ALGORITMO GENÉTICO MULTI- OBJETIVO PARA O...
Transcript of ALGORITMO GENÉTICO MULTI- OBJETIVO PARA O...
ALGORITMO GENÉTICO MULTI-
OBJETIVO PARA O SEQUENCIAMENTO
INTEGRADO DE ATIVIDADES DE
PRODUÇÃO E MANUTENÇÃO
Rodrigo Jose Pires Ferreira (UFPE )
Joao Marconi Soares de Souza Lima Filho (UFPE )
Eduarda Asfora Frej (UFPE )
Modelos de planejamento da produção (ou production scheduling)
podem auxiliar na tomada de decisão sobre a sequência de atividades
a ser realizada em um sistema de produção, otimizando determinados
objetivos. Entretanto, apesar de haver umaa relação interdependente
entre este processo e o planejamento de manutenção preventiva, estes
são frequentemente tratados de modo conflitante. O presente artigo
propõe um modelo multi-objetivo para o problema integrado de
planejamento de produção e manutenção preventiva para sistemas de
uma única máquina (single machine), considerando duas funções
objetivo: minimizar o atraso esperado ponderado e o custo de
manutenção. Como o espaço de soluções deste problema é elevado, um
algoritmo genético multi-objetivo é proposto para encontrar soluções
da fronteira de Pareto. Um conjunto de simulações para 7 atividades é
ilustrada e demonstra que o algoritmo foi capaz de encontrar soluções
com uma distância média inferior a 1% das soluções ótimas obtidas
por meio de um método exaustivo.
Palavras-chaves: Programação da produção; planejamento da
manutenção, algoritmo genético, multicritério
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
2
1. Introdução
Segundo Pinedo (2012), problemas de scheduling se relacionam com a alocação de recursos
limitados, ao longo do tempo, para realizar tarefas, de modo que satisfaça objetivos
estabelecidos. Vale ressaltar o amplo significado de recursos, que podem ser ferramentas,
materiais, máquinas, energia, e outros. Além disso, há vários objetivos, como minimizar o
tempo de conclusão da última atividade, ou o atraso ou o número de atividades atrasadas.
Entretanto, as máquinas estão sujeitas a falhas, o que pode afetar o sistema de produção
consideravelmente. Segundo Aghezzaf e Najid (2008), estas falhas resultam em altos custos e
comprometem a qualidade dos produtos. Portanto, percebe-se a importância do planejamento
da manutenção para obtenção de menor custo e maior qualidade.
Geralmente, a programação da produção e o planejamento de manutenção são tratados
separadamente, o que não traz resultados satisfatórios na prática. Uma hipótese muito comum
utilizada nesse contexto considera que as máquinas estão sempre disponíveis, ou seja, não
estão sujeitas a falhas (ALLAOUI et al. 2008). Porém, uma programação da produção
adequada que está minimamente sujeito a replanejamentos e interrupções devido a falhas, é
capaz de atingir seus objetivos estratégicos. Portanto, percebe-se que a integração entre a
produção e a manutenção se faz necessária (ÁNGEL-BELLO et al. 2011).
Encontra-se na literatura estudos que propõem a integração do problema integrado. Graves e
Lee (1999) apresentaram um problema integrado para um sistema single machine com a
possibilidade de uma única atividade de manutenção e objetivo de minimizar o tempo total
ponderado de conclusão das atividades. Lee e Chen (2000) estenderam esta pesquisa para
máquinas paralelas. Qi et al. (1999) apresentaram o problema em um sistema single machine,
considerando a possibilidade de múltiplas intervenções de manutenção preventiva, mas sem
incluir explicitamente o risco de não realizá-las.
