Escolar Documentos
Profissional Documentos
Cultura Documentos
i
= pesos caracterizando a importncia dos 8 objetivos distintos.
Foram definidos 5 cenrios distintos (Tabela 6), com diferentes
objetivos, com o intuito de gerar diferentes solues para o problema. Os
cenrios so caracterizados por meio da utilizao de valores diversos para
cada objetivo (termo) na funo de avaliao.
Na funo f(S), os quatro primeiros termos foram reduzidos ao mximo,
pois os mesmos refletem os custos operacionais da empresa. J para os
quatro ltimos, procurou-se a eliminao dos mesmos, pois caracterizam uma
soluo invivel em termos prticos.
42
Tabela 6. Cenrios, pesos e objetivos
Cenrio e
1
e
2
e
3
e
4
e
5
e
6
e
7
e
8
Objetivo
1 1 0 0 0 100 1500 1500 100 Reduzir nmero de motoristas
2 0 1 0 0 100 1500 1500 100 Reduzir horas extras
3 0 0 1 0 100 1500 1500 100 Reduzir horas ociosas
4 0 0 0 1 100 1500 1500 100 Reduzir troca de veculos
5 10 5 2 10 100 1500 1500 100 Soluo equilibrada
Os testes foram realizados em cinco cenrios com objetivos distintos;
Cenrio 1: reduzir o nmero de motoristas, Cenrio 2: reduzir a quantidade de
horas extras dos motoristas, Cenrio 3: reduzir o nmero de horas ociosas dos
motoristas, Cenrio 4: reduzir o nmero de trocas de veculos feitas por
motoristas e Cenrio 5: soluo equilibrada.
3.5. RESOLUO DO MODELO
Em posse do arquivo de entrada de dados, lanou-se mo de
ferramentas otimizadoras para poder comparar, avaliar e por fim possibilitar o
planejamento de aes que visam tornar mais eficiente o emprego dos
recursos que a empresa dispe.
Assim, foram implementados 5 (cinco) mtodos: Algoritmo Gentico,
Algoritmo Memtico, Clustering Search, Greedy Randomized Adaptive Search
Procedure e Simulated Annealing.
Para avaliar o desempenho desses mtodos, foi utilizada a entrada de
dados obtida por meio da coleta de dados realizada nesta pesquisa. Para cada
mtodo foram usados parmetros distintos, obtidos empiricamente. Todos os
mtodos foram implementados em C++ e os testes foram realizados em um PC
com processador Intel Core i5 de 2,66 GHz e 4GB de RAM.
Cada mtodo foi executado 10 vezes para cada cenrio.
A Figura 7 apresenta o AG implementado para resoluo do problema
de escalonamento de motoristas. Os valores dos parmetros usados foram:
AG
max
= 2500, Pop = 400, Eli = 8%, Cro = 200 e Mut = 20.
43
Figura 7. Algoritmo Gentico implementado.
Em que:
AG
max
: nmero mximo de geraes;
Pop: tamanho da populao;
Cro: nmero de cruzamentos;
Mut: nmero de mutaes, e;
Eli: tamanho percentual da populao elite.
O AM implementado apresentado na Figura 8 e os parmetros
utilizados so: AM
max
= 17, Pop = 300, Eli = 8%, Cro = 130, Mut = 5, T
0
= 10, T
C
= 0,01, SA
max
= 7 e o = 0,96.
44
Figura 8. Algoritmo Memtico implementado.
Em que:
AM
max
: nmero mximo de geraes;
Pop: tamanho da populao;
Cro: nmero de cruzamentos;
Mut: nmero de mutaes, e;
Eli: tamanho percentual da populao elite.
Na Figura 9 apresentado o CS implementado, cujos parmetros
utilizados so os seguintes: Clt = 10, v
max
= 7, r
max
= 3, T
0
= 20000, T
f
= 0,01,
SA
max
= 1000 e o = 0,975.
45
Figura 9. Clustering Search implementado.
Em que:
Clt: quantidade de clusters utilizados;
v
max
: volume mximo dos clusters, e;
r
max
: ndice de ineficcia.
