A decision support tool for multi-objective production scheduling and lot-sizing: exact, approximate, and hybrid algorithms

June 5, 2025

No panorama moderno da indústria transformadora, alcançar a eficiência operacional tornou-se cada vez mais importante para as empresas se manterem competitivas num mercado globalizado. O planeamento e a programação da produção são reconhecidos como uma das alavancas mais significativas na gestão de operações, oferecendo um potencial substancial para melhorar o desempenho operacional de uma empresa. Consequentemente, a pressão sobre os processos de tomada de decisão relativos ao dimensionamento de lotes e a programação é imensa. Estes processos são cruciais para otimizar as operações de fabrico, mas são muito complexos devido à necessidade de equilibrar objetivos contraditórios, como a minimização dos custos de produção e, simultaneamente, a maximização da utilização dos recursos e o cumprimento de prazos de entrega apertados. A globalização crescente e a procura cada vez maior de produtos personalizados complicaram ainda mais estas tarefas, com um elevado nível de variabilidade e incerteza que os métodos de otimização tradicionais têm frequentemente dificuldade em acomodar de forma eficaz. Este ambiente dinâmico sublinha a necessidade urgente de ferramentas avançadas de apoio `a decisão que não só sejam capazes de enfrentar estes desafios multifacetados, mas também suficientemente adaptáveis para funcionarem eficazmente em ambientes de fabrico do mundo real. Esta tese de doutoramento procura colmatar a lacuna existente entre os modelos teóricos e a aplicação prática, visando o desenvolvimento de uma ferramenta sofisticada de apoio à decisão para problemas multi-objetivos de dimensionamento e programação de lotes. Através da abordagem de lacunas identificadas na literatura, tais como a integração de múltiplos objetivos, a eficiência dos métodos de solução e a adaptabilidade a eventos dinâmicos, esta investigação pretende contribuir com soluções inovadoras que possam melhorar significativamente a tomada de decisões em processos de otimização na indústria transformadora, conduzindo a uma maior eficiência operacional e vantagem competitiva no mercado global. O nosso percurso de investigação desenrola-se através de uma série de estudos, cada um deles baseado nos conhecimentos e desafios descobertos nos anteriores. Começa com o desafio de incorporar múltiplos objetivos na formulação matemática de problemas de dimensionamento e programação de lotes, levando à criação de uma ferramenta interativa de apoio à decisão. Esta ferramenta orienta os decisores para soluções de compromisso ótimas através do equilíbrio de vários objetivos. No entanto, a dependência inicial de métodos de resolução exatos evidenciou a necessidade de uma abordagem mais eficiente, a fim de permitir uma tomada de decisão rápida, necessária em aplicações dinâmicas do mundo real. Esta abordagem foi elaborada com base na exploração de técnicas de inteligência artificial, especificamente a aprendizagem automática, para melhorar a eficiência dos procedimentos de solução. Os estudos subsequentes centram-se na otimização do treino de novas heurísticas através da programação genética e na exploração do potencial da aprendizagem por reforço para problemas dinâmicos de programação de produção. Apesar das vantagens da programação genética, a exploração das técnicas de aprendizagem por reforço realçou o valor de uma investigação contínua sobre métodos de otimização multi-objetivo. A investigação culmina com o desenvolvimento de uma abordagem baseada na programação genética que não só aborda a eficiência da evolução automática de heurísticas, como também aborda a integração de decisões interligadas de dimensionamento e programação de lotes. Esta abordagem revelou-se prometedora, soluções próximas do ótimo exato e demonstrando a sua adequação como método de otimização reativa face a eventos incertos. O desenvolvimento de um esquema de planeamento de horizonte rolante ilustra ainda o potencial dos métodos propostos para responder eficazmente a curto prazo nas exigências dos clientes. Através da exploração sistemática e do desenvolvimento de uma metodologia inovadora, esta tese contribui para os domínios da investigação operacional e das ciências da gestão, nomeadamente para melhorar os processos de tomada de decisão e a eficiência dos métodos de solução na indústria transformadora. Ao abordar as lacunas identificadas com soluções práticas e integradas, esta investigação marca um avanço substancial na otimização do planeamento e programação da produção e abre caminho a operações de fabrico mais adaptáveis, eficientes e sustentáveis. In the modern manufacturing landscape, achieving operational efficiency has become increasingly important for companies to remain competitive in a globalized market. Production planning and scheduling are recognized as one