Algoritmo Memtico Aplicado ao Problema do Caixeiro

Viajante de uma Empresa Situada no Municpio de

Angicos/RN
Felipe R. dos S. Fernandes1, Ingridy M. P. Barbalho1, Francisco de A. P. V. de
Arruda2, Matheus da S. Menezes2,
1

Estudante de Graduao do Curso de Bacharelado em Sistemas de Informao

Universidade Federal Rural do Semi-rido (UFERSA) Campus Angicos, RN Brasil
2

Professor do Departamento de Cincias Exatas, Tecnolgicas e Humanas

Universidade Federal Rural do Semi-rido (UFERSA) Campus Angicos, RN Brasil

{felipe.ip,ingridymarina}@hotmail.com, {Matheus,xico}@ufersa.edu.br

Abstract. This article describes the use of two Memetic Algorithm for the
classic Traveling Salesman Problem for a company located in the municipality
of Angicos / Rio Grande do Norte. The objective is to develop a Memetic
Algorithm able to determine the best route to be traveled daily in order to
minimize the cost of travel (distance and time). Are shown results obtained
through the Exact Method and Memetic Algorithm. It is proposed a Memetic
Algorithm using the Genetic Algorithm, with the mutation strategically
modified, along with Local Search Shift. The results obtained are compared
with the results of the Memetic Algorithm using traditional Genetic Algorithm.
Resumo. Este artigo descreve a utilizao de dois Algoritmos Memticos para
o clssico Problema do Caixeiro Viajante de uma empresa localizada no
Municpio de Angicos/Rio Grande do Norte. O objetivo do trabalho
desenvolver um Algoritmo Memtico capaz de determinar a melhor rota a ser
percorrida diariamente de modo que minimize o custo da viagem (distncia e
tempo). So apresentados resultados obtidos atravs do mtodo exato e
Algoritmo Memtico. proposto um Algoritmo Memtico que utiliza o
Algoritmo Gentico, com a mutao estrategicamente alterada, juntamente
com a Busca Local Shift. Os resultados obtidos so comparados com os
resultados do Algoritmo Memtico usando o Algoritmo Gentico Tradicional.

1. Introduo
O uso da Inteligncia Artificial para resoluo de problemas complexos se encontra
cada vez mais em evidncia nos ltimos anos. Nessa categoria esto os problemas
combinatrios, que so de simples resoluo, porm a quantidade de combinaes para
encontrar a soluo exata cresce de forma exponencial a medida que aumentamos a
populao a ser analisada (Maziero, 2003). Esses tipos de problemas influenciam
diretamente no processo de Tomada de Deciso. A tomada de deciso est geralmente
associada a problemas que surgem em processos operacionais (Oliveira, 2005). Para
Fernandes et al (2014), a deciso faz parte do dia a dia e inevitvel deixar a deriva
importncia de uma deciso correta, coerente e condizente com o problema enfrentado.
Cardoso et al (2009) diz que tomar uma deciso fazer uma escolha entre diversas

