You are on page 1of 138

UNIVERSIDADE FEDERAL DE MINAS GERAES

ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA DE PRODUCAO

NOTAS DE AULA

MATERIAL UTILIZADO NA DISCIPLINA

EPD065 - MODELAGEM EM SISTEMAS DE PRODUO

MATERIAL EM PREPARACAO

ESTE MATERIAL NAO E SUFICIENTE PARA O CURSO


CONSULTAR A BIBLIOGRAFIA INDICADA

PROF. CARLOS ROBERTO VENANCIO DE CARVALHO


DEP - EE UFMG
AGOSTO DE 2015
Sumario

Lista de figuras ix

Lista de tabelas xii

Lista de algoritmos xiii

1 Introducao aos Sistemas de Informacao em Industria 1

1.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Conceitos preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.3 Composicao Sistemica da Empresa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.4 O Sistema de Producao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.5 Planejamento e Controle da Producao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.6 O Sistema de Decisao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.7 O Sistema de Informacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.8 Tecnicas para o apoio a decisao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.9 Modelagem de problemas de producao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.9.1 Modelos Prescritivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.9.2 Modelos Descritivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.10 O processo da analise quantitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.11 Tratamento de Sistemas Complexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2 Teoria dos grafos - Problemas em redes 11

2.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2 Denicoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2.1 Grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2.2 Representacao de um grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.2.3 Valoracao do grafo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.2.4 Adjacencia de vertices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.2.5 Itinerarios em grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

ii
SUMARIO iii

2.2.6 Conexidade em grafos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.3 O problema de uma arvore de ramicacao mnima . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.4 O problema de um melhor caminho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.4.1 O problema de um caminho mnimo (caminho mais curto) . . . . . . . . . . . . . . . . . 18

2.4.1.1 Denicao do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.4.1.2 Modelo de Programacao Linear Inteira Mista . . . . . . . . . . . . . . . . . . . 18

2.4.1.3 Algoritmo de Dijkstra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.4.2 O Problema de um caminho com menor numero de arcos . . . . . . . . . . . . . . . . . . 23

2.4.3 O Problema de um caminho de maior uxo . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.5 O problema de um uxo maximo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.6 Determinacao dos caminhos crticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.6.1 Alguns conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.6.2 Datas mais cedo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.6.3 Datas mais tarde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.6.4 Atividades crticas e Caminhos crticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.7 O problema de um caminho mais longo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.8.1 Problema de melhor caminho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.8.2 Problema do caminho mais curto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.8.3 Aplicacao de algoritmos em redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.8.4 Problema de maior uxo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.8.5 Redes com programacao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.8.6 Algoritmos aproximados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3 Problema do Caixeiro Viajante - Traveling Salesman Problem (TSP) 31

3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.2 Formulacoes com restricoes de eliminacao de circuitos . . . . . . . . . . . . . . . . . . . . . . . . 32

3.2.1 Formulacao de Dantzig, Fulkerson e Johnson . . . . . . . . . . . . . . . . . . . . . . . . 33

3.2.2 Formulacao de Miller, Tucker and Zemlin . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.2.3 Formulacao de Desrochers and Laporte . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.2.4 Formulacao de Sherali e Driscoll . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.2.5 Formulacao de Gavish e Graves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.2.6 Formulacao de Wong . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.3 Exerccio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

4 Sequenciamento - (Scheduling) 35

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


SUMARIO iv

4.1 O problema de Planejamento Tatico e Operacional . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2 Denicoes basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2.1 Recursos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2.1.1 Denicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2.1.2 Classicacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2.1.3 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2.2 Tarefas ou Operacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2.2.1 Denicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2.2.2 Classicacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2.2.3 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2.3 O Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2.3.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2.3.2 Aplicacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2.4 Classicacao dos problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2.4.1 Referente aos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2.4.2 Referente a diculdade de resolucao . . . . . . . . . . . . . . . . . . . . . . . . 37

4.2.5 Caracterizacao do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.2.5.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.2.5.2 Condicoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.2.5.3 Caractersticas das maquinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.2.5.4 Conceito de job . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.2.5.5 Dados do problema associados as Tarefas . . . . . . . . . . . . . . . . . . . . . 39

4.2.5.6 Variaveis do problema associadas as tarefas . . . . . . . . . . . . . . . . . . . . 39

4.2.5.7 Variaveis gerais do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2.5.8 Criterios de otimizacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2.6 Classicacao || . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2.6.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.2.7 Um Exemplo de problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.2.8 Pesquisas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.3 Sequenciamento em uma maquina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.3.2 Problema 1|prec|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.3.3 Problema 1|ri |Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.3.4 Conceito de Tempo Morto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.3.5 Problema 1||Lmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


SUMARIO v

4.3.6 Problema 1|ri , di |Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4.3.7 Problema 1|ri , delivery times|Cmax - Solucao Aproximada . . . . . . . . . . . . . . . . . 45

4.3.8 Grafo Conjuntivo G = (X, U ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.3.9 Conceito de Caminho Crtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4.3.10 Problema 1|ri , delivery times|Cmax - Solucao otima . . . . . . . . . . . . . . . . . . . . 50


P
4.3.11 Problema 1|| wi Ci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.3.12 Problema 1|di | wi Ci . . . . . . . . . . . . . . . .


P
. . . . . . . . . . . . . . . . . . . . 52

4.3.12.1 Problema 1|pi = 1, di | wi Ci . . . . . . .


P
. . . . . . . . . . . . . . . . . . . . 53

4.3.12.2 Problema 1|di | Ci . . . . . . . . . . . .


P
. . . . . . . . . . . . . . . . . . . . 53

4.3.12.3 Problema 1|di | wi Ci onde pi pj wi


P
wj . . . . . . . . . . . . . . . . 53

4.3.13 Problemas com custo de preparacao (setup) . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.3.13.1 O problema classico de sequenciamento . . . . . . . . . . . . . . . . . . . . . . 54

4.3.13.2 O problema de dimencionamento de Lotes . . . . . . . . . . . . . . . . . . . . . 55

4.3.14 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.3.14.1 Exerccio 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.3.14.2 Exerccio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
P
4.4 Problema 1|rj | wj Cj . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4.4.1 Formulacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4.4.2 Relaxacao Lagrangeana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.5 O problema do flowshop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.5.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.5.2 Caracterizacao do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.5.2.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.5.2.2 Condicoes do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.5.2.3 O problema classico de flowshop . . . . . . . . . . . . . . . . . . . . . . . . . . 60

4.5.2.4 O problema de flowshop de permutacao . . . . . . . . . . . . . . . . . . . . . . 60

4.5.3 Complexidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

4.5.4 Alguns conceitos teoricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

4.5.4.1 Criterio regular de otimizacao . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

4.5.4.2 Sequencia Total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

4.5.4.3 Sequencia Semi-ativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

4.5.5 Tres teoremas fundamentais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

4.5.5.1 Consequencias imediatas dos teoremas . . . . . . . . . . . . . . . . . . . . . . . 63

4.5.5.2 Problema F 2||R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.5.5.3 Problema F 3||Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


SUMARIO vi

4.5.6 Resolucao de problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

4.5.6.1 Problema F 2||Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

Premeira versao do algoritmo de Johnson . . . . . . . . . . . . . . . . . . . . . . 65

4.5.6.2 Segunda versao do algoritmo de Johnson . . . . . . . . . . . . . . . . . . . . . 66

4.5.6.3 Problema F 3|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.5.6.4 Problema F |n = 2|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.5.7 Grafo Conjuntivo para o owshop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

4.5.7.1 Calculo de Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4.6 O problema do Jobshop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

4.6.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

4.6.2 Caracterizacao do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.6.2.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.6.3 Condicoes do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.6.3.1 O problema classico de jobshop . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.6.4 Denicao matematica do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.6.5 Grafo disjuntivo do jobshop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4.6.5.1 Exemplo Grafo disjuntivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4.6.5.2 Uma solucao otima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

Grafo conjuntivo de uma solucao otima . . . . . . . . . . . . . . . . . . . . . . . 75

Graco de Gantt de uma solucao otima . . . . . . . . . . . . . . . . . . . . . . . 75

4.6.6 Obtencao do makespan no grafo conjuntivo . . . . . . . . . . . . . . . . . . . . . . . . . 75

4.6.7 Modelos da Programacao Inteira Mixta . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.6.7.1 Modelo de Manne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.6.8 Modelo de Wagner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

4.6.9 Metodos de Resolucao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

4.6.10 Algoritmo Shifting Bottleneck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.7 Sequenciamento com alocacao de recursos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

4.8 O problema de maquinas paralelas e sequencias nao lineares . . . . . . . . . . . . . . . . . . . . 81

4.8.1 O problema com tempo de livramento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

4.9 O problema geral se sequenciamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

4.9.1 Modelagem matematica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

5 Sistemas Integrados de Manufatura 87

5.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

5.2 Tecnologia de Grupo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


SUMARIO vii

5.2.1 Inspecao Visual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

5.2.2 Classicacao e Codicacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

5.2.2.1 Classicacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

5.2.2.2 Sistema de Codicacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

5.2.3 Analise do Fluxo de Producao (PFA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

5.2.4 Maquina - Peca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

5.2.5 Algoritmos Aplicados em Tecnologia de Grupo . . . . . . . . . . . . . . . . . . . . . . . . 94

5.2.5.1 Rank Order Clustering (ROC) . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

5.2.5.2 Directive Clustering Analysis (DCA) . . . . . . . . . . . . . . . . . . . . . . . . 97

5.2.5.3 Cluster Identication Algorithm (CIA) . . . . . . . . . . . . . . . . . . . . . . . 99

5.2.5.4 Modelos de Programacao Inteira . . . . . . . . . . . . . . . . . . . . . . . . . . 100

distancia absoluta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

distancia euclidiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

distancia ponderada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

distancia de Hamming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

5.2.6 Medidas de desempenho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

5.2.6.1 Porcentagem de Elementos Excepcionais - PE . . . . . . . . . . . . . . . . . . . 104

5.2.6.2 Utilizacao das maquinas - MU . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

5.2.6.3 Eciencia de Agrupamento - GE . . . . . . . . . . . . . . . . . . . . . . . . . . 104

5.2.6.4 Aplicacao aos problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

5.2.7 Consideracoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

5.3 Celulas de Manufatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

5.3.1 Denicoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

5.3.2 Classicacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

5.3.2.1 Quanto ao Tipo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

Celula por Produto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

Celula por Processo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

Celula por Tecnologia de Grupo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

5.3.2.2 Quanto ao grau de automacao . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

Celula com Maquina Unica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

Celula com Movimentacao Manual . . . . . . . . . . . . . . . . . . . . . . . . . . 107

Celulas com Movimentacao Semi-integrada . . . . . . . . . . . . . . . . . . . . . 107

Sistema Flexvel de Manufatura (FMS) . . . . . . . . . . . . . . . . . . . . . . . . 107

5.3.3 Benefcios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

5.3.4 Quando a Estrutura Celular e Recomendada . . . . . . . . . . . . . . . . . . . . . . . . . 109

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


SUMARIO viii

5.3.5 Areas e Atividades da Empresa Afetadas pela Implantacao . . . . . . . . . . . . . . . . . 110

5.3.5.1 Engenharia do Produto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

5.3.5.2 Programacao, Producao, Controle de Estoques e Sistemas Computacionais . . . 111

5.3.5.3 Controle da Qualidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

5.3.5.4 Entrada de Pedidos, Vendas e Mercado . . . . . . . . . . . . . . . . . . . . . . 111

5.3.5.5 Recursos Humanos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

5.3.5.6 Contrato de Trabalho, Plano de Carreira e Remuneracao . . . . . . . . . . . . . 112

5.3.5.7 Outras Areas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

5.3.6 Etapas de um Projeto de Celula de Manufatura . . . . . . . . . . . . . . . . . . . . . . . 113

5.3.7 Cuidados ou Problemas que podem surgir com a implantacao . . . . . . . . . . . . . . . 114

5.3.8 Uma Anlise da Abordagem Atual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

5.3.8.1 Celulas de Remanescentes ou Fractional Cells . . . . . . . . . . . . . . . . . . 116

5.3.8.2 A Importancia da Consideracao das Demandas e dos Tempos de Processamento


nos Projetos de Celulas de Manufatura . . . . . . . . . . . . . . . . . . . . . . 118

5.3.8.3 Algoritmos que Consideram as Demandas, as Sequencias de Operacoes e os


Tempos de Processamento como Criterio para a Formacao de Famlias e Celulas 119

5.3.8.4 A Ligacao entre a Tecnologia de Grupo e o Projeto de Celulas de Manufatura . 120

Referncias Bibliogrficas 120

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


Lista de Figuras

1.1 A empresa como sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Entradas e sadas do sistema empresa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.3 Subsistemas de uma empresa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.4 Funcoes e tecnicas do Sistema de Informacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.5 Contexto de aplicacao das tecnicas de apoio a decisao . . . . . . . . . . . . . . . . . . . . . . . 6

1.6 Estudo de sistemas de decisao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.1 O problema das pontes de Konigsberg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2 Exemplo de grafo nao orientado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.3 A - cadeia; B - caminho; C - ciclo; D - circuito . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.4 Arvore de ramicacao mnima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.5 Solucao para a arvore de ramicacao mnima . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.6 Representacao de um vertice para a determinacao dos caminhos crticos . . . . . . . . . . . . . . 27

2.7 Exemplo do calculo do caminho crtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.8 Uma rede . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.9 Uma rede . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.1 O Problema do Caixeiro Viagente e uma solucao viavel . . . . . . . . . . . . . . . . . . . . . . . 31

3.2 Exemplo de uma solucao com sub circuitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4.1 Classicacao dos problemas - dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.2 Classicacao dos problemas - diculdades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.3 Diagrama de Gantt - dados de um problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.4 Diagrama de Gantt - tempo de latencia de uma tarefa . . . . . . . . . . . . . . . . . . . . . . . 39

4.5 Diagrama de Gantt - variaveis de um problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.6 Uma solucao otima de um problema 1|prec|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . 42

4.7 Uma solucao otima de um problema 1|ri |Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.8 Uma solucao otima de um problema 1||Lmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

ix
LISTA DE FIGURAS x

4.9 Arvore branch and bound para o problema 1|ri , di |Cmax . . . . . . . . . . . . . . . . . . . . . . . 45

4.10 Uma solucao otima de um problema 1|ri , di |Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.11 Algoritmo de Schrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.12 Uma solucao aproximada para o problema 1|ri , delivery times|Cmax . . . . . . . . . . . . . . . 47

4.13 Representacao de uma solucao por um Grafo Conjuntivo . . . . . . . . . . . . . . . . . . . . . . 48

4.14 Algoritmo Data mais cedo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4.15 Representacao de um vertice para a determinacao de um caminho crtico . . . . . . . . . . . . . 50

4.16 Caminho crtico em um Grafo Conjuntivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.17 Branch do algoritmo de Carlier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52


P
4.18 Uma solucao otima de um problema 1|| wi Ci . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.19 Algoritmo de Smith . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

4.20 Permutacao de duas tarefas no caso assimetrico . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.21 Esquema de um flowshop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.22 Solucoes viaveis de um flowshop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

4.23 Indroducao de tempo morto em uma sequencia semi-ativa . . . . . . . . . . . . . . . . . . . . . 62

4.24 Sequencia das duas primeiras maquinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.25 Sequencia das duas ultimas maquinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.26 Uma solucao otima do exemplo 4.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

4.27 Uma solucao otima do exemplo 4.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.28 Outra solucao otima do exemplo 4.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.29 Resolucao graca para F |n = 2|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

4.30 Uma solucao otima do exemplo 4.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

4.31 Uma solucao viavel do exemplo 4.13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

4.32 Esquema do problema do jobshop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

4.33 Grafo dijuntivo do jobshop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

4.34 Possveis circuitos no grafo do jobshop . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

4.35 Grafo conjuntivo da tabela 4.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

4.36 Graco de Gantt da tabela 4.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.37 Sequencias tecnologicas de fabricac ao nao lineares . . . . . . . . . . . . . . . . . . . . . . . . . 81

4.38 Sequenciamento com alocacao de maquinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

4.39 Sequenciamento com alocacao de maquinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

4.40 Sequenciamento com alocacao de recursos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

5.1 Matriz de Incidencia 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

5.2 Matriz de Incidencia 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


LISTA DE FIGURAS xi

5.3 Matriz de Incidencia 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

5.4 Celula de manufatura com movimentacao manual e arranjo em U . . . . . . . . . . . . . . . . 107

5.5 Celula de manufatura com movimentacao semi-integrada com lay out em linha . . . . . . . . . . 108

5.6 Celula de manufatura com movimentacao semi integrada com lay out em loop . . . . . . . . . . 108

5.7 Tipo de Arranjo Fsico em funcao do volume de producao e variedade dos produtos . . . . . . . . 110

5.8 Sequencia de operacoes da peca na estrutura de manufatura original . . . . . . . . . . . . . . . . 117

5.9 Sequencia de operacoes da peca na nova estrutura em celulas de manufatura . . . . . . . . . . . 117

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


Lista de Tabelas

4.1 Problema exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.2 Dados do problema F 4|n = 2|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.3 F 2||R - numero de solucoes viaveis e de permutacao . . . . . . . . . . . . . . . . . . . . . . . . 64

4.4 F 3||Cmax - numero de solucoes viaveis e de permutacao . . . . . . . . . . . . . . . . . . . . . . 64

4.5 Dados do problema F 3||Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

4.6 Dados de um problema F 3||Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.7 Sequencia completa otima de F |n = 2|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

4.8 Dados do problema J4|n = 5|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

4.9 Dados do problema J4|n = 5|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

4.10 Dados do problema J4|n = 5|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

xii
List of Algorithms

1 : Data mais cedo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50


2 : Data mais tarde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3 : Johnson - primeira versao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4 : Johnson - segunda versao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5 : algoritmo para F 3|Cmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6 Shifting Bottleneck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

xiii
Captulo 1

Introducao aos Sistemas de


Informacao em Industria

1.1 Introducao

Este captulo apresenta os principais conceitos associados a uma abordagem sistemica para a gestao de uma
empresa, principalmente as empresas produtoras de bens.

Inicialmente e feito uma revisao rapida dos conceitos de sistema de producao, planejamento e controle de producao
especicando os tipo de empresa. Sao estudadas as abordagens existentes para tratar o problema da troca de
informacoes entre os nveis tatico e operacional. Este captulo classica em dois tipos os modelos quantitativos
de apoio a decisao para a modelagem de problemas gerenciais: os modelos prescritivos (ou de generalizacao) e os
modelos descritivos (ou de validacao). Em seguida, este artigo enfoca dos modelos prescritivos, mais precisamente,
os modelos prescritivos suceptiveis para a utilizacao de metodos de decomposicao.

1.2 Conceitos preliminares

Uma maneira de estudar a gestao de producao consiste abordar sistematicamente uma empresa. Para esta
abordagem, considera-se inicialmente dois conceitos basicos: sistema e empresa. Em um dicionario da lngua
portuguesa [40] encontra-se os signicados desses termos:

1. Sistema: do grego systema signica reuniao ou grupo. Pelo latim systema. Conjunto de elementos,
materiais ou ideais, entre os quais se possa encontrar ou definir alguma relacao. Na lingua francesa [78]
o signicado da palavra systeme e um pouco mais preciso: conjunto de praticas, metodos e instituicoes
formando, ao mesmo tempo, uma construcao teorica e um metodo pratico1 .
2. Empresa: do italiano impresa. Organizacao particular, governamental, ou de economia mista, que
produz e/ou oferece bens e servicos, com vista, em geral, a obtencao de lucros. No atual contexto
economico-produtivo mundial, Baranger e Chen [10] conceitua empresa como sistema aberto, em evolucao
constante, que pesquisa as oportunidades de um meio e procura, a todo momento, a se adaptar a este
meio.

Considerando a sociedade como um meio, a empresa vai combinar os diferentes fatores da sociedade (polticas
sociais e economicas, disposicoes fsicas, enercia, capital, conhecimento e cultura2 ) para oferecer a sociedade
melhores respostas as suas necessidades. Esquematicamente, a gura 1.1 representa uma empresa incerida na
sociedade.

1 Systeme: ensemble de pratiques, de methodes et dinstitutions formant a la fois une construction theorique et une methode

pratique
2 Do frances: savoir-faire e do ingles: know-how

1
1.3 - Composicao Sistemica da Empresa 2

F transformaes C
meio

Figura 1.1: A empresa como sistema

Todos os fatores da sociedade que a empresa necessita para funcionar como sistema sao seus fornecedores, repre-
sentados pelo crculo com a letra F no interior. A empresa vai entao trabalhar com esses fatores transformando-os
em bens e servicos utilisados pelos clientes ou consumidores, tambem inceridos na sociedade. Na gura 1.1, os
clientes ou consumidores sao representados pelo crculo com a letra C em seu interior. Salienta-se que nem tudo
que e oferecido pela empresa e util a sociedade.

1.3 Composicao Sistemica da Empresa

Num contexto mais detalhado que na sessao anterior, identica-se os diversos sistemas, subsistemas e elementos
que compoem uma empresa. Num primeiro momento, os fornecedores sao os fatores da sociedade que geram as
entradas do sistema empresa. As entradas interagem com os elementos internos a empresa, sofrem transformacoes
e geram as sadas do sistema. As sadas do sistema empresa sao disponveis aos comsumidores. Esquematicamente
a gura 1.2 localisa o sistema empresa no meio na qual ela esta incerida.

F E transformaes S C
empresa
meio

Figura 1.2: Entradas e sadas do sistema empresa

Na abordagem sistemica, o sistema empresa e composto por cinco elementos (sistemas ou subsistemas) principais
que, cada um em separado, possuem caractersticas proprias. Estes elementos sao:

o pensamento diretor: e o resultado da analise das necessidades do meio feita pela direcao geral da
empresa. Ele dene a estrutura do sistema de producao;
os objetivos: compostos pelos resultados esperados das sadas do sistema de producao a nvel de qualidade,
de inovacao, de prazos de entrega, de custos, de exibilidade, entre outros;
o sistema de producao: subsistema da empresa responsavel pelas transformacoes das entradas e pela
criacao de valores do sistema empresa. Sua estrutura representa a estrategia e os meios para satisfazer as
necessidades dos clientes;
as entradas: ou fatores de producao, sao as materias-primas e os componentes provenientes dos fornece-
dores. As entradas sao os parametros de uma funcao Q que exprime a quantidade produzida (Charreaux
[27]). Q e escrita:
Q = F (, L, K, M, , T );
onde :
: vetor de parametros que engloba o sistema de contratos e de direito da proproedade da sociedade
dentro da qual funciona a empresa;
L: trabalho fsico e intelectual;
K: capital;
M : materias-primas
: ndice para descrever o conjunto de regras organizacionais; e
T : vetor para descrever o savoir-faire relativo as sadas;

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


1.4 - O Sistema de Producao 3

as sadas: todo aquilo que a empresa fornece ao meio (produtos e servicos, conhecimentos, degetos, etc).

O objetivo deste captulo e apresentar tecnicas de controle e planejamento desenvolvidos para axiliar o funciona-
mento do Sistema de Producao de uma empresa. A proxima secao descreve os principais conceitos associados
aos tipos e composicao de Sistemas de Producao.

1.4 O Sistema de Producao

Um Sistema de Producao geralmente e classicado conforme sua tipologia. Giard [45] descreve esta classicacao
com mais detalhe. Resumidamente, uma primeira tipologia consiste em identicar os Sistemas de Producao que
funcionam com uma poltica de producao sob encomenda, onde um item so e fabricado quando o cliente que ira
adiquiri-lo ja e conhecido, daqueles que funcionam com uma poltica de producao para estoque que antecipam ou
prevem as quantidades de produtos e itens que serao adquiridos pelos clientes. Estes ultimos antecipam a demanda
dos clientes. Uma segunda tipologia consiste em classicar os Sistemas de Producao conforme a quantidade e
variabilidade de produtos fabricados (veja Benassy [11]). Conforme essa tipologia, sao identicados os quatro
tipos de Sistemas de Producao descritos abaixo.

1. producao unitaria: e o caso da construcao civil e de projetos de manutencao, como por exemplo, a
reforma de um alto-forno de uma usina siderurgica;
2. producao em pequenos e medios lotes: empresas que trabalham sob encomenda, como por exemplo
a industria de aviacao;
3. producao em grandes lotes: producao em massa como a industria automobilstica;
4. producao contnua: usinas siderurgicas, industrias qumicas e industria do setor petrolco.

Ainda na abordagem sistemica, o (sub)Sistema de Producao e composto estruturamente por quatro subsistemas
listados abaixo.

Sistema de Decisao
Sistema de Informacao
Processo de Producao
Dispositivos de Controle

Esquematicamente, a gura 1.3 apresenta esta composicao sistemica de uma empresa, onde e mostrado a inter-
relacionando seus elemantos.

O Processo de Producao e responsavel pelas principais transformacoes das entradas do Sistema de Producao
em suas sadas. Os outros tres subsistemas, o de Decisao, o de Informacao e os Dispositivos de Con-
trole constituem o Planejamento e Controle da Producao - PCP. O PCP (que sera detalhado na
proxima secao) busca viabilisar o Processo de Producao de tal maneira que os objetivos da empresa possam ser
atingidos. Os Dispositivos de Controle tem como funcao o acompanhamento e monitoracao do Processo
de Producao, garantindo o seu funcionamento conforme os nveis de quantidade e qualidade planejados para
esse processo. Os Dispositivos de Controle fornecem ainda dados de entradas para o Sistema de Informacao. Os
Sistemas de Decisao e de Informacao sao estruturados conforme o tipo de Sistema de Producao e serao detalhados
nas proximas secoes.

1.5 Planejamento e Controle da Producao

Sao duas as funcoes principais de um sistema de Planejamento e Controle da Producao - PCP (veja Vollman,
Berry et Whybark [93]):

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


1.6 - O Sistema de Decisao 4
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111 Meio
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
Decises estratgicas - objetivos
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111 Empresa
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111 Sistema de Produo
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111 PCP
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
Sistema Sistema
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
de de
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
Deciso Informao
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111 Controle
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
E C
F
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111 S
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
Processo de Produo
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111
000000000000000000000000000000000000000000000000000
111111111111111111111111111111111111111111111111111

Fluxo de Informaes

Fluxo de Materiais

Figura 1.3: Subsistemas de uma empresa

1. determinar as necessidades primarias: baseado nas necessidades dos clientes, o PCP vai garantir a
quantidade de produtos a fabricar (denicao da demanda) em um horizonte de tempo conhecido;

2. determinar as necessidades secundarias conhecendo as quantidades de produtos a fabricar, o PCP


vai planejar seus recursos de producao para fabricar os produtos de tal maneira que as datas de contratos
sejam respeitadas a um custo de fabricacao mnimo.

O mercado competitivo da economia mundial exige que as empresas, principalmente as de fabricacao de bens,
sejam a cada dia mais produtivas e, sem duvidas, a sobrevivencia de uma empresa neste mercado so estara
grarantida se a empresa possuir o Planejamento e Controle de Producao adequado ao seu tipo de producao. A
implantacao de um PCP e feita utilizando de tecnicas de apoio a decisao. Estas tecnicas estruturam e informatizam
o Sistema de Informacao da empresa. A proxima secao descreve o Sistema de Decisao de uma empresa. A secao
seguinte apresenta as principais tecnicas de planejamento e controle de producao, enfatizando o tipo de empresas
que as utilizam.

1.6 O Sistema de Decisao

O Sistema de Decisao nem sempre existe formalmente, ele esta incerido na organizacao hiererquica do geren-
ciamento da empresa. Nele ca estabelecido como os objetivos da organizacao deveram ser atingidos e qual a
participacao de cada componente da empresa para atingir esses objetivos.

Geralmente o Sistema de Decisao de uma empresa e composto, mesmo informalmente, em tres nveis hierarquicos
de decisao (Anthony [3] e Bitran e Tirupati [17]). Sao eles:

1. nvel estrategico: e o nvel onde se encontra a alta administracao da empresa. As decisoes sao tomadas
sobre a existencia da empresa e seus objetivos gerais, tais como o tamanho e a localizacao de novas fabricas,
a acsicao de novos recursos (maquinas, equipamentos, etc.), a escolha de um novo produto a fabricar, entre
outros. Este nvel de decisao nem sempre se encontra exatamente dendro da empresa, estas decisoes podem
ser tomadas numa reuniao de acionistas;

2. nvel tatico: uma vez denidos os objetivos da empresa, e no nvel tatico que se dara o planejamento de
producao de maneira que os objetivos estrategicos da empresa sejam atingidos. Neste nvel de surgem os
problemas de planejamento. Um exemplo de um problema de planejamento e a denicao das quantidades
de produtos que a empresa deve fabricar nos proximos meses de tal maneira que a ela possa atinjir uma
fatia do mercado denida pela alta administracao (Lot-Sinsing Problems);

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


1.7 - O Sistema de Informacao 5

3. nvel operacional: trata-se aqui da organizacao dos recursos de producao (chao de fabrica) para atingir
os objetivos taticos. Aqui surjem os problemas de sequenciamento da producao (scheduling problems).

Um dos aspectos mais importantes desses nveis de decisao e o tratamento do tempo, ou seja, o horizonte de
tempo no qual o planejamento e feito em cada um desses nveis. As decisoes sao tomadas nos horizontes de
tempos descitos abaixo.

para o nvel estrategico = a longo prazo, variando entre semetres ou anos, dependendo do tipo de
empresa;

para o nvel tatico = a medio prazo, podendo variar entre semanas ou meses;

para o nvel operacional = a curto ou curtsimo prazo, num horizonte de horas ou dias da semana.

O Sistema de Decisao interage com o Sistema de Informacao via tecnicas de apoio a decisao, hoje geralmente
implementadas em computadores. A proxima secao descreve o Sistema de Informacao de uma empresa e a secao
seguite as tecnicas de apoio a decisao inplantadas em sistemas computacionais.

1.7 O Sistema de Informacao

Sao duas as funcoes principais do Sistema de Informacao de uma empresa:

1. documentacao: toda a existencia da empresa deve estar registrada e documentada. Toda a parte de
pessoal, legislacao, organizacional e tecnica devem estar registrada de alguma maneira. A normalizacao
internacional ISO9000 fornece diretivas para essa documentacao (ISO - International Standard Organiza-
tion) [62]);

2. informatizacao: implementar em programas de computador metodos e tecnicas de gestao, de plane-


jamento e de controle para garantir a performace do Sistema de Producao. A informatizacao dentro da
empresa vai auxiliar o registro e a transmicao rapida e segura das informacoes dentro da empresa.

Conforme as novas regras da producao para a excelencia industrial [14], o computador ocupa um papel cada dia
mais importante dentro de um Sistema de Producao. Em um contexto amplo de integracao de informacoes do
Sistema de Producao, depois dos anos 80, o conceito de producao integrada por computador - CIM (Computer
Integrad Manufacturing) se consolida para harmonizar as atividades de um PCP (ver, por exemplo Brenier [22]).
Chase e Aquilano [28] denem CIM como uma versao automatizada do processo gererico de fabricacao, no qual
cada funcao e assegurada por um conjunto de tecnologias automatizada. E ainda, os mecanismos aral e escritos
tradicionais de comunicacao sao assegurados pelo computador3 . Como mostra a gura 1.4, inspirada em Baranger
et Chen [10], o processo de integracao de informacoes posui tres funcoes principais:

1. a concepcao do produto e do processo de fabricacao;


2. o planejamento e controle da producao;
3. a coordenacao do processo de fabricacao.

Algumas das tecnologias mais utilizadas em cada funcao sao mostradas na gura sobre o crculo exterior ponti-
lhado. Os autores qualicam esta organizaao como a organizacao de uma fabrica do futuro.

Na gura 1.4, as siglas signicam: FMS: Sistemas exveis de manufatura, MOCN: Maquina ferramenta de
controle numerico;
3 une version automatisee du processus generique de fabrication, dans lequel chaque fonction est assuree par un ensem-

ble de technologies automatisees. De plus, les mecanismes oraux et ecrits de communication traditionnels sont assures par
lordinateur.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


1.8 - Tecnicas para o apoio a decisao 6

Tcnicas de
Tecnologia Planejamento e Controle
de grupo

Concepao do Produto Planejamento


e do Processo e Controle
CAD Manutenao
Automatizada
Informatizao do
Sistema de Informao

Robos

Processo de Funes Tcnicas


Fabrio

FMS
Inspeo
Computadorizada
MOCN
Centros de usinagem

CAM

Figura 1.4: Funcoes e tecnicas do Sistema de Informacao

1.8 Tecnicas para o apoio a decisao

Para exercer as funcoes de planejamento e controle no Sistema de Informacao do PCP, varias tecnicas de apoio
a decisao implementadas em sistemas de computador foram desenvolvidas durante estes ultimas decadas. Como
descreve Zapfel et Missbauer [97], estas tecnicas podem ser classicadas em dois principais grupos: o tradicional
PCP baseado em conceitos de Planejamento de Projeto (PERT/CPM - Program Evaluation and Review Te-
chnique/Critical Path Method) ([71] e [79]) e do Material Requirements Planning - MRP ([8], [15] e [18]); e
os novos PCPs baseados em conceitos de Manufacturing Resource Planning - MRP II ([8] e [94]), Optimized
Production Technology - OPT ([30] e [57]), e Just-In-Time - JIT ([13] e [50]).

A utilizacao de cada uma destas tecnicas depende da tipologia do Sistema de Producao (ver a sessao 1.4). A
gura 1.5 mostra a utilizacao destas tecnicas conforme a classicacao tipologica segundo a quantidade de produtos
fabricados.
Tipo de
Produo

em grandes lotes JIT

em lotes mdios
MRP II

em pequenos lotes OPT


MRP

unitria PERT/CPM

Quatidade de Produtos

Figura 1.5: Contexto de aplicacao das tecnicas de apoio a decisao

A complexidade e as particularidades dos Sistemas de Producao contnuos (por exemplo, as industrias qumicas
e as renarias de petroleo) fazem com que cada processo de producao desenvolva seu proprio PCP. Bodington
e Baker [21] mostram, por exemplo, o historico do desenvolvimento de modelos expeccos de programacao
matematica neste setor. Nao considera-se aqui este tipo de sistema de producao, mesmo que os conceitos aqui
desenvolvidos podem ser facilmente adaptados em producao contnua. A secao seguinte descreve alguns dos
principais tipos de modelos utilizados para representar problemas de apoio a decisao.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


1.9 - Modelagem de problemas de producao 7

1.9 Modelagem de problemas de producao

Uma vez denido a tipologia do Sistema de Producao, uma das tecnicas de apoio a decisao descritas na secao
anterior e utilizada para implementar o Planejamento e Controle de Producao adeguado. Na implementacao de
cada uma das tecnicas descritas sugem problemas especcos do Sistema de Producao a serem resolvidos. Para
resolver estes problemas, utiliza-se de tecnicas de modelagem de problemas, as quais geram modelos quantitativos
de apoio a decisao. Esta secao classica e descreve susintamente algumas das principais tecnicas de modelagem
de problemas.

Entre as diversas classicacoes dos tipos de modelos que possam ser utilizados em para representar problemas de
apoio a decisao, considera-se aqui a classicacao proposta por Dietrich [35] onde sao identicados dois tipos de
modelos: os prescritivos e os modelos descritivos. Esses modelos sao descritos abaixo.

1.9.1 Modelos Prescritivos

Nesse tipo de modelo representa-se as alternativas para a decisao por variaveis e a limitacao de recursos e outras
restricoes por relacoes matematicas. O objetivo de um modelo prescritivo e representado por uma (ou mais)
funcao das variaveis a ser otimizada (maximizar ou minimizar a funcao). Alguns exemplos de tipos de modelos
prescritivos sao listados:

1. programacao matematica: programacao linear, programacao nao linear, programacao inteira e programacao
inteira mista.
2. teoria dos grafos
3. programacao dinamica
4. teoria das las
5. teora dos estoques
6. teoria dos jogos
7. teoria do sequenciamento

1.9.2 Modelos Descritivos

Esse tipo de modelo e utilizado para avaliar a performace quantitativa de um sistema de producao bem especi-
cado. Estes modelos nao sao concebidos para gerar solucoes de problemas, mas para serem utilizados como uma
ferramente de auxlio a decisao. Existem quatro tipos de modes prescritivos:

1. os modelos de alocacao estatica que etimam a performace do sistema a partir das somas das quanti-
dades totais de trabalho aribudas a cada recurso;
2. os modelos analticos em redes de filas de espera que descrevem as equacoes que modelam o
comportamento dinamico do sistema de producao de maneira agregada. A resolucao destas equacoes e
utilizada para avaliar as performace quantitativas do sistema de producao.
3. os modelos de simulacao que reproduzem em um programa de computador cada eveto pertinente a ser
analizado do sistema simulado.
4. os redes de Petri que fornecem um superte graco para a avaliacao do comportamento do sistema de
producao.

Antes porem de utilizar uma das tecinicas de modelagem destritas aciama (modelos prescritivo e modelos descriti-
vos), o problema abordado deve ser cuidadosamente analizado. Como auxlio, as duas proximas secoes apresentam
algumas das principais maneiras detratar a modelagem de problemas gerenciais: uma mais geral aplicavel a qual-
quer situacao de modelagem; a outra mostra uma maneira de tratar a modelagem de sistemas complexos.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


1.10 - O processo da analise quantitativa 8

1.10 O processo da analise quantitativa

Esquematicamente, a utilizacao de um modelo quantitativo de apoio a decisao deve passar pelas as seguintes
etapas (veja Wagner [95]):

1. Formulacao do Problema

Identicacao dos elementos do problema


Determinar os limites de uma dada analise
Denir a tecnica de modelagem mais adeguada

2. Construcao do Modelo

Decidir sobre os dados de entrada


Decidir sobre as saidas
Identicar os elementos estruturais e idear relacoes matematicas para representar a interligacoes entre
estes elementos
Escolher o horizonte de tempo

3. Execucao de Analises

Determinar a sensibilidade da solucoes do modelo

4. Implementacao dos resultados e atualizacao do modelo

Este roteiro e geral e pode ser aplicado a um grande numero, senao todos, de modelagem de problemas, porem,
quando se trata de modelagem de sistemas complexos, a etapa de denir a tecnica de modelagem mais adeguada
nem sempre e trivial. Dois caminhos sao sugeridos na literatura, uma delas consiste na agregacao de informacoes
e a outra na decomposicao do sistema em subsistema. A secao seguite descreve esses dois caminhos.

