Modelos de Otimização para Auxílio à Decisão no ... · lucros, geração de melhores produtos...
Transcript of Modelos de Otimização para Auxílio à Decisão no ... · lucros, geração de melhores produtos...
Modelos de Otimização para Auxílio à Decisão no Planejamento Agregado da
Colheita, Transporte, Produção e Co-geração de Energia
em Usinas Sucroenergéticas
Prof. Dr. Aneirson Francisco da Silva
Prof. Dr. Fernando Augusto Silva Marins
1. Contextualização
Num contexto real, os problemas de gestão empresarial podem incluir vários
objetivos – representando o desempenho de várias áreas/setores/aspectos da empresa
objeto do estudo –, e o interesse dos gestores envolvidos é obter melhorias/ganhos
globais para a empresa como um todo. Corroborando com essa afirmação, Deb (2001)
comenta que problemas reais de decisão são naturalmente multiobjetivos.
Ocorre que, muitas vezes, esses objetivos podem ser conflitantes entre si, ou
seja, quando se melhora um deles pode haver um prejuízo para outros objetivos,
caracterizando-se como a existência de trade-offs entre os objetivos.
Outra questão importante que gera aumento da complexidade na solução de
problemas reais é a ocorrência de incerteza nos parâmetros de entrada dos modelos,
como se verifica, por exemplo, na necessidade de se prever demandas futuras, qual
valor da cotação do Dólar frente ao Real, entre outros casos.
Além disto, usualmente em problemas reais há um grande número de variáveis e
restrições envolvidas que devem ser respeitadas para que a decisão (ótima) escolhida
possa ser viável de ser implementada na empresa.
O que se tem percebido, em consultas aos gestores das usinas sucroenergéticas, é
a falta de ferramentas de gestão (modelos) adequadas para o planejamento agregado das
várias etapas (agrícola, transporte, produção, estocagem, logística de distribuição e
cogeração de energia) que compõem o processo de tomada de decisão no cotidiano
destas empresas. Observe-se que o setor sucroenergético brasileiro tem importante
participação no agronegócio brasileiro e internacional, o que vem demandando
mudanças organizacionais nas usinas para que estas se mantenham competitivas.
De fato, problemas típicos em usinas de açúcar e álcool costumam apresentar
alto grau de complexidade e dos vários aspectos que dificultam a tarefa do gestor podem
ser citados (Paiva; Morabito, 2009): a sazonalidade da demanda, fatores climáticos, alto
custo relativo da matéria-prima, a variação do preço dos produtos finais (commodities),
e Falta de um modelo de planejamento de colheita que incorpore os custos e estratégias
de corte de cana em cada talhão, a logística de transporte da cana cortada para a usina, a
curva de maturação da cana, entre outros.
Há alguns trabalhos científicos recentes que têm procurado tratar problemas
importantes no setor do agronegócio, utilizando as técnicas da Pesquisa Operacional -
PO (Marins, 2011), do inglês Operations Research, Operational Research,
Management Science ou ainda Analytics.
Para que se tenha uma percepção da relevância e impacto da PO, em termos de
benefícios econômicos, que o seu uso vem propiciando, fica a sugestão que se visite o
site do The Institute for Operations Research and the Management Sciences –
INFORMS, e, em particular, os finalistas do The Franz Edelman Award (Edelman
Award, 2016).
O Prêmio Edelman é uma competição internacional que atesta as contribuições
da PO (Analytics) para governos, empresários e a sociedade em geral, e, desde sua
concepção, os projetos finalistas acumularam um total de US$210 bilhões em vantagens
econômicas, como resultado de melhorias na eficiência organizacional, aumento de
lucros, geração de melhores produtos para os clientes, ajuda em negociações de paz, e
no salvamento de vidas.
Para a conjuntura brasileira, na área do agronegócio, pode-se citar algumas
aplicações de Analytics:
- Paiva e Morabito (2009) destacam que é importante definir corretamente o
momento de corte da cana em cada talhão para que seja obtida uma matéria-prima (cana
cortada) que tenha o maior nível de Açúcares Redutores Totais, ou Total Reducing Sugars
-TRS, e alto nível de pureza.
- Junqueira e Morabito (2012) desenvolveram um modelo de otimização para auxiliar
nas decisões de planejamento agregado da produção, estoque e distribuição logística de
produtos do setor de agronegócios, considerando diversos critérios e restrições técnicas
e econômicas;
- Munhoz e Morabito (2014) apresentaram um estudo preliminar que analisa a incerteza
nos parâmetros industriais de uma indústria cítrica;
- Caixeta Filho (2006) propôs um modelo matemático para auxiliar no planejamento da
colheita de laranja;
- Colin (2009) propôs um modelo de programação quadrática para o problema de
cronograma de plantio de cana de açúcar.
No cenário internacional tem-se, entre outros trabalhos:
- Cock et al. (2000) desenvolveram uma metodologia para a seleção de variedades de
cana de açúcar, analisando o custo de processamento de cada variedade;
- Higgins et al. (2004), Higgins (2006) e Milan et al. (2006) aplicaram modelos
monobjetivos da Programação Linear Inteira para o problema de corte de cana e
programação da produção, integrando-se ao transporte de cana.
