pv3321 - métodos de otimização aplicados a sistemas de

PV3321 - Métodos de Otimização Aplicados a Sistemas de Engenharia

MODELAGEM

Miguel Cezar Santoro

agosto 2020

MIG

UEL C

EZ

AR

SA

NTO

RO

2

MODELAGEM

Apresentar os conceitos relacionados à modelagem de problemas de decisão, os métodos utilizados na obtenção de soluções e mostrar sua aplicabilidade em problemas de cadeias de suprimentos

Serão tratados problemas resolúveis por programação linear e programação mista inteira e linear (MILP) através do uso do software Solver do Microsoft Office

Objetivos do tópico Modelagem

MIG

UEL C

EZ

AR

SA

NTO

RO

3

MODELAGEMModelagem - processo

Modelagem é o processo de tranformação da descrição de um

problema em linguagem natural numa linguagem formal. Isso

envolve inteligência humana e ainda não se conhece um

programa de computador que consiga automatizar esse trabalho.

A dificuldade de modelagem se dá pela ambiguidade da

linguagem natural.

Leo Liberti (LIX, Ecole Polytechnique, France)

MIG

UEL C

EZ

AR

SA

NTO

RO

4

MODELAGEM

Modelagem - processo

Fonte: Mitroff et all (1974) in Bertrand,J.W.M, Fransoo,J.C (2002)

MIG

UEL C

EZ

AR

SA

NTO

RO

5

MODELAGEM

Modelagem - etapas

1 Entender claramente o problema – sistema objeto do estudo, objetivos a serematendidos, decisões a serem tomadas e restrições a serem obedecidas, inicialmente deforma literal.

2 Associar variáveis de decisão (reais, inteiras e binárias) às decisões.

3 Expressar o objetivo por uma expressão matemática, por extenso e/ou com notaçãomatemática.

4 Expressar as restrições por expressões matemáticas, por extenso e/ou com notaçãomatemática.

5 Expressar o domínio das variáveis de decisão.

obs: evite não linearidades nas expressões.

MIG

UEL C

EZ

AR

SA

NTO

RO

6

MODELAGEM

Exemplo de Blendagem

problema:

Uma mineradora extrai minérios de 4 minas e os blenda num pátio para atender asespecificações dos clientes, que exigem quantidades mínimas de 4 componentes do minérioblendado. A tabela a seguir mostra os mínimos exigidos dos 4 componentes, a composiçãodesses componentes nos minérios das diferentes minas bem como o custo por tonelada deminério de cada mina. A unidade utilizada é tonelada (ton). A mineradora deseja saber qual éa blendagem de mínimo custo.

A partir da planilha SantBlendaRasc fornecida desenvolva uma planilha que permitasimular decisões de blendagem e resolva o problema de decisão utilizando o Solver doExcel.

MIG

UEL C

EZ

AR

SA

NTO

RO

7

MODELAGEM

Exemplo de Blendagem – modelo matemático

• Variáveis de decisão:

𝑥𝑗 - quantidade (ton) do minério tipo 𝑗 que fará parte da blendagem.

• Restrições (satisfazer à necessidade de componentes):

10 𝑥1 + 3 𝑥2 + 8 𝑥3 + 2 𝑥4 ≥ 5

90 𝑥1 + 150 𝑥2 + 75 𝑥3 + 175 𝑥4 ≥ 10

45 𝑥1 + 25 𝑥2 + 20 𝑥3 + 37 𝑥4 ≥ 30

25 𝑥1 + 80 𝑥2 + 10 𝑥3 + 20 𝑥4 ≥ 20

• Domínio das variáveis de decisão

𝑥1, 𝑥2, 𝑥3, 𝑥4 ≥ 0

• Função Objetivo: minimizar o custo total da blendagem.

𝒎𝒊𝒏𝑪 = 1200 𝑥1 + 600 𝑥2 + 700 𝑥3 + 800 𝑥4

MIG

UEL C

EZ

AR

SA

NTO

RO

8

MODELAGEM


instalação do solver:

Windows Microsoft:

1. Click the Microsoft Office Button , and then click Excel Options.

2. Click Add-Ins, and then in the Manage box, select Excel Add-ins and click Go.

3. In the Add-Ins available box, select the Solver Add-in check box, and then click OK.

If Solver Add-in is not listed in the Add-Ins available box, click Browse to locate the add-in.

If you get prompted that Solver is not currently installed, click Yes to install it.

