Você está na página 1de 15

Otimizao do Processo de Transferncia e Estocagem de Diesel

em uma Refinaria de Petrleo aplicando Transgentica


Computacional e Programao Linear Inteira Mista
Angela Olandoski Barboza (UTFPR) angelabarboza@utfpr.edu.br
Flavio Neves Junior (UTFPR) neves@utfpr.edu.br
Rosely Antunes de Souza (UFSC) roselypr@gmail.com
Silvana Ligia Vincenzi Bortolotti (UFSC) sligia@globo.com
RESUMO
Hoje, as empresas brasileiras vivem uma realidade em que ganhos de produtividade significam
sobrevivncia. Para tanto, busca-se a criao de tcnicas que proporcionem aos empresrios e
gerentes a certeza de que esto utilizando um sistema de produo que, se bem administrado, pode
gerar vantagens competitivas. Na indstria petrolfera, um dos processos que pode ser aperfeioado,
usando tcnicas da Pesquisa Operacional, o de transferncia e estocagem de diesel. Este trabalho
descreve primeiramente, a modelagem deste problema usando Programao Linear Inteira Mista
(PLIM) com abordagem de tempo discreto. O modelo encontrado foi resolvido com o aplicativo
computacional LINGO 8.0, por meio do algoritmo Branch and Bound. Como o tempo computacional
para a resoluo deste modelo mostrou-se excessivo, desenvolveu-se uma nova metodologia usando-
se algoritmo transgentico ProtoG integrado Programao Linear (PL). Quando comparada
modelagem usando PLIM, pode-se observar que o resultado obtido aps vrios testes com a nova
metodologia mostrou que esta pode encontrar bons resultados em um tempo computacional aceitvel.
Palavras-Chave: Programao da produo (scheduling), PLIM, Transgentica Computacional
1. INTRODUO
O mercado mundial vem se modificando em decorrncia dos avanos tecnolgicos, da
globalizao, das grandes fuses de empresas e da maior conscientizao ecolgica. As
transformaes econmicas, a dinmica dos mercados e a crescente competitividade fazem
parte da globalizao mundial, a qual intensifica o comrcio internacional de produtos e
servios, promove intercmbio cultural acentuado e a constante troca de informaes. Tais
mudanas implicam em um aumento da competitividade, obrigando as organizaes a criarem
solues inovadoras para se manterem no mercado. No contexto das indstrias, um dos
problemas o de otimizao do sistema de produo no qual, o planejamento e a programao
de produo so de fundamental importncia. O uso de tcnicas de Pesquisa Operacional na
modelagem de processos das empresas tem-se mostrado um fator decisivo para o
desenvolvimento de polticas otimizadas de operao industrial. O desenvolvimento de
modelos, em especial os que empregam tcnicas de otimizao, tem possibilitado que
procedimentos operacionais complexos sejam avaliados de forma criteriosa, fazendo com que
recursos crticos possam ser utilizados da melhor maneira possvel.
Este trabalho aborda um problema de programao da produo (scheduling)
envolvendo estocagem e distribuio de leo diesel em uma refinaria de petrleo. A soluo
tima para este tipo de problema difcil de ser encontrada devido sua caracterstica
combinatorial. Em geral, este modelado como problema de Programao Linear Inteira
Mista (PLIM) e resolvido com auxlio de pacotes computacionais comerciais (MORO, 2000).
Contudo, pela sua natureza, o aumento do nmero de variveis inteiras torna impraticvel o




SEGeT Simpsio de Excelncia em Gesto e Tecnologia
uso destes aplicativos, por exigirem um tempo computacional excessivo. Desta forma, no so
aplicveis em sistemas just in time, pois a tomada de deciso nestes casos deve ser imediata.
Diante do exposto, para solucionar este problema foram utilizados, a princpio,
modelos de Programao Linear Inteira Mista (PLIM) com abordagem para a representao
no tempo discreto. O modelo desenvolvido foi resolvido com o uso do aplicativo
computacional LINGO 8.0, por meio do algoritmo Branch and Bound com o objetivo de
obter-se mdias para o tempo computacional despendido e nmero de iteraes para a
resoluo do mesmo, para fins de comparao com a nova metodologia. A nova metodologia
desenvolvida utiliza o Algoritmo Transgentico ProtoG integrado Programao Linear (PL).
O objetivo geral deste trabalho o desenvolvimento de uma metodologia mais
eficiente que o algoritmo Branch and Bound, em termos de tempo computacional despendido,
para resolver um problema de Programao Linear Inteira Mista (PLIM) modelado a partir de
um problema de transferncia e estocagem de diesel em uma indstria petrolfera. Como
objetivos especficos, tem-se a construo do modelo em PLIM e o desenvolvimento da nova
metododogia usando Algoritmo Transgentico ProtoG integrado Programao Linear (PL).
Este artigo est estruturado da seguinte forma: A seo 1 descreve os problemas que
motivaram esta pesquisa, justificando o desenvolvimento de nova metodologia para a
otimizao do problema de transferncia e estocagem de diesel. Na seo 2 feita uma breve
reviso bibliogrfica dos seguintes assuntos: Programao Linear (PL), Programao Linear
Inteira Mista (PLIM) e Transgentica Computacional. A seo 3 mostra a modelagem do
problema analisado. O modelo em PLIM pode ser encontrado na seo 4 e a nova
metodologia foi descrita na seo 5. A seo 6 foi dedicada implementao e resultados e
finalmente, na seo 7, so apresentadas a anlise dos resultados e concluses obtidas.
2. FUNDAMENTAO TERICA
2.1 PROGRAMAO LINEAR
Programao Linear (PL) uma ferramenta da Pesquisa Operacional aplicada
soluo de problemas de otimizao que buscam a distribuio eficiente de recursos limitados
para atender um determinado objetivo, em geral, maximizar lucros ou minimizar custos.
uma das mais importantes e mais utilizadas tcnicas de Pesquisa Operacional. Sua modelagem
simples e a resoluo feita utilizando-se o mtodo Simplex descrito por Dantzig (1963).
Esta tcnica amplamente utilizada, pois possui habilidade para modelar importantes e
complexos problemas de deciso e o mtodo Simplex pela capacidade de produzir solues
rapidamente. A descrio do mtodo Simplex pode ser encontrada em Zionts (1974).
2.2 PROGRAMAO LINEAR INTEIRA MISTA (PLIM)
Alguns problemas reais requerem o uso de variveis que assumem somente valores
inteiros. Quando isto acontece tem-se um problema de Programao Inteira (PI). Se um
problema envolve variveis inteiras e contnuas ento denominado Problema de
Programao Linear Inteira Mista. Existem muitos problemas de programao de produo
(scheduling) que podem ser colocados como problemas de Programao Linear Inteira Mista,
pois os modelos matemticos de otimizao correspondentes envolvem variveis contnuas e
discretas que devem satisfazer um conjunto de restries lineares de igualdade e desigualdade
(MORO, 2000).
A obteno de uma soluo tima para problemas de otimizao linear inteira mista,
pode ser difcil, pela sua natureza combinatorial. Num primeiro contato com este tipo de
problema, a abordagem seria a de resolver o problema para todas as combinaes de variveis
inteiras utilizando a PL e extrair a soluo como o menor valor da funo objetivo (problemas




