Fernando Silveira Alves

Problemas de roteamento de veculos aplicados no

planejamento logstico do transporte escolar da
cidade de Coxim - MS

CAMPINAS
2015

i
ii
 Universidade Estadual de Campinas
Instituto de Matemtica, Estatstica
e Computao Cientfica

Fernando Silveira Alves

Problemas de roteamento de veculos aplicados no

planejamento logstico do transporte escolar da
cidade de Coxim - MS

Dissertao apresentada ao Instituto de Matem-

tica, Estatstica e Computao Cientfica da Uni-
versidade Estadual de Campinas como parte dos
requisitos exigidos para a obteno do ttulo de
Mestre em matemtica aplicada e computacional.

Orientador: Cristiano Torezzan

Este exemplar corresponde verso final da
dissertao defendida pelo aluno Fernando Sil-
veira Alves, e orientado pelo Prof. Dr. Cristi-
ano Torezzan.

Assinatura do Orientador

Campinas
2015

iii
 Ficha catalogrfica
Universidade Estadual de Campinas
Biblioteca do Instituto de Matemtica, Estatstica e Computao Cientfica
Ana Regina Machado - CRB 8/5467

Alves, Fernando Silveira, 1987-

AL87p AlvProblemas de roteamento de veculos aplicados no planejamento logstico do
transporte escolar da cidade de Coxim - MS / Fernando Silveira Alves.
Campinas, SP : [s.n.], 2015.

AlvOrientador: Cristiano Torezzan.

AlvDissertao (mestrado profissional) Universidade Estadual de Campinas,
Instituto de Matemtica, Estatstica e Computao Cientfica.

Alv1. Logstica - Modelos matemticos. 2. Transporte escolar - Planejamento -

Coxim (MS). I. Torezzan, Cristiano,1976-. II. Universidade Estadual de Campinas.
Instituto de Matemtica, Estatstica e Computao Cientfica. III. Ttulo.

Informaes para Biblioteca Digital

Ttulo em outro idioma: Routing problems of applied vehicles in the logistical planning of
school transport in the city of Coxim - MS
Palavras-chave em ingls:
Logistics - Mathematical models
School children - Transportation - Planning - Coxim (MS)
rea de concentrao: Matemtica Aplicada e Computacional
Titulao: Mestre em Matemtica Aplicada e Computacional
Banca examinadora:
Cristiano Torezzan [Orientador]
Celso Cavellucci
Washington Alves de Oliveira
Data de defesa: 28-05-2015
Programa de Ps-Graduao: Matemtica Aplicada e Computacional

iv

Powered by TCPDF (www.tcpdf.org)

 Tese de Doutorado defendida em 28 de maio de 2015 e aprovada

Pela Banca Examinadora composta pelos Profs. Drs.

Prof(a). Dr(a). WASHINGTON LIVEIRA

- - - --~------~-
vi
 Resumo
Nesta dissertao apresentamos um estudo sobre problemas de roteamento de veculos com o
interesse especial de investigar o planejamento logstico do transporte escolar pblico. Alm dos
algoritmos clssicos para roteamento, so apresentadas estratgias de coleta de dados, seleo de
pontos de nibus, desenho das rotas e definio de frotas para dimensionar transporte escolar em
sincronia com os horrios das escolas. Como aplicao dos conceitos estudados, apresenta-se um
estudo de caso sobre o transporte escolar na cidade de Coxim-MS.
Palavras-chave: Problemas de roteamento de veculos, Planejamento logstico, Transporte
escolar.

Abstract
We present in this work a study on vehicle routing problems with special interest in investigate
the logistic planning for public school bus trasportation. Besides some classical models for vehicle
routing we present policies for data collection, bus point selection, design of routes and fleets
management. As an application we present a case study on the school bus transportation in the
city of Coxim-MS.

Keywords: Vehicle routing problems, Logistics planning, School bus.

vii
viii
Sumrio

Introduo 1

1 O problema de roteamento de nibus escolar: uma reviso 5

1.1 Planejamento do sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Preparao dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Seleo de pontos de nibus . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3 Planejamento e desenho das rotas de nibus . . . . . . . . . . . . . . . . . . 7
1.1.4 Sincronizao com os horrios da escola . . . . . . . . . . . . . . . . . . . . . 8
1.1.5 Refinamento das rotas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Classificao dos problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Nmero de escolas: nica ou mltiplas . . . . . . . . . . . . . . . . . . . . . 9
1.2.2 rea rural rea urbana . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 Problemas: manh tarde . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.4 Carregamento misto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.5 Transporte de estudantes de necessidades especiais . . . . . . . . . . . . . . 12
1.2.6 nibus: homogneo ou heterogneo . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.7 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.8 Restries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 Classificao baseada nos mtodos de soluo . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Configuraes de formulaes matemticas para um PROE . . . . . . . . . . 15
1.3.2 Mtodos de soluo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2 Problemas de roteamento de veculos e tcnicas de soluo 17

2.1 Alguns problemas de roteamento e seus modelos matemticos . . . . . . . . . . . . 20
2.1.1 O problema de roteamento de veculos capacitado PRVC . . . . . . . . . . . 20
2.1.1.1 Formulao matemtica do PRVC . . . . . . . . . . . . . . . . . . 21
2.1.2 Problemas de roteamento de veculos com janela de tempo PRVJT . . . . . 22
2.1.2.1 Formulao matemtica de um PRVJT . . . . . . . . . . . . . . . . 23
2.1.3 Problema de roteamento de veculos com backhauls PRVB . . . . . . . . . . 23
2.1.3.1 Formulao matemtica de um PRVB . . . . . . . . . . . . . . . . 24
2.1.4 Problema de roteamento de veculos com coleta e entrega PRVCE . . . . . . 25
2.1.4.1 Formulao matemtica de um PRVCE . . . . . . . . . . . . . . . 26
2.1.5 Problema de roteamento de veculos com mltiplos depsitos PRVMD . . . . 27

ix
 2.1.5.1 Formulao matemtica do PRVMD . . . . . . . . . . . . . . . . . 28
2.1.6 Problema de roteamento de veculos com mltiplo uso de veculos PRVMUV 30
2.1.6.1 Formulao matemtica do PRVMUV . . . . . . . . . . . . . . . . 30
2.1.7 Problema de roteamento de veculos com frota heterognea PRVFH . . . . . 32
2.1.7.1 Formulao matemtica PRVFH . . . . . . . . . . . . . . . . . . . 33
2.1.8 Problema de roteamento de veculos com entregas fracionadas PRVEF . . . . 34
2.1.8.1 Formulao matemtica PRVEF . . . . . . . . . . . . . . . . . . . 34
2.1.9 Problemas de roteamento de veculos com janela de tempo e frota heterog-
nea PRVJTFH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1.9.1 Formulao matemtica do PRVJTFH . . . . . . . . . . . . . . . . 36

3 Mtodos de resoluo 37
3.1 Mtodos exatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.1 Branch-and-bound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.2 Branch-and-cut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.1.3 Branch-and-price . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Heursticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.1 Heursticas construtivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.1.1 Heurstica de Clarke e Wright CW . . . . . . . . . . . . . . . . . . 39
3.2.1.2 Heurstica de Mole e Jameson MJ . . . . . . . . . . . . . . . . . . . 40
3.2.2 Heursticas duas fases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.2.1 Heurstica de Gillet e Miller GM . . . . . . . . . . . . . . . . . . . 41
3.2.2.2 Algoritmo de Fisher e Jaikumar FJ . . . . . . . . . . . . . . . . . . 42
3.2.2.3 Algoritmo de Bramel e Simchi-Levi BS . . . . . . . . . . . . . . . . 42
3.2.2.4 Branch-and-bound truncado B&B-T . . . . . . . . . . . . . . . . . 43
3.2.2.5 Algoritmos petal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.3 Heursticas de melhoramento . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.3.1 -opt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.3.2 Troca- . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2.3.3 Transferncia cclica . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.3.4 Cadeias de ejees (Ejection chain) . . . . . . . . . . . . . . . . . . 48
3.2.3.5 GENIUS (Generalized insertion procedure + unstringing stringing) 49
3.2.3.6 Troca cruzada (CROSS exchange) . . . . . . . . . . . . . . . . . . 50
3.2.3.7 Busca em uma vizinhana grande BVG . . . . . . . . . . . . . . . . 51
3.3 Metaheursticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.1 Arrefecimento simulado AS . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.2 Arrefecimento determinstico AD . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.3 Busca tabu BT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.4 Algoritmos genticos AG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.5 Colnias de formigas CF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.6 Redes neurais RN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

x
4 O estudo de caso 59
4.1 A cidade de Coxim - MS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.1.1 Transporte escolar em Coxim - MS . . . . . . . . . . . . . . . . . . . . . . . 60
4.2 Instituto Federal de Educao, Cincia e Tecnologia de Mato Grosso do Sul - Cam-
pus Coxim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.3 Problema 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3.1 Modelo matemtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3.1.1 Varivel de deciso . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3.1.2 Parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.4 Problema 2: planejamento logstico . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.4.1 Preparao dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4.2 Problema 2.1 - seleo dos pontos de nibus . . . . . . . . . . . . . . . . . . 65
4.4.3 Problema 2.2 - planejamento e desenho das rotas de nibus . . . . . . . . . . 66
4.4.3.1 Variveis de deciso . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.3.2 Parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.3.3 Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.3.4 Formulao do modelo . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.5 Implementao e resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.5.1 Problema 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.5.2 Problema 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.5.3 Problema 2.2 - planejamento e desenho das rotas de nibus . . . . . . . . . . 70

5 Consideraes finais 77

Referncias Bibliogrficas 81

Apndices 86

A Algoritmos implementados e dados utilizados 87

A.1 Implementao 4.5.1 - Problema da quantidade mnima de nibus . . . . . . . . . . 87
A.2 Implementao 4.5.2 - Seleo dos pontos de nibus . . . . . . . . . . . . . . . . . . 88
A.3 Implementao 4.5 - Planejamento e desenho das rotas de nibus - minimizao de
nibus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
A.4 Implementao 4.5.3 - Planejamento e desenho das rotas de nibus . . . . . . . . . . 90
A.5 Coordenadas geogrficas das localizaes dos 165 estudantes do IFMS . . . . . . . . 91

xi
xii
 A Deus ....
Aos meus avs ....
Aos meus pais ....
A minha esposa ....
E a todos que me apoiaram ....

xiii
xiv
Agradecimentos

Agradeo em especial ao meu orientador Cristiano Torezzan, muitas vezes sendo meu orientador
e tambm amigo, com timos conselhos em como trabalhar e como conquistar os desafios.
Agradeo tambm a todo apoio tcnico administrativo que tive no Instituto Federal de Educa-
o, Cincia e Tecnologia de Mato Grosso do Sul, com a coleta dos dados para o estudo de caso, em
especial a Soray Mesquita Rodovalho Gonalves sempre atenciosa e prestativa. Sem ela as coisas
teriam sido mais complicadas.
Aos meus diretores Marcela Rubim Schwab Leite Rodrigues e Carlos Vinicus da Silva Figuei-
redo que sempre na medida do possvel me apoiaram no mbito institucional para concluso deste
mestrado.
Ao apoio de meu amigo o Professor Alexandre Fornaro com grandes contribuies na reviso
ortogrfica do texto.
E aos meus colegas de rea sempre quando tinha necessidade assumiam meus trabalhos para
dedicao do mestrado.
E finalmente a minha esposa Talina Meirely Nery dos Santos, por ser essa pessoa gentil e
amorosa e todo apoio que me deu.

xv
xvi
Lista de Ilustraes

1.1 Esquema da estratgia LAR Park e Kim [1] . . . . . . . . . . . . . . . . . . . . . . 7

1.2 Esquema da estratgia ARL Park e Kim [1] . . . . . . . . . . . . . . . . . . . . . . 7

3.1 Esquema heurstica 2-opt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.2 Esquema heurstica 3-opt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Esquema procedimento 1-troca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.4 Esquema procedimento 1-permutao . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5 Transferncia cclica - soluo inicial sem refinamento . . . . . . . . . . . . . . . . . 47
3.6 Transferncia cclica - soluo refinada . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.7 GENI: tipo 1 - Insero de um vrtice entre os vrtice e . . . . . . . . . . . 49
3.8 GENI: tipo 2 - Insero de um vrtice entre os vrtice e . . . . . . . . . . . 50
3.9 Troca cruzada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.10 Soluo AG para PRV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.11 Evoluo de um modelo deformvel em a), b), c) e soluo final em d) . . . . . . . 56

4.1 Cidade de Coxim - MS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.2 IFMS - Campus Coxim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3 Questionrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4 Mapa de localizao dos estudantes do IFMS . . . . . . . . . . . . . . . . . . . . . . 64
4.5 Pontos de nibus - Google Earth . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.6 Pontos de nibus e estudantes - Google Earth . . . . . . . . . . . . . . . . . . . . . 70
4.7 Pontos de nibus, estudantes e escola - Google Earth . . . . . . . . . . . . . . . . . 71
4.8 Sistema de rotas - Busca branch-and-cut - Google Earth . . . . . . . . . . . . . . . 74
4.9 Sistema de rotas - Busca heurstica - Google Earth . . . . . . . . . . . . . . . . . . 74

xvii
xviii
Lista de Tabelas

4.1 Tipos e quantidade de veculos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

4.2 Tipos e quantidade de veculos - zona urbana . . . . . . . . . . . . . . . . . . . . . 68
4.3 Tipos e quantidade de veculos - zona urbana . . . . . . . . . . . . . . . . . . . . . 68
4.4 Localizao dos pontos de nibus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.5 Resultados de veculos para 165 estudantes . . . . . . . . . . . . . . . . . . . . . . . 71
4.6 Coordenadas Escola Artificial e Depsito . . . . . . . . . . . . . . . . . . . . . . . . 72
4.7 Rota 1 - branch-and-cut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.8 Rota 1 - Busca heurstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.9 Rota 2 - Busca branch-and-cut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.10 Rota 2 - Busca heurstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.11 Rota 3 - Busca branch-and-cut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.12 Rota 3 - Busca heurstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.13 Distncia total percorrida em - Busca branch-and-cut . . . . . . . . . . . . . . . 75
4.14 Distncia total percorrida em - Busca Heurstica . . . . . . . . . . . . . . . . . 75

A.1 Coordenadas dos 165 estudantes do IFMS . . . . . . . . . . . . . . . . . . . . . . . 92

xix
xx
Introduo

O desenvolvimento de mtodos eficazes que tm o objetivo de planejar e desenhar rotas de ve-

culos uma rea interdisciplinar de pesquisa bastante ativa. Nas ltimas dcadas, novos problemas
e mtodos tm sido propostos na literatura. A ateno dada a estes problemas , em grande parte,
motivada pela necessidade constante de reduo de gastos nos processos de logstica de entrega de
produtos ou na prestao de servios populao.
O Problema de Roteamento de Veculos (PRV) uma extenso natural do Problema do Caixeiro
Viajante (PCV), ao adicionar diversas restries. Como o PRV pode ser reduzido a um PCV,
ele pertence classe de problemas NP-Difcil. O PRV clssico consiste em encontrar a melhor
maneira de atender um conjunto de clientes , cada cliente com uma demanda por um produto
(ou servio) e, um depsito com veculos de capacidade , de maneira que o somatrio de todas
as demandas dos clientes no ultrapasse a capacidade dos veculos.
Os modelos e algoritmos propostos para resoluo de PRV, podem ser aplicados de forma eficaz
em diversos problemas do mundo real que derivam de sistemas de transportes. As aplicaes mais
tpicas desse tipo de problema so:

coleta de lixo;

limpeza de ruas;

planejamento de transporte escolar;

sistemas dial-a-ride;

transporte de pessoas portadoras de necessidades especficas (PNE);

roteamento de vendedores e de unidades de manuteno.

A rede de estradas utilizada para um sistema de transporte pode ser descrita atravs de um
grafo, na qual os arcos representam partes da estrada e os vrtices representam os cruzamentos,
depsitos e localizao dos clientes. Cada arco est associado a um custo, que normalmente
representa a distncia percorrer ou o tempo de percurso, que ir depender do tipo de veculo
usado ou o perodo em que o percurso acontece, podendo ser em horrios de picos com grande
congestionamento de veculos.
Os percursos realizados pelos veculos para atender os clientes comeam e terminam em um
ou mais depsitos, localizados em um ou mais vrtices do grafo que representa a rede de estradas.
Cada depsito caracterizado pela demanda total de mercadorias, pela quantidade e tipo de

1
veculos que suporta. Em algumas aplicaes do mundo real os clientes so divididos entre os
depsitos, os veculos devem retornar ao depsito de partida ao final de cada percurso. Quando
isso ocorre, o PRV pode ser decomposto em subproblemas independentes, cada um associado a
um depsito distinto.
Umas das muitas aplicaes de PRV, o transporte escolar, conhecido tambm como Problema
de Roteamento de nibus Escolar (PROE), que visa planejar eficientemente um cronograma para
uma frota de nibus escolares no qual veculos recolhem estudantes em vrios pontos de nibus e
os entregam em escolas designadas, satisfazendo vrias restries como a capacidade mxima dos
veculos, o tempo mximo de permanncia do estudante no veculo e a janela de tempo de uma
escola (perodo de inicio ou fim do perodo dirio letivo).
Conforme descrito em Park e Kim [1], a resoluo de um PROE envolve geralmente 5 passos:
preparao dos dados, seleo de pontos de nibus, planejamento e desenho das rotas de nibus,
sincronizao com os horrios da escola e refinamento das rotas.
Nesta dissertao apresentamos uma reviso sobre PROE, que foi baseada em Park e Kim [1].
Este trabalho motivado por uma questo prtica, surgida na disciplina de Pesquisa Operacional,
que envolve uma situao vivenciada pelo autor na cidade de Coxim-MS.
O municpio de Coxim est localizado na regio norte do Estado de Mato Grosso do Sul, sendo
cortado pelos rios Coxim e Taquari. De acordo com o Censo do IBGE de 2010, o municpio
tem 32.159 habitantes com rea territorial de 6.409,224 km2 . O municpio composto por vrios
distritos em que os principais so: Jauru, So Ramo, Taquari e Silviolndia. A cidade de Coxim
no conta com transporte coletivo pblico ou privado, tendo somente o servio de txi ou moto-
txi. Para atender a rede pblica de ensino a prefeitura municipal conta com um servio gratuito
para o transporte escolar dos estudantes no perodos matutino, vespertino e noturno.
Desde o ano 2010 Coxim, conta com o Instituto Federal de Educao, Cincia e Tecnologia
de Mato Grosso do Sul (IFMS). A partir do ano 2011 o IFMS passa a ofertar cursos de nvel
mdio com tcnico integrado na rea de informtica e alimentos, e o curso de licenciatura plena
em qumica, que atendem estudantes de toda a regio norte do estado. Com a maior demanda de
cursos e projetos do governo federal, existe a necessidade, por parte do poder pblico, de ofertar
transporte escolar de qualidade com o objetivo de ampliar o desenvolvimento da instituio de
ensino. Nas diversas reunies pedaggicas do corpo docente da instituio, um dos principais
assuntos discutidos o quanto a metodologia do transporte escolar pode afetar o rendimento e a
participao dos estudantes nas atividade de ensino da instituio. A motivao deste trabalho
parte dessas discusses.
O restante desta dissertao est organizada da seguinte forma: No Captulo 1, apresentamos
uma reviso sobre o PROE. Em seguida descrevemos de forma geral o PRV e algumas de suas
extenses, incluindo algumas sugestes encontradas na literatura sobre formulaes matemticas
baseadas em Programao Linear Inteira Mista. No Captulo 3, apresentamos de um modo geral
alguns mtodos de resoluo para o PRV: mtodos exatos e os mtodos aproximados. No Captulo
4, apresentamos o nosso estudo de caso, que est dividido em 2 problemas:

1. No primeiro caso estudamos o problema de encontrar o menor nmero possvel de veculos

para efetivao do transporte escolar na cidade de Coxim - MS nos perodos matutino e
vespertino. Neste caso no considerado as rotas que os veculos utilizam e nem a quantidade

2
 de pontos de nibus ou suas localizaes. Uma boa soluo deste problema pode ter impactos
importantes nos gastos com a contratao de nibus extras.

