Академический Документы
Профессиональный Документы
Культура Документы
PRODUÇÃO.
Aprovada por:
_______________________________________________
Prof. Carlos Alberto Nunes Cosenza, D.Sc.
_______________________________________________
Prof. Roberto Cintra Martins, D.Sc.
_______________________________________________
Prof. Elton Fernandes, Ph.D.
_______________________________________________
Prof. Marco Aurélio Sicchiroli Lavrador, D.Sc.
_______________________________________________
Prof. Ricardo Rodrigues Pacheco, D.Sc.
DEZEMBRO DE 2006
ARRUDA, DAYSE MOURÃO
Janeiro, COPPE
2. Gestão da Produção
3. Lógica Nebulosa
ii
Aos meus filhos amados Gabriela e Felipe,
iii
AGRADECIMENTOS
trabalho é uma tarefa impossível. Posso apenas tentar citar os mais diretamente
Ao professor Roberto Cintra, que mais do que orientar com palavras orienta
com seu próprio exemplo de dignidade e de vida, por estar sempre presente e atento
certamente está “flutuando” em lugares mais agradáveis, por ter chamado a atenção
iv
A todos os meus amigos da DGEP e em especial ao Saul, Janete, Andréa,
Ao João por ter permitido minha inscrição ao doutorado durante sua chefia.
A Adriane, mais do que terapeuta amiga, pelo apoio irrestrito todos esses anos.
Aos meus irmãos Júlio, Denize e Ronaldo por estarem ao meu lado.
Ao Rogério, companheiro de toda a vida, por seu amor e apoio irrestrito, sem
v
Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessários
para a obtenção do grau de Doutor em Ciências (D.Sc.)
Dezembro/2006
vi
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Doctor of Science (D.Sc.)
December/2006
vii
SUMÁRIO
1. INTRODUÇÃO ..................................................................................................................................1
1.1. FORMULAÇÃO DO PROBLEMA E OBJETIVO .....................................................................................1
1.2. METODOLOGIA DE TRABALHO ......................................................................................................2
1.3. ORGANIZAÇÃO DO TEXTO .............................................................................................................3
1.4. CONTEXTUALIZAÇÃO ....................................................................................................................3
1.5. DESCRIÇÃO DO PROBLEMA – O QUE É O PLANEJAMENTO MESTRE DA PRODUÇÃO .........................6
2. CARACTERÍSTICAS GERAIS DA ATIVIDADE DE PLANEJAMENTO MESTRE DA
PRODUÇÃO...............................................................................................................................................9
2.1. FORMATO PADRÃO DA SAÍDA DE SISTEMAS PMP ..........................................................................9
2.2. LÓGICA DA GERAÇÃO DO PLANO MESTRE ..................................................................................11
2.3. O NÍVEL DE TOMADA DE DECISÃO NO PMP.................................................................................14
2.4. ESTRUTURA DE LISTA DE MATERIAIS PARA O PLANEJAMENTO MESTRE .....................................16
2.5. ESTRATÉGIAS DE ABORDAGEM NO PLANEJAMENTO MESTRE ......................................................18
3. TEORIA DOS CONJUNTOS NEBULOSOS ................................................................................24
3.1. CONCEITOS BÁSICOS ...................................................................................................................24
3.1.1. Conjunto Nebuloso e Função de Pertinência .....................................................................25
3.1.2. Operações com conjuntos Nebulosos .................................................................................27
3.1.2.1. Operadores Padrão ........................................................................................................................ 27
3.1.2.2. Operadores Nebulosos Generalizados ........................................................................................... 29
3.1.3. Modificadores.....................................................................................................................31
3.1.4. Variáveis Lingüísticas ........................................................................................................33
3.1.5. Regras Nebulosas ...............................................................................................................35
3.1.6. Raciocínio Aproximado ......................................................................................................38
3.1.6.1. Operadores de Implicação Nebulosa. ............................................................................................ 39
3.1.6.2. Etapa de Agregação das regras...................................................................................................... 42
3.2. SISTEMAS DE INFERÊNCIA NEBULOSOS .......................................................................................45
Fuzzificação........................................................................................................................................46
Inferência............................................................................................................................................46
Defuzzificação ....................................................................................................................................46
3.3. OTIMIZAÇÃO NEBULOSA – CONCEITOS BÁSICOS ..........................................................................48
Formulação Geral ..............................................................................................................................49
4. O ESTADO D’ARTE NO PLANEJAMENTO MESTRE DA PRODUÇÃO E
PLANEJAMENTO AGREGADO ..........................................................................................................55
4.1. POSSIBILIDADES DE ABORDAGEM NO PMP/PAP .........................................................................58
4.1.1. Foco na Prática de Gestão .................................................................................................58
4.1.2. Otimização Clássica ...........................................................................................................60
4.1.2.1. Modelos de Programação Linear................................................................................................... 61
4.1.2.2. Regras Lineares de Decisão........................................................................................................... 62
4.1.2.3. Programação por Metas................................................................................................................. 64
4.1.2.4. Regras de Decisão de Busca (Search Decision Rules) .................................................................. 64
4.1.2.5. Heurística de Distribuição da Produção (Production Switching Heuristic) .................................. 65
4.1.2.6. Coeficientes de Gerenciamento ..................................................................................................... 65
4.1.2.7. Planejamento Hierárquico da Produção (Hierarchical Production Planning) ............................... 65
4.1.3. Modelos analíticos associados à sistemas ERP..................................................................67
4.1.4. Sistemas Especialistas Simbólicos......................................................................................69
4.1.5. Abordagem de Inteligência Computacional. ......................................................................70
4.1.5.1. Abordagem empregando Algoritmos Genéticos/ Redes Neurais/Raciocínio Baseado em Casos.. 71
4.1.5.2. Abordagem empregando a teoria dos conjuntos nebulosos ........................................................... 74
4.1.5.2.1. Enfoque baseado em Otimização Nebulosa............................................................................ 75
4.1.5.2.2. Enfoque baseado em Sistemas Nebulosos .............................................................................. 77
4.1.5.2.3. Operações com conjuntos nebulosos ...................................................................................... 78
5. PROPOSTA DE MODELAGEM PARA O PROCESSO DE GERENCIAMENTO DO PLANO
MESTRE DE PRODUÇÃO.....................................................................................................................80
5.1. FORMULAÇÃO DA MODELAGEM PROPOSTA PARA DEFINIÇÃO DO PLANO MESTRE ........................84
viii
5.1.1. Estratégia de construção da base de regras.......................................................................84
5.1.2. Descrição das variáveis lingüísticas, seus termos e respectivas semânticas .....................85
5.1.3. Base de Regras ...................................................................................................................89
5.2. CONTEXTUALIZAÇÃO DO PROBLEMA CONSIDERANDO UM CENÁRIO HIPOTÉTICO PARA AVALIAÇÃO
DA MODELAGEM ......................................................................................................................................95
5.2.1. Estrutura do Simulador- Versão 1......................................................................................96
5.2.2. Etapas de Operação do Simulador.....................................................................................98
5.2.3. Conclusão do primeiro experimento.................................................................................103
5.2.4. Contextualização do segundo experimento empregando uma formulação alternativa para
definição do plano mestre ................................................................................................................105
5.2.5. Informações sobre o cenário para o segundo experimento..............................................108
5.2.6. Caracterização da modelagem alternativa considerando a variação percentual em relação
ao estoque desejado..........................................................................................................................109
5.2.7. Conclusão do Segundo Experimento ................................................................................116
5.3. FORMULAÇÃO DO ASPECTO RELATIVO À AVALIAÇÃO DE PLANOS ALTERNATIVOS ....................117
5.3.1. Descrição da modelagem para avaliação do nível de estoques .......................................117
5.3.2. Aplicação da modelagem no cenário do segundo experimento........................................124
5.3.3. Formulação da modelagem para avaliar nivelamento da produção e política de estoques
........................................................................................................................................... 126
5.3.4. Avaliação dos resultados obtidos com o terceiro experimento ........................................132
6. CONCLUSÃO ................................................................................................................................135
7. DESDOBRAMENTOS...................................................................................................................140
REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................................................142
ANEXO I ................................................................................................................................................148
ANEXO II...............................................................................................................................................149
ANEXO III .............................................................................................................................................151
ANEXO IV .............................................................................................................................................156
ANEXO V ..............................................................................................................................................164
ANEXO VI .............................................................................................................................................166
ANEXO VII............................................................................................................................................174
ANEXO VIII ..........................................................................................................................................182
ix
Índice das figuras
x
FIGURA 5.6 – ANÁLISE DO USO DO CENTRÓIDE NA ETAPA DE DEFUZZIFICAÇÃO...............93
FIGURA 5.12 – TELA COM FUNÇÕES DE PERTINÊNCIA DA VARIÁVEL ESTOQUE T-1 [0,5000]
....................................................................................................................................................................99
FIGURA 5.13 – TELA COM EDIÇÃO PARA OS VALORES MÁXIMOS E MÍNIMOS DE CADA
VARIÁVEL .............................................................................................................................................100
FIGURA 5.24 – TELA COM GRÁFICO DE BARRAS DO PLANO SUGERIDO PELO SIMULADOR
NA VERSÃO2 .........................................................................................................................................116
xi
FIGURA 5.28 – FUNÇÃO DEFINIDA PELA BASE DE REGRAS, PELAS PARTIÇÕES
NEBULOSAS E PELO MECANISMO DE INFERÊNCIA PARA A DETERMINAÇÃO DO ESCORE
RELATIVO A POLÍTICA DE ESTOQUES POR PERÍODO.................................................................123
FIGURA 5.29 – TELA COM PLANO DE PRODUÇÃO E ESTOQUE PARA O MODELO 602731.. 124
FIGURA 5.31 – TELA RELATIVA A OPÇÃO “MOSTRA DADOS” PARA O MODELO 602731...126
FIGURA 5.36 – TELA COM ESCORES PARA “PLANO 1” DEFINIDO PARA O MODELO 121451
..................................................................................................................................................................134
xii
FIGURA AIV.13 – TELA COM PLANO DE PRODUÇÃO E ESTOQUES SUGERIDOS PELO
SIMULADOR PARA AS VENDAS IMPORTADAS DO ARQUIVO SERIE5.TXT ............................163
xiii
FIGURA AVII.5 – ESCORE RELATIVO A POLÍTICA DE ESTOQUES PARA O PLANO DO
MODELO 131216....................................................................................................................................176
xiv
FIGURA VIII.11- AVALIAÇÃO DO PLANO QUANTO À POLÍTICA DE ESTOQUES E
ATENDIMENTO A ESTRATÉGIA DE NIVELAMENTO – PRODUTO : 420941..............................187
xv
Índice de tabelas
TABELA 5.2 - MAPA DE REGRAS (BASE DE REGRAS RELATIVA AO ARQUIVO PM38.FIS) ..90
xvi
Índice de quadros
xvii
Lista de Abreviaturas
xviii
1. Introdução
Nestas circunstâncias, para definir seu plano mestre de produção, o gestor tem
que considerar uma ampla gama de variáveis relativas a diferentes níveis e políticas
Um plano mestre bem elaborado resulta em uso mais eficiente dos recursos
desenvolver uma modelagem que permita ao gestor, definir com mais facilidade e
Podemos dizer, em outras palavras, que o foco dessa pesquisa é propor uma
1
propicia interessantes recursos para a modelagem de questões com as peculiaridades
descritas.
um instrumento que tornasse mais ágil a análise dos planos gerados pelo modelo
sugerido para o tópico de definição do plano mestre. Desta forma, acabamos por
estabelecidas.
propriamente dito, optamos por implementar quatro simuladores com suas respectivas
procedimento mais ampla para tratar tanto a definição do plano mestre de produção
algum novo aspecto em sua modelagem. Os dois primeiros são voltados para a
2
1.3. Organização do texto
diversas abordagens disponíveis. Os dois tópicos são tratados em conjunto, uma vez
aspectos de modelagem.
formulações sugeridas.
