Detalhes do Documento

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnologico

Procedimentos de busca local (ex. busca tabu) e algoritmos genéticos têm apresentado excelentes resultados em problemas clássicos de programação da produção em ambientes job shop. No entanto, estas abordagens apresentam pobres habilidades de modelamento e poucas aplicações com restrições de ambientes reais de produção têm sido publicadas. Além disto, os espaços de busca considerados nestas aplicações são nomlalmente incompletos e as restrições reais são poucas e dependentes do problema em questão. Este trabalho apresenta uma abordagem genética híbrida para resolver problemas de programação em ambientes job shop com grande número de restrições reais, tais como produtos com vários níveis de submontagem, planos de processamento altemativos para componentes e recursos alternativos para operações, exigência de vários recursos para executar uma operação (ex., máquina, ferramentas, operadores), calendários para todos os recursos, sobreposição de operações, restrições de disponibilidade de matéria-prima e componentes comprados de terceiros, e tempo de setup dependente da sequência de operações. A abordagem também considera funções de avaliação multiobjetivas. O sistema usa algoritmos modificados de geração de programação, que incorporam várias heurísticas de apoio à decisão, para obter um conjunto de soluções iniciais. Cada solução inicial é melhorada por um algoritmo de subida de encosta. Então, um algoritmo genético híbrido com procedimentos de busca local é aplicado ao conjunto inicial de soluções localmente ótimas. Ao utilizar técnicas de programação de alta perfomlance (heurísticas construtivas, procedimentos de busca local e algoritmos genéticos) em problemas reais de programação da produção, este trabalho reduziu o abismo existente entre a teoria e a prática da programação da produção.