Académique Documents
Professionnel Documents
Culture Documents
= );
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
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 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.
Araujo & Arenales Dimensionamento de lotes e programao do forno numa fundio automatizada de porte mdio
Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003 411
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
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
para o perodo t tal que:
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
para o perodo t tal que:
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.
Araujo & Arenales Dimensionamento de lotes e programao do forno numa fundio automatizada de porte mdio
Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003 413
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)
Araujo & Arenales Dimensionamento de lotes e programao do forno numa fundio automatizada de porte mdio
414 Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003
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:
Araujo & Arenales Dimensionamento de lotes e programao do forno numa fundio automatizada de porte mdio
Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003 415
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
= =
=
=
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
Araujo & Arenales Dimensionamento de lotes e programao do forno numa fundio automatizada de porte mdio
418 Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003
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
Araujo & Arenales Dimensionamento de lotes e programao do forno numa fundio automatizada de porte mdio
Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003 419
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.
Araujo & Arenales Dimensionamento de lotes e programao do forno numa fundio automatizada de porte mdio
420 Pesquisa Operacional, v.23, n.3, p.403-420, Setembro a Dezembro de 2003
(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.