Aggregate Planning

verso impressa ISSN 0101-7438 / verso online ISSN 1678-5142
Pesquisa Operacional, v.30, n.1, p.99-124, Janeiro a Abril de 2010 99

GERANDO PLANOS DE PRODUO ATRAVS DE UM PROBLEMA
LINEAR QUADRTICO GAUSSIANO COM RESTRIES
NAS VARIVEIS DE DECISO

Oscar S. Silva Filho
Centro de Tecnologia da Informao Renato Archer (CTI)
Campinas SP, Brasil
oscar.salviano@cti.gov.br

* Corresponding author / autor para quem as correspondncias devem ser encaminhadas

Recebido em 07/2006; aceito em 06/2009 aps 1 reviso
Received July 2006; accepted June 2009 after one revision

Resumo

Neste artigo um problema sequencial de planejamento agregado da produo formulado como um
modelo de otimizao sequencial do tipo Linear-Quadrtico Gaussiano (LQG) com restries
probabilsticas nas variveis de estado e controle. Este problema est baseado em um modelo clssico
desenvolvido por Holt, Modigliani, Muth e Simon, e conhecido na literatura como modelo HMMS.
Como ideia central do trabalho busca-se estender o modelo original HMMS de modo que ele possa
levar em conta restries de chance nas variveis de deciso e tambm uma representao do tipo
ARMA como modelo de flutuao de demanda. Essencialmente, o artigo examina as principais
caractersticas que permitem transformar o modelo HMMS para um padro LQG com restries de
chances. Alm disso, duas heursticas subtimas muito simples so apresentadas como estratgias de
resoluo para este tipo de problema. Por fim, um exemplo ilustrativo de como gerar planos de
produo agregados via o modelo proposto, apresentado.

Palavras-chave: planejamento da produo; hierarquia de decises; controle estocstico;
controle subtimo; previso.

Abstract

A single product, multi-period, aggregate production planning problem is formulated as a Linear-
Quadratic Gaussian (LQG) optimal control problem with probabilistic constraints on state and control
variables. This stochastic problem is based on a classical model developed by Holt, Modigliani, Muth
and Simon, and known in the literature as HMMS model. The central idea is to extend the original
HMMS model in order to take into account both chance-constraints on the decision variables and an
ARMA forecasting model to represent the fluctuation of demand. Essentially, the paper discusses the
main features that allow transforming the problem into a chance constrained LQG pattern. In addition,
two sub-optimal techniques for solving this kind of problem are briefly described. At last, an illustrative
example of how to provide aggregate production plans from the proposed problem is presented.

Keywords: production planning; decision-making hierarchy; stochastic control; sub-optimal
control; forecasting.
Silva Filho Gerando planos de produo atravs de um problema linear quadrtico gaussiano com restries nas variveis de deciso
100 Pesquisa Operacional, v.30, n.1, p.99-124, Janeiro a Abril de 2010
1. Introduo
O processo de planejamento da produo requer um conjunto de decises que so usadas
para adaptar os recursos industriais da companhia no sentido de satisfazer a demanda
externa. A natureza do processo de planejamento depende de fatores especficos que so, via
de regra, encontrados no ambiente interno de qualquer organizao produtiva. Entre eles,
dois fatores so muito importantes: o tipo de sistema manufatura e o processo hierrquico de
tomada de deciso. O primeiro fator descreve as caractersticas fsicas e lgicas do processo
de operao da produo. De forma genrica, possvel distinguir entre trs tipos de
sistemas de manufatura, que so frequentemente denominados de sistemas contnuos,
intermitentes e repetitivos; para detalhes vide Higgins et al. (1996) e Papadopoulos et al.
(1993). Dependendo do tipo de sistema, a gerncia pode ser forada a usar diferentes
tcnicas de planejamento com objetivo de construir seu conjunto apropriado de decises. Por
exemplo, em um sistema do tipo intermitente a nfase dada ao planejamento de curto prazo
por produtos customizados, uma vez que se trata de uma produo orientada encomenda;
enquanto que, num outro extremo, um sistema tipo repetitivo requerer essencialmente
nfase no planejamento de longo prazo por produtos padronizados, uma vez que tal sistema
tem sua produo orientada a estoque. Pode-se concluir, assim, que o sistema intermitente
requer uma estratgia de produo altamente focada na capacidade de produo necessria ao
atendimento de uma demanda voltil, que no pode ser conhecida antecipadamente ou
mesmo prevista. Por outro lado, o sistema repetitivo requer uma estratgia de planejamento
que leva em conta que a flutuao de demanda, em perodos futuros, pode ser estimada a
partir de dados histricos da companhia. Assim sendo, para sistemas repetitivos, o
desenvolvimento de estratgias baseadas em estoques de segurana para lidar com as
flutuaes de demanda em perodos futuros, uma forma de garantir nveis adequados de
servio ao cliente (Yildirim et al., 2005).
O segundo fator enfatiza o processo hierrquico de planejamento de uma organizao, como
a abordagem clssica hierrquica envolvendo os nveis estratgico, ttico e operacional de
tomada de deciso; vide Hax & Candea (1984). interessante observar que a quantidade de
informao necessria para tomada de deciso depende essencialmente do nvel hierrquico
onde a deciso tomada. Por exemplo, nos nveis ttico e operacional onde, respectivamente,
h forte influncia de gerentes planejando as atividades de mdio prazo da companhia e de
administradores executando as operaes de curto prazo, a quantidade de informao neces-
sria para tomada de deciso bastante elevada. Nestes nveis, problemas bem-estruturados,
baseados em tcnicas da programao matemtica e de controle timo, so praticamente
inaplicveis. Em tais casos, somente problemas semi-estruturados, cuja soluo depende de
heursticas criadas especialmente para lidar com eles, so as opes existentes; vide, para
detalhes, por exemplo, Bahl et al. (1987), Bensoussan & Proth (1983), Dellaert & De Kok
(2004) e Gershwin et al. (1986). Por outro lado, no nvel estratgico de deciso, as informaes
so tomadas em um padro essencialmente agregado. Isto significa que a quantidade de
dados requerida para a tomada de deciso muito inferior ao encontrado nos demais nveis
da hierarquia. Como consequncia, os problemas formulados neste nvel podem ser descritos
como bem-estruturados (Bensoussan & Proth, 1983). Na prtica isto significa que existem
muitas oportunidades de aplicao das tcnicas de programao matemtica e de controle timo
disponveis na literatura, conforme discutido em Gershwin et al. (1986). Tpicos problemas
de gerenciamento encontrados neste nvel so aqueles que produzem planos agregados de
negcio, marketing, produo, dentre outros, para tomada de deciso de longo prazo; para
mais detalhes vide, por exemplo, Higgins et al. (1996), Kleindorfer (1978) e Neck (1984).
Baseado no exposto acima, o objetivo deste trabalho desenvolver um plano agregado de
produo, para um sistema de manufatura do tipo orientado a estoque, como resultado da
soluo de um problema de planejamento da produo estocstico do tipo bem-estruturado.
Basicamente, este plano de produo consiste em determinar metas timas de estoque,
produo e mo de obra, que permitam satisfazer a demanda ao longo de um horizonte de
planejamento de 12 meses. Este plano de produo desenvolvido dentro de um ambiente
produtivo, dinmico e incerto, onde o processo de tomada de deciso necessita ser
constantemente atualizado de modo a reagir a inconsistncias devidas a fatores exgenos
como as flutuaes da demanda, ou a fatores endgenos como quebra de equipamentos,
atrasos de materiais, dentre outros; vide Hackman et al. (2002), Higgins et al. (1996), Silva
Filho & Ventura (1999) e Yildirim et al. (2005). Como consequncia, problemas de
otimizao estocstica no sequencial no tempo (ou seja, problemas ditos estticos) no so
teis para representar ambientes produtivos caracterizados por uma dinmica temporal
estocstica (Sahinidis, 2004). Ademais, qualquer plano de produo que seja desenvolvido a
partir de um problema de otimizao no sequencial produz somente metas congeladas,
que ignoram completamente as incertezas futuras sobre a demanda. Pode-se concluir,
portanto, que para que um plano de produo seja considerado realstico para o propsito
de tomada de deciso organizacional, ele deve ser fornecido a partir de um problema que
leve em conta a dinmica temporal do processo produtivo e as incertezas associadas.
Assim sendo, problemas de otimizao sequencial estocstico, formulados a partir da
teoria da programao dinmica e da teoria de controle timo podem ser vistos como
opes apropriadas de modelagem para este tipo de problema de planejamento da produo;
vide Cheng et al. (2004), Kleindorfer (1978), Silva Filho & Cezarino (2004) e Yildirim et al.
(2005).
Com o propsito de fornecer um plano agregado de produo, este artigo prope a
formulao de um problema estocstico sequencial baseado no modelo clssico de
planejamento agregado desenvolvido originalmente por Holt, Modigliani, Muth & Simon e
conhecido como modelo HMMS; vide Holt et al. (1960). Este modelo fornece uma regra de
deciso linear para se determinar os nveis de estoque, produo e mo de obra para cada
perodo de um dado horizonte de planejamento. Tais nveis so considerados timos
medida que minimizam os custos quadrticos esperados, necessrios para operao do
sistema produtivo. Alm disso, o modelo HMMS tem sido considerado uma importante
contribuio para as decises de planejamento agregado da produo, sendo extensivamente
usado na literatura. De fato, desde que Holt et al. (1960) introduziram esse modelo, uma
grande quantidade de contribuies relacionadas tem sido proposta na literatura, sendo,
quase sempre, variaes do modelo original (Hax & Candea, 1984). Apesar da importncia
prtica do modelo HMMS, muitas crticas a respeito de sua aplicabilidade ainda permanecem
em discusso, como por exemplo, o fato do modelo HMMS usar custos quadrticos; ou de
no levar em conta restries fsicas explicitamente na formulao do modelo. A primeira
crtica derrubada pelo argumento de que custos quadrticos so um interessante meio de
avaliar um processo produtivo. Por exemplo, o custo quadrtico de estoque permite penalizar
tanto excesso quanto falta de estoque; vide Parlar (1985). A segunda crtica, por outro lado,
essencialmente mais prxima da realidade. De fato, a ausncia de restries fsicas,
consideradas explicitamente na formulao do problema, pode fazer com que a soluo do
problema seja pouco confivel, podendo, at mesmo, tornar-se uma meta desastrosa para
administrao da companhia. Note que o esquema clssico de penalizar restries
diretamente no critrio usualmente complexo por causa do tedioso esquema de tentativa e
erro de busca dos parmetros de ponderao; vide Vadja (1972).
O modelo HMMS pode ser visto como um caso especial do problema Linear Quadrtico
Gaussiano (LQG) irrestrito em termos de suas variveis de estado e controle, cuja soluo
malha-fechada determinada exatamente atravs da equao recursiva de Riccati (Anderson
& Moore, 1979). Isto explica a proposio de muitos trabalhos na literatura que utilizam o
modelo HMMS no formato LQG; vide, por exemplo, Dobos (2003), OGrady & Bonney
(1984), Parlar (1985), Shen (1994), Singhal & Singhal (1996), e as referncias associadas aos
mesmos. Contrastando com este tipo de enfoque analtico, o presente artigo prope
considerar o modelo clssico HMMS atravs de um modelo LQG sequencial no tempo, que
considera simultaneamente, em sua formulao, restries de chance nas principais variveis
de deciso e, tambm, inclui, de modo integrado, um modelo autorregressivo mdia-mvel
(ARMA) para representar as flutuaes de demanda.
Por causa de algumas caractersticas particulares do problema LQG, aqui proposto, tais
como: alta dimensionalidade do problema, restries de chance nas variveis de deciso e a
natureza aleatria do sistema de balano de estoque obter uma soluo tima global uma
tarefa de elevada complexidade computacional, sendo muitas vezes impossvel do ponto de
vista prtico; vide, para maiores comentrios, por exemplo, Cheng et al. (2004), Neck
(1996), Bertesekas (1995), Iserman (1981), Anderson & Moore (1979), Bryson & Ho (1975)
e Vadja (1972). Assim, para superar as dificuldades que inviabilizam a gerao de uma
soluo tima global, procedimentos subtimos, provenientes da teoria de programao
matemtica e controle timo estocstico, tm sido considerados na literatura. Estes
procedimentos impem simplificaes ao problema estocstico original, facilitando, assim,
sua implementao e soluo computacional; vide, para detalhes, Silva Filho & Cezarino
(2004), Bertesekas (1995), Lassere et al. (1985) e Pekelman & Rausser (1978).
Note que a natureza linear quadrtica gaussiana do modelo de otimizao, em estudo, facilita
a aplicao de uma importante proposio da teoria de otimizao, que conhecida como
princpio da equivalncia certeza; vide Bertesekas (1995) e Bryson & Ho (1975). Este
princpio estabelece que um dado problema estocstico pode ser transformado em um
problema equivalente, porm determinstico, no qual todas as variveis aleatrias existentes
so fixadas iguais aos seus valores mdios, ou seja, em seus primeiros momentos estatsticos.
A principal vantagem do problema determinstico equivalente que ele mais fcil de ser
resolvido do que a sua verso original. Alm disso, propriedades como linearidade e
convexidade do problema original so preservadas nesta formulao equivalente; vide
Silva Filho (1999) e Lassere et al. (1985).
O artigo organizado como segue: na seo 2, um problema de planejamento agregado da
produo, baseado no modelo clssico HMMS, formulado no padro de espao de estado
do modelo LQG com restries nas variveis de deciso. Os componentes do custo HMMS
so apropriadamente re-arranjados para garantir a coerncia com a representao em espao
de estado da formulao LQG. Adicionalmente, o modelo entrada-sada ARMA, usado para
descrever a flutuao de demanda, transformado para o formato espao de estado e
integrado diretamente formulao proposta. Na seo 3, um problema determinstico
equivalente desenvolvido como resultado da aplicao do princpio da equivalncia
certeza. Dois procedimentos heursticos muito simples, que preservam a natureza sequencial
do problema, so apresentados como esquema de soluo. Finalmente, a seo 4 introduz um
exemplo ilustrativo para demonstrar a aplicabilidade do modelo. Adicionalmente, este
exemplo mostra, tambm, a aplicao de uma das heursticas apresentadas na seo anterior
e seu emprego na criao de cenrios de produo.
2. Modelagem do Problema de Planejamento da Produo
Nesta seo, o modelo de tomada de deciso sob incerteza para planejamento agregado da
produo desenvolvido por Holt et al. (1960; cap.6) convertido a um problema LQG com
restries nas principais variveis de deciso.

