Você está na página 1de 272

UNIVERSIDADE DE SO PAULO

ESCOLA POLITCNICA

FERNANDO JOS DE MOURA MARCELLINO

Planejamento Integrado da Cadeia de


Suprimentos da Indstria do Petrleo Baseado
em Agentes Holnicos

So Paulo
2013

FERNANDO JOS DE MOURA MARCELLINO

Planejamento Integrado da Cadeia de


Suprimentos da Indstria do Petrleo Baseado
em Agentes Holnicos

Tese apresentada Escola Politcnica da


Universidade de So Paulo para obteno
do ttulo de Doutor em Cincias.

So Paulo
2013

FERNANDO JOS DE MOURA MARCELLINO

Planejamento Integrado da Cadeia de


Suprimentos da Indstria do Petrleo Baseado
em Agentes Holnicos

Tese apresentada Escola Politcnica da


Universidade de So Paulo para obteno
do ttulo de Doutor em Cincias.
Programa:
Engenharia Eltrica
rea de Concentrao: Sistemas Digitais

Orientador:
Prof. Dr. Jaime Simo Sichman

So Paulo
2013

Este exemplar foi revisado e alterado em relao a verso


original, sob responsabilidade nica do autor com a anuncia de
seu orientador.
So Paulo, 18 de julho de 2013

Fernando Jos de Moura Marcellino

Jaime Simo Sichman

FICHA CATALOGRFICA

Marcellino, Fernando Jose de Moura


Planejamento integrado da cadeia de suprimentos da indstria do petrleo baseado em agentes holnicos / F.J.M.
Marcellino. -- verso corr. -- So Paulo, 2013.
270 p.
Tese (Doutorado) - Escola Politcnica da Universidade de
So Paulo. Departamento de Engenharia de Computao e Sistemas Digitais.
1. Programao por restries 2. Cadeia de suprimentos
3. Petrleo 4. Planejamento integrado 5. Holons I. Universidade
de So Paulo. Escola Politcnica. Departamento de Engenharia
de Computao e Sistemas Digitais II. t.

Agradecimentos
minha famlia pela pacincia e incentivo em todos os momentos. Em especial minha lha
Camilla pela ajuda na reviso do texto.

Ao meu orientador pelo apoio e pacincia ao longo de todo o trabalho.

PETROBRAS pelo patrocnio e por todo o suporte oferecido, que tornaram este trabalho
possvel.

toda minha equipe de pesquisa operacional da rea de TIC da PETROBRAS em So Paulo


pelas discusses e crticas. Em especial, aos analistas Tiago Montagner e Daniel Ferber pela
contribuio na implementao do prottipo utilizado nos experimentos.

Ao engenheiro de processamento Marcel Joly da rea de reno da PETROBRAS e a toda a


equipe do sistema SIPP pelo subsdio de informaes relativas programao de produo das
renarias.

analista de sistemas Wanda Teixeira e equipe da rea de planejamento de logstica da


PETROBRAS pelo fornecimento do histrico de informaes do sistema PLANAB para o caso
de estudo utilizado neste trabalho.

Ao engenheiro de petrleo Ricardo Accioly da rea de explorao e produo da PETROBRAS


pelas conversas e recomendaes relacionadas a reservatrios e extrao de petrleo, que fazem
parte deste trabalho.

A Thomas Leaute, um dos criadores do FRODO, pelas sugestes e suporte para os ajustes e
modies necessrios para o uso da verso 2.10.4 do FRODO neste trabalho.

A todos que, de alguma forma, contriburam para que este trabalho fosse realizado.

Resumo
A rea do petrleo uma das que mais podem se beneciar da melhoria de ecincia da
gesto da cadeia de suprimentos. Entretanto, o comportamento dinmico de tais cadeias muito
complexo para ser modelado de forma analtica. Por outro lado, estas cadeias mostram vrias
caractersticas intrnsecas em comum com sistemas multiagentes, que oferecem a exibilidade
necessria para modelar as complexidades e a dinmica das cadeias de suprimentos reais sem
a necessidade de premissas muito simplicadoras. Como o problema de gerenciamento da cadeia de suprimentos apresenta uma estrutura recursiva, torna-se ainda mais conveniente usar
um modelo baseado em agentes holnicos, que mostram uma estrutura do tipo fractal. Alm
disso, o tipo de relacionamento entre as entidades da cadeia e a necessidade de uma otimizao global sugerem modelar suas interaes na forma de restries. Por esta razo, esta tese
prope um modelo distribudo de otimizao atravs da denio de um novo problema denominado Problema de Satisfao de Restries Holnico com Otimizao (HCOP), que baseado
nos conceitos do Problema de Satisfao de Restries Distribudo com Otimizao (DCOP)
e agentes holnicos. Alm disso foi desenvolvido um meta-algoritmo baseado no algoritmo
DTREE para solucionar este tipo de problema, onde vrios algoritmos disponveis de otimizao centralizados podem ser embutidos e integrados de tal forma a obter a congurao mais
adequada para cada caso. Assim, uma tpica cadeia de suprimentos da indstria do petrleo foi
modelada como um HCOP, e foi desenvolvido um prottipo que implementa o meta-algoritmo
proposto em um ambiente que integra sistemas de otimizao de produo e logstica, que so
representativos em relao a situaes reais. Finalmente foram realizados experimentos sobre
um estudo de caso da empresa PETROBRAS, que permitiram a vericao da viabilidade deste
modelo e a comprovao de suas vantagens em relao s abordagens convencionais.

Abstract
The oil area is one of those that may most benet from the improved efciency of supply
chain management. However, the dynamic behavior of such chains is too complex to be modeled analytically. Moreover, these chains show several intrinsic characteristics in common with
multiagent systems, which offer the required exibility to model the complexities and dynamics
of real supply chains without rather simplifying assumptions. As the problem of managing the
supply chain has a recursive structure, it becomes more convenient to use a model based on holonic agents, which show a fractal-type structure. Furthermore, the type of relationship between
entities in the chain and the need for global optimization suggest to model their interactions in
the form of constraints. For this reason, this thesis proposes an optimization distributed model
by dening a new problem called Holonic Constraint Optimization Problem (HCOP), which
is based on concepts from Distributed Constraint Satisfaction Optimization Problem (DCOP)
and holonic agents. In addition we developed a meta-algorithm based on DTREE algorithm for
solving this type of problem, where several algorithms available for centralized optimization
algorithms can be embedded and integrated so as to obtain the most suitable conguration for
each case. Thus, a typical supply chain of the petroleum industry was modeled as a HCOP, and
we developed a prototype that implements the meta-algorithm in an environment that integrates the optimization systems for production and logistics, which are representative in relation
to actual situations. Finally experiments were performed on a case study of the company PETROBRAS, which allowed the verication of the feasibility of this model and the proof of their
advantages over conventional approaches.

Sumrio

Lista de Figuras
Lista de Tabelas
Lista de Acrnimos
1

Introduo

p. 15

1.1

Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 15

1.2

Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 17

1.3

Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 18

1.4

Contribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 19

1.5

Organizao do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 20

I Planejamento da Cadeia de Suprimentos


2

22

Cadeias de Suprimentos

p. 23

2.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 23

2.2

Denies Bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 24

2.2.1

Gerenciamento da Cadeia de Suprimentos . . . . . . . . . . . . . . .

p. 24

2.2.2

Planejamento Integrado da Cadeia de Suprimentos . . . . . . . . . .

p. 26

2.2.3

Logstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 27

2.2.4

Gesto e Polticas de Estoque . . . . . . . . . . . . . . . . . . . . .

p. 27

2.2.5

Previso de Demanda . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 28

2.3

2.4
3

2.2.6

Gesto da Produo

. . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.7

Mtricas de Desempenho

p. 28

. . . . . . . . . . . . . . . . . . . . . . .

p. 28

Cadeia de Suprimentos da Indstria do Petrleo . . . . . . . . . . . . . . . .

p. 30

2.3.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 30

2.3.2

Extrao de Petrleo . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 33

2.3.3

Reno de Petrleo . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 36

2.3.4

Gesto de Estoques de Petrleo e seus Derivados . . . . . . . . . . .

p. 37

2.3.5

Distribuio de Derivados de Petrleo . . . . . . . . . . . . . . . . .

p. 40

Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 42

Modelos do Planejamento Integrado da Cadeia de Suprimentos

p. 43

3.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 43

3.2

Abordagens de Simulao . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 44

3.3

Abordagens Analticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 45

3.4

Desaos para o Planejamento Integrado com Otimizao . . . . . . . . . . .

p. 49

3.4.1

Modelagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 50

3.4.2

Multi-Escala (Espao e Tempo) . . . . . . . . . . . . . . . . . . . .

p. 51

3.4.3

Esforo Computacional

. . . . . . . . . . . . . . . . . . . . . . . .

p. 55

Problema de Otimizao . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 56

3.5.1

Programao Linear (LP) e Programao Linear Inteira Mista (MILP)

p. 58

3.5.2

Programao No-linear (NLP) . . . . . . . . . . . . . . . . . . . .

p. 59

3.5.3

Programao de Restries

. . . . . . . . . . . . . . . . . . . . . .

p. 61

Estratgia de Soluo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 63

3.6.1

Mtodos Hierrquicos . . . . . . . . . . . . . . . . . . . . . . . . .

p. 64

3.6.2

Mtodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 65

3.6.3

Mtodos Full-space . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 65

Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 67

3.5

3.6

3.7

II Abordagem Distribuda
4

Agentes Holnicos

p. 70

4.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 70

4.2

Agentes em Cadeias de Suprimentos . . . . . . . . . . . . . . . . . . . . . .

p. 71

4.3

Paradigma Holnico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 73

4.3.1

Holons e Agentes . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 75

4.3.2

Modelos de Agentes Holnicos . . . . . . . . . . . . . . . . . . . .

p. 75

4.3.3

Organizao Holnica . . . . . . . . . . . . . . . . . . . . . . . . .

p. 78

Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 79

4.4.1

Sistema Holnico de Manufatura (HMS) . . . . . . . . . . . . . . .

p. 79

4.4.2

TELETRUCK . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 80

4.4.3

Sistema de Transporte Automtico Global (GATS) . . . . . . . . . .

p. 82

4.4.4

Sistemas Multiagentes Holnicos . . . . . . . . . . . . . . . . . . .

p. 83

Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 84

4.4

4.5
5

69

Problema de Satisfao de Restries Distribudas com Otimizao (DCOP)

p. 86

5.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 86

5.2

Formalizao do Problema de Satisfao de Restries Distribudo com Otimizao (DCOP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 87

5.3

Generalizao do DCOP para Problemas Locais Complexos . . . . . . . . .

p. 88

5.4

Algoritmos para DCOP . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 90

5.5

Protocolo de Mensagens . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 96

5.6

Ferramentas para DCOP . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 99

5.7

Representao XML de Instncias de DCOP . . . . . . . . . . . . . . . . . . p. 100

5.8

Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 100

5.9

Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 104

III Contribuies
6

Problema de Satisfao de Restries Holnico com Otimizao (HCOP)

p. 106

6.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 106

6.2

Descrio do HCOP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 107

6.3

Formalizao do HCOP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 110

6.4

Relao entre DCOP e HCOP . . . . . . . . . . . . . . . . . . . . . . . . . p. 115

6.5

105

6.4.1

Decomposio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 117

6.4.2

Compilao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 117

Meta-Algoritmos para a Soluo do HCOP . . . . . . . . . . . . . . . . . . p. 119


6.5.1

Adaptao de um Algoritmo DCOP para o HCOMA . . . . . . . . . p. 121

6.5.2

HCOMA Baseado no ADOPT . . . . . . . . . . . . . . . . . . . . . p. 128

6.5.3

HCOMA Baseado no DPOP . . . . . . . . . . . . . . . . . . . . . . p. 129

6.6

Representao XML de Instncias de HCOP

. . . . . . . . . . . . . . . . . p. 135

6.7

Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 138

Modelagem do Planejamento Integrado da Cadeia de Suprimentos da Indstria do Petrleo como um HCOP

p. 140

7.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 140

7.2

Denio do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 141

7.3

Modelo de Referncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 142


7.3.1

Modelo Multi-Perodo . . . . . . . . . . . . . . . . . . . . . . . . . p. 142

7.3.2

Variveis do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . p. 144

7.3.3

Modelo Holnico . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 150

7.3.4

Modelo de Organizao . . . . . . . . . . . . . . . . . . . . . . . . p. 155

7.3.5

Submodelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 156

7.3.6

Funo de Emergncia . . . . . . . . . . . . . . . . . . . . . . . . . p. 165

7.3.7

Mtricas de Desempenho e Funo Objetivo . . . . . . . . . . . . . p. 168

7.4

Modelo Formal do Planejamento Integrado . . . . . . . . . . . . . . . . . . p. 171

7.5

Representao XML de Instncias de HCOPs Complexos

7.6

Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 176

. . . . . . . . . . p. 175

p. 181

Experimentos
8.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 181

8.2

Ferramenta FRODO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 181

8.3

Fase I: HCOP Genrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 183

8.4

8.3.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 183

8.3.2

Descrio dos Experimentos . . . . . . . . . . . . . . . . . . . . . . p. 183

8.3.3

Anlise dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . p. 187

8.3.4

Resumo dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . p. 190

Fase II: Planejamento Integrado da Cadeia de Suprimento do Petrleo como


HCOP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 191

8.5
9

8.4.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 191

8.4.2

Descrio do Caso de Estudo . . . . . . . . . . . . . . . . . . . . . . p. 191

8.4.3

Formalizao da Instncia do Caso de Estudo . . . . . . . . . . . . . p. 193

8.4.4

Caso Padro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 199

8.4.5

Apresentao Resumida do Processo de Soluo do Caso Padro

8.4.6

Anlise do Caso Padro . . . . . . . . . . . . . . . . . . . . . . . . p. 206

8.4.7

Anlise de Cenrios com Contingncia . . . . . . . . . . . . . . . . p. 209

. . p. 200

Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 216

Concluses

p. 219

Referncias

p. 223

Anexo A -- Prova do Algoritmo ADOPT

p. 236

Anexo B -- Prova do Algoritmo DPOP

p. 240

Anexo C -- Representao de Instncias de Problemas de Restries com XML

p. 241

Anexo D -- Soluo Completa do Caso Padro no Caso de Estudo do Captulo 8

p. 246

Lista de Figuras
1

Esquema Resumido da Tese . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 19

Processos de uma Tpica Cadeia de Suprimentos . . . . . . . . . . . . . . . .

p. 25

Cadeia de Suprimentos da Indstria do Petrleo . . . . . . . . . . . . . . . .

p. 31

Curva de Produo Terica de um Campo de Petrleo . . . . . . . . . . . . .

p. 34

Fluxograma de uma Renaria Genrica . . . . . . . . . . . . . . . . . . . .

p. 38

Ligao entre Tancagem de Petrleo e Unidade de Destilao em uma Renaria p. 40

Diagrama de Distribuio por Oleodutos . . . . . . . . . . . . . . . . . . . .

p. 41

Viso Hierrquica da Otimizao da Cadeia (baseada em (Shapiro, 2006)) . .

p. 50

Classes de Problemas de Otimizao (baseada em (Papadimitriou e Steiglitz,


1998)) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

10

p. 58

(a) Hierrquico (b) Iterativo (c) Full-space (baseada em (Maravelias e Sung,


2009)) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 64

11

(a) Federao (b) Grupo Moderado (c) Fuso . . . . . . . . . . . . . . . . .

p. 77

12

Organizao Holnica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 79

13

Exemplo de um Problema com 4 Agentes, cada um com 4 Variveis . . . . .

p. 89

14

Fluxo de Mensagens de um Algoritmo Genrico p/ DCOP . . . . . . . . . .

p. 99

15

Restries do HCOP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 108

16

Diagrama Bsico do HCOP

17

Exemplo de Modelagem Holnica . . . . . . . . . . . . . . . . . . . . . . . p. 110

18

(a) Decomposio (b) Compilao . . . . . . . . . . . . . . . . . . . . . . . p. 116

19

Transformao de HCOP para DCOP . . . . . . . . . . . . . . . . . . . . . p. 120

20

Relao entre HCOMA e o Algoritmo de DCOP Base . . . . . . . . . . . . . p. 128

. . . . . . . . . . . . . . . . . . . . . . . . . . p. 109

21

Ilustrao do HCOMA ADOPT . . . . . . . . . . . . . . . . . . . . . . . . p. 129

22

Ilustrao do HCOMA DPOP . . . . . . . . . . . . . . . . . . . . . . . . . p. 135

23

Ilustrao do Escopo do Problema Tratado . . . . . . . . . . . . . . . . . . . p. 143

24

Modelo Holnico do Problema . . . . . . . . . . . . . . . . . . . . . . . . . p. 151

25

Exemplo de Agregao Temporal . . . . . . . . . . . . . . . . . . . . . . . . p. 152

26

Ilustrao de uma Agregao Genrica . . . . . . . . . . . . . . . . . . . . . p. 153

27

Ilustrao da Organizao Holnica da Cadeia de Suprimentos da Indstria


do Petrleo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 157

28

Modelo Organizacional do Problema . . . . . . . . . . . . . . . . . . . . . . p. 157

29

Conjunto Completo das Restries do HCOP Complexo . . . . . . . . . . . p. 176

30

Diagrama do Processo Holnico . . . . . . . . . . . . . . . . . . . . . . . . p. 180

31

Fluxo do Processo de Soluo . . . . . . . . . . . . . . . . . . . . . . . . . p. 184

32

Grco do Tempo pelo Nmero de Holons . . . . . . . . . . . . . . . . . . . p. 187

33

Grco do Tempo pelo Tamanho do Domnio . . . . . . . . . . . . . . . . . p. 188

34

Grco do Tempo pelo Nmero de Variveis Locais . . . . . . . . . . . . . . p. 188

35

Grco do Tempo pelo Nmero de Camadas . . . . . . . . . . . . . . . . . . p. 189

36

Viso Geral do Escopo e Topologia do Caso de Estudo . . . . . . . . . . . . p. 195

37

Grco de Tempo de Processamento . . . . . . . . . . . . . . . . . . . . . . p. 207

38

Grco da Funo Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 208

39

Grcos da Soluo Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . p. 210

40

Submodelo Simplicado Linear de uma Renaria . . . . . . . . . . . . . . . p. 214

41

Submodelo Simplicado Realista de uma Renaria . . . . . . . . . . . . . . p. 214

42

Gargalo na Distribuio de Petrleo entre a Renaria2 e a Renaria3 . . . . . p. 215

43

Exemplo de um Arquivo XCSP do FRODO p/ DCOP . . . . . . . . . . . . . p. 242

44

Representao da Instncia da Fig. 36 em XCSP

. . . . . . . . . . . . . . . p. 245

Lista de Tabelas
1

Resumo das Unidades de uma Renaria . . . . . . . . . . . . . . . . . . . .

p. 37

Algoritmos para DCOP . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

p. 91

Parmetros de Entrada do Submodelo Logstico . . . . . . . . . . . . . . . . p. 161

Variveis de Deciso do Submodelo Logstico . . . . . . . . . . . . . . . . . p. 162

Comparao entre a Fase I e a Fase II . . . . . . . . . . . . . . . . . . . . . p. 190

Tabela de Petrleos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 192

Tabela de Plataformas de Petrleos . . . . . . . . . . . . . . . . . . . . . . . p. 192

Preos de Venda dos Derivados

Relao de Contratos para Derivados . . . . . . . . . . . . . . . . . . . . . . p. 193

10

Relao de Contratos para Petrleos . . . . . . . . . . . . . . . . . . . . . . p. 194

11

Limitaes e Preos de Venda e Compra do SpotMarket para Derivados . . . p. 194

12

Limitaes e Preos de Venda e Compra do SpotMarket para Petrleos . . . . p. 194

13

Soluo de Venda e Compra do SpotMarket . . . . . . . . . . . . . . . . . . p. 203

. . . . . . . . . . . . . . . . . . . . . . . . p. 192

Lista de Acrnimos
ADOPT Asynchronous Distributed Optimization
API

American Petroleum Institute

CSOP

Constraint Satisfaction Optimization Problem

CSP

Constraint Satisfaction Problem

DCOP

Distributed Constraint Optimization Problem

DisCSP

Distributed Constraint Satisfaction Problem

DPOP

Distributed Pseudotree Optimization Procedure

DTREE Distributed Tree-Optimization


FRODO FRamework for Open/Distributed constraint Optimization
HCOMA Holonic Constraint Optimization Meta-Algorithm
HCOP

Holonic Constraint Optimization Problem

HMS

Holonic Manufacturing System

JaCoP

Java Constraint Programming solver

LP

Linear Programming

MILP

Mixed Integer Linear Programming

MINLP

Mixed Integer Nonlinear Programming

NLP

Nonlinear Programming

XCSP

XML Representation of Constraint Networks

XML

Extensible Markup Language

15

Introduo

1.1

Motivao

Cadeias de suprimentos so redes de entidades autnomas de negcio que coletivamente


intermedeiam, produzem, e distribuem produtos. A gesto da cadeia de suprimentos pode ser
denida como a congurao, coordenao e melhoria contnua de um conjunto sequencialmente organizado de operaes. Seu objetivo prover o melhor nvel de servio ao cliente ao
mais baixo custo possvel (CHIMA; HILLS, 2007). O gerenciamento da cadeia de suprimentos
exige coordenao tanto com clientes quanto com fornecedores. A dinmica do mercado torna
isto difcil: so necessrias respostas rpidas a suas alteraes, que ao mesmo tempo minimizem
tanto o tempo de espera do cliente como os estoques (FOX; CHIONGLO; BARBUCEANU, 1993).
Desta forma, no suciente que as cadeias de suprimentos sejam apenas adequadamente planejadas: elas tambm devem ser gerenciadas de forma exvel e robusta, pois suas operaes
freqentemente so postas em risco por muitos fatores externos de inuncia, tais como mudanas de taxas do mercado nanceiro, atrasos nas entregas dos fornecedores, e falhas de produo
e transporte. Por este motivo, tem sido defendido que a cadeia de suprimentos seja gerenciada
como um sistema integrado e coordenado (FORRESTER, 1958).
Curiosamente, o principal desao da indstria de petrleo e gs no a disponibilidade
de suas reservas, mas sim a colocao destas reservas em produo e a entrega dos produtos nais aos consumidores com o mnimo custo possvel. O produto exatamente o mesmo
para todas as empresas competidoras: derivados de petrleo com diferenciao muito pequena.
Conseqentemente, muitas destas empresas no podem se diferenciar umas das outras atravs
de novos produtos, mas somente atravs de uma operao mais eciente que a de seus competidores, o que resulta de um bom gerenciamento da cadeia de suprimentos (CHIMA; HILLS,
2007). Entretanto, a cadeia de suprimentos da indstria de petrleo apresenta vrios problemas
desaadores. A partir da matria-prima, que o petrleo, so produzidos uma ampla gama
de produtos, que vo do asfalto e leo combustvel, at o querosene de aviao e a nafta petroqumica, passando pela gasolina e o diesel. O grande nmero de diferentes produtos nais

16

demandados pelos consumidores exige um planejamento prudente e exvel, alm de uma coordenao cuidadosa do processo de produo. As etapas dentro da cadeia de suprimentos devem
satisfazer restries tecnolgicas complexas e diversas. Finalmente, as grandes empresas de petrleo atuam de forma complexa e possuem relacionamentos produtorconsumidor entre suas
prprias unidades, que podem atravessar as fronteiras nacionais. Isto requer que as operaes
de planejamento logstico e de produo das diferentes unidades de produo sejam adequadamente sincronizadas e intimamente acopladas.
Por outro lado, sabe-se que o comportamento dinmico de uma complexa cadeia de suprimentos difcil de ser modelado de forma analtica. Recentemente, observa-se na literatura o
uso da tcnica de sistemas multagentes para modelar tais cadeias. Basicamente, consistem de
uma coleo de entidades autnomas que coexistem em um mesmo ambiente e que eventualmente podem se coordenar para realizar tarefas conjuntas (YUAN; LIANG; ZHANG, 2003). Assim,
cadeias de suprimentos e sistemas multiagentes mostram numerosas caractersticas intrnsecas
em comum. Indo mais alm, como o problema de gerenciamento da cadeia de suprimentos
apresenta uma estrutura recursiva onde seus diversos componentes podem ser desmembrados
em subcomponentes integrados, torna-se conveniente que o sistema de agentes que modela tal
problema tenha uma estrutura recursiva semelhante. Para isso, a abordagem de agentes holnicos se mostra bastante adequada, e este ser o paradigma especco de agentes a ser utilizado
neste trabalho.
Em princpio, o termo gesto da cadeia de suprimentos (SHAPIRO, 2006) pode ser considerado equivalente ao planejamento integrado da cadeia de suprimentos adotado neste trabalho.
Entretanto, o primeiro enfatiza mais as reas de logstica e distribuio, enquanto o ltimo focaliza tambm o processo de produo. O desao maior que est envolvido com a cadeia de
suprimentos de uma indstria de transformao, como a do petrleo, a tomada de deciso
integrada e coordenada atravs de vrias reas funcionais de uma grande empresa, atravs de
entidades distribudas geogracamente, e atravs de vrios nveis de deciso (estratgico, ttico e operacional). A tomada de deciso envolvendo tanto reas funcionais, quanto entidades
separadas geogracamente basicamente lida com a integrao espacial no que diz respeito a
coordenar atividades de vrios subsistemas de uma empresa. J a deciso que engloba vrios
nveis hierrquicos lida com a integrao temporal naquilo que envolve decises coordenadas
atravs de diferentes escalas de tempo. O tratamento destes problemas de integrao espacial e
temporal fundamental para otimizar a tomada de deciso ao longo de toda a cadeia.

17

1.2

Objetivos

O objetivo desta tese propor um modelo distribudo de otimizao, baseado em satisfao


de restries e utilizando um sistema multiagentes holnico, que sirva para solucinar uma classe
de problemas como a mencionada na Seo 6.3. Tal modelo, genrico, ser aplicado para
solucionar o problema de planejamento integrado da cadeia de suprimentos da indstria do
petrleo, utilizando os submodelos de otimizao j disponveis e com a maximinao do lucro
e o atendimento aos clientes.
At o momento no existem solues disponveis para enfrentar os grandes desaos desta
classe de problemas em termos de modelagem, escalabilidade, algoritmos e computao. Assim, esta tese representa um novo passo nesta direo.
A aplicao do modelo desenvolvido ao domnio do petrleo dever ser capaz de cumprir
as seguintes metas:
1. Analisar o impacto de mudanas imprevisveis do ambiente, tais como problemas operacionais como indisponibilidades de recursos, tanto na extrao de petrleo quanto na
produo de seus derivados, ou de transporte, sobre o desempenho da cadeia;
2. Analisar o impacto do escalonamento no nvel operacional sobre o desempenho da cadeia;
3. Comparar o uso de um submodelo no-linear no nvel operacional com um modelo geral
linear;
4. Permite atravs do seu uso a comparao dos seus resultados com aqueles obtidos a partir
da otimizao centralizada simplicada, nos moldes do que utilizado da forma convencional pela indstria do petrleo, utilizando cnarios representativos.
A aplicao do modelo permitir tratar o planejamento integrado desta cadeia de suprimentos da
indstria do petrleo, que abrange desde a extrao do petrleo a partir dos poos produtores,
at o transporte dos derivados de petrleo para os terminais de distribuio, de onde sero
entregues aos clientes, que, neste trabalho, so as companhias distribuidoras. Este processo
engloba os principais componentes da cadeia de suprimentos, i.e., extrao do petrleo, seu
reno para a produo de derivados, armazenagem tanto do petrleo quanto dos seus derivados,
e as atividades de transporte de ambos atravs dos meios (ou modais, como so chamados na
rea de logstica) mais importantes neste tipo de cadeia, ou seja, oleodutos e navios. Entretanto,
no so consideradas as atividades anteriores entrada de um poo de petrleo em produo,
como aquelas de explorao e perfurao, nem aquelas posteriores entrega de derivados nos

18

terminais, como as de distribuio para os postos de venda no varejo. O modelo proposto


no estocstico, mas sim determnistico. Entretanto, sua natureza distribuda permitir uma
reao rpida por parte de uma possvel ferramenta baseada neste modelo, de modo a tratar as
mundanas imprevistas.

1.3

Metodologia

As atividades principais deste trabalho podem ser divididas em cinco etapas, que so descritas a seguir:
A primeira etapa consistiu, essencialmente, em uma reviso bibliogrca sobre o estado
da arte das pesquisas sobre modelagem de cadeia de suprimentos de maneira geral, e da
indstria do petrleo em particular, mais especicamente considerando otimizao integrada, e principalmente dentro do paradigma de agentes. Foram pesquisados aspectos
do problema propriamente dito, trabalhos pr-existentes visando sua modelagem, arquiteturas e algoritmos disponveis para implementao dos modelos. Portanto, o resultado esperado desta primeira etapa era o conhecimento mais profundo do problema, com
a identicao de seus principais aspectos, a avaliao das alternativas existentes para
model-lo e para implementar um prottipo;
Na segunda etapa, as diferentes abordagens para a modelagem do problema, que foram
pesquisadas na etapa anterior, foram comparadas de forma qualitativa em busca da melhor alternativa. Foram apresentadas as vantagens da modelagem baseada em agentes,
particularmente dentro do paradigma holnico, levando em conta as caractersticas do
problema de planejamento integrado da cadeia de suprimentos da indstria do petrleo;
Na terceira etapa, o modelo distribudo baseado em agentes holnicos foi formalmente
descrito, resultando no problema denominado HCOP (Problema de Satisfao de Restries Holnico com Otimizao);
Na quarta etapa, foi desenvolvido o meta-algoritmo denominado HCOMA (Meta-Algoritmo
para o Problema de Satisfao de Restries Holnico com Otimizao), que possibilitou
a obteno de uma soluo para o HCOP de forma computacional;
Finalmente, na quinta etapa, um caso de estudo da empresa PETROBRAS foi modelado
utilizando o formalismo do HCOP e implementado atravs do HCOMA. Assim, foram
realizados experimentos utilizando esta implementao, e seus resultados foram analisa-

19

Figura 1: Esquema Resumido da Tese


dos e comparados usando os diferentes cenrios pertencentes a este caso de estudo, de
modo a permitir a avaliao da eccia e da ecincia do modelo proposto.
A sequncia destas atividades encontra-se representada na Fig. 1, que apresenta um esquema
resumido das ideias e contribuies deste trabalho.

1.4

Contribuies

A principal contribuio deste trabalho foi a denio do Problema de Satisfao de Restries Holnico com Otimizao (HCOP), baseado tanto no Problema de Satisfao de Restries Distribudo com Otimizao (DCOP) como no modelo de agentes holnicos. Alm da sua
formulao, especicou-se uma arquitetura distribuda para a soluo de um HCOP utilizando
otimizadores locais, e o desenvolvimento de um meta-algoritmo, denominado HCOMA, para
possibilitar o processamento de solues para este problema utilizando a arquitetura proposta.
Para ilustrar o interesse no modelo, uma contribuio secundria foi a sua aplicao em um
caso de estudo da empresa PETROBRAS, utilizando submodelos de otimizao de produo e
logstico, j disponveis em empresas de petrleo. Isto ocorreu tanto no nvel formal como na
sua efetiva implementao, que possibilitou a realizao de experimentos como uma prova de

20

conceito. Seus resultados justicaram o interesse nesta aplicao do modelo.

1.5

Organizao do Texto

Este trabalho foi dividido em 3 partes: Planejamento da Cadeia de Suprimentos, Abordagem Distribuda e Contribuies. A parte I constituda de 2 captulos, onde o Captulo 2
apresenta uma reviso bibliogrca de temas relativos a cadeias de suprimentos em geral e a
cadeias de suprimentos da indstria do petrleo em particular. Assim, so introduzidos os conceitos associados gerncia de cadeia de suprimentos e suas peculiaridades para a cadeia do
petrleo. O Captulo 3 faz um resumo das tentativas de abordagem para modelar o problema de
planejamento integrado da cadeia de suprimentos do ponto de vista centralizado. Alm disso,
ele apresenta um resumo do estado da arte dos modelos de planejamento recentes, suas vantagens e limitaes, e os desaos para futuros modelos.
A parte II possui 2 captulos. No Captulo 4 so analisados os modelos de agentes, e
suas vantagens em relao abordagem centralizada. Particularmente o paradigma de agentes
holnicos introduzido, alm de mostrar a convenincia da escolha deste tipo de organizao
especca para o problema em foco. O Captulo 5 dene o problema de satisfao de restries
distribudas com otimizao (DCOP), discutindo sua importncia para se alcanar uma otimizao global em problemas complexos. Alm disso, so apresentados os algoritmos disponveis
para sua soluo.
A parte III, que apresenta as principais contribuies do trabalho, consiste de 4 captulos. O
Captulo 6 dene o Problema de Satisfao de Restries Holnico com Otimizao (HCOP),
indicando como este foi formulado atravs de uma composio das idias de DCOP e agentes
holnicos. O problema descrito informalmente e, ento, convenientemente formalizado. Em
seguida apresentado o meta-algoritmo desenvolvido, denominado HCOMA, cujo objetivo a
soluo do HCOP atravs da possibilidade de integrar de forma distribuda outros algoritmos
de otimizao existentes, mesmo que de natureza centralizada. A modelagem do problema de
Planejamento Integrado da Cadeia de Suprimentos da Indstria de Petrleo como um Problema
de Satisfao de Restries Holnico com Otimizao (HCOP) detalhada no Captulo 7, utilizando o formalismo apresentado no Captulo 6. O Captulo 8 descreve ento os experimentos
realizados, que foram divididos em duas fases. A primeira fase compara o meta-algoritmo com
um algoritmo centralizado, utilizando um HCOP genrico. J a segunda fase modela um caso
de estudo da empresa PETROBRAS relativo ao planejamento integrado como um HCOP complexo, que foi implementado atravs do HCOMA. Em seguida os resultados destes experimen-

21

tos so apresentados e analisados, a m de avaliar o modelo proposto. Finalmente, o Captulo 9


apresenta as concluses do trabalho, bem como uma perspectiva sobre possveis extenses em
trabalhos futuros.
O texto contm ainda 4 anexos. Nos Anexos A e B apresentam-se respectivamente as
provas de corretude e completude dos algoritmos ADOPT e DPOP, utilizados como base do
HCOMA. Uma representao tpica em XML de uma instncia de HCOP ilustrada no Anexo
C. Finalmente, o Anexo D descreve a soluo completa obtida pelo HCOMA para o caso padro
apresentado no Captulo 8.

22

Parte I
Planejamento da Cadeia de Suprimentos

23

Cadeias de Suprimentos

2.1

Introduo

De acordo com Muckstadt e seus colegas (MUCKSTADT et al., 2001) existem muitas denies e interpretaes para o termo cadeia de suprimentos. Estes autores deniram uma
cadeia de suprimentos como o conjunto de empresas atuando para projetar, engendrar, comercializar, manufaturar e distribuir produtos e servios para consumidores nais. Por outro lado,
Simchi-levi e seus colegas (SIMCHI-LEVI; KAMINSKY; SIMCHI-LEVI, 2000) deniram este termo
como um conjunto de abordagens utilizadas para integrar fornecedores, fabricantes, depsitos
e lojas ecientemente, de forma que mercadorias sejam produzidas e distribudas nas quantidades certas, para os locais certos, e no tempo certo, a m de minimizar custos globais, e ao
mesmo tempo satisfazer requisitos de qualidade de servio. Poirier e Reiter (POIRIER; REITER,
1996) perceberam que o conceito de cadeia de suprimentos melhora a posio competitiva de
empresas que colaboram, porque ele leva criao de sinergias entre estas empresas. Em particular, tais sinergias so devido ao fato que uma cadeia de suprimentos um sistema, e como
conseqncia, este sistema superior soma das empresas constituintes. Desta forma, podemos denir cadeia de suprimentos como um processo integrado onde um certo nmero de
entidades de negcio (i.e., fornecedores, produtores, distribuidores e revendedores) trabalham
em conjunto em um esforo para: (1) adquirir matrias-primas, (2) converter estas matriasprimas em produtos nais especcos, e (3) entregar estes produtos nais aos revendedores.
Esta cadeia tradicionalmente caracterizada por um uxo de materiais para frente e um uxo
de informaes para trs (BEAMON, 1998). Diferentes entidades em uma cadeia de suprimentos
operam sujeitas a diferentes conjuntos de restries e objetivos. Entretanto, estas entidades so
altamente interdependentes quando se deseja melhorar o desempenho da cadeia de suprimentos
em termos de objetivos tais como entrega no prazo, garantia de qualidade e minimizao do
custo. Como resultado, o desempenho de qualquer entidade em uma cadeia de suprimentos
depende do desempenho das outras, e a disposio e habilidade delas para coordenar atividades dentro da cadeia de suprimentos. Uma economia global e o aumento nas expectativas dos

24

clientes com relao a custo e servio tem inuenciado os produtores a se empenharem na melhoria dos processos dentro de suas cadeias de suprimentos, o que frequentemente se denomina
reengenharia da cadeia de suprimentos (SWAMINATHAN, 1996). Durante anos, pesquisadores
e tecnlogos tem investigado os vrios processos da cadeia de suprimentos principalmente de
forma individual. Recentemente, entretanto, tem havido uma ateno crescente com relao ao
desempenho, projeto e anlise da cadeia de suprimentos como um todo.

2.2

Definies Bsicas

2.2.1

Gerenciamento da Cadeia de Suprimentos

Em seu mais alto nvel uma cadeia de suprimentos constituda de dois processos bsicos
integrados: (1) o Planejamento de Produo e o Controle de Estoque, e (2) o Processo de Distribuio e Logstica (BEAMON, 1998). O Planejamento de Produo e o Processo de Controle
de Estoque incluem os subprocessos de produo e armazenagem, e suas interfaces. Mais especicamente, o planejamento de produo descreve o gerenciamento completo do processo de
produo, incluindo aquisio e escalonamento de matria-prima, escalonamento do processo
de produo, e controle da manipulao de material. O controle de estoque descreve o gerenciamento das Polticas de Estoque e procedimentos para estoque de matrias-primas, de produtos
intermedirios e de produtos nais. O Processo de Distribuio e Logstica determina como os
produtos so retirados e transportados do depsito para os revendedores. Estes produtos podem
ser transportados para os revendedores diretamente ou podem primeiro ser transferidos para
instalaes de distribuio, que, por sua vez, transportam os produtos para os revendedores.
Este processo inclui o gerenciamento da retirada do estoque, transporte e a entrega do produto
nal. A Logstica a parte mais crtica da cadeia de suprimentos, pois de nada adianta produzir
ou disponibilizar a mercadoria ou servio que o cliente deseja, sem entregar este produto ou
servio na quantidade e no prazo desejados pelo cliente. Assim, no possvel a melhoria da
cadeia de suprimentos sem a adaptao da rede de logstica. Estes processos interagem uns com
os outros para produzir uma cadeia de suprimentos integrada. O projeto e gerenciamento destes
processos determinam a extenso na qual a cadeia de suprimentos funciona como uma unidade
para satisfazer os objetivos de desempenho exigidos (BEAMON, 1998). A Fig. 2 representa estes
processos (elipses) juntamente com os atores (retngulos) em uma tpica cadeia de suprimentos
de 4 nveis.
A cadeia de suprimentos de uma empresa composta por instalaes geogracamente dispersas, onde as matrias-primas, produtos intermedirios ou produtos acabados so adquiridos,

25

Figura 2: Processos de uma Tpica Cadeia de Suprimentos


transformados, armazenados ou vendidos, e ligaes de transporte que conectam instalaes ao
longo das quais os produtos uem.
Este uxo de produtos pode ser no sentido downstream de fornecedores para as fbricas,
delas para os centros de distribuio e, nalmente, destes para os mercados. Em geral, uma
rede de fornecimento de corrente pode ser constituda por um nmero arbitrrio de nveis. Por
outro lado, o uxo de produtos pode ir no sentido upstream quando produtos intermedirios so
devolvidos s fbricas para reciclagem ou produtos reusveis so retornados dos mercados para
os centros de distribuio para reciclagem.
A meta da empresa agregar valor aos seus produtos medida que passam atravs de sua
cadeia de suprimentos e transport-los para mercados geogracamente dispersos nas quantidades corretas, com as especicaes corretas, no momento certo, e com um custo competitivo.
Podemos distinguir entre plantas, que so instalaes de fabricao de produtos onde transformaes fsicas ocorrem e centros de distribuio, que so instalaes onde os produtos so
recebidos, classicados, guardados em estoque, colhidos de volta e despachados, mas no sicamente transformados. O foco principal e requerido no estudo de cadeias de suprimentos
apresenta, em sua grande maioria, uma viso global do sistema, buscando avaliar as conjunes
e interferncias entre os processos envolvidos. O sistema a ser estudado envolve uma rede de
atividades, cada uma com sua funcionalidade especca, ecincia e desempenho.
Outras diculdades tambm podem surgir quando diferentes empresas ou departamentos
de uma mesma empresa tomam decises tecnolgicas independentes ao longo da cadeia de
suprimentos. Desta forma, seus sistemas de informao no so nem coordenados, nem compatveis e, consequentemente, as informaes no so prontamente compartilhadas para trs
e para frente ao longo da cadeia de suprimentos. medida que as empresas passam por um

26

processo contnuo e acelerado de consolidao, a necessidade de um sistema de informaes


exvel, extensvel, escalvel e adaptvel se torna cada vez maior. Como resultado, ferramentas
de suporte a deciso que permitam a anlise de vrias alternativas podem ser teis para a quanticao imparcial de ganhos e para ajudar a organizao a tomar a deciso certa (FEIGIN et al.,
1996).
As funes de gerenciamento das cadeias de suprimentos em geral operam em 3 nveis:
estratgico, ttico e operacional (FOX; CHIONGLO; BARBUCEANU, 1993). Cada nvel se caracteriza pelo perodo de tempo no qual as decises so tomadas e pela granularidade das decises
durante aquele perodo.

2.2.2

Planejamento Integrado da Cadeia de Suprimentos

A gesto da cadeia de suprimentos refere-se ao planejamento integrado. Primeiramente ele


est relacionado com integrao funcional, tal como compra, fabricao, transporte e atividades de armazenagem. Por outro lado, ele se refere integrao espacial destas atividades
atravs de mercados e instalaes dispersas geogracamente. Finalmente, ele se refere integrao intertemporal destas atividades sobre horizontes de planejamento estratgicos, tticos
e operacionais. Integrao intertemporal, que tambm chamada planejamento hierrquico,
requer consistncia e coerncia entre decises da cadeia de suprimentos sobrepostas em varios
niveis de planejamento. De forma aproximada, planejamento estratgico envolve as decises de
aquisio de recursos sobre horizontes de planejamento longos, planejamento ttico envolve as
decises de alocao de recursos ao longo de horizonte de planejamento mdios, e planejamento
operacional envolve decises afetando a execuo do curto prazo dos negcios da companhia
(SHAPIRO, 2006).
O Planejamento Integrado ou Agregado o processo pelo qual a empresa determina os
nveis de capacidade de produo, subcontratao e estoque, sobre um horizonte de tempo
especco. Seu objetivo atender demanda de modo a maximizar os lucros da empresa.
Assim, ele pode ser denido da seguinte maneira: dada uma previso de demanda para cada
perodo ao longo do horizonte de planejamento, determinar os nveis de produo, estoque e
capacidade para cada perodo, maximizando o lucro da empresa ao longo de todo o horizonte
de planejamento (CHOPRA; MEINDL, 2001). Para criar um plano agregado so necessrias as
seguintes informaes:
Previso de Demanda
Custos de Produo

27

Capacidades de Produo,
Tempos de Produo
Custos de Manuteno de Estoques
Custos de Atrasos
Restries Operacionais e Organizacionais
A qualidade de um planejamento integrado exerce um impacto signicativo sobre a lucratividade da empresa. Assim, um planejamento deciente pode resultar em perda de vendas e perda
de lucros, caso o estoque e a capacidade disponveis forem insucientes para atender demanda. Alm disso, um planejamento deciente pode resultar tambm em um nvel de estoque
excessivo, elevando os custos.

2.2.3

Logstica

Pela denio do Council of Supply Chain Management Professionals (CSCMP, 2000), "Logstica a parte do gerenciamento da cadeia de suprimentos que planeja, implementa e controla
o uxo e armazenamento eciente e econmico de matrias-primas, materiais semi-acabados e
produtos acabados, bem como as informaes a eles relativas, desde o ponto de origem at o
ponto de consumo, com o propsito de atender s exigncias dos clientes.
A rea de logstica est preocupada em gerenciar o transporte, armazenagem e estocagem de
materiais e produtos. Planejamento de transporte um campo vasto por si mesmo que envolve
decises complexas sobre os modos de transporte, transportadores, agendamento de veculos
e roteamento, e muitas outras atividades que servem para movimentar os produtos atravs da
cadeia de suprimentos da empresa. Modelos de otimizao e sistemas de modelagem tm sido
aplicados com sucesso na soluo destes problemas de deciso, e certas linhas de pesquisa aplicada continuam a procurar mtodos mais rpidos e mais poderosos (CHOPRA; MEINDL, 2001).

2.2.4

Gesto e Polticas de Estoque

Se por um lado baixos nveis de estoque podem levar a perdas de economias de escala
e a altos custos por falta de produto, por outro lado o excesso de estoques representa custos
operacionais e de oportunidade do capital empatado. Encontrar o ponto timo no em geral
uma tarefa simples. Este o objetivo do processo de gesto de estoques em uma cadeia de
suprimentos. Para lidar com as incertezas associadas tanto previso de demanda de produtos

28

nais, quanto ao plano de produo e fornecimento destes produtos e da matria-prima, tornase necessrio utilizar estoques de segurana. Se por um lado o excesso de produtos resulta em
custos extras de manuteno de estoques, por outro lado a falta de estoques de segurana leva a
perdas de venda, com consequente prejuzo e alm de deteriorao do nvel de servio ao cliente
(GARCIA et al., 2006). Assim, um ponto chave dentro da logstica de uma organizao a no
utilizao de regras simplistas e generalistas para calcular os estoques de segurana, que devem
ser estimados para cada situao especca atravs de modelos analticos ou de simulao.

2.2.5

Previso de Demanda

A previso de demanda refere-se a mtodos quantitativos para a previso de demanda futura pelos produtos vendidos pela empresa, sendo, obviamente, essenciais para a construo de
um modelo de gesto da cadeia de suprimentos. Tcnicas de previso de demanda so principalmente mtodos estatsticos, e so aplicados para projetar padres futuros de vendas a partir
de dados histricos sobre vendas passadas e, possivelmente, outros dados sobre a empresa, a
economia global, etc. A anlise de sries temporais uma grande classe de mtodos para o desenvolvimento de previses simplesmente a partir de bases de dados histricos. Na construo
de um modelo de srie de tempo, se tenta encontrar padres nestes dados histricos, tais como
os efeitos sazonais ou tendncias (SHAPIRO, 2006).

2.2.6

Gesto da Produo

O planejamento de produo varia signicativamente entre as indstrias. Assim, no nvel


operacional, os modelos de otimizao e sistemas de modelagem para escalonamento de produo devem ser personalizados para as peculiaridades do ambiente de produo. Nos nveis
do planejamento ttico e estratgico, onde detalhes de tempo so menos importantes, as vrias
classes de problemas de planejamento de produo muitas vezes podem ser modeladas com
preciso por modelos de uso geral e sistemas de modelagem que lidam com decises de planejamento multi-perodo. Ainda assim, a coordenao inter-temporal dos planos de produo
estratgico, ttico e operacional muito importante, pois permite ligar coerentemente modelos
operacionais detalhados com modelos tticos agregados (SHAPIRO, 2006).

2.2.7

Mtricas de Desempenho

Um componente importante no projeto e anlise de cadeias de suprimentos a determinao de medidas de desempenho apropriadas. Medidas de desempenho so utilizadas para

29

determinar a ecincia e/ou efetividade de um sistema existente ou comparar sistemas alternativos concorrentes. A literatura disponvel sobre o assunto classica as medidas de desempenho
como qualitativas ou quantitativas. As medidas de desempenho qualitativas so aquelas para
as quais no existe nenhuma medida numrica direta, embora alguns aspectos delas possam ser
quanticados. So apontadas medidas de desempenho deste tipo, como por exemplo, satisfao
de clientes, uxo da informao, desempenho dos fornecedores e gerenciamento de risco, mas
sendo qualitativas, se tornam mais difceis de serem incorporadas em modelos quantitativos.
Um indicador nico normalmente inadequado, em funo de sua diculdade em abranger
todos os aspectos importantes que devem ser mensurados (BEAMON, 1999). Beamon se reportou
a trabalhos de outros pesquisadores para armar que os sistemas de avaliao de desempenho
de cadeias de suprimentos predominantemente tm utilizado duas medidas de desempenho:
1. Custo
2. Combinao de custo e atendimento aos clientes
As medidas de desempenho quantitativas so aquelas que podem ser diretamente descritas atravs de valores numricos. Estas medidas podem ser divididas em duas categorias:
1. Medidas baseadas diretamente em custos ou lucro, como p. ex.:
Custo total: total dos custos, que envolve, p. ex., os seguintes componentes:
(a) Custos de distribuio: total dos custos de distribuio, incluindo transporte e manuseio.
(b) Custos de produo: total dos custos de produo, incluindo processamento, manuteno e custos relacionados ao retrabalho.
(c) Custos de estoque: total de custos em estoques, que incluem custos de produtos e
de estocagem.
Faturamento: valor monetrio das vendas ou o volume total vendido;
Lucro: valor da receita menos os custos;
2. Medidas baseadas no atendimento aos clientes, como p. ex.:
ndice de pontualidade das entregas: frao dos pedidos dos clientes atendidos no prazo;
Atraso nas entregas: intervalo de tempo entre a data prometida para a entrega de um
produto e a data real de entrega deste produto;

30

Tempo de resposta para o cliente: intervalo de tempo exigido desde o momento em


que um pedido feito por um cliente at o momento em que a entrega correspondente
realizada;
Tempo de fabricao: intervalo de tempo exigido desde o momento em que comea a
fabricao de um produto at o momento em que este produto est completamente pronto.

2.3

Cadeia de Suprimentos da Indstria do Petrleo

2.3.1

Introduo

Segundo Eichmann (EICHMAN, 2000), a gesto da cadeia de suprimentos do petrleo tem


sido um dos mais difceis desaos encontrados por pesquisadores desta rea no mundo. Esta
cadeia de suprimentos ilustrada na Fig. 3, cobrindo desde o estgio da extrao de petrleo at o de distribuio de produtos derivados incluindo uma complexa rede logstica e vrios
processos de transformao que ocorrem nas renarias. As atividades que constituem a cadeia
de suprimentos do petrleo so divididas em trs grandes segmentos: upstream, midstream e
downstream. O segmento upstream inclui a explorao e a extrao de petrleo. A explorao inclui atividades ssmicas, geofsicas e geolgicas, enquanto a extrao inclui perfurao,
completao, ligao de linhas e a efetiva entrada em produo dos poos. O midstream um
segmento intermedirio e consiste na atividade de transporte do local de extrao at as renarias, e na atividade de reno. O transporte do petrleo envolve o bombeamento atravs de
oleodutos e a carga e descarga de navios. O reno, por sua vez, a fase de manufatura da cadeia
e sua sada so os produtos nais que so a entrada para a comercializao, onde produtos derivados do petrleo como a gasolina e o leo diesel so vendidos para as empresas de revenda.
Finalmente, as tarefas de logstica necessrias para levar os produtos renados da renaria para
os pontos de consumo esto no segmento downstream. Para que estes produtos cheguem a seu
destino, representado pelas empresas, que so os clientes da cadeia, eles devem ser transportados atravs de diferentes modais de transporte, como oleodutos, ferrovias ou rodovias, e em
geral passam antes por terminais de distribuio.
Cada estgio da cadeia pode ser uma empresa independente ou uma unidade de uma empresa integrada, e se comporta como cliente e produtor ao mesmo tempo, dependendo do sentido
considerado ao longo da cadeia. Assim, a fase de reno pode ser vista como cliente do estgio
de extrao de petrleo, e ao mesmo tempo como produtor em relao ao processo de distribuio. As companhias distribuidoras se localizam em um dos extremos da cadeia e representam
o cliente nal de uma empresa de petrleo que possua o segmento de reno. Para estas compa-

31

Figura 3: Cadeia de Suprimentos da Indstria do Petrleo


nhias, por outro lado, o cliente nal o posto de gasolina, para o qual, por sua vez, o cliente
aquele que abastece seu veculo com combustvel.
Devido natureza dinmica do negcio do petrleo, as empresas petrolferas esto cada vez
mais interessadas em melhorar o planejamento de suas operaes. Aplicativos de planejamento
so de particular interesse devido sua natureza inerentemente incerta, altos incentivos econmicos e importncia estratgica. Como j foi dito, o planejamento pode ser classicado nos
seguintes nveis: estratgico (longo prazo), ttico (mdio prazo), e operacional (curto prazo).
O planejamento de longo prazo cobre o horizonte de tempo de um a vrios anos, o de mdio
prazo de alguns meses a um ano, e o de curto prazo cobre de uma semana a trs meses (GROSSMAN; HEEVER; HARJUNKOSKI,

2001). Decises so tomadas em diferentes estgios da cadeia

de suprimentos e em diferentes nveis da hierarquia de planejamento. Estas decises diferem


principalmente com relao ao escopo do negcio, horizonte de tempo e detalhe do processo
(agregao de dados) (LASSCHUIT; THIJSSEN, 2004).
Na indstria do petrleo o planejamento estratgico determina a estrutura da cadeia de suprimentos (e.g., localizao da renaria, expanso da sua capacidade, etc). O planejamento
ttico afeta decises tais como a atribuio de metas de produo s renarias e o transporte
das renarias aos centros de distribuio. Uma deciso ttica poderia ser a escolha de que tipo
de petrleo comprar em cada perodo de tempo, que produtos derivados comercializar e em

32

que quantidades sero produzidos, comprados, armazenados, transferidos e vendidos. Por outro lado, o planejamento operacional determina a atribuio de tarefas s diferentes unidades
de produo de cada renaria e aos modais de transporte de petrleo e produtos, considerando
restries de recursos e de tempo. Neste nvel so escolhidos os modos de operao, os nveis
de estoque, as quantidades produzidas em cada unidade para atender as demandas do mercado
e a forma do escalonamento do transporte de produtos. Alm disso, o escalonamento diz respeito s informaes detalhadas sobre decises tais como sequenciamento e alocao de tarefas
a recursos de forma a atender as metas estabelecidas pelo planejamento. O escalonamento considera perodos de tempo tais como dias ou semanas (MAGALHAES et al., 1998). A combinao
destas variveis de deciso que dar subsdios sucientes para um bom acompanhamento e
gesto da cadeia do petrleo. Assim, uma ferramenta de planejamento capaz de integrar os
dados adequadamente e fornecer solues para estas variveis se torna um grande trunfo para a
gesto da cadeia de suprimentos do petrleo.
O petrleo uma mercadoria (commodity) com caractersticas extremamente dependentes
da conjuntura global. O preo do barril do petrleo varia e oscila de acordo com o comportamento dos fatores scio-econmicos do mundo, o que faz com que pequenas turbulncias no
mercado possam causar enormes danos ao longo dessa cadeia. Portanto, importante um bom
planejamento logstico, que mantenha a dinmica e a rapidez no tempo de resposta, de forma
a minimizar os efeitos nocivos cadeia. Alm disso, existem diferentes tipos de petrleo, com
diferentes qualidades, variando de petrleos mais leves e caros como o rabe Leve, at os pesados como o venezuelano ou o Marlim produzido na Bacia de Campos, Brasil. A cada tipo de
petrleo est associado um diferente perl de produo, com diferentes propores de produtos renados. Assim, um petrleo leve responsvel pelo reno de uma maior quantidade de
produtos nobres (denominados claros), como gasolina e nafta, enquanto um petrleo pesado
gera uma maior proporo de produtos de maior densidade (escuros) e mais baratos, como
leo combustvel e asfalto. A sincronia do planejamento e da produo pressupe que o sistema
esteja inserido em uma condio ambiental conhecida e previsvel. medida que fatores exgenos interferem nesse sistema, o sincronismo existente pode sofrer perturbaes que muitas
vezes o abalam e o desestruturam. Nestes casos, todas as estimativas e previses, incluindo
projetos de investimentos, nveis de oferta e demanda, podem sofrer graves impactos. Dessa
maneira, pode-se concluir que a cadeia de suprimentos do petrleo extremamente sensvel s
condies do mercado em geral. Nos ltimos anos, a indstria do petrleo tem vericado que as
empresas tm reduzido ou eliminado signicativamente as margens operacionais no sentido de
reduzir nveis de estoque e ociosidades, tornando o sistema ainda mais suscetvel e vulnervel s
oscilaes da oferta e da demanda. Alm disso, normas e regulamentos de preservao do meio

33

ambiente se intensicaram e tornaram-se uma causa dramtica para o aumento de restries


operacionais, agravando ainda mais a produtividade das operaes.
Nas prximas sees, o escopo da cadeia de suprimentos do petrleo descrito, bem como
um breve resumo de seus subsistemas.

2.3.2

Extrao de Petrleo

Todos os campos de petrleo representam uma estrutura geolgica limitada e conseqentemente, possuem um limite superior em relao quantidade de hidrocarbonetos que podem
conter. O tamanho do reservatrio, que pode ser denido por mtodos geolgicos e geofsicos,
d uma estimativa do volume potencial de leo no campo, antes que a perfurao tenha incio.
medida que os dados de perfurao e produo cam disponveis, a estimativa da reserva
tende para uma acurcia cada vez maior (DAKE, 2004). O volume total de leo em um campo
normalmente denominado oil initially in place (OIIP) ou oil originally in place (OOIP), ou
algumas vezes apenas oil in place (OIP). Isto equivalente quantidade total de petrleo existente nos poros das rochas de um ou mais reservatrios que compem um campo (ROBELIUS,
2007). relativamente direto calcular o OIIP se a extenso em rea e a espessura do reservatrio so conhecidas, juntamente com a porosidade mdia e os nveis de saturao (ROBELIUS,
2007). Na prtica, as estimativas do OIIP cam mais complicadas porque tanto a porosidade
quanto a saturao variam por todo o reservatrio. Campos de petrleo convencionais capturam
somente uma pequena quantidade de todo o petrleo contido nas rochas-fonte do sistema petrolfero, ou seja, a quantidade total de petrleo que pode ser extrada de um dado reservatrio
bem menor que seu OIP, sendo esta quantidade recupervel do OIIP classicada como a reserva
do campo (vide Eq. 2.1). O fator de recuperao FR um valor dinmico, representando a
percentagem estimada do OIIP total que pode ser recuperado. O FR depende de numerosos parmetros, tais como propriedades de rochas e uidos, tecnologia de produo, localizao dos
poos, e seqencia de perfurao e de entrada em produo dos poos.

T otalReservaP etroleo = F R OIP

(2.1)

A percentagem recupervel do OIIP pode variar de menos de 10% at mais de 80%, dependendo das propriedades individuais do reservatrio e dos mtodos de recuperao, mas a mdia
global baixa e em torno de 20% (MILLER, 1995). Uma vez que um reservatrio localizado,
o processo de extrao de petrleo pode comear. Este processo de extrao normalmente denominado produo, embora se possa concluir que extrao um termo mais adequado, pois o

34

Figura 4: Curva de Produo Terica de um Campo de Petrleo


petrleo simplesmente removido do reservatrio. A produo de um campo de petrleo tende
a passar por diversos estgios, que podem ser descritos por uma curva de produo idealizada.
Uma verso desta curva est representada na Fig. 4 , que ilustra uma curva de produo terica
descrevendo os vrios estgios de maturidade dentro do ciclo de vida de um campo de petrleo
(ROBELIUS, 2007). Aps a descoberta do poo, um poo piloto perfurado para determinar o
potencial de desenvolvimento do reservatrio. O desenvolvimento adicional prossegue e a primeira produo de petrleo marca o incio da fase de crescimento da produo do campo. Mais
tarde o campo entra na fase de plat, onde a capacidade mxima de produo alcanada antes
de nalmente chegar ao incio de seu declnio, que termina com seu abandono, quando o limite
econmico atingido. Para muitos campos, especialmente os menores, a fase plat pode ser
muito curta e se assemelhar mais a um pico acentuado, enquanto campos maiores podem permanecer vrias dcadas no nvel de produo do plat. O tempo de vida de um campo e a forma
da curva de produo esto em geral relacionados com o tipo de petrleo que produzido.
Fluxos de uidos em meios porosos podem ser simulados com grande nvel de complexidade ou simplicidade, dependendo em grande parte dos detalhes do modelo de uxo. Estes tipos
de processos de uxo geralmente levam a comportamentos complicados, e os modelos matemticos devem incluir anlise estatstica, fractal e/ou procedimentos estocsticos (RAMIREZ et al.,
2008). Muitos modelos de simulao de reservatrios so dependentes de vrios modelos numricos. Um exemplo o simulador de petrleo ECLIPSE da empresa Schlumberger Information
Solutions (ECLIPSE, 2007), que utiliza uma abordagem de diferenas nitas em trs dimenses
para solucionar equaes de balano energtico e de massa em sistemas de uido multifase com
at quatro componentes em um reservatrio com geometria complexa. Tradicionalmente os mtodos de diferenas nitas dominam, mas elementos nitos e modelos numricos tambm so

35

usados. Recentemente at tcnicas computacionais mais avanadas, tais como redes neurais e
lgica nebulosa (ZELLOU; OUENES, 2007) ou multigrids algbricos (STUBEN et al., 2007), foram
utilizados para modelar uxos de reservatrios. A combinao de modelos de uxo de reservatrios com planos de perfurao e desenvolvimento, juntamente com modelos econmicos de
investimento para o campo, podem resultar em descries acuradas da produo real e de como
ela mudar ao longo do tempo. Entretanto, a predio precisa dos uxos de uido normalmente
exige dados detalhados e conhecimento de muitas propriedades importantes do reservatrio,
alm de parmetros, tais como permeabilidade, presso e similares. Em casos prticos, muitos
dos dados necessrios para esta modelagem acurada raramente esto disponveis para pessoas
externas empresa petrolfera, j que estas empresas no os liberam. Conseqentemente, modelos simplicados tm de ser desenvolvidos por vrios pesquisadores e engenheiros para mitigar
esta decincia. Alguns exemplos de modelos simplicados para previso de produo so a
anlise da taxa de depleo, que o esgotamento provocado pela extrao contnua do petrleo
do reservatrio, e a utilizao de curvas de declnio, que so aplicveis a campos individuais.
A anlise da curva de declnio tem uma longa histria e tem sido usada por mais de 50 anos
pela indstria do petrleo. De forma similar, a depleo fortemente ligada s relaes fundamentais do uxo de reservatrios e, por este motivo, a anlise da taxa de depleo uma
abordagem convel. A taxa de declnio se refere ao decrscimo da extrao de petrleo ao
longo do tempo. Em muitos casos a taxa de declnio calculada em termos anuais, revelando
a mudana no volume produzido de um ano para outro. A Eq. 2.2 mostra uma denio geral
para a taxa de declnio.

T axaDeclinio =

produca
ot produca
ot1
produca
ot1

(2.2)

O declnio de produo pode ser causado por vrias razes, mas principalmente acidentes e
depleo. Esta ltima a mais comum, conseqncia das prprias foras da natureza. A depleo das reservas acarreta o declnio da presso do reservatrio, reduzindo a vazo do uxo de
produo. Em campos onde a estratgia de produo manter a presso do reservatrio, atravs
da injeo de gua ou gs, os volumes extrados de petrleo e gua permanecero relativamente
constantes por toda a vida do campo, de acordo com a equao de balano de massa (SATTER;
IQBAL; BUCHWALTER,

2008). Entretanto, a produo de petrleo ir anal decair, e a produo

de gua aumentar medida que mais e mais gua injetada comear a se difundir dentro dos
poos de produo. Eventualmente o reservatrio se esgota, j que seus poos passam a produzir muita gua e ele deixa de ser economicamente vivel, apesar do fato de que a presso do
reservatrio ainda possa ser alta. Em (ARPS, 1945) foram criados os fundamentos da anlise

36

de curva de declnio, propondo curvas matemticas simples, i.e. exponencial, harmnica ou


hiperblica, como uma ferramenta para gerar uma previso razovel para a produo de um
campo de petrleo uma vez que ele atinja o incio de seu declnio. Sua abordagem original foi
mais tarde aperfeioada, e ainda usada como uma referncia padro na indstria para anlise
e interpretao de dados de produo devido a sua simplicidade. Uma curva de declnio exponencial ajustada fase de declnio dos campos fornece uma taxa de declnio anual de 15.3%.
Analisando as curvas de declnio associadas a vrios dos mais importantes campos de petrleo
em produo ao redor do mundo, que so mostradas em (HOOK, 2009), possvel constatar
que as taxas de declnio no se afastam muito deste valor, o que representa um declnio mensal
aproximado de 1 %.