Cassady e Kutanoglu (2003) apresentaram um problema em um sistema single machine,
considerando possíveis múltiplas intervenções de manutenção preventiva e o risco de não
realizá-las. Eles apresentaram um modelo capaz de obter uma redução de 30% no atraso total
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
3
ponderado quando comparado com modelos de cada função objetivo isoladamente. Yulan et
al. (2008) utilizou um algoritmo genético para solucionar um problema integrado em um
ambiente single machine com cinco funções objetivo. Moradi (2011) estendeu os
conhecimentos de problema integrado, analisando em um sistema jobshop flexível. Wang e
Liu (2013) desenvolveram um algoritmo branch-and-bound para um problema single
machine de minimização do tempo total ponderado de conclusão das atividades, e obteve
resultados satisfatórios para cenários com até 18 atividades.
Este artigo propõe um modelo matemático que trata o conflito das funções manutenção e
produção levando em consideração dois objetivos a serem otimizados simultaneamente,
minimizar o custo da manutenção e o atraso esperado ponderado. É proposto também um
algoritmo genético multi-objetivo para auxiliar o processo de busca de soluções da fronteira
de pareto.
2. Modelagem matemática
Supõe-se que existe um certo número de atividades a serem programadas em uma única
máquina em um sistema de produção. Cada atividade tem um tempo de processamento, prazo,
e uma importancia relativa que é medida por um peso. Além da programação de produção,
supõe-se que este equipamento pode não estar disponível devido a manutenção preventiva ou
reparos devido a falhas. Estas características implicam conflito entre os objetivos de produção
e manutenção. Considerando que o objetivo da função produção pode estar relacionado a
minimizar o atraso das atividades concluidas, o objetivo da função manutenção pode estar
relacionado a minimizar as perdas de tempo por ações de manutenção desnecessárias
caracterizadas principalmente pelo custo esperado de manutenção.
Para estimar o custo esperado de manutenção, presume-se que o tempo até a falha desta
máquina é governada por uma distribuição de probabilidade Weibull como sugerido por
Sortrakul & Cassady (2007). As substituições devem ser recomendadas quando o custo
esperado de substituição é inferior à espera de outra oportunidade para evitar o risco de
possíveis falhas futuras, com base na probabilidade estimada de falha durante as atividades.
Conforme definido por Sortrakul & Cassady (2007) atividades não podem ser interrompidas
por atividades de manutenção preventiva.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
4
As variáveis de decisão básicas a serem otimizadas são: a seqüência das atividades a serem
realizadas, e os momentos de ações de manutenção preventiva com o objetivo de minimizar o
atraso esperado ponderado total e custo de manutenção prevista.
As hipoteses assumidas pelo modelo são que apenas uma falha pode ocorrer durante o
processamento de uma atividade. A probabilidade de mais do que uma falha ocorrer durante
uma atividade é assumida como sendo igual a zero. Se ocorrer uma falha, em seguida, a
reparação é feita imediatamente. A reparação mínima é feita para restaurar a máquina de volta
à sua condição operacional sem alterar sua idade efetiva e existe um tempo fixo para reparar
quando ocorre uma falha.
Assume-se também que a taxa de falha da máquina aumenta ao longo do tempo, o que
justifica a manutenção preventiva. As atividades podem ser interrompidas por falhas e podem
ser retomadas após a reparação, sem qualquer penalização adicional no seu tempo de
processamento. A manutenção preventiva restaura a máquina para um estado "tão bom quanto
novo". Existe um tempo fixo para realizar a manutenção preventiva. E recursos, tais como a
equipe de reparos e peças sobressalentes, estão prontamente disponíveis.
Quanto à estrutura de custos, existe um custo de manutenção preventiva quando a máquina for
reparada preventivamente e existe um custo de reparos após falhas quando um item é
reparado corretivamente. Este custo inclui conseqüências devido a falhas. Assume-se que o
custo da manutenção corretiva é maior do que o custo de manutenção preventiva.
A notação utilizada neste artigo é apresentada na Tabela 1.
