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 - - aneirson@feg.unesp.br.

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 - fmarins@feg.unesp.br.

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.