2.3.3

Refino de Petrleo

O principal objetivo de uma renaria transformar leo bruto em produtos de maior valor
agregado, alm de maximizar o lucro. A renaria produz fraes leves (propeno, gs liquefeito de petrleo, gasolina e nafta), mdias (querosene de aviao e leo diesel) ou pesadas
(parana, lubricantes, leo leve, gs, coque e leo combustvel) de acordo com a extenso e
complexidade das suas cadeias de carbono. Os produtos renados tm muitas aplicaes, tais
como combustvel automotivo, combustvel de aviao, solventes, lubricantes, asfaltos, coque
e matria-prima para a indstria petroqumica. O perl de produo depende da mistura de leo
processada pela renaria. O American Petroleum Institute classica o petrleo bruto de acordo
com sua densidade, que vai de leve (menos densa) pesada (mais denso), atravs de um ndice
conhecido como API. Quanto mais baixa a densidade do leo, maior o ndice API e maior o
valor comercial do leo e os produtos dele derivados.
Os processos de separao (destilao de petrleo bruto e destilao a vcuo) so concebidos, para separar o leo nas suas fraes bsicas, cujo rendimento depende do leo processado,
ou para processar uma frao previamente gerada para produzir um determinado grupo de componentes. Dependendo das metas de produo, diferentes processos de converses e tratamentos so aplicados para as fraes do petrleo. Processos de converso, tais como craqueamento,
craqueamento cataltico, reformao cataltica e hidrocraqueamento, transformam uma frao
em uma outra, ou alteram a estrutura molecular de uma frao (por exemplo, produtos pesados podem ser transformados em produtos leves ou mdios, que tm maior valor comercial).
Os processos de tratamento (hidrodessulfurizao e hidrotratamento) proporcionam um melhor
corte de produtos semi-acabados, reduzindo contaminantes, como nitrogenio, enxofre e metais,
ou removendo-os de sua estrutura. A Tab. 1 descreve a matria-prima e os produtos derivados

37
Unidade de processo

Entrada

Produto

Destilao Atmosfrica

petrleo

Destilao a Vcuo
Coque
Fluid Catalytic Cracker
(FCC)
Reforma Cataltica

resduo atmosfrico
gasleo, destilado de coque
gasleo, leo reciclado, destilado de coque,
oleo comb. resdual, cru reduzido
nafta, coque, nafta hidrocraqueada

Hidrocraqueamento

gasleo, leo reciclado/ leo craqueado,


destilado de coque, resduo
resduo de alto teor de enxofre/ gasleo
faixa de produtos desde nafta at
cru reduzido de hidrocarbonos craqueados

gas comb., glp, nafta leve e pesada, resduo,


qav /querosene, gasleo leve e pesado
gasleo, matria-prima p/ lubricante, resduo
gasolina, matria-prima petroqumica
gas combustvel, propano, butano, nafta,
gasleo leve, gasleo pesado, leo decantado
mistura de gasolina, gas combustvel H2,
C3 e C4, aromtico
produtos leves e de alta qualidade (nafta,
gas combustvel, destilados de C3 e C4)
oelonas desulfurados
matria-prima p/ craqueamento,
destilados, lubricante

Hidrodesulfurizao
Hidrotratamento

Tabela 1: Resumo das Unidades de uma Renaria


dos processos descritos por unidades (KHOR; ELKAMEL, 2008). Uma unidade denida como
um elemento de processamento contnuo que transforma correntes de entrada em vrias correntes de sada, cada uma associada a um produto. As propriedades fsicas / qumicas, tais como o
teor de enxofre e a viscosidade, e os rendimentos de tais produtos esto relacionados tanto com
o uxo de entrada e com suas propriedades quanto como com as variveis operacionais (MORO;
PINTO,

1998). As unidades de processamento esto sujeitas a condies especiais (variveis de

operao), como temperaturas, altas presses, e a adio de insumos que participam das reaes
fsicas e qumicas necessrias para obter os uxos de sada.
Alm das unidades de processo, as renarias possuem tambm tanques para armazenar e
misturar produtos nais e correntes intermedirias, de modo a especicar um produto nal com
diferentes graus de qualidade, que devem satisfazer demandas do mercado. A topologia da renaria denida por um conjunto de unidades de processamento, tanques de armazenamento e de
mistura, e dutos interligando todos os componentes. A Fig. 5 ilustra um uxograma detalhado
de uma renaria em que so representadas as unidades de processo, correntes e tanques.

2.3.4

Gesto de Estoques de Petrleo e seus Derivados

Tipicamente uma renaria de petrleo recebe seu petrleo bruto atravs de um oleoduto,
que, em geral, est ligado a um terminal porturio onde os navios petroleiros descarregam. A
programao de descarga destes petroleiros geralmente denida no nvel ttico e no pode ser
alterada facilmente. Assim, para um determinado horizonte de programao, o nmero, tipo
e tempos de incio e m das parcelas de petrleo so conhecidos a priori. No oleoduto, tipos

38

Figura 5: Fluxograma de uma Renaria Genrica

39

de petrleo adjacentes compartilham uma interface comum, que tem de ser manipulada corretamente. Se estes lotes adjacentes de petrleo (conhecidos como parcelas) tm propriedades
signicativamente diferentes, torna-se necessrio levar em conta a mistura que sempre ocorre
dentro do oleoduto, causando degradao de parte do petrleo de maior qualidade. Por isso,
necessrio enviar esse leo misto para o armazenamento, juntamente com o petrleo de qualidade inferior ou para um designado para receber tais misturas. Esta operao denominada
separao de interface, e o volume desta interface denido com base na experincia anterior.
Na renaria, o petrleo bruto armazenado em tanques cilndricos com uma capacidade total da
ordem de dezenas de milhares de metros cbicos, que geralmente suciente para alguns dias
de operao de uma renaria. Estes tanques exigem um volume mnimo de produto de cerca de
20% da capacidade total, de modo a evitar um dano no equipamento. O petrleo deve ser armazenado nestes tanques durante um intervalo de tempo especco at que possa ser processado
nas unidades de destilao. Existe um intervalo mnimo de tempo para permitir a separao da
salmoura que forma uma emulso com o leo. Assim, no possvel alimentar as unidades de
destilao diretamente a partir do oleoduto, mesmo se um tanque intermedirio utilizado (vide
Fig. 6).
possvel transferir petrleo entre tanques, embora estas operaes sejam raramente realizadas, uma vez que so longas e geralmente mais simples misturar tipos de petrleo a partir de
dois ou mais tanques durante a alimentao das unidades de destilao. Se a qualidade do leo
em um determinado tanque e as condies de operao da unidade de destilao no so compatveis, necessrio processar este leo simultaneamente com o petrleo de um outro tanque.
Normalmente estas propriedades so conhecidas a priori pelo renador e podem ser correlacionadas com a origem do petrleo. imperativo que estas unidades sejam continuamente
alimentadas com petrleo, porque uma parada uma operao muito onerosa e indesejvel.
Questes quantitativas relativas gesto de estoques so tratadas em uma grande parte da
literatura da rea conhecida como Teoria de Estoque Estocstica. Por exemplo, o levantamento
feito em (PORTEUS, 1990) lista 122 referncias sobre investigaes desta rea. Baseado em trabalhos fundamentais tais como o clssico modelo EOQ (economic order quantity), o modelo
de Newsvendor, e as polticas de pedidos timas, bem como as polticas de estoque bsicas
(vide Seo 2.2.4), a pesquisa em teoria de estoque tem avanado no sentido de estender estes
resultados analticos para as condies experimentadas na operao do dia-a-dia e no projeto
de cadeias de suprimento do petrleo. Os trabalhos de DeCroix e Arreola-Risa (DECROIX;
ARREOLA-RISA,

1998), Zipkin (ZIPKIN, 1986) e Graves e Willems (GRAVES; WILLEMS, 2000)

fornecem exemplos destas extenses, onde a considerao da produo incorporada nos problemas de gerenciamento de estoques. Uma limitao sria de todos estes estudos, entretanto,

40

Figura 6: Ligao entre Tancagem de Petrleo e Unidade de Destilao em uma Renaria


que os efeitos do planejamento da produo sobre os estoques no so considerados.

2.3.5

Distribuio de Derivados de Petrleo

Operaes de transferncia e distribuio de produtos derivados de petrleo podem ser realizadas por via rodoviria, ferroviria, navio e oleoduto. Neste trabalho foram considerados os
dois ltimos, que so os mais utilizados na cadeia do petrleo. Assim, geralmente o transporte
de petrleo bruto dos terminais porturios para as renarias feito atravs dos oleodutos, que
o modo mais convel e econmico para grandes quantidades de produtos lquidos e gasosos.
Ele distingue-se dos modos restantes de transporte, uma vez que pode funcionar continuamente
(SASIKUMAR, 1997), e particularmente importante quando grandes quantidades de produtos
tm de ser bombeadas por grandes distncias. Oleodutos foram inicialmente utilizados pelas
empresas petrolferas para transporte de petrleo a partir de terminais, onde navios tanque descarregam e abastecem renarias de petrleo, e tm sido utilizados pela indstria do petrleo
durante os ltimos 40 anos tanto para o transporte de petrleo quanto de seus derivados. Para
os grandes mercados consumidores, onde a demanda por petrleo e seus derivados elevada,
as empresas petrolferas esto dispostas a expandir a utilizao do oleoduto levando em conta
seu baixo custo de operao. Assim, os oleodutos devem ligar renarias a centros de distribuio locais, de onde os produtos so enviados aos mercados consumidores. Como no caso do
fornecimento de petrleo, oleodutos devem ser operados de maneira eciente, de forma que a
empresa possa melhorar a sua margem operacional (JONES; PADDOCK, 1982). Devido magnitude e complexidade de um sistema petrolfero, um projeto logstico completo com razovel
nvel de detalhe torna-se invivel. Muitos autores propem um modelo unicado para a produo e distribuio de mercadorias, tais como em (VAKHARIA; ERENGUC; SIMPSON, 1999) e (DAS;

41

Figura 7: Diagrama de Distribuio por Oleodutos


SARIN, 1994) no contexto de plantas situadas em local nico, e em (WILKINSON; SHA; PANTELIDES,

1994) para plantas distribudas em vrios locais. Os produtos que so gerados na renaria

devem ser armazenados em tanques dedicados. Segundo Sasikumar (1997), as decises que so
tipicamente envolvidas na renaria so a escolha do produto a ser enviado para o oleoduto, a sua
quantidade e a distribuio entre os diversos terminais. No oleoduto, cada segmento transfere
produtos para os terminais, ou ento para o prximo segmento. Alm disso, a transferncia de
produto deve satisfazer as restries de volume constante e vazo mxima no oleoduto. Existem
tambm seqncias de produtos proibidas no oleoduto. A operao de polidutos, i.e., oleodutos
que transportam diferentes produtos, apresenta uma caracterstica nica que a contaminao
de produtos. Embora os oleodutos proporcionem um modo seguro e convel de transporte,
a contaminao de produtos inevitvel (SASIKUMAR, 1997). Ela ocorre na interface de dois
produtos miscveis. Em (JONES; PADDOCK, 1982) mencionado que esta interface deve ser recebida em um tanque segregado para reprocessamento na renaria. A principal conseqncia
dessa contaminao o aumento dos custos operacionais. Os custos relacionados so to elevados que em (TECHO; HOLBROOK, 1974) dito que o complexo de oleodutos estudado tem como
objetivo a minimizao dos custos de interface que esto relacionados com a vazo do produto.
Um diagrama representando uma rede de oleodutos de distribuio com uma nica renaria e
vrios terminais de distribuio mostrada na Fig. 7.

42

2.4

Concluso

Na primeira parte deste captulo foram apresentados as denies bsicas relativas a uma
cadeia de suprimentos genrica. Assim foi introduzido o problema do planejamento integrado
de forma ainda geral, que focalizado neste trabalho. Alm disso, foram mostradas as mtricas
de desempenho disponveis, bem como as possveis variveis de deciso do problema. Veremos
mais adiante que a mtrica a ser utilizada ser lucro como tipo quantitativo, e satisfao do
cliente como qualitativo. Quanto s variveis de deciso, sero utilizadas todos as categorias
mostradas.
Na segunda parte, forneceram-se informaes especcas sobre as cadeias de suprimentos
da indstria do petrleo. Foi, ento, descrito o escopo do problema do planejamento integrado
considerado, que abrange desde a extrao do petrleo a partir dos poos produtores, at o
transporte dos derivados de petrleo para os terminais de distribuio, de onde sero entregues
aos clientes, que, neste trabalho, so as companhias distribuidoras. Este processo engloba os
principais componentes da cadeia de suprimentos, i.e., extrao do petrleo, seu reno para a
produo de derivados, armazenagem tanto do petrleo quanto dos seus derivados, e as atividades de transporte de ambos atravs dos modais mais importantes, ou seja, oleodutos e navios.
Desta forma, este trabalho englobar tanto o segmento upstream quanto o downstream, no
considerando, no entanto, as atividades anteriores entrada de um poo de petrleo em produo, como as de explorao e perfurao, nem aquelas posteriores entrega de derivados nos
terminais, como as de distribuio para os postos de venda no varejo.
No prximo captulo ser apresentada uma reviso da literatura relativa aos modelos e s
estratgias de soluo associados ao referido problema.

43

Modelos do Planejamento Integrado


da Cadeia de Suprimentos

3.1

Introduo

Geralmente modelos para projeto e anlise da cadeia de suprimentos podem ser divididos
em quatro categorias com relao abordagem da modelagem. Estas categorias so: (1) modelos analticos determinsticos, nas quais as variveis so conhecidas e especicadas, (2) modelos
analticos estocsticos, onde se supe que pelo menos uma das variveis siga uma distribuio
probabilstica particular, (3) modelos econmicos e (4) modelos de simulao (BEAMON, 1998).
A abordagem analtica se apoia em formalizaes matemticas, enquanto a modelagem da
cadeia de suprimentos atravs da simulao foi originalmente baseada em Dinmica de Sistemas
(FORRESTER, 1958).
Nos modelos econmicos, a cadeia de suprimentos interpretada atravs de teorias microeconmicas. Microeconomia trata da construo e interpretao de modelos que descrevem em
termos matemticos como as empresas operam, se expandem, se fundem, e contratam de acordo
com prncipios econmicos. Estes modelos tambm descrevem porque e como consumidores
procuram produtos de uma empresa, e como empresas dentro de um segmento indstrial competem entre si. Modelos econmicos so altamente relevantes para os modelos de otimizao,
mas a maior diferena entre ambos so suas intenes ao invs de seus usos da matemtica.
Modelos de otimizao so empricos, i.e., processam dados numricos que descrevem um problema especco da cadeia de suprimentos a m de identicar estrtegias timas para aquele
problema. Ao contrrio, modelos econmicos visam prover um critrio qualitativo com relao economia da empresa e competio entre as diversas empresas em um mesmo ramo da
indstria (BEAMON, 1998).
Este captulo apresenta informaes gerais sobre o planejamento integrado da cadeia de
suprimentos da indstria do petrleo. O objetivo no uma reviso extensa, mas um resumo
do estado da arte dos modelos de planejamento propostos, que permita conhecer suas vanta-

44

gens e limitaes. Inicialmente sero mostradas as abordagens de simulao, e em seguida as


analticas.

3.2

Abordagens de Simulao

A simulao como um veculo para a compreenso de aspectos da tomada de deciso organizacional ganhou considervel ateno e momentum em anos recentes (FEIGIN et al., 1996)
(KUMAR; OW; PRIETULA, 1993) (MALONE, 1987). Uma ajuda substancial aos administradores pode ser obtida dos sistemas de apoio deciso onde tcnicas de planejamento e gerenciamento, oriundas dos campos de Pesquisa Operacional e Inteligncia Articial, podem ser
acopladas com modelos de simulao e ferramentas estatsticas de anlise de dados. Ferramentas de simulao bem projetadas podem ser o ponto intermedirio onde tomadores de deciso
comparam sua prpria experincia com polticas de gerenciamento geradas por ferramentas de
otimizao e as validam (GRAUDINA; GRUNDSPENKIS, 2005). Para tais problemas foi denida
uma arquitetura que consiste de trs mdulos diferentes, mas estritamente conectados:
1. um modelo de simulao,
2. um conjunto de modelos para anlise de dados histricos e predio de eventos futuros, e
3. um sistema de planejamento para otimizar operaes e alocao de recursos (RIZZOLI;
GAMBARDELLA; BONTEMPI,

1997).

As abordagens de simulao se baseiam em experimentao atravs de modelos executveis,


se constituem em tcnicas para compreender e prever o comportamento de sistemas (SIMON,
1996), e so reconhecidas por permitir uma observao mais realista do comportamento da
Cadeia de Suprimentos (PARUNAK; SAVIT; RIOLO, 1998). A simulao permite uma anlise da
dinmica da Cadeia de Suprimentos, e leva a uma observao do seu comportamento ao longo
do tempo, permitindo ao mesmo tempo compreender os processos decisrios organizacionais
(BISWAS; NARAHARI, 2004), analisar as interdependncias entre os atores da Cadeia de Suprimentos, e analisar a consistncia entre os modos de coordenao e as polticas de deciso.
Alm disso, a simulao pode ser conjugada com uma abordagem de otimizao, que se guia
pelos seus resultados, e iterativamente aprimora a qualidade de acordo com o critrio escolhido.
Towill, Naim e Wikner utilizaram tcnicas de simulao para avaliar os efeitos de vrias estratgias de cadeia de suprimentos sobre a amplicao da demanda (TOWILL; NAIM; WIKNER,
1992). Swaminathan, Sadeh, e Smith utilizaram simulao para estudar o efeito de compartilhar informao do fornecedor (SWAMINATHAN; SMITH; SADEH, 1998). O uso de simulao

45

para a modelagem da cadeia de suprimentos se baseou originalmente na Dinmica de Sistemas


(FORRESTER, 1961), motivado pelo fato de que a estrutura da cadeia de suprimentos e o uxo
de controle determinam seu desempenho. A modelagem e simulao da cadeia de suprimentos foram mais tarde investigadas com simulao contnua e simulao por eventos discretos.
Atualmente esta ltima representa o mtodo preferido a ser utilizado na simulao da cadeia de
suprimentos (TERZI; CAVALIERI, 2004).
A simulao uma tcnica amplamente utilizada para avaliar o desempenho e capacidade
de adaptao de sistemas em ambientes dinmicos. Para muitos domnios, tais como redes de
logstica ou comunicao, Simulao por Eventos Discretos (SED) tem sido a tcnica de simulao predominante no caso geral (GEHRKE, 2008), ou na simulao da cadeia de suprimentos
em particular (TERZI; CAVALIERI, 2004). Entretanto, a simulao no adequada para o objetivo de alcanar a otimizao, particularmente no caso de sistemas da cadeia de suprimentos.
Isso foi feito em (LENDERMANN; BOON; MCGINNIS, 2001), onde um framework de simulao
distribuda foi utilizado visando uma otimizao rpida no problema do planejamento. Assim,
o resultado se mostrou subtimo, e o tempo de resposta foi preocupante. O problema est na
conjuno dos mtodos, pois apesar de outras vantagens, a simulao, por sua natureza, no se
presta a este m. Portanto, a maior desvantagem desta abordagem sua inadequao para a
otimizao, que um dos objetivos deste trabalho. Por este motivo, ela foi abandonada, e na
prxima seo so analisadas as abordagens analticas.

3.3

Abordagens Analticas

As abordagens analticas se baseiam em formalizaes matemticas das cadeias de suprimentos. Os modelos obtidos necessitam de aproximaes simplicadoras, usualmente restritivas, e so limitados por levarem em conta o tempo. Duas abordagens comuns so a Teoria
de Controle, baseada em equaes diferenciais, e a da Pesquisa Operacional, que se baseia em
teorias de otimizao (LABARTHE et al., 2007). Neste ltimo caso os modelos analticos, tanto
determinsticos quantos estocsticos, so tambm chamados de modelos de programao matemtica, e tm sido estudados por pesquisadores por mais de 50 anos (WINSTON, 1995).
Uma outra forma de classicar os modelos matemticos entre modelos descritivos e modelos normativos (SHAPIRO, 2006). Os primeiros so desenvolvidos para uma melhor compreenso das relaes funcionais da cadeia e do mundo exterior. Dentro deste grupo esto includos
tambm os modelos de simulao citados na seo anterior.
Em seguida esto os modelos normativos, que so desenvolvidos com a nalidade de ajudar

46

na tomada das melhores decises. O termo normativo se refere a processos para identicar as
normas que a empresa deveria se empenhar em obter. Segundo alguns autores este tipo de
modelo se confunde com os modelos de otimizao, e esta ser a viso deste trabalho. Dentro
deste grupo esto os modelos analticos (determinsticos ou estocsticos) que sero apresentados
a seguir.
Dentro dos modelos analticos, a pesquisa em problemas de estoque multicamadas tem uma
longa histria (CLARK; SCARF, 1958)(SVORONOS; ZIPKIN, 1991). Um sistema multicamada
aquele que possui vrias camadas que interagem entre si, onde cada camada representa um
tipo de participante da cadeia de suprimentos (fornecedor, indstria, centro de distribuio,
etc.). Esta linha de trabalho supe um controle centralizado de toda a rede de suprimentos, e
desta forma ignora a possibilidade de tomada de deciso descentralizada. Estes modelos so
tambm limitados em lidar com aspectos relacionados dinmica da cadeia de suprimentos e
focalizam exclusivamente medidas de desempenho globais. impossvel ter modelos analticos
tratveis para estes problemas sob condies realistas (SWAMINATHAN; SMITH; SADEH, 1998).
O comportamento dinmico de uma cadeia de suprimentos complexa e com muitos estgios
difcil de ser modelado de forma analtica. A natureza errtica do comportamento destes
sistemas no pode ser facilmente estudada com ferramenta de modelagens analticas e estticas.
Aplicaes de programao matemtica na indstria do petrleo datam dos anos 1950
(CHARNES; COOPER; MELLON, 1952) (SYSMONDS, 1955). Desde ento, temos visto um enorme
avano em algoritmos e tcnicas de modelagem para solucionar problemas relacionados indstria do petrleo. Atualmente podemos dizer que a relevncia das ferramentas de programao
matemtica ponto pacco entre todas as companhias petrolferas (FORREST; OETTLI, 2003).
Os benefcios potenciais da otimizao de operaes de processamento em renarias de petrleo
com aplicaes de programao linear em mistura de petrleo e agrupamento de produtos, tem
sido observados h muito tempo (SYSMONDS, 1955). A gesto da renaria de petrleo est cada
vez mais preocupada em melhorar o planejamento das suas operaes. O principal fator, entre
outros, a natureza dinmica do ambiente econmico. As empresas devem avaliar o potencial
impacto de variaes nas demandas por especicaes de produtos nais, preos e composies de petrleo, ou mesmo serem capazes de explorar oportunidades imediatas de mercado
(MAGALHAES et al., 1998). Coxhead identica vrias aplicaes de modelos de planejamento na
renaria e na indstria do petrleo, tais como a seleo de petrleo, alocao de petrleo para
vrias renarias, modelos de parceria para fornecimento de matrias-primas e planejamento de
operaes (COXHEAD, 1994). A disponibilidade de softwares comerciais baseados em Programao Linear para planejamento de produo da renaria, tais como o Aspen PIMS (Process
Industry Modeling System) (ASPENTECH, 2011), tem permitido o desenvolvimento de planos de

47

produo gerais para toda a renaria, que podem ser interpretadas como tendncias gerais. Na
literatura existem aplicaes especcas baseadas em programao matemtica, tais como para
a descarga de petrleo bruto e a combinao de gasolinas (BODINGTON, 1992) (RIGBY; LASDON;
WAREN,

1995) (SHAH, 1996) (LEE et al., 1996).

Foi demonstrado que os problemas de planejamento / escalonamento podem ser formulados de forma eciente como modelos MILP (Programao Linear Inteira Mista) de larga escala.
Questes importantes e mais gerais, tais como a integrao das atividades de logstica, planejamento e escalonamento, bem como tcnicas de modelagem e soluo mais ecientes, persistem
como desaos a serem estudados (JOLY; MORO; PINTO, 2002). A maioria das ferramentas se
concentram em partes especcas da cadeia de suprimentos de petrleo, o que frequentemente
leva a uma falta de integrao. Em (PINTO; NEIRO, 2004) foi chamada a ateno para a importncia da indstria petrolfera possuir uma viso mais ampla de sua cadeia de suprimentos e ter
um framework geral para a modelagem de operaes nesta cadeia.
Em (AIRES et al., 2004) feito um modelo simplicado da cadeia de suprimentos da empresa
PETROBRAS, que uma empresa petrolfera integrada verticalmente, e que se ocupa de uma
ampla gama de atividades, que vo da explorao at o reno e a distribuio. A atividade de
logstica na PETROBRAS dividida em trs etapas, com informaes sendo trocadas entre os
diferentes nveis. A primeira etapa, que trata da estratgia geral de planejamento de suprimento,
realizada atravs do PLANAB, que um sistema baseado em um modelo de programao
linear multiperodo, executado a cada dois meses para um horizonte de planejamento de seis
meses. Os autores argumentam que no existia, at aquele momento, nenhuma ferramenta
disponvel para a alocao de petrleo na empresa, de forma a integrar as atividades de logstica
com as de extrao e compra de petrleo por um lado, e as de reno de derivados pelo outro.
Alm disso, mencionado que no havia referncias na literatura sobre algoritmos capazes de
atacar o problema como um todo. Eles concluem que sem um certo nvel de simplicao e
abstrao qualquer instncia do mundo real permaneceria fora de alcance em termos prticos.
Tipicamente, na literatura, o problema focalizado dividido em dois subproblemas: escalonamento de navios (ZABAL, 1984) (MILLER, 1987), e operaes de planejamento em renarias
(LEE et al., 1996) (PINTO; JOLY; MORO, 2000). A integrao simplicada destes subproblemas foi
feita utilizando Programao Matemtica, atravs de uma formulao com Programao Linear
Inteira Mista baseada em uma rede discretizada no espao e no tempo. A concluso do trabalho foi que embora tenha sido considerado um modelo simplicado do problema completo,
ele representou um avano pela integrao dos dois subproblemas. Em (ROCHA; GROSSMANNB;
ARAGAO,

2009) este problema foi estendido com a considerao da exibilizao dos planos

48

de produo das renarias, e o modelo renado com a incluso de um algoritmo implementado


com base em uma heurstica que possibilitava a obteno de uma soluo factvel, que era ento
melhorada por um procedimento de otimizao conhecido como Local Branching. Os autores
armaram que enquanto antes instncias realsticas do problema s eram solucionadas aps 15
dias de computao, aps a entrada do algoritmo elas passaram a ser resolvidas em menos de
5 horas, e dentro de uma margem de qualidade de 10% em relao ao limitante superior de
otimizao obtido pela relaxao do problema.
Lasschuit e Thijssen enfatizam a importncia de alcanar uma integrao completa na cadeia de suprimentos da indstria qumica e petrolfera, e descrevem o desejo de uma ferramenta
com este objetivo (LASSCHUIT; THIJSSEN, 2004). O problema tratado considera alm dos diferentes estgios da cadeia de suprimentos (fornecimento, manufatura e distribuio), os diferentes nveis da hierarquia de seu gerenciamento (planejamento, escalonamento e operaes). Os
autores reconhecem as enormes diferenas entre as decises tomadas ao longo deste espectro
de duas dimenses, com relao ao escopo do negcio, horizonte de tempo, tempo de resoluo, certeza e acurcia dos dados, detalhamento do processo e mecanismo de otimizao.
explicitada a necessidade de ferramentas de suporte a deciso que permitam guiar de forma
consistente tanto os aspectos econmicos quanto operacionais da cadeia, levando em conta as
informaes disponveis tanto de natureza operacional quanto do mercado. Tal tipo de ferramenta satisfaria uma necessidade fundamental de que as decises do nvel estratgico e ttico
pudessem levar em conta informaes operacionais, tais como, utilizao das capacidades de
produo, utilizao dos modais de transporte e alocao de demanda. Ao mesmo tempo no
apenas capacidades j existentes seriam consideradas, mas conjuntamente novas oportunidades
seriam avaliadas, o que j era prerrogativa do nvel estratgico.
A indstria petroqumica tem uma histria de utilizao de programao linear (PL) e/ou
programao linear inteira mista (MILP) para o planejamento e escalonamento da cadeia de
suprimentos. Em (KALLRATH, 2000), dada uma viso geral dos benefcios em potencial da
programao matemtica, que tipo de problemas podem ser atacados e um panorama do estadoda-arte sobre boas prticas de modelagem e algoritmos. Entrando em mais detalhes sobre soluo de problemas com MINLP, Grossmann faz uma reviso de possveis algoritmos de soluo
(GROSSMANN, 2002), enquanto a teoria detalhada e mtodos para MINLP e suas aplicaes
podem ser encontrados em (FLOUDAS, 1995).
Na prtica, a demanda e outros parmetros caracterizados pela incerteza, so acomodados
em parte pela utilizao de modelos nos modo de horizonte de rolagem (vide a Seo 3.4)
(REKLAITIS, 1982). Neste modo o horizonte de operao dividido em um certo nmero de

49

perodos de planejamento, e o modelo de planejamento com previses de demanda determinsticas resolvido de forma a fornecer metas de produo especcas para cada perodo. Ao nal
do primeiro perodo, o estado do sistema, incluindo nveis de estoque, atualizado e o ciclo de
planejamento repetido com o horizonte avanando por um perodo.
A anlise resumida dos trabalhos anteriores leva concluso que somente subsistemas relacionados cadeia de suprimentos do petrleo tem sido estudados em um nvel razovel de
detalhe. A razo disso a complexidade resultante quando todas estas partes so colocadas juntas dentro de um mesmo modelo. Apesar disso, existe grande motivao em aumentar o escopo
dos modelos da cadeia de suprimentos do petrleo sem reduzir a complexidade do problema
real (TURKAY; GROSSMANN, 1996) (HEEVER; GROSSMANN, 1999) (VECCHIETTI; GROSSMANN,
2000).

3.4

Desafios para o Planejamento Integrado com Otimizao

Tem cado cada vez mais claro que existe grande interesse dentro de vrias reas da indstria de processos, tais como petrleo e qumica, em alcanar a meta da Otimizao Integrada
de uma Empresa (LASSCHUIT; THIJSSEN, 2004) (PINTO; NEIRO, 2004). A rea deste problema
se localiza na interface entre a engenharia de processos e a pesquisa operacional. Ele envolve a
otimizao das operaes de suprimento, produo e distribuio em uma empresa. As atividades operacionais principais incluem planejamento, escalonamento, otimizao em tempo-real,
e controle de estoque. A Gesto da Cadeia de Suprimentos poderia ser considerada um termo
equivalente para o problema que acabou de ser descrito (SHAPIRO, 2006). Entretanto, apesar da
interseo signicativa entre os dois termos, uma distino importante que a gesto da cadeia
de suprimentos focaliza um conjunto mais amplo de aplicaes do mundo real com enfse em
logstica e distribuio, e geralmente envolve modelos lineares, que pertencem tradicionalmente
ao domnio da pesquisa operacional. Por outro lado, na otimizao integrada a nfase est nas
instalaes produtivas com maior foco no planejamento, escalonamento, e controle, que frequentemente requerem o uso de modelos de processos no-lineares, e, por isso, conhecimento
de engenharia de processos. Uma das caractersticas chave do ltimo problema a integrao
das informaes e tomada de decises entre vrias funes que formam a cadeia de suprimentos de uma empresa. Entretanto, as maiores barreiras so a falta de modelos computacionais de
otimizao e ferramentas que devero permitir a otimizao integrada por toda a empresa. Isto
vai exigir uma nova gerao de ferramentas que permitam a integrao completa e soluo em
grande escala dos modelos de otimizao, bem como a incorporao de modelos acurados para
a rea de produo (GROSSMANN, 2005).

50

Figura 8: Viso Hierrquica da Otimizao da Cadeia (baseada em (Shapiro, 2006))


Um grande desao que est envolvido na otimizao integrada das indstrias de processos,
entre elas a petrolfera, a tomada de deciso integrada e coordenada entre as diversas funes
da sua cadeia de suprimentos (compras, fabricao, distribuio, vendas), atravs de vrias organizaes distribudas geogracamente (fornecedores, instalaes e mercados), e atravs dos
vrios nveis de tomada de deciso (estratgico, ttico e operacional), como visto na Fig. 8
baseada em (SHAPIRO, 2006). Os dois primeiros itens conceitualmente lidam com questes relacionadas com a integrao espacial na medida em que envolvem a coordenao das atividades
dos diversos subsistemas de uma empresa. O terceiro item trata questes relacionadas com a integrao temporal na medida em que envolvem coordenao das decises atravs de diferentes
escalas de tempo. Enfrentar esses problemas de integrao espacial e temporal fundamental
para otimizar a tomada de deciso ao longo de toda a cadeia.
A m de alcanar este objetivo por toda a organizao, estas novas ferramentas computacionais deveram enfrentar os trs grandes desaos, que sero discutidos a seguir.

3.4.1

Modelagem

A otimizao integrada envolve como atividades operacionais principais planejamento, escalonamento e controle. imperativo que as instalaes produtivas possam responder demanda mesmo que sua capacidade esteja prxima do limite com um plajenamento de produo
sujeito a restries operacionais complexas, e ainda assim alcanar metas de produo viveis.

51

Para que isso seja possvel, pesquisadores e engenheiros de processo tm proposto mtodos de
planejamento de produo que incorporem submodelos de escalonamento (BASSETT; PEKNY;
REKLAITIS,

1996) (GROSSMANN, 2002).

Enquanto a rea de planejamento e escalonamento tem visto o desenvolvimento de muitos


modelos em pesquisa operacional (PO) (PINEDO, 2001), durante a ltima dcada um nmero
signicativo de modelos de planejamento e escalonamento tm sido propostos especicamente
para aplicaes de processo (SHAH, 1998) (PEKNY; REKLAITIS, 1998). Em contraste com os
modelos genricos de escalonamento de PO, os modelos orientados a processos tendem a exigir
o uso de uxos de materiais, e muitas vezes topologias de rede que so bastante diferentes dos
sistemas de escalonamento tradicionais. Assim, as formulaes de escalonamento podem ser
classicadas principalmente em duas:
1. Baseada em Redes (Orientada a Processos)
2. Baseada em Sequenciamento Tradicional
A primeira usada para redes de processos complexos e gerais, enquanto a ltima usada para
processos de fase nica, fase mltipla e mltiplo propsito (MARAVELIAS; SUNG, 2009).
Alm disso, tais formulaes podem requerer o uso de modelos de processos detalhados
no-lineares. Por outro lado, h um bom nmero de modelos de processos especcos de escalonamento que foram desenvolvidos para melhor explorar a estrutura especial de alguns problemas. Outra ocorrncia comum que em longos modelos cclicos de escalonamento a funo
objetivo deve ser expressa na forma no-linear (PINTO; GROSSMANN, 1994). Entretanto, apesar
do progresso que tem sido feito, a disponibilidade de um modelo de planejamento e de escalonamento de propsito geral para as indstrias de processo ainda enganosa. Tal fato decorre
no apenas por causa da grande variedade de problemas que surgem na prtica, mas tambm por
causa de uma srie de grandes problemas computacionais, ou seja, diculdades na resoluo de
problemas de grande escala de otimizao e manipulao de modelos de processos no-lineares.

3.4.2

Multi-Escala (Espao e Tempo)

Como coordenar a otimizao de vrios modelos ao longo de um determinado horizonte de


tempo (de semanas a anos), e como coordenar as decises estratgicas de longo prazo (anos)
relacionadas com fornecedor e de investimento, com as decises de mdio prazo (meses) relativas a decises tticas de planejamento da produo e uxo de materiais, e ainda com as
decises operacionais de curto prazo (semanas, dias) em relao escalonamento e controle?

52

As principais questes aqui envolvem as tcnicas para lidar com as grandes escalas espaciais e
temporais.

Integrao do Planejamento da Produo, Escalonamento e Otimizao em Tempo Real.


A questo fundamental nesta rea a integrao de modelos atravs de escalas de tempo muito
diferentes (SHAH, 1998). Tipicamente, o modelo de planejamento uma representao linear
simplicada que utilizada para prever as metas de produo e uxo de material ao longo de
vrios meses (at um ano). Alm disso, neste nvel os efeitos de trocas e estoques dirios so
desprezados, o que tende a produzir estimativas otimistas que no podem ser realizadas no nvel
de escalonamento. Modelos de escalonamento, por outro lado, tendem a ser mais detalhados
por natureza, mas presupem que decises importantes foram tomadas, por exemplo, metas de
produo.

Planejamento e escalonamento simultneos sobre uma grade de tempo comum.

A ideia

aqui efetivamente subir" o modelo de escalonamento at o nvel do planejamento, o que leva


a um problema de otimizao multiperodo em escala muito grande, uma vez que denido
sobre horizontes de longo prazo com uma discretizao na no tempo (por exemplo, intervalos
de um dia). Para superar o desao de ter de resolver um problema com escala muito grande, as
estratgias baseadas na agregao e decomposio podem ser consideradas (BASSETT; PEKNY;
REKLAITIS,

1996) (WILKINSON, 1996). A primeira envolve tipicamente a agregao dos pero-

dos de tempo posteriores, dentro de um horizonte de tempo especicado, a m de reduzir a


dimenso do problema.

Tcnicas de decomposio para a integrao de planejamento e escalonamento

Esta tc-

nica geralmente baseada em um processo de decomposio em dois nveis, onde o problema


de nvel superior (problema de planejamento) uma agregao do problema de nvel inferior
(escalonamento). O desao consiste no desenvolvimento de um modelo de planejamento agregado que produz limites apertados para reduzir o nmero de problemas de nvel superior e de
nvel inferior (PAPAGEORGIOU; PANTELIDES, 1996). Outra abordagem de soluo baseia-se em
usar uma abordagem de horizonte rolante, onde o problema de planejamento resolvido atravs do tratamento dos primeiros perodos em detalhe, enquanto que os perodos posteriores so
agregados de forma recursiva (DIMITRIADIS A. D.; PANTELIDES, 1997).

Formulaes de escalonamento relaxados e agregados

Embora modelos integrados com

formulaes de escalonamento detalhadas podem, em princpio, fornecer metas de produo

53

timas, eles na maioria das vezes resultam em modelos MILP grandes que no podem ser resolvidos com otimizao. Uma maneira de superar essa limitao atravs do uso de estratgias de
soluo avanadas, um tema que ser revisto na prxima seo. Uma outra opo desenvolver
uma aproximao do modelo original, que fornece alguma informao a curto prazo, que torne
mais fcil sua soluo (MARAVELIAS; SUNG, 2009).
O modelo aproximado obtido pela remoo de algumas das restries, ou atravs da
agregao de algumas das decises da formulao de escalonamento original. Uma estratgia
comum manter as restries e as variveis associadas atribuio de atividades, mas descartar restries e variveis relativas ao seqenciamento (HARJUNKOSKI; GROSSMANN, 2002)
(JAIN; GROSSMANN, 2001). Agregao reduz o nmero de variveis e restries em uma formulao atravs de sua combinao de maneiras diferentes (BASSETT; PEKNY; REKLAITIS, 1996).
Em (WILKINSON; SHA; PANTELIDES, 1994) proposto um modelo de escalonamento no qual
o horizonte de tempo foi originalmente composto de muitos sub-perodos. Os autores propuseram a agregao de sub-perodos em perodos maiores (ou seja, perodos de planejamento)
com a restrio de que variveis e restries perto dos limites de cada perodo permaneceram
desagregados.
Modelos simplicados podem tambm ser gerados a partir da anlise do modelo de escalonamento no que diz respeito a campanhas de produo. Em (SUKOYO; MATSUOKA; MURAKI,
2004) tambm foi discutido a enumerao de campanhas de produtos mistos, que foram usadas
como unidades de atribuio no problema de planejamento de produo.

Modelos substitutos off-line

Um mtodo alternativo para a gerao de uma descrio acu-

rada, mas computacionalmente tratvel das restries de recursos e os custos de produo de


uma unidade a realizao de clculos off-line. O objetivo desta abordagem gerar restries
que denam a regio vivel do modelo de escalonamento e os custos de produo em funo
apenas das metas de produo. A gerao destas restries pode ser intensiva em termos de
recursos, mas uma vez que so gerados off-line podem ser incorporados na formulao integrada sem computao adicional. Em (SUNG; MARAVELIAS, 2007) foi apresentado um mtodo
baseado em projeo que utiliza clculos off-line com base em um modelo de escalonamento
detalhado para gerar a casca convexa das metas de produo viveis e uma subestimao convexa do custo de produo total (vide (GRUNBAUM, 2003)). Estas funes aproximadas so
expressas em termos de variveis de planejamento, ou seja, as variveis de escalonamento so
projetadas como sada, alm de fornecer todas as informaes necessrias para resolver o problema de planejamento da produo de forma ecaz. Eles tambm propuseram a manuteno de
um repositrio de solues viveis conhecidas para uso posterior em um algoritmo de horizonte

54

rolante.

Modelagem hbrida para abordagens de horizonte rolante

Um compromisso entre pre-

ciso e carga computacional da modelagem utilizar modelos de escalonamento detalhados


para alguns perodos iniciais e uma formulao relaxada, agregada ou substituta para perodos
posteriores. Como j explicado, as metas de produo so continuamente atualizadas, o que
em alguns casos implica que solues aproximadas em perodos posteriores no afetam signicativamente a qualidade da soluo. Assim, esta abordagem hbrida torna-se conveniente para
mtodos de soluo de rolamento horizontal.
De um ponto de vista operacional, as metas de produo obtidas pela resoluo do problema de planejamento da produo so usadas como entradas para o escalonamento, levando
a um uxo hierrquico de informaes do planejamento de produo para o escalonamento.
No entanto, como explicado acima, para obter metas de produo viveis e (quase) timas, a
capacidade de processamento e informaes de custo tm que ser comunicadas a partir da formulao do escalonamento para a do planejamento da produo atravs da integrao de uma
forma do modelo de escalonamento. Em princpio, a ligao entre os dois problemas pode
ser conseguida atravs de restries que impem que as metas de produo para cada perodo
de planejamento sejam iguais s ordens previstas para o nal do horizonte de escalonamento
correspondente.
Alm disso, uma vez que tanto o ambiente de mercado quanto o de produo so dinmicos,
as metas de produo devem ser constantemente atualizadas para responder s perturbaes,
tais como atrasos de entrega de matrias-primas, falhas de equipamentos, atrasos de produo,
mudanas de demanda, etc Assim, uma soluo de planejamento de produo normalmente
usada apenas para alguns perodos iniciais, depois do qual os dados do problema so atualizados, e o problema solucionado de novo ao longo de um novo horizonte de planejamento.
Em outras palavras, pela sua prpria natureza o planejamento de produo resolvido na forma
de horizonte rolante. importante notar que, embora esta implementao iterativa no esteja
relacionada com a modelagem ou a estratgia de soluo, uma soluo de planejamento de produo implementada com forma de horizonte rolante, independentemente da forma como ela
obtida. No entanto, como veremos mais tarde, esta implementao iterativa inspirou abordagens de soluo baseadas em horizonte rolante. Neste contexto, a integrao do planejamento e
do escalonamento necessria em primeiro lugar, a m de obter uma soluo de planejamento
de produo vivel e (quase) tima, ao contrrio de obter uma soluo de escalonamento que
ser prontamente implementada.

55

Otimizao das Cadeias de Suprimentos.

Quando considerando um nvel de deciso es-

pecco (estratgico, ttico ou operacional), muitas vezes desejvel considerar a cadeia de suprimentos inteira de uma determinada empresa (ERENGUC; SIMPSON; VAKHARIA, 1999) (NEIRO;
PINTO,

2004). Aqui, novamente o tamanho do problema pode se tornar uma grande questo j

que temos de lidar com modelos em escalas grandes. Duas abordagens principais so: ou
considerar um modelo de otimizao simultnea em grande escala, ou ento a utilizao de
decomposio tanto na formal espacial quanto na temporal, geralmente usando decomposio
Lagrangeana (GRAVES, 1982). No caso da decomposio espacial a ideia separar as ligaes
entre subsistemas (por exemplo, produo, distribuio e venda) atravs da dualizao das restries de interligao correspondentes, que, em seguida, requer a otimizao multiperodo de
cada sistema. No caso da decomposio temporal, a ideia dualizar as restries de estoque a
m de dissociar o problema por perodos de tempo. A vantagem deste esquema de decomposio que a consistncia da decomposio mantida durante todo perodo de tempo (JACKSON;
GROSSMANN,

2003).

Abordagens de otimizao simultnea para a integrao das cadeias de suprimentos inteiras, naturalmente, levam denio de sistemas centralizados. Na prtica, no entanto, o
funcionamento tende a acontecer como se a cadeia de suprimentos fosse um sistema descentralizado. So necessrios procedimentos de coordenao que possam manter um certo grau de
independncia de subsistemas, enquanto que, ao mesmo tempo, visando objetivos pretendidos
pela otimizao integrada do sistema global (PEREA et al., 2001).

3.4.3

Esforo Computacional

As diculdades e alcance da otimizao do problema de integrao vai exigir o desenvolvimento de algoritmos avanados e novas arquiteturas computacionais a m de solucionar os
modelos de otimizao em grande escala de modo efetivo e convel. Resolver os modelos
de grande escala deste problema vai exigir eforos computacionais signicativos. Para alcanar a meta de integrar o planejamento atravs de toda a empresa, sero necessrios avanos
no s nos algoritmos e modelos, mas tambm ferramentas e recursos computacionais. Uma
abordagem promissora que tem surgido na ltima dcada disponibilizar os recursos computacionais na forma de uma grade computacional ou cluster, que uma coleo de processadores
heterogneos de baixo acoplamento e pontencialmente distribudos geogracamente. O tempo
ocioso dos processadores dentro destas colees um recurso barato que pode prover poder
computacional signicativo ao longo de grandes periodos de tempo.

56

3.5

Problema de Otimizao

Muitos problemas tanto de importncia terica quanto prtica dizem respeito escolha
da melhor congurao ou conjunto de parmetros de forma a atingir alguma meta. Ao
longo das ltimas dcadas emergiu toda uma hierarquia de tais problemas, juntamente com
uma correspondente coleo de tcnicas para sua soluo (PAPADIMITRIOU; STEIGLITZ, 1998).
Uma denio de um problema de otimizao sucientemente geral para englobar quase todos
estes problemas pode ser a seguinte:

Definio 1

Uma instncia de um problema de otimizao um par (X, c),

onde X qualquer conjunto domnio de pontos factveis, e


c a funo de custo c : X R
O problema encontrar um x X para o qual c(x) c(y), y X.
Tal ponto x chamado uma soluo tima global para a instncia dada do problema, ou
simplesmente uma soluo tima.
Em muitos exemplos a funo de custo c assume apenas valores inteiros no negativos.

Definio 2

Um problema de otimizao um conjunto I de instncias de um problema de

otimizao (X, c).


Informalmente, em uma instncia recebemos dados de entrada e temos informao suciente para obter uma soluo; um problema uma coleo de instncias, normalmente todas
geradas de forma similar.
Em uma das extremidades da ampla hierarquia dos problemas de otimizao se encontra o
genrico problema de programao no-linear, que pode ser denido da seguinte forma:

Definio 3

Determinar x de forma a

maximinizar f (x)

gi (x) 0, i = 1, . . . , m
sujeito a
h (x) = 0, j = 1, . . . , p
j

57

onde f, gi e hj so funes genricas do parmetro x Rn .


As tcnicas para solucionar tais problemas so quase sempre iterativas, e sua convergncia
estudada usando o ramo da matemtica conhecido como anlise real.
Quando f convexa, gi cncava, e hj linear, temos o que denominado um problema
de programao convexa (vide (PAPADIMITRIOU; STEIGLITZ, 1998)). Este problema possui a
propriedade bastante conveniente que a otimalidade local implica na otimalidade global.
Quando f , gi , e hj so todas lineares, chegamos ao problema de programao linear. Vrias mudanas importantes podem ser observadas nesta classe de problemas. Primeiro, qualquer
problema nesta classe se reduz seleo de uma soluo dentre um conjunto nito de solues
possveis. Assim, este tipo de problema pertence a uma categoria de problemas denominados
combinatrios. O conjunto nito de solues candidatas o conjunto de vrtices do poltopo ou
poliedro convexo denido pelas restries lineares. Para a soluo destes problemas se utiliza
amplamente o algoritmo simplex criado por G. B. Dantzig (DANTZIG, 1951), que encontra uma
soluo tima em um nmero nito de passos. Este algoritmo se baseia na ideia de melhorar
o custo movendo-se de um vrtice a outro do poltopo. Muitos anos de renamento levaram a
formas bastante ecientes do algoritmo simplex, que resolvem rotineiramente problemas com
centenas de varveis e milhares de restries entre estas variveis.
Dentro do conjunto de problemas lineares existe um subconjunto de problemas de otimizao que podem ser solucionados de forma muito mais eciente do que os demais. Por outro
lado, estes problemas esto intimamente relacionados com outros problemas que so muito difceis de serem tratados, como por exemplo o Problema do Caixeiro Viajante, que pertence
classe de problemas NP-completos (vide (PAPADIMITRIOU; STEIGLITZ, 1998)). Estes problemas
so casos especiais de problemas de programao linear inteira, que ocorrem quando consideramos problemas lineares que exigem que os valores de sua soluo sejam inteiros (x Z).
Tal como os problemas de programao linear, estes problemas possuem um algoritmo nito
para soluo. Entretanto, a semelhana termina a, pois o problema geral de programao linear
inteira ele prprio NP-completo. A Fig. 9 ilustra as diferentes categorias de problema de
otimizao e seu relacionamento.
Alm desta classicao, os problemas de otimizao se dividem naturalmente em duas
categorias: aqueles com variveis contnuas, e aqueles com variveis discretas. Nos problemas
contnuos, em geral se procura um conjunto de nmeros reais, ou mesmo uma funo; na segunda categoria de problemas, denominados problemas combinatoriais, se busca um objeto
de um conjunto nito, ou innito mas contvel, como por exemplo um nmero inteiro, um
conjunto, uma permutao, ou um grafo. Estes dois tipos de problemas geralmente possuem

58

Figura 9: Classes de Problemas de Otimizao (baseada em (Papadimitriou e Steiglitz, 1998))


caractersticas bem distintas, o que resulta em mtodos de soluo bem divergentes.
Em seguida, cada um destes problemas da programao matemtica ser discutido com
relao a sua importncia e uso na modelagem do planejamento integrado da cadeia de suprimentos do petrleo.

3.5.1

Programao Linear (LP) e Programao Linear Inteira Mista (MILP)

A programao linear (LP) amplamente utilizada para o planejamento integrado com


otimizao, atravs da completa segregao entre os diversos elementos da cadeia. O estado-daarte usar LP ou a programao linear inteira mista (MILP) para o propsito de planejamento
integrado de todas as operaes, por exemplo, otimizando petrleo e produtos nais (ZHANG;
ZHU, 2006).

As tcnicas de LP para a otimizao de renarias so relativamente maduras, sendo

representada pelo software comercial PIMS (ASPENTECH, 2011). Abordagens de modelagem


mais avanada foram desenvolvidas, mas principalmente focada em operaes locais, tais como
o modelo do planejamento e escalonamento de mistura de produtos (PINTO; JOLY; MORO, 2000).
Muitas empresas de petrleo desenvolveram sua prpria soluo caseira, como o caso da
PETROBRAS com o seu sistema PLANAB (AIRES et al., 2004). Ela no apenas resultado da
velocidade e robustez do LP, mas uma estrutura completa de valor em termos de preo marginal,
que pode ser facilmente obtido e prover informao signicativa sobre a justicativa da soluo
e anlise de sensibilidade. Entretanto, os modelos LP e MILP so construdos com base em
correlaes simplicadas, que so apenas aproximaes grosseiras de muitos processos com
natureza no-linear. Portanto, este tipo de modelo no pode descrever os aspectos no-lineares
acuradamente. Em geral, devido natureza simplicada do LP, suas abordagens so restritas ao

59

planejamento integrado de longo prazo, no sendo conveniente para as operaces do dia a dia.
Quando modelos de processos detalhados no so usados, problemas de planejamento e
escalonamento acabam modelados como problemas lineares inteiros mistos (MILPs). Estes
problemas de otimizao podem ser computacionalmente caros para solucionar, j que no pior
caso eles exibem complexidade exponencial com o tamanho do problema (NP-difcil). Por outro
lado, nos ltimos 10 anos grande progresso foi feito tanto nos algoritmos quanto no hardware,
que resultou em uma melhora signicativa na capacidade de solucionar MILPs em vrias classes
de problemas, como as relacionadas a empresas areas (BIXBY et al., 2002). Entretanto, para
o tipo de problema como o de planejamento integrado da cadeia do petrleo, os softwares
baseados em LP no so capazes de resolver modelos MILP em escala indstrial.

3.5.2

Programao No-linear (NLP)

Um modelo de Programao No-linear (NLP) rigoroso para todas operaes da renaria


pode ser formulado atravs da juno de todos os modelos de processos. Atualmente j existem
softwares comerciais ou modelos satisfatrios para a otimizao de uma renaria. Entretanto,
segundo Grossmann, mesmo tendo tal modelo NLP disponvel, temos ainda enormes diculdades em termos algortmicos e computacionais para integrar um problema to complexo e
completo (GROSSMANN; BIEGLER, 1995).
Para otimizaes de processos individuais, modelos rigosos so geralmente usados levando
em conta as condies operacionais detalhadas. Os resultados destes tipo de otimizao so
muito mais prximos da realidade. Entretanto, no existe nenhuma coordenao prpria entre a otimizao LP e as otimizaes NLP das diferentes operaes. Portanto, no existe nenhum framework que permita chegar na otimizao geral a partir das otimizaes de processos
individuais, o que signica que cada um destes processos otimizado de modo autnomo e
indenpendente. Consequentemente, a sinergia entre aspectos holisticos e operaces locais no
podem ser propriamente exploradas na realidade atual, o que limita enormemente a contribuio
econmica das otimizaes de processos (ZHANG; ZHU, 2006).
Renarias tm tipicamente solucionado o problema de planejamento utilizando mtodos LP
desde a dcada de 1950. Entretanto, tanto a mistura de produtos, onde dois ou mais produtos
de diferentes unidades so combinados para formar um nico produto, quanto o modelo de
operao do FCC (vide Seo 2.3.3) so altamente no-lineares. Assim, algumas ferramentas
baseadas em LP, tal como o Aspen PIMS, lidam com relaes no-lineares utilizando tcnicas
como a recurso, que uma forma de LP sucessiva, onde o modelo linear executa muitas vezes
com diferentes coecientes para tentar aproximar o comportamento no-linear e as tcnicas de

60

programao no-linear (NLP). A m de melhorar o modelo LP destinado unidade FCC, pode


ser utilizada outra tcnica mais sosticada para lidar com o comportamento no-linear chamada
abordagem delta-base. Assim, o rendimento de uma unidade representado por um vetor
base, que suciente para modelar a unidade FCC que processa um tipo nico de entrada com
condies operacionais xas. Para considerar variaes na composio da entrada, o conceito
do vetor delta til e cada atributo (ndice de enxofre, API, etc.) da entrada que pode afetar o
rendimento da unidade possui seu prprio vetor delta, que pode ser encarado como um gradiente
em relao ao vetor base para cada produto. No FCC os produtos de sada tipicamente so GLP,
gasolina, diesel e leo combustvel. Em suma, o modelo FCC no-linear convertido em um
modelo linear. Entretanto, como a unidade FCC o produtor de gasolina mais signicativo
dentro da renaria, o uso da LP pode comprometer a qualidade da otimizao (PASHIKANTI;
LIU,

2011).
Um objetivo importante no planejamento integrado a juno de todos estes modelos no-

lineares a m de obter a otimizao global. O trabalho desta tese essencial neste sentido de
modo a garantir a viabilidade das decises de mais alto nvel, levando em conta os modelos individuais e envolvendo tanto logstica quanto produo. Estes modelos representam mais acuradamente graus de liberdade operacionais e expanses de capacidade no processo de produo.
Como resultado, a incorporao destes modelos leva a resultados signicativamente superiores em relao s aproximaes lineares tpicas destes modelos. Vrios estudos demonstram
a importncia de incluir otimizaes NLP (BHATIA; BIEGLER, 1996)(JACKSON; GROSSMANN,
2003)(JAIN; GROSSMANN, 1998), e os ganhos signicativos que podem ser feitos no planejamento e nas operaces de escalonamento. Por outro lado, o desao que modelos no-lineares
so mais difceis de ser incorporados em um mesmo modelo maior, porque eles introduzem
comportamento no-monotnico, no-convexidades e solues locais.
Nos mtodos atuais no-linearidades so frequentemente modeladas introduzindo um grande
nmero de variveis binrias auxiliares e restries adicionais, que tipicamente dobram o nmero de variveis e aumentam o nmero de restries pela mesma ordem de magnitude. Alm
disso, com esta abordagem a estrutura combinatorial se torna confusa, e no possvel tirar
vantagem da estrutura. No caso do problema do planejamento integrado, onde muitas destas
restries aparecem ao mesmo tempo e os tamanhos das instncias so consideravelmente maiores, estes aspectos so ainda mais srios

61

3.5.3

Programao de Restries

Programao de restries um paradigma que combina descries declarativas de problemas com algoritmos ecientes e tcnicas de soluo. Ela tem provado ser particularmente til
para solucionar problemas combinatoriais, tal como aqueles que ocorrem nas reas de planejamento e escalonamento. Em problemas combinatoriais, existem diversas decises (variveis)
a que devem ser atribuidas alguma ao (valor). H tambm regras (restries) que impem
uma restrio sobre os valores que 1 varivel ou uma combinao de variveis podem assumir.
medida em que o nmero de variveis e valores possveis aumentam, o nmero de maneira
de se combinar atribuio de valores pode crescer exponencialmente. Desta forma, algoritmos
ecientes so frequentemente requisitados para explorar o espao de busca de atribuies possveis a m de encontrar solues que sejam factveis e/ou timas. Algoritmos de programao
de restries habilitam isso atrves de tcnicas que combinam:
1. inferncia (consistncia) removem atribuies no factveis por raciocnio lgico sobre
as restries do problema
2. busca explora as atribuies possveis restantes seguindo um processo algortmico denido.

Definio 4

Um Problema de Satisfao de Restries (CSP) denido pela tripla (X, D, C),

onde
X um conjunto nito de variveis {x1 , . . . , xn }, onde cada varivel xi pode ser booleana,
numrica ou simblica;
D um conjunto nito{D1 , . . . , Dn }, formado pelos conjuntos nitos Di que representam
o domnio de cada varivel xi ;
C um conjunto nito de restries {c1 , . . . , cm } aplicadas sobre subconjuntos arbitrrios
de variveis de X.
O objetivo de um CSP encontrar uma tupla (ou mais) de soluo s S, onde S produto
cartesiano D1 . . . Dn dos domnios de todas as variveis X que satisfaa todas as restries
contidas em C. O tamanho de um CSP pode ser medido pelo nmero de variveis, os tamanhos
dos domnios e o nmero das restries (TSANG, 1993).
Existem muitas aplicaes do CSP, tal como escalonamento, alocao de recursos, planejamento de produo e leiles combinatoriais (DECHTER, 2003). Entretanto, um CSP um
problema de deciso i.e., se busca por solues que satisfaam todas as restries. Em alguns

62

casos, pode-se no querer apenas encontrar qualquer soluo, mas uma soluo que tambm
otimize alguma funo objetivo. Tal situao tratada atrves do formalismo generalizado denominado Problema de Satisfao de Restries com Otimizao (CSOP), que ser apresentado
a seguir.

Problema de Satisfao de Restries com Otimizao (CSOP)

Definio 5

Um Problema de Satisfao de Restries com Otimizao (CSOP) denido

como um CSP onde foi adicionada uma funo de otimizao f que mapeia toda possvel soluo x para um valor numrico. Ou seja, CSOP denido pela quadra (X, D, C, f ), onde
X um conjunto nito de variveis {x1 , . . . , xn }, onde cada varivel xi pode ser booleana,
numrica ou simblica;
D um conjunto nito {D1 , . . . , Dn }, formado pelo conjunto nito Di que representa o
domnio de cada varivel xi ;
C um conjunto nito de restries {c1 , . . . , cm } aplicadas sobre subconjuntos arbitrrios
de variveis de X, e
f : S R, a funo de otimizao, cujo domnio o produto cartesiano S = D1 . . .
Dn .
O objetivo de um CSOP encontrar a tupla de soluo s S que satisfaa todas as restries contidas em C, e ao mesmo tempo minimize a funo f .

CSP no Problema de Planejamento

O campo relativamente novo do CSP tornou-se re-

centemente o estado da arte para alguns tipos importantes de problemas de sequenciamento,


particularmente problemas com restries de recursos, que ocorrem com freqncia no contexto da cadeia de suprimentos. CSP pode trazer vantagens, tanto na modelagem quanto na
soluo. Os modelos tendem a ser mais concisos e de fcil depurao, uma vez que as condies lgicas e combinatrias so muito mais naturalmente expressas em um CSP do que em
um MILP (MILANO, 2003). Os solucionadores tiram proveito dos mtodos de inferncia lgica
(propagao de restries), que se adaptam bem s restries combinatrias que caracterizam
os problemas de escalonamento. Em particular, o aspecto de determinar em que ordem colocar
cada atividade nestes problemas, pode apresentar diculdades para MILP, onde difcil de ser
modelado e d origem a relaxaes fracas.
Em contraste, um modelo CSP prontamente formula problemas de sequenciao, e oferece

63

algoritmos especializados de propagao que exploram a sua estrutura. Alm disso, a heurstica
pode prontamente ser acomodadas em CSP. A maior promessa, no entanto, reside na integrao entre mtodos CSP e MILP, que atualmente uma rea de pesquisa muito ativa (HOOKER,
2000). A integrao permite atacar os problemas em que algumas das restries so mais adequadas para uma abordagem MILP (talvez por terem boas relaxaes contnuas) e outras so
mais adequadas para uma abordagem CSP (porque "propagam bem"). Isto particularmente
verdade para os problemas de cadeia de suprimento, em que as restries relativas alocao
de recursos, roteamento e gerenciamento de estoque podem relaxar bem, enquanto as restries
relacionadas ao escalonamento e outras condies lgicas ou combinatrias podem propagar
bem.
No contexto de problemas de escalonamento, estes modelos realizam a atribuio de tarefas
a mquinas com restries de programao inteira-mista, enquanto que a sequencia de tarefas
executada com a programao de restrio. A motivao por trs do primeiro remover as
restries associadas ao mtodo de penalidades (big-M) (vide (WINSTON, 1995)) e explorar a
capacidade de otimizao da programao inteira-mista. A motivao por trs do ltimo explorar a capacidade do CSP para tratar de forma ecaz subproblemas de viabilidade, bem como
as restries de sequenciao. Mtodos hbridos tm mostrado em alguns problemas sinergias
que levam a redues signicativas na computao (JAIN; GROSSMANN, 2001) (MARAVELIAS;
GROSSMANN,

3.6

2004) (HOOKER et al., 1999).

Estratgia de Soluo

Estratgias de soluo para o problema integrado planejamento-escalonamento podem ser


classicadas em trs categorias como mostrado na Fig. 10. Usando mtodos de decomposio
o problema decomposto em um subproblema mestre (alto nvel) utilizado para determinar
as metas de produo e em um subproblema escravo (baixo nvel) com escalonamento detalhado. As metas de produo ou outras decises de alto nvel so usadas com entradas para
o subproblema escravo. Se o uxo de informaes somente do subproblema mestre para os
subproblemas escravos, ento os mtodos so hierrquicos. Se existe um ciclo de realimentao dos submodelos de volta ao subproblema mestre, ento os mtodos so iterativos. Se
a formulao integrada contm submodelos de escalonamento detalhado para cada perodo de
planejamento, ento sua soluo prov todas as informaes necessrias. Entretanto, estes modelos so difceis de resolver e requerem mtodos de soluo avanados. Estes ltimos so
denominados mtodos full-space (MARAVELIAS; SUNG, 2009).

