EVOLUÇÃO DIFERENCIAL: CARACTERÍSTICAS DOS MÉTODOS DE ... · [email protected] A...
Transcript of EVOLUÇÃO DIFERENCIAL: CARACTERÍSTICAS DOS MÉTODOS DE ... · [email protected] A...
EVOLUÇÃO DIFERENCIAL:
CARACTERÍSTICAS DOS MÉTODOS DE
SOLUÇÃO PARA A PROGRAMAÇÃO DA
PRODUÇÃO EM AMBIENTES FLOW
SHOP PERMUTACIONAL
Larissa de Carvalho (UNESPAR )
Marcia de Fatima Morais (UNESPAR )
Leandro dos Santos Coelho (PUCPR )
Rony Peterson da Rocha (UNESPAR )
EDERALDO LUIZ BELINE (UNESPAR )
A Evolução Diferencial (ED), que constitui um dos mais recentes
métodos de otimização evolucionária, é um algoritmo eficiente que,
geralmente apresenta rápida convergência na busca das soluções em
problemas de otimização contínua. A ED se bbaseia nos mecanismos
de seleção natural e na genética de populações, e utiliza operadores de
mutação, cruzamento e seleção para gerar novos indivíduos em busca
do mais adaptado e se destaca pela pequena quantidade de parâmetros
utilizados. Desde sua introdução por Storn e Price em 1995, muitos
avanços têm sido obtidos no sentido de tornar viável a aplicação desta
abordagem em uma ampla variedade de campos, dentre os quais os
problemas de Programação da Produção (PP), uma das atividades do
Planejamento e Controle da Produção (PCP). Diante do exposto, com
o objetivo de identificar o atual estado da arte das pesquisas no campo
de PP, analisou-se trabalhos que abordam o desenvolvimento de
algoritmos de ED para a solução do Problema de PP em sistemas
Flow Shop Permutacional. Foram identificados 31 trabalhos dos quais,
por meio do método de análise de conteúdo, foram extraídas as
principais características, conforme segue: estratégias de ED
procedimento de iniciar a população, taxa de mutação, a taxa de
cruzamento, critério de parada, tamanho da população, número
máximo de gerações e número máximo de execuções. Os resultados das
análises foram, em maior parte, discutidos em termos de porcentagem.
Verificou-se que a estratégia de ED predominante foi a
ED/aleatória/1/binomial, estando presente em 41,94% dos trabalhos.
Os valores mais utilizados para a taxa de cruzamento foram 0,1 e 0,8 e
para as taxas mutação foram 0,7, 0,8 e 0,9.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
2
Palavras-chave: Estado da Arte. Evolução Diferencial. Métodos de
Solução. Flow Shop Permutacional. Análise de Conteúdo.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
3
1. Introdução
A Programação da Produção (PP) é uma das atividades executadas pelo Planejamento,
Programação e Controle da Produção (PPCP) constitui uma parte central dos processos
associados à produção. A necessidade de aperfeiçoamento nos processos produtivos e de
decisões tem levado as empresas a buscarem os melhores mecanismos para auxiliar em
análises de decisões e resultados da empresa (MORAIS; ROCHA; CARVALHO, 2015).
A PP determina o sequenciamento de tarefas em máquinas, especificando os tempos de início
e fim de processamento de cada tarefa. Em outras palavras, problemas de PP consistem em
determinar a ordem ou sequência em que as máquinas irão processar as tarefas de modo a
otimizar considerando alguma(s) medida(s) de desempenho (JOHNSON; MONTGOMERY,
1974). Neste contexto, a programação da produção “pode ser definida como a alocação de
recursos ao longo do tempo para executar tarefas para melhor atender um conjunto de
critérios pré-definidos” (MACCARTHY; LIU, 1993).
Devido a importância dos processos decisórios inerentes a PP, o campo das pesquisas
orientadas ao desenvolvimento de técnicas e métodos de solução aplicados aos problemas de
PP vem crescendo consideravelmente desde o trabalho pioneiro de Johnson (1954). A
Inteligência Computacional (IC) é uma área do conhecimento que compreende paradigmas
computacionais que buscam desenvolver sistemas que apresentam alguma forma de
inteligência similar ou mesmo inspirada à exibida por determinados sistemas biológicos
(MAIA, 2006), tem sido objeto de muitos estudos orientados aos problemas de PP.