1.11 Tratamento de Sistemas Complexos

Sistemas complexos, os quais sao incluidos os grandes sistemas de producao, sao denidos por Titli [89] como
sistemas de grandes dimensoes, compostos de subsistemas interconectados podendo ter objetivos em conflitos4 .
Para metrizar estes sistemas, o autor propoe tres etapas:

1. aanalise: denir a estrutura do sistema. Esta denicao consiste:

na denicao das variaveis de entrada, de saida, e de decisao;


na elaboracao de um modelo;
na estimacao dos parametros do modelo;
na denicao de um criterio para atingir um objetivo;

2. a estrategia de resolucao do modelo. Esta estrategia consiste em:

seja reduzir a dimensao do problema tratado atraves de um procedimento de agregacao de variaveis;


ou
seja decompor o sistema, denindo subsistemas para implementar metodos de decomposicao-coordenacao
e de estruturas de varios nveis de decisao;

3. a sntese e a implementacao de um algoritmo adeguado.


4 Systemes de grande dimension, composes de sous-systemes interconnectes pouvant avoir des objectifs en conflit.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


1.11 - Tratamento de Sistemas Complexos 9

No caso onde a etapa intermediaria consistir na agregacao de variaveis, a etapa de sntese consiste em aplicar
metodos classicos e bem conhecidos para a resolucao de problemas de dimensoes trataveis pelos atuais recursos
computacionais disponveis. Exemplos de metodos classicos sao a programacao matematica (programacao linear,
nao-linear, etc.), teoria dos grafos, entre outros. Se, na outra estrategia, a etapa intermediaria consistir na de-
composicao do sistema, a etapa de sntese consiste na sntese de algoritmos de apoio a desicao que utilizam os
princpios de decomposicao-coordenacao e na sntese das estruturas de apoio a decisao. Em sua obra original, o
autor apresenta uma gura onde sao mostrados as relacoes entre essas etapas para o caso de um sistema automa-
tizado a comandos hierarquizados. Toda a obra de Titli [88] e dedicada ao estudo destes sistemas hierarquizados.
A gura 1.6 apresenta uma adaptacao da gura original, aplicada a um sistema de decisao de um Sistema de
Producao.

Sistema de deciso

Anlise Estratgia de resoluo Sntese

Caracterizao quantitativa Decomposio Agregao Mtodos classicos


ou qualitativa das iteraes

Definio dos Algoritmos de


Modelagem subproblemas decomposiocoordenao

Sintese de uma estrutura


vrios nveis

Figura 1.6: Estudo de sistemas de decisao

Uma importante sistematica de agregacao de variaveis para o planejamento de producao e a tecnica conhecida
por Planejamento Hierarquizado de producao (Hierarchical Procuction Planning - HPP) apresentado por Hax
e Meal [37] e descrito com mais detalhes por Hax e Candea [55], Bertrand e Wijngaard [16] e Bitran e Tirupati
[17]. Um dos pontos fracos desta abordagem e a nao garantia de um plano de producao viavel, embora esta
tecnica minimiza consideravelmente as diculdades do tratamento da disponibilidade de recursos de producao
nos diversos nveis hierarquicos de decisao. Esta tecnica pode servir de suporte matematico para sistemas que
utilizam o MRP ou o MRPII.

Desde suas origens, os metodos de decomposicao-coordenacao sao utilizados para resolver problemas oriundos de
sistemas complexos de producao, no entanto, a limitacao dos recursos computacionais em tempo de processamento
e disponibilidade de memoria, em grande parte, hoje ja superados, restringiu a utilizacao destes metodos. As
tecnicas como o processamento paralelo e o ambiente de rede (internet e intranet) disponveis atualmente
propocia a aplicacao desses metodos.

Os principais metodos de decomposicao-coordenacao aplicados ao planejamento de producao sao apresentados


por Lasdon [?]. Os mais conhecidos sao a decomposicao de Dantzig-Wolfe ou decomopsicao pelo preco [32],
a decomposicao pelos recursos [44] e [85] e a decomposicao de Benders [12] (classicacoes dos metodos de
decomposicao-coordenacao sao apresentadas por Georion [42] e [43] e Luna [67] e [68]).

Mais recentemente, um problema do HPP e resolvido por ralaxacao lagrangiana (uma forma de decomposicao)
por Graves [48]. Mahey [69] propos um metodo de decomposicao misto (pelo preco e pelos recursos) totalmente
descentralizado, o qual os subproblemas trocam diretamente as informacoes sem ajuda de um nvel superior de
coordenacao. Em seu trabalho, o autor testou seu metodo em um modelo de gestao de estoques numa celula de
manufatura, considerando um horizonte de planejamento discreto. Trigeiro, Thomas e McClain [90] decompos

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


1.11 - Tratamento de Sistemas Complexos 10

um problema de planejamento de producao do tipo Lot Sizing (denicao do tamanho de lote de fabricacao)
utilizando da tecnica de relaxacao lagrangeana; os subproblemas gerados nesta decomposicao sao resolvidos por
programacao dinamica. O problema estudado neste ultimo trabalho podem ser aplicados num planejamento de
producao do tipo JIT. Aardal [1] propoe um metodo heurstico, baseado na decomposic
ao de Benders, para resolver um problema do HPP. Sobre o mesmo proplema resolvido por Trigeiro, Thomas e
McClain [90], Merle et al. [36] decompos pela relaxacao lagrangeana e utiliza um metodo de pontos interiores
como metodo de resolucao dos subproblemas. Baseado no metodo de decomposicao de Benders, Carvalho
[33] propoe uma forma de trocas de informacoes entre dois nveis hierarquico de planejamento de producao,
implementavel em ambiente descentralizado de rede.

Mahey [69] apresenta tres dos principais objetivos da utilizacao de um metodo de decomposicao e de descentra-
lizacao para resolver um problema:

1. reduzir o tamanho do problema, permitindo a substituicao de um grande meio central de calculos (grandes
computadores) para computadores em redes, trabalhando em paralelo ou em sequencia;

2. a descentralizacao, ao mesmo tempo, de informacoes e de decisoes otimas, o que permite ao(s) subpro-
blema(s) de preservar sua(s) autonomias ate que uma solucao otima global seja obtida, sem a ajuda de um
nvel de coordenacao centralizador;

3. possibilidade de decompor os subproblemas de natureza diferentes ou mesmo de importancia diferente no


ambiente global das restricoes do sistema.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


Captulo 2

Teoria dos grafos - Problemas em


redes

Existe disponvel uma vasta literatura tecnica sobre teoria dos grafos e estudos sobre problemas em redes. Destaca-
se aqui o livro do Boaventura [20] em portugues e o livro de Gondran e Minoux [46] em frances, tambem editado
em ingles. Aqui apresenta-se somente alguns conceitos principais desta teoria. Muintos ainda dos conceitos
apresentados aqui sao simplicados, pode-se encontrar os mesmos termos numa conceituacao muito mais ampla
na literatura especializada.

11
2.1 - Introducao 12

2.1 Introducao

Um pouco de historia sobre o desenvolvimento de ferramentas para resolver problemas utilizando a representacao
em redes.

1. 1736 - Euler resolve o problema das pontes de Konigsberg (gura 2.1).

Figura 2.1: O problema das pontes de Konigsberg

2. 1847 - Kircho iniciou os estudos das arvores em problemas de circuitos eletricos


3. 1857 - Cayley utiliza de estrutura de rede na qumica organica sobre isomeros dos hidrocarbonetos alifaticos
4. 1959 - Nasce o PERT/CPM como ferramenta de apoio a administracao de projetos
5. 1962 - Ford e Fulkerson estoda a teoria de uxo em redes

2.2 Definicoes

2.2.1 Grafos

Um grafo G(X, U ) e uma estrutura matematica composta por:

X: conjunto de elementos xi discretos denominados vetices ou nos. X pode ser estrito entao :
X = {xi : i = 1, ..., n}.
O numero de vertices do grafo G(X, U ) e dado por:
|X| = m,
que e a ordem do grafo. Se m o grafo G(X, U ) e dito infinito, se m IN , G(X, U ) e dito finito.
U pode ser:
1. Grafo nao orientado: uma famlia de partes de X a dois elementos:
U = {uij = {xi , xj } X}
note que {xi , xj } = {xj , xi } e que nao se escreve {xi , xi } pois um conjunto nao possui elementos
repetidos. Denindo U como uma famlia implica que U pode possuir elementos repetidos.
Neste caso o grafo G(X, U ) e dito nao orientado e os elementos de U sao as arestas do grafo. U
pode tambem ser representado por:
U = {uij = {xi , xj } : xi xj X, i 6= j}

O numero de arestas do grafo G(X, U ) e dado por:


|U | = n.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.2.1 - Grafos 13

Exemplo 2.1 Grafo nao orientado


A gura 2.2 mostra um grafo nao orientado.
2

O grafo G(X, U ) ao lado possui


m = 4 vertices e n = 5 arestas
3
X = {1, 2, 3, 4} e
1
U = {{1, 2}, {2, 3}, {2, 3}, {3, 4}, {3, 4}}.

Figura 2.2: Exemplo de grafo nao orientado

2. Grafo orientado: um conjunto de pares ordenados de X X:

U = {uij = (xi , xj ) X X}

Neste caso o grafo G(X, U ) e dito orientado e os elementos uij de U sao os arcos do grafo. U pode
tambem ser representado por:

U = {uij = (xi , xj ) : xi xj X},

No arco uij = (xi , xj ) de G(X, U ), xi e a extremidade inicial de uij e xj a extremidade final. Note
aqui que (xi , xj ) 6= (xj , xi ) e (xi , xi ) X X. O arco (xi , xi ) e chamado de laco.
O numero de arcos do grafo G(X, U ) e dado por:

|U | = n.

Exemplo 2.2 Grafo orientado

2
1
5
4
1 6 3 O grafo G(X, U ) ao lado possui
2 7 m = 6 vertices e n = 11 arcos:
4 8
3 9 5 X = {1, 2, 3, 4, 5, 6} e
10
U = {(1, 2), (1, 4), (1, 6), (2, 1), (2, 3), (2, 4),
6 (3, 4), (3, 5), (4, 5), (4, 6), (5, 6)}.

Em grafos orientados, pode-se denir U como sendo uma famlia, e nao um conjunto, de pares ordenados. Neste
caso e permitida a dublicacao de arcos e o grafo passa a ser chamado de p-grafo, onde p e o maior numero de
vezes que um arco pode ser repetido.

Em grafos nao orientados, os elementos de U podem ser denidos como partes de X nao fazias e nao necessari-
amente a dois elementos, neste caso a estrutura e chamada de hipergrafo.

Observa-se que todo grafo nao orientado pode ser denido como um grafo orientado, onde cada aresta {i, j} do
grafo nao orientado e representada pelo par de arcos (i, j) e (j, i) na representacao orientada. A escolha entre
utilizar um grafo orientado ou nao orientado para representar uma situacao (ou problema) depende somente das
caractsticas da situacao. As proximas secoes apresentam exemplos de situacoes onde a melhor representacao,
orientado ou nao, sao especica.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.2.2 - Representacao de um grafos 14

2.2.2 Representacao de um grafos


1. Grafica: os elementos de X sao pontos do plano. No grafo nao orientado, {xi , xj } sao ligacoes entre
os pontos, como mostrado pela gura2.2 acima. No grafo orientado, (xi , xj ) sao setas saindo de xi e
chegando em xj . Um exemplo de grafo orientado e mostrado pela gura ?? acima.

2. Matriz de adjacencia: E uma matriz A = [aij ] de ordem (m m) onde m e o numero de vertices do


grafo. Os elementos de A sao denidos:

1 se (xi , xj ) U e
aij =
0 se nao

Exemplo 2.3 Matriz de adjacencia

Considerando o grafo nao orientado Considerando o grafo orientado


G(X, U ) da gura 2.2, sua matriz de G(X, U ) da gura ??, sua matriz
adjacencia e dada por : de adjacencia e dada por :

0 1 0 0 0 0
0 1 0 0 1 0 1 0 0 0

1 0 1 0 0 0 0 1 1 0
A=
0
A=
1 0 1 0 0 0 0 0 0

0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 1

3. Matriz de incidencia vertice-arco: aplicada para grafos orientados sem lacos. E a matriz Amn ,
onde m e o numero de vertices e n o numero de arcos, composta pelos elementos aij denidos:

+1 se o vertice i e extremidade inicial do arco j;
aij = 1 se o vertice i e extremidade nal do arco j;
0 se o vertice i nao for nem extremidade inicial e nem nal do arcos j.

Exemplo 2.4 Matriz de incidencia vertice-arco:

Considerando o grafo orientado G(X, U ) possui m = 6 verices e n = 10 arcos. Sua matriz de


G(X, U ) da gura: incidencia e dada por :
2
1 1 1 1 0 0 0 0 0 0
1 1 0
5 0 1 1 1 0 0 0 0
4 0 0 0 0 1 0 1 1 0 0
A=
1 6 0 1 0 0 0 1 1 0 1 1
3

0 0 0 0 0 0 0 1 1 0
2 7 0 0 1 0 0 0 0 0 0 1
4 8
3 9 5
10

4. Listas de adjacencia: como se pode observar, representar um grafo no computador via representacao
matricial ocupa muito espaco de memoria somente para representar os zerosda matriz. A representacao
via listas de adjacencia pode ser utilizada para simplicar e economizar memoria computacional. Para os
interssados em representacao computacional de grafos, sugere-se procurar na literatura especializada esse
tipo de representacao.

Para simplicar a notacao, utilisa-se somente o ndice do vertice para representa-lo, ou seja, ao inves de se utilizar
xi , utilisa-se i para representar um vertice.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.2.3 - Valoracao do grafo 15

2.2.3 Valoracao do grafo

Um grafo e dito valorado se exitem valores reais associados aos seus arcos (ou arestas) e/ou a seus vertices. Ou
seja:

1. Valoracao nos vertices: um grafo G(X, U ) e valorado nos vertices se

f : X S : S IR

que e equivalente a existir a funcao f aplicada ao conjunto X associando seus elementos a numeros reais.
A funcao f pode ser tambem representada por :

f (xi ) = si : si IR

2. Valoracao nos arcos (ou arestas): Um grafo G(X, U ) e dito valorado nos arcos (ou arestas) se existe
uma funcao g aplicada ao elementos de U associando-os a numeros reais. Que e equivalente dizer, se

g : U L : L IR

ou ainda
g(uij ) = lij : lij IR
A valoracao nos arcos pode representar, por exemplo, a distancia entre dois vertices.

2.2.4 Adjacencia de vertices

O vertice i e adjacente ao vertice j em um grafo G(X, U ) quando

1. se G(X, U ) e um grafo orientado:


(a) sucessores: um vertice j e sucessor de um vertice i no grafo G(X, U ) se

(i, j) U,

em (i, j) U , i e a estremidade inicial do arco e j e a estremidade final.


Alguns conceitos associados aos sucessores de um vertice:
i. Conjunto de Sucessores do vertice i e dado por:

+ (i) = {j : (i, j) U };

ii. Feixo transitivo direto:



[
+ (i) = +k (i),
k=1
0 +k + +(k1)
onde (i) = {i} e (i) = ( (i).
(b) antecessores: um vertice i e antecessor de um vertice j no grafo G(X, U ) se

(i, j) U,

em (i, j) U , i e antecessor de j e j e sucessor de i.


Da mesma maneira, alguns conceitos associados aos antecessores de um vertice:
i. Conjunto de Antecessores do vertice j e dado por:

(j) = {i : (i, j) U }.

ii. Feixo transitivo indireto:



[
(i) = k (i),
k=1
0 k (k1)
onde (i) = {i} e (i) = ( (i).

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.2.5 - Itinerarios em grafos 16

Num grafo orientado, o Conjunto de Vertices Adjacentes de i X e dado por:

(i) = {j : (i, j) e/ou (j, i) U } = + (i) (i)

2. Se G(X, U ) e um grafo nao orientado: um vertice i e adjascente a um vertice j se

{i, j} U.

Nao tem sentido denir conjuntos de sucessores e antecessores, somente o conjunto de vertices adjacentes
de um vertice i:
(i) = {j : {i, j} U }

2.2.5 Itinerarios em grafos

Um itinerario em um grafo qualquer pode ser:

1. Cadeia: e uma sequencia nao orientada de arcos (ou arestas), este conceito tem mais sentido quando
aplicado a grafos nao orientados.
2. Caminho: e uma sequencia orientada de arcos (cadeia orientada).
3. Ciclo: e uma cadeia fechada (conceito nao orientado).
4. Circuito: e um ciclo orientado (conceito orientado).

A gura 2.3 do exemplo 2.5 mostra gracamente estes conceitos.

Exemplo 2.5 Itinerarios

2 2 2 2

1 3 1 3 1 3 1 3

4 4 4 4

A B C D

Figura 2.3: A - cadeia; B - caminho; C - ciclo; D - circuito

Ainda, cada um desses tipos de itinerario pode ser classicado como:

simples: quando cada um de seus arcos ou arestas sao congurados uma unica vez no itinerario;
composto: e aquele itinerario que nao e simples;
elementar: quando cada um de seus vertices sao congurados uma unica vez no itinerario.

2.2.6 Conexidade em grafos

Esta secao apresenta alguns conceitos associados a conexidade em grafos.

1. Grafo conexo: um grafo G(X, U ) e dito conexo quando, entre qualquer par de seus vertices, existir ao
menos uma cadeia que os ligam.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.3 - O problema de uma arvore de ramificacao mnima 17

2. Arvore: um grafo conexo G(X, U ) e uma arvore se ele nao possui ciclos.

3. Raiz: um vertice i e uma raiz da arvore G(X, U ) se para qualquer vertice j X existe um caminho onde
i e extremidade inicial e j e extremidade nal.
4. REDE: e um conceito fsico de grafo. Pode-se denir uma rede como um grafo no qual existe algum tipo
de uxo fsico que passa pelos seus arcos (ou arestas) ou vertices. Um vertice de uma rede e denominado
no. O grafo utilizado para representar um problema e denominado rede.

2.3 O problema de uma arvore de ramificacao mnima

Dado um grafo G(X, U ), o problema da arvore de ramicacao mnima consiste em determinar uma arvore em
G(X, U ) que interliga todos os vertices do grafo e cujo comprimento total seja mnimo. O algoritmo apresentado
aqui e otimo e so e aplicado a grafos nao orientados e conexos.

inicializacao:

Selecione um vertice qualquer como o primeiro vertice conectado;

regra de parada: Todos os vertices do grafo estao conectados?

sim: PARE
senao: CONTINUE

passo iterativo:

Identique um vertice j nao conectado que seja o mais proximo de um vertice conectado qualquer i;
Conecte esses dois vertice (conecte j a i);
Volte para a regra de parada.

Este problema pode ser aplicado, por exemplo para denir quais os computadores devemestar conectados em uma
rede de maneira que todos podem se comunicar e o cumprimento total de cabos de ligacao seja mnimo.

Exemplo 2.6 Arvore de ramificacao mnima

Seja o grafo valorado G(X, U ) da gura 2.4. Determinar uma arvore de ramicacao mnima em G(X, U ).

2 7
2

5 4 5
A C E G

1 3 1
4 7

4
D F

Figura 2.4: Arvore de ramicacao mnima

Utilizando do algoritmo apresentado obtse a arvore mostrado pela gura 2.5 que e a solucao desse problema.
Observa-se que este problema possui solucao unica.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.4 - O problema de um melhor caminho 18

2 7
2

5 4 5
A C E G

1 3 1
4 7

4
D F

Figura 2.5: Solucao para a arvore de ramicacao mnima

2.4 O problema de um melhor caminho

Dado um criterio de otimizacao g pre-estabelecido, um melhor caminho, ij entre os vertices i e j do grafo


G(X, U ), segundo o criterio g, e um caminho que se caracteriza por nao existir um outro caminho ij em
G(X, U ) que possua um valor de g melhor que o de ij . O criterio g pode signicar menor distancia entre os
vertices, maior capacidade de uxo entre os vertices, menor numero de arcos, entre outros. As secoes seguintes
descrevem esses problemas. Existem varios algoritmos para determinar um melhor caminho. Apresenta-se aqui o
algoritmo de Dijkstra. Este algoritmo so e aplicavel a grafos (orientados ou nao orientados) sem circuito negativo.
Para maiores detalhes aconselha-se consultar a bibliograa indicada.

2.4.1 O problema de um caminho mnimo (caminho mais curto)

Aqui, a valoracao do grafo G(X, U ) e nos arcos e representa a distancia entre os vertices. Inicialmente apresenta-se
o algoritmo aplicavel a grafos orientados.

2.4.1.1 Definicao do problema

Dados:

um grafo orientado G(X, U ), com m vertices e n arcos


uma valoracao nos arcos (ou arestas) uij = (i, j) U

L : U L IR+ ou l(uij ) = lij IR+

onde lij representa a distancia entre os vertices i e j

o vertices 1 de partida e o vertice m de chegada, ambos de G(X, U ).

O problema e: determinar um caminho no grafo G(X, U ) entre o vertice de partida 1 e o vertice de chegada m
cujo comprimento total seja mnimo.

2.4.1.2 Modelo de Programacao Linear Inteira Mista

Mesmo que exista varios caminhos mais curtos (solucoes otimas multiplas), o problema modelado e de determinar
um unico caminho mais curto entre dois vertices de um grafo. Este problema pode ser interpretado entao como o
problema de determinar quais os arcos que pertencem a um determinado caminho mais curto. Assim as variaveis
de decisao podem ser denidas:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.4.1 - O problema de um caminho mnimo (caminho mais curto) 19


1 se o arco (i, j) pertence ao caminho mais curto, e
uij =
0 se nao.

O modelo ca:

X
minimizar lij uij (2.1)
(i,j)U
X X
sujeito a u1j uk1 = +1 (2.2)
j+ (1) k (1)
X X
uij uki = 0 i X : i 6= 1 e i 6= m (2.3)
j+ (i) k (i)
X X
umj ukm = 1 (2.4)
j+ (m) k (m)

ui {0, 1} (2.5)

No modelo acima, a funcao objetivo (2.1) minimiza a soma dos valores associados aos arcos que perencem ao
caminho mais curto. Somente um arco sai do ponto de partida, assim o numero de arcos que saem menos o
numero de arcos que chegam no ponto de partida e igual a 1. Esta condicao e garantida pela equacao (2.2). Para
os vertices que nao pertencem ao caminho mais curto, na solucao do problema, nenhum arco chega e nenhum
arco sai. Para os vertices que pertencem ao caminho mais curto, com excessao do vertice de partida e do vertice
de chegada, chega exatamente um arco e sai tambem exatamente um arco. Assim tanto para os vertices que nao
pertencem quanto para os vertices que pertencem ao caminho mais curto, o numero de arcos que chegam e igual
ao numero de arcos que saem. Portanto para todos os vertices do grafo, com exessao dos vertices de partida e de
chegada, a diferenca entre os numeros de vertices que chegam e que saem e nulo. Esta condicao e representada
pela restricao (2.3). Enm, para o vertice de chegada, a diferenca entre os numeros de arcos que saem e que
chegam e igual a -1, como garante a restricao (2.9). O domnio das variaves e expresso pela restricao (2.5).

A matriz A do conjunto de restricoes do modelo acima e a matriz de incidencia vertice-arco. Esta matriz e
totalmente unimodular (veja Bazaraa et alli [?]), assim, se o problema possui solucao otima, o problema relaxado,
isto e, substituir as restricao xi {0, 1} por xi 0, tambem possui e todas as variaveis de sua sualucao assumem
valores inteiros em {0, 1}. Ou seja, a solucao otima do problema:

X
minimizar lij uij (2.6)
(i,j)U
X X
sujeito a u1j uk1 = +1 (2.7)
j+ (1) k (1)
X X
uij uki = 0 i X : i 6= 1 e i 6= m (2.8)
j+ (i) k (i)
X X
umj ukm = 1 (2.9)
j+ (m) k (m)

ui 0 , (2.10)

e tambem solucao otima para o problema da dederminacao de um caminho mais curto.

O problema dual associado a esse problema e dado por:

maximizar t1 tm (2.11)
sujeito a ti tj lij i, j X (2.12)
ti IR , (2.13)

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.4.1 - O problema de um caminho mnimo (caminho mais curto) 20

Substituindo ti por di , o modelo ca:

maximizar dm d1 (2.14)
sujeito a dj di lij i, j X (2.15)
di IR , (2.16)

considerando ainda, o ponto de partida d1 = 0, o problema dual consiste em minimizar a distancia do ponto de
partida 0 ao veritice m.

2.4.1.3 Algoritmo de Dijkstra

Para resolver o problema, este algoritmo constroe uma arvore de raz 0 e com o caminho mais curto entre 0 e
cada vertice i de G(X, U ) ate chegar no vertice de chegada .

inicializacao:
faca: S = X {0}
para o vertice de partida 0, faca: (0) = 0 e p(0) =
para os demais vertices i de G(X, U ), faca:

o vertice 0 se i + (0) e se i + (0) e


 
l0i
p(i) = ; (i) =
se nao + se nao

faca i = ao vertice 0
regra de parada: Se S = ; ou i =

PARE
senao: CONTINUE

passo iterativo: Escolha o vertice i tal que:

(i) = min (j)


jS

faca: S = S {i}
para todo j + (i) faca:
(j) = min{(j), (i) + lij }
se (j) < (j), faca: (j) = (j) e p(j) = i
volte para a regra de parada

Em poucas palavras, o Algoritmo de Dijkstra constroi uma arvore a partir do vertice inicial 0 como raiz. O
caminho entre a raz 0 e cada verticei da arvore criada sobre o grafo original e um caminho mais curto entre a
raz e o vertice i.

O valor associado ao caminho mais curto entre 0 e em G(X, U ) e dado por () e para recuperar o caminho
mais curto entre 0 e determinado pelo algoritmo, basta identicar o p() depois p(p()) e assim sucessivamente
ate chegar em 0.

Exemplo 2.7 O problema do caminho mais curto

Determinar um caminho mais curto entre os vertices A e G do grafo da gura abaixo.

Resolucao do exemplo 2.7: Utilizando o algoritmo de Dijkstra, obtem-se a seguinte sequencia de operacoes:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.4.1 - O problema de um caminho mnimo (caminho mais curto) 21

2 7
2

5 4 5
A C E G

1 3 1
4 7

4
D F

inicializacao

S = {B, C, D, E, F, G};
(A) = 0, (B) = 2, (C) = 5, (D) = 4, (E) = +, (F ) = +, (G) = +;
p(A) = ;, p(B) = A, p(C) = A, p(D) = A, p(E) = , p(F ) = , p(G) = ;
i = A;

passo de parada
Figura 1.6: Exemplo 2 - caminho mais curto

S = ? : NAO;
i = G? : NAO;

primeira iteracao

Seja i tal que (i) = minjS {(j)} i = B;


S = S {B} = {C, D, E, F, G}; + (B) = {C, E};
S + (B) = {C, E};
para C:
(C) = min{(C), (B) + lBC }
(C) = min{5, 2 + 2} = 4;
(C) > (C) (C) = (C) e p(C) = B;
para D:
(E) = min{(E), (B) + lBE }
(E) = min{+, 2 + 7} = 9;
(E) > (E) (E) = (E) e p(E) = B;

passo de parada

S = ? : NAO;
i = G? : NAO;

segunda iteracao

Seja i tal que (i) = minjS {(j)} i = C;


S = S {C} = {D, E, F, G}; + (C) = {E, F };
S + (C) = {E, F };
para E:
(E) = min{(E), (C) + lCE }
(E) = min{9, 4 + 4} = 8;
(E) > (E) (E) = (E) e p(E) = C;
para F :

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.4.1 - O problema de um caminho mnimo (caminho mais curto) 22

(F ) = min{(F ), (C) + lCF }


(F ) = min{+inf ty, 4 + 3} = 7;
(F ) > (F ) (F ) = (F ) e p(F ) = C;
passo de parada
S = ? : NAO;
i = G? : NAO;
terceira iteracao
Seja i tal que (i) = minjS {(j)} i = D;
S = S {D} = {E, F, G}; + (D) = {F };
S + (D) = {F };
para F :
(F ) = min{(F ), (D) + lDF }
(F ) = min{7, 4 + 4} = 7; (C) (C);
passo de parada
S = ? : NAO;
i = G? : NAO;
quarta iteracao
Seja i tal que (i) = minjS {(j)} i = F ;
S = S {F } = {E, G}; + (F ) = {E, G};
S + (F ) = {E, G};
para E:
(E) = min{(E), (C) + lF E }
(E) = min{8, 7 + 1} = 8; (E) (E)
para G:
(G) = min{(G), (F ) + lF G }
(G) = min{+, 7 + 7} = 14;
(G) > (G) (G) = (G) e p(G) = F ;
passo de parada
S = ? : NAO;
i = G? : NAO;
quinta iteracao
Seja i tal que (i) = minjS {(j)} i = E;
S = S {E} = {G}; + (E) = {G};
S + (E) = {G};
para G:
(G) = min{(G), (E) + lEG }
(G) = min{14, 8 + 5} = 13;
(G) > (G) (G) = (G) e p(G) = E;
passo de parada
S = ? : N AO;
i = G? : NAO;
sexta iteracao
Seja i tal que (i) = minjS {(j)} i = G;

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.4.2 - O Problema de um caminho com menor numero de arcos 23

S = S {E} = ; + (G) = ;
S + (E) = ;
passo de parada
S = ? : SIM : PARE;
i = G? : SIM : PARE;

O valor associado a um caminho mais curto entre A e G e igual a (G) = 13, e o caminho determinado pelo
algoritmo recupera-se de p(G) = E, p(E) = C, p(C) = B e p(B) = A, portanto o caminho mais curto e
AG = [A, B, C, E, G].

Para o problema do caminho mnimo em grafo nao orientado, basta substituir em todo o algoritmo + por .

2.4.2 O Problema de um caminho com menor numero de arcos

O problema agora e determinar um caminho em um grafo G(X, U ) que possua o menor numero de arcos entre
dois vertices dados. Para resolver este problema, pode-se utilizar o algoritmo de Dijkstra reescrito para este
problema. A modicacao consiste em considerar a valoracao de cada arco sendo igual a um.

O modelo de programacao linear inteira mista deste problema e o mesmo do problema de determinacao de um
caminho mais curto, fazendo lij = 1 (i, j) U , isto e:

X
minimizar uij (2.17)
(i,j)U
X X
sujeito a u1j uk1 = +1 (2.18)
j+ (1) k (1)
X X
uij uki = 0 i X : i 6= 1 e i 6= m (2.19)
j+ (i) k (i)
X X
umj ukm = 1 (2.20)
j+ (m) k (m)

ui {0, 1} (2.21)

A solucao otima deste problema relaxado tambem e otima para o problema original.

O dual ca:

minimizar dm d1 (2.22)
sujeito a dj di 1 i, j X (2.23)
di IR , (2.24)

2.4.3 O Problema de um caminho de maior fluxo

Considere agora um grafo G(X, U ) com arcos valorados. O valor cij associado ao arco (i, j) U representa
a capacidade de uxo do arco. Imagine por exemplo que o grafo represente uma rede de canalizacoes para o
abastecimento de agua.

Dados dois pontos quaiquer do grafo, o problema consiste em determinar um caminho de maior uxo entre
esses dois pontos dados. Para resolver este problema, pode-se utilizar tambem do algoritmo de Dijkstra, com
modicacoes apropriadas, comforme mostrado abaixo.

inicializacao:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.5 - O problema de um fluxo maximo 24

faca: S = X {0}
para o vertice de partida 0, faca: (0) = + e p(0) =
para os demais vertices i de G(X, U ), faca:

o vertice 0 se i + (0) e se i + (0) e


 
c0i
p(i) = ; (i) =
se nao 0 (zero) se nao

faca i = ao vertice 0

regra de parada: Se S = ou i =

PARE
senao: CONTINUE

passo iterativo: Escolha o vertice i tal que:

(i) = max (j)


jS

faca: S = S {i}
para todo j + (i) faca:

(j) = max{(j), min{(i), cij }}

se (j) (j), faca:


(j) = (j) e p(j) = i

volte para a regra de parada

2.5 O problema de um fluxo maximo

Dado um grafo G(X, U ) valorado nos arcos. Esta valoracao representa a capacidade de uxo no arco (por exemplo
3m3 /s, 4t/h, etc.). Dados ainda dois vertices de G(X, U ): 0 que e um vertice fonte e um vertice sumidouro,
deseja-se determinar o maior uxo que possa passar de 0 a pelo grafo G(X, U ).

O par de modelos primal e dual do problema de um uxo maximo e dado:

maximizar f (2.25)
X X
sujeito a u1j uk1 = +f (2.26)
j+ (1) k (1)
X X
uij uki = 0 i X : i 6= 1 e i 6= m (2.27)
j+ (i) k (i)
X X
umj ukm = f (2.28)
j+ (m) k (m)

ui 0 (2.29)

A solucao otima deste problema relaxado tambem e otima para o problema original.

O dual ca:

O algoritmo apresentado abaixo pode ser aplicado tanto em grafos orientados como em grafos nao orientados

Seja:

X = {0, 1, 2, . . . , T }

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.5 - O problema de um fluxo maximo 25

U dado
a capacidade de uxo em cada arco
C : U C ou c(uij ) = cij
onde cij e a capacidade de uxo no arco (ou aresta) uij

Considere ainda:

fij : a capacidade restante de uxo no arco uij


fij : a capacidade restante oposta de uxo no arco uij
note que fij = fji
F o uxo total entre 0 e T

No caso de grafos nao orientados, inicialmente fij = fij = cij . Ja para grafos orientados, inicialmente a
capacidade restante de uxo do arco (i, j) e igual a cij (fij = cij ) e a capacidade restante oposta de uxo e igual
a zero (fij = 0).

Algoritmo

inicializacao
F =0
regra de parada: Existe um caminho 0 entre a fonte 0 e o sumidouro com capacidade de uxo
extritamente positiva ?
se nao existe : PARE
se existe: CONTINUE
iteracao
procure em o arco com a menor capacidade (c ) restante de uxo
faca: F = F + c
diminua de (c ) a capacidade de uxo restante para cada arco do caminho:
fij = fij c
aumente de (c ) a capacidade restante oposta de uxo para cada arco do caminho:
fij = fij + c
volte para a regra de parada

O algoritmo pode ter um numero reduzido de iteracoes se a versao do algoritmo de Dijkstra para determinar um
caminho de menor uxo for utilizado para determinar um caminho de capacidade de uxo extritamente positivo
no passo de parada.

maximizar f (2.30)
X X
sujeito a x1j xk1 = +f (2.31)
j+ (1) k (1)
X X
xij xki = 0 i X : i 6= 1 e i 6= m (2.32)
j+ (i) k (i)
X X
xmj xkm = f (2.33)
j+ (m) k (m)

xij cij (i, j) U (2.34)


xij 0 (2.35)

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.6 - Determinacao dos caminhos crticos 26

2.6 Determinacao dos caminhos crticos

Dada uma rede representada por um grafo G(X, U ) orientado sem circuito onde os arcos (i, j) representam
atividades a serem executadas. O vertice i de (i, j) representa o incio da atividade e o vertice j representa o
n da atividade. Existem dois vertices especiais, um para denir o incio de todas as atividades e o outro para
denir o m de todas as atividades. O grafo e denido de maneira que existem atividades (arcos) que podem ser
executadas em paralelas e atividades que devem ser sequenciais uma da outra (por isso que o grafo e orientado).
Deseja-se determinar as sequencias de atividades que determinam a data mais cedo para que todas as atividades
sejam executadas.

2.6.1 Alguns conceitos

Dado um grafo G(X, U ) orientado e sem circuito, valorado nos arcos (f (uij ) = lij ). Utilisa-se a notacao:

ti : data mais cedo que as atividades (i, j) tais que j + (i), isto e, as atividades que iniciam no vertice
i, podem comecar a serem executadas;
ttj : data mais tarde para as atividades (i, j) tais que i (j), isto e, que nalisam no vertice j, devem
terminar de serem executadas;
fi : folga no vertice i : fi = tti ti
atividade crtica: uma atividade (i, j) e crtica se : ti + lij = ttj
uma funcao para marcar os vertices durante as iteracoes dos algoritmos para determinar a data mais cedo
e a data mais tarde de cada atividade

1 nos nao visitados
vis(i) =
0 nos visitados

2.6.2 Datas mais cedo

Para determinar a data mais cedo de cada atividade, pode-se utilizar o algoritmo:

inicializacao:
Faca: t0 = 0; vis(0) = 0; vis(i) = 1 i 6= 0
regra de parada: vis(i) = 0 i?
SIM: PARE
NAO: CONTINUE
iteracao: Para todo i tal que j (i) vis(j) = 0, faca :
ti = maxj (i) (tj + l(i, j))
vis(i) = 0
Volte para a regra de parada

2.6.3 Datas mais tarde

Uma vez determinada as datas mais cedo, pode-se utilizar o algoritmo abaixo para determinar as datas mais tarde.

Inicializacao:
Faca:
tt = t ; vis() = 0; vis(i) = 1 i 6=

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.6.4 - Atividades crticas e Caminhos crticos 27

regra de parada: vis(i) = 0 i?

SIM: PARE
NAO: CONTINUE

iteracao: Para todo i tal que j + (i) vis(j) = 0,


faca :
tti = minj+ (i) (ttj l(j, i))
vis(i) = 0
Volte para a regra de parada

2.6.4 Atividades crticas e Caminhos crticos

Conforme denido acima, determine as atividades crticas e o caminho crtico.

Atividade crtica (i, j): e aquela que ti + lij = ttj

Caminho crtico: sequencia de atividades entre o incio e o m do projeto cuja todas as atividades sao
crticas.

Observa-se que um grafo pode possuir varios caminhos crticos em um mesmo grafo.

Utiliza-se aqui uma notacao apropriada para os vertices para calcular o caminho crtico no proprio grafo. A gura
2.6 mostra esta notacao.

T
i
ti tt
i

Figura 2.6: Representacao de um vertice para a determinacao dos caminhos crticos

Exemplo 2.8

A gura 2.7 mostra um grafo apos determinar o seu caminho crtico.

6 7 8 9 10
22 29 29 33 38 42 2
13
44 44
6 0
6
1 2 2 4 3 10 4 4 5 5 7 8 9 5 12
0 0 2 2 6 6 16 16 20 20 25 25 33 33 38 38

4 0
11
7
37 38

Figura 2.7: Exemplo do calculo do caminho crtico

Observe que nesse exemplo existe um unico caminho crtico dado por:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.7 - O problema de um caminho mais longo 28

1 13 = [1, 2, 3, 4, 5, 7, 9, 12, 13]

O grafo mostrado apos a obtencao das atividades crticas pelos algoritmos de data mais cedo e data mais tarde, e
muito bom para a visualizacao do andamento de um projeto, mas computacional mente, o problema da obtencao
das atividades crticas em um grafo qualquer sem circuito e um pouco mais complexo. Os algoritmos apresentados
ate agora para o problema nao sao sucientes para recuperar todos os caminhos crticos. Para maiores informacoes
sobre esse problema, sugere-se procurar na literatura especializadas sobre o problema dos k-melhores caminhos. A
secao seguinte apresenta uma versao do algoritmo de Dijkstra para determinar um caminho crtico em um grafo.

