Artigos

Algoritmos de tecnologia de grupo

para projetos de clulas de manufatura

Alexandre Augusto Massote

Faap/FEI/Unisanta. So Paulo SP [Brasil]
massote@fei.edu.br

Este trabalho apresenta algoritmos aplicados para solucionar

problemas relacionados formao de clulas de mquinas e
famlias de peas, que uma das etapas fundamentais nos pro-
jetos de clulas de manufatura. Para isso foram selecionados
trs algoritmos heursticos: o rank order clustering (ROC),
o direct clustering analysis (DCA) e o cluster identification
algorithm (CIA), alm de um modelo de Programao Intei-
ra de Kusiak (1987) e um algoritmo usando redes neurais de
Malakooti e Yang (1995). Nesta pesquisa, so apresentadas
tambm trs medidas de desempenho para avaliar a qualida-
de do mtodo de agrupamento, alm de ilustraes numricas
e anlise dos resultados obtidos com a aplicao de cada um
deles. Finalmente, so discutidas as vantagens e as limitaes
da aplicao desses mtodos para o projeto de clulas de ma-
nufatura, usando-se a simulao.
Palavras-chave: CIA. DCA. ROC. Tecnologia de grupo.

Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006 31

 1 Introduo
A tecnologia de grupo (em ingls group
technology [GT]) um enfoque moderno aplica-
do ao estudo de sistemas de manufatura que vem
sendo utilizado por muitas indstrias, tais como
job shops e de produo tipo batch. Destaca-
se a sua importncia nos projetos de clulas de
manufatura. Tradicionalmente, para a organiza-
o dos sistemas de produo em massa, eram
usados layouts em linha e, para outros tipos de
produo, layouts por processos. Nesses tipos
de estruturas, a reduo dos tamanhos dos lotes
poderia acarretar uma elevao dos custos como
os de set-up. A GT invalidou essa relao e, em
decorrncia disso, obteve economia mesmo nos
pequenos lotes. A GT , portanto, uma tcnica
que propicia, de maneira simplificativa, a melho-
ria da produtividade em sistemas de produo,
tais como redues de ciclos de fabricao e de
material em processo, garantindo os prazos de
entrega e menor movimentao de materiais.
O problema bsico que envolve a GT a
identificao de clulas de mquinas e das famlias
de peas. Em razo disso, procura-se identificar e
explorar as semelhanas entre produtos, peas e
processos de manufatura. Em relao s peas, se-
gundo Groover (1987), existem trs maneiras para
identific-las: inspeo visual, classificao e co-
dificao, e anlise do fluxo de produo. Outras
tcnicas de anlise para formao de famlias e
clulas, tais como as de King e Nakornchai (1982)
e Kusiak (1987), chamadas mquinas-pea, com
base nos atributos de fabricao, ou operaes ne-
cessrias para a fabricao de uma famlia, tm
sido desenvolvidas desde a anlise do fluxo de pro-
duo proposta por Burbidge (1971).
As operaes necessrias para a fabricao
das peas nas mquinas podem ser representadas
na forma de uma matriz, chamada matriz de in-
cidncia {aij}, que tem m linhas a representar as
32
mquinas, enquanto n colunas referem-se s pe-
as. Considera-se aij = 1 para a pea j, que requer
operao na mquina; e aij = 0 para a pea i, que
no precisa de operao.
Este o ponto de partida tanto para o de-
senvolvimento quanto para a implementao das
vrias tcnicas voltadas formao de clulas. O
objetivo dos algoritmos de formao de famlias
mquinas-pea rearranjar as linhas e as colunas
da matriz de incidncia, de tal maneira que a ma-
triz resultante fique com todos os elementos iguais
a 1 agrupados em blocos na diagonal, em que cada
bloco na matriz rearranjada indique um grupo
de peas e o correspondente grupo de mquinas.
Dessa forma, as famlias de peas e as clulas de
mquinas podem ser identificadas. Uma perfeita
estrutura de blocos diagonais poder ser constitu-
da caso seja possvel formar clulas de mquinas e
famlias de peas de modo que cada famlia possa
ser processada em uma nica clula de mquinas.
A Ilustrao 1a mostra uma matriz de incidncia
inicial com 10 mquinas e 12 peas. A Ilustrao
1b a matriz resultante depois do agrupamento
em trs clulas de mquinas-pea distintas. Nes-
sa ilustrao, pode ser observado que a famlia de
peas 1 composta das peas 1, 9, 10, 11 e 6, e a
clula de mquinas 1, das mquinas 1, 7 e 10. As-
sim, a famlia de peas 1 processada pela clula
de mquinas 1; a famlia de peas 2, pela clula de
mquinas 2, e a famlia 3, pela clula 3.
Quando no se consegue perfeitamente tal
estrutura, as peas e as mquinas so agrupadas
com o objetivo de minimizar os elementos excep-
cionais para um dado nmero de clulas de m-
quinas. Esses elementos so os que estaro fora
da diagonal 1, representando o nmero total de
processamentos que as peas tero em mquinas
de outras clulas. O agrupamento final, na Ilus-
trao 2, mostra essa situao. Vale observar que
a matriz final ser diferente quando se usar em
distintos mtodos de agrupamento.
Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006
 Artigos

Peas Durante as duas ltimas dcadas, muitos

1 2 3 4 5 6 7 8 9 10 11 12
mtodos foram desenvolvidos para resolver o pro-
1 1 1 1
blema referente formao de famlias mquinas-
2 1 1 1 1
3 1 1 1
pea. Tambm so considerados muitos critrios
de desempenho, tais como custo total de movimen-
Mquinas