Um paradigma relevante da IC, da subárea denominada de Computação Evolutiva, é a
Evolução Diferencial (ED). A ED é um algoritmo eficiente que, geralmente apresenta rápida
convergência na busca das soluções desejadas em problemas de otimização mono e
multiobjectivo (FERRARI; LEANDRO; OLIVEIRA, 2014). Embora o algoritmo de ED,
tenha sido inicialmente desenvolvido em 1995 (STORN; PRICE, 1995) para otimização de
sistemas contínuos e não lineares (PRADO et al., 2010), na literatura pode-se verificar a
proposição de algumas versões discretas, dentre as quais destacamos versões orientadas a
solução dos problemas de PP.
Diante do exposto, o objetivo deste trabalho é identificar e analisar variantes adotadas nos
algoritmos de ED desenvolvidos para problemas de PP em sistemas Flow Shop Permutacional
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
4
(FSP), que segundo Arenales et al. (2007) consiste no ambiente de produção onde n tarefas
tem o mesmo roteiro nas m máquinas e a sequência de processamento das tarefas é a mesma
em todas as máquinas. Esta pesquisa poderá servir de referencial e direcionador para futuras
pesquisas orientadas ao o problema de PP em ambientes FSP, a partir de lacunas identificadas
na literatura.
Este artigo encontra-se estruturado em cinco seções. Após a contextualização e
ambientalização da pesquisa mencionado nesta seção, o referencial teórico referente à ED é
exposto na seção 2. A metodologia da pesquisa é apresentada na terceira seção. Após, na
quarta seção, denominada resultados e discussões, contempla os trabalhos identificados na
literatura pesquisada, bem como as análises. Por fim, são mencionadas as considerações
finais.
2. Referencial teórico: Evolução Diferencial
A Evolução Diferencial (ED) é um algoritmo evolutivo guloso (greedy) que se baseia nos
mecanismos de seleção natural e na genética de populações, e utiliza operadores de mutação,
cruzamento e seleção para gerar novos indivíduos em busca do mais adaptado (ROCHA;
SARAMAGO, 2011). Uma importante característica da ED é a pequena quantidade de
parâmetros utilizados, sendo eles a ponderação da diferença empregada (F), a probabilidade
de ocorrência de recombinação (CR), a quantidade de indivíduos/vetores mantidos na
população (Np) e o número de gerações realizadas durante o processo (GEN) (SILVA, 2010).
Conforme Figueiredo; Souza; Araújo (2014), inicialmente é realizada uma escolha aleatória
com distribuição uniforme de uma população composta por Np indivíduos, que são
denominados vetores, os quais devem cobrir todo o espaço de busca. Em algoritmos de ED,
Np deve ser maior ou igual a quatro (STORN; PRICE, 1997).
Em seguida é feita a avaliação dos indivíduos, onde é medido o valor de aptidão dos mesmos,
o qual é obtido pela avaliação do indivíduo por meio da função a ser otimizada (BARBOZA,
2005).
Segundo Paiva (2011), após isso, ocorre a mutação, onde estes vetores sofrem modificações, o
que faz surgir novos indivíduos, denominados vetores doadores, pela adição da diferença
ponderada entre dois indivíduos escolhidos aleatoriamente da população inicial a um terceiro
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
5
indivíduo que também é escolhido de forma aleatória com distribuição uniforme da população
original. O processo de mutação pode ser escrito conforme a equação 1, tal que:
( (1)
onde é o vetor doador; é um fator constante e real [0, 2] o qual controla a
amplificação da variação diferencial (STORN; PRICE, 1997); e representam
indivíduos aleatórios e mutuamente distintos, escolhido da população (PAIVA, 2011). A
literatura apresenta diversas formas de definir o parâmetro F, não havendo um consenso sobre
tal questão (DAS; SUGANTHAN, 2011). De acordo com Storn; Price (1997) iniciar com
F=0,5 é geralmente uma escolha apropriada.
