Grasp PDF

UNIVERSIDADE FEDERAL DO PARAN
LILIAN CAROLINE XAVIER CANDIDO

UMA PROPOSTA PARA A GERAO DE PADRES DE CORTE
BIDIMENSIONAIS UTILIZANDO ALGORITMOS GENTICOS

CURITIBA
2011


Dissertao apresentada ao Programa de Ps-
Graduao em Mtodos Numricos em
Engenharia, rea de Concentrao: Programao
Matemtica, Setores Tecnologia e Cincias
Exatas, Universidade Federal do Paran, como
requisito parcial para a obteno do ttulo de
Mestre em Cincias.

Orientadora: Prof
a
Dra. Luzia Vidal de Souza

CURITIBA
2011
TERMO DE APROVAO



Dissertao aprovada como requisito obteno do grau de Mestre no Programa de
Ps-Graduao em Mtodos Numricos em Engenharia da Universidade Federal do
Paran, pela seguinte banca examinadora:

________________________________________
Orientadora: Prof
a
Luzia Vidal de Souza, D. Eng.
Departamento de Expresso Grfica, UFPR

_______________________________________
Prof
a
Deise Maria Bertoldi Costa, D. Eng.
Departamento de Expresso Grfica, UFPR

________________________________________
Prof
a
Angela Olandoski Barbosa, D. Eng.
Departamento Acadmico de Matemtica, UTFPR

Curitiba, 15 de maro de 2011.

Aos meus pais, Ruberval e Ins,
dedico este trabalho com todo o meu amor.

AGRADECIMENTOS

Agradeo primeiramente a Deus, por ter me dado a vida, e por conduzir e
iluminar o meu caminho com sua graa divina.
Agradeo aos meus pais, Ruberval Candido e Ins de Souza Xavier
Candido, que sempre estiveram ao meu lado, confiando em mim e me incentivando,
para que eu atingisse meus objetivos, que tambm so os seus; e ao meu irmo
Raul Xavier Candido, pela amizade e carinho inigualveis. Todo o amor que vocs
tm por mim nunca ser esquecido.
Agradeo minha orientadora, professora Dra. Luzia Vidal de Souza, pela
confiana em mim depositada, por suas contribuies e pela orientao durante o
desenvolvimento deste trabalho.
Aos amigos que fiz no PPGMNE durante o mestrado, com ao quais
compartilhei dois anos de estudos, Fbio, Andr, Iara, Rudinei, Talita, Josias e
Luciana; e ao Thiago, em especial, pelo cuidado, ateno e companheirismo que
sempre teve comigo, sou grata pelos momentos de agradvel convivncia que
tivemos.
No poderia deixar de agradecer querida Maristela, secretria do
PPGMNE, que conquista a todos com sua alegria e bom-humor, transformando o
local de estudo num ambiente agradvel e acolhedor.
Agradeo aos meus ex-colegas de trabalho da Escola Estadual Vila Rica do
Esprito Santo, especialmente ao Celso e Rita, pelo incentivo, compreenso e
colaborao nos primeiros meses do mestrado, quando precisava me ausentar.
Ao CNPq, pelo auxlio financeiro.

RESUMO

O problema da gerao de padres de corte bidimensionais um importante
problema de otimizao combinatria, e tem forte representatividade em diversos
setores da indstria, como por exemplo os setores moveleiro, txtil, de produo de
vidro e papel. Tal problema pode ser formulado como um Problema da Mochila
Bidimensional, cujo objetivo consiste em encontrar o melhor arranjo de itens a ser
cortado a partir de um objeto, a fim de que sejam minimizadas as sobras e
conseqentemente o custo com material. Considera-se neste estudo que o corte
seja regular, portanto trata-se de itens e objetos retangulares. Este trabalho
apresenta uma estratgia de resoluo para a gerao de padres de corte
bidimensionais com corte do tipo guilhotinado, no qual o mesmo se estende de um
lado ao outro do objeto. Foram considerados dois diferentes tipos de padres de
corte: padres no-estagiados e padres em dois estgios, e trabalhou-se ainda
com a possibilidade de rotao dos itens, caracterizando ao todo quatro abordagens
para a resoluo do problema. A metodologia proposta subdivide-se em duas
etapas: primeiramente utilizam-se Algoritmos Genticos para a seleo e
agrupamento dos itens em subconjuntos, e ento aplica-se uma tcnica de encaixe
para criar o arranjo geomtrico dos mesmos, sendo que o corte no-estagiado
possui uma tcnica de encaixe baseada no algoritmo construtivo de Wang (1982),
enquanto no corte em dois estgios utiliza-se uma heurstica de encaixe seqencial
dos itens. O mtodo proposto foi testado sobre instncias da literatura, para quatro
abordagens distintas, que so: corte no-estagiado sem rotao de itens, corte no-
estagiado com rotao de itens, corte em dois estgios sem rotao de itens, e corte
em dois estgios com rotao de itens; e os resultados obtidos foram comparados
com as solues timas conhecidas. Tais resultados foram satisfatrios, pois o
mtodo gerou padres de corte com um aproveitamento mdio do objeto entre 90 e
95%, num tempo computacional reduzido e praticamente instantneo para algumas
instncias testadas.

Palavras-chave: Gerao de padres de corte bidimensionais. Algoritmos Genticos.

ABSTRACT

The problem of generating two-dimensional cutting patterns is an important
combinatorial optimization problem. It is present in industrial activities of various
fields of activity, like the furniture and textile sector, and of glass and paper
production. This problem can be formulated as a Two-Dimensional Knapsack
Problem, whose goal is to find the best arrangement of items to be cut from an
object, so that the leftovers are minimized and, consequently, the material cost too. It
is considered in this study the regular cut, so we deal with rectangular objects and
items. This paper presents a resolution strategy for the generation of two-
dimensional guillotine cutting patterns, in which the cut is done from one side to the
other side of the object. We considered two different types of guillotine cutting
patterns: non-staged patterns, and patterns in two stages, and worked also with the
possibility of rotation of items, featuring in all four approaches to solving the problem.
The proposed methodology is divided in two stages: initially, it is employed a genetic
algorithm for the selection and grouping of items into subsets, and then it is applied a
fitting technique to create the geometric arrangement of these items. The non-staged
cutting patterns have a fitting algorithm based on the constructive algorithm of Wang
(1982), while the cut in two stages uses a sequential fitting heuristic. The proposed
methodology was tested on instances of literature, for the four different approaches
considered: non-staged patterns without rotation of items, non-staged patterns with
rotation of items, two-staged patterns without rotations of items, and two-satged
patterns with rotation of items; and the results were compared with known optimal
solutions. The results were considered as satisfactory, since the method generated
cutting patterns with an average use of the object between 90 and 95% at a greatly
reduced processing time, and practically zero for some instances tested.

Key-words: Generation of two-dimensional cutting patterns. Genetic Algorithms.

LISTA DE ILUSTRAES

FIGURA 1 EXEMPLO DE PROBLEMA UNIDIMENSIONAL ........................... 16
FIGURA 2 EXEMPLO DE PROBLEMA BIDIMENSIONAL .............................. 17
FIGURA 3 EXEMPLO DE PROBLEMA TRIDIMENSIONAL ............................ 17
FIGURA 4 TIPOS DE PROBLEMAS BSICOS ............................................... 19
QUADRO 1 TIPOS DE PROBLEMAS INTERMEDIRIOS: MAXIMIZAO
DA PRODUO .......................................................................... 20
QUADRO 2 TIPOS DE PROBLEMAS INTERMEDIRIOS: MINIMIZAO
DO CONSUMO .......................................................................... 21
FIGURA 5 CORTE GUILHOTINADO ............................................................... 23
FIGURA 6 CORTE ESTAGIADO ..................................................................... 24
FIGURA 7 ALGORITMO PCGV
2
PD ................................................................. 29
FIGURA 8 TCNICAS DE ENCAIXE PARA O CORTE EM DOIS ESTGIOS 32
FIGURA 9 FLUXOGRAMA DO FUNCIONAMENTO DE UM ALGORITMO
GENTICO .................................................................................... 41
FIGURA 10 CRUZAMENTO DE UM PONTO .................................................. 44
FIGURA 11 CRUZAMENTO DE DOIS PONTOS ............................................ 44
QUADRO 3 PARMETROS UTILIZADOS ...................................................... 47
FIGURA 12 ALGORITMO GENTICO PARA GERAO DE PADRES DE
CORTE ........................................................................................ 50
FIGURA 13 CONSTRUES .......................................................................... 52
FIGURA 14 ALGORITMO DE WANG .............................................................. 53
FIGURA 15 ALGORITMO DE ENCAIXE PARA O CORTE NO-
ESTAGIADO SEM ROTAO .................................................... 55
FIGURA 16 ALGORITMO DE ENCAIXE PARA O CORTE NO-
ESTAGIADO COM ROTAO .................................................... 55
FIGURA 17 ALGORITMO FIRST FIT DECREASING HEIGHT . 56
FIGURA 18 SOLUO FINAL PARA A INSTNCIA gcut1 (A1) ..................... 60
FIGURA 19 SOLUO FINAL PARA A INSTNCIA gcut5 (A1, A2 e A3) ...... 61
FIGURA 20 SOLUO FINAL PARA A INSTNCIA gcut9 (A1, A2 e A3) ...... 61
GRFICO 1 APROVEITAMENTO DO OBJETO NAS ABORDAGENS A1 E
A2 ................................................................................................. 64
GRFICO 2 APROVEITAMENTO DO OBJETO NAS ABORDAGENS A3 E
A4 ................................................................................................. 67
GRFICO 3 EFICINCIA DAS DIFERENTES ABORDAGENS ...................... 68

LISTA DE TABELAS

TABELA 1 DESCRIO DAS INSTNCIAS ................................................... 58
TABELA 2 RESULTADOS OBTIDOS PARA A ABORDAGEM A1 .................. 60
TABELA 6 RESULTADOS DA ANOVA ............................................................ 67
TABELA 7 RELAO ENTRE A SOLUO ENCONTRADA E A SOLUO
TIMA PARA CADA ABORDAGEM ................................................... 68

SUMRIO

1 INTRODUO ............................................................................................... 12
1.1 OBJETIVOS DO TRABALHO ...................................................................... 13
1.2 JUSTIFICATIVA DO TRABALHO ................................................................ 14
1.3 ESTRUTURA DO TRABALHO ..................................................................... 14
2 REVISO DE LITERATURA .......................................................................... 15
2.1 OS PROBLEMAS DE CORTE E EMPACOTAMENTO ................................ 15
2.1.1 Classificao dos Problemas de Corte ..................................................... 15
2.1.1.1 Problemas bsicos ................................................................................. 18
2.1.1.2 Problemas intermedirios ....................................................................... 20
2.1.1.3 Problemas refinados .............................................................................. 21
2.1.2 Padres de Corte ...................................................................................... 22
2.1.2.1 Tipo de Corte .......................................................................................... 22
2.1.2.2 Corte Estagiado ...................................................................................... 23
2.1.2.3 Rotao dos Itens .................................................................................. 24
2.2 PROBLEMAS DE CORTE BIDIMENSIONAIS ............................................. 25
2.2.1 Mtodos Exatos ......................................................................................... 26
2.2.1.1 Programao Dinmica .......................................................................... 26
2.2.1.2 Construes ........................................................................................... 29
2.2.2 Mtodos Heursticos .................................................................................. 30
2.2.2.1 Heursticas para o corte em dois estgios ............................................. 31
2.2.3 Mtodos Meta-heursticos ......................................................................... 32
2.2.3.1 Algoritmos Genticos ............................................................................. 33
2.2.3.2 Busca Tabu ............................................................................................ 33
2.2.3.3 Simulated Annealing .............................................................................. 34
2.2.3.4 GRASP ................................................................................................... 34
2.3 ALGORITMOS GENTICOS ....................................................................... 35
3 MATERIAIS E MTODOS .............................................................................. 37
3.1 O PROBLEMA DA GERAO DE PADRES DE CORTE
BIDIMENSIONAIS ........................................................................................

37
3.2 ESTRATGIA DE RESOLUO ................................................................. 38
3.2.1 Etapa 1: Algoritmo Gentico ..................................................................... 39
3.2.1.1 Parmetros Utilizados ............................................................................. 46
3.2.1.2 Execuo do Algoritmo ........................................................................... 47
3.2.2 Etapa 2: Tcnicas de Encaixe ................................................................... 50
3.2.2.1 Corte no-estagiado ............................................................................... 51
3.2.2.2 Cortes em dois estgios ......................................................................... 56
4 ANLISE EXPERIMENTAL E RESULTADOS .............................................. 58
4.1 RESULTADOS PARA O CORTE NO-ESTAGIADO .................................. 59
4.1.1 Abordagem A1: Corte no-estagiado sem rotao dos itens .................... 59
4.1.2 Abordagem A2: Corte no-estagiado com rotao dos itens .................... 62
4.2 RESULTADOS PARA O CORTE EM DOIS ESTGIOS ............................. 64
4.1.1 Abordagem A3: Corte em dois estgios sem rotao dos itens ............... 64
4.1.2 Abordagem A4: Corte em dois estgios com rotao dos itens ............... 66
4.3 ANLISE DA EFICINCIA DO MTODO .................................................... 67
5 CONSIDERAES FINAIS ............................................................................ 70
5.1 SUGESTES PARA TRABALHOS FUTUROS ........................................... 71
REFERNCIAS ................................................................................................... 72
APNDICE .......................................................................................................... 76
ANEXO ................................................................................................................ 84

12

1 INTRODUO

O crescimento dos setores da indstria representa, simultaneamente, uma
causa e uma conseqncia do avano na gesto da produo. A procura por
ferramentas que auxiliem na tomada de deciso dos gestores, em busca da
caracterizao tima de seu sistema produtivo, fez com que se desenvolvessem
mtodos para possibilitar o aumento do lucro e/ou a minimizao das perdas em
uma determinada atividade.
Um dos cenrios relevantes neste sentido engloba as indstrias que
necessitam cortar peas de grandes dimenses, a fim de obter peas com
dimenses menores para a fabricao de produtos intermedirios ou finais. Tal
atividade se exemplifica com o corte de vidro para a produo de portas e janelas,
ou o corte de placas de madeira para produo de mveis. H ainda outros
exemplos de aplicaes industriais que utilizam outros materiais como insumos do
processo produtivo, tais como: ao, papel, alumnio, espuma, entre outros.
Geralmente os problemas de corte tm como objetivo minimizar a
quantidade de material utilizado, o que enseja diretamente na minimizao das
sobras no aproveitveis no processo de corte, reduzindo os custos do processo
produtivo.
Acerca dos aspectos tericos, problemas de corte e empacotamento
constituem uma das classes mais estudadas em otimizao combinatria, tendo
como marco introdutrio a abordagem proposta por Gilmore e Gomory, em 1961.
Esta abordagem consistia basicamente em determinar a melhor maneira de cortar
peas maiores, de tamanho e quantidade conhecidos, para a obteno de peas
menores, atendendo a uma demanda com tamanho e quantidade especificados,
respeitando-se determinadas restries e minimizando as perdas ou maximizando a
utilizao do objeto (TEMPONI, 2007).
Em virtude de se tratar de problemas de natureza np-hard, o tempo
computacional exigido pelos mtodos de soluo exatos muito elevado. Neste
contexto, mtodos heursticos e meta-heursticos so requeridos a fim de equilibrar a
qualidade das solues com o tempo de processamento.
Neste sentido, o presente trabalho prope uma nova metodologia para a
resoluo do problema de corte bidimensional. O mtodo emprega a meta-heurstica
13

Algoritmos Genticos para a gerao de padres de corte, alm de propor duas
tcnicas distintas de encaixe das peas cortadas. A abordagem proposta foi avaliada
sobre instncias clssicas da literatura, produzindo bons resultados em termos de
eficcia e eficincia.