4. After you load Solver, the Solver command is available in the Analysis group on the Data tab.

IOS Microsoft:

1. Open Excel for Mac 2011 and begin by clicking on the Tools menu.

2. Click Add-Ins, and then in the Add-Ins box, check Solver.xlam and then click OK.

3. After restarting Excel for Mac 2011 (fully Quit Excel 2011), select the Data tab, then select

Solver to launch

MIG

UEL C

EZ

AR

SA

NTO

RO

9

MODELAGEM


preparação do problema:

Mina 1 Mina 2 Mina 3 Mina 4

Custo/ton 1200 600 700 800 Objective

ton 1.0000 1.0000 1.0000 1.0000 3300

Componente Mina 1 Mina 2 Mina 3 Mina 4 Totals Required

A 10 3 8 2 23.0 >= 5

B 90 150 75 175 490.0 >= 10

C 45 25 20 37 127.0 >= 30

D 25 80 10 20 135.0 >= 20

Mina

constraints

restrições

changing variable cells

variáveis de decisão = 𝑥𝑗

objective cell

objetivo

MIG

UEL C

EZ

AR

SA

NTO

RO

10

MODELAGEM


Data -> Solver ->

Solve

resolução do problema:

MIG

UEL C

EZ

AR

SA

NTO

RO

11

MODELAGEM


Mina 1 Mina 2 Mina 3 Mina 4

Custo/ton 1200 600 700 800 Objective

ton 0.4350 0.0525 0.0000 0.2463 750.525

Componente Mina 1 Mina 2 Mina 3 Mina 4 Totals Required

A 10 3 8 2 5.0 >= 5

B 90 150 75 175 90.1 >= 10

C 45 25 20 37 30.0 >= 30

D 25 80 10 20 20.0 >= 20

Mina

soluçao do problema:

Data -> Solver - Solve

MIG

UEL C

EZ

AR

SA

NTO

RO

12

MODELAGEM


parâmetros do Solver:

Constraint Precision is the degree of accuracy of the Solver

algorithm (for example, how close does the value of the LHS of a

constraint have to be before it is considered equal to the RHS).

Max Time allows you to set the number of seconds before Solver

Constraint Precision is the degree of accuracy of the Solver

algorithm (for example, how close does the value of the LHS of a

constraint have to be before it is considered equal to the RHS). Max

Time allows you to set the number of seconds before Solver will

stop. Iterations, similar to Max Time, allows you to specify the

maximum number of iterations (steps of the Solver algorithm) before

stopping.will stop.

Iterations, similar to Max Time, allows you to specify the maximum

number of iterations (steps of the Solver algorithm) before stopping.

www.solver.com

MIG

UEL C

EZ

AR

SA

NTO

RO

13

MODELAGEM

Exemplo de Blendagem – etapas percorridas

1 Entender claramente o problema – sistema objeto do estudo, objetivos a serematendidos, decisões a serem tomadas e restrições a serem obedecidas, inicialmente deforma literal.

2 Associar variáveis de decisão (reais, inteiras e binárias) às decisões.

3 Expressar o objetivo por uma expressão matemática, por extenso e/ou com notaçãomatemática.

4 Expressar as restrições por expressões matemáticas, por extenso e/ou com notaçãomatemática.

5 Expressar o domínio das variáveis de decisão.

obs: evite não linearidades nas expressões.

MIG

UEL C

EZ

AR

SA

NTO

RO

14

MODELAGEM

DECISÕES 1

Soluções do

Modelo 1

MODELO 1

do

Problema

hipóteses e

informações

DECISÕES 2

Soluções do

Modelo 2

MODELO 2

do

Problema

método de

obtenção

da solução

método de

obtenção

da solução

hipóteses e

informações

PROBLEMA REAL

componentes da cadeia

nível de detalhe

objetivo

MODELAGEM

ADERÊNCIA

À

REALIDADE

X

QUALIDADE

DA

SOLUÇÃO

X

VIABILIDADE

DE

IMPLANTAÇÃO

MIG

UEL C

EZ

AR

SA

NTO

RO

15

MODELAGEM

Componentes de um Modelo

OBJETIVOS

RESTRIÇÕES

models are mathematical representations that attempt to

mimic the behavior of a system with insights on its

internal structure or physical governing equations. They

offer an effective solution for carrying out numerical

simulation ... . . (Michael Pidd)

MODELOS

MIG

UEL C

EZ

AR

SA

NTO

RO

16

MODELAGEM

CLASSIFICAÇÕES DOS MODELOS DE DECISÃO

EMPÍRICOS (INFORMAIS)