- Grunow et al. (2007) desenvolveram um modelo de otimização inteira mista para
auxiliar na decisões de transporte e produção de cana de açúcar.
Uma área da PO que é promissora para aplicação no setor sucroenergético é a da
Programação por Metas, ou Goal Programming - GP, proposta por Charnes e Cooper
(1961). Para uma revisão atualizada sobre técnicas e modelos de GP sugere- se a leitura
do artigo de Silva e Marins (2015). A GP é uma área da Programação Multiobjetivo
onde o decisor estabelece metas a serem atingidas pelos objetivos (que podem ser
conflitantes) envolvidos e buscam-se soluções de forma a otimizar (atingindo-se as
metas) o maior número possível delas.
Como exemplo do potencial da GP, pode-se citar o trabalho de Bhattacharya
(2006) que combinou Análise de Regressão com GP para realizar uma previsão da
colheita de cana de açúcar, procurando superar algumas limitações do uso da técnica de
regressão que usualmente é adotada nesta importante tarefa. Dentre os enfoques para
tratar a ocorrência de incerteza nos dados e parâmetros de problemas no setor
sucroenergético, destaca-se a Programação por Metas Fuzzy - FGP (Silva; Marins,
2014).
Neste contexto, os autores deste artigo, que são professores dos Programas de
Pós-graduação em Engenharia Mecânica (Mestrado e Doutorado) e em Engenharia de
Produção (Mestrado) da UNESP – Faculdade de Engenharia do Campus de
Guaratinguetá, têm procurado, nas suas orientações de alunos de Iniciação Científica
(graduação em Engenharia de Produção), Mestrado e Doutorado, desenvolver (e
solucionar) modelos de GP, combinados com outras técnicas, para suprir a falta de
ferramentas de gestão que contemplem problemas de planejamento agregado da
produção, com a ocorrência de incertezas, como frequentemente ocorre em usinas
sucroenergéticas.
A ideia desta linha de pesquisa desenvolvida na UNESP é oferecer aos gestores
modelos que possibilitem rápida solução e geração de cenários futuros, permitindo a
tomada de decisão em tempo real, e ampliem a capacidade de planejamento da empresa
frente à possibilidade de ocorrência de incerteza nos dados envolvidos. Na próxima
seção serão descritos alguns destes trabalhos da UNESP que já foram publicados em
periódicos e eventos nacionais e internacionais.
As etapas do método de pesquisa adotado no desenvolvimento desta linha de
pesquisa na área de usinas sucroenergéticas estão na Figura 1.
Figura 1. Etapas das Pesquisas em Usinas Sucroenergéticas
Figura 1- Etapas da pesquisa. Fonte: Silva et al. (2013).
Segundo os critérios propostos por Bertrand e Fransoo (2002) para a
classificação de pesquisas científicas, estes trabalhos se caracterizam como sendo
pesquisas aplicadas, pois visam gerar melhorias para a literatura atual, com objetivos
empírico-descritivos, e os modelos desenvolvidos descrevem as relações causais que
podem existir na realidade, favorecendo a compreensão de processos reais. A forma de
abordar o problema é a quantitativa, sendo o método de pesquisa a modelagem.
Neste artigo a proposta é divulgar este ferramental de apoio à tomada de decisão
que está disponível na UNESP e colocá-lo à disposição de interessados para serem
customizados de acordo com as características dos problemas específicos de cada usina
sucroenergética. Assim sendo, não serão mostrados modelos matemáticos (complexos)
o que tornaria esta leitura bastante desgastante para quem não está afeto à área de
Analytics, mas sim serão comentadas suas potencialidades de uso por parte de gestores.
Não Sim
Sim Não
Identificação do problema
Coleta dos dados
Validado?
Modelagem
Validação dos
resultados?
Solução do modelo
Análise dos Resultados e
Conclusões
O texto está, portanto, organizado como se segue. Na Seção 2, estão descritos
qualitativamente modelos desenvolvidos pelos autores deste artigo que foram
publicados em periódicos nacionais e internacionais relativos à GP, combinada com
outras técnicas, como Teoria dos Conjuntos Fuzzy (Silva; Marins, 2014) e a Análise por
Envoltória de Dados, ou DEA – Data Envelopment Analysis (Silva; Marins; Brandão,
2014, Silva; Miranda; Marins, 2015), aplicadas a problemas típicos de usinas
sucroenergéticas. Na Seção 3, estão resumidas as principais contribuições dos modelos
desenvolvidos para auxiliar os gestores nas etapas que compõem o planejamento geral
em usinas sucroenergéticas: agrícola, industrial, logística e co-geração de energia. Já na
Seção 4, estão as considerações finais do artigo, seguidas das referências bibliográficas
citadas.
