Trabalho Modelagem e Simulacao de Sistemas

Prévia do material em texto

0 
 
 
 
 
 
 
UNIVERSIDADE ESTÁCIO DE SÁ 
 
 
 
Modelagem e Simulação De Sistemas 
 
 
 LOGICA FUZZY APLICADA A GESTÃO DE ESTOQUE 
 
 
 
 
ELISA APARECIDA GONÇALVES MOTA 
 
 
 
 
 
 
 
 
 
 
 
Juiz de Fora/MG 
2020 
 
 
1 
 
 
 
RESUMO 
 
 
A gestão de estoque tem sido considerada uma questão importante na 
gestão da cadeia de abastecimento, suprimentos. Quanto pedir? Quando fazer 
o pedido? Quanto estoque de segurança existe? Onde Alocar ações? Estas 
são questões que a gestão deve responder permanentemente, Satisfaça 
clientes, fornecedores e outros de acordo com as características de produção 
membros da cadeia. A gestão de estoque pode criar diferenciação em 
comparação com os concorrentes, melhorou a qualidade dos produtos e 
serviços, reduziu o tempo e reduza custos para obter resultados positivos que 
reflitam vantagem competitiva pela empresa. 
Para Wanke (2003), a importância é atribuída à gestão de estoques 
como elemento básico Reduza e controle os custos totais e melhore os níveis 
de serviço A empresa está crescendo porque as ações aparecem na cadeia de 
valor de várias maneiras (Matérias-primas, produtos processados e produtos 
acabados) e características e requisitos, Para cada formulário, diferentes 
planos e procedimentos de controle terão um impacto Significativamente na 
gestão 
Simões e Shaw (2007) explicaram que a função de pertinência fuzzy 
representa Todos os aspectos teóricos e práticos dos sistemas fuzzy. Para o 
autor A função de associação é uma função numérica gráfica ou tabular usada 
para atribuir valores A correlação fuzzy com o valor discreto da variável no 
âmbito de seu discurso. 
Neste trabalho vai ser discutida a aplicação da lógica fuzzy em sistemas 
de gestão de estoque, em substituição aos tradicionais modelos matemáticos, 
em que é sugerido que se construa o modelo fuzzy de estoques de materiais, 
por meio de bases de conhecimento fuzzy. 
 
Palavras-chaves: Logica Fuzzy, Gestão de Estoque 
 
 
2 
 
 
 
1. INTRODUÇÃO 
Já cansamos de ouvir falar de inteligência artificial. São temas de filmes novos, 
como "Homem do Centenário" ou "Inteligência Artificial-Inteligência Artificial". Ou 
aqueles conflitos usados para comparar o desempenho de humanos e máquinas, 
como o desafio de xadrez entre o supercomputador Deep Blue da IBM e o 
supercampeão Garry Kasparov há 20 anos. Ou os resultados recentes do Google 
Brain, a divisão de IA do Google, e sua pesquisa, que conseguiu fazer dois 
computadores se comunicarem de maneira totalmente confidencial. 
A inteligência artificial é um ramo da pesquisa em computação. Os 
pesquisadores vêm estudando há décadas e têm múltiplas aplicações no mais amplo 
campo da ciência (soft computing ou soft computing). Para melhor compreender o seu 
significado, é importante definir "cálculo difícil" ou cálculo regular. 
A área de estoque de uma organização (seja pública ou privada) deve ser 
responsável por controlar o fluxo de materiais internos, deve ser equilibrado de acordo 
com as necessidades da organização e a disponibilidade de recursos, sejam recursos 
humanos, Materiais, objetos físicos e espaço financeiro etc. (TADEU, 2010). 
A Inteligência Artificial faz parte de um ramo de estudo da computação que tem 
sido estudado por pesquisadores há décadas e tem variadas aplicações nas mais 
diversas áreas da ciência: a computação soft ou soft computing. Para entender 
melhor do que se trata, é importante definirmos a “hard computing” ou computação 
convencional. 
Os computadores já ajudaram os tomadores de decisão a desempenharem seu 
enorme potencial no processamento de informações, potencial que excede em muito 
as capacidades humanas em termos de capacidade, velocidade e precisão. Por meio 
de conceitos lógicos, podemos programar algoritmos computacionais que podem 
realizar tarefas ordenadas e fornecer respostas satisfatórias a muitas de nossas 
perguntas. A grande maioria desses algoritmos que existem hoje usa a teoria da 
probabilidade, onde modelagem, definição de variável e cálculo usam medidas de 
posição e dispersão, como média e desvio padrão. O algoritmo também usa a teoria 
da lógica clássica, como representada por operadores AND / OR. Portanto, os 
3 
 