SIMULADORES

SISTEMAS DE APOIO À DECISÃO

SISTEMAS DE DECISÃO

| OTIMIZANTES

|

| HEURÍSTICOS |CONSTRUTIVOS

|DE BUSCA

REATIVOS

x

ATIVOS

MIG

UEL C

EZ

AR

SA

NTO

RO

17

MODELAGEM

MODELOS REATIVOS E ATIVOS


SIMULADORES



| OTIMIZANTES

|


|DE BUSCA

REATIVOS

x

ATIVOS

MIG

UEL C

EZ

AR

SA

NTO

RO

18

MODELAGEM

REATIVOS [puxados, pull]

reagem à demanda (por exemplo pedidos dos clientes)

ATIVOS [empurrados, push]

decidem com base em previsões (por exemplo antecipações dos pedidos)

A escolha determina a maior ou menor integração das decisões e a

consequente maior ou menor dificuldade de sincronização e de

coordenação do fluxo.

Podem coexistir processos ativos e reativos num só estágio mas a

convivência conjunta nem sempre é pacífica.


MIG

UEL C

EZ

AR

SA

NTO

RO

19

MODELAGEM

KANBAN – Modelo de estoque reativo

EXEMPLOS DE MODELOS REATIVOS E ATIVOS

Estoque Máximo - dimensionamento

Idéia básica do KANBAN (Reposição da Base)

0 sai => cartão libera

encomenda000

0000

tempo de espera

000

0000

Entra => 0

MIG

UEL C

EZ

AR

SA

NTO

RO

20

MODELAGEM

DECISÃO DE ABASTECIMENTO

(necessidade líquida)

tempo de espera

previsão de saída

ITEM

Estoque de Segurança - dimensionamento

EXEMPLOS DE MODELOS REATIVOS E ATIVOS

Cálculo de necessidades - Modelo de estoque ativo

MIG

UEL C

EZ

AR

SA

NTO

RO

21

MODELAGEM



SIMULADORES



| OTIMIZANTES

|


|DE BUSCA

REATIVOS

x

ATIVOS

MIG

UEL C

EZ

AR

SA

NTO

RO

22

MODELAGEM

SIMULADORES

O usuário não perde o poder de decisão mesmo sendo um sistema formal.

Servem como auxílio aos cálculos facilitando a busca de soluções alternativas

viáveis.

Ajuda a solidificação de conceitos e conhecimento em paralelo a agilização

das decisões.

Podem se constituir de passo intermediário, necessário e interessante, antes

de uma modelagem otimizante formal.

Facilidade de desenvolvimento

Normalmente não tem dificuldades associadas ao porte do problema.

MIG

UEL C

EZ

AR

SA

NTO

RO

23

MODELAGEM

SISTEMAS DE APOIO À DECISÃO (SAD)

O usuário não perde o poder de decisão mesmo sendo um sistema formal.

Servem como auxílio aos cálculos facilitando a busca de soluções alternativas

viáveis.

Ajuda a solidificação de conceitos e conhecimento em paralelo ao aumento

da qualidade das decisões.

Podem se constituir de passo intermediário, necessário e interessante, antes

de uma modelagem otimizante formal.

Facilidade de desenvolvimento

Normalmente não tem dificuldades associadas ao porte do problema

Aumenta a qualidade das decisões

MIG

UEL C

EZ

AR

SA

NTO

RO

24

MODELAGEM

Exemplo de Planejamento da Produção

problema:

A Linear Ltda. precisa tomar decisões sôbre sua produção num horizonte de 4 meses, tendocomo objetivo mínimo custo. Ela fabrica 3 famílias de produtos em 2 centros produtivos comlimitação de capacidade máquina. Os custos relevantes são os de produção, armazenagem,falta e Hh extra, e o procedimento de decisão deverá conter as restrições normais decapacidade, com possibilidade de utilização de horas extras nos 2 centros (o índice de horasextras fornecido é o percentual máximo possível para cada centro, em relação às suasdisponibilidades).

Os dados base levantados para o desenvolvimento e testes iniciais do sistema ou planilhaque você deverá desenvolver estão na tabela a seguir. É utilizada a convenção de final demes e se for decidido produzir um produto num mes êle deverá ser processado em todos oscentros para os quais constam consumo na tabela. As faltas convertem-se em atrasos.

MIG

UEL C

EZ

AR

SA

NTO

RO

25

MODELAGEM


A Linear deseja determinar o plano de menor custo para os 4 meses seguintes.