1.1 OBJETIVOS DO TRABALHO

Este trabalho tem como objetivo geral o estudo da eficincia da gerao de
padres de corte bidimensionais guilhotinados utilizando Algoritmos Genticos,
associados a tcnicas de encaixe.
So objetivos especficos deste estudo:
1. Encontrar uma formulao eficiente dos Algoritmos Genticos para o
problema da gerao de padres de corte bidimensionais;
2. Analisar duas tcnicas distintas de encaixe das peas cortadas associadas
gerao de padres de corte utilizando algoritmos genticos. A primeira delas
baseia-se no agrupamento iterativo dos itens cortados e destina-se aos
problemas que apresentam corte no-estagiado, isto , que no possuem
restries quanto quantidade de mudanas na orientao do corte. J a
segunda tcnica, para problemas com corte em dois estgios, consiste num
algoritmo de encaixe seqencial dos itens a ser cortados;
3. Implementar computacionalmente a gerao de padres de corte por
algoritmos genticos, associados s tcnicas de encaixe supracitadas, na
resoluo completa de problemas de corte bidimensional guilhotinado;
4. Analisar a eficincia e eficcia do mtodo proposto atravs de extensivos
testes sobre instancias clssicas da literatura.

14

1.2 JUSTIFICATIVA DO TRABALHO

A otimizao no processo de corte de materiais tem sido estudada desde a
dcada de 60, quando os problemas de corte e empacotamento foram introduzidos
na literatura por Gilmore e Gomory (1961).
Do ponto de vista econmico, estes problemas possuem alta relevncia, pois
podem ser encontrados em diversos ramos da atividade industrial.
Alm disso, os Problemas de Corte e Empacotamento so problemas np-
difceis, isto , no possuem soluo em tempo polinomial conhecida, o que
incentiva a busca de mtodos heursticos que possam oferecer boas solues para
o problema, com menor custo computacional.

1.3 ESTRUTURA DO TRABALHO

O seqenciamento das idias expostas neste trabalho obedece seguinte
estrutura:
Na seo 2 definido de forma detalhada o problema a ser estudado e
apresentada uma reviso literria dos estudos j realizados acerca do mesmo,
contemplando as abordagens e tcnicas de soluo j utilizados e consagrados na
literatura. Faz-se ainda uma breve explanao sobre os Algoritmos Genticos e seu
mecanismo de busca, que fundamentam a metodologia proposta.
A seo 3 contm a descrio detalhada da metodologia proposta para a
soluo do problema, incluindo a forma de gerao dos padres de corte por um
algoritmo gentico e as tcnicas de encaixe aplicadas aos itens.
A seo 4 apresenta os resultados obtidos com a aplicao da metodologia
proposta a instncias clssicas da literatura, bem como a discusso sobre os
mesmos.
Por fim, a seo 5 tece consideraes concernentes ao estudo desenvolvido
e indica sugestes para trabalhos futuros.

15

2 REVISO DE LITERATURA

2.1 OS PROBLEMAS DE CORTE E EMPACOTAMENTO

Os Problemas de Corte e Empacotamento consistem em determinar a
melhor forma de se cortar um conjunto de placas, definidos como objetos, de
tamanho e quantidade conhecidos, para a obteno de peas menores, ou
simplesmente itens, com tamanho e quantidade tambm conhecidos, respeitando-se
determinadas restries e minimizando as perdas ou maximizando a utilizao da
material.
Para os fins de caracterizao do problema a ser estudado neste trabalho,
foram utilizados os seguintes conceitos:
Objeto: Os objetos correspondem s placas a serem cortadas em partes
menores.
Item: Os itens correspondem s partes demandadas, cortados a partir dos
objetos, e sero o produto final do processo ou sero processados e
transformados em outros produtos.
Marques e Arenales (2002) comentam que tanto a prtica de cortar objetos
grandes para a obteno de itens menores, quanto o empacotamento de itens
pequenos dentro de espaos bem definidos, so prticas idnticas, considerando
que um item cortado de uma posio pode ser visto como ocupando tal posio. Por
apresentar a mesma estrutura lgica, estes dois tipos de problema podem ser
abordados com as mesmas formulaes e estratgias de soluo (FIGUEIREDO,
2005).

2.1.1 Classificao dos Problemas de Corte

Desde o incio de seu estudo, os problemas de corte so abordados sob
diferentes denominaes, como: problemas de corte e estoque (Cutting Stock
Problem), problemas de empacotamento (Bin Packing Problem, Strip Packing
16

Problem, Vector Packing Problem, Knapsack Packing Problem) e problemas de
carregamento (Vehicle Loading Problem, Pallet Loading Problem, Container Loading
Problem, Car Loading Problem).
Dickhoff (1990) criou uma abordagem sistemtica e consistente para a
determinao da tipologia destes problemas, considerando suas estruturas lgicas e
caractersticas peculiares. Wascher (2007) aprimorou a tipologia proposta por
Dickhoff (1990), propondo uma classificao na qual os problemas de corte so
separados em categorias referentes s seguintes caractersticas:
Dimensionalidade: A dimensionalidade define o nmero mnimo de dimenses
necessrias para a descrio do padro de corte. Considerando-se apenas os
aspectos espaciais, um problema pode ser da forma:
Unidimensional: o corte feito em apenas uma dimenso, como no caso do
corte de barras de ferro ou bobinas de papel, mostrado na FIGURA 1.
(a) (b)

(c)

FIGURA 1 EXEMPLO DE PROBLEMA UNIDIMENSIONAL: (a) Objetos em estoque; (b)
Itens da demanda; (c) Corte dos objetos em estoque para atendimento da
demanda
FONTE: A autora (2011)
Bidimensional: Neste caso, duas dimenses, largura e comprimento, so
relevantes para o problema. Esses problemas so encontrados, por exemplo,
nas indstrias de mveis e vidros (FIGURA 2).

17

(a) (b) (c)

FIGURA 2 EXEMPLO DE PROBLEMA BIDIMENSIONAL: (a) Objetos em estoque; (b) Itens
da demanda; (c) Corte dos objetos em estoque para atendimento da demanda
Tridimensional: Nestes problemas, uma terceira dimenso considerada.
Problemas tridimensionais acontecem, por exemplo, nas empresas de
transporte, que desejam minimizar o nmero de viagens para a entrega de
produtos e, por isso, tm que empacotar as caixas nos caminhes da melhor
maneira possvel. Esta prtica ilustrada a seguir, na FIGURA 3.
(a) (b) (c)

FIGURA 3 EXEMPLO DE PROBLEMA TRIDIMENSIONAL: (a) Objetos disponveis; (b)
Itens a ser carregados; (c) Carregamento dos itens no objeto
Problemas com mais que trs dimenses so obtidos quando so
tratados tambm aspectos no-espaciais, como por exemplo, o tempo para a
execuo de uma tarefa.
Tipo de atribuio: Este atributo pode se apresentar em duas diferentes
situaes:
Maximizao da produo: Neste caso, o conjunto de objetos no
suficiente para acomodar todos os itens, de modo que o problema resolvido
para que o nmero mximo de itens seja alocado.
Minimizao do consumo: Neste caso, os objetos so suficientes para
acomodar todos os itens, e o problema resolvido de modo que os itens
18

sejam alocados no conjunto de objetos que apresente menor quantidade,
rea ou custo, dependendo do objetivo a ser alcanado.
Sortimento dos itens: Os itens a serem cortados podem ser idnticos, isto ,
apresentar mesma forma e tamanho; fracamente heterogneos, podendo ser
divididos em poucos grupos de itens idnticos com demandas relativamente
grandes; ou fortemente heterogneos, sendo que muitos poucos itens possuem
mesma forma e tamanho e, portanto, a demanda de cada tipo de item muito
pequena ou at mesmo nica. Por definio, itens de mesma forma e tamanho,
porm com diferentes orientaes, so considerados itens distintos.
Sortimento dos objetos: O conjunto dos objetos pode ser composto por um
nico objeto, que pode ter extenso fixa ou apresentar dimenses com extenso
varivel; ou composto por vrios objetos, que por sua vez podem ser idnticos,
fracamente heterogneos ou fortemente heterogneos, assim como os itens.
Forma dos itens: No caso de problemas bi ou tridimensionais, os itens a serem
cortados podem ser classificados quanto sua forma: itens regulares
(retngulos, crculos, cubos) ou itens no regulares.
A combinao dos critrios de classificao caracteriza os tipos de problema
que existem. Wascher (2007) ainda dividiu os problemas obtidos com a combinao
de tais critrios em problemas bsicos, envolvendo o tipo de atribuio e o
sortimento dos itens; problemas intermedirios, envolvendo tambm o sortimento
dos objetos; e problemas refinados, envolvendo ainda a forma dos itens.

2.1.1.1 Problemas bsicos

A combinao dos tipos de atribuio e do sortimento dos itens gera os tipos
de problemas bsicos propostos por Wascher (2007) mostrados na FIGURA 4.
19

FIGURA 4 TIPOS DE PROBLEMAS BSICOS
FONTE: WASCHER (2007)
Nos problemas de maximizao da produo, objetiva-se alocar o maior
nmero possvel de itens nos objetos, de acordo com seu sortimento. Deste modo,
em geral, o problema consiste na seleo dos itens que sero produzidos. O
Problema de Empacotamento de Itens Idnticos (IIPP Identical Item Packing
Problem) requer que sejam cortados itens idnticos a partir de um conjunto limitado
de objetos. Por se tratar de itens idnticos, no existe nessa classe a necessidade
de seleo de itens a serem produzidos, e o problema se reduz ao arranjo dos itens
nos objetos. No Problema da Alocao (PP Placement Problem) e no Problema da
Mochila (KP Knapsack Problem), um conjunto de itens fraca e fortemente
heterogneos, respectivamente, deve ser alocado aos objetos disponveis,
maximizando a quantidade de itens de tal conjunto.
O Problema de Dimenso Aberta (ODP Open Dimensional Problem) define
um problema de minimizao da entrada, no qual todos os itens devem ser alocados
em um nico objeto, que apresenta uma ou mais dimenses variveis. Deste modo,
o problema consiste basicamente em determinar a extenso das dimenses
variveis do objeto.
Nos outros dois problemas de minimizao de entrada, o Problema de Corte
e Estoque (CSP Cutting Stock Problem) e Problema do Bin Packing (BPP Bin
Packing Problem), um conjunto de itens fraca e fortemente heterogneos,
Problemas de
Corte e
Empacotamento
tipo de
atribuio

sortimento
dos
itens
maximizao da
produo
todas as dimenses fixas
idntico
Problema de
Empacotamento
de Itens
Idnticos
(IIPP)
fracamente
heterogneo
Problema da
Alocao
(PP)
fortemente
heterogneo
Problema da
Mochila
(KP)
minimizao do
consumo
dimenso(es)
variveis
arbitrrio
Problema de
Dimenso
Aberta
(ODP)
todas as dimenses fixas
fracamente
heterogneo
Problema de
Corte e Estoque
(CSP)
fortemente
heterogneo
Problema do
Bin Packing
(BPP)
20

respectivamente, devem ser completamente alocados no melhor conjunto de
objetos, atendendo ao objetivo do problema.

2.1.1.2 Problemas intermedirios

Acrescentando aos problemas bsicos os critrios de classificao em
relao ao sortimento dos objetos, obtm-se os tipos de problemas intermedirios.
O QUADRO 1 e o QUADRO 2 mostram, respectivamente, os tipos de
problemas intermedirios propostos por Wascher (2007) para os casos de
maximizao da produo e minimizao do consumo.
sortimento
dos
itens
caractersticas
dos
objetos
Idnticos
fracamente
heterogneos
fortemente
heterogneos
todas as
dimenses
fixas
um nico
objeto

Problema de
Empacotamento de
Itens Idnticos

IIPP

Problema da
Alocao em um
nico Objeto

SLOPP

Problema da
Mochila nica

SKP
idnticos

Problema da
Alocao em
Mltiplos Objetos
Idnticos

MILOPP
Problema das
Mltiplas Mochilas
Idnticas

MIKP
heterogneos
Problema da
Alocao em
Mltiplos Objetos
Heterogneos

MHLOPP
Problema das
Mltiplas Mochilas
Heterogneas

MHKP
QUADRO 1 TIPOS DE PROBLEMAS INTERMEDIRIOS: MAXIMIZAO DA PRODUO

21

sortimento
dos
itens
caractersticas
dos
objetos
fracamente heterogneos fortemente heterogneos
todas as
dimenses
fixas
idnticos

Problema de Corte e Estoque
de Objetos de Tamanho nico

SSSCSP

Problema do Bin Packing de
bins de Tamanho nico

SBSBPP
fracamente
heterogneos

de Objetos de Tamanhos
Diferentes
MSSCSP

Problema do Bin Packing de
bins de Tamanhos Diferentes

MBSBPP
fortemente
heterogneos

Residual

RCSP

Problema do Bin Packing
Residual

RBPP
um nico objeto

dimenso(es) varivel(is)

Problema de Dimenso Aberta

ODP

QUADRO 2 TIPOS DE PROBLEMAS INTERMEDIRIOS: MINIMIZAO DO CONSUMO

2.1.1.3 Problemas refinados

Um conjunto de problemas refinados obtido acrescentando-se o critrio de
dimensionalidade e forma dos itens a problemas bi e tri-dimensionais, resultando em
subcategorias dos problemas do tipo intermedirio.
Estes problemas so identificados por adjetivos adicionados aos problemas
intermedirios. Sendo assim, a nomenclatura dos problemas refinados
estabelecida do seguinte modo: dimenso dos objetos, sucedida da forma dos
objetos, e finalizada pelo nome do problema do tipo intermedirio. Por exemplo, um
problema tridimensional do Bin Packing de bins de tamanho nico, com objetos cuja
forma regular, denominado 3-regular-SBSBPP.

22

2.1.2 Padres de Corte

Um padro de corte corresponde ao arranjo geomtrico dos itens a serem
cortados a partir de um objeto, isto , forma como os objetos sero cortados para
produzir itens menores (BARROS, 2004). Para que o padro de corte seja
considerado factvel, os itens devem ser dispostos de modo que no haja
sobreposio e que no sejam excedidas as dimenses do objeto.
A um padro de corte , pode ser associado um vetor
, no qual cada
componente
registra a quantidade de cada item a ser cortada nesse padro .

Os retngulos gerados aps a aplicao do plano de corte em um objeto e
que no possuem representao em seu vetor associado so chamados de sobra, e
descartados no processo produtivo.
Do ponto de vista operacional, algumas caractersticas podem ser
consideradas para garantir a viabilidade de execuo da soluo terica encontrada
para o padro de corte e para a avaliao da qualidade do mesmo, como o tipo de
corte, o nmero de estgios do padro e a possibilidade de rotao dos itens.