 
 
cálculos convencionais requerem modelagem matemática precisa e geralmente 
requerem altos custos de cálculo. 
Na computação soft, a teoria da probabilidade não forma necessariamente a 
base conceitual das operações algorítmicas. Seus diferentes métodos (algoritmo 
genético, rede neural, lógica fuzzy, etc.) são projetados para explorar a tolerância à 
imprecisão inerente ao pensamento humano e ao mundo real, de forma a fornecer 
soluções confiáveis a custos computacionais mais baixos. Quando analisamos todo o 
desenvolvimento histórico do negócio, essa capacidade de adaptação a condições 
imprecisas é um atributo interessante. Com o passar dos anos, a complexidade que 
penetrou no ambiente corporativo aumentou muito. Ao mesmo tempo, a pressão para 
tomadas de decisão cada vez mais rápidas também está aumentando. A combinação 
desses dois fatores traz incerteza, ambiguidade e imprecisão ao ambiente de gestão. 
Não é acidental observar a aplicação da tecnologia de computação leve em muitos 
campos, como indústria, finanças e administração. 
Segundo Wanke (2003), a importância da gestão de estoque como elemento a 
base para reduzir e controlar o custo total e melhorar o nível dos serviços prestados, 
conforme a empresa cresce, em geral, os estoques aparecem na cadeia de valor em 
vários formatos (matérias-primas, trabalho em andamento e produtos acabados) E 
recursos. Para cada formato, isso requer um plano diferente e Controle, afeta muito o 
gerenciamento de estoque. 
Segundo Arnold (2008, pg. 265) “Os estoques são materiais e suprimentos que 
uma empresa ou instituição mantém, seja para vender ou para fornecer insumos ou 
suprimentos para o processo de produção.”. Logo, a gestão de estoque é responsável 
em administrar todos esses itens, que são extremamente importantes dentro de uma 
empresa, de maneira a maximizar o atendimento ao cliente. 
A gestão de estoque da empresa deve ser devidamente estruturada para o 
fornecimento das necessidades de abastecimento interno e externo da empresa. 
Porque isso vai afetar Resultados quantitativos. Neste caso, o empirismo deve ser 
alterado para atingir o objetivo principal da gestão de estoque, que é atender necessita 
quando se trata de materiais. 
4 
 
 
 
Para uma ótima gestão de estoque é essencial que a empresa mantenha um 
eficiente controle de estoque utilizando-se de ferramentas que tragam resultados 
satisfatórios. 
Viana (2002, pg.108) explica que “a preocupação da gestão de estoques está 
em manter o equilíbrio entre as diversas variáveis componentes do sistema tais como 
custo de aquisição, de estocagem e de distribuição; nível de atendimento das 
necessidades dos usuários consumidores.” 
Para a lógica fuzzy, o pesquisador Lofti Zadeh propôs o conceito de conjuntos 
fuzzy em meados da década de 1960, que se opunha à lógica booleana 0 ou 1, o que 
aumentava a possibilidade de inúmeras correlações entre esses dois valores. De 
acordo com a teoria clássica dos conjuntos, se um elemento pode ou não pertencer 
apenas a um conjunto, então um elemento que é realmente ambíguo pode pertencer 
parcialmente ao conjunto. A resposta não é necessariamente "sim" ou "não" para 
poder assumir valores como "acredito", "acredito firmemente que não" ou "tenho 
quase certeza de que sim". Desta forma, é possível converter esses valores de 
linguagem imprecisos em valores programáveis. A lógica fuzzy passou a ser objeto 
de pesquisas e suas aplicações práticas ocorreram em breve. O que se propõe neste 
trabalho é entrar em mais detalhes numa aplicação da lógica fuzzy no contexto de 
gestão de estoque. 
 