Tabela 1 - Notação das variáveis do modelo
n Quantidade de atividades a serem programadas
pj Tempo de processamento da atividade j (j = 1, …, n).
dj Prazo da atividade j (j = 1, …, n).
wj Importância relativa (peso) da atividade j (j = 1, …, n).
xij Variável de decisão binária quando a i-ésima atividade processada é a atividade j (i = 1, 2, ...,
n; j = 1, 2, . . . n).
p[i] Tempo de processamento da i-ésima atividade processada (i = 1, …, n).
d[i] Prazo da i-ésima atividade processada (i = 1 , …, n).
w[i] Peso da i-ésima atividade processada (i = 1 , …, n).
c[i] Tempo de conclusão da iésima atividade processada (i = 1 , …, n).
C[i] Variável aleatória tempo de conclusão da i-ésima atividade realizada (i = 1 , …, n).
[i] Atraso da i-ésima atividade realizada (i = 1 , …, n).
[i] Variável aleatória de atraso da i-ésima atividade realizada (i = 1 , …, n).
Parâmetro de forma da distribuição de Weibull.
Parâmetro de escala da distribuição de Weibull.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
5
a[i] Idade da máquina imediatamente após concluir a i-ésima atividade.
]1[ ia Idade da máquina imediatamente antes de processar a i-ésima atividade.
y[i] Variável binária de decisão quando a manutenção preventive é realizada antes da i-ésima
atividade (i = 1 , …, n).
[i] Probabilidade de falha da máquina durante o processamento da i-ésima atividade (i = 1 , …,
n).
tp Duração da ação da manutenção preventiva.
tr Duração do reparo das máquinas após falha.
Cm[i] Variável aleatória do custo total de manutenção da i-ésima atividade processada (i = 1 , …, n).
cb Custo da ação da manutenção preventiva.
ca Custo do reparo (em caso de falha) de máquinas.
Fonte: Os autores
Como definido por Cassady e Kutanoglu (2003), a idade da máquina imediatamente após
processar a i-ésima atividade, a[i], e imediatamente antes do processamento da i-ésima
atividade, ]1[ ia , podem ser calculadas pelas equações (1) e (2):
niyaa iii ,...,2,1)1( ][]1[]1[ (1)
nipaa iii ,...,2,1][]1[][ (2)
A probabilidade de falha na máquina durante a i-ésima atividade, ][i , é determinada, usando
a distribuição de probabilidade de Weibull, pelas equações (3) e (4). A probabilidade
complementar de ][i é ][i , definida pela equação (5):
}|][Pr{)|][( ]1[]1[]1[]1[][ iiiii aTaipTaaipF (3)
]1[]1[
][
][exp1
ii
i
aaip (4)
niii ,...,2,11 ][][ (5)
Seja C[i] a variável aleatória do tempo de conclusão da i-ésima atividade processada, então:
niMpytCi
l
i
l
illpi ,...,2,11 1
][][][][
(6)
Em que M[i] é uma variável aleatória discreta que pode assumir i+1 valores múltiplos de tr, a
partir do produto de k e tr (k=0, 1, ..., i). Seja Ni = {1, 2, ..., i} e Ni,k um subconjunto de Ni
contendo k elementos. Obtém-se a função densidade de probabilidade por:
ikktMki kikiN Nl
l
Nl
lriki ,...,1,0}Pr{, ,,
][][][],[
(7)
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
6
Seja c[i,k] o tempo de conclusão e [i,k] o atraso da i-ésima atividade processada com k falhas
até a conclusão da i-ésima atividade, temos:
niikktpytci
l
i
l
rllpki ,...,1;,...,1,01 1
][][],[
(8)
niikdc ikiki ,...,1;,...,1,0),0max( ][],[],[ (9)
O modelo matemático foi desenvolvido a fim de minimizar duas funções objetivo. Seja F1 o
atraso esperado ponderado, e F2 o custo total esperado de manutenção, temos:
njniyx
njx
nix
asubjeito
CmEyxFMinimizar
EwyxFMinimizar
iij
n
i
ij
n
j
ij
n
i
iiij
n
i
iiiij
,...,2,1,,...,2,1}1,0{,
,...,2,11
,...,2,11
)(),(
)(),(
1
1
1
][2
1
][][1
(10)
O valor da primeira função objetivo para uma dada solução pode ser calculada utilizando a
equação (11), tal como sugerido por Cassady & Kutanoglu (2003):
niikEi
k
kikii ,...,1;,...,1,0)(0
],[],[][
(11)
O valor da segunda função objetivo pode ser calculada usando as equações (12) e (13):
niikkcyccmi
l
albki ,...,1;,...,1,01
][],[
(12)
niikcmCmEi
k
kikii ,...,1;,...,1,0)(0
],[],[][
(13)
3. Algoritmo genético multi-objetivo
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
7
De acordo com a Deb (2001), a aplicação de otimização evolucionária multi-objetivo em
problemas de scheduling multi-objetivo tem recebido muito menos atenção em comparação
com algoritmos evolucionários para os problemas de scheduling com um único objetivo.
