Uso de algoritmos genéticos para definição de mix de produção em simulador de plano de negócios

Medeiros, Luciano Frontino de

doi:10.1590/0104-530X142-12

Luciano Frontino de Medeiros

Centro Universitário Internacional – UNINTER, Rua Treze de Maio, 538, Centro, CEP 80510-030, Curitiba, PR, Brasil, e-mail: luciano.me@uninter.com

Thumbnail

Figura 1
Tela do Simulador de Produção.

Thumbnail

Figura 2
Fluxo do processo de produção para o produto considerado (mesa de centro).

Thumbnail

Figura 3
Estrutura combinada da árvore de suprimento e do fluxo do processo de produção.

Thumbnail

Figura 4
Evolução típica de uma execução do AG mostrando a média e desvio padrão do fitness máximo e das variáveis utilizadas em cada geração, Modelo 1, sem restrição (à esquerda) e com restrição (à direita).

Thumbnail

Figura 5
Evolução típica de uma execução do AG mostrando a média e desvio padrão do fitness máximo e das variáveis utilizadas em cada geração, Modelo 2, sem restrição (à esquerda) e com restrição (à direita).

Thumbnail

Figura 6
Gráfico de produtividade estimada (barra superior) e obtida com a simulação (barra inferior, com etiqueta de percentual), mostrando o uso do AG sem restrição, extrapolando a produtividade da máquina 511.

Thumbnail

Figura 7
Gráfico de produtividade estimada (barra superior) e obtida com a simulação (barra inferior, com etiqueta de percentual), mostrando o uso do AG com restrição, com as produtividades dentro de 100%.

Thumbnail

Figura 8
Comparação entre cargas-máquina (em percentual) sem restrição (SR) e com restrição (CR), Modelo 2, mostrando a variabilidade durante 20 execuções. O gargalo (máquina 511) evidencia a diferença no uso da função objetivo.

Thumbnail

Figura 9
Esquerda: Evolução da quantidade de valores efetivamente assumidos pelo AG (eixo y) e a taxa de mutação (eixo x) para os dois produtos (Correlação: R@0,97). Direita: Diminuição do valor médio de fitness (eixo y) e aumento da variabilidade com o aumento da taxa de mutação (eixo x).

Thumbnail

Figura 10
Esquerda: Evolução da quantidade de valores efetivamente assumidos pelo AG (eixo y) e a taxa de crossover para os dois produtos (eixo x). Direita: Evolução do valor médio de fitness (eixo y) e variabilidade com o aumento da taxa de crossover (eixo y).

Thumbnail

Figura 11
Esquerda: Evolução da quantidade de valores efetivamente assumidos pelo AG (eixo y) e a taxa de seleção para os dois produtos (eixo x). Direita: Evolução do valor médio de fitness (eixo y) e variabilidade com o aumento da taxa de seleção (eixo x).

Thumbnail

Tabela 1
Notação das variáveis utilizadas no cálculo de carga-máquina.

Thumbnail

Tabela 2
Notação para o cálculo de matéria-prima.

Thumbnail

Tabela 3
Notação para o demonstrativo de resultado.

Thumbnail

Tabela 4
Faixa de valores para normalização no AG.

Thumbnail

Tabela 5
Parâmetros utilizados para o AG do problema.

Thumbnail

Tabela 6
Valor de fitness médio e desvio padrão para 20 execuções nos diferentes modelos.

Thumbnail

Tabela 7
Análise da quantidade de valores efetivamente assumidos pelo AG, mostrando uma diferença significativa com o aumento da resolução.

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

Variável	Descrição
qf_k	Quantidade do produto final k dentro do mixconsiderado
pf_k	Preço dos k produtos finais que fazem parte do mix
qup_jk	Quantidade unitária do produto em processo j referente ao produto final k
nm_i	Quantidade de máquinas / postos de trabalho
er_i	Padrão de produção / estimativa razoável da máquina / posto de trabalho i
hp_ij	Horas produtivas dos produtos em processo j nas máquinas / postos de trabalho i
ht	Horas totais por turno de trabalho
t	Número de turnos
d	Número de dias úteis
hd_i	Horas disponíveis na máquina / posto de trabalho i
pdt_i	Produtividade na máquina / posto de trabalho i

Variável	Descrição
m_kl	Matérias-primas l do produto k
qum_kl	Quantidade unitária de matéria-prima l do produto k
b_l	Percentual de quebra da matéria-prima l
np_l	Necessidade de matéria-prima l
c_i	Custo unitário da matéria-prima i
C_i	Custo total da matéria-prima i
L_i	Lote estimado de compra da matéria-prima i
CL_i	Custo total da matéria-prima i considerando o lote estimado de compra
N_i	Necessidade de matéria-prima i considerando o lote estimado de compra
E_i	Custo do estoque excedente i
Cmp	Custo total de todas as matérias-primas
Ea	Custo total de estoque excedente de todas as matérias-primas

Variável	Descrição
Rb	Receita bruta
Cc	Custo de comercialização
Fcc	Taxa de custo de comercialização
Rop	Receita Operacional
Cmod	Custo de mão de obra direta
mod_i	Número de pessoas em mão de obra direta
smod_i	Salário pago para a mão de obra direta
emod_i	Encargos pagos para a mão de obra direta
moi_j	Número de pessoas em mão de obra indireta
smoi_j	Salário pago para a mão de obra indireta
emoi_j	Encargos pagos para a mão de obra indireta
Cad	Custos adicionais
Lop	Lucro operacional
Df	Despesas fixas
Cmoi	Custo de mão de obra indireta
LL_SR	Lucro líquido (sem restrição)
LL_CR	Lucro líquido (com restrição)

Variável	Faixa permitida
Q1 (quantidade – produto 9001)	[15000; 18000]
Q2 (quantidade – produto 9002)	[8000; 11000]
P1 (preço – produto 9001)	[57,00; 63,00]
P2 (preço – produto 9002)	[76,00; 84,00]

Parâmetro	Valor
Número de gerações	50
Tamanho da população	30
Taxa de seleção	Aleatória entre [0;1]
Taxa de crossover	0,9
Taxa de mutação	0,001
Comprimento do cromossomo – Modelo 1	30 (15 bits x 2 variáveis)
Comprimento do cromossomo – Modelo 2	60 (15 bits x 4 variáveis)
Fator de ajuste para a função objetivo com restrição (K)	5000

	Sem restrição	Com restrição
Modelo 1 – L(Q₁, Q₂)	184976 ± 4147	175896 ± 10990
Modelo 2 – L(Q₁, P₁, Q₂, P₂)	227016 ± 13745	225998 ± 12643

k	Resolução (2^k)	Q1	Q2
4	15	15	15
5	31	22	27
8	255	75	83
10	1023	132	82
12	4095	112	98
15	32767	105	115
20	1048575	132	135
25	33554431	87	119
32	4294967295	108	92

Brasil

Brasil

Uso de algoritmos genéticos para definição de mix de produção em simulador de plano de negócios

Using genetic algorithm for calculating the production mix in business plan simulator

Resumo