OBJETIVOS DA GESTÃODE ESTOQUE 
Segundo Dias (1993, p.23), “O objetivo é otimizar o investimento em estoque, 
melhorar o uso eficaz dos recursos internos da empresa e minimizar Fundos de 
investimento ". A existência de estoque torna possível a produção na organização. 
Sempre estoque apenas o que é necessário para a produção Um determinado período 
para que o capital da empresa investida não seja pare sem gerar nenhum lucro. 
Para Ching (2001), a própria definição da gestão de estoque destaca seus 
objetivos, ou seja, o estoque planejado, a quantidade de materiais que entram e saem, 
o tempo de entrada e saída, o tempo entre entrada e saída e o ponto de pedido do 
material. Essas metas de gerenciamento de estoque podem ser alcançadas 
executando as seguintes funções básicas: calcular o estoque mínimo e máximo, 
5 
 
 
 
calcular o lote de fornecimento, atualizar a tabela de estoque, reagendar os dados, 
emitir uma solicitação de compra quando houver um motivo para a mudança e do 
fornecimento quando o ponto de reabastecimento for alcançado. O comerciante 
recebe materiais, identifica e armazena materiais, fornece materiais mediante 
solicitação, organiza o depósito e mantém a organização. 
 
LÓGICA FUZZY 
Os princípios de lógica fuzzy foram desenvolvidos primeiramente por Jan 
Lukasiewicz (1878-1956), que em 1920 desenvolveu e introduziu conjuntos com grau 
de pertinência que combinados aos conceitos da lógica clássica, desenvolvida por 
Aristóteles, deu embasamento suficiente para que na década de 60, Lofti Asker 
Zadeh, professor de Ciências da Computação da Universidade da Califórnia, 
chegasse a ser o primeiro autor de uma publicação sobre lógica fuzzy 
Segundo Weber e Klein (2003), o conceito de conjunto fuzzy foi introduzido em 
1965 por Lotfi A. Zadeh, da Universidade de Berkeley, Califórnia, EUA, cujo 
reconhecimento lhe é atribuído como grande colaborador da lógica, do controle 
moderno e da inteligência artificial. Zadeh, ainda segundo os autores, em meados da 
década de 60, observou que os recursos tecnológicos disponíveis eram incapazes de 
automatizar a atividade humana relacionadas a problemas de natureza industrial, 
biológica ou química, que compreendessem 3 situações ambíguas, ou que, segundo 
suas próprias palavras, apresentassem “sentimentos matemáticos humanísticos”. 
 
 
APLICAÇÕES DA LÓGICA FUZZY 
ENGENHARIA 
INDUSTRIAL 
A Inferência de Mamdani, criada por Ebrahim 
Mamdani em 1975, permitiu a primeira aplicação 
prática da Lógica fuzzy criada pelo pesquisador 
Lofti Zadeh. Tratava-se de um sistema de controle 
de um motor à vapor e sua caldeira; 
6 
 
 
 
