DESENVOLVIMENTO DE UM PROTÓTIPO DE … · Xfuzzy 3.0, utilizada no escopo do software. 2....

DESENVOLVIMENTO DE UM

PROTÓTIPO DE SISTEMA

INTELIGENTE VOLTADO PARA O

PLANEJAMENTO DA PRODUÇÃO.

Dayse Mourao Arruda (INT)

[email protected]

Elton Fernandes (COPPE/UFRJ)

[email protected]

Carlos Alberto Nunes Cosenza (COPPE/UFRJ)

[email protected]

Rogerio Macedo Pontes (COPPE/UFRJ)

[email protected]

Felipe Arruda Pontes (INT)

[email protected]

Nosso objetivo neste artigo é discutir a modelagem do planejamento

mestre da produção sob a forma de um Sistema de Inferência Fuzzy no

âmbito do sistema GesPlan - Gestão do Plano Mestre de Produção

desenvolvido no escopo de um projeto FAPERRJ, através de uma

parceria firmada entre o Instituto Nacional de Tecnologia e a

COPPE/UFRJ. A aplicação foi desenvolvida inteiramente a partir do

emprego de softwares livres, funciona em plataforma web e tem como

objetivo apoiar o gestor na definição de planos mestres de produção de

uma forma mais ágil e flexível. A atividade de gerenciamento do plano

mestre corresponde a definição dos planos de produção e de estoques

considerando um dado horizonte de planejamento de médio prazo,

tendo em vista a demanda que se deseja atender e a capacidade

disponível dos recursos considerados críticos na empresa.

Palavras-chaves: planejamento da produção, planejamento mestre,

lógica fuzzy

XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção

Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.



2

1. Introdução

Com o aumento da competitividade, variedade e personalização dos produtos, a tarefa de

planejar a produção vem ganhando maior complexidade.

Neste contexto, o gestor precisa conciliar uma ampla gama de variáveis relativas aos seus

fornecedores, níveis de estoque, capacidade produtiva, cumprimento de prazos, e variações

na demanda, o que exige do planejador o emprego de ferramentas de apoio a decisão ágeis e

flexíveis que auxiliem nesse processo de planejamento.

Denominamos planejamento mestre da produção ao conjunto de atividades relacionadas ao

processo de converter os planos de médio prazo da companhia, em decisões de curto prazo.

Estes planos devem ser elaborados de forma a compatibilizar a demanda que pretendemos

atender com as restrições de capacidade da empresa.

Esta função faz parte da tradicional arquitetura dos Sistemas de Gestão Integrada, também

denominados sistemas ERP – Enterprise Resources Planning.

Nosso objetivo no presente artigo é apresentar as funcionalidades e a modelagem baseada na

abordagem dos Sistemas de Inferência Fuzzy (SIF) que implementamos num protótipo

desenvolvido em java, para plataforma Web e que tem como finalidade apoiar a atividade de

gerenciamento do plano mestre.

Um interessante subproduto decorrente da linha de trabalho principal, é a utilização sob a

forma de uma espécie de toolbox dos algoritmos relativos à modelagem fuzzy que

empregamos no escopo do software de apoio a decisão. Desta forma poderemos disponibilizar

com mais facilidade o mesmo ferramental para uso nos demais projetos das instituições

envolvidas na pesquisa.

Discutimos a seguir uma breve justificativa para a escolha da abordagem que empregamos,

descrevemos o histórico da pesquisa de forma a contextualizar a parceria que deu origem ao

trabalho e apresentamos muito resumidamente os principais conceitos relativos ao

desenvolvimento de Sistemas de Inferência baseados em Regras Fuzzy.

Apresentamos ainda uma visão geral do protótipo, onde detalhamos sua arquitetura e forma

de funcionamento e a partir daí abordamos as características da modelagem fuzzy empregada

em duas funções do sistema, assim como os principais aspectos relativos ao uso da biblioteca

Xfuzzy 3.0, utilizada no escopo do software.

2. Justificativa

O gerenciamento do plano mestre é uma atividade bastante complexa, que além de exigir

uma forte interação entre os diversos setores da empresa é também caracterizada pela

necessidade de conciliação de objetivos normalmente conflitantes, múltiplos e ambíguos.

