PROGRAMAO DA PRODUO EM SISTEMAS FLOWSHOP UTILIZANDO UM MTODO HEURSTICO HBRIDO ALGORITMO GENTICO-BUSCA TABU

Joo Vitor Moccellin

Escola de Engenharia de So Carlos - USP Caixa Postal 359, 13560-970 So Carlos-SP jvmoccel@prod.eesc.sc.usp.br

ABSTRACT: in this paper we introduce a hybrid Genetic Algorithm-Tabu Search heuristic for the minimal makespan flow shop sequencing problem. In order to evaluate the performance of the hybrid metaheuristic we compare it with pure Genetic Algorithm and Tabu Search heuristics. The results from computational experience are discussed. KEYWORDS : flow shop sequencing, genetic algorithm, tabu search. RESUMO: neste artigo apresentado um mtodo heurstico hbrido Algoritmo Gentico - Busca Tabu para o problema de programao de operaes flow shop permutacional com o objetivo de minimizar a durao total da programao. Com o propsito de avaliar seu desempenho, o mtodo hbrido comparado com mtodos puros Algoritmo Gentico e Busca Tabu por meio de uma experimentao computacional. PALAVRAS CHAVE : programao flow shop permutacional, algoritmo gentico, busca tabu.

1 - INTRODUO
O problema de Programao de Operaes Flow Shop Permutacional um problema tpico de instalaes de manufatura onde as tarefas (peas) so movidas de uma mquina para outra por meio de algum equipamento de movimentao de materiais.

As principais hipteses do problema so: i) Os tempos de processamento das tarefas nas diversas mquinas so determinados e fixos;

ii) As tarefas tm a mesma data de liberao, a partir da qual qualquer uma pode ser programada e executada; iii) Os tempos de preparao das operaes nas diversas mquinas so includos nos tempos de processamento e independem da seqncia de operaes em cada mquina; iv) As operaes nas diversas mquinas, uma vez iniciadas no devem ser interrompidas. A soluo do problema consiste em determinar dentre as (n!) seqncias possveis das tarefas aquela que otimiza uma determinada Medida de Desempenho da programao, geralmente associada ao fator tempo. Neste trabalho adota-se como funo-objetivo a Durao Total da Programao (makespan), ou seja, o intervalo de tempo entre o incio de execuo da primeira tarefa na primeira mquina e o trmino de execuo da ltima tarefa na ltima mquina. Na teoria que estuda a complexidade dos problemas de natureza combinatorial, o problema em questo classificado como NP-hard ( GAREY et al., 1976 ) de forma que pode ser resolvido eficientemente de maneira tima somente em casos de pequeno porte. Nas ltimas trs dcadas, um extenso esforo de pesquisa tem sido dedicado soluo do problema. Tcnicas de Programao Matemtica, tais como Programao Linear Inteira, SELEN & HOTT (1986), WILSON (1989), e tcnicas de enumerao do tipo branch-and-bound, IGNALL & SCHRAGE (1965), POTTS (1980), tm sido empregadas para a soluo tima do problema. Entretanto, tais tcnicas no so eficientes em termos computacionais, em problemas de mdio e grande porte. Assim, muitos mtodos heursticos tm sido propostos para a soluo do problema de programao flow shop permutacional. Os mtodos heursticos podem ser classificados de diversas formas, uma das quais classifica-os em construtivos ou melhorativos. No caso dos mtodos construtivos, a seqncia adotada como soluo do problema obtida: i) diretamente a partir da ordenao das tarefas segundo ndices de prioridade calculados em funo dos tempos de processamento das tarefas, como por exemplo: PALMER (1965) e GUPTA (1971);