4 1 1 1
5 1 1 1 1 tao, utilizao mdia das mquinas, tempo m-
6 1 1 1 1 dio de set-up e de fabricao e outros. Chu (1989)
7 1 1 1 1
classifica esses mtodos como manipulao de ma-
8 1 1 1 1
triz, agrupamento hierrquico e no-hierrquico,
9 1 1 1
10 1 1 1 1 programao matemtica, tcnicas grfica e heu-
rstica. Os primeiros algoritmos desenvolvidos
(a)
basearam-se, principalmente, na manipulao de
Peas matriz. Nesse mtodo, linhas e colunas so rear-
1 9 10 11 6 2 4 7 12 1 5 8 3 ranjadas para a obteno da diagonal de blocos,
1 1 1 1 1
da qual as clulas de mquinas e famlias de peas
7 1 1 1 1 1
so obtidas. Pode-se citar o rank order clustering
10 1 1 1 1 1
(ROC) de King (1980), o direct clustering analysis
Mquinas

2 1 1 1 1
5 1 1 1 1 (DCA) de Chan e Milner (1982) e o cluster identi-
8 1 1 1 1 fication algorithm (CIA) de Kusiak e Chow (1987).
3 1 1 1 No agrupamento hierrquico, as similaridades e
4 1 1 1
as diferenas entre mquinas so computadas e
6 1 1 1 1
agrupadas de modo que minimizem as diferenas
9 1 1 1
e maximizem as similaridades. Como exemplos
(b)
de algoritmos de agrupamento hierrquico, tm-
Ilustrao 1: Matriz de incidncia
se o single linkage algorithm (SLA) de McAuley
Obs.: antes do agrupamento (a); depois do
agrupamento (b).
(1972) e o average linkage algorithm (ALA) de
Fonte: O autor. Seifoddini (1989). Mtodos de agrupamento no-
hierrquicos diferentemente dos de agrupamento
hierrquico so, por natureza, repetitivos. O no-
Peas
hierrquico usado nos algoritmos Zodiac de
2 7 11 12 5 8 9 1 3 6 4 10 13 Chandrasekharan e Rajagopalan (1987) e Grafics
1 1 1 1 1 de Srinivasan e Narendran (1991).
6 1 1 1 1 1 1 Os problemas de formao de clulas tm
7 1 1 1 1 1
sido analisados tambm usando-se o modelo
Mquinas

2 1 1 1 1
p-median de Kusiak (1987), a programao din-
5 1 1 1 1
9 1 1 1 1
mica de Steudel e Ballakur (1987) e a programa-
3 1 1 o inteira de Boctor (1991). Essas tcnicas so
4 1 1 1 1 empregadas para resolver problemas de pequenas
8 1 1 dimenses, enquanto, nos de grandes dimenses,
Ilustrao 2: Matriz de incidncia final o mtodo heurstico tem sido usado com mais
Fonte: O autor. eficincia, porque os algoritmos existentes para

Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006 33

 resolver problemas de otimizao demandam um
grande tempo de processamento, e na maioria das
vezes, um tempo invivel do ponto de vista pr-
tico. Vohra e colaboradores (1990) sugeriram um
enfoque com base em redes para formao de c-
lulas, e Askin (1991) vem usando o caminho ha-
miltoniano para rearranjar a matriz de incidncia
de mquinas e peas.
Vale observar que todos esses algoritmos
apontam para o agrupamento de um conjunto de
mquinas em clulas e de famlias de peas. Esse
enfoque tem dado boas solues para problemas
em que as famlias de peas e as clulas de mqui-
nas existam naturalmente. Entretanto, apresenta
falha quando existem vrios elementos excepcio-
nais aps a diagonalizao dos blocos. Nesses ca-
sos, a melhor alternativa seria tentar a formao
de fractional cell, que inclui parte das mquinas
agrupadas em clulas e as demais agrupadas em
uma clula de resto, que funciona como um job
shop. O uso prtico deste mtodo pode ser obser-
vado no estudo de Wemmerlov e Hyer (1989).
Segundo Murthy e Srinivasan (1995), em-
bora a idia de formao de fractional cell venha
sendo mencionada na literatura de GT, como
em Burbidge (1971) e Greene e Sadowski (1983),
que consideram a idia de clula-resto, observa-
se pouca pesquisa nessa rea. Pela constituio
de clula-resto possvel reduzir o nmero de
elementos excepcionais existente em uma gran-
de quantidade de problemas. Na formao tipo
fractional cell, apesar da movimentao de peas
de uma clula para uma clula-resto ser permiti-
da, ela deve ser evitada, principalmente, entre c-
lulas. Na anlise, enquanto o movimento de uma
clula para outra tratado como um elemento
excepcional o de uma clula para uma clula-
resto no considerado como um elemento ex-
cepcional. O objetivo minimizar os elementos
excepcionais. Se uma soluo obtida sem ne-
nhum elemento excepcional, a matriz perfeita-
34
mente conveniente para formao de fractional
cell, desde que exista movimentao de material
somente entre clulas e clulas resto.
Recentemente, novas tcnicas, tais como re-
conhecimento do padro de Wu e colaboradores
(1988) e de Harhalakis Nagi e Proth (1990), agru-
pamento fuzzy e sistemas especialistas (KUSIAK,
1990) tm sido aplicadas para resolver esses pro-
blemas. E, mais recentemente ainda, pesquisas
com redes neurais artificiais (em ingls artifitial
neural network [ANN]) tm mostrado a sua efi-
ciente aplicao na soluo de problemas de agru-
pamento mquinas-pea, especialmente os de
grandes dimenses, como mostram McLave e Ra-
machardran (1991) e Kaparthi e Suresh (1992).
Sistemas paralelos, tais como redes neurais,
podem ser usados para observar e comparar dife-
rentes solues em um intervalo de tempo muito
pequeno e mesmo para solucionar problemas de
grandes dimenses. Uma reviso detalhada dessa
proposta feita por Dagli e Huggahalli (1991;
1993).
Moon (1990) props uma ativao iterativa
e um modelo de competio em que a rede neu-
ral estabelece, inicialmente, as similaridades das
peas, das mquinas e a relao mquinas-pea
obtida da matriz mquinas-pea; por isso, so
agrupadas usando-se redes neurais que ativam
unicamente cada grupo de pea e de mquinas.
Em razo disso, esse modelo requer a computao
de similaridades entre cada par de peas e de m-
quinas. Outra aplicao de redes neurais com o
intuito de solucionar o problema de formao de
clulas a busca da melhoria da eficincia.
2 Alguns algoritmos aplicados
em GT
A seguir sero apresentados alguns algorit-
mos aplicados em GT. Para verificar melhor o
potencial dos mtodos aplicados na soluo dos
Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006