A Figura 10 apresenta o GRASP implementado para o problema que
possui como parmetros: L = 100 e G
max
= 100.
46
Figura 10. GRASP implementado.
Em que:
G
max
: nmero mximo de iteraes, e;
LRC: tamanho da Lista Restrita de Candidatos.
O algoritmo do SA implementado apresentado na Figura 11. Nela,
tambm so apresentados os parmetros utilizados para resoluo do
problema. So eles, SA
max
: nmero de iteraes para atingir o equilbrio
trmico no valor de 1000; T
0
: temperatura inicial de 20000; T
c
: temperatura de
congelamento de 0,01; e : taxa de resfriamento sendo de 0,975.
47
Figura 11. Simulated Annealing implementado.
Em seguida foi calculado o desvio padro para cada mtodo em cada
cenrio.
(2)
Em que:
f(S)
m
= funo objetivo mdia, e;
f(S)
*
= melhor funo objetivo.
48
4. RESULTADOS E DISCUSSO
4.1. DIAGNSTICO DA ATUAL SITUAO DO TRANSPORTE DE MADEIRA
NA EMPRESA
Por meio do levantamento realizado, a empresa terceirizada
responsvel pelo transporte de madeira da regional Guanhes tem em seu
quadro uma frota de 50 veculos conduzidos por 150 motoristas distribudos na
proporo de trs motoristas para cada veculo.
A jornada de servios, combinada em comum acordo entre empresa
terceirizada e motoristas de oito horas acrescidas de quatro horas extras,
totalizando 12h, j inclusa uma hora para refeio. Porm, pelas condies
levantadas pelo estudo, onde considerou os limites superiores estipulados em
contrato entre CENIBRA e empresa terceirizada, de: velocidade mdia,
eficincia operacional, tempos de carregamento e descarregamento, tempo
mdio de manuteno e tempos acessrios; a jornada de trabalho de
13h52min. Portanto, verificando a realidade atual, a empresa terceirizada
consegue um rendimento superior ao contratado. Relativo s horas extras
realizadas por todos os motoristas, tem-se uma mdia diria total de 01h03min
enquanto que a mdia de horas excedentes (alm das 12 horas) no dia de
todos os motoristas de 00h51min.
4.2. COMPARAO ENTRE AS META-HEURSTICAS USADAS NA
OTIMIZAO DO ESCALONAMENTO DE MOTORISTAS
Os resultados obtido pelas meta-heursticas para cada cenrio, so
apresentados nas Tabelas 7 a 11. As tabelas apresentam ainda: melhor funo
objetivo obtida (f(S)
*
); funo objetivo mdia (f(S)
m
); desvio da funo objetivo,
em porcentagem (D(%)); e o tempo mdio de execuo, em segundos (T
m
).
49
Tabela 7. Resultados das meta-heursticas para o Cenrio 1
Meta-heurstica f(S)
*
f(S)
m
D (%) T
m
(s)
Algoritmo Gentico 92 99,7 8,369 197,31
Algoritmo Memtico 89 90,0 1,236 266,52
Clustering Search 89 89,8 0,899 78,95
GRASP 94 96,4 1,744 124,45
Simulated Annealing 91 92,1 1,209 59,75
Nesse primeiro cenrio, cujo objetivo a reduo do nmero de
motoristas, o CS foi o mtodo de melhor resultado mdio e de menor desvio
mostrando ser um mtodo preciso. O AG gerou resultados mdios 11,02%
maiores do que o CS alm de ser o mtodo de menor preciso dentre os cinco
observados. Analisando o tempo computacional, o SA destacou-se resolvendo,
em mdia, o algoritmo em menos de um minuto.
Tabela 8. Resultados das meta-heursticas para o Cenrio 2
Meta-heurstica f(S)
*
f(S)
m
D (%) T
m
(s)
Algoritmo Gentico 0 181,73 - 167,10
Algoritmo Memtico 1,19 1,69 42,353 273,22
Clustering Search 0 0 0 79,65
GRASP 0 0 0 158,47
Simulated Annealing 0 0 0 61,57
Quando o objetivo foi a reduo de horas extras (Cenrio 2), o CS,
GRASP e SA conseguiram elimin-las. Eles se diferenciam apenas nos tempos
mdios de execuo onde o CS e o GRASP foram 29,36% e 157,38%,
respectivamente, superiores ao SA. Novamente o AG mostrou ser o mtodo de
pior resultado para o cenrio.