Inconsistências na elaboração dos planos tem impactos muito negativos no processo produtivo

como um todo, podendo levar a redução da competitividade da empresa.

Em paralelo com a identificação da importância da execução adequada dessa atividade de

planejamento, observamos que existe uma série de críticas aos modelos clássicos e até

mesmo aos modelos mais modernos tais como: redes neurais, algorítmos genéticos ou

otimização fuzzy, que estão disponíveis na literatura para resolução do problema. Dentre as



3

principais críticas podemos citar: dificuldade de expressar matematicamente as metas

gerenciais; problemas para obter informação com o nível de detalhamento requerido pelos

modelos, falta de transparência e pouco entendimento do usuário em relação às técnicas

empregadas, criando desta forma resistência ao uso dos modelos(ARRUDA et al, 2006).

Devido às restrições e limitações existentes nos modelos clássicos para definição do plano

mestre e às características da atividade que estamos focando, optamos por uma modelagem

que possibilite ao gestor um instrumental de apoio ao processo de definição do plano mestre

de produção, empregando os conceitos e algoritmos oferecidos pelos modelos baseados em

regras nebulosas, de forma a derivar conclusões a partir de um conjunto de regras baseadas

na experiência do usuário. Aliado a isso, implementamos recursos que permitem ao gestor o

uso de simulações “what if” de forma similar ao que normalmente é usado na prática em seu

processo de planejamento, para avaliar o impacto dos planos de produção alternativos no

contexto fabril.

3. Referencial Teórico - Sistemas de Inferência Fuzzy

Todo instrumental usado na construção dos SIF (também chamados Sistemas Nebulosos) está

fundamentado na Teoria dos Conjuntos Fuzzy que foi formalizada primeiramente por Zadeh

(1965) e estende a Teoria dos Conjuntos Clássica de forma a permitir tratar o conceito de

verdade parcial, onde o grau de pertinência de um elemento ao seu conjunto pode assumir

qualquer valor no intervalo [0,1], ao invés de apenas 0 ou 1 como na Teoria dos Conjuntos

Clássica.

A Lógica Fuzzy por sua vez, emprega os conceitos da Teoria dos Conjuntos Fuzzy e ajuda a

modelar a forma imprecisa de raciocinar, que é uma característica intrínseca do ser humano

(ZADEH,1988).

Ainda no escopo da Teoria dos Conjuntos Fuzzy, temos o conceito das variáveis linguísticas

que são constituídas de palavras ou sentenças em linguagem natural, e usadas no lugar das

variáveis numéricas. Podemos ter, a título de exemplo, a variável linguística idade, que pode

assumir os valores ou termos linguísticos, “jovem” ou “velho”; e a variável velocidade, que

pode ser “baixa”, “média” ou “alta”.

Os termos linguísticos definidos para uma determinada variável formam a sua estrutura de

conhecimento, também denominada partição fuzzy da variável (ALMEIDA & EVSUKOFF,

2003).

Neste contexto temos os chamados Sistemas de Inferência Fuzzy que correspondem a uma

estrutura computacional que emprega os conceitos da Teoria dos Conjuntos Fuzzy, Regras

Fuzzy e um processo de inferência que deriva conclusões a partir dessas regras e de fatos

conhecidos, ao qual denominamos raciocínio aproximado (JANG et al, 1997).

4. Histórico/Contextualização

A pesquisa que ora descrevemos foi elaborada no escopo do Projeto Faperj: E-

26/110.322/2007 – “GesPlan – Desenvolvimento de um protótipo de sistema adequado ao

planejamento mestre da produção com mecanismos inteligentes de apoio a decisão” e é

resultante da experiência adquirida pela equipe no desenvolvimento e implantação de

sistemas integrados de gestão em diferentes contextos produtivos. A parceria estabelecida



4

entre o INT, através da Divisão de Gestão da Produção - DGEP e a COPPE, através do

Programa de Engenharia de Produção possibilitou a realização do estudo.

O Programa de Engenharia de Produção da COPPE/UFRJ tem historicamente uma

atuação destacadamente interdisciplinar e abrangente dedicada ao estudo da gerência de

sistemas no qual interagem pessoas, materiais, equipamentos e ambiente.

