PROPOSTA DE RESOLUÇÃO HEURÍSTICA PARA
O PROBLEMA DE PROGRAMAÇÃO DA
PRODUÇÃO DE BEBIDAS À BASE DE FRUTAS
Murilo Vinicius Correa Trassi (UFSCar)
Deisemara Ferreira (UFSCar)
Alyne Toscano Martins (UFTM)
Reinaldo Morabito Neto (UFSCar)
Neste trabalho estuda-se o problema de programação da produção de
bebidas à base de frutas. O objetivo é definir o dimensionamento e
sequenciamento dos lotes de produção, otimizando custos de estoque, atraso
e limpezas. O processo de produção estudado é composto de dois estágios e
tem as seguintes características: presença de um estoque intermediário no
segundo estágio, limpezas temporais em ambos os estágios e a necessidade
de sincronia entre os dois estágios. A partir de um modelo matemático
aproximado para o problema encontrado na literatura é proposto um
método de solução heurístico. Esse modelo contempla a sincronia entre os
estágios de forma aproximada e pode não conseguir soluções factíveis na
realidade para algumas instâncias. Assim, a heurística proposta é composta
de duas fases: a primeira encontra uma solução factível a partir do modelo e
a segunda tenta melhorar a solução encontrada. Testes computacionais
foram realizados e a heurística mostrou-se promissora pois é capaz de
encontrar soluções melhores do que o modelo em um tempo computacional
menor.
Palavras-chave: Programação da produção, bebida à base de frutas,
heurística
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
2
1. Introdução
Em toda manufatura existem objetivos de desempenho e as estratégias de produção devem se
apoiar nos objetivos de desempenho de suas respectivas organizações. Nesse sentido, são
necessários ferramentas e métodos que apoiem gestores em tomadas de decisões.
O planejamento e controle da produção (PCP) é de suma importância para que, nas
organizações, se tomem decisões orientadas a esses objetivos de desempenho e se adquira
sucesso competitivo (VOLMANN et al., 2006)
Assim, modelos matemáticos de dimensionamento e sequenciamento de lotes podem ser
utilizados para determinar as quantidades que devem der produzidas de cada item em cada
período e em que ordem produzi-los, com o objetivo de atender a demanda minimizando
custos, tais como de estoque, trocas, atraso, entre outros. Esses modelos vêm sendo muito
pesquisados nos últimos anos tanto do ponto de vista teórico quanto em aplicações de
ambientes reais (COPIL et al., 2016).
Na indústria de bebidas são encontrados diversos trabalhos para refrigerantes e cerveja
(FERREIRA et al., 2012; GUIMARAES et al., 2012; BALDO et al., 2014). Atualmente as
bebidas à base de frutas (néctares e refrescos) vêm ganhando espaço no mercado de bebidas.
Esse tipo de bebida possui características de produção, tais como limpezas temporais, que não
permite que o problema de programação da produção para essas bebidas seja uma extensão
dos trabalhos de bebidas já presentes na literatura.
Existem alguns trabalhos na literatura que abordam essa aplicação. Pagliarussi et al. (2016)
apresentam modelos para somente um dos estágios de produção. Toscano et al. (2015)
abordam os dois estágios de produção, entretanto apresenta uma heurística que decompõem o
problema em estágio. Toscano et al. (2016) apresenta dois modelos (pessimista e otimista)
que trazem características dos dois estágios de produção, entretanto ainda não conseguem
resolver o problema integrado e necessitam de um pós-processamento para determinar se a
solução é factível ou não.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
3
Assim, nesse trabalho é proposta uma heurística de melhoria utilizando o modelo com melhor
desempenho entre os dois modelos propostos por Toscano et al. (2016), que é o pessimista,
em que a capacidade de produção é superestimada.
Esse trabalho está organizado da seguinte forma: na Seção 2 apresenta-se a descrição do
problema abordado. Na Seção 3 é abordado o modelo pessimista. A heurística proposta é
apresentada na Seção 4. Na Seção 5 são apresentados os resultados dos testes computacionais
e na Seção 6 as conclusões.
2. Descrição do problema
A produção de bebidas à base de frutas é composta por dois estágios: a Xaroparia,
responsável pelo preparo da bebida, e a Linha, onde bebida é pasteurizada, envasada e
empacotada.
No primeiro estágio os ingredientes são misturados com água em tanques preparatórios.
