Resumen Las consecuencias de los desastres naturales en los últimos años han evidenciado la complejidad de esos eventos. Entre las decisiones importantes en situaciones de desastres están la localización de centros de auxilio, la distribución de productos y el dimensionamiento de flota. La ejecución de estas operaciones puede implicar objetivos contradictorios, principalmente, costos logísticos y costos por demanda insatisfecha. Por un lado, minimizar la demanda insatisfecha lleva a mayores costos logísticos. Por otro lado, minimizar los costos logísticos sin considerar la demanda insatisfecha implica un atendimiento ineficaz en las áreas afectadas. En este artículo es desarrollado un modelo biobjetivo de programación estocástica para el problema integrado de localización-distribución y dimensionamiento de flota. Se solucionan instancias basadas en el megadesastre de la región Serrana de Rio de Janeiro en 2011. Las soluciones del modelo biobjetivo son comparadas con una versión mono-objetivo del mismo, resaltando las ventajas y desventajas de cada modelo.

Abstract Consequences of natural disasters in recent years have shown the complexity of these situations. In disaster situations, the location of relief centers, the distribution of supplies and the fleet sizing are some of the most important decisions. In most cases the execution of this operations lead to contradictory objectives, mainly, logistic costs and unmet demand costs. On the one hand, minimize unmet demand implies higher logistics costs. On the other hand, minimize logistics costs without considering the unmet demand may lead with an inefficient attendance in the affected areas. In this paper, we propose a bi-objective stochastic programing model for the integrated problem of location-distribution and fleet sizing. We solve instances based on the mega disaster in the Mountain Region of Rio de Janeiro in 2011. We compare the solutions of a bi-objective model in respect to solutions of a mono-objective version, highlighting the advantages and disadvantages of each model.

Abstract This paper investigates the efficiency of traditional portfolio optimization models when the returns of financial assets are highly volatile, e.g., in financial crises periods. We also develop alternative optimization models that combine the mean absolute deviation (MAD) and the conditional value at risk (CVaR), attempting to mitigate inefficient, low return and/or high-risk, portfolios. Three methodologies for estimating the probability of the asset’s historical returns are also compared. By using historical data on the Brazilian stock market between 2004 and 2013, we analyze the efficiency of the proposed approaches. Our results show that the traditional models provide portfolios with higher returns, but our propose model are able to generate lower risk portfolios, which might be more attractive in volatile markets. In addition, we find that models that do not use equiprobable scenarios produce better results in terms of return and risk.

Resumo Um dos desafios para o planejamento da produção na indústria de nutrição animal consiste em determinar quanto produzir de cada produto em cada período, considerando que existem incertezas associadas às operações de setup, que os produtos são perecíveis e que a capacidade produtiva deve ser ajustada num ambiente de demanda estocástica caracterizada pela sazonalidade dos produtos e das matérias-primas. Este trabalho investiga um problema de planejamento agregado da produção em uma planta que produz suplementos para nutrição animal. Para lidar com esse problema, propôs-se uma extensão do problema clássico de dimensionamento de lotes com restrição de capacidade para incorporar decisões sobre vendas perdidas (lost sales) e as incertezas inerentes ao planejamento da produção: demandas, tempos de preparação e taxa de perecibilidade dos produtos. Para gerar soluções menos sensíveis às variações dos cenários, desenvolveu-se um modelo estocástico com aversão ao risco baseado numa medida de risco do tipo semidesvio absoluto. Analisando-se o valor esperado da informação perfeita e o valor da solução estocástica, confirmou-se o desempenho superior do modelo de programação estocástica no tratamento das incertezas. Além disso, os resultados indicaram que é possível reduzir significativamente a variabilidade dos custos de segundo estágio sem sacrificar demasiadamente o custo total esperado.

Abstract One of the greatest challenges of production planning in the animal nutrition industry is determining the amount of each product that should be produced during each period, given the perishability of the products, the manual execution of the setups and the need to adjust the production capacity in a stochastic demand environment that is characterized by the seasonality of the products and raw materials. This paper investigates an aggregate production planning problem in a plant that produces supplements for horses, cattle, pigs and poultry. To address this problem, we proposed an extension of the classical capacitated lot-sizing problem to incorporate decisions about lost sales and inherent uncertainties in production planning, such as demands, setup times and perishability. To generate solutions that are less sensitive to changes in scenarios, we also developed a risk-averse stochastic model with an absolute semi-deviation-based risk measure. An analysis of the expected value of perfect information and the value of the stochastic solution confirmed that the stochastic approach outperformed the deterministic approximations in handling uncertainty. Furthermore, the results indicated that it is possible to significantly reduce the variability of the second-stage costs without sacrificing the expected total cost.

Esse trabalho aborda um problema de planejamento da produção típico de empresas moveleiras de pequeno porte, em que as demandas e os tempos de preparação dos estágios gargalos são variáveis aleatórias que podem ser aproximadas por um conjunto discreto e finito de cenários ponderados pelas correspondentes probabilidades de ocorrência. O problema com múltiplos cenários é modelado via programação estocástica de dois estágios com recurso. Para controlar a variabilidade dos custos de segundo estágio é proposto um modelo de recurso restrito que gera, progressivamente, um conjunto de soluções menos sensíveis às variações dos cenários, conforme a variabilidade é restringida a uma tolerância dada. Experiências numéricas indicam que, em muitas situações, não é muito dispendioso assegurar soluções aversas ao risco com bons níveis de serviço.