2. No segundo caso feito um planejamento logstico para o transporte dos estudantes do IFMS
do campus Coxim do perodo matutino, em que definiremos a quantidade mnima de nibus,
a localizao dos pontos de nibus e suas rotas, utilizando os algoritmos apresentados nos
Captulos 1, 2, 3.

As nossas consideraes finais so apresentadas no Captulo 5.

3
4
Captulo 1

O problema de roteamento de nibus

escolar: uma reviso

Neste captulo apresentaremos uma reviso sobre os principais conceitos envolvidos no pro-
blema de planejamento e roteamento de veculos para o transporte escolar a serem utilizados nessa
dissertao. Este captulo , em grande parte, baseado no artigo Park e Kim [1], que servir de
referncia para o estudo de caso que ser apresentado no Captulo 4.
O objetivo fornecer uma anlise abrangente do Problema de Roteamento de nibus Escolar
(PROE), que visa planejar eficientemente um cronograma para uma frota de nibus escolares no
qual veculos recolhem estudantes em vrios pontos de nibus e os entregam em escolas designa-
das, satisfazendo vrias restries como a capacidade mxima dos veculos, o tempo mximo de
permanncia do estudante no veculo e a janela de tempo de uma escola (horrio de incio ou fim
do perodo letivo).

1.1 Planejamento do sistema

A soluo de um PROE envolve, em geral, 5 passos (sub-problemas) conforme descrito em Park
e Kim [1]: preparao dos dados, seleo de pontos de nibus, planejamento e desenho das rotas
de nibus, sincronizao com os horrios da escola e refinamento das rotas. A seguir detalhamos
cada um destes 5 passos.

1.1.1 Preparao dos dados

O sub-problema Preparao dos dados tem como objetivo preparar os dados para os outros
sub-problemas. A rede de possveis rotas especificada e quatro conjunto de dados para o PROE
so preparados: estudantes, escolas, veculos e matriz origem-destino (OD).
Os dados referentes aos estudantes contam com localizao (endereos) de suas residncias, a
escola de destino de cada estudante e o tipo de estudante uma varivel que indica se o estudante
ou no Portador de Necessidade Especfica (PNE).
Os dados referente a cada escola contm informaes sobre a localizao das escolas, o tempo
de incio e trmino das aulas para chegada dos nibus, o tempo mximo de conduo do estudante

5
no nibus. Na maioria dos estudos o tempo de incio e trmino das aulas so apresentados, no
entanto, vrios estudos disponveis assumem que os tempos inicial e final podem ser determinados
pela varivel ajuste de tempo do sino da escola (horrio de incio e trmino das aulas).
Os dados referentes aos veculos contm informaes sobre o local de origem e os tipos de
nibus disponveis para o transporte escolar. Cada tipo de nibus pode ter capacidades distintas
para estudantes em geral e veculos prprios ou compartilhados para PNE ou educao especial.
A matriz OD armazena os menores tempos de viagem entre os pares de ns (escolas, localizao
dos estudantes e local de origem dos nibus). A matriz OD pode ser calculada usando um sistema
de informao geogrfica (GIS - sigla em ingls), como o Google Earth usado no Captulo 4 para o
estudo de caso deste trabalho. Em Kim e Jeong [2] apresentado uma comparao de desempenho
de vrios algoritmos resoluo do problema do caminho mnimo e desenvolvida uma abordagem
para a gerao aproximada da matriz OD.

1.1.2 Seleo de pontos de nibus

Este sub-problema procura selecionar um conjunto de pontos de nibus e atribuir estudantes

para estes pontos. Para estudantes que residem na zona rural, assume-se que em cada residncia h
um ponto de nibus. Entretanto, na zona urbana planejado que os estudantes devem caminhar
at um ponto de nibus a partir de suas casas e pegar o nibus para a sua escola.
Na maioria dos casos os pontos de nibus so assumidos como fixos e o problema se resume a
designar os estudantes a tais pontos. Por isso, em vrios trabalhos que estudam PROE, a etapa
de seleo dos pontos chega a ser omitida.
Quando necessria a soluo deste sub-problema, as tcnicas mais utilizadas so heursticas
para variantes do problema de alocao e tambm mtodos do tipo -medianas (-facilidades) para
escolha dos pontos. Em Park e Kim [1] apresentada uma lista de trabalhos que consideram este
sub-problema.
De maneira geral, as solues heursticas para este caso se classificam em dois tipos: Location-
Allocation-Routing (LAR) e Allocation-Routing-Location (ARL). A primeira determina inicial-
mente um conjunto de pontos de nibus para cada escola e depois atribui os estudantes aos pontos
de nibus. Por fim as rotas so definidas a partir destes pontos. No entanto, uma vez que os pontos
de nibus so atribudos e os estudantes so determinados sem levar em considerao os efeitos
sobre a gerao das rotas, este mtodo tende a gerar rotas excessivas, ou seja, rotas que tendem a
no serem usadas ou pouco usadas. A Figura 1.1 ilustra um esquema da estratgia LAR. Por outro
lado, a segunda estratgia divide os estudantes em grupos (clusters) satisfazendo a restrio de
capacidade dos veculos e, em seguida, so selecionados os pontos de nibus e, s ento, gerada
uma rota para cada cluster. Finalmente, os estudantes em cada cluster so atribudos a um ponto
de nibus satisfazendo todas as restries apresentadas no problema, como a distncia mxima de
caminhada a partir da residncia, nmero mximo de estudantes atribudos por pontos de nibus,
a distncia mnima que separa os pontos de nibus. A Figura 1.2 ilustra um esquema da estratgia
ARL.

6
 Figura 1.1: Esquema da estratgia LAR Park e Kim [1]

Figura 1.2: Esquema da estratgia ARL Park e Kim [1]

1.1.3 Planejamento e desenho das rotas de nibus

Neste sub-problema so construdas as rotas at as escolas. Os algoritmos para este sub-
problema so classificados em dois modelos route-first, cluster-second e cluster-first, route-
second que foram abordados por Bodin e Berman [3].
Em route-first, cluster-second com um algoritmo baseado no PCV desenvolve-se um grande
percurso que considera todos os pontos de nibus, em seguida esse percurso particionado em
rotas menores considerando as restries do problema. Em Newton e Thomas [4], Bodin e Berman
[3] h uma implementao desse mtodo.
No mtodo cluster-first, route-second os estudantes so agrupados em clusters de modo que
cada um seja um percurso que satisfaa as restries. Em Dulac, Ferland e Forgues [5], Chapleau,

7
Ferland e Rousseau [6] e Bowerman, Hall e Calamai [7] existem aplicaes desse mtodo para um
PROE.
Podemos destacar quatro modelos de planejamento:

1. nibus dedicado para o cluster: cada nibus designado para pegar todos os estudantes de
um cluster e posteriormente passar por todas as escolas deixando os estudantes. Na volta, o
nibus passa em todas as escolas e se dirige ao cluster.

2. nibus dedicado para a escola: os nibus so designados para as escolas e devem passar nos
pontos pegando apenas os estudantes da referida escola.

3. conexo com terminal: nesse modelo temos uma combinao dos dois primeiros, onde, os
nibus sero distribudos aos clusters e ento ser determinada uma rota at um terminal,
deste terminal, sero determinadas rotas at as escolas.

4. estratgias hbridas: so estratgias que combinam, de alguma forma, as trs estratgias b-

sicas relacionadas anteriormente. Esta poltica geralmente adotada em grandes metrpoles
ou conglomerados urbanos complexos.

Aps o planejamento das rotas at a escola, heursticas de melhoramento podem ser aplicadas.
H um enorme nmero de heursticas de melhorias e mtodos metaheursticos. O mtodo heurstico
sugerido por Lin [8], chamado de -opt, amplamente adotado em estudos de PRV. O algoritmo
apaga caminhos da rota e adiciona caminhos factveis. A idia do algoritmo -opt adotado
em vrios estudos de PROE. Em Newton e Thomas [4], Dulac, Ferland e Forgues [5], Chapleau,
Ferland e Rousseau [6] e Desrosiers et al. [9] aplicaram o algoritmo 2-opt para melhorarem sua
soluo. Em Bennett e Gazis [10], Bodin e Berman [3] adotaram algoritmos 3-opt.

1.1.4 Sincronizao com os horrios da escola

De acordo com Park e Kim [1], em muitos estudos o inicio e trmino dos horrios escolares
so tratados como restries. Entretanto, h uma srie de trabalhos que consideram os horrios
como variveis de deciso com o objetivo de encontrar um tempo de inicio e trmino timo a fim
de maximizar o nmero de rotas para um mesmo nibus, assim, reduzindo o nmero de nibus
utilizados. Em Desrosiers [11], Desrosiers et al. [9] determina-se o inicio e trmino dos horrios
escolares utilizando um mtodo de gerao de colunas. Em Bodin [12] adaptou-se o mtodo
de Desrosiers [11], Desrosiers et al. [9], afirmando que para problemas de pequeno porte podem
ser resolvidos manualmente e Fgenschuh [13] considerou o problema permitindo ao estudante a
mudana de rota e um modelo de Programao Inteira Mista (PIM) foi desenvolvido utilizando
um mtodo branch-and-cut com vrios mecanismos de pr-processamento com cortes vlidos.

1.1.5 Refinamento das rotas

Neste sub-problema especifica-se a hora exata do incio e trmino de cada rota, e define-se uma
cadeia de rotas executadas pelo mesmo nibus.

8
 Foi desenvolvido por Newton e Thomas [14] um modelo multi-escola para determinar todas
as rotas de nibus escolar para um distrito escolar, na qual assumiram que existem perodos de
tempos distintos e as escolas tem horrios distintos para inicio trmino dos perodos. Em Bodin
[15], Bodin e Berman [3], os autores assumem tambm que as janelas de tempo das escolas podem
ser divididas em perodos distintos, ento o problema de roteamento de nibus escolar pode ser
resolvido por perodo e posteriormente o percurso total agrupado. No entanto, essa abordagem
pode no funcionar quando os tempos de horrios das escolas se sobrepem, ou seja, o horrio de
trmino de um perodo anterior pode ser maior que o incio do prximo perodo.
Foi utilizado por Desrosiers [11], Desrosiers et al. [9] um mtodo heurstico para a soluo de
uma srie de problemas de transporte e, referncia Graham e Nuttle [16] mostra comparaes para
diversas heursticas produzidas para o refinamento de rotas escolares. O trabalho de Desrosiers
et al. [17] apresenta trs algoritmos que foram testados em oito problemas de transporte escolar
em vrias configuraes, considerando distintos os perodo da manh ou tarde e a janela de tempo
entre os perodos.
Em Braca et al. [18] foi descrito um problema de roteamento de nibus escolar para a cidade
Nova York, na qual resolveram para todas as escolas em uma nica etapa, sendo que na maior parte
da literatura o problema resolvido individualmente para cada escola e em seguida determinado
um cronograma de rota para cada nibus. J Li e Fu [19] aplicou o algoritmo th de caminho
mnimo de Lawler [20] para gerar uma rota inicial e um esquema de refinamento em que os pontos
de nibus das rotas maiores so movidos para as rotas menores. Para os nibus que tem a mesma
capacidade o problema de atribuio formulado com o objetivo de minimizar os espaos vazios nos
nibus. A abordagem do PROE para mltiplas escolas feita em Spada, Bierlaire e Liebling [21],
e props um mtodo heurstico, considerando as escolas pela ordem crescente de seus horrios de
incio e as rotas so construdas para cada escola por meio de uma estratgia gananciosa1 . Depois
disso se possvel as rotas so unidas e ento essas rotas so refinadas por Simulated Annealing ou
Busca Tabu.

1.2 Classificao dos problemas

Os problemas de PROE classificado em diversas categorias. Nesta seo detalhamos as
categorias propostas por Park e Kim [1].

1.2.1 Nmero de escolas: nica ou mltiplas

A estrutura para um problema envolvendo uma nica escola semelhante ao problema clssico
de PRV, ou seja, a rota comea a partir de um depsito, visita uma srie de clientes e retorna ao
depsito de origem. Entretanto em um PROE o depsito de origem normalmente diferente da
localizao da escola. Alm disso, em um PROE, o tempo de durao ou distncia do depsito at
o primeiro ponto de nibus e a distncia da escola at o depsito de partida no so considerados.
Assim, as estruturas de rotas para os veculos de um PROE so semelhantes a um Problema de
1
Algoritmo ganancioso: a cada iterao o algoritmo escolhe a ao mais favorvel, na qual a definio de favorvel
estabelecido inicialmente.

9
Roteamento de Veculos Aberto (PRVA) Fu, Eglese e Li [22]. Uma caracterstica importante de
um PRVA que o veculo no retorna ao depsito de origem depois de visitar o ltimo cliente em
uma rota Li, Golden e Wasil [23].
Para a estrutura multi-escolar, existem duas abordagens diferentes para definio de rotas Park
e Kim [1], Spada, Bierlaire e Liebling [21]:

1. baseada na escola: planejado um conjunto de rotas para cada escola e uma frota de nibus
designada para a rota. Feito isto, procede-se um refinamento em relao as janelas de tempo
da escola. Nesta abordagem no permitido que estudantes de diferentes escolas tomem
o mesmo nibus ao mesmo tempo. Em Braca et al. [18] apresenta-se um mtodo baseado
nessa abordagem que insere um ponto de nibus por vez em cada rota. Quando o ponto
inserido em uma rota determinada a escola correspondente a esse ponto tambm deve estar
nessa rota. Se a escola no estiver na rota o algoritmo procura o melhor local para inserir
o ponto da escola levando em considerao o custo para inserir tal ponto, tambm deve ser
observado a relao de prioridade entre o estudante e a escola Bredstrm e Rnnqvist [24]

2. baseada no endereo do estudante: ao contrrio da anterior, essa abordagem permite que

alunos de vrias escolas sejam transportados pelos nibus nos mesmos horrios. Esta a
abordagem mais comum nas cidades brasileiras.

1.2.2 rea rural rea urbana

O mtodo de soluo de um PROE pode variar se o tipo de servio para rea rural ou
urbana. Supe-se que nas reas urbanas os estudantes podem caminhar de suas casas at os
pontos de nibus. J nas reas rurais o nmero de estudantes pequeno e normalmente os pontos
so definidos em suas prprias casas. Portanto, no necessrio a designao de pontos de nibus
nas reas rurais. Como observado em Park e Kim [1], que geralmente a lotao mxima dos
nibus so alcanadas antes do final do percurso de transporte de um estudantes devido a alta
concentrao de estudantes nas reas urbanas.
Foi apontado em Chen et al. [25] que um sistema de escola rural diferente de um sistema
de escola urbana, devido aos seguintes fatos: menor densidade populacional, maior distncia per-
corrida por rota, menor nmero de estudantes por pontos de nibus, maior nmero de pontos de
nibus por rota, poucas ou praticamente nenhuma rua de sentido nico, maior nmero de nibus
devem passar a noite nas casas do motoristas, menor nmero de estradas alternativas para os
pontos distantes da escola. Em Howley, Howley e Shamblen [26] foi estudado a diferena entre
o transporte de estudantes de reas rurais e de reas sub-urbanas2 por meio de uma pesquisa de
opinio, na qual, verificaram vrias hipteses de sua pesquisa como longos tempos de viagem e
ampliao de atendimento em reas rurais. A singularidade da rea rural, foi discutida em Rip-
plinger [27], ressalta-se que a soluo tima poderia ser gerada manualmente, pois, o tamanho do
problema relativamente pequeno.
2
reas sub-urbanas so regies com grande concentrao da populao que se organizam em centro urbanos
secundrios

10
 Mas podemos tambm considerar um problema hbrido dos casos anteriores, que h rotas rurais,
sub-urbanas e urbanas percorrida por um mesmo nibus para estudantes residentes nas reas rurais
e que estudam em escolas urbanas.