Existe uma quantidade mínima que deve ser produzida devido ao uso de matéria-prima (lote
mínimo), e a quantidade máxima é definida pelo tamanho dos tanques preparatórios (lote
máximo). Depois de pronta a bebida é enviada para um tanque pulmão dentro da linha,
liberando os tanques preparatórios para preparar um novo lote de bebida. Saindo do tanque
pulmão, a bebida passa por um pasteurizador e segue para ser envasada em máquinas de
envase. Os itens finais são então empacotados e enviados para o estoque.
Esse processo de produção possui um sistema de qualidade em que existe a obrigatoriedade
de limpezas que ocorrem em três momentos diferentes: a cada troca de sabor, no início de
cada período e após um tempo limite de no máximo horas ( horas) sem
nenhuma limpeza nos tanques preparatórios (linha). Essas últimas limpezas são denominadas
“limpezas temporais” (TOSCANO et al., 2016). O tempo para a realização de uma limpezas
temporal e o tempo da primeira limpeza do período são fixos e não dependem da sequência de
produção. Para troca de sabor os tempos e os custos de troca são dependentes da sequência
dos sabores.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
4
Para que seja possível encontrar uma programação da produção factível para esse problema, é
preciso considerar a sincronia entre os estágios. Os tempos em que o tanque preparatório
espera para enviar a bebida pronta para a linha, e os tempos em que o a linha fica ociosa
esperando receber a bebida para ser pasteurizada e envasada devem ser considerados para
efeito de uso da capacidade (TOSCANO et al., 2016). Na Figura 1 é apresentada uma
programação da produção factível para um exemplar ilustrativo com um período. Estão
representados dois itens “a” e “b”, um tanque preparatório e uma linha. As linhas pontilhadas
na Figura 1 representam o instante em que o lote está sendo transferido do tanque preparatório
para o tanque pulmão, dentro da linha. Cinco situações de esperas são representadas nessa
figura (A, B, C, D, E).
Figura 1 - Exemplo de uma programação da produção factível
Fonte: Adaptado de Toscano et al. (2016)
Portanto, o problema abordado nesse trabalho consiste em definir a programação da produção
em empresas de bebidas à base de frutas em que devem ser levadas em consideração as
seguintes características: presença do tanque pulmão no segundo estágio que permite que um
lote seja envasado na linha enquanto o próximo lote é preparado na xaroparia; a necessidade
de limpezas temporais; tempos e custos de troca de sabor dependentes da sequência de
produção; e, a sincronia entre os estágios de produção, em que é preciso considerar as esperas
que podem ocorrer tanto do tanques preparatório pela linha quanto da linha pelo tanque
preparatório. Essas características que diferenciam esse problema dos outros trabalhos
existentes sobre bebidas na literatura.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
5
3. Modelo matemático
Toscano et al. (2016) propõem dois modelos, nomeados otimista e pessimista, que consideram
os dois estágios de produção (Xaroparia e Linha), entretanto as informações entre esses
estágio não estão totalmente sincronizadas. As limpezas temporais não são incluídas de
maneira explícita nas restrições. Existem variáveis de decisão contínuas que indicam o início
e término do processamento de cada lote de produção, mas não existe variável de decisão que
indique o início ou término de uma limpeza. Assim, se uma limpeza temporal é realizada em
algum dos estágios, o modelo não é capaz de prever se esse evento gerará algum impacto no
outro estágio, como por exemplo espera, ou seja, o modelo não estabelece a dependência entre
os dois estágios de maneira explícita. A partir da solução dada pelo modelo é preciso então
fazer um pós-processamento para saber se essa solução é factível, isto é, respeita os limites de
capacidade de produção do período. Ou seja, uma solução pode ser factível para o modelo,
porém infactível na prática, no mundo real.
No modelo pessimista, supõe-se que a existência de limpeza temporal em algum dos estágios
gera obrigatoriamente uma espera no outro estágio. Assim, tem-se menor capacidade
destinada à produção, em função dessas esperas que ocupam a capacidade total dos períodos,
por isso ele é nomeado pessimista. O modelo otimista, por outro lado, não contabiliza as
esperas que podem ou não aparecer em um estágio quando ocorre a limpeza temporal no outro
estágio.
O modelo pessimista apresenta mais soluções factíveis na prática do que o modelo otimista,
entretanto essas soluções podem ser ruins, pois com a capacidade reduzida, é necessário
atrasar mais lotes, ou aumentar níveis de estoque em determinados períodos.