ii) ou escolhendo-se a melhor seqncia das tarefas a partir de um conjunto de seqncias tambm obtidas utilizando-se ndices de prioridade associados s tarefas. Neste caso, podem ser citados: CAMPBELL, DUDEK & SMITH (1970) e HUNDAL & RAJGOPAL (1988); iii) ou ainda, a partir da gerao sucessiva de seqncias parciais das tarefas (subseqncias) at a obteno de uma seqncia completa atravs de algum critrio de insero de tarefas, como por exemplo: NEH (NAWAZ, ENSCORE & HAM, 1983). No caso dos mtodos melhorativos, obtm-se uma soluo inicial e posteriormente atravs de algum procedimento iterativo (geralmente envolvendo trocas de posies das tarefas na seqncia) busca-se obter uma seqncia das tarefas melhor que a atual quanto medida de desempenho adotada. Na categoria dos mtodos melhorativos destacam-se os procedimentos de busca em vizinhana, como por exemplo DANNENBRING (1977), considerado um mtodo de busca simples. Mais recentemente, foram desenvolvidos mtodos de busca em vizinhana de maior complexidade (Busca Tabu e Simulated Annealing) que tm sido alvo de grande interesse na comunidade cientfica em funo de aplicaes bem sucedidas reportadas na literatura. Exemplos de aplicaes dessas tcnicas para o problema em questo so encontrados em WIDMER & HERTZ (1989), OSMAN & POTTS (1989), OGBU & SMITH (1990, 1991), TAILLARD (1990, 1993), REEVES (1993), MOCCELLIN (1995), ISHIBUCHI, MISAKI & TANAKA (1995), ZEGORDI, ITOH & ENKAWA (1995), NOWICKI & SMUTNICKI (1996) e MOCCELLIN & NAGANO (1998). Outra tcnica que pode ser considerada do tipo melhorativo, tambm de desenvolvimento relativamente recente, denominada Algoritmo Gentico, tem despertado interesse pela sua capacidade de soluo de problemas de natureza combinatorial. REEVES (1995) utilizou o Algoritmo Gentico na soluo do problema de Programao de Operaes Flow Shop Permutacional, com o objetivo de minimizar a durao total da programao. Os mtodos heursticos Busca Tabu (BT), Simulated Annealing (SA) e Algoritmo Gentico (AG), conhecidos pelo termo metaheursticas, consistem de procedimentos de busca no espao de solues, definidos por estratgias que exploram apropriadamente a topologia de tal espao. O sucesso das metaheursticas se deve a fatores como: i) aluso a mecanismos de otimizao da natureza (nos casos do Algoritmo Gentico e do Simulated Annealing); ii) aplicabilidade geral da abordagem; iii) facilidade de implementao e iv) qualidade da soluo obtida aliada a um esforo computacional relativamente baixo.

2 - MTODOS METAHEURSTICOS HBRIDOS

Uma idia interessante que tem despertado gradativa ateno refere-se ao desenvolvimento de mtodos heursticos hbridos utilizando as metaheursticas Busca Tabu, Simulated Annealing e Algoritmo Gentico. Assim, o objetivo combinar as tcnicas preservando suas caractersticas de ao inteligente, de tal forma que o procedimento resultante seja mais eficaz do que qualquer um dos seus componentes isoladamente. Na literatura so reportados alguns trabalhos como: LIN, KAO & HSU (1991) que integraram Simulated Annealing e Algoritmo Gentico para resolver problemas do caixeiro-viajante; FOX (1992) que criou um procedimento hbrido combinando as trs metaheursticas; MITTENTHAL, RAGHAVACHARI & RANA (1992) que desenvolveram um mtodo Simulated Annealing Hbrido para a programao de operaes em mquina nica com funes de penalidade no-regulares; KIM, NARA & GEN (1994) que propuseram um mtodo para a programao de manuteno utilizando o Algoritmo Gentico combinado com o Simulated Annealing; GLOVER, KELLY & LAGUNA (1995) que estudaram formas de explorar as semelhanas e diferenas entre Busca Tabu e Algoritmo Gentico; ROACH & NAGI (1996) que desenvolveram um metaheurstico hbrido Simulated Annealing - Algoritmo Gentico para a programao em ambiente Just-in-Time de montagens em mltiplos nveis e PIRLOT (1996) que faz referncia a mtodos hbridos que combinam Busca Tabu e Simulated Annealing e tambm Busca Tabu e Algoritmo Gentico. Com relao ao problema de Programao de Operaes Flow Shop, so encontrados na literatura o trabalho de DAZ (1996) que utilizou uma soluo inicial melhorada pelo Simulated Annealing como ponto inicial para a utilizao da Busca Tabu, tendo como funo-objetivo a minimizao do atraso na execuo das tarefas, e MURATA, ISHIBUCHI & TANAKA (1996) que propuseram um algoritmo hbrido denominado Genetic Simulated Annealing para o problema de minimizao do makespan. Neste trabalho apresentado um mtodo metaheurstico hbrido para o problema de Programao de Operaes Flow Shop Permutacional, denominado HBGATS, com o objetivo de minimizar o makespan utilizando-se Busca Tabu e Algoritmo Gentico. Com o propsito de avaliar a eficcia da hibridizao, o mtodo HBGATS comparado, atravs de experimentao computacional, com

mtodos metaheursticos puros que foram utilizados na sua concepo. A seguir so sucintamente descritos os mtodos de Busca Tabu e Algoritmo Gentico.

