Araujo e Arenales

verso impressa ISSN 0101-7438 / verso online ISSN 1678-5142
Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003 403

DIMENSIONAMENTO DE LOTES E PROGRAMAO DO FORNO
NUMA FUNDIO AUTOMATIZADA DE PORTE MDIO

Silvio Alexandre de Araujo
Departamento de Informtica
Universidade Estadual de Maring
Maring PR
silvio@din.uem.br

Marcos Nereu Arenales *
ICMC Inst. de Cincias Matemticas e de Computao
Universidade de So Paulo Campus de So Carlos
So Carlos SP
arenales@icmc.usp.br

* Corresponding author /autor para quem as correspondncias devem ser encaminhadas

Recebido em 10/2002; aceito em 08/2003 aps 1 reviso
Received October 2002; accepted August 2003 after one revision

Resumo

Este trabalho consiste no estudo de um problema prtico que ocorre numa fundio que tem apenas um
forno em operao por perodo, consistindo no gargalo do processo produtivo, e vrias mquinas de
moldagem que produzem diferentes tipos de itens com demandas conhecidas que devem ser feitos com
diferentes ligas. Em cada perodo, a programao da produo envolve dois nveis importantes de
deciso que esto inter-relacionados: 1) qual liga deve ser produzida no forno; 2) a quantidade de cada
item a ser produzida em cada mquina de moldagem. Num estudo anterior, foi proposto um modelo de
dimensionamento de lotes monoestgio, com restries de capacidade, mquinas paralelas e mltiplos
itens. Neste trabalho foram realizadas extenses do modelo e do mtodo de soluo, considerando-se
custos de preparao e admitindo-se atrasos na data de entrega. Esta abordagem fornece ao decisor
possveis rearranjos na demanda, caso no seja possvel o atendimento sem atraso.

Palavras-chave: programao inteira mista; planejamento e programao da produo;
fundies.

Abstract

This work consists of studying a practical problem that arises from a foundry, which has only one
furnace operating at each period, which is the production bottleneck. Several moulding machines
produce moulds for a known demand of different types of items, which must be made with different
alloys. For each period, the production programming has two important and linked decision levels:
1) which alloys should be produced in the furnace, and 2) the quantity of each item to be produced in
each moulding machine. In an earlier study, a single-level, multi-item, capacitated, parallel machine
lot-sizing model was proposed. In this work, that model has been extended considering setup cost and
backlog of orders, as well as the solution method. This approach provides the decision maker with
possible arrangements on demand, in case of backlogging.

Keywords: mixed integer programming; lot sizing and scheduling; foundries.
Araujo & Arenales Dimensionamento de lotes e programao do forno numa fundio automatizada de porte mdio
404 Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003
1. Introduo
O setor de fundio caracteriza-se como uma importante indstria primria que fornece bens
intermedirios para diversas outras, tais como, automotivas, siderrgicas, construo, dentre
outras. No Brasil o setor produziu, de janeiro a maro de 2002, 445.696 toneladas e, no
mesmo perodo de 2003, 540.015 toneladas representando um crescimento de 21,2%,
gerando cerca de 45.000 empregos diretos (ABIFA, 2003).
A grande maioria da produo brasileira de fundidos consumida pelas indstrias
automotivas e siderrgicas (fundies cativas), ficando apenas uma pequena parcela para os
setores da indstria mecnica e da infra-estrutura (fundies de mercado). Esta demanda
relativamente baixa e a ausncia de uma poltica de mercado caracterizam as fundies de
mercado como empresas de pequeno ou mdio porte, carentes de uma estrutura gerencial
organizada. Entretanto, nos ltimos anos, as fundies de mercado vm registrando um
grande crescimento, e a prtica gerencial baseada apenas no bom senso e na experincia do
administrador de processo no tem sido suficiente.
A fundio que serviu de base para este trabalho foi primeiramente estudada por Santos-
Meza et al. (2002). O processo produtivo (Figura 1) caracteriza-se por um forno que
alimentado por matrias-primas (em geral, lingotes fundidos obtidos aps um processo de
refino de minrios, sucatas e outros) produzindo determinado tipo de liga. O forno tem uma
limitao de capacidade por hora podendo produzir uma quantidade mxima de uma certa
liga. Uma vez determinada a liga que deve ser produzida, deve-se determinar a melhor
mistura de matria-prima, de acordo com a composio qumica, de forma a minimizar o
custo da liga, ou seja, tem-se que resolver o clssico problema da mistura. Aps fundida, a
liga vazada em moldes de areia e o forno ento realimentado para a produo de um novo
(ou mesmo) tipo de liga.

Figura 1 processo produtivo em uma fundio

Incio:
Pedidos
Planejamento
da Produo
Mquinas
Moldagem
Fornos
Matria-Prima:
Areia
Moldes
Vazamento
Final:
Produto Final
Rebarbao
Matria-Prima:
Problema da
Mistura
Os moldes so preparados segundo projetos que especificam todos os detalhes dos contornos,
canais de vazamento, bem como o tipo de liga adequada e so produzidos por mquinas de
moldagem paralelas automatizadas que tm taxas de produtividade conhecidas. Estas
mquinas podem trabalhar uma parte da hora produzindo um tipo de molde e outra parte na
produo de outros tipos. No entanto, cabe observar que, para o problema em questo,
embora as mquinas de moldagem possam ser re-preparadas para a produo de diferentes
moldes dentro de uma hora, a liga produzida pelo forno somente pode ser alterada na
mudana de turnos (6 horas). Portanto, as mudanas na produo dos moldes so restritas aos
itens que utilizam a mesma liga.
Diante disso, observa-se que, a programao da produo nesta fundio tem dois momentos
importantes e interligados: a programao do forno, na qual definida a liga a ser produzida
em cada perodo; e a programao das mquinas de moldagem, na qual definida a
quantidade de cada item a ser produzida em cada perodo, ou seja, deve-se dimensionar os
lotes de cada item.
Pode-se definir de forma bastante simples o problema de dimensionamento de lotes como um
problema de otimizao que consiste em determinar a quantidade de itens a ser produzida em
uma ou mais mquinas, em cada perodo ao longo de um horizonte de planejamento finito,
de modo a atender uma certa demanda e a otimizar uma funo objetivo (por exemplo,
minimizar custos). Em geral, esses problemas pertencem a classe NP-difcil, fazendo com
que a maioria dos mtodos de soluo sejam heursticos. No caso das fundies, o problema
de dimensionamento de lotes est presente na programao do setor de moldagem onde se
determina a quantidade de cada item a ser produzida em cada perodo. Revises
bibliogrficas destes problemas so encontradas em Bahl et al. (1987) e Kuik et al. (1994).
O problema de programao da produo (scheduling) definido como um problema de
otimizao que consiste em programar determinadas tarefas em uma ou vrias mquinas de
forma a otimizar uma funo objetivo (por exemplo, minimizar o tempo de processamento).
As decises tomadas so de curto prazo (nvel operacional). A programao do forno em
fundies, onde so definidas quais ligas devem ser produzidas em cada perodo, um bom
exemplo de um problema de programao da produo. Algumas revises bibliogrficas
podem ser encontradas em Potts & van Wassenhove (1992), Potts & Kovalyov (2000) e
Allahverdi et al. (1999).
O objetivo deste trabalho propor um modelo matemtico e um mtodo de soluo para
auxiliar, principalmente as fundies de mercado, na resoluo dos problemas planejamento
e programao da produo. O modelo considera de forma simultnea o problema de
dimensionamento de lotes para os itens e problema de programao das ligas. Drexl &
Kimms (1997) apresentam uma excelente reviso bibliogrfica de trabalhos que consideram
problemas integrados.
Uma reviso da literatura em problemas de planejamento e programao da produo em
fundies apresentada na seo 2. A seo 3 contm o modelo matemtico que pode ser
caracterizado por um problema de dimensionamento de lotes monoestgio com vrios itens,
custo de preparao, restrio de capacidade e mquinas paralelas, sem considerar tempo de
preparao e admitindo atraso no atendimento demanda. Na seo 4 proposto um mtodo
de soluo heurstico. Na seo 5 so apresentados os resultados computacionais e, na
seo 6, as concluses.