1.4. Contextualização
3
qualidade na indústria, observamos nestes últimos anos uma intensa disseminação no
surgiram na década de 60, mas foi na década de 70 que o seu uso tornou-se bastante
(APICS).
Mais tarde, nos anos 80, os sistemas com arquitetura do tipo MRP II -
produtos possuem demanda dependente, ou seja, a sua demanda pode ser calculada
de tempo.
Com o tempo percebeu-se que seria possível acrescentar módulos que suportassem
1
Também denominados Sistemas Integrados de Gestão Empresarial
2
MRP - Material Requirements Planning
3
Manufacturing Resource Planning
4
humanos entre outros, surgindo então o conceito de sistemas ERP, que podemos
todo, daí o nome como são conhecidos no Brasil: Sistemas Integrados de Gestão
Empresarial.
e comercializa estes sistemas, no sentido de voltar sua atenção para o segmento das
empresas de porte médio. Segundo estudo realizado pela IDC (International Data
É neste estágio que surge o conceito de e-Business, que corresponde "a uma
podemos dizer que e-Business é a utilização da WEB para a realização dos negócios
de forma eletrônica.
Uma breve análise dessa evolução permite identificar que as diversas funções
uma vez que o mercado demanda mais e mais esse tipo de aplicação com o objetivo
5
de um vasto conjunto de tecnologias novas e complementares, como bem destaca
Moraes (2000), de forma a permitir a criação de uma infra-estrutura sólida com uma
A partir dessa contextualização, vamos ajustar nosso foco para uma dentre as
exposto.
Essa função tem evoluído no decorrer dos anos da posição de simples entrada
de dados para o MRP, para uma atividade extremamente complexa, responsável pela
interação entre os módulos de cunho mais estratégico dentro da estrutura típica dos
4
também chamado MPS – Master Production Schedule
6
Figura 1.1- Arquitetura Típica de Sistemas MRP II
segundo que visa definir o plano de produção da empresa no nível das famílias de
políticas da empresa numa escala mais ampla, tais como nível de serviço desejado,
produtos.
da Capacidade.
7
Uma vez definido o plano mestre, este serve como input para o Planejamento
É importante destacar que o PMP deve ser consistente com o PAP do qual ele
foi derivado. A esse processo de derivar o PMP compatível com o plano agregado
forma implícita, a função de PMP, uma vez que é sempre necessário decidir o que e
quando produzir. Giesberts (1991) salienta em seu artigo, que na prática a atividade
denominada PMP não se refere a uma, mas sim a uma série de sub-funções, que
mesmas. Além disso, a execução dessas atividades necessita de uma forte interação
subjetivo e qualitativo, o que lhe confere um caráter ainda mais personalizado. Por
fazendo com que normalmente o procedimento de geração do plano mestre seja feito
na base de tentativa.
mestre.
8
2. Características gerais da atividade de planejamento
mestre da produção
O formato tradicional para saída de sistemas PMP se inspira nas telas dos
sistemas MRP, cujo dado de entrada nos primeiros anos era a própria demanda
projetada. Com o tempo foi identificado que a utilização pura e simples da demanda
plano, quase que inviabilizando a sua execução. Esse diagnóstico teve como
9
c) Disponibilidade Projetada 5: Corresponde ao estoque projetado para o
período.
Plano Mestre”.
5
Também denominado frequentemente de Estoque Projetado Disponível/ Projected Available Balance,
ou Estoque Disponível (vide Corrêa et al. ( 2001)), Slack et al. (2002)).
6
ou ATP – Available to Promise / Disponível para Promessa (vide McLeavey & Narasimham (1985) ou
Fullmann et al. (1989))
7
Essa linha também é denominada “Recebimento do Plano Mestre”
10
Quadro 2.1 - Formato Padrão de Interface em Sistemas PMP
1 2 3 4 5 6 ...
Previsão da Demanda
Pedidos em Carteira
Disponibilidade Projetada
Disponibilidade de Entrega
Início PMP
quantidades calculadas pelo computador servem apenas como ponto de partida para o
processo de planejamento, ficando a decisão final por conta do planejador, que deve
levar em consideração uma série de fatores que não são computados pelo algoritmo
do sistema.
corresponde ao estoque projetado 8 para o fim de cada período para todo o horizonte
8
Eventualmente ao longo do texto usamos as duas denominações, estoque e disponibilidade projetada.
11
carteira de pedidos 9. A produção programada (linha do PMP) é calculada então a
. para t = 0
DispProjetada 0 = EI (2.1)
. para t = 1 até N
Onde:
DispProjetada t = disponibilidade projetada ao fim do período t;
EI = Estoque inicial;
Produção t = quantidade programada para recebimento no período t;
PV t = vendas projetadas no período;
Ped t = pedidos em carteira no período.
9
Corrêa et al. (2001, p. 212) entre outros autores, indicam a equação colocando: Estoque Final = Estoque
Inicial + Produção – Vendas Previstas. O resultado é equivalente, pois neste caso, o campo Vendas
Previstas quando calculado, foi estabelecido justamente como sendo a Demanda Dependente + Max
(Previsão de Vendas, Pedidos em carteira).
12
Quadro Inicial – Exemplo de Geração do Plano Mestre
1 2 3 4 5
Pedidos em Carteira 10 10
Disponibilidade Projetada
PMP
Liberação PMP
1 2 3 4 5
Pedidos em Carteira 10 10
Disponibilidade Projetada 30 10 20 0 10
40 30 40
PMP 30 30 30
Liberação PMP 30 30 30
alterações são feitas no plano mestre, o impacto dessas alterações nos recursos de
13
material, capacidade e capital, considerados críticos na empresa deve ser avaliado
PMP não é trivial. O nível em que deve ser tratado o produto no plano mestre varia
Essa decisão é fortemente influenciada pela estrutura do produto, que por sua
vez está condicionada, entre outras coisas, à natureza da demanda atendida pela
nível em que seria indicada a definição do item do plano mestre em cada caso.
14
a) Tipo “A”
Neste caso são construídos muitos itens finais a partir de um número reduzido de
subconjuntos, que são por sua vez, decorrentes do uso de componentes variados.
c) Tipo “V”
Formato típico do caso onde temos uma grande variedade de produtos finais
normalmente a fabricação é feita a partir dos pedidos dos clientes e o item do plano
15
É possível observar após uma breve análise dos esquemas mostrados nas
figuras 1.1 e 2.1, que a escolha para o nível do item que deve constar do plano
com menor número de itens. A literatura indica inclusive 10, que não é adequado
trabalhar com mais do que 300 a 500 itens no PMP, devido à dificuldade de manipular
dificuldades tanto para realizar as projeções de forma eficiente como ainda aumenta
enfoque alternativo para podermos definir outras unidades para o PMP é fazendo a
10
McLeavey, e Narasimhan (1985), e Fullmann et al. (1989), entre outros.
16
A lista modular de material é uma lista de materiais organizada em função de
estruturada de forma a ligar as opções aos componentes, mas não liga as opções ou
planejamento é definida pelo APICS Dictionary como sendo: “Um grupamento artificial
Um outro tipo de lista de planejamento são as Super Listas, sendo que estas se
estrutura do tipo de produto ”X”, que comumente faz uso das listas de planejamento.
17
O emprego das listas de planejamento como auxílio ao procedimento de
Optar por uma estratégia para elaboração do plano mestre, implica em decidir
primeiramente a política de estoques que será praticada pela empresa. Esta decisão,
por sua vez, está estritamente ligada ao tipo de estrutura de produção. Dependendo
18
matéria-prima. Neste contexto produtivo o mais comum é termos o
descrevemos anteriormente.
Os tipos de ambiente foram listados a partir daquele que permite maior liberdade
quanto mais alto é o nível em que a empresa pode manter estoques para amortecer o
19
impacto das flutuações e incertezas da demanda, mais alternativas de políticas de
ação a empresa pode escolher em relação ao plano mestre. Tendo em vista essa
O gestor pode optar por algumas políticas chamadas “puras” que discriminamos
Seguir essa política exige que a capacidade seja ajustada freqüentemente, para se
20
adaptar às sucessivas mudanças ocorridas na demanda. Alguns métodos para atingir
hora extra e da limitação no número de horas que pode ser feita nesse
esquema.
d) Uso de subcontração
21
Estratégia de gerenciamento da demanda
seu seguimento, pode trazer uma boa redução de custos. Neste caso a empresa pode
usar alguns artifícios para conseguir transferir a demanda entre períodos. É o caso,
por exemplo, de fazer nos restaurantes, promoção com preços mais baixos em
horários fora do pico. Ou ainda, pacotes turísticos mais baratos para períodos fora da
alta estação. Uma proposta ainda mais drástica pode ser o oferecimento de produtos
precisam ser usadas de forma única. O mais comum é o seu emprego misto.
22
Abordamos neste capítulo os principais temas relacionados ao
no campo da teoria dos conjuntos nebulosos, que também servem de subsídio para a
nossa formulação.
23
3. Teoria dos conjuntos nebulosos
algumas referências clássicas como Zimmermann (1985), Ross (1995) ou Klir e Folger
(1988).
vez pelo professor Lofti A. Zadeh, da Universidade da Califórnia em seu clássico artigo
elemento ao seu conjunto pode assumir qualquer valor no intervalo [0,1], ao invés de
"crisp" 11.
números, mas sim em classes de objetos que definem categorias gerais, mas não
rígidas, e que a transição de uma categoria para outra é gradual e não abrupta.
11
Vários autores, entre os quais Klir e Folger (1988) e Zimmermann(1985), usam para o conjunto visto na
teoria dos conjuntos clássica a terminologia "crisp set", no sentido de conjunto nítido, bem definido, para
distingui-lo do conjunto nebuloso.
24
A lógica nebulosa, por sua vez, é uma extensão da lógica clássica, e tem suas
bases na teoria dos conjuntos nebulosos. Segundo Zadeh (1988) a distinção central
entre a lógica clássica e a nebulosa, é que esta última ajuda a modelar a maneira
decisão humana. Podemos dizer que é um sistema lógico que ajuda a formalizar o
nebulosa” ser usado muito frequentemente como um sinônimo para a teoria dos
conjuntos nebulosos, esta última é mais abrangente que a lógica nebulosa, que na
A = { ( x, µA (x) )| x Є X} (3.1)
onde:
exclusão completa, onde µA (x) = 0, até o ponto da inclusão completa, com µA(x)= 1
segue:
25
x/50 , se x ∈ [0,50]
(3.2)
µA (x)=
1 , se x >50
acima teríamos:
3.1 .
26
Figura 3.3 - Funções de Pertinência trapezoidais para os conjuntos A, B e C.
uma extensão da teoria dos conjuntos clássicos. Assim sendo, da mesma forma como
conjuntos crisp, podemos utilizar na teoria dos conjuntos nebulosos uma extensão
27
a) A interseção de A e B é definida por:
nebuloso empregado, diferentes resultados podem ser obtidos. Cox (1994) discute
descritas em Jang et al. (1997, p. 39) e Klir e Yuan (1995) apresentam em forma
12
MatLab é um ambiente computacional interativo, que possui uma linguagem de programação de alto
nível, voltada para computação matemática. Para mais informações, consultar Matsumoto (2001) ou
Hanselman e Littlefield (2003).
28
3.1.2.2. Operadores Nebulosos Generalizados
compatibilidade.
versa.
é indiferente.
29
Uma t-conorma é uma função de duas variáveis S : [0,1] x [0,1] Æ [0,1],
Dualidade de Morgan.
• Idempotência : A∪ A=A
A∩A =A
• Distributividade: A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
_____ __ __
• Dualidade de Morgan: A∩B = A∪B
_____ __ __
A∪B = A∩B
13
As justificativas apresentadas para as propriedades na interseção são equivalentes para o caso da
união.
30
Tabela 3.1- Operadores t-norma mais disseminados
Operador t-norma t(a,b) =
Mínimo min(a,b)
Produto Algébrico a*b
Produto Limitado 0 ∨ (a + b –1)
Produto Drástico T(a,b) = a, se b=1 ou
T(a,b) = b, se a=1 ou
T(a,b) = 0, se a, b < 1
3.1.3. Modificadores
semelhança com a linguagem natural. Sua função equivale àquela que os adjetivos e
conceito que objetiva expressar. Observando a figura 3.5, percebemos facilmente que
sua aplicação resulta numa concentração maior da função de pertinência, uma vez
14
Denominados “hedges” na literatura estrangeira.