64

Figura 10: (a) Hierrquico (b) Iterativo (c) Full-space (baseada em (Maravelias e Sung, 2009))

3.6.1

Mtodos Hierrquicos

Nos mtodos hierrquicos o problema mestre prov um conjunto de decises de alto nvel, tais como metas de produo e seleo de tarefas (MCKAY; SAFAYENI; BUZACOTT, 1995).
Esta informao repassada como entrada para o subproblema de escalonamento baixo nvel
com o objetivo de obter uma soluo completa de escalonamento (AMARO; BARBOSA-POVOA,
2008). Se um escalonamento vivel associado com os valores de produo previstos no existe,
ento um escalonamento vivel na vizinhana deste procurado de forma a se ter uma soluo globalmente vivel (KELLY; ZYNGIER, 2008). A m de prover previses mais realistas,
em (SUBRAHMANYAM S.; REKLAITIS, 1996) foi proposto um modelo de escalonamento aproximado no nvel mestre, que uma abordagem amplamente seguida.
A decomposio hierrquica pode tambm ser usada dentro da estratgia de horizontes
rolantes, onde modelos de escalonamento detalhado so usados por alguns perodos iniciais
e modelos agregados so usados para os perodos posteriores. As metas de produo para
os perodos iniciais so exatas e desta forma diretamente implementadas, enquanto as metas
para perodos posteriores so atualizadas medida que o horizonte rola (DIMITRIADIS A. D.;
PANTELIDES,

1997). Mtodos de soluo de horizontes rolantes so agrupados em geral como

hierrquico, pois no h informao voltando para o problema mestre durante o processo de


soluo.
Em (HEEVER; GROSSMANN, 2003) foi apresentado um esquema de decomposio hierrquica para um problema integrado de planejamento e escalonamento reativo. O nvel superior
solucionado para determinar os valores de produo na presena de um modelo simplicado

65

de oleodutos, enquanto o nvel inferior solucionado no padro de horizontes rolantes para


determinar a operao de unidade na presena de um modelo detalhado de oleodutos.

3.6.2

Mtodos Iterativos

Na ausncia de restries de recursos e custos de produo detalhados, as metas de produo ou atribuies de tarefas a unidades obtidas pela primeira soluo do problema mestre
sero provalmente inviveis ou subtimas. A invs de tentar encontrar escalonamentos que estejam nas vizinhanas dessas decises, mtodos iterativos tentam fechar o ciclo de informaes
a partir dos subproblemas de escalonamento em relao ao problema mestre. O objetivo de
tal realimentao encontrar as decises de alto nvel verdadeiramente timas. Isto pode ser
conseguido atravs da adio de cortes inteiros que excluem as solues encontradas anteriormente. Portanto, diferentes solues podem ser encontradas pelo problema mestre e avaliadas
pelo subproblema de nvel inferior. Alm disso, o problema mestre pode proporcionar um limitante inferior crescente, enquanto o subproblema pode fornecer um limite superior. Assim,
mtodos iterativos pode levar a solues timas caso este intervalo entre os limitantes convirja.
Em (PAPAGEORGIOU; PANTELIDES, 1996) foi proposto um planejamento de campanhas e
um modelo de escalonamento integrados, onde cada perodo de tempo do nvel mais alto
composto de campanhas cclicas. O problema do nvel superior resolvido para xar um conjunto de variveis binrias, ou seja, escolher as campanhas. O problema do nvel inferior
usado para gerar campanhas. No m de cada iterao, um corte inteiro adicionado para evitar
que o mesmo conjunto de variveis binrias seja encontrado mais uma vez.
Muitos pesquisadores tambm propuseram mtodos iterativos, onde um modelo MILP mestre resolvido para obter atribuies de tarefas unidades, e um subproblema de programao
de restries para encontrar seqncias viveis. (HOOKER et al., 1999) e (JAIN; GROSSMANN,
2001) consideraram o problema de fase nica, enquanto (HARJUNKOSKI; GROSSMANN, 2002)
estudaram processos de fases mltiplas. (CHU; XIA, 2005) propuseram para um problema de escalonamento com restrio de recursos um mtodo iterativo de dois nveis IP/CP que adiciona
cortes de Bender para o problema de alto nvel. Em geral, os mtodos iterativos tem prometido
muito, mas sua aplicao tem sido at agora muito dependente da formulao.

3.6.3

Mtodos Full-space

Os mtodos desta classe consideram o problema integrado, em que um modelo de escalonamento detalhado utilizado para a modelagem de restries de recursos e os custos de

66

produo. A primeira abordagem a soluo do modelo full-space usando mtodos de programao matemtica (BASSETT; PEKNY; REKLAITIS, 1996) (BLANCO et al., 2005) (KALLRATH,
2002) (KELLY, 2004) (PAPAGEORGIOU; PANTELIDES, 1996). Em (JOLY; MORO; PINTO, 2002) foi
proposto um modelo integrado de uma renaria. O problema de planejamento deniu a topologia e pontos de operao de uma renaria, enquanto o problema de escalonamento cuidou da
descarga do petrleo dos oleodutos, transferencia para os tanques de armazenamento, e carga
nas unidades. Em (NEIRO; PINTO, 2005) foi considerado uma formulao multi-perodo para o
planejamento de produo da renaria. Modelos de escalonamento por si s, no entanto, so de
difcil soluo, apesar de s cobrirem um horizonte de vrios dias ou semanas. Se o mesmo nvel de detalhe mantido, por conseguinte, a integrao com o planejamento da produo que se
estende para o horizonte de vrios meses resulta em modelos intratveis computacionalmente.
Assim, a segunda abordagem a utilizao de mtodos heursticos tais como simulated annea-

ling (REKLAITIS, 1982) e algoritmos genticos (BERNING et al., 2004) (YAN; ZHANG, 2007).
A terceira abordagem decompor a formulao integrada atravs da explorao da sua estrutura. Os subproblemas decompostos podem ento ser resolvidos iterativamente utilizando
mtodos de programao matemtica, tais como a decomposio de Bender (BENDERS, 1962)
(GEOFRION, 1972) ou o relaxamento/decomposio Lagrangiana (EVERETT, 1963) (FISHER,
1981) (GUIGNARD; KIM, 1987). Entretanto, estes mtodos iterativos so diferentes dos apresentados na subseco anterior na medida em que consideram a formulao original integrada
(planejamento-escalonamento). A ideia principal da decomposio de Bender resolver um
problema mestre relaxado que envolve apenas as variveis de vinculao entre os dois subproblemas, corrigir os valores dessas variveis para obter subproblemas dissociados, e usar a
soluo destes subproblemas para melhorar a formulao do problema mestre.
A relaxao Lagrangiana tipicamente usada quando um problema constitudo por um
conjunto de restries fceis e um conjunto de restries difceis, cuja remoo (e, adio, como
um termo de penalizao no objectivo) leva a um problema fcil. No caso do planejamento da
produo, esta situao surge quando um problema de escalonamento nico usado ao longo
de vrios perodos de planejamento. As restries difceis so aquelas que ligam blocos correspondentes a perodos consecutivos. Decomposio Lagrangiana uma variao da relaxao
Lagrangeana em que as variveis complicadas que aparecem em vrias restries so desagregadas em cpias. As cpias da mesma varivel esto relacionadas por restries de vinculao,
que so relaxadas pela decomposio (KELLY, 2002)(KELLY; ZYNGIER, 2008).

67

3.7

Concluso

Este captulo discutiu trs desaos principais para enfrentar o problema de integrao da
cadeia de suprimentos da indstria do petrleo. O problema de planejamento tratado deste trabalho tem a denominao dada em 2.2.2 com as caractersticas de uma cadeia genrica, mas
tem, principalmente, o enfoque da rea de processos, j que focaliza a cadeia de suprimentos da
indstria petrleo que um caso importante desta rea. As ideias por trs do modelo proposto
neste trabalho vem diretamente ao encontro dos desaos de modelagem e multi-escala no espao e no tempo. Por outro lado, traro vantagens com relao ao ltimo desao, que o poder
computacional.
A maioria das ferramentas discutidas se concentram em partes especcas da cadeia de
suprimentos de petrleo. A anlise resumida dos trabalhos anteriores leva concluso que
somente subsistemas da cadeia de suprimentos do petrleo tem sido estudados em um nvel
razovel de detalhe. Por outro lado, os modelos LP e MILP so construdos com base em correlaes simplicadas, que so apenas aproximaes grosseiras de muitos processos com natureza
no-linear. Em geral, o emprego dos modelos LP restrito ao planejamento integrado de longo
prazo, no sendo conveniente para o nvel operacional do dia a dia. Os resultados da otimizao
neste nvel so muito mais prximos da realidade. Entretanto, no existe nenhuma coordenao prpria entre a otimizao LP e as otimizaes NLP das diferentes operaes. Portanto,
no existe nenhum framework que permita chegar na otimizao geral a partir das otimizaes
de processos individuais, o que signica que cada um destes processos otimizado de modo
autnomo e indenpendente. Consequentemente, a sinergia entre aspectos holisticos e operaces
locais no podem ser propriamente exploradas atualmente. Evidentemente, estes fatos so consequncia da grande complexidade do problema abordado neste trabalho, que exige que todas
estas partes sejam colocadas juntas dentro de um nico modelo. Assim, vrios trabalhos, por
exemplo (PINTO; NEIRO, 2004) e (LASSCHUIT; THIJSSEN, 2004), chamam a ateno para a importncia de alcanar uma integrao completa na cadeia de suprimentos da indstria qumica
e petrolfera, e descrevem o desejo de uma ferramenta com este objetivo.
Um objetivo importante no planejamento integrado a juno de todos estes modelos nolineares a m de obter a otimizao global. O trabalho desta tese essencial neste sentido de
modo a garantir a viabilidade das decises de mais alto nvel, levando em conta os modelos
individuais e envolvendo tanto logstica quanto produo. Apesar de nenhum dos submodelos
disponveis poder resolver sozinho o problema considerado como um todo, eles podem ser uma
parte da soluo dentro da estrtegia adotada neste trabalho, como ser visto mais adiante.

68

As abordagens deste captulo so do tipo centralizado, o que a tendncia dominante para


a maioria dos trabalhos considerando o problema de integrao. Entretanto, a cadeia de suprimentos composta por entidades interdependentes que possuem papis e responsabilidades
denidas a partir das suas competncias e das atividades que elas so capazes de realizar. Assim, necessrio um modelo que leve em conta todas as dimenses da rede e os aspectos da
organizao, bem como a natureza distribuda destas entidades que compem a cadeia de suprimentos, com sua dinmica e autonomia de deciso. Por isso, ser mostrada a abordagem
de agentes que cria uma dimenso nova com o ponto de vista distribudo e adaptado para a
representao de sistemas e organizaes complexos (LABARTHE et al., 2007). Isto ser feito
exatamente no prximo captulo.

69

Parte II
Abordagem Distribuda

70

Agentes Holnicos

4.1

Introduo

Um sistema multiagentes formado por uma coleo de entidades ativas, denominadas


agentes. Um agente pode ser denido como uma entidade terica virtual ou fsica, capaz de
agir sobre si mesma e sobre o ambiente no qual evolui, e se comunicar com outros agentes. Seu
comportamento a consequncia de suas observaes, conhecimento e interaes com outros
agentes (FERBER, 1995). Um agente pode ser caracterizado por seu papel, seus objetivos, suas
funcionalidades, suas crenas, suas habilidades de deciso e suas capacidades de comunicao e
de aprendizagem. Um agente denido por Jennings et al. (JENNINGS; WOOLDRIDGE; SYCARA,
1998) desta forma: um agente um sistema computacional, situado em algum ambiente, que
capaz de ao autnoma exvel a m de atingir seus objetivos projetados. Em (WOOLDRIDGE; JENNINGS,

1995) um agente denido como uma entidade que possui as seguintes

caractersticas:
Autonomia: um agente opera sem a interveno do ser humano ou outra interveno
direta e nem as aes que ele realiza nem seu estado interno so submetidos a qualquer
controle.
Reatividade: um agente percebe seu ambiente e reage de uma forma apropriada s mudanas do ambiente.
Pr-atividade: um agente deve ser capaz de mostrar comportamentos direcionados por
objetivos internos, tomar iniciativas.
Sociabilidade: os agentes interagem uns com os outros usando linguagens de comunicao e regras comuns de sociabilidade.
De acordo com (HUHNS; STEPHENS, 1999) os sistemas multiagentes apresentam vrias vantagens. Em primeiro lugar, eles so mais fceis de compreender e implementar quando o problema intrinsicamente distribudo, como o caso do gerenciamento da cadeia de suprimentos.

71

Desta forma, eles permitem maior exibilidade quando se considera a modularidade do sistema real a ser modelado. Alm disso, a abordagem distribuda leva naturalmente adoo de
algoritmos locais apropriados, que levam em conta as especicidades locais do modelo. Particularmente, a concorrncia permite um certo nvel de paralelismo que pode acelerar o processo
de soluo do problema. Finalmente, uma soluo centralizada pode ser impossvel levando em
conta que sistemas e dados podem pertencer a organizaes independentes.
Por outro lado, Jennings salienta que as interaes entre os agentes so exveis e de altonvel, o que torna mais fcil a engenharia de sistemas complexos (JENNINGS, 2000). Este autor
lembra tambm que os sistemas complexos podem ser decompostos em subsistemas interdependentes de modo a facilitar o tratamento da complexidade. Para este m a modelagem com
agentes apresenta 3 vantagens, associadas com as ferramentas descritas em (BOOCH, 1994) para
lidar com a complexidade do software:
Decomposio: particionamento eciente do problema em subproblemas mais fceis;
Abstrao: denio de um modelo mais simples que enfatiza os detalhes e propriedades
mais importantes, enquanto suprime outros mais supruos;
Organizao: focalizao nos relacionamentos organizacionais entre os vrios componentes relevantes para a soluo do problema.

4.2

Agentes em Cadeias de Suprimentos

A tecnologia de agentes j considerada uma abordagem importante para desenvolver sistemas de produo inteligentes distribudos (HIKKANEN et al., 1997). Cadeias de suprimentos
incluem e estendem tais sistemas, e o paradigma de agentes permite modelar e simular de forma
distribuda o comportamento da cadeia de suprimentos e seus membros (GALLAND et al., 2003).
Cadeias de suprimentos e sistemas multiagentes mostram numerosas caractersticas intrnsecas
em comum (YUAN; LIANG; ZHANG, 2003). Tanto os sistemas multiagentes quanto as cadeias
de suprimentos so compostos de entidades que interagem de acordo com seus papis e habilidades dentro das estruturas organizacionais. Os agentes e os atores da cadeia de suprimentos
possuem meios, recursos e capacidades que lhes permitem realizar, de forma individual ou
coletiva, vrias funes, tarefas ou atividades dentro de diferentes estruturas organizacionais.
Estas analogias naturalmente levam a abordagem multiagentes a ser uma forma privilegiada de
representar cadeias de suprimentos. Especicamente, ela permite levar em conta facilmente:

72

a natureza distribuda das cadeias de suprimentos e a no-linearidade de seus comportamentos;


as modicaes do ambiente, j que a exibilidade do modelo de agentes permite que ele
se adapte atravs da adio e remoo de agentes;
a variedade e complexidade da deciso, atravs da capacidade do sistema multiagentes de
se organizar para resolver problemas;
um comportamento de cooperao sem altrusmo graas denio das propriedades dos
agentes atravs de modos de interao.
A utilizao de Sistemas Multiagentes (SMA) tem sido proposta por vrios pesquisadores
a m de melhorar os Sistemas Gerenciadores da Cadeia de Suprimentos (SGCS) (SADEH et al.,
1995). Eles so altamente aplicveis em domnios de problemas onde as abordagens centralizadas atingem seus limites. As abordagens baseadas em agentes so bem convenientes para
domnios que exijam a integrao e interao de mltiplas fontes de conhecimento, a resoluo
de conitos de interesse e objetivo, ou processamento de dados com tempo limitado (WEISS,
1995). Agentes inteligentes podem tambm representar as organizaes dentro do domnio de
logstica e modelar as funes logsticas e seus processos, bem como as interaes entre elas.
Devido similaridade em caractersticas entre agentes inteligentes e organizaes, a tecnologia
de agentes uma escolha apropriada para a modelagem de organizaes no domnio de logstica (GRAUDINA; GRUNDSPENKIS, 2005). A organizao de agentes aderente a um sistema
scio-tcnico, que melhora a compreenso de decises tomadas por agentes para atores. Estes princpios organizacionais so genricos para qualquer sistema logstico e permitem uma
adaptao rpida a condies variveis (GRAUDINA; GRUNDSPENKIS, 2005). Em vrios trabalhos, uma abordagem baseada em agentes foi proposta para o planejamento e programao de
produo e servios de logstica em empresas virtuais, onde agentes podem utilizar negociao
para reduzir a rvore de busca e chegar a um acordo sobre escalonamentos otimizados viveis.
Assim, solues timas locais podem ser encontradas em nveis mais baixos da organizao, e
combinadas no nvel mais elevado em solues agregadas atravs de negociao (KARAGEORGOS et al.,

2003).

A justicativa para utilizar uma abordagem de agentes dentro da cadeia de suprimentos vem
do fato de ser difcil centralizar o problema devido a uma ou mais das seguintes razes: (i) cada
agente uma unidade de negcios separada e pode no estar disposto a partilhar informao
local; (ii) o problema local de cada agente grande e complexo, o que signica que o custo
envolvido na centralizao esta informao proibitivo, e tentar resolver tal problema centralizadamente leva a modelos monolticos extensos de grande complexidade; (iii) problemas locais

73

de baixo nvel de cada agente (tais como o escalonamento da produo) so resolvidos de forma
mais adequada no local do agente, onde informaes detalhadas esto prontamente disponveis
(BURKE et al., 2007).
Sistemas complexos so caracterizados por mltiplas interaes entre muitos componentes
diferentes. Eles so chamados complexos porque difcil entender e vericar seu projeto e/ou
funcionalidade. O comportamento do sistema o resultado da agregao no-linear de comportamentos locais de seus componentes. Como j foi visto, Sistemas MultiAgentes (SMA) se
tornaram uma ferramenta natural para modelar, simular e programar sistemas complexos, e so
compostos de agentes autnomos, reativos e proativos, que interagem entre si e esto engajados
na realizao de uma meta conjunta. De fato, os sistemas complexos normalmente possuem um
grande nmero de entidades interagindo entre si, mas que tambm atuam em diferentes nveis
de abstrao. Neste contexto, parece improvvel que SMA seja capaz de representar elmente
sistemas complexos sem habilidades para tratar mltiplas granularidades. Este o motivo pelo
qual os sistemas holnicos atraram a ateno dos pesquisadores (HILAIRE; KOUKAM; RODRIGUEZ,

4.3

2008). A seguir este paradigma ser descrito com mais detalhes.

Paradigma Holnico

O termo holon, uma combinao do grego "holos" (todo) e do suxo "on" (parte), foi originalmente introduzido em 1967 pelo lsofo hngaro Arthur Koestler (KOESTLER, 1967) a m
de dar nome a estruturas recursivas e auto-semelhantes em entidades biolgicas e sociolgicas.
De acordo com Koestler, um holon uma estrutura biolgica ou sociolgica que estvel e
coerente, e que consiste de mais holons que funcionam de acordo com princpios semelhantes.
Nenhuma estrutura natural "todo" ou "parte" em um sentido absoluto, mas na verdade todo
holon uma composio de partes subordinadas, bem como uma parte de um todo maior. Por
exemplo, uma pessoa humana , por um lado, uma composio de rgos constitudos por clulas que ainda podem ser decompostas, e por outro lado, ele ou ela parte de um grupo que,
por sua vez, faz parte da sociedade humana. Assim, um holon pode ser visto, dependendo do
nvel de observao, como uma entidade atmica e autnoma, tal como um agente, ou como
uma organizao de outros holons. Esta dualidade algumas vezes chamada efeito Janus, em
referncia ao deus romano dos portes e entradas, que possua duas faces (HILAIRE; KOUKAM;
RODRIGUEZ,

2008).

Uma estrutura hierrquica de holons compostos de holons como subestruturas denominada holarquia (KOESTLER, 1967). Em contraste com hierarquias tradicionais, o poder de deci-

74

so dos nveis organizacionais mais baixos respeitado em holarquias. A estrutura organizacional de uma sociedade holnica oferece vantagens das quais o projeto monoltico de artefatos
mais tcnicos carece: ela robusta quando deparada com perturbaes externas e internas, ela
eciente em seu uso de recursos, ela pode se adaptar a mudanas ambientais. Outra vantagem
a possibilidade de mapear um domnio de aplicao diretamente em um sistema multiagente
atravs da agenticao de entidades em qualquer nvel de granularidade e sem perder abstraes de mais alto nvel (GERBER; SIEKMANN; VIERKE, 1999). Devido sua exibilidade e
adaptabilidade, agentes de software so particularmente adequados para representar as organizaes empresariais holnicas (ULIERU; WALKER; BRENNAN, 2001) (LEITO; RESTIVO, 2002).
Esta ideia est presente at no texto original de Koestler, quando ele usa o termo agncia para
denir o equilbrio no sistema holnico como sendo consequncia das relaes entre partes e o
todo, onde este ltimo representado pela agncia que controla a parte do prximo nvel acima
(KOESTLER, 1967).
Desta forma, os termos agente holnico e sistema de agentes holnicos so utilizados para
referir-se a agentes e sistemas de agentes organizados de acordo com a metfora holnica. Uma
das caractersticas marcantes do paradigma holnico a grande variabilidade da autonomia de
um agente holnico. Por um lado um agente que no incorporado dentro de qualquer estrutura holnica permanece completamente autnomo no mbito da sua arquitetura. Por outro
lado, agentes que abrem mo de sua autonomia quando se tornam parte de um holon, por vezes
abdicam de sua autonomia completamente. Os agentes em uma sociedade holnica podem formar, desmantelar e recongurar estruturas holnicas dinamicamente. Desta forma, eles ajustam
seu grau de autonomia de uma forma exvel.
Nas sees anteriores, a abordagem de multiagentes j se apresentava como a mais conveniente para a modelagem do gerenciamento da cadeia de suprimento. Levando em conta as
caractersticas dos sistemas holnicos, que podem ser, na verdade, um tipo de especializao
dos sistemas multiagentes, eles se mostram ainda mais promissores para o tratamento deste tipo
de problema. Entre outras coisas, devido a sua capacidade de tratar mltiplas granularidades, e
a sua estrutura recursiva, que so caractersticas observveis em uma cadeia de suprimentos e
em suas entidades constituintes. O levantamento de aplicaes utilizando esta abordagem, que
ser apresentado mais adiante, vai reforar ainda mais esta escolha. Mas antes disso, as alternativas disponveis para a modelagem de um sistema com multiagentes holnicos sero descritas
na prxima seo.

75

4.3.1

Holons e Agentes

De acordo com (GIRET; BOTTI, 2004) as abordagens de holons e agentes diferem entre si
principalmente na motivao. Portanto, em geral a pesquisa com holons orientada para normas, comunicao e comportamento de baixo nvel. Por outro lado, a pesquisa MAS motivada
pela programao de sistemas distribudos. Este ltimo visa o comportamento social de entidades inteligentes e principalmente envolvido na investigao de modelos comportamentais,
cooperao e estratgias de coordenao, aprendizagem com as experincias prprias, criao
de coalizo, etc. Em resumo, ao contrrio do MAS, que uma abordagem de software ampla, os
holons tm sido utilizados para o controle inteligente distribudo especicamente em sistemas
de manufatura desde o incio da dcada de 1990 (HMS, 1994). Como j mencionado em sees
anteriores, o agente pode ser: autonmo, social, reativo, pr-ativo, racional, mvel, eles podem
aprender, etc (WOOLDRIDGE; JENNINGS, 1995). Holons, como um paradigma, tm as seguintes
caractersticas bsicas: autonomia, cooperao e reorganizao. Alm destes, que poderiam ser
chamados propriedades comportamentais, holons tm propriedades estruturais. Uma delas a
recursividade, que a condio bsica dos sistemas holnicos. Ela permite que um holon seja,
simultaneamente, um todo e uma parte de algum todo / parte. Isto signica que holons possam
conter outros nveis inferiores de holons, que tambm podem estar contidos em um outro nvel
superior de holons, estando em uma arquitetura recursiva. Na literatura multiagente especializada, no encontramos referncias sobre arquiteturas recursivas de agentes. No entanto, na
denio de agente, nada impede que os agentes possam ter uma estrutura interna composta
por entidades auto-similares.
Conceitualmente, um holon um tipo especial de agente, e a tecnologia que utilizada pela
maioria das pessoas que se dedicam pesquisa de holons, o MAS. Neste contexto, um agente
especicado somente como uma entidade comunicativa ativa que desempenha papis (FERBER;
GUTKNECHT, 1998).

De fato agentes instanciam uma organizao (papis e interaes), quando

eles exibem comportamentos denidos pelos papis da organizao e quando eles interagem de
acordo com os padres de interao da organizao. Isto acontece tambm para o caso particular
da organizao holnica, que vai ser discutida em seguida.

4.3.2

Modelos de Agentes Holnicos

De acordo com (GERBER; SIEKMANN; VIERKE, 1999) existem diferentes possibilidades de


se modelar estruturas holnicas dentro de um sistema multiagentes, que diferem no grau de
autonomia assumido pelos holons. Estes modelos sero apresentados a seguir.

76

4.3.2.1

Holon como Federao de Agentes Autnomos

Uma forma direta de modelar estruturas holnicas presumir que os holons so agentes
atmicos com suas arquiteturas predenidas, e o holon do nvel acima apenas uma nova
instncia conceitual da denio genrica de agente, cujos atributos so fornecidos pelo holons
constituintes e preenchidos dinamicamente. Neste caso, nenhum agente tem de renunciar
sua autonomia, e o holon se concretiza exclusivamente por meio da comunicao e cooperao
entre os holons imediatos do nvel abaixo.
4.3.2.2

Holon com Resultado da Fuso de vrios Agentes

Outra forma de construir um holon acabar com os subagentes participantes e criar um


novo agente com capacidades que englobam as funcionalidades destes agentes. Neste caso,
os agentes fundidos abdicam completamente da sua autonomia. Esta abordagem viola o paradigma da autonomia, j que os agentes fundidos perdem completamente sua autonomia e
delegam-na para o holon criado. A realizao desta abordagem exige procedimentos de fuso e diviso de holons, que conduzem criao de um novo agente. Especialmente para um
grupo heterogneo de agentes, isto pode ser intratvel. No caso dos agentes do mesmo tipo
com representaes explcitas de metas e crenas, por exemplo utilizando a abordagem BDI
(Belief-Desires-Intentions), a fuso pode ser realizada atravs da criao de um agente com a
unio das crenas e metas dos sub-agentes, desde que a consistncia seja garantida. De acordo
com este modelo, os agentes no podem participar em mais de um holon, a menos que sejam
copiados.
4.3.2.3

Holon como um Grupo Moderado

Como uma alternativa para as duas solues extremas anteriores, existe uma forma hbrida
de formar um holon, onde agentes abrem mo apenas parcialmente de sua autonomia para o
holon criado. Isto conseguido atravs de um holon especial que age como um representante ou
cabea. Ele representa o holon para o mundo exterior, i.e., para o resto da sociedade de agentes,
pela sua capacidade de uma interao consistente com os agentes exteriores. Sua competncia
abrange desde tarefas puramente administrativas, at a autoridade para emitir diretivas para os
outros subholons. Alm disso, o cabea pode ter a autoridade para alocar recursos para os
outros agentes no holon, para planejar e negociar para o holon com base nos planos e metas
de seus sub-agentes, e at mesmo para remover alguns holons do mesmo nvel (sub-agentes),
ou para incorporar outros. Podemos distinguir dois mtodos para determinar o cabea: ou um

77

Figura 11: (a) Federao (b) Grupo Moderado (c) Fuso


novo agente criado para o tempo de vida do holon, ou um dos membros do holon assume o
papel de cabea e ganha a funcionalidade adicional. No segundo caso, ou um membro do holon
a priori predestinado para a liderana, ou um processo eleitoral necessrio para promover
um dos agentes liderana. Neste modelo, a autonomia dos agentes membros parcialmente
negociada para controle. O cabea sempre tem o papel de representar o holon com relao ao
restante da sociedade de agentes. Mas ele possui tambm outras competncias, que variam de
acordo com o domnio da aplicao.
Dependendo do nvel de autonomia, a estrutura do holon resultante pode variar de um grupo
livremente moderado, at uma estrutura hierrquica. No entanto, em qualquer caso, os membros
do holon ainda so representados por agentes, e, consequentemente, no perdemos a capacidade
de resolver problemas de uma forma distribuda. A Fig. 11 representa os diferentes modelos
holnicos com relao autonomia entre os seus membros, e ilustra abaixo cada um dos 3
modelos correspondentes.
Neste trabalho ser adotada a modelagem de sistemas multiagentes holnicos com a estrutura de gerenciamento do tipo grupo moderado, devido ampla gama de conguraes que
ela permite. Desta forma, um modelo organizacional ter que levar em conta uma organizao
especca denominada Organizao Holnica (HILAIRE; KOUKAM; RODRIGUEZ, 2008), que
ser descrita a seguir.

78

4.3.3

Organizao Holnica

Na organizao holnica baseada no modelo de grupo moderado, podem ser diferenciados


dois tipos de membro. O primeiro deles, chamado Cabea, age como representante de todos os membros na comunicao com no-membros (entidades externas). O segundo tipo
formado pelos membros propriamente ditos, que so mascarados no mundo exterior pelos seus
respectivos representantes (cabeas). Dentro da abordagem organizacional, necessrio identicar melhor este conjunto de papis que representam este conceitos. A Fig. 12 representa a
organizao holnica atravs da linguagem de modelagem Moise+ (HUBNER; SICHMAN; BOISSIER,

2002). Alm dos papis principais, esta especicao estrutural dene o papel do tomo,

que o holon atmico dentro do qual no existem outros holons, e o papel do holon global, que
o superholon principal e est acima de qualquer outro. Um mesmo holon pode ser visto como
superholon, se for um todo, ou subholon, se for parte.
Dentro de um superholon, os membros podem desempenhar 3 papeis diferentes: cabea,
parte e multiparte. O papel de cabea o representante do grupo, como j foi dito. Os membros
representados podem desempenhar o papel de parte ou multiparte. O papel de parte associado
com aqueles holons que pertencem a apenas um superholon, enquanto o papel de multiparte
desempenhado pelos holons compartilhados por mais de um superholon ao mesmo tempo. Estes
papis so chamados de papis holnicos, onde o adjetivo holnico usado para distinguir
estes papis, que esto presentes em qualquer holon, dos papis associados a comportamentos
dependentes do domnio do problema especco.
Todo holon deve conter pelo menos uma instncia da Organizao Holnica, e deve desempenhar pelo menos um papel desta organizao para denir seu status (por exemplo, superholon
ou subholon). Para realizar estas metas e tarefas, os membros devem interagir e coordenar suas
aes. Desta forma, existe um outro modelo de organizao, que chamaremos de organizao
interna (HILAIRE; KOUKAM; RODRIGUEZ, 2008), que dependente do domnio do problema e
que modela este segundo aspecto dos superholons, relacionado s suas interaes associadas a
suas metas. Estes comportamentos e interaes dos membros podem ento ser descritos nesta
organizao interna independentemente de seus papis como componentes do superholon, que
so descritos na Organizao Holnica, e que a nica organizao que deve obrigatoriamente
ser criada para um sistema deste tipo. Esta abordagem utilizada em (HILAIRE; KOUKAM; RODRIGUEZ,

2008), garante uma separao clara entre o gerenciamento do holon e comportamentos

especcos com relao s metas assumidas, e tambm possibilita modularidade e reusabilidade.

79

Figura 12: Organizao Holnica

4.4

Trabalhos Relacionados

Sistemas holnicos tm sido utilizados em uma ampla gama de aplicaes. Por este motivo,
inmeros modelos e frameworks foram propostos para estes sistemas. Entretanto, a maioria
deles fortemente vinculado ao domnio da aplicao, e usa arquiteturas de agentes especcas
(HILAIRE; KOUKAM; RODRIGUEZ, 2008). No foi encontrada na literatura nenhuma ferramenta
ou framework holnico dedicado ao problema de gerenciamento da Cadeia de Suprimentos.
Entretanto, existem trabalhos que possuem aspectos e ideias que serviram como subsdio para
este trabalho, e que sero citados a seguir.

4.4.1

Sistema Holnico de Manufatura (HMS)

A aplicao de conceitos holnicos para a manufatura foi inicialmente motivada pela incapacidade dos sistemas de manufatura existentes (i) para lidar com a evoluo dos produtos
dentro de uma instalao de produo existente e (ii) manter um desempenho satisfatrio fora
das condies operacionais normais. O projeto HMS (Holonic Manufacturing System) tem
como objetivo desenvolver os aspectos genricos das tecnologias holnicas e demonstrar a sua
adequao e benefcios com a ajuda de vrias aplicaes prototpicas industriais (HMS, 1994).
Os seus extensos esforos de pesquisa, bem como as atividades paralelas neste sentido em muitas regies do planeta ainda continuam. Este trabalho traduziu os conceitos holnicos para o

80

mundo da manufatura, visualizando o sistema de produo como sendo um conjunto de modulos autnomos (holons) com controle distribudo. O HMS combina as melhores caractersticas
de organizao hierrquica e heterrquica. Ele preserva o estabilidade da hierarquia, proporcionando a exibilidade dinmica da heterarquia. Em um HMS um holon um bloco de construo
do sistema de manufatura autnomo e cooperativo para transformao, transporte, armazenamento e / ou validao de informaes e objetos fsicos. O holon consiste de uma parte de
processamento de informao e, muitas vezes um parte de processamento fsico.
Assim, alguns resultados importantes destas pesquisa foram publicados, por exemplo, relativo manipulao de materiais (CHRISTENSEN, 1994). O grupo de pesquisa PMA / K.U.Leuven
desenvolveu PROSA, que uma arquitetura de referncia para HMS (BRUSSEL et al., 1998). A
estrutura desta arquitetura construda em torno de trs tipos de holons bsicos: o holon pedido, o holon produto e o holon recurso. Cada um deles responsvel, respectivamente, por um
aspecto do controle da produo: (i) logstica interna, (ii) planos de processo, e (ii) utilizao
dos recursos.
A tecnologia de agentes tem sido utilizada em Sistemas de Manufatura Holnica (SMH)
(GOU; LUH; KYOYA, 1998) (LEITO; RESTIVO, 2002) (BONGAERTS, 1998), visualizando os sistemas de manufatura a partir de uma perspectiva holnica. O tipo de arquitetura utilizada
a holarquia, que permite a integrao de elementos tanto de sistemas hierrquicos quanto heterrquicos em uma estrutura aberta e inteligente. Um exemplo de um sistema deste tipo o
ADACOR (LEITO; RESTIVO, 2002), que uma implementao concreta de um HMS usando
tecnologia de agentes. Entretanto, uma limitao do ADACOR, como o caso do HMS em
geral, que ele focaliza o escalonamento indstrial, mas no considera o planejamento e o
escalonamento do transporte de produtos entre as unidades de produo.
A arquitetura holnica a ser proposta neste trabalho permitir uma ao rpida e gil no caso
de perturbaes externas, tal como os sistemas de manufatura holnicos. Mas, diferentemente
destes ltimos, esta arquitetura no utilizar a incluso ou a excluso dinmica de holons.

4.4.2

TELETRUCK

A metodologia de agentes holnicos foi empregada em um sistema multiagentes de escalonamento de uma frota de caminhes, denominado TELETRUCK, que foi desenvolvido no
DFKI (Deutsches Forschungszentrum fr Knstliche Intelligenz) (BURCKERT; FISCHER; VIERKE,
1998). O objetivo do sistema TELETRUCK modelar os processos de negcio, em particular
a alocao de recursos para requisies de transporte que chegam em uma empresa de transporte. A empresa tem um nmero xo de recursos de transporte como motoristas, caminhes

81

ou reboques. O tipo e tamanho do espao de carga dos containers restringem o tipo de carga
que pode ser transportada. Tambm motoristas humanos diferem em seus tempos de expediente disponveis e no tipo de carga que eles podem transportar, dependendo de questes como
treino especial ou determinadas licenas, por exemplo, para mercadorias perigosas. Recursos
tm que ser escalonados de tal forma que as tarefas de transporte mo possam ser executadas
com custo mnimo. Na implementao adotada, o sistema multiagentes consiste de holons de
vrios tipos. Para cada dispositivo de transporte da empresa, bem como para cada um dos seus
motoristas, existe um agente que administra estes recursos. Estes agentes tm seus prprios
planos, objetivos, e habilidades de comunicao a m de prover seus recursos para os planos
de transporte, de acordo com o seu papel na sociedade. Estes agentes se fundem com um PlanAndExecute Unity (PnEU) e formam um holon que representa um veculo completo, que
realmente capaz de executar tarefas de transporte. Por exemplo, tal veculo holon pode consistir
de um PnEU, um motorista, um caminho, um reboque, e dois containers, cada um modelado
como um subholon que se funde ao superholon.
Os PnEUs so subholons especiais, que coordenam a formao dos superholons, representando as entidades de transporte, e planejando as rotas dos veculos, as paradas para carga, e
tempos de locomoo. O PnEU o cabea do holon veculo, o representa para o mundo exterior,
e est autorizado a recongur-lo. Um PnEU est equipado com habilidades de planejamento,
coordenao e comunicao, mas no tem os seus prprios recursos. Cada holon transporte
que tenha pelo menos uma tarefa a fazer encabeado por um PnEU. Alm disso, sempre h
exatamente um PnEU ocioso com um plano vazio que coordena a formao de um novo holon
a partir de componentes ociosos se necessrio. Os holons veculo so subholons do superholon que representa toda a empresa de transporte. Este holon que engloba toda a sociedade de
agentes o agente companhia, que anuncia e distribui as ordens recebidas, faz a aceitao das
propostas, controla a otimizao global, coordena a execuo, e canaliza toda a comunicao do
sistema com o usurio. O agente companhia representa a sociedade de agentes para o usurio
e, em uma futura extenso, para suas empresas parceiras, que sero representadas tambm por
seus respectivos agentes companhia. Ele coordena a cooperao interna e a interao entre os
pnEUs.
As estruturas holnicas para o projeto TELETRUCK foram implementadas atravs de grupos moderados de agentes. Para a formao e coordenao de um holon, foi escolhida uma
extenso do protocolo Contract Net (CNP) (SMITH, 1980) e um mecanismo de mercado coordenado (FISCHER; MLLER; PISCHEL, 1996). Esta abordagem descentralizada adequada para
este complexo cenrio, j que a informao local suciente para uma distribuio de tarefas e
recursos globalmente eciente. O modelo foi implementado e testado em cooperao com uma

82

empresa de transporte.

4.4.3

Sistema de Transporte Automtico Global (GATS)

O sistema de transporte automatizado global (GATS) um sistema de transporte integrado


sem a necessidade de motorista. Ele tem a capacidade de coordenar simultaneamente as necessidades macro e micro das suas redes de transporte rodovirio. Seu objetivo futuro que milhes de veculos possam ser conduzidos simultaneamente e automaticamente atravs de uma
regio geogrca praticamente ilimitada, incluindo continentes inteiros, enquanto, ao mesmo
tempo, os requisitos de cada veculo e de seus passageiros tendam a ser atendidos em tempo
real (ZELINKOVSKY, 2011).
Resumindo a descrio do problema, existem unidades rodovirias (RU) localizadas a distncias xas uma da outra e ligadas por um cabo de dados subterrneo no centro da pista.
Enquanto o veculo se move, ele envia transmisses de rdio em intervalos regulares de tempo
para os RUs, que recebem estes sinais, os processam e respondem de volta para cada veculo,
que assim tem comunicao contnua com os RUs. Cada grupo contendo centenas de RUs
forma um Segmento, cujas funes so gerenciadas por um Controlador de Segmento, que
responsvel por dirigir os veculos que atravessam seu domnio. Em um nvel mais acima,
um grupo de Controladores de Segmento adjacentes possui um Controlador superior, que por
sua vez coordenado por um Controlador superior. Assim, isto continua hierrquicamente, sem
limite para o nmero de nveis ou para o tamanho do domnio geogrco do sistema.
Tcnicas centralizadas tradicionais no conseguem modelar e implementar problemas deste
tipo, devido seu tamanho e complexidade. Por outro lado, a arquitetura holnica se mostrou
apropriada, levando em conta a natureza descentralizada e modular do GATS e a necessidade
de um controle determinstico sobre ele. Foi utilizada a arquitetura holnica do HMS para organizar as entidades como holons, que so responsveis pela resoluo de cada subproblema
de escalonamento. Assim, um pas pode ser um hlon (holon pas). O conjunto de holons
pas compe uma holarquia (holon continente). Alm disso, o holon pas composto por um
conjunto de holons (holon regio). Cada holon regio representa a sua prpria rede com suas
prprias regras, polticas de trfego, etc. No entanto, eles no representam problemas independentes, uma vez que eles devem cooperar para conseguir uma soluo global (VERSTEEGH;
SALIDO; GIRET,

2010).

Cada problema deve ser resolvido atravs de um solucionador do problema de satisfao


de restries (CSP), que mais adequado para problemas de escalonamento (vide Seo 3.5.3),
mas de uma forma distribuda, utilizando a cooperao para alcanar um soluo global e sub-

83

tima. Portanto, ele no tratado como um problema de otimizao e utilizada uma estratgia
de negociao. O solucionador de CSP encapsulado no holon controlador, que responsvel
pela gesto do uxo de trfego ao longo do segmento sob seu controle. O principal benefcio do gerenciamento distribudo do problema original, que tratado como um problema de
restries, que ele pode ser dividido em um conjunto de subproblemas solveis. Cada um
destes subproblemas deve ser resolvido simultaneamente para alcanar uma soluo global em
um tempo aceitvel. Entretanto, as tcnicas tradicionais so inecientes para a soluo destes
subproblemas, que possuem milhares de variveis e restries. Desta forma, para vencer esta
diculdade, foi utilizado o modelo distribudo baseado na idia de sistemas holnicos, apresentado em (SALIDO; GIRET, 2008), no qual o problema particionado em subproblemas de acordo
com algumas regras denidas. Este trabalho ser descrito no prximo captulo, onde tratado
o problema de restries distribudas.
Cada holon, que controla uma regio ou um segmento de regies, s tem informaes sobre
o que acontece na rea que controla. Este holon pode pedir informaes sobre distncias para
outros holons, mas nunca vai saber diretamente o que acontece em outras regies. O algoritmo
proposto escalvel devido ao fato de que a arquitetura utiliza o mesmo algoritmo para cada
controlador em todos os nveis, todos os controladores determinam o caminho mais curto no
holon subordinado.
O modelo distribudo holnico do GATS possui alguns caractersticas a ser consideradas.
Assim, ele faz uma distribuio espacial dos holons, e trata todo o problema como um problema
de satisfao de restries (CSP). Assim, ele pode, ento, ser mais facilmente dividido em
um conjunto de subproblemas, que podem ser resolvidos simultaneamente para alcanar uma
soluo global. Outra vantagem que ele utiliza um mesmo algoritmo em todos os nveis de
forma recursiva. Entretanto, este modelo no trata o problema principal como um problema
de otimizao, utilizando a cooperao entre os holons para alcanar um soluo global apenas
subtima atravs de uma estratgia de negociao.

4.4.4

Sistemas Multiagentes Holnicos

Segundo (FISCHER; SCHILLO; SIEKMANN, 2003), embora similar no nome, existem vrias
diferenas importantes entre os sistemas multiagentes holnicos e os sistemas de manufatura
holnicos:
A modelagem da recurso do agente parte integrante de sistemas multiagentes holnicos. Espelhando a complexa composio de uma tarefa, os agentes holnicos pode

84

envolver-se em estruturas aninhadas complexas e com o nmero de nveis arbitrrio. Este


no o caso dos sistemas de manufatura holnicos;
O HMS no fazem qualquer suposio sobre a arquitetura interna da cabea de um hlon, que obrigado a agir como uma unidade de controle. Para sistemas multiagentes
holnicos, no entanto, o holon cabea precisa possuir propriedades de agente;
O holon cabea de sistemas multiagentes holnicos no tm que coordenar o trabalho
de um recurso fsico, mas sim o trabalho de vrios agentes de informao que existem
apenas virtualmente (agentes de informao que colaboram para o aumento de ecincia,
combinar competncias e recursos, etc.);
Sistemas de manufatura holnica usam uma metfora do mercado para projetar a coordenao interholon. A pesquisa em sistemas multiagentes holnicas se preocupa com a
escolha de parceiros de longo prazo, como tambm com a diversidade de possveis estruturas organizacionais;
Em um sistema multiagentes holnico, um holon no meramente um pedao de cdigo.
um conceito que concretizado atravs de compromissos entre os agentes para manter
uma relao especca sobre as metas e tem como resultado uma estrutura emergente
entre agentes.
A arquitetura holnica proposta neste trabalho se adequa mais com o sistema multiagentes
holnico, possuindo holons com as propriedades de agentes. Assim, ela ter a modelagem da
recurso com o nmero de nveis arbitrrio, o holon cabea um agente que coordena as atividades dos outros subholons parceiros dentro do mesmo superholon, visando a meta da otimizao
atravs dos compromissos entre eles. Como ser visto mais a frente, esta relaao especca
entre o holon cabea e os subholons parte tem como resultado uma estrutura emergente entre
eles.

4.5

Concluso

Existem vrias vantagens no uso de uma abordagem distribuda e holnica e os agentes


representam bem este comportamento distribudo da cadeia de suprimentos. Desta forma, permitem maior exibilidade quando se considera a modularidade do sistema real a ser modelado,
e levam naturalmente adoo de algoritmos locais apropriados, que levam em conta as especicidades locais do problema. Alm disso, a concorrncia permite um certo nvel de paralelismo, que pode acelerar o processo de soluo do problema total. Finalmente, uma soluo

85

centralizada pode ser impossvel, considerando que sistemas e dados podem estar separados geogracamente e pertencer a reas diferentes, embora dentro da mesma organizao. O problema
total grande e complexo, o que signica que resolver tal problema centralizadamente leva a
modelos monolticos extensos de grande complexidade. Alm disso, os problemas locais de
cada agente so resolvidos de forma mais adequada no local do agente, onde informaes detalhadas esto prontamente disponveis. Como j mencionado anteriormente, o modelo proposto
neste trabalho no estoctico, e, portanto, no trata das incertezas. Entretanto, sua natureza
distribuda ajuda a compensar, em parte, esta decincia, como ser discutido mais adiante.
A viso holnica torna possvel representar a natureza recursiva intrnsica do problema de
planejamento integrado da cadeia de suprimentos. Em contraste com hierarquias tradicionais,
o poder de deciso dos nveis organizacionais mais baixos levado em conta nas holarquias.
Outra vantagem a possibilidade de mapear o domnio do problema diretamente em um sistema
multiagente atravs da agenticao de entidades em qualquer nvel de granularidade, e sem
perder abstraes de mais alto nvel. Esta organizao holnica far parte do problema geral
que ser denido e utilizado em seguida no problema de planejamento integrado tratado neste
trabalho.
Por outro lado, o modelo em rede de restries pode permitir uma integrao consistente
das entidades principais da cadeia, que se espalham no espao e no tempo, e tambm a otimizao global. Alm disso, como o problema em foco apresenta uma srie de restries diferentes,
inclusive no-lineares, a abordagem mais recomendvel trat-lo como um problema de restries distrbudas com otimizao. Por este motivo, as denies e conceitos das restries
distribudas sero apresentadas no prximo captulo, e suas caractersticas discutidas.

86

Problema de Satisfao de Restries


Distribudas com Otimizao (DCOP)

5.1

Introduo

O problema bsico de restries distribudas o Problema de Satisfao de Restries Distribudo (DisCSP), que foi formalizado por Yokoo et al. em (YOKOO et al., 1992). Nos ltimos
anos, foi visto um interesse crescente em formulaes de problemas de satisfao de restries
distribuies (DisCSP) para modelar problemas combinatrios. H um conjunto signicativo
de aplicaes distribudas do mundo real, tais como sistemas de rede, planejamento, escalonamento, alocao de recursos, etc, para o qual o paradigma DisCSP particularmente til. Em
tais aplicaes distribudas, questes de privacidade, custos de transferncia de conhecimento,
robustez contra falhas, etc, impedem a adoo de uma abordagem centralizada (FALTINGS; YOKOO,

2005).

Aqui o problema dividido entre uma srie de agentes independentes e restries distribudas, que tm de se comunicar um com o outro para solucion-lo. Estes agentes no podem
acessar diretamente as variveis de outros agentes, e devem trocar mensagens entre si. Cada
agente mantm sua rede de restries locais, que conectam variveis associadas a agentes diferentes. Os agentes atribuem valores a variveis tentando gerar uma atribuio localmente
consistente e que seja ao mesmo tempo consistente com todas as restries entre agentes (YOKOO,

2001). Entretanto, o problema de planejamento tratado neste trabalho um problema de

otimizao. Portanto, dentro do ponto de vista distribudo e de restries, o modelo adequado


o Problema de Satisfao de Restries Distribudo com Otimizao (Distributed Constraint
Optimization Problems) ou DCOP (MODI et al., 2003).
Diferentemente do CSP, as restries violadas do DCOP podem ser toleradas, mas a qualidade da soluo ser otimizada de acordo com critrios bem denidos. Para entender melhor
o que um DCOP, o problema centralizado mais prximo denominado Problema de Satisfao de Restries Valorado (VCSP) (SHIEX; FARGIER; VERFAILLIE, 1995). Nele cada restrio

87

possui um nvel de satisfao associado, alm de um peso, de forma que o peso representa a importncia da restrio, enquanto o nvel de satisfao representa o quanto a restrio est sendo
satisfeita. Com outras palavras, o DCOP generaliza o DisCSP, de forma que ao invs de simplesmente designar solues como satisfatrias ou insatisfatrias, passa a considerar todas
as restries como funes valoradas, e a funo de avaliao global como o somatrio de todas
as restries do problema (MODI et al., 2003). Esta funo de avaliao, tal como aquela denida
para o VCSP, representa o grau de utilidade ou custo de cada atribuio considerada. Assim, o
DCOP inclui um conjunto de variveis, cada varivel associada a um agente que tem controle
sobre seu valor, e os agentes devem coordenar suas escolhas de valores de forma a otimizar uma
funo de avaliao global, obtida como um somatrio de cada restrio local, sendo que cada
agente conhece apenas as restries locais nas quais suas variveis esto envolvidas. Tal como
um CSOP (vide 3.5.3) , um DCOP tambm um problema NP-completo.

5.2

Formalizao do Problema de Satisfao de Restries


Distribudo com Otimizao (DCOP)

De acordo com (MODI et al., 2003):

Um Problema de Satisfao de Restries Distribudo com Otimizao (DCOP)

Definio 6

pode ser denido pela tupla (A, V, D, F ) onde:

A = {a1 , . . . , an } um conjunto de n agentes,


V = {v1 , . . . , vn } um conjunto de n variveis, uma por agente,
D = {D1 , . . . , Dn } um conjunto de domnios nitos e discretos, cada um associado a
uma varivel,
F = {..., fi j , ...} um conjunto de restries valoradas fi j para cada par de variveis
vi , vj V , onde fi j : Di Dj N{} e Di , Dj D
A meta encontrar uma instanciao completa V para todas as variveis vi que minimize
a funo objetivo denida como

FO =

fi j (vi , vj )

vi ,v j V

As funes de utilidade do DCOP correspondem s restries do CSP, e so denominadas

88

restries valoradas. Por convenincia, daqui por diante elas sero denominadas simplesmente
restries.
Os pressupostos respeitados no DCOP so os seguintes:
uma varivel por agente;
intervalo de tempo aleatrio mas nito entre envio e recepo de mensagem;
manuteno da ordem de envio das mensagens na sua recepo;
restries binrias (aridade 2);
as propriedades do operador de soma utilizado nas utilidades agregadas das componentes
das restries impem algumas limitaes sobre o tipo de funes objetivo que podem
ser representadas. Segundo (MODI et al., 2003), os operadores de agregao devem ser
associativos, comutativos e monotnicos. Esta classe de funes de otimizao descrita
formalmente para VCSP em (SHIEX; FARGIER; VERFAILLIE, 1995);
exceto as limitaes anteriores, no existem outras imposies sobre o tipo de funo de
restrio utilizada, que pode ser, em princpio, no-linear.

5.3

Generalizao do DCOP para Problemas Locais Complexos

De acordo com (BURKE, 2008) uma caracterstica do DCOP com problemas locais complexos que cada agente tem muitas variveis pblicas (variveis compartilhadas com outros
agentes), que levam a um espao de busca distribudo extremamente grande, impondo desaos
signicativos para algoritmos DCOP existentes. A Fig. 13 ilustra um exemplo de um DCOP
para problemas locais complexos com 4 agentes, cada um com 4 variveis. As variveis hachuradas representam as varaveis pblicas, aparecem dentro do agente que as controla e podem
ser mais de uma por agente. Quanto s variveis brancas, elas representam variveis locais, que
so opcionais, mas podem ser vrias por agente.

Definio 7

Um DCOP com Problemas Locais Complexos pode ser denido por uma tupla

(A, V, D, F ) onde:

A = {a1 , . . . , an } um conjunto de n agentes,

89

Figure 13: Exemplo de um Problema com 4 Agentes, cada um com 4 Variveis


para cada agente ai , um conjunto Vi = {vi 1 , . . . , vi mi } de variveis que ele controla, tal
que i 6= j Vi Vj = ; V = Vi o conjunto de todas as variveis no problema. Elas
podem ser classicadas em 2 categorias:
varivel local, que opcional e s participa de restries internas do agente correspondente (restries intra-agentes) ;
varivel pblica, que obrigatria e participa de restries entre 2 ou mais agentes
(restries inter-agentes) ou de restries internas do agente correspondente (restries intra-agentes) ;
Podem existir vrias variveis por agente em relao a ambos os tipos de varivel.
D = {..., Di j , . . . } um conjunto de domnios nitos e discretos, onde cada Di j est
associado varivel correspondente vi j ,
F = {f1 , . . . , fi , ...fw } um conjunto de restries valoradas, onde cada restrio uma
funo fi : ... Dj l Dk m . . . N {}. O conjunto de variveis deste domnio
um subconjunto SV = {..., vj l , vk m , ...} V , que pode ser um dos 2 casos seguintes:
restries intra-agentes, onde SV formada por variveis locais e pblicas pertencentes a um mesmo agente aj , i.e., j = k;
restries inter-agentes, onde SV formada por variveis pblicas pertencentes a
2 ou mais agentes (j 6= k), mas pode conter variveis pblicas pertencentes a um
mesmo agente (j = k);

90

A meta encontrar uma instanciao completa V para todas as variveis vj l que otimize (maximize ou minimize) a funo objetivo denida como

FO =

fi (..., vj l , ...)

5.4

Algoritmos para DCOP

Vrios algoritmos distribudos baseados em busca para solucionar DCOP tm sido propostos na literatura, e muitos deles compartilham uma srie de caractersticas comuns. Embora
haja um certo nmero de modelos de execuo possveis (BRITO; HERRERO; MESEGUER, 2004),
na maioria dos casos, cada agente ir executar repetidamente trs tarefas principais, como parte
de um ciclo nico de computao:
1. ler as mensagens recebidas de outros agentes;
2. executar alguma computao;
3. enviar mensagens para outros agentes.
Utilizando um ciclo como um bloco de construo bsico, (BRITO; HERRERO; MESEGUER,
2004) amplamente categorizam algoritmos de restries distribudos de acordo com trs diferentes modelos de tempo propostos por (LYNCH, 1996):
1. sncrono - os ciclos de todos os agentes so executadas simultaneamente, e em alguns
casos, apenas um agente ativo computacionalmente ativo em qualquer momento, ou
seja, os algoritmos sncronos exigem as aes dos agentes para serem executados de uma
maneira controlada e determinstica;
2. assncrona - os ciclos de todos os agentes so executados em paralelo em uma ordem
arbitrria, e tm tempos de incio e duraes arbitrrias, ou seja, nenhuma restrio ou
premissa colocada na agenda de atividades dos agentes em algoritmos assncronos;
3. parcialmente sncrono - os ciclos de todos os agentes so controlados, mas no to estritamente como no modelo sncrono, isto , algoritmos parcialmente sncronos exigem que
os agentes realizem determinadas aes em uma ordem especca, enquanto que outras
aes podem ser executadas em uma ordem arbitrria.
A Tab. 2 mostra 3 algoritmos escolhidos devido a sua importncia na comunidade de pesquisa
da rea, e que representam diferentes modelos. Assim, ADOPT se caracteriza por ser assn-

91
algoritmo

Ano de Criao

Complexidade Espacial

Nmero de Mensagens

Correto/Completo

Implementaes

ADOPT

2003

Polinomial

Exponencial

Correto/Completo

FRODO; DCOPolis

OptAPO

2004

Polinomial

Exponencial

S Correto

DCOPolis

DPOP

2005

Exponencial

Linear

Correto/Completo

FRODO; DCOPolis

Tabela 2: Algoritmos para DCOP


crono, enquanto DPOP baseado na programao dinmica. J OptAPO um hbrido entre
mtodos descentralizados e centralizados. De acordo com (TSANG, 1993), um algoritmo correto se todo o resultado produzido por ele de fato uma soluo. Por outro lado, um algoritmo
completo se toda soluo pode ser encontrada por ele. Assim, pela denio anterior para um
DCOP, sua soluo sempre tima. Portanto, um algoritmo completo para ele aquele que tem
a garantia de encontrar uma soluo tima.
A seguir cada um deles descrito de forma resumida.

ADOPT (Asynchronous Distributed Optimization)

Em (MODI et al., 2003) o ADOPT

(Asynchronous Distributed Optimization) foi apresentado como um algoritmo capaz de encontrar solues timas usando apenas comunicao assncrona localizada e com complexidade
espacial polinomial em cada agente.
Inicialmente, ADOPT organiza agentes em uma busca em profundidade (DFS) da rvore,
em que as restries so permitidas entre uma varivel (agente) e qualquer um de seus ascendentes ou descendentes, mas no entre as variveis pertencentes a sub-rvores diferentes. Em
seguida ele usa quatro tipos de mensagens: VALUE, COST, THRESHOLD e TERMINATE. A
mensagem VALOR comunica a atribuio de uma varivel a partir de ancestrais para os descendentes que compartilham restries com o remetente. Quando o algoritmo comea, cada
agente recebe um valor aleatrio para sua varivel e envia mensagens de valor apropriado. Uma
mensagem COST contm trs parmetros: context, lb e ub. O context uma soluo parcial,
e o CurrentContext um context que apresenta a viso da varivel em foco sobre as variveis
ascendentes. Os valores lb e ub representam os limites inferior e superior, respectivamente, da
estimativa do custo da sub-rvore correspondente. Quando um n xi recebe uma mensagem
COST do seu lho xl , ele guarda o parmetro lb indexado pelo valor d atual da sua varivel
xi como lb(d, xl ). Da mesma forma, o parmetro ub armazenado como ub(d, xl ) e o context
como context(d, xl ). Neste momento ele adiciona lb(d, xl ) ao seu custo local para obter o limitante inferior associado ao valor d, que denotado por LB(d), e do mesmo modo ele adiciona
lb(d, xl ) ao seu custo local para obter o limitante superior U B(d) associado ao valor d. O limitante inferior mnimo sobre todo o domnio de xi chamado LB, enquanto o limitante superior

92

mnimo sobre todo o domnio de xi chamado U B, ambos associados varivel xi .


A mensagem THRESHOLD introduzida para melhorar a ecincia da busca. Um agente
tenta atribuir o seu valor, de modo que o custo estimado menor que o limite indicado, que
comunicado pela mensagem THRESHOLD de seu pai. Quando o valor threshold igual a U B,
ele envia a mensagem TERMINATE ao seu lho e termina sua execuo. Assim. os outros
agentes terminam de forma similar, at o m completo do algoritmo.
O ADOPT usa busca best-first, i.e., uma estratgia oportunista onde cada agente escolhe o
melhor valor baseado na informao atual disponvel. Alm disso, possui operao assncrona,
comunicao ponto-a-ponto entre agentes vizinhos no grafo de restries e a rvore de restries
como a principal topologia de comunicao. O ADOPT apresentado nos Algoritmos 5.1, 5.2
e 5.3 (vide (MODI et al., 2005) para mais detalhes). Ele comprovadamente correto e completo,
e sua prova est no Anexo A.

OptAPO (Optimal Asynchronous Partial Overlay)

um hbrido entre mtodos descen-

tralizados e centralizados (MAILLER; LESSER, 2004). Ele opera como um processo de mediao
cooperativa, onde agentes designados como mediadores centralizam partes do problema em
sesses de mediao dinmica e assncrona. A complexidade das menssagens signicativamente menor que a do ADOPT. Entretanto, ele pode ser ineciente com alguns mediadores
solucionando problemas com interseo. Alm disso, a natureza dinmica das sesses de mediao tornam impossvel prever que parte do problema ser centralizada. Existe a prova de
que ele correto, mas no de que seja completo (GRINSHPOUN et al., 2007). Por esta razo este
algoritmo no foi escolhido para ser utilizado neste trabalho.

DPOP (Distributed Pseudotree Optimization Procedure)

um algoritmo baseado em

programao dinmica (PETCU; FALTINGS, 2005) como uma evoluo do algoritmo DTREE
(Distributed Tree-Optimization) (PETCU; FALTINGS, 2004) para problemas de topologia arbitrria, mesmo com grafos cclicos. Ele gera somente um nmero linear de mensagens, que,
entretanto, podem ter tamanho grande e exigir grandes quantidades de memria, at de forma
exponencial no espao. Por esta razo ele foi estendido mais tarde, e um novo algoritmo hbrido
chanado PC-DPOP foi desenvolvido (PETCU; FALTINGS; MAILLER, 2007), que usa um tamanho
de mensagem limitado, e, consequentemente, o espao de memria pode ser controlado.
No algoritmo DTREE, que a forma original, existem um conjunto X de variveis e um
conjunto A de agentes, onde cada agente Ai responsvel pela atribuio de uma varivel Xi . O
grco de restries considerado na forma de rvore. Alm disso, no protocolo que se segue,

93

Algorithm 5.1 ADOPT - Principal


1: Inicializar
2: threshold 0
3: CurrentContext {}
4: for all d Di , xl F ilhos do
5:
lb(d, xl ) 0
6:
t(d, xl ) 0
7:
ub(d, xl )
8:
context(d, xl ) {}
9: end for
10: di argmind (LB(d))
11: backTrack
12: return
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
24:
25:
26:
27:
28:
29:
30:
31:
32:
33:
34:
35:

backTrack
if threshold == U B then
di argmind (U B(d))
else if LB(di ) > threshold then
di argmind (LB(d))
end if
envia VALUE_msg((xi , di )) para cada Vizinho de menor prioridade
mantemAlocaoInvariante
if threshold == U B then
if TERMINATE recebido do Pai ou xi Raiz then
envia TERMINATE_msg(CurrentContext (xi , di )) para cada Filho
return
end if
end if
envia COST_msg(xi , CurrentContext, LB, U B) para o Pai
return

94

Algorithm 5.2 ADOPT - Tratamento das Mensagens


1: THRESHOLD_msg_tratamento(t, context)
2: if context compatvel com CurrentContext then
3:
threshold t
4:
mantemThresholdInvariante
5:
backTrack
6: end if
7: return
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
24:
25:
26:
27:
28:
29:
30:
31:
32:
33:
34:
35:
36:
37:
38:
39:
40:
41:
42:
43:
44:
45:
46:
47:
48:
49:
50:

TERMINATE_msg_tratamento(context)
registrado Termino recebido do Pai
CurrentContext context
backTrack
return
VALUE_msg_tratamento((xj , dj ))
if Termino no recebido do Pai then
adicionar(xj , dj ) a CurrentContext
for all d Di , xl F ilhos do
if context(d, xl ) incompatvel com CurrentContext then
lb(d, xl ) 0; t(d, xl ) 0
ub(d, xl ) ; context(d, xl ) {}
end if
end for
mantemThresholdInvariante
backTrack
end if
return
COST_msg_tratamento(xk , context, lb, ub)
d valor de xi em context
remove (xi , d) de context
if TERMINATE no recebido do Pai then
for all (xj , dj ) context e xj no meu Vizinho do
adicionar(xj , dj ) a CurrentContext
end for
for all d Di , xl F ilhos do
if context(d , xl ) incompatvel com CurrentContext then
lb(d, xl ) 0; t(d, xl ) 0
ub(d, xl ) ; context(d , xl ) {}
end if
end for
end if
if context compatvel com CurrentContext then
lb(d, xk ) lb; ub(d, xk ) ub
context(d, xk ) context
mantemFilhoThresholdInvariante
mantemThresholdInvariante
end if
backTrack
return

95

Algorithm 5.3 ADOPT - Manuteno das Invarincias


1: mantemThresholdInvariante
2: if threshold < LB then
3:
threshold LB
4: end if
5: if threshold > U B then
6:
threshold U B
7: end if
8: return
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
24:
25:
26:
27:
28:
29:
30:
31:
32:
33:

mantemAlocaoInvariante
P
while threshold > (di ) + xl F ilhos t(di , xl ) do
escolha xl Filhos onde ub(di , xl ) > t(di , xl )
incrementar t(di , xl )
end while
P
while threshold < (di ) + xl F ilhos t(di , xl ) do
escolha xl Filhos onde t(di , xl ) >lb(di , xl )
decrementar t(di , xl )
end while
enviar THRESHOLD_msg(t(di , xl ), CurrentContext) para cada Filho xl
return
mantemFilhoThresholdInvariante
for all d Di , xl Filhos do
while lb(d, xl ) > t(d, xl ) do
incrementar t(d, xl )
end while
end for
for all d Di , xl Filhos do
while t(d, xl ) > ub(d, xl ) do
decrementar t(d, xl )
end while
end for
return

96

cada agente (ou n do grafo) chamado de Xi por convenincia. Cada agente Xi executa o
Algoritmo 5.4, que dividido em 3 fases:

Fase 1 - Inicializao

feito um percurso da rvore DFS, onde todos os agentes Xi

declaram seus domnios Dom(Xi ) para os agentes envolvidos, que so seus agentes Pai e Filhos
correspondentes. Estes ltimos so denidos pelas relaes Ri , com a suposio de restries
binrias, ou restries unrias para um nico agente. Durante o algoritmo, um agente se comunica apenas com seus vizinhos (Pai e Filhos).