2.1 O modelo clssico HMMS sob incerteza
O modelo HMMS representa um problema de planejamento agregado da produo. Nele,
diferentes produtos so agrupados em famlias caracterizadas por similaridades como tipo,
forma, taxa de produo, sequenciamento de mquina e etc. Da soluo deste modelo, uma
regra de deciso linear estabelecida. Tal regra permite conhecer, de forma otimizada, os
nveis agregados de estoques, produo e mo-de-obra para cada famlia de produtos. Esta
soluo analtica resultado direto da minimizao de um custo quadrtico que penaliza,
segundo um padro de referncia estabelecido pelo usurio, as variveis de estoque,
produo e mo de obra (Holt et al., 1960).
Para cada famlia de produtos e perodo de tempo discreto, denotado por k, seguem as
seguintes notaes importantes para os desdobramentos subsequentes:

2.1.1 As variveis do problema
D
k
denota a demanda relacionada com uma dada famlia de produtos. Ela representa o
nvel agregado de venda de uma dada famlia durante o perodo k, sendo assumida aqui
como uma varivel aleatria. Segundo Graves (1999), em sistemas de manufatura
orientados a estoque, onde a famlia de produtos ofertada ao mercado como
commodities, a evoluo da demanda ao longo dos perodos de planejamento pode ser
aproximada por um processo estacionrio normalmente distribudo. Baseado nisto, uma
funo distribuio de probabilidade normal, com mdia
k
D e varincia
2
0
D
finita,
empregada para descrever o comportamento estatstico da demanda.
I
k
denota o nvel agregado de estoques no incio do perodo k. Esta varivel toma valores
de uma equao dinmica de balano de estoque que depende linearmente da flutuao
do nvel de demanda agregada ao longo do tempo. Baseado na propriedade de um
processo estocstico normal que diz que a transformao linear resultante da soma de
uma sequncia de variveis aleatrias normais tambm um processo Normal; vide
Pappoulis (1991) possvel considerar que a varivel de estoques tambm uma
varivel aleatria normal com mdia
k
I e varincia
2
0
I
( k ) .
P
k
denota o nvel agregado de produo no perodo k, sendo uma varivel de deciso do
problema. Observe que se, por exemplo, o sistema de balano de estoques estiver
operando sob um esquema de realimentao do tipo malha-fechada (Bryson & Ho, 1975),
ento a taxa de produo depender do nvel de estoques observado no incio do perodo
k, sendo, portanto, tambm, uma varivel aleatria. Alm disso, se tal dependncia
linear, ento a funo de distribuio de probabilidade da varivel de produo ser
similar funo de distribuio da varivel de estoques, ou seja, para o estudo em
questo, uma distribuio Normal com mdia
k
P e varincia
2
0
P
( k ) .
W
k
denota a quantidade de mo-de-obra regular utilizada no perodo k, sendo tambm
uma varivel de deciso do problema. Esta varivel assumida independente de fatores
endgenos e exgenos relacionados ao ambiente de produo. A razo disto que j
existe um nvel pr-fixado de mo-de-obra regular disponvel e, assim, qualquer excesso
nos nveis de flutuao de demanda, que envolva um aumento do volume de produo,
ser tratado com uma poltica de utilizao de mo-de-obra temporria ou, mesmo, com o
uso de horas-extras. Como consequncia, esta varivel assumida como essencialmente
determinstica.

2.1.2 Os componentes do custo HMMS
Seguindo Holt et al. (1960), o custo total relacionado ao modelo HMMS, denotado aqui por
J
k
(I
k
,P
k
,W
k
), dado pela soma de funes tanto lineares quanto quadrticas, cujos
componentes so descritos abaixo:
C
1
W
k
+C
13
denota o custo com folha de pagamentos, sendo C
1
e C
13
constantes de
ajustes dos nveis de mo-de-obra.
C
2
(W
k
-W
k-1
-C
11
)
2
denota o custo com contratao e demisso de mo de obra. Tal custo
associa-se com a modificao no tamanho da mo-de-obra do perodo k-1 ao perodo k. A
constante C
11
pode ser usada para anlise de assimetria de custo relacionada ao processo
de contratao e dispensa de mo de obra.
C
7
[I
k
-(C
8
+C
9
D
k
)]
2
representa o custo devido armazenagem do recurso e aos pedidos
no atendidos. O componente C
8
+C
9
D
k
denota o nvel de referncia desejado para o
estoque I
k
, ao longo de cada perodo do horizonte de planejamento. Assim, sempre que o
nvel de estoque real I
k
desvia-se do nvel de referncia desejado, para mais ou para
menos, este custo tender a aumentar proporcionalmente.
C
3
(P
k
-C
4
W
k
)
2
+C
5
P
k
-C
6
W
k
+C
12
P
k
W
k
representa o custo excedente, que depende
tanto do nvel de mo-de-obra quanto do nvel de produo durante o perodo k.
interessante observar que o termo C
4
W
k
denota a quantidade mxima de famlias de
produtos que podem ser produzidos sem uso de horas extras.
importante acrescentar que as constantes C
i
devem ser estimadas pelo usurio (Holt et al.,
1955). Estas estimativas, por seu turno, requerem atividades que consomem muito tempo,
como: anlises estatsticas, informaes contbeis e, principalmente, muito conhecimento e
sentimento dos responsveis pelas atividades gerenciais da organizao. tambm comum, o
uso de curva de ajustes realizar as estimativas destas constantes; vide, por exemplo, Hax &
Candea (1984).
Utilizando a notao discutida acima, a verso no determinstica do modelo HMMS pode
ser formulado como um problema de controle timo estocstico como se segue (Bertesekas,
1995):