15
Zadeh, L., “A fuzzy-set-theoretic interpretation of linguistic hedges.”,J.Cybern., vol 2, n°2, pp. 4-34, 1972
31
que x2 < x para 0 < x < 1, ou seja, provoca um “rebaixamento” da curva, reforçando o
conceito original. No caso do exemplo, parece intuitivo que uma pessoa de 1.7 m, que
é considerada alta com uma pertinência de 0.5 deveria ser considerada muito alta
com uma pertinência menor, conforme é estabelecido pela função empregada, onde
extremamente, por exemplo) têm também aqueles que propiciam “diluição”, tal como
resultante.
Podemos citar ainda, dentre outras, a classe de modificadores que, uma vez
elementos do conjunto nebuloso original que estão acima de 0.5, ao mesmo tempo em
32
A título de ilustração listamos, na tabela 3.3, alguns modificadores comuns,
lembrar, que a gama de possibilidades de funções que podemos usar para fazer o
discernimento do modelador.
x: nome da variável
16
Vide Zimmermann (1985, p.121) ou Bárdossy e Duckstein (1995, p.14).
33
X: é o universo do discurso, ou seja, um conjunto clássico ao qual pertencem
partir de um universo de discurso, que neste caso podemos considerar como sendo:
X= [0, 40]. A gramática ou regra sintática G é que determina a criação dos termos
Por definição, uma variável lingüística é dita completa quando para todo x Є X,
existe um conjunto nebuloso A tal que μA (x) > 0. Quando formulamos um sistema
Dizemos que uma variável lingüística forma uma partição da unidade quando
para todo x Є X,
17
Vide Almeida & Evsukoff (2003)
34
∑ μAi (x) ≡ 1, sendo p = n° de conjuntos nebulosos a que x pertence.
i = 1,p
variável lingüística idade que citamos acima, onde estabelecemos os termos "jovem"
idade de 20 anos, por exemplo, estaremos escolhendo um valor (20), dentre uma série
significativa das possibilidades, uma vez que a idade indicada corresponderia ao termo
lingüístico "jovem" que representa uma escolha dentre duas opções disponíveis
conhecimento no escopo da lógica nebulosa. Em sua forma mais geral podemos dizer
que uma regra é composta de uma parte antecedente, que descreve as condições da
O antecedente se compõe por argumentos lógicos (e, ou, não etc.) gerando
35
Os dois modelos de regras mais comumente empregados são as regras de
respectivamente
No modelo TSK, por outro lado, yj não é um conjunto nebuloso, mas sim uma
onde: Ai,k é um conjunto fuzzy com função de pertinência μAi,k linear e bi0, bi1 ,
cada uma delas com os seus termos lingüísticos e respectivos conjuntos nebulosos:
18
Também denominado “modelo lingüístico”
19
Vide Jang et al. (1997)
20
Dubois e Prade (1996) e (1999) discutem em seus artigos diferentes semânticas para regras nebulosas.
36
T(teste) = { fácil, médio, difícil }
Nas figuras 3.6, 3.7 e 3.8 são exemplificados os conjuntos nebulosos definidos
37
3.1.6. Raciocínio Aproximado
conhecidos.
de cada uma das regras e agregação dos resultados obtidos para todas as
regras.
parte antecedente com a parte conseqüente. Para cada regra obtemos assim, um
determinado grau de ativação (wi) 21, que indica a aplicabilidade da regra numa
premissas para cada uma das regras, precisamos que as respostas sejam
das regras, para chegar a um conjunto nebuloso final, relativo a conclusão da base de
21
Denominado “grau de suporte” em Shaw & Simões (1999), “grau de realização” em Jang et al.(1997)
ou “grau de ativação” em Aguiar & Oliveira Jr (1999, p. 66).
38
No sistema de inferência nebulosa, proposto originariamente por
nebulosa.
Larsen, respectivamente.
39
uso da soma limitada como t-conorma, resultando em μR (x,y) = min ( 1, (1-
implicação de Lukasiewicz.
das alternativas mais usadas para essa etapa de avaliação de cada regra. Vale
40
Figura 3.9 - Possibilidades de cálculo para a etapa de avaliação de
cada regra (ARRUDA & MARTINS, 2006)
41
3.1.6.2. Etapa de Agregação das regras
enquanto que no modelo TSK é empregada uma média ponderada pelos graus de
uma t-norma.
como T-norma para obter o conjunto nebuloso resultante de cada regra, e escolha do
conseqüente de cada regra, até atingir o valor limite de 1, para calcular o conjunto
nebuloso final (vide equação 3.7). O que não ocorre, por exemplo, ao empregarmos o
algoritmo max-min, uma vez que, neste caso, o valor máximo de pertinência, obtido
regras. Em Cox (1994 ) e Aguiar e Oliveira Jr. (1999) temos um exemplo de aplicação
investimento.
42
μB’ (y) = min (1, ( μB’ (y) + μB’ i (y) ) ) (3.7)
onde:
max-min e max-produto.
43
Quadro 3.1 – Procedimento de Inferência resumido
de quais operadores serão utilizados em cada uma das diversas etapas envolvidas no
descritas, e os pontos onde deve haver decisão por algum tipo de operador.
44
3.2. Sistemas de Inferência Nebulosos
baseada nos conceitos da teoria dos conjuntos nebulosos, nas regras nebulosas e no
denominados como "convencionais" 22 por Cox (1994, p.211), que empregam a lógica
clássica como base para seu mecanismo de inferência, e que tiveram uma grande
dando a estes últimos uma série de vantagens. Uma distinção que podemos fazer, é
situa na faixa entre 20 e 100 regras. (vide Shaw e Simões (1999, p. 57). Como são
especialistas, além de serem mais robustos e conseguirem trabalhar bem até mesmo
22
Também chamados de Sistemas Especialistas Simbólicos.
23
Em Arruda et al.(2002), por exemplo, foi implementado um programa em Matlab para simular o
problema clássico do "estacionamento do caminhão". Nos testes para verificar a robustez do sistema no
caso de retirada de regras, observamos que até restarem aproximadamente 70% da base de regras, os
resultados estavam bastante satisfatórios. Começando a haver perda da performance apenas a partir daí.
45
Outro aspecto diferenciador é que os SEs convencionais são executados
e a favor. Aquelas regras cujas premissas não possuem nenhum grau de verdade, não
etapas:
Fuzzificação
conjuntos nebulosos terão cada uma das variáveis, da forma das suas funções de
Inferência
Defuzzificação
na etapa de inferência. Ou seja, traduz o valor lingüístico obtido como resultado, num
valor discreto que melhor o represente. É uma operação inversa àquela feita
analisado.
46
O processo de defuzzificação implica em perda de informação, já que estamos
tentando obter um número que melhor represente uma região nebulosa em particular.
No modelo TSK, essa etapa não existe, uma vez que o processo de inferência
centróide da área do conjunto nebuloso resultante, ou seja, informa o valor que divide
onde: μB’ (y) é o conjunto nebuloso resultante da agregação das regras e xi é cada
elemento do conjunto.
de um sistema nebuloso.
47
Inferência
defuzzificação
fuzzificação
saídas
entradas
Base de Regras
Podemos dizer em outras palavras, que a otimização nebulosa pode ser entendida
de decisão num escopo mais amplo e flexível, uma vez que podemos, por exemplo,
não querer descartar uma decisão muito favorável apenas por que violaria uma
definidos.
programação linear nebulosa não consiste de um modelo único, mas sim de uma série
problema tratado.
48
Um apanhado geral desses modelos pode ser visto em Rommelfanger (1996)
que faz um levantamento onde são discutidos os diversos métodos para resolver PLNs
Formulação Geral
Maximizar f(x) = c T x
x∈ X
sujeito a:
Ax ≤~ b
24
vide Zimmermann (1985, p. 222)
49
x ≥0
onde:
pode ser satisfeito num grau menor do que 1. Vamos assumir que pode ser
tratamento equivalente, fazendo com que este modelo seja chamado “simétrico”
otimização linear.
50
0 se Ai (x) > bi + pi
1 se Ai (x) ≤ bi
µi (x)
Ai (x)
bi bi + pi
0 se Ai (x) < bi - pi
µi (x)=
1 + Ai (x) - bi se bi - pi ≤ Ai (x) < bi
pi
1 se Ai (x) ≥ bi
µi (x)1
Ai (x)
bi - pi bi
51
0 se Ai (x) < bi - pi
0 se Ai (x) ≥ bi + pi
µi (x)
1
Ai (x)
bi - pi bi bi + pi
Zimmermann segue a proposta feita por Bellman e Zadeh (1970), que partem
na interseção dos objetivos e das restrições, ou seja, pode ser interpretada como uma
operação de mínimo entre estes conjuntos. A melhor decisão numérica, por sua vez
é dada pela união das decisões sobre cada alternativa, que corresponde a operação
52
µD (x)= Min µi (x)
i
objetivo.
uma vez que o tomador de decisão não deseja obter um conjunto como resposta.
Usamos então o máximo do conjunto, que seria então a solução desejada para o
valores dos graus de pertinência das equações definidas têm que ser maiores do que
α (pois em caso contrário, este não seria o mínimo). Queremos então o maior valor de
Max α
Quando está próximo de 1, significa que as violações às restrições não são muito
que podem ocorrer numa flexibilização completa do problema de PL, citadas por
53
• Imprecisão nos limites das restrições. Corresponde a
10.000)
acima.
estado d’arte no contexto onde faremos uso deste arcabouço teórico, ou seja, no
54
4. O Estado d’arte no planejamento mestre da produção
e planejamento agregado
Apesar do nosso foco de interesse se restringir ao primeiro item, os dois tópicos são
Devemos, porém, considerar estas adaptações com ressalvas, uma vez que este
último, além de ter várias questões que lhes são próprias, atua num nível mais
clara distinção pode ser percebida quando analisamos a proposta, tendo em vista se o
aspecto teórico do problema de planejamento. É certo que não existem limites bem
definidos para essa separação, mas optamos por uma organização do material
vez que os diferentes enfoques enxergam o problema de forma tão variada, que
dita, de uma outra que prioriza mais o aspecto teórico, consideramos ainda que
55
podemos vislumbrar, dentro dessa linha mais focada na teoria, diferentes formas de
problema. Observamos então: uma linha que trabalha com uma visão mais
otimizante, com claro viés matemático e dando os primeiros passos para se associar
com sistemas ERP; uma outra tendência que emprega Sistemas Especialistas
nebulosa. Esta última abordagem que é o foco de nossa proposta, olharemos com
próximo tópico.
56
Figura 4.1 - Mapa conceitual com esquema das possibilidades de abordagem PMP/PAP
(ARRUDA et al., 2006)
57
4.1. Possibilidades de abordagem no PMP/PAP
erro. O sistema é formulado com base nos fatores de produção e nas relações
existentes entre eles. Estas relações são expressas sob a forma de simples equações
impacto dos mesmos sobre alguns parâmetros que se deseja controlar. O gestor
escolheria então dentre os diferentes planos gerados qual o que atende melhor aos
objetivos estabelecidos.
entanto, não chega a ser um problema tão grave se comparado às restrições feitas
integrado de informações.