2. Reviso Bibliogrfica
Aps uma ampla reviso bibliogrfica foi possvel constatar a escassez de trabalhos
envolvendo problemas de planejamento e programao da produo especificamente
voltados ao setor de fundies, principalmente, fundies de pequeno e mdio porte.
Em Araujo et al. (2002) realizado um estudo do problema de planejamento e programao
da produo para um caso prtico encontrado em uma fundio de porte pequeno. O
processo produtivo bastante parecido com o processo descrito na seo 1, as principais
diferenas consistem no fato de que as ligas podem ser modificadas a cada fornada e, cada
item pode ser produzido por uma, e somente uma, liga. Araujo et al. (2002) modelaram o
problema como um problema de programao inteira mista, com restrio de capacidade,
custo de preparao e considerando a possibilidade de atraso no atendimento a demanda. O
objetivo principal minimizar os atrasos e os custos de estoque. O mtodo de soluo
desenvolvido consiste num mtodo de horizonte rolante, ou seja, resolve-se o problema para
um horizonte de planejamento de T perodos onde apenas o primeiro perodo efetivamente
implementado e os dados atualizados. Em seguida o horizonte rolado frente e o mtodo
aplicado novamente para mais T perodos. Alm disso, os autores utilizaram busca local para
fixar algumas variveis a cada etapa do mtodo. So apresentados alguns resultados
computacionais comparando o mtodo de soluo e o pacote Cplex 7.1.
Em Araujo (2003) foi feito um estudo de caso em uma fundio de grande porte para a qual
foi proposto um modelo matemtico que foi resolvido com um pacote de otimizao inteira.
Nesta fundio, existem vrios fornos em operao que produzem apenas dois tipos
principais de liga, tornando a programao dos fornos menos crtica de modo que, a
programao das linhas de moldagem que puxa a programao dos fornos. Os resultados
computacionais foram comparados com aqueles obtidos pela empresa, mostrando
expressivos ganhos de produtividade e reduo de atrasos na entrega dos pedidos.
O estudo em Santos-Meza et al. (2002) semelhante ao presente trabalho, no entanto, os
autores no consideram custo de preparao e no permitem atraso no atendimento
demanda. O mtodo de soluo proposto por Santos-Meza et al. (2002) serviu de base para o
mtodo da seo 4 deste trabalho.
Sounderpandian & Balashanmuga (1991) estudaram o problema de sequenciamento de
tarefas s mquinas numa grande fundio (850 empregados), que tm como principal cliente
a indstria automobilstica. A fbrica produz 200 tipos de itens em 41 mquinas. Para cada
mquina so atribudos valores de 0 a 100 de acordo com a convenincia de se utilizar a
mquina para fazer determinado item. O mtodo de soluo considera apenas os 100 itens
principais que representam 90% da demanda e baseado no clssico Problema de
Transportes, onde cada mquina oferece uma quantidade de horas por semana e cada item
demanda um certo nmero de horas para ser fabricado. O objetivo a minimizao do custo
total da programao (que baseado numa matriz de convenincia). Segundo os autores, o
mtodo foi implantado facilmente na empresa conseguindo reduzir os problemas encontrados.
Gravel et al. (2000) utilizaram algoritmos genticos para resolver um problema de
sequenciamento das ligas numa fundio de alumnio. O indstria possui trs fornos que
devem produzir diferentes tipos de ligas. Entre duas cargas do forno possvel deixar um
resduo da liga antiga para que o tempo de aquecimento da nova liga seja menor. Entretanto,
dependendo da seqncia em que as ligas so feitas isto no possvel, pois a liga anterior
pode ter componentes que no podem estar presentes na liga que ser feita posteriormente.
Neste caso, o forno tem que ser esvaziado e o tempo de preparao muito maior. Desta
forma, o tempo de preparao depende da seqncia em que as ligas so produzidas. Os
autores apresentaram um algoritmo gentico em duas fases. Na primeira fase as ligas so
associadas aos fornos e, na segunda fase feito o sequenciamento das ligas nos fornos.
Segundo os autores, o mtodo apresenta bons resultados e est sendo utilizado pela empresa.
Bowers et al. (1995) estudaram o problema de planejamento e programao da produo
numa indstria de fabricao de lingotes de alumnio. Nesta indstria, no permitido atraso
no atendimento demanda. Quando no existem lingotes para o atendimento da demanda,
deve-se importar lingotes ou aparar lingotes mais largos para suprir a demanda. O objetivo
do artigo minimizar a quantidade de lingotes importados ou aparados. Os autores
apresentaram um mtodo de soluo em duas fases aplicado de forma rolante no tempo,
onde, na primeira fase uma heurstica determina a programao das mquinas de moldagem
para todo o horizonte de planejamento e, na segunda fase, um problema linear resolvido
para determinar a programao tima dos fornos de acordo com a programao estabelecida
na primeira fase. Os resultados computacionais apresentados mostram, segundo os autores,
uma reduo de 20,4% para 0,4% de lingotes importados ou aparados.
Hendry et al. (1996) estudam um problema de corte de estoque acoplado ao problema de
programao da produo numa indstria de cobre. O processo produtivo pode ser dividido
em trs partes e consiste basicamente em fundir o metal no forno, produzir barras grandes e
cortar as barras grandes em pedaos menores. O objetivo principal do estudo a reduo de
custos, o que implica diretamente na reduo do nmero de vezes que o forno utilizado e
na reduo das perdas no corte das barras. Um mtodo de soluo, em dois estgios, baseado
no princpio de horizonte rolante foi proposto. No primeiro estgio, um modelo matemtico
de programao inteira resolvido heuristicamente determinando uma soluo agregada
indicando os padres de cortes a serem utilizados minimizando a perda. No segundo estgio,
outro modelo de programao inteira resolvido por um mtodo exato determinando um
programa de produo diria para a soluo agregada dada pelo primeiro estgio. Os
resultados so comparados com os resultados prticos da empresa, mostrando uma reduo
substancial nos custos com ganhos no rendimento dos fornos e diminuio das perdas no
processo de corte.
Foram encontrados alguns outros trabalhos que tratam do problema de programao da
produo em grandes siderrgicas onde o processo produtivo um pouco diferente daquele
encontrado em fundies. O processo produtivo da indstria siderrgica caracterizado pela
inexistncia do setor de moldagem, pois os itens demandados so chapas de ao de diferentes
tamanhos e composies fabricadas por mquinas de laminao, onde o metal passa por
cilindros rolantes distanciados de acordo com as especificaes da chapa a ser fabricada.
Tang et al. (2001) fazem uma reviso bibliogrfica de trabalhos de planejamento e progra-
mao da produo aplicados indstria siderrgica. Neste trabalho, o desenvolvimento
histrico do processo produtivo descrito, dando uma nfase maior ao processo de produo
atual, onde se integram as vrias fases de produo. Alm de modelagem matemtica, fazem
ainda uma reviso dos mtodos de soluo, em sua maioria desenvolvidos especificamente
para grandes siderrgicas e, por fim, apontam algumas direes para futuros trabalhos com
novas modelagens e mtodos de soluo que podem ser desenvolvidos.
Lopes et al. (1998) enfatizam seus estudos na programao da produo do setor de
laminao. Os autores modelaram o problema como um problema do caixeiro viajante com
restries do tipo mochila e propem um mtodo heurstico, baseado em busca tabu. Dados
prticos foram utilizados para obter os resultados computacionais que mostraram uma
melhoria do mtodo proposto em relao ao plano que vinha sendo implementado na indstria.
Tang et al. (2000a) tambm resolvem o problema de programao da produo no setor de
laminao, com uma modelagem de mltiplos caixeiros viajante, sendo que, no mtodo de
soluo feita uma relaxao para o problema de um nico caixeiro viajante, o qual
resolvido utilizando algoritmos genticos. O mtodo foi aplicado numa grande fbrica
durante um ano obtendo uma melhoria de 20% em relao ao sistema anterior.
Tang et al. (2000b) apresentam um modelo de programao no linear que trata do conflito
entre mquinas, cujo objetivo consiste na pontualidade na entrega dos pedidos e continuidade
do fluxo produtivo, ou seja, minimizar o tempo de espera entre as operaes da fbrica. O
mtodo de soluo consiste numa reformulao do problema como um modelo de
programao linear.
Lee et al. (1996) do uma viso geral do desenvolvimento do processo de fundio e
descrevem com detalhes o processo de fabricao no qual o ferro fundido transformado em
placas de ao, destacando os vrios objetivos que podem ser considerados neste tipo de
fundio. So relatadas vrias experincias da IBM em desenvolvimento de mtodos de
soluo para o problema de sequenciamento de tarefas entre as vrias mquinas.
Outros trabalhos que tratam do problema de sequenciamento em grandes siderrgicas so:
Petersen et al. (1992), onde foi desenvolvida uma heurstica gulosa e Hamana et al. (1995)
que apresentaram um mtodo de soluo hbrido utilizando algoritmos genticos.