Fase 2 - Propagao de UTIL

Cada agente determina se ele uma folha na rvore de

restries (se ele no tiver nenhum Filho) ou no. Os ns folha iniciam o processo, e se Xi um
n folha, ento ele envia a mensagem UTIL ao seu Pai. Este processo de baixo para cima, se
inicia nos ns folha e termina na raiz da rvore. Os agentes mandam para seu n pai mensagens
UTIL, que contm a utilidade tima obtida na subrvore associada. As mensagens passadas
neste sistema so vetores de utilidade. Um agente Xi envia a seu Pai Xj um vetor de todas as
utilidades timas que podem ser alcanadas pela subrvore enraizada em Xj , que contm Xi ,
para cada um dos possveis valores de Xj . Assim, o tamanho de cada mensagem | dom(Xj ) |.

Fase 3 - Propagao de VALUE

Eventualmente o n raiz capaz de obter o valor timo

para si, como o valor que maximiza a soma das utilidades de todas as subrvores enraizadas em
si mesmo, e de quaisquer restries unrias associadas, se for o caso. um processo de cima
para baixo, iniciado no n raiz. Cada n Xi determina seu valor timo baseado na mensagem
VALUE recebida do seu n pai e nas utilidades recebidas atravs das mensagens da fase 2. Ento ele envia este valor para seu n lho tambm atravs da mensagem VALUE. O algoritmo
nalmente terminado quando Xi considerado for um n folha (no tiver Filhos).

Este algoritmo mostrado com mais detalhes em (PETCU; FALTINGS, 2004). Ele comprovadamente correto e completo, e sua prova esta no Anexo B.

5.5

Protocolo de Mensagens

Neste trabalho sero utilizados apenas os algoritmos ADOPT e DPOP, que so corretos e
completos. Nesta tese no foi considerada a privacidade dos algoritmos de soluo de DCOP.

97

Algorithm 5.4 DTREE


1: DTREE(A, X, D, R)
2: Fase 1: Inicializao(Xi , Ri )
3: Ri o conjunto de restries de Xi
4: P ai(Xi ) o pai de Xi (baseado em Ri )
5: F ilhos(Xi ) os lhos de Xi (baseado em Ri )
6: for all Xk F ilhos(Xi ) do
7:
envia Dom(Xi ) para Xk
8: end for
9: recebe e registra Dom(P ai(Xi )) do seu pai
10: Fase 2: Propagao da mensagem UTIL
11: if | F ilhos(Xi ) |== 0 then
12:
{Xi um n folha}
13:
utilsXi (P ai(Xi )) Computa_utils(P ai(Xi ))
14:
envia UTIL_msg(utilsXi (P ai(Xi ))) para seu pai
15: end if
16: ativa o tratamento da mensagem UTIL
17: Fase 3: Propagao da mensagem VALUE
18: ativa o tratamento da mensagem VALUE
19: return
20:
21:
22:
23:
24:
25:
26:
27:
28:
29:
30:
31:
32:
33:
34:
35:
36:
37:
38:
39:
40:
41:
42:
43:
44:
45:
46:
47:
48:
49:

UTIL_msg_tratamento(utilsXk (Xi )){recebida do seu lho Xk }


guarde utilsXk (Xi )
if mensagens UTIL de todos os F ilhos(Xi ) chegaram then
if P ai(Xi ) == nulo then
{Isto signica quePXi a raiz}
vi argmaxvi ( Xl F ilhos(Xi ) U T ILXl (Xi = vi ))
Xi vi
envia VALUE_msg(Xi , vi ) para todos os F ilhos(Xi )
else
utilsXi (P ai(Xi )) Computa_utils(P ai(Xi ))
envia UTIL_msg(utilsXi (P ai(Xi ))) para seu pai
end if
end if
return
VALUE_msg_tratamento(Xk , value){recebida do seu pai}
vi P rojecaoXi (U T ILXi (Xk = value))
Xi vi
envia VALUE_msg(Xi , vi ) para todos os F ilhos(Xi )
return
Computa_utils(Xj )
for all xj Dom(Xj ) do
for all xi Dom(Xi ) do
xi (xj ) argmaxxi (U tilsXj (xi , xj ))
end for
end for
return
{um vetor utilsXi (Xj ) de todos {U tilsXj (xi (xj ), xj ) | xj Dom(Xj )}}

98

Entretanto, existem trabalhos dedicados a este assunto, como por exemplo (GREENSTADT; PEARCE; TAMBE,

2006), que apresenta uma pesquisa importante sobre alguns algoritmos princi-

pais, incluindo ADOPT e DPOP, mostrando que ambos podem manter a privacidade das informaes sem perda de desempenho.
Independentemente do modelo de execuo, ambos os algoritmos priorizam os agentes do
problema antes de comear o processo de busca da soluo. Isto fundamental para denir
uma ordem entre os agentes de modo que um algoritmo geral possa funcionar. Em alguns
algoritmos para DCOP, os agentes so priorizados em uma cadeia, ao passo que tanto ADOPT
quanto DPOP, priorizam os agentes em uma rvore de busca em profundidade (DFS) em um
ambiente descentralizado. A priorizao dos agentes em uma rvore DFS tem a propriedade de
que quaisquer par de agentes vizinhos aparecem no mesmo ramo da rvore, i.e., para qualquer
agente ai em uma ordenao em rvore DFS, as restries so apenas permitidas entre ai e seus
ascendentes ou descendentes.
Esta estrutura de priorizao, combinada com um protocolo de mensagens denido no algoritmo, determina as mensagens que so enviadas entre os agentes. Enquanto o nmero de
mensagens trocadas varia, a maioria dos algoritmos possui pelo menos 2 tipos de mensagens:
VALUE: representa o valor de atribuio corrente de uma certa varivel;
COST ou UTIL: representa o valor de otimizado corrente em relao a todas as variveis
pertencentes a uma certa subrvore.
As mensagens VALUE so enviadas dos agentes de maior prioridade para os de menor prioridade, enquanto as mensagens COST (UTIL) so enviadas a partir dos agentes de menor prioridade para os de maior prioridade. As mensagens VALUE normalmente especicam a atribuio
atual do agente de envio (e, por vezes, as atribuies de outros agentes de maior prioridade). As
mensagens COST (UTIL) normalmente especicam um custo incorrido pelo agente de envio e
todos os agentes de menor prioridade. A Fig. 14 ilustra o protocolo de um algoritmo genrico
para DCOP.
No quadro denido pelo protocolo de mensagens, os agentes sistematicamente propem
atribuies de valores e registram os custos (ou utilidades), explorando o espao de busca de
atribuies possveis. Isso continua at que o algoritmo encontra uma atribuio global tima.

99

Figura 14: Fluxo de Mensagens de um Algoritmo Genrico p/ DCOP

5.6

Ferramentas para DCOP

Existem poucos frameworks disponveis para implementar e testar algoritmos para DCOP:
FRODO (LEAUTE; OTTENS; SZYMANEK, 2009), DisChoco (EZZAHIR et al., 2007), DCOPolis
(SULTANIK; LASS; REGLI, 2007) e AgentZero (LUTATI; GONTMAKHER; LANDO, 2012). A importncia de uma ferramenta deste tipo advem da necessidade dos pesquisadores de DCOP
desenvolverem novos algoritmos, e compararem seu desempenho com outros algoritmos existentes. Um aspecto importante para uma ferramenta ser uma plataforma de cdigo aberto, pois
isto essencial para integrar e testar novas ideias sem ter a obrigao de reimplementar do zero
um solucionador sob medida. Alm disso, a ferramenta deveria ter as seguintes caractersticas:
ser convel e modular, de forma a poder facilmente personalizar e estender;
permitir a simulao de sistemas multiagentes em uma nica mquina;
possuir um conjunto importante de algoritmos implementados embutidos ;
ter uma interface grca para representar o grafo de restries;
FRODO (FRamework for Open/Distributed constraint Optimization) um framework aberto
em Java para otimizao distribuda combinatorial e foi desenvolvido pelo Articial Intelligence Laboratory (LIA) da Ecole Polytechnique Federale de Lausanne (EPFL), Sua (LEAUTE;
OTTENS; SZYMANEK, 2009).

Ele utiliza o JDOM para tratar arquivos XML (Extensible Markup

Language) (W3C, 2012). Assim, embora seja possvel usar objetos Java diretamente no FRODO
para criar dados de instncias, este framework aceita arquivos XML em um formato que um

100

superset do XCSP 2.1 (XML Representation of Constraint Networks 2.1) (ROUSSE; LECOUTRE,
2009), que foi projetado apenas para CSPs centralizados, de forma a representar tambm instncias de DCOPs. Isto apresentado com mais detalhe na prxima seo. Finalmente, ele
integrado com um solucionador centralizado de CSP, que o JaCoP (Java Constraint Programming solver) (KUCHCINSKI; SZYMANEK, 2012). Tanto o FRODO quanto as outras ferramentas
so frameworks de cdigo aberto em Java, possuindo algumas caractersticas em comum. Entretanto, o FRODO apresenta um conjunto maior de algoritmos prontos. Em particular, ele possui
tanto o ADOPT quanto o DPOP embutidos, que foram utilizados neste trabalho. Devido a este
motivo e outros que sero apresentados mais adiante na Seo 8.2, o FRODO foi a ferramenta
escolhida.

5.7

Representao XML de Instncias de DCOP

Originalmente foi criada uma representao XML (Extensible Markup Language ) das instncias do Problema de Satisfao de Restries (CSP). O objetivo desta representao XML,
denominada XCSP, foi facilitar o teste e comparao entre diferentes algoritmos para a soluo
de CSP, provendo uma plataforma comum de testes de instncias CSP. Mais precisamente, para
cada instncia domnios, variveis, relaes, predicados e restries so exaustivamente denidos. Mais tarde este formato foi estendido atravs da verso XCSP 2.1, com melhorias na
leitura, contedo e estruturao (ROUSSE; LECOUTRE, 2009).
Como o formato XCSP foi projetado para CSPs centralizados, e no problemas distribudos
de otimizao, foram necessrias algumas outras extenses sobre o formato XCSP 2.1 para
descrever instncias DCOPs, de forma a representar os agentes, que variveis pertencem a que
agente, e se o problema de maximizao ou minimizao, por exemplo. O formato resultante
foi especicado no projeto da ferramenta FRODO, que foi utilizado neste trabalho, como foi
dito na seo anterior. Ele um superconjunto do XDisCSP 1.0, criado para os problemas de
restries distribudos, mas sem otimizao (DisCSP). O Anexo C apresenta as representaes
de instncias do DCOP e do HCOP, apresentado no Captulo, atravs de XML.

5.8

Trabalhos Relacionados

Segundo Yokoo, em geral se supe que cada agente tem apenas uma varivel local. Embora os algoritmos desenvolvidos possam ser aplicados ao caso em que um agente tem vrias
variveis locais atravs de dois mtodos, ambos os mtodos no so nem ecientes nem es-

101

calveis para problemas grandes.(YOKOO; HIRAYAMA, 2000). Estes dois mtodos gerais so
denominados: (i) Decomposio; (ii) Compilao. Eles tm sido tradicionalmente usados para
gerenciar diversas variveis por agente. Entretanto, ambos tm srias desvantagens que os tornam inecazes para resolver problemas reais diretamente. Estes mtodos sero descritos com
mais detalhes mais a frente na Seo 6.4 do Captulo 6. Enquanto a maioria dos algoritmos
distribudos gerencia apenas uma varivel por agente, no existem algoritmos especcos para
resolver problemas distribudos do mundo real de uma forma eciente. Muitos problemas reais
so distribudos por sua prpria natureza, mas essa distribuio no implica uma nica varivel
por agente. Apenas alguns trabalhos incluem um conjunto de variveis em um agente nico
(SILAGHI; FALTINGS, 2005) (SALIDO; BARBER, 2006) (EZZAHIR et al., 2007). No entanto, poucos
trabalhos se dedicaram a tcnicas distribudas para resolver problemas de grande escala (YOKOO
et al.,

1998) (SALIDO; GIRET, 2008) (BURKE, 2008). Os dois ltimos consideram aplicaes em

problemas reais, e por isso, so descritos a seguir.


Em (SALIDO; GIRET, 2008) foi apresentado um modelo distribudo geral para a resoluo
de problemas de escalonamento da vida real, utilizando DisCSP. Este modelo distribudo baseado na idia de sistemas holnicos. Neste trabalho, questiona-se a suposio comum feita na
literatura sobre DisCSP, em que cada agente tem que cuidar de apenas uma nica varivel. Muitos problemas reais podem ser modelados como um CSP, como foi visto na Seo 3.5.3, mas
eles no podem ser resolvidos usando tcnicas DisCSP devido enorme quantidade de mensagens. Alm disso, a maioria destes problemas so muito complexos e as tcnicas tradicionais
de soluo distribuda no so apropriadas.
Por outro lado, enquanto algoritmos distribudos so projetados apenas para resolver problemas distribudos, muitos problemas reais e centralizados podem ser modelados como um
DisCSP e podem ser resolvidos de forma mais eciente utilizando tcnicas de busca distribudas. Normalmente, os problemas reais envolvem modelos com um grande nmero de variveis
e restries, levam a redes densas de inter-relaes. Problemas deste tipo podem ser tratados
como um todo apenas com um custo computacional muito alto. Assim, foi concludo que vantajoso decompor / particionar o problema em vrios subproblemas mais simples interligados,
que podem ser mais facilmente resolvidos.
Por isso, foi desenvolvido um modelo distribudo para problemas de grande escala, principalmente relacionados com escalonamento. So apresentadas diferentes alternativas, que so
baseadas em um conjunto de orientaes para a distribuio destes problemas. O modelo geral
baseado em um sistema multiagentes holnico, sendo que cada agente est comprometido
com multiplas variveis e restries locais. Ele um modelo sncrono que utiliza a interao

102

e a cooperao entre os agentes holnicos. Sua idia bsica se originou em (SALIDO; GIRET;
BARBER,

2003), no qual o problema dividido em um conjunto de subproblemas, que, em se-

guida, so classicados na ordem adequada e so resolvidos concorrentemente dependendo da


sua estrutura interna.
Foram propostas algumas diretrizes para a distribuio e a resoluo de problemas complexos, que fazem parte do processo de modelagem. Elas esto relacionadas a algumas questes
de modelagem importantes, como por exemplo: O problema distribudo por natureza ? A
estrutura do problema hierrquica ? necessria uma autoridade central ? Assim, a resposta
para cada uma destas perguntas leva s seguintes diretrizes:
O nmero de subproblemas (agentes), que deve estar em concordncia com o tamanho do
problema;
A ordem em que cada subproblema solucionado (prioridade do agente). s vezes, todos
os subproblemas podem ser solucionados simultaneamente. Em muitos outros casos, os
subproblemas so priorizados atravs de uma heurstica selecionada;
O gerenciamento do retrocesso (backtracking). Quando um agente no encontra uma
soluo parcial, deve comunicar o seu estado atual para os agentes vizinhos relacionados,
de forma a evitar uma busca desnecessria;
A necessidade de uma autoridade central. Dependendo das caractersticas do problema,
um controlador central pode ou no ser necessrio. Alguns problemas so hierrquicos
por natureza, como por exemplo quem apresenta caractersticas holnicas. Neste caso,
aparecem diferentes nveis de abstrao.
Portanto, o modelo distribudo no completamente determinado, pois depende das caractersticas do problema considerado, que pode pertencer a uma classe bastante genrica de problemas.
Da mesma forma, o prprio mtodo de soluo tem que se adequar a estas caractersticas de
cada caso.
Em (BURKE et al., 2007) o problema de Coordenao da Cadeia de Suprimentos (SCC)
apresentado como um novo problema de referncia adequado para ser modelado e resolvido
usando DCOP. Uma das contribuies deste trabalho justamente propor a soluo do problema
SCC como um DCOP. SCC envolve o planejamento e a coordenao do escalonamento da
produo e da entrega entre as vrias unidades de negcios (agentes), que so naturalmente
distribudas e operam de forma autnoma neste modelo proposto.

103

Tal como o modelo distribudo anterior (SALIDO; GIRET, 2008), aqui cada agente tem um
grande problema complexo com muitas variveis pblicas (variveis restritas tambm por outros agentes), o qual conduz a um espao de busca distribudo extremamente grande e traz novos
desaos aos algoritmos DCOP. Portanto, a segunda contribuio deste trabalho foi a introduo
de uma srie de tcnicas de modelagem e busca para lidar com estes desaos. Assim, estas
tcnicas so responsveis pela poda do espao de busca inicial do problema, permitindo que
este espao remanescente possa ser percorrido de forma mais eciente. Para isso, foi utilizado apenas o algoritmo ADOPT para DCOP (vide Seo 5.4), que foi adaptado para aplicar
estas tcnicas, de modo a resolver o problema SCC. Foi realizada uma srie de experimentos
demonstrando as vantagens e limitaes desta abordagem.
Para integrar o processo de soluo local com a busca distribuda, foi usado o mtodo de
compilao, que foi citado no incio desta seo. Em uma fase de pr-processamento antes
da busca distribuda comear, encontrada a soluo local tima para cada combinao vlida
de atribuies para as variveis pblicas. Cada valor compilado contm uma nica atribuo
para as variveis pblicas (atribuio pblica) e o custo local timo para essa atribuio. No
necessrio armazenar as atribuies para as variveis privadas, j que estas no so exigidas na
busca distribuda. Uma vez que o algoritmo distribudo terminou, ento possvel recuperar a
atribuio tima para as variveis privadas relativa atribuio pblica escolhida. Existem algumas razes para utilizar o mtodo de compilao: (i) ele pode ser executado independentemente
por cada agente; (ii) ele atua como um mecanismo de cache, que evita busca local repetida, i.e.,
uma vez que uma soluo local tima foi encontrada para uma atribuio pblica particular, ento esta busca no precisa ser realizada novamente (exceto para a atribuio pblica escolhida
nal); e (iii) toda a informao de custo local calculada antes do incio da busca distribuda,
de modo a reduzir a computao e o tempo necessrios para que a busca distribuda execute.
Alm disso, foi criado um mtodo de agregao, que uma tcnica independente do algoritmo. Este mtodo pode ser aplicado na modelagem de um problema para reduzir o domnio
das suas atribuies pblicas, e, consequentemente, reduzir a complexidade do seu espao de
busca. Assim, no problema SCC, quando o horizonte de planejamento, o nmero de componentes usados na fabricao e o nmero de lotes por componente crescem, o respectivo domnio
das atribuies pblicas tambm cresce. Se estas variveis so agregadas, possvel reduzir o
nmero de atribuies pblicas possveis.

104

5.9

Concluso

Diante da deciso de usar a abordagem distribuda para o problema de planejamento integrado com otimizao e da vantagem de model-lo como um problema de restries, neste
captulo foi apresentado o Problema de Satisfao de Restries Distribudo com Otimizao
(DCOP). Alm disso, foram escolhidos dois conhecidos, corretos e completos algoritmos para
esta classe de problema, ou seja, ADOPT e DPOP, que sero utilizados na proposta deste trabalho. Ambos so algoritmos que priorizam os agentes em uma rvore de busca em profundidade (DFS), dentro de um ambiente descentralizado. ADOPT executa um mtodo de busca

depth-first usando backtracking distribudo, enquanto DPOP implementa uma estratgia no


convencional baseada em programao dinmica. Nesta tese no foi considerada a privacidade
dos algoritmos de soluo de DCOP. Entretanto, existem trabalhos dedicados a este assunto,
que mostram que ambos os algoritmos utilizados podem manter a privacidade das informaes
sem perda de desempenho.
No existem algoritmos especcos de DCOP para resolver problemas distribudos do mundo
real de uma forma eciente. Alm disso, muitos problemas reais e centralizados podem ser modelados de forma distribuda. A maioria destes problemas so muito complexos e envolvem um
grande nmero de variveis e restries. Portanto, as tcnicas tradicionais de soluo distribuda
no so apropriadas. Por outro lado, nos trabalhos relacionados, foi observado que vantajoso
particionar o problema em vrios subproblemas mais simples interligados, que podem ser mais
facilmente resolvidos.
Em princpio, o problema de restries distribudas com otimizao, em conjunto com o
paradigma holnico apresentado no captulo anterior, formam o embrio para o modelo a ser
utilizado no problema principal da tese. Entretanto, alm desta composio de ideias, necessrio incluir alguns aspectos observados em trabalhos anteriores. Assim, existe a necessidade de
criar uma base teria mais slida, envolvendo todos estes elementos de forma consistente, antes
de iniciar o trabalho de modelagem. Isto exatamente o que ser feito no prximo captulo.

105

Parte III
Contribuies

106

Problema de Satisfao de Restries


Holnico com Otimizao (HCOP)

6.1

Introduo

Como mostrado no Captulo 3, satisfao de restries e otimizao so poderosos paradigmas que modelam um grande espectro de problemas, tais como planejamento, escalonamento,
controle otimizado de processos, etc. Tradicionalmente, tais problemas so simplicados e reunidos em um nico modelo centralizado, que deve fornecer a melhor soluo possvel, mas
distante do timo. Entretanto, estes problemas so algumas vezes naturalmente distribudos.
Se analisarmos alguns problemas de otimizao com restries, podemos perceber que
eles possuem uma natureza recursiva, que no explorada atualmente pelos frameworks de
otimizao disponveis e seus algoritmos correspondentes. Um exemplo deste tipo de problema
o planejamento integrado da cadeia de suprimentos. Normalmente cada entidade na cadeia
provavelmente age em nome de seus melhores interesses para otimizar seu prprio lucro. Entretanto, em geral, isso no vai de encontro meta de otimizao de toda a cadeia de suprimentos.
Por outro lado, a complexidade da integrao de toda a cadeia torna o desevolvimento de um
nico sistema centralizado uma tarefa impraticvel. Alm disso, mesmo que isto fosse possvel,
as mudanas frequentes e imprevisveis no ambiente do problema tornariam os resultados da
soluo de tal sistema obsoletos e inteis muito rapidamente.
Assim, este captulo dene o Problema Holnico de Restries com Otimizao (Holonic
Constraint Optimization Problem - HCOP) como um novo paradigma para modelar problemas
distribudos com otimizao que apresentam estas caractersticas. Sua principal caracterstica
representar tais problemas atravs da integrao de subproblemas solveis, nos quais aqueles
podem ser naturalmente particionados. Como j foi dito, um exemplo de problema de otimizao distribudo com uma organizao recursiva o planejamento da cadeia de suprimentos da
indstria do petrleo. Em geral, as renarias possuem seu sistema local especco de otimizao

107

para o planejamento da produo, enquanto cada rea de logstica responsvel por cada nvel
da cadeia possui seu respectivo sistema de otimizao para o correspondente planejamento de
transporte e distribuio. Entretanto, os diferentes sistemas no so convenientemente integrados para permitir uma otimizao global (MARCELLINO; SICHMAN, 2010). Este mesmo trabalho lanou os fundamentos para se perseguir a otimizao integrada usando as caractersticas
holnicas presentes no problema em foco. Neste mesmo trabalho, este problema foi modelado de forma distribuda, levando em conta sua natureza distribuda e a impossibilidade do seu
tratamento centralizado, usando DCOP. Entretanto, este ltimo se mostrou uma ferramenta de
modelagem inadequada para enfrentar o objetivo proposto, como j mencionado no captulo anterior. Assim, tal modelo estava ainda incipiente, mas sua evoluo levou denio do HCOP
como uma subclasse do DCOP, o que ser mostrado a seguir.

6.2

Descrio do HCOP

Alguns problemas distribudos de restries com otimizao possuem uma estrutura hierrquica e recursiva, que denominada holarquia. Este tipo de organizao caracterizada
por entidades com grande coeso interna, mas com um acoplamento relativamente menor com
o mundo exterior ao longo de todo o conjunto. Por esta razo, tais problemas de otimizao
podem ser particionados em uma srie de subproblemas de otimizao menores, que, embora
no sejam independentes um do outro, apresentam tal nvel de desacoplamento que possibilita
um certo paralelismo no processo de soluo. Este ponto de vista facilita a modelagem da complexidade de todo o sistema, que pode ser representado atravs de uma estrutura mais simples
que se repete recursivamente ao longo do modelo.
O HCOP consiste de um conjunto de agentes que so chamados holons. Estes holons
so distribudos em diferentes nveis de abstrao. Por denio, um holon contm outros
holons (seus subholons) e parte de um outro holon maior (seu superholon). Entretanto, o
nvel mais fundamental consiste somente de holons atmicos, i.e., um agente convencional
que no contm nenhum outro. Nos nveis superiores os holons podem ser atmicos ou no,
e neste ltimo caso so chamados tambm de superholon, pois contm outros holons no seu
interior. Cada holon responsvel por uma varivel denominada varivel holnica. No caso do
holon atmico, ela chamada tambm de varivel de deciso, enquanto a varivel holnica de
cada superholon denominada tambm de varivel emergente, que dependente das variveis
holnicas associadas aos seus subholons, atravs de uma funo de emergncia. Assim, estas
variveis holnicas, associadas a cada subholon correspondente dentro do mesmo superholon,
so ligadas pela restrio holnica de agregao varivel holnica do holon cabea, que, por

108

Figure 15: Restries do HCOP


sua vez, se conecta varivel emergente do prprio superholon atravs da restrio holnica
de emergncia. Em suma, a funo de emergncia dene a composio entre as restries de
agregao e de emergncia. A Fig. 15 apresenta as restries do HCOP. A restrio local ser
descrita ainda nesta seo.
Tambm se parte da premissa de que os holons cabea, tal como os holons atmicos, no
possuem subholons. Devido ao comportamento singular do holon cabea, que responsvel
pela comunicao com o mundo exterior, natural trat-lo de forma diferenciada em relao
ao restante do holon, que formado por todos os holons parte e chamado corpo. Como o
holon cabea representa seu superholon para os outros holons externos, ele cuida tambm da
varivel emergente deste ltimo. Portanto, ele utiliza a restrio de emergncia, que conecta sua
varivel holnica com a varivel emergente associada. Em geral, estas duas variveis tm um
mesmo signicado, de modo que esta restrio funciona apenas como uma transformao de
normalizao, que pode estar relacionada, por exemplo, ordem de grandeza das quantidades
ou ao ajuste do domnio.
A forte coeso interna dos subholons, e o acoplamento menos intenso entre um subholon
e seu superholon, ou seu subholon, torna possvel visualizar um HCOP como uma partio de
problemas de otimizao acoplados. Basicamente cada superholon associado a um problema
deste tipo, que pode ser solucionado por um correspondente algoritmo de otimizao centralizado conhecido AO. Dentro de cada superholon existe uma outra organizao denominada
interna, que constituda por um conjunto de variveis associadas ao problema de otimizao
especco (vide a Seo 4.3.3). Elas so denominadas variveis locais, e so ligadas apenas
por restries locais entre si, e podem tambm se relacionar com as variveis holnicas dos
subholons do mesmo superholon atravs do mesmo tipo de restrio. As variveis locais de um

109

Figura 16: Diagrama Bsico do HCOP


superholon e as variveis holnicas dos seus subholons so as variveis de entrada do algoritmo
de otimizao AO, juntamente com a varivel emergente do superholon correspondente. A Fig.
16 ilustra os elementos do HCOP.
A organizao holnica adotada neste trabalho classica os subholons em 2 papis: cabea,
que nico, e parte, que pode ser um ou mais, ambos dentro de cada superholon. No ser
considerado o papel multiparte, que desempenhado pelos subholons compartilhados por mais
de um superholon ao mesmo tempo. Entretanto, levando em conta a caracterstica descrita de
forte coeso dentro de cada superholon no modelo do HCOP, o conceito de holon multiparte
dispensvel. De fato, a Fig. 17a mostra um exemplo de modelagem holnica utilizando o holon
multiparte, com 4 superholons (holons 1, 2, 3 e 4), 4 holons cabea (um para cada superholon)
e 6 holons atmicos (holons 5, 6, 7, 8, 9 e 10). Dentre estes ltimos, o modelo utiliza 5 holons
parte (holons 5, 6, 8, 9 e 10) e tambm um holon multiparte (holon 7). A existncia deste tipo
de holon indica que h forte coeso entre os superholons 2 e 3, o que foge da diretiva expressa
anteriormente para a modelagem holnica proposta nesta tese. Assim, o modelo para um HCOP
deveria ser aquele apresentado na Fig. 17b, onde os superholons 2 e 3 so fundidos em um nico
superholon 2 , mostrando a anidade entre os subholons 5 e 6, por um lado, e o subholon 8,

por outro, em relao ao subholon 7, que passou a ser apenas um holon parte. Justamente esta

110

(a) Utilizando Holon Multiparte

(b) Utilizando HCOP

Figura 17: Exemplo de Modelagem Holnica


mudana torna natural a disponibilidade de um AO associado ao superholon 2 , ao invs de ser

preciso o desenvolvimento do AO 2 e do AO 3 dentro do modelo com holon multiparte, que


seriam completamente dependentes entre si e, portanto, descabidos dentro do HCOP.

6.3

Formalizao do HCOP

Neste trabalho, um sistema de agentes holnicos A = {a1 , . . . , ai , . . . , an } constitudo


por 2 tipos de agentes:
1. tomo, que resultante de uma modelagem tpica do problema tratado utilizando a tecnologia de agentes convencional;
2. cabea, que resultante da modelagem holnica do problema, e, portanto, no tem sentido sem o uso do paradigma holnico.
Desta forma, o sistema holnico formado por um conjunto H = {h, . . . , hi , . . . , hn } de todos
os holons do problema, tal que | H |= | A |, onde cada holon hi corresponde a um agente ai .
Um HCOP formalizado como uma tupla (H, R, V, Dv, X, Dx, E, F, AO) onde:
H = {H0 , . . . , H , . . . Hmax } uma partio do conjunto H de todos os holons formada
pelas classes de equivalncia em relao a cada nvel . Portanto, por denio H satisfaz
as seguintes condies:

111

1. H 6= , N, max
2.

0max

H = H

3. Hi Hj = , i, j N, i 6= j
Alm disso, H = {h 1 , . . . , h i , . . . , hN } o conjunto de holons do nvel , que por sua
natureza so ao mesmo tempo conjuntos (todo) e elementos (parte), e tambm satisfazem
as seguintes condies:

h i 6= , i N, 1 i N

(6.1)

h i h j = , i, j N, i 6= j

(6.2)

A segunda condio impe que os holons de um mesmo nvel sejam disjuntos, e, portanto, no contenham subholons multi-parte, como uma das suposies desta tese (vide
6.2).
Assim, cada um dos holons de H consiste de um conjunto de outros holons, e pode ser
classicado em dois casos:
1. h i um holon atmico, que equivalente ao agente atmico;
2. h i = {C i , B i } um holon no atmico, chamado superholon, onde:
C i = h1 j denominado a cabea do holon h i , sendo equivalente ao agente
cabea;
B i = {h1 1 , h1 2 , . . .} 6= denominado o corpo do holon h i . Os
elementos h1 so denominados partes do holon h i .
Assim, existem dois nveis singulares:
Para = 0 todos os holons so atmicos, formando o conjunto H0 do nvel fundamental;
Para = max existe apenas um nico holon, formando o conjunto Hmax =
{hmax 1 }. Este holon denominado holon global.
Pode haver holons atmicos nos nveis intermedirios entre estes dois extremos, que, no
entanto, no podem existir isolados. Assim, eles so partes de um superholon localizado
no prximo nvel superior.
O elemento H da tupla dene a estrutura da holarquia do problema.

112

R = {r1 , . . . , rR } o conjunto de relaes entre os holons, onde ri uma das duas


relaes primitivas denidas pelas Equaes 6.3 e 6.4, onde N, > 0, H H |
H = B+1 i para < max ou H = H para = max . Estas relaes especicam a
i

topologia da holarquia do problema.


cabecaDe = {(h i , h1 j ) H H1 : h1 j = C i }

(6.3)

parteDe = {(h i , h1 j ) H H1 : h1 j B i }

(6.4)

Outras relaes importantes, mas derivadas das primitivas, so respectivamente a de subholon, denida na Eq. 6.5, onde N, > 0, H H | H = B+1 i para <
i

max ou H = H para = max , e a de superholon da Eq. 6.6, onde N, > 0, <

max , H+1
H+1 | H+1
= B+2 i para < max 1 ou H+1
= H+1 para =
i

max 1. A primeira relao mostra que um subholon de um certo holon pode ser tanto
sua cabea quanto qualquer de suas partes, enquanto a segunda mostrada como a relao
inversa da anterior.
subholonDe cabecaDe parteDe {(h i , h1 j ) H H1 }

superholonDe subholonDe1
{(h i , h+1 j ) H H+1 }

(6.5)
(6.6)

A relao cabecaDe tambm uma funo por denio, j que na organizao holnica
adotada neste trabalho existe um nico cabea associado a cada superholon. Por outro
lado, a relao parteDe no necessariamente uma funo, pois isto no verdade para
o caso de mais de uma parte em um mesmo superholon.
V = {v0 1 , ..., v i ,..., vmax 1 } o conjunto de variveis holnicas, onde cada varivel v i
associada ao respectivo holon h i do nvel (uma varivel holnica por holon). Cada
varivel holnica pode ser classicada em umas das duas situaes seguintes:
varivel de deciso, se o holon associado atmico. Ela uma varivel independente do problema;
varivel emergente, se o holon associado um superholon. Ela dependente das
variveis holnicas dos subholons constituintes.
Elas devem participar nas restries holnicas, mas podem participar tambm nas restries locais dentro do seu correspondente holon.
Dv = {Dv0 1 , ..., Dv i , ..., Dvmax 1 } o conjunto de domnios, onde cada domnio Dv i
um conjunto discreto e nito associado a cada uma das variveis v i ;

113

X = {x0 1 1 , ..., x

i j ,..., xmax 1 imax jimax }

o conjunto de variveis locais, onde cada

varivel x i j uma das variveis internas ao superholon h+1 i . Elas so opcionais, mas
podem existir vrias variveis locais por superholon. Estas variveis somente participam de restries locais, que podem envolver tambm variveis holnicas associadas a
subholons do mesmo superholon h+1 i ;
Dx = {Dx0 1 1 , ..., Dx
domnio Dx
x

i j

i j

i j ,..., Dxmax 1 imax jimax }

o conjunto de domnios, onde cada

um conjunto discreto e nito associado a cada uma das variveis locais

E = {E1 1 , ..., E i ,..., Emax 1 } o conjunto de funes de emergncia, onde cada funo
E i associada ao respectivo superholon h i , onde > 0, na forma:
(6.7)

Ei : Dv-11 . . . Dv1Bi Dv i

onde o domnio o produto cartesiano das variveis holnicas dos subholons de h i , e


v i sua varivel holnica emergente. Assim, esta ltima est conectada por uma restrio
n-ria c i denida pela funo de emergncia E i com as variveis holnicas correspondentes a cada um dos seus subholons. Como pode ser visto na Eq. 6.8, esta restrio c i
do tipo predicado, sendo, portanto, satisfeita ou violada. Alm disso, como ela relaciona
a varivel emergente do superholon com as variveis holnicas dos seus subholons, no
faz sentido existir funo de emergncia para holons atmicos. Esta restrio denida
pela funo de emergncia a fora de ligao entre o cabea e o corpo do superholon
correspondente de modo a criar as propriedades da sua varivel emergente.


c i = restrica
o v i == E i v11 , . . . , v1Bi



(6.8)

F = {F11 , . . . , F i ,..., Fmax 1 } o conjunto de F i , um para cada superholon h i , onde


F i = {f i 1 , . . . , f i j , ..., f i M i } o conjunto das restries valoradas entre as variveis holnicas v1 i j dos subholons do holon h i , e/ou das variveis locais x1 i i j
do mesmo holon, M i o nmero de subholons do superholon h i e > 0. Estas restries so funes representadas na Eq. 6.9, cujo domnio o produto cartesiano destas variveis holnicas{v11 , . . . , v1Nij } e tambm destas variveis locais
{x1 i 1 , . . . , x1 i Oij }. Elas so apenas restries locais do superholon considerado,
mas no restries holnicas associadas funo de emergncia, que, como j foi visto,
uma restrio n-ria no valorada (vide Eq. 6.8).
f i j : Dv11 . . . Dv1Nij Dx1 i 1 . . . Dx1 i Oij N

(6.9)

114

AO = {AO1 1 , ..., AO i ,..., AOmax 1 } o conjunto de algoritmos de otimizao centralizados, onde cada AO i associado ao respectivo superholon h i , onde > 0. Alm de
serem corretos e completos, estes algoritmos devem respeitar os protocolos de entrada e
sada denidos pelas Equaes 6.10 e 6.11, respectivamente, onde
Entradas:
* c i : restrio n-ria denida pela funo de emergncia Ei associada ao superholon h i (Eq. 6.8). Representa a restrio holnica para este holon;
* F i o conjunto {f i 1 , . . . , f i j , ..., f i M i } associado ao superholon h i , onde
os elementos so restries valoradas entre as variveis holnicas v1 dos
subholons do holon h i , e/ou das variveis locais x1 i do mesmo holon e
M i o nmero de subholons do superholon h i . Representa as restries
locais deste holon;
* utilidade1 l : utilidade tima do subholon h1 associada ao valor d1 l
Dv1 da varivel holnica v1 do mesmo holon. Se h1 :
superholon tambm, ela obtida de AO1 recursivamente;
atmico, ela igual a uma utilidade conhecida a priori;
* d i ind : o elemento ind do conjunto Dv i , i.e., d i ind Dv i ;
Sadas:
* utilidade i ind : utilidade tima do superholon h i associada ao valor d i ind
Dv i da varivel emergente v i do mesmo holon;

* v1 : representa a soluo parcial da varivel holnica v1 associada ao


valor d i ind Dv i da varivel emergente v i do superholon h i ;

* x1 i : representa a soluo parcial da varivel local x1 i do superholon h i


associada ao valor d i ind Dv i da varivel emergente v i do mesmo super-

holon;

AO i (c i , F i , . . . , utilidade1 l , . . . , d i ind )

utilidade i ind , (v1


,
.
.
.
,
v
),
(x
,
.
.
.
,
x
)
AO i
1max
1 i 1
1 i max
1

(6.10)

(6.11)

115

A meta do HCOP encontrar uma instanciao completa V para todas as variveis holnicas v i , e tambm uma instanciao completa X para todas as variveis locais x i j , de modo
a obter a utilidademax 1 associada ao holon global hmax 1 , atravs da maximizao da funo
objetivo denida pela Eq. 6.12, onde N o nmero de holons no nvel e M i o nmero
de subholons do superholon h i . Como o holon global representa o sistema completo, sua
utilidademax 1 = argmaxind (utilidade=max i=1 ind ), tal que dmax 1 ind Dvmax 1 , representa
o valor timo da utilidade total.
max N M i

FO = utilidademax 1 =

X XX

f i j

(6.12)

=0 i=1 j=1

De acordo com a Eq. 6.9, possvel restries de qualquer aridade, inclusive com uma
nica varivel (unria). possvel at mesmo utilizar uma restrio na forma de uma funo
constante constituda por parmetros de entrada do problema, cuja necessidade suplementar
o signicado dado funo objetivo FO. Esta denio reete a caracterstica do HCOP de
que no h uma restrio direta entre dois subholons pertencendo a diferentes superholons, j
que na organizao holnica adotada no existem subholons multi-parte, como j mencionado
anteriormente.
HCOP, tal como DCOP, denido por restries entre as variveis. A juno entre a restrio de agregao e a restrio emergente para um mesmo superholon equivale restrio n-ria
denida pela funo de emergncia (vide Eq. 6.8) entre a varivel emergente do superholon e
todas as variveis holnicas dos subholons constituintes, inclusive a do cabea. Tal como no
DCOP (vide 5.2), o operador de agregao1 (soma) utilizado na funo objetivo, bem como
dentro das utilidades agregadas nas restries holnicas e locais, deve ser tambm associativo,
comutativo e monotnico. Por isso, esta mesma condio vale para o operador de agregao utilizado na funo de emergncia. Exceto as limitaes anteriores, no existem outras imposies
sobre o tipo de restrio utilizada, que pode ser, em princpio, no-linear.

6.4

Relao entre DCOP e HCOP

O Problema Holnico de Restries com Otimizao (HCOP) possue caractersticas especcas que o tornam diferente de um DCOP, por exemplo, devido existncia de holons ao
invs de simples agentes. Entretanto, observando as propriedades que denem um HCOP fcil
notar que ele contm todas as propriedades do DCOP generalizado para problemas locais com1

No confundir com a restrio de agregao, que tem um outro signicado.

116

Figura 18: (a) Decomposio (b) Compilao


plexos (vide 5.3), alm de propriedades especcas como a holarquia, as funes de emergncia
E i e os algoritmos de otimizao AO i . Assim, podemos concluir que a classe dos problemas HCOP uma subclasse daquela formada por todos os DCOP, e portanto qualquer HCOP
tambm um DCOP com problemas locais complexos.
A maioria dos algoritmos de DCOP admitem que cada agente controla somente uma nica
varivel. Esta suposio justicada por duas reformulaes que aqui so propostas por (YOKOO; HIRAYAMA,

2000), pelas quais qualquer DCOP com problemas locais complexos (i.e.,

mltiplas variveis em cada agente) pode ser transformado para exatamente uma varivel por
agente:

Definio 8

Compilao: para cada agente, dene uma varivel cujo domnio o conjunto

de solues do problema local original.

Definio 9

Decomposio: para cada varivel em cada problema local, cria um agente

nico para lidar com ele.


Portanto, possvel transformar um HCOP em um DCOP bsico com uma varivel por
agente atravs de uma das duas formas padro, i.e., Compilao ou Decomposio (vide Fig.
18).
Existem vrios algoritmos devenvolvidos para a soluo de qualquer DCOP com a limitao
de que eles supem que cada agente tem somente uma varivel local. Para a transformao do
HCOP em um DCOP bsico, o mtodo de Compilao o mais apropriado para o HCOP, como
ser visto na prxima seo.

117

Os algoritmos atualmente disponveis para DCOP no so nem ecientes nem escalveis


para problemas mais complexos (YOKOO; HIRAYAMA, 2000). Alm disso, pela denio do
HCOP, sua soluo se baseada no uso de algoritmos de otimizao pr-determinados associados aos vrios superholons. Por isso, um dos objetivos deste trabalho propor meta-algoritmos
que se integrem a estes algoritmos disponveis, de modo a resolver um HCOP genrico, mesmo
no caso de problemas locais complexos como acontece no problema de planejamento integrado
da cadeia do petrleo. Para isso, os dois algortmos para DCOP apresentados no Captulo 5
foram utilizados como base para o desenvolvimento de dois meta-algoritmos correspondentes
para HCOP. Ambos foram adaptados para levar em conta a integrao com os diversos algoritmos de otimizao associados a cada problema local complexo de cada superholon, como
caracterstica do HCOP.

6.4.1

Decomposio

O mtodo de decomposio o seguinte (BURKE, 2008): para cada varivel xi j em cada


agente ai , criar um novo agente virtual axi j para gerenciar esta varivel. Assim, o problema
reduzido a uma nica varivel por agente virtual. O agente ai ento requisitado para gerenciar
as atividades de um conjunto de agentes virtuais AXi = {axi1 , axi2 , . . . , aximi } (vide Fig.
18(a)).
No HCOP cada superholon associado a um problema local complexo com variveis internas, que so tanto as variveis holnicas dos subholons membros quanto as variveis locais.
Cada subholon naturalmente responsvel pela varivel holnica correspondente. Mas seria
preciso criar um agente virtual para cada varivel local interna, j que cada um destes independente dos subholons membros. Entretanto, uma das caractersticas do HCOP a integrao
de subproblemas de otimizao (POs), cada um associado a um superholon correspondente.
Portanto, a estratgia dos meta-algoritmos propostos a utilizao de diversos algoritmos de
otimizao disponveis (AO), cada um relacionado a um PO correspondente. Desta forma, o
mtodo de compilao se adequada mais com esta caractersca do HCOP, com ser visto em
seguida.

6.4.2

Compilao

O mtodo bsico de compilao o seguinte (BURKE, 2008):


(i) para cada agente ai criar uma nova varivel zi , cujo domnio Dzi o conjunto de todas
as solues do problema interno do agente ai ;

118

(ii) para cada agente ai criar uma funo unria de restrio valorada f i , onde
P
lm Dzi , sendo lm uma atribuio dentro do agente ai . e f i (lm ) = ck (projeca
oi j (lm ))
kj

a soma das restries ck que agem dentro do holon ai e projeca


oi j a funo Dzi Dj que
projeta um valor de zi em um valor da varivel interna vj do agente ai . A funo fi necessria
porque a funo ck tem como domnio as variveis internas do agente (vide 5.3).
No caso do HCOP, o mtodo de compilao combina naturalmente com a organizao
holnica. De fato, no necessrio criar a varivel zi , pois ela j existe como a varivel
holnica do holon cabea associado a cada superholon. Assim, este mtodo ca da seguinte
forma:
(i) para cada superholon h i o domnio Dv 1 w da varivel holnica v1 w do seu holon
cabea, i.e., h1 w = cabecaDe (h i ), representa o conjunto de todas as solues parciais do
problema interno deste superholon, que so relativas s variveis holnicas v1 dos seus subholons e s variveis locais x1 i do mesmo superholon. Cada soluo parcial est associada
a um correspondente valor d i ind Dv i da varivel emergente v i do superholon h i , sendo
obtida atravs da chamada do algoritmo de otimizao AO i associado a este superholon, que
respeita os protocolos de entrada e sada denidos pelas Equaes 6.10 e 6.11 da Seo 6.3.
Como j mencionado na Seo 6.2, a varivel holnica v1 w do holon cabea est diretamente
ligada varivel emergente do seu superholon atravs da restrio de emergncia. Assim,
ambas possuem o mesmo signicado, de modo que existe um mapeamento entre o domnio
Dv1 w do holon cabea e o domnio Dv i do seu superholon. Portanto, cada elemento do
domnio Dv1 w est relacionado a uma soluo parcial obtida para um valor d i ind Dv i
correspondente.
(ii) para cada superholon h i existe uma funo unria de restrio valorada denida pela
Eq. 6.13, que dependente da atribuio d i ind Dv i da varivel emergente v i deste superholon, onde f i j cada uma das restries valoradas entre as variveis holnicas v1 i j
dos seus subholons e das variveis locais x1 i i j do mesmo superholon, M i o nmero dos
subholons deste superholon h i e > 0 (vide Seo 6.3).
utilidade i ind =

M i
X

f i j

(6.13)

j=1

Tanto esta utilidade do superholon h i quanto as solues parciais das variveis holnicas

(v1
, . . . , v1
) dos seus subholons e das variveis locais (x1 i 1 , . . . , x1 i max ) do
max
1

mesmo superholon, que so utilizadas na soma das restries de utilidade que agem dentro do
superholon, so obtidas atravs da invocao do AO i para o valor d i ind Dv i , como pode

119

ser visto na Eq. 6.14 (baseada nas Equaes 6.10 e 6.11).

utilidade i ind , (v1


,
.
.
.
,
v
,
.
.
.
,
x
),
(x
)
AO i (..., d i ind )
1
1
i

1
i

max
max
1
1

(6.14)

A Fig. 19 ilustra o processo de transformao do HCOP no DCOP bsico atravs do mtodo


de Compilao. Neste exemplo a Fig. 19a mostra o HCOP original com 3 nveis, 4 holons
atmicos no nvel fundamental, 2 superholons com uma varivel local cada e um holon atmico
no nvel intermedirio, 3 holons cabeas e o holon global com 2 variveis locais no seu interior. Na sequncia a Fig. 19b apresenta o DCOP para problema local complexo resultante,
onde os 8 holons so substitudos por agentes convencionais (um para cada holon cabea e
holon atmico, como j mencionado na Seo 6.3) e as 3 variveis holnicas dos superholons
e dos 5 holons atmicos se transformam em variveis pblicas. As variveis locais do DCOP
vieram das variveis locais do HCOP, mas tambm das variveis holnicos dos holons cabea,
pois estas ltimas funcionam como uma ligao interna entre as variveis pblicas, que tm
restries com outros agentes. A exceo a varivel pblica associada varivel holnico do
holon global, que precisa ser vista pelo mundo externo. Finalmente, a Fig. 19c mostra o DCOP
bsico nal, com agentes contendo uma nica varivel, que pertence a um nico tipo. Assim,
existem 8 agentes com variveis associadas s variveis holnicas dos 3 superholons e dos 5
holons atmicos.
Aps esta transformao o HCOP pode ser solucionado atravs de qualquer dos algoritmos completos para DCOP (vide 5.4), desde que seja criada uma interface levando em conta a
transformao considerada, que permita a integrao com estes algoritmos. exatamente o que
ser feito na prxima seo com a proposta de meta-algoritmos especcos, que sero criados
atravs da adaptao dos algoritmos para DCOP escolhidos.

6.5

Meta-Algoritmos para a Soluo do HCOP

Como j mencionado anteriormente, um HCOP pode ser visto como uma holarquia cujos
holons podem ser associados a Problemas de Otimizao (PO) correspondentes. Cada um destes
problemas pode ser representado por um PO centralizado no caso de um holon com maior
coeso interna. Desta forma, podemos dizer que um HCOP um PO distribudo, que pode ser
modelado como uma rede hbrida de subproblemas de otimizao centralizados. Por esta razo,
para solucionar um HCOP torna-se mais apropriado um meta-algoritmo ao invs de um simples

120

(a) HCOP Original

(b) DCOP para Problema Local Complexo

(c) DCOP Bsico Final

Figura 19: Transformao de HCOP para DCOP

121

algoritmo. Assim, possvel embutir dentro desta estrutura mais abstrata diferentes algoritmos
de otimizao centralizados, de tal forma a obter a congurao que mais se adeque a cada
caso. Este meta-algoritmo denominado Meta-Algoritmo para o Problema de Satisfao de
Restries Holnico com Otimizao (Holonic Constraint Optimization Meta-Algorithm ) ou
HCOMA.
Como a organizao holnica que foi considerada neste trabalho no inclui holons multiparte, o grafo global onde cada n formado por cada um dos holons possui uma estrutura em
rvore, que um grafo conexo sem ciclos. Na Seo 5.4 foi feita uma descrio resumida dos
dois algoritmos de DCOP escolhidos. O primeiro o algoritmo ADOPT (MODI et al., 2003), que
assncrono e adequado a uma estrutura em rvore, tal como a do HCOP. Pela mesma razo,
o segundo algoritmo usado o DTREE (PETCU; FALTINGS, 2004), que foi a base original do
DPOP (PETCU; FALTINGS, 2005) para uma estrutura em rvore. Desta forma, neste trabalho foi
desenvolvido um meta-algoritmo para cada um destes algoritmos. Ambos foram desenvolvidos
a partir das caractersticas originais destes dois algoritmos e recebero as seguintes denominaes daqui para frente:
HCOMA ADOPT
HCOMA DPOP
Antes de apresentar cada um destes meta-algoritmos, sero discutidos a seguir os pressupostos
considerados para utilizar um algoritmo de DCOP para solucionar HCOP.

6.5.1

Adaptao de um Algoritmo DCOP para o HCOMA

Na Seo 6.4.2 foi descrito o processo de transformao de um HCOP qualquer em um


DCOP bsico (uma varivel por agente), que pode ento ser solucionado via qualquer algoritmo DCOP completo. De acordo com a denio do DCOP, cada restrio tratada por um
nico agente. No caso da transformao de Compilao, as variveis internas de cada superholon (variveis holnicas dos seus subholons e as suas variveis locais ) so representadas pela
varivel holnica do holon cabea. Como j foi visto na Seo 4.3.3, este exatamente o papel
do cabea, que representa o prprio holon, e portanto o conjunto dos seus subholons e variveis
locais, para o mundo externo. Outra caracterstica do HCOP a funo de emergncia, que
dene uma restrio n-ria c i , onde a varivel emergente do superholon est conectada com
as variveis holnicas de todos os seus subholons, inclusive o holon cabea. Atravs desta
restrio possvel obter a atribuio das variveis holnicas de cada subholon e das variveis

122

locais de um superholon, dada uma atribuio d i ind para a varivel emergente deste superholon
e utilizando o AO i associado, como foi visto na ltima seo. Isso ser feito mais adiante nesta
subseo.
A Seo 5.5 descreveu que a estrutura de priorizao em rvore DFS e o protocolo de
mensagens, so similares na maioria dos algoritmos. No caso dos dois algoritmos escolhidos,
i.e., ADOPT e DPOP (DTREE), isto tambm verdade. Em ambos as mensagens VALUE
so enviadas dos agentes de maior prioridade (camadas de cima) para os de menor prioridade
(camadas de baixo); e as mensagens COST, no caso do ADOPT, e UTIL, no caso do DPOP, so
enviadas a partir dos agentes de menor prioridade para os de maior prioridade. As mensagens
VALUE especicam a atribuio atual do agente de envio e as atribuies de outros agentes de
maior prioridade, enquanto as mensagens COST (UTIL) especicam um custo incorrido pelo
agente de envio e todos os agentes de menor prioridade. Assim, em ambos os algoritmos, de
maneira geral, cada agente ir executar repetidamente o seguinte ciclo de computao:
1. ler as mensagens recebidas de outros agentes;
2. executar as seguintes atividades principais:
(a) computar as restries sob sua responsabilidade;
(b) atribuir o valor da varivel sob sua responsabilidade;
3. enviar mensagens para outros agentes.
A seguir, sero descritas as principais etapas do ciclo de computao dos agentes no metaalgoritmo HCOMA. Em tais etapas, sero indicadas, quando conveniente, as respectivas linhas
de cdigo correspondentes dos meta-algoritmos baseados no ADOPT e no DPOP, que sero
respectivamente formalizadas nas sees 6.5.2 e 6.5.3:
1. ler as mensagens recebidas de outros holons;

1.1 receber a mensagem READY de cada subholon parte h1 k do superholon h i considerado pelo holon cabea deste superholon. Seu objetivo preparar o holon cabea para chamar

123

o AO i . A diferena entre os dois meta-algoritmos que no HCOMA ADOPT, que assncrono, esta chamada feita logo em seguida, enquanto o HCOMA DPOP espera antes receber
esta mensagem de todos os subholons. Em ambos meta-algoritmos lido o parmetro:
Dv1 k o domnio da varivel holnica do subholon h1 k ;
No caso especco do HCOMA ADOPT, so passados tambm os parmetros:
limitante inferior lbl referente ao subholon parte h1 k , onde l representa cada elemento
do domnio Dv1 k da varivel holnica v1 k associada a h1 k ;
limitante superior ub referente ao subholon parte h1 k , onde l representa cada elemento
do domnio Dv1 k da varivel holnica v1 k associada a h1 k ;
No caso especco do HCOMA DPOP, passado tambm o parmetro:
utilidade mxima M elhorU till referente ao subholon parte h1 k , onde l representa cada
elemento do domnio Dv1 k da varivel holnica v1 k associada a h1 k .
HCOMA ADOPT: linha 1 do algoritmo 6.2.
HCOMA DPOP: linha 10 do algoritmo 6.5.

2. executar as seguintes atividades principais:

2.1 denir a restrio n-ria c i dada por d i ind = E i (v1 ) (vide Eq. 6.8), onde:
d i ind a atribuio corrente da varivel emergente v i associada ao superholon h i com
o ndice ind dentro da sequncia do seu domnio Dv i ;
E i a funo de emergncia do superholon h i .
HCOMA ADOPT: linha 29 do algoritmo 6.3.
HCOMA DPOP: linha 16 do algoritmo 6.5.

2.2 chamar o algoritmo de otimizao AO i centralizado associado ao superholon h i .


Tanto no caso do HCOMA ADOPT, quanto no HCOMA DPOP, so passados os seguintes
parmetros:
restrio n-ria c i denida em 2.1;

124

valor da atribuio corrente d i ind da varivel emergente v i associada ao superholon h i .


No caso especco do HCOMA ADOPT, so passados tambm os parmetros:
limitante inferior lb i k l armazenado referente a todos os subholons parte h1 k de h i ,
onde k representa estes subholons e l representa cada elemento do domnio Dv1 k da
varivel holnica v1 k associada a h1 k ;
limitante superior ub i k l armazenado referente a todos os subholons parte h1 k de h i ,
onde k representa estes subholons e l representa cada elemento do domnio Dv1 k da
varivel holnica v1 k associada a h1 k .
Quanto ao HCOMA DPOP, passado tambm o parmetro:
utilidade i k l armazenado referente a todos os subholons parte h1 k de h i , onde k
representa estes subholons e l representa cada elemento do domnio Dv1 k da varivel
holnica v1 k associada a h1 k .
HCOMA ADOPT: linha 30 do algoritmo 6.3.
HCOMA DPOP: linha 17 do algoritmo 6.5.
Em ambos os meta-algoritmos foi pressuposto que o AO i j conhece o conjunto de
restries locais F i associado ao superholon h i , que faz parte dos seus parmetros de
entrada (vide 6.10) e o mesmo em todas as chamadas para o mesmo superholon.

3. enviar mensagens para outros agentes:

3.1 enviar a mensagem VALUE, no caso do HCOMA ADOPT, ou a mensagem SOLUTION, no caso do HCOMA DPOP, com destino a cada subholon h1 k do superholon h i
considerado. Em ambos so passados os parmetros:
o valor d1 k da soluo parcial obtida pelo algoritmo de otimizao AO i para cada
varivel holnica v 1 k correspondente ao subholon h1 k de h i ;
o valor da atribuio corrente d i ind da varivel emergente v i associada ao superholon
h i , para o qual foi encontrada a soluo parcial por AO i .
HCOMA ADOPT: linha 16 ou linha 17 do algoritmo 6.4.
HCOMA DPOP: linha 13 ou linha 14 do algoritmo 6.6.

125

3.2 envia a mensagem VALUE no HCOMA DPOP com destino a cada subholon h1 k
do superholon h i considerado. passado o seguinte parmetro:
o valor da soluo nal v i ind da varivel emergente v i associada ao superholon h i
para que o subholon parte h1 k possa acessar sua prpria soluo nal, utilizando a estrutura de dados SolucaoHolonica e o subholon cabea possa acessar a soluo nal das
variveis locais do seu superholon, utilizando a estrutura de dados SolucaoLocal. O contedo desta estrutura foi enviado pela mensagem SOLUTION anteriormente e relaciona
as solues parciais do superholon e dos seus subholon no caso da SolucaoHolonica, e
as solues parciais do superholon e das suas variveis locais no caso da SolucaoLocal.
HCOMA DPOP: linhas 33 e 45 do algoritmo 6.5.

3.3 enviar a mensagem COST, no caso do HCOMA ADOPT, ou a mensagem UTIL, no


caso do HCOMA DPOP, com destino ao holon cabea do superholon h i considerado. Em
ambos passado o parmetro:
valor da atribuio corrente d i ind da varivel emergente v i associada ao superholon h i ,
para o qual foi encontrada a soluo parcial por AO i ;
No caso especco da mensagem COST, so passados tambm os parmetros:
limitante inferior mnimo LB obtido pelo AO i para o valor d i ind da varivel emergente
v i associada ao superholon h i ;
limitante superior mnimo U B obtido pelo AO i para o valor d i ind da varivel emergente
v i associada ao superholon h i .
Quanto mensagem UTIL, passado tambm o parmetro:
utilidade mxima M elhorU til obtida pelo AO i para o valor d i ind da varivel emergente v i associada ao superholon h i .
HCOMA ADOPT: linha 14 do algoritmo 6.4.
HCOMA DPOP: linha 11 do algoritmo 6.6.

3.4 enviar a mensagem READY para o holon cabea do seu superholon, iniciando todo o
ciclo nos dois meta-algoritmos.

126

Os parmetros foram descritos no item 1.1.


HCOMA ADOPT: linha 35 do algoritmo 6.2.
HCOMA DPOP: linha 25 do algoritmo 6.5.

Estas adaptaes no comprometem o corportamento e as propriedades dos algoritmos originais, que so herdados pelo correspondente meta-algoritmo obtido. Mais que isso, ele ser
correto e completo, desde que os algoritmos de otimizao AO o sejam, baseado na prova reconhecida dos algoritmos originais. Assim, utilizando o exemplo empregado na seo anterior
para a transformao de um HCOP em um DCOP bsico (vide a Fig. 19), possvel mostrar
esta caracterstica do HCOMA, que apenas integra um algoritmo funcional para DCOP com
algoritmos de otimizao disponveis. De fato, a Fig. 20 ilustra o comportamento do HCOMA
em relao a um algoritmo de DCOP no qual ele baseado, mostrando o HCOP original e o
DCOP nal deste exemplo de transformao e utilizando sua notao smblica. Para maior facilidade de compreenso, aparecem apenas as mensagens envolvidas na interao intra-holon,
e desprezando as mensagens particulares do algoritmo no afetadas (por exemplo, a mensagem THRESHOLD do ADOPT). A mensagem READY comum aos dois meta-algoritmos,
enquanto as mensagens COST e UTIL possuem uma funo am e o mesmo sentido. Quanto
mensagem VALUE do HCOMA ADOPT, ela tem uma funo am e o mesmo sentido em relao mensagem SOLUTION do HCOMA DPOP, que possui tambm uma mensagem VALUE
com o mesmo sentido, mas um signicado diferente.
O lado esquerdo da mesma gura mostra o protocolo particular do HCOMA. Em qualquer
holon de qualquer nvel, seu subholon cabea recebe uma mensagem READY de cada subholon
parte contendo as maiores utilidades (ou menores custos) associados aos valores do domnio de
sua varivel holnica. Assim, este holon cabea est apto a chamar seu AO i fornecendo estas
informaes e o valor corrente da varivel emergente do seu superholon. Depois que a soluo
obtida, este algoritmo envia a mensagem COST (ou UTIL) para o holon cabea do superholon
associado contendo a melhor custo (ou utilidade) encontrada, e envia a soluo parcial para os
subholons atravs da mensagem VALUE, no HCOMA ADOPT, ou da mensagem SOLUTION,
no HCOMA DPOP. Esta soluo parcial relativa s variveis holnicas no caso de subholons
parte, ou relativa s variveis locais do superholon no caso do subholon cabea. Devido sua
caracterstica diferente, no HCOMA ADOPT as solues parciais continuam sendo enviadas
pelas mensagens VALUE, at que elas se transformem na soluo nal, obedecendo ao critrio
de trmino prprio do ADOPT. J no HCOMA DPOP a soluo nal denida depois atravs das suas mensagens VALUE, que so enviadas do holon cabea para os subholons parte,

127

utilizando as solues parciais fornecidas antes pelas mensagens SOLUTION.


No lado direito est a troca de mensagens do algoritmo DCOP associado. Assim, as mensagens especcas do HCOMA se restringem interao holnica e ao algoritmo de otimizao
AO i , enquanto as mensagens prprias do algoritmo original valem no escopo intra-holon, mas
atravessam esta fronteira, interligando os diferentes nveis como j faziam entre agentes convencionais. Desta forma, possvel observar que o HCOMA funciona com a mesma mecnica do
algoritmo DCOP original, mantendo o mesmo ciclo de operaes dos dois algoritmos escolhidos, que so semelhantes, como foi visto na sntese do HCOMA apresentada. Sua caracterstica
fundamental est no passo 2 deste ciclo, onde so executadas as seguintes atividades:
(a) computao das restries holnicas e locais, que so responsabilidade de cada AO i
correspondente;
(b) atribuio do valor da varivel holnica e local, que delegada ao mesmo AO i , que
devolve aos subholons parte e cabea a responsabilidade atravs das mensagens pertinentes do
protocolo de cada algoritmo DCOP utilizado (VALUE ou SOLUTION);
(c) clculo da utilidade (ou custo) destas restries, que feito tambm pelo mesmo AO i ,
que novamente devolve a informao ao holon cabea, que o responsvel pelo superholon,
utilizando a mensagem adequada (COST ou UTIL).