1
0 1 1
0
1
s.a.
k k
N
N N N k k k k
{ P ,W ;k , ,...,N }
k
k k k k
Min E J ( I ,W ) J ( I ,P ,W )
I I P D
=
=
+

+

= +
(1)
onde

2 2
1 6 2 1 11 3 4
2
5 12 7 8 9 13
k k k k k k k k k
k k k k k
J ( I ,P ,W } ( C C ) W C (W W C ) C ( P C W )
C P C P W C ( I C C D ) C
= + + +
+ + +

Algumas observaes extradas a partir de (1) so: a) E{.} denota o operador de esperana
matemtico, que necessrio em virtude da demanda D
k
que afeta a equao de balano de
estoque ser uma varivel aleatria estacionria com distribuio conhecida; b) os nveis
iniciais de estoque e de mo-de-obra so conhecidos e dados, respectivamente, por I
0
e W
0
;
c) para ajuste do modelo matemtico assumido que W
-1
= 0.
A soluo tima global do problema (1) pode ser obtida atravs do algoritmo de
programao dinmica, para casos particulares de pequena (Bertesekas, 1995); ou, usando o
princpio da equivalncia-certeza que utiliza o fato do problema ter uma dinmica linear,
custos quadrticos e as variveis aleatrias envolvidas serem estacionrias com distribuio
perfeitamente conhecida para obter uma soluo tima analtica derivada dos mtodos da
Teoria de Controle (Bryson & Ho, 1975). Esta soluo tima discutida por Holt et al.
(1960), no captulo 6, sendo denominada de regra de deciso linear sob incerteza. Alm
disto, usando este mesmo princpio, possvel realizar simplificaes no modelo (1),
obtendo assim um modelo equivalente, porm determinstico. Com isto, uma soluo
aproximada (subtima) pode ser gerada a partir da aplicao de tcnicas de programao
matemtica disponveis na literatura (Cheng et al., 2004).

2.2 O modelo HMMS sob incerteza com restries nas variveis de deciso
Contrastando com o modelo clssico HMMS, dado em (1), o modelo formulado nesta seo
considera explicitamente restries fsicas relacionadas com as variveis de estoque,
produo e mo-de-obra. fato que o uso de restries diretamente no modelo torna-o mais
realista para aplicaes prticas, como atestam vrios autores na literatura; vide por exemplo,
Kleindorfer (1978), Hax & Candea (1984) e Lassere (1985). O modelo HMMS formulado,
portanto, como um problema estocstico de planejamento da produo com restries nas
variveis de deciso, matematicamente descrito como segue: determine as sequncias
timas de produo e mo-de-obra, dadas respectivamente por 0 1 1
*
k k
{ P ( I );k , ,..., N } = =
e 0 1 1
k
{ W ;k , ,..., N }
= , que resolvem o seguinte problema de otimizao estocstica:

{ }
1
0 1 1
0
1 0
1 0
(a)
s.a.
(b)
(c)
(d)
(e)
0 (f)
k k
N
N N N k k k k
P ,W ;k , ,...N
k
k k k k o
k k
k k k
k k k
k k
Min E J ( I ,W ) J ( I , P ,W )
I I P D , E I I
W W , W dado
Prob.( I I I )
Prob.( P P P )
W W
=
=
+
+

+

= + =
=

(2)
onde Prob.(.) denota o operador probabilstico, com e representando ndices de
probabilidade. Os pares
k k
( I , I ) e
k k
( P , P ) representam os limitantes fsicos das
variveis de estoque e produo para cada perodo k, respectivamente, e
k
W denota a
quantidade mxima utilizada de mo de obra estabelecida para um dado perodo k. Note que
k
W abrange o nvel de mo de obra em jornada regular mais a quantidade permitida de mo
de obra em atividade de hora-extra.
Note que, como mencionado na subseo 2.1.1, a varivel de estoque uma varivel
aleatria com distribuio de probabilidade conhecida. Como consequncia disto, ao se
assumir a varivel de produo { }
k k
P ( I ) = como dependente do estoque observado no
incio de cada perodo k (ou seja, de I
k
), a varivel de produo ser tambm uma varivel
aleatria do problema (2). Observe que a dependncia de P
k
com I
k
segue uma estrutura
matemtica formalizada aqui pela funo ( ) . Particularmente, se ( ) assumida ser
linear, ento a varivel P
k
ter uma distribuio de probabilidade similar distribuio de
probabilidade da varivel de estoque I
k
. Por conseguinte, desde que I
k
assumida
normalmente distribuda, segue ento que P
k
ser completamente caracterizada por sua
mdia
k
P e varincia
2
0
P
( k ) .
De modo a garantir a factibilidade de soluo do problema (2), na medida que as restries
das variveis aleatrias de estoque e produo so mantidas explicitamente na formulao
deste problema, torna-se necessrio considerar tais restries em probabilidade. Com isto
justifica-se a presena das restries de chance (2.d) e (2.e). Ainda dentro deste contexto,
interessante mencionar que o ndice probabilstico referente a restrio (2.d), selecionado
no intervalo [, 1), um indicador do nvel de qualidade de servio a ser seguido pela
companhia. De fato, se o gerente escolher, por exemplo, = 0,90, significa que ele espera
satisfazer os clientes, em pelo menos 90% das vezes, com a entrega de produtos nos prazos
combinados. Neste caso, a estratgia reduzir significantemente qualquer possibilidade de
ocorrncia de ruptura de estoque, aumentando, assim, os nveis de estoque de segurana da
famlia de produtos em perodos futuros do horizonte de planejamento. Deste modo, ao
variar na faixa [, 1), o gerente pode analisar diferentes polticas de produo relacionadas
satisfao do cliente. De modo semelhante, o ndice probabilstico adotado pela restrio
probabilstica de produo (2.e), representa o nvel de confiana do administrador de
produo quanto no violao dos limites mnimo e mximo fsicos de capacidade de
produo disponvel ao longo de cada perodo k. Assim, ao expressar um nvel de confiana
superior a 90% (ou seja, = 0,90), a gerncia impe limites mais restritivos de capacidade
do que os fsicos, garantindo que possveis excessos de produo devido a uma demanda
irregular no afetem a capacidade real de produo da empresa. Particularmente, isto
permite garantir que pedidos futuros no previstos sejam atendidos, evitando a ocorrncia de
atrasos de produo; vide Silva Filho & Ventura (1999).

2.3 O modelo HMMS no formato de espao de estado
O objetivo agora transformar o modelo HMMS, dado em (2), para uma formulao do tipo
Linear Quadrtico Gaussiano (LQG) baseada no domnio de espao de estado; vide Bryson
& Ho (1975)). Seguindo esquema semelhante ao adotado por Shen (1994) e OGrady &
Bonney (1984), as variveis de deciso do problema (2) so convertidas em variveis de
estado (
1
k k
x I = e
2
1 k k
x W

= ) e variveis de controle (
1
k k
u P = e
2
k k
u W = ). Com base nestas
notaes, o processo de transformao pode ser executado como segue:

2.3.1 Equaes de balano do problema no padro de espao de estado
Duas so as equaes de balano do problema, a saber: uma a equao linear 2.(b) que
denota o balano econmico de estoque, enquanto a outra a equao linear 2.(c) que
representa o equilbrio na utilizao do recurso de mo de obra regular entre dois perodos
consecutivos de tempo. Estas duas equaes podem ser agrupadas na forma de um vetor de
estados, como expresso a seguir:

1 1 1
1
2 2 2
1
1 0 1 0 1
0 0 0 1 0
k k k
k
k k k
x x u
D
x x u
+
+

= +

(3)
onde foi fixado que
2 2
1 k k k
x W u
+
= = ; para detalhes, vide Shen (1994). Como discutido na
subseo 2.1.1, D
k
uma varivel aleatria que representa o nvel de incerteza relacionado
flutuao de demanda ao longo dos perodos do horizonte de planejamento. Como
consequncia desta exogeneidade, o sistema dado em (3) corrompido e a varivel de
estoque
1
k
x torna-se uma varivel aleatria com funo de distribuio de probabilidade que
segue o mesmo padro da distribuio de demanda D
k
. Em particular, tendo em vista que se
assume D
k
como sendo uma varivel aleatria estacionria normal, decorre ento que
1
k
x ter
uma distribuio normalmente com os dois primeiros momentos estatsticos calculados a
partir de expresses da mdia
1
k k
x I = e da varincia
1
2 2
0
I
x
( k ) ( k ) = , determinados a
partir do sistema de balano (3); vide Silva Filho (1999).