2.1.2.1 Tipo de Corte

Uma importante restrio operacional relacionada ao corte guilhotinado.
Diz-se que um padro de corte guilhotinado quando obtido a partir de uma
seqncia de cortes guilhotinados aplicada ao objeto original e aos itens obtidos a
cada corte. Os cortes guilhotinados prolongam-se por toda a extenso do objeto,
dividindo-o em dois novos objetos de tamanho menor que o original, que podem ou
no ser novamente divididos por um corte guilhotinado. A FIGURA 5(a) e 5(b)
mostram padres de corte guilhotinados e no guilhotinados, respectivamente.

23

(a) (b)

FIGURA 5 CORTE GUILHOTINADO: (a) Padro de corte guilhotinado; (b) Padro de corte no-
guilhotinado

2.1.2.2 Corte Estagiado

Quando o padro de corte guilhotinado, ocorrem mudanas ortogonais na
direo do corte. Cada seqncia de cortes realizada na mesma direo
corresponde a um estgio de corte. No primeiro estgio, efetua-se uma seqncia
de cortes paralelos a um dos lados do objeto; no segundo estgio, a seqncia de
cortes realizados perpendicular ao anterior, e assim sucessivamente. A cada
mudana na direo do corte, incrementa-se uma unidade na quantidade de
estgios.
Quando a quantidade de estgios limitada, diz-se que o problema de corte
estagiado, e o nmero de estgios define um padro de corte -estgios. Na
FIGURA 6 apresentado um padro de corte em 4 estgios, sendo que cada
estgio indicado no desenho.

24

1
o

2
o

4
o

2
o

3
o
3
o
3
o
FIGURA 6 CORTE ESTAGIADO
O nmero de estgios de corte inversamente proporcional qualidade do
padro, em relao ao aspecto do tempo de realizao dos cortes. Como a cada
estgio realizada uma mudana ortogonal de direo do corte, quanto mais
estgios o padro de corte apresenta, maior o tempo gasto pelo operador para
rotacionar o objeto a ser cortado.
Por este motivo uma importante categoria de padres de corte guilhotinados
so os padres de corte 2-estgios. Estes aparecem abundantemente nas indstrias
por sua alta eficincia operacional. Entretanto, notrio o baixo aproveitamento dos
objetos quando comparados a padres que no apresentam esta restrio.

2.1.2.3 Rotao dos Itens

Outra questo a ser considerada na gerao de um padro de corte a
possibilidade de rotao dos itens. Alguns materiais possuem caractersticas que
determinam e restringem a orientao do corte, como no caso das fibras da madeira
ou estampas de tecidos. No caso em que os itens no podem ser rotacionados, os
mesmos possuem orientao fixa, caso contrrio, se os objetos a serem cortados
no apresentam veios ou estampas que os oriente, tal orientao no influencia no
resultado final dos cortes, e diz-se ento que os itens possuem rotao permitida.
Nos problemas em que a rotao dos itens permitida, pode-se considerar
cada item rotacionado como um novo item, e assim tratar o problema como um
25

problema de itens de orientao fixa, bastando atentar para o fato de que o item
original e o correspondente rotacionado referem-se mesma demanda.

2.2 PROBLEMAS DE CORTE BIDIMENSIONAIS

Os estudos sobre os problemas de corte e empacotamento foram iniciados
por Gilmore e Gomory (1961), quando trataram o problema de corte unidimensional
como um problema de programao linear inteira no qual as colunas
correspondentes aos padres de corte eram geradas atravs da resoluo de um
problema da mochila. Posteriormente, tal abordagem foi estendida a problemas de
duas e trs dimenses (GILMORE; GOMORY, 1964). Devido grande quantidade
de colunas necessrias, os autores introduziram a restrio do corte do tipo
guilhotinado, que representa uma importante restrio operacional nas indstrias e
tambm resulta numa significativa reduo no nmero de colunas geradas at que
seja atingida a soluo tima. Um novo mtodo de soluo do problema da mochila
tambm foi desenvolvido, fundamentado em tcnicas de programao dinmica,
para acelerar o procedimento de gerao dos padres de corte.
Entretanto, a gerao das colunas utilizando o problema da mochila ainda
apresenta um alto grau de complexidade em sua forma de soluo, especialmente
nos casos bi- e tri-dimensional, e deste modo a maior dificuldade se resume na
gerao dos padres.
A determinao de um padro de corte, que se resume no arranjo dos itens
em um objeto, considerado um problema de otimizao combinatria e no
apresenta tempo de soluo polinomial (LUEKER, 1975). Diz-se que um algoritmo
para um determinado problema polinomial se a quantidade de passos requeridos
para resolver qualquer instncia do problema for limitada por um polinmio do
tamanho da entrada (CINTRA, 2004).
Por se tratar de um problema np-hard, e devido sua complexidade de
soluo, muitas foram as pesquisas feitas no sentido de solucionar o problema da
gerao de padres de corte bidimensionais. Desta forma, tem-se uma vasta
literatura sobre o assunto, contemplando mtodos exatos, heursticos e meta-
heursticos.
26

2.2.1 Mtodos Exatos

Neste item sero apresentados alguns mtodos exatos para a resoluo do
problema da gerao de padres de corte bidimensionais. Primeiramente feita
uma discusso sobre a empregabilidade de programao dinmica e na seqncia
discute-se sobre algoritmos exatos baseados em uma abordagem construtiva e
iterativa.

2.2.1.1 Programao Dinmica

A gerao dos padres de corte para o problema de programao linear
proposto por Gilmore e Gomory (1964), isto a gerao das colunas para a
aplicao do Algoritmo Simplex, foi realizada atravs da resoluo de um problema
da mochila.
Em virtude da quantidade de possveis padres de corte ser muito elevada,
Gilmore e Gomory (1964) introduziram restries quanto ao tipo de padro tratado.
Consideraram apenas padres de corte guilhotinados em dois estgios, o que reduz
significativamente a quantidade de colunas a serem geradas e tambm simplifica o
processo de gerao.
Com estas restries, a gerao dos padres foi realizada em duas etapas:
primeiramente, resolve-se um problema da mochila para agrupar os itens em faixas,
considerando-se apenas seu comprimento; em seguida, resolve-se outro problema
da mochila para agrupar as faixas da primeira etapa, considerando agora a altura
das faixas.
Herz (1972) props uma soluo exata para gerao de padres de corte
guilhotinados atravs de uma tcnica de rvore recursiva, onde os ramos
correspondem aos padres de corte guilhotinados existentes para o problema,
podendo ser aplicado ao corte no-estagiado. Para limitar as ramificaes que sero
percorridas, o autor criou o conceito de pontos de discretizao, que torna a
implementao mais eficiente. Um ponto de discretizao para a largura
definido como um valor obtido atravs de uma combinao linear cannica
27

inteira de
, na qual todos os coeficientes so nmeros inteiros no-

negativos. Da mesma forma, um ponto de discretizao para a altura obtido por
uma combinao linear cannica inteira de
.
Christofides e Whitlock (1977) tambm desenvolveram um mtodo de rvore
de busca que encontra a soluo exata para o problema, no qual utilizaram os
resultados de Gilmore e Gomory (1966) e uma rotina baseada no problema clssico
de transporte para determinar limitantes superiores para os ns durante a busca. No
entanto, este algoritmo falha quando se tem uma demanda com mais que vinte
elementos (FRITSCH, 1995).
Beasley (1985) tratou do problema atravs de programao dinmica
utilizando tambm os pontos de discretizao de Herz. Criou uma frmula recursiva,
alcanando resultados timos para as instncias testadas. Seja o problema em que
se deseja cortar, a partir de um objeto de dimenses (largura e altura), tipos
de itens com dimenses
( ). Pode-se ento denotar por

(1)
o valor de um item mais valioso que cabe no objeto, sendo
o valor de cada tipo

de item; neste caso, a rea ocupada por ele na placa. Definindo ,
- e
,
-, tem-se que o valor timo para este problema pode ser

calculado pela frmula de recorrncia apresentada na equao (2).

(2)
Lodi (2002) apresentou um modelo matemtico para o problema,
considerando o corte em dois estgios. A modelagem apresentada favorece a
soluo em duas fases: primeiramente a construo de faixas e posteriormente a
combinao das mesmas para formar o padro de corte final.
Recentemente, Hifi e Roucariol (2001) abordaram o problema de corte
bidimensional restrito 2-estgios e propuseram dois algoritmos: o primeiro deles
baseado nas tcnicas clssicas de programao dinmica e um outro que combina
tais tcnicas com o mtodo Branch and Bound.
A tcnica de programao dinmica para a gerao de padres de corte foi
ainda utilizada por Cintra (2004). O autor abordou a gerao dos padres como um
problema da mochila bidimensional, considerando o corte estagiado e guilhotinado,
com possibilidade ou no de rotao dos itens, utilizando a frmula recursiva de
28

Beasley para o corte em dois estgios e uma outra frmula recursiva para o corte
em quatro estgios. O mtodo foi testado para as mesmas instncias do trabalho de
Beasley (1985), cujas solues timas so conhecidas, e tambm para instncias
maiores, com soluo tima desconhecida. Os resultados computacionais foram
altamente satisfatrios, visto que o mtodo alcanou a soluo tima nos casos em
que esta era conhecida, e obteve padres de corte com perda significativamente
pequena para as instncias maiores, num tempo computacional consideravelmente
reduzido para as instncias grandes e quase nulo nas menores. O algoritmo
apresentado na FIGURA 7, denominado pelo autor de PCGV
2
PD, encontra o valor
timo que pode ser obtido num objeto de dimenses
, com e
, onde e representam a quantidade de pontos de discretizao para a
largura e altura, respectivamente, e sendo que indica a direo do
primeiro corte guilhotinado a ser realizado (vertical ou horizontal), e a
posio em que deve ser feito o corte, no eixo ou no eixo , dependendo da
orientao do corte. Quando nenhum corte puder ser feito na placa,
, e indica qual item deve ser alocado nela. Ao final do
procedimento, a soluo tima dada por .

29

Entrada: Uma instncia , onde , e
Sada: Uma soluo tima de .
Calcule
, os pontos de discretizao da largura .

Calcule
, os pontos de discretizao da altura .

Para at
Para at
({
} )
({
} )

Para at
Para at
(
)
Para at

Se

)
Para at
(
)
Se

FIGURA 7 ALGORITMO PCGV
2
PD
FONTE: CINTRA (2004)

2.2.1.2 Construes

Wang (1982) props um mtodo combinatrio que gera padres de corte
restritos, atravs de sucessivas combinaes verticais e horizontais de semi-
solues j geradas. As novas semi-solues so aceitas se no excederem as
dimenses do objeto quando sobrepostas ao mesmo, ou uma perda mxima
tolervel estabelecida no incio do processo (), relativa rea do objeto. A autora
define ainda em seus algoritmos um limite para o erro, que mensura o quanto sua
soluo se aproxima da soluo tima. Deste modo, possvel determinar as
condies de otimalidade para aplicao do algoritmo.
30

Melhorias para o algoritmo de Wang foram propostas por Vasko (1988),
Oliveira e Ferreira (1990), e Daza et al. (1995). Os ltimos propuseram a soluo do
problema de corte bidimensional restrito atravs da associao do algoritmo de
Wang a um grafo E/Ou, obtendo resultados melhores com menor esforo
computacional quando da comparao de seu desempenho aos mtodos de Wang
(1982) e Oliveira e Ferreira (1990).
Amaral e Wright (2001) tambm utilizaram a construo de semi-solues
proposta por Wang, porm fizeram uma considerao simples, no entanto relevante,
acerca da eliminao prvia de elementos que no auxiliariam na formao da
soluo tima, no caso da rotao permitida de itens. Para tal, mostraram que
combinaes verticais e horizontais simultneas, aliadas rotao dos itens, so
operaes redundantes. Com isto, conseguiram reduzir consideravelmente a
quantidade de semi-solues a fazer parte da iterao subseqente.

2.2.2 Mtodos Heursticos

Morabito (1995) estudou duas heursticas para o problema do corte
bidimensional guilhotinado, utilizando a representao em um grafo e/ou, no qual o
n inicial representa o objeto, enquanto os arcos representam os cortes
guilhotinados, resultando em dois outros ns, que sero ns finais se nenhum outro
corte puder ser feito neles.
Fritsch e Vornberger (1995) apresentaram um procedimento para anlise do
melhor encaixe entre dois itens, criando o conceito de rvore Fatiada. Para a
soluo do problema, utilizaram uma heurstica fundamentada no algoritmo do
Matching de Peso Mximo.
Christofides e Hadjiconstantinou (1995) estabeleceram um estudo para o
problema de corte guilhotinado de itens retangulares, no qual utilizam um algoritmo
de busca em rvore, com limitantes derivados de uma relaxao do espao de
estados de uma formulao de Programao Dinmica, e tambm aplicaram um
procedimento usando otimizao do subgradiente.

31

2.2.2.1 Heursticas para o corte em dois estgios

Procedimentos de encaixe foram desenvolvidos inicialmente para solucionar
o Problema de Dimenso Aberta (ODP). Entretanto, possvel utiliz-los para a
gerao de um padro de corte bidimensional, apenas considerando a limitao na
altura do objeto ao criar as faixas ou nveis de encaixe. Temponi (2007) sintetiza trs
destes procedimentos, que sero mencionados a seguir. A FIGURA 8 ilustra o
resultado final de cada um deles. A partir do desenho, possvel observar a
diferena de funcionamento e eficcia de cada abordagem.
a) Next Fit: A heurstica Next Fit o procedimento mais bsico de encaixe de
itens. Nela, os itens so colocados em uma lista. O primeiro item
posicionado no canto inferior esquerdo do objeto, e os prximos itens so
inseridos atravs de um processo iterativo, ao lado direito do ltimo objeto
alocado, at que a largura restante do objeto se torne insuficiente para
acomodar o prximo item. Quando isto ocorre, cria-se uma faixa, da altura do
maior item presente nela, e cria-se um novo nvel acima do existente, onde se
passa a alocar os itens remanescentes na lista, da mesma forma como tem
sido feito at agora: justificando-os esquerda. O procedimento repetido
at que nenhum outro nvel possa ser criado.Uma variao deste mtodo
consiste em ordenar a lista de itens de ordem decrescente de altura: o Next
Fit Decreasing Height (NFDH).
b) First Fit: Neste algoritmo, procura-se alocar o item da lista no primeiro nvel
que o acomode. Um novo nvel somente ser criado se nenhum dos
existentes comportar o item a ser posicionado. Assim como a anterior, esta
tcnica tambm possui a variao de assumir que a lista esteja ordenada em
ordem decrescente de altura, caracterizando o First Fit Decreasing Height
(FFDH).
c) Best Fit: Na heurstica Best Fit, o item alocado no nvel existente que
apresente o melhor cenrio de encaixe para sua insero. A qualidade de um
possvel encaixe pode ser avaliada pelo resduo horizontal da faixa ou pela
relao entre a rea no ocupada da faixa e a rea do item, traduzindo qual
faixa apresenta melhor benefcio pela recepo do item em relao s
demais. Como nos outros mtodos, um novo nvel criado quando o item no
32

pode ser alocado em nenhum dos nveis j existentes. Quando o processo se
inicia com a lista ordenada em relao decrescente de altura, temos o Best Fit
Decreasing Height (BFDH).