1 Desenvolva uma planilha que permita simular decisões de blendagem.2 Resolva o problema de decisão utilizando o Solver do Excel.

problema:

MIG

UEL C

EZ

AR

SA

NTO

RO

26

MODELAGEM


preparação do problema em planilha:

PLANEJAMENTO DA PRODUÇÃO

c=1 c=2 estf0 atrf0 t=1 t=2 t=3 t=4 mf ef ff Miguel Cezar Santoro

f=1 2 2 200 0 500 600 890 300 50 10 60

f=2 8 4 100 0 200 300 620 300 100 20 120

f=3 3 5 80 0 300 300 490 300 200 40 240

xc iex disp0

c=1 2 0.3 3400

c=2 2 0.2 3800

Est Atr Pro Dem Est Atr Pro Dem Est Atr Pro Dem Est Atr Pro Dem Est Atr t=1 t=2 t=3 t=4

f=1 200 0 500 0 300 600 0 900 890 0 1790 300 0 2090 produção 0 0 0 0

f=2 100 0 200 0 100 300 0 400 620 0 1020 300 0 1320 estoque 0 0 0 0

f=3 80 0 300 0 220 300 0 520 490 0 1010 300 0 1310 atraso 82800 226800 472200 598200

hextra 0 0 0 0

Disp Hex Nec Oci Ext INV Nec Oci Ext INV Nec Oci Ext INV Nec Oci Ext INV 82800 226800 472200 598200

c=1 3400 1020 0 3400 0 0 0 3400 0 0 0 3400 0 0 0 3400 0 0 CUSTO TOTAL = 1380000

c=2 3800 760 0 3800 0 0 0 3800 0 0 0 3800 0 0 0 3800 0 0

t=4 CUSTOS

consumos est/atr t=0 demanda custos

PLANO

t=0 t=1 t=2 t=3

MIG

UEL C

EZ

AR

SA

NTO

RO

27

MODELAGEM


Simulador para Plano de Produção

complemente a planilha SantPlaProRasc para se tornar um simulador

t=0 t=1 t=2 t=3 t=4

Est Atr Pro Dem Est Atr Pro Dem Est Atr Pro Dem Est Atr Pro Dem Est Atr

f=1 200 0 500 0 0 600 0 0 890 0 0 300 0 0

f=2 100 0 200 0 0 300 0 0 620 0 0 300 0 0

f=3 80 0 300 0 0 300 0 0 490 0 0 300 0 0

Disp Hex Nec Oci Ext INV Nec Oci Ext INV Nec Oci Ext INV Nec Oci Ext INV

c=1 3400 1020 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

c=2 3800 760 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

PLANO

t=1 t=2 t=3 t=4

produção 0 0 0 0

estoque 0 0 0 0

atraso 0 0 0 0

hextra 0 0 0 0

0 0 0 0

CUSTO TOTAL = 0

CUSTOS

MIG

UEL C

EZ

AR

SA

NTO

RO

28

MODELAGEM


Sad para Plano de Produção

Otimizador de Plano de Produção

MIG

UEL C

EZ

AR

SA

NTO

RO

29

MODELAGEM


modelo matemático do problema:

f = indice de famílias de produtos

c = indice de centros produtivos máquinas

t = indice de períodos no horizonte de planejamento

Hc = horas centro

PRDft = nivel de produção de f durante t

ESTft = estoque previsto de f em t (final de t)

FALft = falta prevista de f em t (final de t)

HNOct = previsão de utilização de Hc em hora normal, em c em t

HEXct = previsão de utilização de Hc em hora extra, em c em t

HOCct = previsão de ociosidade em Hc, em c em t

DISct = disponibilidade total de Hc, em c em t

mft = custo unitário direto de produção (sem mão de obra direta)

eft = custo de armazenazem de uma unidade de f em t

fft = custo de falta de uma unidade de f em t

xct = custo de Hh em hora extra, em c em t

PDEft = demanda prevista de f em t

tfc = Hh padrão necessários para produzir uma unidade de f em c

MIG

UEL C

EZ

AR

SA

NTO

RO

30

MODELAGEM


modelo matemático do problema:

𝒎𝒊𝒏 𝒎𝒇𝒕∗𝑷𝑹𝑫𝒇𝒕 + 𝒆𝒇𝒕∗𝑬𝑺𝑻𝒇𝒕 + 𝒇𝒇𝒕∗𝑭𝑨𝑳𝒇𝒕 𝑻𝒕=𝟏

𝑭𝒇=𝟏 + 𝒙𝒄𝒕∗𝑯𝑬𝑿𝒄𝒕

𝑻𝒕=𝟏

𝑪𝒄=𝟏

𝒔𝒂:

𝑬𝑺𝑻𝒇𝒕−𝟏 − 𝑭𝑨𝑳𝒇𝒕−𝟏 + 𝑷𝑹𝑫𝒇𝒕 − 𝑷𝑫𝑬𝒇𝒕 = 𝑬𝑺𝑻𝒇𝒕 − 𝑭𝑨𝑳𝒇𝒕 𝒇 = 𝟏. . 𝑭, 𝒕 = 𝟏. . 𝑻

𝒕𝒇𝒄

𝑭

𝒇=𝟏∗ 𝑷𝑹𝑫𝒇𝒕 = 𝑯𝑵𝑶𝒄𝒕 + 𝑯𝑬𝑿𝒄𝒕 𝒄 = 𝟏. . 𝑪, 𝒕 = 𝟏. . 𝑻

𝑯𝑵𝑶𝒄𝒕 + 𝑯𝑶𝑪𝒄𝒕 = 𝑫𝑰𝑺𝒄𝒕 𝒄 = 𝟏. . 𝑪, 𝒕 = 𝟏. . 𝑻 𝑯𝑬𝑿𝒄𝒕 ≤ 𝒊𝒆𝒙 ∗ 𝑫𝑰𝑺𝒄𝒕 𝒄 = 𝟏. . 𝑪, 𝒕 = 𝟏. . 𝑻 𝑷𝑹𝑫𝒇𝒕 ≥ 𝟎 𝑬𝑺𝑻𝒇𝒕 ≥ 𝟎 𝑭𝑨𝑳𝒇𝒕 ≥ 𝟎 𝒇 = 𝟏. . 𝑭, 𝒕 = 𝟏. . 𝑻

𝑯𝑵𝑶𝒄𝒕 ≥ 𝟎 𝑯𝑶𝑪𝒄𝒕 ≥ 𝟎 𝑯𝑬𝑿𝒄𝒕 ≥ 𝟎 𝒄 = 𝟏. . 𝑪, 𝒕 = 𝟏. . 𝑻

MIG

UEL C

EZ

AR

SA

NTO

RO

31

MODELAGEM


preparação do problema:

Est Atr Pro Dem Est Atr Pro Dem Est Atr Pro Dem Est Atr Pro Dem Est Atr

f=1 200 0 0 500 0 300 0 600 0 900 0 890 0 1790 0 300 0 2090

f=2 100 0 0 200 0 100 0 300 0 400 0 620 0 1020 0 300 0 1320

f=3 80 0 0 300 0 220 0 300 0 520 0 490 0 1010 0 300 0 1310

Disp Hex Nec Oci Ext INV Nec Oci Ext INV Nec Oci Ext INV Nec Oci Ext INV

c=1 3400 1020 0 3400 0 0 0 3400 0 0 0 3400 0 0 0 3400 0 0

c=2 3800 760 0 3800 0 0 0 3800 0 0 0 3800 0 0 0 3800 0 0

PLANO

t=0 t=1 t=2 t=3 t=4

CUSTOS

t=1 t=2 t=3 t=4

produção 0 0 0 0

estoque 0 0 0 0

atraso 0 0 0 0

hextra 0 0 0 0

0 0 0 0

CUSTO TOTAL = 0

MIG

UEL C

EZ

AR

SA

NTO

RO

32

MODELAGEM

Plano de Produção Otimizante

Otimizador de Plano de Produção

resolva o problema de planejamento utilizando o Solver do Excel

MIG

UEL C

EZ

AR

SA

NTO

RO

33

CADEIA DE SUPRIMENTOS

CADEIA DE SUPRIMENTOS SUPRIMENTO PRODUÇÃO DISTRIBUIÇÃO

HIERARQUIA DE PLANEJAMENTO ESTRATÉGICO TÁTICO OPERACIONAL

MODELOS SIMULAÇÃO SAD HEURÍSTICOS OTIMIZANTES

CADEIA DE SUPRIMENTOS, HIERARQUIA DE PLANEJAMENTO E MODELOS

MIG

UEL C

EZ

AR

SA

NTO

RO

34


ESTR

TATI

OPER

CADEIA DE SUPRIMENTOS SUPR PROD DIST

HIERARQUIA DE PLANEJAMENTO ESTR TATI OPER

MODELOS SIM SAD HCON HBUS OTIM

CADEIA DE SUPRIMENTOS - Modelagem

MIG

UEL C

EZ

AR

SA

NTO

RO

35


ESTR

TATI

OPER





MIG

UEL C

EZ

AR

SA

NTO

RO

36


Cadeia de Suprimentos é o conjunto de estágios envolvidos com o

atendimento das necessidades do consumidor.

FORNECEDORES FABRICANTES DISTRIBUIDORES CONSUMIDORES


MIG

UEL C

EZ

AR

SA

NTO

RO

37


MATERIAIS

DINHEIRO

INFORMAÇÕES

FLUXOS NA CADEIA

MIG

UEL C

EZ

AR

SA

NTO

RO

38


Consiste da tomada de decisões sobre a configuração da mesma e sobre os

fluxos (de materiais, monetários e de informações) entre e intra estágios com

o objetivo de otimizar seu desempenho.

MODELOS

DE

DECISÃO

OU

FOCO

DO

CURSO

DECISÕES SOBRE

CONFIGURAÇÃO

DECISÕES SOBRE

FLUXOS DE MATERIAIS

DECISÕES SOBRE

USO DE RECURSOS

GESTÃO DE UMA CADEIA

MIG

UEL C

EZ

AR

SA

NTO

RO

39


+ - =ESTOQUE

OU

FALTA INICIAL

ENTRADAS SAÍDAS

ESTOQUE

OU

FALTA FINAL

ENTRADAS SAÍDAS

ESTOQUE

ESTOQUES OU FALTAS DECORREM DA DIFERENÇA DE FLUXOS

FLUXO DE MATERIAIS NA CADEIA

MIG

UEL C

EZ

AR

SA

NTO

RO

40


DISTRIBUIÇÃO CLIENTE

PRODUÇÃOCOMPRAS PRODUÇÃOPRODUÇÃO

PRODUÇÃO DISTRIBUIÇÃO

FLUXO DE MATERIAIS NA CADEIA

MIG

UEL C

EZ

AR

SA

NTO

RO

41


ONDE = variável de decisão nas decisões sobre configuração

ONDE = derivada da consideração de capacidade nas decisões sobre fluxo

O QUE

QUANTO

QUANDO

ONDE

COMPRAR

PRODUZIR

TRANSFERIR

ARMAZENAR

ATENDER A DEMANDA

DECISÕES DOS MODELOS DE GESTÃO

MIG

UEL C

EZ

AR

SA

NTO

RO

42


Objetivo = maximizar o valor gerado (lucratividade?)

A lucratividade deve ser dividida entre os estágios e o consumidor é a única fonte de receita (riqueza) da cadeia, sendo os fluxos de materiais, dinheiro e informações fontes de custo

VALOR

GERADO

VALOR DO

PRODUTO FINAL

PARA O

CONSUMIDOR

VALOR DOS INSUMOS

DISPENDIDOS NO

ATENDIMENTO DA NECESSIDADE

DO CONSUMIDOR

LUCRATIVIDADE

RECEITA

DA

CADEIA

CUSTO TOTAL

DA

CADEIA

=

=

-

-

OBJETIVO DE UMA CADEIA DE SUPRIMENTOS

MIG

UEL C

EZ

AR

SA

NTO

RO

43


ESTR

TATI

OPER




HIERARQUIA DE PLANEJAMENTO

MIG

UEL C

EZ

AR

SA

NTO

RO

44


PLANEJAMENTO ?

PLANEJAMENTO - Definição

MIG

UEL C

EZ

AR

SA

NTO

RO

45


restrições

PLANEJAMENTO

ESTRATÉGICO

decisões

R

E

A

L

I

M

E

N

T

A

Ç

Ã

O

HP

restrições

PLANEJAMENTO

TÁTICO

decisões

restrições

PLANEJAMENTO

OPERACIONAL

decisões

EXECUÇÃO

HP

PR

PR

HP = horizonte de planejamento

PR = período de replanejamento

HP

PR

D

E

T

A

L

H

E


MIG

UEL C

EZ

AR

SA

NTO

RO

46


Planejamento Estratégico

decide sobre a configuração (projeto) da cadeia

Planejamento Tático

decide sobre o uso da configuração num horizonte de médio prazo

Planejamento Operacional

decide sobre o uso da configuração num horizonte de curto prazo

(programação)

EXEMPLOS DE DECISÕES NOS NÍVEIS DA HIERARQUIA:


MIG

UEL C

EZ

AR

SA

NTO

RO

47


Planejamento Estratégico (configuração)

HP longo, PR longo, grande agregação

Exemplos

• alocação da demanda aos pontos do sistema logístico de distribuição

• fontes de suprimento

• quantidade e localização dos componentes da cadeia

• produtos fabricados e locais de fabricação

• produtos estocados e locais de estocagem

• processos de fabricação, de estocagem e capacidades

• modais para transporte entre os elos da rede de suprimento e distribuição e

seu dimensionamento

• forma de fluxo que inclui modais de tranporte, estocagens e transbordos.