Portanto, partindo do pressuposto feito na denio do HCOP de que cada AO i correto


e completo, se o algoritmo usado como base correto e completo, ento o HCOMA resultante
tambm o ser. Com relao complexidade no tempo e no espao, ela ser o pior caso entre a
complexidade do algoritmo de DCOP e a complexidade dos AO i . Entretanto, a complexidade
ligadas a grandezas relacionadas natureza distribuda, tal como o nmero ou o tamanho de
mensagens, herdada do algoritmo de DCOP, pois o AO i centralizado por denio.
A seguir so apresentados cada um dos dois meta-algoritmos HCOMA implementados
nesta tese. Para maior simplicidade e clareza, foi utilizada neles uma outra relao, alm do
predicado denominado cabea(), que so derivados das relaes especicadas na formalizao
do HCOP (vide Seo 6.3). Eles so mostradas nas Equaes 6.15 e 6.16, respectivamente,
onde N, < max , H H , H = H H e H H = .

cabecaDeP arte cabecaDe (superholonDe ) : H H

(6.15)

128

Figura 20: Relao entre HCOMA e o Algoritmo de DCOP Base

cabeca(hi ) := h+1 k H+1 | hi = cabecaDe (h+1 k ),

6.5.2

(6.16)

HCOMA Baseado no ADOPT

Foi desenvolvido um meta-algoritmo baseado no algoritmo ADOPT. Sua estratgia de utilizar o backtracking permite o processamento sncrono entre diferentes nveis holnicos, resultando em um maior paralelismo na integrao entre os diversos algoritmos de otimizao do
subproblemas de otimizao do HCOP. Por outro lado, ele apresenta um comportamento que
mistura os diversos nveis da holarquia durante o processo de soluo, sem permitir o desacoplamento entre os diferentes algoritmos de otimizao associados a cada superholon. Assim, cada
algoritmo de otimizao, em geral, chamado vrias vezes, de modo que o processo de soluo
pode se tornar menos ecaz medida que o tempo de otimizaao de cada subproblema aumenta.
Isto ser vericado no Cap. 8 mais adiante.
6.5.2.1

Formalizao

Este meta-algoritmo utiliza como base o algoritmo ADOPT descrito na Seo 5.4. Entretanto, alm dos 4 tipos de mensagem (VALUE, COST, THRESHOLD e TERMINATE), foi
acrescentada a mensagem READY, que responsvel por um comportamento holnico. Ela

129

Figure 21: Ilustrao do HCOMA ADOPT


agrega no holon cabea as informaes dos subholons para que o primeiro possa ativar o algoritmo de otimizao correspondente. A parte principal do HCOMA ADOPT aparece no
Algoritmo 6.1, enquanto o tratamento das mensagens est no Algoritmo 6.2. Finalmente, a
parte relativa manuteno das invarincias do threshold, que caracterstica do ADOPT, se
encontra no Algoritmo 6.3.
Parte-se do pressuposto de que um algoritmo de otimizao genrico e centralizado est
disponvel dentro do escopo de cada superholon. Alm de ser correto e completo, exigido
tambm que ele siga o Algoritmo 6.4, respeitando o protocolo especicado pelas Eq. 6.10 e
6.11 na sua integrao com este meta-algoritmo. A Fig. 21 ilustra o HCOMA ADOPT. A prova
de que o meta-algoritmo correto e completo consequncia direta de que o algoritmo ADOPT
j o seja. A prova disso est no Anexo A.

6.5.3

HCOMA Baseado no DPOP

Este meta-algoritmo foi baseado no algoritmo DTREE, que, alm da adequao a uma
estrutura em rvore, tem a caracterstica de ser livre de backtracking. Ele se adequa melhor
s caractersticas da organizao holnica, pois sendo baseado em programao dinmica,

130

Algorithm 6.1 HCOMA ADOPT - Principal


1: HCOMAADOPT(H, R, V, Dv, X, Dx, E, F, AO)
2: Inicializar
3: threshold 0
4: CurrentContext {}
5: if > 0 then
6:
for all d Dv i do
7:
lb(d) 0
8:
t(d) 0
9:
ub(d)
10:
end for
11:
for all h1 k = parteDe (h i ) do
12:
for all l {1, . . . , | Dv1 k |} do
13:
lb i [k][l] 0
14:
ub i [k][l]
15:
end for
16:
end for
17: else
18:
for all d Dv i do
19:
lb(d) custo atmico conhecido
20:
t(d) custo atmico conhecido
21:
ub(d) custo atmico conhecido
22:
end for
23: end if
24: d i ind argmind (LB(d)){onde d i ind representa o valor corrente de v i }
25: backTrack
26: return
27:
28:
29:
30:
31:
32:
33:
34:
35:
36:
37:
38:
39:
40:
41:
42:

backTrack
c i restrio(d i ind = E i (v1 )){d i ind Dv i }
call AOi (c i , lb i , ub i , d i ind )
if threshold == U B then
d i ind argmind (U B(d))
else if LB(d i ind ) > threshold then
d i ind argmind (LB(d))
end if
mantemAlocaoInvariante
if threshold == U B then
if TERMINATE_msg recebida do superholon ou holon h i considerado global then
envia TERMINATE_msg() para cada subholon
end if
end if
return

131

Algorithm 6.2 HCOMA ADOPT - Tratamento das Mensagens


1: READY_msg_tratamento(lb, ub, Dv1 k ){recebida pelo cabea do holon h i a partir do
subholon h1 k }
2: for all l {1, . . . , | Dv1 k |} do
3:
lb i [k][l] lb[l]
4:
ub i [k][l] ub[l]
5: end for
6: backTrack
7: return
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
24:
25:
26:
27:
28:
29:
30:
31:
32:
33:
34:
35:
36:
37:

THRESHOLD_msg_tratamento(t){recebida do cabea}
threshold t
mantemThresholdInvariante
backTrack
return
TERMINATE_msg_tratamento(){recebida do cabea}
registrado TERMINATE_msg recebida do superholon
backTrack
return
VALUE_msg_tratamento(valor, (v+1 i , d+1 i ind )){recebida pelo subholon h k a partir do
AO i }
if TERMINATE_msg no recebida do cabea then
adicionar (v k , valor) a CurrentContext {recebido por um holon parte} ou
adicionar (x i j , valor) a CurrentContext {recebido por um holon cabea, j}
adicionar (v+1 i , d+1 i ind ) a CurrentContext
mantemThresholdInvariante
backTrack
end if
return
COST_msg_tratamento(d, LB, UB){recebida pela cabea do holon h i a partir do AO i }
lb(d) LB
ub(d) UB
mantemSubholonThresholdInvariante
mantemThresholdInvariante
envia READY_msg(lb, ub, Dv i ) para cabecaDeP arte(h i )
backTrack
return

132

Algorithm 6.3 HCOMA ADOPT - Manuteno das Invarincias


1: mantemThresholdInvariante
2: if threshold < LB then
3:
threshold LB
4: end if
5: if threshold > U B then
6:
threshold U B
7: end if
8: return
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
24:
25:
26:
27:
28:
29:
30:
31:
32:

mantemAlocaoInvariante
P
while threshold > (di ) + h1 l Subholons t(di , h1 l ) do
escolha h1 l Subholons onde ub(di , h1 l ) > t(di , h1 l )
incrementar t(di , h1 l )
end while
P
while threshold < (di ) + h1 l Subholons t(di , h1 l ) do
escolha h1 l Subholons onde t(di , h1 l ) >lb(di , h1 l )
decrementar t(di , h+1 l )
end while
enviar THRESHOLD_msg(t(di , h1 l )) para cada subholon h1 l
return
mantemSubholonThresholdInvariante
for all d Dvi , h1 l Subholons do
while lb(d, h1 l ) > t(d, h1 l ) do
incrementar t(d, h1 l )
end while
end for
for all d Dvi , h1 l Subholons do
while t(d, h1 l ) > ub(d, h1 l ) do
decrementar t(d, h1 l )
end while
end for

133

Algorithm 6.4 Algoritmo de Otimizao do HCOMA ADOPT


1:
2:
3:
4:
5:
6:
7:
8:

AO i (c i , lb i , ub i , d i ind )
Entrada:
- restrio n-ria c i
- lb i [k][l] correspondendo a cada d1 k l Dv1 k associado a cada subholon h1 k de
h i
- ub i [k][l] correspondendo a cada d1 k l Dv1 k associado a cada subholon h1 k de
h i
- pressuposto que o algoritmo conhece o conjunto de restries locais F i associado ao
superholon h i
Sada:
- os limitantes LB e U B correspondendo ao valor d i ind Dv i sero tais que
Mi

9:

U B minl (

fij (d1 k l ) +

fij (d1 k l ) +

j=1

LB minl (

j=1

11:
12:
13:
14:
15:
16:
17:
18:
19:

ubi [k][l])

Mi

10:

P
P

lb i [k][l])

- o valor d1 k l de cada varivel v1 k dos subholons de h i , correspondendo soluo


encontrada.
- o valor dx1 i j m de cada varivel local x1 i j do superholon h i , correspondendo
soluo encontrada.
executa o algoritmo de otimizao do holon h i
envia COST_msg(d i ind , LB, U B) para cabecaDe (h i ){onde d i ind representa o valor
de v i }
for all h1 k = subholonDe(h i ) do
envia VALUE_msg(d1 k l , (v i , d i ind )) para h1 k {cada subholon parte h1 k de h i }
ou
VALUE_msg(d1 i j m , (v i , d i ind )) para h1 k {o subholon cabea h1 k de h i , j}
end for
return

134

tambm recursivo por natureza. Alm disso, ele chama cada algoritmo de otimizao uma
nica vez, o que sugere uma maior ecincia.

Formalizao

O meta-algoritmo proposto possui 3 fases e 4 mensagens, que esto descritas

no Algoritmo 6.5. Alm das mensagens UTIL e VALUE que so originais do algoritmo DTREE
(vide Seo 5.4), foram criadas tambm as mensagens READY e SOLUTION. Tal como a mensagem homnima READY do primeiro HCOMA, ela tambm ligada atividade de agregao
das informaes no holon cabea, mas neste caso utilizada para sincronizar a chamada de
cada algoritmo de otimizao. Assim, esta invocao que feita uma nica vez e aps todos os
subholons parte do superholon considerado terem preparado suas informaes de entrada.
Quanto mensagem SOLUTION, ela apenas explicita o registro das solues parciais das
diversas variveis holnicas e locais dentro de um certo superholon, de modo a facilitar seu
acesso posterior na fase 3. Assim, ela melhora a estruturao e a leitura do algoritmo, sem
alterar sua lgica de funcionamento, que a mesma do DTREE.
Parte-se do pressuposto de que um algoritmo de otimizao genrico e centralizado esteja
disponvel dentro do escopo de cada superholon, e que ele seja correto e completo. Alm disso,
exigido tambm que ele siga o Algoritmo 6.6, respeitando o protocolo especicado pelas Eq.
6.10 e 6.11 na sua integrao com este meta-algoritmo.
O meta-algoritmo possui tambm 3 fases como o algoritmo DTREE em que ele foi baseado,
mas estas fases so divididas de forma diferente, enfatizando o processo de obteno do timo
global (fase 2).
A fase 1 (da linha 2 at a 9) um processo de baixo para cima, que se inicia com os
holons atmicos e se propaga para cima at o holon global atravs das mensagens UTIL. Em
cada superholon seu algoritmo de otimizao correspondente chamado aps o recebimento
de todas as mensagens READY vindas dos seus subholons. Depois da soluo, cada subholon
parte ca ciente do seu valor para a soluo parcial encontrada, bem como o subholon cabea
sabe da soluo parcial de todas as variveis locais do seu superholon atravs da mensagem
SOLUTION. A mensagem UTIL informa o cabea correspondente sobre a melhor utilidade
para cada atribuio.
Na fase 2 (da linha 27 at a 30) o holon global possui as utilidades totais do problema
associadas a cada valor de sua varivel holnica emergente. Isto signica que ele tem a melhor
utilidade obtida para cada valor do domnio de sua varivel. Assim, ele escolher o valor maior,
que representar o valor timo da funo objetivo global, enquanto o valor associado de sua

135

varivel a primeira atribuio da soluo completa.


Finalmente, na fase 3 (da linha 31 at a 37) o holon global enviar o valor desta soluo
para todos os seus subholons via uma mensagem VALUE. Atravs da utilizao deste valor,
cada subholon parte determinar seu prprio valor dentro da soluo nal, enquanto o subholon cabea determinar os valores das variveis locais do seu superholon, lanando mo da
estrutura de dados SolucaoHolonica, construda com o uso das mensagens SOLUTION, e tambm da SoluaoLocal. Recursivamente cada um destes holons enviar seu respectivo valor de
soluo para seus subholons tambm atravs de mensagens VALUE. Esta fase um processo de
cima para baixo, que iniciado pelo holon global, se propaga at os holons atmicos, quando
nalmente o meta-algoritmo termina.
A Fig. 22 sintetiza o HCOMA DPOP. Ao contrrio do HCOMA ADOPT, que assncrono,
neste caso faz sentido o eixo de tempo mostrado nesta gura, indicando a evoluo do metaalgoritmo tanto na fase 1 quanto na fase 3.
J que o HCOMA DPOP baseado no algoritmo DTREE, a prova de que este metaalgoritmo correto e completo consequncia direta de que o algoritmo DTREE j o seja.
A prova disso est no Anexo B. Alm disso, ele tem o nmero de mensagens linear com relao
ao nmero de agentes (aqui holons), tal como o DTREE (Petcu and Faltings, 2004).

Figure 22: Ilustrao do HCOMA DPOP

6.6

Representao XML de Instncias de HCOP

Seguindo a mesma ideia usada para o DCOP e mostrada na Seo 5.7, neste trabalho foi
criada uma extenso XCSP para a representao de instncias do HCOP a partir do formato

136

Algorithm 6.5 HCOMA DPOP


1: HCOMADPOP(H, R, V, Dv, X, Dx, E, F, AO)
2: Fase 1: Computao da Utilidade
3: for all h0 i H0 and not cabeca(h0 i ) do
4:
for all ind {1, . . . , | Dv0 i |} do
5:
M elhorU til0 i [ind] utilidade atmica conhecida
6:
end for
7:
envia READY_msg(M elhorU til0 i , Dv0 i ) para cabecaDeP arte0 (h0 i )
8: end for
9: return
10: READY_msg_tratamento(M elhorU til, Dv1 k ){recebida pelo cabea do holon h i a partir do subholon h1 k }
11: for all l {1, . . . , | Dv1 k |} do
12:
utilidade i [k][l] M elhorU til[l]
13: end for
14: if READY_msg recebida de h1 l , l, h1 l = parteDe (h i ) then
15:
for all d i ind Dv i do
16:
c i restrio(d i ind = E i (v1 ))
17:
call AO i (c i , utilidade i , d i ind )
18:
end for
19: end if
20: return
21: UTIL_msg_tratamento(d i ind , M elhorU til){recebida pelo cabea de h i do AO i }
22: M elhorU til i [ind] M elhorU til {ind o ndice de d i ind Dv i }
23: if UTIL_msg recebida para todo d i ind Dv i then
24:
if < max then
25:
envia READY_msg(M elhorU til i Dv i ) para cabecaDeP arte(h i )
26:
else {Holon Global}
27:
Fase 2: Otimizao Global
28:
ind argmaxind (M elhorU til i [ind])
29:
OtimoU til M elhorU til i [ind ]
30:
v i d i ind
31:
Fase 3: Trmino
32:
for all h1 k = parteDe (h i ) do
33:
envia VALUE_msg(v i ) para h1 k {cada um de seus subholons}
34:
end for
35:
end if
36: end if
37: return
38: SOLUTION_msg_tratamento(valor, d i ind ){recebida pelo subholon h1 k do AO i }
39: SolucaoHolonica1 k ou SolucaoLocal1 k j [d i ind ] valor {parte ou cabea,j}
40: return

41: VALUE_msg_tratamento(v+1
j ) {recebida pelo holon h i do seu superholon h+1 j }

42: v i SolucaoHolonica i [v+1


j ] ou x j l SolucaoLocal j l [v+1 j ] {parte ou
cabea,l}
43: if > 0 then
44:
for all h1 k = subholonDe (h i ) do
45:
envia VALUE_msg(v i ) para h1 k {cada um de seus subholons}
46:
end for
47: end if
48: return

137

Algorithm 6.6 Algoritmo de Otimizao do HCOMA DPOP


AO i (c i , utilidade i , d i ind )
Entrada:
- restrio n-ria c i
- utilidade i [k][l] correspondendo a cada d1 k l Dv1 k associado a cada subholon
h1 k de h i
5: - pressuposto que o algoritmo conhece o conjunto de restries locais F i associado ao
superholon h i
6: Sada:
7: - o mximo M elhorU til correspondendo ao valor d i ind Dv i tal que
1:
2:
3:
4:

M i

M elhorU til argmaxl (

j=1

8:
9:
10:
11:
12:
13:
14:
15:
16:

f i j (d1 k l ) +

utilidade i [k][l])

- o valor d1 k l de cada varivel holnica v1 k dos subholons de h i , correspondendo


soluo encontrada.
- o valor dx1 i j m de cada varivel local x1 i j do superholon h i , correspondendo
soluo encontrada.
executa o algoritmo de otimizao do holon h i
envia UTIL_msg(d i ind , M elhorU til) para cabecaDe (h i ){onde d i ind representa o
valor de v i }
for all h1 k = subholonDe (h i ) do
envia SOLUTION_msg(d1 k l , d i ind ) para parteDe (h i ){cada um de seus subholons
parte} ou
envia SOLUTION_msg(dx1 i j m , d i ind ) para cabecaDe (h i ){o subholon cabea,
j}
end for
return

138

distribudo utilizado pela ferramenta FRODO. Esta extenso foi fundamental para a representao destas instncias e a realizao dos experimentos do Captulo 8. O Anexo C resume as
caractersticas da representao de instncias de problemas de restries em geral, e o HCOP
em particular, atravs de XML.

6.7

Concluso

Neste captulo foi apresentado o HCOP, que uma das contribuies deste trabalho. Ele
foi baseado nos conceitos de agentes holnicos e do modelo DCOP, resultando no problema
holnico HCOP como subclasse do DCOP. Como j mencionado, DCOP se mostrou um modelo
inadequado para enfrentar o objetivo principal deste trabalho, que o problema planejamento
integrado e otimizado da cadeia de suprimentos da indstria do petrleo.
Por isso foi denido o HCOP, que um problema holnico distribudo com otimizao,
capaz de ser congurado como uma rede hbrida de subproblemas de otimizao centralizados,
de acordo com as convenincias de cada caso. A exibilidade e o carter geral da sua abordagem permitem a modelagem de problemas no-convencionais que fazem parte da cadeia de
suprimentos da indstria do petrleo. Foi discutido no Captulo 3 a necessidade de uma funo
objetivo no-linear, e as diculdades em se fazer isso nos modelos convencionais (vide (PINTO;
GROSSMANN,

1994), por exemplo). Entretanto, o HCOP oferece a possibilidade de se utili-

zar funes no-lineares devido propriedade mais geral da sua funo objetivo, tal como o
DCOP. Alm disso, sua natureza holnica intrnsica torna o HCOP adequado para modelar problemas como o planejamento integrado da cadeia de suprimentos, devido s suas propriedades
recursivas.
Finalmente, neste captulo foram desenvolvidos dois meta-algoritmos (HCOMAs) para a
soluo do HCOP. Eles foram baseados em ADOPT e DPOP, que so algoritmos para DCOP
conhecidos e utilizados dentro da comunidade acadmica. ADOPT tem como vantagem o processamento sncrono entre diferentes nveis, resultando em um maior paralelismo no tratamento
dos diversos algoritmos de otimizao. Por outro lado, DPOP se adequa melhor s caractersticas do HCOP, pois, sendo baseado em programao dinmica, tambm recursivo por natureza.
Alm disso, ele chama cada algoritmo de otimizao uma nica vez, o que sugere uma maior
ecincia.
O modelo holnico desta tese no considera os subholons multiparte, como j mencionado
neste captulo. Portanto, o grafo holnico associado, onde cada n formado por cada um dos
holons, possui uma estrutura em rvore. Em uma anlise inicial, a excluso deste tipo de holon

139

parece ser uma simplicao exagerada do modelo, visando sua reduo a uma estrutura em
rvore. Entretanto, levando em conta as caractersticas do HCOP, foi mostrado que a utilizao
do conceito de holon multiparte no s dispensvel, mas desvantajosa. Neste caso, sem a
possibilidade de representar o problema atravs da integrao de algoritmos de otimizao j
disponveis, ele ca bem mais difcil de ser solucionado. Portanto, a incluso do holon multiparte exigiria um novo modelo diferente do HCOP, que teria outros presupostos especcos e um
processo de soluo diverso daquele do HCOMA. Entretanto, neste modelo multiparte um novo
HCOMA poderia ser desenvolvido tambm a partir tanto do ADOPT quanto do DPOP, pois
ambos so algoritmos baseados em pseudo-rvore. Portanto, da mesma forma que o algoritmo
DTREE evoluiu para o DPOP (vide Seo 5.4) atravs da transformao do grafo associado
para uma pseudo-rvore, o que possvel para qualquer grafo (vide (DIESTEL, 2005)), possvel adaptar o meta-algoritmo HCOMA DPOP seguindo a mesma linha. Assim, esta melhoria
incluira holons multiparte e suportaria uma topologia genrica tal como a do DPOP. Como o
HCOMA DPOP foi, na verdade, baseado em uma verso original deste algoritmo (DTREE), ele
teria que ser baseado no DPOP atual. O mesmo racioncio poderia ser utilizado com relao ao
algoritmo ADOPT, resultando em um HCOMA ADOPT expandido. Assim, ambos HCOMAs
novos lidariam com subholons multiparte.
No prximo captulo o problema de integrao otimizada da cadeia de suprimentos do
petrleo ser nalmente modelado como um HCOP, como era uma das principais contribuies
deste trabalho.

140

Modelagem do Planejamento
Integrado da Cadeia de Suprimentos
da Indstria do Petrleo como um
HCOP

7.1

Introduo

Como mencionado antes, o problema de planejamento integrado da cadeia de suprimentos


um candidato real a ser modelado como um HCOP. Em (MARCELLINO; SICHMAN, 2010) este
problema foi modelado como um DCOP, onde a funo objetivo o lucro total em toda a cadeia.
Foi utilizada uma abordagem holnica, onde alguns holons, como os Planejadores de Transporte
e os Produtores de Derivados, encapsulam otimizadores centralizados.
Um modelo de organizao holnica pode ser construdo de acordo com critrios geogrcos, levando em conta o nvel de integrao do transporte. Assim h um holon global, que
contm vrios holons continentais, que, por sua vez, so compostos de holons regio. Estes ltimos holons podem conter subholons tais como renarias, que so responsveis pela produo
de produtos derivados de petrleo, terminais de distribuio, que armazenam estes produtos, e
plataformas de extrao de petrleo, que produzem leo cru (matria-prima). Todas as reas
so ligadas por modais de transporte, como o martimo (navios) e o dutovirio (oleodutos), e
cada rea possui uma entidade especca para cuidar de sua logstica, que responsvel pelo
planejamento do transporte de produtos.
Em todos os nveis da cadeia de suprimentos o setor de logstica o cabea de cada
holon, i.e., a logstica interna para o holon refinaria ou terminal, a logstica regional para o
holon regio, e assim por diante, at a logstica global para o holon global. Cada logstica
responsvel pelo balano de produtos entre os fornecedores e os clientes, e gerencia o planejamento de transporte. O papel fornecedor se refere a qualquer entidade que proveja produtos
para outras entidades da cadeia, tal como uma refinaria, enquanto o papel cliente desempen-

141

hado por qualquer entidade que necessite destes produtos, tal como um terminal. A diferena
entre disponibilidade e necessidade de um produto representa a varivel holnica emergente do
holon correspondente.
Quanto mais perto do topo, maior o escopo espacial dos holons correspondentes. Da mesma
forma, quanto mais perto do topo, mais longo o perodo de tempo considerado pelo cabea
logstica no seu planejamento. Assim, os holons resultam de uma discretizao espacial e temporal ao longo de nveis de abstrao crescente.

7.2

Definio do Problema

Este problema focaliza uma tpica cadeia de suprimentos da indstria do petrleo, que se
inicia com a extrao do leo cru, e termina quando os produtos derivados deste leo so entregues a companhias distribuidoras, que so consideradas aqui como clientes nais. Assim, todas
as atividades que ocorrem antes, tais como explorao e perfurao de poos de petrleo, assim
como aquelas atividades que ocorrem depois, tais como a entrega de produtos para os postos de
combustveis, esto fora do escopo deste trabalho. O fornecimento de petrleo e seus derivados
deve ser feito preferencialmente pela prpria companhia de petrleo, que pode ser uma nica
empresa verticalizada ou um conjunto de empresas que trabalham de forma cooperativa1 dentro
da rea de petrleo. Daqui por diante denominaremos Empresa Estendida (EE) a situao geral
que contempla ambos os casos. Se necessrio ou conveniente, uma EE pode comprar ou vender
petrleos e/ou derivados atravs de contratos com empresas localizadas em outros continentes.
No ltimo caso, ela pode comprar do Spot Market (SM), que satisfaz quaisquer demandas extras de petrleo e seus derivados a preos mais altos, ou vender para ele quaisquer estoques
excedentes destes itens a preos mais baixos, dentro de limites oriundos de restries de tempo
ou disponibilidade.
A rea de atuao da EE se espalha geogracamente, e este espao fsico pode ser visualizado como uma partio de regies, que esto por sua vez agrupadas em continentes, e
estes ltimos nalmente formam a rea global de atuao da EE. Uma regio dividida em
reas comerciais ou reas de extrao de petrleo. Uma renaria ou terminal de distribuio
responsvel por cada uma das reas do primeiro tipo, que atendem clientes nais especcos
(companhias de distribuio). Por outro lado, cada uma das reas do segundo tipo composta de
plataformas de extrao associadas a campos de petrleo, que produzem um certo tipo de petrleo com uma certa taxa de extrao. Levando em conta os tempos caractersticos das curvas de
1

O cenrio de uma cadeia de suprimentos formada por empresas que competem entre si no tratado neste
trabalho.

142

declnio da produo mdias em relao ao horizonte de planejamento do problema analisado


neste trabalho, que se adequa ao nvel ttico, a taxa de extrao foi considerada constante.
Todas as reas so conectadas por modais de transporte, que so de dois tipos: navios
e oleodutos. Alm disso, cada rea possui uma entidade de logstica, que responsvel pelo
planejamento de transporte dos petrleos e seus derivados. Todos os tipos de petrleo (matriasprimas) e seus derivados (produtos nais) sero denominados, daqui por diante, simplesmente
produtos. Todo o transporte feito atravs de um conjunto de arcos, que conectam duas
entidades da cadeia e possuem uma capacidade mxima de transporte associada. Esta entidade
pode ser uma base (plataforma, renaria ou terminal), uma regio, um continente ou o SM. Se
as entidades conectadas pertencem a uma mesma regio, ento o transporte responsabilidade
da logstica regional. Caso contrrio, ele responsabilidade da logstica continental, ou mesmo
da logstica global, dependendo do escopo do arco em particular.
Como as diferentes entidades da cadeia esto conectadas atravs de uma rede de transporte,
elas podem cooperar umas com as outras a m de suprir as diferentes reas comerciais, ao
invs de se restringir s suas prprias reas. Neste trabalho considerado como premissa que
o modal oleoduto utilizado dentro de cada regio, enquanto o modal navio interliga estes
ltimos dentro de um mesmo continente, e tambm os continentes entre si e com o SM.
Uma renaria pode produzir mltiplos derivados, e o faz de acordo com diferentes planos
de produo, que, em geral, se caracterizam pela produo de uma proporo bem denida de
cada um dos derivados a partir do processamento de um tipo particular de petrleo. A Fig. 23
ilustra um exemplo do problema considerado.

7.3

Modelo de Referncia

7.3.1

Modelo Multi-Perodo

O modelo prope uma abordagem multi-perodo, onde o sistema da cadeia de suprimentos evolui ao longo de um dado horizonte de tempo , que dividido em perodos P , sendo
T o nmero total de perodos em . O perodo P e o respectivo nmero total de perodos
T dependem do nvel holnico associado. O horizonte de tempo o mesmo para todo
o sistema, mas o perodo P aumenta com o crescimento de , enquanto T diminui com o
crescimento de , de acordo com a seguinte relao de invarincia:

P T =

(7.1)

143

Figura 23: Ilustrao do Escopo do Problema Tratado

144

No incio de cada perodo decises devem ser tomadas baseadas tanto nos parmetros associados quele perodo quanto em parmetros de perodos anteriores. A sequncia de tais
decises ao longo de ser chamada uma estratgia de deciso E, onde deciso signica a
atribuio de valores a todas as variveis de deciso do modelo, que sero descritas na Seo
7.3.2.

7.3.2

Variveis do Modelo

Antes de apresentar as variveis do modelo para cada uma destas categorias, sero discutidos os domnios das variveis.

Domnios

Como o HCOP uma subclasse do DCOP, ele herda a propriedade de dom-

nios das variveis como conjuntos discretos e nitos, como caracterstica da programao de
restries em geral.
Qualquer domnio discreto e nito pode ser representado por ndices pertencentes a um
subconjunto dos nmeros naturais, i.e., qualquer varivel holnica v i ou local x i j do HCOP
pode ser representada como:
v i Dv i , Dv i N
e x i j Dx i j , Dx i j N
Entretanto, as variveis reais do problema podem pertencer a um espao de solues mais
complexo. No caso do problema de planejamento integrado considerado, ele um espao
vetorial sobre o conjunto de inteiros Z de dimenso n, onde n o nmero total de produtos
(produtos derivados + petrleos):
Rv i DRv i , DRv i Zn
e Rx i j DRx i j , DRx i j Zn
Na modelagem de um problema complexo com HCOP necessrio incluir o espao contendo as variveis reais do problema, uma para cada varivel holnica ou local bsicas, associadas a seus respectivos domnios. Para isso, utilizada uma funo de transformao (em geral
no-linear) para cada varivel holnica ou local, que permite o mapeamento dos ndices bsicos
para os vetores reais:
T v i : N Zn , Rv i = T v i (v i )
T x i j : N Zn , Rx i j = T x i j (x i j )

(7.2)

145

Neste espao real do problema RP , cada elemento Rp RP denido por um vetor de


produtos com o seguinte formato:

qtd_derivado1

qtd_derivadod

qtd_derivadonderivados

Rp =

qtd_petr
oleo1

qtd_petr
oleoo

qtd_petr
oleonpetroleos

(7.3)

onde d (produtos derivados do petrleo), o O (tipos de petrleo) e nderivados +


npetroleos = n.

Variveis de Deciso

Como j mencionado, uma renaria pode produzir mltiplos produtos

derivados do petrleo, e faz isso de acordo com diferentes planos de produo, que so caracterizados pelo processamento de um tipo bem denido de petrleo, e pela produo de uma
proporo bem denida de cada derivado resultante a partir do processamento deste petrleo.
Esta escolha associada atividade de produo representa a primeira categoria de varivel de
deciso do modelo, ou seja, o plano de produo adotado por cada renaria durante cada perodo
de tempo . Para cada renaria deve ser gerado um conjunto discreto de planos de produo para
cada perodo pelo planejador de produo de cada renaria, que um sistema de otimizao
de produo j disponvel, que leva em conta todas as especicidades da renaria, suas unidades
de produo, capacidades e restries operacionais.
Alm disso, cada renaria ou terminal responsvel pelo gerenciamento dos estoques de
cada produto, ou seja, cada tipo de petrleo ou produto nal derivado de petrleo. Assim,
a outra categoria de varivel de deciso do modelo o estoque de cada produto ou petrleo
em cada renaria ou terminal ao nal de cada perodo de tempo . O sistema de gerenciamento de estoques de cada terminal e renaria dene para cada produto p e cada perodo um
domnio discreto de valores de estoque, que varia entre um valor mnimo e um valor mximo,
baseados em limites operacionais e resultados estatsticos associados ao conceito de estoque
de segurana, como descrito na Seo 2.2.4. Assim, o limite inferior representa o estoque de

146

segurana, enquanto o superior o limite operacional da capacidade de estocagem. A poltica de


estoque a ser adotada deve garantir que o correspondente nvel de estoque ser igual ao valor
escolhido ao nal do perodo , reabastecendo ou escoando a quantidade necessria do produto
correspondente no estoque.
Assim, cada holon atmico deve possuir uma destas duas variveis de deciso, que sero
descritas com mais detalhes a seguir:

1. Plano de Produo
A varivel planr representa o plano de produo adotado pela renaria r durante o
perodo de tempo { 1, . . . , T }.
A varivel real associada ao plano de produo dada por um vetor Rplanr RP com o
formato (vide Eq. 7.3):

qtd_derivado1r

qtd_derivadodr

qtd_derivadonderivados

r
Rplanr =

qtd_petr
oleoor

onde qtd_petr
oleoor representa a quantidade do nico petrleo o que entra no processo de

produo (reno) da renaria r durante o perodo de tempo . No outro lado, aparecem tambm
as quantidades de cada derivado d que so produzidas pela mesma renaria durante o mesmo
perodo de tempo.
Assim, estas quantidades de entrada e sada associadas ao processo de reno esto ligadas
diretamente varivel bsica planr atravs das seguintes relaes:

Entradaro = P rojeca
oo (Rplanr ) = P rojeca
oo (T planrp (planr )) = Entrao (planr )
(7.4)

147

Saidard = P rojeca
od (Rplanr ) = P rojeca
od (T planrp (planr )) = Said (planr ) (7.5)
As funes Entrao e Said so obtidas da composio entre a transformao de uma varivel bsica em sua varivel real correspondente (Eq. 7.2) e a projeo cartesiana sobre a
dimenso associada a um dado produto (petrleo ou derivado, respectivamente).
Os domnios bsicos e os domnios reais correspondentes so os seguintes:
planr Dplanr N
Dplanr = {1, . . . , i, . . . , nP lanos}
Rplanr DRplanr p Zn
DRplanr = {p1 r , . . . , pi r , . . . , pnP lanosr r },

onde pi r

qtd_derivado1i r

qtd_derivadodir

qtd_derivadonderivados

ir
=

qtd_petr
oleo1i r

qtd_petr
oleooir

n
qtd_petr
oleoi rpetroleos

e o O, k O : o 6= k qtd_petr
oleooi =0 qtd_petr
oleoki 6= 0.
Pode ser observado que o domnio dos planos de produo para cada renaria independente
do tempo, de modo que apenas a varivel plano depende do tempo.

2. Estoque
A varivel estqb representa o nvel de estoque de cada produto p (derivado ou tipo
de petrleo) na base b (renaria r ou terminal t) ao nal do perodo de tempo
{ 1, . . . , T }.

148

Apesar da base poder ser tambm uma plataforma, este tipo de base no aparece como possibilidade para o ndice correspondente da varivel estq b , pois neste trabalho foi considerado como
premissa que as plataformas no possuem capacidade de estoque do petrleo que produzem,
que deve escoar completamente atravs de oleodutos ou navios a medida que extrado.
Os domnios bsicos e os domnios reais correspondentes so os seguintes:
estq b Destqb N
Destqb = {1, . . . , m}
Restqb DRestqb Zn
DRestqb = {estoqueM inb , . . . , estoqueM axb }, onde:

estoqueM in_derivado1b

.
.
.

estoqueM in_derivadod
b

...

,
estoqueM inb =

1
oleob
estoqueM in_petr

...

estoqueM in_petr
o
leo
b

...

estoqueM axb

estoqueM ax_derivado1b

...

estoqueM ax_derivadod
b

...
=

oleo1b
estoqueM ax_petr

...

estoqueM ax_petr
oleoob

...

m = md mo, onde
Q
md = (estoqueM ax_derivadodb estoqueM in_derivadodb + 1)
d
Q
oleoob estoqueM in_petr
oleoob + 1)
mo = (estoqueM ax_petr
o

Diferentemente do plano de produo, o domnio da varivel estoque dependente do tempo,


pois seus limites podem mudar de acordo com restries operacionais como, por exemplo, a
manuteno preventiva de tanques.

149

O domnio real da primeira varivel do tipo Conjugado, em que todos os produtos associados com o plano de produo aparecem conjuntamente em cada vetor real dentro do domnio.
J o domnio real da segunda varivel Disjunto. Assim, apenas um produto especco
(derivado ou petrleo) aparece em cada elemento do domnio e os vetores de produto so independentes entre si. Se fossem considerados todos os produtos de uma nica vez, o domnio total
seria formado pelo produto cartesiano de todos os vetores de produto originais, o que resultaria
em um domnio, em geral, muito grande. Por isso, no caso do domnio do estoque, valeu a pena
represent-lo de uma forma mais prtica, como de fato ocorreu neste modelo. Especicamente
no submodelo logstico, o nvel holnico fundamental recebe apenas os valores de estoque mnimo e mximo para cada produto. Como este submodelo MILP (vide Seo 3.5.1), ele trata
de forma eciente este intervalo sequencial de valores inteiros, como veremos mais adiante na
Seo 7.3.5.

Variveis Holnicas Emergentes

As variveis emergentes do holon h i representam a

disponibilidade ou necessidade de cada produto no holon correspondente:


v i : diferena entre as quantidades de sada e entrada de cada produto com relao
holon h i durante o perodo .
O domnio real destas variveis do tipo Conjungado, como as variveis plano de produo.

Variveis Locais

As variveis locais so os uxos de transporte de produtos entre cada par

de subholons de um mesmo nvel, dentro de um holon considerado:


f i j : uxo de transporte do produto p, durante o perodo e entre os subholons h i e h j
associados a um arco de transporte correspondente.
Os domnios bsico e real correspondentes so os seguintes:
f i j Df i j N
Df i j = {1, . . . , w}
Rf i j DRf i j Zn
DRf i j = {pzero , . . . , Cp_M ax i j }, onde pzero Zn o vetor nulo de produtos
e Cp_M ax i j o vetor representando a capacidade mxima de transporte de cada
produto p associado ao arco de transporte correspondente, i.e.:

150

Cp_M ax i j

Cp_M ax_derivado1 i j

Cp_M ax_derivadod
ij

oleo1 i j
Cp_M ax_petr

Cp_M ax_petr
oleoo i j

w = wd wo, onde
Q
(estoqueM ax_derivadodb estoqueM in_derivadodb + 1) e
d

Q
o

(estoqueM ax_petr
oleoob estoqueM in_petr
oleoob + 1)

O domnio real destas variveis do tipo Disjunto, como as variveis estoque. Este domnio

especicado pela capacidade mxima de transporte associada ao arco de transporte correspondente, que depende do produto e do tempo. Tal como a varivel estoque, esta capacidade podem
mudar de acordo com restries operacionais como, por exemplo, a manuteno preventiva de
oleodutos.

7.3.3

Modelo Holnico

O problema do planejamento integrado da cadeia de suprimento do petrleo baseada nos


seguintes nveis holnicos:
o nvel 4 que representa a empresa estendida (holon global);
o nvel 3 contm os continentes;
o nvel 2 consiste das regies;
o nvel 1 formado pelas bases (renarias, terminais de distribuio e plataformas de
petrleo);
o nvel 0 o fundamental, onde esto os holons atmicos e so representadas as funes
internas das bases (por exemplo, a unidade de produo de uma renaria).
Estes nveis holnicos representam a topologia do problema em particular, enquanto os submodelos de otimizao (logsticos e de produo) so denidos parte (vide Seo 7.3.5). O

151

Figure 24: Modelo Holnico do Problema


submodelo de produo associado ao nvel fundamental, ou seja, ao nvel 0, onde esto as
unidades de produo, sendo parametrizado de acordo com as particularidades de cada renaria. Por outro lado, o submodelo logstico recursivo e nico, sendo, portanto, independente do
nvel holnico, como ser visto na Seo 7.3.5.
Como j foi discutido na introduo, o modelo holnico permite uma agregao espacial
de acordo com critrios geogrcos. A denio de um holon leva em conta tambm o nvel de
integrao dos transportes. Assim, h um holon global, que contm vrios subholons continentais, que, por sua vez, so compostos de subholons regio. Estes ltimos holons podem conter
subholons, tais como renarias e terminais de distribuio (vide Fig. 24).
Por outro lado, este mesmo modelo holnico permite tambm uma agregao temporal, e
medida que os holons se aproximam do holon global, eles gradualmente consideram perodos
de tempo de planejamento mais longos. De fato, a logstica interna responsvel somente
por uma renaria ou terminal em uma base diria, a logstica regional cuida de uma regio
inteira com o ms como a unidade de tempo de planejamento, por exemplo, e assim por diante,
at a logstica global que focaliza a companhia como um todo na sua relao com o mundo
exterior, com horizonte de planejamento de vrios meses. A Fig. 25 ilustra um exemplo de
agregao temporal. Neste exemplo, na camada 0 aparecem 8 holons com tempos diferentes
associados a uma mesma base (por exemplo, uma renaria), na camada 1 so representados 4
holons com tempos diferentes associados regio da renaria, na camada 2 h 2 holons com
tempos diferentes associados ao continente correspondente, e nalmente na camada 3 est o

152

Figure 25: Exemplo de Agregao Temporal


holon global com um nico tempo, que o horizonte de planejamento . Cada par de holons
na camada 0 se agrega em um nico com o perodo equal soma dos perodos dos subholons, e
assim por diante, at o holon global, de acordo com a Eq. 7.1, i.e.:

P3 T 3 = P 2 T 2 = P1 T 1 = P 0 T 0 =
Dentro de um mesmo holon, as responsabilidades no espao, no tempo e em outras funes
pertinentes so divididas entre seus subholons sem redundncia dentro do escopo importante
para o problema. Assim, estas fatias de responsabilidade dadas a cada subholon so disjuntas e
sua unio forma o escopo completo do problema. Em outras palavras, este escopo particionado
entre todos os holons atmicos, levando este particionamento para o prximo nvel holnico,
at o holon global, que engloba o escopo total. A Fig. 26 ilustra esta ideia, que em seguida ser
mais detalhada.

Agregao Holnica

Como j foi visto, os holons se agregam em um mesmo superholon,

que passa a ter o espao equivalente juno dos espaos dos seus subholons (por exemplo
o holon regio a unio dos espaos das suas bases). Por outro lado, este mesmo superholon agrega todo o tempo dos seus subholons, resultando em um perodo total igual soma dos
perodos de tempo dos seus subholons. O domnio da varivel holnica emergente obtido
diretamente da varivel holnica do seu cabea (restrio emergente), que, por sua vez,
construdo a partir dos domnios das variveis holnicas dos subholons constituintes atravs da
restrio de agregao (vide Fig. 15). Alm disso, a varivel emergente tem a mesma ordem de

153

Figura 26: Ilustrao de uma Agregao Genrica


grandeza da varivel do cabea do holon correspondente, pois na organizao holnica esta
ltima representa este holon para o exterior, e vimos na Seo 6.4.2 sobre o mtodo de compilao que o domnio da varivel cabea formado pelo produto cartesiano dos domnios dos
subholons parte associados. Portanto, em princpio o domnio da varivel emergente ser no
mximo igual ao produto cartesiano dos domnios dos subholons correspondentes, conforme a
Eq. 7.6, onde Dv i o domnio da varivel emergente do (super)holon h i , e Dv-1 representa
o domnio da varivel holnica de cada subholon agregado.

Dv i = Dv-11 . . . Dv1Bi

(7.6)

Segundo a equaao 7.6, medida que cresce o nvel holnico em direo ao holon global,
o domnio das variveis holnicas se torna cada vez maior. Entretanto, o HCOP um caso particular de CSP, onde o grau de diculdade para a sua soluo depende do nmero de variveis,
o nmero das restries e os tamanhos dos domnios. Por outro lado, razovel supor que cada
holon, independente do seu nvel, deve ter, em princpio, o mesmo grau de diculdade para a
soluo do seu problema de otimizao associado (P O i ). Por isso, neste trabalho foi adotada
uma regra de bom senso, na qual foi considerado que o tamanho do domnio de cada varivel
holnica igual a um valor tamDomM ax denido, exceto para as variveis de deciso, cujos domnios so conhecidos a priori, e so associadas a holons atmicos. Na Eq. 7.7 esta

154

relao de invarincia mostrada, onde tamDomM ax N e v i qualquer varivel holnica


emergente.

| Dv i |= tamDomM ax

(7.7)

Resolvido o problema do tamanho do domnio, que construdo a partir da agregao


dos subholons do nvel inferior, o prximo desao foi como realizar a construo do domnio
da varivel real Rv i associada a cada varivel emergente v i a partir das variveis reais dos
subholons agregados (vide Seo 7.3.2). Como o espao das solues do problema o espao
vetorial Zn e como o domnio das variveis reais um conjunto discreto e nito de elementos
deste espao vetorial, no existe uma ordem pr-denida para criar este domnio, que no
uma tarefa trivial. Assim, a soluo encontrada foi fundamental para o sucesso do modelo,
onde foi denida uma ordem total no sentido algbrico dentro do domnio de cada varivel real.
Esta relao de ordem total foi denida a partir da utilidade associada a cada elemento deste
domnio. Formalmente:

x, y DRv i ((utilidade(x) utilidade(y) x y)(utilidade(y) utilidade(x) y x))


(7.8)
Para construir o domnio DRv i , que formado pelo produto cartesiano dos domnios das
variveis reais dos subholons agregados, qualquer candidato que satisfaa as equaes 7.9 e
7.10 vlido, onde a Eq. 7.10 a Eq. 7.7 aplicada aos domnios reais.

DRv i DRv-11 . . . DRv1Bi

(7.9)

| DRv i |= tamDomM ax

(7.10)

Em particular, utilizando a relao de ordem total (Eq. 7.8), o seguinte domnio real foi
obtido:
DRv i = {elm0 , . . . , elmi , . . . , elmtamanhoDominio1 },
onde elm0 = elmin : elm DRv i e elmin = argminelm (utilidade(elm)),
elmtamanhoDominio1 = elmax : elm DRv i e elmax = argmaxelm (utilidade(elm)),
elmi DRv i : elmi = utilidade1 (utilidadei ),

155

utilidadei =

(utilM axutilM in)


i
tamanhoDominio1

+ utilM in,

utilM ax = utilidade(elmax)
e utilM in = utilidade(elmin)
As utilidades utilM ax e utilM in so obtidas pelo algoritmo de otimizao centralizado
AO i correspondente ao holon h i . Dentre os possveis candidatos, foi escolhido o que satisfaz
a ordem total denida, com uma diferena pro rata de utilidade entre os elementos sucessivos
dada por

(utilM axutilM in)


.
tamanhoDominio1

Em seguida mostrado um exemplo ilustrativo da criao de um domnio real segundo este


procedimento. Sendo dado :
n = 2 (n
umero de produtos)
tamanhoDomnio = 3
!
x
utilidade
= x + 2y
y
!
!
!
(
!
!
!
!)
1
0
1
2
2
2
1
,
,
CandidatoDRv =
,
,
,
,
1
0
0
0
1
2
2
(
!
!
!)
0
1
2
Foi obtido o domnio DRv =
,
,
, onde utilM in = 0,
0
1
2
utilM ax = 6 e

7.3.4

(utilM axutilM in)


tamanhoDominio1

= 3.

Modelo de Organizao

Como resultado das caractersticas de um sistema de agentes holnicos, seu modelo de


organizao pode ser representado em duas dimenses: organizao holnica, que comum
a todos os sistemas holnicos, e uma organizao interna, que especca a cada domnio
de problema (HILAIRE; KOUKAM; RODRIGUEZ, 2008). A organizao holnica foi discutida
inicialmente na Seo 7.3.3. A Fig. 27 ilustra a organizao holnica deste problema.
Por outro lado, um mesmo agente pode ter um papel na organizao holnica, e um outro
papel na organizao interna. A organizao holnica composta basicamente dos papis
cabea e parte, enquanto, em geral, a organizao interna consiste de uma maior variedade
de papis, que so associados a entidades fsicas, servios e funes da cadeia de suprimento.

156

Alm destes papis especcos da organizao interna, dois papis genricos so compartilhados por vrios deles. O primeiro o papel fornecedor, que se refere a qualquer entidade que
fornea produtos a outra entidade da cadeia. O outro o papel cliente, que desempenhado
por qualquer outra entidade que necessite destes produtos. A Fig. 28 representa os papis da
organizao interna, os relacionamentos entre eles e a relao com os papis holnicos atravs
da linguagem de modelagem Moise+ (vide 4.3.3). Assim, a renaria modelada como um
terminal com um produtor de derivados, j que ambos possuem uma rea comercial e
uma de gerncia de estoques, alm de uma logstica interna. A logstica o cabea
do respectivo holon em todos os nveis da cadeia, i.e., a logstica interna para o holon renaria ou terminal, a logstica regional para o holon regio, e assim por diante, at a
logstica global para o holon global. Cada logstica responsvel pelo equilbrio entre
oferta e demanda de produtos entre fornecedores e clientes, e tambm pelo planejamento de
transporte de produtos. Quanto ao papel planejador de produo, ele desempenhado dentro
da renaria por um software ou uma equipe de especialistas humanos, que do suporte ao
papel produtor de derivados. O papel comercial, por sua vez, responsvel pela previso
da demanda total para cada derivado na rea comercial correspondente.
A arquitetura de agentes holnicos permite que um processo complicado possa ser decomposto em processos menores, que so por sua vez decompostos, at que cada um deles possa
ser tratado por um nico agente. O agente cabea age como um mediador, que suporta a
comunicao e controle para cada nvel do processo de decomposio. Embora seja possvel
um modelo com menor granularidade, com agentes representando unidades operacionais da renaria, neste trabalho este renamento termina dentro da renaria no produtor de derivados,
que disponibiliza um conjunto discreto de planos de produo, que so obtidos do planejador
de produo correspondente.

7.3.5

Submodelos

Nesta seo descrevem-se todos os submodelos que fazem parte do sistema completo. Eles
so importantes para o modelo principal, mas tm existncia independente. Um recursivo ao
longo dos diferentes nveis, como o submodelo logstico, enquanto os outros esto apenas no
nvel fundamental. Eles so classicados em trs categorias, que sero descritas em seguida.

Submodelos de Otimizao

Os submodelos de otimizao fazem parte da denio do

HCOP, so integrados de uma forma distribuda e tm como objetivo resolver os subproblemas


de otimizao associados com diferentes holons. Os submodelos de otimizao correspondentes

157

Figure 27: Ilustrao da Organizao Holnica da Cadeia de Suprimentos da Indstria do


Petrleo

Figure 28: Modelo Organizacional do Problema

158

s reas de logstica e de produo so detalhados na sequncia.

Submodelo Logstico

Aqui ser apresentado o modelo matemtico para a soluo do sub-

problema logstico embutido. Apesar de independente, ele leva em conta as caractersticas do


modelo holnico subjacente, de modo a ser utilizado recursivamente nos diversos nveis holnicos do problema principal.
Assim G(V, E) representa um grafo direcionado com V = R C I N , onde C e I so
plataformas e terminais, respectivamente, R pode representar uma renaria no nvel fundamental ou um superholon nos nveis superiores. O conjunto N constitudo de um nico elemento
que representa o holon cabea, que se comunica com o mundo exterior. Este vrtice est
ligado a todos os demais e representa disponibilidades ou necessidades externas de petrleos e
derivados. O conjunto V dividido, pois h restries especiais para cada grupo. Dados dois
vrtices i V e j V , ento o par (i, j) pertence ao conjunto E se existe alguma relao entre
estes vrtices.
Seja P o conjunto de produtos (petrleos ou derivados) e T o conjunto discreto de perodos
de tempo { 1, . . . , T }. Para facilitar a exposio, dividimos a construo do modelo em subsees e discutimos em cada uma delas as variveis de deciso pertinentes, parmetros de entrada
e as restries.

Planos de Produo

Um plano de produo um vetor m Z|P | , cujos elementos repre-

sentam entradas e sadas de cada produto em um determinado vrtice e instante de tempo. Tais
vetores esto denidos para v R C. Dado v R C e T, existe um conjunto de planos
,v
de produo possveis para o par (, v), que ser denotado por P(, v). Sendo ym
a varivel de

deciso binria denida para m P(, v), se o plano de produo m utilizado no par (, v)
esta varivel vale 1, e 0 em qualquer outro caso. Sendo ainda u,v
m a utilidade associada ao plano
m no par (, v), denimos a seguinte utilidade global:

U=

,v
u,v
m ym .

(7.11)

vRC, T mP(,v)

Uma vez que dado um par (, v) podemos ter apenas um plano de produo, ento temos

mP(,v)

,v
ym
=1

v V, T.

(7.12)

159

Fluxo uma funo f : E x T x P Z+ . Estabelecemos fi j p =

Restries nos Arcos

f ((i, j), , p), onde (i, j) E. Para cada tripla ((i, j), , p) denimos um uxo como varivel
de deciso. Esta a quantidade, em unidades, do produto p que deve escoar pelo arco (i, j) no
instante de tempo . Seja cpij o custo unitrio de transferir o produto p por (i, j). Segue da a
denio de custo logstico:

CL =

X XX

f i j p ci j p .

(7.13)

(i,j)E pP T

Como G direcionado e dados dois vrtices i, j possvel que (i, j) E e (j, i) E


denimos a direo do uxo como sendo a varivel de deciso binria s,p
i,j que assume 1 se o
sentido (i, j) usado na transferncia do produto p no instante . Denotamos por vijp a vazo
mxima do produto p no duto (i, j). Segue da que:

p
fi j p s,p
i,j vij

(i, j) E, p P, T.

(7.14)

Alm disso, no desejamos que produtos sejam transferidos em sentidos opostos em qualquer instante de tempo. Portanto estabelecemos

,p
s,p
i,j + sj,i 1

(i, j), (j, i) E, p P, T.

(7.15)

Para evitar que o modelo produza solues em ciclo, onde o uxo transita por uma sequncia de vrtices antes de voltar ao vrtice de origem, consideramos para cada v V , p P e
,p
,p
T as variveis de deciso binrias i,p
= 1 se v recebe p no instante .
v e ov , onde iv

De forma anloga, o,p


v = 1 se v enviar p em . Estas variveis se relacionam entre si e com
as varveis de uxo conforme as Equaes 7.16, 7.17 e 7.18, onde K um inteiro positivo e
maior do que a soma das vazes dos uxos incidentes nos vrtices de G.

,p
i,p
1
v + ov
X
fi j p Ki,p
v

v V, p P, T

(7.16)

(i, j) E, p P, T

(7.17)

(i, j) E, p P, T.

(7.18)

(i,j)E:j=v

(i,j)E:i=v

fi j p Ko,p
v

160

Estoques

Considere as funes E : V x T x P Z+ e E : V x T x P Z+ que denem

limites mnimo e mximo de estoque para cada tripla (v, , p). claro que 0 E(v, p, )
E(v, p, ). Escrevemos tambm E(v, p, ) = E ,p
v e procedemos da mesma forma com E. Seja
e,p
v 0 a varivel de deciso inteira que dene a cada instante 1 a quantidade de estoque
de p armazenada no vrtice v. Admitimos que e0,p
v conhecido. Segue dessas denies a
seguinte restrio:

,p

,p
E ,p
v ev E v

v V, p P, T.

(7.19)

Seja d : V x T x P Z+ a demanda referente tripla

Demandas e Relao Emergente

p
(v, , p) representada por d(v, , p) = d,p
v . Considere ainda N como a varivel de deciso

inteira que representa a quantidade do produto p excedente (ou decitria) ao nal da otimizao
e que deve ser considerada no prximo nvel da organizao holnica atravs do cabea.
Se cp o custo por unidade do produto p, ento temos:

RE =

(7.20)

N p cp .

pP

,p
e NI,p variveis de deciso inteiras que representam o excedente
Finalmente, sejam NRC

(ou decitria) de p no momento nos vrtices R C e I respectivamente. Assim como


N p essas variveis podem assumir valores negativos, situao na qual entendemos que uma
quantidade do produto p deve ser comprada para atender a demanda nos momentos + 1, + 2,
. . . . Ao nal da otimizao, as diferenas dos produtos a cada instante de tempo devem ser
vendidas (ou compradas) no prximo nvel holnico. Formalmente, temos:

,p
+ NI,p = N p
NRC

p P

(7.21)

(i,j)E:j=N T

Restries de Balano

fij,p

(i,j)E:i=N T

fij,p =

,p
+ NI,p p P
NRC

(7.22)

Para cada par (, p) as restries dadas pelas Equaes 7.23, 7.24,

7.25 e 7.26 garantem que o sistema fechado. No h excesso ou falta de produtos ao nal de
cada instante de tempo.

161

Parmetro
V,E
R, C, I, N
P
T
P(, v)
u,v
m
ci j p
vijp
E ,p
v
,p
Ev
cp

Denio
Conjunto de vrtices e arestas em G.
Vrtices de renarias, plataformas, terminais e cabea
Conjunto de produtos.
Conjunto de perodos de tempo.
Conjunto de planos de produo para o par (, v).
Utilidade associada ao plano de produo m no par (, v).
Custo do transporte de p por (i, j).
vazo mxima de p por (i, j).
Estoque mnimo de p no vrtice v no instante .
Estoque mximo de p no vrtice v no instante .
Custo do produto p.

Tabela 3: Parmetros de Entrada do Submodelo Logstico

,p
=
NRC

),p
ev( 1),p e(
d,p
v
v +

vRC

v, v,
ym
um

p P, T

(7.23)

mP(v, )

NI,p =

1),p
),p
e(
e(
d,p
v
v
v

p P, T

(7.24)

vI

( 1),p
+
e,p
v = ev

fi j p

(i,j)E:j=v

( 1),p
e,p
+
v = ev

(i,j)E:j=v

Resumo

fi j p d,p
v +

(i,j)E:i=v

fi j p

v, v,
ym
um v RC, p P, t T

mP(v, )

fi j p d,p
v

(7.25)

v I, p P, T (7.26)

(i,j)E:i=v

Nas Tabelas 3 e 4 apresentado um resumo da notao introduzida nas subse-

es anteriores com os parmetros de entrada e as variveis de deciso do submodelo logstico,


respectivamente. Ao denirmos as variveis de deciso, explicitamos tambm seus respectivos domnios. Aparecem tanto variveis do modelo principal, como, por exemplo, o plano de
produo, quanto variveis especcas do submodelo logstico.
A seguir mostrado o modelo de otimizao completo, que a unio de todas as restries
j descritas, onde U , CL e RE so dados por (7.11), (7.13) e (7.20) respectivamente.

162

Varivel de Deciso
,v
ym
{0, 1}
fi j p Z+
s,p
ij {0, 1}
,p
iv {0, 1}
o,p
v {0, 1}
e,p
v Z+
Np Z
Nv,p Z

Denio
1 se o m plano de produo aplicado no par (, v).
Fluxo no arco (i, j) para o par (p, ).
1 se o sentido do uxo do par (p, ) (i, j).
1 se v recebe p no instante .
1 se v envia p no instante .
Estoque de p em v no momento .
Excedente (ou falta) do produto p ao m da otimizao.
Excedente (ou falta) de p em v no momento .

Tabela 4: Variveis de Deciso do Submodelo Logstico

max z = U + RE CL
X
,v
ym
= 1 v V, T

(7.27)
(7.28)

mP(v, )

p
fi j p s,p
i,j vij (i, j) E, p P, T (7.29)

,p
1 (i, j), (j, i) E, p P, T(7.30)
s,p
i,j + sj,i
,p
i,p
1 v V, p P, T
(7.31)
v + ov
X
fi j p Ki,p
v (i, j) E, p P, T (7.32)

(i,j)E:j=v

fi j p Ko,p
v (i, j) E, p P, T (7.33)

(i,j)E:i=v
,p

,p
E ,p
E v v V, p P, T
v ev

,p
+ NI,p = N p p P
NRC

(7.34)
(7.35)

fi j p

(i,j)E:j=N T
,p
=
NRC

fi j p =

(i,j)E:i=N T

ev( 1),p ev( ),p d,p


v +

vRC

,p
+ NI,p p P
NRC

(7.36)

v, v,
ym
um

p P, T

(7.37)

mP(v, )

NI,p =

1),p
),p
e(
e(
d,p
v
v
v

p P, T

(7.38)

vI

( 1),p
+
e,p
v = ev

(i,j)E:j=v

fi j p

(i,j)E:i=v

fi j p d,p
v +

mP(v, )

v, v,
ym
um v RC, p P, T

(7.39)

163

( 1),p
e,p
+
v = ev

fi j p

(i,j)E:j=v

Submodelo de Produo

fi j p d,p
v v I, p P, T

(7.40)

(i,j)E:i=v

Ao contrrio do submodelo logstico, o submodelo de otimizao

da produo das renarias no foi considerado diretamente neste trabalho. Caso contrrio, um
modelo analtico de produo de uma renaria teria que ser implementado, visando uma integrao automtica na soluo do problema de planejamento integrado. Entretanto, foi utilizado
um recurso disponvel no modelo do HCOP, devido ao fato dele ser um caso especial de CSP
(vide Seo 3.5.3). Como esta abordagem se baseia em variveis com domnios discretos e
nitos, foi aplicado o mtodo de Compilao j apresentado na Seo 6.4. Assim, o domnio da
varivel de deciso plano de produo (vide Seo 7.3.2) para cada renaria foi denido com
um conjunto de solues do problema de otimizao de produo da renaria correspondente.
Este mtodo permite o uso tanto dos resultados de uma aplicao computacional real destinada
a este m quanto de informaes disponveis com o especialista da rea de planejamento da
produo de uma renaria. Neste trabalho foi utilizada a primeira opo com um submodelo de
produo j disponvel, que funcionou como um modelo substituto off-line (vide Seo 3.4.2).
Este ltimo um mtodo alternativo para a gerao de uma regio vivel do espao de solues
a ser utilizada no modelo principal. Esta abordagem intensiva em termo de recursos, mas uma
vez que as solues so geradas off-line, elas podem ser incorporadas pelo modelo principal,
que se adequa naturalmente a este tipo de integrao.
Este submodelo de produo tem como objetivo a enumerao de campanhas de produo,
que sero usadas como unidades de atribuio no problema de planejamento integrado principal
(SUKOYO; MATSUOKA; MURAKI, 2004). Assim, neste ltimo o perodo de tempo do nvel mais
alto composto de campanhas cclicas, que so geradas no nvel inferior (PAPAGEORGIOU; PANTELIDES, 1996).

A diferena no modelo proposto que a escolha das campanhas, assim como a

escolha das outras variveis de deciso, feita de forma holstica nos nveis superiores. Entretanto, no nvel operacional so sugeridas as melhores opes dentro da sua viso de otimizao
local.
Ser visto no Captulo 8 que a compilao foi aplicada inicialmente em um cenrio padro com solues provenientes de um modelo linear, e posteriormente em um outro cenrio
comparativo onde os domnios dos planos vieram de um modelo no-linear.
Como foi dito na Seo 7.3.2, a varivel de deciso planr est associada a um domnio
real do problema formado por vetores de produtos, que contm as quantidades de produtos

164

derivados produzidos no plano correspondente (parte de cima do vetor), e tambm contendo


as quantidades do petrleo consumido no mesmo plano (parte de baixo do vetor). Estas duas
partes do vetor so representadas pelas funes Entradaro e Sadard , que so denidas nas
Equaes 7.4 e 7.5, respectivamente.
Alm disso, o seguinte parmetro entrada tanto para o submodelo de produo, quanto
para o prprio modelo principal:
prdCustord : custo de produo de uma unidade do derivado d na renaria r;

Submodelo de Previso de Extrao de Petrleo

Como foi visto na Seo 2.3.2, a pre-

viso do processo de extrao do petrleo em um certo campo e poo, bastante complexa.