50
Tabela 9. Resultados das meta-heursticas para o cenrio 3
Meta-heurstica f(S)
*
f(S)
m
D (%) T
m
(s)
Algoritmo Gentico 11,05 20,96 89,719 173,85
Algoritmo Memtico 21,29 25,97 18,453 77,02
Clustering Search 0 0 0 77,02
GRASP 1,35 5,76 2,384 166,52
Simulated Annealing 0 0 0 61,57
Para o Cenrio 3 em que o objetivo foi de reduzir as horas ociosas,
com os melhores resultados aparecem o CS e SA, destacando o SA pelo
melhor desempenho em tempos computacionais. Nesse cenrio, o AM aparece
pela primeira vez com os resultados piores do que o AG.
Tabela 10. Resultados das meta-heursticas para o cenrio 4
Meta-heurstica f(S)
*
f(S)
m
D (%) T
m
(s)
Algoritmo Gentico 69 102,3 48,26 172,46
Algoritmo Memtico 27 29,8 10,37 279,86
Clustering Search 0 0 0 78,1
GRASP 3 5,6 1,281 164,96
Simulated Annealing 0 0,2 - 60,03
No Cenrio 4, que teve como objetivo a reduo do nmero de trocas
de veculos realizadas pelos motoristas, novamente temos o CS, seguido pelo
SA e GRASP com os melhores resultados. O AG mostrou ser o mtodo menos
preciso enquanto o AM foi o mais demorado.
51
Tabela 11. Resultados das meta-heursticas para o cenrio 5
Meta-heurstica f(S)
*
f(S)
m
D (%) T
m
(s)
Algoritmo Gentico 2240,88 2280,84 1,783 158,83
Algoritmo Memtico 1161,04 1227,08 5,688 281,55
Clustering Search 1000 1000 0 71,21
GRASP 1121,36 1163,69 21,42 135,36
Simulated Annealing 1000 1023,91 2,391 62,34
Para o quinto cenrio, cujos pesos foram equilibrados, o desempenho
das meta-heursticas no se alteram tendo como melhor mtodo o CS, seguido
do SA, com melhor tempo computacional. O AG gerou resultados 128,08%
maiores do que o CS. O AM continuou sendo o mtodo mais demorado com
um tempo 4,52 vezes superior ao SA.
So apresentadas nas Tabelas de 12 a 16, de forma detalhada, as
melhores solues obtidas para cada mtodo e cenrio.
Tabela 12. Melhores solues geradas para o Cenrio 1
Algoritmo
N
Motorista
Horas
extras
Horas
ociosas
N troca de
veculo
Tempo
mdio de
trabalho
Algoritmo
Gentico
92 40h11min 171h12min 128 07h18min
Algoritmo
Memtico
89 49h44min 155h21min 90 07h47min
Clustering
Search
89 95h28min 89h58min 74 08h48min
GRASP 94 35h54min 174h52min 98 07h23min
Simulated
Annealing
91 91h09min 87h51min 79 08h35min
Para o Cenrio 1, onde o objetivo de reduzir o nmero de motoristas,
observa-se que todos os mtodos geraram resultados prximos, conseguindo
52
uma reduo de at 1,69 vezes no quadro de funcionrio. Tambm foram
prximos os valores dos tempos mdios de servios. Para este cenrio
importante ressaltar o AG, AM e GRASP que mesmo possuindo uma hora extra
por motorista baixa, variando de 00h23min a 00h34min o nmero de horas
ociosas foi elevado, chegando perto de duas horas. Outro destaque importante
a quantidade de trocas de veculos gerada pelo AG, que pode trazer
complicaes para a viagem devido ao fato de parar o veculo constantemente.