58
Buxey (2003) faz um breve levantamento de técnicas analíticas para
recentes. O autor cita que apesar dos textos teóricos explanarem bem conhecidas
empregam uma abordagem baseada na tentativa e erro. Para identificar qual era o
nas empresas, ele fez então uma pesquisa junto a 42 gestores com experiência em
plano agregado “ótimo” para servir de base para a posterior determinação do plano
mestre.
considerar que 80% delas trabalham no sentido de tentar manter quantidades mínimas
identificar também, que na medida em que tem havido uma complexidade cada vez
25
As estratégias discriminadas são aquelas já discutidas no tópico 2.5
26
As modificações são provenientes de questões operacionais específicas e de restrições de negócio
27
Juntando as estratégias de acompanhamento, acompanhamento modificado e gestão da demanda, num
mesmo grupo
59
utilização de PMP em dois níveis, e conseqüentemente o mecanismo das listas de
planejamento de materiais que lhe dão suporte, tem sido cada vez mais necessária,
sendo indicada por Lamouri & Tomas (2000), por exemplo, como uma tendência atual
nas empresas.
produtos que existia comumente nas indústrias de montagem, hoje pode ser percebida
nos demais seguimentos que historicamente não tinham essa característica, tais como
emprego de PMP em dois níveis, que antes era uma prática usada apenas nos
ambientes produtivos típicos da montagem sob encomenda 28, está começando a ser
características e opções.
não superado, como podemos constatar em Buxey (2003). Vale destacar que esse
DuBois e Oliff (1991), Duchesi e O'Keefe (1990), Harrison (1976) e Hong e Maaleyeff
(1987).
produção. Nam e Logendram (1992), que realizaram uma pesquisa bastante completa
28
conforme visto no tópico 2.5
60
sobre o estado d'arte no assunto e que se tornou uma referência clássica, consideram
realístico. Aparentemente, esse diagnóstico ainda é atual, apesar do alerta feito pelos
diversos autores.
que resulte num valor mínimo para o custo sobre o horizonte de planejamento como
um todo. Geralmente o nível de estoque é tratado como uma decorrência das outras
variáveis.
tempo.
61
• Usualmente são especificados limites inferiores e superiores nas
horizonte de planejamento.
não são.
foi identificado também na pesquisa de Buxey (2003). Consideram, porém, que esta
PAP e o outro ao nível do PMP. O aplicativo de nível mais alto foi modelado como um
GAMS e o solver CPLEX 29, os dois modelos relativos aos dois níveis de planejamento
são implementados.
29
Informações sobre o software podem ser encontradas em http://www.ilog.com/products/cplex/
62
As Regras Lineares de Decisão foram desenvolvidas na década de 50 e são
também conhecidas como "Regras HMMS" devido aos seus autores (HOLT et al.,
1955).
uma única linha de produtos. Os resultados são baseados em quatro fatores de custo,
que seriam:
obra ;
O custo total é calculado pela adição dos quatro fatores de custo, valendo
ressaltar que é minimizado o custo esperado, uma vez que a demanda é considerada
Uma análise bastante crítica das Regras HMMS pode ser encontrada em Eilon
(1974), que apresenta inclusive uma outra modelagem baseada nas Regras Lineares
de Decisão.
63
4.1.2.3. Programação por Metas
envolvidas nos problemas de PAP são influenciadas por múltiplos objetivos, que
solução é iterativo, sendo que as metas são satisfeitas na ordem em que são
Com o objetivo de evitar as fortes restrições sobre a forma das equações nas
realizados.
Logendran (1992).
valores satisfatórios para os parâmetros das equações, a regra de decisão pode ser
64
aplicada como no modelo de regras lineares de decisão, sem que tenha sido
estabelecido para o nível de produção Inferior. De uma forma equivalente temos que
Superior, a heurística vai igualar o nível de produção a este último, e nos demais
65
implementação ou até mesmo difíceis de interpretar quando os tratamos como uma
entidade única. Além do que, seu aspecto monolítico não retrata adequadamente a
(apud Vicens et al, 2001), tenta superar estas restrições especificando o processo de
solução de um subsistema de nível mais alto representa uma restrição a ser imposta
uma função objetivo linear para minimizar custos totais de produção e inventário e
para o nível de família e para o nível de itens finais, além de uma heurística construtiva
para o PMP. Este plano mestre resultante é exportado para a base de dados do
sistema MRP, assim como os dados do MRP servem de entrada para o Sistema
modelo. Este mecanismo visa ocultar do usuário a forte base matemática do sistema
30
A.C.Hax,H.C.Meal,Hierarchical integration of production planning and scheduling,in:M.A.Geisler
(Ed.),Studies in the Management Sciences,North-Holland-AmericanElsevier,Logistics 1 (1975) 53-69.
66
• Falta de conhecimento dos profissionais de gestão nas técnicas
gestor;
de fatores qualitativos.
dos modelos.
Em artigos mais recentes, podemos identificar essa nova vertente que indica a
67
Este avanço é decorrente da pressão de mercado que exige melhorias na
modelos. O CPLEX 32 por sua vez é uma ferramenta robusta para resolução de
planejamento, não fazem parte da arquitetura típica dos sistemas ERP, mas estão
ferramentas da PO com sistemas ERP, ainda tem algumas das restrições que
geração do PAP/PMP. Como bem lembrado por Clark (2003), mesmo nestes
conta do usuário, o que está longe de ser uma atividade trivial, e possibilita
31
Para maiores informações vide Fourer et al (1990) ou o site do software AMPL (www.ampl.com)
32
Informações sobre o software podem ser encontradas em http://www.ilog.com/products/cplex/
68
4.1.4. Sistemas Especialistas Simbólicos
pode resolver problemas, com níveis equivalentes aos obtidos por especialistas, a
dos campos da Inteligência Artificial (IA). Sua formulação parte do pressuposto que
os processos inteligentes são realizados por uma seqüência de operações, que por
sua vez são controladas por um elemento central. Dentro desse paradigma, a
fábrica, aparece como o tópico mais tratado, numa pesquisa feita por Wong et al.
de programação por metas para determinar a produção de cada item no ano como um
69
para incluir no sistema a experiência do especialista referente a transformação da
linhas gerais, a Lógica Nebulosa é bem eficiente nos casos que lidam com imprecisão
34
Carvalho (2001, p. 99) advoga muito adequadamente, que seria mais correto o uso do termo “Rede
neuronal” em português, uma vez que “rede neural” se refere a uma rede de sistemas nervosos e não a
uma rede de neurônios como é o caso. Adotamos o termo Rede Neural por esse ter sido oficialmente
escolhido pela Sociedade Brasileira de Redes Neurais.
70
Para distinguir a IC da Inteligência Artificial convencional, Jang et al. (1997, p.3)
salientam que a primeira não executa muita manipulação simbólica, enquanto que a IA
autores (ibid. p.4) depende de julgamento pessoal, considera alguns tópicos tais como
que a sua utilização de forma combinada tem resultado ainda melhor do que quando
agora o surgimento dos chamados sistemas híbridos, como por exemplo, Sistemas
Em seu artigo, Wang e Fang (1997) propõem para a resolução do PAP, uma
humano no planejamento da produção. Salientam que uma das causas dos gestores
71
tomador de decisão pode selecionar uma solução examinando a combinação convexa
soluções inexatas próximas a solução ótima obtida inicialmente. Soluções essas que
seriam escolhidas pelo gestor e combinadas através da interação com o software, até
mostrado, não é uma ferramenta para ser usada na prática, mas sim adequada a uma
componente.
estoque.
máquina, não podem ser estimadas precisamente, os autores consideram que seria
72
atividade e capacidade de máquina através da lógica nebulosa. Desta forma o nível
Huin et al (2003) por sua vez, propõe uma ferramenta que integra técnicas de
atuação destas empresas, que contrastam fortemente com o processo existente nas
caso. Cada caso contém sua descrição, a solução proposta e o resultado obtido. Em
resolver um problema fica armazenado sob a forma de uma biblioteca de casos e não
através de regras clássicas. Ou seja, o raciocínio fica implícito sob a forma da solução
base, fazendo com que casos similares sejam recuperados e sua solução seja usada
35
Também denominado: RCCP - Rough Cut Capacity Planning
36
Pequenas e Médias Empresas
73
para sugerir uma solução para o problema atual. Quando é necessário são feitos
dados imprecisos.
análise de capacidade.
74
4.1.5.2.1. Enfoque baseado em Otimização Nebulosa
haver necessidade de alteração nos pedidos por solicitação dos clientes. O tópico é
problema.
al.,1997).
garantir que não seriam propostas soluções empregando hora-extra antes de ser
consumida a hora regular disponível. Segundo os autores, o modelo foi testado com
para uma única linha de empacotamento, e obteve custos dez vezes mais baixos se
75
Wang e Hsu (2001) propõem um modelo de programação linear nebulosa para
minimizar o risco de obter o custo mais alto. Por fim, aplicaram o método de
mostram um exemplo numérico para uma fábrica com dois tipos de produtos e seis
componentes.
Wang e Liang( 2004) por sua vez, propõem em seu artigo um modelo de
exemplo numérico, que uma vez convertido num PL clássico equivalente, foi resolvido
empregando o software LINDO. Segundo o próprio autor, o modelo ainda precisa ser
76
4.1.5.2.2. Enfoque baseado em Sistemas Nebulosos
temos a proposta de Rinks (1982a, 1982b) que trabalha com dois conjuntos de 40
custo obtidos pelo modelo HMMS em apenas 5%, mesmo sem considerar os custos
Rinks.
Em seu outro artigo Ward & Ralston (1991) formulam em linhas bem gerais um
procedimento que objetiva estender a modelagem proposta por Rinks para a produção
agregada total, considerando o caso de múltiplos itens. Sugerem com esta finalidade,
77
4.1.5.2.3. Operações com conjuntos nebulosos
seus cálculos, para evitar os problemas causados pelo uso de dados imprecisos no
resultado do planejamento.
procedimentos de cálculo equivalentes aos usados no RCCP e CRP 38, porém fazendo
forma resumida no quadro 4.1 o conjunto das abordagens analisadas para o problema
37
Vários autores, tais como Ross(1995), usam para o conjunto visto na teoria dos conjuntos clássica a
terminologia "crisp set", no sentido de conjunto nítido, bem definido, para distingui-lo do conjunto
nebuloso.
38
RCCP - Rough Cut Capacity Planning e Capacity Requirements Planning ou Planejamento das
Necessidades de Capacidade
78
Quadro 4.1 – Tipos de Abordagem para o problema do PAP/PMP e suas restrições
Abordagens Restrições
79
5. Proposta de modelagem para o processo de
gerenciamento do plano mestre de produção
matemáticos de PAP.
Outra questão que representa uma séria restrição ao uso é o aspecto “caixa
Sistemas Nebulosos possibilitaria uma opção mais “transparente” para o gestor, pois
seu dia-a-dia.
imprecisão nos dados, típicos do processo de geração do plano mestre são um forte
uma vez que o ferramental disponibilizado pela lógica nebulosa cai como uma luva na
natureza qualitativa.
80
À luz desse diagnóstico, partimos da hipótese de que uma proposta de
atividade.
eletrônicas e define o plano na base da “tentativa e erro”, pois agiliza a avaliação dos
atingir.
resistência na utilização do modelo, assim como tornando sua solução mais aceitável
e aderente ao problema.
simuladores que nos permitiram adquirir maior clareza sobre o tópico estudado.
81
executam as diversas bases de regras analisadas são imprescindíveis para o
tais como ASP, Perl e Java, porém o tempo necessário para o desenvolvimento dos
informação tradicional.
MathWorks e que possui uma linguagem de programação de alto nível, voltada para a
operacionais tais como Windows e Linux, e tem uma vasta gama de aplicações,
82
de dados de um modo geral 39. Outro aspecto decisivo em sua escolha foi a farta
detalhados e que constam da própria ferramenta, como sob a forma de livros e textos
comunidade acadêmica.
residente 40 para a elaboração dos simuladores, fizemos uso de duas de suas diversas
toolbox: a “Fuzzy Logic Toolbox” 41, que oferece uma série de recursos voltados para o
por passar a trabalhar com a versão 7, que, pelo menos em relação a construção de
39
Para maiores detalhes sobre o ambiente MATLAB de um modo geral, consultar Matsumoto( 2001) ou
Hanselman e Littlefield ( 2003)
40
Vide manual relativo aos aspectos de programação em MathWorks(2006a)
41
Para entendimento sobre a forma como funciona o toolbox, consultar o manual MathWorks(2006b)
42
Detalhes sobre o acesso a SGBDs externas podem ser encontradas em MathWorks(2006c)
43
Informações sobre desenvolvimento de interfaces gráficas podem ser encontradas em MathWorks
(2006d)
83
5.1. Formulação da modelagem proposta para definição do
plano mestre
pano de fundo para a construção dos cenários para avaliação dos resultados obtidos
com os simuladores.
qual estratégia será empregada pelo gestor para lidar com as flutuações da demanda.
acompanhamento da demanda.
