O projeto de arranjo físico modular tem como base o agrupamento de máquinas em módulos a partir de subseqüências de operações comuns a um conjunto de peças. No método proposto por Huang (2003), os módulos de arranjo físico são gerados por análise de agrupamentos. O presente trabalho apresenta uma forma alternativa à geração de módulos de arranjo físico, através de algoritmo genético de agrupamento (AGA). O AGA permite ao usuário especificar a priori o número desejado de módulos (problema de K-agrupamentos), e também trabalhar de forma que o número e a formação dos módulos sejam variáveis de decisão do problema (problema de agrupamento automático). Uma característica importante do AGA é sua flexibilidade, pois fornece a possibilidade ao usuário de interagir com o método de solução através da escolha de diferentes codificações do cromossomo, de medidas de similaridade para comparação de seqüências de operações e de métodos de geração da nova população. Para tal foram desenvolvidos dois operadores de cruzamento e três operadores de mutação. No exemplo apresentado, os módulos de arranjo físico gerados pelo AGA e o arranjo físico final da fábrica foram comparados aos de Huang (2003) e houve importante redução da distância total percorrida pelo conjunto de peças, demonstrando a eficácia do algoritmo genético de agrupamento. Dessa forma, os resultados apontaram o AGA como uma alternativa à geração de módulos de arranjo físico em projeto de arranjo físico modular.

The modular facility layout consists of grouping machines into modules according to subsequences of operations common to a set of parts. In the method proposed by Huang (2003), facility layout modules are generated by cluster analysis. This paper introduces an alternative way to generate layout modules through a clustering genetic algorithm (CGA). The CGA allows the user to specify the number of modules he wants (K-grouping problem) and to optimize the number of modules (automatic clustering problem). An important feature of the genetic algorithm is its flexibility, which enables the user to interact with the problem-solving method by presenting him with a choice of chromosome codes, measures of similarity to compare sequences of operations, and methods for generating new populations. To this end, two crossover operators and three mutation operators were developed. In the example presented here, the layout modules generated by the CGA and the plant's final physical layout were compared with those of Huang (2003). This comparison revealed a significant reduction in the total distance covered by the set of parts, demonstrating the effectiveness of the clustering genetic algorithm. Thus, the results indicated that the clustering genetic algorithm is an alternative for generating layout modules in the design of modular facility layouts.