Orientador

opes disponveis. Com isso, a criao de modelos um fator importante para o apoio
da tomada de deciso, onde desejado a maximizao da utilidade do decisor. Um
sistema de apoio tomada de deciso tem seu uso indicado nesses casos (Goldbarg;
Luna, 2005). Segundo Gomes et al (2004), os problemas complexos de tomada de
deciso so comuns em uma infinidade de reas, como por exemplo, os jogos,
administrao de empresas, entre outros.
Para a resoluo desses problemas complexos, como os Problemas de Redes
(Lachtermarcher, 2009), h um campo de estudo, chamado Pesquisa Operacional,
direcionado ao aprimoramento e desenvolvimento de tcnicas adequadas para os
problemas com a finalidade de encontrar solues timas que ajudam a evitar
desperdcios de tempo e dinheiro.
O problema apresentado no presente estudo foi extrado da rotina de uma
empresa de laticnios, que consiste em realizar entregas de produtos diariamente em um
conjunto de cidades do Estado do Rio Grande do Norte, partindo e encerrando a rota na
cidade de origem, de tal forma que minimize o tempo total do percurso ou o custo total
da rota. Este tipo de Problema de Roteamento de Veculos (PRV), que uma
generalizao do Problema do Caixeiro Viajante (PCV), foi citado na literatura a partir
do trabalho desenvolvido por Dantzig & Ramser (1959) e um problema de otimizao
pertencente a classe NP-Hard.
Devido ao grande nmero de variveis envolvidas, a modelagem do problema
atravs de algoritmos exatos perde sua eficincia por se tratar de um problema de difcil
soluo exata (Goldbarg; Luna, 2005), pois exige algoritmos mais sofisticados que
podem requerer mais recursos computacionais para se obter um limite de tempo
vivel.Com isso, a resoluo de problemas de otimizao atravs de algoritmos
aproximativos surge como uma alternativa onde retorna solues candidatas para o
problema muito prximas da soluo tima, e em alguns casos, a prpria soluo tima.
Na literatura h trabalhos relacionados ao mesmo PRV com diferentes
abordagens para resoluo do problema. Silva (2012) desenvolveu sua pesquisa
utilizando um modelo exato, executado atravs do solver GLPK (Gnu Linear
Programming Toolkit), para encontrar a soluo tima. Bezerra (2013) desenvolveu seu
trabalho utilizando o Algoritmo Gentico (AG) para buscar uma aproximao da
soluo tima.
Este artigo aborda o problema como anlogo ao clssico Problema do Caixeiro
Viajante e busca otimizar o problema fazendo o uso de um Algoritmo Hbrido, tambm
chamado de Algoritmo Memtico, adicionando ao AG uma estratgia diferenciada na
mutao e a Busca Local denominada Shift. Essa estratgia consiste em fazer
permutaes de clientes (ou Gene) antecedendo a Seleo Natural. Dessa forma, essa
abordagem pode obter melhores solues em relao ao Algoritmo Memtico com o
Algoritmo Gentico tradicional.

2. O Problema do Caixeiro Viajante

Na literatura possvel mensurar o quo explorado este problema . O Problema do
Caixeiro Viajante (PCV) um dos mais tradicionais e conhecidos problemas de
programao matemtica (Goldbarg; Luna, 2005). O modelo clssico do PCV, bem
como suas variaes, ou, problemas correlatos, segundo Goldbarg e Luna (2005): o
PCV Simtrico (PCVS), o PCV Generalizado (PCVG), o PCV com Janelas de Tempo

(PCVJT), o PCV Mltiplo (PCVM), o PCV com Coleta (PCV-C), o PCV Peridico
(PCV-P) e outros, como o Problema do Caixeiro Alugador (Goldbarg; Asconavieta;
Goldbarg, 2012) e o prprio PRV, so grandes representantes da rea de Otimizao
Combinatria e, o desenvolvimento de algoritmos que resultem em solues
satisfatrias para esses problemas esto atreladas, geralmente, aos campos de estudo de
Pesquisa Operacional e Inteligncia Artificial ou Computacional.
O PCV consiste em visitar um conjunto de cidades constantes, descrito como um
grafo G = (N, A), onde N representa um conjunto de cidades e A a distncia ou o
tempo entre pares de cidades conectadas, de tal forma que inicie e termine a rota na
mesma cidade visitando as demais uma nica vez, objetivando encontrar o caminho
com menor custo. Segundo Goldbarg e Luna (2005), o PCV possui grande dificuldade
de soluo exata, devido a sua caracterstica combinatria. Dessa forma a soluo
determinstica exponencial, por isso considera-se esse problema pertencente a classe
NP-Hard (Gutin; Punnen, 2002).
Na literatura existem diferentes formulaes para esse problema. Este artigo ir
adotar a comumente utilizada Formulao de Dantzig-Fulkerson-Johnson (DFJ), que
descrita a seguir, segundo Goldbarg e Luna (2005):
n

Minimizar z =

(2.1)

c x
j 1 i 1

ij

ij

Sujeito a:
n

x
i 1

ij

x
j 1

ij

ij

1
1

S -1

j N
i N
S N

(2.2)

(2.3)

(2.4)

i, j S

x ij 0,1

i, j N

(2.5)

Onde:
(2.1) representa a funo-objetivo do problema, a qual define a minimizao do
custo total do caminho, considerando que c ij o custo de se transpor o arco (i, j) A e

x ij (figura 2.5) a varivel binria que assume valor igual a 1, se o arco (i, j) A for
escolhido para integrar a soluo, e 0 em caso contrrio; (2.2) e (2.3) so restries que
asseguram que cada cidade visitada uma nica vez; a restrio (2.4) probe a formao
de subrotas que no formam um circuito hamiltonianos.
Para Goldbarg e Luna (2005) esta formulao destaca um importante aspecto do
PCV que sua natureza combinatria e que pela formulao fica claro que solucionar
um PCV determinar uma certa permutao legal de custo mnimo.