• sistema de informações (inclui processamento de pedidos e programação de

atendimento)

Planejamento Estratégico

MIG

UEL C

EZ

AR

SA

NTO

RO

48


Planejamento Tático (uso da configuração no médio prazo)

HP médio, PR médio, pequena agregação

Exemplos

• forma de atendimento das demandas a médio prazo

• escolha de frotas de transporte e seu dimensionamento

• subcontratações de modais e espaços de armazens

• terceirização e subcontratações de recursos

• fluxo de famílias de itens entre e nos pontos da cadeia – compras,

produções, estocagens, transbordos e modais utilizados

Planejamento Tático

MIG

UEL C

EZ

AR

SA

NTO

RO

49


Planejamento Operacional (uso da configuração no curto prazo)

HP curto, PR curto, sem agregação

Exemplos

• forma de atendimento de pedidos e demandas a curto prazo

• terceirização e subcontratações de recursos

• subcontratações de veículos e armazéns

• fluxo de itens entre pontos da cadeia – compras, produções, estocagens,

transbordos, clientes e veículos utilizados

Planejamento Operacional

MIG

UEL C

EZ

AR

SA

NTO

RO

50


PROCESSO DE DECISÃO

D1

1E2E0 E1

U1

I1 I2

ENEN-1

IN

EiEi-1

IiD2 Di DN

2 i N

UTILIDADE TOTAL = SOMA DE Uis

U2 Ui UN

Ei = estado do sistema no final do período i

Ii = informações referentes ao período i

Di = conjunto de decisões referentes ao período i

Ui = medida de utilidade prevista para o período i

DINÂMICA DO PROCESSO DE DECISÃO

MIG

UEL C

EZ

AR

SA

NTO

RO

51


= +CONTROLE

PLANEJADO

X

EXECUTADO

(apontado)

MEDIDAS

PREVENTIVAS

(e corretivas)

PLANO 1

1 2t

ESTADO

(1)

ESTADO

(0)

TRANSAÇÕES

0 1

PLANO 0

CONTROLE

MIG

UEL C

EZ

AR

SA

NTO

RO

52


Causas das diferenças:

INEVITÁVEIS A CURTO PRAZO (fora de controle)

EVITÁVEIS NA EXECUÇÃO

INADEQUAÇÃO DO MODELO DE PLANEJAMENTO

Importância dos sistemas transacionais

Importância da disciplina de apontamento

CONTROLE

MIG

UEL C

EZ

AR

SA

NTO

RO

53


ESTR

TATI

OPER




MODELOS

MIG

UEL C

EZ

AR

SA

NTO

RO

54

MODELAGEM

EXEMPLOS DE MODELAGEM

com sad


MIG

UEL C

EZ

AR

SA

NTO

RO

55

MODELAGEM

1:2 2:3

4:7

5:4

6:2

7:1 fim:0construção

inicio:0

8:6

9:3

10:5

3:3 11:4

12:6

Projeto

RedeDad

CodAtiv DescrAtiv CodPrec Dur RecQtde IniDad

1 construir fundações 2 Hom[02]

2 construir colunas e vigas 1 3 Rec1;Hom[03]

3 levantar paredes 2 3 Rec4[02]

4 instalar janelas e portas 3 7 Hom[02]

5 fazer instalação elétrica 3 4 Rec1;Hom

6 fazer instalação hidráulica 3 2 Rec1;Hom

7 fazer acabamento interno 4;5;6 1 Rec2;Hom[02]

8 fazer acabamento externo 3 6 Hom

9 construir piso externo 3 3 Rec3;Hom[02]

10 pintar externamente 8 5 Rec4;Hom

11 pintar internamente 7 4

12 instalar acabamentos 7 6 Rec2;Hom

MIG

UEL C

EZ

AR

SA

NTO

RO

56

MODELAGEM

ESTR

TATI

OPER

Sad para Programação de Projetos

MIG

UEL C

EZ

AR

SA

NTO

RO

57

MODELAGEM


com modelos otimizantes

MIG

UEL C

EZ

AR

SA

NTO

RO

58

MODELAGEM

PONTO DECONSUMO

d

cons1cons2

--

FORNECEDORMINA o

PONTO DECONSUMO

d

cons1cons2

--

PONTO DECONSUMO

d

cons1cons2

--

PONTO DECONSUMO

d

cons1cons2

--

ARMAZEMa

SANTORO, M. C.; RONCONI, D. P. Modelling the transportation and warehousing of potassium chloride in the fertilizer industry.