problemas de formao de grupos mquinas-
pea, os algoritmos foram selecionados de modo
que abrangessem trs grupos distintos: heurstico,
otimizante e usando redes neurais. Os algoritmos
heursticos esto descritos na ordem cronolgica
de seus respectivos desenvolvimentos, o otimizan-
te um modelo de programao inteira de Kusiak
(1987) enquanto o algoritmo, usando redes neu-
rais, foi proposto por Malakooti e Yang (1995).
2.1 ROC
King (1980) desenvolveu este algoritmo que
consiste nos seguintes passos:
1) Para cada linha da matriz de incidncia,
designar um peso binrio e calcular o peso deci-
mal equivalente;
2) Rearranjar as linhas da matriz na ordem
decrescente dos valores dos pesos decimais equi-
valentes;
3) Para cada coluna da matriz obtida no pas-
so 2, designar um peso binrio e calcular o peso
decimal equivalente;
4) Rearranjar as colunas da matriz na ordem
decrescente dos valores dos pesos decimais equi-
valentes;
5) Repetir os passos de 1 a 4 at no haver
mais mudanas de posies dos elementos em
cada linha ou coluna.
Os pesos para cada linha i e coluna j so cal-
culados da seguinte forma:
n = no de peas e m = no de mquinas
n mento igual a 1 pertencente a uma linha vj ou hk.
linha i : aik 2n-k
k=1
n
coluna j : aik 2n-k
k=1
Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006
Artigos
2.2 DCA
Chan e Milner (1982) desenvolveram este al-
goritmo que consiste nos seguintes passos:
1) Determinar o nmero total de elementos
1 em cada linha e em cada coluna na matriz de
incidncia;
2) Rearranjar as linhas na ordem crescente
do nmero total de elementos 1;
3) Rearranjar as colunas na ordem decrescen-
te do nmero total de elementos 1;
4) Repetir os passos de 1 a 3 at que no haja
nenhuma mudana de posio dos elementos da
matriz.
2.3 CIA
Kusiak e Chow (1987) aplicaram o concei-
to apresentado por Iri (1968) no desenvolvimento
deste algoritmo. O CIA permite checar a existn-
cia de grupos mutuamente separveis na matriz
de incidncia. O algoritmo consiste nos seguintes
passos:
1) Estabelecer o nmero da iterao k = 1;
2) Selecionar uma linha i na matriz de inci-
dncia e desenhar uma linha horizontal hi;
3) Para cada elemento igual a 1 encontrado
na linha hi, desenhar uma linha vertical vj passan-
do por esse elemento;
4) Para cada elemento igual a 1 encontrado
na linha vj, desenhar uma linha horizontal hk pas-
sando por esse elemento;
5) Repetir os passos 3 e 4 at no ser mais
possvel desenhar linhas passando por um ele-
Todos os elementos que esto no cruzamento de
uma linha hk com uma linha vj formam a clula de
mquinas MC-k e a famlia de peas PF-k;
6) Definir uma nova matriz de incidncia ini-
cial, retirando as linhas e as colunas (mquinas e
35
 peas) que j fazem parte de uma clula e famlia, 2) Minkowski ponderado
obtidas nos passos de 2 a 5;
m
7) Se a matriz obtida contiver todos os ele- dij = ( wkaki - akjr)1/r
mentos iguais a zero, significa que todas as mqui- k=1

nas j foram alocadas em uma clula, e todas as

peas, em uma famlia ou obtiveram-se elementos
excepcionais, que constitui o fim do algoritmo. 3) Hamming
Caso contrrio, incrementar a varivel k (k = k + 1)
m
que controla o nmero de iteraes e voltar para dij = (aki, akj)
k=1
o passo 3.