3. Algoritmo Evolucionrio
Segundo Menezes (2014, p. 74), Algoritmo evolucionrio um termo geral utilizado
para a programao evolutiva, estratgias evolutivas e algoritmos genticos. Os
Algoritmos Genticos (AG) so mtodos de otimizao heursticos de busca que se
baseiam em mecanismos de seleo e evoluo natural das espcies, declarado por
Charles Darwin em 1859[(Goldbarg e Luna, 2005) e (Linden, 2012)]. Os AG foram
introduzidos por John Holland (Holland, 1975) e popularizado por David Goldberg
(Goldberg, 1989), seu aluno.
As caractersticas principais que so intensamente usadas pelos AG, segundo
Goldbarg e Luna (2005), so:
Populao, que um conjunto aleatrio de indivduos ou cromossomos (ou seja,
conjunto de solues do problema); Cromossomo, que representa um indivduo ou uma
soluo na populao. Apresentado normalmente como um vetor e tambm representa
uma rota no caso PCV; Fitness, define a aptido ou qualidade de dado indivduo; Gene,
representa uma componente do Cromossomo; Alelo, descreve os possveis estados de
um atributo do indivduo (isto , se binrio, simblico ou real); Locus, representa a
posio do atributo no cromossomo; Operadores Genticos so regras que permitem a
manipulao dos cromossomos atravs do Crossover (cruzamento), combinao dos
pais para obteno de indivduos filhos, e Mutao, produz um novo filho alterando
diretamente no cromossomo do pai; Fentipo, denota o cromossomo codificado; e
Gentipo, que representa a estrutura do cromossomo codificado.
A hibridizao dos Algoritmos Evolucionrios (AEH), tambm chamado de
Algoritmo Memtico (AM), acontece quando h o uso de algum tipo de processo de
Busca Local no escopo do Algoritmo gentico. Para Linden (2012), as tecnologias
hbridas em geral tm um desempenho melhor do que cada uma das tecnologias
separadas, pois utilizam ambas de forma sinrgica, combinando seus pontos fortes. A
estratgia utilizada no presente estudo denominada de Algoritmo Memtico e foi
proposta por Moscato (1989). utilizada em uma vasta gama de aplicaes,
principalmente em problemas de Otimizao Combinatria. Menezes (2014) cita que os
algoritmos genticos diferem dos algoritmos memticos por este considerar a evoluo
Lamarckiana. O pseudocdigo do AM proposto apresentado na Figura 1 e descrito a
seguir.
Pseudocdigo: Algoritmo Memtico Proposto
1.
INICIO
2.
Gerar uma populao inicial
3.
Avaliar a fitness dos indivduos da populao
4.
Repetir
5.
Inicio
6.
Selecionar um conjunto de pais na populao
7.
Operar Crossover/Mutao nos pais e filhos, respectivamente
8.
Refinar solues Busca Local
9.
Avaliar a fitness dos filhos gerados
10.
Substituir indivduos no representativos
11.
Fim
12.
At que o critrio de parada seja atendido
13. FIM
Figura 1: Pseudocdigo do Algoritmo Memtico. Fonte: Autoria Prpria, 2015.