1.2.3 Problemas: manh tarde

Durante a manh os estudantes so apanhados em seus pontos de nibus e levados at suas
escolas. J no perodo da tarde os estudantes so apanhados em suas escolas e levados at seus
respectivos pontos de partida. Em Braca et al. [18] afirmou que os problemas da manh tem maior
dificuldade em soluo por dois motivos:

1. janela de tempo das escolas mal distribudas;

2. trafego de veculos mais pesados.

De acordo com Park e Kim [1] os problemas da tarde recebem menor ateno do que os
problemas da manh, em que muitos estudos so dedicados aos problemas da manh e o problema
da tarde brevemente mencionados. De acordo com Li e Fu [19] que os PROE para tarde podem
ser convertidos em PROE para manh com poucas modificaes.
Em Bodin e Berman [3] apresenta-se uma abordagem simples para o problema da tarde,
considera-se a mesma rota utilizada no problema da manh, ou, inverte-se a sequncia de ponto
de nibus a fim de se obter o menor tempo de viagem. Seria mais intuitivo a sequncia invertida,
entretanto, repetir a sequncia prefervel do ponto de vista em equilibrar a isonomia do tempo de
viagem entre todos os estudantes, logo em seguida usando as rotas para cada escola so planejadas
as cadeia de rotas.
Nos trabalhos Desrosiers [11], Desrosiers et al. [17] produziram todas as possveis combinaes
de horrios para uma rota considerando suas restries, como limite superior o tempo de espera
dos estudantes entre sua chegada na escola e o horrio de inicio das aulas. Em uma combinao
de horrio h informaes sobre o tempo total de percurso e quando executado, se de manh ou
de tarde. Ao selecionar um conjunto ideal de combinaes para as rotas, os horrios para manh
e tarde so definidos simultaneamente.
Em outros problemas envolvendo manh e tarde Bookbinder e Edwards [28] abordaram como
um tipo diferente de PROE, chamado de programa de programao. Neste programa procura-se,
definir o melhor plano de transporte para estudantes em vrias escolas com atividades especiais,
como natao e arte industrial.

1.2.4 Carregamento misto

O problema de carregamento misto pode acontecer na zona rural, na qual o carregamento misto
de estudantes permitido, estudantes de diferentes escolas podem ser alocados nos mesmos nibus
ao mesmo tempo, gerando um aumento na flexibilidade e reduo de custos apontado em Braca
et al. [18]. Quando no so permitidas carga mista, o problema torna-se problemas de cargas
nicas na qual cada escola tem nibus exclusivos para seus estudantes Bodin [12]. A suposio

11
de carga nica excessivamente restritiva e poderia usar um nmero excessivo de nibus para
estudantes em localidades mais distantes Chen, Kallsen e Snider [29].
Embora o problema de carregamento misto seja discutidos em vrios trabalhos Bodin e Berman
[3], Bodin [12], Chen, Kallsen e Snider [29], Spada, Bierlaire e Liebling [21], apenas Braca et al.
[18] props realmente um algoritmo para carregamento misto. Como foi desenvolvido por Chen,
Kallsen e Snider [29] um sistema especializado para um distrito escolar rural permitindo cargas
mistas nas rotas, entretanto as rotas foram geradas manualmente. Com uma ferramenta interativa
para o usurio manipularam cargas mistas Spada, Bierlaire e Liebling [21].
Uma heurstica de localizao baseado em Bramel e Simchi-Levi [30], foi proposta em Braca
et al. [18] que originalmente foi desenvolvida para Problemas de Roteamento de Veculos Capaci-
tados (PRVC). Sua abordagem foi baseada em um regra simples, o algoritmo verifica dois vrtices
consecutivos em um percurso e verifica se um ponto de nibus pode ser inserido entre eles, se a
escola de destino desse ponto no est na rota ento o algoritmo tambm determina a melhor
posio de insero para a escola. Subsequentemente, um conjunto de rotas atualizado atravs
da insero de um ponto para a rota que resulta na menor distncia total do percurso, com esse
procedimento notaram que h uma dificuldade de verificao de viabilidade quando o ponto de
nibus adicionado a uma rota. Enquanto em um PRVC h apenas uma parcela fora do ponto
(depsito final), em percursos escolares mltiplos h mais de uma parcela fora das rotas dos pontos,
ento necessrio determinar quando e onde o estudante entra e sa do nibus.

1.2.5 Transporte de estudantes de necessidades especiais

O problema de planejamento de transporte de estudantes de necessidades especficas funda-
mentalmente diferente em muitos aspectos do problema de roteamento de estudantes mais gerais.
Primeiramente, esses estudantes so apanhados diretamente em suas casas e no em pontos de
nibus pr-determinados. Em segundo lugar, no h uma restrio muito rgida para o tempo
mximo de permanncia do estudante no nibus como no transporte de estudantes de forma mais
geral. Em terceiro lugar cada estudante deve ser atendido de modo diferente dependendo da ca-
racterstica de sua necessidade especfica. Uma vez que alguns estudantes necessitam de ajuda e
equipamentos especiais eles devem ser atribudos a um nibus especializado capaz de atende-los.
Como observado em Park e Kim [1] existem poucos trabalhos que consideram o transporte de es-
tudantes de educao especial. Foi abordado em Russell e Morrel [31] o problema de planejamento
de nibus para educao especial, construram uma soluo inicial, utilizando uma modificao
no algoritmo de economia apresentado em Clarke e Wright [32], melhorando a soluo por meio
de um algoritmo 3-opt e utilizando um algoritmo de melhoramento proposto em Russell e Mor-
rel [31]. Entretanto, uma vez que essas rotas muitas vezes tem vrias escolas de destino, devido
a diversidade de estudantes, o nmero de escolas a serem visitados por um nibus tende a ser
muito excessivo. Os autores desenvolveram um sistema de transporte a fim de reduzir o tempo
de permanncia dos estudante nos nibus e o nmero de escolas de destino. Em Braca et al. [18]
foi discutido brevemente o transporte de estudante de necessidades especficas e apresentaram o
sistema de transporte escolar da cidade de Nova York, onde cerca de 125.000 estudantes utilizam
o transporte escolar e 40.000 desses so classificados como estudantes de necessidades especficas.
O trabalho de Ripplinger [27] tratando estudantes com necessidades especficas nas reas rurais

12
foi abordado de duas maneiras. A primeira faz a diferenciao de estudantes com e sem necessidades
especficas, em seguida, estes problemas so resolvidos separadamente. A segunda maneira gera
um plano de rotas de forma nica para os dois tipos de estudantes.

1.2.6 nibus: homogneo ou heterogneo

O problema pode ser tratado de tal forma que sua frota seja heterognea assim podemos assumir
que cada nibus tem caractersticas distintas, tais como capacidade, tempo mximo de percurso,
custo fixo e custo varivel por unidade de distncia. O problema semelhante ao um PRV com
veculos heterogneos.
Foi assumido em Newton e Thomas [14] a hiptese de nibus com capacidade nica. Entretanto,
h alteraes nas capacidades para cada escola, pois cada escola tem sua prpria poltica de
capacidade mxima e se so permitidos estudantes de no sentados.
No trabalho deBowerman, Hall e Calamai [7] foi estudado o problema de roteamento de nibus
de mesma capacidade. Na maioria dos estudos considerado que um estudante ocupa um espao
no nibus, mas em Bowerman, Hall e Calamai [7] consideraram que um estudante das sries iniciais
ocupa 23 de espao de um estudante regular, assim, neste caso dois nibus de mesma capacidade
tem diferentes nmeros de estudantes.

1.2.7 Objetivos
Em Park e Kim [1], Savas [33] propem-se trs medidas para avaliar o desempenho do servio
pblico, utilizando estes critrios, Bowerman, Hall e Calamai [7], Fu, Eglese e Li [22] classificaram
esses objetivos como segue:

1. Eficincia: definido como a razo entre a qualidade do servio e o custo dos recursos
necessrios para proporcionar esse servio. Para uma determinada qualidade de servio, a
eficincia determinada pelo seu custo. De acordo com os autores Bowerman, Hall e Calamai
[7] existem dois componentes principais para o custo de um sistema de transporte escolar.

(a) Custo de capital necessrio para adquirir um sistema de nibus escolar.

(b) Custo por unidade de distncia percorrida.

Portanto, uma soluo que exige menos nibus e tem menor tempo de viagem prefervel do
ponto de vista da eficincia.

2. A eficcia de um servio medido pela maneira de como o pblico est satisfeito. Um

sistema de transporte de nibus escolar deve estar disponvel a todos os estudantes regular-
mente matriculados e deve ter um nvel aceitvel de satisfao. A eficcia de um sistema
de transporte de nibus escolar pode ser medida atravs do tempo total de viagem e pela
distncia que um estudante precisa caminhar.

3. A equidade avalia a justia e a imparcialidade da prestao de um servio. Uma soluo

com boa medida de eficincia de baixo custo e com melhores perspectivas de custo e tempo,

13
 mas seria inaceitvel devido a falta de equidade do servio aos estudantes. Eqidade tem
sido negligenciada na avaliao de desempenho de um servio de nibus escolar, bem como
os servios pblicos. Para melhorar a equiedade de um servio de transporte de nibus
escolar deve ser considerado o balanceamento entre a quantidade de passageiros e o tempo
de percurso.

1.2.8 Restries
Vrias restries so consideradas em um PROE, as restries a seguir so listadas em Braca
et al. [18], Spada, Bierlaire e Liebling [21]:
Restrio de capacidade do veculo - limitante superior sobre o nmero de estudantes em um
nibus;
Tempo mximo de percurso - limitante superior para o tempo de viagem para cada estudante;
Distncia mxima de caminhada - distncia mxima permitida do ponto de nibus at a casa
do estudante para o mesmo percorrer a p;
Janela de tempo da escola - janela de tempo para chegada e partida dos nibus nas escolas;
Limites mximos para o nmero de estudantes nos pontos;
Tempo de recolhimento mais tarde para crianas
Nmero mnimo de crianas para criao das rotas
Em alguns trabalhos essas restries so consideradas como funes objetivo. Por exemplo o
tempo mximo de percurso como objetivo que visou minimizar o tempo de percurso para todas as
crianas considerando em Bennett e Gazis [10], Li e Fu [19].

1.3 Classificao baseada nos mtodos de soluo

A combinao do problema de seleo de pontos de nibus e planejamento e desenho das rotas
de nibus de uma nica escola da classe NP-Difcil como mostrado em Bowerman, Hall e Calamai
[7]. Mesmo um nico sub-problema, como seleo de pontos de nibus ou planejamento e desenho
das rotas de nibus pode ser mostrado ser um problema NP-Difcil. Na seleo de ponto de
nibus, cada estudante deve ser atribudo a um ponto de nibus e cada parada tem sua capacidade
mxima. Usando essas restries, o problema de seleo de ponto de nibus pode ser transformado
no problema de atribuio generalizada que tambm conhecido como um problema NP-Difcil
Fisher, Jaikumar e Van Wassenhove [34]. O problema de planejamento e desenho das rotas de
nibus com a capacidade mxima e as restries de tempo mximo de percurso corresponde a uma
distncia mxima restrita um PRV Aberto que conhecido como um problema NP-Difcil de
acordo com Bekta [35]. Como comentado em Park e Kim [1], devido a sua grande dificuldade
de soluo a maioria dos estudos preferem mtodos heursticos em vez de mtodos exatos. Apenas
alguns artigos utilizam mtodos exatos para resolver partes de PROE.

14
1.3.1 Configuraes de formulaes matemticas para um PROE

Os modelos matemticos para um PROE so desenvolvidos utilizando vrias configuraes.

Usualmente os modelos so formulados utilizando Programao Inteira Mista (PIM) ou Progra-
mao Inteira Mista no Linear (PIMNL). Entretanto na maioria das vezes os modelos no so
utilizados para resolver todo o problema mas sim partes deles. Em Gavish e Shlifer [36] considera-se
o problema de desenho de linha de nibus para uma nica escola utilizando um modelo PIMNL. Os
autores propuseram limites superiores para o problema e utilizando o mtodo branch-and-bound
resolvem uma sequncia de problemas determinando a soluo tima. O algoritmo de Gavish e
Shlifer [36] foi melhorado por White [37] substituindo o problema de desenho de linha de linha
de nibus para um problema de correspondente mximo. Os problemas de seleo de ponto de
nibus e planejamento e desenho das rotas de nibus foram considerados simultaneamente em
Bowerman, Hall e Calamai [7], na qual desenvolveram um modelo de PIMNL que no foi usado
para resolver o problema. Para o problema de planejamento e desenho de rotas de nibus Li e
Fu [19] desenvolveram um modelo de PIMNL multi-objetivo e expressaram explicitamente vrias
funes objetivo, sendo a formulao matemtica no usada para resolver o problema. Ripplinger
[27] desenvolve um modelo PIM para o PROE da zona rural, o problema foi resolvido por um al-
goritmo heurstico. Um modelo para escola nica como um problema mltiplo do caixeiro viajante
com mltiplos depsitos e um nico destino foi modelado por Kara [38].

Modelos para uma nica escola foram apresentados em Schittekat, Sevaux e Sorensen [39], Bek-
ta [35] e utilizado para a soluo do problema. Foi considerado em Schittekat, Sevaux e Sorensen
[39] que uma escola idntica a um depsito e uma rota comea e termina na escola. Alm disso,
considerou-se que a frota de veculos homognea e que a escolha de um estudante caminhar at
certo ponto de nibus pode ser realizada ou no. Com base nessas hipteses desenvolveram um
modelo PIM e resolveram um exemplo com 10 pontos e 50 estudantes. Observando-se que seu
modelo era simples e que no foi considerado restries prticas tais como o tempo mximo de
percurso. Por outro lado em Bekta [35] proposto um modelo para o problema de planejamento
e desenho de rotas de nibus, eles incluram no s a capacidade dos veculo mas tambm um limi-
tante superior para o tempo de percurso de cada passageiro em um nibus. Com essa formulao
encontraram uma soluo tima para uma escola primria de Ankara, Turquia com 29 pontos de
nibus. J em Desrosiers et al. [9], Fgenschuh [13] foi desenvolvido modelos PIM de multi-escola.
Com um modelo PIMNL Swersey e Ballard [40] foi transformado em dois modelos de programao
inteira discreta para o problema de planejamento e desenho de rotas para mltiplas escolas.

Nos trabalhos de Braca et al. [18], Spada, Bierlaire e Liebling [21] foram propostos modelos de
PIMNL que no foram utilizados para solucionar o problema, sendo que em Braca et al. [18] foi
formulado o modelo para o problema de planejamento e desenho de rotas de nibus e o problema
de programao de horrios de nibus como um conjunto de problemas particionado. Entretanto,
foi considerado que o conjunto de rotas viveis dado. Em contrapartida em Spada, Bierlaire e
Liebling [21] foi apresentado uma formulao para o mesmo problema em um modelo PIMNL.

15
1.3.2 Mtodos de soluo
Problemas relativamente de pequenos porte normalmente so resolvidos por mtodos exatos,
preferencialmente na maioria das vezes so utilizados mtodos heursticos na maioria dos estudos.
Aqui descreveremos a explicao detalhada dos mtodos de soluo utilizados para cada sub-
problema. E tambm sero apresentados as metaheursticas aplicadas na soluo de um PROE.
Nos ltimos anos esto sendo propostas vrias metaheursticas para soluo de problemas
de otimizao combinatria: Arrefecimento Simulado (SA), Arrefecimento Determinstico (AD),
Busca Tabu (BT), Algoritmos Genticos (AG), Otimizao por Colnia de Formigas (OCF) e
Redes Neurais (RN). Essas metaheursticas tem sido amplamente utilizadas em PRV (Gendreau,
Laporte e Potvin [41], Cordeau et al. [42], Yu, Yang e Yao [43], Belfiore, Yoshida Yoshizaki et al.
[44]) mas apenas alguns trabalhos tem aplicado metaheursticas para um PROE conforme Park e
Kim [1].
Thangiah e Nygard [45] proporam um sistema automatizado de planejamento de nibus es-
colares chamado GENROUTER. GENROUTER utiliza uma abordagem em duas fases com uma
variao dos mtodos cluster-first e route-second. Na primeira fase utilizado um mtodo chamado
de setorizao gentica baseada em um (AG) com a funo de criar os cluster das residncias dos
estudantes. Para o melhor conjunto de cluster obtidos na primeira fase, a segunda fase melhora
as rotas utilizando mtodos de localizao tima.
Como citado por Park e Kim [1], em Corbern et al. [46] foi usado um mtodo evolutivo
para melhorar a disperso de solues iniciais geradas por duas heursticas que se baseiam em
mecanismos de clusters. Utilizando um mtodo SA e um BT, em Spada, Bierlaire e Liebling
[21] foi melhorada uma soluo inicial baseada em uma heurstica de insero. Utilizando um
algoritmo para gerar clusters, em Ripplinger [27] mostrado uma soluo factvel, para o PROE e
usado um algoritmo BT a soluo inicial foi melhorada. Com quatro heursticas diferentes, sendo
duas apresentadas em Corbern et al. [46], Pacheco e Mart [47] construiu um conjunto de solues
factveis a partir do algoritmo proposto em Fisher [48] e estudado um mecanismo de insero. As
solues encontradas por essas quatro heursticas foram melhoradas atravs de uma BT.

16
Captulo 2

Problemas de roteamento de veculos e

tcnicas de soluo

Neste captulo apresentamos uma reviso da literatura sobre os problemas de distribuio de

mercadorias entre depsitos e clientes. Estes problemas so conhecidos como Problemas de Rote-
amento de Veculos (PRV) 1 . Os modelos e algoritmos propostos para soluo desses problemas,
podem ser aplicados de forma eficaz no somente a problemas destinados a entrega e coleta de bens,
mas para a soluo de diversos problemas do mundo real que derivam em sistemas de transportes.
As aplicaes mais tpicas desse tipo de problema so:

coleta de lixo;

limpeza de ruas;

planejamento de transporte escolar;

sistemas dial-a-ride;

transporte de pessoas portadoras de necessidades especficas (PNE);

roteamento de vendedores e de unidades de manuteno.

