Otimização Adaptativa Baseada em Simulação para a programação da produção em sistemas flow shop: um estudo comparativo

Abstract

O planejamento e controle da produção é uma atividade essencial para todos os sistemas produtivos, uma vez que seu desempenho afeta diretamente critérios importantes como custo, qualidade, tempo e disponibilidade, fatores fundamentais para a competitividade empresarial. O problema de programação do flow shop é um dos problemas mais comuns envolvendo o planejamento de sistemas produtivos, sendo altamente aplicado no mundo real. A solução para este problema não pode ser encontrada facilmente devido à sua complexidade, o que impossibilita a utilização de métodos que retornem resultados ótimos a um baixo tempo de execução computacional. Assim, a Otimização Adaptativa Baseada em Simulação é uma ferramenta com potencial aplicação pois considera a estocasticidade do problema, buscando soluções que estejam alinhadas com o cenário real por meio de uma simulação e otimizando as variáveis desejadas. O objetivo geral do presente trabalho é avaliar comparativamente diferentes modelos de otimização adaptativa baseada em simulação para sistemas de produção flow shop. Foram considerados dois métodos para comparação, ambos aplicando um algoritmo genético integrado com uma simulação de eventos discretos. O primeiro método busca encontrar a melhor regra de sequenciamento para cada máquina do sistema produtivo, enquanto o segundo busca encontrar diretamente o melhor sequenciamento de ordens de produção sem uma regra pré-determinada. Os resultados mostram que um sequenciamento direto de ordens de produção retorna resultados melhores que as regras de despacho, tanto o makespan quanto o tempo de execução.

Production planning and control is an essential activity for all production systems, since its performance directly affects important criteria such as cost, quality, time and availability, factors that are fundamental for business competitiveness. The flow shop scheduling problem is one of the most common problems involving the planning of production systems, being highly applied in the real world. The solution to this problem cannot be easily found due to its complexity, which makes it impossible to use methods that return optimal results at a low computational execution time. Thus, Adaptive Simulation-Based Optimization is a tool with potential application as it considers the stochasticity of the problem, seeking solutions that are aligned with the real scenario through a simulation and optimizing the desired variables. The general objective of the present work is to comparatively evaluate different adaptive simulation-based optimization models for flow shop production systems. Two methods for comparison were considered, which apply a genetic algorithm integrated with a simulation of discrete events. The first method seeks to find the best dispatching rule for each machine in the production system, while the second seeks to directly find the best sequencing of production orders without a pre-determined rule. The results show that the rule-free sequencing of production orders returns better results than dispatch rules, both makespan and execution time