2. Trabalhos desenvolvidos pelo Grupo de Pesquisadores da UNESP
relativos às Usinas Sucroenergéticas
Os modelos de otimização que serão aqui apresentados foram desenvolvidos no
DPD/FEG/UNESP, no período de 2010 – 2015, visando a suprir uma lacuna existente
no mercado quanto ao oferecimento de uma ferramenta gerencial para planejamento
agregado em usinas sucroenergéticas brasileiras.
De fato, após consultar profissionais de usinas de diferentes estados brasileiros,
constatou-se que há no mercado poucas opções de softwares voltados para a solução de
seus problemas específicos. Além disto, estes softwares são limitados e não integram
todas as etapas (agrícola, industrial, logística e de co-geração de energia) envolvidas no
planejamento agregado.
Assim, os modelos foram desenvolvidos no sentido de atender às necessidades
destes gestores quanto à geração de soluções e a simulação de cenários futuros para a
tomada de decisão em tempo real. Para seu desenvolvimento e testes foram obtidos
dados reais referentes às usinas localizadas na região nordeste e centro-oeste do País, e
sua validação foi feita por intermédio de avaliação dos resultados gerados pelo modelo
pelos gestores destas empresas.
Na sequência, nas Figuras 2 e 3, estão caracterizados os ambientes considerados
para a modelagem, observando-se, porém, que estes modelos desenvolvidos podem ser
customizados para incluírem outros aspectos particulares que, porventura, uma usina
queira considerar no seu planejamento.
Os modelos desenvolvidos têm características únicas e, em geral, são
multiobjetivos, possibilitando a inclusão de várias medidas de desempenho (conhecidas
na PO como funções objetivo) da empresa e seus tradeoffs, tais como: custo de matéria
prima, da frente de corte, do transporte agrícola, de estocagem, de produção, entre
outros.
Figura 2. Ambiente típico em usinas sucroenergéticas (Fonte: Paiva, 2006)
Figura 3. Fluxograma Produtivo (Fonte: Paiva, 2006)
Pode-se citar como características diferenciadas dos modelos desenvolvidos:
- Permitem otimizar e facilitar o gerenciamento agregado da colheita, produção,
logística e co-geração de energia.
- Incorporam técnicas de inteligência artificial (Conjuntos Fuzzy), o que permite a
inclusão da ocorrência de incerteza nos dados/parâmetros de entrada.
- Possibilitam a realização de análise de sensibilidade (geração de cenários alternativos
para a tomada de decisão) em várias situações de interesse prático.
Os modelos permitem a importação direta dos dados da empresa a partir de
Banco de Dados, Planilhas Excel ou ERP. Eles foram implementados na linguagem
GAMS na versão 24.3.5 (Silva; Marins; Silva; Lopes, 2011) e resolvidos pelo software
CPLEX na versão 12.6 (GAMS, 2016) e, devido a sua rápida resolução, permitem a
tomada de decisão em tempo real para os gestores da empresa onde for adotado.
Para que se tenha uma ideia da estrutura matemática dos modelos desenvolvidos
passa-se a apresentar alguns dos conjuntos de entidades envolvidas, parâmetros de
entrada e variáveis de decisão (ou de controle) do Modelo:
- Conjuntos: 12 processos produtivos; 52 períodos de planejamento; produtos (VHP,
Cristal, AAHC, AEHC); 34 talhões; transporte agrícola (frota própria ou terceirizada);
canas que são fornecidas por terceiros; frentes de corte (mecanizado ou manual); estado
da cana (queimada, crua); condição da cana (média, tardia, precoce); opções de estoque
(Estoque próprio, Estoque terceirizado); Número de fazendas; 12 variedades de cana;
metas para os diferentes custos considerados; e metas de produção dos tipos de alcoóis.
- Parâmetros de Entrada: Brix do mel final adotado pela usina; Meta de pureza do mel
final adotada na usina; Desvio de melaço para a destilaria em cada processo produtivo;
Desvio de caldo para a fábrica em cada processo produtivo; Polarização dos açúcares
produzidos em cada processo; Moagem mínima semanal; Moagem máxima semanal;
Capacidade semanal de cada frente de corte; Custo da frente de corte em cada fazenda;
Custo de cada frente de corte no fornecedor de cana; Capacidade do transporte próprio
em cada período de planejamento; Tempo aproveitado na usina em cada período de
planejamento; Disponibilidade da frota própria durante em cada período de
planejamento.
- Variáveis de Decisão: Quanto colher (semanalmente) de cana, levando em
consideração os talhões, precocidades, estados, variedades e fazendas disponíveis;
Quantidade de cana transportada por opção de transporte (própria ou terceirizado);
Disponibilidade de matéria prima (semanal) de canas próprias e de canas fornecidas;
Escolha da frente de corte que pode ser mecanizada ou manual; Escolha de cana
fornecida levando em consideração diferentes fornecedores; Decisões de estocagem;
Escolha do processo produtivo de alcoóis e açúcares; Quanto de cana processar em cada
tipo de processo produtivo selecionado; Decisão sobre o estoque de bagaço para geração
de energia; Decisão sobre a exportação de energia.