No que diz respeito a Administracao de Projetos utilizando caminhos crticos, vale a pena tambem consultar a
literatura especializada. Esta literatura descreve o como montar uma rede para administrar um projeto de tal
maneira que garanta que as atividades entre dois vertices sem folga (isto e, atividades (i, j) tais que fi = 0 e
fj = 0) sejam sempre crticas. Observe, por exemplo, a atividade (4, 7) do exemplo 2.8, esta atividade esta entre
dois vertices de folga nula, mais ela nao e crtica (observe que t4 + l47 < tt7 , isto e, 16 + 7 < 25).

2.7 O problema de um caminho mais longo

Observe que um caminho crtico da secao anterior e tambem um caminho mais longo. Ao utilizar os algoritmos
para determinar as datas mais cedo e mais tarde, determina-se todos os caminhos crticos entre os dois vertices
(inicio e termino). Mas se o problema for determinhar um unico caminho crtico, pode-se adaptar o algoritmo de
Dijkstra para determina-lo. Esta adaptacao e mostrada abaixo.

inicializacao:

faca: S = X {0}
para o vertice de partida 0, faca: t0 = 0 e p(0) =
para os demais vertices i de G(X, U ), faca:

o vertice 0 se i + (0) e se i + (0) e


 
l0i
p(i) = ; ti =
se nao 0 se nao

faca i = ao vertice 0

regra de parada: Se S = ; ou i =

PARE
senao: CONTINUE

passo iterativo: Escolha o vertice i tal que:

ti = max tj
jS

faca: S = S {i}
para todo j + (i) faca:
tj = max{tj , ti + lij }

se tj > tj , faca: tj = tj e p(j) = i


volte para a regra de parada

Este algoritmo utiliza do conceito de gerador (pai) de um vertice i (p(i)), e nao calcula a data mais tarde. Um
caminho crtico e recuperado pelas sequencias de vertices geradores.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.8 - Exerccios 29

2.8 Exerccios

2.8.1 Problema de melhor caminho

O que acontece com o algoritmo de Dijkstra se o grafo for nao orientado? Construa a versao do algoritmo de
Dijkstra para o grafo nao orientado.

2.8.2 Problema do caminho mais curto

Determinar um caminho mais curto entre os vertices A e J no grafo G(X, U ) mostrado na gura abaixo.

680
B E 610
790
1050 790 H
550 1030
580 540
900 700
A C F J
940
660
770
1390
510 790 I
700
D G 270
830

2.8.3 Aplicacao de algoritmos em redes

Seja a rede de arcos valorados abaixo: (IMPORTANTE: a rede e orientada!!!)

2
A D

4 3 4 6

4
0 C T

5 3 3 8

B 3 E

Figura 2.8: Uma rede

1. Neste item, esqueca a orientacao da rede. Suponha que a valoracao da rede represente distancias entre as
cidades (O, A, B ...) e as arestas represente as possibilidades de ligacoes entre as cidades. Como deixar
todas as cidades conectadas construindo a menor quilometragem de rodovias? (utilizar o algoritmo da
arvore com ramicacao mnima)

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


2.8.4 - Problema de maior fluxo 30

2. Supondo que a valoracao da rede represente distancias entre as cidades (O, A, B ...). Utilisando o algoritmo
de Dijkstra qual, o caminho mais curto entre 0 e T?

3. Supondo agora que a valoracao da rede represente a capacidade de uxo entre os vertices. Qual o uxo
maximo entre 0 e T? (Utilizar o algoritmo de Ford e Fulkerson)

4. E se essa rede representa as etapas de um projeto. Qual o caminho crtico entre o inicio e o m do projeto?

2.8.4 Problema de maior fluxo

Abreu Alas, prefeito de uma grande cidade industrial, Saidaqui, quer avaliar a quantidade maxima do trafego
de veculos por hora que pode deixar o centro da cidade de Saidaqui e chegar no principal suburbio da cidade,
Xegala. A rede de estradas percorrida pelos veculos e mostrada na gura abaixo. Os arcos representam grandes
rodovias, os numeros proximos de cada arco sao o numero maximo de veculos por hora (medido em centenas de
veculos) que podem uir ao longo das estradas e os nos sao cruzamentos. Determine o maior uxo de veculos
entre o Centro de Ssidaqui e Xegala.

250
2 5

300
300
200
250
200

Centro de 600 500 500 750 Xegala


Saidaqui: 4 7 8
9
1

200
100 300 400

300
3 6

Figura 2.9: Uma rede

2.8.5 Redes com programacao Linear

Escreva um modelo de programacao linear ou programacao inteira mista para os problemas de caminho mais
curto e uxo maximo. Escreva o dual do dois programas lineares.

2.8.6 Algoritmos aproximados

Utilizando o mesmo grafo do exerccio anterior, faca:

1. Determine a menor distancia entre o vertice 1 e o vertice 9 utilizando de um algoritmo apropriado. Apresente
tambem um caminho que possui esta distancia;

2. Supondo que exista uma outra informacao associada a cada vertice que avalia a utilizacao do vertice
para chegar ate 9: h(i) = {3000, 2500, 5000, 1600, 700, 900, 700, 1000, 0}. Utilizando desta informacao
suplementar, construa um algoritmo aproximado para determinar um menor caminho entre os vertices 1 e
9. (ver o algoritmo A ) nos proximos captulos.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


Captulo 3

Problema do Caixeiro Viajante -


Traveling Salesman Problem (TSP)

3.1 Introducao

Dados um conjunto de cidades e um caixeiro viajante que mora em uma delas. O Problema do Caixeiro Viajante
consiste em determinar uma rota onde o caixeiro parta da cidade onde mora, visite exatemente uma vez cada
outra cidade do conjunto e retorne para sua cidade, de maneira que ele percorra uma menor distancia total.
No caso geral todas as cidades sao inteligadas diretamente e todas os tragetos sao possveis. Considerando n o
numero de cidades, incluindo a cidade onde mora o caixeiro, no caso geral, existem n! possibilidades de percurso.
A Figura (3.1) (a) mostra uma representacao graca para o problema com todas as possibilidades possveis de
percurso. A Figura (3.1) (b) mostra uma solucao viavel do problema. Neste problema o caixeiro mora na cidade
1, por exemplo.

2 2

3 3
1 1

5 5

4 4

(a) (b)

Figura 3.1: O Problema do Caixeiro Viagente e uma solucao viavel

Quando as distancias diretas entre duas cidades sao iguais, o problema e denominado simetrico (Symmetric Tra-
veling Salesman Problem (STSP)), quando as distancias direta entre duas cidades sao diferentes, por exemplo,
mao e contramao, o problema e denominado assimetrico (Asymmetric Traveling Salesman Problem (ATSP)).
Observe que o problema simetrico e um caso especial do problema assimetrico. Assim, estudaremos aqui somente
o problema assimetrico.

O estudo deste problema se remonta ao seculo 18 com Euler [38, 39]. Muito estudado na literatura ate os dias
de hoje, o problema do caixeiro viajante e modelado principalmente pela Teoria dos Grafos, pela Programacao
Linear Inteira Mista e pela Programa Linear Binaria [4] [63]. Uma revisao da literatura sobre as formulacoes em
Programacao Liner Inteira Mista com restricoes de eliminacao de sub circuitos, pode ser vista em Oncan et al.
[76]. Os autores apresentam as principais formulacoes em Programacao Linear Interira Mista para este problema,
bem como as relacoes de dominancia1 entre as formulacoes apresentadas.
1 Para um dado problema, uma formulacao de Programacao Linear Inteira Mista (F 1) e mais forte ou domina outra formulacao

31
3.2 - Formulacoes com restricoes de eliminacao de circuitos 32

Um intersse especial deste problema para a Engenharia de Producao consiste na modelagem de tempos e custos de
preparacao de maquinas em problemas de sequenciamento da producao que sugem no planejamento operacional
da producao.

3.2 Formulacoes com restricoes de eliminacao de circuitos

O Problema do Caxeiro Viajante pode ser denido por um grafo oritentado G(V, A), onde V = {1, . . . , n} e o
conjunto de vertices e representam as cidades, e A = {(i, j) : i V, j V i 6= j} e o conjunto de arcos e
representam as ligacoes diretas entre as cidades. O grafo G(V, A) e valorado nos arcos por cij IR+ , para todo
(i, j) A. Se nao existe uma ligacao direta entre duas cidades i e j, entao cij = . O problema consiste em
determinar um circuito Hamiltoniano de menor custo total em G(V, A).

Deni-se as variaveis xij {0, 1} par todo (i, j) A, tais que


1 se a cidade i e visitada imediatamente antes da cidade j;
xij =
0 se nao.

O Problema do Caixeiro Viajante pode ser PARCIALMENTE formulado por:

n X
X n
minimize z= cij xij (3.1)
i=1 j=1
j6=i
n
X
xij = 1 i = 1, . . . , n (3.2)
j=1
j6=i
X n
xij = 1 j = 1, . . . , n (3.3)
i=1
i6=j
xij {0, 1} (3.4)

A funcao objetivo (3.1) minimiza a distancia total percorrida pelo caixeiro. As restricoes (3.2) garantem que o
caixeiro sai uma unica vez de cada cidade. As restricoes (3.3) garantem que o caixeiro chega uma unica vez
a cada cidade. Esta formulacao modela parcialmente o problema por permitir a existencia de sub circuitos em
uma solucao viavel. A Figura (3.2) mostra um exemplo de uma soluao viavel para esse problema que possui sub
circuitos. Esta solucao nao e viavel para o Problema do Caixeiro Viajante.

3
1

Figura 3.2: Exemplo de uma solucao com sub circuitos

Para eliminar as solucoes viaveis que possuam sub circuitos, varios autores propoem a introducao de outras
restricoes e outras variaveis ao problema. As sessoes seguintes apresentam estas propossicoes.
em Programacao Linear Inteira Mista se e somente si polietro de (F 1), P (F 1), esta contido no poliedro de (F 2), P (F 2), isto e,
P (F 1) P (F 2). Se P (F 1) P (F 2) entao a relaxacao linear de F 1 e melhor que a de F 2.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


3.2.1 - Formulacao de Dantzig, Fulkerson e Johnson 33

3.2.1 Formulacao de Dantzig, Fulkerson e Johnson

Proposta por Dantzig et al. [31], estas restricoes considera o conjunto S = S2 S3 . . . Sn1 formado por
todas as possibilidades de circuito desde dois arcos (ou duas variaveis, S2 ), ate de n 1 arcos (ou n 1 variaveis,
Sn1 ). A restricao inceridas no problema sao:
X
xij |C| 1, CS (3.5)
(i,j)C

Assim, para eliminar os circuitos de dois arcos, sao gerados por esta restricao todas as possibilidades de (i, j) e
(j, i) de A as restricoes xij + xij 1. Para eliminar os circuitos de tres arcos, para todas as possibilidades de
(i, j), (j, k) e (k, i) de A sao geradas as restricoes xij + xik + xki 2. Assim, sucessivamente ate para todas as
possibilidades de circuitos de (n 1) arcos.

3.2.2 Formulacao de Miller, Tucker and Zemlin

Proposta por Miller et al. [72], esta formulacao dene as variaveis ui IN para denir a ordem em que cada
vertice i V sera visitada na sequencia. As restricoes inceridas a formulacao sao:

ui uj + (n 1)xij n 2 i = 2, . . . , n; j = 2, . . . , n e j 6= i; (3.6)
1 ui n 1 i = 2, . . . , n. (3.7)

3.2.3 Formulacao de Desrochers and Laporte

Utilizando tambem das variaveis ui IN , Desrochers e Laborte [34] introduz as restricoes a formulacao:

ui uj + (n 1)xij + (n 3)xij n 2 i = 2, . . . , n; j = 2, . . . , n e j 6= i; (3.8)


Xn
1 + (n 3)xij + xji ui i = 2, . . . , n; (3.9)
j=2
j6=i
X n
n 1 (n 3)x1i xij ui i = 2, . . . , n; (3.10)
j=2
j6=i
1 ui n 1 i = 2, . . . , n. (3.11)

3.2.4 Formulacao de Sherali e Driscoll

A formulacao proposta por Sherali e Driscoll [84] introduz uma nova variavel yij IN . As restricoes introduzidas
ao problema sao:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


3.2.5 - Formulacao de Gavish e Graves 34

n
X
yij + (n 1)xi1 = ui i = 2, . . . , n (3.12)
j=2
j6=i
n
X
yij + 1 = uj j = 2, . . . , n (3.13)
i=2
i6=j
xij yij (n 2)xij i = 2, . . . , n; j = 2, . . . , n e j =
6 i; (3.14)
uj + (n 2)xij (n 1)(1 xji ) yij + yji i = 2, . . . , n; j = 2, . . . , n e j =6 i; (3.15)
uj (1 xji ) yij + yji i = 2, . . . , n; j = 2, . . . , n e j 6= i; (3.16)
1 + (1 x1j ) + (n 3)xj1 uj = 2, . . . , n (3.17)
(n 1) (n 3)x1j (1 xj1 uj = 2, . . . , n (3.18)

3.2.5 Formulacao de Gavish e Graves

Gavish e Graves [41] propoe uma formulacao criando variaveis de uxo (commodity flow) gij 0 para todo
(i, j) A, e introduz a formulacao as restricoes:

n
X n
X
gji gij = 1 i = 1, . . . , n (3.19)
j=1 j=2
j6=i j6=i
0 gij (n 1)xij i = 1, . . . , n; j = 2, . . . , n e j 6= i (3.20)

3.2.6 Formulacao de Wong

Wong [?] ....

3.3 Exerccio

Utilizando da linguagem GMPL do GLPK, construa o arquivo .mod das formulacoes do Problema do Caixeiro
Viajante. Crie um arquivo de dados para os problemas abaixo

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


Captulo 4

Sequenciamento - (Scheduling)

4.1 O problema de Planejamento Tatico e Operacional


1. Problema tatico: Dimensinamento de lote de producao
2. Problema operacional: Sequenciamento de maquinas

Problemas de integracao entre o tatico e operacional [64].

Bibliograa Basica:

1. Blazewicz et al. [19]


2. Baker [9], [8] e [7]
3. Pinedo [77]
4. Askin e Standridge [5]

4.2 Definicoes basicas

4.2.1 Recursos

4.2.1.1 Definicao

Um bem ou servico, cuja a disponibilidade e limitada ou nao.

4.2.1.2 Classificacao

recuperaveis
nao recuperaveis

4.2.1.3 Exemplos

maquinas (recuperavel)
materias-primas (nao recuperavel)
mao de obra (recuperavel)
processador de computador (recuperavel)

35
4.2.2 - Tarefas ou Operacoes 36

4.2.2 Tarefas ou Operacoes

4.2.2.1 Definicao

Trabalho elementar cuja realizacao necessita de um certo numero de unidades de tempo e/ou recursos.

4.2.2.2 Classificacao

preemptivo: quando sua execusao pode ser interompida e ser reiniciada algum tempo mais tarde;
nao preemptivo: uma vez iniciada, sua execusao nao pode ser interompida, deve ser nalizada.

4.2.2.3 Exemplos

usinagem de uma peca


pacote de informacao a ser transmitida

4.2.3 O Problema

4.2.3.1 Dados

1. Um conjunto de tarefas (operacoes)


2. Um conjunto de recursos (bens ou servicos)

Como e quando alocar os recursos para executar as tarefas?

4.2.3.2 Aplicacoes

1. industria - sequenciamento de operacoes sobre as maquinas


2. administracao - utilizacao do tempo,
3. computacao - execucao de programas

4.2.4 Classificacao dos problemas

4.2.4.1 Referente aos dados

Dinamicos: todos os dados nao sao conhecidos a priori, o planejamento e feito e uma vez iniciadas as
execusoes das operacoes, um dado inicial do problema pode mudar, por exemplo, uma nova operacao pode
chegar e devera se incluida na execusao, ou uma maquina quebra durante a execusao. Nestes dois casos, o
planejamento devera ser refeito. Este problema nao e discutido neste trabalho.
Estaticos: todos os dados do problema sao conhecidos a priori, o planejamento pode ser feito e executado.
Identica-se ainda dois tipos de problemas que terao tecnicas especiais para sua resolucao, com abordagens
distintas:
Estocasticos: algum de seus dados e expresso por uma distribuicao de probabilidade. Esse tipo de
problema nao e abordado aqui.
Determinsticos: nao existe distribuicao de probabilidade associada aos dados. Estes problemas sao o
tema deste trabalho.

A gura 4.1 mostra essa classicacao.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.2.4 - Classificacao dos problemas 37

Problemas de
Sequenciamento

Dinmicos Estticos

Estocsticos Determinsticos

Figura 4.1: Classicacao dos problemas - dados

4.2.4.2 Referente a dificuldade de resolucao

Os problemas podem tambem se classicados segundo sua diculdade de resolucao. Essa classicacao esta
associada a complexidade do melhor metodo existente para sua resolucao (complexidade de algoritmos). Assim
identica-se:

problemas faceis: o tempo de execusao do melhor metodo existente para sua resolucao e escrito como uma
funcao polinimial do tamanho dos dados utilizados;

problemas difceis: o tempo de execusao do melhor metodo existente e escrito como uma funcao exponencial
do tamanho dos dados do problema. Para a resolucao destes problemas, utiliza-se basicamente de tres
tecnicas de resolucao:

Relaxacao: algum dos dados do problema original e relaxado (simplicado), criando um novo problema
mais facil de ser resolvido, a solucao deste novo problema e utilisada para avaliar ou propor uma solucao
para o problema original.
Heurstica: utilizar de um metodo aproximado para a resolucao do problema. Neste caso, nao e
garantida a melhor solucao do problema.
Enumeracao: esta tecnica enumera todas as solucoes viaveis do problema, concluindo qual e a melhor.

Muitos metodos sao construidos combinando essas tres tecnicas.

A gura 4.2 esquematiza essa classicacao dos problemas.

Problemas de
Sequenciamento

Problemas Problemas
fceis difceis

Relaxao Algoritmos Algoritmos


heursticos enumerativos

Figura 4.2: Classicacao dos problemas - diculdades

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.2.5 - Caracterizacao do problema 38

4.2.5 Caracterizacao do problema

4.2.5.1 Dados

T = {T1 , . . . , Tn }: conjunto de n tarefas i;


P = {P1 , . . . , Pk }: conjunto de k maquinas m (ou recursos recuperaveis);
R = {R1 , . . . , Rr }: conjunto de recursos nao recuperaveis.

4.2.5.2 Condicoes

(cond 1): a cada instante, cada tarefa pode ser executada por no maximo uma maquina;
(cond 2): a cada instante, cada maquina executa no maximo uma tarefa;
(cond 3): a preemption nao e permitida, isto e, uma vez iniciada, uma tarefa nao podem ser interompida.

Uma consequencia imediata destas tres condicoes e a condicao necessaria para incio da execusao de uma tarefa:

a execusao de uma tarefa pode ser iniciada se e somente se


a tarefa e a maquina estao disponveis.

Esta consequencia parece evidente e sem importancia, mas e exatamente nela que surge toda a diculdade do
problema de sequenciamento. No decorrer do texto sera mais facil observar esta armacao.

4.2.5.3 Caractersticas das maquinas

paralelas
identicas: todas as maquinas possuem a mesma velocidade
diferentes: cada maquina possui sua velocidade bk
uniformes: bk e constante e nao depende da tarefa executada;
nao-uniformes: bk depende da tarefa.
especializadas: cada maquina executa um unico tipo de tarefa. Sao quatro os principais tipos de problemas
com maquinas especializadas:

uma maquina:
jobshop
flowshop
openshop

Para cada um desses problemas e dedicado um captulo deste trabalho.

4.2.5.4 Conceito de job

Um job representa uma sequencia conhecida de uma ou mais tarefas (operacoes) que representa uma sequencia
tecnologica de fabricacao de um produto. Os tempos de processamento tambem sao associados as tarefas que
compoe um job. Assim, num contexto de manufatura de produtos, um job pode representar a fabricacao de um
produto ou de um lote de familia de produtos que possuem a mesma sequencia tecnogica de fabricacao.

Matematicamente, um job e um particionamento do conjunto T :

J = {J1 , . . . , Jl } : conjunto de l jobs j

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.2.5 - Caracterizacao do problema 39

Jj = {T1j , . . . , Tnj j }

Em algumas cituacoes praticas, o conceito de tarefa coencide com o conceito de job, que e o caso, por exemplo,
do problema uma maquina. Quando oportuno, faremos uma observacao.

4.2.5.5 Dados do problema associados as Tarefas

tempo de processamento: pi - intervalo de tempo no qual a tarefa e executada sobre a maquina. Neste
intervalo de tempo nenhuma outra tarafa podera ser executada na mesma maquina;

data de chegada: ri - e a data a partir da qual a tarefa estara disponvel para comecar a ser executada.
Em hipotese alguma a tarefa podera comecar a ser executada antes desta data;

data de partida: di - e a data a qual deve-se terminar a execusao da tarefa, uma penalidade (tipo custo de
atrazo) podera ser associado caso a execusao da tarefa nao e terminada nesta data;
data final: di - e a data limite a qual a execusao da tarefa devera terminar. A tarefa tem que sair no
maximo ate esta data. Este dado geralmente e utilizado quando trabalha-se com produtos perecveis;

tempo de latencia: qi - intervalo de tempo o qual a tarefa devera car antes de sair do sistema. Durante
o tempo de latencia, a tarefa nao e executada por nenhuma maquina.

peso (prioridade): wi - este dado diferencia uma tarefa de outra quanto a sua prioridade.

Estes dados podem ser vistos no diagrama de Gantt da gura 4.3.

p
i

00000000
11111111 11111111
00000000
00000000
11111111 00000000
11111111
mquina 00000000
11111111
00000000
11111111 Ti 00000000
11111111
00000000
11111111
00000000
11111111 00000000
11111111

ri ~
di di tempo

Figura 4.3: Diagrama de Gantt - dados de um problema

Observa-se nesta gura que a execusao da tarefa Ti so e iniciada apos sua data de chegada ri e termina antes de
sua data de partida di . A execusao poderia terminar depois de di , geralmente associa-se uma penalidade (custos)
se a data de partida nao e obedecida, mas nunca depois de di . Nesta gura, nao sao representados nem o peso,
nem a data de latencia da tarefa. A gura 4.4 mostra o tempo de latencia em um diagrama de Gantt.

p q
i i

11111111
00000000
00000000
11111111 11111111
00000000
00000000
11111111
00000000
11111111 00000000
11111111
mquina 11111111
00000000
00000000
11111111 Ti 00000000
11111111
00000000
11111111
00000000
11111111
00000000
11111111 00000000
11111111
00000000
11111111

ri ~
di di tempo

Figura 4.4: Diagrama de Gantt - tempo de latencia de uma tarefa

4.2.5.6 Variaveis do problema associadas as tarefas

data de inicio de execusao: ti

data de finalizacao: Ci

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.2.6 - Classificacao || 40

tempo de fluxo: Fi = Ci ri
demora: Li = Ci di
atrazo: Di = max{0, Ci di }
antecipacao: Ei = max{0, di Ci }

Algumas dessas variaveis sao mostradas na gura 4.5.

p Ei
i

00000000
11111111
00000000
11111111 11111111
00000000
00000000
11111111
00000000
11111111 00000000
11111111
mquina 00000000
11111111
00000000
11111111 Ti 00000000
11111111
00000000
11111111
00000000
11111111 00000000
11111111

ri ~
di di tempo
ti Ci

Figura 4.5: Diagrama de Gantt - variaveis de um problema

4.2.5.7 Variaveis gerais do problema

maior data de termino:


Cmax = max {Ci }
Ji T

tempo medio de fluxo:


n
1X
F = Fi
n i=1

tempo ponderado de fluxo: Pn


w i Fi
Fw = Pi=1
n
i=1 wi

demora maxima:
Lmax = max {Li }
Ji T

outros

4.2.5.8 Criterios de otimizacao

miminizar d maior data de termino - makespan: min Cmax


minimizar o tempo medio de fluxo: min F
minimizar o tempo ponderado de fluxo: min Fw
minimizar a demora maxima: min Lmax
outros

4.2.6 Classificacao ||

(Graham et al. [47])

1. = 1 , 2 : descreve as maquinas
2. = i , (i = 1, . . . , 8) descreve as caractersticas das operacoes e dos recursos
3. descreve o criterio de otimizacao do problema.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.2.7 - Um Exemplo de problema 41

4.2.6.1 Exemplos

1. P ||Cmax : maquinas identicas e minimizar o makespan

2. O3|pmtn, ri ||F : openshop de 3 maquinas, as tarefas podem ser divididas, com datas de chegada, minimizar
o tempo medio de uxo

4.2.7 Um Exemplo de problema

Job 1 2 3 4 5 6 7
ri 10 13 11 20 30 0 30
pi 5 6 7 4 3 6 2
qi 7 26 24 21 8 17 0

Tabela 4.1: Problema exemplo

onde,

ri : data de chegada

pi : tempo de processamento

qi : tempo apos o processamento

4.2.8 Pesquisas
1. Vericar a nomenclatura em ingles

2. Denir os problemas: jobshop, flowshop e openshop

4.3 Sequenciamento em uma maquina

4.3.1 Introducao

Este captulo apresenta problemas e metodos de resolucao de problemas que possuem uma so maquina. Para
grande parte destes problemas, e suciente uma regra de prioridade no sequenciamento que uma solucao otima e
obtida. Nestes casos os problemas sao faceis. Alguns outros problemas, a obtencao de uma solucao otima pode
ser obtida utilisando um metodo de resolucao um pouco mais sosticado. Aqui, pela analise do pior caso, os
problemas sao difceis, mas na pratica esses metodos podem resolver problemas de tamanhos consideraveis.

Pela propria denicao do problema com uma so maquina, cada tarefa e independente de qualquer outra tarefa,
assim o conjunto de tarefas pode ser particionado em partes a um so elemento (uma so tarefa) e cada parte
unitaria seria um job. Neste caso, a denicao de tarefa coecide com o conceito de job. Neste captulo nao
utilizaremos o termo tarefa e sim job.

Em um segundo plano, este captulo tem como objetivo a introducao de algumas tecnicas de resolucao de
problemas difceis.

Cada sessao deste captulo e dedicada a um problema especco. Os problemas sao apresentados em ordem
crescente de diculdade de resolucao.

4.3.2 Problema 1|prec|Cmax

As caractersticas primcipais deste problema sao:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.2 - Problema 1|prec|Cmax 42

uma maquina

pode existir alguma regra de precedencia na execusao das operacoes

o criterio de otimizacao e a minimizacao do makespan

Uma solucao otima deste problema independe da sequencia considerada, basta sequenciar obedecendo as
relacoes de precedencias existentes. O valor do makespan e obtido pela expressao:

n
X
Cmax = pi
i=1

Exemplo 4.1 :

Job J1 J2 J3 J4 J5 J6 J7
pi 5 6 7 4 3 6 2

Uma solucao otima e obtida considerando a propria sequencia dada, isto e

S = [J1, J2, J3, J4, J5, J6, J7],

cujo valor do makespan e Cmax = 33. Esta sequencia e mostrada no diagrama de Gantt da gura 4.6.

1111
0000
0000
1111
mq J1 J2 J3 J4 J5 J6 J7

0 5 10 15 20 25 30 33 t

Figura 4.6: Uma solucao otima de um problema 1|prec|Cmax

Observe na gura que a inversao da ordem de qualquer operacao na sequencia nao muda o valor do makespan.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.3 - Problema 1|ri |Cmax 43

4.3.3 Problema 1|ri |Cmax

As caractersticas do problema sao:

uma maquina
cada operacao possui uma data de chegada maior ou igual a zero
criterio de otimizacao e a minimizacao do makespan

Uma solucao otima deste problema pode ser obtida sequenciando as operacoes segundo a regra:
sequenciar em ordem nao decrescente de ri .

Esta regra e simples e torna o problema facil, que e o problema de ordenacao.

Exemplo 4.2 :

Job J1 J2 J3 J4 J5 J6 J7
ri 10 13 11 20 30 0 30
pi 5 6 7 4 3 6 2

Aplicando a regra acima, obtem-se uma sequencia1 :

S = [J6, J1, J3, J2, J4, J5, J7].

O diagrama de Gantt que representa esta sequencia e mostrado na gura 4.7 abaixo. O valor do makespa para
esta sequencia e 37.

111111
000000 1111
0000
000000
111111 0000
1111
mq J6 J1 J3 J2 J4 J5 J7

0 5 10 15 20 25 30 35 37 t

Figura 4.7: Uma solucao otima de um problema 1|ri |Cmax

Observa-se que entre o intervalo de tempo [6, 10] a maquina esta disponvel para a execusao de um job, mas
neste intervalo de tempo nao existe job dispovel para ser executado, o proximo job a chegar e o J1 na data 10.

4.3.4 Conceito de Tempo Morto

Um intervalo de tempo esta morto para uma maquina quando, apesar da execusao de todas as tarefas nao tenha
terminada, a maquina nao executa nenhuma tarefa. E o caso, por exemplo do intervalo [6, 10] da solucao otima
mostrada na gura 4.7 do problema do exemplo 4.2.

4.3.5 Problema 1||Lmax

Os dados deste problema sao:

uma maquina
1 Observe que uma outra sequencia poderia ser obtida: S = [J6, J1, J3, J2, J4, J7, J5] que tambem e solucao otima, mas

aqui limita-se a apresentar somente uma solucao otima

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.5 - Problema 1||Lmax 44

criterio de otimizacao e a minimizacao da maior demora.

Lembrando-se que Li = Ci di , para calcular Li e necessario entao que se conheca (que seja dado) os valores
da data de partida (di ) de cada job.

Uma solucao otima para esse problema e obtida em utilisando da regra:


sequenciar os jobs em ordem nao decrescente de di

Exemplo 4.3 :

Job J1 J2 J3 J4 J5 J6 J7
pi 5 6 7 4 3 6 2
di 7 26 24 21 8 17 0

Aplicando a regra acima, obtem-se a sequencia otima:

S = [J7, J1, J5, J6, J4, J3, J2]

Para essa sequencia, o diagrama de Gantt e mostrado na gura 4.8 abaixo.

1111
0000
0000
1111
0000
1111
mq J7 J1 J5 J6 J4 J3 J2

0 0000000000000000000000000000000000000000000000
1111111111111111111111111111111111111111111111
5 10 15 20 25 30 33 t

Figura 4.8: Uma solucao otima de um problema 1||Lmax

Calcula-se entao o valor de Li para cada job:

L1 = 7 - 7 = 0 L2 = 33 - 26 = 7 L3 = 27 - 24 = 3
L4 = 20 - 21 = -1 L5 = 10 - 8 = 2 L6 = 16 - 17 = -1
L7 = 2 - 0 = 2

Assim, o valor da maior demora e Lmax = 7 para o job J2.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.6 - Problema 1|ri , di |Cmax 45

4.3.6 Problema 1|ri , di |Cmax

Os dados deste problema sao:

uma maquina
a data de chegada ri de cada job i
a data nal di de cada job i
criterio de otimizacao e a minimizacao do makespan.

Este problema e difcil de ser resolvido, mas a data nal de cada job, que e um dado do problema, pode limitar
muito o conjunto de solucoes viaveis, tornando viavel, para um numero consideravel de problemas, a busca de
uma solucao otima atraves de um algoritmo enumerativo tipo branch and bound.

Uma arvore branch and bound para reseolver este problema e mostrado na gura 4.9.
raiz
1111111111111111
0000000000000000 00
11
1
00000000000000000
11111111111111111
0
0000000000000000
1111111111111111 00
11
0
1
00000000000000000
11111111111111111
0000000000000000
1111111111111111 0
1
00000000000000000
11111111111111111
0000000000000000
1111111111111111
1111111111111111 0
1
00000000000000000
11111111111111111
0000000000000000
0000000000000000
1111111111111111
11111111111111111
0
1
00000000000000000
1
00000000000000000
11111111111111111
0000000000000000
1111111111111111 0
1
00000000000000000
11111111111111111
0
0000000000000000
1111111111111111 0
1
00000000000000000
11111111111111111
0000000000000000
1111111111111111
0000000000000000
1111111111111111 0
1
00000000000000000
11111111111111111
1
00000000000000000
11111111111111111
0000000000000000
1111111111111111 0
0
1
00000000000000000
11111111111111111
v1 1111111111111111
0000000000000000 v 00000000000000000
11111111111111111
0
1 (T2)/ r2+ p2 . . . (Tn)/ rn+ pn
111111
000000 00
11
0000000000000000
1111111111111111
(T1) / r1+ p1
11111111
111111111111111111111
00000000
000000000000000000000 000
111
211
00
0
1
00000000000000000
11111111111111111
0
1
0000
1111 000
1110
1
0
1
000000
111111 00
11
00000000
11111111
000000000000000000000
111111111111111111111 000
111 00
11
0
1
0
1
0000
1111
vn
000
1110
1
0
1
000000
111111
111111 00000000
11111111
000000000000000000000
111111111111111111111 000
111 0
1
0000
1111 000
1110
1
000000
000000
111111
11111111
111111111111111111111
00000000
000000000000000000000
00000000
11111111
000000000000000000000
111111111111111111111
000
111
000
111
0
1
0000
1111
0
1
0000
1111
000
111
0001
111
0
0
1
000000
111111
000000
111111 00000000
11111111
000000000000000000000
111111111111111111111
00000000
11111111
000000000000000000000
111111111111111111111
000000
111111 00000000
11111111
000000000000000000000
111111111111111111111
000000
111111
000000
111111 00000000
11111111
000000000000000000000
111111111111111111111
00000000
11111111
000000000000000000000
111111111111111111111
000000
111111
( T1, T2) /
000000
111111 00000000
11111111
000000000000000000000
111111111111111111111
00000000
11111111
000000000000000000000
111111111111111111111
( T1, T3)/ ( T1, Tn)/
000
111
v 000
111
12 1
0
000000
111111 0000
1111 0000
1111
v1311
00 000
111
v1n 1000
111
0
000
111 0
1 max { r1+ p1,111111111111111111111
000
111 00000000
11111111
000000000000000000000
0000
1111 0000
1111
00
11max { r1+ p1, r3}+ p3 000
111 000
111
0
1 max { r1+ p1, rn}+ pn
000
111 000
111 r2} + p2
0000
1111 0000
1111 . . . 000
111 000
111
000
111
000
111 000
111 0000
1111 0000
1111 000
111 000
111
000111
000 0000
1111 0000
1111 000
111
000111
000
111 000
111 0000
1111 0000
1111 111 000
111

Figura 4.9: Arvore branch and bound para o problema 1|ri , di |Cmax .

Um problema desse tipo e mostrado no exemplo abaixo.

Exemplo 4.4 :

Job J1 J2 J3 J4
ri 4 1 1 0
pi 2 1 2 2
di 7 5 6 4

Aplicando o algoritmo branch and bound acima, obtem-se uma sequencia otima:

S = [J4, J2, J3, J1]

Para essa sequencia, o diagrama de Gantt e mostrado na gura 4.10 abaixo.

4.3.7 Problema 1|ri , delivery times|Cmax - Solucao Aproximada

Os dados deste problema sao:

uma maquina
a data de chegada ri de cada job i

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.7 - Problema 1|ri , delivery times|Cmax - Solucao Aproximada 46

111
000
mq J4 J2 J3 J1 000
111
000
111
0 2 4 6 8 t

Figura 4.10: Uma solucao otima de um problema 1|ri , di |Cmax

delivery times qi de cada job i


criterio de otimizacao e a minimizacao do makespan.

Schrage [82] apresenta um metodo heurstico para resolver este problema. Tal metodo propoe uma boa solucao
aproximada, quase sempre otima. Posteriormente, Carlier [24] apresenta um algoritmo tipo branch and bound,
que utilisa do metodo de Schrage e que garante uma solucao otima. Inicialmente apresenta-se o algoritmo de
Schrage, no decorrer do texto sera apresentado do algoritmo de Carlier.

Do ponto de vista pratico, este problema e importante por representar grande parte dos problemas de maquinas
gargalo2 da producao.

O algoritmo de Schrage e apresentado abaixo:

Algoritmo Schrage
1 t = min {ri }
Ti T
2 Cmax = t
3 enquanto (T = 6 ) faca
4 T = {Ti : Ti T e ri t}
5 escolha Ti T tal que pi = max {pk : qk = max {ql }}
Tk T Tl T
6 ti = t
7 T = T \ {Ti }
8 t = max{t + pi , min {rl }
Tl T
9 Cmax = max{Cmax , ti + pi + qi }
10 fim enquanto

Figura 4.11: Algoritmo de Schrage

Um problema desse tipo ja foi mostrado no m do captulo anterior e ele e reproduzido abaixo.

Exemplo 4.5 :

Job J1 J2 J3 J4 J5 J6 J7
ri 10 13 11 20 30 0 30
pi 5 6 7 4 3 6 2
qi 7 26 24 21 8 17 0

Uma solucao proposta pelo algoritmo de Schrage e a sequencia:

S = [J6, J1, J2, J3, J4, J5, J7],

mostrada no diagrama de Gantt da gura 4.12


2 Entende-se como maquina gargalo aquela que define o rtimo da producao

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.8 - Grafo Conjuntivo G = (X, U ) 47

Job J1 J2 J3 J4 J5 J6
ri 5 13 11 13 20 0
pi 5 6 7 4 3 6
qi 7 26 24 15 8 17

J7

J5
00000
11111
00000
11111
11111111111111
00000000000000
J4
00000000000000
11111111111111
J 00000000000000
11111111111111
000000000000000
111111111111111
3

J 000000000000000
111111111111111
000000000000000000
111111111111111111
000000000000000000
111111111111111111
2

J 000000000000000000
111111111111111111
00000
11111
1

J6 00000
11111
000000000000
111111111111
000000000000
111111111111
10 20 30 40 50 53 tempo

Figura 4.12: Uma solucao aproximada para o problema 1|ri , delivery times|Cmax

4.3.8 Grafo Conjuntivo G = (X, U )

Uma outra maneira de representar uma solucao de um problema de sequenciamento e utilizar os elementos da
Teoria dos Grafos (Gondran e Minoux [46] e Boaventura Netto [20]), denindo o grafo conjuntivo da solucao.

Um grafo e uma estrutura matematica representada por G = (X, U ), composta por dois conjuntos X e U . O
conjunto X de elementos discretos denominados nos ou vetices e o conjunto U , tambem de elementos discretos,
denominados arcos. Gracamente, um grafo pode ser representado no plano, onde os elementos do conjunto X
sao pontos no plano e os elementos de U , os arcos, sao ligacoes entre os vetices. Um arco e representado por
uma seta, partindo de um vertice do grafo e chegando a um outro. Neste caso, os arcos de um grafo representam
uma relacao de precedencia entre dois vertices.

