Aplicação de um algoritmo evolutivo na solução de problemas de sequenciamento da produção
Abstract
A utilização de técnicas de sequenciamento da produção proporcionam uma melhor eficiência das linhas, assim como também verifica-se uma distribuição equilibrada dos roteiros produtivos. Desta forma, a busca pela otimização dos recursos existentes e pelas melhores práticas quanto ao tratamento das restrições, faz com que as organizações de um modo em geral pensem em diferentes estratégias. Neste contexto, buscam-se soluções aplicadas ao sequenciamento de linha de produção, como, por exemplo, o Flexible Job Shop Schedule Problem (FJSP), objetivando-se encontrar o menor tempo de ocupação das linhas, dentre outras funcionalidades. Desta maneira, as metodologias heurísticas de sequenciamento podem ser consideradas como importantes ferramentas para o gerenciamento da produção. Entretanto, este estudo propõe a aplicação de um algoritmo evolutivo para a solução de problemas de FJSP, baseado na metodologia Hybrid Taguchi Genetic Algorithm (HTGA). Sendo assim, primeiramente elaborou-se o modelo matemático a ser utilizado, para que o mesmo seja executado realizou-se a junção dos métodos de algoritmo genético com o método Taguchi e por fim realizou-se a validação da proposta por meio da criação de duas variações do algoritmo evolutivo com taxas de mutação diferentes. Compara-se estes dois algoritmos elaborados com um método existente, a partir de problemas de teste, também presentes na literatura. Tornando-se possível então, verificar que o algoritmo apresentado foi capaz de resolver os problemas e de encontrar o mesmo valor da função objetivo. Desta forma, observa-se neste artigo a possibilidade de utilização do algoritmo híbrido proposto para a resolução de problemas de sequenciamento, o qual é composto por algoritmos reconhecidos por serem relativamente de fácil aplicação. Conclui-se neste estudo, a validação do modelo matemático evolutivo na resolução de problemas de FJSPs, tornando-se uma nova alternativa de solução para os problemas de sequenciamento.
References
E. Oztemel and S. Gursev, “Literature review of Industry 4.0 and related technologies,” Journal of Intelligent Manufacturing, vol. 31, no. 1, pp. 127-182, 2020.
J. Zhang et al., “Review of job shop scheduling research and its new perspectives under Industry 4.0,” Journal of Intelligent Manufacturing, vol. 30, no. 4, pp. 1809-1830, 2019.
A. S. Jain and S. Meeran, “Deterministic job-shop scheduling: Past, present and future,” European journal of operational research, vol. 113, no. 2, pp. 390-434, 1999.
Z. Cao, C. Lin, M. Zhou, “A Knowledge-Based Cuckoo Search Algorithm to Schedule a Flexible Job Shop With Sequencing Flexibility,” IEEE Transactions on Automation Science and Engineering, 2019.
N. Xie and N. Chen, “Flexible job shop scheduling problem with interval grey processing time,” Applied Soft Computing, vol. 70, pp. 513-524, 2018.
A. A. Garcia-Leon, S. Dauzère-Pèrès, Y. Mati, “An efficient Pareto approach for solving the multi-objective flexible job-shop scheduling problem with regular criteria,” Computers & Operations Research, vol. 108, pp. 187-200, 2019.
C. Özgüven, L. Özbakir, Y. Yavuz, “Mathematical models for job-shop scheduling problems with routing and process plan flexibility,” Applied Mathematical Modelling, vol. 34, no. 6, pp. 1539-1548, 2010.
H. M. Gomes and L. L. Corso, “A Hybrid Method for Truss Mass Minimization considering Uncertainties,” Mathematical Problems in Engineering, vol. 2017, 2017.
W. Cui et al., “A hybrid genetic algorithm for non-permutation flow shop scheduling problems with unavailability constraints,” International Journal of Computer Integrated Manufacturing, vol. 29, no. 9, pp. 944-961, 2016.
N. Kundakci and O. Kulak, “Hybrid genetic algorithms for minimizing makespan in dynamic job shop scheduling problem,” Computers & Industrial Engineering, vol. 96, pp. 31-51, 2016.
A. Dolgui et al., “Scheduling in production, supply chain and Industry 4.0 systems by optimal control: fundamentals, state-of-the-art and applications,” International Journal of Production Research, vol. 57, no. 2, pp. 411-432, 2019.