Na sequência estão os trabalhos publicados pelo grupo de pesquisadores da
UNESP e a descrição sucinta dos seus respectivos escopos, as referências completas
estão ao final do artigo nas Referências Bibliograficas:
- Decisões por múltiplos critérios e objetivos no planejamento agregado da produção, na
comercialização e distribuição de uma usina sucroalcooleira (publicado em 2009):
contemplou decisões sobre a escolha de processos produtivos, estocagem e o quanto
produzir de álcoois e açúcares. Utilizou-se o método Analytic Hierarchy Process - AHP
para atribuir pesos a cada meta estudada.
- Um modelo multiescolhas de programação por metas inteira mista para o
planejamento agregado da produção em uma usina brasileira de açúcar e álcool
(publicado em 2010): contempla decisões na fase agrícola - sobretudo o corte,
carregamento e transporte da cana - decisões de moagem, industriais, de distribuição e
de armazenamento. O modelo permite, ainda, que os tomadores de decisão possam
definir os seus níveis de aspiração (realizações para as metas) para situações reais em
ambiente de incerteza. Gera novas perspectivas e informações, tornando possível, para
uma usina de açúcar e álcool, um questionamento rápido das decisões sobre as metas
estabelecidas, possibilitando, assim, uma rápida reavaliação dos planejamentos na safra
e na entressafra.
- Multiple criteria and multiple objectives decision-making for a Brazilian sugar and
ethanol milling company (publicado em 2010): permite que as decisões sejam tomadas
em um horizonte de planejamento de semanal, incluindo os períodos de entressafra. O
método AHP foi aplicado para priorizar os objetivos, os quais foram identificados como
relevantes pelos especialistas do setor de moagem de açúcar e etanol.
- Otimização multiobjetivo fuzzy no planejamento agregado da produção e distribuição
em usinas de açúcar e álcool (publicado em 2010): descreve-se o processo de produção
de açúcar, álcool, melaço e derivados, considerando as incertezas inerentes à produção
destes produtos. O modelo contempla as etapas agrícolas, industriais e de distribuição,
possibilitando que as decisões sejam tomadas em um horizonte de planejamento
semanal, incluindo a safra e entressafra.
- Solving real problems in sugar and ethanol milling companies with an extended goal
programming model (publicado em 2011): apresenta-se um modelo estendido de
programação por Metas para o planejamento agregado da produção em empresas de
açúcar e moagem etanol. Este modelo representa o sistema de açúcar, etanol, melaço e
derivados de produção, incluindo as decisões sobre corte agrícola, carregamento e
transporte, na produção e etapas de armazenamento, e na fase de distribuição.
- Método de Seleção de variedades de cana para plantio utilizando a programação por
metas e análise envoltória de dados (publicado em 2011): aplica-se modelos de Análise
por Envoltória de Dados (Data Envelopment Analysis - DEA) combinado com
Programação por Metas (Goal Programming - GP), para a seleção de variedades de
cana de açúcar para plantio em uma usina.
- Planejamento otimizado para a colheita de cana de açúcar de uma usina
sucroalcooleira (publicado em 2011): descreve-se o processo de gerenciamento das
escolhas da condição e do tempo de poda da cana, da frente de corte e da logística
agrícola, visando maximizar a razão entre os açúcares totais recuperáveis e o grau de
arrependimento. O modelo contempla a etapa agrícola, possibilitando que as decisões
sejam tomadas em um horizonte de planejamento semanal.
- A fuzzy goal programming model for solving aggregate production-planning problems
under uncertainty (publicado em 2012): proporcionou resultados interessantes sobre
decisões na fase agrícola, nas fases de corte, carregamento e transporte para
fornecedores de cana e, especialmente nas decisões de moagem, que são a escolha do
processo de produção, incluindo a fase de armazenamento e distribuição de logística em
um contexto sob incerteza.
- Tratamento da Incerteza no Planejamento da Colheita de Cana de açúcar utilizando um
Modelo de programação por Metas Multi-escolha Revisado (publicado em 2012):
aborda-se a etapa agrícola, possibilitando que as decisões sejam tomadas em um
horizonte de planejamento semanal, e contempla o processo de gerenciamento das
escolhas da condição e do tempo de colheita do talhão de cana, dimensionamento da
frente de corte e da logística agrícola. O objetivo é obter informações para cortar a cana
no período mais próximo do máximo teor de sacarose e minimizar os custos
agroindustriais.
- Multi-choice mixed integer goal programming optimization for real problems in a
sugar and ethanol milling company (publicado em 2013): propõe-se um modelo de
múltipla escolha inteira mista de Programação por Metas (MC-MIGP) para o
planejamento agregado da produção de uma usina de açúcar e etanol brasileiro. O
modelo MC-MIGP foi baseado em métodos de seleção e de processos tradicionais para
a concepção de lotes, o que representa o sistema de produção de açúcar, álcool, melaço
e derivados.