SEGeT Simpsio de Excelncia em Gesto e Tecnologia
de minimizao). Porm, o nmero de combinaes cresce exponencialmente com o nmero
de variveis binrias. Logo, para problemas prticos onde se tem um grande nmero de
variveis inteiras, esta abordagem invivel. Uma outra alternativa seria a de relaxar as
restries de integralidade e tratar as variveis inteiras como contnuas, mas no se tem a
garantia de que, resolvendo o problema com esta relaxao, encontre-se uma soluo com
valores inteiros para as variveis discretas. O arredondamento para valores mais prximos
tambm no leva, em geral, ao resultado correto. Taha (1975) mostra, atravs de um exemplo,
que esta abordagem no conveniente. Atualmente, o mtodo mais utilizado na resoluo
deste tipo de problema o Branch and Bound.
2.3 TRANSGENTICA COMPUTACIONAL
Transgentica Computacional (TC) uma nova tcnica da Computao Evolucionria
(CE). considerada uma abordagem evolucionria, pois emprega populaes de indivduos,
as populaes trocam informaes dinamicamente e somente os mais aptos sobrevivem em
cada ciclo de troca de informaes. O paradigma da TC est contextualizado na evoluo dos
micro-organismos e clulas e fundamentam-se no processo da simbiognese (GOLDBARG,
GOLDBARG e MEDEIROS NETO, 2005). A simbiognese uma teoria evolucionria onde
indivduos de naturezas distintas se unem para formar um novo indivduo (MOROWITZ,
1992). Esta teoria destaca mais os efeitos positivos resultantes das inter-relaes entre
indivduos do que a sobrevivncia e reproduo do mais apto.
Dentro do contexto da simbiognese, a aplicao da metfora aos algoritmos
transgenticos feita de forma que:
processo evolucionrio dos algoritmos transgenticos esteja baseado em interaes
simbiticas desenvolvidas entre uma populao de cromossomos e uma populao de
vetores do fluxo intracelular;
o resultado da simbiose seja avaliado pela adequao alcanada pelos cromossomos;
os mecanismos evolucionrios empregados nos algoritmos transgenticos mimetizem os
processos de conjugao e de recombinao (processos de transferncia horizontal);
os vetores empregados mimetizem os plamdios, vrus e transponsons;
o processo evolucionrio seja gerenciado por trs tipos de regras, descritas a seguir;
o paradigma da transgentica possua os seguintes princpios gerais: a evoluo pode
ocorrer sem reproduo sexual ou mutaes, os vetores do fluxo intra-extracelular
cooperam com a evoluo dos cromossomos e o fluxo de informaes do processo
evolucionrio percorre vrios nveis de deciso.
A metfora transgentica possui, trs nveis onde as informaes so armazenadas:
Primeiro nvel: composto pela populao de cromossomos;
Segundo nvel: composto por uma populao de indivduos de natureza distinta da dos
cromossomos. Estes indivduos so chamados de vetores transgenticos e operam na
diversificao e intensificao da busca. Os vetores transgenticos so detalhados a seguir.
Terceiro Nvel: formado por regras que direcionam a interao entre as duas populaes
(cromossomos e vetores transgenticos).
Um cromossomo composto por uma cadeia de informao e tem associados um ou
mais valores de adequao.
Com o objetivo de explorar o espao de busca, os algoritmos transgenticos obtm
informao e a inserem nos cromossomos atravs dos vetores transgenticos.




SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Um vetor transgentico uma dupla ( ) , I = , onde I uma cadeia de informao
e um mtodo de manipulao. A cadeia de informao I pode ser a priori ou a posteriori.
A informao a priori pode vir de diversas fontes, tais como conhecimento terico e
heurstico. A informao a posteriori obtida atravs do prprio processo de busca. Estas
cadeias podem ser reunidas em um banco de informaes genticas. Este banco de
informaes visa acelerar o processo de evoluo.
O mtodo de manipulao ( )
j
p = com s ,..., 1 j = composto pelos procedimentos
j
p que definem a atuao do vetor. A Tabela 1 resume os procedimentos que compem o
mtodo de manipulao dos vetores transgenticos.
Tabela 1: Procedimentos Gerais de um Vetor Transgentico
Procedimento Denominao Descrio
Procedimento 1
(p
1
)
Ataque (A)
Define o critrio de avaliao que estabelece
quando um cromossomo suscetvel
manipulao do vetor.
N ,..., 1 i S : A
i
= }, verdadeiro {falso,
.
Procedimento 2
(p
2
)
Operador de
Transcrio ( )
Se A(S
i
) = verdadeiro, o procedimento define
como a informao I, transportada pelo vetor,
ser transferida para o cromossomo.
Procedimento 3
(p
3
)
Bloqueio da
informao
transcrita ( )
Torna o resultado da manipulao inviolvel por
um certo perodo de tempo nmero de
iteraes, geraes de cromossomos, etc.
Procedimento 4
(p
4
)
Desbloqueio da
informao
transcrita ( )
Torna o resultado da manipulao sem restries.
Procedimento 5
(p
5
)
Operador de
identificao ( )
Identificam uma cadeia ou um trecho da cadeia.
Procedimento 6
(p
6
)
Operador de
recombinao ( )
Recombinam os genes da cadeia.