L. S. Dalenogare, G. B. Benitez, N. F. Ayala, and A. G. Frank, “The expected contribution of Industry 4.0 technologies for industrial performance,” International Journal of Production Economics, vol. 204, pp. 383–394, 2018.
I. R. Uhlmann and E. M. Frazzon, “Production rescheduling review: Opportunities for industrial integration and practical applications,” Journal of manufacturing systems, vol. 49, pp. 186-193, 2018.
M. Ghobakhloo, “The future of manufacturing industry: a strategic roadmap toward Industry 4.0,” Journal of Manufacturing Technology Management, 2018.
P. K. Muhuri, A. K. Shukla, A. Abraham, “Industry 4.0: A bibliometric analysis and detailed overview,” Engineering applications of artificial intelligence, vol. 78, pp. 218-235, 2019.
J. Lee, I. Cameron, M. Hassall, “Improving process safety: What roles for Digitalization and Industry 4.0,” Process Safety and Environmental Protection, vol. 132, pp. 325-339, 2019.
L. Shen, S. Dauzère-Pèrès, J. S. Neufeld, “Solving the flexible job shop scheduling problem with sequence-dependent setup times,” European Journal of Operational Research, vol. 265, no. 2, pp. 503-516, 2018.
K. Tamssaouet, S. Dauzère-Pèrès, C. Yugma, “Metaheuristics for the job-shop scheduling problem with machine availability constraints,” Computers & Industrial Engineering, vol. 125, pp. 1-8, 2018.
A. Jalilvand-Nejad and P. Fattahi, “A mathematical model and genetic algorithm to cyclic flexible job shop scheduling problem,” Journal of Intelligent Manufacturing, vol. 26, no. 6, pp. 1085-1098, 2015.
P. Fattahi, M. S. Mehrabad, F. Jolai, “Mathematical modeling and heuristic approaches to flexible job shop scheduling problems,” Journal of intelligent manufacturing, vol. 18, no. 3, pp. 331-342, 2007.
C. Chen et al., “The hybrid Taguchi-Genetic algorithm for mobile location,” International Journal of Distributed Sensor Networks, vol. 10, no. 3, pp. 489563, 2014.
H. Chang et al., “Solving the flexible job shop scheduling problem with makespan optimization by using a hybrid Taguchi-genetic algorithm,” IEEE access, vol. 3, pp. 1740-1754, 2015.
P. Nikdel et al., “Improved Takagi–Sugeno fuzzy model-based control of flexible joint robot via Hybrid-Taguchi genetic algorithm,” Engineering Applications of Artificial Intelligence, vol. 33, pp. 12-20, 2014.
T. Liu, J. Tsai, J. Chou, “Improved genetic algorithm for the job-shop scheduling problem,” The International Journal of Advanced Manufacturing Technology, vol. 27, no. 9-10, pp. 1021-1029, 2006.
A. Aschauer et al., “An efficient algorithm for scheduling a flexible job shop with blocking and no-wait constraints,” IFAC-PapersOnLine, vol. 50, no. 1, pp. 12490-12495, 2017.
L. L. Corso, A. L. Gasparin, H. M. Gomes, “A Reliability based design optimization using a genetic algorithm : application to bonded thin films areas of copper/polypropylene,“ Lume - Repositório Digital UFRGS Online, vol. 24, no. 3, pp. 510-519, 2016. Available: https://www.lume.ufrgs.br/handle/10183/143980. Accessed: 22-Oct-2020.
Downloads
Published
How to Cite
Issue
Section
License
Declaração de originalidade e cessão de direitos autorais
Declaro que o presente artigo é original, não está sendo tendo sido submetido à publicação em qualquer outro periódico nacional ou internacional durante o processo de revisão. Através deste instrumento, em meu nome e em nome dos demais co-autores, porventura existentes, cedo os direitos autorais do referido artigo à revista SCIENTIA CUM INDUSTRIA. Contudo, a reprodução total ou parcial impressa ou eletrônica pode ser feita desde que o autor comunique oficialmente à revista. Declaro estar ciente de que a não observância deste compromisso submeterá o infrator a sanções e penas previstas na Lei de Proteção de Direitos Autorias. Declaro estar ciente de que a não observância deste compromisso submeterá o infrator a sanções e penas previstas na Lei de Proteção de Direitos Autorias (Nº9610, de 19/02/1998).