Algoritmos genéticos, quando aplicados a problemas de scheduling, as possíveis
programações da produção são vistas como indivíduos ou membros de uma população. Cada
indivíduo é caracterizado por seu fitness. O fitness de um indivíduo é medido pelo valor
associado da função objetivo. O algoritmo funciona de forma iterativa, e cada iteração é
referida como geração. A população de uma geração é composta por sobreviventes da geração
anterior, mais os novos individuos, ou seja, os descendentes (filhos) da geração anterior. O
tamanho da população geralmente permanece constante de uma geração para a seguinte. Os
filhos são gerados pela reprodução e mutação de indivíduos que faziam parte da geração
anterior (os pais). Os indivíduos são, por vezes, também conhecidos como cromossomos
(PINEDO, 2012).
As características do algoritmo genético multi-objetivo implementado são descritos em
seguida.
3.1. A representação dos cromossomos
Neste trabalho, um cromossomo é composto por dois sub-cromossomos. O primeiro contém
as informações sobre a seqüência de atividades em uma única máquina, e o segundo contém a
decisão de realizar a manutenção preventiva nesta máquina antes que a i-ésima atividade na
seqüência. Esta notação é também usada por Sortrakul & Cassady (2007).
Por exemplo, para o problema de três atividades, o cromossomo da sequência de atividades
poderia ser {3 1 2} e o cromossomo de manutenção preventiva {1 0 1}.
3.2. Estratégia de reprodução, crossover e mutação
Em um problema com dois objetivos, existem dois valores a serem otimizados
simultaneamente. Várias estratégias podem ser definidas, a fim de escolher os dois pais para
um processo de reprodução. Neste artigo, a definição de vários níveis de soluções não-
dominadas é apresentada. Com este cálculo, uma solução do conjunto de primeiro nível de
soluções não-dominadas é escolhida para combinar com outra solução selecionada
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
8
aleatoriamente a partir da população. Recomenda-se que os novos filhos devem substituir os
indivíduos a partir dos últimos níveis de soluções não-dominadas.
O crossover C1, como explicado em Reeves (1995) é implementado no cromossomo da
sequência de atividades e o crossover de um ponto é aplicado ao cromossomo binário que
codifica as decisões de manutenção preventiva. As operações de crossover são executadas em
ambos os cromossomos em cada geração.
Embora, uma mutação shift é proposta para mutar a sequência das soluções de programação
da produção, uma mutação de um ponto é proposta para soluções de manutenção preventiva.
Uma elevada probabilidade fixa de mutação é recomendada como sugerido por Reeves (1995)
e Sortrakul & Cassady (2007).
3.3. Tamanho da população, população inicial e critério de parada
Reeves (1993) relatarou que muitos autores sugerem que o tamanho da população tão pequena
como 30 membros é suficiente para produzir resultados satisfatórios. Portanto, uma população
de 30 cromossomos é usada neste artigo. Neste estudo, a população inicial é escolhida
aleatoriamente e as heurísticas terminam quando mil gerações são avaliadas.
4. Aplicação numérica
Um exemplo numérico foi desenvolvido a fim de avaliar a compatibilidade do modelo e a
eficiência do algoritmo genético multi-objetivo proposto. Foram desenvolvidos 10 cenários
com 7 atividades, que se diferenciam a partir dos valores do tempo de processamento, pj, o
prazo, dj, e a importância relativa, wj. Os valores dos dados de simulação e os parâmetros são
apresentados na Tabela 2 e Tabela 3.