O outro elemento componente da rede de cooperação envolvida no projeto é o Instituto

Nacional de Tecnologia - instituição de pesquisa de caráter multidisciplinar vinculada ao

Ministério da Ciência, Tecnologia e Inovação , situado no Rio de Janeiro.

O INT conta em seus quadros, com pesquisadores que atuam nas áreas de química, tecnologia

de materiais, energia, desenho industrial e gestão da produção. Esta última, sob a

responsabilidade da DGEP, cuja missão é contribuir para a melhoria da produtividade e

qualidade das empresas e instituições públicas através da disseminação das modernas

tecnologias de gestão da produção e serviços.

5. Metodologia

Conforme Silva(2005), em relação a sua natureza podemos classificar este trabalho como

sendo pesquisa aplicada, pois objetiva gerar conhecimentos para aplicação prática e dirigidos

à solução de problemas específicos, envolvendo verdades e interesses locais. Do ponto de

vista de seus objetivos, é uma pesquisa exploratória, pois visa proporcionar maior

familiaridade com o problema com vistas a torná-lo explícito ou a construir hipóteses,

envolvendo levantamento bibliográfico ou análise de exemplos que estimulem a compreensão

do problema.

Além da pesquisa bibliográfica, com o intuito de identificar a viabilidade da utilização da

modelagem proposta, tanto em termos computacionais como em relação ao aspecto de

modelagem do processo de planejamento propriamente dito, implementamos inicialmente

sob a forma de simuladores, os algoritmos necessários para a resolução do problema com o

auxílio da toolbox Fuzzy do MatLab

(ARRUDA et al., 2007). Dessa forma poderíamos

vivenciar as questões relativas à formulação desejada e avaliar melhor sua adequação, numa

abordagem do tipo “prototipagem rápida”.

Como referencial para a construção dos simuladores, partimos da experiência no processo de

gestão do plano mestre adquirida no segmento de confecção. Elaboramos para isso alguns

cenários que permitissem contextualizar e avaliar a utilização dos simuladores.

Neste primeiro estágio dos trabalhos observamos que apesar da série de recursos que oferece,

um sério inconveniente do uso do MatLab

é seu alto custo, o que inviabilizaria a sua

utilização em muitos casos.

Levando esse fato em consideração, numa etapa posterior da pesquisa, implementamos esta

proposta de modelagem baseada em lógica fuzzy, indepedentente de um software proprietário,

no escopo de um Sistema de Gestão Integrada convencional voltado para a atividade de

planejamento mestre, desenvolvido inteiramente em uma linguagem de programação de alto

nível adequada a este fim.

Descrevemos ao longo do presente artigo as características deste software e da modelagem

baseada em SIFs que empregamos em seu desenvolvimento.



5

6. Visão Geral do Sistema GesPlan

O protótipo funciona em plataforma Web a partir de um servidor de aplicações Apache

Tomcat e foi desenvolvido em java. É constituído de 8 módulos com 130 telas

aproximadamente, e tem como principal foco a atividade de definição e avaliação de planos

mestres de produção alternativos.

A modelagem do sistema GesPlan tem como pano de fundo o setor de confecções,

aproveitando a experiência de atuação de mais de vinte anos do INT neste segmento.

Considerando isto os módulos do sistema são organizados conforme a figura 1.

Ilustração 1 - Estrutura de Módulos do Sistema GesPlan

Em linhas gerais o sistema tem a seguinte forma de funcionamento:

Uma vez cadastrados os produtos acabados, os recursos produtivos relevantes, o horizonte de

planejamento que será foco do processo de planejamento e as vendas/pedidos, o usuário pode

cadastrar diversos planos de produção alternativos para cada produto. Estes planos são

definidos ao longo de um horizonte de planejamento móvel, partindo de um plano de

produção vigente quando for o caso.

Na inclusão do plano, o sistema gera os valores relativos às variáveis de produção e níveis de

estoque empregando a equação de conservação de estoques que discutiremos adiante (vide

equação 1). Outra possibilidade é o emprego de uma modelagem baseada em SIF para

geração de planos de produção alternativos, empregando uma base de regras fuzzy definida a

priori no Módulo de Engenharia de Conhecimento.

Numa nova etapa, através de simulações “what if”, o gestor pode então experimentar e

comparar os diversos planos para avaliar quais se enquadram melhor nos critérios definidos.