De acordo com Oliveira (2006), posteriormente ocorre a operação de cruzamento, onde os
vetores doadores são combinados com os componentes de um outro vetor escolhido
aleatoriamente, chamado de vetor alvo, a fim de gerar o vetor denominado experimental. Este
processo é conhecido por cruzamento. As componentes do vetor experimental podem ser
escolhidas pela equação 2, tal que:
i = 1, 2, ..., n (2)
sendo números aleatórios gerados com distribuição uniforme no intervalo [0,1];
e são os respectivos componentes dos vetores: experimental,
alvo e doador; CR é uma constante de cruzamento [0, 1] especificada pelo usuário
(STORN; PRICE, 1997) e representa a probabilidade do vetor experimental herdar os valores
das componentes do vetor doador.
Para Lacerda (2010), a seleção é feita comparando o valor de custo do vetor experimental e do
vetor alvo, sendo assim, se o custo do vetor experimental for menor que o custo do vetor alvo,
o vetor alvo da geração seguinte será o vetor experimental, caso contrário, o vetor alvo da
geração seguinte será o vetor alvo da geração atual. Essa regra é representada pela equação 3
dada por:
(3)
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
6
onde é o custo do vetor experimental; é o custo do vetor alvo; é o vetor
alvo da próxima geração; e é o vetor experimental.
O procedimento é finalizado por meio de algum critério de parada, o qual pode ser: um
número determinado de iterações consecutivas, um tempo computacional determinado, um
número máximo de iterações ou ainda, quando um número máximo de avaliações de
indivíduos é atingido (ROSÁRIO, 2011).
As principais etapas de um algoritmo de evolução diferencial clássico estão mostradas na
Figura 1.
Figura 1 – Etapas de um algoritmo de Evolução Diferencial Clássico
Fonte: Adaptado de Rosário (2011)
A estratégia de ED adotada no desenvolvimento dos métodos de solução é uma questão muito
importante, pois o algoritmo pode apresentar diferentes comportamentos baseados na
estratégia selecionada. Conforme Storn; Price (1997) as estratégias de ED podem ser escritas
como DE/a/b/c, sendo que a determina o vetor que será perturbado, podendo ser “rand” que
significa que um vetor da população foi escolhido aleatoriamente ou “best” que significa o
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
7
vetor de menor custo da população; b determina a quantidade de diferenças ponderadas
utilizadas para a perturbação de a; c especifica qual o tipo de cruzamento, podendo ser “exp”
que significa exponencial ou “bin” que significa binomial. Dez estratégias de ED que podem
ser adotadas no desenvolvidos de algoritmos de ED estão apresentadas no Quadro 1.
Quadro 1 – Estratégias de Evolução Diferencial
Fonte: Rocha; Saramago (2011)
3. Metodologia
Esta pesquisa classifica-se quanto aos fins, como descritiva, explicativa e metodológica, e
quanto aos meios, como bibliográfica. Os métodos de abordagem adotados foram o
quantitativo e qualitativo.
A busca por trabalhos foi realizada em periódicos, monografias, teses, dissertações e anais de
eventos. Não foi estabelecida uma limitação temporal para a investigação. Os principais
bancos de dados utilizados para o levantamento de trabalhos e as principais palavras-chaves
utilizadas na busca por trabalhos são apresentadas no Quadro 2.
Quadro 2 – Bancos de Dados e Palavras-chaves utilizadas na pesquisa
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
8
A análise de conteúdo dos trabalhos encontrados foi feita de acordo com as variantes adotadas
nos algoritmos de ED desenvolvidos para o problema aqui investigado. As variantes
consideradas nas análises foram: Estratégia de ED adotada, Procedimento para iniciar a
população, Taxas de mutação e cruzamento, Critério de parada, Tamanho da população,
Número máximo de execuções e Número máximo de gerações.
As análises foram realizadas em termos de número de publicações e porcentagem de
ocorrência das variantes.
4. Resultados e Discussões
Nas bases de dados definidas, foram identificados 31 trabalhos (Quadro 3) que propõem
algoritmos de Evolução Diferencial (ED) para a solução do Problema de Programação da
Produção (PPP) em sistemas Flow Shop Permutacional (FSP)
Quadro 3 – Trabalhos que propõe algoritmos de ED para a solução do PPP em FSP
O Quadro 4 a seguir, relaciona os trabalhos identificados, de acordo com as estratégias de ED
adotadas.
