Ramos, Carlos Fernando da SilvaSousa, Ricardo Henrique Macedo2022-11-302022http://hdl.handle.net/10400.22/21131A indústria 4.0 está já aí. Com o seu desenvolvimento, as fabricas estão a ficar cada vez mais ciberfísicas. Sendo assim, sistemas de escalonamento dinâmico que podem tratar altas quantidades de dados fazem cada vez mais sentido. Estes sistemas podem reduzir os custos de uma fábrica, otimizando a produção na mesma ao máximo. Em primeiro lugar, o estado da arte dos sistemas de escalonamento foi estudado, de forma a perceber qual seria a melhor opção para implementar um. Duas possibilidades foram implementadas: um algoritmo genético (GA) e um algoritmo de colónia de abelhas artificiais (ABC). Estas soluções utilizam o makespan como função objetivo e oferecem uma grande variabilidade nas soluções devido ao seu sistema de gerar soluções iniciais para os algoritmos. Estes algoritmos foram validados e testados para o Flexible Job Shop Scheduling Problem, resultando daí a conclusão de que o ABC é melhor que o GA por 2% e que o ABC está perto de outros algoritmos de estado da arte. Esta tese também tem como objetivo o tratamento de possíveis eventos dinâmicos que podem acontecer numa fábrica, criando heurísticas para o tratamento destes. A melhor solução implementada com estas heurísticas tem como objetivo diminuir a entropia entre o antigo e o novo planeamento de produção. Foram feitos testes comparando o algoritmo com algoritmos do estado da arte, obtendo bons resultados. Para concluir, dois sistemas de escalonamento estático foram desenvolvidos e várias heurísticas para tratar diferentes disrupções na fábrica foram desenhadas.Industry 4.0 is around the corner. As it develops, factories are becoming more and more cyber-physical. Thus, a dynamic scheduling system that can treat the ever-increasing amount of data produced every day by a factory makes more sense as it goes. These can reduce costs and resource waste, optimizing the efficiency of production to its maximum. In a first instance, static scheduling algorithms were studied and compared, to understand which was the best. Two of them were implemented: a genetic algorithm (GA) and an artificial bee colony algorithm (ABC). These solutions provide variability in its initial populations by generating them through different rules and use the makespan as the function to evaluate the solutions. Furthermore, the algorithms were validated and tested for the Flexible Job Shop Scheduling Problem, where operations can be produced in several machines. The conclusion was that the ABC algorithm had a 2% improvement against the Genetic Algorithm. This thesis also comprises the treatment of possible dynamic events that happen in a factory, through the development and testing of heuristics for the problem. The proposed implementation can treat two types of disruptions: job disruptions and machine disruptions. The solution provided tries to diminish the entropy between the previous and new schedule, by keeping the schedule the same until a certain point in time. The best performing algorithm was tested under these possible disruptions, allied with the heuristics providing good results when compared to the state of the art. To conclude, two static scheduling systems were developed and several heuristic methods to treat different disruptions were designed.engOtimizaçãoEscalonamentoFlexible Job Shop Scheduling ProblemAlgoritmo GenéticoAlgoritmo de Colonia de Abelhas ArtificiaisOptimizationSchedulingGenetic AlgorithmArtificial Bee Colony Algorithmmaster thesis203086961