2.4 Programao inteira Onde:

A maioria dos modelos matemticos desen- (aki, akj) = 1 se aki akj

volvidos para a soluo de problemas de forma- (aki, akj) = 0, caso contrrio

o de grupos considera a medida de distncia

Kusiak (1987) desenvolveu um modelo de
dij entre as peas i e j (Kusiak, 1987). A distncia
programao inteira, conhecido como p-median
dij uma funo simtrica real com as seguintes
model, que usado para agrupar n peas e p em
caractersticas:
famlias. As seguintes variveis so definidas:

Reflexiva: dii = 0
m = nmero de mquinas
Simtrica: dij = dji
n = nmero de peas
Desigualdade triangular: diq dip + dpq
p = nmero de famlias de peas
xij = 1 se a pea i pertencer famlia j
As medidas de distncia mais usadas em pro-
xij = 0 caso contrrio
blemas de formao de grupos so:
dij = medida de distncia entre as peas i e j
1) Minkowski

m
A funo do objetivo minimizar a soma to-
dij = ( aki - akj )
r 1/r
tal das distncias entre as peas i e j
k=1

n n

min dij xij

i=1 j=1

Onde:
r = inteiro positivo sujeito a:
m = nmero de mquinas
n

xij = 1 , para todos i = 1, ..., n

Dois casos especiais de r so os mais usados: j=1

Distncia absoluta: r = 1 n

xjj = p
Distncia euclidiana: r = 2 j=1

36 Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006

 Artigos

xij xjj, para todo i = 1, ..., n e j = 1, ..., n
xij = 0 ou 1, para todo i = 1, ..., n e j = 1, ..., n
Esse modelo foi desenvolvido considerando-
se a possibilidade de haver apenas um plano de
operaes para cada pea i. Kusiak (1987) desen-
volveu um outro modelo, chamado generalized
p-median model, que relaxa em relao a essa
restrio, ao considerar a existncia de mais que
um plano de operaes para cada pea i, sendo,
adicionalmente, os custos de operao associados
a cada um desses planos.
2.5 Clustering neural network (CNN)
Malakooti e Yang (1995) desenvolveram um
algoritmo usando redes neurais de aprendizado
no-supervisionado para problemas de formao
de grupos. O algoritmo composto de duas fases.
Na fase 1, os centros das clulas so identificados.
Na fase 2, o agrupamento das mquinas feito
com base na distncia entre o vetor de mquinas e
gr: Nmero de mquinas pertencentes c-
lula r
gr ,min: Nmero mnimo de mquinas na c-
lula r
g r ,max: Nmero mximo de mquinas na c-
lula r
Os passos deste algoritmo so os seguintes:
Fase 1: Para encontrar os centros das clu-
las.
1) Colocar ki , , , p e R;
2) Estabelecer t = 1. Gerar vetor peso inicial
wr (1); wr (1) = 0, r = 1, 2, ..., R. Colocar s = 1;
3) Entrar com o vetor as;
4) Computar a distncia euclidiana entre a
entrada-padro e todos os vetores peso
Edr = || as - wr (t) || k2 = k1 (as1 - wr1 (t))2 + k2 (as2 - wr2 (t))2 +
... + kn (asn - wrn (t))2

os centros e entre os limites superior e inferior do

para
nmero de mquinas designado para cada clula. r = 1, 2, ..., R
O agrupamento das peas feito de acordo com o
mesmo procedimento.
5) Encontrar a menor distncia Edr* = min
Definies:
{Edr }, onde r = 1, 2, ..., R;
6) Desde ento, a entrada-padro as pertence
Ki: Coeficiente na frmula euclidiana ao r , atualizar
*

R: Nmero de ns de sada (nmero de cen-

tros de clulas) wr* (t+1) = (ws - wr* (t)) + (1 - ) wr* (t)
m: Nmero de entradas-padro (vetor de m-
wr* (t + 1) = wr* (t)
quinas)
wr (t): Vetor peso ( vetor do centro da clula) para
as: Vetor de entrada (vetor de mquinas) r = 1, 2, ..., R e r r*
Edr: Distncia euclidiana entre o vetor peso
wr (t) e o vetor de entrada as 7) Estabelecer s = s + 1
(t): Taxa de aprendizagem Se s < p, t = t + 1 e retornar para o passo 3
: Parmetro de parada Caso contrrio, seguir para o passo 8
t: ndice de tempo de treinamento (ndice de 8) s = p
iterao) se wr (t + 1) < para r = 1, 2, ..., R fim

Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006 37

 Caso contrrio, estabelecer s = 1, t = t + 1, e 3 Ilustrao numrica
retornar para o passo 3.
Para entender melhor a aplicao dos algo-
ritmos ou mtodos apresentados no item (2), to-
Fase 2: Para agrupar o vetor de mquinas m
memos como exemplo o problema cuja matriz de
em R clulas com um dado limite inferior e supe- incidncia a seguinte:
rior para o nmero de mquinas em uma clula.
Peas
1) Agrupar m mquinas em R clulas 1 2 3 4 5 6 7
1 1 1 1
Estabelecer s = 1, e gr = 0, para r = 1, 2,..., R

Mquinas
2 1 1
A mquina s pertencer clula r se d (as, xr) 3 1 1 1 1
d (as, xp) para p = 1, 2,..., R, p r 4 1 1 1
5 1 1 1 1
Estabelecer gr = gr + 1
Ilustrao 3: Matriz de incidncia aplicada em GT
Se s = m, seguir para o passo 2, caso con-
Fonte: O autor.
trrio estabelecer s = s + 1 e retornar ao incio do
passo 1.
3.1 Aplicando o ROC
2) Se o decisor estiver satisfeito com o agru-
1) Para cada linha da matriz de incidncia,
pamento fim, solicitar para ele o fornecimento de
designar um peso binrio e calcular o peso deci-
gr,max e gr,min, que correspondem aos limites supe- mal equivalente:
rior e inferior do nmero de mquinas na clula r, Peas
r = 1, 2,..., R. 1 2 3 4 5 6 7
Peso binrio 26 25 24 23 22 21 20 Peso decimal
3) Checar se o limite superior est satisfeito.
1 1 1 1 41
Para r = 1, 2,..., R, se gr gr,max, seguir para
Mquinas

2 1 1 20

o passo 4. 3 1 1 1 1 105
4 1 1 1 82
Para cada clula cujo gr > gr,max, encontrar as
5 1 1 1 1 30
(gr gr,max) mquinas na clula r mais distantes do
Ilustrao 4: Passo 1 da aplicao de ROC
centro da clula xr, e design-las para outra clula Fonte: O autor.