84
Concluímos no decorrer do estudo, que essas políticas alternativas de estoque
devem ser implementadas como bases de regras diferentes, uma vez que
Dada a sua larga utilização, conforme foi identificado por Piper & Vachon
algébrica para geração do plano mestre, descrita e exemplificada no tópico 2.2, que
85
Vendas Projetadas, consubstanciado em 81 regras, da forma como explicitamos a
seguir:
Variáveis Linguísticas
parecidos, mas não exatamente os mesmos para cada uma delas. No decorrer do
termos para Vendas e para Estoque, conforme pode ser visto em Arruda et al.(2005),
44
vide Shaw & Simões (1999)
86
da demanda e mantivessem os níveis de estoque dentro dos limites considerados
nebulosa considerando 11 termos, pois, como se trata da variável de saída, isso não
resulta no aumento do número de regras e por outro lado, permite um ajuste melhor
A largura dos termos também influencia na precisão, e por conta disso, por
exemplo, estabelecemos uma partição nebulosa com uma região mais “densa” para os
conjuntos vizinhos ao termo “Ideal” relativos à variável estoque, além de uma largura
menor para estes, conforme podemos observar na figura 5.1. Isto porque aquela é
uma região onde qualquer variação afetaria de perto o resultado obtido, enquanto que
na região mais próxima dos valores elevados para estoque, o nível de precisão
requerido é menor.
cada um dos conjuntos nebulosos definidos para as três variáveis, conforme podemos
observar nas figuras 5.1, 5.2 e 5.3. A escolha foi decorrente da maior simplicidade e
eficiência computacional das fórmulas, que por isso mesmo, são largamente utilizadas
nos termos extremos, quando era o caso, e a forma triangular para mapear as regiões
intermediárias em geral.
87
Figura 5.1 - Partição nebulosa para a variável Estoque t-1
88
conforme é indicado na literatura como sendo um valor adequado, tendo em vista
escalonamento dos valores limites reais, para que recaiam nessa faixa e fazer o
simulador os diversos gráficos podem ser vistos tanto com seus valores originais, ou
Optamos pela utilização de regras do tipo Mamdani e não das regras TSK
sob a forma literal no Anexo 2. A título de exemplo, podemos ler a regra 64 como se
segue:
“Se PrevVendas é Alta e Estoque é Muito Baixo então Produção deve ser Muito
Alta.”
89
Tabela 5.2 - Mapa de Regras (base de regras relativa ao arquivo pm38.fis)
Estoque MBx Bx AbxId Ideal AcmId PcAlto QsA Alto MA
PrevVendas
Muito Baixa Bx Bx MB MB MB MB MB MB MB
Baixa PcoBx QsB QsB QsB Bx Bx MB MB MB
Quase Baixa PAbxM PAbxM PcoBx PcoBx PcoBx QsBx Bx Bx MB
Pouco Baixa PAcM Md Md PAbxM PAbxM PAbxM PcBx QsBx Bx
Média PAcM PAcM Md Md Md PAbxM PAbxM QsBx Bx
Pouco Alta PcA PAcM PAcM PAcM Md Md PAbxM PcBx QsB
Quase Alto A QsA PA PA PA PAcM PAcM Md PAbxM
Alta MA A A A QsA QsA PcA PAcM Md
Muito Alta MA MA MA MA A A A QA PAcM
discutido na tabela 3.4, podemos dizer que a combinação que apresentou melhor
avaliação das regras e de soma limitada para a etapa de agregação. Este último foi
selecionado porque, conforme vimos no item 3.1.6.2, seu emprego fortalece resultados
resultante. O método de agregação pelo máximo, por sua vez, tolera discordância,
Nesta tela podemos analisar quais são as regras ativadas para um dado vetor
de máximo para agregação, as regras ativadas são: r3, r4, r6, r7, e o valor sugerido
Devido ao método de agregação que foi usado nesse caso, o fato das regras 3
e 4 terem concluído pelo mesmo conjunto nebuloso não foi levado em consideração,
90
na realidade tiveram mais impacto no resultado, as regras 6 e 7, que não tiveram
Figura 5.4 – tela com análise da utilização do operador de máximo para agregação
91
Figura 5.5 – tela com análise da utilização do operador de soma para agregação
características desejáveis, ele evita que ocorram mudanças abruptas nas variáveis
permitindo sua utilização com sucesso. Outra questão que poderia indicar sua
sem interseção. Ou seja, haveria problema se o ponto sugerido entre dois trechos
significado real coerente, o que não é o caso, uma vez que a nossa variável de
92
disjuntos de conjuntos resultantes, e o algoritmo do centróide sugeriu como era de
93
nebuloso resultante do processo de inferência aplicado sobre as regras será um
45
conjunto nebuloso não-vazio.
gerada pela relação dos operadores e da base de regras. Maiores detalhes podem ser
inferência do sistema fica armazenado num arquivo com extensão .fis, juntamente
simulador executa a cada vez que deve ser calculada a produção, a partir das
e min
ou max
implicação min
agregação soma-limitada
defuzzificação centróide
45
Bardossy & Duckstein (1995, p.82) fazem uma discussão detalhada sobre o conceito de “completude”
de um sistema de regras
94
Figura 5.7 – Superfície resultante da relação da base de regras x operadores nebulosos
95
o Estoque de Segurança, mas considera tolerável, apesar de não ser
diretriz.
relações entre as variáveis através das regras, tentamos, dentro do possível, adotar
extensão .txt) e de regras (com extensão .fis) , conforme esquematizado nas figuras
5.8 e 5.9.
46
Ou seja, o valor “mais típico” daquela função de pertinência, seu topo.
96
principal
Edita Limites
assim como as principais telas, com uma breve descrição e objetivo de cada uma
delas. Vale ressaltar, que o programa foi desenvolvido com a finalidade de apoiar o
são voltadas para um usuário atuando como Engenheiro do Conhecimento e não para
97
o Gestor já no momento do planejamento, o que implicaria em características de
especificação diferentes.
será analisada. Após a escolha do arquivo são mostradas na tela as regras sob a
forma literal conforme podemos observar na figura 5.10. Se for o caso, as regras
podem ser vistas novamente em outra ocasião, através da opção “Mostra Regras”.
Função” (vide figura 5.11), como dentro do intervalo correspondente aos dados reais
limites para as variáveis podem ser alterados acionando o botão “Edita Limites”
98
Figura 5.11 – Tela com funções de pertinência da variável PrevVendas t em [-1,1]
Figura 5.12 – Tela com funções de pertinência da variável Estoque t-1 [0,5000]
99
Figura 5.13 – Tela com edição para os valores máximos e mínimos de cada variável
100
Figura 5.14 – Superfície formada pelas regras e mecanismo de inferência
5.15.
período, e mostra o resultado na tela (figura 5.16). Os cálculos são feitos a partir dos
101
selecionados, tais como o operador de min-soma limitada e o método de
defuzzificação como o do centróide, por exemplo. Essa informação também pode ser
102
5.2.3. Conclusão do primeiro experimento
os dados de venda como, por exemplo, vendas mais estáveis, irregulares, ou com
Anexo IV.
operadores nebulosos que detalhamos no tópico 5.1.2 foi a que apresentou melhores
do problema (vide telas com planos sugeridos para cada uma das séries analisadas no
Anexo IV).
750 peças, que é o limite inferior para o termo de estoque considerado Ideal. O
mesmo observamos para os valores que excedem o estoque desejado, cuja quase
totalidade também está dentro dos limites do termo Ideal, que é de 1250 peças, e
apenas uns poucos os ultrapassam (4 casos em 140 observações), mas ainda estão
comportamento dos dados de vendas e produção nas telas com os gráficos das
103
Os testes com o simulador permitiram avaliar ainda a viabilidade de sua
Apesar dos bons resultados obtidos com relação aos critérios estabelecidos, no
espaçados em 25%, 50%, 100% e daí por diante, conforme exposto no início do tópico
5.2. Esta modelagem apesar de ter se mostrado bastante adequada para tratar o
das mesmas através do foco nos espaçamento dos protótipos, conforme descrevemos
acima, mas optamos por tentar aprimorar a modelagem original, de forma a tentar
104
opção de modelagem, formulamos um segundo experimento caracterizando um
contexto diferente.
para isso foi necessária apenas uma pequena mudança de enfoque como
critério para construir a partição nebulosa da variável estoque t-1 em número de peças.
experimento, neste caso, podemos observar que dizermos que estoque t-1 = 1000 é
750 peças para o estoquet-1 é o mesmo que dizer que a variação percentual foi de
regras já refinada, uma vez que toda a relação matemática se mantém. Para
novo algoritmo que empregue o raciocínio acima sugerido em seu cálculo, além da
105
mudança dos labels dos termos da variável estoque, para que sejam compatíveis com
o significado pretendido.
variáveis como sendo os próprios valores originais, sem convertê-los para os limites
[-1,1]. Isso com o objetivo de facilitar o entendimento e também porque com esse outro
enfoque, não haverá a necessidade de construir uma nova base de regras para cada
produto que tenha um nível de estoque de segurança diferente, como seria o caso na
proposta inicial.
desejado.
MtoAlto [ 2750 3500 5000 5000 ] 48 Muito Grande Positiva [ 175 250 400 400 ]
47
As funções triangulares também podem ser especificadas através da informação de três parâmetros:
[Limite Inferior, Máximo, Limite Superior], conforme visto nesta tabela.
48
Da mesma forma que as funções triangulares, as funções trapezoidais podem ser especificadas da
seguinte forma: [Limite Inferior da função, Limite a Esquerda no Platô, Limite a Direita no Platô, Limite
Superior da função ]
106
Tabela 5.5 – Termos e respectivas funções de pertinência para a variável
DemandaMax t
DemandaMax t (em peças)
MuitoBaixa [ 0 0 1500 ]
MuitoBaixa [ 0 0 1500 ]
107
Para permitir avaliar a adequação dessa proposta alternativa, formulamos um
denominaremos daqui por diante como plano mestre, também está a cargo da Divisão
de Materiais e é feita de forma a atender às projeções feitas para cada modelo pelo
de política de estoques.
Divisão de Materiais usa para determinação dos níveis de estoque período a período o
108
desejado ao longo de todo o horizonte de planejamento como tivemos no outro
próximo período, que se deseja manter em estoque no período atual como medida de
da definição do plano mestre, estes valores vão sendo alterados para atender a
circunstâncias específicas.
vendas e o gestor considera preferível ter níveis de estoque um pouco mais altos do
que o desejado do que correr o risco de falta de produtos. Desta forma, são válidos os
Regra 67:
“Se DemandaMáxima t é Alta e Variação%Estq t-1 é Nula então Produção t deve ser
Alta.”