5 6

3 4 3 3 4
5

1 2 1 2 1 2
4
6 5 6

NFDH FFDH BFDH
FIGURA 8 TCNICAS DE ENCAIXE PARA O CORTE EM DOIS ESTGIOS
FONTE: LODI (2002)

2.2.3 Mtodos Meta-heursticos

Uma meta-heurstica um mtodo aproximativo, ou heurstico, para
solucionar de forma genrica problemas de otimizao. Em geral, as meta-
heursticas apresentam boas solues, em tempo de soluo consideravelmente
reduzido em relao aos mtodos exatos, e por isso tm sido amplamente aplicadas
a problemas de otimizao combinatria np-completos, nos quais incluem-se os
problemas de corte e empacotamento. Diferentes abordagens, utilizando meta-
heursticas distintas, alcanaram bons resultados, utilizando tempo computacional
reduzido em relao aos mtodos exatos.
Hopper e Turton (2001) compilaram os estudos acerca da utilizao de
meta-heursticas para a soluo do problema de corte bidimensional. Destacam-se,
neste sentido, os Algoritmos Genticos, Busca Tabu, Simulated Annealing e
GRASP, tanto para problemas regulares quanto irregulares.
Em geral, as meta-heursticas so combinadas com alguma tcnica de
encaixe para obter padres de corte factveis e assim a soluo para o problema,
caracterizando um mtodo para soluo em dois estgios.
33

2.2.3.1 Algoritmos Genticos

Uma das primeiras aplicaes de meta-heursticas para a gerao de
padres de corte bidimensionais foi realizada por Smith (1985), que implementou
algoritmos genticos para a soluo de problemas de corte com orientao fixa dos
itens, aliando-os a duas diferentes heursticas para encaixe das peas.
Rahmani (1995) abordou o problema de corte bi-dimensional de uma forma
evolucionria, utilizando Algoritmos Genticos combinados com uma codificao em
rvore binria. O autor considera que, neste caso, o fator determinante para o
sucesso da utilizao dos mesmos a forma de codificao do espao de busca, os
parmetros, operadores genticos e funo de avaliao utilizados.

2.2.3.2 Busca Tabu

Lodi et al. (1999) apresentaram um algoritmo de Busca Tabu para o
problema do Bin Packing Bidimensional com restrio de layout guilhotinado e
orientao fixa dos itens. No mtodo desenvolvido, uma soluo inicial gerada por
um mtodo heurstico simples, e ento melhorada pela Busca Tabu. O esquema de
busca e vizinhana empregados permitem a extenso do uso do algoritmo para
problemas de maiores dimenses, pois o que depende do escopo do problema
original a ser resolvido somente a heurstica construtiva, utilizada para gerar uma
soluo inicial factvel e para recombinar os itens a cada movimento executado no
algoritmo.
Alvarez-Valdes et al. (2002) apresentam em seu trabalho uma anlise do
mtodo de gerao de colunas proposto por Gilmore e Gomory (1961). Os autores
propuseram uma metodologia alternativa para o sub-problema da gerao de
padres, baseada na meta-heurstica Busca Tabu, que tambm foi utilizada por Toro
O et al. (2007) para resolver o problema, atravs da codificao em rvore.
A cada iterao, a metodologia de Valdes avalia todos os movimentos
possveis de um determinado item, considerando sua vizinhana como os itens que
compartilhem com ele ao menos um vrtice. Esta avaliao realizada atravs de
34

uma sub-rotina que utiliza a meta-heurstica GRASP que, por sua vez, executa um
algoritmo construtivo para a formao do padro, a fim de escolher o melhor
movimento a ser realizado.

2.2.3.3 Simulated Annealing

Poucos so os trabalhos encontrados na literatura que utilizam a meta-
heurstica Simulated Annealing para problemas de corte e empacotamento.
Dowsland (1993) aplicou esta metodologia a um problema de carregamento de
estrados para movimentao de cargas (paletes), focando-se no caso de itens
idnticos e estendendo a abordagem a itens heterogneos. Utilizou o conceito de
vizinhana, definindo-a como o conjunto de novas solues obtidas pela mudana
de posio de algum dos itens. Os resultados foram capazes de gerar apenas
solues prximas das solues timas, para todos os casos testados.
Faina (1990) tambm estudou a aplicao de Simulated Annealing a este
tipo de problema. Sua codificao representa a ordem de empacotamento dos itens,
que realizado por heursticas de encaixe.

2.2.3.4 GRASP

Barros (2004) props um algoritmo GRASP para o problema em dois
estgios, utilizando a estratgia de resoluo atravs da construo de faixas. A
cada soluo construda por um mtodo guloso, aplica-se um procedimento de
busca local para tentar melhorar a soluo obtida.
Temponi (2007) tambm abordou o problema em dois estgios atravs de
uma meta-heurstica GRASP aliada a um mtodo de busca local. Inicialmente, um
algoritmo parcialmente guloso gera uma soluo inicial, onde o primeiro item de
cada faixa escolhido aleatoriamente entre os itens que apresentam demanda no-
nula, e em seguida so inseridos os itens que minimizem a diferena de
comprimento entre eles e o primeiro item da faixa. Em seguida, realiza-se a busca
35

local atravs do Mtodo da Descida Randmico, gerando uma soluo vizinha que,
se apresentar funo de avaliao melhor que a melhor soluo encontrada, passa
a ser a melhor soluo. Este procedimento se repete at que seja executado um
nmero mximo de iteraes, previamente estabelecido, em que no ocorra
melhoria da soluo.

2.3 ALGORITMOS GENTICOS

Os Algoritmos Genticos podem ser considerados uma meta-heurstica
evolutiva inspirada na Biologia. Baseados nos fundamentos da teoria da seleo
natural de Darwin, defendem a superioridade dos indivduos mais adaptados. Para
isso, simulam iterativamente os processos naturais de sobrevivncia e reproduo
de populaes, tornando-se uma difundida ferramenta de inteligncia computacional.
A teoria da evoluo diz que, na natureza, todos os indivduos de um
ecossistema competem entre sim por recursos limitados, como gua e comida.
Aqueles, dentro de uma espcie, que no obtiverem xito, tendem a no sobreviver
ou ter sua prole menor em virtude de suas limitaes, o que faz com que exista uma
dificuldade na propagao de sua herana gentica ao longo das geraes. Por
outro lado, os indivduos que obtiverem xito, tm maior chance de produzir
descendentes capazes de sobrevier num horizonte em que h limitao de recursos.
A determinao de aptido, isto , o sucesso de um indivduo em se adaptar
s limitaes do meio e a forma como isto ocorre, caracteriza um evento
completamente aleatrio. No existe padro de ocorrncia para a seleo natural e,
inclusive, para as mudanas no ambiente que causam a competio ou a
necessidade de adaptao. Deste modo, a seleo natural se apresenta como um
conceito puramente probabilstico, fazendo com que os Algoritmos Genticos se
comportem da mesma forma.
A inspirao na natureza para buscar solues para problemas com difcil
resoluo computacional se iniciou no incio da dcada de 1940. A partir de ento,
deu-se incio ao que conhecemos hoje por inteligncia computacional. Estratgias
com operaes evolucionrias foram elaboradas e tinham por base a perturbao
36

das solues, atravs de operadores que foram os precursores dos que se utilizam
atualmente (LINDEN, 2008).
A sistematizao e o estudo formal dos Algoritmos Genticos deve-se a
John Holland, que publicou em 1975 o livro Adaptation in Natural and Artificial
Systems no qual faz um estudo sobre os processos evolutivos e apresenta os
Algoritmos Genticos como uma metfora dos mesmos, possibilitando o estudo do
comportamento dos sistemas naturais atravs de simulaes computacionais. No
entanto, os cientistas da poca utilizaram as idias de Holland de forma muito mais
abrangente, tornando os Algoritmos Genticos uma importante ferramenta de
inteligncia computacional.

37

3 MATERIAIS E MTODOS

Nesta seo apresenta-se inicialmente a formulao do problema a ser
resolvido. Posteriormente, descreve-se a estratgia para a resoluo do problema,
detalhando-se minuciosamente cada etapa do mtodo proposto.

3.1 O PROBLEMA DE GERAO DE PADRES DE CORTE BIDIMENSIONAIS

O problema de se encontrar um padro de corte bidimensional pode ser
enquadrado, segundo a tipologia de Washer (2007), em trs diferentes classes de
problemas, dependendo do sortimento dos itens a serem cortados:
a) Problema de Empacotamento de Itens Idnticos Bidimensional (2-IIPP),
quando os itens so idnticos;
b) Problema da Alocao em um nico Objeto Bidimensional (2-SLOPP),
quando os itens so fracamente heterogneos; ou
c) Problema da Mochila nica Bidimensional (2-SKP), quando os itens so
fortemente heterogneos.
O problema a ser tratado neste trabalho formulado como um Problema da
Mochila nica Bidimensional com itens regulares (2-regular-SKP), e consiste em
determinar a melhor maneira de se cortar objetos maiores, de dimenses ,
onde e denotam o comprimento e a largura, respectivamente, de modo a obter
um conjunto
de tipos de itens menores, de dimenses
e
demanda
, com , e otimizar uma funo objetivo de interesse, como, por

exemplo, minimizar a perda de material, isto , a rea no utilizada.
Como o 2-regular-SKP se enquadra, segundo a tipologia de Wascher (2007),
nos problemas cuja atribuio corresponde maximizao da produo, o objeto
no suficiente para satisfazer toda a demanda. Busca-se, portanto utilizar ao
mximo o objeto, porm sempre sobram alguns itens que no so cortados.
Neste caso, a qualidade de um padro de corte inversamente proporcional
rea no utilizada da placa. Quanto menor for a perda, isto , maior for o
aproveitamento do objeto, melhor o padro de corte a ele aplicado, pois as sobras
38

no aproveitadas no processo produtivo caracterizam desperdcio de material e
decorrem em custos e prejuzos.
Existem diversas restries operacionais quando da criao de um padro
de corte. Uma delas se relaciona ao corte guilhotinado, visto que as mquinas que
realizam o corte o fazem de um lado ao outro do objeto. Neste trabalho, os padres
de corte limitam-se a padres que atendam a esta exigncia.
Sendo
a quantidade do item a ser cortada no padro , ento para

encontrar um possvel padro de corte , tem-se o seguinte Problema da Mochila
Bidimensional:
Minimizar

Sujeito a:
e inteiro, para
(3)
Deve-se ainda considerar ser possvel alocar os itens no objeto de forma
que as dimenses deste no sejam excedidas e que o corte seja possvel do ponto
de vista operacional.
A soluo final de um problema de corte e empacotamento deve contemplar,
portanto, a seleo de itens e objetos, o agrupamento dos itens e a subseqente
designao dos grupos de itens para os objetos e, por fim, o arranjo do grupo de
itens nos objetos, respeitando-se as restries geomtricas j mencionadas.

3.2 ESTRATGIA DE RESOLUO

Para encontrar o melhor padro de corte, ou seja, obter o conjunto de itens
que maximize o aproveitamento do objeto, o problema foi resolvido atravs de uma
metodologia em dois estgios. Primeiramente, a fim de encontrar a melhor
combinao de itens a ser alocada no objeto, utilizou-se um algoritmo gentico para
agrupar os itens a formar um padro de corte. No segundo estgio, aplicou-se uma
tcnica de encaixe aos itens agrupados na primeira etapa, a fim de determinar qual
dos subconjuntos de itens constitui efetivamente um padro de corte e o arranjo
geomtrico que o factibiliza.
39

Considerou-se neste estudo a gerao de padres de corte no-estagiados
e em dois estgios. Para cada um destes casos, considerou-se ainda a permisso
de rotao dos itens. Deste modo, ao todo foram avaliados quatro tipos de padro
de corte, sendo que os cortes no-estagiados e em dois estgios receberam
tcnicas de encaixe distintas.
Os dados de entrada para o algoritmo compreendem a altura e o
comprimento do objeto, a quantidade de tipos de itens e as informaes
relacionadas a cada um deles, altura
, comprimento
e demanda
, para
.

3.2.1 Etapa 1: Algoritmo Gentico

Os Algoritmos Genticos pertencem classe dos algoritmos evolucionrios,
cujo princpio bsico o conceito de simulao da evoluo das espcies atravs
de seleo, mutao e reproduo, processos estes que dependem do
desempenho dos indivduos desta espcie dentro do ambiente (LINDEN, 2008, p.
40).
Deste modo, o algoritmo mantm uma populao de indivduos, em que
cada um destes codifica uma soluo para o problema. A qualidade de cada um dos
indivduos mensurada atravs de uma funo de avaliao, tambm denominada
fitness. Com base nesta avaliao, so aplicados aos indivduos os chamados
operadores genticos, os quais sero apresentados com maiores detalhes na
seqncia do texto. Todo este processo feito de modo a simular a sobrevivncia e
reproduo do mais apto.
Como os Algoritmos Genticos so inspirados nos conceitos da gentica e
da seleo natural, existe uma analogia entre os termos biolgicos destas reas e os
que so utilizados no algoritmo. A seguir so descritos alguns importantes termos
que utilizaremos com freqncia no decorrer do texto:
Cromossomo: Um cromossomo a representao de uma soluo, que
possui todas as suas caractersticas genticas. Em geral, os algoritmos
concebem o cromossomo como um vetor.
40

Gene: Cada gene representa uma caracterstica gentica do cromossomo.
Desta forma, cada cromossomo formado por um conjunto de genes. No
caso de um vetor, cada posio corresponde a um gene.
Alelo: Os alelos so as possveis atribuies que um gene pode assumir.
Fitness: O fitness, tambm chamado de funo de avaliao, mensura a
qualidade de cada soluo da populao. Com base nesta funo, realizada
a seleo para aplicao dos operadores genticos, garantindo a
sobrevivncia dos melhores indivduos.
A escolha adequada da forma de codificao das solues, assim como da
funo de avaliao que ser utilizada, so os fatores mais importantes, aliados
escolha dos parmetros iniciais, para que se tenha um algoritmo gentico eficaz.
Partindo destas primeiras observaes, Linden (2008) descreve o
funcionamento bsico de um Algoritmo Gentico com o seguinte esquema:
1. Crie uma populao inicial;
2. Avalie cada cromossomo da populao;
3. Selecione os pais para gerar novos cromossomos;
4. Aplique os operadores genticos a estes pais, de modo a gerar os indivduos
da nova gerao;
5. Avalie todos os novos cromossomos e insira-os na populao, removendo os
piores indivduos da populao anterior;
6. Se algum critrio de parada foi atingido, retorne o melhor cromossomo;
seno, volte para o passo 3.
A ilustrao deste esquema apresentada na FIGURA 9, e cada uma das
etapas detalhada na seqncia.

41

Criar populao
Inicial

Avaliar fitness
dos indivduos

Retornar o melhor S Critrio de
Indivduo parada atingido?