Entretanto, levando em conta o intervalo de tempo de cada perodo de planejamento e a taxa
provvel de declnio da extrao, a taxa de extrao considerada constante para cada um destes
perodos.
Neste trabalho, com relao a esta parte do problema, os parmetros relevantes para o modelo principal so:
extT axao : quantidade de leo cru o extrado na plataforma durante um perodo de
tempo ;
extCustoo : custo de extrao de uma unidade do leo cru o na plataforma durante
um perodo de tempo ;

Submodelo de Previso de Demandas e Preos

Como j dito na Seo 2.2.5, tcnicas de

previso de demanda so mtodos estatsticos, e so aplicados para projetar padres futuros de


vendas a partir de dados histricos sobre vendas passadas. Os preos tambm so analisados
estatisticamente, mas considerando um escopo maior, e mesmo a economia global.
O submodelo est preparado para ajustar a demanda de cada produto e cada rea de comercializao dentro de cada perodo de planejamento. Tal como no caso do submodelo de
produo, este submodelo seus resultados compilados diretamente no modelo principal. Os
parmetros fornecidos so os seguintes:
dmbd : demanda total esperada do derivado d na rea comercial da base b durante o
perodo ;

165

prcp : preo de venda de uma unidade do produto p no mercado da EE durante o perodo


;
ContrV endaP rcCp : preo de venda no contrato com o continente C de uma unidade
do produto p durante o perodo ;
ContrCompraP rcCp : preo de compra no contrato com o continente C de uma unidade
do produto p durante o perodo ;
SM compraP rcp : preo ao qual SM compra uma unidade do produto p durante o
perodo ;
SM vendaP rcp : preo ao qual SM vende uma unidade do produto p durante o perodo
;

7.3.6

Funo de Emergncia

Cada varivel emergente v i de cada holon h i do nvel conectada por uma restrio
booleana n-ria a todas as varaveis dos seus subholons, denida pela funo de emergncia
E i (vide Eq. 6.8). Pela denio do HCOP, existem innitas possibilidades de funes de
vrias variveis que podem cumprir este papel da funo de emergncia, desde que satisfaa a
condio mencionada na denio do HCOP (vide Seo 6.3). No caso particular do Problema
de Planejamento de Suprimento, esta funo denida por:


v i = E i v11 , . . . , v1Bi = v1 1 + . . . + v1 Bi

(7.41)

Assim a funo de emergncia linear com coecientes unitrios. Esta escolha se deve
caracterstica do problema de planejamento integrado considerado, onde as variveis emergentes representam vetores de quantidades de produtos em cada holon. Assim, elas devem respeitar
uma restrio de agregao baseada no operador de soma aritmtica (+). Se, por exemplo, se estivesse interessado especicamente no acompanhamento de uma certa propriedade dos produtos
derivados do petrleo da mesma cadeia de suprimentos, e esta propriedade fosse a viscosidade
cinemtica, a funo de emergncia, neste caso, seria um funo no-linear na forma de uma
agregao de funes logartmicas (MAPLES, 2000). Entretanto, qualquer que seja o tipo da
funo de emergncia, a restrio associada funciona como uma agregao holnica correspondente a outro operador diferente (vide Seo 6.3).
As agregaes holnicas so expressas em termos das variveis holnicas (emergentes ou

166

de deciso). Entretanto, para maior clareza e legibilidade, a descrio das restries de agregao deste modelo utiliza uma notao especial para representar as variveis holnicas emergentes, que mostrada a seguir:
vp : diferena entre as quantidades de entrada e sada do produto p com relao ao holon
h , onde representa sua funo e nvel, e o perodo de tempo (vide 7.3.2);

vp , se vp 0
+
vp =
0,
se v
<0
p

vp
=

vp ,
0,

se vp 0

se vp > 0

Alm disso, estas restries dependem dos parmetros de entrada, que so descritas a seguir :
dmbd : demanda total esperada do derivado d na rea comercial da base b (renaria r ou
terminal t) durante o perodo ;
extT axao : quantidade de petrleo o extrado na plataforma durante o perodo de
tempo ;
estqb p representa o nvel de estoque do produto p (derivado d ou tipo de petrleo o) na
base b (renaria r ou terminal t) ao nal do perodo de tempo ;
planr representa o plano de produo adotado pela renaria r durante o perodo de tempo
;
Said (planr ) representa as quantidades de cada derivado d que so produzidas na renaria r durante o perodo de tempo utilizando o plano de produo planr ;
vp representa a varivel emergente do holon (global G, continente C, regio R, renaria r, terminal t e plataforma ), i.e., a diferena entre as quantidades de entrada e sada
do produto p (derivado d ou tipo de petrleo o) neste holon durante o perodo .
Assim, as restries de agregao holnica para cada nvel da organizao holnica so as
seguintes:

167

i. Nvel Fundamental
renarias:
vrd = Said (planr ) dmrd + estq rd 1 estq rd
vro = estq ro 1 estq ro Entrao (planr )

(7.42)

terminais:
vtd = estq td 1 estq td dmtd
vto = estq to 1 estq to

(7.43)

plataformas:

(7.44)

vo = extT axao
ii. Nvel Regional

vRp =

(7.45)

vf p

f R

iii. Nvel Continental

vCp =

+
vRp
vRp
+1

+
vCp
vCp
+2

RC

(7.46)

iv. Nvel Global

vGp =

+
vSM
vGp
p +2 = 0

+
vSM
p vGp +2 = 0

(7.47)

168

importante salientar o relacionamento entre passado e futuro no modelo, que aparece


nos nveis continental e global. Ele resulta de restries fsicas temporais associadas com o
transporte de produtos entre as entidades da cadeia. De fato, neste trabalho se arbitra que os
produtos levam cerca de um perodo de tempo para serem transportados entre diferentes regies
dentro de um continente (nvel continental), enquanto eles levam cerca de dois perodos de
tempo para viajar entre dois continentes, ou entre um continente e SM (nvel global). Quanto
ao nvel regional, se parte do pressuposto que duas diferentes bases de uma mesma regio esto
prximas o suciente para que se possa mover produtos entre elas dentro de um nico perodo
de tempo.
Outro ponto importante que levando em conta que o perodo de tempo limitado, i.e.,
{ 1, . . . , T }, torna-se necessrio considerar as seguintes condies de contorno associadas
aos dois extremos:

vR p +1 = 0, vC p +1 = vC p +2 = 0, vG
p +1 = vG p +2 = 0, vSM p +1 = vSM p +2 = 0, e

Estb p 0 = cte.
Na Fig. 24 da Seo 7.3.4 possvel compreender melhor as restries apresentadas aqui,
que envolvem os diferentes papis denidos no modelo de organizao e seus principais uxos
de informaes.

7.3.7

Mtricas de Desempenho e Funo Objetivo

De forma genrica, o objetivo da soluo do problema proposto se resume em escolher a estratgia de deciso E(planr , estq bp ), tal que a mtrica de desempenho escolhida seja a melhor
possvel. Neste trabalho, as mtricas de desempenho adotadas so o lucro total da EE durante o
horizonte de tempo , e o nvel de atendimento das demandas por produtos dos clientes nais
da EE. Em princpio, a existncia de 2 mtricas simultneas, sendo uma quantitativa e outra
qualitativa, parece remeter o problema para uma abordagem multicritrio, que exigiria tanto
a quanticao da mtrica qualitativa de atendimento ao cliente quanto a atribuio de pesos
relativos a cada uma das duas mtricas dentro da funo objetivo global. Entretanto, devido
exibilidade oferecida pela SM, que de acordo com as premissas do problema, pode comprar ou
vender ilimitadas quantidades de qualquer produto, podemos considerar que todos os clientes
nais da EE sero necessariamente atendidos. A nica varivel a que custo isto ser feito. Em
outras palavras, esta premissa permite que se concentre em uma nica mtrica, i.e., o lucro total
da EE, que funo do faturamento e do custo total envolvido. Por esta razo, o objetivo deste
problema maximizar o lucro total da EE, com a satisfao dos clientes nais automaticamente
garantida.

169

O lucro total da EE pode ser expresso atravs da Eq. 7.48, onde


P etroleoF aturamento o faturamento da venda do excedente do petrleo extrado
pela EE para outros continentes atravs de contratos, e tambm da venda para o SM,
se necessrio;
DerivadoF aturamento resulta da venda de todos os derivados de petrleo produzidos
em todas as renarias, da venda dos derivados excedentes para outros continentes atravs
de contratos, e tambm para o SM, se necessrio;
P etroleoCusto o custo total do petrleo resultante da extrao pela EE, da compra
em outros continentes atravs de contratos, e da compra no SM, se necessrio, a m de
abastecer todas as renarias;
DerivadoCusto o custo total de produo de derivados nas renarias, da compra de
derivados em outros continentes atravs de contratos, bem como da compra no SM,
quando necessrio, para suprir toda a demanda dos clientes nais;
F rete o custo total em fretes para o transporte de petrleo e derivados, sendo obtido
pela soma dos fretes de transferncia de produtos dentro de cada regio, entre diferentes
regies em um mesmo continente, entre diferentes continentes e destes para o SM. Ele
considerado dentro do submodelo logstico, onde o custo de transporte faz parte da
otimizao. Como este submodelo recursivo, este frete considerado gradualmente
dentro de cada nvel holnico correspondente (vide a Seo 7.3.5).

Lucro(E) = F aturamento(E)Custo(E)
F aturamento(E) = P etroleoF aturamento(E) + DerivadoF aturamento(E)
Custo(E) = P etroleoCusto(E) + DerivadoCusto(E)+
+F rete(E)
Formalmente :

(7.48)

170

P
+

+ SM compraP rco vGo


ContrV endaP rcCo vCo
o
Co
P
P

+
DerivadoF aturamento(E) = prcd dmbd + ContrV endaP rcCd vCd
Cd
bd
P
+
+ SM compraP rcd vGd
d
P
P
+
+
ContrCompraP rcCo vCo
P etroleoCusto(E) = extCustoo extT axao +
o
Co
P

+ SM vendaP rco vGo


o
P
P
+
DerivadoCusto(E) = prdCustord Said (planr )+ ContrCompraP rcCd vCd
+
rd
Cd
P

+ SM vendaP rcd vGd

P etroleoF aturamento(E) =

(7.49)

Na funo objetivo do problema tratado so utilizadas variveis e parmetros denidos


ao longo de todo este captulo, e que so resumidos em seguida para melhor legibilidade e
compreenso:
dmbd : demanda total esperada do derivado d na rea comercial da base b (renaria r ou
terminal t) durante o perodo ;
prcp : preo de venda de uma unidade do produto p no mercado da EE durante o perodo
;
ContrV endaP rcCp : preo de venda no contrato com o continente C de uma unidade
do produto p durante o perodo ;
ContrCompraP rcCp : preo de compra no contrato com o continente C de uma unidade
do produto p durante o perodo ;
SM compraP rcp : preo ao qual SM compra uma unidade do produto p durante o
perodo ;
SM vendaP rcp : preo ao qual SM vende uma unidade do produto p durante o perodo
;
extT axao : quantidade de petrleo o extrado na plataforma durante o perodo de
tempo ;
extCustoo : custo de extrao de petrleo o na plataforma durante o perodo de tempo
;

171

prdCustord : custo de produo de uma unidade do derivado d na renaria r;


estqb p representa o nvel de estoque do produto p (derivado d ou tipo de petrleo o) na
base b (renaria r ou terminal t) ao nal do perodo de tempo ;
planr representa o plano de produo adotado pela renaria r durante o perodo de tempo
;
Said (planr ) representa as quantidades de cada derivado d que so produzidas na renaria r durante o perodo de tempo utilizando o plano de produo planr ;
vp representa a varivel emergente do holon (global G, continente C, regio R, renaria r, terminal t e plataforma ), i.e., a diferena entre as quantidades de entrada e sada
do produto p (derivado d ou tipo de petrleo o) neste holon durante o perodo .
Alm da representao utilizada na Seo 7.3.6 para variveis emergentes, foi tirado proveito
tambm da sua notao, que denota por + a disponibilidade e - a necessidade de um certo
produto no holon correspondente. Por outro lado, um contrato de venda ou compra da EE com
outros continentes (diferentes daquele da prpria empresa). Assim, quando existe um contrato
venda de um derivado, por exemplo, aparece um termo
Cd , signicando que o continente C
necessita aquele derivado, enquanto no caso contrrio, contrato de compra, a vez de um termo
+
Cd , signicando que C tem aquele derivado disponvel.
Cumpre ressaltar que a exigncia da propriedade monotnica para a funo objetivo no foi
desrespeitada, pois apesar do lucro ser formado tanto por ganhos quanto por perdas, na chamada
de cada algoritmo de otimizao AO i estes termos envolvendo variveis no se misturam,
sendo ou positivos ou negativos. Alm disso, no faz sentido considerar dentro da funo
objetivo um termo associado com o custo nanceiro de estocagem dentro do modelo holnico.
A viso holstica e integrada do modelo j leva necessariamente em conta a perda ou no de
oportunidade no uso do estoque com relao ao lucro total contabilizado pela prpria funo
objetivo.

7.4

Modelo Formal do Planejamento Integrado

Foi visto na Seo 6.3 que um HCOP formalizado como uma tupla
(H, R, V, Dv, X, Dx, E, F, AO).
Levando em conta o contedo deste captulo, o problema de planejamento integrado pode
ser modelado pela tupla especca, cujos elementos so mostrados a seguir:

172

H = {H0 , . . . , H4 }, onde :
H0 = {..., ProdutorDerivador 0 , GerenciadorEstoquer 0 , Comercialr 0 , LogsticaInternar 0 ,...,
GerenciadorEstoquet 0 , Comercialt 0 , LogsticaInternat 0 ,...}
H1 = {..., Renariar 1 ,..., Terminalt 1 ,..., PlataformaPetrleo 1 ,..., LogsticaRegionalR 1 ,...}
H2 = {..., RegioR 2 ,..., LogsticaContinentalC 2 ,...}
H3 = {..., ContinenteC 3 ,..., LogsticaGlobal3 }
H4 = {EE4 }
R = {r1 , . . . , rR }
= 0:
* LogsticaInternar 0 o cabea do holon Renariar 1 ;
* ProdutorDerivador 0 , GernciaEstoquesr 0 eComercialr 0 so as partes do holon
Renariar 1 ;
* LogsticaInternat 0 o cabea do holon Terminalt 1 ;
* GernciaEstoquest 0 e Comercialt 0 so as partes do holon Terminalt 1 ;
= 1:
* LogsticaRegionalR 1 o cabea do holon RegioR 2 ;
* Renariar 1 ,..., Terminalt 1 ,..., PlataformaPetrleo 1 so as partes do holon
RegioR 2 ;
= 2:
* LogsticaContinentalC 2 o cabea do holon ContinenteC 3 ;
* RegioR 2 ,... so as partes do holon ContinenteC 3 ;
= 3:
* LogsticaGlobal3 o cabea do holon EE4 ;
* ContinenteC 3 ,... so as partes do holon EE4 .
V = {Rv0 1 0 , ..., Rv

i ,..., v4 1 4 }

varivel de deciso:
* Rplanr 0 , representa o plano de produo adotado pela renaria r durante o
perodo de tempo 0 { 1, . . . , T }, onde 0 = 1 ;

173

* Restqb 0 , representa o nvel de estoque do vetor de produtos na base b (renaria


r ou terminal t) ao nal do perodo de tempo 0 { 1, . . . , T }, onde 0 = 1 ;
varivel emergente:
* Rv i : diferena entre as quantidades de sada e entrada do vetor de produtos
com relao holon h i durante o perodo .
Dv = {DRv0 1 0 , ..., DRv

i ,..., DRv4 1 4 }

DRplanr = {p1 r , . . . , pi r , . . . , pnP lanosr r }


DRestqb 0 = {estoqueM inb 0 , . . . , estoqueM axb 0 }
X = {Rx111 , ..., Rx

i ji ,..., Rx4 1 1 , ...}

Rf k l : uxo de transporte do vetor de produtos durante o perodo e entre os subholons


h k e h l .
Dx = {DRx1 1 1 , ..., DRx

i ji ,..., DRx4 1 1 , ...}

DRf k l = {pzero , . . . , Cp_M ax k l } , onde pzero Zn


E = {E11 , ..., E i ,..., E4 1 }



P
Rv1 1 1 + . . . + Rv1 Bi 1
Rv i = E i Rv11 1 , . . . , Rv1Bi 1 =
1

F = {F11 , . . . , F i ,..., F4 1 } o conjunto de subconjuntos, um para cada holon h i , onde


F i = {f i 1 , . . . , f i j , ..., f i Mi }
AO = {AO1 1 , ..., AO i ,..., AO4 1 }
Cada AO

denido no submodelo logstico, que recursivo para cada nvel

> 0.
4

A funo objetivo FO =

=0

1. = 0:
(a)

prcd0 dmbd0

bd0

Constante

Mi

P P P
i=1

j=1

f i j formada pelos seguintes termos:

174

Faturamento de vendas de produtos derivados d associadas a demandas da


base b no tempo 0 (Comercialb 0 )
Tratado pelo submodelo de previso de demanda e preos
(b)

prdCustord Said (planr0 )

rd0

Variveis de deciso planr0


Custo de produo de produtos derivados d na renaria r e no tempo 0
Tratado pelo submodelo de produo

2. = 1:
(a)

extCustoo1 extT axao1

o1

Constante
Custo de extrao do petrleo o na plataforma e no tempo 1
Tratado pelo submodelo de previso de extrao de petrleo

(b)

PP
1

(Rf=1 k l 1 ck l )

klp

Variveis locais Rf1 k l 1


Custo de transporte de cada produto em cada arco de transporte denido pelos
subholons associados k e l e no tempo 1 dentro do superholon RegioR 2
Tratado recursivamente pelo submodelo logstico

3. = 2:
PP
(Rf=2 k l 2 ck l )

klp

Variveis locais Rf2 k l 2


Custo de transporte de cada produto em cada arco de transporte denido pelos
subholons associados k e l e no tempo 3 dentro do superholon ContinenteC 3
Tratado recursivamente pelo submodelo logstico

4. = 3:
P

ContrV endaP rcCp3 vCp


3
Cp3

Variveis emergentes vCp3

175

Faturamento de venda de cada produto p atravs de contrato com cada continente C e no tempo 3

Cp3

+
ContrCompraP rcCp3 vCp
3

Variveis emergentes vCp3


Custo da compra de venda de cada produto p atravs de contrato com cada
continente C e no tempo 3

PP
3

(Rf=3 k l ck l )

klp

Variveis locais Rf3 k l p 3


Custo de transporte de cada produto em cada arco de transporte denido pelos
subholons associados k e l e no tempo 3 dentro do superholon global EE4
Tratado recursivamente pelo submodelo logstico

Na Seo 6.3 de formalizao do HCOP foi descrita as restries deste tipo de problema. Na
Seo 7.3.3 deste captulo foi discutida a restrio de agregao, que pode envolver tanto o espao quanto o tempo. Entretanto, na modelagem do problema de planejamento integrado como
um HCOP apareceu a necessidade prtica de uma nova restrio holnica denominada com-

posio, como uma subclasse da restrio agregao, onde a escala de espao e de tempo entre
o superholon e os seus subholons coincidem. Um exemplo da restrio composio acontece
entre uma renaria e seu Produtor de Derivados (unidade de produo dentro da renaria), que
esto nos nveis 1 e 0 do modelo holnico, respectivamente. A renaria e sua unidade de produo esto praticamente no mesmo local dentro da escala espacial considerada, e seus processos
esto tambm em uma mesma escala de tempo. Por este motivo, aparece a relao 0 = 1 na
formalizao do problema de planejamento nesta seo. A Fig. 29 mostra todas as restries
disponveis do HCOP, inclusive a composio .

7.5

Representao XML de Instncias de HCOPs Complexos

Na Seo 6.6 foi apresentada a extenso do formato XCSP, que foi criado para os problemas
de restrio distribuda, para a representao de instncias do HCOP. Com a modelagem do
Problema do Planejamento Integrado da Cadeia Suprimentos da Indstria do Petrleo como
um HCOP, apareceu a necessidade de novas construes que inclussem informaes relevantes
para HCOP com subproblemas locais complexos. A extenso feita no captulo anterior para um

176

Figura 29: Conjunto Completo das Restries do HCOP Complexo


HCOP genrico foi necessria para a realizao de uma parte dos experimentos, como veremos
no Captulo 8. Entretanto, esta nova extenso do formato XCSP para HCOP complexo foi
fundamental para a representao das instncias do problema do planejamento integrado da
cadeia de suprimentos da indstria do petrleo tratado neste trabalho e, consequentemente, para
a realizao dos experimentos associados este problema. Para isso, foram introduzidos as
variveis reais e seus domnios correspondentes na forma de vetores, que exprimem melhor o
problema real. Alm disso, foi includo o tempo, que de enorme importncia para descrever
os processos reais.
O Anexo C resume as caractersticas da representao de instncias de um HCOP genrico,
e tambm de um HCOP complexo atravs de XML.

7.6

Concluso

Com relao aos desaos para a integrao otimizada do planejamento apresentados na


Seo 3.4 do capitulo 3, a seguir sero mostradas as concluses a respeito de como o modelo
deste trabalho responde a estes desaos:

Multi-Escala Espacial e Temporal

Atravs da restrio holnica de agregao, possvel

conseguir uma exibilidade adequada para ajustar tanto os fatores geogrcos e funcionais
quanto os relativos ao tempo de forma conjunta. O modelo holnico oferece uma ajuda para
lidar com grandes escalas espaciais e temporais simultaneamente, dividindo o problema em
holons associados a fatias de espao e tempo de acordo com o nvel holnico considerado.

177

Assim, possvel integrar tanto decises relativas a locais muito distantes quanto a tempos com
escalas muito diferentes.

Ttico e Operacional

Os processos do nvel ttico e aqueles do nvel operacional so fei-

tos em tempos harmonizados, mas diferentes (nvel ttico com unidade de tempo de ms ou
semana, enquanto o nvel operacional com unidade semana ou dia), evitando resolver o problema conjunto no horizonte mais longo do nvel operacional. Ao contrrio, o objetivo passa
a ser a soluo dos diversos subproblemas associados a cada holon, que tem um algoritmo de
otimizao especco.
Com relao ao problema de escalonamento vivel associado com as metas de produo,
os escalonamentos inviveis no sobrevivem no nvel operacional. Assim, somente os escalonamentos viveis, e dentro de uma ordem denida pelas suas utilidades, sobem para o nvel
ttico. Portanto o planejamento e o escalonamento so automaticamente consistentes. Ou existem uma ou mais solues que satisfazem os dois nveis, e neste caso se escolhe a de maior
utilidade, ou no existem solues viveis.

Considerar os perodos mais imediatos e agregar aqueles posteriores

A agregao hol-

nica naturalmente adequada para ser usada no mtodo de agregao dos perodos de tempo
posteriores, devido tanto a seu carter holnico quanto sua natureza distribuda, a m de reduzir a dimenso do problema. Assim, so consideradas as informaes imediatas e locais dos
primeiros perodos de tempo, que podem ser levadas em conta no nvel mais acima. Mas nos
prximos perodos, onde a conabilidade das informaes se torna cada vez menor, podendo,
inclusive, mudar a qualquer momento, os holons relacionados ao nvel de planejamento ttico
podem se tornar holons atmicos, e, desta forma, ignorar os subholons associados ao nvel
operacional, onde os escalonamentos so feitos. Fica evidente a sua natureza distribuda como
alternativa ao tratamento das incertezas.

Modelos substitutos off-line

Os modelos substitutos off-line se adequam naturalmente ao

modelo deste trabalho, onde o problema em foco foi tratado como um HCOP, que um caso
especial de CSP. Eles se constituem em um mtodo alternativo para a gerao de uma descrio
precisa, mas computacionalmente tratvel, atravs de execues de submodelos operacionais no
modo off-line. O objetivo desta abordagem denir uma regio vivel do espao de solues a
ser utilizada em um nvel mais acima. A gerao destes espaos pode ser intensiva em termo de
recursos, mas uma vez que so gerados off-line, podem ser incorporados pelo modelo principal.

178

Esforo Computacional

No ponto de vista centralizado, uma soluo de um possvel mo-

delo em grande escala do problema real de planejamento integrado com otimizao iria exigir
recursos computacionais signicativos e novas arquiteturas dentro desta rea.
Uma abordagem que surgiu na ltima dcada disponibilizar os recursos computacionais
na forma de uma grade computacional ou cluster, que uma coleo de processadores heterogneos de baixo acoplamento e pontencialmente distribudos geogracamente. Por outro lado,
o modelo proposto divide o problema completo em uma rede de vrios subproblemas, compartilham o esforo de soluo. Isto, por si s, j o coloca em vantagem. Entretanto, como este
modelo distribudo, os recursos computacionais j esto naturalmente distribudos geogracamente, acarretando um efeito colateral benco na paralelizao do processamento, embora
no tenha sido isto a motivao original.

Comparao com outras Estratgias de Soluo

Vimos na Seo 3.6 que as estratgias

de soluo do problema do planejamento otimizado podem ser classicadas em trs categorias:


mtodos hierrquicos, mtodos iterativos e mtodos full-space.
Tanto os mtodos hierrquicos quanto os mtodos iterativos decompem o problema em
um subproblema mestre (alto nvel) utilizado para determinar as decises de alto nvel e em
um subproblema escravo (baixo nvel) com solues mais detalhadas. Uma diferena bsica
entre eles que nos primeiros o uxo de informaes somente do subproblema mestre para
o subproblema escravo, enquanto nos ltimos existe um ciclo de realimentao do submodelo
escravo de volta ao submodelo mestre. A principal desvantagem dos mtodos hierrquicos
que se no existe uma soluo no nvel operacional, uma soluo subtima procurada.
Quanto aos mtodos iterativos, quando a soluo do subproblema mestre invivel ou
subtima, eles executam o ciclo de realimentao, cujo objetivo encontrar as decises de alto
nvel verdadeiramente timas. Em prncipio, estes mtodos so melhores que os hierrquicos
em relao otimalidade da soluo, mas no existe garantia na durao total dos ciclos de
realimentao, e mesmo se eles convergem.
A estratgia do modelo holnico e distribudo deste trabalho no pertence nem aos mtodos hierrquicos, nem aos mtodos iterativos. De fato, a rede holnica no uma hierarquia
tradicional, mas uma heterarquia especca chamada holarquia. Assim, o modelo holnico
no funciona a partir do holon global para baixo, e tambm no realiza iteraes entre camadas como acontece nos mtodos iterativos, j que os nveis mais altos na hierarquia no esto
diretamente em comunicao com os de baixo mais distantes, e vice versa. A informao
transmitida atravs de "canais de regulao" providos pelos holons cabea, um nvel de cada

179

vez. Na verdade, o processo de soluo se inicia na camada fundamental, onde esto os holons
atmicos (nvel operacional), e evolui atravs de cada nvel, at o holon global, onde a soluo
gerada levando em conta o processamento de todos os holons. Por isso, o meta-algoritmo baseado em programao dinmica se adequa melhor com o modelo holnico, como ser provado
no prximo captulo.
Com relao terceira estratgia de soluo, ela a que se aproxima mais da usada pelo
modelo holnico. Ela formada pelos mtodos full-space, que possuem uma formulao integrada contendo os submodelos pertinentes para cada perodo de planejamento e sua soluo
prov todas as informaes necessrias. Sua desvantagem que estes modelos so difceis de
resolver e requerem mtodos de soluo avanados. Modelos de escalonamento, por si s, so
de difcil soluo, apesar de s cobrir um horizonte de apenas alguns dias. Se o mesmo nvel
de detalhe for mantido, a integrao com o planejamento no nvel acima leva o problema para
o horizonte de vrios meses, o que resulta em modelos intratveis computacionalmente. As
tcnicas de soluo principais deste mtodo so duas:
decomposicao espacial, que baseada na interconexo entre bases (neste caso, renarias,
terminais, etc), que so otimizadas individualmente para todos os perodos de tempo.
Finalmente estas otimizaoes so agregadas;
decomposicao temporal, que baseada na interconexo entre perodos de tempo, de forma
que o planejamento total (produo e logstico) de todas as bases pode ser otimizado independentemente em cada perodo de tempo. Finalmente estas otimizaes so agregadas.
Como j foi dito, a modelagem holnica utiliza estas duas tcnicas naturalmente, e o faz de
forma bastante exvel. A denio de cada holon no processo de modelagem uma forma
particular do mtodo de decomposio, que pode ser tanto espacial quanto temporal. Assim, a
decomposio espacial leva em conta critrios geogrcos e tambm o nvel de integrao dos
transportes. Por outro lado, a decomposio temporal leva em conta os perodos de tempo, que
se tornam gradualmente mais longos na direo do holon global.
No processo de soluo, a restrio holnica de agregao caminha no sentido inverso, englobando os holons com relao ao espao e ao tempo. Portanto, o modelo holnico realiza
os dois processos de decomposio do full-space naturalmente. Mais do que isso, ele permite
qualquer forma intermediria entre estes dois extremos durante a denio dos holons. Para
isso, a chave para uma modelagem holnica bem-sucedida a criao de holons guiada pela
existncia de algoritmos de otimizao, que solucionam subproblemas do problema total modelado, e que so associados aos novos holons. A Fig. 30 ilustra o processo de modelagem e

180

Figura 30: Diagrama do Processo Holnico


soluo do HCOP.
Finalmente, na estratgia de soluo do modelo holnico, existe um grau de liberdade na
denio do parmetro tamanho do domnio, que interfere ao mesmo tempo na diculdade
do problema geral e no nvel de qualidade da soluo desejada.

181

Experimentos

8.1

Introduo

Neste captulo so apresentados os experimentos realizados com o objetivo para mostrar


primeiramente a ecincia de solucionar o HCOP atravs do HCOMA, e principalmente a viabilidade de utilizar o modelo HCOP para a representao do problema de planejamento integrado
da cadeia de suprimentos da indstria do petrleo com otimizao. Por isso, estes experimentos
foram conduzidos em 2 fases diferentes.
Na primeira fase os dois meta-algoritmos HCOMA foram comparados de forma a avaliar
seu desempenho, e analisar suas diferenas e caractersticas. Alm disso, estes foram tambm
comparados com o solucionador centralizado. Para isso foi usado um HCOP genrico.
Na segunda fase II, levando em conta os resultados da fase anterior, o HCOMA foi utilizado
e testado em um HCOP mais complexo, que o problema de planejamento integrado com
otimizao modelado no captulo anterior.

8.2

Ferramenta FRODO

Vimos na Seo 5.6 que o FRODO uma ferramenta poderosa para experimentos com
DCOPs. FRODO foi escolhido para os experimentos com HCOPs, porque ele contm embutido,
os algoritmos ADOPT (MODI et al., 2003) e DPOP (PETCU; FALTINGS, 2004), que representam
os dois tipos de algoritmos usados no desenvolvimento dos meta-algoritmos HCOMA. Alm
disso, foi mostrado que ele aceita instncias no formato XML e possui integrado o solucionador
centralizado JaCoP, que foi usado na fase I dos experimentos deste captulo.
Dada a convenincia de se usar o FRODO verso 2.10.4 neste trabalho, surgiu imediatamente a necessidade de modic-lo para trabalhos com o HCOP, e no apenas com DCOP. J
que no Captulo 6 foi mostrada a motivao de se desenvolver os meta-algoritmos HCOMA,
tornou-se imprescindvel que estes meta-algoritmos fossem embutidos no FRODO. Antes de

182

mais nada, do FRODO teve de ser estudada em detalhes, e foi feito contato com os autores da
ferramenta em busca de informaes no disponveis nos manuais. Assim, foram desenvolvidas as duas verses do meta-algoritmo, i.e., o HCOMA ADOPT, e o HCOMA DPOP. Para isso,
foram utilizadas como base as verses de ambos os algoritmos j disponveis no FRODO.
Para a fase I dos experimentos, foi usada a facilidade j existente de interagir com o JaCoP
(solucionador centralizado), j existente de forma independente do FRODO.
Para a fase II, FRODO foi modicado levando em conta as caractersticas do HCOP com
problemas locais complexos, i.e., para o planejamento integrado da cadeia do petrleo. Assim,
foram implementados os conceitos de domnios vetoriais, cujo espao formado pelas n dimenses de produtos (produtos derivados + petrleos). Alm disso, o FRODO foi adaptado para o
tratamento do tempo, e foi criada uma interface entre ele e o solucionador centralizado OPL
(IBM, 2009), que foi usado como solucionador centralizado na fase II. Para isso foi utilizada a
biblioteca em Java FacadeOPL (FERBER, 2012), que permitiu a ativao e controle do modelo
OPL dentro do prprio FRODO.
Alm disso, foram implementadas as restries holnicas j descritas nas sees 6.6 e 7.5.
Assim, foram embutidas as seguintes restries holnicas:
holonic: emergence
entre superholon e sua cabea
holonic: aggregation
entre cabea e membros do superholon
holonic: composition
entre cabea e membros do supeholon
agregao no mesmo espao e no mesmo tempo
holonic: local
entre variveis locais e variveis holnicas
De maneira geral, o FRODO foi preparado para ler e interpretar os elementos criados na extenso feita ao superset do XCSP 2.1 para representar instncias do HCOP tanto genrico (fase I)
quanto complexo, associado ao problema de planejamento integrado (fase II). Isto permitiu que

183

os experimentos deste captulo fossem realizados, j que todas as instncias foram representadas
com arquivos XML (vide Anexo C).
Para a fase II foi desenvolvido um preprocessador que tem como entrada um conjunto de
arquivos XML que contm todas as informaes necessrias para a gerao de uma instncia do
problema de planejamento integrado. Assim, este processamento fornece um arquivo XCSP 2.1
estendido para este tipo de problema, que pode ento ser lido pelo FRODO no processo de busca
da soluo. A Fig. 31 mostra um esquema de todo o processo de soluo, que envolve tanto o
pr-processamento quanto a busca da soluo a partir da leitura do arquivo XML principal que
representa a instncia. Ela mostra tambm todos os arquivos XML envolvidos.
Como j mencionado, os experimentos foram divididos em 2 fases diferentes. Na fase I os
dois HCOMAs foram comparados entre si e tambm com o solucionador centralizado utilizado
nesta etapa . Para isso foi usado um HCOP genrico, que permitiu esta comparao antes da
fase II. Assim, estes resultados foram utilizados na ltima fase, de modo que o HCOMA pode
ser testado no problema de planejamento integrado com otimizao. As fases I e II so descritas
a seguir.

8.3

Fase I: HCOP Genrico

8.3.1

Introduo

Nesta fase dos experimentos a mquina usada foi um PC com um Intel Core i3 processador
2.53 GHz e 4 GB RAM. A ferramenta para a execuo dos meta-algoritmos HCOMA foi o
FRODO verso 2.10.4, que foi modicado de modo a tratar o HCOP (vide Seo 8.2), e o
solucionador centralizado utilizado foi o JaCoP verso 3.2.

8.3.2

Descrio dos Experimentos

Em muitos experimentos o problema de otimizao distribudo utilizado o Max-DisCSP


aleatrio, tal como o Max-CSP que usado normalmente em avaliaes experimentais de problemas de satisfao de restries com otimizao centralizados (COSP) (LARROSA; SCHIEX,
2004). O Max-DisCSP uma subclasse dos problemas DCOP, onde todas as restries so
binrias e os custos so iguais a 0 ou 1. Eles so problemas de minimizao, considerando
um custo de 1 unidade para cada restrio violada, de forma que reduzir os custos signica
minimizar o nmero de restries que so violadas (MODI et al., 2003).

184

Figura 31: Fluxo do Processo de Soluo

185

A razo de se usar tanto este tipo de problema em teste de algoritmos que os parmetros
das instncias do problema consideram as caractersticas mais importantes de um problema
de restries, como a densidade das restries, o grau de rigidez destas restries, o nmero
de variveis e o tamanho do domnio destas variveis. Assim, foi criado um HCOP aleatrio
baseado no Max-DisCSP, que foi utilizado nesta fase dos experimentos. Ele caracterizado por
parmetros holnicos pertinentes, que so os seguintes:
: nmero de camadas ou nveis;
nH =

| H |: nmero de holons (= nmero das variveis holnicas);

| X |: nmero das variveis locais (domnio binrio), correspondente densidade das


restries dentro dos holons;
k: tamanho do domnio das variveis holnicas;
A formalizao das instncias deste HCOP apresentada a seguir atravs da especicao de
cada um dos elementos da sua tupla (H, R, V, Dv, X, Dx, E, F, AO):
H = {H0 , . . . , Hmax }, onde 0 < max 3
R = {r1 , . . . , rR }
Na topologia da holarquia cada superholon constitudo por 2 e at 4 subholons
parte, alm do subholon cabea;
V = {v0 1 , ..., v i ,..., vmax 1 }, onde 0 < max 3
Dv = {Dv0 1 , ..., Dv i , ..., Dvmax 1 }, onde 0 < max 3
Dv i = {1, 2, . . . , k} e k = 5 | 10 | 15, assumindo um nico valor ao longo de cada
instncia;
X = {x0 1 1 , ..., x

i j ,..., xmax 1 imax jimax },

Cada varivel local x

i j

onde 0 < max 3

ligada um par de variveis holnicas v

e v

as-

sociadas a subholons do mesmo superholon. O nmero destas variveis equivale


densidade das restries no Max-DisCSP;
Dx = {Dx0 1 1 , ..., Dx
{0, 1}, , i, j

i j ,..., Dxmax 1 imax jimax },

onde 0 < max 3 e Dx

i j

186

O domnio das variveis locais equivale ao grau de rigidez das restries no MaxDisCSP (0: rigidez fraca; 1: rigidez forte);
E = {E1 1 , ..., E i ,..., Emax 1 }, onde 0 < max 3
Foi escolhida a funo de emergncia associada ao modelo do Problema de Planejamento
Integrado da Cadeia de Suprimento (vide 7.41). Assim, ela a seguinte funo linear com
coecientes unitrios:


v i = E i v11 , . . . , v1Bi = v1 1 + . . . + v1 Bi

F = {F11 , . . . , F i ,..., Fmax 1 }, onde 0 < max 3, F i = {f i 1 , . . . , f i j , ..., f i M i }


associado ao superholon h i e M i o nmero de subholons do superholon h i ;
Cada restrio valorada local f i j entre cada par de variveis holnicas v 1
v 1

associadas a subholons e uma varivel local x1

i j

do mesmo superholon

h i dada pela funo da Eq. 8.1, onde o conjunto imagem formado pelos custos
0 ou 1, tal como o Max-DisCSP;

(8.1)

f i j : Dv1 w Dv1 m Dx1 i j {0, 1}


AO = {AO1 1 , ..., AO i ,..., AOmax 1 }, onde 0 < max 3

Cada AO i associado ao superholon h i encontra uma soluo tima para as restries valoradas locais contidas no conjunto F i , satisfazendo a restrio n-ria



c i = restrica
o v i == v1 1 + . . . + v1 Bi denida pela funo de emer-

gncia E i .

max

A meta encontrar a soluo tima para a funo objetivo FO =

=0

Mi

P P

i=1

f i j , onde

j=1

N o nmero de holons no nvel e M i o nmero de subholons do superholon h i .


Apesar do HCOP ser genrico, os parmetros que denem suas instncias so relevantes
tambm para um HCOP complexo. Assim, o nmero de variveis locais pode crescer, bem
como a rigidez das restries do problema holnico local, de modo a se aproximar de problemas
locais com grau de complexidade maior dentro de cada holon. Desta forma, a escolha deste
problema foi importante por permitir que os resultados desta fase pudessem ser considerados

187

Figura 32: Grco do Tempo pelo Nmero de Holons


na fase seguinte, quando o problema genunamente complexo. Por este motivo, nesta fase foi
escolhida uma funo de emergncia anloga do problema de planejamento que ser utilizado
na fase II.
Nesta fase trs algoritmos diferentes foram considerados: HCOMA ADOPT, HCOMA
DPOP e JaCoP (solucionador centralizado). Eles foram testados em 86 instncias, onde os
parmetros descritos mudaram de modo separado. A instncia de referncia consistiu dos seguintes valores de parmetros:
max = 2
nH = 13
| X |= 3
k=5
Os resultados obtidos so analisados na prxima subseo atravs de grcos do tempo
de soluo em funo de cada um destes parmetros. Para maior facilidade, na anlise dos
resultados cada HCOMA identicado pelo nome do algoritmo em que baseado.

8.3.3

Anlise dos Resultados

No grco da Fig. 32 relacionado ao nmero de holons, as trs abordagens de soluo


tiveram uma variao exponencial em relao ao nmero de holons. Por isso, este grco
utilizou uma escala logartmica no eixo do tempo. O destaque negativo foi o ADOPT no s

188

Figura 33: Grco do Tempo pelo Tamanho do Domnio

Figura 34: Grco do Tempo pelo Nmero de Variveis Locais


pelo seu desempenho, que foi o pior, mas tambm pela sua instabilidade. Por outro lado, o
DPOP foi o de menor tempo ao longo de toda a evoluo do nmero de holons. A surpresa foi a
superao do solucionador centralizado pelo HCOMA DPOP, devido sua natureza distribuda.
Apesar do experimento no ter sido feito em um ambiente realmente paralelo, mas em uma
simulao dentro de um nico processador, a ferramenta FRODO disponibiliza a medio do
tempo simulado, que tenta se aproximar do tempo real que seria obtido em uma situao em
que cada holon executasse em separado.
O grco da Fig. 33 mostra que o HCOMA DPOP foi novamente o melhor entre os trs,
superando inclusive a opo centralizada. Devido importncia do tamanho do domnio para
os problemas de restries como uma das grandezas fundamentais na medida do grau de diculdade na soluo do problema associado, e a diferena de desempenho entre as trs alternativas,
este resultado mantm o HCOMA DPOP como a melhor opo, enquanto o HCOMA ADOPT
como aquela com o pior desempenho.
O resultado do grco da Fig. 34 conrma a superioridade do HCOMA DPOP em relao

189

Figura 35: Grco do Tempo pelo Nmero de Camadas


aos outros para qualquer nmero de variveis locais. Seu tempo de soluo evolui praticamente
de forma linear com o crescimento do nmero de variveis.
Finalmente, o parmetro nmero de camadas mostrado no grco da Fig. 35 no s conrma os resultados anteriores, mas pelo signicado que tem para o modelo holnico, possvel
concluir que o HCOMA DPOP o meta-algoritmo por excelncia para ser utilizado na soluo
do HCOP.
Como foi dito na Seo 6.5, HCOMA ADOPT tem como vantagem o processamento sncrono, o que resultaria em um maior paralelismo no tratamento dos diversos holons. Entretanto,
ele apresenta um comportamento que mistura os diversos nveis da holarquia durante seu processo de soluo. Em outras palavras, cada algoritmo de otimizao, em geral, chamado
vrias vezes, de modo que era previsvel que seu desempenho fosse ruim no caso do HCOP.
Por outro lado, HCOMA DPOP se adequa melhor s caractersticas da organizao holnica, pois sendo baseado em programao dinmica, tambm recursivo por natureza. Alm
disso, ele chama cada algoritmo de otimizao uma nica vez, o que sugere uma maior ecincia. De fato, na concluso do captulo anterior, foi descrito que na estratgia holnica para
a soluo do HCOP deve-se iniciar na camada fundamental com os holons atmicos e evoluir
atravs de cada nvel, at o holon global, onde a soluo gerada levando em conta o processamento de todos os holons. Este exatamente o funcionamento do HCOMA DPOP (vide Seo
6.5.3). Uma possvel desvantagem deste meta-algoritmo, que herdado do algoritmo DPOP,
relacionado como o tamanho de suas mensagens. No entanto, como este HCOMA foi baseado
na verso original DTREE do DPOP , ele mantm um tamanho xo de mensagens.

190

Fase I

Fase II

Nm. de Camadas

2a4

Nm. Holons

3 a 85

221

Nm. de Variveis Locais

0 a 15

muito
grande

Tamanho dos Domnios

5 a 15

5 a 180

Concluso
Como a ordem de grandeza a mesma, a concluso
obtida para este nmero vale tambm para a fase II.
A vantagem do HCOMA DPOP mantida medida
que este nmero aumenta. Portanto sua escolha
vlida na fase II.
A vantagem do HCOMA DPOP mantida medida
que este nmero aumenta. Portanto sua escolha
vlida na fase II.
A vantagem do HCOMA DPOP maior medida
que este nmero aumenta, aumentando a vantagem
do seu uso na fase II.

Tabela 5: Comparao entre a Fase I e a Fase II

8.3.4

Resumo dos Resultados

Uma comparao prvia entre as caractersticas das instncias dos problemas da fase I e
da fase II, juntamente com os resultados obtidos na fase I, mostram a relevncia destes experimentos como preparao para a fase II em seguida. Os resultados apontaram o HCOMA DPOP
como a melhor escolha para resolver um HCOP. Assim, o objetivo desta seo conrmar antecipadamente a convniencia de usar este algoritmo na fase II, dado que a diferena entre ele e
a outra opo foi signicativa. Na Tab. 5 foi analisado cada um dos parmetros utilizados com
a comparao dos valores entre as instncias de ambas as fases.
Apesar das diferenas entre o problema da fase I, que um HCOP genrico, e o problema
de planejamento integrado da fase II, que bem mais complexo, possvel comparar suas caractersticas pertinentes e concluir pelo uso nico do HCOMA DPOP na fase II. As comparaes
feitas acima nos levam a prever um predomnio ainda maior do meta-algoritmo escolhido em
relao ao outro na fase II, se ambos fossem utilizados. Portanto, o HCOMA DPOP ser o
nico meta-algoritmo a ser usado na fase II dos experimentos, que poder ser chamado apenas
de HCOMA. Foi este o objetivo desta primeira fase, que utilizou instncias de HCOP, que, por
denio, satisfazem os requisitos formais deste tipo de problema apresentados na Seo 6.3.
Por outro lado, a prxima fase mostra as vantagens e a viabilidade de se modelar o problema do
planejamento integrado da cadeia de suprimentos como um HCOP.

191

8.4

Fase II: Planejamento Integrado da Cadeia de Suprimento


do Petrleo como HCOP

8.4.1

Introduo

No Cap. 7 o problema de Planejamento Integrado da Cadeia de Suprimentos da Indstria


do Petrleo foi modelado como um HCOP. O objetivo da fase II dos experimentos avaliar
a viabilidade e o desempenho do modelo holnico distribudo proposto para este problema,
levando em conta um caso de estudo representativo em relao ao problema real e comparando
como o procedimento usual de soluo.
Tal como na fase I, a mquina usada nesta fase dos experimentos foi um PC com um Intel
Core i3 processador 2.53 GHz e 4 GB RAM. A ferramenta para a execuo dos meta-algoritmos
HCOMA foi o FRODO verso 2.10.4, e o solucionador centralizado utilizado desta vez foi o
OPL. O submodelo logstico (vide Seo 7.3.5) utilizado foi desenvolvido na forma de um
modelo MILP (vide Seo 3.5.1) utilizando o IBM ILOG CPLEX Optimization Studio verso
12.2 como ferramenta de modelagem. O submodelo de produo empregado foi, de um lado,
a parte do sistema de planejamento centralizado dedicada s renarias, bem como o sistema de
programao de produo de cada renaria especca, ambos da empresa PETROBRAS S.A.

8.4.2

Descrio do Caso de Estudo

Os dados fornecidos para este caso de estudo foram baseados no histrico de dados reais
da empresa PETROBRAS S.A. ao longo do primeiro semestre de 2012. Quanto ao escopo e topologia considerados, eles so um subconjunto da cadeia real existente e contm 3 regies (sul,
centro e leste) com 6 renarias e 12 terminais, sendo 6 terrestres e 6 martimos. As renarias
so coordenadas centralizadamente, o suprimento de petrleo compartilhado, e as renarias
colaboram para satisfazer uma dada demanda do mercado. As renarias so supridas por 2 grupos de petrleos produzidos em 7 plataformas de extrao (vide Tab. 7), e 1 grupo de petrleos
importados. O petrleos foram classicados em grupos de acordo com seu ndice API e procedncia (vide Tab. 6) (IPI, 2012).

192

Grupos de Petrleos
Leve
Mdio
Pesado

API Mdio
39
25
20

Origem
Importado
Interno
Interno

Tabela 6: Tabela de Petrleos


Plataforma
Plataforma1
Plataforma2
Plataforma3
Plataforma4
Plataforma5
Plataforma6
Plataforma7

Tipo de petrleo
Mdio
Mdio
Mdio
Mdio
Pesado
Pesado
Mdio

Taxa de Extrao (M m3/ 1 semana)


55
405
430
188
262
315
150

Regio
Centro
Leste
Leste
Leste
Leste
Leste
Leste

Tabela 7: Tabela de Plataformas de Petrleos


As renarias produzem os seguintes derivados:
GLP (Gs Liquefeito de Petrleo)
Gasolina
Diesel
Querosene
leo Combustvel
Os preos de venda dos derivados no mercado interno do EE so mostrados na Tab. 8.
A rede logstica inclui tanto o modal dutovirio quanto o modal martimo, que so utilizados para o transporte de petrleo e seus derivados. O submodelo logstico considera arcos de
transporte entre cada par de holons relacionados. O horizonte de planejamento de 2 meses,
e os perodos P so:
P3 =1 bimestre (alto nvel ttico)
$ / M m3
venda - Mercado

glp
338

gasolina
690

querosene
871

diesel
683

Tabela 8: Preos de Venda dos Derivados

oc
250

193

Continente
M m3 - $
compra
frica
venda
America
compra
do Norte
venda
compra
sia
venda
compra
Europa
venda
Oriente
compra
Mdio
venda

glp
Qtde Preo
0
100
409
0
0
0
0
0
0
0
0
-

gasolina
Qtde Preo
0
0
0
200
784
0
100
695
0
900
676
0
0
-

querosene
Qtde Preo
0
0
0
0
0
140
773
0
0
0
200
764

diesel
Qtde Preo
0
0
0
556
777
0
344
782
0
0
0
0
-

oc
Qtde Preo
0
0
380
636
0
610
633
0
100
630
0
0
0
-

Tabela 9: Relao de Contratos para Derivados


P2 =1 ms (baixo nvel ttico)
P1 = P0 =1 semana (nvel operacional)
No nvel fundamental ( = 0) esto as unidades operacionais das bases, que podem ser renarias, terminais e plataformas, enquanto no nvel seguinte ( = 1) esto estas ltimas. Assim, os
elementos destes dois nveis praticamente coincidem tanto no espao quanto no tempo.
Foram considerados contratos com cada um dos 5 continentes envolvidos, onde podem ser
vendidos ou comprados produtos, derivados e/ou petrleos, que so mostrados nas Tabs. 9 e 10,
que mostram tambm os preos correspondentes.
Caso seja necessrio ainda a compra ou venda destes produtos por ou para Spot Market,
existem limitaes tanto de compra quanto de venda de acordo com as Tabelas 11 e 12, que
mostram tambm os preos correspondentes para os derivados e petrleos, respectivamente.
A Fig. 36 ilustra o escopo do caso de estudo considerado, bem como sua organizao
holnica e interna. Devido diculdade de visualizao o nvel fundamental omitido.

8.4.3

Formalizao da Instncia do Caso de Estudo

Na Seo 7.4 foi feita a formulao para o problema de planejamento integrado geral descrito no incio do Cap. 7. Assim, ela pde ser utilizada como um template para a formulao
da instncia deste caso de estudo, que mostrada a seguir atravs da especicao de cada um
dos elementos da tupla (H, R, V, Dv, X, Dx, E, F, AO):
H = {H0 , . . . , H4 }, onde :

194

Continente
M m3 - $
compra
frica
venda
America
compra
do Norte
venda
compra
sia
venda
compra
Europa
venda
Oriente
compra
Mdio
venda

leve
Qtde Preo
0
1300 680
0
0
0
0
0
0
0
1000 667

mdio
Qtde Preo
0
0
1000 680
0
1000 660
0
0
0
0
0
-

pesado
Qtde Preo
0
0
1638 640
0
2273 642
0
453
640
0
0
0
-

Tabela 10: Relao de Contratos para Petrleos

M m3 - $
compra
venda

glp
Qtde Preo
1000 328
1000 348

gasolina
Qtde Preo
1000 669
1000 711

querosene
Qtde Preo
1000 845
1000 897

diesel
Qtde Preo
1000 663
1000 703

oc
Qtde Preo
1000 524
1000 556

Tabela 11: Limitaes e Preos de Venda e Compra do SpotMarket para Derivados

M m3 - $
compra
venda

leve
Qtde Preo
3000 860

mdio
Qtde Preo
2000 630
-

pesado
Qtde Preo
1000 600
-

Tabela 12: Limitaes e Preos de Venda e Compra do SpotMarket para Petrleos

195

Figura 36: Viso Geral do Escopo e Topologia do Caso de Estudo

196

H0 = {ProdutorDerivadoRef inaria1 0 , GernciaEstoquesRef inaria1 0 , ComercialRef inaria1 0 ,


LogsticaInternaRef inaria1 0 , . . .,
ProdutorDerivadoRef inaria6 0 , GernciaEstoquesRef inaria6 0 , ComercialRef inaria6 0 ,
LogsticaInternaRef inaria6 0 ,
GerenciadorEstoqueT erminal1 0 , ComercialT erminal1 0 , LogsticaInternaT erminal1 0 ,...,
GerenciadorEstoqueT erminal12 0 , ComercialT erminal12 0 , LogsticaInternaT erminal12 0 };
H1 = {Renaria11 , Terminal11 ,..., Terminal31 , LogsticaRegionalSul 1 ,
Renaria21 ,..., Renaria41 , Terminal41 ,..., Terminal81 , Plataforma11 ,
LogsticaRegionalCentro 1 ,
Renaria51 , Renaria61 , Terminal91 ,..., Terminal121 , Plataforma21 ,..., Plataforma71 ,
LogsticaRegionalLeste 1 };
H2 = {Sul2 , Centro2 , Leste2 , LogsticaContinentalAmericaSul 2 };
H3 = {Africa3 , AmericaNorte3 , AmericaSul3 , Asia3 , Europa3 , OrienteMdio3 ,
LogsticaGlobal3 };
H4 = {EE4 }.
R = {r1 , . . . , rR }
= 0:
* LogsticaInternaRef inaria1 0 ,..., LogsticaInternaRef inaria6 0 so os cabeas dos
holons Renaria11 ,..., Renaria61 , respectivamente;
* ProdutorDerivadoRef inaria1 0 , GernciaEstoquesRef inaria1 0 , ComercialRef inaria1 0 ,
...,
ProdutorDerivadoRef inaria6 0 , GernciaEstoquesRef inaria6 0 , ComercialRef inaria6 0
so as partes dos holons Renaria11 ,..., Renaria61 , respectivamente;
* LogsticaInternaT erminal1 0 ,..., LogsticaInternaT erminal12 0 so os cabeas dos
holons Terminal11 ,..., Terminal121 , respectivamente;
* GernciaEstoquesT erminal1 0 , ComercialT erminal1 0 , ...,
GernciaEstoquesT erminal12 0 , ComercialT erminal12 0 so as partes dos holons
Terminal11 ,..., Terminal121 , respectivamente;
= 1:
* LogsticaRegionalSul 1 o cabea do holon Sul2 ;
* Renaria11 , Terminal11 ,..., Terminal31 so as partes do holon Sul2 ;

197

* LogsticaRegionalCentro 1 o cabea do holon Centro2 ;


* Renaria21 ,..., Renaria41 , Terminal41 ,..., Terminal81 , Plataforma11 so as
partes do holon Centro2 ;
* LogsticaRegionalLeste 1 o cabea do holon Leste2 ;
* Renaria51 , Renaria61 , Terminal91 ,..., Terminal121 , Plataforma21 ,..., Plataforma71
so as partes do holon Leste2 ;
= 2:
* LogsticaContinentalAmericaSul 2 o cabea do holon AmericaSul3 ;
* Sul2 , Centro2 , Leste2 so as partes do holon AmericaSul3 ;
= 3:
* LogsticaGlobal3 o cabea do holon EE4 ;
* Africa3 , AmericaNorte3 , AmericaSul3 , Asia3 , Europa3 , OrienteMdio3 so
as partes do holon EE4 .
V = {Rv0 1 0 , ..., Rv

i ,..., v4 1 4 }

variveis de deciso:
* Rplanr 0 representa o plano de produo adotado pela renaria r durante o
perodo de tempo 0 {1, . . . , 8}, onde 0 1 ;
* Restqb 1 representa o vetor de produtos do nvel de estoque do produto na base
b (renaria r ou terminal t) ao nal do perodo de tempo 1 {1, . . . , 8}, onde
0 1 ;
* variveis emergentes:
Rv i : o vetor da diferena entre as quantidades de sada e entrada de cada
produto com relao holon h i durante o perodo .
Dv = {DRv0 1 0 , ..., DRv

i ,..., DRv4 1 4 }

* DRplanr = {lever , medior , pesador }


* DRestqb = {0, . . . , estoqueM axb }
X = {Rf1 k1 l1 1 , ..., Rf k l ,..., Rf3 k3 l3 3 ,... }, onde
Rf k l : uxo de transporte durante o perodo e entre os subholons h k e h l .
Dx = {DRf1 k1 l1 1 , ..., DRf k l ,..., DRf3 k3 l3 3 ,... }


n
* DRf k l = pzero , . . . , Cp_M ax k l , onde pzero Z

198

E = {E11 , ..., E i ,..., E4 1 },onde cada restrio de emergncia dada por





P
Rv i = E i Rv11 1 , . . . , Rv1Bi 1 =
Rv1 1 1 + . . . + Rv1 Bi 1
1

F = {F11 , . . . , F i ,..., F4 1 } o conjunto de subconjuntos, um para cada holon h i ,


onde F i = {f i 1 , . . . , f i j , ..., f i Mi }
AO = {AO1 1 , ..., AO i ,..., AO4 1 }

* Cada AO i denido no submodelo logstico, que recursivo para cada nvel


> 0.
4

A funo objetivo FO =

Mi

P P P

=0

i=1

f i j formada pelos seguintes termos:

j=1

1. = 0:
P
(a)
prcd0 dmbd0
bd0

* Constante com demandas dmbd0 entre 10 e 318, e preos prcd0 entre


250 e 870

* Faturamento de vendas de produtos derivados d associadas a demandas


da base b no tempo 0 (Comercialb 0 )
P
(b) prdCustord Said (planr0 )
rd0

* Variveis de deciso planr0 com prdCustord = 0

* Custo de produo de produtos derivados d na renaria r e no tempo 0


2. = 1:
(a)

extCustoo1 extT axao1

o1

* Constante com extCustoo1 = 0


* Custo de extrao do petrleo o na plataforma e no tempo 1
PP
(b)
(f=1 k l p 1 ck l p )
klp

* Variveis locais f1 k l p 1 com frete ck l p 1

* Custo de transporte de cada produto p em cada arco de transporte denido


pelos subholons associados k e l e no tempo 1 dentro dos superholons
Sul2 , Centro2 e Leste2
3. = 2:
PP

(f=2 k l p 2 ck l p )
2 klp

* Variveis locais f2 k l p 2 com frete ck l p 10

199

* Custo de transporte de cada produto p em cada arco de transporte denido pelos subholons associados k e l e no tempo 2 dentro do superholon
AmericaSul3
4. = 3:
P

ContrV endaP rcCp3 vCp


3
Cp3

* Variveis emergentes vCp3 com preos de venda ContrV endaP rcCp3


650

* Faturamento de venda de cada produto p atravs de contrato com cada continente C e no tempo 3
P
+
ContrCompraP rcCp3 vCp
3
Cp3

* Variveis emergentes vCp3 com preos de compra ContrCompraP rcCp3


entre 400 e 1300

* Custo da compra de venda de cada produto p atravs de contrato com cada


continente C e no tempo 3
PP

(f=3 k l p 3 ck l p )
3 klp

* Variveis locais f3 k l p 3 com frete ck l p 20

* Custo de transporte de cada produto p em cada arco de transporte denido


pelos subholons associados k e l e no tempo 3 dentro do superholon global
EE4 .

O vetor de produtos que aparece em todos resultados representa os produtos considerados na


seguinte ordem:

GLP, Gasolina, Querosene, Diesel, OleoCombust


vel, Leve, M edio, P esado

8.4.4

Caso Padro

Neste caso, foram consideradas situaes rotineiras, sem o aparecimento de imprevistos.


Na soluo do planejamento integrado usando este cenrio, que ser chamado daqui para frente
de cenrio padro, os submodelos propostos utilizam as caractersticas principais do planejador
centralizado e suas simplicaes, tais como o uso de modelos lineares na produo, sem considerar o escalonamento das atividades logsticas do nvel operacional. Alm disso, como tanto o

200

modelo distribudo holnico proposto quanto um planejador centralizado convencional so determinsticos, ambos no tratam a incerteza diretamente. Portanto, no caso padro as possveis
vantagens do modelo proposto, como a sua natureza distribuda ou a utilizao de submodelos
no-lineares e de escalonamento no nvel operacional, no aparecem. Assim, em princpio as
diferenas de previso obtidas entre ambos no devem ser muito grandes. E de fato o resultado
obtido com este caso padro est dentro da um tratando convencional relativo a dados representativos como aqueles do caso de estudo em questo. A prxima seo apresenta o processo
de soluo proposto nesta tese para o problema do planejamento integrado como um HCOP, e
no Anexo D os resultados detalhados so mostrados. A varivel emergente real Rv4 EE 4 associada ao holon global Empresa Estendida a varivel principal da holarquia, a partir da qual
iniciada a fase 3 do HCOMA com a denio do valor da funo objetivo na forma do lucro
total, bem como da soluo completa, que contempla todas as variveis holnicas associadas
tambm aos nveis inferiores. Assim, por uma questo de comodidade, a soluo do caso padro representada a seguir pelos valores do lucro total e da varivel emergente Rv4 EE 4 , onde
cada componente equivale compra ou venda extra de produtos por ou para SM. Esta mesma
representao ser utilizada mais adiante para os outros casos analisados neste captulo.

Lucro = 8.859.130 M$

Soluo do Caso Padro:


SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

14

161

245

Venda

62

26

45

90

91

8.4.5

Apresentao Resumida do Processo de Soluo do Caso Padro

Dentro da regio Sul2 h uma renaria (Renaria11 ) e 3 terminais no nvel = 1. Assim, no nvel fundamental ( = 0), existem os holons atmicos ProdutorDerivadosRef inaria1 0 ,
GernciaEstoquesRef inaria1 0 , ComercialRef inaria1 0 , LogsticaInternaRef inaria1 0 e
GerenciadorEstoqueT erminal1 0 , ComercialT erminal1 0 , LogsticaInternaT erminal1 0 para cada um
dos terminais (T erminal1 1 , T erminal2 1 e T erminal3 1 ).
O ProdutorDerivadosRef inaria1 0 recebe do submodelo de produo o seguinte domnio da
sua varivel de deciso plano de produo:
DRplanRef inaria1 p = {leveRef inaria1 , medioRef inaria1 , pesadoRef inaria1 } ,
leveRef inaria1 = (8, 86, 30, 92, 82, 238, 0, 0),
medioRef inaria1 = (8, 58, 21, 73, 17, 0, 238, 0) e

201

pesadoRef inaria1 = (6, 47, 16, 70, 17, 0, 0, 238)


Cada elemento associado com o processamento de um tipo de petrleo e representa a
quantidade de entrada de petrleo e de sada otimizada para cada derivado dentro do perodo de
tempo de uma semana, que vale no nvel operacional (P0 ).
O GernciaEstoqueb 0 tanto da Ref inaria11 quanto dos terminais T erminal1 1 , T erminal2 1
e T erminal3 1 recebem como parmetros de entrada os estoques inicial, mnimo e mximo de
cada produto:
Ref inaria1
EstoqueInicial = (14, 131, 18, 110, 61, 0, 238, 0)
EstoqueMnimo = (0, 0, 0, 0, 0, 0, 0, 0)
EstoqueM a
ximo = (36, 186, 47, 170, 100, 240, 240, 240)
T erminal1
EstoqueInicial = (4, 3, 0, 31, 15, 0, 0, 0)
EstoqueMnimo = (0, 0, 0, 0, 0, 0, 0, 0)
EstoqueM a
ximo = (5, 20, 10, 66, 38, 0, 0, 0)
T erminal2
EstoqueInicial = (4, 3, 0, 17, 0, 0, 0, 0)
EstoqueMnimo = (0, 0, 0, 0, 0, 0, 0, 0)
EstoqueM a
ximo = (5, 11, 10, 23, 10, 0, 0, 0)
T erminal3
EstoqueInicial = (0, 0, 0, 0, 0, 0, 238, 0)
EstoqueMnimo = (0, 0, 0, 0, 0, 0, 0, 0)
EstoqueM a
ximo = (0, 0, 0, 0, 0, 260, 260, 260)
O holon Renaria1 recebe o domnio da sua varivel plano do seu ProdutorDerivado e tanto
ele quanto os holons terminais recebem os parmetros de estoque do seu respectivo GerenciadorEstoque, que equivale ao domnio da sua varivel de estoque. Assim, estes holons enviam
estas informaes para o seu cabea, que o LogsticaRegionalSul 1 associado ao tempo 1 , iniciando a fase I do HCOMA. Aps receber a mensagem READY de todos os subholons a LogsticaRegional responsvel pela chamada do algoritmo de otimizao centralizado AO=2 Sul 2

202

correspondente ao holon Sul2 , que representado pelo submodelo logstico instanciado para
esta regio. Outra responsabilidade do cabea tratar da restrio holnica associada a funo
de emergncia (Eq. 6.8), neste caso:

Rv=2 Sul 2 =

(RplanRef inaria1 1 +

(RestqRef inaria1 1 + RestqT erminal1 1 +

(8.2)

+RestqT erminal2 1 + RestqT erminal3 1 ))

possvel construir o domnio da varivel real Rv2 Sul a partir das variveis holnicas
reais dos subholons do nvel inferior, levando em conta a ordem total obtida a partir da utilidade
associada a cada elemento deste domnio, neste caso o lucro (vide Eq. 7.8). Alm disso, como
o tamanho do domnio de qualquer varivel emergente denida a priori (vide Eq. 7.7), o
seguinte domnio real foi obtido:
DRv2 Sul 2 = {elmin, . . . , elmi , . . . , elmax},
onde elmin = argminelm (lucro(elm)),
elmax = argmaxelm (lucro(elm)),
elmi DRv2 Sul 2 : elmi = lucro1 (lucroi ),
lucroi =

(lucroM axlucroM in)


i
tamanhoDominio1

+ lucroM in,

lucroM ax = lucro(elmax)
e lucroM in = lucro(elmin)
A diferena de lucro entre os elementos sucessivos do domnio dada por fator pro rata
(lucroM axlucroM in)
i.
tamanhoDominio1

As utilidades lucroM ax e lucroM in so obtidas por duas chamadas iniciais ao submodelo


logstico associado ao holon Sul2 pela LogsticaRegional, na primeira vez visando a maximizao e na segunda a minimizao. A partir da o submodelo holstico chamado iterativamente pelo mesmo cabea para a obteno dos valores das variveis holnicas dos subholons, neste caso renaria e terminais, respeitando a restrio holnica da Eq. 8.2 para cada
elemento elmi pro rata ao longo desta iterao. Para cada chamada do submodelo logstico,
o LogsticaRegional recebe atravs das mensagens SOLUTION as solues obtidas tanto para
as variveis RplanRef inaria1 1 , RestqRef inaria1 1 e RestqT erminais1 1 . . . RestqT erminais3 1 (variveis holnicas) quanto as variveis uxo de transporte Rf=1 base1 base2 1 entre 2 bases do
holon Sul2 (variveis locais). Estas solues so associadas ao valor da varivel emergente

203

compra
venda

glp
0
62

gasolina
0
26

querosene
0
45

diesel
0
90

oc
14
0

leve
0
91

mdio
161
0

pesado
245
0

Tabela 13: Soluo de Venda e Compra do SpotMarket


DRv2 Sul 2 correspondente, e todo o conjunto guardado para uso posterior nas seguintes estruturas de dados:

Rv1
1 1 , . . . ,

Rv1
Bi 1

Soluca
o_Hol
onica[elmi ]
Rv

 2 Sul 2 elmi

Soluca
o_Local[elmi ] Rf basei basej 1 , ..., Rf basei basej 1 , ...