Uma vez definidos os planos de produção para cada produto o conjunto destes planos é

tornado o plano vigente para aquele horizonte de planejamento determinado e um novo ciclo

de planejamento se inicia.

Um conjunto de atividades do sistema se refere ao processo de definição dos aspectos

relativos à modelagem fuzzy, ou seja, definição das variáveis linguísticas, das bases de regras,

operadores fuzzy, e demais procedimentos de inferência fuzzy relativos à geração de planos

segundo diferentes estratégias e à avaliação de planos alternativos segundo critérios

estabelecidos.



6

Na figura abaixo esquematizamos a arquitetura em camadas implementada no escopo do

sistema GesPlan que permite uma visão geral do conjunto de tecnologias e frameworks para

desenvolvimento web combinadas no protótipo. Uma discussão detalhada dessas tecnologias

e da organização e estrutura do protótipo podem sem encontradas em Fernandes et al(2011).

Ilustração 2 -Arquitetura em camadas - Sistema GesPlan (Fernandes et al,2011)

7. Modelagem fuzzy no escopo do sistema GesPlan

Em nosso sistema utilizamos a abordagem baseada em Sistemas de Inferência Fuzzy para

implementar duas funcionalidades diferentes:

Na inclusão de um plano mestre no cadastro de planos mestres alternativos;

Na avaliação de planos mestre de produção alternativos segundo critérios

estabelecidos.

Independente de qual o objetivo da modelagem fuzzy utilizada, o usuário deve tê-la

cadastrado anteriormente no Módulo de Engenharia de Conhecimento antes de poder usá-la

no escopo do sistema.

Dentre as ferramentas disponibilizadas para trabalhar com lógica fuzzy optamos pela

utilização do Xfuzzy 3.0, que é um ambiente de desenvolvimento baseado em SIFs. Este é



7

um Software Livre desenvolvido pelo Instituto de Microeletrônica de Sevilha e composto de

várias ferramentas gráficas que abrangem as diferentes etapas do processo de concepção de

um sistema fuzzy, desde a sua descrição inicial até a execução final. Suas principais

características são a capacidade de desenvolvimento de sistemas complexos e a flexibilidade

de extensão das funções disponíveis. O ambiente foi totalmente programado em Java para que

ele possa ser executado em qualquer plataforma com JRE - Java Runtime Environment.

A especificação dos sistemas nebulosos no Xfuzzy divide a descrição de um sistema fuzzy

em duas partes: a definição lógica da estrutura do sistema, contida em arquivos com a

extensão “.xfl” e a definição matemática das funções fuzzy, que está contida em arquivos

com a extensão “.pkg”.

Maiores detalhes sobre a ferramenta podem ser obtidos em IMSE-CNM(2003) ou Arbex et al

(2011).

Foram necessárias alterações na versão original da biblioteca Xfuzzy para permitir seu

funcionamento no escopo do aplicativo GesPlan, pois para usá-la o desenvolvedor deveria

trabalhar “importando” para o projeto os arquivos “.java” relativos a uma modelagem

específica gerada anteriormente na ferramenta Xfuzzy. Em nosso caso precisamos trabalhar

com modelagens fuzzy alternativas, para dar maior flexibilidade ao usuário, o que

inviabilizaria o uso da biblioteca conforme seu projeto original, pois a seleção do arquivo de

modelagem que usamos é feito durante a execução do aplicativo, não permitindo portanto que

“incorporássemos” novos arquivos “.java” ao fonte do sistema em tempo de execução.

Para atender as especificidades de nosso projeto, incorporamos ao sistema todos os arquivos

fonte em Java dos algoritmos fuzzy disponibilizados no ambiente Xfuzzy e seus métodos são

executados diretamente a partir das funções em que são necessários (ou seja, na geração do

plano mestre, em sua avaliação e no cadastro de modelagens alternativas).

Vale destacar que existem dois momentos distintos em nosso sistema - primeiramente

executamos o ambiente desktop Xfuzzy 3.0 para construir a modelagem fuzzy desejada, e

uma vez feito isso, podemos incluir no sistema GesPlan essa modelagem que fica armazenada

num arquivo com extensão “.xfl” . Depois de feito “upload” do arquivo “.xfl”, este fica

disponível no servidor de aplicações para uso no “Cadastro de Modelagens Fuzzy” do

Módulo de Engenharia do Conhecimento. A partir deste cadastro o usuário pode visualizar

os detalhes da modelagem, tais como as varíaveis linguísticas, gráfico das funções de

pertinência, operadores usados e regras fuzzy e pode usar a modelagem nas funções de

geração do plano ou de análise.