This paper addresses a production planning problem that arises in small-scale furniture companies, where the demands and setup times of bottleneck operations are random variables that can be approximated by a discrete and finite number of scenarios that are weighted by their corresponding probabilities of occurrence. The problem is modeled under multiple scenarios via two-stage stochastic programming with recourse. To control the variability of the second-stage costs, we propose a restricted recourse model that generates a set of solutions that are less sensitive to the scenario changes because the variability is limited to a given tolerance. Numerical experiences indicate that, in some situations, risk-averse solutions with good service levels are not excessively expensive to obtain.

Otimizar problemas de planejamento da produção sob incertezas é um desafio, pois é preciso definir se existe alguma metodologia mais adequada para lidar com o tipo de incerteza do problema, se tal metodologia é computacionalmente tratável e quais as vantagens e desvantagens que as metodologias disponíveis na literatura podem trazer na análise do problema. Neste trabalho, são analisadas duas importantes metodologias para lidar com um problema de planejamento da produção sob incertezas: a programação estocástica de dois estágios e a otimização robusta. Ao passo que a programação estocástica é uma das técnicas mais tradicionalmente utilizadas em problemas de planejamento da produção sob incertezas, a mesma pode gerar modelos intratáveis se o número de cenários for muito grande. A otimização robusta surge como alternativa para superar a aparente limitação dos modelos de programação estocástica, mas ela pode ser muito conservadora, dependendo de como as incertezas são modeladas. As vantagens e desvantagens de cada metodologia são ilustradas com base num problema prático de planejamento da produção de empresas moveleiras e são comparadas em termos de função objetivo, nível de serviço e esforço computacional. Os resultados sugerem que ambas as técnicas são competitivas quando budgets de incerteza menos conservadores são utilizados no modelo de otimização robusta. Verificou-se também que o modelo equivalente robusto pode ser mais fácil de ser resolvido do que a versão estocástica, o que é especialmente importante quando a versão determinística já apresenta dificuldade de resolução.

Optimizing production planning problems under uncertainty is a challenge, because it is necessary to define whether there is a methodology more appropriate to deal with the type of uncertainty of the problem, whether such methodology is computationally tractable, and which advantages and disadvantages the approaches available in the literature can bring to the analysis of the problem. In this paper, we analyze two important methodologies to deal with uncertainties in a production planning problem: two-stage stochastic programming and robust optimization. Whereas stochastic programming is one of the techniques most traditionally used in production planning problems under uncertainty, such approach can generate intractable models when a very large number of scenarios is considered. Robust optimization arises as an alternative technique to overcome the potential drawback of stochastic programming models, but it can be overly conservative depending on how the uncertainties are modeled. This paper also discusses the advantages and disadvantages of each methodology based on a practical problem of production planning in the furniture industry. The comparison between both approaches is given in terms of objective function, service level, and computational effort. The overall results suggest that both techniques are competitive when less conservative budgets of uncertainty are used in the robust optimization model. It was also verified that the robust counterpart model can be more easily solved compared with the stochastic version model, which is especially important when the deterministic model is already difficult to solve.

Os últimos desastres naturais ocorridos no Brasil e no mundo evidenciaram as dificuldades das instituições em fazer uma gestão eficiente de todas as operações necessárias para mitigar a vulnerabilidade das comunidades afetadas. Tais dificuldades são também um reflexo da carência de estudos relacionados ao preparo e à resposta no planejamento de operações de desastres. Nesse contexto, o presente artigo investiga um modelo de otimização de localização-distribuição dentro do paradigma da programação estocástica de dois estágios para melhorar o planejamento das operações de desastres. As decisões de preparo de primeiro estágio estão associadas às localizações dos centros de auxílio, enquanto as decisões de resposta de segundo estágio determinam a distribuição de itens de sobrevivência dos depósitos aos centros de auxílio. O modelo proposto foi analisado com base no megadesastre na região Serrana do Rio de Janeiro em janeiro de 2011.

The recent natural disasters in Brazil and worldwide have highlighted the difficulties of the institutions in managing efficiently all the operations necessary to mitigate the vulnerability of the affected communities. Such difficulties are also a reflection of the lack of studies regarding preparedness and response in disaster operations planning. In this context, this paper investigates a location-distribution optimization model within the two-stage stochastic program paradigm for improving disaster operations planning. The first-stage preparedness decisions are related to the locations of the relief centers, whereas the second-stage response phase determines the distribution of the survival items from the depots to the relief centers. The proposed model was analyzed based on the megadisaster in the Mountain Region of Rio de Janeiro in January 2011.

Esse trabalho investiga um problema combinado de planejamento da produção e corte de estoque comum em fábricas de móveis de pequeno porte, onde os custos de produção envolvidos no processo de manufatura e as demandas dos produtos não são conhecidos com precisão. Para lidar com essas incertezas, foram propostos modelos de otimização robusta que permitem controlar o conservadorismo da solução de acordo com a atitude do decisor em relação ao risco. Experimentos computacionais baseados em dados reais de uma planta moveleira mostraram que é possível obter soluções robustas sem sacrificar em demasia o custo total. Além disso, observou-se que estratégias tipicamente utilizadas na prática para lidar com as incertezas podem gerar planos de produção com custos totais proibitivos.

This paper investigates an integrated production planning and cutting stock problem that is common in small-scale furniture plants, in which the production costs involved in the manufacturing process and the demands for the products are not known precisely. To deal with these uncertainties, robust optimization models that control the conservatism of the solution according to the attitude of the decision maker towards risk were proposed. Computational experiments based on real data from a furniture plant showed that it is possible to obtain robust solutions without overly sacrificing the total cost. In addition, it was observed that commonly used strategies to deal with uncertainty issues can result in production plans with prohibitive total costs.