- Aplicação de programação por metas binária mista em uma empresa do setor
sucroenergético (publicado em 2013): propõe-se um modelo de Programação por Metas
Binária–Mista, ou Mixed-Binary Goal Programming (MBGP), para otimizar o
planejamento agregado da produção e da distribuição de uma empresa do setor
sucroenergético, que incorpora a cogeração de energia.
- Evaluating efficiency under uncertainty with a GPDEA model & Fuzzy Theory: a real
application (publicado em 2014): propõe-se novos modelos, denominados FGPDEA,
que combinam a Análise por Envoltória de Dados (Data Envelopment Analysis – DEA),
a Teoria dos conjuntos Fuzzy e a Programação por Metas (Goal Programming – GP),
visando aumentar a discriminação entre as Unidades Tomadoras de num ambiente sob
incerteza.
- Previsão de demanda da produção de cana de açúcar por meio do método ARIMA
(publicado em 2013): aplica-se um modelo autorregressivo de médias móveis (ARIMA)
para projetar a demanda da produção de cana de açúcar no Brasil para os próximos dez
anos concluiu-se que a produção de cana-de-açúcar continuará em forte crescimento.
- A fuzzy goal-programming model for solving aggregate production-planning problems
under uncertainty: A case study in a Brazilian sugar mill (publicado em 2014):
proporcionou resultados interessantes sobre decisões na fase agrícola, nas fases de corte,
carregamento e transporte para fornecedores de cana e, especialmente nas decisões de
moagem, que são a escolha do processo de produção, incluindo a fase de
armazenamento e distribuição de logística em um contexto sob incerteza.
- Um Modelo Fuzzy-DEA-Game (FDG) para estratégias de produção sob incerteza
(publicado em 2015): desenvolve-se um novo modelo FDG para apoiar o
estabelecimento de estratégias de produção. Esse modelo combina a Análise Envoltória
de Dados (DEA) com conceitos da Teoria dos Conjuntos Fuzzy e a Teoria dos Jogos da
Barganha de Nash. O modelo permite uma avaliação da eficiência produtiva e
econômica dos produtos, o que pode resultar num portfólio de produtos mais rentáveis e
de interesse do mercado consumidor.
- Addressing uncertainty in sugarcane harvest planning through a revised multi-choice
goal programming model (publicado em 2015): aplica-se um novo modelo revisto de
programação por metas de múltiplas escolhas (MRCGP-LHS) para lidar com a incerteza
na colheita de cana de açúcar. O modelo MRCGP-LHS usa um horizonte de decisão
semanais e leva em conta o tempo e as condições de manejo da terra, as decisões de
corte de cana e logística agrícolas. O objetivo é a obtenção de informações, a fim de
processar a cana de açúcar no período mais próximo de níveis mais altos de sacarose, e,
ao mesmo tempo, minimizar os custos agroindustriais.
3. Contribuições dos Modelos para os Gestores
Aqui são descritas algumas funcionalidades dos modelos desenvolvidos citados
na Seção 2.
1. Etapa Agrícola: Auxilia nas decisões de escolha das fazendas e dos talhões de
cana que devem ser colhidos semanalmente, bem como a escolha de qual método de
corte (mecanizado ou manual) deveria ser adotado. Permite, ainda, decidir sobre qual a
precocidade (média, tardia, precoce) com que a cana deverá ser cortada, sempre
considerando as diferentes variedades de cana disponíveis e as condições de corte
(queimada ou crua) da cana disponível.
2. Etapa Industrial: Aborda as decisões relacionadas ao quanto produzir de
alcoóis e açúcares semanalmente, visando reduzir estoques e aumentar a margem de
contribuição da usina. Outra decisão permitida é com relação à escolha do processo de
produção a ser utilizado semanalmente.
3. Etapa Logística: Possibilita a otimização do gerenciamento do transporte da
cana cortada e dos produtos gerados pela usina, de forma interligada às etapas
anteriores, visando atender a demanda de mercado, de forma eficiente e eficaz, por meio
de melhor gerenciamento das frotas e estoques. Por exemplo, no caso do transporte da
cana cortada nos talhões até a usina, pode-se optar por diferentes meios: frota própria ou
transporte terceirizado.
4. Etapa de Co-geração de Energia: Permite a otimização das decisões referentes
à exportação de energia elétrica (venda para as concessionárias ou outras empresas),
gerada com o uso do bagaço de cana resultante do processo produtivo adotado
semanalmente.
4. Considerações finais
Neste artigo foram descritos modelos desenvolvidos com técnicas de Analytics
para auxiliar a tomada de decisão em problemas típicos de usinas sucronergéticas. A
Equipe de Pesquisadores da UNESP (informações para contatos ao final do artigo) se
coloca à disposição de interessados para efetuar uma demonstração dos modelos,
apresentar os resultados que ficam disponibilizados para os gestores, bem como fazer a
customização dos mesmos para atender quaisquer especificidades de usinas
sucroenergéticas interessadas.