2.3.2 Incluindo um modelo de previso na equao de balano (3)
Nesta seo, o sistema de balano (3) expresso na forma de equao de estado ser ampliado
com a introduo de um modelo de previso para representar as flutuaes da demanda D
k
. A
ideia bsica generalizar o sistema de balano (3), permitindo que o problema de
planejamento agregado da produo esteja mais alinhado com a realidade do ambiente
organizacional, tendo em vista que tal ambiente est sempre sujeito s intempries do
mercado.
Considerando que toda informao sobre o comportamento passado da demanda por uma
determinada famlia de produtos tenha sido coletada pela companhia em histricos de venda,
possvel desenvolver modelos quantitativos que modelem o comportamento corrente da
demanda e, ao mesmo tempo, permitam estimar como ser seu futuro num dado horizonte de
tempo. Dentre estes modelos pode-se destacar, por sua eficincia e aplicabilidade, os
autorregressivos mdia-mvel (ARMA), vide para detalhes Box et al. (1995).
Neste estudo, adota-se um modelo ARMA para representar as flutuaes de demanda. A
representao paramtrica tipo entrada-sada deste modelo aqui transformada para a forma
de vetor de estado e incorporada ao modelo de balano econmico definida pelo sistema (3).
Essa transformao segue parcialmente o esquema descrito em Sastri (1985); antes, porm,
de realizar tal transformao, deve-se considerar que a varivel D
k
pode ser decomposta em
duas outras variveis, como segue:
k k k
D D D = + . Note que a primeira varivel

k
D denota
o comportamento mdio da demanda, enquanto a segunda, D
k
, representa uma varivel
aleatria estacionria, normalmente distribuda com mdia nula e varincia finita
2
0
D
.
Um modelo ARMA(p,q) usado para representar a variabilidade da componente D
k
. Esta
representao segue o modelo clssico paramtrico de entrada-sada:

1
0 1
1
1
1
q
q
k k
p
p
z ... z
D
z ... z

+ + +
=
+ + +

(4)
onde
k
denota um rudo branco, ou seja, uma varivel com mdia zero e desvio padro
unitrio; e
1
z
representa o operador atraso (por exemplo,

1
1 k k
z
= ). Os parmetros
definidos pelas sequncias {
1

2
...
p
} e {
0

1
...
q
} so, respectivamente, os parmetros
dos polinmios autorregressivo e mdia-mvel do modelo ARMA, com ordens p e q.
Aps algumas manipulaes algbricas, o modelo (4) pode ser convertido em um modelo
equivalente no formato de vetores de estado, que dado por:

1
0
k k k
T
k k k
G
D f

+
= +
= +
v v
v
(5)
onde a varivel v
k
= [
3 4 2 p
k k k
x x x
+
]
T
denota um vetor de estados. Note que o sistema (5) a
representao na forma de estados do modelo entrada-sada (4), cujas matrizes e vetores so
dadas como segue:
[ ]
1 2 1
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 1
p x p T p
p p p
G ; ; e

= =

1 2 1
T p
p p p
f f f f

=

f
onde
0 1 1 0 1 1 1 0 1 p p p p p p
f ( ) , f ( ), , f ( ).

= = =
importante ainda acrescentar que, para possibilitar a converso de (4) para a forma de
estados (5), necessrio satisfazer a condio de confiabilidade (reliability condition; vide
Iserman (1981)). Esta condio indica que o modelo paramtrico definido em (4), para ser
estvel, tem de manter a relao p q, caso contrrio o modelo (4) no poder ser realizvel.
Como consequncia disto, todos os parmetros Mdia-Mvel, para os quais se verifica que
p > q, sero considerados nulos, ou seja,
1 1
0
p p q
.
+
= = = =
Finalmente, manipulando as equaes (3), (4) e (5), possvel obter uma expresso geral no
contexto do padro de espao de estado para representar o balano econmico da
organizao. Esta representao dada como segue:
x(k+1) = A x(k) + Bu(k)-d(k) (6)
onde x(k)
T
= [
1 2 3 2 p
k k k k
x x x x
+
]; u(k)
T
= [
1 2
k k
u u ]; e d(k)=
k
D +
k
. Note que o vetor
aleatrio d(k) exclusivamente influenciado pela varivel de demanda D
k
que tem
distribuio assumida como normal. Como consequncia, d(k) completamente identificado
pela media
k

( k ) D = d e pela matriz de covarincia
2 T
D
( k ) [ ] =
d
. As demais
matrizes e vetores do sistema (6) so dados a partir de (5), respectivamente, por:
1 2 1
2 2 2 2
1 2 1
1 0
0 1 0 0 0 0 1 0
0 0 0 1 0 0 0 1
0 0 0 0 1 0 0 0
0 0 0 0 0 1 0 0
0 0
p p p
( p ) x( p ) ( p ) x
p p p
f f f f
A ; B ;

+ + +

= =

2
1 0 0 0 0
T ( p )
[ ] ; e
+
=
2
1 0 0 0 1
( p )
[ ]
+
=

2.3.3 Incluindo restries fsicas no problema
assumido que as variveis de estoque
1
k
x , de produo
1
k
u e de mo de obra
2
k
x tomam
valores de conjuntos finitos e pr-definidos pela administrao. Uma vez que a equao de
balano de estoque do sistema (3) um processo estocstico, torna-se impossvel garantir
que as variveis de estoque e produo no iro violar suas respectivas restries em algum
perodo do horizonte de planejamento. Como discutido anteriormente, na seo 2.2, uma
maneira de preservar as restries no problema, garantido pelo menos em chances de que
elas no sero violadas, consiste em tom-las em probabilidade. Com base nestas
consideraes, as restries formuladas em (2.d-f) so agora apresentadas no formato de
espao de estado, como segue:

( )
1 1 1
1 1 1
2 2 2
(a)
(b)
0 (c)
k k k
k k k
k k k
Prob.( x x x )
Prob. u u u
x , u x

(7)
onde
1
k k
x I = e
1
k k
x I = representam, respectivamente, os nveis de estoque de segurana e
de capacidade mxima de armazenamento permitida ao longo dos perodos; de modo
semelhante
1
k k
u P = e
1
k k
u P = representam as capacidades mnima e mxima de produo,
respectivamente; e
2
k k
x W = denota o nvel mximo da mo-de-obra permitida pela
companhia.

2.3.4 O critrio funcional
O objetivo substituir os componentes de custo do modelo original HMMS, dados em (1)
atravs da funo J
k
(), por uma representao matricial na forma de espao de estado. Por
simplicidade, assume-se que os componentes de custo C
11
e C
13
so iguais a zero; vide Shen
(1994) e OGrady & Bonney (1984). A razo desta suposio que esses componentes de
custos no afetam a escolha das variveis de entrada do problema, definidas pelos nveis de
produo e mo de obra e, portanto, podem ser completamente ignorados. Alm disso, para
preservar a proporcionalidade entre a funo J
k
() e a sua representao equivalente em
espao de estado, o componente de custo C
12
fixado igual ao produto aos componentes
C
4
e C
3
(isto , C
12
= C
3
C
4
). Observe que este artifcio no tira a originalidade do critrio
funcional do modelo HMMS visto que, para muitos casos analisados por Holt et al. (1960), o
valor do produto C
3
C
4
ficou relativamente prximo do valor de C
12
. Com base nisto, a
funo J
k
() pode ser reescrita na forma matricial de espao de estado, como segue:

1 1
1 1
1 13 1
2 2
2 2 2
3 3
13 3 3
3 3
2 2
1 3 2
2 2
1
1
2
2
3
3
2
0
0 0 0
1
0
2
0
T
N N
p
N N
p k
N N
p p
p p p
N p N p
k
k
k
p
k p
x x
h
x h x
h J (.) E
x x
h
x x
x
x
x
x

+ +
+
+ +
+
+
+ +

+ +

= +
+ +

+ +

+
+
+
+
1
1
1 13 1
2
2 2
1
3
13 3 3
3
0
2
1 3 2
2 2
1 1
1 1 1 1
2 2
2 2
0
0 0 0
0
0
0 0
2
0
T
k
p
k
N
p
k
k
p
p p p
k p
T
k k i
k k
x
h
h x
h
x
h
x
x u u
e
x u
=
+
+
+

+
+
+ + +

+ +

1
1 3 1
2
2 2 3 2
2
T
k
i
k
r r u
u r r
u

+
+

(8)
onde
h
1
=2C
7
; h
2
=2C
2
; e= -2C
2
; r
1
=2C
3
; r
2
=2(C
2
+C
3

2
4
C ); r
3
=-C
3
C
4
;

( )
1 7 9 3 0 3
3 4
j p i p i
C C j , , , p
+ +
= + =
( ) ( )
2
7 9 3 0 3 3 0 3
3 4 2 com
ij p i p i p j p j
C C i, j , , , p i j
+ + + +
= + + = + <
Note que os demais coeficientes {
i
, i = 3, 4 ..., p+2} so determinados pela soluo do
seguinte sistema de equaes de dimenso p x p:

13 3 14 4 1 2 1 1 7 8 9
3 3 34 4 3 2 0 7 8 9 13 1
34 3 4 4 4 2 1 0 1 7 8 9 14 1
3 3 4 4 2 2 1 0 1
p P D
p P p p D
p P p p D
p p p P
h C ( C C m )
h ( ) ( C C C m )
h ( ) ( C C C m )
h (

+
+
+
+ +
+ + + = +
+ + + = + +
+ + + = + +
+ + + = +
7 8 9 1 1 D p
) ( C C C m )

onde
D
m denota a demanda media absoluta, medida ao longo do horizonte de planejamento,
isto ,
1
1
N
D k
k
m D
N
=
=
. Com base neste valor mdio, determina-se que C

9
= C
8
/m
D
.
2.3.5 O problema LQG com restries de chance
Um problema de planejamento agregado da produo descrito no padro de espao de
estado, que inclui restries fsicas nas variveis de deciso e um modelo ARMA para
representar as flutuaes de demanda, formulado como segue:
{ }
1
1
2 2 2
1
) (a)
2
; (b)
(c)
(d)
0 (e)
N 1
T T T T
( )
k 0
0 0
k k k
k k k
k k k
Min E N H ( N ) (k) H (k) 2 (k) E (k) (k) R (k)
s.a.
(k 1) A (k) B (k) (k) E .
Prob. ( x x x )
Prob. ( u u u )
x , u x
=

+ + +

+ = + =

( x x x x x u u u
x x u d x x
(9)
O objetivo encontrar uma poltica tima composta por uma sequncia de decises
relacionadas com nveis de produo e de mo-de-obra, ou seja,
1 1
k k
u ( x ) = e
2
k
u com
k = 0, 1, 2, ... N-1 que minimize o problema (9).
O problema (9) uma verso estendida do modelo clssico HMMS apresentado em (1). Ele
tambm pertence classe de problemas de controle timo estocstico do tipo Linear
Quadrtico Gaussiano (LQG) com restries nas variveis de estado e controle; vide Lim
et al. (1996). A principal vantagem de (9) que ele pode ser empregado para modelar vrios
problemas gerenciais relacionados, por exemplo, com reas de marketing, finanas, vendas,
compras e produo; para maiores detalhes vide Shen (1994), Gershwin et al. (1986),
Kleindorfer (1978) e Pekelman & Rausser (1978). A seo seguinte discute a soluo do
problema (9) via duas abordagens subtimas.