Em geral, quando um vetor transgentico manipula um cromossomo, modifica sua
estrutura e desta forma um novo ponto do espao de busca investigado (GOUVA e
GOLDBARG, 2001). Esta manipulao ocorre de acordo com o procedimento A (ataque),
definido em p
1
,

que pode ser determinstico ou probabilstico. Um vetor transcreve sua
informao I usando o operador de transcrio definido em p
2
somente se
( ) " verdadeiro " S A
i
= . Caso contrrio, o cromossomo no manipulado por e diz-se que S
i

resistiu ao ataque de .
Os vetores ( ) , I = com ( )
s 2 1
p ,... p , p = podem possuir um dos seguintes
processos:
Vrus (V): ( )
4 3 2 1
p , p , p , p = ;
Plasmdio (PI): ( )
2 1
p , p = ;
Transponson (T): ( )
6 5 2 1
p , p , p , p =




SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Plasmdio Recombinado (Pr): ( )
6 2 1
p , p , p =
As regras de administrao (regras transgenticas) gerenciam o processo de infiltrao
intra-extracelular. Existem trs tipos de regras que administram o relacionamento entre
cromossomos e vetores transgenticos (GOLDBARG, GOLDBARG e MEDEIROS NETO, 2004).
Regra Tipo 1: Direciona a constituio da cadeia de informao I que ir ser carregada no
vetor transgentico. Pode usar fontes tericas ou heursticas para obter o conhecimento
para formao do vetor. Podem existir vrias regras deste tipo;
Regra Tipo 2: Define como a cadeia de informao I ser transcrita em um cromossomo
ou como o contedo do cromossomo ser rearranjado.
Regra Tipo 3: Determina como utilizar as regras do Tipo1 e Tipo2 e gerenciar a simbiose
estabelecendo: como escolher um nmero q de cromossomos para manipulao; como
escolher um nmero r de vetores de manipulao; quais as regras Tipo1 e Tipo2 sero
utilizadas em cada manipulao; como organizar e obter informaes genticas; como
realimentar o processo evolucionrio e quando parar a evoluo.
Entre os algoritmos existentes na Transgentica Computacional tem-se o algoritmo
ProtoG. Este algoritmo baseado em populao na qual os cromossomos no trocam
informaes de forma direta. Ainda, os cromossomos so expostos a um ataque direto pelos
vetores do fluxo intracelular para concretizarem a transcrio de seus cdigos.
3. MODELAGEM DO PROBLEMA
Neste trabalho foi desenvolvida uma tcnica para soluo de um problema de
scheduling de curto termo em um sub-sistema de uma refinaria de petrleo. Em geral,
problemas de scheduling em refinarias de petrleo so formulados como modelos de
otimizao inteira mista e resolvidos utilizando-se tcnicas exatas, mas o tempo despendido
para chegar soluo invivel para a implementao dos mesmos. O sub-sistema estudado
neste trabalho envolve as operaes de transferncia e estocagem de diesel. So considerados
o desenvolvimento e a soluo de modelos de otimizao para o scheduling de um conjunto
de operaes que incluem: o recebimento do diesel nos tanques, armazenamento e envio deste
produto a clientes.
A modelagem desenvolvida para este sistema tem como objetivo a obteno da
seqncia para o fluxo e armazenamento do diesel de forma a atender s restries de
operaes e de demandas a um custo mnimo. Os parmetros envolvidos na modelagem deste
problema incluem a configurao do parque de tancagem, as restries de operao e a
demanda de diesel como dados de entrada e o gerenciamento de atividades como dados de
sada. Para a resoluo do modelo foram utilizadas as seguintes tcnicas: Branch and
Bound , Mtodo Simplex e AG.
As seguintes premissas e restries operacionais foram consideradas na modelagem do
problema:
Os volumes de diesel estocados nos tanques so conhecidos;
Os tanques so dedicados, ou seja, armazenam um nico tipo de diesel;
Todos os tanques devem estar disponveis durante o horizonte de planejamento, ou seja,
no devem sofrer manuteno ou qualquer operao que impossibilite seu uso;
Os tempos de transio entre tarefas no so considerados, por serem desprezveis em
relao s demais operaes;
Cada um dos tanques no pode efetuar operaes de carga e descarga simultaneamente;
Cada tanque pode receber de uma nica origem num determinado intervalo de tempo;
Cada tanque pode enviar para um nico destino num determinado intervalo de tempo;




SEGeT Simpsio de Excelncia em Gesto e Tecnologia
As restries operacionais de vazo mnima/mxima de fluxo de recebimento e envio de
produtos devem ser respeitadas;
Os tanques no podero estar com volume abaixo do mnimo e nem acima do mximo
estipulados;
Quando um tanque iniciar o recebimento de carga, dever faz-lo at o enchimento total
do mesmo;
Aps o enchimento, o tanque dever ficar parado por um perodo mnimo estipulado para
repouso e anlise do produto estocado. Aps este perodo o tanque estar disponvel para
envio;
Todo o lote requerido pelo cliente deve ser bombeado de forma ininterrupta;
As demandas de recebimento e envio podem ser satisfeitas em qualquer instante do
horizonte de planejamento.
4. MODELO COM DISCRETIZAO UNIFORME DE TEMPO
O primeiro modelo matemtico para o problema de transferncia e estocagem utiliza a
modelagem PLIM com discretizao uniforme no tempo. So utilizadas variveis contnuas,
inteiras e binrias. As variveis binrias representam as decises a serem tomadas. Eventos de
qualquer tipo devem comear e terminar no incio de cada intervalo de tempo. Como j
citado, o objetivo deste modelo o de minimizar custos operacionais. As restries foram
construdas respeitando-se os procedimentos operacionais, as restries fsicas do processo e a
demanda.
Nomenclatura utilizada no Modelo
ndices:
Tq - representa o nmero do tanque: tq = 1,2,...,TQ
C - representa o nmero do cliente: c = 1,2,...,C
T - representa o nmero do intervalo de tempo: t = 1,2,...,T
Conjuntos:
CTQ - conjunto formado pelos tanques tq
CC - conjunto formado pelos clientes c
CT - conjunto formado pelos intervalos de tempo t
Vale observar o uso de ndices subscritos, para representar os tanques, os clientes ou
os intervalos de tempo envolvidos nos parmetros e variveis.
Parmetros:
CB
c
- custo de bombeio para o cliente c (unidades monetrias/mil m
3
);
CA
tq
- custo de armazenamento no tanque tq (unidades monetrias/mil m
3
);
CTR
tq
- custo de troca do tanque tq que recebe da produo (unidades monetrias);
QRmin - vazo mnima de recebimento pelos tanques tq (mil m
3
/h);
QRmax - vazo mxima de recebimento pelos tanques tq (mil m
3
/h);
QEmin
c
- vazo mnima de envio ao cliente c (mil m
3
/h);
QEmax
c
- vazo mxima de envio ao cliente c (mil m
3
/h);
Volmin
tq
- volume mnimo permitido no tanque tq (mil m
3
);
Volmax
tq
- volume mximo permitido no tanque tq (mil m
3
);
Volini
tq
- volume no tanque tq no incio do processo (mil m
3
);
DEM
c
- demanda de diesel do cliente c (mil m
3
).






SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Variveis Binrias:

=
contrrio caso 0
tempo de intervalo no produo da diesel recebe tanque o se 1
,
t tq ,
c Re
t , tq

=
contrrio caso 0
tempo de intervalo no cliente o para diesel envia tanque o se 1
,
t c tq ,
Env
t , c , tq

=
contrrio caso 0
tempo de intervalo no diesel receber a comea cliente o se 1
,
t c ,
XI
t , c

=
contrrio caso 0
tempo de intervalo no diesel receber de termina cliente o se 1
,
t c ,
XF
t , c

=
contrrio caso 0
tempo de intervalo no receber a comea tanque o e receber de termina tanque o se 1
,
t tq' tq ,
TR
t , ' tq , tq

Variveis Contnuas:
t , tq
QR
-
volume de diesel recebido pelo tanque tq no intervalo de tempo t;
t , c , tq
QE
- volume de diesel enviado pelo tanque tq ao cliente c no intervalo de tempo t;
t , tq
Vol
-
volume de diesel estocado no tanque tq no tempo t;
c
TI -
marca o momento de incio do recebimento do cliente c;
c
TF -
marca o momento de trmino do recebimento do cliente c;
Funo Objetivo:
Para este modelo assume-se que a operao tima do problema de transferncia e
estocagem aquela que minimiza os custos operacionais do processo, definidos pelos custos
de bombeamento de envio adicionado ao custo de armazenamento de produto nos tanques e,
finalmente, adicionado ao custo de transio por troca de tanques na operao de recebimento
do processo.


+ + =
CTQ tq CTQ tq ' tq CT t
t , ' tq , tq tq
CTQ tq CT t
t , tq tq
CTQ tq CC c CT t
t . c . tq c
TR . CTR Vol . CA QE . CB Custos (1)
Restries: As seguintes restries so utilizadas no modelo:
1) Restries de operao:
Um tanque no pode receber e enviar diesel ao mesmo tempo.
T ,..., 1 t ; TQ ,..., 1 tq 1 Env c Re
CC c
t , c , tq t , tq
= = +

(2)
Haver sempre um tanque recebendo diesel em cada intervalo de tempo.
T ,..., 1 t 1 c Re
CTQ tq
t , tq
= =

(3)
Somente um tanque poder enviar diesel para um cliente em cada intervalo de tempo.
T ,..., 1 t ; C ,..., 1 c 1 Env
CTQ tq
t , c , tq
= =

(4)
Quando um cliente iniciar seu recebimento de diesel, dever faz-lo sem interrupo.




SEGeT Simpsio de Excelncia em Gesto e Tecnologia

=
CT t
t , c
C ,..., 1 c 1 XI e ( ) C ,..., 1 c 0 XF XI
CT t
t , c t , c
= =

(5) e (6)
O momento de incio e trmino de bombeio so armazenados nas variveis auxiliares
TI
c
e TF
c
.
( ) C ,..., 1 c TI XI . t
CT t
c t , c
= =

e ( ) C ,..., 1 c TF XF . t
CT t
c t , c
= =

(7) e (8)

2) Restries de Fluxo:
O fluxo de recebimento deve estar entre o fluxo mnimo e mximo estipulados se a
varivel Rec
tq,t
for igual a 1. Se o valor da varivel Rec
tq,t
for 0, o fluxo QR
tq,t
tambm
ser igual a 0.
T ,..., 1 t ; TQ ,..., 1 tq c Re . max QR QR c Re . min QR
t , tq t , tq t , tq
= = (9)
O fluxo de envio deve estar entre o fluxo mnimo e mximo estipulados se a varivel
Env
tq,c,t
for igual a 1. Se o valor da varivel Env
tq,c,t
for 0, o fluxo QE
tq,c,t
tambm ser
igual a 0.
T ,..., 1 t ; C ,..., 1 c ; TQ ,..., 1 tq Env . max QE QE Env . min QE
t , c , tq c t , c , tq t , c , tq c
= = = (10)
3) Balano de Massa:
O volume de um tanque num certo intervalo de tempo deve ser igual ao volume
inicial, mais o volume recebido do processo menos o volume enviado a clientes at este
intervalo de tempo.

= =
|
|
|

\
|
+ =
t ' t
CT ' t
t ' t
CC c
' t , c , tq ' t , tq tq t , tq
T ,..., 1 t ; TQ ,..., 1 tq QE QR Volini Vol
(11)
O volume dos tanques deve estar sempre entre o volume mnimo e o mximo
determinados.
T ,..., 1 t ; TQ ,..., 1 tq max Vol Vol min Vol
tq t , tq tq
= = (12)
4) Restrio de Demanda: A demanda dos clientes dever ser cumprida em sua totalidade.