3. Modelo Matemtico
ndices:
m=1,...,M mquinas de moldagem;
t=1,...,T perodos de tempo;
i=1,...,N tipos de itens;
k=1,...,K tipos de ligas.

Dados:
a
im
quantidade de itens do tipo i possvel de ser produzida na mquina m por hora
(se a
im
=0, o item i no pode ser produzido pela mquina m);
Cap
t
quantidade mxima de liga produzida pelo forno por hora no perodo t;
d
it
demanda de itens do tipo i no perodo t;
h
t
nmero de horas no perodo t;
i
H
+
custo de estocar uma unidade do item i de um perodo para o prximo;
i
H
penalidade por atrasar uma unidade do item i de um perodo para o prximo;

cs
k
penalidade por preparar a liga k ( um parmetro do problema que, por consistncia
futura, representa simbolicamente nmero de itens no produzidos pela mudana de
liga);
S
k
conjunto de itens que utilizam a liga k;
G um nmero grande.
Variveis de deciso:
X
imt
frao de tempo no perodo t utilizado para produzir itens do tipo i na mquina m;
it
I
+
estoque do item i no final do perodo t (
i0
I 0
+
= );
it
I
quantidade atrasada do item i no final do perodo t (

i0
I 0
= );
k
t
Y varivel binria que indica se a liga k produzida no perodo t;
k
t
Z varivel que indica se ser cobrado custo de preparao para a liga k no perodo t
(como ser explicado posteriormente, embora esta varivel seja contnua, as
caractersticas do modelo fazem com que ela assuma apenas valores 0 ou 1).