Finalizando, apresenta-se um resumo das principais contribuições da linha de
pesquisa aqui descrita:
- Contribuição do projeto para inovação de produtos e processos - Os modelos
propostos permitem a solução em tempo real de problemas com milhões de variáveis e
milhões de restrições, propiciando aos gestores informações relevantes para a tomada de
decisão acerca de seus produtos e processos. Os modelos foram testados e validados em
problemas reais de usinas sucroenergéticas que são muito importantes para o
agronegócio brasileiro.
- Contribuição do projeto para formação de recursos humanos especializados para a
academia, educação básica e superior, indústria, setor de serviços e setor público - No
decorrer do projeto ocorreu a formação de dois Doutores (Aneirson Francisco da Silva –
defendido na UNESP e Rafael de Carvalho Miranda – defendido na UNIFEI), ambos
contratados pelas respectivas Universidades onde defenderam seus doutoramentos) e 3
Alunos de IC na UNESP (Guilherme Vitor de Paula, Patrícia Miyuki Tamura - com
bolsa do CNPq e Felipe Geraldi Graça - sem bolsa) puderam participar de atividades de
pesquisa, todos diretamente ligados ao tema do projeto. No momento, encontram-se em
desenvolvimento duas dissertações de mestrado (Douglas Miranda Rodrigues e Marcelo
Figueiredo) que utilizam os conceitos estudados no projeto.
- Contribuição do projeto para difusão e transferência do conhecimento - Os resultados
do projeto foram amplamente divulgados por meio de vários trabalhos científicos
apresentados em eventos científicos (inclusive no exterior), publicados em Anais destes
eventos, e também em periódicos nacionais e internacionais com classificação no Qualis
da Capes, conforme pode ser constatado no CV Lattes (ver links abaixo) dos
pesquisadores envolvidos. Espera-se, a partir da publicação deste artigo, que os modelos
possam ser implementados nas usinas sucroenergéticas brasileiras, ajudando-as na
busca de uma melhor posição competitiva no mercado.
Agradecimentos
Esta pesquisa foi apoiada pelo CNPq (Processos No. 303362/2012-0, No. 470189/2012
e No. 306214/2015-6), pela CAPES (Processo No. PE- 024/2008) e pela FAPESP
(Processo No. 2014/06374-2).
Referências Bibliográficas
Bertrand, J. W. M.; Fransoo, J. C., 2002. Operations management research
methodologies using quantitative modeling. International Journal of Operations and
Production Management. 22, pp. 241-264.
Bhattacharya, A., 2006. A goal programming approach for developing pre-harvest
forecasts of crop yield. Journal of the Operational Research Society. 57, pp. 1014-1017.
Caixeta Filho, J. V., 2006. Orange harvesting scheduling management: a case study.
Journal of the Operational Research Society. 57, pp. 637-642.
Charnes, A.; Cooper. W. W. Management Model and Industrial Application of
Linear Programming, Vol. 1, Wiley, New York, 1961.
Cock, J. H.; Luna, C. A.; Palma, A., 2000. The trade-off between total harvestable
production and concentration of the economically useful yield component: cane tonnage
and sugar content. Field Crops Res. 67, pp. 257-262.
Colin, E. C., 2009. Mathematical programming accelerates implementation of agro-
industrial sugarcane complex. European Journal of Operational Research. 199, pp.
232-235.
Deb, K. Multi-Objective Optimization using Evolutionary Algorithms. John Wiley
& Sons, Inglaterra, 2001.
Edelman Award (2016). https://www.informs.org/Recognize-Excellence/Franz-
Edelman-Award. Acesso em 01/04/2016.
GAMS (2016). http://gams.com/solvers/solvers.htm#CPLEX.
Grunow, M.; Günter, H.O.; Westinner, R., 2007. Supply optimization for the production
of raw sugar. International Journal Production Economics. 110, pp. 224–239.
Higgins, A, J., 2006. Scheduling of road vehicles in sugar transport: A case study at an
Australian sugar mill. European Journal of Operational Research. 170, pp. 987-1000.
Higgins, A. J.; Antony, G.; Davies, I.; Sandel, G.; Prestwidge, D.; Andrew, B. A., 2004.
Framework for integrating a complex harvesting and transport system for sugar
production. Agricultural Systems. 82, pp. 99-115.
Junqueira, R. A. R.; Morabito, R., 2012. Production and logistics planning considering
circulation taxes in a multi-plant seed corn company. Computers and Electronics in
Agriculture. 84, pp. 100-110.
Marins, F. A. S. Introdução à Pesquisa Operacional. Editora Cultura Acadêmica,
2011. Disponível em http://www.culturaacademica.com.br/catalogo-
detalhe.asp?ctl_id=158.
Marins, F. A. S.; Silva, A. F. da; Silva, G. M.; Lopes, P. R. M. de A., 2010.
Um modelo multiescolhas de programação por metas inteira mista para o planejamento
agregado da produção em uma usina brasileira de açúcar e álcool. In: Livro de
Resumos do Encontro Regional de Pesquisa Operacional da Região Sudeste, Rio de
Janeiro - RJ, pp.42 - 42.
Marins, F. A. S.; Silva, A. F. da; Ribeiro, I. M.; Montevechi, J. A. B., 2011.
