transactions on Evolutionary Computation, vol. 1, no. 1, p. 53-66, 1997. DORIGO, M.; MANIEZZO, V.; COLORNI, A. Ant System: an autocatalytic optimizing process. Technical Report, 91-016, revisado. Itlia: Universidade de Milo, 1991. DORIGO, M.; MANIEZZO, V.; COLORNI, A. Ant system: optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics Part B: Cybernetics, vol. 26, no. 1, p. 29-41, 1996. DORIGO, M.; STTZLE, T. Ant Colony Optimization. 7. ed. Cambridge, MA: MIT Press, 2004. DUNSTALL, S.; WIRTH, A. A comparison of branch-and-bound algorithms for a family scheduling problem with identical parallel machines. European Journal of Operational Research, vol. 167, no. 2, p. 283-296, 2005. EBERHART, R. C.; KENNEDY, J. A new optimizer using particle swarm theory. In: Proceedings of the Sixth Symposium on Micro Machine and Human Science, p. 3943. IEEE Service Center, Piscataway, NJ, 1995. EBERHART, R. C.; SIMPSON, P.; DOBBINS, R. Computational intelligence PC tools. San Diedo: Academic Press Professional Inc., 1996. EGGERS, J.; FEILLET, D.; KEHL, S.; WAGNER, M. O.; YANNOU, B. Optimization of the keyboard arrangement problem using an ant colony algorithm. European Journal of Operational Research, vol. 148, no. 3, p. 672686, 2003.

163

EROL, B.; ATES, N. Y.; BAYRAKTAR, D. An Experimental Design for Genetic Algorithm Parameters in Job Shop Scheduling Problems. In: INTERNATIONAL CONFERENCE ON COMPUTERS AND INDUSTRIAL ENGINEERING, 35., 2005, Istambul. Annals Istambul: Istanbul Technical University Departmant of Industrial Engineering, 2005, p. 661666. ESSAFI, I.; MATI, Y.; DAUZRE-PRS, S. A genetic local search algorithm for minimizing total weighted tardiness in the job-shop scheduling problem. Computers & Operations Research, vol. 35, no. 8, p. 2599-2616, 2008. FATTAHI, P.; MEHRABAD, M. S.; JOLAI, F. Mathematical modeling and heuristic approaches to flexible job shop scheduling problems. Journal of Intelligent Manufacturing, vol. 18, no. 3, p. 331-342, 2007. FENG, C.-X.; KUSIAK, A.; HUANG, C.-C. Scheduling models for setup reduction. Journal of Manufacturing Science and Engineering, vol. 119, no. 4A, p. 571-579, 1997. FIGLALI, N.; ZKALE, C.; ENGIN, O.; FIGLALI, A. Investigation of ant system parameter interactions by using design of experiments for job-shop scheduling problems. Computers & Industrial Engineering, vol. 56, no. 2, p. 538-559, 2009. FORWARD, R. B. J.; HETTLER, W. F. J. Effects of feeding and predator exposure on photoresponses during diel vertical migration of brine shrimp larvae. Limnology and Oceanography, vol. 37, no. 6, p. 1261-1270, 1992. FREITAS, F. F. T. D.; VIEIRA, G. E. Tendncias de aplicaes da otimizao por colnia de formigas na programao de job-shops. Artigo aceito para publicao na Revista Produo On-line. Santa Catarina. 2009. 25f. GAITHER, N.; FRAZIER, G. Administrao da Produo e Operaes. rev. 8. ed. So Paulo: Pioneira Thomson Learning, 2005. GAREY, M. R.; JOHNSON, D. S. Computers and Intractability: a guide to the theory of NP-completeness. New York: W. H. Freeman e Co., 1979. GHOLAMI, M.; ZANDIEH, M. Integrating simulation and genetic algorithm to schedule a dynamic flexible job shop. Journal of Intelligent Manufacturing, vol. 20, no. 4, 2009. GIFFLER, D.; THOMPSON, G. L. Algorithms for solving production scheduling problems. Operations Research, vol. 8, no. 4, p. 487503, 1960. GIL, A. C. Como elaborar projetos de pesquisa. 4. ed. 12. reimpr. So Paulo: Atlas, 2009. GOLDBARG, M. C.; LUNA, H. P. L. Otimizao Combinatria e Programao Linear. 2. ed. Rio de Janeiro: Elsevier, 2005.

164

GOLDBERG, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. 1. ed. Reading, MA: Addison-Wesley, 1989. GOSS, S.; ARON, S.; DENEUBOURG, J. L.; PASTEELS, J. M. Self-organized shortcuts in the argentine ant. Naturwissenschaften, vol. 76, no. 12, p. 579581, 1989. GRAHAM, R. L.; LAWLER, E. L.; LENSTRA, J. K; RINNOOY KAN, A. H. G. Optimisation and approximation in deterministic sequencing and scheduling: a survey. Annals of Discrete Mathematics, vol. 5, p. 287-326, 1979. GRAVES, C.; WHITLEY, D.; BEVERIDGE, R.; MATHIAS, K. Test driving three 1995 genetic algorithms: new test functions and geometric matching. Journal of Heuristics, vol. 1, no. 1, p. 77-104, 1995. GREFENSTETTE, J. Optimization of control parameters for genetic algorithms. IEEE Transactions on Systems, Man, and Cybernetics, vol. 16, no. 1, p. 122128, 1986. HAIR J. F. J.; BABIN, B.; MONEY, A. H.; SAMOUEL, P. Fundamentos de mtodos de pesquisa em administrao. Traduo: Lene Belon Ribeiro. Porto Alegre: Bookman, 2005. HEINONEN, J.; PETTERSSON, F. Hybrid ant colony optimization and visibility studies applied to a job-shop scheduling problem. Applied Mathematics and Computation, vol. 187, no. 2, p. 989-998, 2007. HEPPNER, F.; GRENANDER, U. A stochastic nonlinear model for coordinate bird flocks. Krasner S (ed) The Ubiquity of Chaos. Washington: AAAS Publications, 1990. HUANG, K.-L.; LIAO, C.-J. Ant colony optimization combined with taboo search for the job shop scheduling problem. Computers & Operations Research, vol. 35, no. 4, p. 1030-1046, 2008. HUANG, R.-H.; YANG, C.-L. Ant colony system for job shop scheduling with time windows. The International Journal of Advanced Manufacturing Technology, vol. 39, no. 1-2, p. 151-157, 2008. IWATA, K.; MUROTSU, Y.; OBA, F. Solution to large-scale scheduling problems for job shop type machining system with alternative machine tools. CIRP Annals The International Academy for Production Engineering, vol. 29, no. 1, p. 335-338, 1980. JAIN, A. S.; MEERAN, S. A state-of-the-art review of job-shop scheduling techniques. Technical Report, Department of Applied Physics, Electronic and Mechanical Engineering, University of Dundee, Dundee, Scotland. JAIN, A. S.; MEERAN, S. Deterministic job-shop scheduling: past, present and future. European Journal of Operational Research, vol. 113, no. 2, p. 390-434, 1999.