Quadro 4 – Relação de trabalhos de acordo com as estratégias de ED adotadas
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
9
Em relação as estratégias de ED adotadas, os trabalhos de Guimarães et al. (2013) e Tien et
al. (2015) são destacados por apresentar mais de uma estratégia.
O gráfico 1 apresenta a porcentagem dos trabalhos de acordo com as estratégias de ED.
Gráfico 1 – Porcentagem de trabalhos de acordo com as estratégias de ED adotadas nos algoritmos
Ao observar o gráfico 1 percebe-se que estratégia mais utilizada pelos autores foi
DE/rand/1/bin (13 trabalhos), seguida de DE/rand-to-best/1/exp (7 trabalhos).
O Quadro 5 a seguir, relaciona os trabalhos identificados, de acordo com o procedimento de
inicialização da população.
Quadro 5 – Relação de trabalhos de acordo com o procedimento para iniciar da população
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
10
Os trabalhos de Deng; Gu (2012), Li; Yin (2013), Liu (2012), Liu; Yin; Gu (2014), Pan;
Wang (2008), Qian et al. (2013), Tasgetiren et al. (2007), Tasgetiren et al. (2010), Tasgetiren
et al. (2015), Tasgetiren et al. (2012b) e Sang; Gao; Li (2012) se destacam por apresentarem
mais de um procedimento de inicialização da população.
O gráfico 2 apresenta a porcentagem dos trabalhos de acordo com o procedimento de
inicialização adotado.
Gráfico 2 - Porcentagem de trabalhos de acordo com o procedimento para iniciar população adotado
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
11
Observando o gráfico 2, percebe-se que o procedimento de inicialização predominante nos
trabalhos é o aleatório, estando presente em 21 trabalhos, seguido da heurística NEH presente
em 11 trabalhos.
Os quadros 6 e 7 relacionam os trabalhos identificados, de acordo com a taxa de mutação e a
taxa de cruzamento, respectivamente.
Quadro 6 - Relação de trabalhos de acordo com a taxa de mutação
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
12
Quadro 7 - Relação de trabalhos de acordo com a taxa de cruzamento
Os trabalhos de Guimarães et al. (2013); Lobato; Gedraite; Neiro (2012); Qian et al. (2006);
Tasgetien et al. (2011); Tien et al. (2015) são destacados por que apresentarem mais de um
valor para a taxa de mutação.
Destaque também deve ser dado aos trabalhos de Guimarães et al. (2013); Lobato; Gedraite;
Neiro (2012); Qian et al. (2006); Qian et al. (2008); Qian et al. (2009); Tasgetien et al. (2011)
por apresentarem mais de um valor para a taxa de cruzamento.
O gráfico 3 apresenta a porcentagem dos trabalhos de acordo com a taxa de mutação utilizada.
Gráfico 3 - Porcentagem de trabalhos de acordo com a taxa de mutação utilizada
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
13
Ao analisar o gráfico 3, verifica-se que os valores para a taxa de mutação mais utilizados nos
trabalhos foram 0,7, 0,8 e 0,9, sendo que cada um desses valores esteve presente em 6
trabalhos. Ressalta-se que além dos valores apresentados no gráfico 3, o trabalho de Xu;
Xiang; Wang (2010) apresentou a taxa de mutação como sendo adaptativamente ajustado para
cada indivíduo.
O gráfico 4 apresenta a porcentagem dos trabalhos de acordo com a taxa cruzamento
utilizada.
Gráfico 4 – Porcentagem de trabalhos de acordo com a taxa de cruzamento
Analisando o gráfico 4, verifica-se que os valores para a taxa de cruzamento mais utilizados
nos trabalhos foram 0.1 e 0.8, sendo que cada um desses valores esteve presente em 9
trabalhos. Ressalta-se que além desses valores apresentados no gráfico 4, os trabalhos de Xu,
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
14
Xiang; Wang (2010), Liu (2012) e Li; Yin (2013) apresentaram a taxa de cruzamento como
sendo adaptativamente ajustado para cada indivíduo, aleatório e com diversidade de medidas,
respectivamente.