Logo, para efeito de análise e por fornecer menos soluções infactíveis na prática, neste
trabalho utiliza-se o modelo pessimista da heurística proposta, que será detalhada na Seção 4.
Portanto, é interessante explicitar o modelo simplificado pessimista, proposto por Toscano et
al. (2016) e adaptado para os interesses de proposição de métodos de solução no presente
trabalho. Na Figura 2 a seguir estão descritos os conjuntos utilizados no modelo. Nas Figura 3
e 4 estão descritos os parâmetros e na Figura 5 as variáveis.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
6
Figura 2 – Conjuntos utilizados no modelo pessimista
Fonte: Adaptado de Toscano et al. (2016)
Figura 3 – Parâmetros utilizados no modelo
pessimista
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
7
Fonte: Adaptado de Toscano et al. (2016)
Figura 4 – Parâmetros utilizados no modelo pessimista - continuação
Fonte: Adaptado de Toscano et al. (2016)
O parâmetro foi inserido para controlar a redução da capacidade da heurística apresentada na Seção 4.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
8
Figura 5– Variáveis de decisão do modelo
Fonte: Adaptado de Toscano et al. (2016)
O modelo pessimista é dado a seguir pelas Figuras 6, 7 8 e 9. A função objetivo é apresentada
pela expressão (1) sujeito as restrições de (2) a (26).
Figura 6– Função objetivo
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
9
Fonte: Adaptado de Toscano et al. (2016)
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
10
Figura 7 – Conjunto de restrições
1
Fonte: Adaptado de Toscano et al. (2016)
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
11
Figura 8 – Conjunto de restrições 2
Fonte: Adaptado de Toscano et al. (2016)
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
12
Figura 9 – Conjunto de restrições 3
Fonte: Adaptado de Toscano et al. (2016)
A função objetivo (1) minimiza os custos totais de estoque, atraso, trocas e de limpezas
temporais. A restrição (2) realiza o balanço de estoque e demanda. A restrição (3) impõe a
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
13
existência de uma quantidade mínima (lote mínimo) de produção, e a (4) impõe o lote
máximo de produção, definido ou pelo limitante máximo de produção ou pelo menos pelo
máximo que se puder produzir no tempo disponível de envase até que se deva ocorrer a
limpeza temporal. A restrição (5) impõe que só há a produção do lote se houve produção do
lote anterior . A restrição (6) obriga que o item fantasma seja feito apenas uma vez no
início de cada período em cada tanque preparatório/linha (é usado para garantir que haja
limpeza no início de cada período). A restrição (7) realiza a conservação de fluxo para troca
dos itens, enquanto que a (8) força o item fantasma a ser o primeiro a ser produzido (se há a
troca de um item para um item qualquer, obrigatoriamente o item é antecedido pelo item
fantasma ). A restrição (9) impede que haja mais de uma troca para o mesmo sabor em um
mesmo período e a restrição (10) impede a existência de subrotas desconexas nas trocas de
itens. A restrição (11) faz com que os lotes do item possam ser produzidos somente se houve
uma troca para a produção daquele item, e limita o número de lotes produzidos desse item
pelo número de lotes que podem ser produzidos no tanque preparatório/linha no período .
A restrição (12) obriga que a produção do primeiro lote de cada item em cada período no
tanque preparatório só ocorra após o término da primeira limpeza no início do período, e a
(13) impõe que o início da produção do lote na linha ocorra após a limpeza no início do
período e se o primeiro lote do tanque preparatório estiver pronto para ser processado no
segundo estágio. As restrições (14) e (15) determinam o fim do processamento de cada lote
pelo início do processamento mais o tempo de processamento, para o tanque preparatório e
linha, respectivamente. As restrições (16) e (17) impõe que o processamento de um lote é
iniciado somente após o término do processamento do lote anterior, para o tanque
preparatório e a linha, respectivamente. As restrições (18) e (19) impõem que se houver troca
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
14
de um item para um item , o início do primeiro lote de deve ocorrer após o término do
último lote de mais o tempo de troca entre os itens, para o tanque preparatório e linha,
respectivamente. A restrição (20) impõe que o inicio do envase de um lote deve ser após o fim
da preparação do mesmo. A restrição (21) garante que um lote será preparado somente se o
tanque preparatório estiver vazio. As restrições (22) e (23) determinam de maneira estimada,
para o tanque preparatório e linha, respectivamente, o número de limpezas temporais
necessárias em cada período. Esses valores são dados pelo piso do tempo de fluxo do início
do primeiro lote até que o último lote começa a ser envasado mais o tempo de espera gerado
pelo tempo total de limpezas temporais no outro estágio dividido pelo tempo máximo
permitido sem limpeza. Por exemplo, se o tempo total de fluxo e esperas foi de 5500 e o
tempo máximo permitido entre as limpezas é 1000, então são necessárias 5 limpezas.