(8.3)

Rv2 Sul 2 elmi

onde elmi DRv2 Sul 2 .


O mesmo procedimento repetido nos holons Centro2 e Leste2 simultaneamente pelos
respectivos subholons cabea dentro do nvel = 2. Estes cabeas representam seus holons correspondentes em relao ao cabea do superholon, neste caso o holon LogsticaContinentalAmericaSul 2
e o superholon AmericaSul3 respectivamente. Assim, os holons Sul2 , Centro2 e Leste2
enviam as informaes dos domnios de suas variveis holnicas para o seu cabea, e depois a
mensagem READY, quando a LogsticaContinentalAmericaSul 2 aciona o algoritmo de otimizao centralizado AO3 AmericaSul 3 que representado pelo submodelo logstico instanciado para
este continente. Esta recurso prossegue at o holon global EE4 , quando chega a fase 2 com
a ativao do submodelo logstico relativo ao sistema total. Este ltimo considera o subholon
AmericaSul3 , que o mais importante, bem como os outros subholons continentes, que so
holons atmicos e possuem uma varivel de deciso cujo domnio unitrio, e, portanto, j tem
uma soluo. Este valor coincide com o valor de compra ou venda associado ao respectivo continente (Tab. 9). Ento a LogsticaGlobal3 como representante do superholon EE4 vericou
os limites de venda e compra do SpotMarket (Tab. 11), determinando que existe uma soluo
vivel denida pelos valores de compra e venda por ou para SM mostrados na Tab. 13, de modo
a satisfazer toda a demanda dos clientes.
Assim, foi gerada a seguinte soluo otimizada global associada varivel holnica emergente Rv4 EE 4 , que representa a soluo do caso padro:
Rv4 EE 4 = (62, 26, 45, 90, 14, 91, 161, 245)
Neste momento iniciado a fase 3 do HCOMA, onde o holon LogsticaGlobal3 , que
o cabea do EE4 , pode recuperar a soluo tanto das variveis holnicas dos seus subholons

204

quanto as variveis locais do seu superholon, utilizando a estrutura de dados denida na Eq. 8.3
para guardar estas solues no sentido inverso, como mostrado a seguir:


o_Hol
onica[Rv4 EE 4 ]
Rv3 AmericaSul 3 , Rv3 Af rica 3 , . . . , Rv3 OrienteM edio 3 Soluca


Rf3Af rica AmericaSul 3 , . . . , Rf3OrienteM edio AmericaSul 3 Soluca
o_Local[Rv4 EE 4 ]
As seguintes solues das variveis holnicas so enviadas para cada um dos seus subholons
correspondentes atravs de uma mensagem VALUE:
Rv3 AmericaSul 3 = (162, 1226, 385, 990, 1104, 2391, 2161, 4609)
Rv3 Europa 3 = (0, 900, 0, 0, 100, 0, 0, 453)
Rv3 AmericaN orte 3 = (0, 200, 0, 556, 380, 0, 1000, 1638)
Rv3 Af rica 3 = (100, 0, 0, 0, 0, 1300, 0, 0)
Rv3 Asia 3 = (0, 100, 140, 344, 610, 0, 1000, 2273)
Rv3 OrienteM edio 3 = (0, 0, 200, 0, 0, 1000, 0, 0)
A soluo obtida para as variveis locais, i.e., os uxos de transporte entre os continentes e
o SM, foi a seguinte:
Rf3AmericaSul Europa 3 = (0, 0, 0, 0, 100, 0, 0, 453)
Rf3Europa AmericaSul 3 = (0, 900, 0, 0, 0, 0, 0, 0)
Rf3AmericaSul AmericaN orte 3 = (0, 0, 0, 0, 380, 0, 1000, 1638)
Rf3AmericaN orte AmericaSul 3 = (0, 200, 0, 556, 0, 0, 0, 0)
Rf3AmericaSul Af rica 3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf3Af rica AmericaSul 3 = (100, 0, 0, 0, 0, 1300, 0, 0)
Rf3AmericaSul Asia 3 = (0, 0, 0, 0, 610, 0, 1000, 2273)
Rf3Asia AmericaSul 3 = (0, 100, 140, 344, 0, 0, 0, 0)
Rf3AmericaSul OrienteM edio 3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf3OrienteM edio AmericaSul 3 = (0, 0, 200, 0, 0, 1000, 0, 0)

205

Rf3AmericaSul SM 3 = (0, 0, 0, 0, 14, 0, 161, 245)


Rf3SM AmericaSul 3 = (62, 26, 45, 90, 0, 91, 0, 0)
Quando o subholon AmericaSul3 recebe a soluo de sua varivel holnica, seu holon
cabea LogsticaContinentalAmericaSul 2 recupera as solues das variveis holnicas dos seus
subholons, que so enviados por mensagens VALUE para seus subholons, e tambm recupera
as variveis locais (uxos de transporte) do seu superholon. A seguir aparecem estas solues:
Rv2 Sul 2 =0 = (56, 154, 46, 75, 76, 0, 476, 0)
Rv2 Sul 2 =1 = (70, 273, 64, 87, 0, 0, 952, 0)
Rv2 Centro 2 =0 = (80, 33, 55, 106, 577, 50, 1545, 180)
Rv2 Centro 2 =1 = (16, 688, 215, 1141, 180, 0, 3030, 610)
Rv2 Leste 2 =0 = (33, 155, 24, 294, 248, 863, 4082, 2631)
Rv2 Leste 2 =1 = (67, 233, 29, 25, 23, 1578, 4082, 2768)

Rf2Centro Leste 2 =0 = (33, 0, 0, 0, 0, 50, 0, 0)


Rf2Centro Leste 2 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf2Leste Centro 2 =0 = (0, 1, 24, 106, 0, 0, 1545, 180)
Rf2Leste Centro 2 =1 = (0, 0, 0, 0, 0, 0, 3030, 610)
Rf2Centro Sul 2 =0 = (47, 0, 0, 0, 0, 0, 0, 0)
Rf2Centro Sul 2 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf2Sul Centro 2 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf2Sul Centro 2 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf2Leste Sul 2 =0 = (0, 154, 0, 0, 0, 0, 476, 0)
Rf2Leste Sul 2 =1 = (0, 0, 0, 0, 0, 0, 952, 0)
Rf2Sul Leste 2 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf2Sul Leste 2 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Recursivamente este processo continua at o nvel = 1, onde aparecem as ltimas variveis locais na forma de uxos de transporte Rf1 base1 base2 1 entre duas bases dentro de uma
mesma regio, e as ltimas variveis holnicas de deciso, onde esto as variveis de deciso

206

Rplanr 0 associadas a cada renaria e Restqb 0 associadas a cada base (terminal e renaria) e
cada produto (derivado e petrleo). O Anexo D mostra a soluo completa do caso padro.

8.4.6

Anlise do Caso Padro

Nesta etapa o caso padro foi utilizado para a anlise de desempenho e de viabilidade quantitativos do modelo proposto. Foram observados tanto a evoluo do tempo de processamento
quanto a evoluo da busca da soluo tima. Esta ltima foi dividida na anlise da funo
objetivo e da soluo propriamente dita.
Vimos na fase I que os parmetros considerados para as instncias do HCOP so o nmero
de holons, o nmero de variveis locais, o nmero de camadas e o tamanho do domnio. Cada
um destes parmetros foi variado de modo a permitir a anlise do seu efeito no tempo de soluo
e no desempenho de cada abordagem. Por outro lado, na fase II foi utilizado um caso de
estudo onde estes parmetros permaneceram inalterados durante todos os experimentos, exceto
o tamanho do domnio, que o nico que no depende da topologia e da rede de restries do
problema. De fato:
os holons eram os mesmos, pois os elementos permaneceram xos, tanto no espao
quanto no tempo (por exemplo, as renarias, terminais, continentes, etc.);
o nmero de variveis locais cou inalterado, pois estas foram representadas pelos uxos
de transporte entre pares de subholons dentro de cada superholon;
o nmero de camadas foi xo em 4.
Por isso, todos os trs grcos a seguir so feitos em funo do tamanho do domnio de todas
as variveis holnicas emergentes, utilizando a invarincia do tamanho dos domnios (vide Eq.
7.7). Como j foi dito na fase I, o tamanho do domnio uma grandeza de suma importncia
para os problemas de restries em geral, pois, de um lado, ele est intimamente ligado com
o grau de diculdade na soluo do problema, e, por outro lado, ele interfere com o nvel de
preciso e qualidade da soluo no caso do HCOP.

Tempo de Processamento

O grco da Fig. 37 mostra a evoluo do tempo total de pro-

cessamento. Na anlise do tempo da fase I para um HCOP genrico, foi observado que ele
varia de forma linear em relao ao tamanho do domnio das variveis holnicas (vide Fig. 33).
Entretanto, esta variao foi exponencial em relao ao nmero de holons na fase I (vide Fig.

207

Figura 37: Grco de Tempo de Processamento


32). Como este ltimo foi xo em todos os experimentos desta fase, esperado este comportamento do tempo similar ao que aconteceu na fase I, onde esta medio foi feita com o nmero
de holons mantido xo com a variao do tamanho do domnio.
Como o tamanho do domnio est intimamente ligado diculdade na soluo do problema,
esperado um crescimento do tempo de processamento com o aumento do tamanho do domnio. Entretanto, podemos observar que este tempo tende assintoticamente a um determinado
valor. Embora o caso de estudo no seja completamente real, seu escopo e dados so representativos e signicativos. Assim, o valor do tempo de processamento foi baixo (cerca de 10
minutos), principalmente em relao aos tempos de execuo de planejadores centralizados reais. Portanto, em princpio, o comportamento do tempo foi favorvel modelagem do problema
do planejamento integrado da cadeia de suprimentos como um HCOP.

Funo Objetivo: Lucro Total

O grco da Fig. 38 mostra a busca do valor timo do

lucro total em funo do tamanho do domnio. Apesar das instabilidades que ocorreram para
pequenos valores do tamanho do domnio, pode ser observado que a funo lucro converge
medida que estes valores aumentam, mostrando a viabilidade do modelo de otimizao. Este
valor assinttico da funo objetivo representa o timo de acordo com o modelo proposto (Eq.
8.4), onde E a estratgia de deciso, segundo a Eq. 7.48.

Lucro = limtamanhoDomnio Lucro(E)

(8.4)

Assim, a soluo Lucro = 8.859.130.M associada ao caso padro foi obtida com o valor 180 para o tamanho do domnio. Tal valor o mximo possvel, tal a permitir a construo do conjunto de domnio para todas as variveis emergentes. Acima deste valor no

208

Figura 38: Grco da Funo Objetivo


foi possvel a obteno do domnio para, pelo menos, uma varivel, contendo apenas valores
inteiros dentro dos limites mnimo e mximo disponveis para cada produto. Como h um vetor de vrios produtos, ento existe um nmero exponencial de possveis tamanhos para cada
domnio DRv i associado a uma correspondente varivel emergente real Rv i , que igual a
d1 . . . dp . . . dn , onde dp o tamanho do domnio relativo componente do produto p
e n = nderivados + npetroleos = 5 + 3 = 8. Mais formalmente, o valor mximo destes domnios
pode ser encontrado atravs da Eq. 8.5, que dene o valor mnimo do tamanho do domnio com
relao a todas as variveis emergentes do problema, onde M axp (DRv i ) e M inp (DRv i )
representam o valor mximo e mnimo da componente do produto p, respectivamente, associados varivel emergente Rv i .

LimiteM a
ximoT amanhoDomnio = argminRv i

n
Y
p=1

Soluo Vetorial

[M axp (DRv i ) M inp (DRv i ) + 1]


(8.5)

Como j mencionado, a varivel emergente real Rv4 EE 4 associada ao ho-

lon global EE representa a soluo completa do problema do planejamento e seu valor signica
a quantidade resultante do holon EE para cada produto, que pode ser uma disponibilidade (+)
ou uma necessidade (-) em relao ao SM (vide Seo 7.3.6). Como as solues pertencem a
um espao vetorial onde cada dimenso representa um produto (derivados e petrleos), o grco da Fig. 39 mostra, desta vez, a busca da soluo tima para cada componente deste vetor de
produtos associado varivel Rv4 EE 4 em funo do tamanho do domnio. Tal como aconteceu
com a funo objetivo, pode ser observada tambm uma convergncia para cada produto neste

209

vetor de soluo. Assim, o valor assinttico Rv4 EE 4 deste vetor representa a soluo buscada,
como mostrado na Eq. 8.6

Rv4 EE 4 = limtamanhoDomnio Rv4 EE 4 (E)

(8.6)

Desta forma, a soluo para o caso padro foi encontrada utilizando o tamanho do domnio
igual a 180, que leva melhor qualidade possvel dentro do limite imposto pela Eq. 8.5. Como
j visto, estes valores so:
Rv4 EE 4 = (62, 26, 45, 90, 14, 91, 161, 245)

A existncia de convergncia nos casos da funo objetivo e da soluo vetorial foi fundamental para a concluso de que o modelo proposto vivel. Em uma situao hipottica geral,
tendo ou no convergncia, existiriam para estes dois casos funes associadas ao tamanho do
domnio. Se supusermos, por absurdo, que estas funes no convergissem com a evoluo
do tamanho do domnio, ento no existiria nenhum critrio aceitvel para denir um valor
nico de sada para cada uma das duas funes associadas a lucro e soluo vetorial timos,
respectivamente. Portanto, o modelo seria invivel como modelo de otimizao.
Por outro lado, o teste com valores do parmetro tamanho de domnio maiores que 180
apontou um limite na possibilidade de obteno de solues pelo modelo, devido a um limite
na preciso das informaes de entrada, bem como deciso de considerar o mesmo tamanho
de domnio para todas as variveis holnicas do problema.

8.4.7

Anlise de Cenrios com Contingncia

Nesta etapa foi utilizada nos experimentos o valor mximo do tamanho de domnio (180),
onde a qualidade da soluo foi a melhor obtida. Para a anlise de desempenho qualitativo,
foram feitas comparaes entre o caso padro (cenrio padro e submodelos convencionais) e
os outros casos:
caso I:
cenrio semelhante ao cenrio padro, a menos de pequenas mudanas;
mesmos submodelos utilizados pelo caso padro

210

Figura 39: Grcos da Soluo Vetorial


casos II e III:
cenrio padro
submodelos diferentes do caso padro

Caso I: Imprevistos

Sendo distribudo, o modelo proposto lida de forma mais realista com

situaes tais como a mudana da capacidade de produo de uma renaria, a mudana da


capacidade de transporte (leodutos ou navios), a mudana da taxas de extrao de petrleo em
plataformas e a mudana da demanda prevista por um produto derivado.
Nos experimentos foram considerados os trs primeiros casos de imprevistos, cujas descries e resultados so apresentados a seguir.

Caso IA: Reduo na Produo de uma Refinaria

Foi criado um cenrio parecido com

o cenrio padro, mas com apenas uma mudana. Houve um problema de contaminao do
produto diesel na renaria da regio sul, que comprometeu toda a produo deste derivado a
longo da primeira semana do perodo de planejamento.

211

Caso Padro

Lucro = 8.859.130 M$

SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

14

161

245

Venda

62

26

45

90

91

mdio

pesado

399

Caso IA: Cenrio Padrao + Imprevisto


SM (M m3)

glp

gasolina

Lucro = 8.726.226 M$

querosene

diesel

Compra

oc

leve

14

Venda

65

37

50

218

91

O modelo proposto conseguiu avaliar o impacto do imprevisto em todo o sistema, estimando


a perda acarretada por ele (132.904 M$). A importao de derivados se manteve praticamente
constante, exceto no caso do diesel, que foi diretamente afetado pelo problema e teve seu valor
de venda pelo SM mais alto. Alm disso, possvel notar uma adaptao do EE situao
imprevista, mudando o perl de exportao do petrleo, que passou a ser maior com relao ao
tipo leve (mais caro), e mnimo para o tipo pesado.

CasoI-B: Reduo na Capacidade de Transporte

Aqui tambm foi criado um cenrio

parecido com o cenrio padro, mas desta vez levando em conta um imprevisto na capacidade
de transporte de petrleo do leoduto entre um terminal e uma renaria da regio leste. Esta
capacidade caiu metade na primeira semana do horizonte de planejamento, com a consequente
queda na carga desta renaria, que funcionou em meia carga durante este perodo.

Caso Padro

Lucro = 8.859.130 M$

SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

14

161

245

Venda

62

26

45

90

91

CasoI-B: Cenrio Padrao + Imprevisto

Lucro = 8.693.164 M$

SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

161

377

Venda

54

57

35

147

14

221

212

Novamente o modelo proposto conseguiu avaliar o impacto do imprevisto em todo o sistema, estimando a perda acarretada por ele (165.966 M$). A mudana afetou a produo dos
derivados mais leve como a gasolina e o diesel, e por consequncia foi necessrio alterar o perl do petrleo consumido. Assim, aumentou a compra do petrleo leve, enquanto aumentou
tambm a venda do petrleo pesado interno. Por esta mesma razo, o leo combustvel, que
um derivado mais pesado, teve sua produo reduzida e por isto ele foi comprado no SM para
honrar os contratos de venda associados.

CasoI-C: Mudana na Extrao de Petrleo

Aqui tambm foi criado um cenrio parecido

com o cenrio padro, mas desta vez levando em conta um imprevisto na extrao de petrleo
da Plataforma7 da regio centro. Esta extrao foi interrompida durante a primeira semana do
horizonte de planejamento.

Caso Padro

Lucro = 8.859.130 M$

SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

14

161

245

Venda

62

26

45

90

91

CasoI-C: Cenrio Padrao + Imprevisto

Lucro = 8.610.924 M$

SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

84

599

Venda

43

13

23

99

181

547

O modelo proposto conseguiu avaliar o impacto do imprevisto em todo o sistema, estimando


a perda acarretada por ele (248.206 M$). Como o imprevisto foi em uma plataforma com um
petrleo mdio, a quantidade deste tipo de petrleo foi reduzida, e por consequncia levando ao
aumento da sua compra no SM, de modo a honrar os contratos de venda associados. Ao mesmo
tempo, a compra do petrleo do tipo leve tambm aumentou, de modo a reforar a produo
dos derivados mais leves, aos quais eles so mais adequados.

Caso II: Modelo No-Linear de Produo

O caso padro considera para cada renaria o

submodelo linear simplicado da Fig. 40, enquanto na realidade seu funcionamento se aproxima mais do esquema mostrado na Fig. 41. Neste caso usado um submodelo de produo

213

ainda simplicado, mas no-linear, que trata o comportamento no-linear da unidade FCC, que
recebe um produto intermedirio da unidade de destilao e envia subprodutos para as unidades
internas HDS e HDT da renaria (vide Seo 3.5.2). Neste modelo considerado apenas o
atributo API do produto de entrada no FCC e como ele afeta o rendimento da sada do FCC. O
submodelo no-linear funciona como um modelo substituto off-line (vide Seo 3.4.2), levando
em conta um comportamento do FCC mais prximo realidade, de modo a substituir os planos
de produo gerados pelo submodelo de produo linear. Tal como aconteceu no submodelo
padro, estes planos so includos no nvel holnico fundamental atravs do mtodo de Com-

pilao (Seo 6.4). Assim, apareceram diferenas de rendimento que so dependentes do API
do petrleo utilizado.

Caso Padro

Lucro = 8.859.130 M$

SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

14

161

245

Venda

62

26

45

90

91

Lucro = 8.036.426 M$

Caso II: Submodelo No-Linear de Produo


SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

757

771

Venda

41

24

294

105

1625

Neste caso o modelo proposto estima uma diferena de 822.704 M$ no lucro previsto devido a uma avaliao irreal feita com o submodelo linear. Entretanto, como o submodelo nolinear leva a resultados mais realistas, pois ele prov uma descrio mais acurada dos processos
no nvel operacional, esta previso poderia ser usada no perl dos contratos de petrleo, de
modo a diminuir a diferena, ou mesmo aumentar o lucro. De fato, no segundo caso o modelo
aumentou a quantidade do petrleo leve dentro do limite possvel, enquanto a importao deste
petrleo foi compensada pela exportao do petrleo pesado interno.

Caso III: Escalonamento no Nvel Operacional

As atividades de escalonamento no nvel

operacional no podem ser modeladas atravs de abordagens convencionais, e muito menos ser
embutidas no problema maior de planejamento centralizado. A motivao para se usar o modelo
proposto explorar a capacidade de lidar com subproblemas locais, que podem impedir uma
previso otimista e irreal ou a no previso de uma inviabilidade na soluo do planejamento

214

Figura 40: Submodelo Simplicado Linear de uma Renaria

Figura 41: Submodelo Simplicado Realista de uma Renaria

215

Figura 42: Gargalo na Distribuio de Petrleo entre a Renaria2 e a Renaria3


nos nveis mais altos.
A previso convencional com o caso padro no utilizou nada relacionado com o escalonamento de atividades no nvel operacional. Neste caso o mesmo cenrio tratado levando em
conta um problema de escalonamento no fornecimento de petrleo para duas renarias da regio
central, onde existe um gargalo devido um oleoduto comum entre o terminal martimo e cada
uma destas renarias, como pode ser visto na Fig. 42. Os dados relativos ao escalonamento
especco foram obtidos atravs do mtodo de Compilao (Seo 6.4).

Caso Padro

Lucro = 8.859.130 M$

SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

14

161

245

Venda

62

26

45

90

91

Caso III: Escalonamento em Foco

Lucro = 8.508.064 M$

SM (M m3)

glp

gasolina

querosene

diesel

oc

leve

mdio

pesado

Compra

749

Venda

42

47

161

159

181

558

O modelo proposto conseguiu avaliar o impacto da considerao do problema de escalonamento descrito, estimando uma diferena de 351.066 M$ no lucro previsto devido a uma
avaliao irreal feita com o modelo convencional.

216

8.5

Concluso

Os experimentos deste captulo foram divididos em duas fases. Na primeira fase os dois
meta-algoritmos desenvolvidos no captulo anterior foram comparados entre si e tambm com
um solucionador centralizado, de forma a avaliar seus desempenhos. Para isso foi usado um
HCOP genrico baseado em um tipo de DCOP denominado Max-DisCSP, mas usando parmetros para suas instncias com caractersticas de um HCOP mais complexo. Os resultados
apontaram o HCOMA DPOP como a melhor escolha para resolver um HCOP.
Apesar das diferenas entre o problema da fase I e o problema de planejamento integrado
da fase II, foi possvel concluir pelo uso nico do HCOMA DPOP na fase II, comparando suas
caractersticas comuns e levando em conta a larga vantagem obtida por este meta-algoritmo em
relao ao outro.
Na fase II, o HCOP foi utilizado para descrever o problema de Planejamento Integrado da
Cadeia de Suprimentos da Indstria do Petrleo com o objetivo de avaliar o desempenho do
modelo distribudo para solucionar este problema. Foi utilizado um caso de estudo baseado em
dados histricos da empresa PETROBRAS, com uma nica holarquia, baseada em topologia e
restries holnicas xas, mas diferentes cenrios e submodelos.
A anlise dos resultados da fase II foi dividida em duas partes. Ambas foram dedicadas
tanto anlise de dempenho quanto viabilidade do modelo. A primeira focalizou a anlise
quantitativa, enquanto a segunda a anlise qualitativa deste modelo. A anlise de desempenho
quantitativo utilizou o caso padro e considerou o tempo de processamento, funo objetivo e
soluo vetorial. Diferentemente da fase I, esta fase utilizou uma nica instncia, pois o objetivo
aqui foi avaliar o modelo do planejamento aplicado em uma instncia e cenrios representativos,
e no avaliar os algoritmos como na fase I. Assim, os trs estudos consideraram o tamanho do
domnio das variveis holnicas emergentes do problema. A obteno de convergncia, principalmente nos casos da funo objetivo e da soluo vetorial, foi fundamental para a concluso
de que o modelo proposto vivel. Em ambos os casos o valor limite foi obtido utilizando 180
como valor mximo do tamanho de domnio, o que levou melhor qualidade possvel dentro
do limite imposto pela Eq. 8.5.
A segunda parte foi destinada anlise de desempenho e de viabilidade qualitativos do modelo. Nestes experimentos foi utilizado o valor mximo 180 da parte anterior como o tamanho
do domnio, de forma a se obter a melhor qualidade na soluo. Foram utilizados quatro cenrios, sendo o primeiro o cenrio padro. Alm disso foram considerados quatro casos diferentes,
sendo o primeiro o caso padro. Ele foi usado como base de comparao e utilizou o cenrio

217

padro e os submodelos logsticos e de produo convencionais do planejador centralizado. O


caso I contm trs cenrios parecidos com o cenrio padro, cada um deles com um tipo de
imprevisto e utilizando os submodelos convencionais. J os casos II e III utilizaram o cenrio
padro, mas com diferenas nos submodelos.
O caso padro foi comparado com cada um dos casos I. Estes ltimos tratam de eventos
imprevistos e atravs da comparao o modelo proposto conseguiu avaliar o impacto do imprevisto sobre todo o sistema, estimando a consequente perda. O modelo holnico distribudo
mostrou a viabilidade para lidar bem com situaes imprevistas, pois por ser distribudo tem
acesso s mudanas mais rapidamente. Por outro lado, o planejador centralizado convencional
em geral tem um tempo de retardo grande, decorrente da lentido dos processos normais de
uma grande empresa, e principalmente, devido ao fato de ser centralizado.
Os casos II e III foram comparados com o caso padro, mas o objetivo agora foi avaliar
os submodelos utilizados. Diferente dos casos I, onde o fato de ter havido perda decorrente
dos eventos imprevistos previsvel, o mesmo so pode ser dito com relao aos casos II e III
necessariamente. Na verdade, no caso III, embora no seja to bvio como nos casos anteriores,
a a queda nos lucros poderia ser prevista, o que no coincide com perda. De fato, este caso considerou um problema especco de escalonamento de atividades de transporte de petrleo entre
duas renarias que recebem petrleo de um mesmo leoduto. As atividades de escalonamento
no nvel operacional no so consideradas nas abordagens convencionais centralizadas, devido
sua complexidade e nvel de detalhe, principalmente quando conjugadas com o prprio planejamento no nvel ttico. Portanto, possvel concluir que as restries do modelo convencional
no planejamento no nvel mais alto so mais relaxadas, levando a uma previso mais otimista
e irreal. Assim, a previso do modelo proposto, considerando o problema do escalonamento,
levou a um lucro menor e foi, portanto, mais realista.
No caso II, modelo convencional centralizado utilizou um modelo linear embutido para a
produo de cada renaria, enquanto o modelo proposto utilizou um submodelo de produo
no-linear, que trata uma parte das no-linearidades j existentes em um modelo mais completo
de uma renaria. De fato, o modelo proposto estimou uma queda no lucro em relao previso do modelo convencional. Neste caso, no trivial tentar prever se o resultado do modelo
completo utilizando submodelos no-lineares vai ser de maior ou menor lucro. No existem
modelos centralizados que integrem submodelos no-lineares no nvel operacional e que possam ser usados para este tipo de validao. Entretanto, existem casos de comparaes entre dois
submodelos locais, um deles linear e o outro no-linear, apontando o ltimo como mais correto,
o que no signica necessariamente maior lucro. H uma extensa literatura disponvel sobre os

218

modelos no-lineares e como eles se aproximam mais dos problemas reais. Alm disso, o submodelo no-linear considerado neste caso levou a um comportamento razovel, aumentando a
quantidade do petrleo leve importado, dentro do limite possvel, enquanto a importao deste
petrleo foi compensada pela exportao do petrleo pesado nacional, de modo a diminuir a
diferena, ou mesmo tentar aumentar o lucro.
Existiram vrias vantagens no uso da abordagem distribuda e holnica para o problema
do planejamento integrado da cadeia de suprimentos. Os agentes capturaram o comportamento
distribudo da cadeia de suprimentos e os agentes holnicos trataram as entidades associadas em
qualquer nvel de granularidade e sem perder abstraes de mais alto nvel. Por isso, o modelo
representou os mais altos nveis da hieraquia, que mostram complexidades crescentes e menos
previsveis, enquanto os nveis mais baixos mostraram um comportamento mais previsvel e
constante. Assim, os resultados reetiram mudanas em reas diversas do sistema decorrente
de imprevistos locais ou de alterao de um submodelo no nvel fundamental. Isto foi possvel
pela integrao consistente das entidades da cadeia, agregando tanto o espao quanto o tempo.
Por outro lado, como HCOP baseado em programao de restries, foi possvel representar
restries no-lineares, e, alm disso, se tornou mais fcil utilizar solues obtidas a priori por
modelos substitutos off-line.
Em resumo, a anlise de desempenho nesta parte da fase II foi qualitativa. Foi mostrado a
viabilidade do modelo na comparao entre os vrios casos utilizando a quantidade da utilidade
(lucro) como referncia. O modelo proposto conseguiu avaliar em cada caso o impacto sobre
todo o sistema das suas diferenas em relao ao caso padro. Estas diferenas podem ser
um imprevisto no seu cenrio ou um submodelo distinto do convencional, e levam o modelo
a estimar uma variao positiva ou negativa do lucro associada. Portanto, os experimentos
da fase II se constituram tambm em uma prova de conceito sobre a viabilidade de utilizar a
modelagem HCOP do planejamento integrado da cadeia suprimento como uma ferramenta de
integrao no futuro, tanto para previso como para simulao de alternativas.

219

Concluses

A principal motivao deste trabalho foi buscar uma soluo para a modelagem do problema de planejamento integrado da cadeia de suprimentos da indstria do petrleo, que apresenta diculdades tais como a tomada de deciso integrada de vrias reas de uma grande empresa, atravs de entidades distribudas geogracamente e de vrios nveis de deciso com diferentes escalas de tempo. A integrao destes diferentes nveis de planejamento um assunto raramente estudado na rea da cadeia de suprimentos do petrleo. Apesar de muitas contribuies
na integrao espacial (horizontal), a integrao temporal (vertical) tem sido pouco investigada
nesta rea. At o momento no existem solues disponveis para enfrentar os grandes desaos
em termos de modelagem, escalabilidade, algoritmos e esforo computacional. Contribuir para
solucionar este problema de planejamento integrado com otimizao foi uma das motivaes e
tambm uma das contribuies desta tese.
O principal objetivo desta tese foi ento propor um modelo distribudo de otimizao, baseado em satisfao de restries e utilizando um sistema multiagentes holnico, que servisse
para solucionar uma classe de problemas, do qual o planejamento integrado da cadeia de suprimentos da indstria do petrleo um exemplo.
Tal modelo, denominado Problema de Satisfao de Restries Holnico com Otimizao
(HCOP), foi denido a partir do Problema de Satisfao de Restries Distribudo com Otimizao (DCOP) e tambm baseado em agentes holnicos. Alm do modelo formal, foi proposta
a especicao de uma arquitetura distribuda para a soluo do HCOP, atravs da integrao
de otimizadores locais j disponveis. Um meta-algoritmo, denominado HCOMA, foi proposto
para a implementao desta integrao de acordo com a referida arquitetura. O meta-algoritmo,
em suas duas verses, resultou da transformao de dois algoritmos tradicionais para DCOP,
denominados ADOPT e DPOP, que pertencem a categorias que utilizam abordagens de soluo
diferentes. A ideia por trs do HCOMA tornar possvel a integrao de diferentes algoritmos
de otimizao, que sejam mais adequados para os subproblemas correspondentes nos quais o
problema principal pode ser particionado.

220

Com a implementao do HCOMA, primeiramente foi realizada uma fase preliminar de


experimentos, utilizando instncias de um HCOP genrico, que permitiu uma comparao entre
as duas verses do meta-algoritmo. A partir dos dados obtidos, privilegiou-se utilizar aquele
baseado no DPOP, em detrimento daquele baseado no ADOPT. Finalmente, foi realizada a
segunda e ltima fase dos experimentos, onde o melhor meta-algoritmo foi utilizado em um caso
de estudo baseado em dados histricos da PETROBRAS. Os resultados desta fase permitiram
validar o cumprimento das metas propostas no Captulo 1 para o modelo deste trabalho:
1. Em relao anlise do impacto de mudanas imprevisveis do ambiente, o modelo mostrou potencial para lidar bem com situaes imprevistas. Por ser distribudo, tem acesso s
mudanas mais rapidamente. Por outro lado, o planejador centralizado convencional, em
geral, tem um tempo de retardo grande, decorrente da lentido dos processos envolvidos,
e principalmente pela sequencializao dos mesmos devido a este carter centralizado.
2. Este trabalho considerou o escalonamento de atividades de transporte. O escalonamento
no nvel operacional no normalmente considerado nas abordagens convencionais centralizadas, devido sua complexidade e nvel de detalhe, principalmente quando conjugadas com o prprio planejamento no nvel ttico. Portanto, possvel concluir que as
restries do modelo convencional no planejamento no nvel mais alto so mais relaxadas, levando a uma previso mais otimista e irreal. Assim, a previso do modelo proposto,
considerando as atividades do escalonamento, foi mais realista.
3. Considerando a utilizao de um submodelo no-linear no nvel operacional, tipicamente
os modelos de planejamento so lineares e utilizam uma representao simplicada de
toda a cadeia. Assim, eles levam a estimativas otimistas, que ignoram os objetivos dos
submodelos operacionais. Estes ltimos, por outro lado, tendem a ser mais detalhados
por sua natureza, podendo levar a resultados inconsistentes em relao ao planejamento
completamente linear. Neste paradigma o nvel mais alto dita as metas para os nveis mais
baixos. Os modelos no-lineares para processos do nvel operacional so necessrios para
prover descries mais acuradas destes processos. Como resultado, a incorporao deste
modelos levou a resultados melhores do que aproximaes lineares tpicas. A inuncia
destes graus de liberdades nas decises de nvel mais alto podem ser exploradas em um
modelo de otimizaao integrada. Assim, o uso destes submodelos de otimizao garantem
a viabilidade destas decises de alto nvel, tanto em operaes de logstica quanto de
produo.
4. Finalmente, foi possvel uma pequena comparao entre o modelo distribudo e o modelo
centralizado tradicional normalmente utilizado pela indstria do petrleo. Abordagens de

221

otimizao simultnea para a integrao da cadeia de suprimentos, naturalmente, levam


denio de sistemas centralizados. Na prtica, no entanto, o funcionamento tende a
acontecer, como se a cadeia de suprimentos fosse um sistema descentralizado. O modelo
proposto neste trabalho mantm um certo grau de independncia em relao aos subsistemas, enquanto que, ao mesmo tempo, persegue os objetivos pretendidos pela otimizao
integrada da cadeia global. Por outro lado, o modelo centralizado no pode considerar
submodelos complexos, que teriam que ser embutidos no modelo principal, tornando o
objetivo inalcansvel.
Como descrito na Seo 3.6, as estratgias principais de soluo do problema do planejamento
integrado com otimizao podem ser classicadas em trs categorias: mtodos hierrquicos,
mtodos iterativos e mtodos full-space. A estratgia do modelo holnico e distribudo deste
trabalho no pertence nem aos mtodos hierrquicos, nem aos mtodos iterativos. A ltima
estratgia de soluo, formada pelos mtodos full-space, a que mais se aproxima da usada
pelo modelo holnico. Entretanto, seus modelos so difceis de resolver e requerem mtodos
de soluo avanados, sendo, em geral, intratveis computacionalmente. Por outro lado, o modelo holnico possui uma exibilidade na sua modelagem, que mais adequada para problemas
como o do planejamento. A denio de cada holon considerando critrios geogrcos e funcionais, de um lado, e temporais de outro, permite que os dois processos de decomposio do

full-space (espacial e temporal) sejam feitos mais naturalmente no modelo holnico. Mais do
que isso, o modelo holnico permite qualquer forma intermediria entre estes dois extremos.
A estratgia de soluo do modelo holnico e distribudo proposto considera as decises feitas
no nvel operacional, que so levadas para os nves acima, onde a melhor soluo para toda a
cadeia encontrada. Esta escolha continua sendo feita nos nveis mais altos, mas consideram
os resultados de submodelos complexos do nvel operacional.
A incerteza uma questo crtica em operaes da cadeia de suprimentos, que sujeita
utuaes na extrao de leo, preos, demanda de produtos e quebra de equipamentos, dentre
um enorme conjunto de exemplos. Entretanto, este modelo no estocstico, mas sim determnistico. Assim, para enfrentar o desao das incertezas, sua natureza distribuda permite uma
rpida recongurao, considerando as mundanas imprevistas. Contudo, ele no substitui um
modelo estoctico, que tem vantagens e desvantagens prprias. Uma destas desvantagens a
existncia de problemas de otimizao que so extremamente difceis para resolver, j que eles
se originam de problemas de programao estocstica. (GROSSMANN, 2005)
O modelo do problema de planejamento deste trabalho no considerou os objetivos do nvel estratgico. Alguns autores, como (LASSCHUIT; THIJSSEN, 2004) enfatizam a importncia

222

de alcanar uma integrao completa na cadeia de suprimentos da indstria qumica e petrolfera, e descrevem o desejo de uma ferramenta com este objetivo. explicitada a necessidade
de ferramentas de suporte a deciso que permitam guiar de forma consistente tanto os aspectos
econmicos quanto operacionais da cadeia levando em conta as informaes disponveis tanto
de natureza operacional quanto do mercado. Tal tipo de ferramenta satisfaria uma necessidade
fundamental de que as decises do nvel estratgico e ttico pudessem levar em conta informaes operacionais, tais como as capacidades de produo, a utilizao dos modais de transporte
e a alocao da demanda. Ao mesmo tempo, no apenas capacidades j existentes seriam consideradas, mas conjuntamente novas oportunidades seriam avaliadas, o que j era prerrogativa
do nvel estratgico. Assim, o modelo proposto neste trabalho pode ser estendido no futuro,
levando em conta sua natureza de integrar diferentes nveis de deciso e o possvel papel de
uma ferramenta futura de simulao de alternativas, que vai de encontro com os objetivos do
nvel estratgico.
Por outro lado, o modelo holnico desta tese tampouco considerou o papel multiparte, que
desempenhado pelos subholons compartilhados por mais de um superholon ao mesmo tempo.
Esta deciso, por um lado, veio da inexistncia de uma entidade com estas propriedades na
anlise do problema de planejamento integrado considerado. Por outro lado, levando em conta
a caracterstica de forte coeso dentro de cada superholon no modelo do HCOP, o conceito de
holon multiparte se torna mesmo inconsistente. De fato, sem a possibilidade de representar o
problema atravs da integrao de algoritmos de otimizao j disponveis, ele ca bem mais
difcil de ser solucionado. Portanto, a incluso do holon multiparte exigiria um novo modelo
diferente do HCOP, que teria outros presupostos especcos e um processo de soluo diverso
daquele do HCOMA. Entretanto, da mesma forma que o algoritmo DTREE evoluiu para o
DPOP (vide Seo 5.4) atravs da transformao do grafo associado para uma pseudo-rvore,
possvel adaptar o meta-algoritmo HCOMA baseado no DPOP seguindo a mesma linha. Uma
adaptao similar poderia ser realizada para o HCOMA baseado no ADOPT. Assim, as duas
verses do meta-algoritmo HCOMA poderiam ser estendidas para lidar com subholons multiparte.

223

Referncias
AIRES, M.; LUCENA, A.; ROCHA, R.; SANTIAGO, C.; SIMONETTI, L. Optimizing the
petroleum supply chain at petrobras. In: Proceedings of the European Symposium on ComputerAided Process Engineering - 14. Lisbon, Portugal: [s.n.], 2004.
AMARO, A. C. S.; BARBOSA-POVOA, A. P. F. D. Planning and scheduling of industrial
supply chains with reverse ows: A real pharmaceutical case study. Computers and Chemical
Engineering, v. 32, p. 2606, 2008.
ARPS, J. J. Analysis of decline curves. Transactions of the American Institute of Mining, Metallurgical and Petroleum Engineers, n. 160, p. 228247, 1945.
ASPENTECH. Aspen PIMS. Houston (USA):
<http://www.aspentech.com/core/aspen-pims.aspx>.

[s.n.],

2011.

Disponvel

em:

BASSETT, M. H.; PEKNY, J. F.; REKLAITIS, G. V. Decomposition techniques for the solution
of large-scale scheduling problems. AIChE Journal, v. 42, p. 3373, 1996.
BEAMON, B. M. Supply Chain Design and Analysis : Models and Methods. International
Journal of Production Economics, n. 1, p. 122, 1998.
BEAMON, B. M. Measuring supply chain performance. International Journal of Operations &
Production Management, v. 19, n. 3, p. 275292, 1999.
BENDERS, J. F. Partitioning procedures for solving mixed variables programming problems.
Numerische Mathematik, v. 4, p. 238252, 1962.
BERNING, G.; BRANDENBURG, M.; GURSOV, K.; KUSSI, J. S.; MEHTA, V.; TOLLE,
F. J. Integrating collaborative planning and supply chain optimization for the chemical process
industry. i. methodology. Computers & Chemical Engineering, v. 28, p. 913, 2004.
BHATIA, T.; BIEGLER, L. Dynamic optimization in the design and scheduling of multiproduct
batch plants. I & EC Research, v. 35, p. 2234, 1996.
BISWAS, S.; NARAHARI, Y. Object oriented modeling and decision support for supply chains.
European Journal of Operation Research, v. 153, p. 704726, 2004.
BIXBY, R.; FENELON, M.; GU, Z.; M.; ROTHBERG, E.; WUNDERLING, R. MIP: Theory and Practice: Closing The Gap. 2002. Disponvel em:
<http://www.ilog.com/products/optimization/tech/research/mip.pdf>.
BLANCO, A. M.; MASINI, G.; PETRACCI, N.; BANDONI, J. A. Operations management of
a packaging plant in the fruit industry. Journal of Food Engineering, v. 70, p. 299, 2005.

224

BODINGTON, C. E. Inventory management in blending optimization: use of nonlinear optimization for gasoline blend planning and scheduling. In: ORSA/TIMS National Meeting. San
Francisco, USA: [s.n.], 1992.
BONGAERTS, L. Integration of scheduling and control in holonic manufacturing systems. Tese
(Doutorado) Katholieke Universiteit Leuven, Leuven, Belgium, 1998.
BOOCH, G. Object-Oriented Analysis and Design with Applications. 2nd. ed. Redwood City,
Calif.: BenjaminCummings, 1994.
BRITO, I.; HERRERO, F.; MESEGUER, P. On the evaluation of discsp algorithms. In: 5th
International Workshop on Distributed Constraint Reasoning (DCR). [S.l.: s.n.], 2004.
BRUSSEL, H. V.; WYNS, J.; VALCKENAERS, P.; BONGAERTS, L.; PEETERS, P. Reference
architecture for holonic manufacturing systems: {PROSA}. Computers in Industry, v. 37, n. 3,
p. 255 274, 1998.
BURCKERT, H. J.; FISCHER, K.; VIERKE, G. Transportation scheduling with holonic mas
- the teletruck approach. In: Third International Conference on the Practical Application of
Intelligent Agents and Multi-Agent Technology (PAAM98). [S.l.: s.n.], 1998. p. 577590.
BURKE, D. A. Exploiting Problem Structure in Distributed Constraint Optimisation with Complex Local Problems. Tese (Doutorado) National University of Ireland, Cork, 2008.
BURKE, D. A.; BROWN, K. N.; DOGRU, M.; LOWE, B. Supply chain coordination through
distributed constraint optimization. In: Proceedings of the 9th International Workshop on Distributed Constraint Reasoning. [S.l.: s.n.], 2007.
CHARNES, A.; COOPER, W. W.; MELLON, B. Blending aviation gasolinesa study in programming interdependent activities in an integrated oil company. Econometrica, v. 20, n. 2, p.
135159, 1952.
CHIMA, C. M.; HILLS, D. Supply-chain management issues in the oil and gas industry. Journal
of Business, v. 5, n. 6, p. 2736, 2007.
CHOPRA, S.; MEINDL, P. Supply Chain Management. [S.l.]: Prentice Hall, 2001.
CHRISTENSEN, J. H. Holonic manufacturing systems: Initial architecture and standards directions. In: . [s.n.], 1994. Disponvel em: <http://holobloc.com/papers/hannover.zip>.
CHU, Y.; XIA, Q. A hybrid algorithm for a class of resource constrained scheduling problems.
Lecture Notes in Computer Science, v. 3524, p. 110, 2005.
CLARK, A. J.; SCARF, H. Optimal policies for a multiechelon inventory problem. Management
Science, n. 6, p. 475490, 1958.
COXHEAD, R. E. Integrated planning and Scheduling Systems for the Refining Industry. New
York: John Wiley & Sons, 1994.
CSCMP.
CSCMP
mission
&
goals.
2000.
Disponvel
<http://cscmp.org/sites/default/les/user_uploads/resources/downloads/glossary.pdf>.

em:

DAKE, L. P. The Practice of Reservoir Engineering. revised. [S.l.]: Elsevier, 2004. (Developments in Petroleum Science, v. 36).

225

DANTZIG, G. B. Maximization of a linear function subject to linear inequalities. [S.l.]: John


Wiley & Sons, 1951. 339347 p.
DAS, S. K.; SARIN, S. C. An integrated approach to solving the master aggregate scheduling
problem. International Journal of Production Economics, n. 34, 1994.
DECHTER, R. Constraint Processing. [S.l.]: The Morgan Kaufmann, 2003.
DECROIX, G. A.; ARREOLA-RISA, A. Optimal production and inventory policy for multiple
products under resource constraints. Management Science, v. 44, n. 7, p. 950961, 1998.
DIESTEL, R. Graph Theory (Graduate Texts in Mathematics). [S.l.]: Springer, 2005. Hardcover.
DIMITRIADIS A. D., S. N.; PANTELIDES, C. C. Rtn-based rolling horizon algorithms for
medium term scheduling of multipurpose plants. Computers and Chemical Engineering, v. 21,
p. S1061, 1997.
ECLIPSE. Eclipse nite difference simulation. www.slb.com, p. white paper, 2007.
EICHMAN, D. A. Creating a high-performance downstream petroleum supply chain. Achieving
Supply Chain Excellence through Technology, p. 229232, 2000.
ERENGUC, S. S.; SIMPSON, N.; VAKHARIA, A. Integrated production/distribution planning
in supply chains: An invited review. Euro. Journal of Operational Res., v. 115, p. 219, 1999.
EVERETT, H. I. Generalized lagrangemultiplier method for solving problems of optimum allocation of resources. Operations Research, v. 11, p. 399411, 1963.
EZZAHIR, R.; BESSIERE, C.; BELAISSAOUI, M.; BOUYAKHF, E. Dischoco: A platform
for distributed constraint programming. In: DCR07: Eighth International Workshop on Distributed Constraint Reasoning - In conjunction with IJCAI07. Hyderabad, India: [s.n.], 2007. p.
1621.
FALTINGS, B.; YOKOO, M. Introduction: special issue on distributed constraint satisfaction.
Artificial Intelligence, n. 161, p. 15, 2005.
FEIGIN, G. E.; AN, C.; CONNORS, D.; CRAWFORD, I. Shape up, ship out. OR/MS Today,
v. 23, p. 2430, 1996.
FERBER, D. F. FacadeOPL. 2012. Disponvel em: <https://github.com/danielferber/FacadeOPL>.
FERBER, J. Les systmes multi-agents. Vers une intelligence collective. [S.l.]: InterEditions,
1995.
FERBER, J.; GUTKNECHT, O. A meta-model for the analysis and design of organizations
in multi-agent systems. In: ICMAS98. [S.l.]: Y. Demazeau, E. Durfee, and N. Jennings, Eds.,
1998.
FISCHER, K.; MLLER, J.; PISCHEL, M. Cooperative transportation scheduling: An application domain for DAI. Applied Artificial Intelligence, v. 10, n. 1, p. 134, 1996.

226

FISCHER, K.; SCHILLO, M.; SIEKMANN, J. Holonic multiagent systems: A foundation for
the organisation of multiagent systems. In: Holonic and Multi-Agent Systems for Manufacturing. [S.l.]: Springer Berlin Heidelberg, 2003, (Lecture Notes in Computer Science, v. 2744).
p. 7180.
FISHER, M. L. The lagrangean relaxation method for solving integer programming problems.
Management Science, v. 27, p. 118, 1981.
FLOUDAS, C. A. Nonlinear and mixed-integer optimization: Fundamentals and applications.
Oxford, England: Oxford University Press, 1995.
FORREST, J.; OETTLI, M. Rigorous simulation supports accurate renery decisions. In: Proceedings of fourth international conference on foundations of computer-aided process operations. Coral Springs, USA: [s.n.], 2003. p. 273280.
FORRESTER, J. W. Industrial dynamics: A major breakthrough for decision makers. Harvard
Business Review, n. 4, p. 3766, 1958.
FORRESTER, J. W. Industrial Dynamics. [S.l.]: MIT Press, 1961.
FOX, M. S.; CHIONGLO, J. F.; BARBUCEANU, M. The integrated supply chain management
system. [S.l.], 1993.
GALLAND, S.; GRIMAUD, F.; BEAUNE, P.; CAMPAGNE, J. P. Mama-s: an introduction to
a methodological approach for the simulation of distributed industrial systems. International
Journal of Production Economics, n. 85, p. 1131, 2003.
GARCIA, E. S.; REIS, L. M. T. V.; MACHADO, L. R.; FERREIRA, V. J. M. Gesto de Estoques : otimizando a logstica e a cadeia de suprimentos. [S.l.]: E-papers Servios Editoriais,
2006.
GEHRKE, J. D. Collaborative experimentation using agent-based simulation. In: Proceedings
of the 2008 Workshop on Building Computational Intelligence and Machine Learning Virtual
Organizations. [S.l.: s.n.], 2008.
GEOFRION, A. M. Generalized benders decomposition. Journal of Optimization Theory and
Applications, v. 10, p. 237260, 1972.
GERBER, C.; SIEKMANN, J.; VIERKE, G. Holonic multi-agent systems. Research Report,
v. 99, n. 3, 1999.
GIRET, A.; BOTTI, V. Holons and agents. Journal of Intelligent Manufacturing, v. 15, p. 645
659, 2004.
GOU, L.; LUH, P. B.; KYOYA, Y. Holonic manufacturing scheduling: architecture, cooperation
mechanism, and implementation. Computers in Industry, Elsevier, v. 37, n. 3, p. 213231, 1998.
GRAUDINA, V.; GRUNDSPENKIS, J. Technologies and multi-agent system architectures for
transportation and logistics support: an overview. In: Proceedings CompSysTech2005 International Conference on Computer Systems and Technologies. [S.l.: s.n.], 2005. p. 6166.
GRAVES, S. Using lagrangean techniques to solve hierarchical production planning problems.
Management Sci., v. 28, p. 260, 1982.

227

GRAVES, S. C.; WILLEMS, S. P. Optimizing strategic safety stock placement in supply chains.
Manufacturing & Service Operations Management, v. 2, n. 1, p. 6883, 2000.
GREENSTADT, R.; PEARCE, J. P.; TAMBE, M. Analysis of privacy loss in distributed constraint optimization. In: The 21st National Conference on Artificial intelligence. [S.l.: s.n.], 2006.
p. 647653.
GRINSHPOUN, T.; ZAZON, M.; BINSHTOK, M.; MEISELS, A. Termination problem of the
apo algorithm. In: the Eighth International Workshop on Distributed Constraint Reasoning.
[S.l.: s.n.], 2007.
GROSSMAN, I. E.; HEEVER, S. A. van den; HARJUNKOSKI, I. Discrete optimization
methods and their role in the integration of planning and scheduling. In: Proceedings of Chemical Process Control Conference 6. Tucson, USA: [s.n.], 2001.
GROSSMANN, I. Enterprise-wide optimization: A new frontier in process systems engineering. AIChE J., v. 51, p. 18461857, 2005.
GROSSMANN, I. E. Review of nonlinear mixed-integer and disjunctive programming techniques for process systems, engineering. Optimization and Engineering, n. 3, p. 227 252, 2002.
GROSSMANN, I. E.; BIEGLER, L. T. Optimizing chemical processes. Chemistry and Technology, p. 2735, 1995.
GRUNBAUM, B. Convex Polytopes, Graduate Texts in Mathematics. [S.l.]: Springer Verlag,
2003.
GUIGNARD, M.; KIM, S. Lagrangeandecomposition:amodel yielding stronger lagrangean
bounds. Mathematical Programming, v. 39, p. 215228, 1987.
HARJUNKOSKI, I.; GROSSMANN, I. E. Decomposition techniques for multistage scheduling
problems using mixed-integer and constraint programming methods. Computers and Chemical
Engineering, v. 26, p. 1533, 2002.
HEEVER, S. A. Van den; GROSSMANN, I. E. Disjunctive multiperiod optimization methods
for design and planning of chemical process systems. Computers and Chemical Engineering,
v. 23, p. 10751095, 1999.
HEEVER, S. A. Van den; GROSSMANN, I. E. A strategy for the integration of production
planning and reactive scheduling in the optimization of a hydrogen supply network. Computers
and Chemical Engineering, v. 27, p. 1813, 2003.
HIKKANEN, A.; KALAKOTA, R.; SAENGCHAROENRAT, P.; STALLAERT, J.; WHINSTON, A. Distributed decision support systems for real time supply chain management using
agent technologies. Readings in Electronic Commerce, p. 275291, 1997.
HILAIRE, V.; KOUKAM, A.; RODRIGUEZ, S. An Adaptative Agent Architecture for Holonic
Multi-Agent Systems. ACM Transactions on Autonomous and Adaptive Systems, v. 3, n. 1,
2008.
HMS, P. R. HMS Requirements. 1994. Disponvel em: <http://hms.ifw.uni-hannover.de/: HMS
Server>.

228

HOOK, M. Depletion and Decline Curve Analysis in Crude Oil Production. Tese (Licentiate
Thesis) Uppsala University, 2009.
HOOKER, J. N. Logic-Based Methods for Optimization: Combining Optimization and Constraint Satisfaction. [S.l.]: Wiley, 2000.
HOOKER, J. N.; OTTOSSON, G.; THORSTEINSSON, E. S.; KIM, H. J. On integrating constraint propagation and linear programming for combinatorial optimization. In: Proceedings 16th
national conference on artificial intelligence (AAAI). [S.l.]: The AAAI Press/MIT Press, 1999.
p. 136.
HUBNER, J. F.; SICHMAN, J. S.; BOISSIER, O. A. Model for the structural, functional,
and deontic specication of organizations in multiagent systems. In: Simposio Brasileiro de
Inteligncia Artificial (SBIA). [S.l.]: The AAAI Press/MIT Press, 2002. p. 118128.
HUHNS, M.; STEPHENS, L. Multi-agent systems and societies of agents. MIT Press, p. 79
120, 1999.
IBM. IBM ILOG OPL Language Users Manual. [S.l.], 2009.
IPI.
About
API.
American
<http://www.api.org/aboutapi/>.

Petroleum

Institute,

2012.

Disponvel

em:

JACKSON, J.; GROSSMANN, I. E. A temporal decomposition scheme for nonlinear multisite


production planning and distribution models. I & EC Research, v. 42, p. 3045, 2003.
JAIN, V.; GROSSMANN, I. Cyclic scheduling and maintenance of parallel process units with
decaying performance. AIChE J., v. 44, p. 1623, 1998.
JAIN, V.; GROSSMANN, I. E. Algorithms for hybrid milp/cp models for a class of optimization
problems. INFORMS Journal on Computing, v. 13, p. 258, 2001.
JENNINGS, N. On agent-based software engineering. Artificial Intelligence, n. 117, 2000.
JENNINGS, N.; WOOLDRIDGE, M.; SYCARA, K. A roadmap of agent research and development. Autonomous Agents and Multi-Agent Systems, v. 1, n. 1, p. 738, 1998.
JOLY, M.; MORO, L. F. L.; PINTO, J. M. Planning and scheduling for petroleum reneries
using mathematical programming. Brazilian Journal of Chemical Engineering, v. 19, n. 2, p.
207 228, 2002.
JONES, W. M. C.; PADDOCK, K. F. Modern petroleum technology - Transport by pipeline. 5th
part i. ed. [S.l.]: Wiley, 1982.
KALLRATH, J. Mixed integer optimization in the chemical process industry: Experience, potential and future. Trans. I. Chem. E., n. 78, p. 809 822, 2000.
KALLRATH, J. Planning and scheduling in the process industry. OR Spectrum, v. 24, p. 219,
2002.
KARAGEORGOS, A.; MEHANDJIEV, N.; WEICHHART, G.; HAMMERLE, A. Agent-based
optimization of logistics and production planning. Engineering Applications of Artificial Intelligence, n. 16, p. 335 348, 2003.

229

KELLY, J. D. Chronological decomposition heuristic for scheduling: Divide and conquer


method. AIChE Journal, v. 48, p. 2995, 2002.
KELLY, J. D. Formulating production planning models. Chemical Engineering Program, v. 100,
p. 43, 2004.
KELLY, J. D.; ZYNGIER, D. Hierarchical decomposition heuristic for scheduling: Coordinated reasoning for decentralized and distributed decision-making problems. Computers and
Chemical Engineering, v. 32, p. 2684, 2008.
KHOR, C.; ELKAMEL, A. Optimization Strategies: Petroleum Refinery Planning under Uncertainty. [S.l.]: VDM Verlag Dr. Mueller e. K Publishing House, 2008.
KOESTLER, A. The Ghost in the Machine. 1st. ed. London: Hutchinson & Co, 1967.
KUCHCINSKI, K.; SZYMANEK, R. JaCoP: Java constraint programming solver. 2012. Disponvel em: <http://jacop.osolpro.com>.
KUMAR, A.; OW, P. S.; PRIETULA, M. J. Organizational simulation and information systems
design: An operations level example. Management Science, v. 2, n. 39, p. 218240, 1993.
LABARTHE, O.; ESPINASSE, B.; FERRARINI, A.; MONTREUIL, B. Toward a methodological framework for agent-based modelling and simulation of supply chains in a mass customization context. Simulation Modelling Practice and Theory, 2007.
LARROSA, J.; SCHIEX, T. Solving weighted csp by maintaining arc consistency. Artificial
Intelligence, v. 159, p. 126, 2004.
LASSCHUIT, W.; THIJSSEN, N. Supporting supply chain planning and scheduling decisions
in the oil and chemical industry. Computers and Chemical Engineering, n. 28, p. 863870,
2004.
LEAUTE, T.; OTTENS, B.; SZYMANEK, R. FRODO 2.0: An open-source framework for
distributed constraint optimization. In: Proceedings of the IJCAI09 Distributed Constraint Reasoning Workshop (DCR09). Pasadena, California, USA: [s.n.], 2009. p. 160164.
LEE, H.; PINTO, J. M.; GROSSMANN, I. E.; PARK, S. Mixed-integer linear programming
model for renery short-term scheduling of crude oil unloading with inventory management.
Ind. Eng. Chem. Res., n. 35, p. 16301641, 1996.
LEITO, P.; RESTIVO, F. A holonic control approach for distributed manufacturing applications. In: Proceedings of the Fifth IEEE-IFIP International Conference on Information Technology for Balanced Automation Systems in Manufacturing and Services. Cancun(Mxico): [s.n.],
2002.
LENDERMANN, P.; BOON, P. G.; MCGINNIS, L. F. Distributed simulation with incorporated
aps procedures for high-delity supply chain optimization. In: Proceedings of the 2001 Winter
Simulation Conference. [S.l.: s.n.], 2001.
LUTATI, B.; GONTMAKHER, I.; LANDO, M. AgentZero: a framework for executing, analyzing and developing DCR algorithms. 2012. Disponvel em: <http://code.google.com/p/azapitest/>.

230

LYNCH, N. A. Distributed Algorithms. [S.l.]: Morgan Kaufmann, 1996.


MAGALHAES, M. V. O.; MORO, L. F. L.; SMANIA, P.; HASSIMOTTO, M. K.; PINTO,
J. M.; ABADIA, G. J. Sipp . a solution for renery scheduling. In: 1998 NPRA Computer
Conference. [S.l.: s.n.], 1998.
MAILLER, R.; LESSER, V. Solving distributed constraint optimization problems using cooperative mediation. In: Proceedings of Third International Joint Conference on Autonomous
Agents and Multiagent Systems (AAMAS 2004). [S.l.]: IEEE Computer Society, 2004. p. 438
445.
MALONE, T. Modeling coordination in organizations and markets. Management Science, v. 10,
n. 33, p. 13171332, 1987.
MAPLES, R. E. Petroleum Refinery Process Economics. 2st. ed. [S.l.]: Pennwell Books, 2000.
MARAVELIAS, C.; GROSSMANN, I. E. A hybrid milp/cp decomposition approach for the
continuous time scheduling of multipurpose batch plants. Comp. and Chem. Eng., v. 28, p. 1921,
2004.
MARAVELIAS, C.; SUNG, C. Integration of production planning and scheduling: Overview,
challenges and opportunities. Computers and Chemical Engineering, v. 33, p. 19191930, 2009.
MARCELLINO, F. J. M.; SICHMAN, J. S. Oil industry supply chain management as a holonic agent based distributed constraint optimization problem. In: AILog - ECAI 2010. Lisbon,
Portugal: [s.n.], 2010.
MCKAY, K. N.; SAFAYENI, F. R.; BUZACOTT, J. A. A review of hierarchical production
planning and its applicability for modern manufacturing. Production Planning & Control, v. 6,
p. 384, 1995.
MILANO, M. Constraint and Integer Programming: Toward a Unified Methodology. [S.l.]:
Kluwer Academic Publishers, 2003.
MILLER, D. M. An iterative computer-aided ship scheduling system. European Journal of
Operational Research, n. 32, p. 363379, 1987.
MILLER, R. G. A future for exploration geochemistry. Organic Chemistry: Developments and
Applications to Energy, Climate Environment and Human History, 1995.
MODI, P. J.; SHEN, W.; TAMBE, M.; YOKOO, M. An asynchronous complete method for
distributed constraint optimization. In: AAMAS03. [S.l.: s.n.], 2003.
MODI, P. J.; SHEN, W.; TAMBE, M.; YOKOO, M. Adopt: Asynchronous distributed constraint optimization with quality guarantees. Artificial Intelligence, v. 161, p. 149180, 2005.
MORO, L. F. L.; PINTO, J. M. A mixed-integer model for short-term crude oil scheduling. In:
AIChE Annual National Meeting. Miami Beach: [s.n.], 1998.
MUCKSTADT, J.; MURRAY, D.; RAPPOLD, J.; COLLINS, D. Guidelines for collaborative
supply chain system design and operation. Information Systems Frontiers, n. 3, p. 427435,
2001.

231

NEIRO, S. M. S.; PINTO, J. M. Supply chain optimization of petroleum renery complexes.