Nosso objetivo, em relação às duas funcionalidades em que utilizamos a abordagem baseada

em lógica fuzzy, foi o de reproduzir a estratégia usada pelo gestor, sob a forma de regras

fuzzy, para modelar o processo de geração de planos e de avaliação dos mesmos.

Tendo em vista sua maior transparência e possibilidade de retratar o processo decisório usado

pelo proprio gestor, optamos pelo emprego de regras do tipo Mandani e na construção das

bases de regras empregamos o método intuitivo considerando a experiência adquirida pelos

autores no desenvolvimento de sistemas integrados de gestão.

7. 1. Uso de SIF na geração do Plano Mestre

No processo de modelagem levamos em consideração o fato de que a estrutura de produção



8

da empresa influencia significativamente o tipo de estratégia empregada na formulação do

plano mestre de produção, isto porque, optar por uma determinada estratégia no

gerenciamento do plano, implica em decidir primeiramente a política de estoques que será

praticada.

Dentre as políticas de estoque pelas quais o gestor pode optar, podemos destacar a estratégia

de acompanhamento da demanda, que propõe que as quantidades produzidas sejam

ajustadas de forma a seguir as necessidades do mercado. Uma descrição mais detalhada

destas e outras políticas pode ser encontrada em Slack et al. (2002, p. 354).

Implementamos no simulador a política de acompanhamento da demanda, tendo como base

o raciocínio implícito na equação algébrica para geração do plano mestre, que apresenta uma

formulação bastante intuitiva, onde temos:

DispProjetadat = DispProjetadat-1 + Produçãot - Max (PVt – Pedidost) (1)

sendo:

DispProjetadat = disponibilidade projetada ao fim do período t;

Produçãot = quantidade programada para recebimento no período t;

PVt = vendas projetadas no período;

Pedidost = pedidos em carteira no período t.

Na equação básica do planejamento mestre relacionamos estoques, produção e demanda

defasados ao longo do horizonte de planejamento.

Usamos em nossa formulação do mecanismo de inferência fuzzy um desdobramento desse

procedimento, porém ao invés de trabalhar com o nível de estoque no período anterior

definido em número de peças (disponibilidade projetada), substituímos este pela Variação

Percentual entre o estoque em peças desejado, e o estoque efetivamente projetado no plano

para o período anterior. Outra diferença em relação a equação de conservação de estoques

explicitada em (1) se deve ao emprego de um nível de estoque de segurança desejado,

variável a cada período. Em Pontes et al(2011) discutimos passo a passo a definição da

modelagem empregada aqui.

Considerando o exposto, definimos então as variáveis linguísticas, e suas respectivas partições

nebulosas, e após um processo de depurações sucessivas chegamos a um algoritmo

estruturado sob a forma de 81 regras do tipo Mandani, sendo:

Produção t = f ( DemandaMáxima t , Variação%Estq t-1 )

Temos a seguir o exemplo de uma das regras em sua forma literal:

Se DemandaMaxt é Alta e VariaçãoEstq% t-1 é Nula então P t deve ser Alta

Devido à sua simplicidade e eficiência computacional, empregamos funções triangulares e



9

trapezoidais para a definição das partições nebulosas das variáveis linguísticas envolvidas na

formulação. Na figura 3 podemos visualizar uma tela do sistema com a partição fuzzy da

variável linguística relativa a demanda e seus respectivos termos linguísticos.

A combinação que apresentou melhores resultados quanto ao mecanismo de inferência,

emprega o operador fuzzy de mínimo na etapa de avaliação das regras e de soma limitada

para a etapa de agregação das mesmas. Na figura 4 exibimos a tela com a superfície

resultante da relação definida pelas variáveis com a base de regras e o mecanismo de

inferência modelado.