As restrições (24) e (25) do modelo referem-se ao limite de capacidade de produção para os
dois estágios para cada tanque preparatório/linha em cada período . Na restrição (24) de
capacidade para o tanque preparatório, é subtraído da capacidade total ( ), o tempo total
de limpezas temporais realizadas no tanque naquele período e uma parcela do tempo total
destinado às limpezas temporais realizadas na linha, entendido então como uma espera. Esse
desconto de capacidade ocorre também para o estágio 2, a linha, na restrição (25). Esses
descontos vêm da premissa adotada pelo modelo pessimista que infere que a existência de
limpeza periódica em um estágio implica em espera pelo outro estágio produtivo, como
discutido nas seções anteriores.
No modelo original proposto por Toscano et al. (2016), o parâmetro não era considerado,
ou seja, em Toscano et al. (2016) as restrições (24) e (25) têm fixado. Conforme já
discutido anteriormente, o modelo original proposto por Toscano et al. (2016) pode apresentar
soluções infactíveis por sempre considerar que uma limpeza em um estágio implica em uma
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
15
espera no outro estágio ( . Assim, a proposta de utilização e atualização do parâmetro
é justamente para tentar ajustar as esperas, com o intuito de encontrar mais soluções factíveis.
Os valores assumidos por esse parâmetro são alterados iterativamente na heurística que será
apresentada na Seção 4 a seguir.
O domínio das variáveis de decisão é definido pela restrição (26).
4. Heurística proposta
A partir do modelo pessimista apresentado na Seção 3, apresenta-se nessa seção a “Heurística
de Factibilização e Melhoria da Solução do Modelo Pessimista” (HFM). A HFM preconiza a
factibilização da solução do modelo para o ambiente real de manufatura sem priorizar, a
priori, a qualidade da solução. Posteriormente, em um segundo passo, a HFM tenta melhorar
a solução factível encontrada.
A factibilização de uma solução infactível e a melhoria dessa solução são realizadas através
de mudanças no termo α usado nas restrições (24) e (25) do modelo pessimista na Seção 3. Ao
mudar o valor de α e resolver novamente o modelo pessimista, pode-se mudar a factibilidade
das soluções obtidas. Suponha, por exemplo, , isso significa que além de sempre
considerar que existe espera em um estágio quando há limpezas no outro , acrescenta-
se ainda 10% do tempo total gasto com limpezas temporais, na forma de folga por
imprevisibilidade do modelo simplificado.
Dessa forma, maiores valores de geram mais segurança de factibilidade, pois, ao se
restringir mais a capacidade produtiva, subestima-se mais tal capacidade, reduzindo as
chances para que o modelo forneça uma solução infactível. Por outro lado, esse aumento no
valor de , posto que ele restringe a capacidade, gera soluções de menor qualidade, pois como
se dá uma menor margem para se produzir nos períodos, aumenta-se o nível de atrasos e de
penalizações. Assim, de maneira geral, para encontrar uma solução factível na prática, deve-
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
16
se aumentar o valor de , e para melhorar o valor da função objetivo de uma solução, deve-se
reduzir .
A HFM é baseada na resolução do modelo pessimista (1)-(26) considerando ajustes do
parâmetro . O fluxograma da HFM é apresentado na Figura 10 a seguir.
A primeira etapa da HFM é a obtenção de uma solução factível. O modelo pessimista (1)-(26)
é resolvido com um valor de definido inicialmente. A solução obtida é sincronizada entre os
estágios. Se a solução obtida é factível, o algoritmo passa para a fase de melhoria da solução.
Senão, o valor de é aumentado a uma taxa , definida a priori, e o modelo (1)-(26) é
resolvido novamente. Esses passos são repetidos até que uma solução factível seja obtida ou
até que o tempo limite de execução da heurística seja atingido.
Figura 10 – Fluxograma da Heurística de Factibilização e Melhoria da Solução do Modelo Pessimista (HFM)
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
17
Fonte: Os autores
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
18
Como o intuito da primeira etapa é factibilizar o problema, pode-se reduzir demais a
capacidade produtiva, forçando o modelo a gerar muitos atrasos, ou onerando de outras
formas o custo total, e assim fornecendo uma solução factível, mas de baixa qualidade.