Para representar uma solucao de um problema de sequenciamento, Roy [80] e Roy e Sussman [81] intro-
duzem a utilisacao da Teoria dos Grafos. Num grafo conjuntivo, os vertices sao as tarefas e os arcos sao
as relacoes de precedencia entre as tarefas. Mais precisamente, para representar uma solucao do problema
1|ri , delivery times|Cmax , deni-se o grafo conjuntivo:

X = T {0, } : conjunto de vertices, onde cada vertice e uma tarefa do problema. Duas tarefas ctcias
sao introduzidas:

0 : para representar o incio de execusao de todas as tarefas;


: para representar o m de execusao de todas as tarefas

As tarefas 0 e nao sao executadas por nenhuma maquina.

U = U1 U2 U3 : conjunto de arcos para representar as relacoes de precedencia entre as tarefas,


as relacoes de precedencias entre as tarefas dependem exclusivamente da solucao especca representada.
Uma outra solucao viavel do mesmo problema possui um grafo conjuntivo dirente. O conjunto de arcos
U e particionado em tres partes:

U1 : {(0, i) : i T } esta parte de U garante que a tarefa 0 e executada antes de todas as tarefas do
problema.
U2 : {(i, ) : i T } esta parte de U garante que a tarefa e executada depois de todas as tarefas do
problema.
U3 : {(i, j) T T : i j} esta parte de U representa as relacoes de precedencias, entre as tarefas,
proposta pela solucao em questao.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.8 - Grafo Conjuntivo G = (X, U ) 48

A cada arco do grafo conjuntivo e associado um valor (valoracao do grafo) que pode ser interpretado como o
comprimento do arco. Este valor representa o tempo de execusao da tarefa que se encontra no incio do arco.
Assim, para o problema 1|ri , delivery times|Cmax , os arcos sao valorados com os sequintes valores:

l(0, i) = ri

l(i, ) = pi + qi

l(i, j) = pi

A solucao proposta pelo algoritmo de Schrage do problema do exemplo 4.5, mostrada pela gura 4.12, e repre-
sentada pelo grafo conjuntivo da gura 4.13.

6
6
11111111111
00000000000
00000000000
11111111111 1 12
23

00000000000
11111111111
0
10105
00000000000
11111111111
10
00000000000
11111111111
00000000000
11111111111
2 32
13
00000000000106
11111111111 0
1
00000000000
11111111111
11
3 00000000000
11111111111
31
0
00000000000
11111111111
7 11111111111
00000000000
*
20
00000000000
11111111111
25
4 11111111111
00000000000
30
11
4
30 5 2
3

Figura 4.13: Representacao de uma solucao por um Grafo Conjuntivo

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.9 - Conceito de Caminho Crtico 49

4.3.9 Conceito de Caminho Crtico

Da teoria dos grafos, um caminho e uma sequencia de vertices, da por uma sequencia de arcos, em um grafo.
Caminho crtico e aquele caminho que nao possui folga entre os vertices.

Uma utilidade imediata da representacao de uma solucao para um problema se sequenciamento atraves do grafo
conjuntivo e a determinacao do valor do makespan. O valor do makespan da solucao do problema e dado pelo
comprimento do caminho crtico no grafo conjuntivo. Para uma solucao de um problema de sequenciamento,
um caminho crtico e uma sequencia de tarefas, partindo da tarefa inicial 0 e chegando na tarefa nal , que
nao possui tempos mortos entre as tarefas que pertencem a este caminho.

Um caminho crtico e determinado calculando-se a data mais cedo que uma tarefa pode ser iniciada e a data mais
tarde no qual ela pode terminar, garantido que o valor no makspan da solucao seja mnimo. Calcula-se entao a
folga associada a cada tarefa pela diferenca entre a data mais tarde e a data mais cedo. As tarefas crticas sao
aquelas se possuem folga igual a zero. Um caminho crtico e uma sequencia de tarefas crticas entre 0 e .

Antes porem de apresentar os algoritmos para a determinacao das datas mais cedo e datas mais tarte, apresenta-se
alguns conceitos da teoria dos grafos:

+ (Ti ): conjunto de tarefas sucessoras de Ti ;


(Ti ): conjunto de tarefas antecessoras de Ti ;
ti : data mais cedo que a tarefa Ti pode comecar;
tti : data mais tarde que a tarefa Ti pode terminar para garantir que o valor do makespan seja mnimo;
fi : folga associada a tarefa Ti :
fi = tti ti
tarefas crticas Ti : sao aquelas as quais fi = 0.

A data mais cedo de cada tarefa e calculada pelo algoritmo 1.

Algoritmo Data mais cedo


1 t0 = 0
2 T = {0}
3 T = T \ {0}
4 enquanto (T = 6 ) faca
5 para todo (Ti T tal que (Ti ) T ) faca
6 ti = maxTj (Ti ) {tj + l(i, j)}
7 T = T {Ti }
8 T = T \ {Ti }
9 fim para todo
10 fim enquanto

Figura 4.14: Algoritmo Data mais cedo.

O algoritmo 2 calcula a data mais tarde de cada tarefa.

Uma vez calculados as data mais cedo e mais tarde de cada tarefa, calcula-se a folga associada a cada tarefa pela
expressao:

fi = tti ti ,

ou seja a folga associada a cada tarefa e igual a diferenca entre a data mais tarde e a data mais cedo.

Para calcular as datas mais cedo e mais tarte associadas a cada tarefa, utilisa-se a anotacao graca da gura 4.15
para representar uma um vertice do grafo conjuntivo.

Como exemplo, a gura 4.16 mostra o caminho crtico no grafo da gura 4.13.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.10 - Problema 1|ri , delivery times|Cmax - Solucao otima 50

Algorithm 1 : Data mais cedo


t0 = 0;
T = {0};
T = T \ {0};
while T = 6 do
for all Ti T tal que (Ti ) T do
ti = maxTj (Ti ) (tj + l(i, j));
T = T {Ti };
T = T \ {Ti };
end for
end while

Algorithm 2 : Data mais tarde


tt = t ;
T = {T };
T = T \ {T };
while T = 6 do
for all Ti T tal que + (Ti ) T do
tti = minTj + (Ti ) (ttj l(i, j));
T = T {Ti };
T = T \ {Ti };
end for
end while

Ti
ti tit

Figura 4.15: Representacao de um vertice para a determinacao de um caminho crtico

4.3.10 Problema 1|ri , delivery times|Cmax - Solucao otima

Carlier [24] propoe um algoritmo enumerativo, tipo branch and bound que encontra uma solucao otima para
este problema. Pelo fato de Carlier utilizar o algoritmo de Scharge, a arvore branch and bound e extremamente
reduzida, permitindo resolver problemas de tamanho bastante signicativo em tempo de maquina (tempo de
processamento de computador) reduzido.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.10 - Problema 1|ri , delivery times|Cmax - Solucao otima 51

6
0

1 23
0
10

5
10 12
2

13 32

0 3 *
11 31

20 7 25

4
30
11

4
30
2
5

Figura 4.16: Caminho crtico em um Grafo Conjuntivo

O algoritmo de Carlier e baseado no teorema 4.1.

Teorema 4.1 Seja L o makespan da sequencia dada pelo algoritmo de Schrage

1. Se o sequenciamento e otimo, entao existe um conjunto de tarefas crticas J tal que:


X
h(J) = min ri + pi + min qi = L
iJ iJ
iJ

2. Se o sequenciamento nao e otimo, entao existe uma tarefa crtica c e um conjunto de tarefas crticas J tal
que:
X
h(J) = min ri + pi + min qi > L pc
iJ iJ
iJ

Uma consequencia imediata deste teorema consiste em que a distancia entre a solucao otima e a solucao encon-
trada pelo algoritmo de Schrage e menor que o tempo de processamento da tarefa crtica c, ou seja pc . Desta
maneira, pode-se garantir que:

1. c e executada antes de todas as tarefas de J, com:


X
qc = max(qc , pi + qp );
iJ

qp e o delivery times do ultimo job de J,

2. c e executada depois de todas as tarefas de J, com:


X
rc = max(rc , min ri + qi )
iJ
iJ

Observa-se que a tarefa crtica c e a tarefa de maior indice no caminho crtico tal que qc < qp . O branch do
algoritmo de Carlier e mostrado pela gura 4.17.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


P
4.3.11 - Problema 1|| wi Ci 52

Problema estudado

Primeiro problema Segundo problema


c antes de J c depois de J

Figura 4.17: Branch do algoritmo de Carlier

P
4.3.11 Problema 1|| wi Ci

Os dados deste problema sao:

uma maquina

criterio de otimizacao e a minimizacao da soma ponderada da data de nalizacao.

Uma solucao otima deste problema pode ser obtida pela regra de sequenciamento proposta por Smith em 1956:
sequenciar em ordem nao decrescente de pi /wi

Exemplo 4.6 :

Job J1 J2 J3 J4 J5 J6 J7 J8 J9 J10
pi 16 12 19 4 7 11 12 10 6 8
wi 2 4 3 2 5 5 1 3 6 2
pi /wi 8 3 6,3 2 1,4 2,2 12 3,3 1 4

Aplicando a regra de Smith acima, obtem-se uma sequencia otima:

S = [J9, J5, J4, J6, J2, J8, J10, J3, J1, J7]

Para essa sequencia, o diagrama de Gantt e mostrado na gura 4.18 abaixo.

111
000
000
111
000
111
mq J9 J5 J4 J6 J2 J8 J10 J3 J1 J7

0 10 20 30 40 50 60 70 80 90 98 t

P
Figura 4.18: Uma solucao otima de um problema 1|| wi Ci
P
O valor da funcao objetivo wi Ci para esta solucao e:

X
wi Ci =

Problema 1|di |
P
4.3.12 wi Ci

Os dados deste problema sao:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


P
4.3.12 - Problema 1|di | wi Ci 53

uma maquina

data nal di de cada job Ji


P
criterio de otimizacao e a minimizacao da soma ponderada da data de nalizacao, ou seja wi Ci .

Uma solucao aproximada para este problema pode ser obtida atraves do algoritmo 4.19 proposto por Smith
[87].

Algoritmo Smith 56
n
X
1 p= pi
i=1
2 enquanto (T = 6 ) faca
3 Tp = {Ti : Ti T e di p}
4 Escolha Ti Tp tal que pi /wi seja max
5 Sequencie Ti na posicao n
6 n=n1
7 T = T {Ti }
8 p = p pi
9 fim enquanto

Figura 4.19: Algoritmo de Smith

Exemplo 4.7 :

Job J1 J2 J3 J4 J5 J6 J7 J8
pi 4 3 8 2 4 7 5 4
di 13 8 38 14 9 40 25 22
wi 2 6 3 3 4 2 9 2
pi /wi 2 0,5 2,7 0,7 1 3,5 0,5 2

E Conhecido que o algoritmo de Smith (algoritmo 4.19)e exato para os sequintes problemas:

Problema 1|pi = 1, di | wi Ci
P
4.3.12.1

Neste problema os tempos de processamento sao todos unitarios.

Problema 1|di |
P
4.3.12.2 Ci

Quando o problema possui o peso wi de cada tarefa Ti unitario, ou seja, nao existe prioridade entre as tarefas.

Problema 1|di |
P
4.3.12.3 wi Ci onde pi pj wi wj

Se para cada par de tarefas Ti e Tj do problema onde pi pj implica que wi wj .

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.13 - Problemas com custo de preparacao (setup) 54

4.3.13 Problemas com custo de preparacao (setup)

Problemas que envovem custo ou tempos de preparacao de maquinas geralmente sao estremamente difceis
resolver. No caso do problema com uma unica maquina, existem basicamente duas classes de problemas deste
tipo, sao eles:

1. o problema classico de sequenciamento,

2. o problema de dimencionamento de lotes.

As secoes seguintes apresenta esses dois problemas.

4.3.13.1 O problema classico de sequenciamento

Sao dados do problema o custo (e/ou o tempo) de preparacao da maquina sij se a tarefa Ti e executada justamente
antes da tarefa Tj (i j). sij sao escritos numa matriz [sij ], n n. Os problemas desse tipo possuem ainda:

sii = 0

sij = sji problema simetrico

sij 6= sji problema assimetrico

A gura 4.20 mostra a diferenca na data de termino para duas tarefas permutadas em duas sequenciadas quando
o problema e assimetrico.
11111
00000 1111
0000
00000
11111 0000
1111
00000
11111 Ti si j Tj
0000
1111
00000
11111 0000
1111
00000
11111 00000000
11111111
00000
11111 00000000
11111111
00000
11111 Tj sj i Ti 00000000
11111111
00000
11111 00000000
11111111

Figura 4.20: Permutacao de duas tarefas no caso assimetrico

Os dois casos possveis: tempo e custo de preparacao de maquinas sao analizados:

1. minimisacao do tempo total de execusao: min Cmax com tempo de preparacao de maquinas (setup times)
Para uma sequencia viavel qualquer S, calcula-se o valor do makespan (Cmax )S pela expressao:

n
X n X
X n
(Cmax )S = pi + sij yij (4.1)
i=1 i=1 i=1
j6=i


1 se a tarefa Tj e executada imediatamente depois de Ti (Ti  Tj )
onde: yij =
0 caso contrario
Pn
Em (4.1), i=1 pi nao depende da sequencia S, logo o este crierio de minimisacao do makespan e equiva-
lente a minimisar o valor no somatorio dos tempos de preparacao de maquinas, ou seja:

n X
X n
min z = sij yij
i=1 i=1
j6=i

Por outro lado, o conhecido Problema do Caxeiro Viajante e denido como:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.13 - Problemas com custo de preparacao (setup) 55

dada uma cidade de origem, achar o percurso de distancia mnima


para visitar n cidades e retornando a cidade de origem,
passando uma unica vez em cada uma das cidades.

Se uma tarefa ctcia T0 com s0,i = si,0 = 0 for criada e introduzida no problema classico de sequenciamento
com tempo de preparacao de maquina, este problema passa a ser equivalente ao problema do caxeiro viajante.
Assim, todos dos metodos encontrados na literatura para o problema do caxeiro viajante pode ser utilizado
para resolver o problema classico de sequenciamento com tempo de preparacao de maquina.

2. minimisacao do custo total de preparacao de maquinas (setup cost): se o custo total no problema independe
da sequencia, semelhante ao problema anterior, este problema vem a ser, se introduzida a tarefa ctcia T0
como no problema anterior, equivalente ao problema do caxeiro viajante.

4.3.13.2 O problema de dimencionamento de Lotes

Este problema e conhecido na literatura como uma classe do Lot Size Scheduling Problem. Fleischmann em
1990 apresenta o problema abaixo.

dados :

H perodos t de producao

n numero de tipos de produtos i

sit : custo de setup se i e fabricado em t

hit : custo unitario de estocagem de i no m de t

dit : demanda de i no m de t

Iit : limite maximo do estoque de i no m de t


I0t : estoque inicial de i

variaveis :

xit quantidade de i e fabricado em t

Iit : estoque de i no m de t

1 se o produto i e fabricado no perodo t
yit =
0 caso contrario

o problema :

n X
X H
min (sit yit + hit Iit ) (4.2)
i=1 t=1

sujeito a Iit = Ii(t1) + xit dit i, t (4.3)


xit M yit i, t (4.4)
0 Iit Iit i, t (4.5)
xit 0, yit {0, 1} i, t (4.6)

Observa-se que este problema nao consiste exatemente em sequenciar a maquina, mas sim determinar em quais
os perodos t o produto i deve ser fabricado.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.3.14 - Exerccios 56

4.3.14 Exerccios

4.3.14.1 Exerccio 1

1. Escrever as regras do algoritmo branch and bound para o problema 1|ri , di |Cmax
2. Escrever o algoritmo de Carlier

3. Utilizando de um metodo apropriado, resolva os problemas de sequenciamento abaixo.

(a) Problema 1|ri , delivery times|Cmax - Solucao Aproximada

Job J1 J2 J3 J4 J5 J6
ri 0 2 5 8 10 15
pi 4 4 2 1 3 2
qi 9 10 13 6 7 6
Solucao de Schrage :

[T1 , T2 , T3 , T5 , T4 , T6 ]

4.3.14.2 Exerccio 2

Job J1 J2 J3 J4 J5 J6
ri 5 13 11 13 20 0
pi 5 6 7 4 3 6
qi 7 26 24 15 8 17

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


P
4.4 - Problema 1|rj | wj Cj 57
P
4.4 Problema 1|rj | w j Cj

Este problema e conhecido na literatura por Problema de Sequenciamento em Uma Maquina (Single-Machine
Scheduling Problem - SMSP). A formulacao apresentada aqui e a mesma mostrada por van den Akker et al. [91].
Uma formulacao proxima, Avella et al. [6] aplica uma heurstica lagrangeana. Esta secao apresenta a formulacao
de [91] com a relaxacao lagrangeana de [6].

4.4.1 Formulacao

Esta formulacao consiste em denir:

dados:

J: conjunto de n jobs j;
pj : tempo de processamento do job j;

rj : data de chegada do job j;

wj : prioridade do job j;

T : horizonte de planejamento discretizado em perodos t. O perodo t comeca em (t 1) e termina em t.


Para que se possa guarantir que todos os jobs serao execultados no horizonte T , tem-se:

n
X
T pj
j=1

considerando as datas de chegada rj , verica-se que se

n
X
T = pj + max rj
jJ
j=1

todos os jobs serao executados.

cjt : custo associado ao job j se sua execucao se inicia na data t. Se o objetivo for de minimizar a soma
ponderada das datas de inicio de execucao de cada job, entao

cjt = wj (t 1)

variaveis

xjt : variavel binaria que assume 1 se a execucao do job j inicia na data t, e 0 se nao

O problema uma maquina ca:

n T p
X X j +1

minimizar cjt xjt (4.7)


j=1 t=1
T pj +1
X
sujeito a xjt = 1 j = 1, . . . , n (4.8)
t=1
n
X t
X
xjs 1 t = 1, . . . , T (4.9)
j=1 s=max{1,tpj +1}

xjt {0, 1}, j = 1, . . . , n; t = 1, . . . , T pj + 1. (4.10)

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.4.2 - Relaxacao Lagrangeana 58

Se consideramos o problema com dada de chegada rj , a formulacao ca:

n T p
X X j +1

minimizar cjt xjt (4.11)


j=1 t=rj +1
T pj +1
X
sujeito a xjt = 1 j = 1, . . . , n (4.12)
t=rj +1
n
X t
X
xjs 1 t = rj + 1, . . . , T (4.13)
j=1 s=max{0,tpj +1}

xjt {0, 1}, j = 1, . . . , n; t = rj + 1, . . . , T pj + 1. (4.14)

Exemplo 4.8

Job J1 J2 J3 J4
pi 2 3 1 2
ri 1 3 2 0
wi 7 6 3 5

horizonte de planejamento T = 2 + 3 + 1 + 2 + 3 = 11
variaveis xjt
calculo de cjt

(rj + pj 1) 1 2 3 4 5 6 7 8 9 10 11
J1 2 * * * * * * * * *
J2 5 * * * * * *
J3 2 * * * * * * * * *
J4 1 * * * * * * * * * *

4.4.2 Relaxacao Lagrangeana

4.5 O problema do flowshop

4.5.1 Introducao

Uma primeira denicao do problema pode ser dada como:

um conjunto de maquinas executa operacoes sobre um conjunto de jobs;


todos os jobs tem a mesma sequencia de operacoes sobre as maquinas

Observamos que um flowshop as maquinas sao dedicadas e a preemption nao e admitida.

Esquematicamente, a gura 4.21 mostra uma ocina onde n jobs sao executados sobre m maquinas, esta e uma
situacao tpica de um problema tipoflowshop.

O exemplo 4.9 apresenta um problema do tipo flowshop com dois jobs (J1 e J2) que sao processados sobre quatro
maquinas. Os tempos de processamento sao apresentados na tabela. O criterio de otimizacao e a minimizacao
do makespan.

O problema consiste em saber a sequecia de tarefas que cada maquina deve executar para que todas as tarefas
sejam executadas e um objetivo seja atingido.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.2 - Caracterizacao do problema 59

job 1

job 2
...
job n ...
maq 1 maq 2 maq m

Figura 4.21: Esquema de um flowshop

Este captulo formaliza matematicamente o problema e apresenta algumas informacoes teoricas para a resolucao
de algumas instancia do problema.

Exemplo 4.9 : F 4|n = 2|Cmax

tempo de processamento
job maq 1 maq 2 maq 3 maq 4
J1 1 4 4 1
J2 4 1 1 4

Tabela 4.2: Dados do problema F 4|n = 2|Cmax

4.5.2 Caracterizacao do problema

4.5.2.1 Dados

um conjunto de l jobs J = {J1 , J2 , . . . , Jl }

J = {J1 , J2 , . . . , Jl }

um conjunto de maquinas M = {M1 , M2 , . . . , Mm }

cada job Ji e fabricado por uma sequencia de m operacoes (tarefas):

Ji = {Ti1 , Ti2 , . . . , Tim }

O conjunto T de todas as tarefas e escrito:

T = J1 J2 . . . Jn

Note que, para i = 1, 2, . . . , l, Ji e uma parte de T a m elementos.

um criterio de otimizacao

4.5.2.2 Condicoes do problema

1. cada job so pode sofrer uma unica operacao por vez

2. cada maquina so pode executar uma unica operacao por vez

3. a preemption das operacoes nao e permitida

4. todos os jobs tem a mesma ordemde execucao sobre as maquinas

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.3 - Complexidade 60

4.5.2.3 O problema classico de flowshop

Determinar a sequencia de operacoes que cada maquina deve executar de tal maneira que seja performante sob
um criterio de otimizacao dado.

4.5.2.4 O problema de flowshop de permutacao

Uma instancia do problema classico de interesse teorico e o problema de flowshop de permutacao. Este problema
possui os mesmos dados e condicoes do problema classico agrescendada a condicao de que num solucao viavel,
todas as maquinas possuem a mesma sequencia.

4.5.3 Complexidade

Para as duas instancias de maior interesse, calcula-se o numero de solucoes viaveis: para o problema classico de
flowshop e para o problema de flowshop de permutacao.

1. para o problema classico de flowshop

para a primeira maquina:


existem n jobs diferentes que podem ser o primeiro job a ser executado
existem n 1 jobs diferentes que podem ser o segundo job a ser executado
continuando o raciocnio acima para as possibilidades de sequenciamento das n posicoes da pri-
meira maquina, tem-se entao n! possibilidades de sequenciamento para esta maquina
o mesmo se passa para cada uma das m maquinas, logo, o numero de sequencias

(n!)m

2. para o flowshop de permutacao): como para esse problema todas as maquinas executam todos os jobs na
mesma sequencia, o numero total de solucoes viaveis ca entao:

n!

O problema do exemplo 4.9 possui dois jobs e quatro maquinas, portanto possui (2!)4 = 16 solucoes viaveis,
sendo que somente duas delas sao solucoes viaveis para o problema de permutacao. A gura 4.22 apresenta as
duas solucoes viaveis para o problema de permutacao e a solucao otima do problema classico do exemplo 4.9.

As solucao viaveis mostradas nos gracos de Gantt (a) e (b) da gura 4.22 sao as duas solucoes viaveis do
problema de permutacao. O valor do makespan destas solucao e 14. O graco de Gantt (c) apresenta uma
solucao otima do problema classico. E importante observar em (c) que no intervalo de tempo [5, 6] o job J1 esta
disponvel para ser executado pela maquina M 3, e M 3 esta disponvel para executar o job J1, mas, mesmo que
estas condicoes sao satisfeitas. Para obter a solucao otima do problema classico mostrada na gura, e necessario
que M 3 nao execute J1 no intervalo [5, 6], mas espere M 2 terminar de executar J2 para executa-lo. Esta e uma
das diculdades do problema classico, dicilmente uma solucao otima e obtida sem pesquisar todas as solucoes
viaveis do problema.

Uma das contribuicoes teoricas mais importante para a resolucao do problema classico do flowshop consiste no
estudo que denir as condicoes as quais uma solucao viavel de permutacao e otima para o problema, neste caso,
o universo solucoes viaveis a ser pesquisado caria consideravelmente reduzido.

4.5.4 Alguns conceitos teoricos

Esta sessao apresenta alguns conceitos teoricos os quais alguns algoritmos sao fundamentados. Estes conceito
tambem sao uteis para o desenvolvimento de novos metodos de resolucao.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.4 - Alguns conceitos teoricos 61

111111111111111111111111
000000000000000000000000
000000000000000000000000
111111111111111111111111
000000000000000000000000
111111111111111111111111
M1 J1 J2

0000
1111
0000
1111 0000000000000000000000
1111111111111111111111
0000000000000000000000
1111111111111111111111
0000
1111 0000000000000000000000
1111111111111111111111
M2 J1 J2

00000000000000
11111111111111 00000000000
11111111111
00000000000000
11111111111111 00000000000
11111111111
M3 J1 J2

000000000000000000000000
111111111111111111111111 10
000000000000000000000000
111111111111111111111111 10
M4 J1 J2

14 t
(a)

000000000000000000000000
111111111111111111111111
000000000000000000000000
111111111111111111111111
M1 J2 J1

11111111111
00000000000
00000000000
11111111111 00000000000000
11111111111111
00000000000000
11111111111111
00000000000
11111111111 00000000000000
11111111111111
M2 J2 J1

00000000000000
11111111111111 000000000
111111111
00000000000000 111111111
11111111111111 000000000 0000
1111
0000
1111
00000000000000
11111111111111 000000000 11111111
111111111 0000
1111
M3 J2 J1

0000000000000000
1111111111111111
0000000000000000
1111111111111111 00000000
00000000 1010
11111111
0000000000000000
1111111111111111 00000000 10
11111111
M4 J2 J1

14 t
(b)

111111111111111111111111
000000000000000000000000
M1 J1 000000000000000000000000
111111111111111111111111
000000000000000000000000
111111111111111111111111
J2

0000
1111
0000
1111
M2 0000000000000000000000
1111111111111111111111
0000000000000000000000
1111111111111111111111
J1 J2

1010
0000000000000000
1111111111111111 0000000000
1111111111
0000000000000000
1111111111111111 0000000000
1111111111
M3 J2 J1

1010
0000000000000000000
1111111111111111111 0000000
1111111
0000000000000000000
1111111111111111111 0000000
1111111
M4 J2 J1

1010
111
000
1111
0000 1111
0000
10 [5,6] 12 t

(c)

Figura 4.22: Solucoes viaveis de um flowshop

4.5.4.1 Criterio regular de otimizacao

Um criterio de otimizacao z e regular se as duas condicoes abaixo forem satisfeitas:

1. o objetivo do sequenciamento e minimizacao


2. o valor de z decresce somente se ao menos uma data de nalizacao Ci decresce.

Um criterio de otimizacao que nao satisfaz essas duas condicoes e dito nao-regular .Baker [7] mostra que alguns
criterios sao regulares e outros nao-regulares:

1. criterios regulares
todos os criterios ate agora estudados
2. criterios nao-regulares
criterios com minimizacao de custos
criterios onde a ociosidade da maquina e uma variavel do problema.

4.5.4.2 Sequencia Total

Denomina-se uma sequencia total de um problema quando se conhece o sequenciamento de cada uma das
maquinas do problema. Cada solucao viavel de um problema esta associada a uma unica sequencia total. Por
outro lado, uma sequencia total esta associada a innitas solucoes viaveis de um problema.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.5 - Tres teoremas fundamentais 62

4.5.4.3 Sequencia Semi-ativa

Uma sequencia semi-ativa, ou sequencia total semi-ativa, e uma sequencia total que possui um caminho crtico.

4.5.5 Tres teoremas fundamentais

Teorema 4.2 Sob um criterio regular, a solucao otima e uma sequencia semi-ativa.

A gura 4.23 ilustra esse teorema.

111111111111111111111
000000000000000000000
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
M1 J1 J2

0000
1111
0000
1111 00000000000000000000
11111111111111111111
00000000000000000000
11111111111111111111
0000
1111 00000000000000000000
11111111111111111111
M2 J1 J2

0000000000000000
1111111111111111 0000000
1111111
0000000000000000
1111111111111111 0000000
1111111
M3 J2 J1

0000000000000000000
1111111111111111111 00000
11111
0000000000000000000
1111111111111111111 00000
11111
M4 J2 J1

(a) 12 t

111111111111111111111
000000000000000000000
000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
M1 J1 J2

0000
1111
0000
1111 00000000000000000000
11111111111111111111
00000000000000000000
11111111111111111111
0000
1111 00000000000000000000
11111111111111111111
M2 J1 J2

0000000000000000000
1111111111111111111
0000000000000000000
1111111111111111111
M3 00000
11111
00000
11111
J2 J1

000000000000000000000
111111111111111111111
000000000000000000000
111111111111111111111
M4 1010 J2 J1

(b)

Figura 4.23: Indroducao de tempo morto em uma sequencia semi-ativa

Observa-se que 4.23(a) e uma solucao otima do problema 4.9. Em 4.23(b) foi introduzido um intervalo de tempo
morto de duracao entre duas operacoes crticas, consequentemente o valor do makespan cou acrescido de
e a nova sequencia nao e semi-ativa. Nota-se que uma sequencia otima possui um caminho crtico e portanto e
uma sequencia semi-ativa.

Teorema 4.3 A solucao otima de um problema tipo flowshop, sob um criterio regular, e uma sequencia semi-ativa
na qual as duas primeiras maquinas possuem a mesma sequencia.

Evitando uma demonstracao formal, a gura 4.24 ilustra esse teorema.

Em um problema qualquer, no graco de Gantt mostrado em 4.24(a) a operacao l e executada antes da tarefa k
na maquina M1, e depois de k na maquina M2. Trocando K por I na maquina M2 (gura 4.24(b)), M2 pode
comecar a executar l logo que esta operacao foi concluida na maquina M1.

Teorema 4.4 O problema do flowshop com sob um criterio de minimizacao do makespan, e suficiente considerar
somente sequencias semi-ativas nas quais as duas ultimas maquinas tem a mesma sequencia.

A gura 4.25 ilustra esse teorema.

Semelhante ao teorema anterior, ao comparar-se duas solucoes, numa a sequencia das duas ultimas operacoes
em duas maquinas sao diferentes (4.25(a)), na outra a sequencia das duas ultimas operacoes sao as mesmas
(4.25(b)), observa-se que o makespan sempre e menor para a segunda solucao.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.5 - Tres teoremas fundamentais 63

1
0
0
1
0
1
0
1
000000000000000
111111111111111
M1 I k 0
1
000000000000000
111111111111111
0
1
000000000000000
111111111111111
0
1
0
1
0
1
00000000000 k
11111111111 00
11
0
1
M2 00000000000
11111111111 I 00
11
0
1
00000000000
11111111111 0
1 00
11
0
1
0
1 0
1
0
1 0
1
0
1 0
1
(a) 0
1 0
1
0
1
0
1 0
1
0
1 0
1
0
1
000000000000000
111111111111111
0
1 0
1
000000000000000
111111111111111
0
1
M1 I k 1 0
1
000000000000000
111111111111111
0 0
1
000000000000000
111111111111111
0
1 0
1
0000
1111 0
1 0
1
0000000000
1111111111
0000
1111 0
1 0
1
0000000000
1111111111
0000
1111 0
1 0
1
0000000000
1111111111
k1
0
M2
0000
1111
I 0
1
0000000000
1111111111
0
1
0
1 0
1
111111
000000 0
1
01
1 0
1
0
1
0
10 0
1
01
10 0
1
(b) 01
10
1111111
0000000 0
1
000000000
111111111
0
1 11111
00000
0
1

Figura 4.24: Sequencia das duas primeiras maquinas


0110
0000
1111
101111 00000000000000
11111111111111 00
11
0000
10101111 00000000000000
11111111111111 00
11
M1 0000 I k 11111111111111
00000000000000 00
11
0000
1111
1010 00000000000000
11111111111111 00
11
1011111111111111
00000000000000 00
11
M2 1 011111111111111
00000000000000 k 1010 I 00
11
1010
00000000000000
11111111111111 00
11
1010 1010
1010 (a) 1010 1010
1010 1010 1010
10101111 0
1 1010 01
0000 0000000000000000
1111111111111111 1010
M1 1
0000
01111 0000000000000000
1111111111111111 1010
0000
101111 k 1111111111111111
0000000000000000 0
1 1010 00 11
I
0000
1111
1010 0000000000000000
1111111111111111 1010
1011111111 10111111111 0
1
M2 1
00000000
01011111111 k 1
000000000
010111111111 1010
00000000 I 000000000
00000000
1011111111 000000000
10111111111 1010 01
11111111111111111111111111111111111111
00000000000000000000000000000000000000 1010 1010 1010
1111110
00000
111111111111111
000000000000000 0
1 1111
0000
(b) 1010
1010 10

Figura 4.25: Sequencia das duas ultimas maquinas

4.5.5.1 Consequencias imediatas dos teoremas

Estes teoremas auxiliam na delimitacao do conjunto de solucoes candidatas a serem solucoes otimas. Com estes
teoremas, em muitos problemas tipo flowshop o conjunto de solucoes candidatas a serem otimas e consideravel-
mente reduzido se comparado ao conjunto de solucoes viaveis.

As sessoes seguintes apresentam dois problemas tipo flowshop e, como e mostrado, esses teoremas serao utilizados
para denir caracteristicas de uma de suas solucoes otimas.

4.5.5.2 Problema F 2||R

As caractersticas desse problemas sao:

tipo flowshop
possui somente duas maquinas
com um criterio regular de otimizacao qualquer.

A solucao otima deste problema e um flowshop de permutacao. Em outras palavras, a solucao otima de qualquer
problema tipo flowshop com duas maquinas e sob um criterio regular de otimizacao qualquer, e uma solucao de
permutacao.

Considerando o problema a duas maquinas, pela sessao 4.5.3, o numero de solucoes viaveis e dado pela expressao
(n!)2 . E o numero de solucoes de permutacao pela expressao (n!). A tabela 4.3 mostra o numero de solucoes

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.6 - Resolucao de problemas 64

viavis e o numero de solucoes de permutacao para problemas entre dois e dez jobs.

no de no de solucoes no de solucoes
jobs viaveis de permutacao
2 4 2
3 36 6
4 576 24
5 14.400 120
6 518.400 720
7 25.401.600 5.040
8 1.625.702.400 40.320
9 1,316.818.944e11 362.880
10 1,316.818.944e13 3.628.800

Tabela 4.3: F 2||R - numero de solucoes viaveis e de permutacao

Nota-se que, com os resultados dos teoremas 4.3 e 4.4, este problema pode ser facilmente tratado ate um numero
consideravel de jos.

4.5.5.3 Problema F 3||Cmax

tipo flowshop

possui tres maquinas

minimizar o makespan como criterio de otimizacao.

Qualquer solucao otima deste problema e uma solucao de permutacao.

Ilustrando os resultados dos teoremas 4.3 e 4.4, a tabela 4.4 mostra o numero de solucoes viaveis e o numero de
solucoes de permutacao para problemas desse tipo entre dois e dez jobs.

no de no de solucoes no de solucoes
jobs viaveis de permutacao
2 8 2
3 216 6
4 13.824 24
5 1.728.000 120
6 373.248.000 720
7 1,280.240.64e11 5.040
8 6,554.832.076.8e13 40.320
9 4,778.472.584e16 362.880
10 4,778.472.584e19 3.628.800

Tabela 4.4: F 3||Cmax - numero de solucoes viaveis e de permutacao

4.5.6 Resolucao de problemas

Esta sessao apresenta alguns problemas tipo flowshop e ao menos um metodo de resolucao para cada problema.

4.5.6.1 Problema F 2||Cmax

tipo flowshop

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.6 - Resolucao de problemas 65

possui duas maquinas


minimizar o makespan como criterio de otimizacao.

Este e uma problema do tipo mostrado na sessao 4.5.5.2, logo qualquer solucao otima deste problema e uma
solucao de permutacao.

Pioneiramente, Johnson em 1954 apresenta um teorema (4.5) que permite escrever um algoritmo extremamente
simples para resolver exatamente esse problema. Considere a notacao:

ai : tempo de processamento do job i na maquina 1


bi : tempo de processamento do job i na maquina 2

O teorema de Johnson e anunciado:

Teorema 4.5 O job i precede o job j em uma sequencia otima se

min{ai , bi } min{aj , bj }

O metodo de Johnson e apresentado nas proximas sessoes sob duas formas.

Premeira versao do algoritmo de Johnson Esta primeira versao do algoritmo de johnson permite uma
iplementacao computacional simples e direta, sequindo a notacao apropriada apresentada abaixo.

Considere a notacao :

S : sequencia de jobs ja sequenciados


Sk : kesima posicao da sequencia S

Uma primeira verao do algoritmo de Johnson e escrita:

Algorithm 3 : Johnson - primeira versao


S := ;
k := 1;
l := n;
while (J 6= ) do
c := minJi J {ai , bi };
if (Ji : ai = c) then
Sk := Ji ;
k := k + 1;
else
Sl := Ji ;
l := l 1;
end if
J := J {Ji };
end while

Exemplo 4.10 :

solucao

inicializacao: J := {J1 , J2 , J3 , J4 , J5 };

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.6 - Resolucao de problemas 66

jobs
J1 J2 J3 J4 J5
M1 3 5 1 6 7
M2 6 2 2 6 5

Tabela 4.5: Dados do problema F 3||Cmax

S := ;
k := 1;
l := 5;
primeira iteracao c := 1 = a3 ;
S1 := J3 ;
k := 1 + 1 = 2;
J := {J1 , J2 , J3 , J4 , J5 } {J3 } = {J1 , J2 , J4 , J5 };
segunda iteracao c := 2 = b2 ;
S5 := J2 ;
l := 5 1 = 4;
J := {J1 , J2 , J4 , J5 } {J2 } = {J1 , J4 , J5 };
terceira iteracao c := 3 = a1 ;
S2 := J1 ;
k := 2 + 1 = 3;
J := {J1 , J4 , J5 } {J1 } = {J4 , J5 };
quarta iteracao c := 5 = b5 ;
S4 := J5 ;
l := 4 1 = 3;
J := {J4 , J5 } {J5 } = {J4 };
quinta iteracao S3 := J4 ;
J := {J4 } {J4 } = ;
S = [J3 , J1 , J4 , J5 , J2 ]

1010
M1 J3 J1 J4 J5 J2 111111
000000
000000
11111110
11
00 1011
00 11
11 00
00
11 11
00
00
11 00
1011
00
M2
1010
J3 J1 J4 J5 J2

24
Figura 4.26: Uma solucao otima do exemplo 4.10

4.5.6.2 Segunda versao do algoritmo de Johnson

Algorithm 4 : Johnson - segunda versao


U = {Ji : ai bi };
V = {Ji : aj > bj };
ordenar U em ordem nao decrescente de ai ;
ordenar V em ordem nao crescente de bi ;
a solucao otima e dada pelo conjunto ordenado U seguido do conjunto ordenado V ;

solucao do exemplo 4.10

U = {J1 , J3 , J4 }

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.6 - Resolucao de problemas 67

V = {J2 , J5
U = {J3 , J1 , J4 }
V = {J5 , J2 }
S = {J3 , J1 , J4 , J5 , J2 }

4.5.6.3 Problema F 3|Cmax

Uma solucao otima deste problema e uma solucao de permutacao (conforme a sessao 4.5.5.3). Considere entao
a notacao abaixo.

ai : tempo de processamento de Ji em M 1

bi : tempo de processamento de Ji em M 2

ci : tempo de processamento de Ji em M 3

Se
max{bi } min{ai }
ou
max{bi } min{ci }

um algoritmo exato para esse problema e contruido a partir do algoritmo de de Johnson.