A distribuio de bens se refere ao servio feito, em um determinado perodo de tempo, para um

conjunto de clientes por um conjunto de veculos que so operados por um conjunto de operadores
(motoristas para o caso de caminhes, nibus, etc.), a qual executado em uma rede de estradas ou
caminhos convenientes. Em particular, a soluo de um PRV visa a determinao de um conjunto
de rotas (caminhos, linhas, etc) cada uma realizada por um nico veculo iniciando e terminando em
seu prprio depsito, de maneira que todos os requisitos de seus clientes sejam cumpridos e todas as
limitaes operacionais sejam satisfeitas e o custo de transporte seja minimizado. Descrevemos as
caractersticas tpicas dos problemas de roteamento e programao considerando seus componentes
principais (rede de estradas, veculos e motoristas), as principais restries a serem impostas na
construo das rotas e os possveis objetivos a serem minimizados.
1
A principal referncia que utilizamos neste captulo o livro Toth e Vigo [49]

17
 A rede de estradas utilizada para o transporte de mercadorias geralmente descrita atravs de
um grafo, no qual os arcos representam partes da estrada e os vrtices representam os cruzamentos,
depsitos e localizao dos clientes. Os arcos e consequentemente os grafos correspondentes podem
ser direcionados ou no, ou seja, eles podem ser percorridos por apenas uma direo (vias de nico
sentido, geralmente de cidades ou rodovias) ou em ambas as direes. A cada arco atribudo
um custo que normalmente representa a distncia percorrer ou o tempo de percurso, que ir
depender do tipo de veculo usado ou o perodo em que o percurso acontece. Podendo ser em
horrios de picos e com grande congestionamento de veculos.
Como observado em Toth e Vigo [49], normalmente os clientes so caracterizados da seguinte
forma:

vrtice do grafo da rede de estradas em que um cliente est localizado;

quantidade de bens (demanda), possivelmente de diferentes tipos que devem ser entregues
ou coletados nos clientes;

perodos do dia (janela de tempo) em que um cliente pode ser atendido, possivelmente por
motivos em que o cliente se encontra aberto ou por limitaes de transito. Por exemplo, nos
centros de algumas cidades brasileiras s pode ocorrer carga e descarga de mercadorias das
18:00 s 06:00.

tempo necessrio para carga e descarga de mercadorias que depende do tipo de veculo;

subconjunto de veculos disponveis que podem ser destinados ao cliente, por razo de limi-
taes de acesso ou restries do cliente para carga e descarga.

As vezes no h possibilidade de atender os clientes. Nestes casos as quantidades a serem

entregues ou coletadas podem ser reduzidas ou no, podendo ocorrer a possibilidade de no aten-
dimento de um grupo de clientes. Deste modo, podem ser atribudos prioridades ou penalizaes
para a falta total ou parcial do servio.
Os percursos realizados pelos veculos para os clientes serem atendidos comeam e terminam
em um ou mais depsito, localizados nos vrtices do grafo que representam as estradas. Cada
depsito caracterizado pelo nmero, tipo de veculos e quantidade total de bens que suporta.
Em algumas aplicaes do mundo real os clientes so divididos entre os depsitos e os veculos
devem retornar ao depsito de partida ao fim de cada percurso. Quando isso ocorre, o PRV pode
ser decomposto em problemas independentes cada um associado a um depsito distinto.
Por outro lado, o transporte de mercadorias realizado usando uma frota de veculos compostos
por tamanhos fixos ou definidos de acordo com a exigncias de cada cliente. Normalmente os
veculos so caracterizados como segue.

Depsito de sada do veculo, com a possibilidade de que o depsito ao final do percurso seja
diferente do depsito de partida;

Capacidade do veculo expressa pela quantidade mxima, ou o volume, ou o nmero de caixas

que o veculo pode transportar;

18
 Possibilidade do veculo ser dividido em subcompartimentos, cada um caracterizado pela sua
capacidade e tipo de produtos que podem ser transportados;

dispositivos disponveis para a operao de carga de descarga, por exemplo mquinas empi-
lhadeiras ou material humano.

subconjunto de arcos da estrada que podem ser percorridos pelos veculos;

custo associado pela utilizao do veculo que podem ser por unidade de distncia, por
unidade de tempo, por rota, etc.
Os operadores dos veculos devem satisfazer vrias condies ajustadas por contratos sindicais
ou normas das empresas como perodo mximo de trabalho dirio, nmero de intervalos durante
o servio, durao mxima de perodos de conduo, horas extras mxima permitida por dia, etc.
Existem tambm restries impostas aos condutores associados aos veculos correspondentes.
As vias devem satisfazer vrias limitaes operacionais que dependem da natureza dos veculos
e dos bens transportados, refletindo na qualidade do servio executado e as caractersticas de cada
cliente. Algumas restries operacionais so:
ao longo da rota a demanda de carga do veculo no pode ser maior que a capacidade do
mesmo;

os clientes atendidos em uma rota pode exigir a entrega, coleta ou ambos de bens;

os clientes podem ser atendidos somente dentro de sua janela de tempo ou dentro do perodo
de trabalho dos operadores.
Pode ser imposta uma ordem em que os clientes devem ser atendidos na rota, esse tipo de
restrio determina que um cliente deve ser atendido antes ou depois de um conjunto de clientes
da mesma rota, este tipo de situao conhecido como o problema da coleta e entrega, em que
em uma mesma rota um mesmo veculo deve coletar mercadorias e entregar em outro cliente.
Outro tipo de restrio de procedncia impem que clientes de diferentes tipos so atendidos na
mesma rota. Neste caso, os clientes tem ordem fixa de atendimento, essa situao aparece para os
PRV com Backhauls, que um problema de coleta e entrega, mas pela dificuldade de organizao
dos produtos nos veculos, esse problema restringe-se as entregas que devem ser feitas antes das
coletas.
A avaliao do custo total do transporte e a verificao das restries operacionais requerrm
um conhecimento do custo e do tempo de viagem entre cada par de clientes e entre o depsito
e os clientes. Para isso, o grafo da estrada original, que as vezes muito escasso, geralmente
transformado em um grafo completo, cujo os vrtices do grafo representam os clientes e os depsitos.
Para cada par de vrtices e do grafo completo associado um custo ao arco (, ) do
caminho mnimo que liga o vrtice ao vrtice . O tempo de percurso associado ao arco
(, ) do grafo completo que representa a soma de todos o tempos do caminho mais curto que liga
o vrtice ao vrtice , ou seja, consideramos um grafo completo em vez de considerar o grafo
original da estrada, que pode ser um grafo direcionado ou no, dependendo das matrizes de custo
e tempo de viagem correspondentes que podem ser assimtricas ou simtricas respectivamente.

19
 Vrios objetivos para os Problemas de Roteamento de Veculos podem ser considerados, alguns
deles so:

minimizar o custo total do transporte, dependendo da distncia ou tempo total da rota e

custos fixos associados aos veculos e seus operadores correspondentes;

minimizar o nmero de veculos ou operadores para atender todos os clientes;

balanceamento das rotas para o tempo de viagem e carregamento dos veculos;

minimizar as punies relativas aos clientes no atendidos ou atendidos parcialmente.

possvel ainda considerar uma combinao desses objetivos.

Em algumas aplicaes os veculos podem operar em mais de uma rota e por um tempo maior,
onde alguns percursos podem durar mais de um dia. Algumas vezes temos que levar em con-
siderao verses estocsticas do problema que dependem de tempos dinmicos, ou seja, alguns
problemas a priori h apenas um conhecimento parcial de demandas dos clientes, dos custos e do
tempo total de viagem. J em alguns casos, no h nenhum conhecimento associados aos arcos
das redes de estradas.

2.1 Alguns problemas de roteamento e seus modelos ma-

temticos
Nesta seo apresentaremos alguns tipos de PRV encontrados na literatura e esboaremos seu
modelo matemtico de modo mais geral.

2.1.1 O problema de roteamento de veculos capacitado PRVC

Em um Problema de Roteamento de Veculos Capacitado (PRVC) todas as entregas e demandas
dos clientes so determinsticas (conhecidas antecipadamente) e no podem ser divididas, sendo
todos os veculos so iguais e existe apenas uma restrio de capacidade. O objetivo minimizar
o custo total para atender todos os clientes.
Semelhante ao apresentado em Toth e Vigo [49], podemos descrever um PRVC como um pro-
blema terico da seguinte maneira. Seja = (, ) um grafo completo, com = {0, . . . , } o
conjunto de todos os vrtices e o conjunto arcos. Os vrtices = 1, . . . , , correspondem a todos
os clientes e o vrtice 0 representa o depsito. Algumas vezes o depsito tambm representado
pelo vrtice + 1.
O custo de transporte de um vrtice ao vrtice para todo (, ) representado pela
constante no negativa . Geralmente no permitido um lao no arco (, ), ento tomamos
= + para todo . Se um grafo direcionado ento a matriz de custo assimtrica
e o problema correspondente chamado de Problema de Roteamento de Veculos Capacitado
Assimtrico (PRVCAS), caso contrrio, = para todo (, ) , o problema chamado de
Problema de Roteamento de Veculos Capacitado Simtrico (PRVCS).

20
 Na maioria dos casos a matriz que representa o custo satisfaz a desigualdade triangular,

+ , , . (2.1.1)

Note que quando o custo de cada arco do grafo igual ao custo do caminho mnimo entre suas
extremidades, a matriz custo correspondente satisfaz a desigualdade triangular.
Em algumas aplicaes os vrtices so associados as coordenadas do plano e o custo para
cada arco (, ) definido como a distncia Euclidiana entre dois pontos correspondentes
aos vrtices e . Neste caso a matriz simtrica, satisfaz a desigualdade triangular e resulta
em um conjuntos de problemas chamados de Problemas de Roteamento de Veculos Capacitados
Euclidianos (PRVCE).
Associamos a cada cliente (1, . . . , ) uma demanda no negativa e tomamos 0 = 0. Dado
um conjunto de vrtices , denotamos por:

() =

a soma de todas as demandas dos clientes . Consideremos que est associado ao depsito
um conjunto de veculos idnticos de capacidade , assumimos tambm que a demanda
para cada = 1, . . . , , na qual cada veculo pode executar no mximo uma rota.
O PRVC baseia-se em encontrar um nmero de rotas, cada uma para cada veculo com o
objetivo de minimizar o custo total do transporte e atender as seguintes restries:
cada rota deve iniciar e terminar no depsito;

cada cliente visitado exatamente uma vez por apenas um veculo;

a soma da demanda de uma rota no pode ser maior que a capacidade do veculo.

2.1.1.1 Formulao matemtica do PRVC

A formulao matemtica dada abaixo para PRVC, que mais tarde foi adaptado para PRVCS
utiliza (2 ) variveis binrias:
1 se o veculo percorre a aresta (, )

=
0 caso contrrio

em que , {0, . . . , }, = e {1, . . . , }.

min (2.1.2)


=0 =0 =1


sujeito a 0 = (2.1.3)

=1 =1

0 = 0 = 1, = 1, . . . , (2.1.4)

=1 =1

21


= 1, = 1, . . . , (2.1.5)

=1 =0

= = 1, . . . , , = 1, . . . , (2.1.6)


=0 =0

|| () , {0} , || 2 (2.1.7)

=1

= e = 1, . . . , (2.1.8)

,
=1 =0
{0, 1} , = 0, . . . , , = 0, . . . , = 1, . . . , (2.1.9)
A restrio (2.1.3) determina que a quantidade exata de veculos que deixa do depsito seja ,
j as restries (2.1.4) que todas as rotas se iniciam e terminam no depsito, as restries (2.1.5)
e (2.1.6) determinam que existe apenas uma nica rota para um veculo percorrer o arco (, ).
A restrio (2.1.7) tambm chamada de restrio de eliminao de sub-rotas, na qual impe ao
modelo que as rotas que no se inicie e termine no depsito no estejam na soluo, nessa restrio,
temos () que representa o nmero mnimo de veculos necessrios para que todos os clientes em
sejam atendidos. Em (2.1.8) temos a restrio da capacidade dos veculos explicitamente, ou
seja, que a soma de todas as demandas do percurso para cada veculo no pode ser superior que
sua capacidade e por ltimo temos as restries de integralidade do problema em {0, 1}.

2.1.2 Problemas de roteamento de veculos com janela de tempo PRVJT

O PRVJT uma extenso do PRVC em que cada cliente associado ao intervalo de tempo
[ , ] onde ele deve ser atendido, denominado de janela de tempo. Para cada cliente considerado
um tempo de viagem para cada arco (, ) e um tempo adicional de servio (carga e
descarga ou coleta e entrega). Sendo que o servio de cada cliente deve iniciar dentro de sua
janela de tempo associada e o veculo deve permanecer no cliente durante todo o tempo de servio
. Alm disso, na maioria dos casos em que h antecipao de chegada o veculo autorizado a
esperar um tempo at que o servio possa ser iniciado.
Normalmente as matrizes de custo e tempo de viagem so coincidentes e assume-se que todos
os veculos deixam o depsito no instante 0. Note que a restrio de janela de tempo impe
implicitamente uma orientao para cada rota mesmo que as matrizes iniciais sejam simtricas.
Portanto, normalmente um PRVJT modelado como um problema assimtrico.
Um PRVJT consiste em encontrar um conjunto com exatamente rotas minimizando o custo
total tal que:
cada rota deve iniciar e terminar do depsito;
cada cliente visitado uma nica vez;
a soma das demandas dos cliente da rota no pode ser maior que a capacidade dos veculos;
para cada cliente o servio se inicia em uma janela de tempo [ , ] e o veculo fica parado
no cliente por um tempo de servio .

22
2.1.2.1 Formulao matemtica de um PRVJT
A formulao matemtica de um PRVJT trabalha com (2 ) variveis binrias e variveis
reais. Como no PRVC a varivel binria , representa se um veculo percorre o arco (, ) e a
varivel real , = 1, . . . , representa o instante inicial do atendimento de um cliente .
Segue abaixo a formulao do modelo matemtico para um PRVJT:

min = (2.1.10)


=0 =0 =1


sujeito a 0 = (2.1.11)

=1 =1

0 = 0 = 1, = 1, . . . , (2.1.12)

=1 =1


= 1, = 1, . . . , (2.1.13)

=1 =0

= = 1, . . . , , = 1, . . . , (2.1.14)


=0 =0

|| () , {0} , || 2 (2.1.15)

=1

= e = 1, . . . , (2.1.16)

,
=1 =0


( + + ) , = , = 1, . . . , (2.1.17)

=1 =0
= 0, . . . , (2.1.18)
{0, 1} , = 1, . . . , , = 1, . . . , = 1, . . . , (2.1.19)

Observe que a funo objetivo (2.1.10) e as restries (2.1.11)-(2.1.16) so as mesmas do PRVC.

A restrio (2.1.17) representa que a soma do instante da janela de tempo do cliente mais o tempo
de servio que o veculo fica parado no vrtice para coleta ou entrega das mercadorias somado
com o tempo de percurso entre os vrtices e no pode ser maior que o inicio da janela de
tempo do cliente localizado no vrtice . E por fim a restrio (2.1.18) restringe que o atendimento
do cliente seja feito somente em sua janela de tempo.

2.1.3 Problema de roteamento de veculos com backhauls PRVB

O PRVB ou como definido por Vieira [50] Problema de Roteamento de Veculos com Prioridade
de Entrega (PRVPE) uma extenso do PRVC em que o conjunto de clientes particionado em dois
subconjuntos. O primeiro subconjunto contm todos os clientes que preciso entregar os produtos,
em ingls so chamados de Linehaul customers contendo elementos que vamos representar por

23
. O segundo subconjunto contm todos os clientes que desejam enviar produtos ao depsito, em
ingls chamamos de Backhaul customers contendo elementos que vamos representar por , na
qual h uma restrio de prioridade de atendimento a todos os clientes que tem produtos a receber.
Os clientes so numerados da seguinte maneira = {1, . . . , } e = { + 1, . . . , + }.
Sempre que uma rota tiver clientes Linehaul e Backhaul todos os clientes Linehaul sero os
primeiros a serem atendidos. Para todos os clientes atribudo uma demanda no negativa
para ser coletado ou entregue dependendo de seu tipo e para o depsito associado uma demanda
fictcia 0 = 0. A matriz custo de um PRVB assimtrica, consiste em determinar o nmero exato
de rotas com o objetivo de minimizar o custo de transporte atendendo as seguintes restries:

cada rota deve iniciar e terminar do depsito;

cada cliente em uma rota visitado uma nica vez;

a demanda total dos clientes visitados na rota para linehaul e backhaul no pode exercer
separadamente a capacidade do veculo;

cada rota, todos os clientes linehaul so atendidos antes de todos clientes backhaul se houver.

2.1.3.1 Formulao matemtica de um PRVB

O modelo proposto por Toth e Vigo [49] baseado em uma reformulao do problema, na
qual considerado como um problema assimtrico, portanto tambm vlido para um PRVBA.
Inicialmente vamos supor que so permitidas rotas para um nico cliente linehaul.
Agora definimos 0 := {0} e 0 := {0}, considere = , um grafo direcionado
( )

obtido de definindo = e = 1 2 3 , em que:

1 := {(, ) : 0 , } ,
2 := {(, ) : , 0 } ,
3 := {(, ) : , 0 } .