INTERNATIONAL JOURNAL OF LOGISTICS SYSTEMS AND MANAGEMENT (PRINT). , v.8, p.298 - , 2011.

Modelo de programação linear inteira multiperíodos com o objetivo de auxiliar a decisão de

localização e instalação de armazens (estratégica) e a de planejamento de armazenagens e

distribuição de cloreto de potássio (tática).

Distribuição de KCl otimizante

MIG

UEL C

EZ

AR

SA

NTO

RO

59

MODELAGEM

ESTR

TATI

OPER

Distribuição de KCl otimizante

MIG

UEL C

EZ

AR

SA

NTO

RO

60

MODELAGEM

ESTR

TATI

OPER

Alocação de cargas em navios otimizante - BPClu

MIG

UEL C

EZ

AR

SA

NTO

RO

61

MODELAGEM

j lj wj cj pj

1 2.438 2.991 1 5

2 2.438 2.991 1 6

3 2.438 4.013 1 1

4 2.438 6.058 1 7

5 1.574 2.060 1 5

6 1.220 1.220 1 6

7 2.438 2.378 1 8

cj=cluster de j

pj=prioridade de j

Bj=1 se j carregado

Wi Li J C

16 25 68 4

Objetivo = max Bj*pj (máxima prioridade carregada)

Alocação de cargas em navios otimizante - Problema

MIG

UEL C

EZ

AR

SA

NTO

RO

62

MODELAGEM

Alocação de cargas em navios otimizante

Solução com Clusters Separados

MIG

UEL C

EZ

AR

SA

NTO

RO

63

MODELAGEM

Alocação de cargas em navios otimizante

Solução com Clusters Entrelacados

MIG

UEL C

EZ

AR

SA

NTO

RO

64

MODELAGEM


com heurísticas

construtivas e de busca

MIG

UEL C

EZ

AR

SA

NTO

RO

65

MODELAGEM

ESTR

TATI

OPER

Scheduling com regras de sequenciamento

heurística construtiva

MIG

UEL C

EZ

AR

SA

NTO

RO

66

MODELAGEM

3

4

21 5fams 1 e 2fams 3 e 4

MIG

UEL C

EZ

AR

SA

NTO

RO

67

MODELAGEM

ESTR

TATI

OPER

Caixeiro viajante (TSP) com busca

MIG

UEL C

EZ

AR

SA

NTO

RO

68

MODELAGEM

DECISÕES 1

Soluções do

Modelo 1

MODELO 1

do

Problema

hipóteses e

informações

DECISÕES 2

Soluções do

Modelo 2

MODELO 2

do

Problema

método de

obtenção

da solução

método de

obtenção

da solução

hipóteses e

informações

PROBLEMA REAL

componentes da cadeia

nível de detalhe

objetivo

RESUMO DA AULA

MIG

UEL C

EZ

AR

SA

NTO

RO

69

MODELAGEM

ESTR

TATI

OPER




RESUMO DA AULA

MIG

UEL C

EZ

AR

SA

NTO

RO

70

Chopra, S. and Meindl, P. (2011) Gestão da Cadeia de Suprimentos: estratégia,

planejamento e operações, Pearson Education Inc.

Chopra, S. and Meindl, P. (2007) Supply Chain Management: Strategy,

Planning and Operation, Prentice-Hall

BIBLIOGRAFIA ADICIONAL

Systems Modelling: Theory and Practice Michael Pidd (Editor)

https://www.wiley.com/en-br/search?pq=%7Crelevance%7Cauthor%3AMichael+Pidd

MIG

UEL C

EZ

AR

SA

NTO

RO

71

PLANEJAMENTO

PLANEJAMENTO

saber como as previsões sobre o futuro devem

afetar

as decisões que estou tomando agora

pv3321 - métodos de otimização aplicados a sistemas de

Documents