3 - BUSCA TABU
A tcnica de Busca Tabu til para encontrar uma boa soluo, ou possivelmente a soluo tima de problemas do tipo: Minimizar c(x), sujeito a x X, onde c(x) uma funo de uma varivel discreta x, e X o conjunto de solues viveis. Um passo da Busca Tabu inicia com uma soluo vivel atual x X, qual aplicada uma funo m M(x) que transforma x em x', sendo x' uma nova soluo vivel (x' = m(x)). Esta transformao denominada uma mudana e o conjunto {x' : x' = m(x); x, x' X; m M(x)} denominado vizinhana de x. Com o objetivo de evitar, o tanto quanto possvel, a formao de ciclos nas mudanas, um elemento t associado a m e x . Este elemento define um conjunto de mudanas que so tabu (ou seja, proibidas) e que so guardadas em uma Lista T denominada Lista Tabu . Especificamente, o elemento t probe a aplicao de m' em x', o que poderia fazer com que x' se transformasse de volta em x, podendo proibir tambm outros tipos de mudanas. Os elementos da lista T definem todas as mudanas proibidas que no podem ser efetuadas pela soluo considerada atual (soluo corrente). Em termos prticos, o tamanho da lista T no pode continuamente crescer, sendo limitado por um parmetro s, denominado tamanho da Lista Tabu. Se | T | = s, antes de incluir um novo elemento t na lista Tabu, deve-se remover um outro elemento, que geralmente o mais antigo. Desta forma, caracteriza-se uma aplicao da tcnica de Busca Tabu atravs dos seguintes componentes: (a) O conjunto M(x) de mudanas associadas a uma soluo vivel x (vizinhana); (b) O tipo dos elementos do conjunto T, o qual define as mudanas tabu , ou seja, proibidas (Lista Tabu); (c) O tamanho s do conjunto T (tamanho da Lista Tabu); (d) Uma condio de parada do processo de busca de melhores solues viveis x'.

A caracterstica relevante da Busca Tabu refere-se capacidade de no ficar restrita s solues timas locais, explorando os vales do espao de solues na tentativa de obteno da soluo tima global. Uma descrio completa e detalhada da Tcnica de Busca Tabu pode ser encontrada em GLOVER (1995).

4 - ALGORITMO GENTICO
O Algoritmo Gentico foi desenvolvido por HOLLAND (1975), sendo derivado de uma analogia com o processo evolucionrio de seleo natural e tem sido utilizado em diversas aplicaes. Na terminologia do Algoritmo Gentico, um cromossomo representa uma soluo para o problema em estudo, sendo constitudo de um conjunto de genes cada qual representando uma caracterstica especfica do cromossomo. O valor associado caracterstica de cada gene denominado Alelo. Uma populao constituda de um conjunto de cromossomos, sendo refeita (atualizada, renovada) aps cada gerao. Um elemento fundamental do algoritmo o operador gentico denominado operador de cruzamento o qual combina dois cromossomos para gerar cromossomos filhos que mantm certas caractersticas bsicas dos cromossomos pais . Alm desse operador, geralmente considerado um outro denominado operador de mutao o qual introduz aleatoriamente transformaes ou novas informaes em uma populao.

Na aplicao do Algoritmo Gentico para soluo do problema de Programao de Operaes Flow Shop Permutacional, um cromossomo representa uma possvel seqncia das tarefas e os genes representam as tarefas. Basicamente, um Algoritmo Gentico apresenta a seguinte estrutura:

INCIO i := 0. Inicializar uma populao G( i ) com N solues viveis.