N

Seleo

Operadores genticos

Nova populao

FIGURA 9 FLUXOGRAMA DO FUNCIONAMENTO DE UM ALGORITMO GENTICO
A gerao da populao inicial, na maioria dos trabalhos desta rea, feita
de forma simples, atravs de uma escolha aleatria independente para cada
indivduo. A codificao dos cromossomos depende do tipo de problema tratado e
da estrutura de soluo desejada. No entanto, os valores dos genes so, em geral,
obtidos atravs de um procedimento de gerao de nmeros aleatrios, baseada em
uma distribuio uniforme, numa faixa previamente estabelecida de acordo com a
natureza do problema, garantindo a cobertura de todo o espao de busca e tambm
a diversidade da populao.
O tamanho da populao inicial deve ser escolhido de acordo com o tipo de
problema estudado. Populaes muito pequenas podem acarretar a perda da
diversidade gentica dos indivduos e com isso a convergncia para um timo local.
Por outro lado, nas populaes muito grandes pode ocorrer baixa eficincia
computacional, pela demora durante a avaliao de todos os indivduos.
A etapa subseqente envolve a avaliao dos indivduos. A funo de
avaliao a maneira utilizada pelos Algoritmos Genticos para determinar a
42

qualidade de um indivduo como soluo do problema em questo (LINDEN, 2008,
p. 65).
O valor da funo de avaliao, ou fitness, de um indivduo , denotado por
, determinante para a escolha dos indivduos no mdulo de seleo dos pais, que
sofrero a atuao dos operadores genticos. Por este motivo, deve refletir o
objetivo a ser alcanado e levar em conta todas as especificidades conhecidas do
problema.
O mecanismo de seleo escolhe os indivduos aos quais sero aplicados
os operadores genticos para formar a gerao subseqente. Existem diferentes
formas de seleo e importante que o mtodo escolhido simule o processo de
seleo natural, privilegiando os indivduos que apresentam maior valor de aptido e
penalizando os menos aptos, porm sem desprez-los completamente, pois existe
uma probabilidade, embora muito reduzida, de que produzam bons descendentes.
As formas mais comuns de seleo so o mtodo da roleta, torneio e
ranking, descritos a seguir.

a) Mtodo da Roleta
O mtodo da roleta emprega a seleo proporcional qualidade do
indivduo, isto , sua funo de avaliao. Primeiramente, determina-se a
probabilidade de seleo de cada indivduo , dada pela frmula (4), em que
o
fitness do indivduo .

(4)
Desta forma, cada indivduo recebe uma poro da roleta, que ento
rodada a fim de selecionar os pais. claro que a idia da roleta envolve um
conceito abstrato. Durante a implementao do mtodo, cria-se uma lista ordenada
de forma decrescente das probabilidades acumuladas de cada indivduo, e sorteia-
se um nmero aleatrio entre 0 e 1, que indicar na lista das probabilidades qual o
indivduo escolhido.

b) Mtodo do Torneio
Neste mtodo, selecionam-se aleatoriamente indivduos da populao,
formando uma sub-populao temporria. Deste conjunto, escolhe-se o indivduo
que apresentar melhor fitness.
43

c) Mtodo do Ranking
De forma similar ao Mtodo da Roleta, cada indivduo recebe uma
probabilidade de ser escolhido, porm de acordo com sua posio numa lista
ordenada de acordo com o fitness.
Portanto, cria-se uma lista ordenada de forma decrescente dos itens, em
relao qualidade de sua funo de avaliao. O indivduo menos adaptado
recebe valor 1, enquanto o indivduo mais adaptado recebe valor igual ao nmero de
indivduos, ou seja, ao tamanho da populao. Esta lista chamada de ranking, e a
probabilidade de seleo calculada em relao ao valor que o indivduo recebeu
na ordenao.

Aos indivduos selecionados, aplicam-se os operadores genticos,
responsveis pelas modificaes na populao e, conseqentemente, pela
convergncia do algoritmo. Existem diversos operadores genticos e variaes dos
mesmos, que diferem principalmente em virtude do tipo de codificao escolhido,
visto que atuam diretamente sobre os cromossomos. Os mais utilizados so os
operadores de reproduo, cruzamento e mutao. Cada operador possui uma taxa
de ocorrncia, definida pelo pesquisador. A seguir, so descritos os principais
operadores genticos.

a) Reproduo
No operador de reproduo, como o prprio nome diz, o indivduo
selecionado na populao atual reproduzido, ou seja, copiado para a prxima
gerao, sem nenhuma alterao em sua estrutura.

b) Cruzamento
O operador de cruzamento (crossover), caracteriza o operador gentico mais
popular e mais utilizado. Atravs dele, os pais selecionados trocam informaes
genticas para a composio dos novos indivduos, chamados de filhos.
Aps selecionados os pais, sorteia-se um ponto de corte para a realizao
do cruzamento, sendo que um ponto de corte constitui uma posio entre dois genes
de um cromossomo (LINDEN, 2008), e assim um cromossomo com genes possui
pontos de corte.
44

Na etapa seguinte, separa-se o contedo dos cromossomos pais em duas
partes: uma esquerda e outra direita do ponto de corte. O primeiro filho ser
composto pela concatenao da primeira parte do primeiro pai e da segunda parte
do segundo pai, enquanto o segundo filho ser formado pela primeira parte do
segundo pai e a segunda parte do primeiro pai. Esta operao chamada de
cruzamento de um ponto, pois utiliza apenas um ponto de corte (FIGURA 10).
Pai1 Filho1

Pai2 Filho2
FIGURA 10 CRUZAMENTO DE UM PONTO
Se forem escolhidos dois pontos de corte, tem-se o cruzamento de dois
pontos, no qual a troca de material gentico ocorre entre os pontos de cruzamento
(FIGURA 11).
Pai1 Filho1

Pai2 Filho2
FIGURA 11 CRUZAMENTO DE DOIS PONTOS

c) Mutao
O operador de mutao altera o valor de um gene do cromossomo. Em
geral, utiliza-se uma baixa taxa de probabilidade de ocorrncia de mutao,
freqentemente entre 5% e 10%, para que o processo no se torne uma busca
aleatria. O procedimento executado pelo operador de mutao realizado como
segue.
Sorteia-se um nmero aleatrio entre 0 e 1. Se este nmero for menor que a
taxa de mutao previamente definida, altera-se o valor do gene dentre os possveis
45

valores que ele pode assumir. Este procedimento repetido para todos os genes do
cromossomo.
O operador de mutao tem papel importante durante a execuo do
Algoritmo Gentico. Ele garante a diversidade da populao na medida em que
ocorrem os cruzamentos, pois exploram globalmente o espao de busca e
possibilitam a recuperao de material gentico de boa qualidade que possa ter sido
perdido durante as sucessivas recombinaes e avaliaes. Por outro lado, Linden
(2008) refora que a taxa de mutao deve ser fixada num valor baixo, caso
contrrio o Algoritmo Gentico se aproximar das tcnicas de busca aleatria,
desprezando sua principal caracterstica evolucionria.

Como se trata de um mtodo iterativo, os Algoritmos Genticos necessitam
de um critrio de parada para a finalizao do processo. Os critrios de parada mais
utilizados so o nmero mximo de iteraes e o incremento na qualidade da
soluo. Se as novas solues encontradas a cada gerao no apresentam
melhora significativa em relao gerao anterior, finaliza-se o algoritmo e retorna-
se a melhor soluo encontrada.
Nos Algoritmos Genticos convencionais, os operadores genticos so
efetuados de modo que toda a populao substituda a cada gerao. Numa outra
estratgia, chamada Steady State, faz-se o contrrio: cria-se os filhos um a um, ou
dois a dois, por ser mais conveniente para o operador de cruzamento, e substitui-se
os piores indivduos da populao por estes novos indivduos (LINDEN, 2008).
Em geral, ao se utilizar o Algoritmo Gentico Steady State, perde-se a
essncia do conceito de gerao, pois indivduos muito velhos podem permanecer
na populao, coexistir e at mesmo se reproduzir com indivduos novos ou mesmo
recm criados que, por sua vez, podem desaparecer rapidamente se no
apresentarem boa funo de avaliao. Entretanto, esta estratgia de controle da
populao permite a dominao dos melhores cromossomos e uma convergncia
mais rpida do algoritmo.
No mtodo proposto neste trabalho, o objetivo da aplicao do algoritmo
gentico foi selecionar itens e agrup-los, a fim de que os mesmos constituam um
padro de corte depois de aplicada a heurstica de encaixe designada para cada
tratamento do problema.
46

Os Algoritmos Genticos so considerados tcnicas probabilsticas que
fazem uso da gerao de nmeros aleatrios durante sua execuo. Neste estudo,
foi considerada a gerao de nmeros aleatrios segundo a distribuio de
probabilidade uniforme num intervalo . Estes nmeros sero denotados por
.
Um importante fator na implementao de um Algoritmo Gentico a
definio da estrutura e codificao dos cromossomos e o mtodo de avaliao dos
mesmos. Neste trabalho, denota-se um padro de corte por um vetor
, no qual cada componente
representa a quantidade do item a

ser cortada no padro . A funo de avaliao dada pela rea no ocupada do
objeto. Deste modo, para cada indivduo o fitness calculado da seguinte forma:
(5)
Deve-se observar que a aptido de cada indivduo obtida considerando-se
apenas a rea ocupada, e no avalia se existe a possibilidade de arranjo dos itens
sobre o objeto, o que ser atribuio das heursticas de encaixe.
Se a soma das reas dos itens exceder a rea do objeto, o padro de corte
declarado infactvel e no chega a ser includo na populao que, em todas as
etapas do procedimento, permite somente cromossomos factveis.
O Algoritmo Gentico utilizado neste trabalho foi o AG Steady State, criando-
se dois novos indivduos a cada iterao, que so gerados pelo operador de
cruzamento.
A seguir, apresentam-se os parmetros utilizados neste trabalho, e tambm
os detalhes da execuo do Algoritmo Gentico proposto.

3.2.1.1 Parmetros Utilizados

Os parmetros do Algoritmo Gentico utilizados no trabalho esto resumidos
no QUADRO 3.

47

Tamanho da Populao Inicial 200
Taxas de ocorrncia dos
operadores genticos
Cruzamento 0,8
Mutao 0,2
Critrios de Parada
Nmero mximo de
iteraes
100
Nmero mximo de
iteraes sem melhoria
no fitness dos indivduos
50
QUADRO 3 PARMETROS UTILIZADOS
O tamanho da populao foi fixado em 200 indivduos, o que possibilita uma
grande diversidade na mesma. Isto uma caracterstica essencial para a eficincia
do algoritmo, pois nem todos os cromossomos sero considerados factveis na
etapa de encaixe.
As taxas dos operadores genticos foram mantidas em 80% para o operador
de cruzamento, e 20% para o operador de mutao, o que evita que a populao
perca a diversidade.
Foram considerados no trabalho dois diferentes critrios de parada: um
nmero mximo de iteraes, fixado em 100; e um nmero mximo de iteraes
sem a ocorrncia da insero dos filhos na populao, fixado em 50, isto , quando
os operadores genticos no mais produzirem solues melhores que as existentes
durante 50 iteraes.

3.2.1.2 Execuo do Algoritmo

Primeiramente, gerou-se aleatoriamente uma populao inicial de indivduos
factveis, utilizando-se a gerao de nmeros aleatrios seguindo uma distribuio
uniforme.
A gerao da populao inicial foi feita da seguinte forma: para obter um
indivduo, optou-se por gerar um nmero aleatrio para cada posio do vetor que o
representa. O limite superior para cada posio o valor mnimo entre a demanda
correspondente ao item da referida posio e quantidade que o objeto comporta
deste item, segundo o critrio de rea.
48

Um exemplo de um indivduo pode ser visto no cromossomo A=(3, 5, 0, 2),
que indica que o padro A possui 3 itens do tipo 1, 5 itens do tipo 2, nenhum item do
tipo 3 e 2 itens do tipo 4.
Ao fim da gerao de cada cromossomo, avaliava-se sua factibilidade em
relao ao critrio unidimensional de rea: se o mesmo fosse considerado factvel, o
cromossomo era inserido na populao; caso contrrio, o processo era repetido e
um novo indivduo era completamente gerado.
No entanto, como utilizada a gerao aleatria uniformemente distribuda,
observou-se que, nos problemas em que as dimenses dos itens so
consideravelmente grandes, gerava-se uma quantidade muito grande de indivduos
infactveis, o que causa um aumento considervel no tempo computacional visto que
estes indivduos teriam que ser novamente gerados, at que se completasse uma
populao de indivduos factveis.
Para evitar esta situao, a estratgia de gerao da populao foi
modificada: quando um indivduo declarado infactvel, uma de suas posies, com
valor no-nulo, sorteada aleatoriamente. Esse valor sofre ento decrscimo de
uma unidade. Este recurso utilizado at que o indivduo se torne factvel.
Aps completar o nmero de indivduos da populao, feita uma avaliao
dos mesmos atravs do clculo do fitness, utilizando-se a equao (5). Os
indivduos so ento ordenados numa lista crescente em relao funo de
aptido. Como esta mede a perda absoluta do objeto, os primeiros indivduos da
lista correspondem aos mais adaptados e os ltimos aos menos favorecidos.
Na fase de seleo dos indivduos pais, utilizou-se o mtodo da roleta,
descrito na alnea a) da seo 3.2.1, que favorece os melhores cromossomos. Este
mtodo atribui a cada indivduo uma probabilidade de seleo acumulada
,
relacionada ao seu valor de aptido.
Como foi utilizado o Algoritmo Gentico Steady State, a cada gerao
aplicam-se os operadores de cruzamento e mutao, de acordo com o valor de
probabilidade determinado. Destas operaes resultam dois novos filhos, que so
avaliados e inseridos na populao, caso o fitness apresentado por eles seja maior
que o fitness dos piores indivduos.
As etapas de seleo e aplicao dos operadores so repetidas at que seja
atingido algum critrio de parada. Conforme descrito no item 3.2.1.1, se for atingido
um nmero mximo de 100 iteraes, interrompe-se a execuo do algoritmo; e o
49

mesmo feito quando ocorrem 50 iteraes consecutivas sem que sejam criados
filhos com funo de avaliao melhor que a dos indivduos j existentes.
Neste caso, considera-se que houve a convergncia gentica, embora
alguns pesquisadores defendam que tal convergncia no deve ser medida pela
funo de avaliao, e sim pelas caractersticas dos indivduos, pois diferentes
indivduos podem possuir o mesmo fitness atravs de informaes genticas
distintas. No entanto, a comparao dos indivduos seria uma opo bastante
custosa (LINDEN, 2008).
Quando algum dos critrios de parada atingido, encerra-se a etapa de
execuo do Algoritmo Gentico e inicia-se a busca por um padro factvel em
relao ao aspecto geomtrico atravs das tcnicas de encaixe.
A FIGURA 12 apresenta o Algoritmo Gentico utilizado neste trabalho.