CONTROLE DE 
SISTEMA DE 
METRÔ 
O sistema de metrô em Sendai, no Japão, utiliza 
lógica fuzzy no controle de velocidade da linha 
Nanboku desde 1988. Por conta deste sistema, 
esta linha é uma das mais suaves do mundo na 
aceleração e frenagem, além de ser mais eficiente 
em termos de consumo de energia; 
MEDICINA 
PREVENTIVA 
A Blue Cross Blue Shield of Tennessee utiliza 
softwares em lógica fuzzy para rodar modelos 
preditivos que correlacionam mais de 10 mil vidas 
e mais de 5 mil doenças, a fim de atuar 
preventivamente em sua rede credenciada; 
SEGURADORAS 
A empresa Gen Re (ou General Reinsurance 
Corporation) aplicou a lógica fuzzy para segregar 
pedidos de reembolso legítimos daqueles tidos 
como fraudulentos, tendo demostrado eficiência de 
85%; 
MARKETING 
Um modelo de inferência fuzzy foi criado no intuito 
de classificar futuros clientes evasivos e, assim, 
melhor direcionar as campanhas de marketing na 
abordagem dos clientes corretos; 
PREVISÃO DE 
VENDAS 
Através do uso de softwares da empresa Fuzzy 
Logix, a Tesco, empresa multinacional varejista, 
realizou o tratamento de dados de 3000 lojas para 
mais de 5 mil categorias de produtos, de forma 
rápida e eficaz. Desta forma foi possível prever 
melhor e em tempo hábil as vendas dos produtos 
em períodos festivos, por exemplo. 
 
 
7 
 
 
 
A LÓGICA FUZZY NA GESTÃO DE ESTOQUE 
 
No contexto da gestão de estoque, métodos usando lógica fuzzy têm sido 
desenvolvidos desde a década de 1990, seja ela usada para determinar lotes de 
compra econômica, usada para resolver modelos de revisão contínua e periódica, e 
usada para determinar o tamanho dos pedidos no problema do jornaleiro. Mesmo na 
classificação do projeto ABC, é possível ver uma série de trabalhos acadêmicos 
publicados. No contexto da alocação de estoque, nos concentramos em um trabalho 
que criou um sistema de tomada de decisão (ou inglês DMS-SA) para alocação de 
estoque, que foi usado para inserir as necessidades e custos de manutenção de 
qualquer item para determinar cada O número de itens alocados em cada varejo. O 
trabalho descrito neste artigo é uma revisão do DMS-SA (daí a revisão do DMS-SA), 
que considera mais itens de custo na composição das variáveis de entrada. 
Em um sistema de distribuição composto por um armazém e uma 
quantidade N de pontos de venda, tratados como varejos, temos a necessidade de 
distribuição de um estoque E0, com a restrição de que a soma das quantidades 
demandadas Dn pelos varejos n supere a quantidade existente no armazém, ou seja, 
é necessário um modelo de decisão que defina, frente ao tamanho dos 
pedidos on colocado pelos varejos, quanto de estoque qn deve ser alocado em cada 
um deles, considerando dois parâmetros de desempenho: o nível de serviço 
(representado pela quantidade alocada dividida pela demanda) e o custo total 
(representado pela soma dos custos de manutenção, custo de pedido, custo de 
transporte, custo da falta). Um resumo do sistema está apresentado na Figura 1. 
 
 Figura 1 – Esquema do sistema de distribuição contendo armazém e N varejos. 
 
8 
 
 
 
O objetivo do modelo DMS-SA revisado é alocar estoque para otimizar a 
compensação dos níveis de serviço e o custo total de todo o sistema de distribuição. 
O nível de serviço do sistema é calculado como a média do nível de serviço percebido 
por cada loja de varejo, e o custo total é a soma dos custos incorridos por cada PDV. 
A Figura 2 mostra um resumo das etapas do modelo fuzzy, que serão descritas a 
seguir. 
 
 Figura 2 – Estrutura do modelo DMS-SA Ver. 
 