(cujo gr < gr,max) de acordo com as suas distncias

2) Rearranjar as linhas da matriz na ordem
dos centros das clulas x1, x 2,..., xr - 1, xr + 1,..., xr.
decrescente dos valores dos pesos decimais equi-
Retornar para o incio do passo 3. valentes:
4) Checar se o limite inferior est satisfeito. Peas
1 2 3 4 5 6 7
Para r = 1, 2,..., R, se gr gr,min, fim.
3 1 1 1 1
Mquinas

Para cada clula cujo gr < gr,min, encontrar 4 1 1 1

as (gr,min gr) mquinas de outra clula (cujo gr > 1 1 1 1

5 1 1 1 1
gr,min) mais prximas do centro da clula x r, e de-
2 1 1
sign-las para a clula x r. Retornar para o incio
Ilustrao 5: Passo 2 da aplicao de ROC
do passo 4. Fonte: O autor.

38 Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006

 Artigos

3) Para cada coluna da matriz obtida no pas- 3.2 Aplicando o DCA

so 2, designar um peso binrio e calcular o peso 1) Determinar o nmero total de elementos
decimal equivalente: 1 em cada linha e em cada coluna na matriz de
incidncia:
Peas
1 2 3 4 5 6 7 Peas
3 24 1 1 1 1 1 2 3 4 5 6 7
Mquinas

4 23 1 1 1 1 1 1 1 3

Mquinas
1 22 1 1 1 2 1 1 2
5 21 1 1 1 1 3 1 1 1 1 4
2 20 1 1 4 1 1 1 3
Peso decimal 24 20 11 22 3 10 20 5 1 1 1 1 4
2 2 3 3 2 2 2
Ilustrao 6: Passo 3 da aplicao de ROC
Fonte: O autor. Ilustrao 9: Passo 1 da aplicao DCA
Fonte: O autor.

4) Rearranjar as colunas da matriz na ordem

decrescente dos valores dos pesos decimais equi- 2) Rearranjar as linhas na ordem crescente
valentes: do nmero total de elementos 1:

Peas Peas
1 4 2 7 3 6 5 1 2 3 4 5 6 7
3 1 1 1 1 2 1 1
Mquinas

Mquinas

4 1 1 1 1 1 1 1
1 1 1 1 4 1 1 1
5 1 1 1 1 3 1 1 1 1
2 1 1 5 1 1 1 1

Ilustrao 7: Passo 4 da aplicao de ROC Ilustrao 10: Passo 2 da aplicao DCA

Fonte: O autor. Fonte: O autor.

5) Repetir os passos de 1 a 4 at no haver 3) Rearranjar as colunas na ordem decrescen-

mais mudanas de posies dos elementos em te do nmero total de elementos 1:
cada linha ou coluna.
Peas
Como no h mais mudanas de posio, a
1 2 5 6 7 3 4
soluo encontrada : 2 1 1
Mquinas

1 1 1 1
Peas
4 1 1 1
1 4 2 7 3 6 5
3 1 1 1 1
3 1 1 1 1
5 1 1 1 1
Mquinas

4 1 1 1
1 1 1 1 Ilustrao 11: Passo 3 da aplicao DCA
5 1 1 1 1 Fonte: O autor.

2 1 1
4) Repetir os passos de 1 a 3 at que no haja
Ilustrao 8: Passo 5 da aplicao de ROC nenhuma mudana de posio dos elementos da
Fonte: O autor. matriz.

Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006 39

 Fazendo-se as mudanas necessrias, com a Peas
1 2 3 4 5 6 7
repetio dos passos 2 e 3, a soluo encontrada :
1 1 1 1

Mquinas
2 1 1
Peas
3 1 1 1 1
2 4 7 1 3 5 6
4 1 1 1
1 1 1 1
Mquinas

5 1 1 1 1
3 1 1 1 1
5 1 1 1 1 Ilustrao 15: Passo 3 da aplicao CIA
2 1 1 Fonte: O autor.
4 1 1 1

Ilustrao 12: Passo 4 da aplicao DCA

Fonte: O autor. 4) Repetir os passos 2 e 3 at no ser mais
possvel desenhar linhas passando por um ele-
3.3 Aplicando o CIA mento igual a 1 pertencente a uma linha v j ou
1) Selecionar uma linha i na matriz de inci- h k. Todos os elementos que esto no cruzamen-
dncia e desenhar uma linha horizontal hi: to de uma linha h k com uma linha v j formam a
clula de mquinas MC-k e a famlia de peas
Peas
PF-k:
1 2 3 4 5 6 7
1 1 1 1
Mquinas

Peas
2 1 1
1 2 3 4 5 6 7
3 1 1 1 1
1 1 1 1
4 1 1 1
Mquinas

2 1 1
5 1 1 1 1
3 1 1 1 1
Ilustrao 13: Passo 1 da aplicao CIA 4 1 1 1
Fonte: O autor. 5 1 1 1 1

