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

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.


Palavras-chave


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

Texto completo:

PDF

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.




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

Direitos autorais 2021 Exacta – Engenharia de Produção

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição - Não comercial - Compartilhar igual 4.0 Internacional.

Tempo médio entre a submissão e primeira resposta de avaliação: 120 dias

Exacta – Engenharia de Produção

e-ISSN: 1983-9308
ISSN: 1678-5428
www.revistaexacta.org.br

Exacta  ©2021 Todos os direitos reservados.

Este obra está licenciada com uma Licença 
Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional