A presente tese de doutorado tem por objetivo apresentar os estudos de casos reais desenvolvidos para tratar problemas industriais. Levando em consideração que, em ambientes reais de fábricas, o processo de produção pode sofrer variações de diversas fontes de incerteza, o foco do estudo é construir modelos considerando tais variações. Para tratar os problemas de forma eficiente, primeiramente propomos o uso de uma nova técnica: Chance-constraint with Risk Allocation (CCRA). Além da técnica CCRA, abordamos a técnica de estocástica two-stage, amplamente utilizada na literatura para resolver problemas de planejamento da produção com estocasticidade. Ambas as técnicas são comparadas e são relatadas suas vantagens. O primeiro estudo de caso representa a realidade de uma Indústria de Produção de Potes e Ampolas (IPPA), localizada em Minas Gerais. A principal decisão a ser tomada consiste em dimensionar a quantidade de ampolas e potes que devem ser produzida ao longo de um horizonte de tempo, afim de atender uma certa demanda. Para solucionar o problema, foi realizada a aplicação do método exato Branch-and-Cut (B&C), um Algoritmo Genético simples (AG) e um Algoritmo Genético Multi-populacional (AGMP). Os resultados mostraram que as meta-heurísticas são capazes de encontrar as mesmas soluções ótimas obtidas pelo método exato B&C em instâncias de pequeno porte. Em grupos de instâncias mais complexas, as meta-heurísticas superam o método B&C. Nesse contexto, também foi desenvolvida a ferramenta Production of Pots and Ampoules para auxiliar no desenvolvimento de planejamentos da produção otimizado, integrado com as soluções obtidas através das meta-heurísticas. No segundo estudo de caso, estamos lidando com um processo de produção em uma indústria de extração de óleo, na qual se necessita determinar as configurações ideais a fim de obter maior eficiência na extração do óleo da soja. O processo completo da extração é complexo; nesse sentido, trataremos de apenas um equipamento principal: o laminador, cuja função é transformar os grãos de soja quebrados em pequenas lâminas. Esse equipamento é controlado manualmente com a aplicação de pressão hidráulica nos rolos. Com o objetivo de melhorar a eficiência da produção e visando obter ajustes de pressão e medições de lâminas de forma inteligente e automática, neste trabalho é proposto um modelo matemático estocástico que tem por objetivo obter setpoints de pressão ótimo de um laminador, a fim de manter as espessuras de lâminas no padrão ideal de operação. Os resultados obtidos se mostraram superiores às medidas que são adotadas atualmente na fábrica, aumentando os lucros anuais.

This doctoral thesis aims to present real case studies developed to address industrial problems. Taking into consideration that in real factory environments the production process may suffer vari- ations from several sources of uncertainty, the focus of the study is to build models considering such variations. To address the problems efficiently, we first propose the use of a new technique: Chance-constraint with Risk Allocation(CCRA). In addition to the CCRA technique, we address the stochastic two-stage technique, widely used in the literature to solve production planning problems with stochasticity. Both techniques are compared and their advantages are reported. The first case study represents the reality of an Industry of Production of Pots and Ampoules (IPPA) located in Minas Gerais. The main decision to be made consists in dimensioning the quantity of ampoules and pots that must be produced over a time horizon, in order to meet a certain demand. To solve the problem it was applied the exact method Branch-and-Cut (B&C), a simple Genetic Algorithm (GA) and a Multi-population Genetic Algorithm (MPGA). The results showed that the metaheuristics are able to find the optimal solutions obtained by the exact B&C method. In groups of more complex instances, the metaheuristics outperform the B&C method. In this context, the Production of Pots and Ampoules tool was also developed, to assist in the development of optimized production schedules. In the second case study we are dealing with a production process in an oil extraction industry, where it is necessary to determine the optimal settings in order to obtain the highest efficiency in soybean oil extraction. The entire extraction process is complex, so we will deal with only one main piece of equipment, the rolling mill, whose function is to transform the broken soybeans into small flakes. This equipment is manually controlled by applying hydraulic pressure to the rolls. With the objective of improving production efficiency, aiming to obtain pressure adjustments and flake measurements in an intelligent and automatic way, this paper proposes a stochastic mathematical model that aims to obtain optimal pressure setpoints for a rolling mill, in order to maintain the flake thicknesses in the ideal operation pattern. The results obtained have proven to be superior to the measures that are currently adopted in the factory, increasing annual profits.