3. O Problema do Valor Mdio
A natureza estocstica, as restries nas variveis de deciso e a elevada dimenso so
caractersticas particulares do problema (9) que dificultam enormemente a determinao de
uma soluo tima global. O algoritmo clssico de programao dinmica estocstico no
pode ser usado, pois o elevado esforo computacional requerido inviabiliza sua aplicao
(Bertesekas, 1995). Em razo dessas dificuldades, heursticas subtimas, que produzem
solues locais, passam a ser alternativas interessantes do ponto de vista prtico, principal-
mente por demandar menor esforo computacional.
H, na literatura, uma variedade enorme de aproximaes subtimas usadas para tratar
problemas estocsticos, como o formulado em (9). Uma boa parte deles utiliza o princpio da
equivalncia certeza para simplificar o problema; vide Bertesekas (1995). Este princpio
toma por base que todas as variveis aleatrias do problema estocstico podem ser fixadas
em seus respectivos valores mdios; como consequncia, esse problema passa a ser
essencialmente determinstico e frequentemente denominado de problema do Valor Mdio
(PVM). A principal vantagem do PVM permitir que diferentes algoritmos, aplicveis, da
teoria da programao matemtica possam ser utilizados como tcnica de soluo.
A formulao de um problema determinstico equivalente para representar o problema
estocstico (9) possvel em virtude de algumas das caractersticas estruturais deste
problema, a saber: (i) a linearidade do sistema (6); (ii) a natureza aleatria estacionria da
varivel d(k) baseada em um processo estocstico normalmente distribudo (Graves, 1999); e
(iii) a convexidade do critrio funcional (8) resultado do custo quadrtico adotado pelo
modelo HMMS, como expresso em (1). Estas caractersticas permitem a aplicao imediata
do princpio da equivalncia certeza ao problema (9); vide Holt et al. (1960).
Uma vez que a varivel aleatria d(k) tem sua distribuio perfeitamente conhecida atravs
de seus dois primeiros momentos estatsticos (i.e. mdia e varincia), possvel estender esta
mesma natureza aleatria para as variveis de estado x(k) e controle u(k) do processo (6),
assumindo para isto que sempre existir um relacionamento linear entre estas variveis.
Neste caso, a evoluo das variveis poder ser estimada com base no clculo de suas
respectivas mdias e varincias e com o uso destes dois momentos estatsticos ser possvel
transformar o problema estocstico (9) em um problema determinstico equivalente. Note que o
problema determinstico, assim formulado, ser uma extenso do problema clssico do Valor
Mdio (PVM), uma vez que, na nova formulao ser tambm includo o segundo momento
estatstico (i.e., a varincia das variveis de estado e controle). Neste artigo este problema
denominado de Problema do Valor Mdio Estendido e denotado pelo acrnimo PVME.
Como primeiro passo para transformar o problema estocstico (9) em um PVME deve-se
calcular o valor mdio e o desvio-padro de todas as variveis aleatrias. Assim, usando o
operador esperana E{.}, segue que:

{ } { }
{ }
1 2 3 2 1 2 3 2
2 2
(k)
T T p p
k k k k k k k k
T p p
E ( k ) E x x x x [ x x x x ]
E ( k ) ( k ) ( k )
+ +
+ +
= = =
x
x x
x x
(10)
onde (k) x e ( k )
x
denotam, respectivamente, o vetor de valores mdios e a matriz de
covarincia dos estados do sistema (6). Procedendo de modo semelhante, a varivel de
controle completamente definida pelos seguintes momentos estatsticos: { }
( k ) E ( k ) = u u
e
T
u
( k ) E{ ( k ) ( k )} = u u .
Devido as caractersticas particulares do modelo proposto em (9), importante entender que
no processo linear descrito em (9.b), somente a primeira componente do vetor x(k), ou seja a
varivel de estoque
1
k
x , depende linearmente das flutuaes estacionrias da varivel aleatria
normal que define a demanda D
k
. Assim, a varivel de estoque tem uma funo de distribuio
de probabilidade normal, denotada por
1
x ,k
(.) e, inteiramente, caracterizada pela evoluo
de sua mdia
1
k
x e desvio padro
1
D
x
( k ) k = . De modo semelhante, assumindo-se que
a taxa de produo depende dos nveis de estoque (i.e.,
1 1
k k
u ( x ) = , a varivel de produo
1
k
u tambm ter uma funo distribuio de probabilidade
1
u ,k
(.) . Caso a funo (.) seja
linear, a funo distribuio
1
u ,k
(.) tambm ser normal e plenamente descrita por sua
mdia
1
k
u e desvio padro
1
u
( k ) . As variveis que representam mo-de-obra so
essencialmente determinsticas, pois no dependem da demanda e dos nveis de estoque,
assim elas so iguais aos seus respectivos valores mdios, isto ,
2 2
k k
x x = e
2 2
k k
u u = , com
desvios-padro nulos. Por fim, note que o vetor de valores esperados da demanda e sua
matriz de covarincia so dados, respectivamente, por { }
k

( k ) E ( k ) D = = d d e
2 T
D
( k ) [ ] =
d
, com
p+2
, seguindo o modelo dado na seo 2.3.2.
Baseado nos valores estatsticos descritos acima, o custo quadrtico (8) e o sistema de
balano linear (6) podem ser prontamente convertidos a seus respectivos modelos
determinsticos equivalentes (Silva Filho, 1999). Alm disto, outra importante transformao
est relacionada com as restries probabilsticas, dadas em (7). Essas restries so
convertidas em desigualdades determinsticas, que preservam o segundo momento estatstico
da varivel de estoque. Assim, segue de (7.a) que:

( )
1 1
1 1
1 1 1 1
k k
k k , k
x x ,k
Prob. x x
x x x ( k ) ( )

= +
(11)

( )
1 1
1 1
1 1 1 1
k k
k k , k
x x ,k
Prob. x x
x x x ( k ) ( )
<
=
(12)
onde
1
1
x ,k
(.)
denota a funo distribuio de probabilidade inversa da varivel de estoque.

De modo semelhante tem-se para restrio (7.b) que

( )
1 1 1 1 1 1
k k k k , k k ,
Prob. u u u u u u

(13)
onde
1 1
1 1 1
k , k
u u ,k
u u ( k ) ( )
= + e
1 1
1 1 1
k , k
u u ,k
u u ( k ) ( )
= .
Por fim, importante mencionar que a sequncia formada pelas demais componentes que
compe o vetor de estado x(k), ou seja, as componentes 3 2 e 0
i
k
{ x , i , ..., p k } = + >
relacionadas ao modelo ARMA, no esto restritas a tomar valores de nenhum conjunto
definido a priori. Isto significa que essas variveis podem evoluir livremente ao longo dos
perodos do horizonte de planejamento.
Com estas transformaes, formula-se o PVME como segue:
1 1 1
1 1 1
2 2 2
1
2
2
dado
0
k
N 1
T T T T
k 0
k k , k ,
k k , k ,
k k k
Min ( N ) H ( N ) (k) H x(k) ( k ) E ( k ) ( k ) R ( k )
s.a.
( k 1) ( k ) ( k ) ( k ) ; (0)
x x x
u u u
x , u x

=

+ + + +

+ = + +

u
x x x x u u u
x x u d x
(14)
onde (0) x = [ 0 0 0
1 2
0 0
x x ] e K representa uma constante incremental no valor do custo
final devido s incertezas da demanda, que medida em termos da evoluo das varincias
de estoque e produo. Apenas a ttulo de ilustrao, observe-se que o custo total (9)
aumenta com a evoluo das varincias no tempo, pois tanto
1
2
D
x
( k ) k = quanto
1
2
u
( k ) , que proporcional a
1
2
x
( k ) , tendem a crescer com o incremento de tempo k; vide
Silva Filho & Ventura (1999) para mais detalhes.
O problema (14) permite no s fornecer um plano timo agregado de produo, como
tambm permite ao administrador adquirir uma maior visibilidade sobre o uso dos recursos
agregados. De fato, variando alguns parmetros do problema (14), possvel analisar
diferentes cenrios relacionados a um processo de produo do tipo orientado a estoque. Por
exemplo, comparando as trajetrias timas de estoque, produo e mo-de-obra extrados de
diferentes cenrios, o administrador pode idealizar como ser o ciclo de pedidos para uma
dada famlia de produtos. Assim, conhecido a priori como os pedidos podero ser
configurados ao longo dos perodos, algumas aes podem ser estabelecidas pela gerncia
com antecedncia para prevenir contra falhas no uso racional dos estoques, como, por
exemplo, impedir a ocorrncia de uma ruptura de estoques originada por um eventual
excesso da demanda futura. Outras aes que podem ser estudadas dizem respeito anlise
de impactos relacionados com ocorrncia de perturbaes ao ambiente produtivo, devido, por
exemplo, a fatores endgenos como atrasos na entrega de produtos, quebra de mquina, e
assim por diante.