Ilustração 3 - Tela com funções de pertinência da variável linguística Demanda Máxima por período



10

Ilustração 4 – Tela com superfície resultante da relação entre variáveis, base de regras e mecanismo de

inferência

Na etapa de defuzzificação usamos o método do centróide, que possui dentre outras

vantagens, o fato de evitar que ocorram mudanças bruscas nas variáveis de saída a partir de

pequenas mudanças nos dados de entrada, o que atende as necessidades do problema tratado

(COX, 1994, p.396).

Uma representação esquemática da modelagem implementada para a funcionalidade relativa à

geração do plano mestre no âmbito do sistema GesPlan, pode ser vista na figura abaixo.



11

Ilustração 5 - Estrutura do SIF para geração do plano mestre (adaptado de Pontes et al, 2011, p. 28)

7. 2. Uso de SIF na avaliação de planos alternativos

Outra funcionalidade do sistema GesPlan que emprega a abordagem baseada em SIFs é a

atividade de avaliar planos mestres alternativos.

A atividade de selecionar/avaliar dentre os diversos planos qual aquele que mais se encaixa

nos critérios desejados, é um trabalho meticuloso e lento, devido ao volume de dados

envolvidos. Para modelar essa questão nos baseamos em nossa observação do processo de

decisão dos gestores no contexto produtivo. Ou seja, estabelecemos sob a forma de regras a

estratégia de decisão que observamos na prática sobre a adequação ou não de um determinado

plano, em relação aos objetivos que pretendemos atingir.

Na atual versão do protótipo focalizamos a atenção no critério de atendimento à política de

estoques, mas este tipo de modelagem baseada em regras, permite a inclusão de critérios

subjetivos específicos de cada contexto, e neste caso sua utilidade é ainda maior.

Implementamos uma modelagem que permite a avaliação do nível de estoque para cada

período do plano sugerido, observando se atende ou não aos critérios estabelecidos.

Optamos por fazer essa avaliação empregando também regras nebulosas, pois durante a

prática de gestão notamos que o próprio estabelecimento dos critérios é feito de forma vaga e

imprecisa tornando bastante adequado o ferramental da lógica fuzzy.

Temos como variável de entrada a “Variação%Estq” dentro do mesmo intervalo da

modelagem que usamos para gerar o plano mestre (vide figura 5), e em função dela

determinamos um valor de escore para o nível de estoque sugerido a cada período pelo



12

simulador, ou seja:

PoliticaEstoque t = f (Variação%Estq t )

Definimos a variável PolíticaEstoquet para funcionar como uma nota, variando num

intervalo de 0 a 100 e estabelecemos seus termos linguísticos considerando os diferentes

níveis de atendimento aos critérios desejados. Na figura 6 podemos visualizar a tela com a

partição nebulosa da variável de saída.

Ilustração 6 - Partição nebulosa da variável PoliticaEstoque t para avaliação de planos

Para determinar o escore do plano do modelo como um todo, calculamos então a média dos

escores obtidos para cada período conforme estabelecido em (2).

Escore do Plano do Modelo = ∑ PolíticaEstoque t / n , para t = 1,n (2)

Da mesma forma que na formulação das regras relativas à geração do plano mestre,

experimentamos mais de uma combinação de termos e operadores nebulosos para a análise

dos planos, e o conjunto que retratou melhor o procedimento de avaliação dos planos

corresponde as 9 regras descritas na figura 7, associadas aos operadores de mínimo e soma-

limitada, para as etapas de avaliação e de agregação das regras respectivamente.



13

Ilustração 7 - Esquema da modelagem de avaliação de estoques empregando SIF (Pontes et al, 2011, p. 67)

8. Considerações Finais

O protótipo resultante da pesquisa, além de permitir ao gestor maior agilidade e flexibilidade

no processo de planejamento, possibilita incorporar a imprecisão e subjetividade inerentes ao

problema. Utilizamos para isso, o arcabouço teórico disponibilizado pela abordagem baseada

em Sistemas de Inferência Fuzzy, que é bastante adequado à modelagem de problemas

imprecisos, conflitantes e com aspectos subjetivos como é o nosso caso. Adicionalmente

combinamos essa modelagem com a utilização de simulações “what if” no estilo das planilhas

eletrônicas com as quais o gestor já está familiarizado.

Tivemos como um resultado adicional interessante a utilização, sob a forma de uma biblioteca

em Java, dos algoritmos relativos à modelagem fuzzy incorporando exclusivamente recursos

de softwares de código aberto, independente de uma solução proprietária, a partir da

adaptação de uma parcela das classes Java contidas no ambiente de desenvolvimento Xfuzzy

3.0.