109
Produção t = f ( DemandaMáxima t , Variação%Estq t-1 )
onde:
Nas figura 5.18 a 5.20 são mostradas as telas com as partições nebulosas das
Figura 5.18 – Tela do simulador com a partição nebulosa para a variável DemandaMax t
110
Figura 5.19 – Tela do simulador com a partição nebulosa para a variável VarEstq% t-1
Figura 5.20 – Tela do simulador com a partição nebulosa para a variável Produção t
tamanho do lote e cobertura % de estoque de cada produto, número de dias úteis por
111
Para avaliar a adequação dos resultados, desenvolvemos um novo simulador
com a análise que estamos fazendo. Isso foi feito com o objetivo de permitir maior
para tentar fazer a implementação mais enxuta possível. Já na versão 2, optamos por
dos dados foi feita através de comandos SQL empregando o Database ToolBox
Cadastro de Modelos que são importados do protótipo e cuja tela pode ser vista na
112
Figura 5.21 – Tela do Cadastro de Modelos do protótipo GesPlan
113
Dados Venda Projetada t Pedidos t
do Cobertura % Desejada Cobertura % Projetada t-1
Modelo Estoque de Segurança t-1 Estoque Projetado t-1
Fuzzificação
Regras Mecanismo
1. If (DemandaMax is mbx) and (VarEstqPercent is MtGrNg) then (Producao is bx)
2. If (DemandaMax is mbx) and (VarEstqPercent is MdNg) then (Producao is bx) de Inferência
3. If (DemandaMax is mbx) and (VarEstqPercent is PqNg) then (Producao is mbx)
4. If (DemandaMax is mbx) and (VarEstqPercent is nula) then (Producao is mbx)
5. If (DemandaMax is mbx) and (VarEstqPercent is PqPos) then (Producao is mbx)
6. If (DemandaMax is mbx) and (VarEstqPercent is MdPos) then (Producao is mbx)
7. If (DemandaMax is mbx) and (VarEstqPercent is QsGrPos) then (Producao is mbx)
8. If (DemandaMax is mbx) and (VarEstqPercent is GrPos) then (Producao is mbx)
9. If (DemandaMax is mbx) and (VarEstqPercent is MtGrPos) then (Producao is mbx)
10. If (DemandaMax is bx) and (VarEstqPercent is MtGrNg) then (Producao is pcbx) Mínimo
11. If (DemandaMax is bx) and (VarEstqPercent is MdNg) then (Producao is qsbx)
12. If (DemandaMax is bx) and (VarEstqPercent is PqNg) then (Producao is qsbx)
.
.
. Soma limitada
81. If (DemandaMax is ma) and (VarEstqPercent is MtGrPos) then (Producao is pcacmd)
Defuzzificação
Centróide
114
no primeiro experimento. Isto porque o algoritmo parte da produção definida em
lote fracionárias, esse valor é arredondado para o próximo inteiro acima. São esses
desejado inicialmente.
objetivo de reduzir essa distorção, dando origem assim a um novo conjunto de regras,
DemandaMax
Muito Baixa Bx Bx MB MB MB MB MB MB MB
Baixa PcoBx QsB QsB QsB Bx Bx MB MB MB
Quase Baixa PAbxM PAbxM PcoBx PcoBx PcoBx QsBx Bx Bx MB
Pouco Baixa PAcM Md Md PAbxM PAbxM PcBx PcBx QsBx Bx
Média PAcM PAcM Md Md PAbxM PAbxM PAbxM QsBx Bx
Pouco Alta PcA PAcM PAcM PAcM Md Md PAbxM PcBx QsB
Quase Alto A QsA PA PA PA PAcM PAcM Md PAbxM
Alta MA A A A QsA QsA PcA PAcM Md
Muito Alta MA MA MA MA A A A QA PAcM
Como várias das etapas e telas desse segundo simulador são parecidas com
podemos ver a tela com o plano de produção e estoques sugerido pelo simulador para
o modelo 131121, cujos dados foram importados. Temos também o mesmo plano sob
115
Figura 5.23 – Tela com plano de produção sugerido pelo simulador na versão 2.
Figura 5.24 – Tela com gráfico de barras do plano sugerido pelo simulador na versão2
peças, essa outra formulação que parte da variação percentual em relação ao estoque
116
estabelecidos. Ou seja, seguem a política de acompanhamento da demanda, e
verificar nas figuras 5.23 e 5.24 e nas telas incluídas no Anexo VI.
mencionado. Mesmo nesses casos, os valores ainda estão dentro dos limites
aceitáveis.
base de dados em ACCESS mostrou-se uma escolha acertada pois permitiu mais
informações.
amplia a gama de contextos passíveis de serem tratados com este enfoque. Isto
porque permite sua aplicação também naquelas empresas que utilizam o conceito de
cobertura % de estoque, conforme este último cenário analisado, mas também pode
ser implementada em ambientes que usem um valor fixo para Estoque de Segurança.
alternativos
117
Com o aumento da quantidade e complexidade dos dados manipulados na
planos alternativos, qual aquele que mais atende aos objetivos que pretendemos
planejador.
alternativas.
primeiro e segundo experimentos e que por sua vez, já eram baseados no que
os quais:
118
1. Consideramos mais grave a ocorrência de valores de estoque mais
plano.
adequação dos planos gerados, que calcula um escore para o plano de cada
modelo.
119
SIMULADOR – Versão 3
Demanda Max t
Tamanho
Estoque de Segurança t-1 Defuzzificação
Cobertura % Desejada
Venda Projetada t
do Lote
do Modelo
Nível 1
Centróide
Plano
Simulado
Pedidos t
Estoque t
Inferência
Mínimo
Produção t Soma limitada
Fuzzificação
Cálculo do
Regras
Escore do
Escore Política
Optamos por fazer essa avaliação empregando também regras nebulosas, pois
120
critérios é feito de forma vaga e imprecisa. Percebemos que a forma de avaliar do
PoliticaEstoque t = f (Variação%Estq t )
nebulosa relativa à essa variável, e na tabela 5.8 listamos as duas variáveis e seus
121
Figura 5.27 - Tela com partição nebulosa da variável PoliticaEstoque t no nível 2 do
simulador – Versão 3
122
Quadro 5.1 – Base de Regras para avaliação da Política de Estoques
descritos acima, dão origem a função que podemos visualizar na tela “Mostra
Observamos por exemplo que a nota máxima ocorre quando foi projetado um nível de
Da mesma forma, o lado esquerdo desse topo, é muito mais íngreme que o direito,
Figura 5.28 – Função definida pela base de regras, pelas partições nebulosas e pelo
mecanismo de inferência para a determinação do escore relativo a política de estoques
por período.
123
5.3.2. Aplicação da modelagem no cenário do segundo experimento
Esse mecanismo para auxílio à avaliação dos níveis de estoque foi utilizado já
Uma vez definido o plano para o modelo 602731, por exemplo, empregando o
primeiro nível do simulador para isso, conforme mostramos na figura 5.29, podemos
Figura 5.29 – tela com plano de produção e estoque para o modelo 602731
então o escore relativo à avaliação dos níveis de estoque para o modelo 602731, que
124
Mostramos em destaque o escore mínimo obtido no horizonte de planejamento
para que seja analisado aquele período em particular se for o caso. Em nosso
exemplo, o menor escore foi de 59.2, relativo ao sexto período, o qual mesmo ainda
dentro de limites aceitáveis apresenta algum excesso conforme podemos ver na figura
5.31.
125
Figura 5.31 – Tela relativa a opção “Mostra Dados” para o modelo 602731
Essa mesma modelagem pode ser ampliada com a inclusão de mais variáveis
partir da utilização de regras, mas sim considerando qualquer que seja o método
empregado. A partir desta idéia, vamos focalizar nossa atenção neste exemplo
126
definido, e propor uma ampliação da modelagem que trata da definição dos escores
para os níveis de estoque através da inclusão de uma outra dimensão para análise.
nivelamento da produção.
demanda vamos estabelecer como meta, que a quantidade definida para a produção
diária em lotes deve ser mantida tão nivelada quanto possível para tentar diminuir os
inventário.
seja, são duas instâncias diferentes. Vale destacar ainda, que optamos por focalizar
nossa atenção nas quantidades definidas para a produção diária em lotes, e não na
produção em peças relativa ao período como um todo, pois esta última tem variações
diferentes.
média, e as mesmas variações em relação a essa média, porém sob o ponto de vista
127
do nivelamento da produção, o plano A é completamente inadequado, enquanto que o
período anterior”. Quando essa variável é igual a zero significa que não houve
estabelecemos o valor zero para o primeiro período por default, pois não temos como
Ou seja:
128
SIMULADOR – Versão 4
Avaliação do Plano por Modelo quanto à política de Estoque
Fuzzificação
Cálculo do
Regras
Nível 1
Escore do
Escore Política
1. If (VarEstqPercent is MtGrNg) then (PoliticaEstoque is NaoAtendida) Plano por
Estoque t
2. If (VarEstqPercent is MdNg) then (PoliticaEstoque is FracamAtendia) Modelo
3. If (VarEstqPercent is PcNg) then (PoliticaEstoque is MedAtendida)
4. If (VarEstqPercent is Nula) then (PoliticaEstoque is PlenamenteAtendida)
Defuzzificação
5. If (VarEstqPercent is PqPos) then (PoliticaEstoque is SatisfAtendida)
6. If (VarEstqPercent is MdPos) then (PoliticaEstoque is MedAtendida)
7. If (VarEstqPercent is QsGrPos) then (PoliticaEstoque is MedAtendida)
8. If (VarEstqPercent is GrPos) then (PoliticaEstoque is FracamAtendia) Avaliação
9. If (VarEstqPercent is MtGrPos) then (PoliticaEstoque is NaoAtendida)
do Plano
do Modelo
Mecanismo de Inferência para todo
o HP em
Mínimo relação à
Soma limitada política de
Estoques
Escore da Política de
Estoque do Plano por
Modelo
Fuzzificação
Regras
Centróide
Mecanismo de Inferência
Mínimo
Soma limitada
129
Na tabela 5.9 descrevemos as variáveis lingüísticas e os respectivos termos
outros experimentos.
130
Figura 5.34 – Tela com partição nebulosa da variável EscoreGlobal
131
Figura 5.35 – Superfície definida pela combinação entre as regras, as partições
nebulosas e os operadores do mecanismo de inferência.
dois planos gerados através do emprego de uma planilha eletrônica tendo como dados
simulador. O “plano 9”, por sua vez, foi elaborado de acordo com a estratégia de
seguimento da demanda e atendendo aos níveis de estoque, e portanto, deve ter uma
boa avaliação quanto aos níveis de inventário, mas algumas vezes inadequado quanto
132
Importamos os dados relativos aos dois planos e calculamos os escores
133
palavras, as avaliações sugeridas pelo simulador apresentam o comportamento
Figura 5.36 – Tela com escores para “plano 1” definido para o modelo 121451
134
6. Conclusão
O dinamismo cada vez maior do mercado que exige flexibilidade crescente dos
para esta questão não são utilizados na prática, em decorrência de uma série de
problema.
adequação dos planos que eram sugeridos pelo simulador. Desta forma, estamos
de planos alternativos, que, além de ser útil no processo de depuração das bases de
regras, pode ser associada à geração de planos através de planilhas eletrônicas para
135
Na figura 6.1 esquematizamos a forma como implementamos as diferentes
ferramental da lógica nebulosa tanto para a definição do plano mestre, quanto para o
nebulosa da variável Estoque t-1, usada nesse modelamento, tomando como base o
primeira formulação.
136
Foco Definição do plano mestre Avaliação de planos mestre alternativos
Determinação do plano de produção e estoques (em peças), Cálculo do escore do plano relativo à política de estoques
considerando um nível específico para o Estoque de
Segurança.
Sendo: Sendo:
Produçãot = f ( PrevVendas t , Estoque t-1 ) PolíticaEstoquet = f ( Var%Estq t-1 )
137
lotes e do plano de estoques, considerando níveis variáveis política de estoques e à estratégia de nivelamento da produção.
para o Estoque de Segurança período à período (Cobertura
de Estoque t ).
Sendo: Sendo:
Produçãot = f ( DemandaMax t , Var%Estq t-1 ) EscoreGlobal = f ( PolíticaEstoque , GrauNivelamento )
de conquistar um mercado específico que seria cliente potencial deste produto. Este
os conjuntos de dados de teste, rejeitando os planos que não estavam atendendo aos
adequado.
computacional.
ASCII, como as versões que compartilham uma base de dados em ACCESS, têm
138
desempenho muito bom, para quaisquer das bases de regras e operadores nebulosos
que nos fez descartá-la, deve-se ao risco de perda de interpretabilidade das regras por
parte do gestor, uma vez que durante esse procedimento devemos balancear o
características contraditórias.
refinamento das regras, não justificava o risco de perder algumas das vantagens
139
7. Desdobramentos
discutimos na conclusão;
140
executados de forma independente por outras linguagens, e este
141
Referências Bibliográficas
ARRUDA, D.M. & MARTINS,R.C. Uma breve introdução a teoria dos conjuntos
nebulosos. Nota Técnica – Instituto Nacional de Tecnologia, março 2006, 26 p.