165

JOHNSON, K.; ROSSI, L. F. A mathematical and experimental study of ant foraging trail dynamics. Journal of Theoretical Biology, vol. 241, no. 2, p. 360-369, 2006. JOHNSON, S. M. Optimal two- and three-stage production schedules with set-up times included. Naval Research Logistics Quarterly, vol. 1, no. 1, p. 61-68, 1954. JONES, A. e RABELO, L. C. Survey of job shop scheduling techniques. National Institute of Standards and Technology. Industrial and Manufacturing Engineering Department, California Polytechnic State University, 1998. JZEFOWSKA, J.; ZIMNIAK, A. Optimization tool for short-term production planning and scheduling. International Journal of Production Economics, vol. 112, no. 1, p. 109-120, 2008. KARPENKO, O.; SHI, J.; DAI, Y. Prediction of MHC Class II binders using the ant colony search strategy. Artificial Intelligence in Medicine, vol. 35, no. 1-2, p. 147156, 2005. KATHAWALA, Y.; ALLEN, W. R. Expert systems and job shop scheduling. International Journal of Operations & Production Management, vol. 13, no. 2, p. 23-35, 1993. KENNEDY, J.; EBERHART, R. C. Particle Swarm Optimization. In: PROCEEDINGS IEEE INTERNATIONAL CONFERENCE ON NEURAL NETWORKS, 4, p. 19421948. IEEE Service Center, Piscataway, NJ, 1995. KENWORTHY, J. Planning and Control of Manufacturing Operations. New York: John Wiley & Sons Inc., 1997. KIM, S. C.; BOBROWSKI, P. M. Impact of sequence-dependent setup time on job shop scheduling performance. International Journal of Production Research, vol. 32, no. 7, p. 1503-1520, 1994. KIM, S. C.; BOBROWSKI, P. M. Scheduling jobs with uncertain setup times and sequence dependency. Omega, vol. 25, no. 4, p. 437-447, 1997. KUNNATHUR, A. S.; SUNDARARAGHAVAN, P. S.; SAMPATH, S. Dynamic rescheduling using a simulation-based expert system. Journal of Manufacturing Technology Management, vol. 15, no. 2, p. 199-212, 2004. KUO, I-H.; HORNG, S-J.; KAO, T-W.; LIN, T-L.; LEE, C-L.; TERANO, T.; PAN, Y. An efficient flow-shop scheduling algorithm based on a hybrid particle swarm optimization model. Expert Systems with Applications, vol. 36, no. 3, p. 7027-7032, 2009. KUSIAK, A.; CHEN, M. Expert systems for planning and scheduling manufacturing systems. European Journal of Operational Research, vol. 34, no. 2, p. 113-130, 1988.

166

LAARHOVEN, P. J. M.; AARTS, E. H. L.; LENSTRA, J. K. Job shop scheduling by simulated annealing. Operations Research, vol. 40, no. 1, p. 113-125, 1992. LACERDA, E. G. M. Implementao de otimizao por colnia de formigas. Natal. 14 slides. Disponvel em: < http://www.dca.ufrn.br/~estefane/metaheuristicas/antcod.pdf>. Acesso em: 02 de dezembro de 2009. LAND, A. H.; DOIG, A. G. An automatic method for solving discrete programming problems. Econometrica, vol. 28, no. 3, p. 497-520, 1960. LAURINDO, F. J. B.; MESQUITA, M. A. de. Material Requirements Planning: 25 anos de histria uma reviso do passado e prospeco do futuro. Gesto & Produo, vol. 7, no. 3, p. 320-337, 2000. LAW, A. M.; KELTON, W. D. Simulation Modeling and Analysis. 2. ed. Boston: McGrawHill Inc., 1997. LEE, D.-H.; KIM, Y.-D. Scheduling algorithms for flexible manufacturing systems with partially grouped machines. Journal of Manufacturing Systems, vol. 18, no. 4, p. 301-309, 1999. LEE, Y. H.; PINEDO, M. Scheduling jobs on parallel machines with sequence-dependent setup times. European Journal of Operational Research, vol. 100, no. 3, p. 464-474, 1997. LIAN, Z.; GU, X.; JIAO, B. A similar particle swarm optimization algorithm for job-shop scheduling to minimize makespan. Applied Mathematics and Computation, vol. 183, no. 2, p. 1008-1017, 2006. LING, W. Shop Scheduling with Genetic Algorithm. TsingHua University Press, p. 59-67, 2003. LOUKIL, T.; TEGHEM, J.; FORTEMPS, P. A multi-objective production scheduling case study solved by simulated annealing. European Journal of Operational Research, vol. 179, no. 3, p. 709-722, 2007. LUSTOSA, L. J.; MESQUITA, M. A.; QUELLAS, O. L. G.; OLIVEIRA, R. J. Planejamento e Controle da Produo. Rio de Janeiro: Elsevier, 2008. MARTINICH, J. S. Production and Operations Management: an applied modern approach. New York: John Wiley & Sons Inc., 1997. MARTINS, P. G.; LAUGENI, F. P. Administrao da Produo. 2. ed. rev. So Paulo: Saraiva, 2006. MCCULLOCH, W.; PITTS, W. A Logical Calculus of Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics, vol. 5, no.4, p. 115-133, 1943.

