The way forward for developing countries

Nesta seção são apresentados trabalhos que tratam problemas de máquina única. Fo- ram pesquisados artigos através do portal de busca www.engineeringvillage.com, com os termos single machine e scheduling, restringindo a busca aos anos recentes de 2016 e 2015. Os trabalhos resultantes foram filtrados encontrando-se nove artigos com im- plementações de AEs.

21 2.1. AEs para Sequenciamento em Máquina Única

Conforme descrito anteriormente, o desempenho de AEs depende sensivelmente dos parâmetros que definem sua operação, mas também de características das instâncias submetidas ao algoritmo (Eiben e Smit,2011a). Tradicionalmente, pesquisadores re-

alizam o processo para configurar seus AEs manualmente (Stützle et al., 2010). No

entanto, a parametrização desse tipo de algoritmo representa um problema complexo e susceptível a erro (Hutter et al.,2009).

Tratando um problema de sequenciamento onde as tarefas chegam em momentos distintos para produção, mas são entregues em lotes,Ahmadizar e Farhadi(2015) utili-

zam regras de dominância para guiar a convergência das respostas do AE desenvolvido, um ICA (Imperialist Competitive Algorithm). Um total de 100 instâncias geradas alea- toriamente foi utilizado para avaliação do ICA. Ahmadizar e Farhadi(2015) conduzem

experimentos manuais para determinar a melhor configuração de parâmetros para ope- ração do ICA, onde cada possível conjunto de parâmetros foi testado em 10 instâncias selecionadas ao acaso.

Kim e Choi(2015) tratam o problema de sequenciamento que envolve duas máquinas

paralelas que foram modeladas com diferentes restrições, onde o objetivo é minimizar o atraso total ponderado na segunda máquina, uma vez que para a primeira não pode entregar tarefas em atraso. Esses autores desenvolvem um algoritmo B&B para obter respostas ótimas e um AG buscando velocidade de solução, uma vez que a estratégia exata consome muito tempo para a obtenção das respostas ótimas para esse problema que é NP-Difícil. Kim e Choi (2015) determinam experimentalmente valores para os

parâmetros que definem a operação do AG, porém, não descrevem tais experimentos. Os algoritmos foram avaliados sobre 720 instâncias com tamanho variando entre 8, 10 e 12 tarefas, devido a limitação do algoritmo B&B para obtenção de respostas ótimas.

Moghaddam et al. (2015) definem um problema de sequenciamento com a pos-

sibilidade de rejeição das tarefas. Esses autores tratam um modelo em ambiente de máquina única com múltiplos objetivos que busca a minimização do tempo de fluxo

das tarefas aceitadas e da penalidade total para as rejeitadas.Moghaddam et al. (2015)

aplicam oito meta-heurísticas diferentes para o problema multi objetivo formulado, to- das derivadas dos algoritmos MOSA (Multi-Objective Simulated Annealing) e NSGA-II (Non-dominated Sorting Genetic Algorithm), que foram parametrizadas manualmente pelos autores, no entanto, não são descritos os experimentos de configuração. Para ava- liação dos algoritmos os autores geraram aleatoriamente 66 instâncias com tamanhos variando entre cinco e 200 tarefas.

Para a minimização do atraso total, Wu et al. (2015) tratam um problema que

considera uma curva de aprendizado (learning effect) determinando que os tempos de processamento das tarefas diminuem com o tempo, significando que os recursos melhoram seu desempenho de acordo com uma curva de aprendizado. Para solucionar o problemaWu et al.(2015) desenvolvem um algoritmo B&B e comparam sua solução com

três variações de AGs com parâmetros definidos manualmente através de experimentos preliminares. Esses autores avaliam 1800 instâncias com 15 e 20 tarefas, além de 1800 entre 50 e 100 tarefas, mostrando que a solução baseada em B&B apresenta resultados satisfatórios em relação ao tempo computacional apenas para o primeiro conjunto de instâncias enquanto as soluções baseadas em AGs são eficientes em obter respostas sub ótimas e representam estratégias velozes que podem ser aplicadas em instâncias de maior porte.

Gonçalves et al.(2016) implementam três meta-heurísticas (ILS – Iterated Local Se-

arch, VG – Variable Greedy e SSGA – Steady-State Genetic Algorithm) para o problema de sequenciamento com custo de atraso quadrático ponderado e discutem que algorit- mos baseados em B&B são capazes de obter respostas ótimas apenas para problemas de pequeno porte. Esses autores também implementam procedimentos de busca local que incorporam características específicas do problema junto às meta-heurísticas.Gonçalves

et al.(2016) realizam experimentos preliminares manualmente para determinar o ajuste

23 2.1. AEs para Sequenciamento em Máquina Única

30, 40, 50, 75, 100, 250 e 500 tarefas, existindo 1250 instâncias geradas aleatoriamente para cada tamanho.

Kır e Yazgan (2016) estudam um problema de sequenciamento com tempos de

preparação dependentes da sequencia e penalidades para adiantamento e atraso de tarefas que tem objetivo de minimizar o custo de penalidade total. Esses autores desenvolvem uma Busca Tabu (BT) para construção de soluções iniciais que são então melhoradas a partir de um algoritmo genético.

Para analisar a influência dos parâmetros da busca tabu e do algoritmo genético,Kır

e Yazgan(2016) propõem um experimento com 40 instâncias de 20 tarefas. Enquanto

fixam os valores dos parâmetros do GA, o máximo de iterações (10, 20 ou 50) e o tamanho da lista (7 ou 10) do algoritmo de busca tabu são variados em um experimento fatorial completo. Da mesma forma, fixos os parâmetros da busca tabu os valores para total de iterações (100 ou 300), probabilidade de cruzamento (0,89 ou 0,99) e probabilidade de mutação (0,01 ou 0,05) que influenciam o desempenho do algoritmo genético são analisados a partir de uma analise da variância (ANOVA – Analysis Of Variance). Os melhores parâmetros encontrados seguindo as análises de Kır e Yazgan (2016) são

definidos para operar do algoritmo enquanto ele resolve uma instância real de uma indústria alimentícia na Turquia.

Li et al. (2016) desenvolvem um CACO (Combinational Ant Colony Optimization)

para minimizar o makespan em um ambiente de manufatura celular que envolve múlti- plas células de máquina única. Para testar o desempenho do algoritmo Li et al. (2016)

geram 12 instâncias aleatoriamente. De acordo com o projeto desses autores, o CACO foi testado para as 144 combinações projetadas para os parâmetros e a variância dos resultados foi analisada com o método ANOVA.

M’Hallah e Alhajraf (2016) também aplicam uma estratégia baseada em ACO,

utilizando VNS para o melhoramento de respostas. Esses autores geram instâncias aleatoriamente para seus experimentos, contendo 25 níveis diferentes para a geração

de dados, foram criadas 5 instâncias para cada nível com tamanhos variando entre 40, 50, 100, 150, 200, 250 e 300 tarefas. M’Hallah e Alhajraf (2016) descrevem um expe-

rimento manual para avaliação dos parâmetros do algoritmo evolutivo implementado, mas apresentam dados desse experimento apenas para duas instâncias, uma com 40 e outra com 50 tarefas.

Ramacher e Mönch (2016) implementam um algoritmo com múltiplos critérios de

otimização, NSGA-II, que é combinado com estratégias para exploração de vizinhança. Utilizando 640 instâncias para acessar o desempenho do algoritmo implementado, Ra-

macher e Mönch(2016) afirmam ter conduzido experimentos preliminares que levaram

aos valores de parâmetros apresentados, mas não descrevem tais experimentos.