Tabela 13. Melhores solues geradas para o Cenrio 2
Algoritmo
N
Motorista
Horas
extras
Horas
ociosas
N troca de
veculo
Tempo
mdio de
trabalho
Algoritmo
Gentico
136 00h00min 149h32min 84 07h27min
Algoritmo
Memtico
127 01h11min 125h07min 58 05h27min
Clustering
Search
110 00h00min 26h13min 58 06h32min
GRASP 146 00h00min 122h02min 55 04h45min
Simulated
Annealing
139 00h00min 53h06min 51 05h22min
No Cenrio 2, onde procurou-se a minimizao das horas extras,
apenas o AM no conseguiu elimin-las porm seu resultado no o torna um
mtodo invivel. Comparando o nmero de motoristas o CS se destaca
aparecendo com 17 unidades a menos do que o segundo melhor mtodo (AM).
O CS tambm se destaca nas horas ociosas, cada motorista teria apenas
00h14min de tempo sem atividade. O destaque negativo fica com o AG,
detentor do maior nmero de trocas de veculos, de tempo mdio de trabalho e
de horas ociosas por motoristas.
53
Tabela 14. Melhores solues geradas para o Cenrio 3
Algoritmo
N
Motorista
Horas
extras
Horas
ociosas
N troca de
veculo
Tempo
mdio de
trabalho
Algoritmo
Gentico
137 28h53min 11h03min 83 05h49min
Algoritmo
Memtico
141 15h45min 21h55min 40 04h55min
Clustering
Search
100 45h25min 00h00min 0 06h56min
GRASP 149 26h09min 01h21min 3 04h39min
Simulated
Annealing
139 29h42min 00h00min 0 04h58min
Quando se procurou reduo de horas ociosas (Cenrio 3), apenas o
CS e o SA conseguiram sua total eliminao. Porm, se for analisado as horas
ociosas de cada motorista, esse valor no excede aos 00h10min mostrando
que todos os cinco mtodos conseguiram ser eficientes para o objetivo
proposto. O CS reduziu tambm o nmero de motoristas e conseguiu eliminar o
nmero de trocas de veculo, entretanto foi o mtodo com maior nmero de
horas extras e de maior tempo mdio de servio.
Tabela 15. Melhores solues geradas para o Cenrio 4
Algoritmo
N
Motorista
Horas
extras
Horas
ociosas
N troca de
veculo
Tempo
mdio de
trabalho
Algoritmo
Gentico
147 13h22min 142h06min 69 11h17min
Algoritmo
Memtico
140 18h45min 81h32min 27 04h57min
Clustering
Search
100 39h52min 00h00min 0 06h56min
GRASP 150 17h00min 19h01min 3 04h37min
Simulated
Annealing
138 25h39min 06h49min 0 05h04min
54
No Cenrio 4, cujo objetivo o de minimizar o nmero de trocas de
veculos, apenas o AG e o AM no conseguiram reduzi-los significativamente.
Estes, tambm, geraram os maiores valores para as horas ociosas por
motorista, 00h58min e 00h35min, respectivamente. O CS conseguiu reduzir o
nmero de motorista em 1/3 enquanto que nos demais a mxima reduo foi
de 12 unidades.
Tabela 16. Melhores solues geradas para o Cenrio 5
Algoritmo
N
Motorista
Horas
extras
Horas
ociosas
N troca de
veculo
Tempo
mdio de
trabalho
Algoritmo
Gentico
139 02h22min 24h29min 79 05h15min
Algoritmo
Memtico
105 14h51min 03h22min 3 06h35min
Clustering
Search
100 00h00min 00h00min 0 06h55min
GRASP 104 10h52min 03h28min 2 06h40min
Simulated
Annealing
100 00h00min 00h00min 0 06h54min
No cenrio onde os pesos foram equilibrados (Cenrio 5) possvel
observar que o CS e SA obtiveram resultados bastante prximos assim como o
AM e o GRASP. Embora o AG fosse o mtodo que gerou o menor tempo
mdio de trabalho este no conseguiu reduzir o nmero de motoristas, de
horas ociosas e de trocas de veculos.