No processo de desenvolvimento do sistema GesPlan empregamos o estado d’arte em termos

de desenvolvimento web, com a adoção de uma série de tecnologias combinadas e chegamos

a uma solução inteiramente desenvolvida a partir do emprego de softwares livres.

Esta solução pode ser usada no processo de planejamento mestre propriamente dito ou como

instrumento didático para disseminar a modelagem de problemas empregando a lógica fuzzy,

como aliás já estamos fazendo. Adicionalmente podemos aproveitar a infraestrutura

elaborada para uso dos algoritmos fuzzy neste projeto em outros desenvolvimentos das

instituições parceiras.



14

Referências

ALMEIDA, P.E.M. E EVSUKOFF, A.G., “Sistemas Fuzzy”: in Rezende, S.O. (organizadora), Sistemas

Inteligentes–Fundamentos e Aplicações. SP: Manole, 2003, 525 p.

ARBEX,M.A., ARRUDA,D.M., PONTES,R.M., PONTES,F.A. ,ARAUJO,A. M.B. Xfuzzy 3.0 Manual –

Versão em portugues. Nota Técnica – INT, Fev. 2011, 45 P.

ARRUDA, D.M, COSENZA,C.A.N., MARTINS,R.C. & PONTES, R.M., Estado d’arte no planejamento

mestre e no planejamento agregado da produção. In: III Simpósio de Excelência em Gestão e Tecnologia -

SeGeT, Anais eletrônicos, Resende, RJ: AEDB, p. 1-12, 2006, CD-ROM.

ARRUDA, D. M, COSENZA,C.A.N. MARTINS, R.C. & PONTES, R.M., “Proposta de um sistema de

inferência nebulosa para geração e avaliação de planos de produção alternativos.” In: XXVII ENEGEP, Anais

eletrônicos, Foz do Iguaçu, PR: ABEPRO, p. 1-9, 2007, CD-ROM.

COX, E., The Fuzzy Systems Handbook, a Practitioner’s Guide to Building, Using, and Maintaining Fuzzy

Systems. USA: Academic Press, 1994. 626 p.

FERNANDES, E., ARRUDA, D.M, COSENZA,C.A.N., FERNANDES,C.A.O. & PONTES, R.M.,

Relatório Final - Projeto GesPlan: E-26/110.322/2007. Nota Técnica – INT, 2011, 71 p.

JANG, J. R., SUN, C. e MIZUTANI, E. Neuro-Fuzzy and Soft Computing: A Computacional Approach to

Learning and Machine Intelligence. USA: Prentice-Hall. Inc., 607 p., 1997.

IMSE-CNM , XFuzzy. Fuzzy Logic Design Tools, Espanha – Sevilha: IMSE, 2003, 54 p. disponível em:<

http://www2.imse-cnm.csic.es/Xfuzzy/Xfuzzy_3.0/Xfuzzy3.0_en.pdf>. Acesso em 15 fev. 2011.

PONTES,F.A., ARRUDA,D.M., SILVA,P.P.L., PONTES,R.M., Uso de Lógica Fuzzy no Planejamento

Mestre da Produção. Nota Técnica – INT, ago. 2011, 134 p.

SILVA, E. L.; MENEZES, E. M. Metodologia da pesquisa e elaboração de dissertação. Florianópolis: UFSC,

2005.

SLACK, N., CHAMBERS, S. e JOHNSTON, R. Administração da Produção, 2ª edição, Trad. Maria Teresa

Corrêa de Oliveira e Fábio Alher. São Paulo: Ed. Atlas S.A., 747 p. Tradução de: Operations Management.,

2002.

ZADEH, L.A. Fuzzy sets. Information and Control , Vol. 8, p. 338-353, 1965.

____________ Fuzzy Logic , IEEE Computer Mac., p. 83-93, abr. 1988.

DESENVOLVIMENTO DE UM PROTÓTIPO DE … · Xfuzzy 3.0, utilizada no escopo do software. 2....

Documents

Transcript of DESENVOLVIMENTO DE UM PROTÓTIPO DE … · Xfuzzy 3.0, utilizada no escopo do software. 2....