142
BUXEY, G., “Strategy not tactics drives aggregate planning.”, Int. J. Production
Economics, vol. 85, n. 3, p. 331-346, set. 2003.
COX, E., The Fuzzy Systems Handbook, a Practitioner’s Guide to Building, Using, and
Maintaining Fuzzy Systems. USA: Academic Press, 1994. 626 p.
DAS, B.P., RICKARD, J.G., SHAH, N., MACCHIETTO, S., “An investigation on
integration of aggregate production planning, master production scheduling of batch
process operations through a common data model.” Computer and Chemical
Engineering, vol 24, p. 1625-1631, 2000.
DUBOIS, D., PRADE, H., “What are fuzzy rules and how to use them.”, Fuzzy sets and
systems, vol. 84 p. 169-185, 1996.
DUBOIS, D., PRADE, H., SESSA, S., “Recent Literature”, Fuzzy sets and systems,
vol.138, p.213-219, 2003.
143
<http://anpserver.cpgei.cefetpr.br/prh10/publicacoes/SBPO_2003_Felizari.pdf >.
Acesso em: 15 abr 2004.
GREENE, J.H. (ed.), Production and Inventory Control Handbook, 2ª edição, USA:
MacGraw-Hill,Inc., 1987
GUIFFRIDA, A.L., NAGI, R., “Fuzzy set theory applications in production management
research: A literature survey.”, Journal of Intelligent Manufacturing, vol. 9, n. 1, p. 39-
56, 1998.
HARRISON, F. L., “Production Planning in Practice”,. OMEGA, The Int. J. of Mgmt Sci.,
vol 4, n.4 , Pergamon Press, Great Britain, 1976.
HOLT, C.C.; MODIGLIANI, F. .e SIMON, H.A., “A linear decision rule for production
and employment scheduling”, Management Science, vol 2,n°1, p.1-30, 1955.
HUIN, S. F., LUONG, L. H. S.e ABHARY, K., “Knowledge-based tool for planning of
enterprise resources in ASEAN SMEs.”, Robotics and Computer Integrated
Manufacturing, vol. 19, p. 409-414, 2003.
KEUNG, K. W., IP, W. H., YUEN, D., “An intelligent hierarchical workstation control
model for FMS.”, J. of Materials Processing Technology, vol. 6734, p. 1-6, 2003.
KLIR, G.J., FOLGER, T.A., Fuzzy Sets, Uncertainty, and Information. USA: Prentice
Hall, 1988, 341 p.
144
KLIR, G. J. e B., YUAN, Fuzzy Sets and Fuzzy Logic – Theory and Applications, USA:
Prentice Hall, 1995, 574 p.
LAMOURI, S. THOMAS, A., “The two level master production schedule and planning
bills in a just in time MRP context”, Int. J. Production Economics, vol 64, p. 409-415,
2000.
LEHTIMÄKI, A.K., VACHON, S. “An Approach for solving decision problems of master
scheduling by utilizing theory of fuzzy sets.” International Journal of Production
Research, vol 25, n. 12, p. 1781-1793, 1987.
LI, Z., TANG, H., TU, H., “An expert simulation system for the master production
schedule.” Computers in Industry, vol. 19, p. 127-133, 1992.
____________, Fuzzy Logic Toolbox – For use with MatLab - User’s Guide – Version
2, USA – MA:The MathWorks, Inc, 2006b, 289 p.
____________, Database Toolbox – For use with MatLab - User’s Guide – Version 3,
USA – MA: The MathWorks, Inc, 2006c, 309 p.
MILLER, W.A., LEUNG, L.C., AZHAR, T.M., SARGENT, S. “Fuzzy production planning
model for fresh tomato packing”, International Journal of Production Economics, 53,
p. 227-238, 1997.
145
OSTERGAARD, J..J. , “Fuzzy Logic Control of a heat exchanger process”, In: GUPTA,
M.M., SARIDIS, G. AND CAINES, B. (eds.) Fuzzy Automata e Decision Processes,
New York: North-Holland Publishing, p. 285-321, 1977.
ÖZDAMAR, L., BOZYEL, M.A., BIRBIL, S.I., “A hierarchical decision support system
for production planning (with case study)”. European Journal of Operational Research,
vol. 104, p. 403-422, 1998.
PIPER, C.J., VACHON, S., “Accounting for productivity losses in aggregate planning.”,
International Journal of Production Research, vol 39, n. 17, p. 4001-4012, 2001.
RINKS, D.B., “The performance of fuzzy algorithm models for aggregate planning
under differing cost structures”, In: GUPTA,M.M.,SANCHEZ,E., (eds), Fuzzy
lnformation and Decision Process, Amsterdam: North-Holland Publishing, 1982a, p.
267-278.
ROSS, T. J., Fuzzy logic with engineering applications, USA: McGraw-Hill, 1995, p.
600.
SARI, F. J., “The Planning Bill of Material - All It´s Cracked Up to Be.” Apêndice
11A :In MCLEAVEY, D. W. E NARASIMHAN, S. L., Production Planning and Inventory
Control, Massachusetts, USA: Allyn and Bacon, Inc., 1985, P. 453-462.
SHAW, I. S., SIMÕES, M. G., Controle e modelagem fuzzy. São Paulo: Ed. Edgar
Blüker ltda. 1999, 165 p.
TURKSEN, I.B., “Approximate reasoning for production planning.”, Fuzzy sets and
Systems, vol. 26, p. 23-37, 1988.
____________, Fuzzy expert systems fo IE/OR/MS. Fuzzy sets and Systems, vol. 51,
p. 1-27, 1992.
146
systems in an enterprise integration context”, Int. J. Production Economics, vol 74, p.
5-20, 2001.
WALLACE, T. F., APICS Dictionary . 5ª edição, Fall Church, Va, USA, 1984.
WANG, D., FANG, S., “A genetics-based approach for aggregated production planning
in a fuzzy environment.”, IEEE Transactions on Systems, Man and Cybernetics-part A:
Systems and Humans, vol. 27, n.5 , p. 636-645, 1997.
WONG, B. K., CHONG, J. K. S., PARK, J., “Utilization and benefits of expert systems
in manufacturing: A study of large American industrial corporations.”, Int. J. Operations
& Production Management, vol. 14, n.1 , p. 38-49, 1994.
___________, Scanning the technology. Proceedings of the IEEE ,Vol. 89, p. 1242-
1242, Sept. 2001.
ZIMMERMANN, H. J., Fuzzy set theory and its applications, Boston: Kluwer-Nijhoff
Publishing, 1985, p. 363.
147
Anexo I
Exemplo:
148
Anexo II
Listagem da Base de Regras relativa ao Experimento 1
(arquivo pm38.fis)
149
50. If (prevvendas is pca) and (estoque is acmid) then (producao is md)
51. If (prevvendas is pca) and (estoque is pca) then (producao is md)
52. If (prevvendas is pca) and (estoque is qsa) then (producao is pcabxmd)
53. If (prevvendas is pca) and (estoque is alto) then (producao is pcbx)
54. If (prevvendas is pca) and (estoque is ma) then (producao is qsbx)
55. If (prevvendas is qsa) and (estoque is mtbx) then (producao is alto)
56. If (prevvendas is qsa) and (estoque is bx) then (producao is qsa)
57. If (prevvendas is qsa) and (estoque is abxid) then (producao is pca)
58. If (prevvendas is qsa) and (estoque is id) then (producao is pca)
59. If (prevvendas is qsa) and (estoque is acmid) then (producao is pca)
60. If (prevvendas is qsa) and (estoque is pca) then (producao is pcacmd)
61. If (prevvendas is qsa) and (estoque is qsa) then (producao is pcacmd)
62. If (prevvendas is qsa) and (estoque is alto) then (producao is md)
63. If (prevvendas is qsa) and (estoque is ma) then (producao is pcabxmd)
64. If (prevvendas is alto) and (estoque is mtbx) then (producao is ma)
65. If (prevvendas is alto) and (estoque is bx) then (producao is alto)
66. If (prevvendas is alto) and (estoque is abxid) then (producao is alto)
67. If (prevvendas is alto) and (estoque is id) then (producao is alto)
68. If (prevvendas is alto) and (estoque is acmid) then (producao is qsa)
69. If (prevvendas is alto) and (estoque is pca) then (producao is qsa)
70. If (prevvendas is alto) and (estoque is qsa) then (producao is pca)
71. If (prevvendas is alto) and (estoque is alto) then (producao is pcacmd)
72. If (prevvendas is alto) and (estoque is ma) then (producao is md)
73. If (prevvendas is ma) and (estoque is mtbx) then (producao is ma)
74. If (prevvendas is ma) and (estoque is bx) then (producao is ma)
75. If (prevvendas is ma) and (estoque is abxid) then (producao is ma)
76. If (prevvendas is ma) and (estoque is id) then (producao is ma)
77. If (prevvendas is ma) and (estoque is acmid) then (producao is alto)
78. If (prevvendas is ma) and (estoque is pca) then (producao is alto)
79. If (prevvendas is ma) and (estoque is qsa) then (producao is alto)
80. If (prevvendas is ma) and (estoque is alto) then (producao is qsa)
81. If (prevvendas is ma) and (estoque is ma) then (producao is pcacmd)
150
Anexo III
Listagem do arquivo “pm38.fis” com a configuração do mecanismo de
inferência, das partições nebulosas e da base de regras
1. Name pm38
2. Type mamdani
3. Inputs/Outputs [2 1]
4. NumInputMFs [9 9]
5. NumOutputMFs 11
6. NumRules 81
7. AndMethod min
8. OrMethod max
9. ImpMethod min
10. AggMethod sum
11. DefuzzMethod centroid
12. InLabels prevvendas
13. estoque
14. OutLabels producao
15. InRange [-1 1]
16. [-1 1]
17. OutRange [-1 1]
18. InMFLabels mbx
19. md
20. alto
21. bx
22. qsbx
23. pcbx
24. pca
25. qsa
26. ma
27. bx
28. acmid
29. alto
30. mtbx
31. abxid
32. id
33. pca
34. qsa
35. ma
36. OutMFLabels bx
37. pcacmd
38. alto
39. mbx
40. qsbx
41. pcbx
42. pcabxmd
43. md
44. pca
45. qsa
46. ma
47. InMFTypes trimf
48. trimf
49. trimf
50. trimf
51. trimf
52. trimf
53. trimf
54. trimf
151
55. trapmf
56. trimf
57. trimf
58. trimf
59. trimf
60. trimf
61. trimf
62. trimf
63. trimf
64. trapmf
65. OutMFTypes trimf
66. trimf
67. trimf
68. trimf
69. trimf
70. trimf
71. trimf
72. trimf
73. trimf
74. trimf
75. trapmf
76. InMFParams [-1 -1 -0.625 0]
77. [-0.125 0 0.125 0]
78. [0.375 0.625 0.875 0]
79. [-1 -0.625 -0.375 0]
80. [-0.625 -0.375 -0.125 0]
81. [-0.375 -0.125 0 0]
82. [0 0.125 0.375 0]
83. [0.125 0.375 0.625 0]
84. [0.625 0.875 1 1]
85. [-1 -0.8 -0.7 0]
86. [-0.6 -0.5 -0.4 0]
87. [-0.2 0.1 0.4 0]
88. [-1 -1 -0.8 0]
89. [-0.8 -0.7 -0.6 0]
90. [-0.7 -0.6 -0.5 0]
91. [-0.5 -0.4 -0.2 0]
92. [-0.4 -0.2 0.1 0]
93. [0.1 0.4 1 1]
94. OutMFParams [-1 -0.7778 -0.5556 0]
95. [-0.1111 0.03711 0.1851 0]
96. [0.3333 0.5556 0.7778 0]
97. [-1 -1 -0.7778 0]
98. [-0.7778 -0.5556 -0.4073 0]
99. [-0.5556 -0.4073 -0.2593 0]
100. [-0.4073 -0.2593 -0.1111 0]
101. [-0.2593 -0.1111 0.03711 0]
102. [0.03711 0.1851 0.3333 0]
103. [0.1851 0.3333 0.5556 0]
104. [0.5556 0.7778 1 1]
105. Rule Antecedent [1 4]
106. [1 1]
107. [1 5]
108. [1 6]
109. [1 2]
110. [1 7]
111. [1 8]
112. [1 3]
113. [1 9]
114. [4 4]
152
115. [4 1]
116. [4 5]
117. [4 6]
118. [4 2]
119. [4 7]
120. [4 8]
121. [4 3]
122. [4 9]
123. [5 4]
124. [5 1]
125. [5 5]
126. [5 6]
127. [5 2]
128. [5 7]
129. [5 8]
130. [5 3]
131. [5 9]
132. [6 4]
133. [6 1]
134. [6 5]
135. [6 6]
136. [6 2]
137. [6 7]
138. [6 8]
139. [6 3]
140. [6 9]
141. [2 4]
142. [2 1]
143. [2 5]
144. [2 6]
145. [2 2]
146. [2 7]
147. [2 8]
148. [2 3]
149. [2 9]
150. [7 4]
151. [7 1]
152. [7 5]
153. [7 6]
154. [7 2]
155. [7 7]
156. [7 8]
157. [7 3]
158. [7 9]
159. [8 4]
160. [8 1]
161. [8 5]
162. [8 6]
163. [8 2]
164. [8 7]
165. [8 8]
166. [8 3]
167. [8 9]
168. [3 4]
169. [3 1]
170. [3 5]
171. [3 6]
172. [3 2]
173. [3 7]
174. [3 8]
153
175. [3 3]
176. [3 9]
177. [9 4]
178. [9 1]
179. [9 5]
180. [9 6]
181. [9 2]
182. [9 7]
183. [9 8]
184. [9 3]
185. [9 9]
105. Rule Consequent 1
106. 1
107. 4
108. 4
109. 4
110. 4
111. 4
112. 4
113. 4
114. 6
115. 5
116. 5
117. 5
118. 1
119. 1
120. 4
121. 4
122. 4
123. 7
124. 7
125. 6
126. 6
127. 6
128. 5
129. 1
130. 1
131. 4
132. 2
133. 8
134. 8
135. 7
136. 7
137. 7
138. 6
139. 5
140. 1
141. 2
142. 2
143. 8
144. 8
145. 8
146. 7
147. 7
148. 5
149. 1
150. 9
151. 2
152. 2
153. 2
154
154. 8
155. 8
156. 7
157. 6
158. 5
159. 3
160. 10
161. 9
162. 9
163. 9
164. 2
165. 2
166. 8
167. 7
168. 11
169. 3
170. 3
171. 3
172. 10
173. 10
174. 9
175. 2
176. 8
177. 11
178. 11
179. 11
180. 11
181. 3
182. 3
183. 3
184. 10
185. 2
105. Rule Weigth 1
106. 1
107. 1
...