3.1 Algoritmo Memtico

O Algoritmo Memtico (AM) proposto obedece o algoritmo da Figura 1. adicionado
uma nova estratgia nos operadores genticos, diferenciando-o do Algoritmo Memtico
proposto por Fernandes et al (2015), que utiliza o AG tradicional. A seguir
apresentado as caractersticas do AM 1, de Fernandes et al (2015), e do AM 2, abordado
por este trabalho.
3.1.1 Algoritmo Memtico 1 (AM 1)
Populao Inicial: A populao inicial foi gerada aleatoriamente e seu tamanho
definido de acordo com o trabalho de Bezerra (2013). Para a simulao contendo uma
nica rota, com todas as cidades, o tamanho da populao foi definido como sendo oito
vezes o nmero de cidades (i.e, 8*Num_Cidades); J para as simulaes com rotas
menores, o tamanho da populao recebe duas vezes o nmero de cidades (i.e,
2*Num_Cidades).
Cromossomo: O cromossomo representado por um vetor, conforme ilustrado
na Figura 2, com representao por inteiros. O ltimo elemento representa a aptido
(Fitness) do indivduo e, vale salientar que este elemento no faz parte do Cromossomo
(indivduo), esta apenas uma ilustrao onde mostrado a Fitness do indivduo.
Crossover: O cruzamento efetuado utilizando o crossover de 1 ponto (Fontes,
2006). A taxa de cruzamentos foi definida considerando dois casos: para uma nica
rota, que ser selecionado 60% da populao para a recombinao, e para as simulaes
com rotas menores, onde sero selecionados 40% dos indivduos para o cruzamento.
Mutao: O procedimento considerado para a mutao consiste em permutar
dois elementos de posio de forma aleatria. A mutao realizada em 20% da
populao para ambos os casos (uma nica rota e duas sub-rotas).
3.1.1 Algoritmo Memtico 2 (AM 2)
O que difere do AM 2 para o AM 1, a forma da realizao da mutao. No AM 1 a
mutao realizada de forma paralela ao crossover e recebe uma taxa para sua
execuo. Neste algoritmo, propomos a realizao de maneira integrada da mutao e
crossover. Assim, todos descendentes sofrero a mutao, de forma a manter a
diversidade da populao. A taxa ser nica e ser de 60% e 40%, respectivamente.
3.2 Busca Local
A busca local uma tcnica baseada em uma estrutura de vizinhana. utilizada para
refinar uma soluo inicial intensificando a procura de uma soluo final que represente
um timo local ou uma soluo aceitvel. A estratgia de Busca Local comumente
usada em heursticas genricas para os problemas de otimizao.
Neste trabalho, foi utilizado um algoritmo baseado na Busca Local Shift(1,0),
onde realizado um movimento de permutao consecutiva entre duas cidades da
soluo (Mine et al, 2010). A Figura 2 ilustra a estratgia apresentada, onde para um
dado problema com o nmero de cidades igual a cinco (n=5), a Busca Local selecionar
um indivduo pai, que originar n-2 indivduos filhos, de tal forma que o indivduo filho
que apresentar a melhor Fitness dentre todos os gerados e tiver melhor adequao que a

do indivduo pai, este ir o substituir na Populao. Mine et al (2010) ressalta que

somente so permitidos movimentos que conduzam a solues viveis, ou seja, caso o
refinamento no apresente rotas ou indivduos bem sucedidos, permanece na populao
aquele com melhor aptido. O AM efetua a busca local com os parmetros ajustados
para refinar 20% e 50% da populao, respectivamente.

Figura 2: Processo da Busca Local Shift (1,0). Fonte: Autoria Prpria, 2015.

4. Definio do Problema
O PCV consiste em determinar a melhor rota sobre um conjunto de n cidades (Quadro
1), de forma a minimizar os custos da empresa de laticnios situada na cidade de
Angicos/RN. Segundo Silva (2012), as caractersticas do problema remetem a utilizao
da abordagem do PCV, utilizando apenas um transporte em cada situao, de forma que
supra toda demanda. Ainda segundo Silva (2012), podemos considerar trs simulaes
distintas: uma nica rota, com 12 cidades e duas sub-rotas (SR), SR1 e SR2, com 6 e
7 cidades cada uma, respectivamente. Alm disso, podemos considerar como parmetro
de minimizao a distncia percorrida (Km) e o tempo gasto (min).
Quadro 1. Identificao e numerao das Cidades de Estudo. Fonte: Silva (2012)

N
1
2
3

Cidade
Angicos
So Rafael
Itaj

N
4
5
6

Cidade
Assu
Jucurutu
Mossor

N
7
8
9

Cidade
Natal
Afonso Bezerra
Pedro Avelino

N
10
11
12

Cidade
Fernando Pedrosa
Santana do Matos
Lajes

Como um problema de otimizao NP-Hard (Seo 2), Bezerra (2013) props

o uso de um algoritmo gentico para encontrar solues que se aproximem dos
resultados timos obtidos em Silva (2012), via mtodo exato. Nessas condies, este
artigo apresenta um Algoritmo Evolucionrio Hbrido e compara o seu desempenho em
relao ao AG e um AM que utiliza o AG na forma tradicional.