4.3. COMPARAO ENTRE AS META-HEURSTICAS E A SITUAO ATUAL
DA EMPRESA
A Figura 12 representa um comparativo entre as melhores solues de
cada mtodo no Cenrio 5 com a situao atual da empresa. Este Cenrio foi
utilizado por possuir seus parmetros calibrados de forma que as soluos
fiquem equilibradas entre motoristas utilizados, horas extras, horas ociosas e
trocas de veculos realizados pelos motoristas.
55
Figura 12. Comparao entre os melhores resultados no Cenrio 5.
Analisando a Figura 12 possvel perceber que todos os mtodos
foram eficientes na resoluo do problema, gerando solues melhores do que
a situao real, com exceo do AG que realizou mais trocas de veculos.
Comparando o AG, mtodo que gerou os piores resultados, com a
situao levantada na empresa (Tabela 17), fica evidente que mesmo no
sendo o melhor, o AG conseguiu gerar resultados eficientes na reduo dos
custos operacionais. Esse mtodo reduz em 11 unidades o quadro de
motoristas, porm h um aumento nas horas extras de 01h03min para
02h23min. J o nmero de horas que excedem as 12h foi eliminado e a jornada
de trabalho para cada motorista foi reduzida para 05h15min
. Comparando o Cluster Search (CS), mtodo que proporcionou os
melhores resultados, com a situao levantada na empresa (Tabela 18), fica
evidende que o CS reduz significativamente seus custos operacionais,
amortizando em 50 unidades o quadro de motoristas e eliminando as horas
extras e horas ociosas.
56
Tabela 17. Comparao entre valores observados e resultado da pior meta-
heurstica
Situao Atual Algoritmo Gentico
Motorista 150 139
Jornada de trabalho
(mdia diria)
13h52min 05h15min
Horas extras
(mdia diria)
01h03min 02h23min
Horas excedentes
(mdia diria)
00h51min 00h00min
Tabela 18. Comparao entre valores observados e resultado da melhor meta-
heurstica
Situao Atual Clustering Search
Motorista 150 100
Jornada de trabalho
(mdia diria)
13h52min 06h55min
Horas extras
(mdia diria)
01h03min 00h00min
Horas excedentes
(mdia diria)
00h51min 00h00min
4.4. NOVA ESCALA DE SERVIOS
O CS permitiu a criao de uma nova escala de servios para os
motoristas no transporte de madeira. Um exemplo de parte dessa escala
apresentado na Tabela 19, que contm o cdigo do motorista, os trechos de
sua responsabilidade, o nmero do veiculo utilizado, a qual grupo o motorista
pertence, seu ponto de sada e chegada, assim como os horrios de sada e
chegada.
57
Tabela 19. Exemplo de escala de servio
Motorista Trecho Veculo Grupo
Ponto
Inicial
Ponto
Final
Hora
Sada
Hora
Chegada
1 37 10 1 Ptio
Ponto de
Apoio
04h37min 07h53min
38 10 1
Ponto de
Apoio
Ponto de
Apoio
07h53min 13h04min
51 113 25 4
Ponto de
Apoio
Sapucaia 07h52min 08h32min
114 25 4 Sapucaia Ptio 08h32min 12h52min
115 25 4 Ptio Ptio 12h52min 13h34min
116 25 4 Ptio Sapucaia 13h34min 15h52min
59 197 45 5
Ponto de
Apoio
Ponto de
Apoio
05h06min 10h17min
70 190 43 5
Ponto de
Apoio
Ptio 09h41min 14h41min
191 43 5 Ptio Ptio 14h41min 15h06min
192 43 5 Ptio
Ponto de
Apoio
15h06min 18h22min
Na situao levantada por esse estudo haver, na escala diria de
servios, motoristas que atenderam somente um trecho enquanto outros
podero atender at quatro trechos. O motorista com o cdigo 59 iniciar sua
viagem no veculo 45 s 05h06min saindo do Ponto de Apoio e chegando ao
Ponto de Apoio, aps realizar o carregamento no campo, s 10h17min.
58
5. CONCLUSES
A empresa terceirizada responsvel pelo transporte possui uma frota
ativa de 50 CVCs e um quadro de 150 motoristas, trabalhando em turnos na
escala 4 x 2. A carga horria diria dos motoristas de 12h, e as mdias de
horas extras e horas excedentes so de 01h03min e 00h51min,
respectivamente.