3.1 Duas heursticas simples para soluo do problema (14)
Heursticas subtimas muito simples, como os procedimentos Open Loop No-updating
(OLN) e Open Loop Updating (OLU), podem ser combinadas aos algoritmos da progra-
mao quadrtica para resolver o PVME, dado em (14). Estas abordagens so descritas
resumidamente a seguir:
Open Loop No-updating (OLN): a nica informao disponvel para clculo da poltica
de produo o vetor de estados no perodo inicial do horizonte de planejamento
(i.e. (0) x ). Mesmo que uma nova informao sobre o estado do sistema torne-se
disponvel ao longo dos perodos seguintes (i.e., k > 0), ela ser completamente ignorada
durante a realizao da heurstica OLN; vide Pekelman & Rausser (1978). Em outras
palavras, a poltica OLN uma sequncia tima de vetores { } u 0 u 1 u 1 ( ), ( ),..., ( N ) que
no depende das informaes do estado do sistema (k) x para os perodos k>0 do
horizonte de planejamento. De fato, a abordagem de OLN no considera na construo de
sua poltica tima nenhum tipo de esquema que permita revisar o estado do sistema de
balano (6), melhorando assim o desempenho da soluo. Conclui-se, portanto, que o
procedimento OLN fornece solues factveis para (14), porm solues estticas no
tempo, ou seja, do tipo malha-aberta.
Open Loop Updating (OLU): uma abordagem semelhante a OLN com a diferena, no
entanto, que a poltica OLU permite rever perodo a perodo o desempenho da soluo
gerada; ou seja, a poltica tima sempre recalculada to logo uma nova informao
sobre o estado do sistema torna-se disponvel; vide Pekelman & Rausser (1978). Este
comportamento pode ser descrito como segue: durante cada novo perodo k [0, N-1],
sempre que o estado atual do sistema ( k ) x medido, ele imediatamente considerado
como estado inicial do problema (14), que ser resolvido dentro da faixa de planejamento
que se inicia no perodo da ocorrncia da observao (i.e. perodo k) e vai at o perodo
final N. Por conseguinte, uma sequncia tima malha-aberta { } u u 1 u 1 ( k ), ( k ),..., ( N ) +
gerada como soluo de (14). Desta sequncia, no entanto, s o primeiro elemento, ou
seja, (k) u efetivamente considerado para compor a poltica tima
*
(k) (k) = u u da
abordagem OLU; os demais elementos da sequncia so completamente ignorados. Pode-
se concluir que o procedimento OLU prov uma soluo tima para o problema (14),
resolvendo este problema num total de N vezes (Jung et al., 2004).
Com respeito ao emprego destes dois procedimentos importante destacar que: (i) como na
aplicao da heurstica OLN a taxa de produo no depende do nvel de estoque observado
no incio de cada perodo k do horizonte de planejamento N (exceto no perodo inicial k=0), o
sistema de balano de estoque ir operar sempre no modo conhecido como malha-aberta.
Segue da, ento, que a varivel de produo
1
k
u ser essencialmente determinstica, o que
significa dizer que seu segundo momento estatstico ser nulo, ou seja,
1
0
u
( k ) = , k .
Como uma imediata consequncia deste fato, a restrio de produo em (14) no mais
depender da medida de probabilidade , devendo, portanto, ser substituda por seus
limitantes fsicos originais, resultando assim que:
1 1 1
k k k
u u u ; e (ii) tanto a abordagem
OLU quanto a OLN podem ser usadas para resolver (14) e, acoplando-se a esta resoluo
algum esquema de simulao, possvel gerar cenrios de produo que iro permitir
administrao obter uma viso agregada sobre o uso dos recursos industriais da companhia.
Esses cenrios de produo podem ser construdos variando alguns parmetros do modelo
(14) tal como, por exemplo, o ndice de probabilidade da restrio de estoque , que usada,
frequentemente, como uma medida da qualidade de servio ao cliente (Yildirim et al., 2005).
Assim, manipulando este ndice na faixa de 50 a 100%, possvel ao gerente investigar
diferentes formas de garantir atendimento aos clientes, usando para isto diferentes nveis de
estoque de segurana, como discutido em Jung et al. (2004). Por exemplo, escolhendo
prximo de 100%, a gerncia estar se comprometendo fortemente com a entrega do produto
ao cliente nos prazos combinados. Para atingir tal comprometimento, um nvel mnimo de
estoque de segurana que evite sobressaltos devido a aumentos inesperados da demanda deve
ser determinado pela administrao. Neste caso, via de regra, o nvel do estoque de
segurana (
1
k ,
x

), dado em (11), tende a aumentar, ao longo dos perodos futuros do
horizonte de planejamento, visando, com isto, garantir uma estratgia de pronta entrega. De
outro modo, se a gerncia assumir que a melhor estratgia para a companhia reduzir custos
com manuteno de estoques, o compromisso, ento, ser de adotar uma poltica que reduza
ao mximo a formao de estoques; neste cenrio, a medida de probabilidade deve ficar
prxima de 50%. A estratgia de adotar nveis de estoques muito baixos faz com que a
gerncia, sempre que ocorra algo tipo de atraso na produo, se veja obrigada a lidar com a
inconveniente tarefa de negociar com os clientes sobre novos prazos para entrega dos
produtos de uma dada famlia.
Na seo seguinte ser considerado um exemplo hipottico de uma empresa que pretende
desenvolver um plano agregado da produo, usando como formulao o modelo HMMS na
forma de um problema LQG com restries de chance, configurado no padro de espao de
estado. A abordagem OLU empregada para prover este plano agregado empresa. Dentre
as razes para escolher a poltica OLU est o fato principal dela ser muito simples de
implementar; alm disto, este tipo de heurstica permite atualizar novas informaes sobre os
nveis de estoque e mo-de-obra disponveis durante cada novo perodo de tempo k do
horizonte de planejamento. Assim, possvel desenvolver um plano de produo agregado
factvel para a organizao e, tambm, variando alguns parmetros do problema (14), ajudar
a gerncia a desenvolver cenrios, que a oriente sobre como melhorar a qualidade de servio
ao cliente. Neste ltimo caso permitindo uma maior reflexo sobre o uso futuro dos recursos
da organizao, de modo que ela possa produzir de forma eficaz sua famlia de produtos.

4. Exemplo
Uma companhia hipottica produz uma famlia de produtos a partir de um sistema de
manufatura orientado a estoques (Higgins et al., 1996). Esta famlia de produtos ser
comercializada em um mercado de commodities que define o preo pela procura de mercado.
Assume-se que a procura por estes produtos vem se mantendo estvel com flutuaes de
venda previsveis ao longo dos ltimos anos. Com o objetivo de fornecer um plano timo
anual de produo, formula-se um problema sequencial de planejamento agregado da
produo com restries nas variveis de deciso, que segue o problema dado em (14). Os
detalhes sobre dados de operao da companhia e, tambm, resultados da anlise da
aplicao da heurstica ao problema aqui estudado so os objetos esperados desta seo.

4.1 Dados do problema
A tabela 1 introduz os principais dados a serem usados neste exemplo.

Tabela 1 Dados do problema.
Demanda Mdia (
k
D ):
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
430 450 440 310 390 375 390 500 490 450 390 425
Desvio-padro da demanda:
D
4.0
Dados gerais: N=12; I
o
=250; W
0
=15; I
N
e W
N
so livres
Limites fsicos: 0; 300; 0; 450; 17
k k k k k
I I P P W = = = = =

Outras informaes importantes so: (a) o nvel do servio estabelecido igual a 95% (isto ,
=0,95). Isto significa que o gerente pretende desenvolver um plano que ser capaz de
satisfazer demandas de cliente, em pelo menos, 95% das vezes. Com respeito ao ndice de
confiabilidade na capacidade de produo, adota-se o valor de 50% (=0,50) que revela a
inteno da gerncia em manter os limites de capacidade de produo nos seus valores
originais. Para entender isto note que
1
1
0 50 0
u
( , )
= , o que implica em
1 1
k , k
u u
= e
1 1
k , k
u u
= ; e (b) um modelo ARMA (1,1) identificado para representar o histrico de

vendas mensais deste produto. A partir da notao dada em (10), os parmetros timos dos
polinmios autorregressivo e mdia-mvel so dados, respectivamente, por
1
=-0.65 e
1
=0.90.
Usando o esquema de transformao discutido na seo 2, o Problema do Valor Mdio
Estendido (PVME) dado em (14) formulado, para este exemplo, como se segue:
1 1 1 1
1 1 1 1 1
1
2 2 2 2
2 2 2 2 2
0
3 3 3 3
3 3 3
0 0
0 0 1 2 0 0 2
0 0
T T
T
N N k k
k
N
N N k k
k
N N k k
x x x x
x h h h
Min x h x x h x h e x
h h h
x x x x

+ +

2
3
1 1 1 1 1
1 1 1
2 2 2 2 2
2 2 2 2
1
1
1 1
2
1
3
1
0 0 0
2 2
0 0
1 0
k
k
T T
T
k k k k k
k k k k k
k
k
k
x
x u u u u r r
e r r e
x u u u u
sujeito a
x
(
x
x

+
+
+

+ +

+

=

1 1
0
0 1
2 2
0 0
2
3 3
1
0
1 1 1 2 2
1 1 1 2 2
1 0 1
0 0 0 0 1 1
0 0 0 0 0 0
0 0 1
0
k
k
k k
k
k
k k , k k k ,
k k k k k
x x
I )
u
x d ; x W
u
x x
x x x e x x ; k , , , N
u u u e u x ; k

+ =

=
=

0 1 1 , , , N
(15)
onde as constantes relacionadas ao critrio so dadas por (Shen, 1994): C
1
=69.7; C
2
=64.3;
C
3
=0.2; C
4
=5.67; C
5
=51.2; C
6
=13.7; C
7
=0.0825; C
8
=320; e C
12
=1.134. As constantes de
proporcionalidade, usadas para converter o modelo de custo HMMS, no padro de espao de
estado, so dadas por
1
=320;
2
=104;
1
=617; e
2
=104.
Na seo seguinte, o problema (15) ser resolvido e, em seguida, uma anlise de cenrios
ser criada para ilustrar a ideia de como o gerente pode usar a soluo de (15) para encontrar
oportunidades de melhorar a qualidade de servio aos clientes.

4.2 Resolvendo o problema (15)
O objetivo agora encontrar uma soluo tima sequencial para o problema (15). Dentre as
abordagens, duas foram destacadas, na subseo 3.1., pela grande simplicidade e eficincia
de implementao computacional. Neste exemplo, a abordagem OLU ser utilizada para
resolver o problema (15). Alm das caractersticas computacionais mencionadas, outra
vantagem desta aproximao a de permitir incorporar novas informaes sobre o estado,
dos nveis de estoques e mo-de-obra, tomado ao longo de cada perodo do horizonte de
planejamento Em outras palavras, a abordagem OLU tambm permite rever e ajustar, para
cada novo perodo k, a soluo do problema (15), possibilitando melhor-la continuamente.
A figura 1 ilustra atravs de um diagrama de blocos como a operao de um procedimento
OLU.
Com base neste diagrama de blocos, possvel verificar que a cada novo perodo de tempo k,
to logo novas medidas so observadas diretamente do sistema de balano de estoque e mo-
de-obra, o problema (15) resolvido e, por consequncia, uma soluo gerada para a faixa
de tempo de planejamento que compreende o perodo da observao k at o perodo final N.
Como ilustrado na figura 1, somente os nveis timos de produo e mo-de-obra obtidos
para o perodo k (isto ,
1
k
u e
2
k
u , respectivamente) so efetivamente aplicados ao sistema.
Por conseguinte, como discutido na seo 3.1., a aplicao da abordagem OLU faz com que
o problema (15) seja resolvido num total de N vezes, isto , uma vez a cada novo perodo k,
com k [0, N-1].