Aqui particionamos o conjunto de arcos em trs subconjuntos disjuntos. O Primeiro subcon-

junto 1 contm todos os arcos que ligam o depsito com os clientes linehaul e todos os vrtices de
clientes linehaul. O segundo subconjunto 2 contm todos os arcos que ligam o depsito com os
clientes backhaul e todos os vrtices de clientes backhaul, finalmente, 3 contm todos os arcos que
conectam os clientes linehaul com os clientes backhaul ou com o depsito. Esse ltimo subconjunto
denominado de arcos de interface. Observe que no contm arcos que no pertencem a uma
soluo factvel do problema, ou seja, no h arcos que partam dos clientes backhaul at os clientes
linehaul ou que partam do depsito aos clientes backhaul, pelo motivo da restrio de procedncia
de que todos os clientes linehaul devem ser atendidos antes dos clientes backhaul. Note que
um subconjunto prprio do conjunto , para para arco (, ) temos um custo que igual
ao custo de cada arco (, ) correspondente.
Seja (respectivamente ) a famlia de todos os subconjuntos que contm os vrtices de
(respectivamente B) e = . Para cada , seja () o nmero mnimo necessrio para

24
atender todos os clientes em . Para cada definido +
= : (, ) e +
=
{ }

: (, ) , assim, a formulao do modelo de programao linear inteira dado abaixo:

{ }

min (2.1.20)


(,)

sujeito a: = 1 (2.1.21)

{0}

= 1 (2.1.22)

{0}
+

0 = (2.1.23)

0 = (2.1.24)

+
0

() (2.1.25)

,

() (2.1.26)

,
+

{0, 1} (, ) (2.1.27)

Seja = 1 se, e somente se, o arco (, ) pertence a soluo tima. As equaes (2.1.21),
(2.1.23) e (2.1.22), (2.1.24) impe respectivamente restries de entrada e sada aos clientes e ao
depsito. O chamado Restrio de Corte de Capacidade (RCC) de (2.1.25) e (2.1.26) a continuidade
entre as rotas e que a capacidade dos veculos no seja violada. Note que as restries (2.1.21)-
(2.1.24) implicam que o lado esquerdo das equaes (2.1.25) e (2.1.26) para qualquer conjunto
dado, sejam iguais, isto , que o nmero de arcos que entram no conjunto igual ao nmero de
arcos que saem.
E por ltimo note que a familia de restries (2.1.25) e (2.1.26) tem cardinalidade crescendo
exponencialmente com max {, }, mesmo com a forma relaxada definida em (2.1.20)-(2.1.26) e

0 1, (, ) (2.1.28)

no h soluo direta, mesmo para problemas de tamanhos moderados.

2.1.4 Problema de roteamento de veculos com coleta e entrega PRVCE

Na verso bsica PRVCE cada cliente associado a duas quantidades e , representando
a demanda homognea de mercadorias que sero entregues e coletados em cada cliente . As vezes
usado para para cada cliente uma quantidade de demanda = indicando a demanda
lquida entre das demandas de entrega e coleta (sendo possvel uma demanda negativa). Para
cada cliente , denota o vrtice de origem de uma demanda e denota o vrtice de destino de
entrega dessa demanda.

25
 Supe-se que para cada localizao dos clientes a entrega executada antes da coleta, ou seja, a
carga de um veculo antes de chegar em determinada localizao definido pela carga inicial menos
as mercadorias entregues adicionado as mercadorias a serem coletadas. Um PRVCE consiste em
determinar um conjunto de exatamente rotas que minimize o custo total atendendo as seguintes
restries:

cada rota deve iniciar e terminar no depsito;

cada cliente em uma rota visitado uma nica vez;

o fluxo de carga no veculo ao longo da rota no deve ser negativo e nunca deve ser maior
que a capacidade do veculo;

todos os vrtices so diferentes do vrtice de depsito, que deve ser visitado antes do
vrtice de cliente , ou seja, o veculo deve visitar o vrtice para coleta de mercadoria a
ser entregue no vrtice .

todos os vrtices so diferentes do vrtice de depsito, que deve ser visitado aps o vrtice
de cliente , ou seja, o veculo deve visitar o vrtice para coleta de mercadoria a ser entregue
no vrtice .

Pode ocorrer tambm que um mesmo cliente tenha uma demanda de entrega e coleta, neste
caso no h a necessidade de identifica-los explicitamente. Este problema conhecido como Pro-
blema de Roteamento de Veculos de Coleta e Entrega Simultnea (PRVCES).
PRVCE e PRVCES so da classe de problemas NP-Difcil, quando = = 0 e = 0 o
problema se torna um PRVC.

2.1.4.1 Formulao matemtica de um PRVCE

Na formulao abaixo baseado modelo proposto por Montane e Galvo [51] cada cliente tem
uma demanda para entrega e coleta de mercadorias. No modelo utilizaremos as seguintes notaes:

conjunto dos clientes a serem atendidos;

0 conjunto de clientes acrescentado do vrtice de depsito (cliente 0): 0 = {0}
( ) conjunto de clientes para coleta (entrega): = ;
nmero total de clientes: = | |;
( ) nmero de clientes nos conjuntos de coleta e entrega, respectivamente:
= | |, = | |;
custo do transporte entre os vrtices e ;
demanda de coleta do cliente , = 1, , ;
demanda de entrega do cliente , = 1, , ;
capacidade dos veculos;
nmero mximo de veculos.

26
 E as seguintes variveis de deciso:

1 se o arco (, ) pertence ao conjunto de rotas da soluo tima

=
0 caso contrrio
: demanda a ser coletada dos clientes at o vrtice (incluindo ) e transportado no arco (, )
: demanda a ser entregue aos clientes da rota e ser transportada no arco (, ) .

A formulao matemtica segue abaixo:

min (2.1.29)


=0 =0

sujeito a: = 1 = 1, . . . , (2.1.30)

=0

= 1 = 1, . . . , (2.1.31)

=0

= 1, . . . , ; (2.1.32)


=0

= = 0; (2.1.33)


=0 =0

= = 0; (2.1.34)


=0 =0
+ , , = 0, . . . , (2.1.35)
{0, 1} , = 1, . . . , (2.1.36)
0; 0 , = 1, . . . , . (2.1.37)

O objetivo da funo (2.1.29) minimizar o custo total do transporte. As restries (2.1.30)

e (2.1.31) garantem que cada cliente visitado uma nica vez por um nico veculo. A restrio
(2.1.32) limita o nmero de veculos a serem utilizados. As equaes (2.1.33) e (2.1.34) representam
respectivamente as demandas de coleta e entrega dos clientes, elas garantem que as demandas de
cada cliente sejam satisfeitas. A restrio (2.1.35) garante que as demandas de entrega e coleta s
sero transportadas nos arcos inclusos na soluo, impe ainda que a capacidade do veculo no
seja violada no arco (, ). E as restries (2.1.36) e (2.1.37) definem as variveis de deciso do
modelo.

2.1.5 Problema de roteamento de veculos com mltiplos depsitos

PRVMD
Existem poucos trabalhos sobre esse tema na literatura, sendo que se diferencia do PRVC so-
mente pelo fato de existirem mltiplos depsitos, uma estratgia de soluo dividir os clientes

27
em vrios subconjuntos e atribuir apenas um depsito a cada subconjunto e ento resolve-los como
PRVC. Os estudos mais interessantes so quando os depsitos agem como instalaes intermedi-
rias de reabastecimento ao longo de uma rota.
Nesse problema definido em um grafo = ( , ), em que = {1, 2, . . . , } representa
o conjunto de todos os clientes, = { + 1, . . . , } representa o nmero de depsitos da rede
e = {(, ) , : , , = } o conjunto de arestas de . A frota composta por
veculos de capacidade que esto alocados em . Para cada cliente definido uma demanda
e um tempo de servio . Para cada arco da rota associado um custo referente ao percurso
entre os vrtices e .
O PRVMD consiste em determinar um nmero de rotas que minimize os custos e satisfaa
as seguintes restries:
cada cliente pertence a exatamente uma rota;
cada rota deve iniciar e terminar no depsito;
a demanda dos clientes em qualquer rota no pode ser superior a capacidade dos veculos;
a durao total de rota no pode ser superior que um valor pr-definido .
Se considerarmos vrios problemas e resolvendo cada problema independentemente o problema
se torna um PRVC, ou seja, um PRVMD da classe NP-Difcil.

2.1.5.1 Formulao matemtica do PRVMD

A formulao apresentada abaixo baseada na proposta de Crevier, Cordeau e Laporte [52],
em que consideramos uma frota homognea de veculos. Seja uma durao fixa que representa o
tempo necessrio para um veculo chegar ao depsito. O conjunto de todas as rotas atribudas a
um veculo denominado de roteiro, em que a durao total de um roteiro no pode ser maior que
um valor pr-fixado . Para os problemas um nico depsito denominado single-depot as rotas
se iniciam e terminam no depsito, j os problemas em que as rotas interligam dois depsitos so
chamados de inter-depot. Considere uma rota que caracterizada pelo conjuntos de clientes que
a pertena. Ento, definimos os coeficientes:
1 se o cliente pertence a rota

=
0 caso contrrio
2se a rota se inicia e termina no depsito



1 se a rota se inicia ou termina no depsito ,



=


no ambos
0 caso contrrio

Seja o conjunto de todas as rotas que satisfazem

(2.1.38)

,
=1

28
e

= 2. (2.1.39)

=1

As variveis binrias abaixo tambm so definidas:

1 se, e somente se, a rota utilizado por um veculo

=
0 caso contrrio
1 se, e somente se, o roteiro do veculo se inicia no depsito

=
0 caso contrrio.
e as variveis inteiras representa a quantidade de vezes que um veculo entra e sa de um
depsito em um problema inter-depot. Definimos tambm o parmetro como o tempo de
durao de um percurso na rota . Se a rota se inicia e termina em um mesmo depsito. Alm
disso definimos o parmetro que corresponde ao tempo total de durao da rota em , tal que:

= + +

,
=1

e definimos os conjuntos:

: o conjunto de rotas para os problemas inter-depot;

() : o conjunto de rotas que se iniciam e terminam em , em que ;
() : o conjunto de rotas com um depsito em e o outro depsito fora de , .
A formulao matemtica para o problema segue abaixo:
| |

min (2.1.40)


=1 =1
| |
sujeito a: = 1 = 1, . . . , (2.1.41)

=1 =1

1, = 1, . . . , (2.1.42)

=1

2 = 0, = 1, . . . , ; = 1, . . . , (2.1.43)

| |
= 1, . . . , (2.1.44)

,
=1

| ()| + , ; = 1, . . . , (2.1.45)

() ()

{0, 1} , , (2.1.46)
{0, 1} , , (2.1.47)
inteiro, , (2.1.48)

29
 A funo objetivo (2.1.40) minimiza o tempo de gasto por todos os veculos na rota . A
restrio (2.1.41) define que cada cliente ser visitado uma nica vez em uma rota. A restrio
(2.1.42) afirma que no mximo um roteiro ser atribudo a um veculo, enquanto a restrio (2.1.43)
assegura que todo veculo que entra em um depsito intermedirio, tambm sa deste. A restrio
(2.1.44) impe o limite de durao de um roteiro e em (2.1.45) temos a restrio de eliminao
de sub-rotas: Dado , se no mnimo uma rota do veculo () (caso em que o lado
esquerdo da desigualdade positivo), ento deve haver no mnimo uma rota no roteiro em (),
ou ento, um dos depsitos de deve ser o depsito inicial dos veculos (caso contrrio o lado
direito da inequao igual a zero).

2.1.6 Problema de roteamento de veculos com mltiplo uso de vecu-

los PRVMUV
O PRVMUV uma extenso do PRVC, na qual nesse problemas trabalhamos com as mesmas
restries do PRVC, em nesse problema cada veculo pode executar vrias rotas em um perodo de
trabalho. Esses casos acontecem para frotas pequenas ou para entregas de alimentos perecveis, na
qual a locomoo destes produtos devem ser feitas em curto espao de tempo. Um bom exemplo
de aplicao desse problema o planejamento de rotas e entregas de supermercados. O objetivo
desse problema determinar o um nmero de rotas que minimize o custo total do transporte, tal
que:

cada rota deve iniciar e terminar no depsito;

cada cliente pertence a exatamente uma rota;

a demanda dos clientes na mesma rota no pode violar a capacidade dos veculos;

a durao das rotas atribudas a um mesmo veculo no pode ser superior que a jornada de
trabalho do veculo.

2.1.6.1 Formulao matemtica do PRVMUV

A formulao matemtica do PRVMUV se baseia no modelo do PRVC, com algumas alteraes.

Seja = {0} em que {0} representa o vrtice do depsito e o vrtice de todos os clientes.
Para cada arco (, ) alm se ser atribudo um custo para o transporte do vrtice ao
vrtice atribudo tambm um tempo de viagem , tal que

+ .

E finalmente uma jornada de trabalho , que representa o tempo que um veculo pode estar
disponvel para efetuar as rotas e atender os clientes.

30
 A formulao apresentada abaixo se baseia na proposta de Koc e Karaoglan [53] e utiliza as
variveis de deciso:
1
se o arco (, ) pertence a qualquer rota ( , )

:
0 caso contrrio

1 se o veculo termina seu percurso anterior no vrtice

: e comea o prximo percuso no vrtice
0 caso contrrio

: carga total no veculo ante de chegar ao cliente ( )

: tempo de servio de atendimento do cliente

O modelo apresentado abaixo:

min (2.1.49)

sujeito a: = 1 (2.1.50)

= (2.1.51)



+ + ( ) , , = (2.1.52)
+ , = (2.1.53)



( ) 0 (2.1.54)
+ , , = (2.1.55)
+ ( 0 0 ) , , = (2.1.56)
0 0 (2.1.57)
(2.1.58)

0

(2.1.59)

0

(2.1.60)

0 ||

{0, 1} , (2.1.61)
{0, 1} , (2.1.62)
, 0 (2.1.63)

Na formulao dada acima a funo (2.1.49) objetivo minimiza todo o custo de transporte.
As restries (2.1.50) e (2.1.51) garantem respectivamente que cada cliente visitado exatamente
uma vez e que exista somente uma rota para cada arco (, ) . As equaes (2.1.52)-(2.1.54)
so as restries de limitao da capacidade dos veculos, a restrio (2.1.55) determina o inicio
do tempo de servio de clientes em uma mesma rota. A restrio (2.1.56) determina o inicio

31
do tempo de servio dos clientes atribudos a prxima rota. A restrio (2.1.57) determina os
limites da janela de tempo de atendimento de um cliente. As restries (2.1.58)-(2.1.59) avaliam
a combinao entre duas rotas, utilizando o ltimo e o primeiro cliente dessas rotas, enquanto a
restrio (2.1.60) garante que o total de veculos no seja maior que o total de veculos disponveis.
E as restries (2.1.61)-(2.1.63) definem as variveis de deciso.

2.1.7 Problema de roteamento de veculos com frota heterognea PRVFH

O PRVFH se difere do PRVC pelo fato de possuir um conjunto de veculos com capacidades
distintas e cada veculo com um custo. O problema tambm conhecido como o Problema de
Roteamento de Frota Mista PRVFM e o primeiro trabalho desse problema dado por Golden
et al. [54]. Na literatura os modelos existentes focam nas restries de capacidade, mas trabalhos
atuais consideram a janela de tempo em que cada cliente deve ser atendido.
Um PRVFH associa a rede de possveis rotas a um grafo direcionado (, ) em que =
{0}, = {0, . . . , }, sendo 0 representado o depsito e = {1, . . . , } todos os clientes.
Para cada atribudo uma demanda de mercadorias que deve ser levada do depsito
at o cliente, assumimos que a demanda do depsito 0 = 0. Uma frota heterognea de veculos
est estacionada no depsito e dever ser utilizada para atender todos os clientes. A frota de
veculos composta por diferentes tipos de veculos, com = {1, . . . , }, para cada tipo
de veculo associado que existem veculos disponveis no depsito e cada um com
capacidade igual a , para cada veculo associamos um custo fixo . Alm disso, para cada arco
(, ) e para cada tipo de veculo associado um coeficiente no negativo, denominado
custo de transporte .
A rota definida como o par (, ), em que = 1 , 2 , . . . , || com 1 = || = 0 e
( )

2 , . . . , ||1 uma rota em que contm o depsito e o tipo de veculo associado a

{ }

essa rota. tambm pode ser usado para representar a sequncia de clientes a serem atendidos
e o conjunto de clientes a serem atendidos na rota (incluindo o depsito). A rota (, ) factvel
quando a demanda dos clientes atendidos na rota no for superior a capacidade do veculo a
ela atribudo. O custo da rota corresponde a soma dos custos de transporte nos arcos da rota mais
o custo fixo do veculo associado a rota.
Em geral as verses PRVFH consistem em determinar um conjunto de rotas factveis que
minimiza o custo total de transporte, tal que:

cada cliente pertence a exatamente uma nica rota;

o nmero de rotas realizadas por um tipo de veculo no maior que .

De modo natural surgem duas verses do problema:

1. simtrico: em que = para cada par (, ) de clientes e para cada tipo de veculo
;

2. assimtrico: caso contrrio.

32
 Alm disso algumas variantes desse problema foram apresentadas na literatura dependendo do
tipo de frota disponvel e do tipo de custo considerado. Em particular as seguintes caracterstica
do problema podem ser alteradas:

1. a frota composta por um nmero ilimitado de veculos de cada tipo, isto , = +,

;

2. os custos fixos no so considerados, isto , = 0, ;

3. os custos de transportes so independentes dos veculos, isto , 1 = 2 = 1 , 2

1 = 2 e (, ) .

Alguns dos problemas variante do PRVFH estudados na literatura so:

1. PRV de Frota Heterognea com Custos Fixos e Custos de Transporte Dependente do Veculo
(PRVFHFD);

2. PRV de Frota Heterognea com Custos de Transporte Dependente do Veculo (PRVFHD);

3. Dimensionamento Misto de Frota com Custos Fixos e Custos de Transporte Dependente do

Veculo (DMFFD);

4. PRV de Dimensionamento Misto de Frota com Custos de Transporte Dependente do Veculo

(PRVFMD);

5. PRV de Dimensionamento Misto de Frota com Custos Fixos (PRVMF).

Todos os problemas citados anteriormente so da classe NP-Difcil por serem extenses do

PRVC.

2.1.7.1 Formulao matemtica PRVFH

Apresentaremos a formulao matemtica para o PRVFHFD, baseada na proposta de Baldacci,

Battarra e Vigo [55], em que as variveis binrias so definidas abaixo:

1 se o veculo utiliza o arco (, );

:
0 caso contrrio

33
e a varivel no negativa que especifica a quantidade de mercadorias no veculo quando ele
deixa o cliente em direo ao cliente . Assim, segue a formulao matemtica do PRVFH:
min 0 + = (2.1.64)


,

sujeito a: = 1 (2.1.65)

= 0, (2.1.66)

,

(2.1.67)

0 ,

= , (2.1.68)



( ) , , , = , (2.1.69)
0, , , = (2.1.70)
{0, 1} , , , = , (2.1.71)
As restries (2.1.65) e (2.1.66) garantem que cada cliente visitado uma nica vez e que o
veculo deve sair desse cliente. A restrio (2.1.67) limita a quantidade de cada tipo de veculo,
enquanto a equao (2.1.68) a restrio de demanda do prximo cliente. E a equao (2.1.69)
determina que a demanda da rota nunca seja superior a capacidade do tipo de veculo utilizado.