Algorithm 5 : algoritmo para F 3|Cmax


Faca para a maquina ctcia 1 (M F 1): p1i = ai + bi
Faca para a maquina ctcia 2 (M F 2): p2i = bi + ci
Sequenciar as maquinas ctcias em utilizando o Algoritmo de Johnson
Reescrever o problema original

Exemplo 4.11 :

jobs
J1 J2 J3 J4 J5
M1 4 5 6 5 4
M2 3 4 2 2 1
M3 7 2 2 6 5

Tabela 4.6: Dados de um problema F 3||Cmax

solucao:

max bi = 4 min ai = 4

como esta primeira condicao foi satisfeita, nao e necessario vericar a segunda condicao, assim o algoritmo acima
pode ser aplicado para resolver este problema.

Aplicando o algoritmo:

construir as maquinas ctcias M F 1 e M F 2:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.6 - Resolucao de problemas 68

jobs
J1 J2 J3 J4 J5
MF1 7 9 8 7 5
MF2 10 6 4 8 6

Resolver este problema pelo algoritmo de Johnson:

U = {J1, J4, J5}


V = {J2, J3}
U = {J5, J1, J4}
V = {J2, J3}
S = [J5, J1, J4, J2, J3]

A solucao otima encontrada e mostrada na gura 4.27.

1
0 1
0
0
1 0
1
0
1
0
1
0
1 0000000
1111111
0
1
0000000
1111111
0
1
M1 J5 J1 J4 J2 J3

0
1
M2 1
0 0
1
000000
111111
0
1
000000
111111 0000
1111
0000
1111 000
111
000
111 00000
11111
00000
11111
J5 J1 J4 J2 0000
1111 00000
11111
0000 11111
1111
J3
0
1
00000
0
1
M3 1111111
0000000 111
000 0
1
00
11
0
1
0
1
0000000
1111111 000
111
J5 J1 J4 J2
00
11
0
1
J3

0
1 0
1
0
1 28
Figura 4.27: Uma solucao otima do exemplo 4.11

Ao construir o conjunto U , (que e a ordenacao em ordem nao decrescente de ai ) observa-se que J1 e J4


possuim o mesmo valor par o tempo de processamento sobre a maquina M F 1, com isto, tanto o job J1 como
o job J4 poderiam ser processados na segunda posicao sobre a maquina M F 1. Na solucao mostrada, optou-se
para sequenciar J1 na segunda e J4 na terceira possicao. E tambem solucao otima, obviamente com o mesmo
valor para o makespan, a seqencia na qual possui J4 n segunda possicao e J4 na terceira, como mostra a gura
1
0 1
0
0
1 0
1
0
1 0
1
0
1 0000000
1111111
0
1
M1
0
1
0
1
J5 J4 J1 J2 J3
0000000
1111111
0
1
M2 1
0
000000
111111 000000
111111 000
111 111
000 0000
1111 0
1
00000
11111
0
1
000000
111111 000000
111111 000
111
J5 J4 J1
000
111
J2
0000 11111
1111
J3
0
1
00000
0
1
M3 1111111
0000000 000
111 0
1
00
11
0
1
0
1
0000000
1111111
0
1 000
111
J5 J4 J1 J2
00
11
0
1
J3

0
1 0
1
28
Figura 4.28: Outra solucao otima do exemplo 4.11

4.5.6.4 Problema F |n = 2|Cmax

Para este problema pode-se construir um graco cartesiano para auxiliar a busca de uma solucao exata. Denomina-
se esse procedimento de Metodo Graco (Alers 56, Bucker 88).

1. construa um grafo cartesiano onde o tempo passa para o job J1 nas abcissas e para J2 nas ordenadas. A
cordem de execucao de cada job e aquela dada pela sequencia tecnologica de fabricacao (dado do problema);
tanto nas abcissas como nas ordenadas nao existe tempo morto;

2. crie os retangulos obstaculos para mostrar a area do plano que representa execucao dos dois dois jobs
simultaneamente em uma mesma maquina;

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.6 - Resolucao de problemas 69

3. tracar segmentos de retas somente nos angulos 0o , 45o e 90o de tal maneira que se obtenho um menor
caminho entre o ponto do plano que representa a data 0 (innio de todas as operacoes) e o ponto que
representa o m da execucao de todas as operacoes. Nao se pode interceptar nenhum retangulo obstaculos

As tres opcoes para caminhar no graco representam:

1. 0o : o job J1 e executado numa maquina e o job J2 esta parado, esperando uma maquina desocupar;
2. 90o : o job J2 e executado numa maquina e o job J1 esta parado, esperando uma maquina desocupar;

3. 45o : os dois jobs, J1 e J2, estao sendo executados (obviamente em maquinas diferentes);

e os retangulos obstaculos representam a regiao onde os dois jobs seriam executados simultaneamente numa
mesma maquina, que e impossvel.

O exemplo seguinte ilustra esse metodo graco. /newpage

Exemplo 4.12 :

M1 M2 M3 M4 M5
J1 2 4 1 2 3
J2 1 2 3 1 2

solucao

Utilisando do metodo graco, constroi-se o graco cartesiano da gura 4.29 abaixo.

1
0
J2
0
1
0
1
1111111111111111111111111111111
0000000000000000000000000000000
0
1 0
1
0
1 0 1 0 0
1 0
1 F
0
1 0
1 1 0
1 0
1 0
1
0
1 0
1
0
1 0
1
0 1
1 0
1
0 0
1 0
1
0 M5 1
1 0
2 0
1 0
1 0
1 0
1 0
1 0
1
0
1 0
1 0
1 0
1 0
1 0
1
1111111111111111111111111111111
0000000000000000000000000000000
0
1
0
1 0
1 0
1 0
1 0
1 0
1
1 0
1 0
1 0
1 0
1 M4 1
0 0
1
1111111111111111111111111111111
0000000000000000000000000000000
0
1 0
1 0
1 0
1 0
1
0
1
0
1 0
1 0
1 0
1 0
1 0
1
0
1 0
1 0 1
1 0 0
1 0
1
0
1 0
1
0
1 0
1
0
1 0
1
0
1 0
1
0
1 0
1
0
1
3 0
1
0
1 0
1 0
1
M3
0
1 0
1 0
1
0
1 0
1 0 1
1 0 0
1 0
1
0
1 0
1
0
1 0
1
0 1
1 0
1
0 0
1
0
1 0
1
0
1
1111111111111111111111111111111
0000000000000000000000000000000
0
1 0
1 0
1 0
1 0
1 0
1
2
0
1
0
1 0
1 0
1 0
1 0
1 0
1
0
1 0
1 M2
0
1 0
1 0
1 0
1
0
1 0
1
0
1 0
1
0 1
1 0
1
0 0
1
0
1 0
1
0
1
1111111111111111111111111111111
0000000000000000000000000000000
0
1 0
1 0
1 0
1 0
1 0
1
1 0
1 M1
0
1 0 1
1 0 0
1 0
1
0
0
1
2 4 1 2 3 J1

Figura 4.29: Resolucao graca para F |n = 2|Cmax

Analisando este graco, determina-se a ordem de execusao das tarefas, como e mostrada na tabela 4.7.

M1 M2 M3 M4 M5
J2 J1 J2 J1 J2 J1 J2 J1 J2 J1

Tabela 4.7: Sequencia completa otima de F |n = 2|Cmax

Esta solucao e mostrada no diagrama de Gantt da gura 4.30.

O valor do makespan pode ser obtido somando os intervalos de tempo caminhados:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.7 - Grafo Conjuntivo para o flowshop 70

0110
0000000000000000000000000000
1111111111111111111111111111 10
M1 J2
0000000000000000000000000000
1111111111111111111111111111
J1
1010
000
111
000
111 000000000000000000
111111111111111111
000000000000000000
111111111111111111 1010
000
111 000000000000000000
111111111111111111
M2 J2 J1

00000000
11111111 0000
1111 000000000000000
111111111111111 10
M3
00000000
11111111 0000 111111111111111
1111
J2
000000000000000
J1
1010
0000000000000000
1111111111111111 000
111 0000000000
1111111111 1010
0000000000000000 111
1111111111111111 000 1111 0000000000
1111111111
M4 J2 J1

000000000000000000
111111111111111111
000000000000000000
111111111111111111 0000
0000
1111 000
111
10111
000
M5
000000000000000000
111111111111111111 0000
1111
J2
10111
000
J1
1010
13

Figura 4.30: Uma solucao otima do exemplo 4.10

0o : 1 + 3 = 4
90o : 1
45o : 2 + 3 + 1 + 2 = 8
total: 13

4.5.7 Grafo Conjuntivo para o flowshop

Como pode-se observar nos problemas tipo flowshop estudados, a grande maioria dos algoritmos propoe uma
maneira de sequenciar as operacoes sobre as maquinas, mas nao propoe uma nameira de calcular o valor o
makespan. Isso e natural,. o difcil de fato de determinar uma sequencia para as operacoes, o calculo do valor
do makespas pode facilmente ser calculado atraves da construcao do grafo de Gantt que representa a sequencia
determinada pelo os algoritmos, ou, computacionalmente, atraves da construcao de uma rotina baseada na
denicao do grafo conjuntivo para o flowshop apresentado por essa sessao.

Considere inicialmente o problema do tipo flowshop do exemplo 4.13.

Exemplo 4.13 :

tempo de processamento
job maq M1 maq M2 maq M3 maq M4
J1 5 4 4 3
J2 5 4 4 6
J3 3 2 3 3
J4 6 4 4 2
J5 3 4 1 5

Supondo que um metodo qualquer de resolucao tenha proposto a sequencia S = [1, J2, J3, J4, J5] ara todas as
maquinas (ou seja, uma solucao de permutacao), a sequencia completa relativa a essa solucao e mostrada no
diagrama de Gantt da gura 4.31.

1111111111111111
0000000000000000
0000000000000000
1111111111111111
0000000000000000
1111111111111111
M1 J1 J2 J3 J4 J5
00000000
11111111
M211111111
00
11 00000
11111 0000000000
1111111111
00000000
00000000
11111111 J1 00
11
00 11
11 J2 J311111
00000
00000 111
11111 J4 J5 1111111111
0000000000
0000000000
1111111111
0000000000000
1111111111111
M31111111111111
00 000 000000000
111111111
0000000000000 00
11 J3 111
000 J5111111111
000000000
0000000000000
1111111111111 00 1111
11 000
111 000000000
111111111
J1 J2 J4
000000000000000000
111111111111111111
M4111111111111111111
0000 1010
000000000000000000 J1 1111
000000000000000000 1111
111111111111111111 0000
0000 J2 J3 J4 J5
10
22 27 28 34

Figura 4.31: Uma solucao viavel do exemplo 4.13

Seja o grafo G(X, U ) onde

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.5.7 - Grafo Conjuntivo para o flowshop 71

X o conjunto de todas as operacoes de N mais duas operacoes ctcias 0 et tal que

1. 0 representa o inicio de todas as operacoes e p0 = 0


2. representa o m de todas as operacoes e p = 0

U = A A S o conjunto de arcos, tal que

1. A = {(i, j) : i e j sao operacoes sobre um mesmo job }, A representa a sequencia tecnologica de


fabricacao
2. A = {(0, i), (i, ) : i e a primeira operacao do job J1 e j e a utima operacao do ultimo job}
3. S = {(i, j) : i e j sao execultadas pela mesma maquina e i e imediatamente prescedente de j,
conforme a sequencia S }

os arcos sao valorados com o tempo de processamento da operacao que se encontra na sua origem

No exemplo, o grafo conjuntivo e:

M1 M2 M3 M4

5 4 4
J1

5 4 4 3

5 4 4
J2
5 4 4 6

3 2 3
J3
3 2 3 3

6 4 4
J4
6 4 4 2

3 4 1 5
J5

4.5.7.1 Calculo de Cmax

utilisando do grafo conjuntivo

Seja Cik a data de termino do job i na maquina k:

k
X
C1k = p1l
l=1
Xi
Ci1 = pl1
l=1
Cik = max{Ci(k1) , C(i1)k } + pik

C C C C
J1 5 9 13 16
J2 10 14 18 24
J3 13 16 21 27
J4 19 23 27 29
J5 22 27 28 34

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.6 - O problema do Jobshop 72

4.6 O problema do Jobshop

4.6.1 Introducao

Inicialmente, o problema do jobshop e um problema de maquinas dedicadas onde a preemption nao e permitida.
Uma primeira denicao para o problema do jobshop pode ser dada:

um conjunto de maquinas executa operacoes sobre um conjunto de jobs; cada job j e fabricado por uma
sequencia conhecida de mj tarefas

Observando esta denicao, nota-se que cada job possui sua propria sequencia tecnologica de fabricacao. Quando
todos os jobs possuem a mesma sequencia, trata-se do problema do flowshop. Conclui-se entao que o flowshop
e um caso especial do jobshop, assim todos os metodos desenvolvidos para resolver o jobshop podem tambem
resolver o flowshop. A gura 4.32 esquematiza o problema do jobshop.

job 1
mq 1 mq 2

job 2
mq 1 mq 3 mq 2

job 3
mq 1 mq 2 mq 4

job 4
mq 1 mq 4 mq 3

job 5
mq 4 mq 3

Figura 4.32: Esquema do problema do jobshop

O exemplo 4.10 apresenta um problema do tipo jobshop onde cinco jobs (J1, J2, J3, J4 e J5) que sao processados
por quatro maquinas. A sequencia tecnologica de fabricacao de cada job e dada pela a sequencia de maquinas e
os tempos de processamento de cada operacao (ou tarefa) sao apresentados na tabela entre parenteses. O criterio
de otimizacao e a minimizacao do makespan. O problema consiste em determinar a sequecia de operacoes que
cada maquina deve executar de modo que todas as operacoes sejam executadas e o objetivo seja atingido.

Exemplo 4.14 : J4|n = 5|Cmax

jobs oi : maquina (pi )


J1 o1 : 1(2) o2 : 2(3)
J2 o3 : 1(3) o4 : 3(3) o5 : 2(2)
J3 o6 : 1(1) o7 : 2(3) o8 : 4(2)
J4 o9 : 1(4) o10 : 4(1) o11 : 3(3)
J5 o12 : 4(4) o13 : 3(4)

Tabela 4.8: Dados do problema J4|n = 5|Cmax

Este captulo formaliza matematicamente o problema e apresenta algumas informacoes teoricas para a resolucao
de algumas instancia do problema.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.6.2 - Caracterizacao do problema 73

4.6.2 Caracterizacao do problema

4.6.2.1 Dados

um conjunto de l jobs J = {J1 , J2 , . . . , Jn }

J = {J1 , J2 , . . . , Jl }

um conjunto de maquinas M = {M1 , M2 , . . . , Mm }


cada job Jj e fabricado por uma sequencia de mj operacoes

Jj = {Tj1 , Tj2 , . . . , Timj }

O conjunto T de todas as tarefas e escrito:

T = N = J1 J2 . . . Jl
ou
T = N = {1, 2, . . . , n}

os tempos de processamento pi de cada operacao

O conjunto

Obs :

cada tarefa Ti = i representa uma operacao executada por uma maquina sobre um job.

4.6.3 Condicoes do problema


1. cada job so pode sofrer uma unica operacao por vez
2. cada maquina so pode executar uma unica operacao por vez
3. a preemption nao e permitida
4. cada job e fabricado por uma sequencia conhecida de operacoes
5. nao existe qualquer relacao de prescedencia entre as operacoes executadas por uma mesma maquina

4.6.3.1 O problema classico de jobshop

Determinar a sequencia de operacoes que cada maquina deve executar de tal maneira que seja performante sob
um criterio de otimizacao dado.

4.6.4 Definicao matematica do problema

Seja

1. A: conjunto de pares de operacoes (i1 , i2 ) tal que


i1 e i2 sao executadas sobre um mesmo job
a operacao i1 deve ser executada antes de i2 sem nenhuma outra operacao intermediaria
O conjunto A representa a sequencia tecnologica de fabricacao.
2. E o conjunto de pares de operacoes (i1 , i2 ) tal que i1 e i2 sao executadas sao executadas por uma mesma
maquina

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.6.5 - Grafo disjuntivo do jobshop 74

3. ti a data de incio da operacao i


4. g o criterio de otimizacao

O problema do jobshop e denido:

min g (4.15)
t0

s. c. ti2 ti1 pi1 ti1 ti2 pi2 (i1 , i2 ) E (4.16)


ti2 ti1 pi1 (i1 , i2 ) A (4.17)

4.6.5 Grafo disjuntivo do jobshop

Seja o grafo G(X, U ) onde

X o conjunto de todas as operacoes de N mais duas operacoes ctcias 0 et tal que


1. 0 representa o incio de todas as operacoes e p0 = 0
2. representa o m de todas as operacoes e p = 0
U = A A E o conjunto de arcos, tal que
1. A como denido, para representar a sequencia tecnologica de fabricacao
2. A = {(0, i), (i, ), i N }
3. E como denido, para representar as operacoes executadas por uma mesma maquina
os arcos sao valorados com o tempo de processamento da operacao que se encontra na sua origem

4.6.5.1 Exemplo Grafo disjuntivo

Utilizando a denicao do grafo disjuntivo do problema do jobshop, obtem-se o grafo mostrado na gura 4.33 o
problema do exemplo 4.14.

machine 1
machine 2
2
1 2

3 3 2
3
2 1 3
0 3 3
3 4 5
2
3
0
4 3 2
4 3 3
1 2
3
0 1 3 2
0 6 7 8 14
3 2 4 4 3
0
1 3
1
0 2 1
9 4 11
10 4
4 4
1 2 4 3

4
12 13
machine 3
machine 4

Figura 4.33: Grafo dijuntivo do jobshop

Nesta gura, os arcos na horizontal sao os arcos do conjunto A (sequencia tecnologica de fabricacao - operacoes
em um mesmo produto) e os arcos em pontilhado sao os arcos do conjunto E (operacoes executadas pela mesma
maquina).

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.6.6 - Obtencao do makespan no grafo conjuntivo 75

O problema do jobshop pelo grafo disjuntivo e denido:

eliminar exatamente um arco de cada par de arcos disjuntivos de


tal maneira que o grafo conjuntivo restante nao tenha circuitos

A gura 4.34 mostra dois exemplos de possveis circuitos que inviabiliza uma solucao para o problema.
1 3
4 5
3 2

3 2 3
4 7 8

2
4 6 10

1 1
9 12 4
13

(a) (b)

Figura 4.34: Possveis circuitos no grafo do jobshop

4.6.5.2 Uma solucao otima

Utilizando de um metodo exato de execusao, obtem-se a solucao otima do problema do exemplo 4.14 e mostrada
pela tabela 4.9.

M1 J2 J3 J4 J1
M2 J3 J2 J1
M3 J2 J5 J4
M4 J5 J4 J3

Tabela 4.9: Dados do problema J4|n = 5|Cmax

Grafo conjuntivo de uma solucao otima A solucao otima mostrada na tabela 4.9 tambem pode ser vita
pelo grafo conjuntivo da gura 4.35.
2
1 2

3 1 2
3 3
0 3 3
3 4 5
2
3
0
4 3 3
3
0 1 3 2
0 6 7 8 14

3
0
1 1 3

0 4 1
9 10 11
4
4
4
4

4
12 13

Figura 4.35: Grafo conjuntivo da tabela 4.9

Grafico de Gantt de uma solucao otima A solucao otima mostrada na tabela 4.9 tambem pode ser vita
pelo diagrama de Gantt da gura 4.36.

4.6.6 Obtencao do makespan no grafo conjuntivo

= determinacao do caminho crtico.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.6.7 - Modelos da Programacao Inteira Mixta 76

M1 J2 J3 J4 J1

M2 J3 J2 J1

M3 J2 J5 J4

M4 J5 J4 J3

13
Figura 4.36: Graco de Gantt da tabela 4.9

4.6.7 Modelos da Programacao Inteira Mixta

Apresenta-se aqui dois modelos de programacao linear inteira mista. Os dados gerais do problema sao represen-
tados pela notacaoja denida anteriormente, relembrando:

N : conjunto de operacoes;

pi tempo de processamento da operacao i;

M : conjunto de maquinas;
A = {(i, j) : i N , j N , i 6= j, e i j}: conjunto de pares de operacoes para representar a sequencia
tecnologica de fabricacao de cada produto;

m(i) = mi : uma funcao aplicada ao conjunto N para denir a maquina que execulta cada operacao;

E = {(i, j) : i N , j N , i 6= j e m(i) = m(j)}: conjunto de pares de operacoes para representar as


operacoes executada em uma mesma maquina. Note que, se (i, j) E, entao, (j, i) E;

M um valor positivo grande;

nk : numero de operacoes executadas na maquina mk .

4.6.7.1 Modelo de Manne

Variaveis:

ti a data de incio da operacao i

yij {0, 1}, (i, j) E



1 se i precede j em mk = m(i) = m(j)
yij =
0 se j precede i em mk = m(i) = m(j);

Modelo:

min Cmax
t j t i pi (i, j) A
tj ti + pi M(1 yij ) (i, j) E
yij + yji = 1 {(i, j); (j, i)} E
Cmax ti + pi i N

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.6.8 - Modelo de Wagner 77

4.6.8 Modelo de Wagner

Variaveis

1 se i e a lezima operacao na maquina m(i)



(l)
yi =
0 se nao

tk : data de incio da lezima operacao na maquina mk


(l)

sk : duracao entre o m da lezima operacao e o comeco da (l + 1)ezima operacao na maquina mk


(l)

(variavel de folga)

s0k : duracao entre 0 e a primeira operacao na maquina mk

Tk : tempo de processamento da lezima operacao na maquina mk .


(l)

Modelo:

min Cmax (4.18)


(l)
X
s. a yi = 1 k M, l = 1, . . . , nk (4.19)
iN :m(i)=k
nk
(l)
X
yi = 1 i N (4.20)
l=1
(l) (l)
X
Tk = pi y i k M, l = 1, . . . , nk (4.21)
iN :m(i)=k

(i, j) A,
(l ) (l ) (l ) (l ) (l )
tk11 + pi y i 1 tk22 + M(2 yi 1 yj 2 ) l1 = 1, . . . , nk1 , (4.22)
l2 = 1, . . . , nk2

(1)
tk = s0k k M (4.23)
l=r1
(r) (l) (l)
X
tk = s0k + (Tk + sk ) k M, r = 2, . . . , nk (4.24)
l=1
(n ) (n )
Cmax tk k + T k k k M (4.25)
tlk 0 k M, l = 1, . . . , nk (4.26)
(l)
Tk 0 k M, l = 1, . . . , nk (4.27)
slk 0 k M, l = 0, . . . , nk 1 (4.28)

i N , k = m(i) e

(l)
yi {0, 1} (4.29)
l = 1, . . . , nk

Exemplo 4.15 Escrever o modelo de Wagner para o problema:

job oi : maquina (pi )


1 o1 : 1(5) o2 : 2(3) o3 : 3(4) o4 : 4(7)
2 o5 : 2(6) o6 : 1(5) o7 : 4(3) o8 : 5(4)

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.6.9 - Metodos de Resolucao 78

1. Dados:

N = {1, 2, 3, 4, 6, 7, 8, 9};
A = {(1, 2), (2, 3), (3, 4), (6, 7), (7, 8), (8, 9)};
M = {1, 2, 3, 4, 5}
n1 = 2; n2 = 2; n3 = 1; n4 = 2; n5 = 1;
2. Variaveis:
(l)
yi : y11 ; y12 / y21 ; y22 / y31 / y41 ; y42 / y61 ; y62 / y71 ; y72 / y81 ; y82 / y91 ;
(l)
tk : t11 ; t21 / t12 ; t22 / t13 / t14 ; t24 / t15 ;
(l)
sk : s11 / s12 / s14 ;
s0k : s01 / s02 / s03 / s04 / s05 ;
(l)
Tk : T11 ; T12 / T21 ; T22 / T31 / T41 ; T42 / T51 ;


(i, j) A,
(l ) (l ) (l ) (l ) (l )
1. restricao: tk11 + pi y i 1 tk22 + M(2 yi 1 yj 2 ) l1 = 1, . . . , nk1 ,
l2 = 1, . . . , nk2

t11 + p1 y11 t12 + M(2 y11 y21 )


t11 + p1 y11 t22 + M(2 y11 y22 )
t21 + p1 y12 t12 + M(2 y12 y21 )
t21 + p1 y12 t22 + M(2 y12 y22 )
t12 + p2 y21 t13 + M(2 y21 y31 )
t22 + p2 y22 t13 + M(2 y22 y31 )
t13 + p3 y31 t14 + M(2 y31 y41 )
t13 + p3 y31 t24 + M(2 y31 y42 )
t12 + p6 y61 t11 + M(2 y61 y11 )
t12 + p6 y61 t21 + M(2 y61 y12 )
t22 + p6 y62 t11 + M(2 y62 y11 )
t22 + p6 y62 t21 + M(2 y62 y12 )
t11 + p7 y71 t14 + M(2 y71 y11 )
t11 + p7 y71 t24 + M(2 y71 y12 )
t21 + p7 y72 t14 + M(2 y72 y11 )
t21 + p7 y72 t24 + M(2 y72 y12 )
t14 + p8 y81 t15 + M(2 y81 y91 )
t24 + p8 y82 t25 + M(2 y82 y92 )
(l) P (l)
2. restricao: Tk = iN :m(i)=k pi yi mk M, l = 1, . . . , nk

T11 = p1 y11 + p7 y71


T12 = p1 y12 + p7 y72
T21 = p2 y21 + p6 y61
T22 = p2 y22 + p7 y72
T31 = p3 y31
T41 = p4 y41 + p8 y81
T42 = p4 y42 + p8 y72
T51 = p9 y91

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.6.9 - Metodos de Resolucao 79

job oi : maquina (pi )


1 o1 : 1(5) o2 : 2(3) o3 : 3(4) o4 : 4(7) o5 : 5(5)
2 o6 : 2(6) o7 : 1(5) o8 : 4(3) o9 : 5(4) o10 : 3(6)

J2
F

6 M3

4 M5

3 M4

5 M1

6 M2

0
5 3 4 7 5 J1

4.6.9 Metodos de Resolucao

1. J|n = 2|Cmax : Metodo Graco EXATO (Alers 56, Bucker 88)

Ex :

2. J2||Cmax EXATO

Particione o conjunto de n jobs em quatro tipos:

Tipo A: jobs processados somente na maquina 1

Tipo B: jobs processados somente na maquina 2

Tipo C: jobs processados primeiro na maquina 1

Tipo D: jobs processados primeiro na maquina 2

Obtencao da sequencia otima:

1. Sequencie os jobs do tipo A e B em qualquer ordem sequencias obtidas: SA e SB

2. Sequencie os jobs do tipo A e B de acordo com o algoritmo de Johnson para o problema F |n = 2|Cmax
sequencias obtidas: SC e SD

3. a sequencia total otima e dada por:

maq sequencia
M1 SC SA SD
M2 SD SB SC

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.6.10 - Algoritmo Shifting Bottleneck 80

job oi : machine (pi )


J1 o1 : 1(8) o2 : 2(2)
J2 o3 : 1(7) o4 : 2(5)
J3 o5 : 1(9) o6 : 2(8)
J4 o7 : 1(4) o8 : 2(7)
J5 o9 : 2(6) o10 : 1(4)
J6 o11 : 2(5) o12 : 1(3)
J7 o13 : 1(9)
J8 o14 : 2(1)
J9 o15 : 2(5)

Ex: J2|n = 9|Cmax

Tipo A: J7

Tipo B: J8, J9 SB = {8, 9}

Tipo C: J1, J2, J3, J4 SC = {4, 3, 2, 1}

Tipo D: J5, J6 SB = {5, 6}

Sequencia otima

M1 J4 J3 J2 J1 J7 J5 J6
M2 J5 J6 J8 J9 J4 J3 J2 J1

3. Caso Geral : Shifting Bottleneck Procedure


Metodo heurstico (Adams et al. 88)

Seja

M o conjunto de maquinas nao sequenciadas

M0 o conjunto de maquinas ja sequenciadas

Ek o conjunto de arcos disjuntivos da maquina k

Sk a sequencia da maquina k M0

O(l, M0 ) o problema uma maquina l de Calier obtido:

1. substituir cada par de arcos disjuntivos de Ek (k M0 ) pelo arco correspondente de Sk ;


2. retirar todos os arcos disjuntivos de Ek (k M \ {l})

O problema O(l, M0 ) e resolvido pelo algortmo de Calier cria-se o grafo G(X, (A Sk )) k M0 tal que

1. ri = caminho mais longo entre 0 e i


2. qi = caminho mais longo entre i e

4.6.10 Algoritmo Shifting Bottleneck

(Vesao simplicada)

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.7 - Sequenciamento com alocacao de recursos 81

Algorithm 6 Shifting Bottleneck


M e o conjunto de todas as maquinas;
M0 := ;
while (M 6= ) do
obter os problemas O(l, M0 ) tal que l M
resolver cada O(l, M0 ) pelo algoritmo de Calier
identicar a maquina gargalo k de M e aquela de maior Cmax
M0 := M0 {k}
M := M \ {k}
end while

4.7 Sequenciamento com alocacao de recursos

Em um problema de sequenciamento com alocacao de recursos, a execucao de uma operacao pode estar condi-
cionada na disponibilidade simultanea de varios recursos. E o caso, por exemplo, da execucao de uma operacao
elementar de usinagem que e necessario alocar um operador, uma maquina e um ferramenta. Considerando que
cada um dos recursos necessarios podem ser escolhidos de um subconjunto dado, o que signica na exibilidade de
certas maquinas e da multicompetencia dos operarios. Generalizando mais ainda o problema, as sequencias tec-
nologicas de fabricacao nao sao necessariamente lineares. Isto signica que uma operacao pode ter, na sequencia
tecnologica de fabricacao do produto, mais de uma outra operacao precedente e/ou mais de uma outra sucessora.
E o caso, por exemplo de celulas de manufatura que realizam operacoes de distribuicao, de montagem e/ou ainda
operacoes em paralelo. Como mostra a gura 4.37: (a) distribuicao; (b) montagem; (c) operacoes paralelas.

(a) (b) (c)

Figura 4.37: Sequencias tecnologicas de fabricac ao nao lineares

Por hipotese, um recurso so pode executar uma unica operacao por vez sem interrupcao. Com relacao ao problema
classico de sequenciamento, considera-se agora tres extencoes principais:

Multi-recursos: uma operacao pode necessitar de varios recursos simultaneamente para ser executada;

Flexibilidade: um recurso deve ser escolhido em um conjunto de dado;

Sequencias tecnologicas nao lineares: o numero de operacoes antecessoras de sucessoras de uma operacao
pode ser diferente de 1.

4.8 O problema de maquinas paralelas e sequencias nao lineares

Dados do problema:

M : conjunto de maquinas;

O: conjunto de operacoes o;

+ (o): conjunto de operacoes sucessoras da operacao o;

Mo : conjunto de maquinas que podem executar a operacao o;

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.8 - O problema de maquinas paralelas e sequencias nao lineares 82

Figura 4.38: Sequenciamento com alocacao de maquinas

pko : tempo de execucao da operacao o na maquina k;

Resolver o problema de alocacao de maquinas consiste em determinar uma funcao m : O M onde m(o) = mko
dene a maquina k que executa a operacao o;

Variaveis de decisao:

to 0: data de incio da operacao o;

Cmax : e o valor do makespan;

po : tempo de execucao da operacao o;

yok : 1 se a operacao o for alocada na maquina k;

yoo : 1 se a operacao o e executada imediatamente antes da operacao o e zero se a operacao o e executada


imediatamente antes de o;

O modelo de programacao linear inteira mista ca:

min Cmax (4.30)


X
s. a yok = 1 o O (4.31)
kMo
X
po = pko yok o O (4.32)
kMo

t o t o po (o, o ) O O; o + (o) (4.33)


to to + (1 yoo )M po (2 yok yok )M k M, o, o : m(o) = m(o ); o 6= o (4.34)
to to + yoo M po (2 yok yok )M k M, o, o : m(o) = m(o ); o 6= o (4.35)
Cmax to + po O (4.36)
to 0 o O (4.37)
po 0 o O (4.38)
yoo {0, 1} o, o : m(o) = m(o ); o 6= o (4.39)
yok {0, 1} o O, k R (4.40)
(4.41)

onde M e uma constante escolhida sucientemente grande.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.8.1 - O problema com tempo de livramento 83

As restricoes (4.31) garantem que exatamente uma maquina do conjunto Mo e alocada para executar a operacao
o. Considerando que o tempode execucao de uma operacao depende de sua alocacao, a variavel po e determinada
pelas restricoes (4.32). As restricoes (4.33) correspondem as restricoes geradas pelas relacoes de precedencias da
sequencias tecnologicas de producao. A sequencia de operacoes sobre as maquinas e dado pelas restricoes (4.35)
e (4.34). Nota-se que estas restricoes podem ser redundantes se yok = 0 ou yok = 0, isto e, se uma das duas
operacoes nao sao alocadas a k. Enquanto que yok = 1 e yok = 1, as restricoes (4.35) e (4.34) representam a
maneira habitual de modelar as restricoes disjuntivas entre operacoes alocadas sobre uma mesma maquina: (4.35)
e redundante e (4.34) e crtica se yoo = 1, e vice-versa se yoo = 0. Os domnios das variaveis sao denidos pelas
restricoes (4.37), (4.38), (4.39) e (4.40).

Exemplo 4.16

Produto 1 op1 op2 op3 op4 op5 op6 op7


maq1 maq7 maq2 maq3/4/5 maq6 maq3/4/5 maq6

Produto 2 op8 op9 op10 op11 op12 op13


maq1 maq2 maq6 maq3/4/5 maq7 maq6

Produto 3 op14 op15 op16 op17 op18 op19


maq1 maq2 maq3/4/5 maq6 maq3/4/5 maq6

Figura 4.39: Sequenciamento com alocacao de maquinas

Prod oi : maquina (pi )


P1 o1 : 1(1 ) o2 : 7(3) o3 : 2(3) o4 : 3/4/5(3) o5 : 6(2) o6 : 3/4/5(1) o7 : 6(3)
P2 o8 : 1(3) o9 : 2(3) o10 : 6(2) o11 : 3/4/5(2) o12 : 7(2) o13 : 6(2)
P3 o14 : 1(1) o15 : 2(3) o16 : 3/4/5(2) o17 : 6(2) o18 : 3/4/5(2) o19 : 6(2)

Tabela 4.10: Dados do problema J4|n = 5|Cmax

4.8.1 O problema com tempo de livramento

Considere agora que um produto ao sofrer uma determinada operacao, executada em uma maquina do conjunto das
maquinas possveis, tenha que esperar algum tempo para sofrer a proxima operacao de sua sequencia tecnologica
de fabricacao. E o caso, por exemplo, de uma operacao de pintura; apos ser executada por uma maquina
apropriada, o produto deve aguardar a secagem para entao ser conduzido a proxima operacao, que pode ser o
polimento.

A modelagem deste problema consiste em redenir alguns parametros do modelo da secao anterior:

pko : tempo de execucao da operacao o na maquina k (dado);

po : tempo de livramento da operacao o (dado);

po : tempo de execucao da operacao o sobre uma maquina (variavel).

Assim, o modelo ca escrito:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.9 - O problema geral se sequenciamento 84

min Cmax (4.42)


X
s. a yok = 1 o O (4.43)
kMo
X
po = pko yok o O (4.44)
kMo

to to po + po (o, o ) O O; o + (o) (4.45)


to to + (1 yoo )M po (2 yok yok )M k M : m(o) = m(o ) = k; o 6= o (4.46)
to to + yoo M po (2 yok yok )M k M : m(o) = m(o ) = k; o 6= o (4.47)
Cmax to + po + po O (4.48)
to 0 o O (4.49)
po 0 o O (4.50)
yoo {0, 1} o, o : m(o) = m(o ); o 6= o (4.51)
yok {0, 1} o O, k R (4.52)
(4.53)

Note que o modelo e basicamente o mesmo da secao anterior, salvo as restricoes (4.45), que se refere a sequencia
tecnologica de producao de cada produto; e tambem no calculo do Cmax , restricoes (4.48).

4.9 O problema geral se sequenciamento

Seja os dados do problema:

O: conjunto de operacoes;

R: conjunto de recursos;

P R(o): conjunto de operacoes precedentes a operacao o;

F R(o): conjunto de operacoes sucessoras a operacao o;

m(o): recursos necessarios simultaneamente para executar a operacao o;

Rox : subconjunto de recursos no qual o xeximo recurso (1 x m(o)) devera ser selecionado. Os
subconjuntos Rox nao sao necessariamente dijuntos, assim um recurso pode aparecer em varios subconjuntos;

Resolver o problema de alocacao consiste em determinar uma funcao a : O R R, onde a(o, x) e o xesima
recurso alocado a operacao o, a(o, x) Rox . Considere ainda Moa o subconjunto de recursos alocados operacao
o:
Moa = {m R : x m(o), a(o, x) = m}
Como os subconjuntos Rox nao sao forcosamente disjuntos, e necessario assegurar que nao serao alocados duas
vezes um mesmo recurso a mesma operacao, isto e, o, x, x (x 6= x ), a(o, x) 6= a(o, x ).

E tambem necessario determinar a sequencia de operacoes sobre cada um dos recursos. Denota-se f sx (o) a
operacao que sucede a operacao o sobre seu xesimo recurso e psx (o) a operacao que le precede. Assim, para uma
alocacao dada a, sequenciar as operacoes sobre os diferentes recursos e o mesmo que denir os conjuntos indexados
P S(o) = [ps1 (o), . . . , psm(o) (o)] e F S(o) = [f s1 (o), . . . , f sm(o) (o)]. Finalmente, P (o) = P R(o) P S(o) e os
conjunto dos antecessores de o, e F (o) = F R(o) F S(o) o comjunto de sucessores.

No exemplo mostrado pela gura 4.40, a operacao o necessita de tres recursos simultaneamente. O primeiro
recurso deve ser escolhido no subconjunto {1, 2}, o segundo no subconjunto {3, 1, 4} e o terceiro no subconjunto
{2, 5}. Nota-se que neste caso, os subconjuntos nao sao disjuntos. A operacao o foi alocada aos recursos 1, 4 e
2. Ainda, o foi sequenciada entre as operacoes j e k sobre o recurso 1, entre as operacoes j e t sobre o recurso 2

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.9.1 - Modelagem matematica 85

Recurso 1
1 1
Ro j o k
2

3 Recurso 4
O 2
Ro 1 j o t
4

Recurso 2
3 2
Ro u o v
5

Figura 4.40: Sequenciamento com alocacao de recursos

e entre as operacoes u e v sobre o recurso 4. Neste exemplo, o foi sequenciada justo depois da operacao j sobre
dois recursos diferentes (1 e 4).

