Diferentemente de outras técnicas da pesquisa operacional como a programação linear, programação inteira e outras, a simulação, a princípio, não busca encontrar solução ótima para os sistemas representados. No entanto, pode-se combinar abordagens em que o uso da simulação pode interagir com modelos de otimização, trocando dados e conseguindo utilizar o potencial das duas técnicas.
Exemplos dessa integração são o trabalho de Busato, Berruto e Piccarolo (2008), integrando simulação e programação linear para o recolhimento de biomassa de milho e o estudo de Toso et al. (2009) sobre o planejamento de turnos de trabalho e quantificação de funcionários para uma empresa fabricante de tubos de concreto. Nesse último estudo analisou- se a necessidade de trabalhar com horas extras ou de abrir um turno adicional de trabalho, utilizando inicialmente um software de simulação, com posterior transferência de dados para um modelo de programação linear elaborado com a ferramenta Solver do Ms Excel.
Também como um fator diferencial, a simulação pode ser considerada particularmente útil quando se quer abordar sistemas complexos onde outras técnicas de programação não conseguem fornecer um tratamento adequado. Conforme Law e Kelton (1991) atestam:
Se as relações que compõem um modelo são simples o suficiente, pode ser possível utilizar métodos matemáticos (como álgebra, cálculo ou teoria de probabilidades) para obter informações exatas sobre questões de interesse; o que é conhecido como solução analítica. Porém, a maioria dos sistemas do mundo real é muito complexa para ser avaliada analiticamente e estes modelos devem ser estudados por meio de simulação. (1991, p. 1, tradução nossa).
39
Cimino, Longo e Mirabelli (2010) reforçam esse argumento ao dizer que modelagem e simulação devem ser usadas quando as abordagens analíticas não identificam soluções adequadas para sistemas complexos, como em cadeias de suprimentos e instalações industriais. Assim, para sistemas dessa natureza, os modelos de simulação devem ser:
i) flexíveis e paramétricos, para permitir a avaliação de cenários;
ii) eficientes em tempo de execução, mesmo na representação de sistemas muito complexos;
iii) repetitivos em sua arquitetura, com o propósito de trabalhar com escala. Law e Kelton (1991) também recomendam que o método de abordagem para a solução de problemas deve ser compatível ao sistema, sendo que uma solução analítica sempre é preferível, a menos que a complexidade do sistema seja impeditiva.
Se uma solução analítica para um modelo matemático é disponível e é computacionalmente eficiente, é usualmente desejável estudar o modelo dessa forma ao invés de se utilizar simulação. Porém, muitos estudos são altamente complexos, tornando-se impossível qualquer solução analítica. Nesse caso, o modelo deve ser estudado por meio de simulação, ou seja, numericamente, executando-se o modelo com as entradas em questão para verificar como estas afetam as medidas de desempenho de saída. (1991, p.6, tradução nossa)
Um diferencial da simulação é a possibilidade de respeitar a variabilidade das operações tal qual elas ocorrem no mundo real. Assim, os dados utilizados nos modelos, como a duração das operações, por exemplo, podem utilizar variáveis estocásticas ao serem representadas, dadas por distribuições teóricas de probabilidade. Outras técnicas da pesquisa operacional como a programação estocástica, também podem trabalhar com variáveis dessa natureza. No entanto, na maioria das análises de sistemas utilizam-se variáveis determinísticas, que permanecem inalteradas, e perdem a aderência com o sistema real.
Para a geração das distribuições teóricas de probabilidade, os dados dos processos são coletados em campo, ou a partir de registros contidos em sistemas de informação, e um histograma é elaborado. Na sequência, diversas distribuições teóricas de probabilidade (Normal, Exponencial, Erlang, Triangular, Uniforme, etc.) são testadas quanto a aderência ao histograma, por meio de testes estatísticos.
No caso do software Input Analyzer, aplicativo para análise de dados de entrada do software Arena, os testes utilizados são o Chi-quadrado (Chi ²) e Kolmogorov-
Smirnov (KS). Como exemplo, a Figura 4.4 apresenta um histograma elaborado a partir de
distribuição Normal, com parâmetros de média de 11,6 minutos e desvio padrão de 1,91 minuto.
FIGURA 4.4 – Ajuste de distribuição teórica de probabilidade a histograma de dados. Outra característica particular da simulação, que a diferencia de outros métodos, é a abordagem mais adequada da interação entre recursos (equipamentos e mão de obra) e regras, como ocorre nos sistemas reais. Um exemplo poderia ser o estudo da programação da manutenção preventiva diária de equipamentos em uma indústria de autopeças.
As quatro programações de manutenção apresentadas na Figura 4.5 apresentam o mesmo percentual de 25% do tempo útil (8:00 às 12:00 e 13:00 às 17:00), com uma hora de almoço (blocos hachurados), porém diferem quanto ao horário de realização.
Horas Programação # 8 9 10 11 12 13 14 15 16 1 2 3 4
FIGURA 4.5 – Programação de manutenção preventiva.
A modificação do período designado para manutenção já é suficiente para influenciar variáveis como quantidade de peças produzidas, quantidade de peças em estoque e percentuais de utilização da mão de obra, por exemplo. Isto ocorre em função da interação das programações de manutenção com outros elementos do sistema, tais como a variabilidade da duração de outras operações, a freqüência de chegada de peças, a ocorrência de quebras e suas necessidades de reparo, etc.
Tomando como base esse mesmo exemplo, outras opções poderiam ser simuladas, como a realização da manutenção preventiva no horário do almoço e após as 17hs, ou ainda fazer um escalonamento de horários entre as diferentes máquinas.
41