Foi possvel verificar que o mtodo CS obteve os melhores e mais
consistentes resultados para todos os cenrios, seguido pelo SA que gerou
resultados prximos, porm com tempos computacionais ligeiramente
melhores. O GRASP foi o mtodo que apresentou resultados intermedirios,
baixos desvios, porm com tempo de execuo elevado. Quanto ao AG e AM,
estes apresentaram como mtodos imprecisos devido aos altos desvios, piores
resultados em relao aos outros mtodos e tempo computacional tambm
elevado.
Observa-se que mesmo o mtodo que gerou os piores resultados (AG)
dentre os outros, foi melhor que a situao atual da empresa, mostrando que
o uso de mtodos de otimizao uma maneira eficiente para melhor alocao
dos recursos. O melhor mtodo implementado (CS), em relao ao mtodo
utilizado na empresa, reduz, numa escala diria de servios, em 1/3 o nmero
de motoristas alm de eliminar horas extras e excedentes trazendo
considerveis redues na folha de pagamento da empresa.
A escala diria de servios otimizada apresenta os trechos que os
motoristas realizaro nas suas respectivas CVCs definindo o horrio de sada
e o provvel horrio de chegada em cada ponto.
59
6. REFERNCIAS
ANDRADE, E. L. de. Introduo pesquisa operacional: mtodos e modelos
para a anlise de deciso. 2. ed. Rio de Janeiro: LTC, 1998.
ANTONANGELO, A.; BACHA, C. J. C. As fases da silvicultura no Brasil.
Revista Brasileira de Economia, So Paulo, v. 1, n. 52, p. 207-238, 1998.
ARCE, J. E. Um sistema de programao do transporte principal de
multiprodutos florestais visando a minimizao de custos. 1997. 98 f.
Dissertao (Mestrado em Cincias Florestais) Universidade Federal do
Paran, Curitiba-PR.
ASSOCIAO BRASILEIRA DE PRODUTORES DE FLORESTAS
PLANTADAS. Anual Estatstico ABRAF 2011, ano base 2010. Braslia, 2011.
Disponvel em: <http://www.abraflor.org.br/estatisticas/ABRAF11/ABRAF11-
BR.pdf>. Acesso em: 20 de maio de 2011.
BARNES, R. M. Estudo de movimentos e de tempos: projeto e medida do
trabalho. 6. ed. So Paulo: Edgar Blcher, 1977. 648 p.
BARTON, D.; HAMILTON, M. Local literacies: reading and writing in one
community. New York: Routledge, 1998. 229 p.
BERGER, R.; TIMOFEICZYK JR, R.; CARNIERI, C.; LACOWICZ, P. G.;
SAWINSKI JR, J.; BRASIL, A. A. Minimizao de custos de transporte florestal
com a utilizao da programao linear. Revista Floresta, Curitiba, v. 33, n. 1,
p. 33-50, 2003.
BINOTI, D. H. B. Estratgias de regulao de florestas equineas com
vistas ao manejo da paisagem. 2010. 145 f. Tese (Doutorado em Cincias
Florestais) Universidade Federal de Viosa, Viosa-MG.
CHAVES, A. A. Otimizao combinatria. 2007a. Disponvel em:
<http://www.lac.inpe.br/~lorena/cap/Aula_C05.pdf>. Acesso em: 20 de
dezembro 2011.
CHAVES, A. A. Otimizao combinatria. 2007b. Disponvel em:
<http://www.lac.inpe.br/~lorena/cap/Aula_C01.pdf>. Acesso em: 20 de
dezembro 2011.
CHAVES, A. A. Uma meta-heursticas hbrida com busca por
agrupamentos aplicada a problemas de otimizao combinatria. 2009.
197 p. Tese (Doutorado em Computao Aplicada) Instituto Nacional de
Pesquisas Espaciais, So Jos dos Campos SP.
COELHO, A. M. Uma abordagem via algoritmos memticos para soluo
do problema de horrio escolar. 2006. 115 p. Dissertao (Mestrado em
60
Modelagem Matemtica e Computacional) Centro Federal de Educao
Tecnolgica de Minas Gerais, Belo Horizonte MG.