Ilustrao 16: Passo 4 da aplicao CIA

2) Para cada elemento igual a 1 encontrado Fonte: O autor.
na linha hi, desenhar uma linha vertical vj passan-
do por esses elementos:
Como se pde observar, o algoritmo no en-
Peas
controu uma soluo para esse problema, ou seja,
1 2 3 4 5 6 7
a soluo final indica a existncia de uma nica
1 1 1 1
clula de mquinas e uma nica famlia de peas,
Mquinas

2 1 1
3 1 1 1 1 iguais matriz de incidncia.
4 1 1 1
5 1 1 1 1

Ilustrao 14: Passo 2 da aplicao CIA 3.4 Aplicando a programao

Fonte: O autor.
3) Para cada elemento igual a 1 encontrado
na linha vj, desenhar uma linha horizontal hk pas-
sando por esses elementos:
inteira
Usando-se Hamming para determinar a me-
dida de distncia, obtm-se a seguinte matriz:
p = 2 (duas famlias de peas)

40 Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006

 Artigos

Peas X36 - X66 0

X46 - X66 0
1 2 3 4 5 6 7 X56 - X66 0
1 0 2 3 3 4 2 2 X76 - X66 0
X17 - X77 0
2 2 0 5 2 4 4 0 X27 - X77 0
3 3 5 0 4 1 1 5 X37 - X77 0
X47 - X77 0
d ij = 4 3 2 4 0 3 3 1 X57 - X77 0
5 4 4 1 3 0 2 4 X67 - X77 0

6 2 4 1 3 2 0 4
7 2 0 5 1 4 4 0

Ilustrao 17: Passo 1 da aplicao de Resolvendo-se o modelo anterior, obtm-se a

programao inteira
seguinte soluo:
Fonte: Os autores.

O modelo : X17 = X27 = X47 = X77 = 1

Min 2X12 + 3X13 + 3X14 + 4X15 + 2X16 + 2X17 +

X33 = X53 = X63 = 1
2X21 + 5X23 + 2X24 + 4X25 + 4X26 +
3X31 + 5X32 + 4X34 + 1X35 + 1X36 + 5X37 +
3X41 + 2X42 + 4X43 + 3X45 + 3X46 + 1X47 +
4X51 + 4X52 + 1X53 + 3X54 + 2X56 + 4X57 + Portanto:
2X61 + 4X62 + 1X63 + 3X64 + 2X65 + 4X67 +
2X71 + 5X73 + 1X74 + 4X75 + 4X76 Famlia 1 { 1, 2, 4 e 7}
Sujeito a: Famlia 2 { 3, 5 e 6}
X11 + X12 + X13 + X14 + X15 + X16 + X17 = 1
X21 + X22 + X23 + X24 + X25 + X26 + X27 = 1
X31 + X32 + X33 + X34 + X35 + X36 + X37 = 1
X41 + X42 + X43 + X44 + X45 + X46 + X47 = 1 Peas
X51 + X52 + X53 + X54 + X55 + X56 + X57 = 1
X61 + X62 + X63 + X64 + X65 + X66 + X67 = 1 1 2 4 7 3 5 6
X71 + X72 + X73 + X74 + X75 + X76 + X77 = 1 3 1 1 1 1
X11 + X22 + X33 + X44 + X55 + X66 + X77 = 2
Mquinas

X21 - X11 0 1 1 1 1
X31 - X11 0 4 1 1 1
X41 - X11 0
X51 - X11 0 5 1 1 1 1
X61 - X11 0 2 1 1
X71 - X11 0
X12 - X22 0
Ilustrao 18: Matriz final de programao
X32 - X22 0
X42 - X22 0 inteira
X52 - X22 0 Fonte: O autor.
X62 - X22 0
X72 - X22 0
X13 - X33 0
X23 - X33 0
X43 - X33 0
X53 - X33 0 3.5 Aplicando o CNN
X63 - X33 0
X73 - X33 0
X14 - X44 0 a1 = [0 1 0 1 0 0 1]
X24 - X44 0
X34 - X44 0 a2 = [0 0 1 0 1 0 0]
X54 - X44 0 a3 = [1 1 0 1 0 0 1]
X64 - X44 0 a4 = [0 1 0 1 0 0 1]
X74 - X44 0
X15 - X55 0
a5 = [1 0 1 1 1 1 0]
X25 - X55 0 p=5
X35 - X55 0
X45 - X55 0
X65 - X55 0
X75 - X55 0 Fase 1
X16 - X66 0
X26 - X66 0 Interao 1

Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006 41

 1) Estabelecer k1 = k 2 = ... = kn = 1, = 0,5,
= 0,5
= 4, m = p = 5
2) w1 (1) = a1 = [0 1 0 1 0 0 1], s = 1; wi (1) =
0, para i = 1, 2, ..., 5
3) t = 2
a2 = [0 0 1 0 1 0 0]
4) Computar Ed1 = || a2 - w1 (1) || = 5
2
5) Estabelecer Ed1* = Ed1 = 5
6) Ed1* > = 4
s = s + 1 = 2, produz um novo centro de gru-
po w2 (2) = a2 = [0 0 1 0 1 0 0]
w1 (2) = w2 (2) = ... = w5 (2) = [0 0 0 0 0 0 0]
w1 (2) = w1 (1) + w1 (2) = [0 1 0 1 0 0 1]
7) t = 2 < p = 5, retornar para o passo 3
w1 (4) = w1 (3) = [0,5 1 0 1 0 0 1]
w2 (4) = w2 (3) + w2 (4) = [0,5 0 1 0 0,5 0,5 0]
Fase 2: No exemplo, no sero considerados
os limites superior e inferior. O agrupamento re-
sultante para as clulas de mquinas :
Clula 1: a1 e a3 (mquinas 1 e 3)
Clula 2: a2, a4 e a5 (mquinas 2, 4 e 5)
As peas so agrupadas em famlias, usando-
se o mesmo procedimento.
O agrupamento resultante para as famlias
de peas :
Famlia 1: peas 1, 2, 4 e 7.
Famlia 2: peas 3, 5 e 6.

