Neste trabalho, abordamos o Problema de Roteamento e Produção (PRP) que consiste em determinar de maneira integrada o planejamento da produção, dos estoques e o roteamento de veículos de modo a minimizar os custos envolvidos. Uma fábrica é responsável por produzir diversos tipos de produtos, visando atender a demanda conhecida de um conjunto de clientes ao longo do horizonte finito de planejamento. A distribuição dos produtos aos clientes é realizada por uma frota homogênea e limitada de veículos. Para o PRP, as abordagens evolutivas não foram exploradas em profundidade, especialmente para o problema com múltiplos produtos. Desse modo, este trabalho mitiga esta lacuna da literatura, desenvolvendo Algoritmos Genéticos e Meméticos e testando sua eficácia em conjuntos de instâncias geradas aleatoriamente, comparando os resultados obtidos com um solver comercial de otimização. Além disso, avaliamos o desempenho dos métodos propostos em instâncias clássicas da literatura para o PRP com um único item. Os experimentos computacionais foram executados com o objetivo de avaliar o impacto das inúmeras combinações de parâmetros envolvendo a meta-heurística e, a partir de análises estatísticas, evidenciamos a robustez das técnicas propostas. Os experimentos computacionais mostraram que o método proposto superou o solver comercial, determinando factíveis de alta qualidade, principalmente nas instâncias maiores do PRP com múltiplos produtos.

In this thesis we address the Production Routing Problem (PRP), which consists of determining, in an integrated way, production and inventory planning and vehicle routing in order to minimize the costs involved. In the problem, a plant is responsible for producing several types of products in order to meet the known demand of a set of customers over the planning horizon. using a homogeneous fleet of vehicles. In the literature, evolutionary approaches have not been explored in depth for the PRP, specifically for the problem with multiple products. Thus, this work mitigates this gap, presenting the novel Memetic and Genetic Algorithms and testing its effectiveness on randomly generated sets of instances, comparing the results obtained with a commercial optimization solver. In our solution approach, several classic operators from the literature were implemented; Furthermore, we propose four novel genetic operators. In addition, we evaluated the proposed methods performance in classical instances of literature to the PRP with a single item. The computational experiments were carried out with the objective of evaluating the impact of the numerous parameter combinations involving the metaheuristic and, from statistical analyses, we evidence proposed techniques robustness. Computational experiments showed that our proposed method outperforms the state-of-the-art solver in determining feasibly high-quality solutions, mainly on large instances for the PRP with multiple items.