O problema formulado matematicamente como:
Minimizar
N T
i it i it
i 1t 1
( H I H I )
+ +
= =
+ +
K T
k
k t
k 1t 1
( cs Z )
= =
(1)
Sujeito a:
M
im t imt it it i( t 1) i( t 1) it
m 1
a h X I I I I d
+ +

=
+ + = i = 1,...,N t = 1,...T (2)
N M
i 1 m 1 = =
h
t
a
im
X
imt
Cap
t
h
t
t=1,...,T

(3)
k
i S
X
imt
(1
k
t
Y ) G + 1 k=1,...K t=1,...,T m=1,...,M (4)
k
i S
X
imt
(1
k
t
Y ) G k=1,...K t=1,...,T m=1,...,M (5)
K
k 1 =
k
t
Y = 1 t=1,...,T (6)
k
t
Z
k
t
Y
k
t 1
Y
k=1,...K t=1,...,T (7)

X
imt
0 i=1,...,N t=1,...,T m=1,...,M (8)
it
I
+
e
it
I
0 i=1,...,N t=1,...,T (9)

k
t
Y {0, 1} (
k
0
Y =0) k=1,...,K t=1,...,T (10)
k
t
Z 0 k=1,...,K t=1,...,T (11)
A funo objetivo (1) consiste nos custos de estoques e nas penalidades por atraso no
atendimento a demanda. A restrio de balanceamento de estoque em (2) considera o estoque
negativo. Observe que,
M
m 1 =
h
t
a
im
X
imt
significa a quantidade produzida, em toneladas, de
itens do tipo i no perodo t (em todas as mquinas). A restrio (3) define a capacidade de
produo do forno em cada perodo t. As restries (4) e (5) garantem que, em cada perodo,
somente itens associados liga escolhida possam ser produzidos. Ainda, (6) faz com que
apenas um tipo de liga seja produzido em cada perodo t, e (7) representa a mudana de liga
de um perodo para o outro. As demais inequaes delimitam as variveis do modelo, sendo,
que a varivel
k
t
Z apesar de ser contnua, a restrio (7) em conjunto com a funo objetivo
(1) faz com que, na otimalidade, assuma somente valores 0 ou 1 (
k
t
Z = 0 se
k
t 1
Y
=
k
t
Y
(i.e., no houve mudana de liga); e
k
t
Z =1 se
k
t 1
Y
=0 e
k
t
Y =1 (i.e., houve mudana
de liga)).
Na funo objetivo (1), as penalidades por atraso tm peso maior do que os custos de
estoques. Alm disso, a segunda parcela da funo objetivo consiste nas penalidades por
preparao, que, neste caso, penaliza mudanas de liga, no tendo relao com a ordem em
que as ligas so feitas.
A varivel
it
I
funciona como uma varivel artificial usada para obter uma soluo factvel.
Se
iT
I
>0 para algum i (ou seja, existe atraso no ltimo perodo para algum item), significa
que no foi possvel atender a demanda no horizonte de planejamento estabelecido com a
capacidade disponvel nesse horizonte. No entanto, se
it
I
>0, para algum i com t T e

iT
I
=0
para todo i, ento existe capacidade suficiente para produzir a demanda dentro do horizonte
de planejamento estabelecido. Vale a pena observar que os estoques negativos correspondem
a atrasos e o decisor pode, alterando os parmetros da funo objetivo (1), proibir, ou no,
atrasos de certos itens. Alm disso, os estoques negativos fornecem uma ferramenta para a
avaliao dos prazos de entrega. Por exemplo, se d
i1
=30 e
i1
I
=10,
i 2
I
=5,
i3
I
=0, significa
que a demanda para o item i ser totalmente atendida com 3 dias de atraso. Desta forma,
possvel alertar o cliente e, se necessrio, re-calibrar os parmetros relativos a este item.
Observe que, no modelo (1)-(11), as equaes (4) e (5) no podem ser simplificadas por

k
M
k
imt t
m 1i S
X MY
=

k=1,...,K t =1,...,T (4')

N
imt
i 1
X 1
=
m=1,...,M t =1,...,T (5')
como na maioria dos modelos de dimensionamento de lotes. Isso decorre do fato que um
mesmo item pode ser produzido por diferentes ligas. Por exemplo, sendo S
1
={1, 2} e
S
2
={2, 3} o conjunto de itens que as ligas 1 e 2 podem produzir, respectivamente. Se
1
1
Y =0
(a liga do tipo 1 no preparada no perodo 1), ento X
1,m,1
= X
2,m,1
= 0 devido a (4') (os itens
1 e 2 no podem ser produzidos no perodo 1), o que um erro pois, se
2
1
Y =1 (a liga do
tipo 2 preparada no perodo 1), ento X
2m1
0. Isso ocorre pois o item 2 pertence aos
conjuntos S
1
e S
2
.
Observa-se que (1)-(11) um modelo de programao inteira mista e, encontrar a soluo
tima para casos prticos , na maioria das vezes, invivel. Um mtodo de soluo mais
eficiente do que a otimizao exata do modelo , portanto, fundamental. Esse o objetivo do
mtodo de soluo proposto a seguir.

4. Mtodo de Soluo
Nesta seo apresentamos um mtodo de soluo heurstico que pode ser dividido em 3
fases. Na primeira fase tem-se uma relaxao do problema onde se considera que todos os
itens possam ser produzidos por uma nica liga. Com isso proposto um modelo de
programao linear que determina a quantidade de cada item a ser produzida em cada
perodo. Na segunda fase, uma heurstica determina a liga que deve ser produzida em cada
perodo, levando-se em considerao as decises do problema relaxado. Finalmente, na
terceira fase tem-se a programao das mquinas de moldagem.

4.1 Relaxao
Considere o problema relaxado onde uma liga pode produzir todos os itens. Desta forma, no
necessrio fazer a programao do forno e as restries (4), (5), (6), (7), (10) e (11) podem
ser desconsideradas do modelo relaxado, assim como a segunda parcela da funo objetivo.
Considerando tais relaxaes e definindo uma nova varivel,
P
it
=
M
m 1 =
h
t
a
i m
X
i mt
i=1,...,N t=1,...,T (12)
segue o seguinte problema relaxado:
Minimizar
N T
i it i it
i 1t 1
( H I H I )
+ +
= =
+ (13)
Sujeito a:
it 1
I
+

it 1
I
+ P
it

it
I
+
+
it
I
= d
it
i=1,...,N t=1,...,T (14)
N
i 1 =
P
it
Cap
t
h
t
t=1,...,T

(15)
P
it
0 i=1,...,N t=1,...,T (16)
it
I
+
e
it
I
0 i=1,...,N t=1,...,T (17)

O modelo (13)-(17) linear e consiste num modelo de dimensionamento de lotes
monoestgio com restrio de capacidade, e pode ser considerado como um problema de
fluxo em redes, o qual pode ser facilmente resolvido. Neste trabalho foi utilizado o pacote
Ampl/Cplex (Fourer et al., 1993 e ILOG CPLEX 7.1, 2001) para resolver esse modelo.