167

MCGLYNN, T. P.; SHOTELL, M. D.; KELLY, M. S. Responding to a variable Environment: home range, foraging behavior, and nest relocation in the costa rican rainforest ant Aphaenogaster araneoides. Journal of Insect Behavior, vol. 16, no. 5, p. 687-701, 2003. MEHRABAD, M. S.; FATTAHI, P. Flexible job shop scheduling with tabu search algorithms. The International Journal of Advanced Manufacturing Technology, vol. 32, no. 5-6, p. 563-570, 2007. METAHEURISTICS NETWORK. Project Description: project summary. Disponvel em: <http://www.metaheuristics.net/>. Acesso em: 20 de outubro de 2009. METAXIOTIS, K. S.; PSARRAS, J. E.; ERGAZAKIS, K. A. Production scheduling in ERP systems: an AI-based approach to face the gap. Business Process Management Journal, vol. 9, no. 2, p. 221-247, 2003. MINIKOVSKI, L. J.; VIEIRA, G. E. Otimizao do planejamento mestre da produo por meta-heurstica colnia de formigas. Revista INGEPRO - Inovao, Gesto e Produo, vol. 1, no. 2, p. 1-15, 2009. MOCCELLIN, J. V.; NAGANO, M. S. Uma propriedade estrutural do problema de programao da produo flow shop permutacional com tempos de setup. Pesquisa Operacional, vol. 27, no. 3, p. 487-515, 2007. MONTGOMERY, D. C.; RUNGER, G. C. Estatstica Aplicada e Probabilidade para Engenheiros. Traduo e reviso tcnica: Vernica Calado. 4. ed. Rio de Janeiro: LTC, 2009. MORTON, T.; PENTICO, D. Heuristic Scheduling Systems. New York: John Wiley & Sons Inc., 1993. NORONHA, A. B.; MENDES, R. S. Controle de transitrios em escalonamento de job shop cclico. Controle & Automao, vol. 13, no. 3, p. 231-247, 2002. NOWICKI, E.; SMUTNICKI, C. A fast taboo search algorithm for the job-shop problem. Management Science, vol. 42, no. 6, p. 797813, 1996. OVACIK, I. M.; UZSOY, R. Rolling horizon procedures for dynamic parallel machine scheduling with sequence-dependent setup times. International Journal of Production Research, vol. 33, no. 11, p. 3173-3192, 1995. PANURAK, V. H. D. Characterizing the manufacturing-scheduling problem. Journal of Manufacturing Systems, vol. 10, no. 3, p. 241-252, 1991. PAPADIMITRIOU, C. H.; STEIGLITZ, K. Combinatorial optimization: algorithms and complexity. New York: Dover Publications Inc., 1982.

168

PARSOPOULOS, K. E.; VRAHATIS, M. N. Recent approaches to global optimization problems through particle swarm optimization. Natural Computing, vol. 1, no. 2-3, p. 235306, 2002. PENNACHIN, C. Otimizao inspirada em formigas. Disponvel em: <http://blog.vettalabs.com/2008/05/07/otimizacao-inspirada-em-formigas/>. Acessado em: 01 de outubro de 2009. PEZZELLA, F.; MERELLI, E. A tabu search method guided by shifting bottleneck for the job shop scheduling problem. European Journal of Operational Research, vol. 120, no. 2, p. 297-310, 2000. PINEDO, M. Planning and scheduling in manufacturing and services. New York: Springer Science+Business Media, Inc., 2005. PINEDO, M. Scheduling: theory, algorithms, and systems. 3. ed. New York: Springer Science+Business Media, LLC, 2008 PINEDO, M.; SAMROENGRAJA, R.; YEN, P.-C. Design issues with regard to scheduling systems in manufacturing. Control and Dynamic Systems, vol. 60, pp. 203-238, 1994. PINEDO, M.; YEN, B. P.-C. On the design and development of object-oriented scheduling systems. Annals of Operations Research, vol. 70, no. 1, p. 359-378, 1997. PLENERT, G.; KIRCHMIER, B. Finite Capacity Scheduling: management, selection and implementation. New York: Jonh Wiley & Sons Inc., 2000. RAJENDRAN, C.; ZIEGLER, H. Scheduling to minimize the sum of weighted flow time and weighted tardiness of jobs in a flowshop with sequence-dependent setup times. European Journal of Operational Research, vol. 149, no. 3, p. 513-522, 2003. REYNOLDS, C. W. Flocks, herds, and schools: a distributed behavioral model. Computer Graphics, vol. 21, no. 4, p. 2534, 1987. ROBSON, C. Real world research: a resource for social scientists and practitionerresearchers. 2. ed. Oxford: Blackwell Publishing, 2002. ROSENKRANTZ, D. J.; STEARNS, R. E.; LEWIS, P. M. An analysis of several heuristics for the traveling salesman problem. SIAM Journal of Computing, vol. 6, no. 3, p. 563-581, 1977. ROSS, P.; HART, E.; CORNE, D. Evolutionary scheduling: a review. Genetic Programming and Evolvable Machines, vol. 6, no. 2, p. 191-220, 2005. ROSSI, A.; BOSCHI, E. A hybrid heuristic to solve the parallel machines job-shop scheduling problem. Advances in Engineering Software, vol. 40, no. 2, p. 118-127, 2009.