183. 1
184. 1
185. 1
105. Rule Connection 1
106. 1
...
184. 1
155
Anexo IV
Dados de entrada do primeiro experimento e
156
Figura AIV.1 – Tela com plano de produção e estoques sugeridos pelo simulador para as
vendas importadas do arquivo dados.txt
Figura AIV.2 – Tela com plano de produção e estoques sugeridos pelo simulador para as
vendas importadas do arquivo dados1.txt
157
Figura AIV.3 – Tela com plano de produção e estoques sugeridos pelo simulador para as
vendas importadas do arquivo dados2.txt
Figura AIV.4 – Tela com plano de produção e estoques sugeridos pelo simulador para as
vendas importadas do arquivo dados3.txt
158
Figura AIV.5 – Tela com plano de produção e estoques sugeridos pelo simulador para as
vendas importadas do arquivo dados4.txt
Figura AIV.6 – Tela com plano de produção e estoques sugeridos pelo simulador para as
vendas importadas do arquivo dados5.txt
159
Figura AIV.7 – Tela com plano de produção e estoques sugeridos pelo simulador para as
vendas importadas do arquivo dados6.txt
Figura AIV.8 – Tela com plano de produção e estoques sugeridos pelo simulador para as
vendas importadas do arquivo serie.txt
160
Figura AIV.9 – Tela com plano de produção e estoques sugeridos pelo simulador para as
vendas importadas do arquivo serie1.txt
Figura AIV.10 – Tela com plano de produção e estoques sugeridos pelo simulador para
as vendas importadas do arquivo serie2.txt
161
Figura AIV.11 – Tela com plano de produção e estoques sugeridos pelo simulador para
as vendas importadas do arquivo serie3.txt
Figura AIV.12 – Tela com plano de produção e estoques sugeridos pelo simulador para
as vendas importadas do arquivo serie4.txt
162
Figura AIV.13 – Tela com plano de produção e estoques sugeridos pelo simulador para
as vendas importadas do arquivo serie5.txt
Figura AIV.14 – Tela com plano de produção e estoques sugeridos pelo simulador para
as vendas importadas do arquivo serie6.txt
163
Anexo V
Listagem da Base de Regras usada no segundo experimento
(planmestre41.fis)
164
54. If (DemandaMax is pca) and (VarEstqPercent is MtGrPos) then (Producao is qsbx)
55. If (DemandaMax is qsa) and (VarEstqPercent is MtGrNg) then (Producao is alto)
56. If (DemandaMax is qsa) and (VarEstqPercent is MdNg) then (Producao is qsa)
57. If (DemandaMax is qsa) and (VarEstqPercent is PqNg) then (Producao is pca)
58. If (DemandaMax is qsa) and (VarEstqPercent is nula) then (Producao is pca)
59. If (DemandaMax is qsa) and (VarEstqPercent is PqPos) then (Producao is pca)
60. If (DemandaMax is qsa) and (VarEstqPercent is MdPos) then (Producao is pcacmd)
61. If (DemandaMax is qsa) and (VarEstqPercent is QsGrPos) then (Producao is pcacmd)
62. If (DemandaMax is qsa) and (VarEstqPercent is GrPos) then (Producao is md)
63. If (DemandaMax is qsa) and (VarEstqPercent is MtGrPos) then (Producao is pcabxmd)
64. If (DemandaMax is alto) and (VarEstqPercent is MtGrNg) then (Producao is ma)
65. If (DemandaMax is alto) and (VarEstqPercent is MdNg) then (Producao is alto)
66. If (DemandaMax is alto) and (VarEstqPercent is PqNg) then (Producao is alto)
67. If (DemandaMax is alto) and (VarEstqPercent is nula) then (Producao is alto)
68. If (DemandaMax is alto) and (VarEstqPercent is PqPos) then (Producao is qsa)
69. If (DemandaMax is alto) and (VarEstqPercent is MdPos) then (Producao is qsa)
70. If (DemandaMax is alto) and (VarEstqPercent is QsGrPos) then (Producao is pca)
71. If (DemandaMax is alto) and (VarEstqPercent is GrPos) then (Producao is pcacmd)
72. If (DemandaMax is alto) and (VarEstqPercent is MtGrPos) then (Producao is md)
73. If (DemandaMax is ma) and (VarEstqPercent is MtGrNg) then (Producao is ma)
74. If (DemandaMax is ma) and (VarEstqPercent is MdNg) then (Producao is ma)
75. If (DemandaMax is ma) and (VarEstqPercent is PqNg) then (Producao is ma)
76. If (DemandaMax is ma) and (VarEstqPercent is nula) then (Producao is ma)
77. If (DemandaMax is ma) and (VarEstqPercent is PqPos) then (Producao is alto)
78. If (DemandaMax is ma) and (VarEstqPercent is MdPos) then (Producao is alto)
79. If (DemandaMax is ma) and (VarEstqPercent is QsGrPos) then (Producao is alto)
80. If (DemandaMax is ma) and (VarEstqPercent is GrPos) then (Producao is qsa)
81. If (DemandaMax is ma) and (VarEstqPercent is MtGrPos) then (Producao is pcacmd)
165
Anexo VI
Telas relativas aos planos sugeridos pelo simulador na
2ª versão do experimento, considerando cada um dos produtos analisados.
EstDes – estoque desejado (em peças) ao fim do período (em função da cobertura %
padrão do produto).
período.
Figura AVI.1 – Plano de produção para o modelo 121131, resultado da opção “Calcula
Produção”
166
Figura AVI.2 – Plano de produção para o modelo 121451, resultado da opção “Calcula
Produção”
Figura AVI.3 – Plano de produção para o modelo 129508, resultado da opção “Calcula
Produção”
167
Figura AVI.4 – Plano de produção para o modelo 131121, resultado da opção “Calcula
Produção”
Figura AVI.5 – Plano de produção para o modelo 131216, resultado da opção “Calcula
Produção”
168
Figura AVI.6 – Plano de produção para o modelo 137206, resultado da opção “Calcula
Produção”
Figura AVI.7 – Plano de produção para o modelo 149023, resultado da opção “Calcula
Produção”
169
Figura AVI.8 – Plano de produção para o modelo 149024, resultado da opção “Calcula
Produção”
Figura AVI.9 – Plano de produção para o modelo 154121, resultado da opção “Calcula
Produção”
170
Figura AVI.10 – Plano de produção para o modelo 320941, resultado da opção “Calcula
Produção”
Figura AVI.11 – Plano de produção para o modelo 420941, resultado da opção “Calcula
Produção”
171
Figura AVI.12 – Plano de produção para o modelo 602731, resultado da opção “Calcula
Produção”
Figura AVI.13 – Plano de produção para o modelo 612131, resultado da opção “Calcula
Produção”
172
Figura AVI.14 – Plano de produção para o modelo 805921, resultado da opção “Calcula
Produção”
173
Anexo VII
Telas relativas a análise dos planos sugeridos pelo Simulador quanto ao nível de
estoques na 2ª versão do experimento, considerando cada um dos produtos analisados.
Figura AVII.1 – Escore relativo a política de estoques para o plano do modelo 121131
174
Figura AVII.2 – Escore relativo a política de estoques para o plano do modelo 121451
Figura AVII.3 – Escore relativo a política de estoques para o plano do modelo 129508
175
Figura AVII.4 – Escore relativo a política de estoques para o plano do modelo 131121
Figura AVII.5 – Escore relativo a política de estoques para o plano do modelo 131216
176
Figura AVII.6 – Escore relativo a política de estoques para o plano do modelo 137206
Figura AVII.7 – Escore relativo a política de estoques para o plano do modelo 149023
177
Figura AVII.8 – Escore relativo a política de estoques para o plano do modelo 149024
Figura AVII.9 – Escore relativo a política de estoques para o plano do modelo 154121
178
Figura AVII.10 – Escore relativo a política de estoques para o plano do modelo 320941
Figura AVII.11 – Escore relativo a política de estoques para o plano do modelo 420941
179
Figura AVII.12 – Escore relativo a política de estoques para o plano do modelo 602731
Figura AVII.13 – Escore relativo a política de estoques para o plano do modelo 612131
180
Figura AVII.14 – Escore relativo a política de estoques para o plano do modelo 805921
181
Anexo VIII
Telas relativas à análise dos planos quanto a política de estoques
e quanto ao nivelamento, considerando cada um dos produtos do segundo experimento no
“plano 1” e no “plano 9”
Avaliação dos planos elaborados para cada um dos produtos considerando a estratégia
de nivelamento da produção - “Plano 1”
182
Figura VIII.2- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 121451
183
Figura VIII.4- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 131121
184
Figura VIII.6- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 137206
185
Figura VIII.8- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 149024
186
Figura VIII.10- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 320941
187
Figura VIII.12- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 602731
188
Figura VIII.14- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 805921
189
Figura VIII.16- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 121451
190
Figura VIII.18- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 131121
191
Figura VIII.20- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 137206
192
Figura VIII.22- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 149024
193
Figura VIII.24- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 320941
194
Figura VIII.26- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 602731
195
Figura VIII.28- Avaliação do plano quanto à política de estoques e atendimento a
estratégia de nivelamento – produto : 805921
196