4.2 Heurstica
Resolvendo o problema relaxado (13)-(17) o valor de P
it
obtido e consiste na quantidade de
cada item a ser produzida em cada perodo. O prximo passo consiste na verificao da
existncia de alguma liga capaz de produzir todos os itens dados na soluo do problema em
cada perodo, ou seja, deve-se procurar ligas k
t
, t=1,...,T de forma que:
{ }
t
it k
i : P 0, i 1,2,...., N S > = .
Caso no exista uma liga que produza todos os itens para algum determinado perodo, adota-
se uma heurstica para escolher a liga, perodo a perodo, isto , quando da escolha da liga no
perodo t, j foram escolhidas as ligas nos perodos 1,,t -1.

Heurstica para a escolha de uma liga em cada perodo t
Suponha k
1
,...,k
t-1
so os ndices das ligas j produzidas nos perodos 1,...,t -1,
respectivamente (observe que os itens pertencentes aos conjuntos
k
S
, =1, ..., t-1, podem

ser produzidos antes do perodo t).

1. Determine o conjunto de itens A
t-1
que podem ser produzidos antes do perodo t:
A
0
= , A
t-1
=
1 2 t 1
k k k
S S ... S

2. Determine o conjunto de itens B
t
com alta prioridade em t (isto , itens demandados em
algum perodo =1, ..., t que no podem ser produzidos em perodos anteriores, pois suas
ligas no foram previamente preparadas):
B
t
= {i |
t-1 i
i A e d 0, 1,2,...,t
> = }

3. Se B
t

Ento: Determine o conjunto de ligas com alta prioridade no perodo t:
C
t
= {k: S
k
B
t
}
Se C
t
=
ento: escolha a liga k
t
para o perodo t tal que:

t k
k
|B S | k
t i t k t
i S k=1,...,L
k arg max ( P ) cs Z

=
`
)
(18)
(k
t
o ndice k para o qual o mximo encontrado)

seno: escolha a liga k
t

k t
k
t i t k t
i S k C
k arg max P cs Z

=
`
)
(19)

Seno: escolha a liga k
t

k
k
t i t k t
i S k=1,...,L
k arg max P cs Z

=
`
)
(20)
(Obs. Em (18) (20) o valor da varivel
k
t
Z dado por:
k
t
Z =0 se k=k
t-1
e
k
t
Z =1 se kk
t-1
)
Fim da heurstica para a escolha da liga no perodo t.

Os passos 1 e 2 so de importncia fundamental para o sucesso da heurstica, pois a escolha
da liga em determinado perodo feita com base em decises tomadas em perodos
anteriores, o que muito importante para minimizar os atrasos.
No passo 3, as equaes (18), (19) e (20) determinam a liga a ser produzida com base nas
decises do problema relaxado (P
it
) e em uma penalidade por trocas de ligas (cs
k
k
t
Z ). Nas
equaes (18) e (20) a escolha feita entre todas as ligas, sendo que, em (18) dada uma
prioridade maior s ligas que produzem a maior quantidade de itens associados ao conjunto
B
t
. Na equao (19) a escolha feita somente entre as ligas que produzem todos os itens
associados ao conjunto B
t
. Como critrio de desempate nas equaes (18), (19) e (20), a liga
k para a qual o conjunto S
k
tem maior cardinalidade ser escolhida.
Cabe observar que, outras heursticas para a escolha das ligas foram implementadas e
testadas, mas os resultados computacionais foram inferiores heurstica acima. Uma delas
considerava o impacto que a escolha de uma determinada liga provocaria na funo objetivo
do problema relaxado.
Outra heurstica implementada, cujos resultados so apresentados na seo 5 (Tabela 6) e
foram bastante prximos dos resultados da heurstica acima, apenas substitui a equao (18)
por:

k
t
k
t i t i k t
i S 1 k=1,...,L
k arg max P I cs Z

=
| |
= +
` |
\ . )

(18)
A idia desta heurstica privilegiar uma liga que possa produzir os itens sugeridos pelo
problema relaxado no perodo t, isto , P
it
, alm dos itens com grandes atrasos. Vale a pena
observar que a soluo P
it
do problema relaxado (13)-(17) j carrega o esforo de diminuir os
atrasos.

4.3 Programao das Mquinas de Moldagem
Uma vez determinadas heuristicamente as ligas que sero produzidas em cada perodo, deve-
se fazer a programao das mquinas de moldagem, que consiste em definir a frao de
tempo que cada mquina m deve ser utilizada para produzir determinado item i num perodo
t (X
imt
). Lembre-se que o total de itens do tipo i produzido na mquina m no perodo t
a
im
h
t
X
imt
. Para tanto, um problema de transporte generalizado resolvido para cada perodo t.
Pode-se utilizar vrios critrios para se definir a funo objetivo. Por exemplo:

N
imt
m 1,..,M
i 1
min max { X }
=
=
(21)
o qual tenta balancear a produo dos itens entre as mquinas de moldagem.
Definindo uma nova varivel: F
t
=
N
imt
m 1,..,M
i 1
max { X }
=
=
(22)
segue o seguinte modelo (o qual foi resolvido com o pacote Ampl/Cplex) para determinar a
programao das mquinas em cada perodo t:
Minimizar F
t
(23)
Sujeito a:
N
i 1 =
X
imt
F
t
m=1,...,M (24)
M
m 1 =
h
t
a
i m
X
i m
= P
it
i=1,...,N (25)
X
imt
0 m=1, ..., M i
t
k
S (26)
X
imt
= 0 m=1, ..., M i
t
k
S (27)

4.4 Algoritmo Geral
Cabe observar que, o procedimento proposto nas sees 4.1 4.3, produz uma soluo factvel
(sem garantia de otimalidade) para o modelo (1)-(11). De fato, se a heurstica for capaz de
obter uma soluo, ento ao reconsiderar o modelo (1)-(11) as restries (6) e (7) so
satisfeitas pois,
t
k
t
Y =1 e
k
t
Y =0 para todo kk
t
. As restries (5) so satisfeitas devido (27)
e (4) so satisfeitas devido hiptese de que a capacidade da mquinas folgada, de modo
que F
t
<1. As outras restries do modelo (1)-(11) so consideradas no modelo (13)-(17).

Algoritmo Geral
Faa t=1.
1 Enquanto t T, faa:
1.1 Resolva o problema relaxado (13)-(17).
1.2 Determine, heuristicamente (seo 4.2), a liga k
t
para cada perodo t.
Se { }
t
it k
i : P 0, i 1,2,...., N S > =
Ento: t =t +1 e repita o passo 1.2
Seno: Faa P
it
=0, i
t
k
S , t =t +1 e v para o passo 1.1
2 Resolva o problema relaxado (cabe observar que as ligas k
1
, k
2
, ..., k
T
j foram escolhidas
para os perodos 1, 2, ..., T, respectivamente). Para cada perodo t, t=1, ..., T resolva o
problema (23)-(27), determinando X
imt
, a frao de tempo do perodo t utilizada para
produzir itens do tipo i na mquina m. Fim.