= =
CTQ tq CT t
c t , c , tq
C ,..., 1 c DEM QE (13)
5) Restries de Transio:
A transio ocorre quando num intervalo de tempo um certo tanque est recebendo do
processo e no intervalo seguinte um outro tanque que recebe.
' tq tq , TQ ,..., 1 ' tq , tq ; T ,..., 2 t c Re TR
1 t , tq t , ' tq , tq
= =

(14)
' tq tq , TQ ,..., 1 ' tq , tq ; T ,..., 2 t c Re TR
t , ' tq t , ' tq , tq
= = (15)
' tq tq , TQ ,..., 1 ' tq , tq ; T ,..., 2 t 1 c Re c Re TR
t , ' tq 1 t , tq t , ' tq , tq
= = +

(16)
As restries a seguir fazem com que a varivel XI
c,t
assuma valor 1 se no intervalo
(t-1) o cliente no est recebendo e passa a receber no intervalo t e assume valor 0 para
qualquer outra situao.

= =
CTQ tq
t , c , tq t , c
C ,..., 1 c ; T ,..., 2 t Env XI
(17)

= =
CTQ tq
1 t , c , tq t , c
C ,..., 1 c ; T ,..., 2 t Env 1 XI (18)

= =
CTQ tq
1 t , c , tq
CTQ tq
t , c , tq t , c
C ,..., 1 c ; T ,..., 2 t Env Env XI (19)




SEGeT Simpsio de Excelncia em Gesto e Tecnologia
As restries a seguir fazem com que a varivel XF
c,t
assuma valor 1 se no intervalo
(t - 1) o cliente est recebendo e passa a no receber no intervalo t e assume valor 0 para
qualquer outra situao.

= =
CTQ tq
1 t , c , tq t , c
C ,..., 1 c ; T ,..., 2 t Env XF
(20)

= =
CTQ tq
t , c , tq t , c
C ,..., 1 c ; T ,..., 2 t Env 1 XF (21)

= =
CTQ tq
t , c , tq
CTQ tq
1 t , c , tq t , c
C ,..., 1 c ; T ,..., 2 t Env Env XF (22)
As restries (17) a (22) no contemplam o primeiro intervalo de tempo. Se no incio
do perodo algum tanque estiver bombeando, este ser considerado o incio do bombeio.
Nenhum bombeio poder encerrar no primeiro intervalo.
C ,..., 1 c Env XI
CTQ tq
1 , c , tq 1 , c
= =

e C ,..., 1 c 0 XF
1 , c
= = (23) e (24)
5. PROTOG PLIM: MODELAGEM E METODOLOGIA
O modelo utilizado para o problema gerado a partir do modelo de PLIM com
discretizao uniforme do tempo (Seo 4). Para a resoluo, este modelo em PLIM
modificado para ser resolvido por PL. Esta modificao inclui a retirada de algumas restries
e variveis binrias, e relaxao linear das variveis binrias e inteiras restantes. Algumas das
variveis retiradas do modelo so tratadas por com Algoritmo ProtoG e outras atravs da
aplicao de um procedimento. Os valores encontrados so inseridos como dados no modelo
em PL, que ento resolvido pelo aplicativo LINGO 8.0. O valor da funo objetivo
resultante utilizado como valor da funo de aptido para o algoritmo ProtoG. Depois de
terminado o processo do algoritmo ProtoG, o resultado encontrado inserido como dados no
modelo em PLIM. Este modelo ento resolvido pelo LINGO 8.0 usando a tcnica de Branch
and Bound.
As etapas para o desenvolvimento do processo mostrado na Figura 1, foram separadas
em oito mdulos, descritos a seguir:
Mdulo 1: Construtor de indivduos
Este mdulo gera aleatoriamente vetores compostos pelos dgitos binrios 0 e 1
para formar os indivduos da populao. Estes dgitos representam os valores das variveis
Rec
tq,t
, tq = 1,...,TQ, t = 1,...,T. Um procedimento foi desenvolvido para gerar estes
cromossomos de forma a satisfazer a restrio (3) que impe que haver sempre um, e
somente um tanque recebendo da produo em cada intervalo de tempo. Logo, para a
construo de um indivduo deve-se ter em cada intervalo de tempo { } T t 1,..., , um e
somente um dos tanques { } TQ tq 1,..., com valor da varivel binria igual a 1. A Figura 2
ilustra o exemplo de um cromossomo gerado pelo Mdulo 1 com T = 5 e TQ = 4.




Figura 1: Exemplo de cromossomo
Mdulo 2: Procedimento para encontrar as variveis binrias TR
tq,tq,t

Como estas variveis dependem exclusivamente das variveis Rec
tq,t
, um
procedimento foi implementado para encontr-las, satisfazendo as restries (14), (15) e (16).
tq=1 tq=2 tq=3 tq=4 tq=1 tq=2 tq=3 tq=4 tq=1 tq=2 tq=3 tq=4 tq=1 tq=2 tq=3 tq=4 tq=1 tq=2 tq=3 tq=4
0 0 0 1 1 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0
t = 1 t = 2 t = 3 t = 4 t = 5





SEGeT Simpsio de Excelncia em Gesto e Tecnologia
O procedimento verifica, para todas as combinaes duas a duas dos tanques, se as variveis
Rec
tq,t
no intervalo de tempo t e (t 1) so iguais a 1. Em caso afirmativo, a varivel
TR
tq,tq,t
assumir valor 1 no intervalo t. Para qualquer outro caso, a varivel assume valor
0. Esta verificao feita para os intervalos de tempo { } T ,..., t 2 .