5. Experimentos Computacionais
Para fazer uma comparao entre os mtodos, o algoritmo proposto foi previamente
modelado utilizando a plataforma Scilab e seus parmetros foram ajustados de acordo
com o trabalho de Bezerra (2013), com exceo da Busca Local (Seo 3.2).
Os experimentos computacionais foram realizados considerando os seguintes
problemas:

Problema 1 e 2: uma nica rota (12 cidades);

Problema 3 e 5: com a SR1 (cidades 1, 7, 8, 9, 10, 11 e 12); e,
Problema 4 e 6: representada pela SR2 (cidades 1, 2, 3, 4, 5 e 6).

Em cada par de problema realizado a anlise da seguinte forma: Um

considerando o caminho mnimo em quilmetros (Km) e outro o menor tempo em
minutos (Min).
Os algoritmos foram executados em um Notebook Intel Core i5, com memria
RAM de 8GB e Sistema Operacional Windows 8.1 64bits. A execuo do Algoritmo
Gentico tambm foi realizada nas mesmas condies do Algoritmo Evolucionrio
Hbrido. Para todos os casos e problemas, considerou-se como critrio de parada o
limite de 500 Geraes. Cada problema foi executado 20 vezes.

6. Resultados
Os resultados dos experimentos computacionais so apresentados nas tabelas a seguir.
A Tabela 1 apresenta os resultados obtidos pelo modelo exato. Na tabela 2 e 3 so
apresentados os resultados obtidos pelo Algoritmo Memtico 1 e pelo Algoritmo
Memtico 2, ambos com a Busca Local ocorrendo em 20% e 50% de sua populao
total. Para cada algoritmo designado 3 colunas apresentando, nesta ordem: a melhor
soluo encontrada, a quantidade de vezes que esta soluo ocorreu e o tempo mdio
gasto pelo algoritmo (em segundos). A Tabela 4 mostra a mdia e o desvio padro
resultante dos experimentos utilizando o Algoritmo Memtico 1 e o Algoritmo
Memtico 2.
Tabela 1. Resultados apresentados pelo modelo exato executado no Solver GLPK.
Fonte: Silva (2012).

Mtodo Exato
Problema

1 (Km)

2 (Min)

3 (Km)

4 (Km)

5 (Min)

6 (Min)

Soluo

672,7

606

438,3

344,9

364

305

Tabela 2. Resultados apresentados pelo Algoritmo Gentico tradicional. Fonte:

Bezerra (2013).

Algoritmo Gentico Tradicional

Problema

1 (Km)

2 (Min)

3 (Km)

4 (Km)

5 (Min)

6 (Min)

Soluo

672,7

606

438,3

344,9

364

305

Qtd.

13

20

13

20

20

Tempo (s)

232,45

231,32

22,49

22,28

22,26

22,15

Tabela 3. Resultados do Experimento Computacional BL 20%.

Prob
lema

AM 1 - BL de 20%

AM 2 - BL de 20%

Soluo

Qtd.

Tempo (s)

Soluo

Qtd.

Tempo(s)

1 (Km)

672,7

13

230,59

672,7

20

221,78

2 (Min)

606

15

231,87

606

20

225,06

3 (Km)

438,3

20

22,24

438,3

20

21,68

4 (Km)

344,9

19

22,27

344,9

20

21,19

5 (Min)

364

20

23,42

364

20

21,27

6 (Min)

305

20

22,77

305

20

21,09

Tabela 4. Resultados do Experimento Computacional BL 50%.

Prob
lema

AM 1 - BL de 50%

AM 2 - BL de 50%

Soluo

Qtd.

Tempo (s)

Soluo

Qtd.