O mtodo de soluo proposto no Algoritmo Geral acima baseado no mtodo proposto por
Santos-Meza et al. (2002). As principais modificaes esto na heurstica para determinao
das ligas, onde, no passo 3 o problema deixa de ser infactvel caso C
t
= , pois, admitindo
atraso no atendimento demanda, mesmo que no exista uma liga para produzir determinado
item que tem demanda positiva num perodo t, este item poder ser produzido nos perodos
seguintes. Alm disso, as equaes (18), (19) e (20) tiveram que ser adaptadas para o novo
modelo que considera atraso no atendimento a demanda e custo de preparao.

5. Resultados Computacionais
Os testes computacionais foram realizados num Pentium III 500 MHz com 512 MB de RAM
e os parmetros utilizados para a gerao dos exemplos so apresentados na Tabela 1:

Tabela 1 Parmetros utilizados na gerao dos dados.
Parmetros Variaes
Nmero de Itens (N) 10, 45, 120
Nmero de Perodos (T) 6, 12
Nmero de Mquinas (M) 7
Nmero de Ligas (K) 6
Custo de Estocagem (
i
H
+
) U[1,4]
Penalidade por Atraso: (
i
H
) U[10,40]
Nmero de Horas por Perodo (h
t
)

6
Razo de Produo por Hora (a
im
) U[0,300N/M]
Penalidade por Preparao: (cs
k
) 10
Demanda (d
it
)* U[0,200]
0,6 x C

1,0 x C Capacidade (Cap
t
)**
1,4 x C
* se d
it
<50 considera-se d
it
=0;
** Cap
t
= C onde C=
N T
it
i 1t 1
T
t
t 1
d
h
= =
=

e =0,6, 1,0 e 1,4.

Observa-se que os dados utilizados nos exemplos foram semelhantes aos utilizados por
Santos-Meza et al. (2002). Entretanto, foram feitas algumas modificaes que tornaram os
exemplos mais prximos da realidade e, conseqentemente, mais difceis de serem resolvidos:
demanda (d
it
): a demanda para todos os itens e todos os perodos, inclusive para primeiro,
foi gerada aleatoriamente no intervalo [0,200] com d
it
=0 se d
it
<50.
capacidade (Cap
t
): foram consideradas diferentes capacidades para a gerao dos
exemplos. A capacidade foi alterada pelo fator multiplicativo que em Santos-Meza
et al. (2002) foi usado 1,4. Nos testes computacionais realizados aqui foram considerados
os seguintes valores para : 0,6, 1,0 e 1,4, representando capacidade apertada, normal e
folgada, respectivamente. Vale observar mais uma vez que o modelo atual permite
trabalhar com capacidade mais apertada, pois lida com atrasos.
penalidade por preparao (cs
k
): devido s caractersticas do problema prtico, a
penalidade por troca de ligas (preparao) relativamente pequena quando comparada
com os outros custos. No entanto, manteremos em (18), (19) e (20), os fatores relativos a
decises sobre preparaes, pois assim tem-se um mtodo mais robusto e de fcil
adaptao para casos onde a penalidade por preparao mais expressiva.

Foram gerados 10 exemplos para cada combinao de parmetros. Cada exemplo foi
resolvido diretamente pelo mtodo branch and bound do pacote Cplex 7.1 e pelo mtodo
heurstico descrito na seo 4.
As Tabelas 2 e 3 mostram o tempo mdio (em segundos) gasto pelo pacote Cplex e pelo
mtodo heurstico, respectivamente. Como possvel observar, para todos os exemplos o
tempo computacional do mtodo heurstico significativamente inferior ao obtido pelo
pacote, que s no ainda maior devido ao fato de que foi imposta uma limitao de tempo,
pois, caso contrrio, o pacote Cplex levaria vrias horas para rodar os exemplos, muitas
vezes sem melhorar a soluo. O limite de tempo estabelecido foi de 1 hora (3.600
segundos), pois, considerando um problema prtico onde o programa deve ser rodado pelo
menos uma vez por dia, permitir mais de 1 hora torna sua aplicao invivel.

Tabela 2 Tempo computacional mdio gasto pelo pacote Cplex 7.1
Itens 10 45 120
Perodos =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 Mdia
6 50,5 283,3 324,9 1546 2125 2408 3513 3600* 3333 1909
12 1683 3237 3600 3600 3600 3600 3600 3600 3600 3347
Mdia 866,7 1760 1962 2573 2862 3004 3556 3600 3466 2628
* os casos onde o tempo computacional de 3600 seg. significam que, para todos os exemplos
resolvidos o limite de tempo (3600 seg.) foi atingido antes da otimalidade e, nesses casos, a melhor
soluo factvel considerada.

Tabela 3 Tempo computacional mdio gasto pelo mtodo heurstico
Itens 10 45 120
Perodos =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 Mdia
6 0,72 0,79 0,79 1,41 1,46 1,41 3,09 3,45 3,31 1,82
12 1,36 1,55 1,54 3,38 3,51 3,41 8,95 10,31 10,08 4,89
Mdia 1,04 1,17 1,16 2,4 2,48 2,41 6,02 6,88 6,69 3,35

Analisando os resultados das Tabelas 2 e 3 pode-se concluir que, para o mtodo heurstico, o
aumento do tamanho do exemplo causa um impacto suave no tempo computacional.
Entretanto, isso no acontece para o pacote Cplex onde, tanto o aumento do nmero de itens
como do nmero de perodos fazem com que o esforo computacional aumente de forma
desproporcional.
O efeito da variao de capacidade no tempo computacional do mtodo heurstico tambm
bastante suave, sendo que, para o pacote Cplex, em geral, quanto mais apertada a capacidade
menor o tempo computacional. Isso ocorreu porque para exemplos com capacidade apertada,
as decises com respeito s ligas que devero ser produzidas em cada perodo so mais
simples, desde que, poucos itens podem ser produzidos em cada perodo.
A Tabela 4 fornece a porcentagem de exemplos em que o pacote conseguiu encontrar a
soluo tima antes do limite de tempo (uma soluo considerada tima se est a menos de
1% do limitante inferior). Como era de se esperar, quanto menor o tamanho do exemplo,
maior a porcentagem. Para a maioria dos exemplos grandes (mais de 45 itens e 12 perodos),
o limite de tempo (1 hora) foi alcanado antes da otimalidade (ver o complementar dos
nmeros da Tabela 4). Nestes casos, a melhor soluo factvel encontrada apresentada.
Tabela 4 Porcentagem de exemplos em que o pacote Cplex 7.1 obteve a soluo tima
Itens 10 45 120
Perodos =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 Mdia
6 100 100 100 80 70 90 20 0 20 64,4
12 70 20 0 0 0 0 0 0 0 10
Mdia 85 60 50 40 35 45 10 0 10 37,2