 
Interface fuzzyficadora 
 
As variáveis de entrada do modelo são demanda D, custo de manutenção cm, 
custo de falha cf e custo fixo cfi (representado pela soma dos custos de pedido e 
transporte). 
Conforme mencionado anteriormente, a lógica fuzzy permite que as variáveis 
assumam valores infinitos entre 0 e 1, onde 0 é o mínimo e 1 é o máximo. É 
necessário definir os valores máximo e mínimo da variável de acordo com o contexto 
da operação com a ajuda de especialistas de processo. Por exemplo, para o custo de 
um pedido, o dono da loja pode determinar que seu custo nunca seja inferior a 100 
ou não seja superior a 1.000. Neste caso, a função baixa assume um valor máximo 
de 1/100, e a função alta assume um valor de 1/1000. 
Ainda sobre as variáveis, devemos definir quantas funções de pertinência 
serão estabelecidas para cada variável. No exemplo acima, a função baixa e a função 
alta são referenciadas, então a variável terá duas funções relacionadas. Para o 
9 
 
 
 
estudo, foram utilizadas três funções de correlação: baixa, média e alta. O especialista 
também define o tipo de função (triângulo, trapézio etc.) e o formato mais adequado 
para a operação. Para a alteração do custo ausente, a função selecionada é do tipo 
trapezoidal, e o formato é mostrado na Figura 3. Cada função é representada por um 
número trapezoidal de cor diferente. 
 
 
 
Figura 3 – Variável custo da falta, representada por três funções de pertinência 
do tipo trapezoidal. 
 
 
O intervalo de valor permitido da função trapezoidal assume que a correlação 
máxima é 1 Usando a função definida, podemos finalmente converter as variáveis de 
entrada do modelo em variáveis fuzzy. 
 
Regra base 
 
As regrasfuzzy são um elemento chave para representar “pedaços” de 
conhecimento no escopo da lógica fuzzy. O conjunto de regras de um sistema 
nebuloso é a sua linguagem de representação de conhecimento e elas são usadas 
para descrever a interdependência entre as variáveis de entrada e de saída do 
sistema. 
Após discussão pelo grupo de especialistas, quando a função de correlação e 
seu valor são definidos para representar a variável do modelo, é necessário criar uma 
10 
 
 
 
regra básica: um conjunto de regras SE-THEN que associam entradas e fornecem 
saídas. No modelo proposto, a saída é chamada de índice de prioridade ou PI. 
Encontraremos uma situação como "se os custos de manutenção forem baixos, os 
custos fixos forem altos, os custos de escassez forem altos e a demanda for alta, o PI 
será alto". Para cada combinação possível de interações entre variáveis, uma regra 
semelhante à dada deve ser estabelecida. Ao final da simulação, cada varejista terá 
seu próprio PI ', que servirá de base para a distribuição proporcional do estoque E0 
em todo o sistema. Quanto maior o IP, mais produtos o varejista receberá. É 
importante observar que a saída desse estágio é PI, que ainda é um formato de 
número fuzzy. 
Os dois modelos de regra mais comumente usados são as regras de Mamdani, 
também conhecido como modelo tipo Takagi-Sugeno-Kang (TSK) (JANG etc. Etc. 
(1997). 
Por sua vez, o sistema de inferência fuzzy tem sua estrutura computacional 
Baseado no conceito de teoria dos conjuntos fuzzy e adotando o processo de 
raciocínio Chamado de raciocínio aproximado, ele tira conclusões de um conjunto de 
regras Fatos vagos e conhecidos. 
Em linhas gerais um sistema fuzzy comumente executa as seguintes etapas: 
• Fuzzificação: Corresponde a etapa de mapeamento dos valores reais das 
variáveis de entrada e saída em conjuntos fuzzy, o que passa pela definição de 
quantos conjuntos fuzzy terão cada uma das variáveis, da forma das suas funções de 
pertinência e os respectivos intervalos; 
• Inferência: Determina as ações de controle que devem ser empregadas, de 
acordo com as regras expressas na base de regras. Em outras palavras, transforma 
os conjuntos nebulosos de entrada num conjunto nebuloso de saída, através da 
relação definida pela base de regras, e a partir de um determinado mecanismo de 
inferência em particular. 
• Defuzzificação: Determina uma saída numérica a partir do conjunto nebuloso 
de saída obtido na etapa de inferência. Ou seja, traduz o valor linguístico obtido como 
resultado, num valor discreto que melhor o represente. É uma operação inversa 
àquela feita inicialmente, que transformou os valores originais para o domínio 
nebuloso. Existem vários métodos de defuzzificação e sua escolha depende do 
contexto sendo analisado. 
11 
 
 
 
Um dos métodos mais utilizados na etapa de defuzzificação é o do centro de 
gravidade, que calcula o centróide da área do conjunto nebuloso resultante, ou seja, 
informa o valor que divide a área do conjunto nebuloso final em duas partes iguais 
(KLIR & YUAN, p.336, 1995). 
 
Interface defuzzyficadora 
 
Usando o valor PI em um formato difuso, um método é selecionado para tornar 
a saída um número PI real, que pode ser usado em cálculos subsequentes. Em 
pesquisas relacionadas, é utilizado o método do centroide, que geralmente inclui a 
obtenção do centroide do gráfico, que é delimitado pela função de correlação de saída 
e o índice obtido a partir das regras básicas. 
Para a simulação do modelo, foram criados quatro cenários que alteraram a 
quantidade de varejo no sistema: 2, 3, 5 e 10 pré-estabelecidos. Após a realização de 
cada simulação, o nível de serviço e o valor do custo total serão calculados de forma 
que usando dados de 200 simulações, comparados com os outros três modelos de 
comparação, o desempenho do modelo DMS-SA Rev. possa ser observados (original 
fuzzy Modelo), distribuição uniforme (distribuição igual da quantidade de estoque 
entre os varejistas) e distribuição justa (distribuição proporcional ao tamanho do 
pedido de cada varejista). Os resultados para o cenário de 10 varejos, de nível de 
serviço e custo total estão apresentados nas Figuras 4, através de gráficos do 
tipo boxplot. 
 
 
Figura 4 – Nível de serviço e Custo total do sistema de distribuição para o cenário de 10 
varejos. 
 
Para verificar se existem diferenças significativas entre esses modelos, foram 
realizados testes estatísticos nesses resultados. O que se observa é que a perda de 
12 
 
 
 
nível de serviço é muito pequena, mas em comparação com os outros três modelos, 
o modelo fuzzy proposto obteve benefícios de custo consideráveis. Essa receita 
aumenta com o aumento do número de varejistas no sistema, chegando a 8% com 
15 ou mais varejistas. No dia a dia dos negócios, os gestores podem concluir que o 
declínio nos níveis de serviço é razoável, e se vier com uma redução significativa nos 
custos, isso indica que este modelo tem potencial para aplicações práticas. 
 
 
 
2. JUSTIFICATIVA 
 Porque utilizar a Lógica Fuzzy 
 
A lógica fuzzy pode representar o bom senso, na maioria dos casos é 
Linguagem qualitativa, não necessariamente quantitativa, use linguagem matemática 
Através da teoria dos conjuntos difusos e suas funções características relacionadas. 
Apesar Dados numéricos e termos de idioma são permitidos, os termos de idioma são 
inerentes, não tão preciso quanto os dados numéricos, mas em muitos casos A 
informação mais útil para o raciocínio humano. 
Para problemas de modelagem complexos, este método é recomendado. 
Envolvendo variáveis qualitativas e quantitativas, essas variáveis podem mudar 
probabilisticamente e descrever Bancos de dados diferentes e incompletos. O 
processo de decisão é baseado em variáveis os elementos de simulação e cópia do 
pensamento humano, principalmente Benchmarks de comparação, como benchmarks 
mais frios, mais altos, melhores ou vagos, como: Alto, baixo, bom Kacprzyk (1997). 
A lógica fuzzy também é conhecida como abordagem aplicada e multidisciplinar 
Análise, geralmente encontrada na literatura em ciências médicas e biológicas, 
bioinformática, processos industriais, navegação aeroespacial, aplicações de 
robótica, incluindo o negócio. 
 
13 
 
 
 
3. OBJETIVOS 
 
3.1. OBJETIVO GERAL 
 
 O objetivo geral deste trabalho é estudar a loggia fuzzy aplicada a gestão de 
estoque e suas ferramentas, como instrumentos fundamentais para operacionalizar a 
gestão e fluxo dos estoques. 
 