O Quadro 8 a seguir, relaciona os trabalhos identificados, de acordo com o critério de parada.
Quadro 8 – Relação de trabalhos de acordo com o critério de parada
O gráfico 5 apresenta a porcentagem dos trabalhos de acordo com o critério de parada
adotado.
Gráfico 5 - Porcentagem de trabalhos de acordo com o critério de parada adotado
Fonte: Elaborado pelos autores
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
15
Pode ser verificado no Gráfico 5 que o critério de parada que predomina nos trabalhos é o
tempo computacional máximo (17 trabalhos), seguido do critério de parada número máximo
de gerações (14 trabalhos).
Em relação aos tamanhos da população encontradas nos trabalhos não foi possível estabelecer
um padrão para realizar comparações, sendo encontrados diversos valores, os quais foram: 10,
20, 30, 40, 50, 60, 100, 500, n, 2n, 5n e [30, n], com n variando conforme o benchamark
utilizado e os métodos utilizados para comparação.
Também não foi possível estabelecer um padrão para realizar comparações dos números
máximos de gerações, sendo encontrados os seguintes valores: 40n2, 300n(n-1), 150, 300,
400, 500 e 1000.
Verificou-se nos trabalhos que o número máximo de execuções depende das características
dos problemas testes utilizados na experimentação computacional, sendo identificados os
seguintes valores: 5, 10, 15, 20, 30 e 15000.
4. Considerações Finais
Os resultados deste trabalho mostram que os estudos direcionados ao desenvolvimento de
algoritmos de Evolução Diferencial (ED) para a solução do Problema Programação da
Produção (PPP) em sistemas Flow Shop Permutacional (FSP) são recentes, e que ainda não
existem trabalhos que tratam desse assunto disponíveis na literatura especializada, a nível de
Brasil.
Outra constatação feita no decorrer deste estudo foi a falta de padronização no tamanho da
população, número máximo de gerações e número máximo de execuções, o que dificultou a
realização de comparações.
Apesar de modestas, as conclusões do presente estudo são muito importantes, pois nos dão
uma orientação na condução de projetos baseados em algoritmos de ED a serem
desenvolvidos no futuro.
Ainda não existe um método para se identificar a priori qual a melhor estratégia a se adotar
para um problema, sendo a escolha baseada em tentativa e erro. Sugere-se para trabalhos
futuros que seja efetuado um estudo comparativo entre as estratégias de ED, de modo a
identificar o comportamento das estratégias nas soluções fornecidas. Sugere-se também, para
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
16
trabalhos futuros que seja realizada uma investigação sobre os algoritmos de ED auto-
adaptativos e suas aplicações para o PPP em sistemas FSP.
REFERÊNCIAS
AKROUT, H.; JARBOUI, B.; REBAI, A; SIARRY, P. New greedy randomized adaptive search procedure based
on differential evolution algorithm for solving no-wait flow shop scheduling problem. In: International
conference on advanced logistics and transport, 2., 2013a, Sousse. Anais… Sousse: ICALT, 2013a.
AKROUT, H.; JARBOUI, B.; SIARRY, P.; REBAI, A. A hybrid GRASP-Differential Evolution algorithm for
solving flow shop scheduling problems with no-wait constraints. In JABOUI, B.; SIARRY, P.; TEGHEM, J.
Metaheuristics for Production Scheduling. Grã-Bretanha e Estados Unidos: Wiley-ISTE, 2013, capítulo 3, p.
45-67.
ARENALES, M.; ARMENTANO, V.; MORABITO, R.; YANASSE, H. Pesquisa Operacional. Rio de Janeiro:
Elsevier, 2007.
BARBOZA, A. O. Escalonamento dinâmico de tarefas industriais sujeitas a prazos de entrega. 2005. 236f.
Tese (Doutorado em Engenharia Elétrica e Informática Industrial) – Universidade Tecnológica do Paraná,
Curitiba, 2005.
