Aplicação de algoritmos evolucionários na otimização de um recorte de uma cadeia de suprimentos de papel

Mauricio Mattos; Mariana Kleina; Marcos Augusto Mendes Marques; Wiliam de Assis Silva

doi:10.5585/exactaep.2021.16318

Autores

Mauricio Mattos Universidade Federal do Paraná – UFPR. Curitiba, Paraná https://orcid.org/0000-0002-4002-6198
Mariana Kleina Universidade Federal do Paraná – UFPR. Curitiba, Paraná https://orcid.org/0000-0001-8108-8793
Marcos Augusto Mendes Marques Universidade Federal do Paraná – UFPR. Curitiba, Paraná https://orcid.org/0000-0002-7012-4362
Wiliam de Assis Silva Universidade Federal do Paraná – UFPR. Curitiba, Paraná https://orcid.org/0000-0001-6495-9585

DOI:

https://doi.org/10.5585/exactaep.2021.16318

Palavras-chave:

Algoritmos evolucionários, Otimização por enxame de partículas, Algoritmo genético, Cadeia de suprimentos

Resumo

Em um cenário global cada vez mais competitivo para as empresas, é crescente a preocupação com redução de custos operacionais. Assim, a adoção de ferramentas de otimização por empresas é constante, buscando-se melhorias nos processos atuais mediante modelos matemáticos. Este artigo busca avaliar o desempenho de dois algoritmos evolucionários na otimização dos custos de uma cadeia de suprimentos, focando nos custos de aquisição de material, armazenagem e venda perdida. Para o estudo, foi analisado um recorte da cadeia de suprimentos de uma papelaria, considerando seu produto de maior receita, seus fornecedores de primeira camada e seus clientes de primeira camada. Um dos algoritmos mostrou-se eficaz comparado à política atual de compras da empresa, apresentando uma economia de 3,9%, porém, o outro apresentou um resultado ruim, elevando os custos da companhia em 74,4%. Já a solução ótima apresentou uma economia de 7,2% em relação ao que foi praticado pela empresa.

Downloads

Não há dados estatísticos.

Biografia do Autor

Mauricio Mattos, Universidade Federal do Paraná – UFPR. Curitiba, Paraná

Possui graduação em Engenharia de Produção (2018) pela Universidade Federal do Paraná. Tem experiência em pesquisa de métodos de previsão de séries temporais, algoritmos evolutivos e engenharia simultânea. Trabalhou como analista de compras, responsável por atividades de análise de dados como controle de orçamento, análise de índices de mercado, análise de gastos, gerenciamento de KPIs, otimização de processos e construção de relatórios e dashboards. Tem experiência de trabalho em análise de dados focada em planejamento comercial, ensino de idiomas e vendas. Tem interesse em análise de dados, inteligência artificial, indústria 4.0, estratégias de marketing, idiomas e literatura.

Mariana Kleina, Universidade Federal do Paraná – UFPR. Curitiba, Paraná

Possui graduação em Matemática Industrial (2009), mestrado (2012) e doutorado (2015) em Métodos Numéricos em Engenharia, todos cursados na Universidade Federal do Paraná (UFPR). Atualmente é professora adjunta do departamento de Engenharia de Produção e do Programa de Pós-graduação em Engenharia de Produção da UFPR. Possui interesse nas áreas de Pesquisa Operacional, Inteligência Artificial e Análise de Dados.

Marcos Augusto Mendes Marques, Universidade Federal do Paraná – UFPR. Curitiba, Paraná

Possui graduação em Engenharia Elétrica pela Universidade Federal do Paraná (2003) e doutorado em Métodos Numéricos em Engenharia pela Universidade Federal do Paraná (2015). Atualmente é professor adjunto A do Departamento de Engenharia de Produção da Universidade Federal do Paraná. Tem experiência na área de Matemática e Estatística, com ênfase em Análise Numérica e Simulação, atuando principalmente nos seguintes temas: otimização, métodos estatísticos, regressão linear múltipla, descarte de variáveis, simulação, engenharia da qualidade e energia elétrica. Atualmente leciona as disciplinas de Engenharia da Qualidade, Manutenção e Confiabilidade, Sistemas de Medição e Metrologia, para o Departamento de Engenharia de Produção do Setor de Tecnologia da Universidade Federal do Paraná.

Wiliam de Assis Silva, Universidade Federal do Paraná – UFPR. Curitiba, Paraná

Mestre em Engenharia de Produção pela Universidade Federal do Paraná (2018), especialista em Gestão de Projetos em Engenharia pela Pontifícia Universidade Católica do Paraná (2013) e graduado em Engenharia de Produção Civil pela Universidade Tecnológica Federal do Paraná (2010). Com experiência em: gestão de projetos, análise de investimentos, cálculo e detalhamento de projetos de construção civil e sustentabilidade aplicada às cadeias logísticas.

Referências

Afify, B., Ray, S., Soeanu, A., Awasthi, A., Debbabi, M., & Allouch, M. (2019). Evolutionary learning algorithm for reliable facility location under disruption. Expert Systems with Applications, 115, 223-244.

Araújo, S. A. de, Librantz, A. F. H., & Alves, W. A. L. (2009). Algoritmos genéticos na estimação de parâmetros em gestão de estoque. Exacta, 7(1), 21-29.

Ballou, R. H. (2006). Gerenciamento da cadeia de suprimentos/logística empresarial. Porto Alegre: Bookman.