Solving real problems in sugar and ethanol milling companies with an extended goal
programming model. In: Abstract Book of the 19th Triennal Conference of the
International Federation of Operational Research Societies, Melbourne - Austrália,
pp.27 - 27.
Marins, F. A. S.; Silva, A. F. da; Montevechi, J. A. B., 2012. A fuzzy goal programming
model for solving aggregate production-planning problems under uncertainty. In:
Abstracts Book of the 25th European Conference on Operational Research, Vilnius
- Lituânia, pp.236 - 236.
Marins, F. A. S.; Silva, A. F. da; Santos, M. V. B., 2014. Evaluating efficiency under
uncertainty with a GPDEA model & Fuzzy Theory: a real application. In: Abstracts
Book of the INFORMS Annual Meeting, San Francisco – USA, pp.387 – 387.
Milan, E. L.; Fernandez, S. M.; Aragones, L. M. P., 2006. Sugar cane transportation in
Cuba, a case study. European Journal of Operational Research. 174, pp. 374–386.
Munhoz, J. R.; Morabito, R., 2014. Optimization approaches to support decision
making in the production planning of a citrus company: A Brazilian case study.
Computers and Electronics in Agriculture. 107, pp. 45-57.
Paiva, R. P. O.; Morabito, R., 2009. An optimization model for the aggregate
production planning of a Brazilian sugar and ethanol milling company. Annals of
Operations Research. 169, pp. 117-130.
Paiva, R. P. O. Um modelo baseado em seleção de processos e dimensionamento de
lotes para o planejamento agregado da produção em usinas de açúcar e álcool.
2006. Dissertação (Mestrado em Engenharia de Produção) – Departamento de
Engenharia de Produção, Universidade Federal de São Carlos, São Carlos, 2006.
Silva, A. F. da; Montevechi, J. A. B.; Marins, F. A. S.; Neves, S. M.; Duarte, R. N.,
2009. Modelagem e otimização do planejamento agregado da produção de uma usina
sucroalcooleira. In: Anais do XVI Simpósio de Engenharia de Produção, Bauru - SP,
pp.1 - 11.
Silva, A. F. da; Marins, F. A. S.; Salomon, V. A. P.; Montevechi, J. A. B.; Neves, S. M.,
2009. Decisões por múltiplos critérios e objetivos no planejamento agregado da
produção, na comercialização e distribuição de uma usina sucroalcooleira. In: Anais do
XVI Simpósio de Engenharia de Produção, Bauru - SP, pp.1 - 12.
Silva, A. F. da; Marins, F. A. S.; Salomon, V. A. P.; Montevechi, J. A. B., 2010.
Multiple criteria and multiple objectives decision-making for a Brazilian sugar and
ethanol milling company. In: Proceedings of the 24th European Conference on
Operational Research, Lisboa - Portugal, pp.163 - 163.
Silva, A. F. da; Marins, F. A. S.; Salomon, V. A. P.; Silva, G. M., Montevechi, J. A. B.,
2010. Otimização multiobjetivo fuzzy no planejamento agregado da produção e
distribuição em usinas de açúcar e álcool. In: Anais do XLII Simpósio Brasileiro de
Pesquisa Operacional, Bento Gonçalves - RS, pp.1 - 12.
Silva, A. F. da; Marins, F. A. S.; Silva, G. M.; Lopes, P. R. M. de A., 2011.
Desenvolvimento e Otimização de Modelos Matemáticos por meio da Linguagem
GAMS. Disponível em http://www.feg.unesp.br/~fmarins/GAMS/apostilagams.pdf.
Silva, A. F. da; Ribeiro, I. M.; Lopes, P. R. M. de A.; Marins, F. A. S., 2011.
Método de Seleção de variedades de cana para plantio utilizando a programação por
metas e análise envoltória de dados. In: Anais do XXXI Encontro Nacional de
Engenharia de Produção, Belo Horizonte - MG, pp.1- 9.
Silva, A. F. da; Ribeiro, I. M.; Lopes, P. R. M. de A.; Montevechi, J. A. B.; Marins, F.
A. S., 2011. Planejamento otimizado para a colheita de cana de açúcar de uma usina
sucroalcooleira. In: Anais do XLIII Simpósio Brasileiro de Pesquisa Operacional,
Ubatuba - SP, pp.1242 - 1254.
Silva, G. M.; Lopes, P. R. M. de A.; Marins, F. A. S.; Silva, A. F. da, 2011.
Modelagem e otimização do planejamento agregado da produção em usinas de açúcar e
álcool. In: Anais do XXII Congresso de Iniciação Científica da UNESP,
Guaratinguetá - SP, pp.5980 - 5983.
Silva, A. F. da; Montevechi, J. A. B.; Marins, F. A. S., 2012. Tratamento da Incerteza
no Planejamento da Colheita de Cana de açúcar utilizando um Modelo de programação
por Metas Multi-escolha Revisado. In: Proccedings of the XVI CLAIO - Latin-Ibero-
American Conference on Operations Research/XLIV SBPO - Brazilian
Symposium on Operations Research, Rio de Janeiro - RJ, pp.1741 - 1751.