Comp. and Chem. Eng., v. 28, p. 871, 2004.
NEIRO, S. M. S.; PINTO, J. M. Multiperiod optimization for production planning of petroleum
reneries. Chemical Engineering Communications, v. 192, p. 62, 2005.
PAPADIMITRIOU, C. H.; STEIGLITZ, K. Combinatorial Optimization : Algorithms and
Complexity. [S.l.]: Dover Publications, 1998.
PAPAGEORGIOU, L. G.; PANTELIDES, C. C. Optimal campaign planning/scheduling of multipurpose batch/semicontinuous plants. 1. mathematical formulation. Industrial and Engineering Chemistry Research, v. 35, p. 488, 1996.
PARUNAK, H. V. D.; SAVIT, R.; RIOLO, R. Agent-based modeling vs. equation-based modeling: A case study and users guide. In: Proceedings Of Workshop on Multi-agent Systems and
Agent-based Simulation (MABS 98). [S.l.: s.n.], 1998.
PASHIKANTI, K.; LIU, Y. A. Predictive modeling of large-scale integrated renery reaction
and fractionation systems from plant data. part 2: Fluid catalytic cracking (fcc) process. Energy
& Fuels, v. 25, n. 11, 2011.
PEKNY, J. F.; REKLAITIS, G. V. Towards the convergence of theory and practice: A technology guide for scheduling/planning methodology. AIChE Symposium Series, v. 94, p. 91111,
1998.
PEREA, E.; GROSSMANN, I. E.; YDSTIE, E.; TAHMASSEBI, T. Dynamic modeling and
decentralized control of supply chains. I&EC Res., v. 40, p. 3369, 2001.
PETCU, A.; FALTINGS, B. A distributed, complete method for multi-agent constraint optimization. In: Proceedings of the Fifth International Workshop on Distributed Constraint Reasoning (DCR2004) in CP 2004. [S.l.: s.n.], 2004.
PETCU, A.; FALTINGS, B. A scalable method for multiagent constraint optimization. In: Proceedings of the International Joint Conference on Artificial Intelligence. [S.l.: s.n.], 2005. p.
266271.
PETCU, A.; FALTINGS, B.; MAILLER, R. Pc-dpop: a new partial centralization algorithm
for distributed optimization. In: Proceedings of the International Joint Conference on Artificial
Intelligence. Hyderabad, India: [s.n.], 2007. p. 167172.
PINEDO, M. Scheduling: Theory, Algorithms, and Systems. [S.l.]: Prentice Hall, 2001.
PINTO, J.; GROSSMANN, I. E. Optimal scheduling of multistage multiproduct continuous
plants. Comp. and Chem. Eng., v. 9, p. 797, 1994.
PINTO, J. M.; JOLY, M.; MORO, L. F. Planning and scheduling models for renery operations.
Computers and Chemical Engineering, n. 24, p. 22592276, 2000.
PINTO, J. M.; NEIRO, S. M. S. A general modeling framework for the operational planning of
petroleum supply chains. Computers and Chemical Engineering, n. 28, p. 871896, 2004.
POIRIER, C. C.; REITER, S. E. Supply Chain Optimization: Building the Strongest Total Business Network. [S.l.]: Berrett-Koehler Publishers, 1996.

232

PORTEUS, E. L. Stochastic inventory theory. Elservier Science Publishers, Amsterdam, v. 2, p.


605652, 1990.
RAMIREZ, A.; ROMERO, A.; CHAVEZ, F.; CARRILLO, F.; LOPEZ, S. Mathematical simulation of oil reservoir properties. Chaos, Solitons & Fractals, v. 32, p. 778788, November
2008.
REKLAITIS, G. V. Review of scheduling of process operations. v. 78, n. 214, p. 119133, 1982.
RIGBY, B.; LASDON, L. S.; WAREN, A. D. The evolution of texacos blending systems: from
omega to starblend. Interfaces, v. 5, n. 25, p. 6483, 1995.
RIZZOLI, A. E.; GAMBARDELLA, L. M.; BONTEMPI, G. Simulation of an intermodal container terminal to assist the management in the decision making process. In: Proceedings MODSIM 9, International Congress on Modeling and Simulation. Hobart, Tasmnia: [s.n.], 1997.
ROBELIUS, F. Giant Oil Fields - The Highway to Oil: Giant Oil Fields and their Importance
for Future Oil Production. Tese (Doutorado) Uppsala University, 2007.
ROCHA, R.; GROSSMANNB, I. E.; ARAGAO, M. V. S. Poggi de. Petroleum allocation at petrobras: Mathematical model and a solution algorithm. Computers and Chemical Engineering,
n. 33, p. 21232133, 2009.
ROUSSE, O.; LECOUTRE, C. Xml representation of constraint networks: Format xcsp 2.1.
CoRR, abs/0902.2362, 2009.
SADEH, N. M.; LALIBERTY, T.; SMITH, S. F.; BRYANT, R. Development of an integrated
process planning/production scheduling shell for agile manufacturing. Pittsburgh, USA, 1995.
SALIDO, M. A.; BARBER, F. Distributed {CSPs} by graph partitioning. Applied Mathematics
and Computation, v. 183, n. 1, p. 491498, 2006.
SALIDO, M. A.; GIRET, A. Feasible distributed {CSP} models for scheduling problems. Engineering Applications of Artificial Intelligence, v. 21, n. 5, p. 723732, 2008.
SALIDO, M. A.; GIRET, A.; BARBER, F. Distributing constraints by sampling in non-binary
csps. In: IJCAI Workshop on Distributing Constraint Reasoning. [S.l.: s.n.], 2003. p. 7987.
SASIKUMAR, M. Pipes: a heuristic search model for pipeline schedule generation. KnowlBased System, n. 10, 1997.
SATTER, A.; IQBAL, G. M.; BUCHWALTER, J. L. Practical Enhanced Reservoir Engineering. [S.l.]: Pennwell Books, 2008.
SHAH, N. Mathematical programming techniques for crude oil scheduling. Comput. Chem.
Eng., n. 20, p. S1227 S1232, 1996.
SHAH, N. Single- and multisite planning and scheduling: Current status and future challenges.
AIChE Symposium Series, v. 94, p. 75, 1998.
SHAPIRO, J. F. Modeling the Supply Chain. Pacic Grove CA: Duxbury Press, 2006.
SHIEX, T.; FARGIER, H.; VERFAILLIE, G. Valued constraint satisfaction problems : hard
and easy problems. In: IJCAI-95. [S.l.: s.n.], 1995. p. 631637.

233

SILAGHI, M.; FALTINGS, B. Asynchronous aggregation and consistency in distributed constraint satisfaction. Artificial Intelligence, v. 161, n. 12, p. 2553, 2005.
SIMCHI-LEVI, D.; KAMINSKY, P.; SIMCHI-LEVI, E. Designing and managing the supply
chain. [S.l.]: McGraw-Hill Higher Education, 2000.
SIMON, H. A. The Sciences of the Artificial. [S.l.]: MIT Press, 1996.
SMITH, R. G. The contract net protocol: High-level communication and control in a distributed
problem solver. IEEE Transactions on Computers, IEEE Computer Society, C-29, n. 12, p.
11041113, 1980.
STUBEN, K.; CLEES, T.; KLIE, H.; LOU, B.; WHEELER, M. F. Algebraic multigrid methods
(amg) for the efcient solution of fully implicit formulations in reservoir simulation. In: 2007
SPE Reservoir Simulation Symposium. [S.l.: s.n.], 2007.
SUBRAHMANYAM S., P. J. F.; REKLAITIS, G. V. Decomposition approaches to batch plant
design and planning. Industrial and Engineering Chemistry Research, v. 35, p. 1866, 1996.
SUKOYO; MATSUOKA, S.; MURAKI, M. Production planning formulti-site batch plants with
the milp method. Journal of the Japan Petroleum Institute, v. 47, p. 318, 2004.
SULTANIK, E. A.; LASS, R. N.; REGLI, W. C. DCOPolis: A framework for simulating and
deploying distributed constraint optimization algorithms. In: Proceedings of the Ninth International Workshop on Distributed Constraint Reasoning. [S.l.: s.n.], 2007.
SUNG, C.; MARAVELIAS, C. T. An attainable region approach for production planning of
multi-product processes. AIChE Journal, v. 53, p. 1298, 2007.
SVORONOS, A.; ZIPKIN, P. Evaluation of one-for-one replenishment policies for multiechelon inventory systems. Management Science, v. 1, n. 37, p. 6883, 1991.
SWAMINATHAN, J. M. Quantitative analysis of emerging practices in supply chains. Tese
(Doutorado) Carnegie Mellon University, 1996.
SWAMINATHAN, J. M.; SMITH, S. F.; SADEH, N. M. Modeling Supply Chain Dynamics :
A Multiagent Approach. Decision Sciences, v. 29, n. 3, p. 607632, 1998.
SYSMONDS, G. H. Linear programming: The solution of refinery problems. [S.l.], 1955.
TECHO, R.; HOLBROOK, D. L. Computer scheduling the worlds biggest product pipeline.
Pipeline Gas Journal, n. 4, 1974.
TERZI, S.; CAVALIERI, S. Simulation in the supply chain context: a survey. Computers in
Industry, n. 53, p. 316, 2004.
TOWILL, D. R.; NAIM, M. M.; WIKNER, J. Industrial dynamics simulation models in the
design of supply chains. International Journal of Physical Distribution and Logistics Management, v. 5, n. 22, p. 313, 1992.
TSANG, E. P. K. Foundations of Constraint Satisfaction. [S.l.]: Academic Press, 1993. (Computation in cognitive science).

234

TURKAY, M.; GROSSMANN, I. E. Logic-based minlp algorithms for the optimal synthesis of
process networks. Computers and Chemical Engineering, v. 20, p. 959978, 1996.
ULIERU, M.; WALKER, S.; BRENNAN, B. Holonic enterprise as a collaborative information
ecosystem. In: Workshop on Holons: Autonomous and Cooperative Agents for the Industry, 5th
International Conference on Autonomous Agents. Montreal(Canad): [s.n.], 2001.
VAKHARIA, A. J.; ERENGUC, S. S.; SIMPSON, N. C. Integrated production/distribution
planning in supply chains: an invited review. European Journal of Operational Research,
n. 115, 1999.
VECCHIETTI, A.; GROSSMANN, I. E. Modeling issues and implementation of language for
disjunctive programming. Computers and Chemical Engineering, v. 24, p. 21432155, 2000.
VERSTEEGH, F.; SALIDO, M. A.; GIRET, A. A holonic architecture for the global road
transportation system. Journal of Intelligent Manufacturing, Springer US, v. 21, n. 1, p. 133
144, 2010.
W3C.
Extensible
Markup
<http://www.w3.org/XML/>.

Language

XM L.

2012.

Disponvel

em:

WEISS, G. Adaptation and learning in multi-agent systems: some remarks and a bibliography.
In: Proceedings IJCAI95 Workshop on Adaptation and Learning in Multi-Agent Systems. [S.l.]:
Springer, 1995. p. 122.
WILKINSON, S. J. Aggregate Formulations for Large-Scale Process Scheduling Problems,Ph.D. Thesis. Tese (Doutorado), 1996.
WILKINSON, S. J.; SHA, N.; PANTELIDES, C. C. Scheduling of multisite exible production
systems. In: Proceedings of the European Symposium on Computer-Aided Process Engineering
- 14. San Francisco, USA: [s.n.], 1994.
WINSTON, W. L. Introduction to mathematical programming. 2d. ed. Pacic Grove, Calif.:
Duxbury Press, 1995.
WOOLDRIDGE, M.; JENNINGS, N. Intelligent agent: theory and practice. Knowledge Engineering Review, v. 10, n. 2, p. 115142, 1995.
YAN, H. S.; ZHANG, X. D. A case study on integrated production planning and scheduling in a
threestage manufacturing system. IEEE Transactions on Automation Science and Engineering,
v. 4, p. 86, 2007.
YOKOO, M. Distributed constraint satisfaction: foundations of cooperation in multi-agent
system. [S.l.]: Springer Verlag, 2001.
YOKOO, M.; DURFEE, E. H.; ISHIDA, T.; KUWABARA, K. Distributed constraint satisfaction algorithm for complex local problems. In: Third International Conference on Multiagent
Systems ICM AS 98. [S.l.: s.n.], 1998. p. 372379.
YOKOO, M.; HIRAYAMA, K. Algorithms for distributed constraint satisfaction: A review.
Autonomous Agents and Multi-Agent Systems, v. 3, n. 2, p. 185207, 2000.

235

YOKOO, M. C.; DURFEE, E. H.; ISHIDA, T.; KUWABARA, K. Distributed constraint satisfaction for formalizing distributed problem solving. In: International Conference on Distributed
Computing Systems. [S.l.: s.n.], 1992. p. 614621.
YUAN, Y.; LIANG, T. P.; ZHANG, J. J. Using agent technology to support supply chain management: potentials and challenges. In: Supply Chain Transformation in the eBusiness Environment: Issues, Solutions and the Future, the First Annual Symposium on Supply Chain
Management. [S.l.: s.n.], 2003.
ZABAL, J. C. Distribution des Produits Ptroliers par Mr. [S.l.]: Universit Montreal, 1984.
ZELINKOVSKY, R. Global automated
<http://www.global-transportation.com>.

transport

system.

2011.

Disponvel

em:

ZELLOU, A. M.; OUENES, A. Integrated fractured reservoir characterization using neural


networks and fuzzy logic: three case studies. Journal of Petroleum Geology, v. 4, n. 24, p.
459476, 2007.
ZHANG, N.; ZHU, X. X. A novel modelling and decomposition strategy for total site optimisation. Computers & Chemical Engineering, v. 30, p. 765777, 2006.
ZIPKIN, P. H. Models for design and control of stochastic, multi-item batch production systems.
Operations Research, v. 34, n. 1, p. 91104, 1986.

236

ANEXO A -- Prova do Algoritmo ADOPT

Foram utilizados nas prova trs teoremas para mostrar que ADOPT garantidamente termina com uma soluo tima global No Teorema 1, mostrado que os limitantes computados
por cada agente so sempre corretos. No Teorema 2, mostrado que o algoritmo sempre vai
terminar. Finalmente, no Teorema 3 mostrado que a soluo tima obtida no trmino.
Propriedade 1 usada na prova do Teorema 1. Deixe OP T (xi , contexto) denotar o custo
da soluo tima na subrvore com raiz em xi , dado que as variveis de maior prioridade tm
valores em contexto.
Propriedade1:xi V ,
def

OP T (xi , ContextoAtual) = mindDi (d) +

xl F ilhos

OP T (xl , ContextoAtual (xi , d))

Por exemplo se xi uma folha, ento OP T (xi , contexto) igual a (d), onde d o valor
que minimiza. Esta propriedade indutiva arma que que o custo da soluo tima em uma
subrvore com raiz em xi obtido quando xi escolhe o valor d que minimiza a soma de seu
custo local mais o custo da soluo tima em sua subrvore. Teorema 1 mostra que o limitante
inferior LB calculado por um agente nunca maior do que o custo da soluo tima dentro da
sua subrvore, e o limitante superior UB nunca menor do que o custo da soluo tima dentro
da sua subrvore. A prova do Teorema 1 procede por induo. O caso base decorre do fato que
LB = OP T (xi , ContextoAtual) = U B sempre verdade em um agente folha. A hiptese
indutiva supoe que LB (UB) enviada por xi a seu pai nunca maior (menor) do que o custo da
soluo tima na subrvore com raiz em xi . A prova tambm se baseia no fato de que os custos
so relatados para apenas um pai de forma que no haja dupla contagem de custos.
Teorema1:xi V ,
LB OP T (xi , ContextoAtual) U B

237

Prova:Por induo nas prioridades dos agentes.


Caso Base I: xi uma folha. The equations for LB and UB simplify to mindDi (d) desde
que xi no tenha lhos. Propriedade 1 simplica para LB = OP T (xi , ContextoAtual) =

mindDi (d) pela mesma razo. Assim concluimos que LB = mindDi (d) = OP T (xi , ContextoAtual) =
U B. Concludo.
Caso Base II: Todo lho de xi uma folha. Mostraremos que LB OP T (xi , ContextoAtual)
U B. A prova para LB OP T (xi , ContextoAtual) anloga.
J que todos os lhos xi so folhas, sabemos do Caso Base I que lb(d, xl ) OP T (xl , ContextoAtual
(xi , d)). Alm disso, cada lho envia mensagens COST somente para xi , de modo que os custos
no so contados duas vezes. Substitumos OP T (xl , ContextoAtual) (xi , d)) por lb(d, xl )
na denio de LB para chegar no seguinte:
P
LB = mindDi (d) = xl F ilhos lb(d, xl )
P
mindDi (d) + xl F ilhos OP T (xl , ContextoAtual (xi , d))
Agora podem simplicar Propriedade 1 no acima para obter

LB OP T (xi , ContextoAtual)
e temos concludo.

Hiptese Indutiva: d Di , xl F ilhos,

lb(d, xl ) OP T (xi , ContextoAtual (xi , d)) ub(d, xl )


A prova do caso geral identica quela do Caso Base II, exceto que supomos lb(d, xl )
OP T (xi , ContextoAtual (xi , d)) da Hiptese Indutiva, ao invs da suposio que x uma
folha. 
No Teorema 2, mostramos que Adopt eventualmente terminar. Um agente no raiz termina
quando threshold = UB verdade e uma mensagem TERMINATE foi recebida de seu pai. A
prova decorre do fato de que uma vez que um pai de um agente termina, LB monotonicamente
crescente. Desde LB monotonicamente crescente, e Teorema 1 mostrou que a LB tem um
limitante superior, LB deve eventuamente parar de mudar. Um argumento semelhante verdade
para a UB. Finalmente, o Threshold-Invariante fora threshold a permanecer entre LB e UB at
que nalmente threshold = UB ocorre.

238

Teorema2:xi V, seContextoAtual
ef ixo, ent
aothreshold = U Bvaieventualmenteocorrer
Prova:Por induo nas prioridades dos agentes.
Caso Base: xi uma folha. LB = UB sempre verdade em xi porque ele uma folha. Todo
agente mantm o Threshold-Invariante LB threshold U B. Assim, threshold = UB deve
sempre ser verdade em uma folha.

Hiptese Indutiva: Se ContextoAtual xo e xi xa o valor da sua para di , ento varivel


a di, ento xl F ilhos, threshold = UB vai eventualmente ocorrer em xl e vai reportar um
limitante superior ub via uma mensagem COST, onde ub = t(di , xl ) .
Suponha ContextoAtual xo. Para aplicar a hiptese indutiva, temos de mostrar que xi
vai eventualmente xar o valor de sua varivel. Para ver isso, observe que xi muda o valor de
sua varivel apenas quando LB(di ) aumenta. Pelo Teorema 1, LB sempre menor do que o
custo da soluo tima. LB no pode aumentar para sempre e assim xi deve nalmente parar de
mudar o valor de sua varivel. Podemos agora aplicar a hiptese indutiva que diz que quando
xi xa seu valor, cada lho acabar por reportar um limitante superior ub = t(di , xl ). Isto
signica que t(di , xl ) = ub(di , xl ). acabar por ser verdade em xi . Podemos substituir t(di , xl )
por ub(di , xl ) na denio de UB para obter o seguinte:
def

def

U B U B(di ) = (di )

ub(di , xl )

t(di , xl )

xl F ilhos

= (di ) =

xl F ilhos

Usando o AlocaoInvariante threshold = (di ) =

xl F ilhos

t(di , xl ), substitumos th-

reshold no acima para obter U B threshold. O lado direito do ThresholdInvariante declara threshold U B. Portanto, temos tanto U B threshold quanto threshold U B.
Entothreshold = U B deve ser verdade e o teorema est provado.
Como um aparte, nota-se que o algoritmo se comporta de forma diferente dependendo se
threshold de xi denido abaixo ou acima do custo da soluo tima. Se threshold for menor
do que o custo da soluo tima, ento quando LB aumenta acima de threshold, xi elevar
threshold at que nalmente, LB = threshold = U B ocorre. Por outro lado, se threshold
maior do que o custo da soluo tima, ento, quando UB diminui abaixo do threshold, xi vai
reduzir de forma que threshold = U B ocorre. No segundo caso, LB pode permanecer menos

239

de que UB na termino.
Teorema3:xi V , o valor nal de threshold igual a OP T (xi , ContextoAtual)
Caso Base: xi a raiz. A raiz termina quando o valor de seu threshold (nal) igual UB.
LB = threshold sempre verdadeiro na raiz porque threshold inicializado para zero e
aumentado medida que aumenta LB. A raiz no recebe mensagens THRESHOLD, de modo
que esta a nica maneira do threshold mudar. Conclumos que LB = threshold = U B
verdade quando a raiz termina. Isto signica que o valor do threshold nal da raiz o custo de
uma soluo tima global.

Hiptese Indutiva: Deixe xp representar o pai de xi . O valor nal do threshold de xp igual


a OP T (xp , ContextoAtual).
Procedemos por contradio. Suponha que o threshold nal de xi uma superestimativa.
Pela hiptese indutiva, o threshold nal de xp no um exagero. Signica que o AlocaoInvariante que se o threshold nal dado a xi (por xp ) demasiadamente elevado, xp deve ter dado
algum outro lho (um irmo de xi ), digamos xj , um threshold nal, que demasiadamente
baixo. Seja d denotar o valor atual de xp . J que o threshold de xj muito baixo, ele no ser
capaz de encontrar uma soluo sob o threshold dado e, assim, vai aumentar o seu prprio threshold. Ele ir informar lb a xp , onde lb > t(d, xj ). Usando os invariantes do Adopt, podemos
concluir que o threshold = U B no podem ser verdadeiro em xp , de modo que xp no pode
j ter terminado. De acordo com o ChildThresholdInvariant, xp vai aumentar o threshold de xj
para que lb(d, xj ) > t(d, xj ) .
Eventualmente, lb(d, xj ) alcanara o limitante superior e lb(d, xj ) = t(d, xj ) = lb(d, xj ) vai
valer. Isto contradiz a armao de que o threshold nal de xj muito baixo. Por contradio,
o valor nal do threshold de xj no pode ser muito baixo e o threshold nal de xi no pode ser
muito alto. 

240

ANEXO B -- Prova do Algoritmo DPOP

Neste anexo mostrada a prova de que o algoritmo DTREE correto e completo. Esta a
verso original e mais simples do DPOP, sendo justamente aquela que foi usada neste trabalho
(PETCU; FALTINGS, 2004).
Proposio1.Algoritmo correto e completo.

PROVA.
Correto:desde que no haja ciclos no problema, signica que todas as mensagens que o n
Xi recebe dos seus vizinhos, vem de partes disjuntas do problema de restries. Eles
representam avaliaes exatas da utilidade que pode ser obtida das subrvores com a raiz
nos ns emissores, para cada valor possvel que Xi pode assumir (pode ser inferido por
induo das folhas dentro da rvore). Somando todas as mensagens, Xi tem limitantes
superiores precisos sobre a quantidade de utilidade obtida do problema completo, para
cada um de seus valores; portanto fcil escolher aquele que fornece a utilidade mxima.
Completo:novamente, desde que no haja ciclos no problema, e todas as folhas iniciam a propagao de mensagem, garantido que cada n vai eventualmente receber k-1 mensagens
(com k = nmero de vizinhos) e portanto ele vai ser capaz de enviar sua k-sia mensagem.
Desta forma, ele vai tambm receber a mensagem nal do ltimo vizinho, levando para a
concluso do algoritmo para este n.

241

ANEXO C -- Representao de Instncias de


Problemas de Restries com XML

Estas extenses podem ser divididas

I. Representao XML de Instncias de DCOP

resumidamente nas seguintes sees principais (LEAUTE; OTTENS; SZYMANEK, 2009):


1.A seo <agents> dene os agentes no DCOP. Esta uma extenso feita ao formato
XCSP 2.1 a m de adapt-lo aos problemas distribudos;
2.A seo <domains> dene os valores dos domnios das variveis no DCOP. No necessrio criar um domnio para cada varivel, pois vrias variveis podem referenciar o
mesmo domnio;
3.A seo <variables> lista as variveis no DCOP, com seus correspondentes domnios de
valores permitidos, e os nomes dos agentes que os possuem. Um agente pode possuir
mais de uma varivel. O campo agent uma extenso feita ao formato XCSP 2.1 a m
de adapt-lo aos problemas distribudos;
4.A seo <relations> dene as relaes genricas sobre as variveis. Uma relao para
uma restrio o que um domnio para uma varivel: ela descreve uma noo genrica
sobre um certo nmero de variveis, sem especicar os nomes das variveis. Esta noo
pode, ento, ser implementada como restries sobre variveis especcas;
5.A seo <constraints> lista as restries no DCOP, atravs da referncia a relaes denidas previamente, e da aplicao delas a tuplas especcas de variveis.
A Fig. 43 mostra o exemplo de um arquivo XCSP do FRODO, que representa uma instncia do
problema de colorao de grafos com 3 cores e 3 vrtices na forma de DCOP (YOKOO, 2001).

II. Representao XML de Instncias de HCOP

Os seguintes atributos foram includos

nesta extenso, segundo a diviso utilizada na Seo 5.7:

242

<instance >
< p r e s e n t a t i o n name =" s a m p l e P r o b l e m " m a x C o n s t r a i n t A r i t y = " 2 "
maximize =" f a l s e " f o r m a t ="XCSP 2 . 1_FRODO" / >
< a g e n t s n b A g e n t s ="3" >
< a g e n t name =" a g e n t X " / >
< a g e n t name =" a g e n t Y " / >
< a g e n t name =" a g e n t Z " / >
</ a g e n t s >
< d o m a i n s nbDomains ="1" >
<domain name =" t h r e e _ c o l o r s " n b V a l u e s = " 3 " > 1 . . 3 < / domain >
</ domains >
< v a r i a b l e s n b V a r i a b l e s ="3" >
< v a r i a b l e name ="X" domain =" t h r e e _ c o l o r s " a g e n t =" a g e n t X " / >
< v a r i a b l e name ="Y" domain =" t h r e e _ c o l o r s " a g e n t =" a g e n t Y " / >
< v a r i a b l e name ="Z" domain =" t h r e e _ c o l o r s " a g e n t =" a g e n t Z " / >
</ v a r i a b l e s >
< r e l a t i o n s n b R e l a t i o n s ="1" >
< r e l a t i o n name ="NEQ" a r i t y = " 2 " n b T u p l e s = " 3 " s e m a n t i c s =" s o f t "
d e f a u l t C o s t ="0" > i n f i n i t y : 1 1 | 2 2 | 3 3 </ r e l a t i o n >
</ r e l a t i o n s >
< c o n s t r a i n t s n b C o n s t r a i n t s ="3" >
< c o n s t r a i n t name =" X _ a n d _ Y _ h a v e _ d i f f e r e n t _ c o l o r s " a r i t y = " 2 "
s c o p e ="X Y" r e f e r e n c e ="NEQ" / >
< c o n s t r a i n t name =" X _ a n d _ Z _ h a v e _ d i f f e r e n t _ c o l o r s " a r i t y = " 2 "
s c o p e ="X Z" r e f e r e n c e ="NEQ" / >
< c o n s t r a i n t name =" Y _ a n d _ Z _ h a v e _ d i f f e r e n t _ c o l o r s " a r i t y = " 2 "
s c o p e ="Y Z" r e f e r e n c e ="NEQ" / >
</ c o n s t r a i n t s >
</ i n s t a n c e >

Figura 43: Exemplo de um Arquivo XCSP do FRODO p/ DCOP

243

Dentro da seo agent j existente


extId : Identicao externa do agente na organizao interna do problema;
Dentro da seo variable j existente
extId : Identicao externa da varivel na organizao interna do problema;
level : Identicador numrico da camada holnica ou nvel associado varivel
role: Papel da varivel na organizao interna do problema
*Ex. renaria, terminal.
type: Papel da varivel na organizao holnica. Como ser uma das seguintes:
*holon: varivel holnica holon (superholon)
*head: varivel holnica cabea;
*atom: varivel holnica tomo;
*local: varivel local;
Criao das Restries Holnicas:
holonic: emergence
* intrnsecamente holnica
*entre holon e sua cabea
holonic: aggregation
* intrnsecamente holnica
*entre cabea e membros do holon
holonic: local
*entre variveis locais e\ou variveis holnicas
Tanto role quanto type representam papis na organizao interna do problema e na organizao holnica, respectivamente. HCOP herdou as caractersticas do DCOP generalizado para
problemas locais complexos, que tm vrias variveis por agente (vide Seo 5.3). Portanto, ele
tem vrias variveis por holon. Em geral, no modelo organizacional os papis so ligados aos
holons (agentes), exceto no caso do type local, onde existem um role para cada varivel local.

244

III. Representao XML de Instncias de HCOPs Complexos

Os seguintes atributos

foram includos nesta extenso, segundo a mesma diviso utilizada na Seo 5.7:
Dentro da seo variable j existente
actualDomain: Identica o domnio vetorial real da varivel
*Ex. plano de produo e estoque.
time: Nmero do perodo de tempo associado varivel
Criao de uma nova restrio holnica:
holonic: composition
* intrnsecamente holnica
*entre cabea e membros do supeholon
*agregao no mesmo espao e no mesmo tempo
(ao contrrio do holonic: aggregation , que agrega em qualquer espao e tempo)
A Fig. 44 mostra uma parte do XML da instncia analisada no caso de estudo descrito na Seo
8.4.2 e ilustrado na Fig. 36. Este XML utilizou as extenses criadas para o HCOP complexo.

245

Figura 44: Representao da Instncia da Fig. 36 em XCSP

246

ANEXO D -- Soluo Completa do Caso Padro no


Caso de Estudo do Captulo 8

Nvel = 4;
1. Holon global EE4 :
Varivel Holnica (varivel emergente):
Rv4 EE 4 = (62, 26, 45, 90, 14, 91, 161, 245)

Nvel = 3;
Variveis locais, i.e., os uxos de transporte entre os continentes e o SM:
Rf3AmericaSul Europa 3 = (0, 0, 0, 0, 100, 0, 0, 453)
Rf3Europa AmericaSul 3 = (0, 900, 0, 0, 0, 0, 0, 0)
Rf3AmericaSul AmericaN orte 3 = (0, 0, 0, 0, 380, 0, 1000, 1638)
Rf3AmericaN orte AmericaSul 3 = (0, 200, 0, 556, 0, 0, 0, 0)
Rf3AmericaSul Af rica 3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf3Af rica AmericaSul 3 = (100, 0, 0, 0, 0, 1300, 0, 0)
Rf3AmericaSul Asia 3 = (0, 0, 0, 0, 610, 0, 1000, 2273)
Rf3Asia AmericaSul 3 = (0, 100, 140, 344, 0, 0, 0, 0)
Rf3AmericaSul OrienteM edio 3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf3OrienteM edio AmericaSul 3 = (0, 0, 200, 0, 0, 1000, 0, 0)
Rf3AmericaSul SM 3 = (0, 0, 0, 0, 14, 0, 161, 245)
Rf3SM AmericaSul 3 = (62, 26, 45, 90, 0, 91, 0, 0)

247

Subholons:
1.1 Holon continente Europa3 :
Varivel Holnica (varivel de deciso):
Rv3 Europa 3 =0 = (0, 900, 0, 0, 100, 0, 0, 453)
1.2 Holon continente AmericaNorte3 :
Varivel Holnica (varivel de deciso):
Rv3 AmericaN orte 3 =0 = (0, 200, 0, 556, 380, 0, 1000, 1638)
1.3 Holon continente Africa3 :
Varivel Holnica (varivel de deciso):
Rv3 Af rica 3 =0 = (100, 0, 0, 0, 0, 1300, 0, 0)
1.4 Holon continente Asia3 :
Varivel Holnica (varivel de deciso):
Rv3 Asia 3 =0 = (0, 100, 140, 344, 610, 0, 1000, 2273)
1.5 Holon continente OrienteMedio3 :
Varivel Holnica (varivel de deciso):
Rv3 OrienteM edio 3 =0 = (0, 0, 200, 0, 0, 1000, 0, 0)
1.6 Holon continente AmericaSul3 :
Varivel Holnica (varivel emergente):
Rv3 AmericaSul 3 =0 = (180, 1230, 376, 1006, 1173, 2481, 2503, 4353)

Nvel = 2;
Variveis locais, i.e., os uxos de transporte entre as regies:
Rf2Centro Leste 2 =0 = (33, 0, 0, 0, 0, 50, 0, 0)
Rf2Centro Leste 2 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf2Leste Centro 2 =0 = (0, 1, 24, 106, 0, 0, 1545, 180)
Rf2Leste Centro 2 =1 = (0, 0, 0, 0, 0, 0, 3030, 610)
Rf2Centro Sul 2 =0 = (47, 0, 0, 0, 0, 0, 0, 0)

248

Rf2Centro Sul 2 =1 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf2Sul Centro 2 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf2Sul Centro 2 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf2Leste Sul 2 =0 = (0, 154, 0, 0, 0, 0, 476, 0)
Rf2Leste Sul 2 =1 = (0, 0, 0, 0, 0, 0, 952, 0)
Rf2Sul Leste 2 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf2Sul Leste 2 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Subholons:
1.6.1 Holon regio Sul2 :
Variveis Holnicas (variveis emergentes):
Rv2 Sul 2 =0 = (56, 154, 46, 75, 76, 0, 476, 0)
Rv2 Sul 2 =1 = (70, 273, 64, 87, 0, 0, 952, 0)
1.6.2 Holon regio Centro2 :
Variveis Holnicas (variveis emergentes):
Rv2 Centro 2 =0 = (80, 33, 55, 106, 577, 50, 1545, 180)
Rv2 Centro 2 =1 = (16, 688, 215, 1141, 180, 0, 3030, 610)
1.6.3 Holon regio Leste2 :
Variveis Holnicas (variveis emergentes):
Rv2 Leste 2 =0 = (33, 155, 24, 294, 248, 863, 4082, 2631)
Rv2 Leste 2 =1 = (67, 233, 29, 25, 23, 1578, 4082, 2768)

|Nvel = 1;
1.Dentro do holon regio Sul2 =0 :
(a)Variveis Holnicas (variveis de deciso):
i.Planos de Produo (Rv1 base 1 Rplanbase 1 )
RplanRef inaria1 1 =0 = (8, 58, 21, 73, 17, 0, 238, 0)

249

RplanRef inaria1 1 =1 = (8, 58, 21, 73, 17, 0, 238, 0)


RplanRef inaria1 1 =2 = (8, 58, 21, 73, 17, 0, 238, 0)
RplanRef inaria1 1 =3 = (8, 58, 21, 73, 17, 0, 238, 0)
ii.Estoques (Rv1 base 1 Restqbase 1 )

RestqRef
inaria1 1 =0 = (20, 125, 47, 105, 61, 0, 238, 0)

RestqRef
inaria1 1 =1 = (18, 50, 31, 88, 61, 0, 0, 0)

RestqRef
inaria1 1 =2 = (7, 41, 16, 0, 0, 0, 238, 0)

RestqRef
inaria1 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqT erminal1 1 =0 = (4, 3, 0, 31, 15, 0, 0, 0)


RestqT erminal1 1 =1 = (0, 0, 0, 31, 15, 0, 0, 0)
RestqT erminal1 1 =2 = (0, 0, 0, 31, 15, 0, 0, 0)
RestqT erminal1 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal2 1 =0 = (0, 0, 5, 0, 0, 0, 0, 0)
RestqT erminal2 1 =1 = (5, 11, 5, 0, 0, 0, 0, 0)
RestqT erminal2 1 =2 = (0, 11, 5, 23, 9, 0, 0, 0)
RestqT erminal2 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal3 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal3 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal3 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal3 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
(b)Fluxos de transporte (variveis locais) entre as bases:
Rf1Ref inaria1 T erminal1 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal1 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal1 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal1 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal1 Ref inaria1 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal1 Ref inaria1 1 =1 = (4, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal1 Ref inaria1 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal1 Ref inaria1 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal3 Ref inaria1 1 =0 = (0, 0, 0, 0, 0, 0, 238, 0)
Rf1T erminal3 Ref inaria1 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal3 Ref inaria1 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)

250

Rf1T erminal3 Ref inaria1 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1Ref inaria1 T erminal3 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal3 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal3 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal3 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal2 1 =0 = (0, 0, 0, 23, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal2 1 =1 = (0, 73, 0, 40, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal2 1 =2 = (0, 0, 0, 67, 9, 0, 0, 0)
Rf1Ref inaria1 T erminal2 1 =3 = (0, 30, 0, 18, 0, 0, 0, 0)
Rf1T erminal2 Ref inaria1 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal2 Ref inaria1 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal2 Ref inaria1 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal2 Ref inaria1 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
2.Dentro do holon regio Sul2 =1 :
(a)Variveis Holnicas (variveis de deciso):
i.Planos de Produo (Rv1 base 1 Rplanbase 1 )
RplanRef inaria1 1 =4 = (8, 58, 21, 73, 17, 0, 0, 238)
RplanRef inaria1 1 =5 = (8, 58, 21, 73, 17, 0, 0, 238)
RplanRef inaria1 1 =6 = (8, 58, 21, 73, 17, 0, 0, 238)
RplanRef inaria1 1 =7 = (8, 58, 21, 73, 17, 0, 0, 238)
ii.Estoques (Rv1 base 1 Restqbase 1 )

RestqRef
inaria1 1 =4 = (0, 9, 16, 17, 0, 0, 240, 0)

RestqRef
inaria1 1 =5 = (15, 6, 0, 0, 0, 0, 240, 0)

RestqRef
inaria1 1 =6 = (6, 0, 16, 22, 0, 0, 238, 0)

RestqRef
inaria1 1 =7 = (0, 1, 0, 0, 0, 0, 0, 0)

RestqT erminal1 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)


RestqT erminal1 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal1 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal1 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal2 1 =4 = (5, 0, 0, 0, 0, 0, 0, 0)

251

RestqT erminal2 1 =5 = (0, 11, 0, 0, 0, 0, 0, 0)


RestqT erminal2 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal2 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal3 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal3 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal3 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal3 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
(b)Fluxos de transporte (variveis locais) entre as bases:
Rf1Ref inaria1 T erminal1 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal1 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal1 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal1 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal1 Ref inaria1 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal1 Ref inaria1 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal1 Ref inaria1 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal1 Ref inaria1 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal3 Ref inaria1 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal3 Ref inaria1 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal3 Ref inaria1 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal3 Ref inaria1 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal3 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal3 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal3 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal3 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal2 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal2 1 =5 = (0, 0, 0, 38, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal2 1 =6 = (0, 0, 0, 1, 0, 0, 0, 0)
Rf1Ref inaria1 T erminal2 1 =7 = (0, 0, 0, 40, 0, 0, 0, 0)
Rf1T erminal2 Ref inaria1 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal2 Ref inaria1 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal2 Ref inaria1 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal2 Ref inaria1 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)

252

3.Dentro do holon regio Centro2 =0 :


(a)Variveis Holnicas (variveis de deciso):
i.Planos de Produo (Rv1 base 1 Rplanbase 1 )
RplanRef inaria2 1 =0 = (16, 104, 40, 143, 35, 0, 450, 0)
RplanRef inaria2 1 =1 = (16, 104, 40, 143, 35, 0, 450, 0)
RplanRef inaria2 1 =2 = (16, 104, 40, 143, 35, 0, 450, 0)
RplanRef inaria2 1 =3 = (16, 104, 40, 143, 35, 0, 450, 0)
RplanRef inaria3 1 =0 = (11, 70, 43, 83, 25, 0, 305, 0)
RplanRef inaria3 1 =1 = (9, 59, 34, 81, 25, 0, 0, 305)
RplanRef inaria3 1 =2 = (11, 70, 43, 83, 25, 0, 305, 0)
RplanRef inaria3 1 =3 = (9, 59, 34, 81, 25, 0, 0, 305)
RplanRef inaria4 1 =0 = (7, 54, 16, 60, 15, 0, 210, 0)
RplanRef inaria4 1 =1 = (7, 54, 16, 60, 15, 0, 210, 0)
RplanRef inaria4 1 =2 = (7, 54, 16, 60, 15, 0, 210, 0)
RplanRef inaria4 1 =3 = (7, 54, 16, 60, 15, 0, 210, 0)
ii.Estoques (Rv1 base 1 Restqbase 1 )

RestqRef
inaria2 1 =0 = (23, 209, 0, 193, 149, 0, 70, 0)

RestqRef
inaria2 1 =1 = (23, 173, 9, 60, 171, 0, 450, 0)

RestqRef
inaria2 1 =2 = (24, 16, 17, 86, 192, 0, 0, 0)

RestqRef
inaria2 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqRef
inaria3 1 =0 = (5, 86, 100, 70, 112, 0, 305, 310)

RestqRef
inaria3 1 =1 = (2, 82, 133, 0, 121, 0, 305, 205)

RestqRef
inaria3 1 =2 = (2, 60, 46, 18, 0, 0, 0, 305)

RestqRef
inaria3 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqRef
inaria3 1 =0 = (27, 120, 0, 77, 41, 0, 55, 0)

RestqRef
inaria3 1 =1 = (29, 106, 35, 74, 56, 0, 220, 0)

RestqRef
inaria3 1 =2 = (0, 15, 17, 55, 0, 0, 155, 0)

RestqRef
inaria3 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqRef
inaria4 1 =0 = (9, 32, 30, 79, 0, 0, 0, 0)

RestqRef
inaria4 1 =1 = (0, 0, 30, 22, 0, 0, 0, 0)

RestqRef
inaria4 1 =2 = (0, 12, 7, 0, 0, 0, 0, 0)

253

RestqRef
inaria4 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqT erminal4 1 =0 = (3, 34, 0, 34, 0, 0, 0, 0)


RestqT erminal4 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal4 1 =2 = (0, 34, 0, 0, 0, 0, 0, 0)
RestqT erminal4 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal5 1 =0 = (9, 0, 0, 19, 69, 0, 0, 0)
RestqT erminal5 1 =1 = (9, 0, 0, 19, 0, 0, 0, 0)
RestqT erminal5 1 =2 = (2, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal5 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal6 1 =0 = (0, 0, 12, 88, 33, 0, 450, 310)
RestqT erminal6 1 =1 = (0, 0, 12, 0, 33, 0, 130, 310)
RestqT erminal6 1 =2 = (0, 0, 12, 0, 0, 0, 0, 310)
RestqT erminal6 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal7 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal7 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal7 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal7 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal8 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal8 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal8 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal8 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
(b)Fluxos de transporte (variveis locais) entre as bases:
Rf1Ref inaria2 T erminal8 1 =0 = (0, 0, 53, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal8 1 =1 = (0, 35, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal8 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal8 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria2 1 =0 = (0, 0, 0, 0, 0, 0, 70, 0)
Rf1T erminal8 Ref inaria2 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria2 1 =2 = (0, 0, 0, 196, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria2 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal5 1 =0 = (0, 51, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal5 1 =1 = (0, 8, 0, 0, 0, 0, 0, 0)

254

Rf1Ref inaria2 T erminal5 1 =2 = (0, 81, 0, 0, 0, 0, 0, 0)


Rf1Ref inaria2 T erminal5 1 =3 = (0, 12, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 Ref inaria2 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 Ref inaria2 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 Ref inaria2 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 Ref inaria2 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria3 T erminal8 1 =0 = (0, 67, 0, 114, 0, 0, 0, 0)
Rf1Ref inaria3 T erminal8 1 =1 = (0, 0, 1, 0, 0, 0, 0, 0)
Rf1Ref inaria3 T erminal8 1 =2 = (0, 0, 130, 0, 0, 0, 0, 0)
Rf1Ref inaria3 T erminal8 1 =3 = (0, 57, 0, 35, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria3 1 =0 = (0, 0, 0, 0, 0, 0, 0, 20)
Rf1T erminal8 Ref inaria3 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria3 1 =2 = (0, 0, 0, 0, 0, 0, 0, 100)
Rf1T erminal8 Ref inaria3 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 T erminal8 1 =0 = (0, 44, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 T erminal8 1 =1 = (0, 0, 0, 35, 0, 0, 0, 0)
Rf1T erminal7 T erminal8 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 T erminal8 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal7 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal7 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal7 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal7 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal4 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal4 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal4 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal4 1 =3 = (0, 0, 26, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal8 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal8 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal8 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal8 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 T erminal4 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 T erminal4 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)

255

Rf1T erminal5 T erminal4 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1T erminal5 T erminal4 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal5 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal5 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal5 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal5 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 Ref inaria4 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 Ref inaria4 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 Ref inaria4 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 Ref inaria4 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal4 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal4 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal4 1 =2 = (0, 76, 0, 11, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal4 1 =3 = (0, 0, 0, 50, 0, 0, 0, 0)
Rf1T erminal4 T erminal6 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal6 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal6 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal6 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 T erminal4 1 =0 = (18, 15, 0, 21, 0, 0, 0, 0)
Rf1T erminal6 T erminal4 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 T erminal4 1 =2 = (3, 0, 0, 19, 0, 0, 0, 0)
Rf1T erminal6 T erminal4 1 =3 = (2, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal6 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal6 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal6 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal6 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 Ref inaria4 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 Ref inaria4 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 Ref inaria4 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 Ref inaria4 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 Ref inaria4 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 Ref inaria4 1 =1 = (0, 0, 0, 0, 0, 0, 320, 0)

256

Rf1T erminal7 Ref inaria4 1 =2 = (0, 0, 0, 0, 0, 0, 130, 0)


Rf1T erminal7 Ref inaria4 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal7 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal7 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal7 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal7 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma1 Ref inaria4 1 =0 = (0, 0, 0, 0, 0, 0, 55, 0)
Rf1P lataf orma1 Ref inaria4 1 =1 = (0, 0, 0, 0, 0, 0, 55, 0)
Rf1P lataf orma1 Ref inaria4 1 =2 = (0, 0, 0, 0, 0, 0, 15, 0)
Rf1P lataf orma1 Ref inaria4 1 =3 = (0, 0, 0, 0, 0, 0, 55, 0)
Rf1Ref inaria4 P lataf orma1 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 P lataf orma1 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 P lataf orma1 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 P lataf orma1 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
4.Dentro do holon regio Centro2 =1 :
(a)Variveis Holnicas (variveis de deciso):
i.Planos de Produo (Rv1 base 1 Rplanbase 1 )
RplanRef inaria2 1 =4 = (16, 104, 40, 143, 35, 0, 450, 0)
RplanRef inaria2 1 =5 = (16, 104, 40, 143, 35, 0, 450, 0)
RplanRef inaria2 1 =6 = (16, 104, 40, 143, 35, 0, 450, 0)
RplanRef inaria2 1 =7 = (16, 104, 40, 143, 35, 0, 450, 0)
RplanRef inaria3 1 =4 = (9, 59, 34, 81, 25, 0, 0, 305)
RplanRef inaria3 1 =5 = (11, 70, 43, 83, 25, 0, 305, 0)
RplanRef inaria3 1 =6 = (11, 70, 43, 83, 25, 0, 305, 0)
RplanRef inaria3 1 =7 = (9, 59, 34, 81, 25, 0, 0, 305)
RplanRef inaria4 1 =4 = (7, 54, 16, 60, 15, 0, 210, 0)
RplanRef inaria4 1 =5 = (7, 54, 16, 60, 15, 0, 210, 0)
RplanRef inaria4 1 =6 = (7, 54, 16, 60, 15, 0, 210, 0)
RplanRef inaria4 1 =7 = (7, 54, 16, 60, 15, 0, 210, 0)
ii.Estoques (Rv1 base 1 Restqbase 1 )

257

RestqRef
inaria2 1 =4 = (3, 0, 3, 0, 21, 0, 0, 0)

RestqRef
inaria2 1 =5 = (2, 4, 12, 340, 42, 0, 450, 0)

RestqRef
inaria2 1 =6 = (0, 0, 0, 173, 63, 0, 0, 0)

RestqRef
inaria2 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqRef
inaria3 1 =4 = (3, 0, 8, 0, 0, 0, 310, 0)

RestqRef
inaria3 1 =5 = (3, 0, 0, 16, 0, 0, 305, 0)

RestqRef
inaria3 1 =6 = (3, 4, 8, 16, 0, 0, 0, 305)

RestqRef
inaria3 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqRef
inaria3 1 =4 = (0, 41, 17, 15, 0, 0, 220, 0)

RestqRef
inaria3 1 =5 = (2, 28, 0, 7, 15, 0, 65, 0)

RestqRef
inaria3 1 =6 = (4, 14, 17, 3, 30, 0, 155, 0)

RestqRef
inaria3 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqRef
inaria4 1 =4 = (6, 0, 30, 79, 0, 0, 0, 0)

RestqRef
inaria4 1 =5 = (4, 32, 0, 20, 0, 0, 0, 0)

RestqRef
inaria4 1 =6 = (0, 0, 30, 57, 0, 0, 0, 0)

RestqRef
inaria4 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqT erminal4 1 =4 = (0, 34, 0, 0, 0, 0, 0, 0)


RestqT erminal4 1 =5 = (5, 0, 0, 68, 0, 0, 0, 0)
RestqT erminal4 1 =6 = (0, 34, 0, 34, 0, 0, 0, 0)
RestqT erminal4 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal5 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal5 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal5 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal5 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal6 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal6 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal6 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal6 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal7 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal7 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal7 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal7 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)

258

RestqT erminal8 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)


RestqT erminal8 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal8 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal8 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
(b)Fluxos de transporte (variveis locais) entre as bases:
Rf1Ref inaria2 T erminal8 1 =4 = (0, 06, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal8 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal8 1 =6 = (0, 0, 20, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal8 1 =7 = (0, 0, 9, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria2 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria2 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria2 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria2 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal5 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal5 1 =5 = (5, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal5 1 =6 = (0, 5, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria2 T erminal5 1 =7 = (0, 7, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 Ref inaria2 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 Ref inaria2 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 Ref inaria2 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 Ref inaria2 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria3 T erminal8 1 =4 = (0, 0, 26, 15, 0, 0, 0, 0)
Rf1Ref inaria3 T erminal8 1 =5 = (0, 10, 51, 0, 0, 0, 0, 0)
Rf1Ref inaria3 T erminal8 1 =6 = (0, 3, 35, 21, 0, 0, 0, 0)
Rf1Ref inaria3 T erminal8 1 =7 = (0, 0, 42, 35, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria3 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria3 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria3 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 Ref inaria3 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 T erminal8 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 T erminal8 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 T erminal8 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)

259

Rf1T erminal7 T erminal8 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1T erminal8 T erminal7 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal7 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal7 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal7 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal4 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal4 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal4 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal8 T erminal4 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal8 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal8 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal8 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal8 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 T erminal4 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 T erminal4 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 T erminal4 1 =6 = (5, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal5 T erminal4 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal5 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal5 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal5 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal5 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 Ref inaria4 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 Ref inaria4 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 Ref inaria4 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 Ref inaria4 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal4 1 =4 = (2, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal4 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal4 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal4 1 =7 = (6, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal6 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal6 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal4 T erminal6 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)

260

Rf1T erminal4 T erminal6 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1T erminal6 T erminal4 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 T erminal4 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 T erminal4 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 T erminal4 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal6 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal6 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal6 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal6 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 Ref inaria4 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 Ref inaria4 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 Ref inaria4 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal6 Ref inaria4 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 Ref inaria4 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 Ref inaria4 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 Ref inaria4 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal7 Ref inaria4 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal7 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal7 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal7 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 T erminal7 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma1 Ref inaria4 1 =4 = (0, 0, 0, 0, 0, 0, 55, 0)
Rf1P lataf orma1 Ref inaria4 1 =5 = (0, 0, 0, 0, 0, 0, 55, 0)
Rf1P lataf orma1 Ref inaria4 1 =6 = (0, 0, 0, 0, 0, 0, 55, 0)
Rf1P lataf orma1 Ref inaria4 1 =7 = (0, 0, 0, 0, 0, 0, 55, 0)
Rf1Ref inaria4 P lataf orma1 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 P lataf orma1 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 P lataf orma1 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria4 P lataf orma1 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
5.Dentro do holon regio Leste2 =0 :
(a)Variveis Holnicas (variveis de deciso):

261

i.Planos de Produo (Rv1 base 1 Rplanbase 1 )


RplanRef inaria5 1 =0 = (11, 91, 44, 104, 13, 282, 0, 0)
RplanRef inaria5 1 =1 = (11, 91, 44, 104, 13, 282, 0, 0)
RplanRef inaria5 1 =2 = (8, 48, 24, 75, 20, 0, 0, 282)
RplanRef inaria5 1 =3 = (11, 91, 44, 104, 13, 282, 0, 0)
RplanRef inaria6 1 =0 = (5, 48, 23, 57, 7, 150, 0, 0)
RplanRef inaria6 1 =1 = (5, 48, 23, 57, 7, 150, 0, 0)
RplanRef inaria6 1 =2 = (5, 48, 23, 57, 7, 150, 0, 0)
RplanRef inaria6 1 =3 = (5, 32, 16, 45, 12, 0, 150, 0)
ii.Estoques (Rv1 base 1 Restqbase 1 )

RestqRef
inaria5 1 =0 = (43, 132, 13, 222, 50, 282, 0, 145)

RestqRef
inaria5 1 =1 = (0, 184, 58, 7, 83, 0, 0, 145)

RestqRef
inaria5 1 =2 = (8, 172, 0, 0, 0, 0, 0, 0)

RestqRef
inaria5 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqRef
inaria6 1 =0 = (4, 113, 0, 0, 0, 0, 0, 0)

RestqRef
inaria6 1 =1 = (0, 86, 20, 0, 11, 150, 0, 0)

RestqRef
inaria6 1 =2 = (9, 72, 8, 11, 3, 0, 150, 0)

RestqRef
inaria6 1 =3 = (0, 1, 0, 0, 0, 0, 0, 0)

RestqT erminal9 1 =0 = (0, 9, 20, 0, 20, 0, 0, 0)


RestqT erminal9 1 =1 = (0, 0, 0, 22, 0, 0, 0, 0)
RestqT erminal9 1 =2 = (0, 0, 0, 0, 20, 0, 0, 0)
RestqT erminal9 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal10 1 =0 = (0, 10, 0, 0, 0, 0, 0, 150)
RestqT erminal10 1 =1 = (0, 10, 0, 0, 0, 0, 0, 0)
RestqT erminal10 1 =2 = (0, 10, 0, 0, 0, 0, 300, 0)
RestqT erminal10 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal11 1 =0 = (20, 28, 20, 0, 69, 0, 0, 0)
RestqT erminal11 1 =1 = (0, 2, 0, 0, 69, 0, 0, 0)
RestqT erminal11 1 =2 = (0, 2, 0, 0, 0, 0, 0, 0)
RestqT erminal11 1 =3 = (0, 2, 0, 0, 0, 0, 0, 0)
RestqT erminal12 1 =0 = (10, 14, 10, 29, 10, 0, 0, 0)
RestqT erminal12 1 =1 = (5, 26, 10, 28, 0, 0, 150, 150)

262

RestqT erminal12 1 =2 = (0, 26, 10, 0, 0, 0, 0, 0)


RestqT erminal12 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
(b)Fluxos de transporte (variveis locais) entre as bases:
Rf1P lataf orma6 T erminal12 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal12 1 =1 = (0, 0, 0, 0, 0, 0, 150, 0)
Rf1P lataf orma6 T erminal12 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal12 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 P lataf orma6 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 P lataf orma6 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 P lataf orma6 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 P lataf orma6 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =1 = (5, 0, 0, 1, 10, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =2 = (5, 0, 0, 10, 0, 0, 150, 0)
Rf1T erminal12 Ref inaria6 1 =3 = (0, 0, 10, 0, 0, 0, 0, 0)
Rf1Ref inaria6 T erminal12 1 =0 = (0, 0, 3, 25, 10, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =1 = (0, 12, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 T erminal12 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =1 = (0, 0, 0, 0, 0, 0, 0, 150)
Rf1T erminal12 Ref inaria6 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 T erminal10 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 T erminal10 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 T erminal10 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 T erminal10 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria5 1 =0 = (0, 0, 0, 0, 0, 0, 0, 145)
Rf1T erminal12 Ref inaria5 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria5 1 =2 = (0, 0, 0, 0, 0, 0, 0, 137)
Rf1T erminal12 Ref inaria5 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal12 1 =0 = (0, 0, 7, 0, 0, 0, 0, 0)

263

Rf1Ref inaria5 T erminal12 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1Ref inaria5 T erminal12 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal12 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal9 Ref inaria5 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal9 Ref inaria5 1 =1 = (0, 0, 20, 0, 20, 0, 0, 0)
Rf1T erminal9 Ref inaria5 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal9 Ref inaria5 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal9 1 =0 = (0, 67, 20, 38, 20, 0, 0, 0)
Rf1Ref inaria5 T erminal9 1 =1 = (0, 0, 0, 75, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal9 1 =2 = (0, 0, 0, 31, 20, 0, 0, 0)
Rf1Ref inaria5 T erminal9 1 =3 = (0, 0, 0, 45, 0, 0, 0, 0)
Rf1T erminal11 Ref inaria5 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal11 Ref inaria5 1 =1 = (0, 26, 20, 0, 0, 0, 0, 0)
Rf1T erminal11 Ref inaria5 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal11 Ref inaria5 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal11 1 =0 = (0, 25, 20, 0, 41, 0, 0, 0)
Rf1Ref inaria5 T erminal11 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal11 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal11 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal10 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal10 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal10 1 =2 = (0, 0, 0, 0, 0, 0, 300, 0)
Rf1P lataf orma6 T erminal10 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma6 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma6 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma6 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma6 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma2 T erminal10 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma2 T erminal10 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma2 T erminal10 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma2 T erminal10 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma2 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)

264

Rf1T erminal10 P lataf orma2 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1T erminal10 P lataf orma2 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma2 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma3 T erminal10 1 =0 = (0, 0, 0, 0, 0, 0, 0, 150)
Rf1P lataf orma3 T erminal10 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma3 T erminal10 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma3 T erminal10 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma3 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma3 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma3 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma3 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma4 T erminal10 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma4 T erminal10 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma4 T erminal10 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma4 T erminal10 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma4 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma4 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma4 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma4 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma5 T erminal10 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma5 T erminal10 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma5 T erminal10 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma5 T erminal10 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma5 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma5 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma5 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma5 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma7 T erminal10 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma7 T erminal10 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma7 T erminal10 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma7 T erminal10 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma7 1 =0 = (0, 0, 0, 0, 0, 0, 0, 0)

265

Rf1T erminal10 P lataf orma7 1 =1 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1T erminal10 P lataf orma7 1 =2 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma7 1 =3 = (0, 0, 0, 0, 0, 0, 0, 0)
6.Dentro do holon regio Leste2 =1 :
(a)Variveis Holnicas (variveis de deciso):
i.Planos de Produo (Rv1 base 1 Rplanbase 1 )
RplanRef inaria5 1 =4 = (11, 91, 44, 104, 13, 282, 0, 0)
RplanRef inaria5 1 =5 = (11, 91, 44, 104, 13, 282, 0, 0)
RplanRef inaria5 1 =6 = (11, 91, 44, 104, 13, 282, 0, 0)
RplanRef inaria5 1 =7 = (11, 91, 44, 104, 13, 282, 0, 0)
RplanRef inaria6 1 =4 = (5, 48, 23, 57, 7, 150, 0, 0)
RplanRef inaria6 1 =5 = (5, 48, 23, 57, 7, 150, 0, 0)
RplanRef inaria6 1 =6 = (5, 48, 23, 57, 7, 150, 0, 0)
RplanRef inaria6 1 =7 = (5, 32, 16, 45, 12, 0, 150, 0)
ii.Estoques (Rv1 base 1 Restqbase 1 )

RestqRef
inaria5 1 =4 = (20, 301, 0, 427, 3, 300, 0, 0)

RestqRef
inaria5 1 =5 = (0, 356, 106, 427, 0, 282, 0, 0)

RestqRef
inaria5 1 =6 = (18, 327, 3, 0, 13, 0, 0, 0)

RestqRef
inaria5 1 =7 = (0, 1, 8, 0, 1, 0, 0, 0)

RestqRef
inaria6 1 =4 = (27, 186, 28, 8, 100, 150, 0, 0)

RestqRef
inaria6 1 =5 = (19, 186, 25, 6, 92, 0, 0, 0)

RestqRef
inaria6 1 =6 = (9, 5, 10, 13, 83, 0, 0, 0)

RestqRef
inaria6 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)

RestqT erminal9 1 =4 = (0, 0, 0, 22, 14, 0, 0, 0)


RestqT erminal9 1 =5 = (20, 9, 0, 22, 14, 0, 0, 0)
RestqT erminal9 1 =6 = (0, 0, 20, 0, 0, 0, 0, 0)
RestqT erminal9 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal10 1 =4 = (0, 0, 0, 0, 62, 0, 300, 150)
RestqT erminal10 1 =5 = (0, 0, 0, 10, 62, 0, 0, 0)
RestqT erminal10 1 =6 = (0, 0, 0, 0, 0, 0, 0, 300)

266

RestqT erminal10 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)


RestqT erminal11 1 =4 = (18, 28, 20, 0, 53, 0, 0, 0)
RestqT erminal11 1 =5 = (18, 0, 0, 0, 69, 0, 0, 0)
RestqT erminal11 1 =6 = (18, 0, 0, 0, 69, 0, 0, 0)
RestqT erminal11 1 =7 = (18, 0, 0, 0, 0, 0, 0, 0)
RestqT erminal12 1 =4 = (10, 0, 8, 0, 10, 150, 150, 0)
RestqT erminal12 1 =5 = (10, 26, 0, 0, 10, 0, 150, 150)
RestqT erminal12 1 =6 = (10, 26, 10, 0, 10, 0, 150, 0)
RestqT erminal12 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
(b)Fluxos de transporte (variveis locais) entre as bases:
Rf1P lataf orma6 T erminal12 1 =4 = (0, 0, 0, 0, 0, 0, 150, 0)
Rf1P lataf orma6 T erminal12 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal12 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal12 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 P lataf orma6 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 P lataf orma6 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 P lataf orma6 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 P lataf orma6 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =5 = (0, 0, 8, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =7 = (0, 26, 10, 0, 0, 0, 150, 0)
Rf1Ref inaria6 T erminal12 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 T erminal12 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =5 = (0, 0, 0, 0, 0, 0, 0, 150)
Rf1T erminal12 Ref inaria6 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria6 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 T erminal10 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 T erminal10 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)

267

Rf1T erminal12 T erminal10 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1T erminal12 T erminal10 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria5 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria5 1 =5 = (0, 0, 0, 0, 0, 150, 0, 0)
Rf1T erminal12 Ref inaria5 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal12 Ref inaria5 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal12 1 =4 = (0, 0, 0, 0, 10, 0, 0, 0)
Rf1Ref inaria5 T erminal12 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal12 1 =6 = (0, 0, 10, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal12 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal9 Ref inaria5 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal9 Ref inaria5 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal9 Ref inaria5 1 =6 = (20, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal9 Ref inaria5 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal9 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal9 1 =5 = (20, 0, 0, 46, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal9 1 =6 = (0, 53, 20, 31, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal9 1 =7 = (0, 62, 0, 46, 0, 0, 0, 0)
Rf1T erminal11 Ref inaria5 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal11 Ref inaria5 1 =5 = (0, 28, 20, 0, 0, 0, 0, 0)
Rf1T erminal11 Ref inaria5 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal11 Ref inaria5 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal11 1 =4 = (0, 0, 14, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal11 1 =5 = (0, 0, 0, 0, 16, 0, 0, 0)
Rf1Ref inaria5 T erminal11 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1Ref inaria5 T erminal11 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal10 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal10 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal10 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma6 T erminal10 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma6 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma6 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)

268

Rf1T erminal10 P lataf orma6 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1T erminal10 P lataf orma6 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma2 T erminal10 1 =4 = (0, 0, 0, 0, 0, 0, 112, 0)
Rf1P lataf orma2 T erminal10 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma2 T erminal10 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma2 T erminal10 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma2 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma2 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma2 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma2 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma3 T erminal10 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma3 T erminal10 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma3 T erminal10 1 =6 = (0, 0, 0, 0, 0, 0, 0, 300)
Rf1P lataf orma3 T erminal10 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma3 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma3 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma3 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma3 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma4 T erminal10 1 =4 = (0, 0, 0, 0, 0, 0, 188, 0)
Rf1P lataf orma4 T erminal10 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma4 T erminal10 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma4 T erminal10 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma4 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma4 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma4 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma4 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma5 T erminal10 1 =4 = (0, 0, 0, 0, 0, 0, 0, 150)
Rf1P lataf orma5 T erminal10 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma5 T erminal10 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma5 T erminal10 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma5 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma5 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)

269

Rf1T erminal10 P lataf orma5 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)


Rf1T erminal10 P lataf orma5 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma7 T erminal10 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma7 T erminal10 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma7 T erminal10 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1P lataf orma7 T erminal10 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma7 1 =4 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma7 1 =5 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma7 1 =6 = (0, 0, 0, 0, 0, 0, 0, 0)
Rf1T erminal10 P lataf orma7 1 =7 = (0, 0, 0, 0, 0, 0, 0, 0)