Tempo(s)

1 (Km)

672,7

14

237,791

672,7

20

226,213

2 (Min)

606

16

238,252

606

20

227,484

3 (Km)

438,3

20

22,7095

438,3

20

22,127

4 (Km)

344,9

20

22,421

344,9

20

23,226

5 (Min)

364

20

22,7103

364

20

21,651

6 (Min)

305

20

22,4431

305

20

21,886

Tabela 5. Mdia e Desvio Padro da Fitness dos experimentos computacionais

Proble
ma

AG
Tradicional

AM 1
BL de 20%

AM 2
BL de 20%

AM 1
BL de 50%

AM 2
BL de 50%

1 (Km)

683,2

12,07

679,2

10,38

672,7

675,02

6,56

672,7

2 (Min)

608,2

6,85

606,5

0,88

606

606,65

1,18

606

3 (Km)

438,3

438,3

438,3

438,3

438,3

4 (Km)

346,1

1,66

345,0

0,76

344,9

344,9

344,9

5 (Min)

364

364

364

364

364

6 (Min)

364

305

305

305

305

possvel observar que ambos algoritmos encontram solues timas. Porm,

analisando a coluna Qtd. das Tabelas 2, 3 e 4, verificamos que o algoritmo proposto
apresenta melhores resultados, encontrando mais vezes soluo globalmente tima. Este
fato evidenciado pela anlise da mdia das solues na Tabela 5. Notamos que dado
um grau de confiabilidade maior ao AM 2, pois possui mdia semelhante as solues
globalmente timas obtidas pelo modelo exato, para todos os problemas. O desvio
padro corrobora a anlise.

Em relao ao tempo de execuo, apesar do algoritmo proposto conter a busca

local e uma nova estratgia no AG, isso no implicou em uma grande diferena no
tempo de execuo, onde observamos nas Tabelas 2, 3 e 4, que o tempo nos problemas
menores so equivalentes ou melhor. Nos problemas maiores, onde o espao de busca
maior, existe uma pequena melhora no tempo de execuo.

7. Concluses
Este artigo apresentou uma proposta de Algoritmo Memtico que utiliza a estratgia de
Busca Local Shift(1,0) e que integra os operadores de cruzamento e mutao, aplicado
ao Problema do Caixeiro Viajante apresentado por Silva (2012). Uma anlise
experimental foi realizada para verificar o desempenho do Algoritmo proposto em
relao ao Algoritmo Memtico que utiliza o AG tradicional e ao prprio AG
tradicional. As solues e o tempo de processamento obtido em cada metaheurstica
foram submetidas a uma comparao.
O experimento computacional realizado mostra que houve uma evoluo em
relao aos resultados apresentados pelo Algoritmo Gentico (Bezerra, 2013) e
Memtico (Fernandes, 2015). Assim, podemos inferir que, neste caso, de acordo com os
dados apresentados, quanto mais complexo ou maior for o problema dessa tipologia,
mais adequado a utilizao dos Algoritmos Evolucionrios Hbridos. Para o caso em
questo, obteve-se melhoria nas solues com tempo de processamento equivalente.
A estratgia de modificao dos operadores genticos juntamente com a busca
local teve pouco impacto no custo de tempo de processamento, e obteve melhor
desempenho qualitativo quando comparada a estratgia do AG e AM 1. De modo geral,
o Algoritmo proposto apresenta um comportamento satisfatrio demonstrando
melhorias em relao ao AG tradicional e AM 1.
Como trabalhos futuros, pretendemos expandir o uso dessas estratgias em
Problemas do Caixeiro Viajante contidos na Traveling Salesman Problem Library
TSPLIB, com o objetivo de analisar veemente a eficincia do Algoritmo proposto.