DAS, S.; SUGANTHAN, P. N. Differential evolution: a survey of the state-of-the-art. IEEE Transactions on
Evolutionary Computation, v. 15, n. 1, p.04-31, 2011.
DENG, G.; GU, X. A hybrid discrete differential evolution algorithm for the no-idle permutation flow shop
scheduling problem with makespan criterion. Computers & Operations Research, v. 39, p.2152-2160, 2012.
DONG, M.A discrete differential evolution with tabu list approach to no-wait flow-shop scheduling. In:
International Conference on Information and Automation, 2015, Lijang. Anais… Lijang: ICIA, 2015.
FERRARI, A. C. K.; LEANDRO, G. V.; OLIVEIRA, G. Evolução diferencial com parâmetros ajustáveis por
lógica fuzzy. In: CONGRESSO BRASILEIRO DE AUTOMÁTICA, 20., 2014, Belo Horizonte. Anais... Belo
Horizonte: SBA, 2014.
FIGUEIREDO, D. D. SOUZA, L. V.; ARAÚJO, A. S. Algoritmo Evolução Diferencial Adaptado para o
Problema das P-Medianas. In: Congresso de matemática aplicada e computacional, 2., 2014. Curitiba. Anais...
Curitiba: SBMAC, 2014.
GUIMARÃES, F. G. SILVA, R. C. P.; PRADO, R. S.; MAGELA NETO, O.; DAVENDRA, D. D. Flow shop
scheduling using a general approach for differential evolution. Handbook of Optimization. Intelligent Systems
Reference Library, v.38, p. 597-614, 2013.
JOHNSON S. M.; MONTGOMERY D. C. Operations Research in Production, Planning, Scheduling and
Inventory Control. New York: Wiley, 1974.
JOHNSON, S. Optimal two- and three-stage production schedules with setup times included. Naval Research
Logistics Quaterly, v.1, n.1, p. 61-68, 1954.
LACERDA, A. S. M. Proposta de um algoritmo evolucionário nebuloso para s olução de problemas de
otimização multiobjectivo. 2010. 75f. Dissertação (Mestrado em Engenharia Elétrica) –Universidade Federal
de Minas Gerais, Belo Horizonte, 2010.
LI, X.; YIN, M. An opposition-based differential evolution algorithm for permutation flow shop scheduling
based on diversity measure. Advances in Engineering Software, v. 55, p. 10-31, 2013.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
17
LIU, W. An improved differential evolution for permutation flowshop scheduling problem with total flowtime
criterion. In: International conference on system science, engineering design and manufacturing informatization,
3., 2012, Chengdu. Anais…Chengdu: ICSEM, 2012.
LIU, Y.; YIN, M.; GU, W. An effective differential evolution algorithm for permutation flow shop scheduling
problem. Applied Mathematics and Computation, v. 248, 2014, p. 143-159.
LOBATO, F. S.; GEDRAITE, R.; NEIRO, S. M. S. Solution of flow shop scheduling problems using the
differential evolution algorithm. In: International Conference on Engineering Optimization, 3., 2012, Rio de
Janeiro. Anais… Rio de Janeiro: Enngopt, 2012.
MACCARTHY, B. L.; LIU, J.Y. Adressing the gap in scheduling research: a review of optimization and
heuristic methods in production scheduling, International Journal of Production Research, 31, n.1, 1993, p.
59-79.
MAIA, N. A. Engenharia de tráfego em domínio mpls utilizando técnicas de inteligência computacional.
2006. 196f. Tese (Doutorado em Engenharia Elétrica) – Universidade Federal de Minas Gerais, Belo Horizonte,
2006.
MORAIS, M. F.; ROCHA, R. P.; CARVALHO, L. Problemas de Programação da Produção: Uma Visão Geral
dos Métodos de Solução. In: ENCONTRO DE ENGENHARIA DE PRODUÇÃO AGROINDUSTRIAL., 9.,
2015. Campo Mourão. Anais... Campo Mourão: EEPA, 2015.
OLIVEIRA, G. T. S. Estudos e Aplicações da Evolução Diferencial. 2006. 126f. Dissertação (Mestrado em
Engenharia Mecânica) – Faculdade de Engenharia Mecânica, Uberlândia, 2006.
