ADDT ve Öz-duyarlık

Essas combinações aplicam as regras SPT ou STT somente na máquina gargalo, M2, utilizando a regra FIFO para as demais máquinas.

Em relação ao tempo médio de espera por lote em filas,

T

f_, os

melhores resultados foram observados nas combinações 3, 5 e 13 e também 1, 12 e 16. O primeiro conjunto utiliza as regras SPT e/ou STT. O segundo conjunto aplica a regra SLACK para a máquina gargalo, M2, variando com SPT ou EDD ou SLACK para as demais. O tempo médio de espera por lote em filas é uma medida do congestionamento do sistema, e como tal, a regra SPT também é indicada para minimizá-la (HAX e CANDEA, 1984). A regra SLACK é utilizada principalmente para atender aos prazos de entrega (HAX e CANDEA, 1984), entretanto, no sistema em análise, quando utilizada na máquina gargalo, M2, produziu bons resultados em relação à

T

f.

A porcentagem de utilização média das máquinas, %U, se manteve praticamente a mesma independente da combinação de regras utilizada, Isso pode ser observado na tabela 7.1 pelo pequeno desvio padrão da medida.

As combinações 2, 7 e 14 utilizaram a regra FIFO na maioria das máquinas ou a utilizaram na máquina gargalo, M2. A regra FIFO é independente tanto do tempo de processamento das tarefas quanto da data de entrega, e sua aplicação corresponde a uma situação comum em fábricas. Entretanto, pela tabela 7.1, observa-se que essas combinações foram as que produziram os piores resultados.

Os passos 4 a 8 do procedimento de solução do modelo híbrido englobam a fase de treinamento e teste da rede neural artificial. Os resultados obtidos da fase de treinamento correspondentes às tabelas 6.2, 6.3 e 6.4 mostram a importância do número de rodadas de simulação no desempenho do modelo de redes neurais artificiais. Somente quando o treinamento foi realizado com os 272 padrões, correspondentes às 16 rodadas de cada uma das 17 combinações de regras, que os resultados para a maioria das topologias de rede tiveram melhora significativa.

Pelas tabelas 6.2 e 6.4 observa-se que os resultados obtidos com a taxa de aprendizagem, η, igual a 0,2, foram melhores que os obtidos com η=0,8. Este último provocou muita oscilação e levou até à não convergência da rede, confirmando a literatura (LOESCH e SARI, 1996).

Inicialmente, o número de neurônios na camada interna foi determinado de acordo com o teorema de Kolmogorov (capítulo 5). Entretanto, este teorema não se mostrou eficaz. Os resultados das tabelas 6.2, 6.3 e 6.4 mostraram que, em geral, topologias maiores de rede, com mais neurônios na camada interna geram resultados melhores. Como comentado no capítulo 4, a adição de mais neurônios à camada interna cria mais limites para possíveis soluções através da melhor codificação dos dados de entrada.

A taxa de aprendizagem, η, e o número de neurônios na camada interna foram os parâmetros da rede neural que tiveram maior impacto nos resultados. Como a determinação dos parâmetros de uma rede neural é realizada de forma empírica, a experiência realizada neste trabalho mostrou que aqueles dois parâmetros devem ser determinados e avaliados cuidadosamente, antes de qualquer outro parâmetro.

A rede neural utilizada para realizar o teste de generalização foi a rede número 1 da tabela 6.4. Esta rede apresentou um erro de treinamento de 3,3% e de teste de validação de 13,0%. Comparando com a literatura, esses resultados são considerados bastante satisfatórios. CHEN e YIH (1996) consideraram como aceitável para o treinamento um erro de 4%, e de

12% para os testes. SAAD (1996) considerou aceitável para o treinamento um erro de até 7% e para testes de até 17%.

As saídas do teste de generalização (passo 8 do procedimento de solução) são as regras de prioridade prescritas pela rede neural para cada máquina. Pela tabela 6.5, observa-se que a rede realizou somente uma prescrição inviável, designando a regra STT para M4, na combinação 16 rodada 6. Este fato pode ser atribuído à decodificação da saída da rede. A decodificação consiste em transformar as saídas da rede (números reais) em números inteiros e associar a regra correspondente Para todos os padrões testados, a rede prescreveu a regra FIFO para M5 (lavar), como esperado.

Os passos 9 e 10 do procedimento de solução do modelo híbrido correspondem à verificação no simulador das regras prescritas pela rede e à comparação entre os valores das medidas de desempenho resultantes das regras prescritas e os valores das medidas de desempenho obtidos pelo simulador. A comparação é feita através dos cálculos dos erros apresentados nas tabelas 6.7 a 6.10.

No capítulo 6, a tabela 6.7 apresenta o erro percentual entre os valores das medidas prescritas e os valores das medidas do simulador. Este erro é calculado de acordo com a equação 6.1. A tabela 7.2 apresenta a análise sumarizada da tabela 6.7. Foram escolhidos para análise dois níveis de erro: abaixo de 20% e abaixo de 10%. A tabela 7.2 mostra a porcentagem de padrões do teste de generalização com aqueles dois níveis de erro.

Tabela 7.2 – Porcentagem de padrões x Erros Erro

abaixo de

F

T

f %U L

20% 56,7% 52,2% 56,7% 50,7%

10% 52,2% 41,7% 50,7% 40,3%

Na tabela 7.2, em relação à medida

F

, tempo médio de permanência

padrões testados tiveram erro abaixo de 20%, e 52,2% dos padrões possuíram erro inferior a 10%. A mesma interpretação deve ser feita para as demais medidas.

A tabela 6.8, no capítulo 6, apresenta a média do erro percentual sobre as quatro medidas de desempenho. A análise desta tabela mostra que 56,7% dos padrões testados possuíram um erro médio inferior a 20%, e 41,7% dos padrões tiveram erro médio inferior a 10%. No modelo desenvolvido por SAAD (1996), um erro médio de até 20% foi obtido por 28,7% da amostra, e um erro médio de até 10% foi obtido por 9,6% das amostras. Isso equivale a dizer que, a capacidade do modelo híbrido em realizar a diferenciação entre regras de prioridade foi eficiente para 56,7% da amostra testada, o que pode ser considerado bastante satisfatório se comparado à literatura (SAAD, 1996).

A tabela 6.9 apresenta o erro relativo percentual (calculado pela equação 6.2) entre os valores das medidas de desempenho resultantes das regras prescritas pela rede neural e os valores das medidas obtidos pelo simulador. Como comentado no capítulo 6, o erro relativo considera a diferença algébrica entre os valores das medidas de desempenho.

A tabela 7.3 apresenta a análise sumarizada da tabela 6.9. Na tabela 7.3, a diferença algébrica negativa significa que os valores das medidas de desempenho prescritos pela rede foram menores que os valores obtidos do simulador. A diferença algébrica “zero” significa que os valores das medidas de desempenho prescritos pela rede foram bem próximos os valores obtidos do simulador (erro percentual próximo a zero).

Tabela 7.3 – Porcentagem de padrões x Diferença algébrica Diferença

Algébrica

F

T

f %U L

Negativa 49% 49% 47% 52%

Na tabela 7.3, em relação à medida

F

, tempo médio de permanência por lote no sistema, a seguinte interpretação deve ser feita: em 49% dos padrões testados, o valor de

F

resultante de regras prescritas pela rede, foi menor que o dado pelo simulador. Para 18% dos padrões, o valor de

Belgede Akılcı duygusal davranışçı terapi odaklı grupla psikolojik danışmanın psikolojik iyi olma ve öz-duyarlık üzerindeki etkisi (sayfa 145-151)