Assim, a etapa de melhoria serve para resolver o tradeoff entre factibilidade e qualidade da
solução.
A partir de uma solução incumbente factível, S*, obtida na primeira etapa da heurística, na
segunda etapa da HFM o objetivo é melhorar a solução S*. A estratégia é aumentar
gradativamente o valor de , para encontrar uma solução melhor do que a S*, sem
infactibilizá-la.
O valor de é aumentado a uma taxa q definida a priori e o modelo é resolvido novamente.
Cabe observar que a taxa de aumento q pode ser definida de diversas formas. Nessa etapa, já
que se possui uma solução factível, com o objetivo de tornar o modelo mais simples e rápido
de ser resolvido, antes de resolver o modelo pessimista com o novo valor de , fixa-se as
variáveis de produção que são positivas, ou seja se , então essa variável é fixada.
Assim, a cada iteração, resolve-se o problema com as variáveis fixadas e verifica-se se a nova
solução é factível ou não. Se essa solução não for factível, atribui-se como solução final a
melhor solução factível obtida até então. Se a nova solução for factível, compara-se a função
objetivo da nova solução com a da solução incumbente S*. Se a função objetivo da nova
solução não for melhor, atribui-se como solução final a solução incumbente S*. Se, no
entanto, a função objetivo da nova solução for melhor do que atual incumbente S*, a etapa de
melhoria continua para uma próxima iteração, fixando variáveis, aumentando a capacidade,
resolvendo o modelo e sincronizando o problema, até que a função objetivo não seja
otimizada, ou que se atinja níveis de capacidade testadas pela etapa construtiva, ou que se
forneça uma nova solução infactível, ou que se atinja o tempo total limite da heurística,
devolvendo assim como saída a melhor solução obtida até então.
5. Testes Computacionais
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
19
O modelo pessimista e a heurística HFM foram implementados na linguagem de modelagem
AMPL e o solver utilizado foi o CPLEX 12.6.1. O computador utilizado para os testes foi um
Intel core i7 com processador de 3.7GHz e memória de 16GB.
A heurística HFM foi testada para as mesmas instâncias utilizadas no trabalho de Toscano et
al. (2016). O objetivo é fazer uma comparação entre os resultados obtidos com a HFM e com
o modelo pessimista puramente proposto em Toscano et al. (2016).
O tempo limite de execução da heurística HFM é o mesmo tempo limite para resolução do
modelo pessimista, 3.600 segundos. O modelo pessimista é resolvido no trabalho de Toscano
et al. (2016) até a otimalidade ou até que esse tempo limite seja atingido. No presente trabalho
o modelo pessimista é resolvido várias vezes na heurística HFM. Assim define-se que o
critério de parada na resolução do modelo pessimista em cada iteração é a otimalidade ou até
o tempo limite de 300 segundos.
O valor de no início da heurística foi definido como 1,2. Testes iniciais foram realizados
com os valores 0,8; 0,9; 1,0; 1,1; e 1,2, e foi o valor que apresentou mais soluções
factíveis. Cabe lembrar que no trabalho de Toscano et al. (2016) o valor de é fixo em
.
Na etapa de factibilidade o valor de é aumentado a uma taxa . Isso é, se o modelo é
infactível, .
Na etapa de melhoria da solução o valor de é escolhido aleatoriamente, através de uma
distribuição uniforme, no intervalo , em que . Inicialmente , porém a partir
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
20
da segunda iteração , em que é o último valor de utilizado na iteração
anterior.
5.1. Instâncias
As instâncias utilizadas nesse trabalho são baseadas em uma instância real, nomeada L1,
apresentada no trabalho de Toscano et al. (2016). Os autores propuseram diversas
modificações para L1 para testar o desempenho dos modelos em diversos cenários. Essas
mesmas instâncias foram utilizadas no presente trabalho e estão resumidas na tabela
apresentada na Figura 11 a seguir.
Figura 11 – Descrição das instâncias utilizadas
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
21
Fonte: Os autores
5.2. Resultados
Na Figura 12 estão apresentados os valores de função objetivo e os tempos computacionais
obtidos com a heurística HFM e com modelo pessimista. Os melhores valores de função
objetivo estão destacados em negrito.