2
k
1
k
u ; u
d
k
(demanda)
x
k+1
2
k
1
k
x ; x
(Nveis de produo
e mo de obra)
Sistema de
Balano
Previso
Atraso
PVME
formulao (15)
(Nvel de estoque e
de mo de obra)

Figura 1 Abordagem OLU aplicada ao Problema do Valor Mdio Estendido (PVME).

As figuras 2, 3 e 4 ilustram, respectivamente, as trajetrias das variveis de estoque,
produo e mo-de-obra, obtidas como resultado da aplicao da heurstica OLU. Estas
trajetrias so polticas timas de deciso que visam satisfazer o comportamento futuro da
demanda. Em outras palavras, elas representam juntas alm de um plano agregado de
produo, tambm, um dos possveis cenrios de produo usados pela gerncia para ganhar
visibilidade sobre o uso dos recursos de produo. Os custos anuais com estoques, produo
e mo de obra, juntamente com o custo total para realizao deste cenrio, esto disponveis
na Tabela 2, dada frente.

0
50
100
150
200
250
0 1 2 3 4 5 6 7 8 9 10 11 12
Nveis de Estoque
ms

Figura 2 Poltica de estoque para cenrio com = 0,95.

300
330
360
390
420
450
480
0 1 2 3 4 5 6 7 8 9 10 11
Produo versus Demanda
demanda produo
ms

Figura 3 Poltica de produo versus demanda para cenrio com = 0,95.

15
16
17
18
19
20
0 1 2 3 4 5 6 7 8 9 10 11 12
Mo de Obra
mo de obra RWF ms

Figura 4 Nveis de mo de obra em relao ao limite mximo (RWF).

Ainda com respeito ao cenrio em questo interessante tecer alguns comentrios
relacionados aos resultados ilustrados nas figuras 2, 3 e 4, a saber:
(i) a partir da figura 2, observa-se que os nveis de estoque diminuem ao longo dos perodos
do horizonte de planejamento. Esta caracterstica devido ao uso da informao disponvel
tomada junto ao sistema de balano para cada perodo k. Portanto, um resultado direto do
mecanismo de realimentao empregado pela abordagem OLU, como ilustrado pela figura 1.
Note que, caso a informao proveniente do sistema de balano de estoque no fosse usada
para ajustar a soluo do problema (15), a tendncia dos nveis de estoque seria aumentar
gradativamente com a evoluo dos perodos de tempo. A razo disto que o limite mnimo
de estoque, definido pela funo de estoque de segurana
1
, k
x

dada em (11), depende da
varincia do estoques (isto ,
1
2 2
k
D
x
k = ) e assim sendo, sempre que o sistema de balano
de estoque operar em malha-aberta, sua varincia tender a crescer proporcionalmente ao
perodo de tempo k como um mltiplo da varincia da demanda. Isto demonstra que a falta
de visibilidade sobre o comportamento futuro da demanda um fator gerador de estoques. A
principal concluso, ento, que sempre que a informao sobre os nveis de estoques
disponveis for muito pobre, a estratgia de manter nveis altos de estoques de segurana
um importante instrumento para evitar o risco de ruptura de estoques, cuja consequncia a
baixa qualidade de servio, que resulta na insatisfao dos clientes. Agindo de forma
preventiva, a administrao, embora incorra em custos mais elevados com manuteno de
estoques, ainda consegue evitar o tal custo intangvel relacionado com a perda de clientes,
que causa, muitas vezes, mais estrago do que os custos contbeis relacionados com a
manuteno de estoques;
(ii) a trajetria tima de produo (linha slida na figura 3) permanece relativamente estvel,
ficando perto de sua capacidade mxima (isto ,
1
400
k
u = ), o que razovel para uma
organizao cuja produo orientada a estoques. Deste modo, a poltica de produo
trabalha no sentido de atender, no mximo, as flutuaes de demanda (linha pontilhada) ao
longo de todos os perodos do horizonte de planejamento. Com isto possvel garantir nveis
de estoques de segurana estveis e relativamente baixos, ao longo dos meses, ao mesmo
tempo em que se mantm alto nvel de atendimento ao cliente; e
(iii) como uma consequncia imediata do comportamento da poltica de produo, o nvel de
mo-de-obra tambm permanece estvel ao longo dos perodos (vide figura 4). O nvel de
mo-de-obra, utilizado a cada perodo k, flutua ligeiramente em volta da quantidade de mo
de obra regular (isto , 17 W = funcionrios, neste exemplo). Observe, ainda, que quando o
nvel de mo-de-obra supera o limite W , significa que a companhia est adotando uma das
seguintes estratgias: (i) usar mo-de-obra temporria que exige subcontratao; ou
(ii) utilizao de uma poltica de horas-extras. Ambas as estratgias so responsveis por
aumentar o custo total de produo, mas por outro lado, permitem manter a operao de
produo perto de sua capacidade mxima o que, com certeza, melhora o desempenho da
companhia, seja em termos de reduo dos custos com estoques, seja com respeito moral
da equipe de produo, que percebe que o mercado favorvel ao crescimento da
companhia.
(iv) os resultados ilustrados pelas figuras 2, 3 e 4 do tambm uma ideia sucinta das
dificuldades administrativas que a gerncia ter no sentido de produzir um plano de produo
factvel para a companhia. A dificuldade principal est relacionada necessidade de
satisfazer diferentes dimenses de interesse da administrao, tais como, por exemplo,
encontrar a soluo de compromisso que garanta minimizar os nveis de estoques enquanto,
simultaneamente, maximizam-se as taxas de produo, sem introduzir mo-de-obra
temporria ou horas extra. Outra dificuldade devido aos limites mnimo e mximo das
variveis de estoque e produo, que impem uma reduo no espao de solues factveis
do problema (15).
Concluindo, sob as circunstncias acima, o problema (15) resolvido usando a abordagem
OLU. Como resultado, a soluo gerada pode ser usada pela gerncia no sentido de fornecer
um plano timo anual agregado de produo factvel, como as trajetrias apresentadas pelas
figuras 2, 3 e 4; ou, ainda, para desenvolver cenrios de produo, que ajudam os
administradores a investigar oportunidades de satisfazer a demanda quanto s incertezas de
longo prazo.

4.3 Anlise de cenrios
Nesta subseo analisa-se a influncia do ndice probabilstico na gerao de uma poltica
tima agregada de produo. A ideia aqui segue a discusso abordada ao fim da seo 3,
onde o ndice um indicador de garantia de atendimento da demanda, ou seja, uma medida
de satisfao do cliente. Anteriormente, o problema (15) foi resolvido com =0,95, o que
significa um compromisso da gerncia em satisfazer os clientes ao longo dos perodos do
horizonte de planejamento em, pelo menos, 95% das vezes. Contrapondo com a situao,
considera-se agora, para efeito de comparao, que fixado igual a 0,50. Neste caso, a
gerncia assume o risco da possibilidade de, em 50% das vezes, no atender demanda em
algum perodo futuro do horizonte de planejamento.
Resumindo, usando = 0,95, o gerente est assumindo uma atitude mais conservadora do
que quando ele usa = 0,50. Na prtica, o primeiro caso significa que ser necessrio
aumentar o nvel de estoque de segurana, ao longo dos perodos futuros, visando garantir
que os produtos sempre sero entregue no prazo combinado com os clientes. Assim atuando,
o gerente pretende reduzir, de forma significativa, o nmero de intervenes administrativas
relacionadas com ajustes no processo de produo devido a ocorrncias de perturbaes
como, por exemplo: aumento no esperado nos nveis de demanda, atrasos na entrega de
matria-prima, quebra de mquinas e assim por diante. Contudo, importante lembrar que
esta ao provoca aumentos no custo total de produo.
As figuras 5 e 6 mostram, respectivamente, os planos timos mensais de estoques e produo
para dois cenrios de produo, a saber: cenrio 1 com = 0,95 (linha cheia) e cenrio 2
com = 0,50 (linha pontilhada).

0
50
100
150
200
250
0 1 2 3 4 5 6 7 8 9 10 11 12
ms
cenrio 1 cenrio 2
Nveis de Estoque

Figura 5 Poltica de estoques para =95% (cenrio 1) e 50% (cenrio 2).

250
275
300
325
350
375
400
425
0 1 2 3 4 5 6 7 8 9 10 11
Niveis de Produo
ms cenrio 1 cenrio 2

Figura 6 Polticas de produo para =95% (cenrio 1) e 50% (cenrio 2).

Da figura 5, observa-se que os nveis de estoques relacionados com =0,95 so ligeiramente
superiores queles relacionados com =0,50. interessante verificar que, neste caso, os
nveis de estoque de segurana, dado por
1
, k
x , aumentam ao longo dos perodos do
horizonte de planejamento, garantindo, assim, que qualquer aumento no previsto nos nveis
de demanda possa ser prontamente atendido. Como uma imediata consequncia, o custo total
de produo da poltica com =0,95 aproximadamente de 3% mais caro do que o obtido
com =0,50. A tabela 2, dada a seguir, compara os custos destes dois cenrios.