REPETIR Selecionar os pais de G( i ) observando o valor da funo-objetivo (Reproduo). Aplicar o operador de cruzamento nos pais. Aplicar, se for o caso, o operador mutao e obter a gerao G(i + 1). i := i + 1. AT UMA CONDIO DE PARADA FIM. A fora de um Algoritmo Gentico baseia-se na hiptese de que a melhor soluo se encontra em regies do espao de solues viveis que contm uma grande proporo relativa de boas solues e que tais regies podem ser identificadas atravs de uma amostragem minuciosa do espao de solues. Detalhes e uma descrio completa do Algoritmo Gentico so encontrados em GOLDBERG (1989).

5 - O NOVO MTODO METAHEURSTICO HBRIDO

O mtodo hbrido apresentado neste trabalho foi concebido com base nos seguintes parmetros quantitativos e no-quantitativos : a) Solues Iniciais : As solues iniciais do mtodo hbrido so fornecidas pelo NEH (NAWAZ, ENSCORE & HAM, 1983) e FSHOPH (MOCCELLIN, 1995). As mesmas solues iniciais so utilizadas no Algoritmo Gentico puro que comparado com o hbrido. Por sua vez, no mtodo Busca Tabu puro utilizado na experimentao computacional, a soluo inicial a melhor dentre as fornecidas pelo NEH e FSHOPH. b) Vizinhana : Foi utilizado o tipo de Vizinhana de Insero (Shift Neighbourhood), onde uma seqncia vizinha obtida da seqncia atual removendo-se uma tarefa de sua posio e inserindo-a em uma outra posio .

c) Formas de Busca na Vizinhana : Foi empregada a busca parcial aleatria, que consiste no exame parcial da vizinhana, ou seja, apenas uma parcela Nvp(S) do nmero total de vizinhos avaliada, a qual gerada aleatoriamente. A parcela da vizinhana, baseada no trabalho desenvolvido por MOCCELLIN & NAGANO (1998), dada pelas expresses: Nvp(S) = p (n - 1)2 , para n 30 Nvp(S) = p [1741 - 900 exp (-0,04(n - 30))] , para n >30 onde p um parmetro obtido experimentalmente e n o nmero de tarefas a serem programadas. d) Condio de Parada : O mtodo hbrido encerra a busca por melhores solues aps um nmero TNbS(m,n) prdeterminado de seqncias avaliadas de acordo com a Tabela 1. Tais nmeros foram obtidos por experimentao prvia : para cada classe de problema (nmero de mquinas m, nmero de tarefas n), o valor TNbS(m,n) corresponde ao nmero mdio de seqncias avaliadas utilizando-se o mtodo heurstico de Busca tabu FShop.TS5 ( MOCCELLIN & NAGANO, 1998 ).

nmero de

nmero de

nmero de

(mquinas, TNbS(m,n) (mquinas, TNbS(m,n) (mquinas, TNbS(m,n) tarefas) tarefas) tarefas) (4, 20) 9693 (7, 20) 10812 (10, 20) 16750 (4, 30) (4, 40) (4, 50) (4, 60) (4, 70) (4, 80) (4, 90) (4, 100) 43732 77742 105623 133502 137452 166050 155455 194680 (7, 30) (7, 40) (7, 50) (7, 60) (7, 70) (7, 80) (7, 90) (7, 100) 59666 162358 165856 178017 135330 107244 128733 108136 (10, 30) (10, 40) (10, 50) (10, 60) (10, 70) (10, 80) (10, 90) (10, 100) 73503 125728 154223 166257 173862 189378 189406 190884

Tabela 1 - condio de parada

e) Tamanho da Lista Tabu : O tamanho da lista tabu adotado igual a 7 (sete) conforme sugerido por GLOVER (1989). Na lista so registrados, a cada movimento , a tarefa que mudou de posio e a posio que ela ocupava na soluo corrente anterior. i) Operador Reproduo : No mtodo hbrido e no Algoritmo Gentico puro, a reproduo efetuada sobre a populao constituda pelas duas seqncias pais e duas seqncias filhos . As duas seqncias que

apresentarem as menores duraes totais de programao so selecionadas para a aplicao do operador de cruzamento. j) Operador de Cruzamento : A partir dos resultados reportados por MOTA (1996), foi selecionado o Operador de Um Corte (One Point Crossover), o qual descrito a seguir e ilustrado pela Figura 1. PASSO 1: Escolha um ponto para se dividir cada pai, em duas subseqncias; PASSO 2: A soluo filho gerada atravs da unio de duas subseqncias, uma de cada pai, na sua posio absoluta; PASSO 3: Para evitar a inviabilidade da soluo filho, troca-se as tarefas duplicadas por aquelas que faltam para completar a soluo filho.