50

Passo 1: Gerao da populao inicial
1.1 Crie um indivduo gerando para cada posio um nmero aleatrio no intervalo
* ,
-+, ou seja, onde a quantidade de cada tipo de item varie de 0 at sua

demanda, ou at a quantidade mxima deste tipo de item que possa ser alocada na
rea do objeto.
1.2 Se o indivduo satisfizer o critrio da rea, insira-o na populao e v para o Passo
1.4.
1.3 Escolha aleatoriamente uma posio com valor no-nulo e aplique um decremento
de uma unidade em seu valor. Volte para o Passo 1.2.
1.4 Se a populao no est completa, volte ao Passo 1.1.
Passo 2: Avaliao da populao
2.1 Para cada indivduo , calcule sua funo de aptido

2.2 Crie uma lista dos indivduos, em ordem crescente de fitness.
Passo 3: Seleo dos pais: Selecione dois indivduos da populao, usando o Mtodo da Roleta.
Passo 4: Aplicao dos operadores genticos
4.1 Cruzamento ou reproduo: Gere um nmero aleatrio entre 0 e 1. Se tal nmero
for menos ou igual taxa de cruzamento, aplique o operador de cruzamento aos
indivduos selecionados no Passo 3; seno, aplique a eles o operador de reproduo.
4.2 Aplique o operador de mutao a cada filho criado no Passo 4.1.
Passo 5: Avaliao dos novos indivduos: Calcule o fitness dos novos indivduos e verifique se seu
valor de aptido menor que o do ltimo indivduo da lista. Em caso positivo, substitua o pior
indivduo pelo novo, e reordene a lista.
Passo 6: Repita os passos 3 a 5 at que algum critrio de parada seja atingido.
FIGURA 12 ALGORITMO GENTICO PARA GERAO DE PADRES DE CORTE

3.2.2 Etapa 2: Tcnicas de Encaixe

Como pde ser visto anteriormente, o Algoritmo Gentico empregado
percorre o espao de busca procura das melhores solues considerando apenas
o aspecto unidimensional, isto , o conjunto de itens cuja soma das reas mais se
aproxime da rea do objeto, sem, contudo, exced-la.
Entretanto, apenas este critrio no suficiente para garantir a factibilidade
de um padro de corte. A informao mais importante fornecida por um padro de
51

corte, que o arranjo geomtrico dos itens, no disponibilizada e tampouco pode
ser obtida a partir da formulao do Algoritmo Gentico, pois o cromossomo fornece
apenas a quantidade de cada tipo de item presente no padro.
Para construir esse arranjo geomtrico, foram utilizadas duas tcnicas de
encaixe diferentes: uma para o corte no-estagiado e outra para o corte em dois
estgios, visto que estes dois tipos de padro de corte possuem caractersticas
distintas e peculiares quanto sua geometria.
Durante a execuo do Algoritmo Gentico, devido prpria estratgia
Steady State utilizada, os indivduos ficam sempre ordenados numa lista crescente
de acordo com seu fitness. Nesta mesma ordem, so submetidos ao processo de
encaixe, at que seja encontrado um padro de corte factvel geometricamente. Tal
factibilidade compreende a possibilidade de arranjo de todos os itens, sem que
excedam as dimenses do objeto ou se sobreponham.

3.2.2.1 Corte no-estagiado

Para os padres de corte sem restrio quanto ao nmero de estgios de
corte, empregou-se uma tcnica baseada no algoritmo de Wang. Este mtodo
realiza, a cada iterao, construes verticais e horizontais dos itens.
Uma combinao horizontal de dois itens
, de dimenses
, respectivamente, corresponde a um novo item, cujas dimenses sero
. Analogamente, uma construo vertical dos dois mesmos

itens um novo item de dimenses
. A rea da construo
que no for ocupada por nenhum dos itens corresponde perda interna da mesma.
Este processo pode ser verificado na FIGURA 13.

52

(b)

(a)

FIGURA 13 CONSTRUES: (a) horizontal; (b) vertical
Uma construo caracteriza uma semi-soluo que, na iterao seguinte,
ser combinada com outras semi-solues atravs de construes verticais e
horizontais, enquanto a soma das quantidades de cada item presentes nas mesmas
no for maior que sua respectiva demanda. Se uma nova construo apresenta as
mesmas dimenses de uma construo j existente, elimina-se da lista a de maior
perda interna. Ao fim do processo, escolhe-se a construo de menor perda total,
isto , com menor perda quando sobreposto ao objeto.
Este mtodo baseado em construes horizontais e verticais pressupe que
o problema no seja estagiado, mas garante que o corte seja guilhotinado. O
algoritmo completo detalhado na FIGURA 14, sendo as dimenses do
objeto,
os itens da demanda e
suas respectivas
demandas.

53

Passo 1.a: Escolha um valor para , .
1.b: Defina
e faa .
Passo 2.a: Construa
, que o conjunto de todos os retngulos satisfazendo:

(i) uma construo horizontal ou vertical formada por dois retngulos de
;
(ii) A perda interna de no excede a ;
(iii) Os retngulos que aparecem em no excedem as quantidades
.
2.b: Faa
. Remova os retngulos equivalentes de
.
Passo 3: Se
no vazio, faa e v para o Passo 2. Seno,

Passo 4.a: Faa .
4.b: Escolha o retngulo de
que tem a mnima perda total quando sobreposto ao objeto

de dimenso .
FIGURA 14 ALGORITMO DE WANG
FONTE: WANG (1982)
Quanto maior o valor do parmetro , maior o nmero de solues parciais
aceitas que faro parte da iterao subseqente, possibilitando melhores solues
ao final do processo. Entretanto, o algoritmo tambm utilizar mais memria
computacional e tempo de processamento.
Para o corte no qual permitida a rotao dos itens, acrescentou-se ao
algoritmo de Wang as consideraes feitas por Amaral e Wright (2001). Os autores
definem os operadores H e V como operadores que efetuam construes horizontais
e verticais de dois itens, respectivamente. Definindo por a rotao em 90 de um
retngulo , quando se aplicam os operadores em dois retngulos
,
admitindo a rotao, obtm-se as seguintes possibilidades:

Contudo, notou-se que a aplicao da rotao dos itens, e dos operadores H
e V, que efetuam construes horizontais e verticais, respectivamente, resulta em
semi-solues equivalentes:

Desta forma, os autores mostram que basta aplicar o operador horizontal e o
de rotao para conseguir todas as construes possveis a partir de dois itens. Esta
54

observao simples reduz pela metade o tempo gasto com as construes e em at
metade a quantidade de solues parciais enviadas para a iterao subseqente.
Portanto, quando a rotao dos itens permitida, optou-se por efetuar
somente construes horizontais, considerando tanto os itens em sua posio
original quanto os correspondentes rotacionados em 90, o que suficiente para
gerar todas as possveis combinaes, segundo Amaral e Wright (2001).
Uma importante modificao no algoritmo mencionado, implementada neste
trabalho, foi a escolha do parmetro , que representa a perda mxima aceitvel
para que uma semi-soluo faa parte do conjunto de solues na iterao seguinte.
Como vimos, a escolha deste parmetro interfere na quantidade de semi-solues
aceitas e, conseqentemente, na quantidade de combinaes realizadas a cada
iterao.
Os itens agrupados na Etapa 1 j apresentam uma perda absoluta fixa, no
caso do arranjo geomtrico ser factvel. Deste modo, para cada cromossomo
submetido a esta tcnica de encaixe, a perda mxima aceitvel igual ao seu
fitness, pois se a perda de uma semi-soluo ultrapassar este valor, esta no ser
til para a construo da soluo final.
Para o corte com orientao fixa dos itens, o conjunto de itens
permanece inalterado. J no caso do corte com rotao, criamos um

conjunto de itens
, em que
corresponde ao
retngulo
aps a rotao em 90. Observe, no entanto, que

correspondem mesma demanda.
A FIGURA 15 e a FIGURA 16 mostram o Algoritmo de Wang adaptado ao
problema, para o corte no-estagiado sem rotao e com rotao, respectivamente.
O valor do parmetro deixa de ser arbitrrio e passa a se definido como o fitness
do indivduo que ser submetido ao encaixe.

55

Inicializao do mtodo: Crie , que o conjunto dos vetores provenientes da Etapa 1,
dispostos em ordem crescente de fitness, e rotule todos os seus elementos como no-analisados.
Selecione .
Passo 1.a: Determine

1.b: Defina
e faa .
Passo 2.a: Construa

(i) uma construo horizontal ou vertical formada por dois retngulos de
;
.
2.b: Faa
. Remova os retngulos equivalentes de
.
2.c: Se todos os itens do vetor
foram alocados, pare.
o melhor padro de corte

encontrado .
Passo 3: Se

Passo 4: Faa e volte para o Passo 1.
FIGURA 15 ALGORITMO DE ENCAIXE PARA O CORTE NO-ESTAGIADO SEM ROTAO
FONTE: Adaptado de WANG (1982)
Inicializao do mtodo: Crie , que o conjunto dos vetores provenientes da Etapa 1,
dispostos em ordem crescente de fitness, e rotule todos os seus elementos como no-analisados.
Selecione .
Passo 1.a: Determine

1.b: Defina
e faa .
Passo 2.a: Construa

(i) uma construo horizontal formada por dois retngulos de
;
.
2.b: Faa
, em que
representa as semi-solues de

rotacionadas em 90. Remova os retngulos equivalentes de
.
2.c: Se todos os itens do vetor
foram alocados, pare.
o melhor padro de corte

encontrado .
Passo 3: Se

Passo 4: Faa e volte para o Passo 1.
FIGURA 16 ALGORITMO DE ENCAIXE PARA O CORTE NO-ESTAGIADO COM ROTAO
FONTE: Adaptado de WANG (1982)

56

3.2.2.2 Corte em dois estgios

No corte em dois estgios, utilizou-se a heurstica construtiva First Fit
Decreasing Height, que cria faixas inserindo os itens na primeira faixa em que eles
possam ser alocados.
Para realizar o encaixe de um vetor correspondente a um cromossomo
resultante da Etapa 1, primeiramente ordena-se os itens presentes neste vetor em
ordem decrescente de altura.
Novamente, quando for possvel a rotao dos itens, para um retngulo
,
cria-se um correspondente
rotacionado em 90. Neste caso, cada item aparece

duas vezes na lista: um em sua orientao original, e outro aps a rotao.
Inicia-se o algoritmo introduzindo o primeiro item da lista, o de maior altura,
no canto inferior esquerdo do objeto. Em seguida, insere-se o item subseqente
direita do anterior. Quando a dimenso horizontal do objeto no mais for suficiente
para acomodar itens, cria-se uma nova faixa acima da existente. A partir do
momento em que existir mais de uma faixa horizontal, os novos itens devem ser
alocados na primeira faixa existente que os comportar; e uma nova faixa criada
quando isto no for possvel.
A FIGURA 17 mostra o Algoritmo First Fit Decreasing Height, utilizado como
tcnica de encaixe para o corte em dois estgios.
Inicializao do mtodo: Crie a lista , dos elementos do conjunto ordenados em relao sua
altura; e crie o conjunto dos vetores provenientes da Etapa 1
Passo 1: Selecione
Passo 2: Insira o primeiro retngulo de para o qual
no canto inferior esquerdo do objeto,

estabelecendo a primeira faixa, e faa
.
Passo 3: Para , enquanto
, verifique a possibilidade de inserir o item :

3.a: Procure a primeira faixa que acomode o item , insira-o e faa
. Se isto no
for possvel,
3.b: Crie uma nova faixa, insira o item e faa
.
Passo 4: Se
para todo , retorne
como o melhor padro de corte encontrado; caso

contrrio, faa e volte para o Passo 2.
FIGURA 17 ALGORITMO FIRST FIT DECREASING HEIGHT
FONTE: Adaptado de TEMPONI (2007)
57

Na seo seguinte, so apresentados os resultados obtidos para o conjunto
de instncias testadas, em quatro diferentes abordagens consideradas para a
resoluo do problema.

58

4 ANLISE EXPERIMENTAL E RESULTADOS

Nesta seo, so apresentados os experimentos realizados neste trabalho e
os resultados obtidos.
Foram consideradas quatro diferentes abordagens para resoluo do
problema, abrangendo quatro combinaes de tipos de corte guilhotinado:
A1: Gerao de padres de corte no-estagiado com orientao fixa dos itens;
A2: Gerao de padres de corte no-estagiado com rotao permitida dos itens;
A3: Gerao de padres de corte em dois estgios com orientao fixa dos itens;
A4: Gerao de padres de corte em dois estgios com rotao permitida dos itens.
O mtodo foi testado, para cada uma das abordagens, sobre um conjunto
de 12 instncias clssicas, extradas do trabalho de Cintra (2004), das quais se
conhece a soluo tima. O conjunto de instncias composto por problemas com
objetos com dimenses 250x250, 500x500 e 1000x1000 unidades, e 10, 20, 30 e 50
tipos de itens, conforme mostra a TABELA 1. A descrio completa das instncias,
contendo tambm as dimenses e as demandas dos itens, encontra-se no Anexo.
TABELA 1 DESCRIO DAS INSTNCIAS
Instncia
gcut1 (250,250) 10
gcut2 (250,250) 20
gcut3 (250,250) 30
gcut4 (250,250) 50
gcut5 (500,500) 10
gcut6 (500,500) 20
gcut7 (500,500) 30
gcut8 (500,500) 50
gcut9 (1000,1000) 10
gcut10 (1000,1000) 20
gcut11 (1000,1000) 30
gcut12 (1000,1000) 50
Os testes foram executados em um processador Intel Core2 Duo,
1.83GHz com 3 GB de memria e os algoritmos foram implementados na linguagem
computacional Visual Basic 6.0.
Por se tratar de um mtodo que envolve uma meta-heurstica, para cada
instncia, em cada abordagem, o algoritmo foi executado por 10 vezes, e a melhor
soluo encontrada considerada.
59

Os resultados dos experimentos so descritos separadamente para os dois
tipos de corte considerados: corte no-estagiado e corte em dois estgios. As
solues grficas de todas as instncias, para todas as quatro abordagens, so
mostradas no apndice.

4.1 RESULTADOS PARA O CORTE NO-ESTAGIADO

O corte no estagiado considerado nas abordagens A1 e A2, para o corte
com orientao fixa dos itens e com rotao permitida dos mesmos,
respectivamente.

4.1.1 Abordagem A1: Corte no-estagiado sem rotao de itens

A TABELA 2, a seguir, apresenta os resultados obtidos para a primeira
abordagem (A1). Na primeira coluna tem-se o nome da instncia e nas duas colunas
seguintes, as dimenses do objeto e a quantidade de itens, respectivamente. Na
coluna seguinte so apresentados os valores obtidos por Cintra (2004), que
consistem na soluo tima, para a ocupao absoluta (A) e relativa (R) do objeto.
Por fim, as trs ltimas colunas mostram os resultados obtidos neste trabalho,
mostrando as ocupaes absolutas e relativas da chapa, e o tempo computacional
T, medido em segundos. O tempo computacional gasto pelo mtodo de Cintra
(2004) no mencionado, pois todas as instncias demandaram menos de um
segundo para serem solucionadas.

60

TABELA 2 - RESULTADOS OBTIDOS PARA A ABORDAGEM A1
Cintra(2004) Proposto
Instncia ( ) A R A R T(s)
gcut1 (250,250) 10 56460 90,336 56460 90,336 0
gcut2 (250,250) 20 60356 96,5696 57816 95,1616 1
gcut3 (250,250) 30 61036 97,6576 58586 93,7376 2
gcut4 (250,250) 50 61698 98,7168 60420 96,672 3
gcut5 (500,500) 10 246000 98,4 246000 98,4 0
gcut6 (500,500) 20 238998 95,5992 225771 90,3084 1
gcut7 (500,500) 30 242567 97,0268 235536 94,2144 1
gcut8 (500,500) 50 246633 98,6532 236758 94,7032 2
gcut9 (1000,1000) 10 971100 97,11 971100 97,11 0
gcut10 (1000,1000) 20 982025 98,2025 934980 93,498 0
gcut11 (1000,1000) 30 980096 98,0096 939443 95,8032 2
gcut12 (1000,1000) 50 979986 97,9986 947688 96,0431 2
MDIA 97,02333 94,6656
As instncias gcut5 e gcut9 apresentaram os maiores aproveitamentos na
abordagem A1. Acompanhadas da instncia gcut1, formam o grupo de instncias
que atingiram a soluo tima. Suas solues grficas podem ser vistas nas
FIGURA 18, 19 e 20.