Banzhaf, W., Nordin, P., Keller, R. E., & Francone, F. D. (1998). Genetic Programming - An introduction. São Francisco: Morgan Kaufmann.

Barreto, J. M. (2001). Inteligência artificial no limiar do século XXI. Florianópolis: Duplic.

Braz, A. C., De Mello, A. M., Gomes, L. A. V., Nascimento, P. T. N. (2018). The bullwhip effect in closed-loop supply chains: A systematic literature review. Journal of Cleaner Production, 202, 376-389.

Boctor, F., & Bolduc, M. (2018). The inventory replenishment planning and staggering problem: a bi-objective approach. 4OR, 16(2), 199-224.

Bushuev, M. A. (2018). Delivery performance improvement in two-stage supply chain. International Journal of Production Economics, 195, 66-73.

Chopra, S. & Meindl, P. (2010) Gerenciamento da cadeia de suprimentos. São Paulo: Pearson.

Chopra, S., & Meindl, P. (2012). Supply chain management: strategy, planning and operation. 5 ed. Prentice Hall PTR, UpperSaddle River.

Eberhart, R. C., & Shi, Y. (2001). Particle swarm optimization: developments, applications and resources. Proceedings of the IEEE Congress on Evolutionary Computation, 1, 81-86.

Falcone, M. A. G. (2004). Estudo comparativo entre algoritmos genéticos e evolução diferencial para otimização de um modelo de cadeia de suprimento simplificada. Dissertação de mestrado, Pontifícia Universidade Católica do Paraná, Curitiba, PR, Brasil.

Fahimnia, B., Tang, C. S., Davarzani, H., & Sarkis, J. (2015). Quantitative models for managing supply chain risks: A review. European Journal of Operational Research, 247(1), 1-15.

Faustino, C. A., Amorim, M. H. S., Oliveira, L. C. de, & Gohr, C. F. (2018). Colaboração em cadeias de suprimentos: revisão, análise e lacunas da literatura. Exacta, 16(1), 55–70.

Kennedy, J., & Eberhart, R. C. (2001). Swarm intelligence. São Francisco: Morgan Kaufmann.

Lambert, D. M., Cooper, M. C., & Pagh, J. D. (1998). Supply chain management: implementation issues and research opportunities. The International Journal of Logistics Management, 9(2), 1-19.

Lei, L., DeCandia, L., Oppenheim, R., & Zhao, Y. (2017). Managing supply chain operations. Singapore: World Scientific.

Lu, P., Wu, M., Tan, H., Peng, Y., & Chen, C. (2018). A genetic algorithm embedded with a concise chromosome representation for distributed and flexible job-shop scheduling problems. Journal of Intelligent Manufacturing, 29, 19-34.

Michalewicz, Z. (1996). Genetic algorithms + data structures = evolution programs. Nova Iorque: Springer-Verlag.

Mital, M., Del Guidice, M., & Papa, A. (2017). Comparing supply chain risks for multiple product categories with cognitive mapping and Analytic Hierarchy Process. Technological Forecasting and Social Change, 119, 128-139.

Munir, M., Jajja, M. S. S., Chatha, K. A., & Farooq, S. (2020). Supply chain risk management and operational performance: The enabling role of supply chain integration. International Journal of Production Economics, 227, 1-14.

Pires, S. R. I. (2009). Gestão da cadeia de suprimentos. São Paulo: Atlas.

Ramish, A., & Aslam, H. (2016). Measuring supply chain knowledge management (SCKM) performance based on double/triple loop learning principle. International Journal of Productivity and Performance Management, 65(5), 704-722.

Sakawa, M. (2001). Genetic algorithms and fuzzy multiobjective optimization. Norwell: Kluwer Academic Publishers.

Silva, L. A. W. (2008). Otimização de uma cadeia de suprimentos usando a metaheurística enxame de partículas. Dissertação de mestrado, Pontifícia Universidade Católica do Paraná, Curitiba, PR, Brasil.

Slack, N. (1993). Vantagem competitiva em manufatura. São Paulo: Atlas.

Teles, R. M. (2011). Um estudo de técnicas da inteligência artificial aplicadas na distribuição de recursos em áreas geográficas. Dissertação de mestrado, Universidade Federal de Goiás, Goiânia, GO, Brasil.

Wang, D., Tan, D., & Liu, L. (2018). Particle swarm optimization algorithm: an overview. Soft Computing, 22, 387-408.

Wu, D., Huo, J., Zhang, G., & Zhang, W. (2018). Minimization of Logistics Cost and Carbon Emissions Based on Quantum Particle Swarm Optimization. Sustainability, 10(10), 1-15.

Xu, M., Cui, Y., Hu, M., Xu, X., Zhang, Z., Liang, S., & Qu, S. (2019). Supply Chain Sustainability Risk and Assessment. Journal of Cleaner Production, 225, 857-867.

Yavari, M., & Isvandi, S. (2018). Integrated decision making for parts ordering and scheduling of jobs on two-stageassembly problem in three level supply chain. Journal of Manufacturing Systems, 46, 137-151.

Zhang, Y., Gao, X., Smith, K., Inial, G., Liu, S., Conil, L. B., & Pan, B. (2019). Integrating water quality and operation into prediction of water production in drinking water treatment plants by genetic algorithm enhanced artificial neural network. Water Research, 164, 1-12.