PAIVA, A. L. MAIA. Aplicação do método de evolução diferencial à otimização de um ciclo de
refrigeração por compressão de vapor de dois estágios através da análise energética. 2011. 107f.
Dissertação (Mestrado em Engenharia Mecânica) - Universidade Federal do Rio de Janeiro, Rio de Janeiro,
2011.
PAN, Q-K.; TASGETIREN, M. F.; LIANG, Y-C. A discrete differential evolution algorithm for the permutation
flowshop scheduling problem. Computers & Industrial Engineering, v. 55, p. 795-816, 2008.
PAN, Q-K.; WANG, L. A novel differential evolution algorithm for no-idle permutation flow-shop scheduling
problems. European Journal of Industrial Engineering, v. 02, n. 03, p.279-297, 2008.
PAN, Q-K; TASGETIREN, M. F.; LIANG, Y-C.A Discrete Differential Evolution Algorithm for the
Permutation Flowshop Scheduling Problem. In: Conference on genetic and evolutionary computation, 9., 2007,
Londres. Anais… Londres, GECCO, 2007.
PAN,Q-K.;WANG, L.; QIAN, B. A novel differential evolutions algorithm for bi-criteria no-wait flow shop
scheduling problems.. Computers & Operations Research, v. 36, p. 2498-2511, 2009.
PRADO, R. S.; SILVA, R. C. P.; GUIMARÃES, F. G.; MAGELA NETO, O. Uma nova abordagem para a
evolução diferencial em otimização discreta. In: Congresso Brasileiro de Automática, 18, 2010, Bonito/MS.
Anais...Bonito/MS: CBA, 2010.
QIAN, B. WANG, L.; HU, R.; WANG, W-L.; HUANG, D-X.; WANG, X. A hybrid differential evolution
method for permutation flow-shop scheduling. International Journal Advanced Manufacturing Technology,
v. 38, p. 757-777, 2008.
QIAN, B.; DU, P.; HU. R.; CHE, G.A differential evolution algorithm with two speed-up methods for NFSSP
with SDSTs and Rds. In: world congress on intelligent control and automation, 2012, Beijing. Anais… Beijing:
WCICA, 2012.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
18
QIAN, B.; WAN, J.; LIU, B.; HU, R.; CHE, G. L. A DE-based algorithm for reentrant permutation flow-shop
scheduling with different job reentrant times. In: Symposium on computational intelligence in scheduling, 2013,
Singapura. Anais... Singapura: SCIS, 2013.
QIAN, B.; WANG, L.; HUANG, D-X.; WANG, X. An effective hybrid DE-based algorithm for multi-objective
flow shop scheduling with limited buffers. Computers & Operations Research, v. 36, p. 209-233, 2009.
QIAN, B.; WANG, L.; HUANG, D-X.; WANG, X. Multi-objetive flow shop scheduling using differential
evolution. Intelligent Computing in Signal Processing and Pattern Recognition. Lecture Notes in Control and
Information Sciences, v. 345, p. 1125-1136, 2006.
ROCHA, N. C.; SARAMAGO, S. F. P. Estudo de algumas Estratégias da Evolução Diferencial. In: Congresso
de matemática aplicada e computacional, 3., 2011, Uberlândia. Anais...Uberlândia: SBMAC, 2011.
ROSÁRIO, R. R. L. Algoritmos Evolutivos Adaptativos para Problemas de Programação de Pessoal. 2011.
231f. Tese (Doutorado em Engenharia de Produção) - Universidade Federal de Santa Catarina, SC. 2011.
SANG, H.; GAO, L.; LI, X. A Differential Evolution Algorithm for Lot-Streaming Flow Shop Scheduling
Problem. In: HUANG, D-S.; GAN, Y.; BELIVACQUA, V.; FIGUEROA, J. C.. Advance Inteligent
Computing. Zhengzhou, China: Springer, 2012, capítulo 15, p. 576-583.
SILVA, R. C. P. Um estudo sobre a auto adaptação de parâmetros na evolução diferencial. 2010. 66f.
Monografia (Graduação em Ciência da Computação) – Universidade Federal de Ouro Preto, Ouro Preto, 2010.