Mdulo 3: Avaliador dos indivduos
Este mdulo composto pelas etapas: extrao dos dados do cromossomo (variveis
Rec
tq,t
, tq = 1,..., TQ, t = 1,...,T), aplicao do Mdulo 2 para gerar as variveis TR
tq,tq,t
,
insero dos dados obtidos no modelo do LINGO 8.0 em PL, resoluo deste modelo e
obteno do valor da funo objetivo para ser utilizado como valor da funo aptido.
Mdulo 4: Ordenador da populao
Ordena os indivduos, no caso de minimizao, em ordem crescente de acordo com o
valor da funo de aptido. Aps operaes do algoritmo ProtoG, se um novo cromossomo
vier a ser inserido na populao, este mdulo ser acionado para reordenar a populao.
Mdulo 5: Construtor da populao inicial com N indivduos
Para formar este mdulo, foram utilizados os Mdulos 1, 3 e 4 da seguinte forma.
Gera-se um indivduo usando-se o construtor de indivduos (Mdulo 1). Avalia-se este
indivduo utilizando o Mdulo 3. Se este indivduo vivel e diferente de todos os indivduos
j na populao, ento aplica-se o Mdulo 4 para fazer a insero do indivduo, respeitando-se
a ordenao. Este procedimento efetuado at que a populao tenha o nmero de indivduos
desejados.
Mdulo 6: Construtor das partculas genticas mveis
Para formar as partculas genticas mveis ( ) , I = , deve-se definir a cadeia de
informao I e o mtodo de manipulao , com { }
2 1
p , p = . O procedimento p
1
estabelece
quando um cromossomo suscetvel manipulao ou ataque pelas partculas genticas
mveis. Na aplicao deste trabalho, um cromossomo suscetvel manipulao se a
operao promover melhoria no valor de aptido. J o procedimento p
2
, em caso de ataque,
define como a informao I, que transportada pela partcula gentica mvel, transferida
para o cromossomo. Como citado na Regra Tipo 1, a constituio da cadeia de informao I
que ser carregada na partcula gentica mvel pode fazer uso de conhecimento sobre o
problema. Neste caso, sabe-se que o nmero de trocas entre tanques reduzido se cada tanque
que recebe da produo o faz por vrios intervalos de tempo consecutivos. Portanto, a cadeia I
para este problema ser formada por um certo nmero de intervalos consecutivos com o
mesmo tanque recebendo da produo. O nmero de intervalos consecutivos considerado
como parmetro varivel do modelo. A Figura 3 ilustra uma cadeia I com nmero de
intervalos T = 3 e TQ = 4.




Figura 2: Exemplo de cadeia I para o algoritmo ProtoG
A Regra Tipo 2 define como a cadeia de informao transcrita em um cromossomo.
Para esta aplicao, o operador de transcrio primeiramente gera aleatoriamente um ponto de
corte. A seguir retira do cromossomo, a partir do corte, uma cadeia de mesmo comprimento
da cadeia I. A cadeia I ento inserida na mesma posio da cadeia retirada.
tq=1 tq=2 tq=3 tq=4 tq=1 tq=2 tq=3 tq=4 tq=1 tq=2 tq=3
0 0 0 1 0 0 0 1 0 0 0




SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Mdulo 7: Algoritmo ProtoG
Este mdulo constitudo pelo Algoritmo Transgentico ProtoG propriamente dito.
Utiliza o resultado obtido pelo Mdulo 5 para dados de entrada e os Mdulos 3, 4 na
execuo do algoritmo. Fazendo uso da Regra Tipo 3, define-se o tamanho da sub-populao
a ser extrada da populao. O operador de seleo utilizado para a escolha dos indivduos da
sub-populao foi o proposto por Mayerle (1994) atravs da frmula (25).
( )

(
(
(
(

+ + +
+ = =
2
2
m m .rnd. 4 1 1
1 m j / R r Select(R)
j
(25)
onde: R o conjunto dos m cromossomos; r
j
o j-simo cromossomo; rnd ) 1 , 0 [ um
nmero aleatrio uniformemente distribudo;
(
x a funo que retorna o menor inteiro
maior que x.
A partcula gentica mvel ( ) , I = que far o ataque a um determinado indivduo
da populao escolhida aleatoriamente entre todas as construdas pelo Mdulo 6. Um
parmetro representando o nmero mximo de iteraes do algoritmo utilizado como
critrio de parada.
O algoritmo transgentico ProtoG utilizado neste mdulo e seus passos esto descritos
a seguir:
Carregue_Regras_Transgenticas (Tipo1, Tipo2, Tipo3, q, r): Determina como as
partculas genticas mveis sero formadas, informando o conjunto de regras de
administrao que sero utilizadas. Define tambm o nmero de partculas genticas (r) a
serem formadas e quantos sero os indivduos da sub-populao (q);
Construir_Partculas_Genticas_Mveis (r): gera r partculas genticas mveis de acordo
com as regras definidas no Mdulo 6;
Escolha_ : escolhe aleatoriamente uma das r partculas genticas mveis;
Escolha_S: escolhe os indivduos (cromossomos) para formar a sub-populao;
ataque ( ) , S
j
: implementa o procedimento p
1
.
manipular ( ) , S
j
: Caso o ataque seja permitido, a partcula efetua a manipulao p
2
no
cromossomo S
j
;
critrio_parada: o nmero mximo de iteraes itMax foi o critrio de parada utilizado
nesta aplicao.
Algoritmo ProtoG
Gerar populao ( )
N 2 1
S ,..., S , S
Carregue_Regras_Transgenticas (Tipo1, Tipo2, Tipo3, q, r)
Construir_Partculas_Genticas_Mveis (r)
Repita
Escolha_S = seleo_populao ( ) q , S ,..., S , S
N 2 1

Para j = 1 at q, faa
Escolha_ = Partcula_gentica_mvel (r);
Se ataque ( ) , S
j
verdadeiro, ento