Comparando agora a qualidade da soluo, a Tabela 5 mostra a variao mdia entre os dois
mtodos, sendo que, esta variao calculada de acordo com a seguinte frmula:
( Sol. Heurstica Sol. do Cplex )
Variao 100
Sol. do Cplex
=

Tabela 5 Variao mdia (em %) da soluo heurstica em relao a soluo
obtida pelo pacote Cplex 7.1
Itens 10 45 120
Perodos =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 Mdia
6 2,96 10,45 8,55 3,90 14,23 17,74 1,98 3,64 8,83 8,03
12 2,61 4,01 7,19 -2.06 -21,47 -15,07 -2,35 -26,2 -20,4 -8,19
Mdia 2,78 7,23 7,87 0,92 -3,62 1,33 -0,18 -11,28 -5,78 -0,08

Avaliando o desempenho do mtodo heurstico em relao ao mtodo branch and bound do
pacote Cplex pode-se observar que, em geral, a heurstica apresenta um desempenho muito
bom. Observe que, na medida em que o tamanho dos exemplos cresce, o desempenho do
mtodo heurstico melhora em relao ao pacote. Isso ocorreu porque, para problemas
maiores, a porcentagem de exemplos em que o Cplex obteve a soluo tima decresce (ver
Tabela 4) e a qualidade das solues factveis encontradas pelo pacote inferior do que as
solues encontradas pela heurstica. Mesmo para problemas pequenos, onde o Cplex obteve
a soluo tima, pode-se considerar que a heurstica apresenta bons resultados.
Uma outra heurstica foi implementada onde se utiliza a escolha da liga por (18) no lugar de
(18). Os resultados computacionais so apresentados na Tabela 6 e, para os exemplos em
que o Cplex chegou a otimalidade a variao mdia da soluo heurstica de 16,63%.
Portanto, em mdia, os resultados computacionais foram inferiores aos da heurstica anterior
(Tabela 5). Isso ocorreu devido a alguns exemplos (cerca de 1% do total de exemplos) onde a
heurstica com (18) apresentou resultados muito ruins fazendo piorar a mdia geral. Isso
mostra que a heurstica com a escolha (18) mais robusta, enfatizando a importncia de
escolher ligas que produzam itens pertencentes ao conjunto B
t
de itens crticos.

Tabela 6 Variao mdia (%) da soluo heurstica com (18) em relao
a soluo obtida por Cplex 7.1
Itens 10 45 120
Perodos =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 Mdia
6 3,09 10,28 20,50 2,25 7,96 26,62 0,13 0,35 8,80 8,88
12 4,22 4,79 8,26 -2,66 -21,53 -7,27 -2,75 -27,13 -16,34 -6,71
Mdia 3,65 7,53 14,38 -0,20 -6,78 9,67 -1,31 -13,39 -3,77 1,08
O modelo matemtico e o mtodo de soluo proposto por Santos-Meza et al. (2002) foram
utilizados para tentar resolver os exemplos do presente trabalho. Entretanto, o fato de no
permitir atraso no atendimento da demanda fez com que em nenhum dos exemplos o mtodo
proposto em Santos-Meza et al. (2002) conseguisse encontrar uma soluo factvel. Foi
possvel constatar que, para exemplos com capacidade apertada e normal (=0,6 e 1,0) as
infactibilidades ocorreram principalmente devido violao das restries de capacidade.
Entretanto, para exemplos com capacidade folgada (=1,4) a maioria das infactibilidades
ocorreram devido falta de liga capaz de produzir todos os itens demandados em cada
perodo (C
t
=, para algum perodo t).
A Tabela 7 apresenta a porcentagem de exemplos em que a causa das infactibilidades foi a
violao das restries de capacidade. Como todos os exemplos foram infactveis, o
complementar desta porcentagem representa os exemplos em que a falta de liga foi a causa
das infactibilidades.

Tabela 7 Porcentagem de exemplos em que houve violao das restries de capacidade
Itens 10 45 120
Perodos =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 =0,6 =1,0 =1,4 Mdia
6 100 70 0 100 80 0 100 100 0 61,1
12 100 90 10 100 90 0 100 80 0 63,3
Mdia 100 80 5 100 85 0 100 90 0 62,2

A considerao de demanda positiva no primeiro perodo de planejamento tornou os
exemplos difceis de serem resolvidos sem considerar atrasos, pois no primeiro perodo no
possvel atender a demanda pelos estoques. Tais infactibilidades no ocorreram em Santos-
Meza et al. (2002), pois para realizao dos testes computacionais, os autores utilizaram uma
estrutura especial para a gerao da demanda, ou seja, no primeiro perodo no existe
demanda e, alm disso, para exemplos maiores (mais de 45 itens), a matriz de demanda foi
gerada numa estrutura de escada (por exemplo, existe demanda para os itens i =1, ..., 15
somente nos perodos t =1, 2, 3; demanda para os itens i =13, ..., 25 somente ocorrem nos
perodos t =4, 5, 6...) evitando a falta de liga que produza todos os itens demandados. Os
autores argumentaram que este tipo de estrutura ocorre em alguns problemas prticos, devido
formao de lotes em estgios subseqentes.

6. Concluso
Este artigo foi baseado num trabalho anterior desenvolvido por Santos-Meza et al. (2002)
que trata de um problema prtico encontrado numa fundio de mdio porte. Com a inteno
de tornar o modelo mais geral e mais prximo da realidade, neste trabalho proposto um
modelo estendido considerando custo de preparao e permitindo atraso no atendimento
demanda (o que, em muitos casos prticos, inevitvel). Desta forma, foi possvel obter
solues mesmo com a reduo da capacidade do forno.
O modelo proposto consiste num modelo de programao inteira mista de difcil resoluo.
Aps a anlise dos resultados computacionais foi possvel ressaltar a importncia do
desenvolvimento de mtodos heursticos baseados em caractersticas especficas do
problema, pois, alm do baixo custo de implantao, em termos de tempo computacional o
mtodo heurstico desenvolvido se mostrou perfeitamente aplicvel a problemas prticos de
grande escala. Em termos de qualidade da soluo o mtodo foi bastante eficiente, princi-
palmente quando se tem em mente que em problemas prticos, a busca pela otimalidade
muitas vezes no se faz realmente necessria, pois os dados so geralmente imprecisos tais
como, as penalidades por atraso e custos de estoque que so subjetivamente estimados e as
previses de demanda que nem sempre so corretas e sofrem alteraes freqentes.
Como proposta de pesquisa futura tem-se a extenso do modelo e do mtodo de soluo para
casos onde se tem custo e tempo de preparao dependente da seqncia. Alm disso, o
modelo dever ser testado, talvez com pequenas adaptaes, em diferentes casos prticos que
surgem em outros setores industriais.