Pai 1:

0 1 01 1

Filho 1:

0 1 0 0 1

Pai 2:

1 1 0 0 1

Filho 2:

1 1 0 1 1

Figura 1 - exemplo de cruzamento de um corte.

k) Operador de Mutao: Conforme j mencionado, este operador necessrio para a introduo e a manuteno da diversidade gentica da populao. Apesar da sua relativa importncia, ele no utilizado no mtodo hbrido, uma vez que tal funo realizada pelo procedimento de Busca Tabu.

5.1 - O ALGORITMO HBGATS

Com o propsito de ilustrar a concepo do algoritmo HBGATS, os passos 1, 2 e 3 referem-se parte Algoritmo gentico, enquanto que os passos 4 e 5 (em itlico) correspondem parte Busca Tabu. PASSO 1) Seleo dos pais: obtenha a seqncia inicial 1 (NEH) e a seqncia inicial 2 (soluo inicial do FSHOPH). s1 := seqncia inicial 1 s2 := seqncia inicial 2 f(s1) := makespan da seqncia inicial 1 f(s2) := makespan da seqncia inicial 2. Se f(s1) f(s2) ento BS := s1 BM := f(s1) Caso contrrio, BS := s2 e BM := f(s2). {melhor soluo j obtida} {makespan da melhor soluo}

Enquanto o nmero total de seqncias geradas e avaliadas TNbS(m,n) : PASSO 2) Aplicar o operador de cruzamento em s1 e s2: s1  s2 s3 e s4 (onde s3 e s4 so os descendentes)

Ordenar as seqncias em ordem crescente de makespan f(s) PASSO 3) Selecionar as 2 seqncias que apresentam os 2 menores makespans s1 := seq[1] f(s1) := f( seq[1] ) {seqncia com o primeiro melhor makespan} {makespan da primeira melhor seqncia}

s2 := seq.[2] f(s2) := f( seq[2] )

{seqncia com o segundo melhor makespan} {makespan da segunda melhor seqncia}

Se f(s1) < BM ento BS := seq[1] BM := f( seq[1] ) PASSO 4) Gerar a vizinhana de insero parcial aleatria de s1 (nmero de vizinhos Nvp(S) ) e determinar a melhor seqncia vizinha s* (a de menor makespan), utilizando a tcnica de Busca Tabu. s1 := s* f(s1) := f(s*) Se f(s1) < BM BS := s1 BM := f(s1) PASSO 5) Gerar a vizinhana de insero parcial aleatria de s2 (nmero de vizinhos Nvp(S) ) e determinar a melhor seqncia vizinha s** (a de menor makespan), utilizando a tcnica de Busca Tabu. s2 := s** f(s2) := f(s**) Se f(s2) < BM BS := s2 BM := f(s2) PASSO 6) Tomar as seqncias s1 e s2 e aplicar o procedimento descrito a partir do Passo 2 Resultados: BS : a melhor seqncia das tarefas (soluo do problema); BM : valor do makespan ou durao total da programao das tarefas segundo BS. ento ento

6 - AVALIAO DO MTODO HBRIDO

O mtodo metaheurstico hbrido foi avaliado em comparao com o desempenho dos metaheursticos puros que foram utilizados na sua composio. O mtodo de Busca Tabu utilizado foi o FShop.TS5 (MOCCELLIN & NAGANO, 1998), com uma modificao em relao soluo inicial, conforme j salientado, a qual a melhor dentre as fornecidas pelo NEH e FSHOPH. O algoritmo gentico puro , denominado 1xGA, um algoritmo gentico simples que utiliza os mesmos operadores de reproduo e cruzamento do mtodo hbrido. Quanto ao operador de mutao, que no hbrido substitudo pelo procedimento de Busca Tabu, no algoritmo 1xGA podem ser utilizados trs operadores. O mutao 1 consiste em escolher aleatoriamente uma tarefa e trocla de posio com a sua subseqente. O operador mutao 2 troca aleatoriamente as posies de duas tarefas quaisquer da seqncia. Por sua vez, o mutao 3 escolhe ao acaso um ponto para se dividir a seqncia em duas subseqncias, as quais tm suas posies relativas invertidas. Pode-se notar que os operadores de mutao propostos tm graus de perturbao crescentes. O operador mutao 1 aplicado toda vez que no houver melhoria na melhor seqncia at ento obtida, aps 0,01TNbS(m,n) seqncias sucessivas geradas e avaliadas. O mutao 2 utilizado se no houver melhoria aps 0,027TNbS(m,n) seqncias sucessivas. O operador mutao 3, que causa uma maior modificao na seqncia gerada aplicado aps 0,10TNbS(m,n) seqncias sucessivas sem