A HFM apresentou solução factível para todas as instâncias e os menores valores de função
objetivo para 8 das 14 instâncias. Os tempos computacionais apresentados pela HFM são
melhores do que o modelo pessimista para todas as instâncias, exceto para a instância L14.
Essa rapidez da HFM se deve ao fato de que o tempo de resolução do modelo em cada
iteração é limitado em 300 segundos e também ao fato de que a heurística fixa parte das
variáveis inteiras. Para maioria das instâncias em que a solução foi melhorada, houve redução
do atraso.
Figura 12 – Tabela de resultados obtidos com a HFM comparados aos resultados do modelo pessimista em
Toscano et al. (2016)
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
22
Fonte: Os autores
Para ilustrar os resultados que são obtidos de modo iterativo pelo ajuste do parâmetro α, na
Figura 13 está apresentada uma tabela com as iterações da HFM para a instâncias L1.
Inicialmente, o valor encontrado na iteração1 é o mesmo que o de Toscano et al.(2016), mas
na iteração 2, com a redução de α esse valor é melhorado. Na iteração 3, a solução foi factível,
mas como não houve melhoria na função objetivo, a heurística foi finalizada.
Figura 13 – Tabela explicitando as iterações na HFM na resolução da instância L1
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
23
Fonte: Os autores
6. Conclusão e perspectivas futuras
Neste trabalho apresentou-se uma heurística de factibilização e melhoria das soluções obtidas
através do modelo pessimista proposto por Toscano et al. (2016) para o problema de
programação da produção de bebidas à base de frutas.
Testes computacionais foram realizados com instâncias baseadas em dados reais e a heurística
HFM apresentou resultados satisfatórios, e para a maioria das instâncias, melhores do que o
modelo pessimista. Além disso a HFM é em média 53,98% mais rápida que o modelo
pessimista.
Como trabalhos futuros podem ser exploradas outras estratégias de ajuste para o parâmetro α,
como por exemplo, diminuí-lo de forma determinística. Outra proposta é tentar utilizar uma
estratégia de melhoria diferente, ao invés de finalizar a heurística, depois que a redução de α
não for mais capaz de melhorar a solução. É possível também determinar novas partições de
variáveis a serem fixadas no modelo na fase de melhoria.
7. Agradecimentos
Os autores agradecem ao CNPq pelo apoio financeiro dado para o desenvolvimento desse
trabalho.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
24
REFERÊNCIAS
BALDO, T. A.; SANTOS, M. O.; ALMADA-LOBO, B.; MORABITO, R. An optimization approach for the lot
sizing and scheduling problem in the brewery industry. Computers & Industrial Engineering, v. 72, p. 58-71,
2014.
COPIL, K.; WÖRBELAUER, M.; MEYR, H.; TEMPELMEIER, H. Simultaneous lotsizing and scheduling
problems: a classification and review of models. OR Spectrum, 2016. Doi: 10.1007/s00291-015-0429-4.
FERREIRA, D.; CLARK, A. R.; ALMADA-LOBO, B.; MORABITO, R. Single-stage formulations for
synchronised two-stage lot sizing and scheduling in soft drink production. International Journal of Production
Economics, v. 136, n. 2, p. 255-265, 2012.
GUIMARÃES, L.; KLABJAN, D.; ALMADA-LOBO, B. Annual production budget in the beverage industry.
Engineering Applications of Artificial Intelligence, v. 25, n. 2, p. 229-241, 2012.
PAGLIARUSSI, M.; MORABITO, R.; SANTOS, M. Optimizing the production scheduling of fruit juice
beverages using mixed integer programming models. Gestão & Produção, 2016. Disponível em:
<http://dx.doi.org/10.1590/0104-530x2288-15>.
TOSCANO, A.; FERREIRA, D.; MORABITO, R. Heurística baseada em modelo para resolução do problema de
programação da produção de bebidas de frutas. In: Anais do XLVII Simpósio Brasileiro de Pesquisa
Operacional. [S.l.: s.n.], 2015.
TOSCANO, A.; FERREIRA, D.; MORABITO, R.. Modelos matemáticos para o problema de dimensionamento
e sequenciamento de lotes em dois estágios com limpezas periódicas. In: Congreso Latino-Iberoamericano de
Investigación Operativa, 2016, Santiago, Chile. CLAIO 2016 - Program & Abstracts, 2016.
VOLLMANN, T. E. et al. Sistemas de planejamento e controle da produção para o gerenciamento da
cadeia de suprimentos. 5. ed. Porto Alegre: Bookman, 2006. 648 p.