2.1.8 Problema de roteamento de veculos com entregas fracionadas

PRVEF
O Problema de Roteamento de Veculos com Entregas Fracionadas PRVEF consiste em um
determinado cliente ser atendido por mais de um veculo. Aqui permitido o relaxamento da
restrio do PRVC em que um cliente deve ser visitado por um nico veculo, ou seja, um mesmo
cliente pode pertencer a rotas distintas e deve-se tomar o cuidado para que a demanda das entregas
fracionadas no seja superior que a capacidade dos veculos.
H poucos anos que foi dada uma ateno maior a esse tipo de problema, sendo que o objetivo
atender clientes com grandes demandas e com o menor custo possvel. O PRVEF NP-Difcil,
por ser uma extenso do PRVC

2.1.8.1 Formulao matemtica PRVEF

A diferena do modelo do PRVEF para o modelo de um PRVC a adio de uma restrio
para a demanda fracionada de um cliente , sendo que as somas de todas as demandas fracionadas
igual a demanda do cliente, alm disso, a capacidade dos veculos no deve ser violada.
A formulao apresentada abaixo se baseia na proposta de Belfiore, Tsugunobu e Yoshizaki [56],
em que consideramos uma frota de veculos homognea com capacidade associado tambm um
tempo de viagem e custo , o problema simtrico considerado.
A demanda de um cliente pode ser cumprida por mais de um veculo. Isso ocorre quando a
demanda do cliente superior a capacidade do veculo.

34
 As variveis de deciso utilizadas no modelo so:
1 se o veculo utiliza o arco (, );

:
0 caso contrrio
: momento em que o servio ao cliente iniciado pelo veculo
: frao de demanda do cliente transportado pelo veculo

O objetivo do modelo abaixo apresentado minimizar o custo total de transporte.

min (2.1.72)


=1

sujeito a: 0 = 1 = 1, . . . , (2.1.73)

= 0 , = , . . . , (2.1.74)




= 1, (2.1.75)


=1
= 1, . . . , (2.1.76)

, = 1, . . . , (2.1.77)



( + + ) , , = , = 1, . . . , (2.1.78)
0 , = 1, . . . , (2.1.79)
0 , = 1, . . . , (2.1.80)
{0, 1} , , , = , = 1, . . . , (2.1.81)

A restrio (2.1.73) garante que cada veculo sair do depsito e seguir para um determinado
cliente. A restrio (2.1.74) garante que cada veculo volte para o depsito no fim da rota. Enquanto
(2.1.75) que a demanda total do cliente seja satisfeita. A restrio (2.1.76) garante que a capacidade
(lotao) do veculo no seja violada, j a restrio (2.1.77) determina que a demanda de um cliente
s ser cumprida se tiver um veculo para atende-lo. A restrio (2.1.78) garante que o inicio do
tempo de atendimento de um cliente pelo veculo e tambm elimina as sub-rotas, as restries
(2.1.79) e (2.1.80) determinam que as variveis de deciso so positivas e por ltimo (2.1.81)
determina que a varivel de deciso binria.

2.1.9 Problemas de roteamento de veculos com janela de tempo e

frota heterognea PRVJTFH
O PRVJTFM um problema derivado do PRVC que consiste em determinar ao mesmo tempo
um nmero de rotas e de veculos heterogneos com o objetivo de atender um conjunto de clientes
dentro de uma janela de tempo com demandas conhecidas. A frota deve ser adquirida com veculos

35
de diferentes tipos e cada tipo de veculo definido por sua capacidade e custo fixo para sua
utilizao. O objetivo de PRVJTFM determinar uma combinao ideal de frota heterognea de
veculos e suas rotas associadas e minimizar a soma dos custos fixos dos veculos e dos custos de
roteamento, atendendo as seguintes restries:

cada rota deve iniciar e terminar no depsito;

a cada rota designado exatamente um veculo;

a soma das demandas dos cliente da rota no pode ser maior que a capacidade dos veculos;

cada cliente visitado exatamente uma vez a cada rota e o servio deve comear dentro de
sua janela de tempo.

O PRVJTFM da classe NP-Difcil, pois se considerarmos apenas um tipo de veculo e que

todas as janelas de tempo comeam com 0 e terminam em um intervalo de tempo muito grande,
o problema se torna um problema clssico PRV.

2.1.9.1 Formulao matemtica do PRVJTFH

Existem vrias formulaes que consideram casos especficos do PRVJTFH, por restries de
espao e de interesse no detalharemos aqui. Uma referncia sobre o assunto pode ser encontrada
em DellAmico et al. [57] e na literatura citada neste artigo.

36
Captulo 3

Mtodos de resoluo

Os problemas de roteamento tem sido objeto de ampla pesquisa, sendo desenvolvidas heursticas
e meta-heursticas quanto a mtodos exatos como mtodos no exatos. Alguns autores publicam
artigos comparando mtodos de soluo em diversos tipos de problemas de roteamento. Nesse
captulo descreveremos de uma maneira resumida os principais mtodos de soluo desenvolvidos
at o momento para os PRV.

3.1 Mtodos exatos

Nessa seo descreveremos os mtodos exatos mais encontrados na literatura e quais os tipos
de PRV estes mtodos tem obtido xito.

3.1.1 Branch-and-bound
O mtodo denominado Branch-and-Bound (B&B) baseia-se na idia de desenvolver uma enu-
merao inteligente dos pontos candidatos soluo tima inteira de um problema. O termo
branch refere-se ao fato de que o mtodo efetua parties no espao de solues. O termo bound
ressalta que a prova de otimalidade da soluo feita comparando limitantes calculados ao longo
da enumerao.
O mtodo Branch-and-Bound amplamente utilizado para resolver os PRVC e suas extenses.
Em muitos casos, como PRVCAS e Problemas de Roteamento de Veculos Capacitados com Res-
trio de Distncia (PRVCD), estes algoritmos ainda representam os melhores resultados para os
mtodos de soluo exata, como comenta Toth e Vigo [49].

Algoritmo Branch-and-Bound
Considerando um problema maximizao, estabelea um limite inferior inicial = para
o valor dos coeficientes da funo objetivo tima do PLI. Faa = 0.

Etapa 1 Selecione um PL, o prximo sub-problema a ser examinado. Resolva a PL e tente

interpret-la usando uma das trs condies:

37
 1. O valor timo de do PL no pode dar um valor objetivo melhor que o limite
inferior atual.
2. O PL d uma soluo inteira vivel melhor do que o limite inferior atual.
3. O PL no tem soluo vivel
Surgiro dois casos.
1. Se o PL for interpretada em uma soluo melhor for encontrada, atualize o limite
inferior. Se todos os sub-problemas tiverem sido descartados, pare; o PLI timo
associado com o limite inferior finito atual. Se no existir nenhum limite inferior
finito, o problema no tem nenhuma soluo vivel. Seno, determine = + 1,
repita a etapa 1.
2. Se o PL no for interpretado, v para a etapa 2 para ramificar.
Etapa 2 (Ramificao) Selecione uma das variveis inteiras , cujo valor timo * na soluo
do PL no seja inteiro. elimine a regio

[* ] < < [* ] + 1

(na qual [] define o maior inteiro ), criando dois sub-problemas de PL que corres-
pondem a

[* ] e [* ] + 1

Determine = + 1, e v para a etapa 1.

As etapas dadas se aplicam a problema de maximizao. Para minimizao, substitumos o

limite inferior para um limite superior (cujo valor inicial = +).
Nos primeiros algoritmos branch-and-bound desenvolvidos para PRV foram considerados dois
tipos de relaxamento nas restries. O primeiro tipo de relaxamento aplicado na restrio
(2.1.7) nas formulaes de PRVCAS e PRVCS, transformando o modelo em um problema de
atribuio para assimtrico ou em um problema b-matching para o simtrico.
O segundo tipo de relaxamento considera a soluo de caminho mais curto com restrio de
cardinalidade para arborescncias para o problema assimtrico e a rvores geradoras para
o problema simtrico. Estes relaxamentos com obtidos enfraquecendo a restrio (2.1.7)
deixando apenas as restries de continuidade.

3.1.2 Branch-and-cut
O mtodo branch-and-cut prope uma melhoria no mtodo branch-and-bound em combinao
da tcnica de planos de corte. Nesse mtodo resolvemos o problema relaxado e ento aplicamos o
mtodo de planos de corte com o objetivo de reduzir a regio factvel de subproblemas filhos desse
n da rvore de soluo. Em alguns trabalhos como Lysgaard, Letchford e Eglese [58], Letchford,
Lysgaard e Eglese [59], Cordeau [60] encontramos mais informaes desse mtodo.

38
3.1.3 Branch-and-price
O mtodo branch-and-price hbrido do mtodo branch-and-bound com o mtodo de gerao
de colunas. O mtodo gera colunas adicionais em cada n da rvore gerada pelo processo de
branch-and-bound.
Um algoritmo desenvolvido por Agarwal, Mathur e Salkin [61] baseia-se na definio de um
limite inferior para qualquer rota , em que constri uma rota de custo mnimo reduzido
satisfazendo a restrio de capacidade. A ramificao baseada em um cliente e considera
dois subproblemas: encontrar uma rota de custo mnimo reduzido que inclui e encontrar uma
rota de custo mnimo reduzido que exclui . Para este fim, o mtodo utiliza a seguinte varivel de
ramificao:
1 se o cliente est na rota

=
0 caso contrrio
Em Toth e Vigo [49] descreve-se um procedimento com branch-and-bound em que colunas
adicionais so geradas em cada n da arvore, em que a principal dificuldade na abordagem por eles
proposta que deve ser possvel incorporar informaes sobre o n da rvore branch-and-bound
no procedimento de gerao de colunas.
Em trabalhos recentes como Fukasawa et al. [62] propem-se um algoritmo utilizando um limite
inferior obtido minimizando a interseo de polytopes associados a um relaxamento Lagrangeano
tradicional sobre -rotas.

3.2 Heursticas
Existem vrios tipos de heursticas para PRV. A principal caracterstica dos mtodos Heursticos
encontrar boas solues em tempo computacional baixo. Alm disso, na maioria dos casos as
heursticas podem ser modeladas e adaptadas para encontrar boas solues em problemas da vida
real.
Heursticas para PRV podem ser classificadas em trs categorias, heursticas de construo,
heursticas duas fases e mtodos de melhoramento.

3.2.1 Heursticas construtivas

Visa construir gradualmente uma soluo factvel, observando o custo da soluo, mas no
contm em si uma fase de melhoria.

3.2.1.1 Heurstica de Clarke e Wright CW

Chamada de algoritmo de economia, a heurstica de CW uma das mais conhecidas na reso-
luo do PRV Toth e Vigo [49]. Quando duas rotas (0, . . . , , 0) e (0, , . . . , 0) factveis podem ser
mescladas em uma nica rota (0, . . . , , , . . . , 0) e ento gerado a economia da nova rota dado
por:
= 0 + 0

39
 O Algoritmo pode construir as rotas de duas maneiras, em sequencial, que constri uma rota de
cada vez ou em paralelo que constri todas as rotas no mesmo instante. Abaixo dado a ideia de
como o algoritmo funciona:
Fase 1 (Economia computacional) - Inicialmente calcule todas as economias = 0 + 0 para
, = 1, . . . , , = . Criando rotas (0, , 0) para = 1, . . . , e coloque todas as economias
em ordem decrescente.
Fase 2 que pode ser vista de dois modos distintos, uma para a verso em paralelo e outra para a
verso sequencial:
Paralelo - Quando um par de vrtices considerado, as duas rotas que visitam e so
combinadas (sendo que o vrtice visitado imediatamente depois do vrtice ), se isso
puder ser feito sem excluir a conexo direta feita anteriormente entre dois vrtices de
clientes e se a demanda total da rota no exceda a capacidade do veculo.
Sequencial - toda vez que uma conexo estabelecida recomear o procedimento do topo da lista
(as combinaes que no eram factveis, agora podem se tornar fativeis.
A principal diferena entre os dois mtodos que a verso em Paralelo requer somente
uma passada na lista de economias. Sendo que normalmente o algoritmo em Paralelo gera
resultados melhores do que o Sequencial como comenta Lysgaard [63].

3.2.1.2 Heurstica de Mole e Jameson MJ

O Algoritmo de CW utiliza somente os vrtices que so extremos de um rota para ento fazer
a juno de duas rotas, j a proposta de MJ utiliza os vrtice que esto no meio de dois extremos
sendo assim tentando encontrar a melhor economia no processo.
No algoritmo de MJ ele utiliza dois parmetros e para expandir a rota em construo:
(, , ) = +
(, , ) = 0 (, , )
em que o custo de transporte do vrtice ao vrtice , o custo de transporte do vrtice
ao vrtice , o custo de transporte do vrtice ao vrtice e 0 o custo de transporte do
vrtice de depsito ao vrtice .
Segue abaixo os passos do Algoritmo:
Etapa 1 (Inicializao de rota emergente). Se todos os vrtices pertencem a uma rota, ento pare,
ou seja, o algoritmo toma como soluo tima a soluo existente. Caso contrrio construa
uma rota emergente (0, , 0) em que no pertence a nenhuma rota existente.
Etapa 2 (Prximo vrtice). Para cada vrtice da Etapa 1, calcule o custo de possvel insero
dado por * ( , , ) = min { (, , )} para todos os vrtices adjacentes e da rota
emergente, em que e so os dois vrtices fornecidos por * . Se no for possvel a insero,
volte para a Etapa 1. Caso contrrio, o melhor vrtice * inserido na rota emergente o
vrtice fornecido por * (* , * , * ) = max {( ( , , ))} sobre todos os vrtices da Etapa
1 que a insero foi possvel. Insira * entre * e * .

40
Etapa 3 (Melhoramento da rota). Melhore a rota atual por meio do procedimento 3-opt dado
por Lin [8], ento, volte a Etapa 2.

Para os parmetros e so definidos de vrias maneiras, de acordo com Goldbarg e Luna [64]
temos alguns exemplos que segue abaixo:

1. = 0 e = 1 a insero ser realizada levando em conta a minimizao do aumento da

rota pela incluso de um novo cliente.

2. = 0 e = 0 a insero ser realizada levando em conta a minimizao da distncia

entre os dois vrtices vizinhos.

3. 1 2; = 1 trata de uma generalizao do critrio de Gaskell [65].

4. , 0 < < a insero ocorrer para o cliente mais distante do depsito.

3.2.2 Heursticas duas fases

O problema decomposto em dois componentes, primeiramente h um agrupamento dos vr-
tices e logo em seguida a rota propriamente dita, com possvel volta para feedback entre as duas
fases.
Os mtodos de duas fases so mais conhecidos como Primeiro Agrupar - Depois Rotear (em in-
gls cluster-first, route-second) ou Primeiro Rotear - Depois Agrupar (em ingls route-first, cluster-
second). Existem vrios mtodos de Primeiro Agrupar - Depois Rotear, os mais simples so deno-
minados como mtodos de agrupamentos elementares, em que realiza um nico agrupamento no
conjunto de vrtices e, ento, determina a rota do veculo em cada grupo (cluster). Um segundo
tipo utiliza um branch-and-bound truncado com o objetivo de produzir um bom conjunto de rotas
para os veculos. Existem tambm o chamado algoritmo de Petal que produz uma grande familia
de agrupamentos sobrepostos associadas as rotas dos veculos e depois seleciona a partir destes as
rotas possveis de uso.

3.2.2.1 Heurstica de Gillet e Miller GM

Tambm conhecido como algoritmo de varredura, aplicado em problemas em que os clientes
esto posicionados no plano cartesiano. Clusters factveis so inicialmente formados pela rotao
de um raio, tendo o depsito como centro, naturalmente coloca-se o depsito na origem do sistema
cartesiano, a rota do veculo em cada cluster obtida resolvendo o PCV. O mtodo foi popularizado
por GM e sua implementao simples.

1. Assuma que cada vrtice representado por coordenadas polares ( , ) em que o

ngulo e o comprimento da distncia do cliente ao depsito, respectivamente.

2. Assuma o valor de * = 0 para um vrtice arbitrrio * e calcule os ngulos restantes de

(0, * ), ento crie uma lista seguindo a ordem crescente (ou decrescente) do ngulo .

Passo 1 (Inicializao da rota). Escolha um veculo no utilizado .

41
 Passo 2 (Construo da rota). A partir de um vrtice que no pertence a nenhuma rota e
que tenha o menor ngulo da lista gerada em 2, atribuir vrtices ao veculo enquanto a
sua capacidade ou comprimento mximo da rota no for excedido, geralmente a ltima
restrio dada em problemas com restrio de distncia mxima permitida por veculo,
a cada insero pode ser aplicado o mtodo de melhoramento 3-opt. Para os vrtices
que ainda no esto em nenhuma rota, volte ao 2.
Passo 3 (Melhoramento da rota). Otimizar separadamente a rota de cada veculo com o
PCV correspondente (utilizando mtodos exatos ou aproximados).

3.2.2.2 Algoritmo de Fisher e Jaikumar FJ

O algoritmo de FJ, em que para formar os clusters o algoritmo resolve o Problema de Atribuio
Generalizada (PAG) que segue os seguintes passos:

Passo 1 (Seleo de semente). Escolha um vrtice para iniciar cada cluster ,

denominado semente.

Passo 2 (Atribuio dos clientes na semente). Calcule o custo de atribuir cada cliente em
cada cluster , em que = min {0 + + 0 , 0 + + 0 } (0 + 0 ).

Passo 3 (Atribuio generalizada). Resolva o PAG com custo , em que cada cliente tem de-
manda e a capacidade dos veculos .

