| Summary: | === This dissertation deals with the problem of scheduling single machine with earliness and tardiness penalties, with sequence dependent setup and due windows.For contextualization of the problem studied, some techniques used by others authors to solve it and similar problems are showed. Firstly, a model of mixed integer linear programming is proposed to represent the problem. This model was implemented using
the modeling tool AMPL and solved by optimization software CPLEX 9.1. Afterwards, heuristics methods based on GRASP, Iterated Local Search and Variable Neighborhood Descent to solve it are proposed. For each job sequence generated by the heuristics, an optimal timing algorithm is used to determine the starting time for each job in the job sequence. Computational experiments realized with instances randomly generated
show that the methods proposed are able to reach the optimal solution in most of the small instances (8 to 12 jobs) and yield low gaps in instances with 15 to 75 jobs. === O presente trabalho trata do problema de seqüenciamento em uma máquina com penalidades por antecipação e atraso da produção, com tempo de preparação da máquina dependente da seqüência de produção e janelas de entrega. Para a contextualização do problema estudado são apresentadas várias técnicas utilizadas por vários
autores para a resolução do mesmo e de problemas afins. Primeiramente é proposto um modelo de programação linear inteira mista (PLIM) para representar o problema. Este modelo foi implementado usando a ferramenta de modelagem AMPL e resolvido
pelo software de otimização CPLEX 9.1. Em seguida, são propostos métodos heurísticos de resolução baseados nas meta-heurísticas GRASP e ILS. Para cada seqüência de jobs gerada pelas heurísticas propostas, usa-se um algoritmo de tempo polinomial para
determinar a data ótima de início de processamento dos jobs na seqüência dada. Experimentos computacionais realizados sobre um conjunto de problemas-teste gerados aleatoriamente indicam que a performance dos métodos heurísticos propostos é muito boa. Em problemas de pequenas dimensões (8 a 12 jobs) os métodos conseguiram quase sempre alcançar o valor ótimo e em problemas de dimensões maiores (15 a 75 jobs) obtiveram desvios baixos em relação à melhor solução obtida.
|
|---|