120x160 70x86

70x86

120x160

70x86

FIGURA 18 SOLUO FINAL PARA A INSTNCIA gcut1 (A1)

61

164x250 164x250

164x250 164x250

164x250 164x250

FIGURA 19 SOLUO FINAL PARA A INSTNCIA gcut5 (A1, A2 e A3)

325x498 325x498

325x498 325x498

325x498 325x498

FIGURA 20 SOLUO FINAL PARA A INSTNCIA gcut9 (A1, A2 e A3)

62

4.1.2 Abordagem A2: Corte no-estagiado com rotao de itens

Na TABELA 3, so apresentados os resultados obtidos para a abordagem
A2, na qual permitida a rotao dos itens.
gcut1 (250,250) 10 58136 93,0176 58136 93,0176 0
gcut2 (250,250) 20 60611 96,9776 59476 95,1616 1
gcut3 (250,250) 30 61626 98,6016 59521 95,2336 2
gcut4 (250,250) 50 62265 99,624 61056 97,6896 2
gcut5 (500,500) 10 246000 98,4 246000 98,4 0
gcut6 (500,500) 20 240951 96,3804 238998 95,5992 0
gcut7 (500,500) 30 245866 98,3464 240063 96,0252 0
gcut8 (500,500) 50 247787 99,1148 241966 96,7864 3
gcut9 (1000,1000) 10 971100 97,11 971100 97,11 0
gcut10 (1000,1000) 20 982125 98,2125 966298 96,6298 0
gcut11 (1000,1000) 30 980096 98,0096 974638 97,4638 1
gcut12 (1000,1000) 50 988694 98,8694 978576 97,8576 1
MDIA 97,72199 96,4145
Como pode ser verificado a partir dos dados da TABELA 2 e TABELA 3, o
mtodo proposto foi capaz de encontrar boas solues para o problema da gerao
dos padres de corte nas abordagens A1 e A2, apresentando um aproveitamento
mdio de 94,66% do objeto para o caso em que os itens possuem orientao fixa
(A1) e 96,41% quando sua rotao permitida (A2). As trs instncias com apenas
10 itens alcanaram a soluo tima nas duas abordagens.
Algumas instncias apresentaram a mesma soluo para as abordagens A1
e A2 (gcut5 e gcut9), igualando-se soluo tima, que a mesma para ambos os
casos. A instncia gcut1 tambm atingiu a soluo tima para a abordagem A2,
porm com uma diferente configurao no padro de corte (FIGURA 21).

63

167X184 148X66

83X140 70X86

O tempo computacional foi insignificante face natureza do problema.
Percebe-se que as instncias com maior nmero de itens levaram mais tempo para
serem solucionadas, tempo este que influenciado pela tcnica de encaixe
escolhida, que busca obter todas as possveis construes verticais e horizontais do
conjunto de itens. Por outro lado, as instncias menores, com 10 e 20 itens,
apresentaram o menor tempo computacional dentre o conjunto de instncias
testado.
Como era esperado, a permisso de rotao dos itens fez com que o
aproveitamento do objeto melhorasse consideravelmente em todas as instncias.
Isto ocorre pelo fato de existir um maior nmero de possibilidades de agrupamentos
durante a execuo da tcnica de encaixe, visto que cada item possui dois itens
correspondentes: o original e o rotacionado. O efeito da rotao dos itens, no corte
no-estagiado, pode ser observado no GRFICO 1.
64

GRFICO 1 APROVEITAMENTO DO OBJETO NAS ABORDAGENS A1 E A2
A seguir, so mostrados os resultados para o corte em dois estgios.

4.2 RESULTADOS PARA O CORTE EM DOIS ESTGIOS

O corte em dois estgios foi considerado nas abordagens A3 e A4, as quais
tambm contemplam, respectivamente, o corte com orientao fixa dos itens e a
rotao permitida dos mesmos.

4.2.1 Abordagem A3: Corte em dois estgios sem rotao de itens

Os resultados para a abordagem A3 so trazidos na TABELA 4, que segue a
mesma estrutura das j apresentada para os outros experimentos.

80
82
84
86
88
90
92
94
96
98
100
A
p
r
o
v
e
i
t
a
m
e
n
t
o

(
%
)

Instncia
Sem rotao
Com rotao
65

gcut1 (250,250) 10 56460 90,336 53808 86,0928 0
gcut2 (250,250) 20 60076 96,1216 57534 92,0544 0
gcut3 (250,250) 30 60133 96,2128 56876 92,6016 0
gcut4 (250,250) 50 61698 98,7168 59466 95,1456 0
gcut5 (500,500) 10 246000 98,4 246000 98,4 0
gcut6 (500,500) 20 235058 94,0232 222648 89,0592 0
gcut7 (500,500) 30 242567 97,0268 235536 94,2144 0
gcut8 (500,500) 50 245758 98,3032 236758 94,7032 0
gcut9 (1000,1000) 10 971100 97,11 971100 97,11 0
gcut10 (1000,1000) 20 982025 98,2025 934895 93,4895 0
gcut11 (1000,1000) 30 974638 97,4638 939443 93,9443 0
gcut12 (1000,1000) 50 977768 97,7768 924300 92,43 0
MDIA 96,64113 93,2704
As instncias gcut5 e gcut9 novamente alcanaram a soluo tima,
apresentando o mesmo aproveitamento que no caso do corte no-estagiado
(FIGURAS 19 e 20). No entanto, o corte em dois estgios se apresenta menos
eficaz que o supracitado, pois as possibilidades de encaixe so reduzidas devido
construo das faixas.

4.2.2 Abordagem A4: Corte em dois estgios com rotao de itens

Na TABELA 5, a seguir, so mostrados os resultados para a abordagem A4,
constituda pelo corte em dois estgios com rotao permitida dos itens.
gcut1 (250,250) 10 58136 93,0176 56040 89,664 0
gcut2 (250,250) 20 60611 96,9776 58276 93,2416 0
gcut3 (250,250) 30 60485 96,776 57704 92,3264 0
gcut4 (250,250) 50 62265 99,624 59624 95,3984 1
gcut5 (500,500) 10 246000 98,4 246000 98,4 0
gcut6 (500,500) 20 240951 96,3804 236158 94,4632 0
gcut7 (500,500) 30 245866 98,3464 232985 93,194 0
gcut8 (500,500) 50 247260 98,904 236758 94,7032 0
gcut9 (1000,1000) 10 971100 97,11 971100 97,11 0
gcut10 (1000,1000) 20 982125 98,2125 940330 94,833 0
gcut11 (1000,1000) 30 980096 98,0096 974638 97,4638 0
gcut12 (1000,1000) 50 988694 98,8694 978576 97,8576 1
MDIA 97,55229 94,8879
66

Os melhores resultados para a abordagem A4 foram obtidos para a instncia
gcut5, com um aproveitamento de 98,4% do objeto. Sua soluo grfica
apresentada na FIGURA 22.

250x164 250x164 250x164

250x164 250x164 250x164

Na abordagem A4, em que se permite a rotao de itens para o corte em
dois estgios, os resultados obtidos tambm so melhores que os obtidos para o
corte em dois estgios com orientao fixa dos itens. Isto se deve, como j foi
mencionado, ao fato de que a rotao dos itens permite um maior nmero de
possveis arranjos destes no objeto. O efeito que a rotao dos itens causa no
aproveitamento do objeto, para o corte em dois estgios, mostrado no GRFICO
2.

67

GRFICO 2 APROVEITAMENTO DO OBJETO NAS ABORDAGENS A3 E A4
O tempo computacional para o corte em dois estgios foi menor que um
segundo, ficando muito prximo do nulo. A heurstica de encaixe, por fazer um
encaixe seqencial dos itens tal como aparecem na lista estabelecida, torna o tempo
de execuo para a Etapa 2 do algoritmo desprezvel.

4.3 ANLISE DA EFICINCIA DO MTODO

Para cada abordagem, realizou-se o teste estatstico ANOVA, considerando
um nvel de significncia de 10%, a fim de comparar o os resultados obtidos pelo
mtodo proposto com a soluo tima. A TABELA 6 mostra os resultados dos testes
estatsticos para cada umas das quatro diferentes abordagens consideradas.
TABELA 6 RESULTADOS DA ANOVA
Abordagem p-valor
A1 0,938
A2 0,981
A3 0,931
A4 0,963
Os resultados da ANOVA apresentaram o p-valor consideravelmente alto
para todas as quatro abordagens, o que nos permite inferir que no h diferenas
significativas entre a rea ocupada do objeto obtida pela soluo tima e pela
metodologia proposta neste trabalho, a um nvel de significncia de 10%.
80
82
84
86
88
90
92
94
96
98
100
A
p
r
o
v
e
i
t
a
m
e
n
t
o

(
%
)

Instncia
Srie1
Srie2
68

Uma anlise comparativa pode ser feita entre o mtodo proposto e a soluo
tima apresentada por Cintra (2004), avaliando o quanto a soluo encontrada se
aproxima da tima. Esta comparao mostrada na TABELA 7, na qual se observa
o percentual da soluo tima atingida pelo mtodo para cada uma das abordagens.
TABELA 7 RELAO ENTRE A SOLUO ENCONTRADA E A SOLUO TIMA PARA CADA
ABORDAGEM
Instncia A1 A2 A3 A4
gcut1 100 100 95,30 96,39
gcut2 95,79 98,12 95,76 96,14
gcut3 95,98 96,58 96,24 95,40
gcut4 97,92 98,05 96,38 95,75
gcut5 100 100 100 100
gcut6 94,46 99,18 94,72 98,01
gcut7 97,10 97,63 97,10 94,76
gcut8 95,99 97,65 96,33 95,75
gcut9 100 100 100 100
gcut10 95,20 98,38 95,20 95,74
gcut11 95,85 99,44 96,38 99,44
gcut12 96,70 98,97 94,53 98,97
Mdia 97,08 98,67 96,49 97,19
Na TABELA 5, fica claro que a abordagem que proporcionou o maior
aproveitamento do objeto foi a que envolve o corte no-estagiado com rotao
permitida dos itens. Este caso o que proporciona o maior nmero de combinaes
entre os itens, gerando portanto as melhores solues.
A comparao da aproximao da soluo tima com os resultados obtidos
em cada abordagem ilustrada no GRFICO 3.

GRFICO 3 EFICINCIA DAS DIFERENTES ABORDAGENS
0
10
20
30
40
50
60
70
80
90
100
Instncia
Srie1
Srie2
Srie3
Srie4
69

Percebe-se, atravs desta ilustrao, que as quatro abordagens obtiveram
resultados prximos. Para todas elas, o aproveitamento mdio dos padres de corte
foi sempre maior que 90%, com uma boa aproximao da soluo tima, pois foi
atingido mais que 95% da mesma em todas as abordagens. A abordagem A2, que
considera o corte no-estagiado com rotao permitida dos itens, foi a que
possibilitou maior aproveitamento do objeto.
Para as menores instncias, que possuem 10 tipos diferentes de itens, a
soluo tima foi atingida, com exceo apenas na instncia gcut1 nas abordagens
que envolvem o corte em dois estgios.

70

5 CONSIDERAES FINAIS

Este trabalho apresenta uma proposta para a gerao de padres de corte
bidimensionais guilhotinados, considerando o corte no-estagiado e em dois
estgios, e ainda a possibilidade de rotao dos itens.
Props-se um mtodo de resoluo do problema em duas etapas. Na
primeira etapa, geram-se os agrupamentos de itens atravs de um Algoritmo
Gentico. Na segunda etapa, aplicam-se tcnicas de encaixe a fim de encontrar qual
dos agrupamentos constitui o melhor padro de corte.
Para o corte no-estagiado, utilizou-se uma tcnica de encaixe baseada no
algoritmo de Wang (1982), que cria semi-solues atravs de sucessivas
construes horizontais e verticais dos itens, podendo ainda considerar a rotao
dos mesmos.
Para o corte em dois estgios, foi utilizada a heurstica construtiva First Fit
Decreasing Height, que aloca os itens no objeto estabelecendo faixas, que so a
caracterstica determinante deste tipo de corte.
Os testes computacionais realizados forneceram bons resultados para o
problema, em um tempo computacional muito baixo. O Algoritmo Gentico
implementado mostrou-se capaz de gerar bons padres de corte, visto que cria
grupamentos de itens a serem submetidos s tcnicas de encaixe, o que reduz o
tempo de processamento gasto por elas, especialmente para o corte no-estagiado,
no qual a quantidade de possibilidades de encaixe aumenta exponencialmente em
relao quantidade de itens.
Por fim, deve-se salientar que o sistema computacional desenvolvido
apresenta grande usabilidade, devido representao grfica da soluo final, cujo
procedimento est includo no tempo computacional apresentado.

71

5.1 SUGESTES PARA TRABALHOS FUTUROS

Os mtodos empregados neste trabalho possibilitaram conhecer mais
profundamente a complexidade dos problemas de corte e empacotamento. Diante
disto, alguns itens adicionais podem ser indicados como trabalhos futuros:
Aprimorar a tcnica de encaixe para o corte em dois estgios;
Utilizar a gerao de padres proposta para solucionar o Problema de Corte
e Estoque;
Estender a metodologia desenvolvida para problemas tridimensionais, com
destaque aos problemas de empacotamento e carregamento de contineres.

72

REFERNCIAS

ALVAREZ-VALDES, R.; PARAJON, A.; TAMARIT, J. M. A tabu search algorithm for
large-scale guillotine (un)constrained two-dimensional cutting problems. Computer &
Operations Research, v. 29, p. 925-947, 2002.

AMARAL, A. R. S.; WRIGHT, M. Efficient algorithm for the constrained two-
dimensional cutting stock problem. International Transactions in Operational
Research. v. 8, p. 3-13, 2001.

BARROS, C. M. P.; LOUA JUNIOR, C.; ROCHA, M. L. Uma metaheurstica
GRASP aplicada ao problema de corte guilhotinado bi-dimensional. Trabalho
apresentado no Congresso Nacional da SUCESU, Florianpolis, 2004.

CINTRA, G. F. Algoritmos para Problemas de Corte de Guilhotina
Bidimensional. 145 p. Tese (Doutorado em Cincia da Computao) - Instituto de
Matemtica e Estatstica, Universidade de So Paulo, So Paulo, 2004.

CHRISTOFIDES, N.; HADJICONSTANTINOU, E. An exact algorithm for orthogonal
2-D cutting problems using guillotine cuts. European Journal of Operational
Research, v. 83, p. 21-38, 1995.

CHRISTOFIDES, N.; WHITLOCK, C. An algorithm for two-dimensional cutting
problems. Operations Research, v. 25, n. 1, p. 30-44, 1977.

DICKHOFF, H. A typology of cutting and packing problems. European Journal of
Operational Research, v. 44, p. 145-159, North-Holland, 1990.

DAZA, V.P.; ALVARENGA, A. G.; DIEGO, J. Exact solutions for constrained two-
dimensional cutting problems. European Journal of Operational Research, v. 83,
p. 633-644, 1995.

DOWSLAND, K. A. Some experiments with simulated annealing techniques for
packing problems. European Journal of Operational Research, v. 68, p. 389-399,
1993.

73

FAINA, L. Application of simulated annealing to the cutting stock problem. European
Journal of Operational Research, v. 114, p. 542-556, 1999.

FIGUEIREDO, A. G. Anlise de Produtividade de Padres de Corte na Indstria
de Mveis. 107 p. Dissertao (Mestrado em Matemtica Aplicada) - Instituto de
Biocincias, Letras e Cincias Exatas, Universidade Estadual Paulista, So Jos do
Rio Preto, 2005.

FRITSCH, A.; VORBERGER, O. Cutting stock by iterated matching. In:
INTERNATIONAL CONFERENCE ON OPERATIONS RESEARCH, 1995.
Proceedings... Springer: 1995. p. 92-97.