STORN, R.; PRICE, K. Differential evolution - A simple and efficient adaptive scheme for global optimization
over continuous spaces. Technical Report TR-95-012, International Computer Science Institute, Berkeley,
USA, 1995.
STORN, R.; PRICE, K. Differential evolution - a simple and efficient heuristic for global optimization over
continuous space. Journal of Global Optimization, v. 11, p. 341-359, 1997.
TASGETIREN, M. F.; PAN, Q-K., SUGANTHAN, N.; CHEN, A. H-L. A discrete artificial bee colony
algorithm for the permutation flow shop scheduling problem with total flowtime criterion. In: congress on
evolutionary computation, 2010, Barcelona. Anais… Barcelona: CEC, 2010.
TASGETIREN, M. F.; PAN, Q-K.; KIZIALAY, D.; SUER, G. A A populated local search with differential
evolution for blocking flowshop scheduling problem. In: congress on evolutionary computation, 2015, Sendai.
Anais… Sendai: CEC, 2015.
TASGETIREN, M. F.; PAN, Q-K.; SUGANTHAN, P. N.; BUYUKDAGLI, O. A variable iterated greedy
algorithm with differential evolution for solving no-idle flowshops. Swarm and Evolution Computation. Lecture
Notes in Computer Science, v. 7269, p.128-135, 2012b.
TASGETIREN, M. F.; PAN, Q-K.; SUGANTHAN, P. N.; BUYUKDAGLI, O. A variable iterated greedy
algorithm with differential evolution for the no-idle permutation flowshop scheduling problem. Computers &
Operations Research, v. 40, p.1729-1743, 2013.
TASGETIREN, M. F.; PAN, Q-K.; SUGANTHAN, P. N.; CHUA, T. J. A discrete artificial bee colony
algorithm for the total flowtime in permutation flow shops. Information Sciences, v. 181, p. 3459-3475, 2011.
TASGETIREN, M. F.; PAN, Q-K.; SUGANTHAN, P. N.; LIANG, Y-C. A discrete differential evolution
algorithm for the no-wait flowshop scheduling problem with total flowtime criterion. In: Symposium on
computational intelligence in scheduling,2007, Honolulu. Anais… Honolulu: SCIS, 2007.
TASGETIREN, M. F.; PAN, Q-K.; WANG, L.; CHEN, A. H-L.A DE based variable iterated greedy algorithm
for the no-idle permutation flowshop scheduling problem with total flowtime criterion. Advanced Intelligent
Computing Theories and Applications With Aspects of Artificial Intelligence. Lecture Notes in Computer
Science, v. 6839, pp.83-90, 2012a.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
19
TASGETIREN, M. F.; SEVIKLI, M.; LIANG, Y-C.; GENCYLMAZ, G. Differential evolution algorithm for
permutation flowshop sequencing problem with makespan criterion. In: INTERNATIONAL SYMPOSIUM ON
INTELLIGENT MANUFACTURING SYSTEMS, 4., 2004, Sakarya. Anais… Sakarya: IMS, 2004.
TIEN, C-H.; HSU, C-Y.; CHEN, M-H.; CHANG, P-C. Differential evolutionary algorithms with novel mutation
operator for solving the permutation flowshop scheduling problem. In: INTERNATIONAL CONFERENCE ON
CONTROL, AUTOMATION AND ROBOTICS, 2015, Singapura. Anais… Singapura: ICCAR, 2015.
XU, X.; XIANG, Z.; WANG, W. A self-adaptive differential evolution for the permutation flow shop scheduling
problem. In: Control and decision conference, 2010, Xuzhou. Anais… Xuzhou: CCDC, 2010.
ZHENG, T.; YAMASHIRO, M. Solving flow shop scheduling problems by quantum differential evolutionary
algorithm. International Journal Advanced Manufacturing Technology, v. 49, p. 643-662, 2010a.
ZHENG, T.; YAMASHIRO, M. Solving no-wait flow shop scheduling problems by a hybrid quantum-inspired
evolutionary algorithm. Advances in Soft Computing. Lecture Notes in Computer Science, v. 6438, p.315-324,
2010b.