169

ROSSI, A.; DINI, G. Flexible job-shop scheduling with routing flexibility and separable setup times using ant colony optimization method. Robotics and Computer-Integrated Manufacturing, vol. 23, no. 5, p. 503-516, 2007. RYAN, T. Estatstica Moderna para Engenharia. Traduo de Luiz Cludio de Queiroz. Rio de Janeiro: Elsevier, 2009. SADEH, N. M.; NAKAKUKI, Y. Focused simulated annealing search: an application to job shop scheduling. Annals of Operations Research, vol. 63, no. 1, p. 77-103, 1996. SANTOS, L. P. DOS. Anlise da otimizao da programao de produo para trs em sistemas mono-estgio por colnia de formigas e sua comparao com branch and bound. 2008. 109 f. Dissertao (Mestrado em Engenharia de Produo e Sistemas) Pontifcia Universidade Catlica do Paran, Curitiba, 2008. SCHULTZ, T. R. In search of ant ancestors. Proceedings of the National Academy of Sciences of the United States of America, vol. 97, no. 26, p. 14028-14029, 2000. SEDA, M. Mathematical models of flow shop and job shop scheduling problems. International Journal of Applied Mathematics and Computer Science, vol. 4, no. 4, p. 241-246, 2007. SHA, D. Y.; HSU, C.-Y. A hybrid particle swarm optimization for job shop scheduling problem. Computers & Industrial Engineering, vol. 51, no. 4, p. 791-808, 2006. SHANKER, K.; MODI, B. K. A branch and bound based heuristic for multi-product resource constrained scheduling problem in FMS environment. European Journal of Operational Research, vol. 113, no. 1, p. 80-90, 1999. SHI, L.; HAO, J.; ZHOU, J.; XU, G. Ant colony optimization algorithm with random perturbation behavior to the problem of optimal unit commitment with probabilistic spinning reserve determination. Electric Power Systems Research, vol. 69, no. 2-3, p. 295303, 2004. SHIM, S-O.; KIM, Y-D. A branch and bound algorithm for an identical parallel machine scheduling problem with a job splitting property. Computers & Operations Research, vol. 35, no. 3, p. 863-875, 2008. SILVA, E.L; MENEZES, E. M. Metodologia da pesquisa e elaborao de dissertao. 4. ed. rev. atual. Florianpolis: UFSC, 2005. SIMON, S. P.; PADHY, N. P.; ANAND, R. S. An ant colony system approach for unit commitment problem. Electrical Power & Energy Systems, vol. 28, no. 5, p. 315323, 2006. SINGER, M.; PINEDO, M. A computational study of branch and bound techniques for minimizing the total weighted tardiness in job shops. IEEE Transactions, vol. 30, no. 2, p. 109-118, 1998.