Passo 4 (Soluo PCV). Resolva para cada cluster correspondente da soluo do PAG

3.2.2.3 Algoritmo de Bramel e Simchi-Levi BS

BS proporam uma heurstica de duas fases em que as sementes so determinadas com a soluo
de um problema de localizao capacitado e os vrtices restantes so gradualmente includos em
sua rota que atribuda em uma segunda fase. Primeiramente localizam sementes, que so
chamados de concentradores (em ingls concentrators), que esto entre as localizaes dos clientes
com o objetivo de minimizar a distncia total entre as sementes garantindo em conjunto que a
demanda total atribuda a um concentrador no seja maior que a capacidade do veculo. As
rotas dos veculos so ento construdas, inserindo a cada passo o cliente atribudo a essa rota
semente, aquele cujo o menor custo de insero. Considere a rota parcial descrita pelo vetor
(0 = 0 , 1 , . . . , , +1 = 0), seja = {0, 1 , . . . , } e denotado por ( ) o comprimento da soluo
tima do PCV em . O custo de insero de um cliente na rota (em que no pertence a
nenhuma rota) dado por

= ( {}) ( ) .

Para computar exatamente pode ser muito demorado, assim foi proposta duas aproximaes

42
 :
= min {2 } (3.2.1)
=1,...,
ou
= min + +1 +1 (3.2.2)
{ }
=0,...,

Em que (3.2.1) representa o custo direto e (3.2.2) representa o custo de insero mais prximo.

3.2.2.4 Branch-and-bound truncado B&B-T

Foi proposto por Mingozzi e Toth [66] um B&B-T para problemas com exatamente variveis,
que uma simplificao do algoritmo exato proposto por Christofides [67]. Nesse procedimento
existem tantos nveis na rvore de busca quanto de rotas, em cada nvel contm um conjunto
de rotas factveis e rotas "no dominadas". Sendo que nesse procedimento a rvore de busca
to simples que em cada nvel consiste apenas em um ramo, uma vez que todos os ramos so
descartados, exceto um no passo de definio de rota. Entretanto, uma rvore limitada pode ser
construda, mantendo algumas rotas candidatas melhor soluo em cada nvel. definido como
o conjunto de vrtices livres no nvel , ou seja, os vrtices que no pertencem a nenhuma rota
no nvel .
Passo 1 (Inicializao). Seja := 1 e := {0}.
Passo 2 (Formao da rota). Se = , ento, pare. Caso contrrio, selecione um cliente
que no pertence a nenhuma rota e forme o conjunto de rotas contendo e os clientes em
. Estas rotas so gradualmente formadas usando uma combinao linear de dois critrios:
economia e custo de insero.
Passo 3 (Avaliao da rota). Nesse passo avaliamos cada rota utilizando a funo () =
( {0}) + ( ), em que um conjunto de vrtices da rota , ( {0}) o
comprimento da melhor soluo do PCV em {0} e finalmente ( ) o menor
comprimento na rvore que ainda contm clientes que no pertencem a nenhuma rota.
Passo 4 (Definindo a rota). Determine uma rota * produzida por min { ()}. Seja := +1
e := 1 * . Volte ao Passo 2.

3.2.2.5 Algoritmos petal

uma extenso do mtodo de varredura, que gera vrias rotas que so chamadas de petals e
realiza uma seleo final resolvendo um problema de particionamento que dado abaixo:

min

sujeito a: = 1 = 1, . . . , ,

{0, 1} ,

43
sendo o conjunto de Rotas, = 1 se, e somente se, a rota est na soluo, um parmetro
binrio que igual a 1 apenas se o vrtice est na rota , o custo de petal .
Esta formulao foi proposta pela primeira vez por Balinski e Quandt [68], mas torna-se im-
praticvel quando || grande.

3.2.3 Heursticas de melhoramento

A partir de uma soluo inicial, as heursticas de melhorias ou refinamento, tentam encontrar
uma soluo melhor que a atual. As melhorias podem ser encontradas de duas maneiras, a pri-
meira quando o processo comea e para quando encontra uma soluo melhor que a atual, a
segunda maneira quando a heurstica testa todas as maneiras possveis e ento determina qual
a melhor. Uma caracterstica favorvel da primeira maneira que utiliza menos tempo compu-
tacional mas pode deixar de encontrar solues melhores, j a segunda maneira, dependendo do
procedimento, pode levar um tempo computacional considervel ou s vezes no consegue testar
todas as possibilidades em tempo suficiente.
Destacaremos algumas das mais usadas em PRV e alguns trabalhos que utilizaram tais tcnicas.

3.2.3.1 -opt
Foi proposta pela primeira vez por Lin [8] para soluo de um PCV, em que na soluo atual
deleta arestas e coloca novas arestas, testando
( ) assim todas as combinaes de percurso possvel.
O custo computacional dessa heurstica onde representa o nmero de vrtices. Assim,
para um valor de muito grande gera uma complexidade computacional excessiva. Em PRV essa
tcnica com = 2 e = 3 obtiveram melhores resultados.

2-opt: Aqui a heurstica utiliza duas arestas no adjacentes retirada soluo inicial e testa todas
as combinaes possveis de ligao com os outros vrtices. A Figura 3.1 mostra um exemplo
da heurstica para uma rede de transporte com 1 depsito e 4 clientes.

Figura 3.1: Esquema heurstica 2-opt

44
3-opt: Esta heurstica seleciona trs arestas da soluo inicial e calcula todas permutaes de
rotas possveis. A Figura 3.2 representa um exemplo para uma rede de transporte com 1
depsito e 5 clientes.

Figura 3.2: Esquema heurstica 3-opt

3.2.3.2 Troca-
Esse processo de melhoria foi proposto por Ibrahim [69], considere um conjunto
= {1 , . . . , , . . . , , . . . , }
de rotas factveis para um PRV, em que consiste em um conjunto de clientes atendidos em
uma rota . O procedimento -troca ocorre entre um par de conjunto de rotas e em que
h a substituio do subconjunto 1 de tamanho |1 | por um subconjunto 2 de
tamanho |2 | , assim, obtendo dois novos conjuntos de rotas
= ( 1 ) 2 , = ( 2 ) 1

e um novo conjunto de rotas factveis

= 1 , . . . , , . . . , , . . . , ,

{ }

em que recebe o nome de soluo vizinha. Uma vizinhana () de um conjunto soluo

o conjunto de todos os vizinhos encontrados no processo -troca para algum dado, em que = 1
ou = 2. Alm disso, especificada a ordem em os vizinhos so visitados na rota.
Para o caso de = 1 so considerados dois processo de busca de vizinhana:

45
Processo de troca - Representa o processo de trocar um cliente de uma rota para outra, ou seja,
remove um cliente de uma rota e o insere na rota mais prxima, a rota vizinha. A figura 3.3
mostra um exemplo do procedimento.

Figura 3.3: Esquema procedimento 1-troca

Processo de permuta - Este processo permuta cada cliente em uma rota com todos os clientes
em uma outra rota. O processo se inicia em uma rota, dada uma ordem no roteiro, busca o
vizinho prximo do primeiro cliente da rota, se o prximo se encontra na rota inicial, procura
o prximo at encontrar o primeiro vizinho que no pertence a rota e ento o insere na rota,
em seguida vai a prxima rota fazendo o mesmo procedimento. A Figura 3.4 mostra um
exemplo do procedimento.

Figura 3.4: Esquema procedimento 1-permutao

46
 Observe que antes do processo em uma rota o vrtice 4 era o terceiro a ser visitado e o
vrtice 3 o primeiro na outra rota, depois do processo houve uma permutao de rotas entre
os vrtices 3 e 4 obedecendo a ordem a serem visitados das rotas anteriores.

3.2.3.3 Transferncia cclica

O processo de transferncia cclica para PRV proposto por Thompson e Orlin [70] define que
haja uma transferncia de forma cclica de um nmero pequeno de clientes entre as rotas com o
objetivo de minimizar o custo total de transporte. Como Thompson e Psaraftis [71] comenta em
seu trabalho, que os algoritmos de transferncia cclica utiliza mtodos de duas fases "Primeiro
Agrupar - Depois Rotear" em sua estrutura de deciso. Em PRV aplicamos transferncia cclica
da seguinte forma: Seja {1 , . . . , } um conjunto de rotas factveis para ( um PRV. ) Seja a
permutao cclica do conjunto {1, . . . , }. Como exemplo considere = 2 5 3 , assim os
clientes selecionados na rota 2 so transferidos para a rota 5, os clientes selecionados na rota 5 so
transferidos para a rota 3 e de mesmo modo h a transferncia dos clientes de 3 para 2 finalizando
o ciclo de transferncias. A transferncia simultnea de clientes da rota para a rota () para
cada denominada transferncia cclica.
Quando o nmero de transferncias fixo denominamos k-transferncias cclicas em que
consiste em transferir exatamente Z clientes em cada rota. Um caso especial b-cclica
k-transferncias que ocorre quando a transferncia cclica fixa uma cardinalidade . As Fi-
guras 3.5 e 3.6 mostram uma 3-cclica 2-transferncia, com 1 = { ( 1 , 2 , 3 ,)4 , 5 }, 2 =
{1 , 2 , 3 , 4 , 5 }, 3 = {1 , 2 , 3 }, 4 = {1 , 2 , 3 , 4 } e = 1 2 3 . Essa trans-
ferncia cclica move simultaneamente {1 , 3 } de 1 para 2 , {1 , 5 } de 2 para 3 , {2 , 3 } de
3 para 1 e a rota 4 inalterada.

Figura 3.5: Transferncia cclica - soluo inicial sem refinamento

47
 Figura 3.6: Transferncia cclica - soluo refinada

3.2.3.4 Cadeias de ejees (Ejection chain)

Cadeias de Ejees (CE) so construes para criar vizinhanas de profundidade varivel de
forma eficiente para procedimentos de busca local. A tcnica consiste em decompor uma grande
vizinhana em uma sequncia de vizinhanas (que chamaremos de subvizinhanas) que podem ser
avaliadas em tempo polinomial. Usualmente cada componente da sequncia de vizinhanas no
contm uma soluo factvel para o problema, mas contm uma estrutura de referncia que permite
de modo eficiente encontrar uma soluo factvel, essa tcnica foi utilizada por Rego et al. [72] para
um Problema do Caixeiro Viajante.
Como definido por Rego et al. [72], uma CE de nveis em um grafo consiste de uma
sequncia de simples operaes, denominada de movimentos de ejeo, 1 , . . . , , . . . , , que
iterativamente transforma uma sub-grafo de em outro sub-grafo +1 desconectando um
sub-caminho e reconectando-o com diferentes componentes. Em cada nvel da cadeia o sub-grafo
compe uma estrutura de referncia que leva a uma soluo factvel atravs de uma operao extra
chamada de movimento de prova. Portanto, o procedimento CE realizado na vizinhana consiste
em gerar uma sequncia 1 , 1 , . . . , , , . . . , , , em que o par , representa a ejeo e o
movimento de prova, respectivamente, no nvel da cadeia. A nova soluo que consiste do ponto
de partida da iterao seguinte obtido a partir do movimento combinado 1 , 2 , . . . , , , em
que o ndice indica o nvel da cadeia que obteve o melhor resultado no movimento de prova,
com um mtodo recursivo simples a sequncia pode ser eficientemente avaliada.
Este procedimento foi utilizado para PRVJT por Sontrop, Van Der Horn e Uetz [73] em que
apresenta uma nova estrutura de referncia, generalizando estruturas de referncias sugeridas para
PCV, na qual utilizam Busca Tabu para a gerao das CE. Potvin e Naud [74] utilizam CE
juntamente com Busca Tabu para encontrar a soluo de um PRV com frota prpria em que a

48
empresa pode tercerizar o transporte para uma empresa transportadora quando a demanda dos
clientes for superior a capacidade dos veculos ou quando o custo for menor.

3.2.3.5 GENIUS (Generalized insertion procedure + unstringing stringing)

GENIUS um procedimento desenvolvido por Gendreau, Hertz e Laporte [75], em que combina
um procedimento de insero GENI com uma rotina de ps-otimizao US para um Problema do
Caixeiro Viajante.
A principal caracterstica do GENI o processo de insero de um vrtice em um roteiro
(percurso) no acontece necessariamente entre dois vrtices consecutivos quando eles so inicial-
mente considerados. Entretanto, aps a insero eles tornam-se dois vrtices adjacentes a . Como
exemplo, suponha que queremos inserir um vrtice entre dois vrtices e de algum percurso.
Para uma determinada orientao do percurso, seja um vrtice no caminho de a e um
vrtice no caminho de a . Para qualquer vrtice no percurso, seja 1 o seu antecessor
e +1 o seu sucessor no percurso. A insero do vrtice entre e pode ocorrer de duas
maneiras:

Tipo 1 Seja = e = . Inserindo no percurso, ser gerado um novo percurso excluindo

os arcos ( , +1 ), ( , +1 ) e ( , +1 ) que so substitudos pelos arcos ( , ), (, ) e
(+1 , +1 ). Observe que os dois caminhos (+1 , . . . , ) e (+1 , . . . , ) so invertidos (no
sentido de orientao). A Figura 3.7 mostra esse procedimento.

Figura 3.7: GENI: tipo 1 - Insero de um vrtice entre os vrtice e

Tipo 2 Seja = e = +1 ; = e = +1 . Inserindo no percurso, ser gerado um novo

percurso excluindo os arcos ( , +1 ), (1 , ), ( , +1 ) e (1 , ) que so substitudos
pelos arcos ( , ), (, ), ( , +1 ), (1 , 1 ) e (+1 , ). Como dito anteriormente os

49
 caminhos (+1 , . . . , 1 ) e ( , . . . , ) so invertidos. A Figura 3.8 representa um exemplo
do Tipo 2.

Figura 3.8: GENI: tipo 2 - Insero de um vrtice entre os vrtice e

Depois de aplicado o processo GENI aplicada na soluo um procedimento chamado de

Unstringing and Stringing US. Este procedimento pode ser aplicado em qualquer roteiro produzido
por qualquer algoritmo, o procedimento consiste em desconectar um vrtice de uma soluo factvel
e ento reconecta-lo de volta. Como o GENI existe duas maneiras de reconectar um vrtice a
soluo:
US - Tipo 1 Seja (+1 ), em que (+1 ) uma p-vizinhana que contm todos os
vrtices mais prximos de +1 , essa proximidade est relacionada com o custo, ou seja, os
vrtices com o menor custo de transporte at +1 . E para uma orientao dada do percurso,
seja (1 ) um vrtice no percurso (+1 , . . . , 1 ). Os arcos (1 , ), ( , +1 ),
( , +1 ) e ( , +1 ) so excludos, enquanto os arcos (1 , ), (+1 , ) e (+1 , +1 ) so
inseridos, tambm os dois percursos (+1 , . . . , ) e (+1 , . . . , ) so invertidos.
US - Tipo 2 Seja (+1 ), para uma orientao dada no percurso, seja tambm
(1 ) um vrtice no percurso (+1 , . . . , 2 ) e (+1 ) no percurso ( , . . . , 1 ).
Os arcos (1 , ), ( , +1 ), (1 , ), ( , +1 ) e ( , +1 ) so excludos, enquanto os
arcos (1 , ), (+1 , 1 ), (+1 , ) e ( , +1 ) so inseridos, tambm os dois percursos
(+1 , . . . , 1 ) e (+1 , . . . , ) so invertidos.

3.2.3.6 Troca cruzada (CROSS exchange)

Taillard et al. [76] desenvolveu uma heurstica de troca para PRVJT, o mtodo chamado de
Troca Cruzada CROSS exchange que ilustrado na Figura 3.9, em que o quadrado representa o
depsito e os crculos representam os clientes no decorrer do percurso (note que o depsito est

50
no incio e no fim de cada percurso). Primeiro os arcos 1 , 1 e 1 , 1 so removidos do
(
) (
)

primeiro percurso e os arcos 2 , 2 e 2 , 2 so removidos do segundo percurso, em seguida

(
) (
)

os segmentos 1 , 1 e 2 , 2 que pode conter um nmero arbitrrio de clientes, so trocados

(
) (
)

atravs da introduo de novas arestas 1 , 2 , 2 , 1 , 2 , 1 e 1 , 2 .

(
) (
) (
) (
)

Figura 3.9: Troca cruzada

importante perceber que as restries de janela de tempo impe implicitamente uma orien-
tao ao percurso, no exemplo, 1)(respectivamente, 2() visitado logo aps 1 (respectivamente,

2 ). Assim, o segmento 1 , 1 (respectivamente, 2 , 2 ) tem a mesma orientao aps a

(
)

troca.

3.2.3.7 Busca em uma vizinhana grande BVG

BGV se baseia em um processo de relaxamento contnuo e re-otimizao, que consiste na
retirada de alguns clientes da rota e na re-insero desses de modo a encontrar uma soluo melhor.
A diferenas desse mtodo de dada pelas diversas maneiras usadas na remoo e re-insero dos
clientes. O critrio de escolha dos clientes a serem removidos deve oferecer oportunidades de
melhorias. Supondo que um cliente j seja removido, alguns trabalhos sugerem que a remoo de
outros clientes prximos quele escolhido inicialmente, Shaw [77].
O processo de busca pode ser afetado por dois fatores:
1. como o conjunto de vrtices de clientes so escolhidos para a remoo;
2. processo utilizado para re-inserir os vrtices na rota.

51
3.3 Metaheursticas
Como observado em Toth e Vigo [49] nos ltimos anos vem sendo proposto vrias metaheurs-
ticas para PRV. So procedimentos gerais que exploram o espao de soluo para identificar boas
solues e muitas vezes incorporam algumas das heursticas de construo de rotas ou refinamento
apresentadas anteriormente. Na maioria das abordagens clssicas, metaheursticas permitem de-
compor ou solues intermedirias no factveis no processo de busca. As metaheursticas mais
conhecidas para PRV procuram identificar os timos locais, mas tendem a exigir tempo computa-
cional maior.
Nesta seo sero comentados seis tipos de metaheursticas aplicadas ao PRV: Arrefecimento
Simulado; Arrefecimento Determinstico; Busca Tabu; Algoritmos Genticos; Colnias de Formigas
e Redes Neurais. Os trs primeiros algoritmos comeam a partir de uma soluo inicial 1 e muda
a cada iterao de para +1 em uma vizinhana ( ) de , at que uma condio de parada
seja satisfeita. Se () indica o custo de , ento (+1 ) no necessariamente menor do que
( ). Enquanto que AG examina a cada passo uma populao de solues, em que cada populao
originada da anterior utilizando os melhores elementos e descartando os piores. Por outro lado
CF um mtodo construtivo em que vrias novas solues so criadas a cada iterao usando
algumas informaes reunidas em iteraes anteriores. E RN um mecanismo de aprendizado que
se ajusta gradualmente um conjunto de pesos at que uma soluo aceitvel seja encontrada. As
regras que regem a busca diferem em cada caso e que devem ser adaptados a forma do problema
em questo. As descries dos procedimentos abaixo se baseiam no proposto por Toth e Vigo [49].