CRABTREE, B. F.; MILLER, W. L. Doing qualitative research in primary
care: multiple strategies. London: Sage Pubns., 1992. 272 p.
DAWKINS, R. The selfish gene. New York: Oxford Univ. Pr. 1976. 360 p.
FEO, T. A.; RESENDE, M. G. C. A probabilistic heuristic for a computationally
difficult set covering problem. Operations Research Letters, v. 8, p. 67-71,
mai. 1989.
GOLDBARG, M. C.; LUNA, H. P. L. Otimizao combinatria e programao
linear. 2. ed. Rio de Janeiro: Elsevier, 2005. 511 p.
GOLDBERG, D. E. Genetic algorithms in search, optimization and machine
learning. Boston: Addison- Wesley Longman Publishing Co, 1989. 372 p.
HAMMERSLEY, M. Introducing ethnography. In: GRADDOL, D. et al.
editores, RESEARCHING LANGUAGE AND LITERACY IN SOCIAL CONTEXT.
Clevedon: Multilingual Maters, The Open University, 1994. p. 1-17.
HOLLAND, J. H. Adaptation in natural and articial systems. Ann Arbor:
University of Michigan Press, 1975. 183 p.
KARP, R. Reducibility Among Combinatorial Problems. In: MILLERT, R. e
THATCHER, J., editores, COMPLEXITY OF COMPUTER COMPUTATIONS, p.
85 103. Plenum Press, 1972.
KIRKPATRICK, S.; GELLAT, D. C.; VECCHI, M. P. Optimization by simulated
annealing. Science, v. 220, n. 4598, p. 671-680, mai. 1983.
LACHTERMACHER, G. Pesquisa operacional na tomada de decises:
modelagem em Excel. 3 ed. Rio de Janeiro: Campus Elsevier, 2006. 224 p.
LACOWICZ, P. G.; BERGER, R.; TIMOFEICZYK JUNIOR, R.; SILVA, J. C. G.
L. Minimizao dos custos de transporte rodovirio florestal com o uso da
programao linear e otimizao do processo. Floresta, Curitiba, v. 32, n. 1,
p.75-87, fev. 2002.
LEO, R. M. A floresta e o homem. So Paulo: Endusp, 2000. 448 p.
LEITE, J. M. A otimizao dos custos do transporte rodovirio de madeira
rolia oriunda de reflorestamento. 2002. 273 p. Tese (Doutorado em
Cincias Florestais) Universidade Federal do Paran, Curitiba-PR.
LOPES, E. S. Estudo de tempos e movimentos aplicados na colheita e
transporte florestal. 2010. 14 f. Notas de aula.
61
LUCAS, D. C. Algoritmos genticos: uma introduo. 2002. Disponvel
em:<http://www.inf.ufrgs.br/~alvares/INF01048IA/ApostilaAlgoritmosGeneticos.
pdf>. Acesso em: 21 de dezembro de 2011.
MAANEN, J. V. Reclaiming qualitative methods for organizational research: a
preface. In: Administrative Science Quarterly, vol. 24, n. 4, 1979, p 520-526.
MACHADO, C. C; LOPES, E. S.; BIRRO, M. H. B.; MACHADO, R. R.
Transporte rodovirio florestal. 2. ed. Viosa: Editora UFV, 2009. 217 p.
MAURI, G. R. Novas abordagens para representao e obteno de
limitantes e solues para alguns problemas de otimizao combinatria.
2008. 239 p. Tese (Doutorado em Computao Aplicada) Instituto Nacional
de Pesquisas Espaciais, So Jos dos Campos-SP.
MAURI, G. R. Novas heursticas para o problema de escalonamento de
tripulaes. 2005. 103 f. Dissertao (Mestrado em Computao Aplicada)
Instituto Nacional de Pesquisas Espaciais, So Jos dos Campos-SP.
MAURI, G. R. Unidade IV: Simulated annealing, 2011. Disponvel em:
<http://www.grmauri.pro.br/disciplinas.html>. Acesso em: 20 de dezembro de
2011.