No problema de sequenciamento do tipo jobshop, o tempo de execucao de uma tarefa (operacao) e xo. No
problema de multiprocessador jobshop o tempo de execucao depende do recurso sobre o qual a operacao foi
alocada. No caso geral, considerado aqui, o tempo de execucao depende tambem de x, e e dado por pkox onde
k Rox . Devese entao fazer a distincao entre o tempo de execucao de uma operacao sobre um se seus recursos
a(o,x)
e o tempo total de execucao. Para uma dada alocacao a, pox e o tempo de execucao da operacao o sobre o
a(o,x)
seu xesimo recurso, e po seu tempo de processamento total, com po = max pox .
x[1,m(o)]

4.9.1 Modelagem matematica

Variaveis de decisao:

to 0: data de incio da operacao o;

Cmax 0: valor do makespan;

yok {0, 1}: e igual a 1 se a operacao o de alocada ao recurso k, e 0 senao;

yoo {0, 1}: e igual a 1 se a operacao o e executada antes da operacao o , e igual a 0 se a operacao o e
executada antes da operacao o.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


4.9.1 - Modelagem matematica 86

min Cmax (4.54)


X
s. a yok = 1 o, x = 1, . . . , m(o) (4.55)
kRox
X
yok = m(o) o (4.56)
kRox
X
po pkox yok o, x = 1, . . . , m(o) (4.57)
kRox

t o t o po (o, o ) O O; o P R(o) (4.58)


to to + yoo M po (2 yok yok )M k R, (o, o ) O O; o 6= o (4.59)
to to + (1 yoo )M po (2 yok yok )M k R, (o, o ) O O; o 6= o (4.60)
Cmax to + po O (4.61)
yoo {0, 1} (o, o ) O O; o 6= o (4.62)
yok {0, 1} o O, k R (4.63)

onde M e uma constante escolhida sucientemente grande.

As restricoes (4.55) garantem que um recurso do subconjunto Rox e alocado a operacao o (1 x m(o)). As
restricoes (4.56) garantem que m(o) recusos diferentes sao alocados a cada operacao o, isto e, garantem que
um recurso nao e alocado duas vezes a uma mesma operacao. Considerando que o tempo total de execucao
de uma operacao depende de sua alocacao, a variavel po e determinada pelas restricoes (4.57). As restricoes
(4.58) correspondem as restricoes conjuntivas geradas pelas relacoes de precedencias da sequencias tecnologicas
de producao. A sequencia de operacoes sobre os recursos e dado pelas restricoes (4.59) e (4.60). Nota-se que
estas restricoes podem ser redundantes se yok = 0 ou yok = 0, isto e, se uma das duas operacoes nao sao alocadas
a k. Enquanto que yok = 1 e yok = 1, as restricoes (4.59) e (4.60) representam a maneira habitual de modelar as
restricoes disjuntivas entre operacoes alocadas sobre o mesmo recurso: (4.59) e redundante e (4.60) e crtica se
yoo = 1, e vice-versa se yoo = 0.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


Captulo 5

Sistemas Integrados de Manufatura

Material baseado na Tese de Doutorado de


Alexandre Augusto Massote,
apresentada no
Programa de Pos-Graduacao em Enhenharia de Producao da USP
em novembro de 20001

5.1 Introducao

Varias empresas vem buscando uma melhoria na competitividade introduzindo novas estruturas de producao e
novas tecnologias de manufatura. Percebe-se, para tanto, um grande enfoque quanto ao processo, metodos,
lay-out, automacao, uxos, movimentacao e outros voltados diretamente a producao. A Celula de Manufatura
e uma destas estruturas que vem sendo largamente empregada pelas empresas e, se bem implementada, propicia
resultados signicativos. Vale observar que a implantacao de Celulas de Manufatura requer o desenvolvimento
de uma seria de etapas, tais como, estudos relativos a Tecnologia de Grupos, estudos relativos a Organizacao do
Trabalho e a Programacao da Producao, pois, quando se muda a estrutura da producao deve-se tambem mudar
ao mesmo tempo a estrutura de planejamento e programacao da producao e a estrutura do trabalho, pois as
competencias requeridas, as redenicoes de responsabilidade, a abrangencia de atuacao, as relacoes de hierarquia
e o processo decisorio devem estar harmoniosamente compatveis com a estrutura e a tecnologia de manufatura
selecionadas. Mas, muitas vezes estas fases sao negligenciadas e como consequencia a implantacao das Celulas
nao traz os resultados esperados.

A aplicacao da Tecnologia de Grupo e uma das fases mais importantes no projeto de celulas de manufatura.
A Tecnologia de Grupo pode ser considerada como sendo uma losoa gerencial que busca o agrupamento de
maquinas em celulas e de pecas em famlias em funcao das similaridades existentes entre os produtos ou pecas e/ou
pelas caractersticas de manufatura. As celulas de manufatura segundo HERAGU [56] podem ser denidas como
uma aplicacao da Tecnologia de Grupo, onde a estrutura de producao e organizada em celulas de maquinas, ou
processos, e cada celula e projetada para fabricar uma certa famlia de pecas. Estes conceitos tem sido aplicados
em varios ambientes de manufatura e os principais benefcios alcancados sao: reducao dos tempos de setup,
reducao dos estoques de produtos semi-acabados, reducao dos custos e tempos de movimentacao, melhoria da
qualidade, simplicacao dos uxos de materiais, simplicacao dos sistemas de controle e melhoria da motivacao
dos operadores.

A maioria dos algoritmos de Tecnologia de Grupo baseiam-se somente nos atributos de fabricacao necessarios
para a producao das pecas consideradas, onde as operacoes necessarias de cada peca em cada maquina podem
ser representadas na forma de uma matriz binaria, chamada matriz de incidencia.

Esta abordagem simplica bastante a obtencao da solucao, mas existem outros aspectos fundamentais que de-
vem ser considerados nos projetos de celulas de manufatura tais como: capacidades das maquinas, tempos de
processamento de cada peca em cada maquina, sequencia de operacoes de cada peca e as demandas a serem
atendidas de cada peca. Entretanto, a maioria dos algoritmos encontrados na literatura nao leva estes fatores
em consideracao e assim, se aplicados em projetos de celulas de manufatura, podem gerar solucoes que levem a

87
5.2 - Tecnologia de Grupo 88

conguracoes de baixa eciencia. HERAGU [56] em seu trabalho alerta sobre este fato e defende a ideia de que
uma nova classicacao dos algoritmos de Tecnologia de Grupo deve ser feita, e assim propoe uma composta por
dois grupos: O primeiro seriam os algoritmos de agrupamento propriamente dito e o segundo seriam os algoritmos
especcos para aplicacao em projetos de celulas de manufatura.

Varias pesquisas tem sido desenvolvidas na busca de metodologias ecientes para a formacao de celulas de
manufatura e algumas procuram incorporar os aspectos fundamentais mencionados anteriormente. Para tanto,
sao usadas a programacao matematica, heurstica, metodos gracos, inteligencia articial, redes neurais, logica
fuzzy entre outras.

Este captulo tem como foco central o apoio a decisao, na interface entre a aplicacao da Tecnologia de Grupo
e o Projeto de Celulas de Manufatura. Apresenta os principais enfoques dados ao problema de agrupamento e
as medidas de desempenho mais usadas para avalia-los, as etapas que devem ser consideradas em um projeto de
celula de manufatura e as areas e atividades da empresa que sao afetadas por sua implantacao.

5.2 Tecnologia de Grupo

A Tecnologia de Grupo (GT) e um enfoque moderno aplicado ao estudo de sistemas de manufatura que vem
sendo utilizado por muitas industrias tais como jobshops e de producao tipo batch. Destaca-se a sua importancia
nos projetos de celulas de manufatura. Tradicionalmente, para a organizacao dos sistemas de producao em
massa, eram usados arranjos em linha e para outros tipos de producao arranjos por processos. Nestes tipos de
estruturas, a reducao dos tamanhos dos lotes poderia acarretar uma elevacao dos custos devido, entre outros,
ao incremento dos custos de setup. A Tecnologia de Grupo invalidou esta relacao, obtendo economias mesmo
para pequenos lotes. A GT e, portanto, uma tecnica que propicia a melhoria da produtividade em sistemas de
producao, obtendo-se benefcios signicativos tais como: reducao de ciclos de fabricacao, reducao de material em
processo, conabilidade nos prazos de entrega, menor movimentacao de materiais entre outros.

O problema basico na Tecnologia de Grupo e a identicacao de celulas de maquinas e famlias de pecas. Sendo
assim, procura-se identicar e explorar as similaridades dos produtos, ou pecas, e processos de manufatura.
Existem tres maneiras para o reconhecimento de semelhancas, ou similaridades, de pecas segundo GROOVER
[51]:

Inspecao Visual;

Classicacao e Codicacao;

Analise do Fluxo de Producao.

Outras Tecnicas de Analise para formacao de famlias e celulas tais como as de KING e NAKORNCHAL [59] e
KUSIAK [60], baseadas nos atributos de fabricacao, ou operacoes necessarias para a fabricacao de uma famlia,
tem sido desenvolvidas desde a analise do uxo de producao proposta por BURBIDGE [23], e sao chamadas de:

Maquina - Peca

Esta e a abordagem de agrupamento mais utilizada, atualmente, para o projeto de celulas de manufatura.

5.2.1 Inspecao Visual

E o metodo mais simples e o menos dispendioso. A classicacao das pecas em uma famlia e feita por analise
visual diretamente nas pecas ou atraves de seus desenhos ou fotograas. E considerado o menos preciso e eciente
de todos pois tem uma dependencia muito grande da habilidade e experiencia do analista. A sua utilizacao em
aplicacoes praticas atualmente e muito restrita, face ao melhor desempenho e eciencia dos outros metodos e
portanto e considerada como uma referencia historica.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.2 - Classificacao e Codificacao 89

5.2.2 Classificacao e Codificacao

Este metodo e de todos, o que requer maior tempo e mao de obra e tambem o mais complicado de se aplicar.
Muitos sistemas tem sido desenvolvidos pelo mundo mas nenhum tem sido universalmente adotado. Uma das
razoes e que o sistema de classicacao e codicacao deve ser customizado para cada empresa ou aplicacao. Os
principais benefcios alcancados apos a implantacao de um projeto bem desenvolvido de classicacao e codicacao
sao relacionados por HAM [52]:

facilita a formacao de famlias de pecas e de celulas de maquinas;

permite atualizacao rapida de projetos, desenhos e planos de processo;

reduz a duplicacao de desenhos;

fornece estatsticas conaveis sobre as operacoes necessarias;

facilita a estimativa exata das ferramentas e a logica de carregamento;

permite a racionalizacao dos dispositivos, reduzindo os tempos de setups e o tempo total de fabricacao;

permite a racionalizacao e a melhoria dos projeto das ferramentas;

facilita a elaboracao dos planos de producao e da programacao da producao;


melhora as estimativas de custo e facilita os procedimentos da contabilidade;

fornece a melhor utilizacao de ferramentas e a melhor ferramenta, dispositivos de xacao e operadores a


serem usados;

facilita a programacao de controle numerico.

A implantacao de um sistema deste tipo, traz como consequencia imediata na area de projeto do produto,
a geracao de pecas similares as ja existentes e ja identicadas pelo codigo. A geracao de catalogos de formas
semelhantes, de funcoes e componentes compostos obriga o projetista a utilizar-se de pecas ja projetadas, uma vez
que, havendo facilidade de recorrencia e padronizacao, se consegue eliminar horas de projeto e evitar diversicacao
de pecas e consequentemente estoques, ferramentas e dispositivos (SERIO [83]).

5.2.2.1 Classificacao

A classicacao dos componentes e feita baseada nos seguintes criterios:

1. Classificacao sem orientacao especfica: A identicacao dos componentes e feita por uma sequencia
numerica sem um signicado especco. A aplicacao de Tecnologia de Grupo se restringe a formacao de
famlias de componentes similares em forma. As famlias sao por si so determinadas;
2. Classificacao orientada para projeto: E feita pelas caractersticas que possibilitem identicar famlias
de pecas pelos atributos de projeto. Esta classicacao pode nao ser util sob o ponto de vista de manu-
fatura mas facilita o controle e a recorrencia a desenhos, permitindo sua racionalizacao, simplicacao e
padronizacao. Apenas similaridades de formas ou dimensoes identicadas por atributos de projeto, nao irao
garantir que as pecas pertencerao a uma mesma famlia de fabricacao

3. Classificacao orientada para processo: Os componentes que requerem tecnologia semelhante de


fabricacao ou sequencia de operacoes sao classicados na mesma categoria.

4. Classificacao orientada para o fluxo de fabricacao: As pecas sao da mesma famlia quando pela
analise da ordem de fabricacao tem o mesmo uxo para a fabricacao. Apos as pecas serem agrupadas em
famlias pela similaridade de seus codigos, selecionam-se as maquinas necessarias a sua fabricacao, ou seja,
dene-se a celula.

5. Classificacao orientada para o produto: As pecas sao codicadas de modo que indiquem o produto
a que pertencem. Para a Tecnologia de Grupo esta classicacao nao se aplica.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.3 - Analise do Fluxo de Producao (PFA) 90

5.2.2.2 Sistema de Codificacao

Os sistemas de codicacao permitem um exame completo de todas as pecas ativas no processo de formacao de
famlias de pecas, permitindo a formacao independente da origem ou uso da peca. Os codigos sao classicados
de acordo com sua forma construtiva:

1. Monocodigos: E um codigo integrado, onde cada caractere do codigo precedente, qualica o codigo
seguinte. Tem a estrutura semelhante a estrutura em arvore, dividindo a populacao total em subgrupos.
2. Policodigos: Cada caractere e independente dos demais. Um ou mais smbolos sao atribudos a uma ou
mais caractersticas previstas, para ocorrer em uma populacao de itens com necessidades especcas. Sao
indicados para representacao de informacoes nao permanentes tais como tamanho do lote, consumo anual
etc. Um policodigo orientado para processos expressaria custo, acabamento supercial, precisao, processo
atual, lote, tempo de preparacao etc. o objetivo deste tipo de codigo e a padronizacao de processo ou
estabelecimento de processo alternativo.
3. Hbridos ou Mistos: Sao monocodigos pequenos interligados como um policodigo, visando aumentar
sua capacidade. Como codigos deste tipo pode-se citar os sistemas Optiz e Miclass,

5.2.3 Analise do Fluxo de Producao (PFA)

E um metodo para identicar famlias de pecas e associa-las a um grupo de maquinas. Nao usa a classicacao
e codicacao, portanto nenhum sistema de codigos e assim nao usa o desenho das pecas para identicar as
famlias. Este metodo analisa a sequencia de operacoes e a rota de diferentes pecas pelas maquinas em uma
dada fabrica, e agrupa-as em funcao de suas rotas de fabricacao serem identicas ou semelhantes. Estes grupos
formados sao usados para a formacao logica da celula de maquinas. Como usa somente os dados de manufatura
e nao usa os desenhos das pecas para a denicao do agrupamento, este metodo pode gerar solucoes com duas
caractersticas indesejaveis. A primeira e que pecas com geometrias muito diferentes podem requerer a mesma
rota de processamento. E a segunda e que pecas com geometrias semelhantes podem requerer rotas de fabricacao
muito diferentes. Outra desvantagem deste metodo e que nao fornece mecanismos para a racionalizacao das rotas
de fabricacao pois se baseia nas rotas ja existentes para cada peca, nao analisando se poderiam ser melhoradas
ou otimizadas. Entretanto, alguns autores indicam que a melhor maneira de se introduzir a Tecnologia de Grupo
em uma empresa e primeiro mudar para o arranjo fsico celular com os metodos e processos ja existentes, com o
mnimo possvel de investimentos em novos recursos e equipamentos. Sendo assim, pela sua relativa simplicidade
este metodo e recomendavel como o inicial para se introduzir a Tecnologia de Grupo na area de manufatura.

Os procedimentos para analise do uxo de producao (PFA) podem ser organizados nos seguintes passos (GRO-
OVER [51]):

Coleta de dados: O primeiro passo e denir de todas as pecas fabricadas quais serao consideradas no
estudo. Pode-se desejar considerar todas as pecas fabricadas, transformando toda a planta em estrutura
celular ou pode-se querer considerar apenas uma parte das pecas e como consequencia adotar a estrutura
celular para apenas uma parte da fabrica. Denida as pecas, precisa-se somente de um numero que
identique cada uma das pecas consideradas e as suas respectivas sequencias de operacoes. E bom notar
que apos a determinacao das famlias e celulas, outros dados devem ser considerados para um bom projeto
de celula de maquinas tais como tamanho dos lotes, tempos padroes, producao anual entre outros.
Classificacao das rotas de processo: Classicar as pecas em grupos de acordo com a similaridade
de suas sequencias de operacoes. O procedimento e a separacao das pecas em varios pacotes e cada um
destes pacotes e caracterizado pela similaridade das sequencias de operacoes. Ao nal, cada pacote obtido
corresponde a um grupo. A cada grupo formado deve ser dado um numero que representara a famlia de
pecas obtida.
Tabela do fluxo de producao: As pecas e maquinas selecionadas no passo anterior devem ser colocadas
agora em uma tabela onde as colunas representam as pecas, e as linhas, as maquinas. Esta tabela permite
uma boa visualizacao das relacoes entre as pecas e as sequencias de operacoes necessarias.
Analise: E o passo mais subjetivo e difcil e o mais importante para a obtencao de uma boa solucao nal.
Baseado na tabela obtida no passo anterior, as linhas da tabela devem ser rearranjadas buscando-se deixar

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.3 - Analise do Fluxo de Producao (PFA) 91

juntas, ou seja em linhas vizinhas, as pecas que tem sequencia de operacoes identicas ou similares. Os
diferentes grupos de pecas sao indicados pelos blocos obtidos com este procedimento bem como o grupo de
maquinas. Invariavelmente obtem-se famlias de pecas que necessitam de processamento em outro grupo.
Estas pecas devem ser analisadas para se vericar a possibilidade de uma revisao no processo de fabricacao
de modo que se consiga processa-la em um unico grupo. Se nao for possvel esta peca deve continuar sendo
fabricada em um processo convencional.

Como este metodo baseia-se nas sequencias de operacoes que foram elaboradas para um processo de fabricacao
diferente da estrutura celular, estas diferencas podem reetir-se na sequencia de operacoes da nova estrutura.
Esta sequencia de operacoes pode ter passos que nao sao otimos, ilogicos e desnecessarios. Consequentemente
o agrupamento nal resultante da analise do ultimo passo pode nao ser otima. Entretanto este metodo tem
uma grande vantagem sobre os outros dois descritos anteriormente que e o pequeno tempo necessario para a sua
aplicacao.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.4 - Maquina - Peca 92

5.2.4 Maquina - Peca

A matriz de incidencia A = aij tem m linhas que representam as maquinas e n colunas que representam as pecas.
O elemento aij e igual a 1 se a peca j requer uma operacao na maquina i e aij e igual a 0 quando nao requer
operacao.

A Figura 5.1 mostra uma matriz de incidencia com 10 maquinas e 12 pecas.

pecas
1 2 3 4 5 6 7 8 9 10 11 12
m 1 0 0 0 0 0 0 0 0 1 1 1 0
a 2 0 1 0 1 0 0 1 0 0 0 0 1
q 3 1 0 0 0 1 0 0 1 0 0 0 0
u 4 1 0 1 0 0 0 0 1 0 0 0 0
i 5 0 1 0 1 0 0 1 0 0 0 0 1
n 6 1 0 1 0 1 0 0 1 0 0 0 0
a 7 0 0 0 0 0 1 0 0 1 1 1 0
s 8 0 1 0 1 0 0 1 0 0 0 0 0
9 0 0 1 0 1 0 0 1 0 0 0 0
10 0 0 0 0 0 1 0 0 1 1 1 0

Figura 5.1: Matriz de Incidencia 1

pecas
9 10 11 6 2 4 7 12 1 5 8 3
m 1 1 1 1 0 0 0 0 0 0 0 0 0
a 7 1 1 1 1 0 0 0 0 0 0 0 0
q 10 1 1 1 1 0 0 0 0 0 0 0 0
u 2 0 0 0 0 1 1 1 1 0 0 0 0
i 5 0 0 0 0 1 1 1 1 0 0 0 0
n 8 0 0 0 0 1 1 1 1 0 0 0 0
a 3 0 0 0 0 0 0 0 0 1 1 1 0
s 4 0 0 0 0 0 0 0 0 1 0 1 1
6 0 0 0 0 0 0 0 0 1 1 1 1
9 0 0 0 0 0 0 0 0 0 1 1 1

Figura 5.2: Matriz de Incidencia 2

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.4 - Maquina - Peca 93

Quando nao se consegue tal estrutura perfeitamente, as pecas e as maquinas sao agrupadas com o objetivo de
minimizar os elementos excepcionais para um dado numero de celulas de maquinas. Os elementos excepcionais
sao os elementos que estarao fora dos blocos da diagonal principal com valor 1, representando o numero total de
processamentos que as pecas terao em maquinas de outras celulas. O agrupamento nal, na Figura 5.3, mostra
esta situacao. Vale observar que a matriz nal sera diferente quando se usam diferentes metodos de agrupamento.

pecas
2 7 11 12 5 8 9 1 2 6 4 10 13
m 1 1 1 1 1 0 0 0 0 0 0 0 0 0
a 6 1 1 1 1 1 0 0 0 0 0 0 1 0
q 7 1 1 1 1 0 0 0 0 0 0 1 0 0
u 2 0 0 0 0 0 1 1 1 1 0 0 0 0
i 5 0 0 0 0 0 1 1 1 1 0 0 0 0
n 9 0 0 0 1 0 0 0 0 0 1 1 1 0
a 3 0 0 0 0 0 0 0 0 0 1 0 1 0
s 4 0 1 0 0 0 0 0 0 0 1 1 1 1
8 0 0 0 0 0 0 0 0 0 0 1 1 1

Figura 5.3: Matriz de Incidencia 3

Durante as duas ultimas decadas muitos metodos foram desenvolvidos para resolver o problema de formacao de
famlias maquinas - pecas. CHU [29] classica estes metodos em:

manipulacao de matriz;

agrupamento hierarquico;

agrupamento nao hierarquico;

programacao matematica;
tecnicas gracas e;

heurstica.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.5 - Algoritmos Aplicados em Tecnologia de Grupo 94

5.2.5 Algoritmos Aplicados em Tecnologia de Grupo

5.2.5.1 Rank Order Clustering (ROC)

Este algoritmo foi desenvolvido por KING [58]. O metodo estabelece uma ponderacao sobre a matriz de incidencia
onde 1 representa que a peca sera processada naquela maquina e 0, caso contrario. Um valor decimal correspon-
dente a cada valor binario e atribudo para linhas e colunas. Com estes valores, rearranjar as linhas e colunas da
matriz de modo interativo, ate que linhas e colunas quem dispostas em ordem decrescente. O metodo consiste
dos seguintes passos:

Passo 1: Para cada linha da matriz de incidencia, atribuir um peso binario posicional a cada um de seus
elementos e calcular o seu peso decimal correspondente;

Passo 2: Rearranjar as linhas da matriz na ordem decrescente dos valores dos pesos decimais obtidos no
passo anterior;

Passo 3: Para cada coluna da matriz obtida no passo 2 , atribuir um peso binario posicional a cada um de
seus elementos e calcular o seu peso decimal correspondente;

Passo 4: Rearranjar as colunas da matriz na ordem decrescente dos valores dos pesos decimais obtidos no
passo anterior;

Passo 5: Repetir os passos de 1 a 4 ate nao haver mais mudancas de posicoes dos elementos em cada linha
ou coluna.

Considere n o numero de pecas e m o numero de maquinas. Os pesos decimais para cada linha i e coluna j sao
calculados da seguinte forma:

n
X
linhai : aik 2nk
k=1

m
X
colunaj : aik 2mk
k=1

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.5 - Algoritmos Aplicados em Tecnologia de Grupo 95

Exemplo 5.1 Aplicacao Numerica

Seja a matriz de incidencia:

pecas
1 2 3 4 5 6 7
m 1 0 1 0 1 0 0 1
a 2 0 0 1 0 1 0 0
q. 3 1 1 0 1 0 0 1
4 1 0 1 0 0 1 0
5 0 0 1 1 1 1 0

Passo 1: Para cada linha da matriz de incidencia, atribuir um peso binario posicional a cada um de seus
elementos e calcular o seu peso decimal correspondente;

n
X
linhai : aik 2nk
k=1

Como n = 7, tem-se, por exemplo, para a linha 1:

linha1 : 0 271 + 1 272 + 0 273 + 1 274 + 0 275 + 0 276 + 1 277


linha1 : 0 + 25 + 0 + 23 + 0 + 0 + 20 = 41

pecas
1 2 3 4 5 6 7
Peso Binario 26 25 24 23 22 21 20 Peso Decimal
1 0 1 0 1 0 0 1 41
2 0 0 1 0 1 0 0 20
maquinas 3 1 1 0 1 0 0 1 105
4 1 0 1 0 0 1 0 82
5 0 0 1 1 1 1 0 30

Passo 2: Rearranjar as linhas da matriz na ordem decrescente dos valores dos pesos decimais obtidos no
passo anterior;

pecas
1 2 3 4 5 6 7
m 3 1 1 0 1 0 0 1
a 4 1 0 1 0 0 1 0
q. 1 0 1 0 1 0 0 1
5 0 0 1 1 1 1 0
2 0 0 1 0 1 0 0

Passo 3: Para cada coluna da matriz obtida no passo 2 , atribuir um peso binario posicional a cada um de
seus elementos e calcular o seu peso decimal correspondente;

m
X
colunaj : aik 2mk
k=1

Como m = 5 e considerando, por exemplo, a coluna1 , calcula-se:

coluna1 = 1 251 + 1 252 + 0 253 + 0 254 + 0 255


coluna1 = 24 + 23 + 0 + 0 + 0 = 24

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.5 - Algoritmos Aplicados em Tecnologia de Grupo 96

pecas
1 2 3 4 5 6 7
m 3 24 1 1 0 1 0 0 1
a 4 23 1 0 1 0 0 1 0
q. 1 22 0 1 0 1 0 0 1
5 21 0 0 1 1 1 1 0
2 20 0 0 1 0 1 0 0
Peso Decimal 24 20 11 22 03 10 20

Passo 4: Rearranjar as colunas da matriz na ordem decrescente dos valores dos pesos decimais obtidos no
passo anterior;

pecas
1 4 2 7 3 6 5
m 3 1 1 1 1 0 0 0
a 4 1 0 0 0 1 1 0
q. 1 0 1 1 1 0 0 0
5 0 1 0 0 1 1 1
2 0 0 0 0 1 0 1

Passo 5: Repetir os passos de 1 a 4 ate nao haver mais mudancas de posicoes dos elemento em cada linha
ou coluna.
Verica-se que nao ha mais mudancas de posicao, a solucao encontrada entao e:
Traduzindo esta solucao, tem-se:
Celula 1: maquinas { 01, 03 e 04}
Celula 2: maquinas { 02 e 05}
Famlia 1: pecas { 01, 02, 04 e 07}
Famlia 2: pecas { 03, 05 e 06}

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.5 - Algoritmos Aplicados em Tecnologia de Grupo 97

5.2.5.2 Directive Clustering Analysis (DCA)

Este algoritmo foi desenvolvido por CHAN e MILNER [25] e consiste dos seguintes passos:

Passo 1: Determinar o numero total de elementos 1em cada linha e em cada coluna na matriz de
incidencia;
Passo 2: Rearranjar as linhas na ordem crescente do numero total de elementos 1;
Passo 3: Rearranjar as colunas na ordem decrescente do numero total de elementos 1;
Passo 4: Repetir os passos de 1 a 3 ate que nao haja nenhuma mudanca de posicao dos elementos da
matriz.

Exemplo 5.2 Aplicacao Numerica

Sera usado o mesmo problema: Matriz de Incidencia

pecas
1 2 3 4 5 6 7
m 1 0 1 0 1 0 0 1
a 2 0 0 1 0 1 0 0
q. 3 1 1 0 1 0 0 1
4 1 0 1 0 0 1 0
5 0 0 1 1 1 1 0

Passo 1: Determinar o numero total de elementos 1em cada linha e em cada coluna na matriz de
incidencia;

pecas
1 2 3 4 5 6 7
m 1 0 1 0 1 0 0 1 3
a 2 0 0 1 0 1 0 0 2
q. 3 1 1 0 1 0 0 1 4
4 1 0 1 0 0 1 0 3
5 0 0 1 1 1 1 0 4
2 2 3 3 2 2 2

Passo 2: Rearranjar as linhas na ordem crescente do numero total de elementos 1;

pecas
1 2 3 4 5 6 7
m 2 0 0 1 0 1 0 0
a 1 0 1 0 1 0 0 1
q. 4 1 0 1 0 0 1 0
3 1 1 0 1 0 0 1
5 0 0 1 1 1 1 0

Passo 3: Rearranjar as colunas na ordem decrescente do numero total de elementos 1;

pecas
1 2 5 6 7 3 4
m 2 0 0 1 0 0 1 0
a 1 0 1 0 0 1 0 1
q. 4 1 0 0 1 0 1 0
3 1 1 0 0 1 0 1
5 0 0 1 1 0 1 1

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.5 - Algoritmos Aplicados em Tecnologia de Grupo 98

Passo 4: Repetir os passos de 1 a 3 ate que nao haja nenhuma mudanca de posicao dos elementos da
matriz.
Fazendo as mudancas necessarias, com a repeticao dos passos 2 e 3, a solucao encontrada e:

pecas
2 4 7 1 3 5 6
m 1 1 1 1 0 0 0 0
a 3 1 1 1 1 0 0 0
q. 5 0 1 0 0 1 1 1
2 0 0 0 0 1 1 0
4 0 0 0 1 1 0 1

Portanto, a solucao encontrada foi:


Celula 1: maquinas { 01e 03 }
Celula 2: maquinas { 02,04 e 05}
Famlia 1: pecas { 01, 02, 04 e 07}
Famlia 2: pecas { 03, 05 e 06}

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.5 - Algoritmos Aplicados em Tecnologia de Grupo 99

5.2.5.3 Cluster Identification Algorithm (CIA)

KUSIAK e CHOW [61] aplicaram o conceito apresentado por IRI (1968) no desenvolvimento deste algoritmo. O
CIA permite checar a existencia de grupos mutuamente separaveis na matriz de incidencia. O algoritmo consiste
dos seguintes passos:

Passo 0: Estabelecer o numero da iteracao k = 1

Passo 1: Selecionar uma linha i na matriz de incidencia e desenhar uma linha horizontal hi ;

Passo 2: Para cada elemento igual a 1 encontrado na linha hi , desenhar uma linha vertical vj passando
por estes elementos;
Passo 3: Para cada elemento igual a 1 encontrado na linha vj , desenhar uma linha horizontal hk passando
por estes elementos;

Passo 4: Repetir os passos 2 e 3 ate nao ser mais possvel desenhar linhas passando por um elemento igual
a 1 pertencente a uma linha vj ou hk . Todos os elementos que estao no cruzamento de uma linha hk com
uma linha vj formam a celula de maquinas M C k e a famlia de pecas P F k;

Passo 5: Denir uma nova matriz de incidencia inicial, retirando as linhas e colunas (maquinas e pecas)
que ja fazem parte de uma celula e famlia, obtidas nos passos de 1 a 4;

Passo 6: Se a matriz obtida contiver todos os elementos iguais a zero, o que signica que todas as maquinas
ja foram alocadas em uma celula e todas as pecas ja alocadas em uma famlia ou se obtiverem elementos
excepcionais, m do algoritmo. Caso contrario, incrementar a variavel k (k = k +1), que controla o numero
de iteracoes e voltar para o passo 2.

Exemplo 5.3 Aplicacao Numerica

Sera usado o mesmo problema: Matriz de Incidencia

pecas
1 2 3 4 5 6 7
m 1 0 1 0 1 0 0 1
a 2 0 0 1 0 1 0 0
q. 3 1 1 0 1 0 0 1
4 1 0 1 0 0 1 0
5 0 0 1 1 1 1 0

Passo 1: Selecionar uma linha i na matriz de incidencia e desenhar uma linha horizontal hi ;
pecas
1 2 3 4 5 6 7
m 1 0 1 0 1 0 0 1
a 2 0 0 1 0 1 0 0
q. 3 1 1 0 1 0 0 1
4 1 0 1 0 0 1 0
5 0 0 1 1 1 1 0

Passo 2: Para cada elemento igual a 1 encontrado na linha hi , desenhar uma linha vertical vj passando
por estes elementos;

pecas
1 2 3 4 5 6 7
m 1 0 1 0 1 0 0 1
a 2 0 0 1 0 1 0 0
q. 3 1 1 0 1 0 0 1
4 1 0 1 0 0 1 0
Prof. Carlos Roberto Venancio de Carvalho
5 0 0 1 1 1 1 0 Agosto de 2015 - DEP EE UFMG
5.2.5 - Algoritmos Aplicados em Tecnologia de Grupo 100

Passo 3: Para cada elemento igual a 1 encontrado na linha vj , desenhar uma linha horizontal hk passando
por estes elementos;

pecas
1 2 3 4 5 6 7
m 1 0 1 0 1 0 0 1
a 2 0 0 1 0 1 0 0
q. 3 1 1 0 1 0 0 1
4 1 0 1 0 0 1 0
5 0 0 1 1 1 1 0

Passo 4: Repetir os passos 2 e 3 ate nao ser mais possvel desenhar linhas passando por um elemento igual
a 1 pertencente a uma linha vj ou hk . Todos os elementos que estao no cruzamento de uma linha hk com
uma linha vj formam a celula de maquinas M C k e a famlia de pecas P F k;

pecas
1 2 3 4 5 6 7
m 1 0 1 0 1 0 0 1
a 2 0 0 1 0 1 0 0
q. 3 1 1 0 1 0 0 1
4 1 0 1 0 0 1 0
5 0 0 1 1 1 1 0

Como se pode observar o algoritmo nao encontrou uma solucao para este problema, ou seja, a solucao nal indica
a existencia de uma unica celula de maquinas e uma unica famlia de pecas, igual a matriz de incidencia.

5.2.5.4 Modelos de Programacao Inteira

A maioria dos modelos matematicos, desenvolvidos para a solucao de problemas de formacao de grupos, considera
a medida de distancia dij entre as pecas i e j, KUSIAK [61].

A distancia dij entre as pecas i e j e uma funcao no conjunto dos numeros reais com as seguintes propriedades:

1. reexiva: dii = 0, i;

2. simetrica: dij = dji , i e j;

3. desigualdade triangualar: dij dik + djk , i, j e k;

Pm
distancia absoluta : dij = k=1 | aki akj |

Pm
distancia euclidiana : dij = [ k=1 (aki akj )2 ]1/2

Pm
distancia ponderada : dij = ( k=1 wk | aki akj |r )1/r , onde wk e um peso atribuido a maquina k, e, se
r = 1 a distancia e a absoluta ponderada, e se r = 2 e euclidiana ponderada.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.5 - Algoritmos Aplicados em Tecnologia de Grupo 101

Pm
distancia de Hamming : dij = k=1 (aki akj )


1 se aki 6= akj
onde: (aki akj ) =
0 se nao

O modelo de programacao matematica apresentado aqui e conhecido como Agrupamento pelo Metodo das
pmedianas

Este metodo utiliza da Programacao Inetira (PI). O PI e denido:

Dados:

n: numero de pecas;
p: numero de famlias de pecas (pre-denido);
dij : distancia entre as pecas i e j.

Variaveis:

1 se a peca i pertence a famlia j
xij =
0 se nao

Funcao Objetivo: minimizar a soma total das distancias entre as pecas i e j:

n X
X n
min dij xij .
i=1 j=1

Restricoes:

Cada peca pertence a uma unica famlia:

n
X
xij = 1 i = 1, 2, . . . , n;
j=1

O numero total de famlias e igual a p:

n
X
xii = p;
i=1

Uma peca so pode estar em uma famlia j se esta famlia existe (xjj 0):

xij xjj

Domnio das variaveis:

xij {0, 1} i, j

O modelo acima foi desenvolvido considerando a possibilidade de haver apenas uma sequencia de operacoes para
cada peca i. KUSIAK [61], desenvolveu um outro modelo, chamado Generalized p-median Model, relaxando esta
restricao, permitindo com isto considerar mais que um plano de operacoes para cada peca i e adicionalmente os
custos de operacao sao associados a cada plano de operacao.

Exemplo 5.4 Aplicacao Numerica

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.5 - Algoritmos Aplicados em Tecnologia de Grupo 102

Sera usado o mesmo problema: Matriz de Incidencia

pecas
1 2 3 4 5 6 7
m 1 0 1 0 1 0 0 1
a 2 0 0 1 0 1 0 0
q. 3 1 1 0 1 0 0 1
4 1 0 1 0 0 1 0
5 0 0 1 1 1 1 0

Usando HAMMING (LEE 1981) para determinar a medida de distancia, dij e a distancia entre a peca i e a peca
j.

Tomando-se i = 1 e j = 2 tem-se

d12 = (a11 , a12 ) + (a21 , a22 ) + (a31 , a32 ) + (a41 , a42 ) + (a51 , a52 ) = 1 + 0 + 0 + 1 + 0
d12 = 2.