170

STTZLE, T.; DORIGO, M. A short convergence proof for a class of ACO algorithms. IEEE Transactions on Evolutionary Computation, vol. 6, no. 4, p. 358-365, 2002. STTZLE, T.; HOOS, H. H. MAXMIN Ant System. Future Generation Computer Systems, vol. 16, no. 9, p. 889914, 2000. TAILLARD, E. Parallel Tabu Search Technique for the Job Shop Scheduling Problem. Internal Report ORWP 89/11, Departemente de Mathematiques, Ecole Polytechnique Federale de Lausanne, Lausanne, 1989. TAVAKKOLI-MOGHADDAM, R.; JOLAI, F.; VAZIRI, F.; AHMED, P. K.; AZARON, A. A hybrid method for solving stochastic job shop scheduling problems. Applied Mathematics and Computation, vol. 170, no. 1, p. 185-206, 2005. TAVARES, R. F. N.; GODINHO, M. F. A aplicao no Brasil da meta-heurstica de colnia de formigas em problemas de Engenharia de Produo: caminhos traados e oportunidades. In: SIMPSIO DE ENGENHARIA DE PRODUO, 15., 2008, Bauru. Anais... Bauru: UNESP, 2008, p. 1-12. TUBINO, D. F. Manual de Planejamento e Controle da Produo. 2. ed. So Paulo: Atlas, 2000. VZQUEZ, M.; WHITLEY, L. D. A comparison of genetic algorithms for the dynamic job shop scheduling problem. Proceedings of the Genetic and Evolutionary Computation Conference, p. 1011-1018, 2000. VITTORI, K.; TALBOT, G.; GAUTRAIS, J.; FOURCASSI, V.; ARAJO, A. F. R.; THERAULAZ, G. Path efficiency of ant foraging trails in an artificial network. Journal of Theoretical Biology, vol. 239, no. 4, p. 507-515, 2006. VOLLMANN, T. E.; BERRY, W. L.; WHYBARK, D. C.; JACOBS, F. R. Sistemas de Planejamento e Controle da Produo para Gerenciamento da Cadeia de Suprimentos. 5. ed. Porto Alegre: Bookman, 2006. WANG, W.; BRUNN, P. An effective genetic algorithm for job shop scheduling. In: Proceedings of the Institution of Mechanical Engineers, vol. 214, no. 4, p. 293-300, 2000. WILBRECHT, J. K.; PRESCOTT, W. B. The influence of setup time on job shop performance. Management Science, vol. 16, no. 4, p. B-274-B-280, 1969. XIA, W.; WU, Z. An effective hybrid optimization approach for multi-objective flexible jobshop scheduling problems. Computers & Industrial Engineering, vol. 48, no. 2, p. 409-425, 2005. XING, L.-N.; CHEN, Y.-W.; YANG, K.-W. Multi-objective flexible job shop schedule: design and evaluation by simulation modeling. Applied Soft Computing, vol. 9, no. 1, p. 362-376, 2009.

171

YAGMAHAN, B.; YENISEY, M. M. Ant colony optimization for multi-objective flow shop scheduling problem. Computers & Industrial Engineering, vol. 54, no. 3, p. 411-420, 2008. YI, Y.; WANG, W. Soft computing for scheduling with batch setup times and earlinesstardiness penalties on parallel machines. Journal of Intelligent Manufacturing, vol. 14, no. 3-4, p. 311-322, 2003. YIN, P-Y.; WANG, J-Y. A particle swarm optimization approach to the nonlinear resource allocation problem. Applied Mathematics and Computation, vol. 183, no. 1, p. 232-242, 2006. YING, K.-C.; LIAO, C.-J. An ant colony system for permutation flow-shop sequencing. Computers & Operations Research, vol. 31, no. 5, p. 791-801, 2004. ZADEH, L. A. Soft computing and fuzzy logic. IEEE Software, vol. 11, no. 6, p. 48-56, 1994. ZHANG, J.; HU, X.; TAN, X.; ZHONG, J. H.; HUANG, Q. Implementation of an ant colony optimization technique for job shop scheduling problem. Transactions of the Institute of Measurement and Control, vol. 28, no. 1, p. 93-108, 2006. ZITZLER, E. Evolutionary algorithms for multiobjective optimization: methods and applications. Tese. Swiss Federal Institute of Technology, Zurich, 1999. ZITZLER, E.; LAUMANNS, M.; BLEULER, S. A Tutorial On Evolutionary Multiobjective Optimization. In: METAHEURISTICS FOR MULTIOBJECTIVE OPTIMIZATION, p. 3-37, Springer. Lecture Notes in Economics and Mathematical Systems, vol. 535, Berlin, 2004. ZUBEN, F. J. V.; ATTUX, R. R. F. Introduo Computao Natural: apostila tcnica. Campinas: UNICAMP, 2009.