Silva, A. F. da; Marins, F. A. S.; Montevechi, J. A. B., 2013. Multi-choice mixed
integer goal programming optimization for real problems in a sugar and ethanol milling
company. Applied Mathematical Modelling. 37, pp.6146 - 6162.
Silva, A. F. da; Marins, F. A. S.; Montevechi, J. A. B., 2013. Aplicação de programação
por metas binária mista em uma empresa do setor sucroenergético. Gestão & Produção.
20, pp.321 - 336.
Silva, A. F. da, Marins, F. A. S.; Montevechi, J. A. B., 2013. Planning the harvest of a
sugar cane milling company by a revised multi-choice goal programming model. In:
Proceedings of the 26th European Conference on Operational Research, Roma -
Italia, pp.63 - 63.
Silva, A. F. da; Miranda, R. C.; Marins, F. A. S.; Diacenco, A. A.; Almeida, W. C. A.
de, 2013. Previsão de demanda da produção de cana de açúcar por meio do método
ARIMA. In: Anais do XX Simpósio de Engenharia de Produção, Bauru - SP, pp.1 -
11.
Silva, A. F. da; Marins, F. A. S., 2014. A fuzzy goal-programming model for solving
aggregate production-planning problems under uncertainty: A case study in a Brazilian
sugar mill. Energy Economics. 45, pp.196-204.
Silva, A. F. da; Paula, G. de; Luche, J. R. D., Marins, F. A. S., 2014.
Planejamento da Colheita de Cana de Açúcar Utilizando um Modelo de Programação
por Metas Fuzzy. In: Anais do XLVI Simpósio Brasileiro de Pesquisa Operacional,
Salvador - Ba, pp.1484 - 1495.
Silva, A. F da; Marins, F. A. S; Brandão, M. V. S., 2014. Programação por Metas,
Análise por Envoltória de Dados e Teoria Fuzzy na avaliação da eficiência sob
incerteza: Aplicação em mini fábricas do segmento de autopeças. Gestão & Produção,
21, n.3, pp. 543-554.
Silva, A. F. da; Miranda, R. C.; Marins, F. A. S., 2015. Um Modelo FUZZY-DEA-
GAME para estratégias de produção sob incerteza. RAE. 55, pp.78 - 94.
Silva, A. F. da, Marins, F. A. S., 2014. A Fuzzy Goal Programming model for solving
aggregate production-planning problems under uncertainty: A case study in a Brazilian
sugar mill. Energy Economics. 45, pp.196 - 204.
Silva, A. F. da; Marins, F. A. S., 2015. Revisão da literatura sobre modelos de
Programação por Metas determinística e sob incerteza. Produção. 25, pp.92 - 112.
Silva, A. F. da, Dias, E. X.; Marins, F. A. S.; Luche, J. R. D., 2015. Análise da incerteza
no planejamento agregado da produção e cogeração de energia utilizando um modelo de
programação por metas multiescolha revisado: uma aplicação em uma usina
sucroenergética. In: Anais do XLVII Simpósio Brasileiro de Pesquisa Operacional,
Porto de Galinhas - PE, pp.1403 - 1415.
Silva, A. F da; Marins, F. A. S; Dias, E. X., 2015. Addressing uncertainty in sugarcane
harvest planning through a revised multi-choice goal programming model. Applied
Mathematical Modelling. 39, n.18, pp. 5.540 - 5.558.
Dados biográficos dos autores:
Prof. Dr. A neirson Francisco da Silva - - [email protected].
Departamento de Produção – DPD, Faculdade de Engenharia do Campus de
Guaratinguetá – FEG, Universidade Estadual Paulista – UNESP. Mestrado em
Engenharia de Produção, pela Universidade Federal de Itajubá- UNIFEI (2009) e
Doutorado em Engenharia Mecânica pela UNESP (2013). Pós-graduado em Finanças e
Planejamento Empresarial, pela Universidade Federal de Uberlândia-UFU (2006). Atua
na área de Business Analytics (Otimização sob incerteza, Simulação e Métodos
Multicritérios para a Tomada de Decisão). http://lattes.cnpq.br/2151242493491034.
Prof. Dr. Fernando Augusto Silva Marins - [email protected].
Departamento de Produção – DPD, Faculdade de Engenharia do Campus de
Guaratinguetá – FEG, Universidade Estadual Paulista – UNESP. Mestrado em Pesquisa
Operacional pelo Instituto Tecnológico de Aeronáutica (1981), Doutorado em
Engenharia Elétrica pela Universidade Estadual de Campinas (1987) e Pós-doutorado
pela Brunel University em Londres - Inglaterra (1994). É Pesquisador PQ2 do CNPq.
Atua nas áreas de Business Analytics (Otimização e Métodos Multicritérios para a
Tomada de Decisão), Supply Chain Management e Logística.
http://lattes.cnpq.br/9008186664173955.