Agradecimentos
Os autores agradecem as contribuies feitas pelos rbitros annimos da revista Pesquisa
Operacional, que muito melhoraram esta verso e o apoio da Fundao de Amparo
Pesquisa do Estado de So Paulo (FAPESP) e do Conselho Nacional de Desenvolvimento
Cientfico e Tecnolgico (CNPq).

Referncias Bibliogrficas
(1) ABIFA Associao Brasileira de Fundio (2003). Relatrio anual do setor de
fundio. <http://www.abifa.org.br>.
(2) Allahverdi, A.; Gupta, J.N.D. & Aldowaisan, T. (1999). A Review of Scheduling
Research Involving Setup Considerations. Omega, International Journal of
Management Science, 27, 219-239.
(3) Araujo, S.A. (2003). Modelos e Mtodos para o Planejamento e Programao da
Produo Aplicados no setor de Fundies. Tese de Doutorado, ICMC-USP/SC.
(4) Araujo, S.A.; Arenales, M.N. & Clark, A.R. (2002). A Lot-sizing and Scheduling
Problem in a Foundry. Notas do ICMC, n. 68.
(5) Bahl, H.C.; Ritzman, L.P. & Gupta, J.N.D. (1987). Determining Lot Sizes and
Resource Requirements: A Review. Operations Research, 35, 329-345.
(6) Bowers, M.R.; Kaplan, L.A. & Hooker, T.L. (1995). A Two-Phase Model for Planning
the Production of Aluminum Ingot. European Journal of Operational Research, 81,
105-114.
(7) Drexl, A. & Kimms, A. (1997). Lot Sizing and Scheduling Survey and Extensions.
European Journal of Operational Research, 99, 221-235.
(8) Fourer, R.; Gay, D.M. & Kernighan B.W. (1993). AMPL A Modeling Language for
Mathematical Programming. Boyd and Frase, Danvers, Massachusetts.
<http://www.ampl.com>.
(9) Gravel, M.; Price, W.L. & Gagn, C. (2000). Scheduling Jobs in an Alcan Aluminium
Foundry Using a Genetic Algorithm. International Journal of Production Research,
38(13), 3031-3041.
(10) Hamada, K.; Baba, T.; Sato, K. & Yufu, M. (1995). Hybridizing a Genetic Algorithm
with Rule-based Reasoning for production Planning. IEEE Expert, 10, 60-67.
(11) Hendry, L.C.; Fok, K.K. & Shek, K.W. (1996). A Cutting Stock and Scheduling
Problem in the Copper Industry. Journal of Operational Research Society, 47(1), 38-47.
(12) ILOG CPLEX 7.1 Users Manual (2001). ILOG S.A., BP 85, 9 Rue de Verdun, 94253
Gentilly Cedex, France. <http://www.ilog.com>.
(13) Kuik, R.; Salomom, M. & Van Wassenhose, L.N. (1994). Batching Decisions:
Structure and Models. European Journal of Operational Research, 75, 243-263.
(14) Lee, H.S.; Murthy, S.S.; Haider, S.W. & Morse, D.V. (1996). Primary Production
Scheduling at Steelmaking Industries. IBM Journal of Research and Development,
40(2), 231-252.
(15) Lopes, L.; Carter, M.W. & Gendreau, M. (1998). The Hot Strip Mill Production
Scheduling Problem: a tabu Search Approach. European Journal of Operational
Research, 106, 317-335.
(16) Petersen, C.M.; Sorensen, K.L. & Vidal, R.V.V. (1992). Inter-process Synchronization
in the Steel Production. International Journal of production Research, 30(6),
1415-1425.
(17) Potts, C.N. & Van Wassenhove, L.N. (1992). Integrating Scheduling with Batching
and Lot-Sizing: a Review of Algorithms and Complexity. Journal of Operational
Research Society, 43(5), 395-406.
(18) Potts, C.N. & Kovalyov, M.Y. (2000). Scheduling with Batching: a review. European
Journal of Operational Research, 120, 228-249.
(19) Santos-Meza, E.; Santos, M.O. & Arenales, M.N. (2002). A Lot-Sizing Problem in an
Automated Foundry. European Journal of Operational Research, 139(2), 490-500.
(20) Sounderpandian, J. & Balashanmugam, B. (1991). Multiproduct, Multifacility
scheduling Using the Transportation Model: a Case Study. Production and Inventory
Management Journal, 32(4), 69-73.
(21) Tang, L.; Liu, J.; Rong, A. & Yang, Z. (2000a). A Multiple Traveling Salesman Problem
Model for Hot Rolling Scheduling in Shanghai Baoshan Iron & Steel Complex.
European Journal of Operational Research, 124, 267-282.
(22) Tang, L.; Liu, J.; Rong, A. & Yang, Z. (2000b). A Mathematical Programming Model
for Scheduling Steelmaking-Continuous Casting Production. European Journal of
Operational Research, 120, 423-435.
(23) Tang, L.; Liu, J.; Rong, A. & Yang, Z. (2001). A Review of Planning and Scheduling
Systems and Methods for Integrated Steel Production. European Journal of
Operational Research, 133, 1-20.
(24) Trigeiro, W.W.; Thomas, L.J. & McClain, J.O. (1989). Capacitated Lot Sizing With
Setup Times. Management Science, 35, 353-366.

Araujo e Arenales

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Araujo e Arenales

Transféré par

Droits d'auteur :

Formats disponibles

verso impressa ISSN 0101-7438 / verso online ISSN 1678-5142

Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003 403

penalidade por atrasar uma unidade do item i de um perodo para o prximo;

quantidade atrasada do item i no final do perodo t (

k=1,...K t=1,...,T (7)

0 i=1,...,N t=1,...,T (9)

>0, para algum i com t T e

0 i=1,...,N t=1,...,T (17)

, =1, ..., t-1, podem

e =0,6, 1,0 e 1,4.

Vous aimerez peut-être aussi