8. Referncias
Bezerra, T. L. A.; Algoritmo Gentico Aplicado ao Problema de Roteamento de
Veculos nas Entregas Realizadas por uma Empresa de Laticnios: Estudo de Caso.
53 f. Monografia (Graduao em Cincia e Tecnologia) Universidade Federal
Rural do Semi-rido, Angicos. 2013.
Cardoso, R. S. et al . Uso de SAD no apoio deciso na destinao de resduos plsticos
e gesto de materiais. Pesqui. Oper., Rio de Janeiro , v. 29, n. 1, p. 67-95, Apr.
2009. Disponvel em: <http://dx.doi.org/10.1590/S0101-74382009000100004>.
Acesso em 29 de junho 2015.
Dantzig, G. B.; Ramser, J. H. The truck dispatching problem.Management science, v. 6,
n. 1, p. 80-91, 1959.
Fernandes, F. R. S; Barbalho, I. M. P.; Avelino, J. G.; Correia, V. M. S; O Processo de
Tomada de Deciso: A Utilizao do Modelo Multicritrio Macbeth, como
Ferramenta Essencial no Apoio a Seleo de Gerente de Projetos. In: Escola Potiguar
de Computao e suas Aplicaes, 7. 2014, Santa Cruz, RN. Anais... Natal:
Universidade do Estado do Rio grande do Norte, 2014. p. 216-223.

Fernandes, F. R. S; Barbalho, I. M. P; Menezes, M. S.; Proposta de Um Algoritmo

Memtico Para o Problema de Otimizao em Roteamento de Veculos em Uma
Empresa
de
Laticnios.
SBPO
2015.
Disponvel
em:
<http://www.sbpo2015.iltc.br/pdf/146088.pdf>. Acesso em 19 de dez. de 2015.
Fontes, F. F. C.; Algoritmo Memtico com Infeco Viral: Uma Aplicao ao Problema
do Caixeiro Viajante Assimtrico.72 f. Tese (Mestrado) -Universidade Federal do
Rio Grande do Norte, Programa de Engenharia de Produo. Natal, 2006.
Goldbarg, M. C. Pacca Luna, H. Otimizao Combinatria e Programao Linear. 2.ed.
Rio de Janeiro: Elsevier, 2005.
Goldbarg, M. C.; Asconavieta, P. H.; Goldbarg, E. F. G.; Memetic algorithm for the
Traveling Car Renter Problem: an experimental investigation. Memetic Computing,
v. 4, n. 2, p. 89-108, 2012.
Goldberg. D. E. (1989). Genetic Algorithms in Search, optimization, and machine
learning. Addison-Wesley.
GOMES, L. F. A. M.; ARAYA, M. C. G.; CARIGNANO, C. Tomada de Decises em
Cenrios Complexos. So Paulo:Thompson, 2004.
Gutin, G.; Punnen, A. P. (Ed.). The traveling salesman problem and its variations.
Springer Science & Business Media, 2002.
Holland, J. H.; (1975). Adaptation in Natural and Artificial Systems. MIT Press.
Lachtermarcher, G. Pesquisa operacional na tomada de decises. So Paulo: Pearson
Prentice Hall, 2009.
Linden, R.; Algoritmos Genticos. 3.ed. Rio de Janeiro: Editora Cincia Moderna Ltda.,
2012.
Maziero, E. A; Algoritmos - Simulated Annealing em Paralelo + Gentico Crossover Uma Abordagem Hbrida -. 154 f. Dissertao (Mestrado) - Universidade Federal de
Santa Catarina - Sistemas de Computao. Florianpolis, 2003.
Menezes, M. S.; O problema do Caixeiro alugador com coleta de prmios: um estudo
algortmico. 126 f. Tese (Doutorado) - Universidade Federal do Rio Grande do Norte
Centro de Cincias Exatas e da Terra. Programa de Ps-Graduao em Sistemas e
Computao. Natal, 2014.
Mine, M. T.; Ochi, L. S. et al.; O problema de roteamento de veculos com coleta e
entrega simultnea: uma abordagem via Iterad Local Search e GENIUS. Transportes,
v. XVIII, n. 3, p. 60-71, set. 2010.
Moscato, P.; On evolution, search, optimization, genetic algorithms and martial arts:
Towards Memetic Algorithm. [S.l.], 1989.
Oliveira, A. C. M; Introduo Pesquisa Operacional. Disponvel em: <
http://www.deinf.ufma.br/~acmo/grad/PO_c01_v2005.pdf >. Acesso em: 01 de set.
2015.
Silva, G. L. S.; Roteamento de veculos nas entregas realizadas por empresa de
laticnios - estudo de caso. 52 f. Monografia (Graduao em Cincia e Tecnologia)
Universidade Federal Rural do Semi-rido, Angicos. 2012.