Tabela 2 - Dados da simulação e os parâmetros do modelo
n tp tr cb ca
7 atividades 2 175 dias 82 dias 5 dias 15 dias US$ 10.00 US$ 100.00
Fonte: Os autores
Tabela 3 - Dados da simulação para 10 cenários
Cenário 1 Cenário 2 Cenário 3 Cenário 4 Cenário 5
j pj dj wj pj dj wj pj dj wj pj dj wj pj dj wj
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
9
1 2 86 5 20 147 8 10 96 8 24 138 7 47 69 8
2 37 81 3 30 110 3 22 6 7 8 41 6 11 100 3
3 26 58 10 13 52 6 6 11 10 18 115 5 36 116 7
4 25 19 7 15 88 1 30 49 6 31 29 7 13 53 6
5 45 25 6 31 17 5 24 80 4 10 44 7 7 100 6
6 31 89 5 14 136 4 35 99 2 37 15 7 31 63 9
7 31 4 2 41 132 2 35 62 6 13 87 7 23 126 3
Cenário 6 Cenário 7 Cenário 8 Cenário 9 Cenário 10
j pj dj wj pj dj wj pj dj wj pj dj wj pj dj wj
1 17 97 2 39 79 6 13 106 8 38 66 9 50 88 6
2 7 82 2 47 80 4 23 67 5 19 125 6 27 38 9
3 47 108 5 49 129 2 35 4 9 12 116 2 24 100 7
4 33 79 5 10 73 6 19 50 5 40 26 3 40 13 6
5 24 149 4 8 60 3 37 64 8 48 129 5 12 94 8
6 32 34 8 35 101 1 20 41 5 17 148 8 25 99 9
7 28 17 7 6 111 8 34 30 8 34 78 8 45 110 10
Fonte: Os autores
O espaço de soluções em um dos cenários possui 5040 (7!) soluções para a programação da
produção e 128 (27) possíveis decisões de manutenção preventiva. Logo, existem 645.120
possíveis soluções para o problema integrado com 7 atividades como ilustrado na Figura 1.
Figura 1 - Espaço objetivo de soluções para o cenário 10
Fonte: Os autores
A eficiência do algoritmo genético foi avaliada a partir da comparação entre os resultados
obtidos por este e as sequências que se encontram na fronteira de Pareto (soluções não
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
10
dominadas) obtidas por meio de forma extensiva, onde todas as possíveis soluções foram
avaliadas.
Embora o algoritmo genético tenha conseguido encontrar apenas 18 soluções de pareto das
271 do modelo exaustivo dos 10 cenários avaliados, a distância média dos pontos da fronteira
de pareto do algoritmo genético foi de apenas 0,97% em relação aos pontos da fronteira de
pareto do método exaustivo, o que demonstra um desempenho satisfatório. A distância entre
as soluções obtidas pelo algoritmo genético e as soluções não dominadas pode ser analisada
na Figura 2, na Figura 3 e na Figura 4.
O tempo computacional para 1000 iterações do algoritmo genético multi-objetivo durou em
média 50 segundos em comparação com 480 segundos (8 minutos), utilizando o método
exaustivo. Verificou-se que os indivíduos gerados aleatoriamente evoluíram para soluções
não-dominadas quase 10 vezes mais rápido do que pelo método exaustivo para um problema
com 7 atividades.
O computador utilizado para as simulações realizadas tinha um processador: Intel(R)
Core(TM) i3-2120 CPU, 3.30GHz, memória instalada (RAM): 4,00 GB, e sistema
operacional Windows 7 de 64 Bits.