Tabela 2 Comparando os custos dos cenrios com =0,5 e =0,95.
Cenrios Custo estoque Custo produo Custo mo-de-obra Custo total
=0,50 $ 6 mil $ 317 mil $ 250 mil $ 573 mil
=0,95 $ 11 mil $ 327 mil $ 250 mil $ 588 mil

Da anlise das trajetrias de produo, expostas na figura 6, interessante observar que a
poltica de produo com =0,5 permanece cerca de 70% dos perodos do horizonte de pla-
nejamento operando exatamente no limite mximo de sua capacidade (i.e., 400,
k
u k = );
enquanto que, a poltica de produo com =0,95, opera somente 25% do tempo no limite
mximo de capacidade. Mesmo assim, o custo de produo obtido para =0,50 inferior ao
de =0,95, como se v na Tabela 2. A explicao disto est no fato de que para o perodo
inicial k=0, a taxa de produo da poltica com =0,50 ser inferior a taxa de produo para
=0,95, como ilustra a figura 6. Alm disto, a diferena entre estas duas taxas, para o
restante dos perodos, no de ordem significativa. Por fim, cabe aqui destacar que este tipo
de anlise de cenrio, excessivamente sensvel formao de estoque de segurana, de
interesse para companhias com sistemas de manufatura orientados a estoque, como o caso
daquelas organizaes cuja produo atende mercados de commodities.

5. Concluso
Este trabalho apresentou um problema de planejamento agregado da produo representado
por um modelo sequencial Linear Quadrtico Gaussiano com restries de chance nas
principais variveis de deciso. O problema, assim formulado, pode ser usado pela gerncia
no s para desenvolver um plano de produo aplicvel ao processo hierrquico de tomada
de deciso de uma dada organizao, mas tambm para gerar cenrios de produo que
permitam melhorar o uso dos recursos da organizao objetivando, assim, satisfazer plena-
mente o cliente final. A formulao adotada para o problema envolveu um padro do tipo
espao de estado, baseado na estrutura original clssica do modelo HMMS. Para adicionar
maior realismo a esta formulao, foi tambm adicionado mesma um modelo ARMA para
representar as previses quanto s flutuaes da demanda. Em razo de dificuldades de obter
uma soluo tima global para o problema, abordagens subtimas foram exploradas como
uma estratgia alternativa. Foi enfatizado que muitas destas aproximaes so resultado
direto da aplicao do princpio da equivalncia certeza. Partindo deste princpio, o
problema estocstico original foi transformado em um problema determinstico equivalente,
denominado neste trabalho como Problema do Valor Mdio Estendido (PVME). Duas
heursticas, muito simples do ponto de vista computacional e conhecidas pelos acrnimos
OLN e OLU, foram discutidas sucintamente como maneiras econmicas de resolver PVME.
A partir de um exemplo ilustrativo, a abordagem OLU foi aplicada ao PVME. Como
resultado, obteve-se um plano de produo factvel que considerou informaes correntes
disponveis dos nveis de estoque e mo-de-obra, para determinar um plano timo de
produo. Alm disto, foi mostrado, tambm, que esta soluo subtima permite criar
cenrios de produo que revelam o uso dos recursos da companhia. De fato, variando
alguns parmetros do modelo determinstico como, por exemplo, o ndice probabilstico
que um indicador do nvel de satisfao ao cliente, uma soluo subtima pode oferecer
diferentes cenrios de produo para anlise. Note que, da anlise de tais cenrios, a gerncia
pode definir qual ser o melhor plano de produo a ser aplicado companhia.

Agradecimento
Este trabalho foi apoiado pelo CNPq, o Conselho Nacional de Pesquisa e Desenvolvimento,
processo No. 500202/2003-6
Referncias Bibliogrficas
(1) Anderson, B.D.O. & Moore, J.B. (1979). Optimal Filtering. Prentice Hall, USA.
(2) Bahl, H.C.; Ritzman, L.R & Gupta, J.N.D. (1987). Determining Lot Sizes and Resource
Requirements: A Review. Operations Research, 35(3), 329-345.
(3) Bensoussan, M.C. & Proth, J.M. (1983). Mathematical Theory of Production Planning.
North-Holland, Amsterdam.
(4) Bertesekas, D.P. (1995). Dynamic Programming and Stochastic Control. Vol. 1.
Athena Scientific, USA.
(5) Box, G.E.P.; Jenkins G.M.; Reinsel, G.C. & Jenkins, G. (1974). Time Series Analysis:
Forecasting and Control. Prentice-Hall, USA.
(6) Bryson, A.E. & Ho, Y. (1975). Applied Optimal Control: Optimization, Estimation and
Control. Hemisphere Publishing Corporation, USA.
(7) Cheng, L.; Subrahmanian, E. & Westerberg, A.W. (2004). A Comparison of Optimal
Control and Stochastic Programming from a Formulation and Computational
Perspective. Computers and Chemical Engineering, 29, 149-164.
(8) Dellaert, N. & de Kok, T. (2004). Integrating Resource and Production Decisions in a
Simple Multi-stage Assembly System. Int. J. Production Economics, 90, 281-294.
(9) Dobos, I. (2003). Optimal Production Inventory for HMMS-type Reverse Logistics
System. Int. J. Production Economics, 82, 351-360.
(10) Gershwin, R.; Hildebrant, R.; Suri, R. & Mitter, S.M. (1986). A Control Perspective on
Recent Trends in Manufacturing Systems. IEEE Control System Magazine, 6(2), 3-15.
(11) Graves, S.C. (1999). A Single-Item Inventory Model for a Non-stationary Demand
Process. Manufacturing & Service Operations Management, 1(1).
(12) Hackman, S.; Riano G.; Serfozo, R.; Huing, S; Lendermann. P. & Chan, L.P. (2002).
A Stochastic Production Planning Model. Technical Report, The Logistic Institute,
Georgia Tech and National University of Singapore.
(13) Hax, A.C. & Candea, D. (1984). Production and Inventory Management. Prentice-Hall,
Englewood Cliffs.
(14) Higgins, P.; Le Roy, P. & Tierney, L. (1996). Manufacturing Planning and Control:
Beyond MRP II. Chapman & Hall, USA.
(15) Holt, C.C.; Modigliani, F.; Muth, J.F. & Simon, H.A. (1960). Planning Production,
Inventory and Work Force. Prentice-Hall, NJ, USA.
(16) Holt, C.C.; Modigliani, F. & Simon, H.A. (1955). A linear Decision Rule for
Production and Employment Scheduling. Management Science, 2(1), 1-29.
(17) Iserman, R. (1981). Digital Control System. Spring-Verlag, Heidelberg.
(18) Jung, Y.J.; Blau, G.; Pekny, J.F.; Reklaitis, G.V. & Eversdyk, D. (2004). A Simulation
based optimization approach to supply chain under demand uncertainty. Computer and
Chemical Engineering, 28, 2087-2106.
(19) Kleindorfer, P.R. (1978). Stochastic Control Models in Management Science: Theory
and Computation. In: Applied Optimal Control, TIMS Studies in the Management
Science, vol. 9, 69-88, North-Holland.
(20) Lassere, J.B.; Bes, C. & Roubelat, F. (1985). The Stochastic Discrete Dynamic Lot Size
Problem: An Open-Loop Solution. Operations Research, 3(3), 684-689.
(21) Lim, A.E.B.; Moore, J.B. & Faybusovich, L. (1996). Linearly Constrained LQ and
LQG Optimal Control. 13th Triennial World Congress, San Francisco, USA.
(22) Neck, R. (1984). Stochastic Control Theory and Operational Research (invited review).
European Journal of Operation Research, 17, 283-301.
(23) OGrady, P.J. & Bonney, M.C. (1984). A General Approach to Linear-Quadratic
Production Planning. In: Advances Production Management Systems, Elsevier Science
Publishers, North-Holland.
(24) Papadopoulos, H.T.; Heavey, C. & Browne, J. (1993). Queuing Theory in Manufacturing
System Analysis and Design. Chapman & Hall, UK.
(25) Pappoulis, A. (1991). Probability, Random Variables, and Stochastic Process.
McGraw-Hill, UK.
(26) Parlar, M.A. (1985). Stochastic Production Planning Model with a Dynamic Chance
Constraint. European Journal of Operational Research, 20, 255-260.
(27) Pekelman, D. & Rausser, G.C. (1978). Adaptive Control: Survey of Methods and
Applications. In: Applied Optimal Control, TIMS Studies in the Management Science,
vol. 9, 89-120, North-Holland.
(28) Sahinidis, N.V. (2004). Optimization under Uncertainty: State-of-the-Art and
Opportunities. Computer and Chemical Engineering, 28(6-7), 971-983.
(29) Sastri, T. (1985). A State Space Modeling Approach for Time Series Forecasting.
Management Science, 312(11).
(30) Shen, R.F.C. (1994). Aggregate Production Planning by Stochastic Control. European
Journal of Operations Research, North-Holland, 73, 346-359.
(31) Silva Filho, O.S. & Cezarino W. (2004). An Optimal Production Policy Applied to a
Flow-shop Manufacturing System. Brazilian Journal of Operations and Production
Management, 1(1), 73-92.
(32) Silva Filho, O.S. & Ventura, S. (1999). Optimal Feedback Control Scheme Helping
Managers to Adjusting Industrial Resources of the Firm. Control Engineering
Practices, Elsevier Science, 7(4), 555-563.
(33) Silva Filho, O.S. (1999). An Aggregate Production Planning Model with Demand under
Uncertainty. Production Planning & Control, 10(8).
(34) Singhal, J. & Singhal, K. (1996). Alternate Approaches to Solving the Holt et al. Model
and to Performing Sensitivity Analysis. European Journal of Operational Research, 91.
(35) Vadja, S. (1972). Probabilistic Programming. Academic Press, New York.
(36) Yildirim, I.; Tan, B. & Karaesmen, F. (2005). A Multiperiod Stochastic Production
Planning and Sourcing Problem with Service Level Constraints. OR Spectrum, 27,
471-489.

Aggregate Planning

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Aggregate Planning

Uploaded by

Copyright:

Available Formats

verso impressa ISSN 0101-7438 / verso online ISSN 1678-5142

Pesquisa Operacional, v.30, n.1, p.99-124, Janeiro a Abril de 2010 99

= , que resolvem o seguinte problema de otimizao estocstica:

D D D = + . Note que a primeira varivel

representa o operador atraso (por exemplo,

. Com base neste valor mdio, determina-se que C

denota a funo distribuio de probabilidade inversa da varivel de estoque.

= ; e (b) um modelo ARMA (1,1) identificado para representar o histrico de

You might also like