j
S = manipular ( ) , S
j

Inserir S
j
na populao
fim_Se
fim_Para_j
at critrio_parada ser satisfeito
Fim





SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Mdulo 8: Obteno do resultado final
O melhor indivduo obtido ao final da execuo do Mdulo 7 utilizado para gerar as
variveis Rec
tq,t
. Atravs do Mdulo 2, obtm-se as variveis TR
tq,tq,t
. Estas variveis so
inseridas no modelo PLIM sem as restries (3), (14), (15) e (16) e o problema resolvido
pelo LINGO 8.0.
6. IMPLEMENTAO E RESULTADOS
Nesta seo so apresentados os resultados dos testes obtidos atravs da
implementao computacional das metodologias descritas. Estes resultados so apresentados
para os modelos com representao de tempo discreto com a implementao das
metodologias: algoritmo Branch and Bound com o uso do aplicativo LINGO 8.0 e ProtoG
PLIM. Os programas computacionais implementados foram desenvolvidos com o aplicativo
Visual Basic 6.0 (VB 6.0) na verso Enterprise Edition. Na implementao da abordagem
AGEEH PLIM foram utilizados dois mdulos em VB, fornecidos pela LINDO Systems Inc.,
para integrao entre VB 6.0 e LINGO 8.0.
Para o modelo com discretizao uniforme de tempo, foram efetuados dois grupos de
testes distintos para a obteno de resultados: resoluo do modelo em PLIM utilizando o
aplicativo LINGO 8.0 e aplicao da metodologia ProtoG PLIM.
Os dados utilizados para estes grupos de testes foram:
Nmero de tanques: TQ = 4;
Nmero de clientes: C = 2;
Nmero de intervalos de tempo: T = 24;
Custo de bombeio para os clientes: CB
1
= 0,15 unidades monetrias/mil m
3
e CB
2
= 0,2
unidades monetrias /mil m
3
de produto enviado;
Custo de armazenamento nos tanques: CA
tq
= 0,01 unidades monetrias/mil m
3
de produto
estocado em qualquer tanque;
Custo de troca: CTR
tq
= 2,00 unidades monetrias para cada troca efetuada entre tanques
na operao de recebimento;
Vazo mnima de recebimento pelos tanques: QRmin = 0,6 mil m
3
/h;
Vazo mxima de recebimento pelos tanques: QRmax = 0,7 mil m
3
/h;
Vazo mnima de envio ao cliente c: QEmin
1
= 0,5 mil m
3
/h e QEmin
2
= 0,9 mil m
3
/h;
Vazo mxima de envio ao cliente c: QEmax
1
= 0,6 mil m
3
/h e QEmax
2
= 1 mil m
3
/h;
Volume mnimo permitido nos tanques: Volmin
tq
= 1 mil m
3
para todos os tanques;
Volume mximo permitido nos tanques: Volmax
tq
= 16 mil m
3
para todos os tanques;
Volume no tanque tq no incio do processo: Volini
1
= 7 mil m
3
, Volini
2
= 1 mil m
3
,
Volini
3
= 1 mil m
3
e Volini
4
= 1 mil m
3
;
Demanda de diesel para cada cliente c: DEM
1
= 5 mil m
3
e DEM
2
= 6 mil m
3
;
6.1 RESULTADOS PARA A MODELAGEM PLIM COM REPRESENTAO DE
TEMPO DISCRETO
Os dados acima aplicados ao modelo PLIM, resultaram em 390 variveis contnuas,
766 inteiras e um total de 2149 restries. O modelo foi executado 25 vezes pelo LINGO 8.0,
at encontrar-se o valor timo igual a 6,285 unidades monetrias. A Tabela 1 mostra a mdia
e o desvio padro para o nmero de iteraes efetuadas pelo LINGO 8.0 e o tempo
despendido no processo.






SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Tabela 2: Resultados para o modelo PLIM
Estatstica N de Iteraes
Tempo
Computacional (s)
Mdia 743124,8 1359,4
Desvio Padro 273218,69 480,52
6.2 RESULTADOS PARA A METODOLOGIA PROTOG PLIM
Para a obteno dos resultados para a metodologia algoritmo ProtoG - PLIM foram
efetuadas 405 rodadas de testes, variando-se os parmetros: tamanho da populao, tamanho
da sub-populao e tamanho da partcula gentica mvel. Os dados referentes ao nmero de
tanques, clientes e intervalos de tempo devem ser fornecidos pelo usurio. Os resultados
gerados pelo programa para a fase de resoluo do Algoritmo ProtoG so: nmero de
iteraes do algoritmo ProtoG, nmero de iteraes do LINGO, tempo computacional e valor
de aptido (fitness). Em cada teste foram salvos todos os indivduos com valor da funo de
aptido menor que 6,9, sendo este valor 10% maior que o valor timo (resoluo em PL) de
6,266523 unidades monetrias.
Os resultados das rodadas de testes foram sintetizados para populaes com tamanho
igual a 20, 30 e 40 indivduos. Os outros parmetros variveis que foram combinados com o
tamanho da populao so:
Tamanho da Sub-populao: 30% do tamanho da populao;
Tamanho da cadeia do vetor transgentico (partcula gentica mvel): 5, 6 e 7;
Na Tabela 3 so apresentadas estatsticas descritivas do nmero de iteraes do
algoritmo ProtoG, do nmero de iteraes do LINGO, do tempo computacional e da funo
objetivo resultantes dos 405 resultados obtidos.
Tabela 3: Estatsticas descritivas dos testes da metodologia algoritmo ProtoG PLIM
Intervalos da
funo f
N de Iteraes
do ProtoG
N de Iteraes do
LINGO
Tempo
Computacional (s)
Valor da
Funo de
Aptido
285 , 6 f = 147 86,5 753340 464587 888 537 6,285 0
47 , 6 f 285 , 6 < 108 62 565021 360228 660 375 6,354 0,053
66 , 6 f 47 , 6 < 85 51 442470 252712 515 288 6,521 0,025
9 , 6 f 66 , 6 <
74 50 399271 253122 463 284 6,77 0,069
Mdia desvio padro
A Tabela 4 mostra as mdias do nmero de iteraes do Algoritmo ProtoG, do nmero
de iteraes do LINGO e do tempo computacional para cada combinao dos parmetros
tamanho da populao, tamanho da sub-populao e tamanho da partcula gentica mvel,
quando o resultado timo igual a 6,285 foi encontrado.