of the most significant levers in operations management, offering substantial potential to enhance a company’s operational performance. Therefore, the pressure on decision-making processes regarding lot-sizing and scheduling, is immense. These processes are crucial for optimizing manufacturing operations, yet they are fraught with complexity due to the need to balance conflicting objectives, such as minimizing production costs while simultaneously maximizing resource utilization and meeting tight delivery schedules. The rising globalization and the increasing demand for customized products have further complicated these tasks with a high level of variability and uncertainty that traditional optimization methods often struggle to accommodate effectively. This dynamic and complex environment underscores the urgent need for advanced decision support tools that are not only capable of addressing these multifaceted challenges but also adaptable enough to function efficiently in real-world manufacturing settings. This PhD thesis seeks to bridge the gap between theoretical models and practical application, targeting the development of a sophisticated decision support tool for multi-objective lot-sizing and scheduling problems. Through addressing identified gaps in the literature, such as the integration of multiple objectives, the efficiency of solution methods, and the adaptability to dynamic events, this research aims to contribute innovative solutions that can significantly enhance decision-making in optimization processes in manufacturing, leading to improved operational efficiency and competitive advantage in the global market. The research journey unfolds through a series of studies, each building on the insights and challenges uncovered in the preceding ones. It begins with the challenge of incorporating multiple objectives into the mathematical formulation of lot-sizing and scheduling problems, leading to the creation of an interactive decision support tool. This tool guides decision-makers towards optimal compromise solutions by balancing various objectives. However, the initial reliance on exact solving methods highlighted the necessity for a more efficient approach in order to allow quick decision-making which is required in dynamic real-world applications. Therefore, the exploration of artificial intelligence techniques, specifically machine learning, to enhance the efficiency of solution procedures, was elaborated. Subsequent studies focus on optimizing the training of new heuristics through genetic programming and exploring the potential of reinforcement learning for dynamic job shop scheduling problems. Despite the advantages of genetic programming, the exploration into reinforcement learning techniques underscored the value of continued investigation into multi-objective optimization methods. The research culminates in the development of a genetic programming-based approach that not only addresses the efficiency of automatically evolving heuristics but also tackles the integration of interconnected lot-sizing and scheduling decisions. This approach proved promising, achieving solutions close to the exact optimum and demonstrating suitability as a reactive optimization method in the face of uncertain events. The development of a rolling horizon planning scheme further illustrates the potential of the proposed methods to efficiently respond to shortterm changes in customer demands. Through systematic exploration and innovative methodology development, this thesis contributes significantly to the fields of operations research and management science, particularly in enhancing the decision-making processes and the efficiency of solution methods in manufacturing. By addressing the identified gaps with practical and integrated solutions, this research marks a substantial advancement in the optimization of production planning and scheduling and paves the way for more adaptable, efficient, and sustainable manufacturing operations.

Authors in the community:

• 

  Y

  Yannik Nikolas Zeiträg

  ist198429

  Affiliations and sources

  IST > CEGIST

  Centro de Estudos de Gestão do IST

Supervisors of this institution:

• 

  J

  José Rui De Matos Figueira

  ist14525

101826117

Doutoramento em Engenharia e Gestão

other-engineering-and-technologies - Other engineering and technologies

Keywords

• Multi-objective optimization
• Production scheduling
• Lot-sizing
• Decision Support System
• Artificial Intelligence
• Otimização multi-objetivo
• Programação de produção
• Dimensionamento de lotes
• Sistema de Suporte à Decisão
• Inteligência Artificial

eng - English

Instituto Superior Técnico

Financing entity

Fundação para a Ciência e a Tecnologia

Identifier for the funding entity: https://doi.org/10.13039/501100001871

Type of identifier of the funding entity: Crossref Funder

Number for the project, award or grant: 2021.05314.BD