Tomando-se i = 2 e j = 3 tem-se

d23 = (a12 , a13 ) + (a22 , a23 ) + (a32 , a33 ) + (a42 , a43 ) + (a52 , a53 ) = 1 + 1 + 1 + 1 + 1
d23 = 5

Calculando-se dij para os outros valores de i e j, obtem-se a seguinte matriz:

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

Fazendo p = 2, ou seja, deseja-se denir duas famlias de pecas. As variaveis do modelo abaixo, estao escritas
na formatacao apropriada para o software Lindo e nao como descritas anteriormente. Assim, a variavel X12 e
equivalente a x1,2 .

min 2X12 + 3X13 + 3X14 + 4X15 + 2X16 + 2X17 + 2X21 + 5X23 + 2X24 + 4X25 + 4X26 +
3X31 + 5X32 + 4X34 + 1X35 + 1X36 + 5X37 + 3X41 + 2X42 + 4X43 + 3X45 + 3X46 + 1X47 +
4X51 + 4X52 + 1X53 + 3X54 + 2X56 + 4X57 + 2X61 + 4X62 + 1X63 + 3X64 + 2X65 + 4X67 +
2X71 + 5X73 + 1X74 + 4X75 + 4X76

Sujeito a:
X11 + X12 + X13 + X14 + X15 + X16 + X17 = 1
X21 + X22 + X23 + X24 + X25 + X26 + X27 = 1
X31 + X32 + X33 + X34 + X35 + X36 + X37 = 1
X41 + X42 + X43 + X44 + X45 + X46 + X47 = 1
X51 + X52 + X53 + X54 + X55 + X56 + X57 = 1
X61 + X62 + X63 + X64 + X65 + X66 + X67 = 1
X71 + X72 + X73 + X74 + X75 + X76 + X77 = 1
X11 + X22 + X33 + X44 + X55 + X66 + X77 = 2
X21 X11 <= 0 X31 X11 <= 0
X41 X11 <= 0 X51 X11 <= 0

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.6 - Medidas de desempenho 103

X61 X11 <= 0 X71 X11 <= 0


X12 X22 <= 0 X32 X22 <= 0
X42 X22 <= 0 X52 X22 <= 0
X62 X22 <= 0 X72 X22 <= 0
X13 X33 <= 0 X23 X33 <= 0
X43 X33 <= 0 X53 X33 <= 0
X63 X33 <= 0 X73 X33 <= 0
X14 X44 <= 0 X24 X44 <= 0
X34 X44 <= 0 X54 X44 <= 0
X64 X44 <= 0 X74 X44 <= 0
X15 X55 <= 0 X25 X55 <= 0
X35 X55 <= 0 X45 X55 <= 0
X65 X55 <= 0 X75 X55 <= 0
X16 X66 <= 0 X26 X66 <= 0
X36 X66 <= 0 X46 X66 <= 0
X56 X66 <= 0 X76 X66 <= 0
X17 X77 <= 0 X27 X77 <= 0
X37 X77 <= 0 X47 X77 <= 0
X57 X77 <= 0 X67 X77 <= 0

xIJ {0, 1} i j

Resolvendo o modelo acima se obtem a seguinte solucao:

X17 = X27 = X47 = X77 = 1

X33 = X53 = X63 = 1

A matriz nal ca entao:

pecas
1 2 4 7 3 5 6
m 1 0 1 1 1 0 0 0
a 3 1 1 1 1 0 0 0
q. 2 0 0 0 1 1 1 0
4 1 0 0 0 1 0 1
5 0 0 1 0 1 1 0

Portanto, a solucao encontrada foi:

Celula 1: maquinas {01e 03}


Celula 2: maquinas {02,04 e 05}
Famlia 1: pecas {01, 02, 04 e 07}
Famlia 2: pecas {03, 05 e 06}

5.2.6 Medidas de desempenho

Existem varios parametros ou metodologias para se avaliar o desempenho de um metodo. Para os algoritmos
aplicados na solucao de problemas de formacao de famlias e celulas, chamados maquina-peca, MALAKOOTI e
YANG [70], em seus estudos, propuseram tres medidas:

Porcentagem de Elementos Excepcionais (PE)

Utilizacao das Maquinas (MU)

Eciencia de Agrupamento (GE)

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.6 - Medidas de desempenho 104

5.2.6.1 Porcentagem de Elementos Excepcionais - PE

A qualidade do metodo de agrupamento pode ser avaliado pelo numero de elementos excepcionais, CHAN e
MILNER [25]. A porcentagem de elementos excepcionais (PE) pode ser obtida pela divisao do numero de
elementos excepcionais (NE) pelo numero total de elementos com valor 1(N) na matriz nal.

Seja entao:

NE: numero de elementos excepcionais; e


N: numero total de elementos com valor 1 na matriz de incidencia,

entao:
PE = NE / N

5.2.6.2 Utilizacao das maquinas - MU

E a porcentagem do tempo que as maquinas de cada grupo estao em producao, CHANDRASEKHARAN e


RAJAGOPALAN [26]. Sendo N1 o numero total de 1dentro dos grupos, R o numero de grupos, mr o numero
de maquinas pertencentes ao grupo r e nr o numero de pecas pertencentes ao grupo r, o MU pode e calculado
da seguinte forma:

Seja:

N1: numero total de elementos com valor 1 dentro dos grupos;


R: numero de grupos;
mr : numero de maquinas pertencentes ao grupo r; e
nr : numero de pecas pertencentes ao grupo r,

entao: PR
MU = N1 / r=1 mr nr

5.2.6.3 Eficiencia de Agrupamento - GE

E uma medida de desempenho de agrupamento agregada, denida por CHANDRASEKHARAN e RAJAGOPALAN


[26]. Sendo; NE o numero de elementos excepcionais, MN as dimensoes da matriz de incidencia e mr e nr como
ja denidos anteriormente, o GE pode ser calculado da seguinte forma:

Seja:

MN: produto das dimenssoes da matriz de incidencia A,

entao: PR
GE = 0, 5 MU + 0, 5 (1 N E/M N r=1 mr nr )

5.2.6.4 Aplicacao aos problemas

Algoritmo PE(%) MU(%) GE(%)


Rank Order Clustering (ROC) 18.8 72.2 77.3
Directive Clustering Analysis (DCA) 12.5 82.4 85.6
Cluster Identication Algorithm (CIA) * * *
Programacao Inteira 12.5 82.4 85.6

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.2.7 - Consideracoes 105

5.2.7 Consideracoes

Para o exemplo apresentado, o algoritmo heurstico Directive Clustering Analysis (DCA) e a Programacao Inteira
(metodo otimizante) obtiveram os mesmo desempenho para as tres medidas consideradas ( porcentagem de
elementos excepcionais, utilizacao das maquinas e eciencia de agrupamento). O Rank Order Clustering (ROC),
obteve um desempenho inferior para as tres medidas de desempenho. O Cluster Identication Algorithm (CIA)
embora nao tenha chegado a uma solucao para o exemplo, tem apresentado um bom desempenho em varias
aplicacoes praticas. Os aspectos computacionais requeridos, embora nao fosse o enfoque deste trabalho, mesmo
para a programacao inteira (utilizado o software Lindo) foram compatveis e viaveis quando aplicados ao problema
estudado. Entretanto, deveriam ser estudados, de forma mais profunda, problemas de dimensoes maiores para
que se pudesse determinar o metodo de solucao (ou algoritmo) ideal do ponto de vista computacional versus as
dimensoes dos problemas (matriz de incidencia). Como proposta de estudos futuros, poderia se determinar em
que tipo , ou caractersticas, de problemas os algoritmos estudados tendem a falhar ou nao propiciam solucoes
satisfatorias.

A aplicacao da Tecnologia de Grupo e uma etapa importante do projeto de celula de manufatura pois e ela que
determina efetivamente quais serao as famlias de pecas e celulas de maquinas a serem implementadas na nova
estrutura de manufatura. Entretanto, se se compararem as diversas etapas necessarias para um projeto de celulas
de manufatura, as diversas areas da empresa que serao afetadas pelas suas implantacoes, ambos descritos na
prosima secao, com o pequeno numero de variaveis consideradas pelos algoritmos de Tecnologia de Grupo, pode-
se armar que as solucoes obtidas por estes devem ser rigorosamente analisadas para se vericar antecipadamente
qual sera o desempenho efetivo desta nova estrutura. Por outro lado, as medidas de desempenho encontradas na
literatura enfocam preponderantemente a qualidade do agrupamento, ou seja, medem a eciencia do algoritmo
quanto a sua capacidade de agrupar pecas em famlias e maquinas em celulas mas, o que se deveria medir e a
qualidade da solucao nal quanto a sua aplicacao em projetos de celulas de manufatura. Por exemplo, o fato
de se obter uma eciencia de agrupamento elevada nao signica necessariamente que o desempenho da celula
de manufatura proposta na solucao tambem sera elevado. Obter um baixo ndice de elementos excepcionais na
solucao nal tambem nao signica que nao se terao problemas na implantacao das celulas e que ate se pode ter
um desempenho menor que o da estrutura de manufatura original. As demandas de cada produto, os tempos
de processamento de cada produto em cada maquina bem como as caractersticas do problema a ser estudado,
interferem diretamente no desempenho das celulas, mas estas variaveis nao sao consideradas na analise da solucao
nal.

5.3 Celulas de Manufatura

5.3.1 Definicoes

As celulas de manufatura podem ser denidas como sendo a organizacao da estrutura de producao em grupos
de maquinas onde, cada grupo, ou celula, contem os recursos humanos e materiais necessarios para a execucao
de todas as operacoes de fabricacao de uma determinada famlia de pecas, dentro da area delimitada pelo grupo
(celula pura). As maquinas pertencentes a um certo grupo devem ser arranjadas em um local especco de tal
modo que possam processar a famlia de pecas de maneira economica e racional, garantindo assim, a obtencao
dos benefcios oriundos desta estrutura.

Elas tambem sao chamadas de Celulas de Manufatura Flexveis (FMC) pela sua grande exibilidade de utilizacao.
Segundo NYMAN [74], inicialmente a maioria das celulas eram celulas de maquinas mas, atualmente as celulas
de manufatura exveis sao comumente encontradas numa grande variedade de aplicacoes. Elas sao chamadas de
Celulas de Manufatura ao inves de Celulas de Maquinas porque outros tipos de servicos, que nao sao executados
em maquinas, sao cada vez mais encontrados nas celulas, tais como, processos de montagem manual, tratamento
termico, limpeza, empacotamento, transporte, etc. Alem disso, a organizacao de estruturas de producao em
celulas nao esta restrita somente a manufatura. Estes conceitos sao utilizados hoje, tambem, em escritorios,
lojas de departamento, prestacao de servicos, uxos de documentos, entre outros. Por outro lado, conforme
NYMAN [74], a palavra exibilidade no nome tornou-se apropriado a medida que um numero crescente de
tecnicas foram desenvolvidas possibilitando a producao de uma variedade mais ampla de pecas quanto a dimensoes
e formas, atraves de um grupo de diferentes maquinas, ajustando a sada da celula de acordo com as necessidades
especicadas pelo cliente. Assim, a palavra exibilidade e incorporada a celula de manufatura pela sua exibilidade
na aplicacao dos conceitos nos diversos ramos de atividade empresarial, e pela sua exibilidade em poder produzir

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.2 - Classificacao 106

diferentes tipos de pecas e servicos.

O termo Celula de Manufatura e algumas vezes usado para descrever, ou representar, a operacionalizacao da
Tecnologia de Grupo (GROOVER, [51]), pois a Tecnologia de Grupo e uma losoa de manufatura que busca
melhorar a eciencia atraves do agrupamento de pecas em famlias e de maquinas em grupos. Esta eciencia e
obtida pelo arranjo dos equipamentos de producao em grupos, ou celulas, para facilitar o uxo e a sequencia de
operacoes.

5.3.2 Classificacao

Existem diversos tipos de classicacao utilizadas para classicar as celulas de manufatura. Serao apresentados
duas maneiras de classicacao que sao, normalmente, as mais utilizadas e encontradas na literatura e sao, tambem,
as mais adequadas ao contexto deste curso:

Classicacao quanto ao tipo;

Classicacao quanto ao grau de automacao.

5.3.2.1 Quanto ao Tipo

As celulas de manufatura devem ser projetadas como se fossem um pequeno negocio autonomo (NYMAN [74]),
a ser operado por um grupo de pessoas e que ja se tenham tracado previamente os objetivos a serem alcancados
e os criterios de desempenho a serem considerados. Baseado nisto e tendo conhecimento dos produtos a serem
fabricados e dos seus processos, o primeiro passo e desenvolver um projeto macro da celula que normalmente e
de um dos tres tipos basicos (NYMAN [74]):

Celula por Produto;


Celula por Processo;

Celula por Tecnologia de Grupo.

Celula por Produto E o tipo de celula que produz um unico produto acabado e o transporta para o cliente.
O produto pode ser completamente manufaturado por um grupo especco de operadores em uma pequena area.
Nao deve ser confundido com uma fabrica especializada a qual normalmente e composta por varias celulas. Esse
tipo, comparado aos outros dois, e o que tem o maior potencial de benefcios economicos e de desempenho, visto
que permite a eliminacao de quase todas as atividades que nao agregam valor.

Celula por Processo Este tipo produz componentes de um produto ou famlias de produtos que requerem
processos comuns e que possam ser agrupados, mas nao necessariamente seguem a mesma sequencia de operacoes.
Frequentemente os processos envolvidos nao permitem que sejam instaladas multiplas celulas por produto, em
funcao dos investimentos em equipamentos requeridos ou consideracoes fsicas ou ambientais. Podem proporcionar
signicativa melhoria na moral da equipe em funcao da organizacao do trabalho em grupo e nos custos de algumas
operacoes.

Celula por Tecnologia de Grupo E o tipo mais conhecido e que contem o maior numero de publicacoes, e
pode ser considerado como sendo um nvel intermediario entre um equipamento dedicado e um jobshop. Produz
pecas de formas similares, nao necessariamente componentes de um produto ou famlia de produtos. E considerado
por muitos como o precursor dos conhecimentos atuais sobre celulas. Os benefcios economicos propiciados por
este tipo sao, na maioria das vezes, menores que os proporcionados pelos outros dois tipos.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.2 - Classificacao 107

5.3.2.2 Quanto ao grau de automacao

As celulas de manufatura podem ser classicadas, tambem, em funcao do grau de automacao e integracao, em
um dos seguintes grupos (GROOVER [51]):

Celula com maquina unica;


Celula com movimentacao manual;
Celula com movimentacao semi-integrada;
Sistema Flexvel de Manufatura (FMS).

Celula com Maquina Unica Como o proprio nome diz, e composta por uma unica maquina que possui
todas as ferramentas e dispositivos de xacao necessarios para a fabricacao de uma ou mais famlias de pecas.
Este tipo de celula pode ser usado quando todas as operacoes de fabricacao podem ser executadas em um unico
tipo de processo basico.

Celula com Movimentacao Manual E um arranjo de varias maquinas usadas para produzir uma ou mais
famlias, tambem. Nao possui nenhum equipamento de movimentacao automatico entre as maquinas da celula,
que e feita por operadores manualmente. Dependendo do tamanho e peso das pecas, a movimentacao e feita
com o auxlio de um equipamento de transporte comandado por um operador. Normalmente o arranjo fsico e em
Upois este tipo de arranjo e considerado o mais apropriado quando existe uma certa variedade de sequencias
e movimentacoes das pecas entre as diversas maquinas que compoem a celula (gura 5.4) (GROOVER [51]).
Permite a utilizacao de operadores multifuncionais o que facilita a operacao e a movimentacao entre maquinas.

Mq. A Mq. B
Entrada

Mq. C
Movimentao Manual
Sada

Mq. E Mq. D

Figura 5.4: Celula de manufatura com movimentacao manual e arranjo em U

Este tipo e algumas vezes implementado em um arranjo convencional por processo sem um novo arranjo dos
equipamentos. E feita simplesmente uma atribuicao a certas maquinas para fazerem parte de um determinado
grupo e terem suas utilizacoes restritas a fabricacao de uma famlia de pecas. Obviamente os benefcios relativos
a reducao substancial das necessidades de movimentacoes, propiciadas pela estrutura celular, nao sao obtidos
com este procedimento.

Celulas com Movimentacao Semi-integrada Usa sistemas automaticos de movimentacao tais como
correias transportadoras, para mover as pecas entre as maquinas da celula. Quando as pecas produzidas na celula
tem sequencias de operacoes identicas ou similares, um arranjo em linha e o mais apropriado. Neste caso as
maquinas sao alocadas ao longo da correia transportadora em funcao da sequencia das operacoes (gura 5.5).

Se a sequencia de operacoes de cada peca e muito variada, usa-se um arranjo em loop, ja que esse permite a
circulacao da peca pela celula (gura 5.6).

Sistema Flexvel de Manufatura (FMS) E o que possui o mais alto grau de automacao. Combina
estacoes de trabalho automaticas, ou centros de usinagem, com sistemas de movimentacao plenamente integrados.
Computadores fazem o controle dos equipamentos de producao, atraves de bancos de dados que sao especialmente

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.3 - Benefcios 108

Mq. A Mq. B Mq. C Mq. D


Entrada Sada

Movimentao Automtica

Figura 5.5: Celula de manufatura com movimentacao semi-integrada com lay out em linha

Mq. A Mq. B Mq. C

Entrada Fluxo do
Movimentao Automtica processo
e Sada

Mq. F Mq. E Mq. D

Figura 5.6: Celula de manufatura com movimentacao semi integrada com lay out em loop

desenvolvidos com dados da manufatura, integrados a sistemas de informacoes para planejamento, sequenciamento
e coordenacao das operacoes. Um FMS pode ser denido como uma combinacao de equipamentos, sistemas
de controle e de comunicacao, integrados na manufatura, para um desempenho de alta produtividade e com
capacidade de respostas rapidas e economicas a mudancas eventualmente necessarias.

5.3.3 Benefcios

A implantacao de celulas de manufatura atinge nao somente as atividades relacionadas diretamente com as
operacoes de fabricacao, mas tambem as areas de apoio como: engenharia do produto, engenharia de projetos,
manutencao, programacao da producao, suprimentos, distribuicao, vendas, recursos humanos, treinamento e
atendimento aos clientes. Estas areas tambem obtem benefcios diretos e indiretos, atraves da simplicacao de
procedimentos, integracao do trabalho, melhoria nos prazos, pontualidade na entrega, padronizacao de projetos,
entre outros.

Os benefcios obtidos diretamente nos processos produtivos sao:

reducao do ciclo de fabricacao;


reducao do material em processo;
reducao do tempo de setup;
reducao dos tempos de processo;
reducao das necessidades de movimentacao;
reducao dos tempos de movimentacao;
reducao de retrabalhos e perdas;
reducao dos estoques;
reducao do espaco necessario para a fabrica;
reducao dos tempos de planejamento.
uxo do material mais organizado;

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.4 - Quando a Estrutura Celular e Recomendada 109

controle da producao mais simples e ecaz;

melhoria dos padroes de qualidade;

controle da qualidade mais simples;

melhoria do nvel de motivacao do pessoal devido aos aspectos sociologicos do trabalho em grupo;

maior envolvimento dos operadores no processo como um todo, fazendo-os sentirem-se mais valorizados,
favorecendo a melhoria da qualidade e da produtividade;

supervisao mais objetiva e racional, dando ao supervisor visao clara dos objetivos da celula devido a sua
delimitacao e abrangencia;

E facil concluir que todos estes benefcios recaem diretamente na reducao de custos e propiciam condicoes mais
favoraveis para a competitividade da empresa. A celula de manufatura permite, na maioria das vezes, processar
todas as operacoes necessarias para transformar uma materia-prima em produto acabado, utilizando um pequeno
numero de operadores, o que lhes permite acompanhar todas as fases e vericar o resultado nal de seus trabalhos.
Isto proporciona um nvel maior de satisfacao do pessoal, pois conseguem perceber a importancia de seus resultados
para a empresa. Como estao muito proximos das atividades desenvolvidas e integrados ao ambiente da celula,
sentem-se mais responsaveis e detectam erros em condicoes de ser corrigidos em tempo, contribuindo para a
melhoria da qualidade e consequentemente da produtividade.

LORINI [66] ressalta que a estrutura celular, projetada adequadamente e aplicada a sistemas produtivos, cria
todo um ambiente, ou uma base, que facilita a automatizacao, favorecendo a utilizacao das modernas tecnologias
computacionais de auxlio a manufatura, que podem ser totalmente integrados como um sistema CIM (Computer
Integrated Manufacturing).

5.3.4 Quando a Estrutura Celular e Recomendada

SLACK [86] recomenda o arranjo da estrutura de producao em celulas de manufatura, em funcao do volume de
producao e da variedade de produtos. Posiciona sua aplicacao em relacao aos demais tipos de arranjo, que sao
denidos por ele como quatro:

arranjo fsico posicional;

arranjo fsico por processo;

arranjo fsico celular;

arranjo fsico por produto.

O arranjo fsico posicional deve ser utilizado para volumes baixos e variedade relativamente alta, pois o uxo
de materiais nao e uma questao central visto que os produtos uem muito pouco frequentemente atraves das
operacoes. Com volumes maiores e variedade menor, o uxo dos materiais torna-se uma questao mais importante.
Se a variedade e alta, um arranjo denido completamente pelo uxo torna-se complexo porque os produtos poderao
ter diferentes padroes de uxo e neste caso deve ser usado o arranjo fsico por processo. Quando a variedade
de produtos se reduz, mas ainda nao e pequena, de modo que grupos de produtos, ou famlias, possam ser
identicados em funcao da similaridade de suas necessidades, o arranjo fsico celular torna-se mais adequado.
Quando a variedade de produtos e relativamente pequena e o uxo pode ser regularizado, o arranjo fsico por
produto pode tornar-se mais adequado. Assim, a medida que o volume aumenta, a decisao quanto ao tipo de
arranjo baseia-se fortemente no uxo do processo. A medida que a variedade e reduzida, a decisao baseia-se no
processamento do produto. A gura 5.7 apresenta a relacao entre o tipo de arranjo fsico adequado ao volume e
variedade (SLACK [86]).

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.5 - Areas e Atividades da Empresa Afetadas pela Implantacao 110

Baixo Alto
Volume

Alta
Arranjo Fsico
Posisional

Arranjo Fsico
Por Processo
Variedade

Arranjo Fsico
Celular

Arranjo Fsico
Por Produto
Baixa

Figura 5.7: Tipo de Arranjo Fsico em funcao do volume de producao e variedade dos produtos

5.3.5 Areas e Atividades da Empresa Afetadas pela Implantacao

Algumas empresas veem a adocao de celulas de manufatura apenas como uma nova maneira de fabricar seus
produtos, atraves de um novo arranjo de suas maquinas e equipamentos. Entretanto, a ideia central dos conceitos
de celulas de manufatura implica em uma nova maneira de conduzir as atividades de manufatura. Sendo assim,
as atividades relacionadas direta ou indiretamente com a producao, devem ser completamente reestruturadas,
pois os benefcios relativos a sua implantacao so podem ser plenamente obtidos com a solucao de problemas
relacionados a outros departamentos, funcoes ou areas da empresa. Se os outros departamentos nao mudarem
suas maneiras de operar, existira uma grande probabilidade de se ver fracassada a implantacao de uma celula de
manufatura.

As principais areas da empresa a serem afetadas a curto prazo, sao descritas por NYMAN [74] e a seguir apre-
sentadas:

engenharia do produto;

programacao, producao, controle de estoques e sistemas computacionais;

controle da qualidade;

entrada de pedidos, vendas e mercado;

recursos humanos e pessoal;

contrato de trabalho, plano de carreira e remuneracao;

outras areas.

5.3.5.1 Engenharia do Produto

Com a implantacao de celulas de manufatura, nao se deve ter uma grande variedade de linhas de produtos, com
pequenas diferencas entre eles como uma grande diversidade de tamanhos por exemplo. Isto traz um incremento
signicativo nos custos de fabricacao. Assim, o projeto dos produtos e as atividades de engenharia devem ser

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.5 - Areas e Atividades da Empresa Afetadas pela Implantacao 111

mudadas e passarem a dar atencao para este detalhe. Uma racionalizacao de pecas ou padronizacao deve ser feita.
A engenharia do produto deve ter um bom conhecimento das restricoes, caractersticas e capacidades das celulas de
manufatura existentes na empresa. O objetivo e obter uma grande velocidade de producao e consequentemente
maiores benefcios nanceiros. Uma grande variedade de formas, tamanhos, tipos e dimensoes, demanda um
aumento dos tempos de setup, de xacao e variedade de ferramentas, e com isto a velocidade de producao
diminui. Mesmo que os produtos ja fabricados em celulas existentes sejam simples e o numero de pecas esteja
sob controle, o envolvimento da equipe da engenharia do produto poderia permitir um melhor planejamento da
celula de manufatura por possibilitar a consideracao de possveis futuras necessidades de producao. Tambem,
com o conhecimento sobre as caractersticas da celula de manufatura, o tempo necessario para o desenvolvimento
e lancamento de novos produtos pode ser diminudo, aumentando a competitividade da empresa frente aos
concorrentes.

5.3.5.2 Programacao, Producao, Controle de Estoques e Sistemas Computacionais

Estas areas sao as que sofrem maior impacto, e mais imediatos, com a implantacao de celulas de manufatura.
Elas devem reetir as atividades da manufatura e, se o chao de fabrica for mudado radicalmente, os sistemas
devem ser alterados para se adequarem a nova realidade.

Frequentemente os operadores da celula devem decidir qual a melhor sequencia em que as pecas devem ser
processadas, visando minimizar os tempos de setup e as trocas de ferramentas. Eles assumem a responsabilidade
por algumas programacoes anteriormente feitas pelo departamento de programacao e controle da producao.
Entretanto, para evitar um acumulo de ordens de producao nao executadas ou por conveniencia dos operadores
ou por ineciencia da programacao elaborada por eles, programacoes de curto prazo devem ser feitas por um
sistema centralizado em um departamento que tenha a visao geral e global das necessidades de todas as outras
unidades, e distribudas pelas celulas, para nao comprometer o resultado nal da empresa como um todo.

Como resultado da implantacao de celulas de manufatura, frequentemente nao se tem estoques intermediarios, ou
estoques entre maquinas. As celulas podem ser ligadas diretamente com as operacoes de montagem, reduzindo
ou eliminando os estoques de produtos semi-acabados. Assim, o controle de estoques torna-se muito mais facil e
esta funcao e a que mais rapidamente e adaptada a nova estrutura. A eliminacao potencial de estoques e uma
das mais fortes argumentacoes utilizadas para justicar a implantacao de celulas de manufatura.

Se os departamentos ou sistemas afetados nao conduzirem suas atividades, de maneira diferente, ajustando-as a
nova realidade, o resultado sera o caos e os benefcios nao serao alcancados. Uma das chaves para o sucesso da
implantacao e o envolvimento previo destas unidades para que elas se comprometam, tambem, com as mudancas
que se farao necessarias.

5.3.5.3 Controle da Qualidade

Pelo metodo tradicional, o controle da qualidade e feito por uma unidade de controle da qualidade, atraves de
seus inspetores, que vericam os produtos feitos por outras pessoas. Este metodo tem varias desvantagens e foi
considerado obsoleto na decada de setenta, com o estabelecimento de novos padroes e conceitos de qualidade. Na
estrutura celular o controle de qualidade e feito diretamente pelos operadores da celula, que e a tendencia mais
moderna e atual para se controlar a qualidade. Os operadores, ou um deles, sao responsaveis pelo desempenho de
todas as etapas do processo de uma peca ou famlia de pecas. Se e detectada alguma anormalidade, os operadores
deverao estar habilitados para rapidamente localizar o problema e implementar as acoes corretivas necessarias para
bloquear a causa geradora da nao conformidade. Esta responsabilidade nao pode ser assumida por operadores
nao capacitados, ou seja, com o grau de capacitacao usado na estrutura anterior a adotada. Os operadores das
celulas de manufatura sao envolvidos tambem na manutencao e preparacao de seus equipamentos. A estrutura
celular permite, atraves de seus operadores, uma melhoria signicativa nos nveis de qualidade, eliminando ou
minimizando os retrabalhos, desperdcios e pecas rejeitadas

5.3.5.4 Entrada de Pedidos, Vendas e Mercado

Com a implantacao de celulas de manufatura, muda-se a programacao da producao, nao somente o modelo de
programacao, como tambem a frequencia de sua elaboracao. Alem disto, consegue-se uma reducao signicativa

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.5 - Areas e Atividades da Empresa Afetadas pela Implantacao 112

no tempo do ciclo de fabricacao. Assim, com estes benefcios alcancados, entre outros, pode-se mudar a relacao
da empresa com o mercado, tornando-se mais agil, exvel, respondendo melhor as necessidades dos clientes. A
area de vendas, portanto, deve mudar seus procedimentos, sistematica de recebimento das entradas de pedidos,
frequencia de conrmacao dos pedidos e prazos de entrega. A area de mercado, por sua vez, deve incorporar em
seus modelos de previsao e de planejamento, os resultados dos benefcios obtidos com esta nova organizacao da
estrutura de producao.

5.3.5.5 Recursos Humanos

Havera um grande impacto nos operadores das celulas de manufatura, nas equipes de apoio a producao e no
papel da supervisao e gestao. Se o aspecto humano nao for considerado no projeto da celula, a possibilidade de
fracasso e muito grande. Deve-se dar destaque a elaboracao de um plano de educacao e treinamento visto que
varias tecnicas operacionais e gerenciais novas e procedimentos serao implementados junto com a celula. Como
a estrutura celular representa uma maneira diferente de organizar a manufatura e de uma forma mais ampla, o
negocio, a sua implantacao efetiva requer o comprometimento de toda a organizacao e sendo assim, o tratamento
dos aspectos humanos se tornam indispensaveis.

5.3.5.6 Contrato de Trabalho, Plano de Carreira e Remuneracao

E um assunto relevante para o sucesso da implantacao da estrutura celular e muitas vezes nao e tratado. Nos
contratos de trabalho convencionais, e especicado claramente qual e a funcao e responsabilidade a ser desem-
penhadas por cada um dos trabalhadores tais como: mecanico, eletricista, operador, lubricador, inspetor de
qualidade e outros. Por outro lado o plano de carreira e estruturado por nveis em cada um dos cargos, por exem-
plo, operador I, operador II, operador senior e assim sucessivamente. Nas celulas de manufatura, os trabalhadores
executarao varias tarefas, que na estrutura convencional sao realizadas por diferentes cargos, como os descritos
acima. Para se eliminar estas divergencias funcionais ou contratuais, usualmente o mais indicado e classicar
os trabalhadores das celulas de manufatura como operadores, pois esta estrutura requer que os trabalhadores
movam-se de um posto de trabalho para outro, mantendo o uxo de producao, que e a caracterstica basica das
operacoes.

Entretanto, quando os outros cargos sao eliminados e as respectivas funcoes atribudas aos operadores, uma
nova visao para um plano de cargos e salarios deve ser estabelecido, principalmente para manter a motivacao e
a consequente produtividade do pessoal, apesar de os operadores sentirem uma grande satisfacao em executar
diferentes tarefas, maior poder de decisao e sentirem-se como parte importante de uma equipe. Portanto, uma
nova poltica de remuneracao deve ser elaborada tambem, pois o operador de uma celula de manufatura e
multifuncional, acarretando um enriquecimento do cargo.

5.3.5.7 Outras Areas

Outras areas, que apesar de nao estarem ligadas diretamente as atividades de producao, tambem sao normalmente
afetadas pelas celulas de manufatura, e podem-se citar:

Contabilidade: Normalmente e a unidade da empresa responsavel pela apuracao dos custos. Ela deve
adaptar seus sistemas para possibilitar a coleta e processamento de informacoes de custos pois o trabalho
nao e mais atribudo a uma maquina, ou posto de trabalho mas sim a um grupo de maquinas.

Compras e Controle de Materiais: E comum adotar-se nas celulas de manufatura o conceito de Just
in Time, Kanban e em certas situacoes e estabelecido um contato direto entre o fornecedor e um operador
da celula. Com isto os procedimentos de compra, controle e os horizontes de planejamento devem ser
adaptados para a nova realidade. E as vezes instituda parcerias com fornecedores, para longos perodos de
fornecimento, mudando assim as estrategias de negociacao e os termos dos contratos de compras.

Distribuicao: A empresa passa a responder mais rapidamente aos clientes e isto traz um impacto direto
na cadeia de distribuicao. Esta cadeia deve ser examinada, podendo-se reduzir o estoque de produtos
acabados, o sistema de transporte, os centros de distribuicao, o que tambem e muito usado para justicar
projetos de celulas de manufatura.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.6 - Etapas de um Projeto de Celula de Manufatura 113

5.3.6 Etapas de um Projeto de Celula de Manufatura

As celulas representam um compromisso entre a exibilidade do arranjo fsico por processo e a simplicidade do
arranjo fsico por produto (SLACK [86]). No caso do arranjo fsico por processo, o foco esta na localizacao dos
varios recursos da operacao. Ja o arranjo fsico por produto, o foco esta nos requisitos do produto. O arranjo
celular deve considerar as necessidades de ambos. Para simplicar a tarefa de projetar, as vezes e interessante
concentrar-se em um dos aspectos.

Concentrando-se no processo, pode-se usar uma tecnica de agrupamento (cluster analysis) para determinar quais
grupos de processo agrupam-se naturalmente. Isto envolve o exame da cada tipo de processo e o questionamento
de quais outros tipos de processo um produto, ou peca, irao requisitar. Concentrando-se no produto, pode-se usar
um sistema de codicacao e classicacao de pecas. Estes sistemas utilizam codigos de multiplos dgitos para cada
peca ou produto. Os codigos indicam caractersticas das pecas ou produtos tais como forma, tamanho, material
usado, e outros fatores que denem algumas de suas necessidades de processamento. Existem varios sistemas
de codicacao disponveis comercialmente: o sistema Brisch do Reino Unido, o sistema Opits da Alemanha e o
sistema Miclass da Holanda (SLACK [86]).

Entretanto, uma das abordagens mais usada para alocar tarefas e maquinas a celulas e a Analise do Fluxo de
Producao (PFA) pois considera simultaneamente os requisitos do produto e o agrupamento dos processos.

Segundo NYMAN [74] um dos principais fatores de sucesso de um programa para a implantacao de celulas de
manufatura e a equipe do projeto pois a implantacao requer a quebra de uma serie de tradicoes e tabus. Mas o
ponto de partida deve ser dado e assumido pela alta direcao da empresa que deve acompanhar de perto todas as
fases do programa de implantacao.

E importante notar que varias unidades e sistemas da empresa sao afetados e portanto deve ser desenvolvido um
projeto especco para cada uma dessas areas para adequa-las a utilizacao das celulas de manufatura.

Para a implantacao de um programa de implantacao de celulas de manufatura, NYMAN [74] propoe as seguintes
etapas:

Lancamento do Programa;

elaboracao do Programa de reestruturacao da organizacao;


anteprojeto de implantacao;
projeto basico.

Levantamento de Dados;

organizacao do trabalho;
Informacoes sobre os produtos;
Informacoes sobre os processos;
previsoes;
dados sobre o mercado e clientes;
utilizacao das maquinas e equipamentos;
uxo do processo;
arranjo fsico;
maquinas e equipamentos disponveis;
qualidade;
controle da producao e programacao;
tempos de processamento;
ciclos de operacao;
estoques;
ferramentas.

Concepcao da Celula de Manufatura;

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.7 - Cuidados ou Problemas que podem surgir com a implantacao 114

Processos;
carregamento;
maquinas e equipamentos;
uxo do processo;
arranjos fsicos alternativos;
movimentacao de materiais;
modelagem e simulacao;
nanceiro e economico.
Avaliacao
custo benefcio;
selecao da melhor alternativa;
aprovacao.
Acompanhamento;
Projeto nal;
Implantacao.

Este texto aborda a etapa relativa a concepcao da celula, concentrando-se na modelagem, que e a aplicacao de
Tecnologia de Grupo, na simulacao e nos aspectos economicos.

5.3.7 Cuidados ou Problemas que podem surgir com a implantacao

E comum algumas empresas buscarem introduzir na manufatura novas e sosticadas tecnologias, pensando que
este e o grande fator diferencial para o aumento da produtividade. Isto acontece tambem com a implantacao de
celulas de manufatura. Busca-se passar diretamente de uma estrutura tradicional para o mais sosticado tipo de
celula que e o FMS (sistema exvel de manufatura). Esta pratica tem levado varias empresas ao fracasso na
implantacao, gastando grandes somas de dinheiro e o que e pior, apos a reestruturacao seus resultados pioram
signicativamente. A implantacao de celula de manufatura e complexa e interfere praticamente em todas as
areas e rotinas da empresa. Portanto, o melhor, e o mais indicado, e comecar da maneira mais simples possvel,
aproveitando ao maximo as maquinas ja existentes e os mesmos processos que vem sendo utilizados, de modo
que todas as areas vao avancando simultaneamente e de uma maneira organizada e planejada caminhem para
uma evolucao tecnologica.

A engenharia do produto e a equipe de mercado devem estar plenamente envolvidas e comprometidas com
o programa de implantacao de celulas de manufatura. Pode-se dizer que a continuidade do sucesso, apos a
implantacao das celulas, depende fundamentalmente destas duas areas, pois pequenas mudancas no projeto
do produto ou o lancamento de novos produtos podem implicar em grandes problemas e diculdades para a
manufatura. Pode inclusive descaracterizar toda a estrutura de famlia de pecas e grupos de maquinas concebidos
no projeto original de implantacao. Assim, compatibilizar as atividades de projeto e de manufatura e essencial
para manter a exibilidade que e uma das caractersticas desta estrutura, entretanto nao e uma tarefa facil, pois
exige uma mudanca radical nos procedimentos e na tomada de decisao.

Outro ponto importante e destacado por LORINI [66]: Como em qualquer ambiente em que se pretende in-
troduzir mudancas de atitudes ou procedimentos, envolvendo aspectos humanos, havera sempre uma natural
resistencia a reestruturar os habitos e rotinas de trabalho, em qualquer nvel que se atue. Implementar uma nova
losoa para organizar um ambiente de manufatura, como a Tecnologia de Grupo, nao e diferente. Por isso, um
processo de alteracao da organizacao ira gerar fortes resistencias e tera que ter um assduo acompanhamento e
principalmente um envolvimento da gerencia maior, um ponto de sustentacao e decisao para resolver os conitos
que inevitavelmente irao ocorrer. A resistencia a mudancas pode aparecer de diferentes formas, em funcao da
personalidade de cada pessoa envolvida e tambem em diferentes graus.

Finalmente, a estruturacao em celulas de manufatura pode muitas vezes nao ser o mais adequado e sua adocao,
muitas vezes decidida por modismo, pode prejudicar consideravelmente os resultados que a empresa vinha al-
cancando na estrutura convencional. Portanto, antes de sua adocao, as atividades, estrutura, processos e produtos

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.8 - Uma Anlise da Abordagem Atual 115

da empresa, devem ser exaustivamente estudados para se tomar a decisao mais adequada. Por outro lado, a etapa
relacionada a Tecnologia de Grupo pode gerar alternativas que, se adotadas, podem propiciar resultados piores
que a estrutura convencional, em funcao de varios outros fatores que normalmente nao sao considerados.

5.3.8 Uma Anlise da Abordagem Atual

Como se pode ver, as celulas de manufatura requerem, para sua implantacao, varias etapas e varios projetos
aplicados nas diferentes areas da empresa. Sob o enfoque de formulacao de problemas, o que torna o projeto de
celulas de manufatura um problema complexo e o grande numero de variaveis envolvidas, de diversas naturezas e
muitas vezes conitantes entre si sob o aspecto de otimizacao. A estruturacao de uma unidade de producao em
celulas de manufaturatem implica numa simplicacao matematica profunda quantos aos modelos de programacao
da producao pois, pode-se passar de um modelo com n! m possibilidades de sequencias de producao para varios
modelos, tantos quantos forem o numero de celulas, de n! possibilidades. Isto implica tambem em mudancas na
elaboracao dos planos mestres de producao e deve-se ter um programa geral que agregue todos os programas
das celulas, sob pena de se ter um comprometimento signicativo dos prazos de entrega dos produtos nais e
um aumento dos produtos em processo (estoques intermediarios de pecas, conjuntos e produtos semi-acabados).
Se esta reformulacao nao for adequada, todos os benefcios relacionados a produtividade (eciencia) nao serao
obtidos.