melhoria quanto melhor soluo at o momento obtida. Os coeficientes 0,01 ; 0,027 e 0,10 foram estabelecidos em funo do grau de perturbao de cada operador e tambm de forma que no haja a possibilidade de aplicao simultnea de dois ou dos trs operadores.

6.1 - EXPERIMENTAO COMPUTACIONAL

Foram gerados aleatoriamente 540 problemas, com 20 problemas para cada classe ( nmero de mquinas m, nmero de tarefas n ), envolvendo 27 classes de acordo com m {4, 7, 10} e n {20, 30, 40, 50, 60, 70, 80, 90, 100}. Os tempos de processamento das operaes das tarefas foram gerados aleatoriamente de uma distribuio uniforme com valores inteiros no intervalo [1, 100]. O parmetro experimental e sensvel do mtodo hbrido o coeficiente p, o qual foi examinado no conjunto { 0,2 0,4 0,6 0,8 1,0 }. Na experimentao computacional, o

equipamento utilizado foi um microcomputador Pentium II 266 Mhz e todos os algoritmos foram implementados em Turbo Pascal.

6.1.1 - ANLISE DOS RESULTADOS A anlise dos resultados foi efetuada em funo de duas estatsticas : a Porcentagem de Sucesso e a Melhoria Relativa. A porcentagem de sucesso calculada pelo nmero de vezes em que o mtodo obteve a melhor soluo, dividido pelo nmero total de problemas avaliados. Obviamente, quando dois ou mais mtodos obtm a melhor soluo para um mesmo problema todos eles alcanam sucesso e consequentemente suas porcentagens de sucesso so simultaneamente melhoradas. A melhoria relativa mede o percentual de reduo da Durao Total da Programao em relao soluo inicial. importante ressaltar que todos os mtodos comparados entre si tm a mesma soluo inicial. A melhoria relativa MR obtida pela seguinte expresso : MR = (M1 - M) / M1 onde

M1 = makespan da soluo inicial, e M = makespan da melhor seqncia que foi encontrada pelo mtodo heurstico.

Na experimentao computacional, os tempos de computao no foram considerados significativos para a avaliao dos diversos mtodos, uma vez que as diferenas no foram relevantes. Nos problemas de pequeno porte ( 20 tarefas ), o tempo mdio de computao variou entre 0,31 e 0,84 segundos. Nos problemas de maior porte ( 100 tarefas ) tal variao foi de 19 a 42 segundos.

Os principais resultados encontram-se nas Tabelas 2 e 3, os quais so ilustrados pelas Figuras 2 e 3, respectivamente. Os melhores resultados foram obtidos para o coeficiente p igual a 0,4.

nmero de tarefas 20 30 40 50 60 70 80 90 100

1xGA (%) 18,3 26,6 30,0 20,0 30,0 36,6 35,0 33,3 43,3

FShop.TS5 HBGATS (%) 73,3 71,6 73,3 73,3 71,6 78,3 71,6 78,3 71,6 (%) 81,6 76,6 81,6 85,0 86,6 88,3 86,6 90,0 93,3

Tabela 2 - porcentagem de sucesso ( p = 0,4 )

100 90 80 porcentagem de sucesso (%) 70 60 50 40 30 20 10 0 20 30 40 50 60 nmero de tarefas 70 80 90 100 1xGA Fshop.TS5 HBGATS

Figura 2 - porcentagem de sucesso ( p = 0,4 )

nmero de tarefas 20 30 40 50 60 70 80 90 100

1xGA (%) 0,07 0,05 0,04 0,02 0,0 0,0 0,0 0,0 0,0

FShop.TS5 HBGATS (%) 1,59 1,58 1,28 1,03 0,83 0,57 0,58 0,49 0,34 (%) 1,62 1,61 1,32 1,12 0,95 0,62 0,68 0,55 0,44

Tabela 3 - melhoria relativa ( p = 0,4 )

4,0

3,5

3,0 melhoria relativa (%)

2,5 1xGA Fshop.TS5 HBGATS

2,0

1,5

1,0

0,5

0,0 20 30 40 50 60 nmero de tarefas 70 80 90 100

Figura 3 - melhoria relativa ( p = 0,4 )

Os resultados obtidos mostram que o HBGATS apresenta um desempenho superior em todas as faixas em funo do nmero de tarefas ( 20 a 100 ), tanto com relao Porcentagem de Sucesso quanto em relao Melhoria Relativa. Dois aspectos que se salientam so : o primeiro refere-se aos desempenhos relativos estveis dos trs mtodos, uma vez que o HBGATS sempre obteve o melhor desempenho, seguido do FShop.TS5 e posteriormente do 1xGA. O segundo diz respeito aos pequenos valores das Melhorias Relativas. Isto devido ao fato da soluo inicial dos mtodos ser de melhor qualidade ( na maioria dos casos a soluo do NEH ). Melhorias Relativas pequenas quando a soluo inicial for boa no significa que o mtodo no eficaz. Obviamente, se a soluo inicial for tima a melhoria relativa ser sempre nula. Uma observao interessante refere-se ao desempenho do Algoritmo Gentico puro 1xGA quanto Melhoria Relativa : os resultados ilustrados na Figura 3 indicam que o operador de 1 CORTE praticamente no consegue melhorar a soluo inicial.

7 - CONSIDERAES FINAIS
Em funo dos resultados experimentais obtidos, pode-se dizer que a pesquisa relatada neste artigo atingiu os seus objetivos e mostrou ser correta a expectativa quanto a mtodos metaheursticos hbridos para a minimizao da durao total da programao em ambiente flow shop permutacional, ou seja, um mtodo hbrido pode ser desenvolvido de maneira a agregar as caractersticas vantajosas dos mtodos metaheursticos puros.

8 - BIBLIOGRAFIA
CAMPBELL, H.G., DUDEK, R.A. and SMITH, M.L. (1970), A Heuristic Algorithm for the n-job, m-machine Sequencing Problem, Management Science 16/B, 630-637. DANNENBRING, D.G. (1977), An Evaluation of Flow-Shop Sequencing Heuristics, Management Science 23, 1174-1182. DAZ, B.A. (1996), An SA/TS Mixture Algorithm for the Scheduling Tardiness Problem, European Journal of Operational Research 88, 516-524. FOX, B. (1992), Integrating and Accelerating Tabu Search, Simulated Annealing, and Genetic Algorithms, Annals of Operations Research 41, 47-67. GAREY, M.R., JOHNSON, D.S. and SETHI, R. (1976), The Complexity of Flowshop and Jobshop Scheduling, Mathematics of Operations Research 1, 117-129. GLOVER, F. (1989), "Tabu Search - Part I", ORSA Journal on Computing 1, 190-206. GLOVER, F. (1995), "Tabu search fundamentals and uses". University of Colorado, Boulder.

