Академический Документы
Профессиональный Документы
Культура Документы
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
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
Onde:
r = inteiro positivo sujeito a:
m = nmero de mquinas
n
Distncia absoluta: r = 1 n
xjj = p
Distncia euclidiana: r = 2 j=1
xij xjj, para todo i = 1, ..., n e j = 1, ..., n gr: Nmero de mquinas pertencentes c-
xij = 0 ou 1, para todo i = 1, ..., n e j = 1, ..., n lula r
gr ,min: Nmero mnimo de mquinas na c-
Esse modelo foi desenvolvido considerando- lula r
se a possibilidade de haver apenas um plano de g r ,max: Nmero mximo de mquinas na c-
operaes para cada pea i. Kusiak (1987) desen- lula r
volveu um outro modelo, chamado generalized
p-median model, que relaxa em relao a essa Os passos deste algoritmo so os seguintes:
restrio, ao considerar a existncia de mais que
um plano de operaes para cada pea i, sendo, Fase 1: Para encontrar os centros das clu-
adicionalmente, os custos de operao associados las.
a cada um desses planos.
1) Colocar ki , , , p e R;
2) Estabelecer t = 1. Gerar vetor peso inicial
2.5 Clustering neural network (CNN)
wr (1); wr (1) = 0, r = 1, 2, ..., R. Colocar s = 1;
Malakooti e Yang (1995) desenvolveram um
3) Entrar com o vetor as;
algoritmo usando redes neurais de aprendizado
4) Computar a distncia euclidiana entre a
no-supervisionado para problemas de formao
entrada-padro e todos os vetores peso
de grupos. O algoritmo composto de duas fases.
Na fase 1, os centros das clulas so identificados. Edr = || as - wr (t) || k2 = k1 (as1 - wr1 (t))2 + k2 (as2 - wr2 (t))2 +
Na fase 2, o agrupamento das mquinas feito
com base na distncia entre o vetor de mquinas e ... + kn (asn - wrn (t))2
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.
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.
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
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.
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
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
2 1 1
3 1 1 1 1 iguais matriz de incidncia.
4 1 1 1
5 1 1 1 1
6 2 4 1 3 2 0 4
7 2 0 5 1 4 4 0
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
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
6) Ed1 = 1 < = 4 5 1 1 1 1
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-
CIA
4.2 Utilizao das mquinas (UM) Programao inteira 12,5 82,4 85,6