 
3.2. OBJETIVOS ESPECÍFICOS 
 
• Entender os conceitos relacionados à função e tamanho estoque; 
• Apresentar as características e funções do estoque e da armazenagem; 
• Resumo sobre a logica fuzzy e controle de estoque; 
• Apresentar um estudo de caso sobre o assunto pesquisado. 
 
 
4. METODOLOGIA 
De acordo com os padrões utilizados, existem várias classificações de tipos de 
pesquisa pelo autor. Segundo a pesquisa de Vergara (2007), existem dois critérios 
básicos classificar pesquisa: 
• Quanto aos fins; 
• Quanto aos meios. 
 
De acordo com Vergara (2010) quanto aos fins uma pesquisa pode ser: 
• Exploratória; 
• Descritiva; 
 • Explicativa; 
• Metodológica; 
• Aplicada; 
14 
 
 
 
• Intervencionista. 
 Quanto aos meios de investigação, pode ser: 
 • Pesquisa de campo; 
 • Pesquisa de laboratório; 
• Documental; 
• Bibliográfica; 
• Experimental; 
• Ex post facto; 
• Participante; 
• Pesquisa-ação; 
• Estudo de caso. 
Sendo assim, conforme a finalidade esse trabalho é classificado como uma 
pesquisa aplicada, devido sua orientação ao emprego dos resultados na solução de 
um problema específico e a necessidade de resolver problemas concretos. 
Quanto aos métodos de investigação, o trabalho foi considerado pesquisa de 
campo, bibliografia, exploratória, estudos de caso no que se refere à gestão Inventário 
e armazenamento de acordo commateriais publicados em livros e por meio de 
artigos. 
 
 
5. DESENVOLVIMENTO 
 
5.1. REFERENCIAL TEÓRICO 
 
De acordo com Arnold (2008, p. 265), "Estoque refere-se à empresa Ou a 
organização mantém vendas ou insumos ou suprimentos processo de produção. 
"Portanto, o gerenciamento de estoque é responsável por gerenciar todos esses 
Projetos muito importantes dentro da empresa para maximizar Atendimento ao 
Cliente. 
O gerenciamento de estoques de uma empresa deve ser bem estruturado de 
maneira a suprir as necessidades de abastecimento interna e externas a empresa. Já 
que essa área irá afetar os resultados quantitativos da empresa. Nesse contexto, 
15 
 
 
 
deve-se substituir empirismos por soluções de forma a atingir o principal objetivo da 
gestão de estoques que é atender as necessidades, quando se trata de material. 
Segundo Dias (1993), gestão de estoque e previsão de demanda associar-se 
com vendas é a melhor ferramenta que uma empresa possui, pois pode alcançar 
gerenciar de acordo com as necessidades e conduzir pesquisas quantitativas precisas 
produtos. Desta forma, podemos oferecer aos clientes um melhor serviço e maior 
segurança em termos de entrega dentro do prazo, menos tempo é perdido. dia (1993) 
apontou ainda que na pesquisa de demanda, o foco deve ser principalmente na 
história de vendas. Comprado corretamente, é possível competir E o mercado, pode 
oferecer preços competitivos, a qualidade dos produtos fornecidos e bons O nível de 
serviço pode atender às suas necessidades no tempo (VIANA, 2001). 
Segundo Ballou (2001) estoques são acumulações de matérias-primas, 
suprimentos, componentes, materiais em processo e produtos acabados que surgem 
em numerosos pontos do canal de produção e logística das empresas. 
Diferente da Lógica Booleana que admite apenas valores booleanos, ou seja, 
verdadeiro ou falso, a lógica difusa ou fuzzy, trata de valores que variam entre 0 e 1. 
Assim, uma pertinência de 0.5 pode representar meio verdade, logo 0.9 e 0.1, 
representam quase verdade e quase falso, respectivamente (SILVA, 2005) 
 
