Suchergebnisse

A programação da produção revela-se como uma atividade que, se bem planejada, otimizada e controlada, gera grandes vantagens competitivas e duradouras para a empresa. Um dos problemas mais complexos de programação da produção ocorre em sistemas do tipo job-shop – os quais envolvem otimização combinatória, cuja resolução em tempo computacional aceitável é quase sempre improvável (NP-hard). Neste contexto, vários métodos de otimização têm sido pesquisados e desenvolvidos nas últimas décadas, almejando-se planos de produção cada vez melhores, sob tempos de execução computacional gradativamente menores e viáveis para a indústria. Em especial, destaca-se o uso das técnicas de inteligência coletiva que, mimetizando fenômenos biológicos e sociais da natureza, vêm obtendo bons resultados quando aplicadas a problemas do tipo job shop scheduling (JSS). Revisando-se a teoria referente à meta-heurística de Otimização por Colônia de Formigas (ou Ant Colony Optimization - ACO) e suas aplicações em problemas de JSS, este artigo identifica e explica as principais tendências de pesquisa nessa área, tanto a nível mundial quanto nacional. Como resultados deste estudo, pode-se vislumbrar a hibridização entre ACO e outros algoritmos de otimização e o tratamento de cenários de JSS cada vez mais complexos como as tendências mais relevantes dos trabalhos envolvendo ACO e problemas de programação de job-shops.

A importância da previsão de demanda como uma ferramenta gerencial é um assunto bem documentado. Entretanto, é difícil mensurar os custos gerados por erros de previsão, assim como encontrar no mercado um modelo que assimile adequadamente as particularidades do funcionamento de cada empresa. No geral, quando os modelos lineares falham no processo de previsão, modelos não lineares mais complexos são considerados. Embora alguns estudos comparativos entre os modelos tradicionais e redes neurais tenham sido conduzidos na literatura, as conclusões são geralmente contraditórias. Neste sentido, o objetivo deste trabalho foi comparar a acurácia de métodos de previsão de demanda lineares e redes neurais em relação ao atual método utilizado pela empresa em estudo. Os resultados desta análise também serviram como subsídio para avaliar a influência dos erros de previsão de demanda no desempenho financeiro da empresa. O estudo foi conduzido em cinco grupos de produtos, com dados históricos de demanda abrangendo o período de 2004 a 2008. De um modo geral, pode-se afirmar que todos os modelos estudados apresentaram uma previsão boa (melhor que o atual método usado pela empresa), com erro absoluto médio percentual (MAPE) em torno de 10%. O impacto financeiro total referente aos erros de previsão para a empresa foi de aproximadamente 6,05% sobre o faturamento anual.