Figura 2 - Gráfico das soluções obtidas pelo algoritmo genético e método exaustivo
Fonte: Os autores
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
11
Figura 3 - Gráfico das soluções obtidas pelo algoritmo genético e método exaustivo
Fonte: Os autores
Figura 4 - Gráfico das soluções obtidas pelo algoritmo genético e método exaustivo
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
12
Fonte: Os autores
5. Conclusões
O modelo integrado proposto neste artigo pode muito bem ser de interesse para a indústria, a
fim de tratar as necessidades de produção e manutenção que levam em conta dois objetivos
conflitantes relacionados a atraso de atividades e custo de manutenção da programação.
Um conjunto de dez simulações para 7 atividades demonstrou que o algoritmo foi capaz de
encontrar soluções com uma distância média inferior a 1% das soluções ótimas obtidas por
meio de um método exaustivo. Embora o algoritmo genético multi-objetivo precise ser
avaliado e testado com um maior número de simulações, os resultados indicam que o
algoritmo tem potencial para uso, conforme ilustrado na aplicação numérica.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
13
A escolha de um método multi-objetivo apropriado, a fim de recomendar apenas uma das
soluções do conjunto de Pareto, é uma tarefa desafiadora para futuras pesquisas.
REFERÊNCIAS
AGHEZZAF, E; NAJID, N. M.. Integrated Production Planning and Preventive Maintenance in Deteriorating
Production Systems. Information Sciences 178.17: 3382–3392 (2008).
ALLAOUI, H. et al. Simultaneously Scheduling n Jobs and the Preventive Maintenance on the Two-machine
Flow Shop to Minimize the Makespan. International Journal of Production Economics 112: 161–167 (2008).
ÁNGEL-BELLO, F. et al. A Heuristic Approach for a Scheduling Problem with Periodic Maintenance and
Sequence-dependent Setup Times. Computers & Mathematics with Applications 61: 797–808 (2011).
CASSADY, C R.;KUTANOGLU, E.. Minimizing Job Tardiness Using Integrated Preventive Maintenance
Planning and Production Scheduling. IIE Transactions 35: 503–513 (2003).
DEB, K. Multi-objective Optimization Using Evolutionary Algorithms. Chichester, U.K.: Wiley (2001)
GRAVES, G. H.; LEE, C.. Scheduling Maintenance and Semiresumable Jobs on a Single Machine. Naval
Research Logistics 46.7: 845–863 (1999).
LEE, C.Y; CHEN, Z.L. Scheduling Jobs and Maintenance Activities on Parallel Machines. Naval Research
Logistics 47: 145–165 (2000).
MORADI, E.; GHOMI, S.M.T.F.; ZANDIEH, M. Bi-objective optimization research on integrated fixed time
interval preventive maintenance and production for scheduling flexible job-shop problem. Expert Systems with
Applications, 38(6), 7169–7178 (2011).
PINEDO, M. L. Scheduling: Theory, Algorithms, and Systems. New York: Springer. (2012).
QI, X.; CHEN, T; TU, F. Scheduling the Maintenance on a Single Machine. Journal of the Operational
Research Society 50.10: 1071–1078 (1999).
REEVES, C.R., Genetic algorithms, in Reeves, C.R. (Ed.), Modern Heuristic Techniques for Combinatorial
Problems, John Wiley & Sons, New York, NY, pp. 151-88 (1993)
REEVES, C.R., A genetic algorithm for flowshop sequencing, Computers & Operations Research, Vol. 22
No. 1, pp. 5-13 (1995)
SORTRAKUL, N.; CASSADY, C. R. Genetic Algorithms for Total Weighted Expected Tardiness Integrated
Preventive Maintenance Planning and Production Scheduling for a Single Machine. Journal of Quality in
Maintenance Engineering 13.1: 49–61 (2007).
WANG, S.; LIU, M. A Branch and Bound Algorithm for Single-machine Production Scheduling Integrated with
Preventive Maintenance Planning. International Journal of Production Research 51.3: 847–868 (2013).
YULAN, J.; ZUHUA, J.; WENRUI, H. Multi-objective Integrated Optimization Research on Preventive
Maintenance Planning and Production Scheduling for a Single Machine. The International Journal of
Advanced Manufacturing Technology 39.9-10: 954–964 (2008).