GLOVER, F., KELLY, J.P. and LAGUNA, M. (1995), Genetic Algorithms and Tabu Search: Hybrids for Optimization, Computers & Operations Research 22, 111-134. GOLDBERG, D. E. (1989), Genetic algorithms in search, optimization, and machine learning. Addison - Wesley. GUPTA, J.N.D. (1971), "A Functional Heuristic Algorithm for the Flow-Shop Scheduling Problem", Operational Research Quarterly 22, 39-47. HOLLAND, J. H. (1975), Adaptation in natural and artificial systems. The University of Michigan Press, Ann Arbor, Mich. HUNDAL, T.S. and RAJGOPAL, J. (1988), An Extension of Palmer's Heuristic for the Flow-Shop Scheduling Problem, International Journal of Production Research 26, 1119-1124. IGNALL, E. and SCHRAGE, L.E. (1965), "Application of Branch and Bound Technique to some Flow-Shop Problem", Operations Research 13, 400-412. ISHIBUCHI, H., MISAKI, S. and TANAKA, H. (1995), Modified Simulated Annealing Algorithms for the Flow Shop Sequencing Problem, European Journal of Operational Research 81, 388-398. KIM, H., NARA, K. and GEN, M. (1994), A Method for Maintenance Scheduling Using GA Combined with SA, Computers & Industrial Engineering 27, 477-480. LIN, F-T, KAO, C-Y and HSU, C-C (1991), Incorporating Genetic Algorithms into Simulated Annealing, Dept. of Computer Science and Information Engineering, National Taiwan University. MITTENTHAL, J., RAGHAVACHARI, M. and RANA, A.I. (1992), A Hybrid Simulated Annealing Approach for Single Machine Scheduling Problems with Non-regular Penalty Functions, Computers Ops Res. 20, 103-111. MOCCELLIN, J.V. (1995), A New Heuristic Method for the Permutation Flow Shop Scheduling Problem, Journal of the Operational Research Society 46, 883 - 886. MOCCELLIN, J.V. and NAGANO, M.S. (1998), Evaluating the Performance of Tabu Search Procedures for Flow Shop Sequencing, Journal of the Operational Research Society 49, 1296-1302. MOTA, W.L. (1996), Anlise Comparativa de Algoritmos Genticos para o Problema de Programao de Operaes Flow Shop Permutacional. So Carlos. 125p. Dissertao (Mestrado) - Escola de Engenharia de So Carlos, Universidade de So Paulo. MURATA, T., ISHIBUCHI, H. and TANAKA, H. (1996), Genetic Algorithms for Flowshop Scheduling Problems, Computers & Industrial Engineering 30, 1061-1071. NAWAZ, M., ENSCORE Jr., E.E. and HAM, I. (1983), A Heuristic Algorithm for the m-Machine, n-Job Flow-Shop Sequencing Problem, OMEGA 11, 91-95. NOWICKI, E. and SMUTNICKI, C. (1996), A Fast Tabu Search Algorithm for the Permutation Flow-shop Problem, European Journal of Operational Research 91, 160-175. OGBU, F.A. and SMITH, D.K. (1990), The Application of the Simulated Annealing Algorithm to the Solution of the n/m/Cmax Flowshop Problem, Computers and Operations Research 17, 243-253. OGBU, F.A. and SMITH, D.K. (1991), "Simulated Annealing for the Permutation Flowshop Problem", OMEGA 19, 64-67. OSMAN, I.H. and POTTS, C.N. (1989), Simulated Annealing for Permutation Flow-Shop Scheduling, OMEGA 17, 551-557. PALMER, D.S. (1965), Sequencing Jobs through a Multi-stage Process in the Minimum Total Time - A Quick Method of obtaining a Near Optimum, Operational Research Quarterly 16, 101-107. PIRLOT, M. (1996), General Local Search Methods, European Journal of Operational Research 92, 493-511. POTTS, C.N. (1980), "An Adaptive Branching Rule for the Permutation Flow-Shop Problem", European Journal of Operational Research 5, 19-25. REEVES, C.R. (1993), "Improving the Efficiency of Tabu Search for Machine Sequencing Problems", Journal of the Operational Research Society 44, 375-382. REEVES, C.R. (1995), A Genetic Algorithm for Flowshop Sequencing, Computers & Operations Research 22, 513. ROACH, A. and NAGI, R. (1996), A Hybrid GA-SA Algorithm for Just-In-Time Scheduling of Multi-Level Assemblies, Computers & Industrial Engineering 30, 1047-1060.

SELEN, W.J. and HOTT, D.D. (1986), A Mixed-Integer Goal Programming Formulation of the Standard Flow-Shop Scheduling Problem, Journal of the Operational Research Society 37, 1121-1128. TAILLARD, E. (1990), Some Efficient Heuristic Methods for the Flow Shop Sequencing Problem, European Journal of Operational Research 47, 65-74 TAILLARD, E. (1993), "Benchmarks for Basic Scheduling Problems", European Journal of Operational Research 64, 278-285. WIDMER, M. and HERTZ, A. (1989), A New Heuristic Method for the Flow Shop Sequencing Problem, European Journal of Operational Research 41, 186-193. WILSON, J.M. (1989), "Alternative Formulations of a Flow Shop Scheduling Problem", Journal of the Operational Research Society 40, 395-399. ZEGORDI, S.H., ITOH, K. and ENKAWA, T. (1995), Minimizing Makespan for Flow Shop Scheduling by Combining Simulated Annealing with Sequencing Knowledge, European Journal of Operational Research 85, 515531.