SEGeT Simpsio de Excelncia em Gesto e Tecnologia
Tabela 4: Mdia para o resultado timo da metodologia Algoritmo ProtoG PLIM
Tamanho
Populao
Tamanho Sub-
Populao
Tamanho da
Partcula
Gentica Mvel
N de Iteraes
do ProtoG
N de Iteraes
do LINGO
Tempo
Computacional
(segundos)
20 6 5 207 706078 804,4
20 6 6 107 382817 467,8
20 6 7 123 445386 539,9
30 9 5 188 973764 1131,5
30 9 6 147 781346 929,7
30 9 7 111 616410 745,9
40 12 5 205 1414862 1614,7
40 12 6 119 837106 1006,5
40 12 7 73 535616 655,3
7. ANLISE DOS RESULTADOS E CONCLUSES
O processo de transferncia e estocagem de leo diesel da refinaria de petrleo
estudado foi analisado de forma a obter-se um modelo com representao discreta no tempo,
com caractersticas lineares. Por ser um modelo em PLIM com discretizao do tempo, um
problema que surge na resoluo atravs do aplicativo LINGO 8.0 que a reduo do
tamanho do intervalo de tempo implica em um nmero de intervalos (T) maior e
conseqentemente um nmero maior de variveis binrias, fazendo com que o tempo
computacional aumente. Este acrscimo no tempo se deve ao fato do problema ser do tipo
combinatorial. Neste caso, aumentando-se o nmero de variveis inteiras, aumenta-se o
nmero de combinaes possveis para o vetor soluo, o que pode tornar o problema
invivel, em termos de tempo computacional, na resoluo com o algoritmo Branch and
Bound.
A Tabela 5 exibe as mdias das iteraes do LINGO 8.0 e do tempo computacional
das metodologias PLIM e ProtoG-PLIM de acordo com os intervalos da funo de aptido (f).
Com base nestes dados foram efetuadas comparaes entre as duas metodologias em relao
ao desempenho.
Tabela 5: Resumo das mdias para as metodologias PLIM e ProtoG PLIM
Intervalos da
funo f
Metodologia
Iteraes do
LINGO
Tempo
Computacional
(segundos)
PLIM 743125 1359,4 285 , 6 f =

(resultado timo) ProtoG PLIM 753340 888
47 , 6 f 285 , 6 <

ProtoG PLIM 565021 660
66 , 6 f 47 , 6 <

ProtoG PLIM 442470 515
9 , 6 f 66 , 6 <

ProtoG PLIM 399271 463
A partir dos dados resumidos na Tabela 5 pode-se comparar os resultados das
metodologias PLIM e ProtoG - PLIM, da seguinte forma: se o resultado timo para o valor da
funo de aptido (f) for alcanado na metodologia ProtoG PLIM, tem-se um nmero de
iteraes apenas 1,4% maior com tempo computacional 34,7% menor. Se 47 , 6 f 285 , 6 < , a
metodologia ProtoG PLIM resulta num nmero de iteraes 24% menor com tempo
computacional 51,4% menor. Se 66 , 6 f 47 , 6 < , a metodologia ProtoG PLIM resulta num




SEGeT Simpsio de Excelncia em Gesto e Tecnologia
nmero de iteraes 40,4% menor com tempo computacional 62,1% menor. Ainda, se
9 , 6 f 66 , 6 < , a metodologia ProtoG PLIM resulta num nmero de iteraes 46,3% menor
com tempo computacional 65,9% menor
De modo geral observa-se que o desempenho da metodologia ProtoG PLIM com
relao ao tempo computacional foi melhor. Conclui-se, portanto, que deve ser analisada a
vantagem em reduzir-se o nmero de iteraes do LINGO e tempo computacional em
detrimento do aumento no valor da funo de aptido.
Para os testes realizados neste trabalho, analisando-se os resultados da Tabela 4
observa-se que o melhor desempenho em termos de nmero de iteraes do LINGO e tempo
computacional ao atingir o resultado timo, foi observado para tamanho de populao igual a
20, tamanho da sup-populao igual a 6 e tamanho da partcula gentica mvel igual a 6.
Finalmente, conclui-se que a metodologia ProtoG-PLIM pode contribuir
significativamente para o problema de transferncia e estocagem de produtos em refinarias de
petrleo. Os resultados obtidos mostraram que a metodologia adequada, levando-se em
conta a reduo do tempo computacional, sem grande perda na qualidade da soluo.
8. REFERNCIAS
BARBOZA, A. O. Simulao e Tcnicas da Computao Evolucionria Aplicadas a
Problemas de Programao Linear Inteira Mista. Tese de Doutorado. Programa de Ps-
Graduao em Engenharia Eltrica e Informtica Industrial da Universidade Tecnolgica
Federal do Paran, 2005.
DANTZIG, G. B. Linear Programming and Extensions. Princeton University Press,
Princenton, New Jersey, United States of America, 1963.
GOLDBARG, M. C., GOLDBARG, E. F. G., MEDEIROS NETO, F. D. An Evolutionary
Approach for the Piston Pump Mobile Unit Problem. Proceedings of MCO04 Fifth
International Conference on Computer Sciences. V. 1, p. 281-290, 2004.
GOLDBARG, M. C., GOLDBARG, E. F. G., MEDEIROS NETO, F. D. Algoritmos
evolucionrios na determinao da configurao de custo mnimo de sistemas de co-gerao
de energia com base no gs natural. Pesquisa Operacional. v. 25, n. 2. p. 231-253, 2005.
GOUVA, E. F., GOLDBARG, M. C. An Intracellular Transgenetic Algorithm applied to the
Quadratic Assignment Problem. In: IV Congresso Chileno de Investigacon Operativa anais
do IV Congresso Chileno de Investigacon Operativa, v. 1 p. 39-45, 2001.
MAYERLE, S. F. Um Algoritmo Gentico para Soluo do Problema do Caixeiro Viajante.
Artigo de circulao interna do departamento de Engenharia de Produo e sistemas da
UFSC, 1994.
MORO, L. F. L. Tcnicas de Otimizao Mista-Inteira para o Planejamento e Programao de
Produo em Refinarias de Petrleo. Tese de Doutorado. Escola Politcnica da Universidade
de So Paulo, SP, Brasil, 2000.
MOROWITZ, H. Beginning of Cellular Life. New Haven, Conn, Yale University Press, 1992.
TAHA, H. A. Integer Programming. Theory, Applications, and Computations. Academic
Press, Inc. Orlando, Florida, United States of America, 1975.
ZIONTS, S. Linear and Integer Programming. Prentice-Hall, Inc, Englewood Cliffs, New
Jersey, United States of America, 1974.