A localização de instalações está entre as mais importantes decisões logísticas. A questão é tratada, em geral, por técnicas de Pesquisa Operacional, principalmente a programação linear inteira mista, cuja modelagem tem aspectos que podem ser aprimorados. Esta tese apresenta uma proposta metodológica subdividindo o problema em duas fases, visando localizar centros de distribuição de carga (CDs). A Fase 1 define as localizações ótimas dos CDs, iniciando com uma agregação de nós de demanda em clusters através de uma heurística, complementada pela metaheurística simulated annealing (SA). Em seguida, buscam-se, em cada cluster, os melhores locais candidatos. Entre estes candidatos definem-se as localizações ótimas, através de um modelo de programação linear inteira mista ou por SA. Foi conduzido um experimento controlado, com solução ótima conhecida, tendo coincidido em vários casos com a solução obtida através da metodologia proposta. A Fase 2 define a quantidade ótima de CDs, modelando os custos de estoque, armazenagem e vendas perdidas, não considerados na primeira fase. Estes modelos exógenos ao modelo de otimização da primeira fase podem trabalhar sem a restrição de linearidade, trazendo assim, maior realismo a modelagem. Ao final consolida-se o conjunto de custos logísticos (Fases 1 e 2) de forma a se identificar a quantidade de CDs que conduz ao mínimo custo total. A metodologia foi aplicada a um caso real com mais de duzentos pontos de demanda distribuídos sobre os três estados da região sul do país. Os resultados mostraram a aplicabilidade da abordagem proposta.

The facility location is one of the most important logistic decisions. The problem is usually handled through the use of operations research techniques, mainly with the use of mixed integer linear programming (MILP), which modeling process can be improved in some of its aspects. This thesis presents a methodological proposal subdividing the problem in two stages, in order to locate distribution centers (DCs). Stage 1 identifies the optimal DC locations, starting with a heuristics, complemented by the metaheuristic simulated annealing (SA), to cluster the demand nodes. Next, the heuristics searches for best DCs candidates in each cluster. Among these best candidates are defined the optimal locations, with the use of a MILP model or through the use of SA. In order to validate the methodology, it was conducted a controlled experiment, with a known optimal solution, having matched in many cases with the solutions obtained through the proposed approach. Stage 2 defines the optimal DC number, modeling the costs of inventory, storage and lost sales, which were not considered in the first stage. These models, exogenous to the Stage 1 optimization model, could represent the costs behavior without the linear restriction, bringing more realism to the modeling process. Finally, the whole set of logistic costs (Stages 1 and 2) is combined in order to identify the DC quantity with minimal total cost. The methodology was applied to a real world problem encompassing more than two hundred demand points spread over the three states of the southern Brazilian region. The results have shown the applicability of the proposed approach.