 
6. CONCLUSÃO 
 
A lógica fuzzy, assim como as outras lógicas da computação soft, lógica difusa 
também está aparecendo cada vez mais nos negócios diários. A proximidade com o 
raciocínio humano e a capacidade de lidar com a incerteza e a subjetividade 
constituem os principais atributos, que conferem à soft computing uma grande 
vantagem em um ambiente de gestão. Considerando que não existe um modelo de 
probabilidade na comparação de desempenho, os resultados positivos da pesquisa 
apresentada neste trabalho são até certo ponto frágeis. No entanto, ainda possui a 
capacidade da lógica fuzzy de lidar com informações de erro e fornecer resultados 
satisfatórios com um custo computacional menor. Espera-se que cada vez mais 
16 
 
 
 
gestores de empresas utilizem essa tecnologia na busca por soluções confiáveis para 
os desafios que enfrentam. 
 
 
7. REFERÊNCIAS 
 
 ALVARENGA, Henrique. Revisão de Sistemas de Inferência Fuzzy Aplicados 
a Decisões de Alocação de Estoque. 2016. 53 f. Dissertação (Mestrado em 
Administração) – Instituto Coppead de Administração, Universidade Federal do Rio de 
Janeiro, Rio de Janeiro. 
 
ARNOLD, J. R. T. Administração dos materiais. São Paulo: Ed. Atlas, 1999. 
 
AZADEGAN, Arash et al. Fuzzy logic in manufacturing: A review of literature 
and a specialized application. International Journal of Production Economics, v. 
132, n. 2, p. 258-270, 2011. 
 
BALLOU, Ronald H. Gerenciamento da Cadeia de Suprimentos: Planejamento, 
Organização e Logística Empresarial. Porto Alegre: Bookman, 2001. 
 
CHING, H. Y., Gestão e estoques, São Paulo, Editora Atlas, 2001. 
 
DIAS, MARCO AURÉLIO P. Administração de materiais: uma abordagem 
logística. 4 ed. São Paulo: Atlas,1993 
 
KO, Mark; TIWARI, Ashutosh; MEHNEN, Jörn. A review of soft computing 
applications in supply chain management. Applied Soft Computing, v. 10, n. 3, p. 
661-674, 2010. 
 
SILVA, Renato Afonso Cota. Inteligência artificial aplicada à ambientes de 
Engenharia de Software: Uma visão geral. Universidade Federal de Viçosa, 2005. 
 
17 
 
 
 
SIMÕES, Marcelo Godoy; SHAW, Ian S. Controle e modelagem fuzzy. São 
Paulo: Blücher/FAPESP, 2007. 
 
TADEU, Hugo Ferreira Braga (Org.). Gestão de Estoques: Fundamentos, 
Modelos Matemáticos e Melhores práticas. São Paulo: Cengage Learning, 2010. 
 
VERGARA, S. C.. Projetos de pesquisa em administração. 8. Ed. São Paulo: Atlas, 
2007. 
 
VIANA, J. J. Administração de Materiais – Um enfoque Prático. São Paulo: Ed. Atlas 
S.A, 2002. 
 
VIANA, Ilca Oliveira de Almeida. Metodologia do trabalho cientifico. Um enfoque 
didático da produção científica. São Paulo: Editora E.P.U., 2001. 
 
XIE, Ying; PETROVIC, Dobrila. Fuzzy‐logic‐based decision‐making system for 
stock allocation in a distribution supply chain. Intelligent Systems in Accounting, 
Finance and Management, v. 14, n. 1‐2, p. 27-42, 2006. 
 
WANKE, P. Aspectos fundamentais da gestão de estoques na cadeia de 
suprimentos. Rio de Janeiro: COPPEAD/UFRJ, 1999. 
 
WEBER, Leo e KLEIN, Pedro Antonio Trierweiler. Aplicação da Lógica Fuzzy em 
Software e Hardware. Canoas: Ed. Ulbra, 2003.