Peas
Interao 2
1 2 4 7 3 5 6
3) t = 3, a3 = [1 1 0 1 0 0 1]
1 1 1 1
Mquinas

4) Computar Ed1 = || a3 - w1 (2) ||2 = 1 3 1 1 1 1

Ed 2 = || a3 - w2 (2) ||2 = 6 2 1 1
5) Edi* = Ed1 = 1 4 1 1 1

6) Ed1 = 1 < = 4 5 1 1 1 1

Ento, a3 pertence ao grupo 1 Ilustrao 19: Matriz final de CNN

w1 (3) = 0,5(x3 - w1 (2)) + 0,5w1 (2) = [0,5 0 Fonte: O autor.

0 0 0 0 0]T
w2 (3) = [0 0 0 0 0 0 0]
w1 (3) = w1 (2) + w1 (3) = [0,5 1 0 1 0 0 1]
w2 (3) = w2 (2) = [0 0 1 0 1 0 0] 4 Medidas de desempenho
7) t = 3 < p = 5, retornar para o passo 3
Existem vrios parmetros ou metodologias
Interao 3 para avaliar o desempenho de um algoritmo. Para
3) t = 4, a4 = [1 0 1 0 0 1 0] os algoritmos aplicados na soluo de proble-
4) Ed1 = 5,25 mas de formao de famlias e clulas, chamados
Ed 2 = 3 mquinas-pea, Malakooti e Yang (1995), em seus
5) Edi* = Ed 2 = 3 estudos, propuseram trs medidas.
6) Ed 2 = 3 < = 4
ento, a4 pertence ao grupo 2 4.1 Porcentagem de elementos
w1 (4) = w1 (3) = [0,5 0 0 0 0 0 0] excepcionais (PEE)
w2 (4) = 0,5(a4 - w2 (3)) + 0,5w2 (3) = [0,5 0 A qualidade do mtodo de agrupamento
0 0 - 0,5 0,5 0] pode ser avaliada pelo nmero de elementos ex-

42 Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006

 Artigos

cepcionais (CHAN; MILNER, 1982). A porcen- 4.4 Aplicando as medidas

tagem de elementos excepcionais pode ser obtida de desempenho no problema
da ilustrao numrica
dividindo-se o nmero de elementos excepcionais
(NEE) pelo nmero total de elementos com valor Tabela 1: Desempenho dos algoritmos

1 (N) na matriz final. PEE (%) UM (%) EA (%)

ROC 18,8 72,2 77,3

PEE = NEE / N DCA 12,5 82,4 85,6

CIA

4.2 Utilizao das mquinas (UM) Programao inteira 12,5 82,4 85,6

a porcentagem do tempo em que as mqui- CNN 12,5 82,4 85,6

nas de cada grupo esto em produo (CHAN- Fonte: O autor.

DRASEKHARAN; RAJAGOPALAN; MO-

DROC, 1986). Sendo N1 o nmero total de 1 nos
grupos, R o nmero de grupos, m r o nmero de 5 Consideraes finais
mquinas pertencentes ao grupo r e nr o nmero
de peas que compem o grupo r, o UM pode ser Os algoritmos heursticos ROC e DCA, a
programao inteira (mtodo otimizante) e o
calculado da seguinte forma:
CNN obtiveram os mesmos desempenhos para
as trs medidas consideradas (porcentagem de
R

UM = N1 / ( mr nr) elementos excepcionais, utilizao das mqui-

r=1
4.3 Eficincia de agrupamento
(EA) (em ingls grouping
efficiency)
uma medida de desempenho de agrupa-
mento agregada, definida por Chandrasekharan,
Rajagopalan e Modroc (1986). Sendo NEE o n-
mero de elementos excepcionais, MN as dimen-
ses da matriz de incidncia e mr e nr como j defi-
nidos anteriormente, o EA pode ser calculado da
seguinte forma:
R
nas e eficincia de agrupamento). O CIA, embo-
ra para o exemplo apresentado no tenha obtido
soluo, tem apresentado um bom desempenho
em vrias aplicaes prticas. Os aspectos com-
putacionais requeridos, apesar de no serem o
enfoque deste trabalho, mesmo para a progra-
mao inteira (utilizado o software Lindo) fo-
ram compatveis e viveis quando aplicados ao
problema estudado. Entretanto, deveriam ser
estudados, de forma mais profunda, problemas
de dimenses maiores para que se pudesse de-
terminar o mtodo de soluo (ou algoritmo),
ideal do ponto de vista computacional, versus as
dimenses dos problemas (matriz de incidncia).
Como proposta para estudos futuros, aconse-
lhamos a busca em determinar com quais tipos

EA = 0,5 UM + 0,5 [1 - NEE / (MN - mr nr)] de problemas os algoritmos estudados tendem a

r=1
falhar ou no propiciam solues satisfatrias.

Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006 43


Referncias
BOCTOR, F. F. A linear formulation of the machine-
part cell formation problem. International Journal of
Production Research, Londres, v. 29, p. 343-56, 1991.
BURBIDGE, J. L. Production flow analysis. The
Production Engineer, v. 50, n. 4-5, p. 139-152, 1971.
CHAN, H. M.; MILNER, D. A., Direct clustering
algorithm for group formation in cellular manufacture.
Journal of Manufacturing Systems, Dearborn, v. 1, n. 1, p.
65-74, 1982.
CHANDRASEKHARAN, M. P.; RAJAGOPALAN, R.
Zodiac: an algorithm for concurrent formation of part-
families and machine-cells. International Journal of
Production Research, Londres, v. 25, n. 6, p. 835-850,
1987.
CHANDRASEKHARAN, M. P.; RAJAGOPALAN, R.,
Modroc: an extension of rank order clustering for group
technology. International Journal of Production Research,
Londres, v. 24, n. 5, p. 1.221-1.233, 1986.
CHU, C. H. Clustering analysis in manufacturing cellular
formation. Omega: International Journal of Management
Sciences, v. 17, n. 3, p. 289-295, 1989.
DAGLI, C. H.; HUGGAHALLI, R. A neural network
approach to group technology. In: WANG. J.; TAKEFUJI,
Y. Neural networks in design and manufacturing. 1. ed.
River Edge: World Scientific Publishing, 1993. p. 1-55.
DAGLI, C. H.; HUGGAHALLI, R. Neural network
approach to group technology. In: SHARDA R.;
CHEUNG, J. Y.; COCHRAN, W. J. (Ed.). Knowledge-
based systems and neural networks: techniques and
applications. 1. ed. Nova York: Elsevier, 1991. p. 213-228.
GREENE, T. J.; SADOWSKI, R. Cellular manufacturing
control. Journal of Manufacturing Systems, v. 12, n. 2, p.
137-146, 1983.
GROOVER, M. Automation, production systems and
computer integrated manufacturing. 2. ed. Nova Jersey:
Prentice Hall, 1987.
HARHALAKIS, G.; NAGI, R.; PROTH, J. M. An
efficient heuristic in manufacturing cell formation for
group technology applications. International Journal of
Production Research, Londres, v. 28, n. 1, p. 185-198,
1990.
KAPARTHI, S.; SURESH, N. C. Machine-component
cell formation in group technology: a neural network
approach. International Journal of Production Research,
Londres, v. 30, n. 6, p. 1.353-1.367, 1992.
KING, J. R. Machine-component grouping in production
flow analysis: an approach using a rank order clustering
algorithm. International Journal of Production Research,
Londres, v. 18, n. 2, p. 213-232, 1980.
44
KING, J. R.; NAKORNCHAI, V. Machine-component
group formation in group technology: review and
extension. International Journal of Production Research,
Londres, v. 20, n. 2, p. 117-133, 1982.
KUSIAK, A. Intelligent manufacturing systems. 1. ed.
Englewood Cliffs: Prentice Hall, 1990.
KUSIAK, A. The generalized group technology concept.
International Journal of Production Research, Londres, v.
25, n. 4, p. 561-569, 1987.
KUSIAK, A.; CHOW, W. S. Efficient solving of the group
technology problem. Journal of Manufacturing Systems, v.
6, n. 2, p. 117-124, 1987.
MALAKOOTI, B.; YANG, Z. A variable-parameter
unsupervised learning clustering neural network approach
with application to machine-part group formation.
International Journal of Production Research, Londres, v.
33, n. 9, p. 2.395-2.413, 1995.
MCAULEY, J. Machine grouping for efficient production.
The Production Engineer, v. 51, n. 2, p. 53-57, 1972.
MOON, Y. Interactive activation and competition model
for machine-part family formation in Group technology.
Proceedings of the International Journal Conference on
Neural Networks, Washington, v. 2,
p. 667-670, 1990.
MURTHY, V. R.; SRINIVASAN, G. Fractional cell
formation in group technology. International Journal of
Production Research, Londres, v. 33, n. 5, p. 1.323-1.337,
1995.
SEIFODDINI, H. A note on the similarity coefficient
method and the problem of improper machine assignment
in group technology applications. International Journal of
Production Research, Londres, v. 27, n. 7, p. 1.161-1.165,
1989.
SRINIVASAN, G.; NARENDRAN, T. T. Grafics: a
nonhierarchical clustering algorithm for group technology.
International Journal of Production Research, Londres, v.
29, n. 3, p. 463-478, 1991.
STEUDEL; H. J. BALLAKUR, A. A dynamic
programming based heuristic for machine grouping in
manufacturing cell formation. Computers and Industrial
Engineering, Tarrytown, v. 12, n. 3, p. 215-222, 1987.
VOHRA, T. et al. A network approach to cell formation
in cellular manufacturing. International Journal of
Production Research, Londres, v. 28, p. 2.075-2.084,
1990.
WEMMERLOV, U.; HYER, N. L. Cellular manufacturing
in the U. S. industry: a survey of users. International
Journal of Production Research, Londres, v. 27, n. 9, p.
1.511-1.530, 1989.
Para referenciar este texto
MASSOTE, A. A. Algoritmos de tecnologia de grupo
para projetos de clulas de manufatura. Exacta, So
Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006.
Exacta, So Paulo, v. 4, n. especial, p. 31-44, 25 nov. 2006