MAXIMIANO, A. C. A. Teoria geral da administrao: da revoluo urbana
revoluo digital. So Paulo: Atlas, 2002. 500 p.
MELAN, B.; PREZ, J. A. M.; VEJA, J. M. M. Metaheuristics: a global view.
Revista Iberoamericana de Inteligencia Artificial, n. 19, p. 7-28, 2003.
MLLO, F. G. A.; SENNE, E. L. F.; LORENA, L. A. N. Uma Abordagem para
Soluo do Problema de Escalonamento de Motoristas. Revista Produto &
Produo. 2009. Disponvel em:
<http://seer.ufrgs.br/ProdutoProducao/article/view/1477>. Acesso em 12 de
maio de 2011.
MNWS, 2011 - Metaheuristics Network Web Site. Disponvel em
<http://www.metaheuristics.net>. Acesso: 20 de dezembro de 2011.
MOSCATO, P. On evolution, search, optimization, genetic algorithms and
martial arts: towards memetic algorithms. Tech. Rep. Caltech Concurrent
Computation Program, Report. 826, California Institute of Technology,
Pasadena, California, USA, 1989.
OLIVEIRA, A. C. M. Algoritmos evolutivos hbridos com deteco de
regies promissoras em espaos de busca contnuo e discreto. 2004. 79
p. Tese (Doutorado em Computao Aplicada) Instituto Nacional de
Pesquisas Espaciais, So Jos dos Campos-SP.
PAREDES, G.; SESSIONS, J. A solution method for the transfer yard location
problem. Forest Products Journal, Madison, v. 38, n. 3, p. 53-58, mar. 1988.
62
RAIDL, G. L. A unified view on hybrid metaheuristics. Lecture Notes in
Computer Science, Book: Hybrid Metaheuristics, vol. 4030, p. 1-12, 2006.
RODRIGUES, F. L.; LEITE, H. G.; SANTOS, H. N.; SOUZA, A. L. de; RIBEIRO,
C. A. A. S. Metaheurstica Simulated annealing para soluo de problemas de
planejamento florestal com restries de integridade. Revista rvore, Viosa,
v. 28, n. 2, p. 247-256, mai. 2004.
RODRIGUES, P. Introduo aos sistemas de transporte no Brasil e
logstica internacional. 4. Edio reviso e ampliada. Aduaneiras, 2007.
RONEN, D. Perspectives on practical aspects of trucks routing and scheduling.
European Journal of Operational Research, v. 35, p. 137-145, mai. 1988.
SEIXAS, F.; WIDMER, J. A. Seleo e dimensionamento da frota de veculos
rodovirios para o transporte principal de madeira, utilizando-se de
programao linear no-inteira. Scientia Forestalis, Piracicaba, n. 46, p. 107-
118, jan./dez. 1993.
SIMES, D. Avaliao econmica de dois sistemas de colheita florestal
mecanizada de eucalipto. 2008. 105 f. Dissertao (Mestrado em Agronomia)
Universidade Estadual Paulista Jlio de Mesquita Filho, Botucatu-SP.
SOARES, N. S.; SOUSA, E. P.; SILVA, M. L. Importncia do setor florestal para
a economia brasileira. In: CONGRESSO DA SOCIEDADE BRASILEIRA DE
ECONOMIA, ADMINISTRAO E SOCIOLOGIA RURAL, 46., 2008, Rio
Branco. Anais eletrnicos... Rio Branco: SOBER, 2008. Palestra. Disponvel
em: <http://www.sober.org.br/palestra/9/214.pdf>. Acesso em: 23 de mai. de
2011.
SOUZA, R. A. T. M. e; RODRIGUEZ, L. C. E.; SEIXAS, F.; CAIXETA FILHO, J.
V. Eficincia e otimizao do transporte principal de toras curtas de eucalipto.
Scientia Forestalis, Piracicaba, n. 62, p. 130-146, dez. 2002.
SUCUPIRA, I. R. Mtodos heursticos genricos: metaheurstica e hiper-
heursticas. 2004 41 p. Monografia (Cincia da Computao) Universidade de
So Paulo, So Paulo-SP.