Outro item importante e o relacionado aos operadores. Tanto sob o aspecto de capacitacao quanto ao dimensi-
onamento e organizacao do trabalho. Na reestruturacao em celulas de manufatura a mao-de-obra existente tera
que passar por um programa de educacao e treinamento e depois, distribuda entre as celulas. Esta distribuicao
deve ser feita com o uso de ferramentas de apoio ecientes, pois caso contrario pode provocar um desbalancea-
mento enorme na mao-de-obra, gerando para alguns operadores ociosidade e para outros sobrecarga de trabalho.
O dimensionamento e a distribuicao da mao-de-obra nao e um problema trivial, principalmente se a referencia for
a estrutura anterior, o que e normalmente uma tendencia de conduta.

As demandas de cada peca ou produto e os respectivos tempos de processamento em cada maquina sao itens de
grande relevancia para os projetos de celulas de manufatura. As mudancas nas movimentacoes das pecas pela
fabrica e a diminuicao dos estoques intermediarios, interferem diretamente no desempenho.

Com relacao a Tecnologia de Grupo pode-se constatar que varias tecnicas foram, e ainda estao sendo aplicadas para
desenvolver novas solucoes para agrupamento. Dispoe-se atualmente de bons algoritmos que utilizam diferentes
criterios e cobrem uma grande quantidade de problemas. Estas solucoes sao muito ecientes quando se obtem
celulas puras, ou seja, todos os elementos da matriz nal de solucao estao na sua diagonal principal. Entretanto,
quando pela proprias caractersticas do problema em estudo, tem-se elementos excepcionais na matriz nal, o
distanciamento da realidade ou das necessidades de um projeto de celulas de manufatura se tornam evidentes. A
Tecnologia de Grupo, qualquer que seja o algoritmo utilizado, tem como base somente as informacoes relativas
as operacoes necessarias de cada peca e os tipos de maquinas disponveis, considerando somente uma unidade de
cada tipo, o que em grande parte das aplicacoes e uma grande restricao. Ja as celulas de manufatura, como visto
anteriormente, e cercada de um grande numero de variaveis. Estas diferencas de consideracoes e necessidades,
entre a Tecnologia de Grupo e as celulas de manufatura, abrem uma lacuna que deve ser melhor analisada. Em
relacao aos resultados objetivados com a implantacao de celulas de manufatura, os elementos excepcionais obtidos
na solucao nal podem comprometer, e muito, a obtencao destes, e em muitas vezes, leva-los para nveis piores
que os alcancados na estrutura convencional.

A obtencao de elementos excepcionais na matriz nal, dada como solucao por um algoritmo de Tecnologia de
Grupo, signica que nao se conseguiu agrupar perfeitamente as pecas em famlias e as maquinas em celulas, de
forma a se obter celulas puras, ou seja, o elemento excepcional indica que aquela peca necessita de processamento
em outra celula, alem da sua celula de origem. Isto nao e necessariamente devido a ineciencia do algoritmo de
Tecnologia de Grupo empregado, mas sim em funcao das caractersticas do problema em estudo. Os elementos
excepcionais trazem uma serie de inconvenientes e muitas vezes contrarios aos conceitos de estruturacao em
celulas de manufatura.

Para tratar os problemas de elementos excepcionais, que e justamente a interface entre a aplicacao da Tecno-
logia de Grupo e o projeto das celulas de manufatura, existem algumas sugestoes feitas por autores, que serao
apresentadas e depois analisadas.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.8 - Uma Anlise da Abordagem Atual 116

Segundo SLACK [86] quando ocorre a existencia de elementos excepcionais, existem tres formas de se lidar, mas
nenhuma delas totalmente satisfatoria:

1. Outra maquina igual a maquina que processa o elemento excepcional, poderia ser comprada e alocada na
celula original da peca que tem elemento excepcional. Isto resolveria o problema, mas requereria investi-
mento de capital para a compra da nova maquina que poderia car subutilizada.
2. Mandar as pecas que tem elementos excepcionais para a outra celula, depois de terem sido processadas
na celula original, ou mesmo no meio de seu roteiro de producao, se necessario. Esta solucao evita a
necessidade de compra de outra maquina, mas entra em conito com um das ideias basicas do arranjo
celular que e obter simplicacao de um uxo previamente complexo.
3. Se ha varios componentes com este problema, pode ser necessario conceber uma celula especial para eles,
normalmente chamadas de fractional cells ou celulas de remanescentes, que seria quase como um mini-
arranjo fsico por processo. Novamente, isto nao e totalmente de acordo com a simplicidade buscada
pelo arranjo celular e tambem pode envolver algum investimento de capital. A celula de remanescentes,
entretanto, remove os componentes inconvenientes do resto da operacao, deixando-a com um uxo mais
simples e previsvel.

LORINI [66] sugere quatro possibilidades para tratar as pecas que tem elementos excepcionais:

1. Serem fabricadas em um ambiente de lay out funcional.


2. Terem rotas de processamento alteradas, buscando-se em um plano alternativo a adequacao as celulas
existentes.
3. Serem reprojetadas, de modo que se tornem compatveis com os aspectos de processo dos demais itens
existentes.
4. Terem sua fabricacao contratada por terceiros.

Ja SERIO [83] e enfatico e sugere que os elementos excepcionais devem ser eliminados e para isto existem cinco
maneiras:

1. Replanejar as operacoes das pecas que tem elementos excepcionais, por estarem fora de sua celula original,
para outras maquinas ja pertencentes ao grupo original, de tipo semelhante.
2. Relocar equipamentos entre os grupos principais.
3. Mudar o metodo
4. Mudar o projeto
5. Comprar a peca em vez de fabricar

Segundo GROOVER [51], invariavelmente existirao pecas que nao se ajustarao perfeitamente a um unico grupo,
ou seja, terao elementos excepcionais. Estas pecas devem se analisadas para se determinar se a sua sequencia
de operacoes pode ser desenvolvida de maneira que pertencam a um unico grupo. Se isto nao for possvel, estas
pecas devem continuar sendo fabricadas em um processo convencional.

5.3.8.1 Celulas de Remanescentes ou Fractional Cells

Quando existem elementos excepcionais apos a diagonalizacao dos blocos, uma das alternativas indicadas na
literatura e tentar a formacao da fractional cell, ou celula de remanescentes, isto e, parte das maquinas sao
agrupadas em celulas e as restantes sao agrupadas em uma celula de remanescentes, que funciona como um
jobshop. O uso pratico deste metodo pode ser observado no estudo de WEMMERLOV e HYER [96].

Como ja visto anteriormente, segundo MURTHY [73], embora a ideia de formacao de fractional cellvenha
sendo mencionada na literatura de Tecnologia de Grupo, como BURBIDGE [23] e GREEN e SADOWSKI [49],

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.8 - Uma Anlise da Abordagem Atual 117

onde e considerada a ideia de celula remanescentes, observa-se pouca pesquisa nesta area. O numero de ele-
mentos excepcionais pode ser reduzido em uma grande quantidade de problemas, pela constituicao de celulas de
remanescentes. Na formacao tipo fractional cell e permitida a movimentacao de pecas de uma celula para uma
celula de remanescentes, mas a movimentacao entre celulas deve ser evitada. Nesta analise, o movimento de uma
celula para outra e tratado como um elemento excepcional enquanto que o movimento de uma celula para uma
celula de remanescentes nao e considerado como um elemento excepcional. O objetivo e minimizar os elementos
excepcionais. Se uma solucao e obtida sem nenhum elemento excepcional, a matriz e perfeitamente conveniente
para formacao de fractional cell, desde que exista movimentacao de material somente entre celulas e celulas de
remanescentes.

Entretanto, vale observar que independente da peca estar se movimentado de sua celula original para uma outra
celula ou para uma celula de remanescentes, os aspectos indesejaveis de movimentacao sao os mesmos. E verdade
que a celula de remanescentes proporciona uma solucao que dependendo das caractersticas do problema em
estudo, necessita de um investimento menor para aquisicao de maquinas, mas muitas vezes, tambem dependendo
das caractersticas do problema, se a solucao fosse tratada de outra maneira, este investimento em maquinas
nao seria necessario. Quanto aos aspectos de producao, esta movimentacao pode comprometer a capacidade
do sistema e como consequencia os resultados. Alem disto, a programacao e o controle da producao podem
car extremamente complexos e como o grupo de operadores na estrutura celular passa a ser o responsavel
pelos resultados da celula, a priorizacao da producao destas pecas que possuem elementos excepcionais ca na
dependencia do interesse dos operadores quanto aos resultados objetivados pelo grupo, isto podera acarretar uma
ociosidade das maquinas de outras celulas, principalmente quando o elemento excepcional de uma determinada
peca se da no meio de sua sequencia de operacoes, pois a peca sai da celula e a continuidade de seu processamento
dependera de quando a outra celula dara o seu retorno.

A seguir sera analisada a movimentacao de uma peca entre uma celula e outra, ou para uma celula de rema-
nescentes (fractional cell), vericando-se os efeitos desta movimentacao. O problema a seguir sera usado para
estudar esta movimentacao: Uma dada peca tem a sequencia de operacoes conforme mostra a Figura 5.8, e que
representa um pequeno trecho da estrutura da manufatura original.

Entrada Sada
Mq. A Mq. B Mq. C

Figura 5.8: Sequencia de operacoes da peca na estrutura de manufatura original

Apos a reestruturacao em celulas de manufatura obteve-se um elemento excepcional pelo processamento desta
peca na maquina B, que apos o agrupamento, pertence a outra celula, ou a uma celula de remanescentes, conforme
mostra a Figura 5.9.. Para manter-se as caractersticas de celulas de manufatura, e necessario criar uma estacao
de transferencia entre as duas celulas obtidas

Entrada Sada
Mq. A Mq. C

Estao de
Transferncia Mq. B

Figura 5.9: Sequencia de operacoes da peca na nova estrutura em celulas de manufatura

Analisando-se a Figura 5.8 pode-se observar que a peca, apos a entrada no processo, tem duas movimentacoes:

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.8 - Uma Anlise da Abordagem Atual 118

uma entre a maquina A e a maquina B e outra entre a maquina B e a maquina C. Ja na estrutura celular (Figura
5.9), pode-se observar o aumento da necessidade de movimentacoes, pois apos a entrada, a peca deve fazer
quatro movimentacoes: a primeira entre a maquina A e a estacao de transferencia, outra entre a estacao de
transferencia e a maquina B, outra entre a maquina B e a estacao de transferencia e nalmente entre a estacao
de transferencia e a maquina C. Portanto, sempre que se obtem um elemento excepcional, aumenta-se em duas
o numero de movimentacoes necessarias, para cada elemento excepcional obtido com a solucao nal. Este fato
vai diretamente contra alguns conceitos que norteiam os projetos de celula de manufatura que sao: diminuir as
necessidades de movimentacoes das pecas, diminuir os estoques intermediarios, facilitar o uxo de materiais e
facilitar a programacao e o controle da producao. Este trabalho busca uma solucao, ou melhorar a decisao nos
projetos de celulas de manufatura, para os casos em que se obtem elementos excepcionais na solucao nal da
Tecnologia de Grupo.

5.3.8.2 A Importancia da Consideracao das Demandas e dos Tempos de Processamento nos


Projetos de Celulas de Manufatura

Quando se busca organizar a estrutura de producao em celulas de manufatura, pode-se querer reestruturar a
fabrica toda, transformando-a em diversas celulas de manufatura, ou pode-se querer reestruturar somente uma
parte desta, para processar apenas algumas pecas previamente selecionadas.

1. No primeiro caso, esta-se levando em conta todos os recursos disponveis na estrutura original, relocando-os
em celulas de manufatura e todas as pecas produzidas, agrupando-as em famlias.

2. No segundo caso, somente parte dos recursos e pecas sao relocados.

Como ja visto, a Tecnologia de Grupo entra justamente nesta etapa que e a referente a determinacao do agrupa-
mento de maquinas em celulas e de pecas em famlias. Entretanto, nenhum algoritmo de Tecnologia de Grupo
faz esta distincao e isto pode trazer serias implicacoes.

Considerando a estruturacao da fabrica toda: Para melhor entender as implicacoes, pode-se supor
que a estrutura original e organizada em um layout funcional. Esta estrutura e composta por varias
maquinas de cada tipo ao passo que a Tecnologia de Grupo convencional considera somente uma maquina
de cada tipo. E facil perceber que a estrutura original tinha uma certa capacidade de producao, em funcao
do numero de maquinas de cada tipo disponveis e portanto, poderia atender uma certa demanda de cada
peca fabricada, mas a solucao proposta por um algoritmo de Tecnologia de Grupo aponta para a alocacao
de apenas uma maquina de cada tipo nas diversas celulas de manufatura e nunca um determinado tipo de
maquina podera pertencer a mais de uma celula. Assim, e obvio concluir que a adocao direta da solucao
proposta por um algoritmo de Tecnologia de Grupo convencional implicara em uma reducao da capacidade
de producao em relacao a estrutura original, que dependendo do caso pode ser substancial. Sendo assim, e
necessario, apos a obtencao da solucao nal proposta por um algoritmo de Tecnologia de Grupo e antes de
se dar continuidade ao projeto das celulas de manufatura, se fazer uma analise detalhada das capacidades
destas celulas de manufatura, considerando-se para seus dimensionamentos os tempos de processamento
de cada peca em cada maquina e as respectivas demandas.

Considerando a estruturacao somente de uma parte da fabrica: Neste caso, somente alguns
recursos serao relocados e somente algumas pecas serao consideradas e todas as observacoes feitas para o
caso anterior tambem sao validas para este, mas, alem destas, outras implicacoes surgem nesta situacao,
pois parte dos recursos serao reestruturados em celulas e os outros permanecerao na estrutura original
processando as pecas que nao foram selecionadas. Tomando-se todos os cuidados descritos para o caso
anterior para dimensionar as celulas, e muito provavel que nao se tenham problemas para atender as
demandas requeridas das pecas processadas na nova estrutura celular. Entretanto, as demandas das pecas
nao selecionadas para a reestruturacao podem ter o atendimento das demandas comprometido, pois a
reestruturacao foi feita com a relocacao de parte dos recursos disponveis na estrutura original e se por acaso
estes recursos tambem eram utilizados pelas pecas nao selecionadas, a estrutura original nao tera mais a
disponibilidade destes recursos e isto poderia, no caso extremo, inviabilizar a fabricacao de algumas pecas
ou nao ter capacidade para atender as demandas requeridas. Portanto, e necessaria uma analise detalhada
antes de se dar continuidade ao projeto das celulas de manufatura, tanto dos aspectos relacionados a
producao, quanto da viabilidade economica de se fazer investimentos na compra de novos equipamentos.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.8 - Uma Anlise da Abordagem Atual 119

O lado oposto tambem deve ser analisado, ou seja, a reestruturacao da producao em celulas de manufatura para
demandas muito baixas. Nas estruturas celulares, principalmente para as mais automatizadas, como e o caso dos
FMSs, os custos dos equipamentos, tanto das maquinas, quanto dos sistemas de movimentacao, ferramentas,
dispositivos de xacao e de controle sao muito altos e portanto a maxima utilizacao destes se torna imprescindvel
para justicar tal investimento e a reestruturacao. Por isto e importante considerar as demandas de cada peca e
os respectivos tempos de processamento de cada peca em cada maquina.

5.3.8.3 Algoritmos que Consideram as Demandas, as Sequencias de Operacoes e os Tempos


de Processamento como Criterio para a Formacao de Famlias e Celulas

Os algoritmos convencionais de Tecnologia de Grupo consideram somente a matriz de incidencia para as propostas
de solucao. A partir destes algoritmos, varios autores propoem extensoes, incorporando outros aspectos e variaveis,
objetivando a minimizacao ou maximizacao de algum criterio por eles estabelecidos. A seguir serao apresentados
alguns algoritmos que consideram as demandas de cada peca e/ou os tempos de processamento de cada peca em
cada maquina e/ou as sequencias de operacoes.

AHMED [2] considera o volume a ser produzido de cada peca (demanda) e os custos de movimentacao. Seu
algoritmo heurstico e conhecido como VMC (volume and material handling cost) e parte da matriz de incidencia.
A solucao inicial consiste em considerar cada maquina como sendo uma celula. O algoritmo prossegue interati-
vamente, combinando duas celulas (maquinas) em cada interacao. O custo total de movimentacao vai mudando
para cada par formado e o par que fornece a maior reducao do custo e entao agrupado.

LOGENDRAN [65] considera o peso total das movimentacoes intra e inter- celulas como medida de desempenho
na fase de agrupamento e em uma segunda fase propoe uma rotina de melhoramento da solucao. Este algoritmo
e uma extensao de um outro trabalho do autor (1990) que nao considerava as sequencias de operacoes.

OKOGBAA [75] propoe um algoritmo heurstico INCFR (inter-cell ow reduction) onde a formacao inicial da
celula e feita pela escolha das maquinas que proporcionam a mnima movimentacao entre si (IMF). A sequencia
de operacoes e usada para determinar o numero de operacoes consecutivas que ocorrem entre um par de maquinas.
Para cada maquina ainda nao escolhida, ou alocada, e calculado um parametro chamado SCR (safety combination
rate) para cada celula candidata. As maquinas com valores de SCR mais altos que um valor limite previamente
especicado sao assinaladas para uma celula candidata na ordem decrescente dos IMF. OKOGBAA propoe ainda
uma extensao do INCFR que considera as demandas de cada peca.

HARHALAKIS [54] propoe uma solucao para variacoes das demandas de cada peca, considerando uma demanda
media objetivada para cada peca e seus respectivos desvios padrao. Considera tambem os tempos de proces-
samento de cada peca em cada maquina e as sequencias de operacoes. O procedimento proposto e composto
por dois passos. No primeiro passo e determinado o valor medio viavel de producao de cada tipo de peca,
independente da conguracao nal das celulas, visando a maximizacao do lucro. No segundo passo e determi-
nada a movimentacao media de cada conguracao candidata, obtida pela aplicacao do algoritmo proposto por
HARHALAKIS [53]. Vale observar que a consideracao das demandas e utilizada somente para balizar a solucao
do primeiro passo.

VERMA [92] propoe um algoritmo heurstico que considera as sequencias de operacoes, a demanda de cada peca
e o custo de movimentacao intra e inter-celulas. Inicialmente cada maquina e considerada como sendo uma celula
e em cada interacao posterior cada par de celulas e considerado para ser combinado em uma unica celula e, a
mudanca do custo total de movimentacao devido a esta juncao e calculado, tendo como base as sequencias de
operacoes, os custos de movimentacoes intra e inter-celulas, tanto os de sada das celulas quanto os de retorno,
e, a demanda de cada peca e usada como fator de peso. A escolha para se fazer a juncao de um par de celulas e
feita tendo como referencia a mudanca mais negativa do custo total de cada um dos pares. Este procedimento e
repetido ate que nao se tenha mais reducao dos custos totais de movimentacao pela juncao de celulas.

Vale observar que todos os algoritmos apresentados obtem a solucao em mais de um passo. Nenhum deles, exceto
HARHALAKIS [54], considera simultaneamente as sequencias de operacoes de cada peca, as demandas de cada
peca e os tempos de processamento de cada peca em cada maquina. Mas mesmo HARHALAKIS [54] considera
as demandas bem como os tempos de processamento somente para limitar a solucao do primeiro passo de seu
algoritmo, ou seja, nao considera estes aspectos para a obtencao da solucao nal. Tendo como base a analise
das movimentacoes feita, e facil concluir que na busca da quanticacao das movimentacoes e imprescindvel a
consideracao dos tempos de processamento de cada peca, bem como os tempos das movimentacoes entre as
celulas e nao somente seus custos, pois, dependendo dos valores destes tempos, as movimentacoes podem nao

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


5.3.8 - Uma Anlise da Abordagem Atual 120

trazer degradacoes dos resultados ou podem penalizar signicativamente as capacidades das celulas. Outro ponto
importante tambem a ser considerado e a maneira que e feita esta movimentacao, ou peca por peca ou em lotes.
Esta analise nao e feita por nenhum dos algoritmos apresentados. E, o mais importante, nenhum dos algoritmos
elimina a possibilidade de se obter elementos excepcionais na solucao nal e portanto, assim como os algoritmos
convencionais, pode gerar solucoes de agrupamento que aplicado ao projeto de celulas de manufatura, sem uma
analise bem detalhada, nao traga os resultados esperados.

5.3.8.4 A Ligacao entre a Tecnologia de Grupo e o Projeto de Celulas de Manufatura

Ja pode ser considerado evidente, levando em conta tudo que foi mostrado ate aqui, a importancia da Tecnologia
de Grupo para os projetos de celulas de manufatura, pois e esta que basicamente determina a conguracao que
tera a nova estrutura de producao. Dependendo da solucao obtida nesta fase, pode-se obter uma estrutura que
leve a obtencao de todos os benefcios propiciados pela estrutura celular ou pode-se obter uma estrutura cujos
resultados podem ser inferiores a estrutura original, o que sera mostrado no proximo item. Esta degradacao dos
resultados acontece basicamente quando se tem elementos excepcionais na solucao nal e conforme GROOVER
[51] isto e quase que inevitavel de acontecer na maioria das aplicacoes, pois, quando o aparecimento de elementos
excepcionais na solucao esta relacionado diretamente a estrutura do problema em estudo, nao ha algoritmo que
possa modicar esta situacao.

Apesar da importancia dos elementos excepcionais no desempenho da estrutura celular, percebe-se uma lacuna
entre a aplicacao da Tecnologia de Grupo e o projeto das celulas propriamente dito. Como mostra o texto acima,
na literatura existente nao foi encontrado um procedimento preestabelecido que avalie efetivamente o desempenho
da solucao proposta quando aplicado diretamente na linha de producao. Mesmo as recomendacoes mostradas
apontam para algumas decisoes a serem tomadas, antes que seja feita uma analise aprofundada dos efeitos dos
elementos excepcionais. Sendo assim, considera-se que esta lacuna existente entre a Tecnologia de Grupo e o
Projeto de Celulas de Manufatura e de relevante importancia.

Entretanto, este processo de analise envolve uma estrutura de resolucao de problemas complexa devido ao tamanho
do problema e a grande variedade de elementos considerados. Sendo assim, a analise do problema foi feita em
varias etapas, atraves da aplicacao de varios algoritmos de Tecnologia de Grupo, da simulacao de varios cenarios,
analise dos resultados obtidos, estabelecimentos de hipoteses, validacao e nalmente, apos o equacionamento
adequado do problema, o desenvolvimento de modelos distintos que poderiam ser aplicados a solucao de diversas
situacoes.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


Referencias Bibliograficas

[1] K. Aardal and T. Larsson. A Benders decomposition based heuristic for the hierarchical production planning
problem. European Journal of Operational Research, 45:414, 1990.

[2] M. U. Ahmed, N. U. Ahmed, and U. Nandkeolyar. A volume and material handling cost based heuristic for
designing cellular manufacturing cells. Journal of Operations Management, 10(4):488511, 1991.

[3] R.N. Anthony. Planning and control systems: A framework for analysis. Technical report, Harvard University,
Graduate Schoole of Business Administration, Cambridge, Massachusetts, 1965.

[4] David L. Applegate, Robert E. Bixby, Vasek Chvatal, and William J. Cook. The Traveling Salesman Problem:
A Computational Study (Princeton Series in Applied Mathematics). Princeton University Press, Princeton,
NJ, USA, 2007.

[5] R. G. Askin and C. R. Standridge. Modeling and Analysis of Manufacturing Systems. John Wiley & Sons,
Inc, New York, 1993.

[6] P. Avella, M. Boccia, and B. DAuria. Near-optimal solution of large-scale single-machine scheduling pro-
blems. INFORMS Journal on Computing, 17(2):183191, 2005.

[7] K. R. Baker. Introduction to Sequencing and Scheduling. Wiley, 1974.

[8] K. R. Baker. Requirements planning. In S.C. Graves, A.H.G. Rinnooy Kan, and P.H. Zipkin, editors, Hand-
books in Operations Research and Management Science - Logistics of Production and Inventory, volume 4,
chapter Chapter 11. North-Holland, 1993.

[9] K. R. Baker. Elements of Sequencing and Scheduling. K. R. Baker, 1997.


[10] P. Baranger and J. Chen. Gestion de la Production. Librairie Vuibert - Paris, 1995.

[11] J. Benassy. La gestion de Production. Hermes, 1987.

[12] J. F. Benders. Parttioning procedures for solving mixed-variables programming problems. Numerische Mathe-
matik, 4:238252, 1962.

[13] P. Beranger. Les Nouvelles Regles de la Production. Dunod, Paris, 1 edition, 1987.
[14] P. Beranger. Les Nouvelles Regles de la Production Vers lexcellence Industrielle. Dunod, Paris, 2eme edition,
1993.

[15] W.L. Berry. Lot sizing procedures for requirements planning systems: A framework for analysis. Production
and Inventory Management, 13:1934, 1972.

[16] J. W. M. Bertrand and J. Wijngaard. The structuring of production control systems. Operations & Production
Management, 6(2):520, 1986.

[17] G. R. Bitran and D. Tirupati. Hierarchicaly production planning. In S.C. Graves, A.H.G. Rinnooy Kan, and
P.H. Zipkin, editors, Handbooks in Operations Research and Management Science - Logistics of Production
and Inventory, volume 4, chapter Chapter 10. North-Holland, 1993.

[18] J. D. Blackburn, D. H. Kropp, and R. A. Millen. A comparison of strategies to dampen nervousness in MRP
systems. Management Science, 32(4):413429, April 1986.

121
REFERENCIAS BIBLIOGRAFICAS 122

[19] J. Blazewicz, K. H. Ecker, E. Pesch, G. Schmidt, and J. Weglarz. Scheduling Computer and Manufacturing
Processes. Springer-Verlag Berlin, 1996.

[20] Paulo Oswaldo Boaventura Netto. Grafos Teoria, Modelos e Algoritmos. Edgard Blucher, 1997.
[21] C.E. Bodington and T. E. Baker. A history of mathematical programming in the petroleum industry. Inter-
faces, 20(4):117127, 1990.

[22] H. Brenier. CIM et Temps Reel : Mise en vre dun Atelier de Genie Logiciel et de Genie Automatique.
Dunod, Paris, 1992.

[23] J. L. Burbidge. Production ow analysis. Production Engineer, 50(4-5):139150, 1971.

[24] J. Carlier. The one-machine sequencing problem. European Journal of Operational Research, 11:4247,
1982.

[25] H.M. Chan and D.A. Milner. Direct clustering algorithm for group formation in cellular manufacture. Journal
of Manufacturing Systems, 1(1):65 75, 1982.
[26] M. P. Chandrasekharan and R. Rajagopalan. MODROC: An extension of rank order clustering for group
tecnology. International Journal of Production Research, 24:12211233, 1986.

[27] G. Charreaux. De nouvelles Theories pour Gerer lEntreprise. Economica, 1987.

[28] R. Chase and N. Aquilano. Production and Operations Management. Irwin, 1989.

[29] C-H Chu. Cluster analysis in manufacturing cellular formation. Omega, 17(3):289 295, 1989.
[30] O. Cohen. The drum-buer-rope (dbr) approach to logistics. In A. Rolstadas, editor, Computer Aided
Production Management, pages 290301. Springer, Berlin - Heidelberg - New York, 1988.

[31] G Dantzig, R Fulkerson, and S Johnson. Solution of a large-scale traveling-salesman problem. Operations
Research, 2:393410, 1954.

[32] G. B. Dantzig and Wolfe. Decomposition principe for linear programs. Operations Research, 8:101111,
1960.

[33] Carlos Roberto Venancio de Carvalho. Une Proposition dIntegration de la Planification et lOrdonancement
de Production: Application de la Metode de Benders. PhD thesis, Universite Blaise Pascal, Clermont-Ferrand,
Franca, 1998.

[34] Martin Desrochers and Gilbert Laporte. Improvements and extensions to the miller-tucker-zemlin subtour
elimination constraints. Oper. Res. Lett., 10(1):2736, February 1991.

[35] B. L. Dietrich. A taxonomy of discrete manufacturing systems. Operations Research, 39(6):886902,


November-December 1991.
[36] O. du Merle, J.-L. Gon, C. Trouiller, and J.-P. Vial. A lagrangian relaxation of the capacitated multi-
item lot sizing problem solved with an interior point cutting plane algorithm. HEC, Universite de Geneve,
Switzerland, April 1997.

[37] A. C. Hax et H. C. Meal. Hierarchical integration of production planning and scheduling. In M. A. Geisler,
editor, Logistics, TMS Studies in the Management Sciences, pages 5369. North-Holland, Amsterdam, 1975.

[38] L. Euler. Solution dune question curieuse qui ne parat soumise a aucune analyse. Memoire de lAcademie
des Siences de Berlin, 15(1759):310337, 1759.

[39] L. Euler. Solution dune question curieuse qui ne parat soumise a aucune analyse. Opera Omnia, 1(7):2656,
1766.

[40] A. B. H. Ferreira. Novo Dicionario Aurerio da Lngua Portuguesa. Editora Nova Fronteira, 1986.

[41] B. Gavish and S. C. Graves. The travelling salesman problem and related problems. Working Paper,
Operations Research Center, Massachusetts Institute of Technology, GR-078-78:0130, 1978.

[42] A. M. Georion. Elements of large-scale mathematical programing Part I. Management Science, 16(11):652
675, 1970.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


REFERENCIAS BIBLIOGRAFICAS 123

[43] A. M. Georion. Elements of large-scale mathematical programing Part II. Management Science, 16(11):676
691, 1970.

[44] A. M. Georion. Primal resource-directive approaches for optimizing nonlinear decomposable systems. Ope-
rations Research, 18:375403, 1970.

[45] V. Giard. Gestion de la Production. Gestion, Economica, 2 edition, 1988.

[46] M. Gondran and M. Minoux. Graphes et Algorithmes. Editions Eyrolles, Paris, 3eme edition, 1995.

[47] R. L. Graham, E. L. Lawler, J. K. Lenstra, and A. H. G. Rinnooy Kan. Optimization and approximation in
deterministic sequencing and scheduling: a survey. Annals of discrete mathematics, 5(2):287326, 1979.

[48] S. C. Graves. Using lagrangean techniques to solve hierarchical production planning problems. Management
Science, 28:260275, 1982.

[49] T. J. Green and R. Sadowski. Cellular production control. Journal of Manufacturing Sistems, 12(2):137144,
1983.
[50] H. Groenevelt. The just-in-time system. In S.C. Graves, A.H.G. Rinnooy Kan, and P.H. Zipkin, editors, Hand-
books in Operations Research and Management Science - Logistics of Production and Inventory, volume 4,
chapter Chapter 12. North-Holland, 1993.

[51] M. Groover. Automation, Production Systems and Computer Integrated Manufacturing. New Jersey: Pren-
tice Hall, 1987.

[52] I. Han. Introduction to group technology. Technical Report MMR076-03, Society of Manufacturing Engineers,
Dearbon, Michigan, 1976.

[53] G. Harhalakis. An ecient heuristic in manufacturing cell formation for group tecnology application. Inter-
national Journal of Production Research, 28:185198, 1990.

[54] G. Harhalakis, G Ioannou, I. Minis, and R. Nagi. Manufacturing cell formation under randon product demand.
Technical report, Institute for Systems Research, University of Maryland, 1993.

[55] A. C. Hax and D. Candea. Production and Inventory Management. Printice-Hall Inc., Englewood Clis,
N.J., 1984.

[56] S. S. Heragu. Group technology and cellular manufacturing. IEEE Transactions on Systems, Man, and
Cybernetics, 24(2):203215, Feb 1994.

[57] F. R. Jacobs. The OPT scheduling system: A review of a new scheduling system. Production and Inventory
Management, 24:4751, 1983.

[58] J. R. King. Machine-component grouping in production ow analysis: an approach using a rank order
clustering algorithm. Internationall Journal of Production Research, 18:213232, 1980.

[59] J. R. KING and V. NAKORNCHAI. Machine-component group formation in group technology: review and
extension. International Journal of Production Research, 20(2):117133, 1982.

[60] A. Kusiak. Intelligent Manufacturing Systems. Prentice Hall International - New Jersey, 1990.
[61] A. Kusiak and W. S. Chow. Ecient solving of the group technology problem. Journal of Manufacturing
Sistems, 6:117124, 1987.

[62] J. L. Lamprecht. ISO 9000, Se Preparer a la Certification. AFNOR, 1994.

[63] Andr Langevin, Franois Soumis, and Jacques Desrosiers. Classication of travelling salesman problem for-
mulations. Operations Research Letters, 9(2):127 132, 1990.

[64] Olivier Liess. Methodes de decomposition non standard et applications. PhD thesis, Universite DAvignon
et des Pays de Vaucluse, 2006.

[65] RASARATNAM LOGENDRAN. Impact of sequence of operations and layout of cells in cellular manufactu-
ring. International Journal of Production Research, 29(2):375390, 1991.
[66] F. J. Lorini. Tecnologia de Grupo e Organizacao da Manufatura. Editora da UFSC, 1993.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


REFERENCIAS BIBLIOGRAFICAS 124

[67] H. P. L. Luna. A survey on informational decentralization and mathematical programming decomposition. In


M. L. Kelmanson R. W. Cottle and B. Korte, editors, Mathematical Programming. Elsevier Science Publishers
B. V., North-Holland, 1984.

[68] H.P.L. Luna. Les Techniques de Decomposition-Coordenation dans les Modeles Economiques dOptimisation.
PhD thesis, Universite Paul Sabatier, Toulouse, 1978.

[69] P. Mahey. Methodes de decomposition et decentralisation en programmation lineaire. R.A.I.R.O. Recherche


Operationnelle/Operations Research, 20(4):287306, novembre 1986.

[70] B. Malakooti and Z. Yang. A variable-parameter unsupervised learning clustering neural network approach
with application to machine-part group formation. International Journal of Production Research, 33:2395
2413, 1995.

[71] D.G. Malcolm, J.H. Roseboom, C.E. Clark, and W. Fazar. Application of a technique for research and
development program evaluation. Operations Research, 7(5):646669, 1959.

[72] C. E. Miller, A. W. Tucker, and R. A. Zemlin. Ingeger programming formulations and travelling salesman
problems. Journal of Association for Computing Machinery, 7:3269, 1960.

[73] V. R. Murth and G. Srinivasan. Fractional cell formation in group technology. International Journal of
Production Research, 33:13231337, 1995.

[74] L. R. Nyman. Making Manufacturing Cells Work. Society of Manufacturing Engineers - MacGraw-Hill,
Michigan, 1992.

[75] O. G. Okogbaa, M. Chen, C. Changchit, and R. L. Shell. Manufacturing system cell formation and evaluation
using a new inter-cell ow reduction heuristic. International Journal of Production Research, 30(5):1101
1118, 1992.

[76] T. Oncan, I. K. Altinel, and G. Laporte. A comparative analysis of several asymmetric traveling salesman
problem formulations. Computers & Operations Research, 36:637654, 2009.

[77] M. Pinedo. Sheduling - Theory, Algorithms, and Systems. Prentice Hall - Englewood Clis, New Jersey,
1995.

[78] J. Rey-Debove and A. Rey. Le Nouveau Petit Robert - Dictionaire Alphabetique et Analogique de la Langue
Francaise. Dictionnaires Le Robert - Paris, 1994.

[79] B. Roy. Contribution de la theorie des graphes a letude des problemes dordonnacement. In 2eme Conference
Internationale sur la Recherche Operationnelle, Aix-en-Provence, septembre 1960.

[80] B. Roy. Contribution de la theorie des graphes a letude des problemes dordonnancement. In Les Problemes
dOrdonnancement, Applications et Methodes, pages 109125. Dunod, 1964.

[81] B. Roy and B. Sussman. Les problemes dordonnancement avec contraintes disjonctives. Note ds, no.: 9
bis, SEMA, Montrouge , France, 1964.

[82] L. E. Schrage. Obtaining optimal solutions to resource constrained network scheduling problem. In AIIE
Systems Engineering Conference, Phoenix, Arizona, 1971.

[83] L. C. Serio. Tecnologia de Grupo no Planejamento de um Sistema Produtivo. Editora Icone - Sao Paulo,
1990.

[84] Hanif D Sherali and Patrick J Driscoll. On tightening the relaxations of miller-tucker-zemlin formulations for
asymmetric traveling salesman problems. Operations Research, 50(4):656669, 2002.

[85] G. J. Silverman. Primal decomposition of mathematical programs by resource allocation. Operations Rese-
arch, 20:5893, 1972.
[86] N. Slack, S. Chambers, C. Harland, A. Harrison, and R. Johnston. Administracao da Producao. Editora
Atlas - Sao Paulo, 1997.

[87] Wayne E. Smith. Various optimizers for single-stage production. Naval Research Logistics Quarterly, 3(1-
2):5966, 1956.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG


REFERENCIAS BIBLIOGRAFICAS 125

[88] A. Titli. Analyse et Commande des Systemes Complexes. Monographie AFCET - Division Automatique et
Instrumentation. Cepadues Editions, Toulouse, 1979.

[89] A. Titli. Introduction : Problemes poses par les systemes complexes. In A. Titli, editor, Analyse et Commande
des Systemes Complexes, Monographie AFCET - Division Automatique et Instrumentation, chapter Chapter
1. Cepadues Editions, Toulouse, 1979.

[90] W. W. Trigeiro, L. J. Thomas, and J. O. McClain. Capacitated lot sizing with setup times. Managemeent
Science, 35(3):353366, March 1989.

[91] J. M. van den Akker, C. P. M. van Hoesel, and M. W. P. Savelsbergh. A polyhedral approach to single-
machine scheduling problems. Mathematical Programming, 85:541541, 1999.

[92] P. Verma and F. Y. Ding. A sequence-based materials ow for designing manufacturing cells. International
Journal of Production Research, 33(12):32673281, 1995.

[93] T. E. Vollman, W. L. Berry, and D. C. Whybark. Manufacturing Planning and Control Systems. Dow Jones
Irwin, Homewood, IL, 1988.

[94] T.E. Vollmann, W.L. Berry, and D.C. Whybark. Manufacturing Planning and Control Systems. Irvin,
Homewood, Illinois, 3 edition, 1992.
[95] H. M. Wagner. Pesquisa Operacional. Pretice-Hall do Brasil, Rio de Janeiro, 1986.

[96] U. Wemmerlov and N. L. Hyer. Cellular manufacturing in the u. s. industry - a survey of users. International
Journal of Production Research, 27:15111530, 1989.

[97] G. Zapfel and H. Missbauer. New concepts for production planning and control. European Journal of
Operational Research, 67:297320, 1993.

Prof. Carlos Roberto Venancio de Carvalho Agosto de 2015 - DEP EE UFMG

You might also like