GILMORE, P.; GOMORY, R. A linear programming approach to the cutting stock
problem. Operations Research, v. 9, p. 849-859, 1961.

GILMORE, P.; GOMORY, R. A linear programming approach to the cutting stock
problem - Part II. Operations Research, v. 11, p. 863-888, 1963.

GILMORE, P.; GOMORY, R. Multistage cutting stock problems of two and more
dimensions. Operations Research, v. 14, p. 94-120, 1964.

GILMORE, P.; GOMORY, R. The theory and computation of knapsack functions.

HERZ, J. C. Recursive Computational Procedure for Two-Dimensional Stock Cutting.
IBM Journal of Research and Development, v. 16, p. 462-469, 1972.

HIFI, M.; ROUCARIOL, C. Approximate and exact algorithms for constrained
(un)weighted two-dimensional two-staged cutting stock problems. Journal of
Combinatorial Optimization, v. 5, p. 465-494, 2001.

HOPPER, E.; TURTON, B. C. H. A review of the application of meta-heuristic
algorithms to 2D strip packing problems. Artificial Intelligence Review, v. 16, p.
257-300, 2001.

LODI, A.; MARTELLO, S.; MONACI, M. Two-dimensional packing problems: a
survey. European Journal of Operational Research, v. 141, p. 241-252, 2002.

74

LUEKER, G.S. Two np-complete problems in nonnegative integer programming.
Report n. 178, Princeton University, Computer Science Laboratory, Princeton, NJ,
1975.

LINDEN, R. Algoritmos Genticos: Uma importante ferramenta da Inteligncia
Computacional. 2. ed. Rio de Janeiro: Brasport, 2008.

LODI, A.; MARTELLO, S.; VIGO, D. Heuristic and metaheuristic approaches for a
class of two-dimensional bin packing problems. Journal on Computing, v. 11, n. 4,
p. 345-357, 1999.

MARQUES, F. P.; ARENALES, M. N. O problema da mochila compartimentada e
aplicaes. Pesquisa Operacional, v. 22, n. 3, p. 285-304, jul./dez. 2002.

MORABITO, R.; ARENALES, M. N. Performance of two heuristics for solving large
scale two-dimensional guillotine cutting problems. INFORS, v. 33, n. 2, p. 145-155,
1995.

OLIVEIRA, J.; FERREIRA, J. An improved version of Wangs algorithm for
twodimensional cutting problems. European Journal of Operational Research, v.
44, p. 256-266, 1990. 1990.

RAHMANI, A. T.; ONO, N. An evolutionary approach to two-dimensional guillotine
cutting problem. In: INTERNATIONAL CONFERENCE ON EVOLUTIONARY
COMPUTATION, 1995, Perth. p. 148-151.

SMITH, D. Bin packing with adaptive search. In: INTERNATIONAL CONFERENCE
ON GENETIC ALGORITHMS AND THEIR APPLICATIONS, 1985. Proceedings...
Laurence Erlbaum: 1985. p. 202-206.

TEMPONI, E. C. C. Uma Proposta de Resoluo do Problema de Corte
Bidimensional via Abordagem Metaheurstica. 80 p. Dissertao (Mestrado em
Modelagem Matemtica e Computacional) - Centro Federal de Educao
Tecnolgica de Minas Gerais, Belo Horizonte, 2007.

TORO O, E. M.; RUEDA M., A. C.; GRANADA, M. Algoritmo de Bequeda Tabu
aplicado a la solucin del problema de corte bidimensional guillotinado. Scientia et
Technica, v. XIII, n. 37, p. 43-48, 2007.

75

VASKO, F. J. A computational improvement to Wangs two-dimensional cutting stock
algorithm. Computers and Industrial Engineering, v. 16, p. 109-115, 1989.

WANG, P. Y. Two algorithms for constrained two-dimensional cutting stock problems.

WASCHER, G.; HAUBNER, H.; SCHUMANN, H. An improved typology of cutting and
packing problems. European Journal of Operational Research, v. 183, p. 1109-
1130, 2007.

76

APNDICE
SOLUES GRFICAS
ABORDAGEM A1: CORTE NO-ESTAGIADO SEM ROTAO DE ITENS

120x160 70x86

70x86

120x160

70x86

gcut1 (250x250)

66x80 69x169

66x80 69x169

110x155 93x86

gcut3 (250,250)

164x250 164x250

164x250 164x250

164x250 164x250

gcut5 (500,500)

118x90 121x158

118x190 121x158

gcut2 (250,250)

111x118 111x118

138x124 138x124

gcut4 (250,250)

234x321 149x169

149x169

234x321

149x169

gcut6 (500,500)

77

146x351
129x147

146x351
129x147

191x249 191x249

gcut7 (500,500)

325x498 325x498

325x498 325x498

325x498 325x498

gcut9 (1000,1000)

344x301 344x301 344x301

650x332 650x332 650x332

gcut11 (1000,1000)

210x163 210x163 210x163

277x242 277x242

gcut8 (500,500)

483x260 269x717

269x717

483x260

453x329 453x329

gcut10 (1000,1000)

446x327 446x327 446x327

268x352 537x355 446x327

268x352

gcut12 (1000,1000)

78

ABORDAGEM A2: CORTE NO-ESTAGIADO COM ROTAO DE ITENS

167X184 148X66

83X140 70X86

gcut1 (250,250)

66x80 69x169

107x164 98x85

69x169 71x71

gcut3 (250,250)

164x250 164x250

164x205 164x250

164x250 164x250

gcut5 (500,500)

118x90 121x158

118x190 121x158

gcut2 (250,250)

71x83 71x83 71x83

88x74 178x87 178x87

83x71

gcut4 (250,250)

210x241 210x241

241x210 287x134 287x134

gcut6 (500,500)
79

129x147 146x351

327x206 351x146 351x146

gcut8 (500,500)

325x498 325x498

325x498 325x498

325x498 325x498

gcut9 (1000,1000)

285x474 285x474

714x266 301x367 701x367

gcut11 (1000,1000)

144x131 146x178 146x178

233x177 233,177 174x200

174x200

144x131 144x131

gcut8 (500,500)

483x260 300x730

691x359 691x359

483x260

gcut10 (1000,1000)

446x433 439x281 439x281

543x290 537x355 537x355

gcut12 (1000,1000)

80

ABORDAGEM A3: CORTE EM DOIS ESTGIOS SEM ROTAO DE ITENS

114x118 114x118

114x118 114x118

gcut1 (250,250)

66x80 66x80 66x80

66x80 66x80 66x80

111x118 111x118

gcut3 (250,250)

164x250 164x250

164x205 164x250

164x250 164x250

gcut5 (500,500)
68x94 68x94

91x175 86x75

91x175 86x75

gcut2 (250,250)

71x83 71x83 71x83

173x117 71x83 71x83

gcut4 (250,250)

132x189 132x189

354x224 354x224

gcut6 (500,500)
81

146x351
129x147

146x351
129x147

191x249 191x249

gcut7 (500,500)

325x498 325x498

325x498 325x498

325x498 325x498

gcut9 (1000,1000)

341x336 341x336 340x296

623x306 623x306
609x375

gcut11 (1000,1000)

210x163 210x163 210x163

277x242 277x242

gcut8 (500,500)

453x329 453x329 453x329

506x482 506x482

gcut10 (1000,1000)

446x327 439x281 439x281

543x290 543x290 542x400

gcut12 (1000,1000)

82

ABORDAGEM A4: CORTE EM DOIS ESTGIOS COM ROTAO DE ITENS

86x70 83x140

160x120 160x120

gcut1 (250,250)

66x80 66x80 66x80

89x86 89x86
80x66

93x86 939x86
80x66

gcut2 (250,250)

250x164 250x164 250x164

250x164 250x164 250x164

gcut5 (500,500)

90x118 85x66 85x66

155x76 155x76 148x87

gcut2 (250,250)

62x82 62x82 62x82

82x62 82x62 82x62 82x62

103x92 103x92

82x62

gcut4 (500,500)

134x287 132x189

354x244 354x244

gcut6 (500,500)
83

224x236 224x236

273x268
247x219

gcut7 (500,500)

498x325 498x325 498x325

498x325 498x325 498x325

gcut9 (1000,1000)

285x474 285x474

714x266 301x367 701x367

gcut11 (1000,1000)

210x163 210x163 210x163

277x242 277x242

gcut8 (500,500)

260x483 260x483

730x300
693x345 693x345

gcut10 (1000,1000)

446x433 439x281 439x281

543x290 537x355 537x355

gcut12 (1000,1000)

84

ANEXO

INSTNCIAS UTILIZADAS

gcut1
w l d
16 184 90
114 118 75
167 152 71
83 140 13
70 86 39
143 166 79
120 160 63
66 148 93
87 141 61
69 165 85

gcut2
w l d
120 133 61
135 186 75
86 75 33
103 73 39
66 85 20
135 97 79
91 175 56
131 176 49
71 176 34
153 72 96
87 148 19
168 107 92
118 90 8
140 109 79
132 159 13
152 93 2
135 68 78
121 158 40
68 94 17
155 76 92

gcut3
w l d
66 80 33
164 107 75
64 184 94
121 86 65
163 135 2
85 98 78
81 102 49
103 186 4
152 106 7
176 139 6
111 118 5
69 169 20
146 133 26
112 112 55
133 160 50
63 129 64
163 152 25
110 155 80
96 136 90
92 142 84
84 143 95
119 133 33
71 71 64
146 84 5
93 86 68
89 86 30
101 146 100
172 73 33
73 169 62
99 99 87

85

gcut4
w l d
w l d
139 103 77 101 64 53
166 99 75 103 95 8
88 74 16 110 107 78
174 139 17 184 158 84
128 109 64 85 97 27
175 179 78 86 92 96
62 82 35 127 155 8
178 87 15 92 147 41
121 77 53 106 97 27
125 97 27 177 108 31
73 84 79 164 150 48
69 97 76 68 84 11
122 159 60 62 151 79
66 69 7 123 134 90
111 118 23 158 178 63
165 86 87 70 140 56
71 83 19 173 117 40
163 162 62 147 136 78
67 132 35 141 145 86
121 152 68 84 164 67
68 150 61 144 141 75
138 124 81 92 103 94
141 105 36 156 98 50
183 122 83 160 111 93
171 63 75 127 131 59

gcut5
w l d
198 205 91
179 155 71
364 236 94
272 147 74
352 145 32
343 245 63
132 174 60
164 250 27
282 356 58
342 151 75

gcut6
w l d
313 305 64
292 222 66
330 253 78
212 256 60
132 189 6
149 296 46
294 137 51
225 345 16
345 220 27
337 177 74
189 300 82
234 321 9
335 272 43
354 244 23
149 169 73
355 165 72
260 220 93
210 241 40
194 372 80
287 134 61

86

gcut7
w l d
340 220 37
255 184 61
191 249 62
212 194 47
348 322 80
171 369 30
206 327 42
221 277 6
250 202 97
205 226 74
193 280 50
364 311 45
264 224 78
244 347 72
270 338 89
224 236 19
168 177 47
285 347 80
315 294 34
247 219 87
315 302 46
129 147 52
268 273 89
350 352 23
186 258 86
365 374 20
145 259 42
284 184 58
129 198 43
146 351 30

gcut8
w l d w l d
277 242 83 198 182 3
233 177 51 155 295 12
182 216 30 278 219 85
147 134 19 184 155 53
213 127 29 187 270 32
315 212 97 208 293 44
261 175 24 261 204 8
210 281 85 344 168 37
243 256 36 213 135 19
159 314 74 362 162 10
217 147 87 362 374 84
260 349 18 237 322 64
222 199 47 281 308 58
296 127 69 155 344 68
263 302 23 210 163 51
226 250 13 325 225 72
264 344 54 360 225 71
237 179 62 346 347 92
245 137 42 131 144 82
137 328 40 284 284 70
321 154 45 262 228 10
200 174 46 146 178 40
270 128 11 254 164 10
299 179 13 332 238 42
165 370 72 313 304 76

gcut9
w l d
310 426 91
673 468 61
426 463 40
325 498 95
555 540 18
292 455 30
343 341 56
362 491 95
305 688 51
459 607 53

87

gcut10
w l d
730 300 68
269 717 47
463 369 69
642 464 2
453 329 78
455 667 82
506 482 42
560 362 52
483 260 13
693 345 32
381 510 8
456 586 43
457 453 12
707 658 12
639 650 93
691 359 12
434 700 21
576 291 39
728 739 6
545 742 99

gcut11
w l d
541 745 44
344 301 32
413 294 99
266 341 9
543 388 38
367 701 33
526 707 28
286 706 9
614 289 76
348 592 10
673 431 40
475 362 96
562 439 81
530 638 5
609 375 69
540 274 29
486 634 89
272 377 80
623 306 24
266 714 94
341 336 97
340 296 90
531 479 38
571 589 60
674 496 22
560 497 1
509 389 27
650 332 7
474 285 5
419 503 16

gcut12
w l d
w l d
572 665 95 716 640 4
482 640 3 542 400 19
264 594 58 634 596 1
349 566 23 497 696 90
276 660 58 417 300 43
745 422 35 290 605 41
434 622 100 321 520 8
446 433 24 543 290 29
668 506 1 599 269 3
405 635 66 467 679 68
486 320 3 583 421 57
554 549 3 729 723 69
392 491 20 465 590 16
459 528 91 614 585 24
426 579 22 446 327 26
728 359 64 734 616 4
644 465 25 479 606 34
382 323 61 656 278 21
268 352 58 537 355 72
324 512 83 604 519 75
277 426 14 746 596 80
254 685 76 439 281 31
483 532 60 339 405 32
678 414 73 273 526 40
546 590 66 625 568 12

Grasp PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Grasp PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO PARAN

LILIAN CAROLINE XAVIER CANDIDO

registra a quantidade de cada item a ser cortada nesse padro .

, na qual todos os coeficientes so nmeros inteiros no-

( ). Pode-se ento denotar por

o valor de cada tipo

-, tem-se que o valor timo para este problema pode ser

, os pontos de discretizao da largura .

, os pontos de discretizao da altura .

de tipos de itens menores, de dimenses

, com , e otimizar uma funo objetivo de interesse, como, por

a quantidade do item a ser cortada no padro , ento para

, no qual cada componente

representa a quantidade do item a

-+, ou seja, onde a quantidade de cada tipo de item varie de 0 at sua

, respectivamente, corresponde a um novo item, cujas dimenses sero

. Analogamente, uma construo vertical dos dois mesmos

, que o conjunto de todos os retngulos satisfazendo:

. Remova os retngulos equivalentes de

no vazio, faa e v para o Passo 2. Seno,

que tem a mnima perda total quando sobreposto ao objeto

permanece inalterado. J no caso do corte com rotao, criamos um

aps a rotao em 90. Observe, no entanto, que

, que o conjunto de todos os retngulos satisfazendo:

. Remova os retngulos equivalentes de

foram alocados, pare.

o melhor padro de corte

no vazio, faa e v para o Passo 2. Seno,

, que o conjunto de todos os retngulos satisfazendo:

foram alocados, pare.

o melhor padro de corte

no vazio, faa e v para o Passo 2. Seno,

rotacionado em 90. Neste caso, cada item aparece

no canto inferior esquerdo do objeto,

, verifique a possibilidade de inserir o item :

para todo , retorne

como o melhor padro de corte encontrado; caso

Você também pode gostar