3.3.1 Arrefecimento simulado AS

Na iterao de AS, uma soluo feita por sorteio em ( ). Se () ( ), ento
definido +1 := ; caso contrrio,

com probabilidade ,


+1 :=
com probabilidade 1 .

Sendo que usualmente uma funo decrescente de e de () ( ). comum definir

como:

[ () ( )]
( )
= exp , (3.3.1)

sendo que a temperatura da iterao . A regra para definir conhecida como cronograma
de resfriamento. Tipicamente, uma funo decrescente ao passo de : primeiramente,
ajustado igual a um valor dado 1 > 0 e multiplicado por um fator (0 < < 1) aps algumas
iteraes , de modo que a probabilidade de aceitar uma soluo pior deve diminuir com o tempo.
muito comum utilizar os seguintes critrios de parada * que depende de * que no seja menor
que o mnimo 1 % para pelo menos 1 ciclos consecutivos de iteraes; o nmero de movimentos
aceitos tenha sido menor que 2 % de para 2 ciclos consecutivos de iteraes; e 3 ciclos de
iteraes foram executados.

52
3.3.2 Arrefecimento determinstico AD
AD muito similar ao AS, em que uma regra determinstica utilizada para a validao de
um movimento. Duas implementaes padro dessa tcnica so threshold accepting (TA) e record-
to-record travel (RRT). Em um algoritmo TA a cada iterao , a soluo +1 considerada se
(+1 ) > ( ) + 1 , em que 1 um parmetro controlado pelo usurio. Por outro lado RRT
gravada a melhor soluo * encontrada durante uma busca. A cada iterao , a soluo +1
considerada se (+1 ) < 2 ( ), em que 2 um parmetro controlado pelo usurio, em geral,
um pouco maior que 1.

3.3.3 Busca tabu BT

Nessa metodologia as sequncias de soluo so examinadas como AS, mas o prximo passo
feito para o melhor vizinho da soluo atual . Para evitar um movimento cclico as solues que
foram recentemente analisadas so proibidas para um nmero de iteraes, essas solues proibidas
so denominadas solues Tabu. Para amenizar os requisitos de memria, natural registrar um
atributo de solues Tabu e no as prprias solues. O mecanismo bsico de BT pode se reforado
por vrios recursos computacionais, tais como estratgias de diversificao e intensificao.

3.3.4 Algoritmos genticos AG

Um AG uma tcnica de pesquisa global randomizada que resolve problemas, imitando os
processos observados durante a evoluo natural. Essa tcnica foi proposta inicialmente por Hol-
land [78]. Um AG puro um mtodo de soluo genrico que utiliza pouca informao heurstica
do problema, e portanto, pode ser aplicado a diversos tipos de problemas mal definidos que no
existem mtodos especficos para soluo. Basicamente, um AG evolui uma populao de cadeias
de bits, ou cromossomos, onde cada cromossomo codifica uma soluo para um caso particular,
em que essa evoluo acontece atravs da aplicao de operadores que imitam fenmenos naturais
observados na natureza, tais como, reproduo e mutao. A seguir descrito um AG simples e
como essa metodologia pode ser aplicada a PRV.
A partir de uma populao inicial gerada a partir de forma aleatria de cromossomos 1
( )=
{1 , . . . , }. A cada iterao = 1, . . . , em que aplicado vezes os passos 1 ao 3 2 ,
1 1

ento aplique o passo 4.

Passo 1 Reproduo - Selecione dois cromossomos pais de ;

Passo 2 Recombinao - Gerar dois filhos a partir dos cromossomos pais selecionados no Passo 1
utilizando um operador cruzado;

Passo 3 Mutao - Aplique uma mutao aleatria para cada filho (com uma pequena probabili-
dade);

Passo 4 Substituio de populao - Criar +1 de removendo 2 piores solues de e

substitui-los por 2 novos filhos.

53
 No algoritmo o parmetro o nmero de geraes e o nmero de escolhas por gerao. A
melhor soluo produzida ao longo das geraes o resultado final deste algoritmo. Observe que
no Passo 1 a seleo dos pais parcialmente probabilstica em favor dos melhores cromossomos.
No Passo 2 os novos descendentes so produzidos atravs de cruzamento pela troca de sub cadeias
de bits encontrados nos dois pais. No Passo 3, cada descendente pode ser ligeiramente modificado
atribuindo um valor de bit de zero a um, ou a partir de um a zero, com uma pequena probabi-
lidade em cada posio. E finalmente, no Passo 4 feita a substituio da populao. Atravs
desse processo espera-se que uma populao inicial de cromossomos gerados aleatoriamente seja
melhorada com a substituio dos pais por cromossomos filhos melhores.
Como Toth e Vigo [49] comenta, o desenvolvimento de AG para PRV escasso. Em que difere
da situao de PCV ou variantes mais complexas de PRV como PRVJT e restries de prece-
dncia. No primeiro caso, a grande quantidade de pesquisa para PCV se deve ao fato de que
um conhecido problema cannico. No segundo caso, h limitaes que complicam, em particular
PRVJT. Com problemas mais complexos, viu-se uma oportunidade para encontrar resultados mais
competitivos com o uso de AG, pelo fato de sua fora relativa a restries complexas. Na litera-
tura h implementaes muito eficazes para PRVJT como os trabalhos de Potvin e Bengio [79],
Thangiah [80], usando AG para PRVC que inclui a distncia percorrida ou alguma variante com
limitaes de tempo, foi principalmente destinado a avaliar o impacto de diferentes componentes
no algoritmo sobre a eficincia da pesquisa. Trabalhos como de Van Breedam [81] compara AG
com RS e BT para diferentes tipos de PRV incluindo PRVC, fazendo uma anlise estatstica de
incidncia de vrios parmetros sobre a qualidade da soluo de AG e RS. As solues para PRV
so feitas de mltiplas rotas (diferenciando do PCV), o caminho de representao da soluo
estendido e contm mltiplas cpias do depsito, com cada cpia atuando como um separador
entre duas rotas. Por exemplo a figura 3.10 representa um sistema de soluo para PRV feita em
trs rotas: a primeira contm os vrtices 1 e 2, a segunda rota contm os vrtices 3 e 4 e a ltima
rota contm o vrtice 5.

Caminho : 0 1 2 0 3 4 0 5

Figura 3.10: Soluo AG para PRV

3.3.5 Colnias de formigas CF

Os mtodos de soluo por CF so inspirados no comportamento de colnias de formigas
reais a procura de alimentos. Na busca por alimentos, formigas liberam um aroma chamado de
feromnio por onde andam, a quantidade de feromnio colocado em um percurso depende da
distncia percorrida e da qualidade da fonte de alimento e esse feromnio fornece informaes
a outras formigas que so atradas por ele. Caminhos que produzem fontes de alimentos mais
interessantes so marcados com mais feromnio, aqueles caminhos mais prximos da colnia e

54
com maior quantidade de alimento. Em geral, esse processo leva a um procedimento eficiente de
aquisio de alimentos para a colnia de formigas.
Por meio de observaes, Colorni, Dorigo, Maniezzo et al. [82] desenvolveram uma nova classe
de metaheursticas para solucionar problemas combinatrios tendo os seguintes critrios como base:
1. formigas artificiais procurando uma soluo simulam formigas reais explorando seu ambiente;

2. valores da funo objetivo so associados com a qualidade da fonte de alimentos;

3. valores registrados em uma memria adaptiva imitam as trilhas de feromnio.

Para exemplificar os princpios bsicos do mtodo, segue, abaixo como Colorni, Dorigo, Mani-
ezzo et al. [82] descrevem de modo simples um procedimento para PCV, sendo o primeiro problema
que essa metodologia foi aplicada. Para cada aresta (, ) associado dois valores: a visibilidade
(o inverso do comprimento da aresta), que um valor esttico e a trilha de feromnio , que
atualizado dinamicamente medida que o algoritmo executado. A cada iterao, formigas artifi-
ciais a partir de cada vrtice do grafo constroem novas rotas usando uma heurstica probabilstica
de vizinho mais prximo com uma medida de distncia modificada. Esse medida derivada de
e para favorecer a seleo de cidades que esto mais prximas ligadas por arestas e com uma
alta concentrao de feromnio. No final de cada iterao, os valores do rastro so atualizados
pela primeira permitindo a utilizao de parmetro (1 ), denominado parmetro de evaporao,
em que 0 1, do antigo feromnio para evaporar e o novo feromnio das arestas das rotas
construdas na iterao. Se a aresta (, ) foi utilizada pela formiga e o comprimento dessa rota
construda pela formiga , a quantidade de feromnio aumentada na rota, esse aumento
dado por
1
= .

O valor do rastro no arco (, ) atualizado da seguinte maneira:

:= + ,

=1

em que o nmero de formigas. Esse processo de construo de rotas e atualizao de rastro

repetido para um nmero fixo de iteraes. importante notar o papel do parmetro de evaporao
(1 ) impede que soluo ruins iniciais sejam utilizadas nas fases posteriores do algoritmo.

3.3.6 Redes neurais RN

Redes Neurais RN so modelos computacionais composto de unidades que so interligadas
atravs de conexes ponderadas, como neurnios no crebro humano, em que um sinal enviado
de uma unidade para outra ao longo de uma conexo e modulada atravs de um peso associado.
Embora superficialmente relacionada com a parte oposta biolgica, em redes neurais artificiais
apresentam caractersticas relacionadas cognio humana. Geralmente, redes neurais artificiais
aprendem com experincias e podem induzir conceitos gerais de exemplos especficos de um ajuste

55
incremental de seus pesos. Estes modelos foram aplicados inicialmente para tarefas associadas a
inteligncia humana, onde a computao tradicional ineficiente como viso artificial e compreen-
so da fala. H pouco tempo foram aplicados a problemas combinatrios como o trabalho pioneiro
de Hopfield e Tank [83]. O PCV tem sido objeto de muitos estudos como o modelo de Hopfield-
Tank (HT), rede elstica de (RE) Durbin e Willshaw [84] e o mapa de auto-organizao (MAO) de
Kohonen [85]. RE e MAO so muito distantes de RN clssicas, mas que provaram ser muito efica-
zes em comparao com o modelo HT que utiliza RN clssicas. Como Toth e Vigo [49] comenta
em seu livro, nenhum deste mtodos mais competitivo em relao a outras metaheursticas.
RE e MAO so modelos deformveis que se ajustam em torno dos vrtices para resolver o
PCV, ilustrado na figura 3.11. Os crculos em azul so os vrtices e os pequenos crculos em
vermelho so unidades do modelo. Estas unidades esto ligadas para formar uma rota. A partir
de algumas configuraes arbitrrias, a localizao de cada unidade em que a rota ajustada de
modo incremental (como os pesos das ligaes na RN nos modelos clssicos) e esse procedimento
ocorre at que pelo menos uma unidade torne-se suficiente prxima de cada vrtice. No final cada
vrtice atribudo unidade mais prxima, atravs dessa atribuio, a ordenao das unidades ao
longo da rota determina uma ordenao dos vrtices da rota.

Figura 3.11: Evoluo de um modelo deformvel em a), b), c) e soluo final em d)

56
Apenas recentemente h estudos para soluo PRV utilizando RN, na maioria dos trabalhos so
variantes baseadas em MAO como os trabalhos de H [86], Ghazlrl [87], Ghaziri [88], Matsuyama
[89], Schumann e Retzko [90]. Utilizando vrios modelos deformveis, um para cada rota, possvel
generalizar modelos de PCV para PRV. Normalmente os modelos so executados com um aumento
de nmero de rotas at que uma soluo factvel seja encontrada, assim, como vrias rotas esto
presentes na rede, h uma competio entre elas para obter uma parcela igual de vrtices. Um
procedimento sugerido por Ghazlrl [87] segue abaixo:

Etapa 1 (Competio de rotas e migrao) Repetir at que uma unidade esteja suficiente prximo
de cada vrtice:

1. Considere o prximo vrtice e defina-o como vrtice atual;

2. Associar uma probabilidade de seleo para cada rota;
3. Definir uma rota de acordo com a distribuio de probabilidade definida no passo 2.
4. Experimentalmente, atribua o vrtice atual para a unidade mais prxima na rota sele-
cionada e desloque a unidade (bem como alguns de seus vizinhos na rota) em direo
do vrtice atual.

Etapa 2 (Atribuio de vrtice) De modo permanente atribua a cada vrtice a unidade mais
prxima, com o objetivo de produzir uma soluo.

A probabilidade associada a cada rota ajustada dinamicamente no decorrer do processo do

algoritmo. Note que, no incio, a distncia entre o vrtice e a unidade atual mais prxima desem-
penha um papel dominante, posteriormente no so consideradas as rotas que violem a restrio
de capacidade (devida a atribuio de vrtices por experimentao), tornando cada vez menor a
possibilidade de escolha dessas rotas. No final apenas rotas factveis devem ser selecionadas.

57
58
Captulo 4

O estudo de caso

Neste captulo apresentamos o nosso estudo de caso divididos em duas etapas. Primeiro,
estudamos a quantidades necessria de veculos para que o transporte escolar seja realizado satis-
fatoriamente em toda a cidade de Coxim - MS. Em seguida, definimos um planejamento logstico
para o transporte de estudantes do turno matutino do IFMS da cidade de Coxim. Nesta ltima,
usamos duas metodologias de busca de resoluo utilizando o Simplex: uma baseada no mtodo
branch-and-cut; e outra que utiliza uma heurstica de projeo do pacote GLPK.

4.1 A cidade de Coxim - MS

O municpio de Coxim est localizado na regio norte do Estado de Mato Grosso do Sul, sendo
cortado pelos rios Coxim e Taquari. De acordo com o censo do IBGE de 2010 o municpio conta
com 32.159 habitantes com uma rea de 6.409, 224 km2 . O municpio composto por vrios
distritos em que os principais so: Jauru, So Ramo, Taquari e Silviolndia.

Figura 4.1: Cidade de Coxim - MS

59
4.1.1 Transporte escolar em Coxim - MS

A cidade de Coxim no conta com transporte coletivo pblico ou privado, tendo somente
o servio de txi ou moto-txi. Para atender a rede pblica de ensino a prefeitura municipal
disponibiliza um servio gratuito para o transporte escolar dos estudantes no perodos matutino,
vespertino e noturno.
O sistema atual tem com 40 linhas para atender 20 escolas, nos perodos matutinos e vesper-
tinos. Para o perodo noturno, o nmero de nibus reduzido para 18.
Ao todo, o sistema atende 1900 estudantes de 06 escolas estaduais, 02 escolas municipais, 01
escola federal, 01 universidade federal, 01 universidade estadual e 08 centro de educao infantil
(CEI). Fazendo o transporte de 700 estudantes em cada um dos perodos matutino e vespertino e
de 500 estudantes no perodo noturno.
Para o atendimento das 40 linhas de transporte escolar a cidade conta com 40 veculos de vrias
capacidades, sendo 16 de sua frota prpria e 24 veculos tercerizados, com contratos renovados
a cada dois anos. Dessas 40 linhas de transporte, 22 linhas so destinadas exclusivamente ao
atendimento de estudantes da zona rural, tendo estudantes que residem a uma distncia de at 70
km da escola de destino.
Na cidade de Coxim - MS, existe 3 escolas estaduais que oferecem ensino mdio e uma escola
federal com ensino mdio integrado com tcnico.
Os 18 veculos que atendem a zona urbana da cidade trabalham com linhas mestres, que passam
por todas as escolas nos bairros at convergirem para as 3 escolas com ensino mdio. Os pontos
de nibus so pr-definidos pela secretria municipal de educao, mas quando h a demanda os
motoristas podem informar a instalao de novos pontos e assim gerada uma nova rota.
Os 22 veculos que atendem a zona rural passam por todas as escolas estudais que oferecem o
ensino mdio. Quatro dentre os 40 veculos disponveis, depois de passarem por todas as escolas
estaduais com ensino mdio e por um ponto localizado no centro da cidade vo at o IFMS. Estas
rotas so repetidas nos perodos matutino e vespertino. No perodo noturno no h transporte de
estudantes da zona rural, utilizando ento apenas 18 veculos, todos tercerizados.
Neste captulo feito um estudo do sistema de transporte escolar da cidade em dois casos:

1. No primeiro caso estudamos o problema de encontrar o menor nmero possvel de veculos

para efetivao do transporte escolar na cidade de Coxim - MS nos perodos matutino e
vespertino. Neste caso, no ser considerado as rotas que os veculos utilizam e nem a
quantidade de pontos de nibus ou suas localizaes. Uma boa soluo deste problema pode
ter impactos importantes nos gastos com a contratao de nibus extras.

2. No segundo caso feito um planejamento logstico para o transporte dos estudantes do IFMS
do campus Coxim do perodo matutino, em que definiremos a quantidade mnima de nibus,
a localizao dos pontos de nibus e suas rotas, utilizando alguns dos algoritmos apresentados
nos captulos anteriores.

60
4.2 Instituto Federal de Educao, Cincia e Tecnologia
de Mato Grosso do Sul - Campus Coxim
O IFMS faz parte do programa de expanso da Rede Federal de Educao Profissional, Cien-
tfica e Tecnolgica, do Ministrio da Educao (MEC).
A rede integra 38 Institutos Federais, dois Centros Federais de Educao Tecnolgica (Cefet);
24 Escolas Tcnicas Vinculadas s Universidades Federais; a Universidade Tecnolgica Federal do
Paran e o Colgio Pedro II, do Rio de Janeiro.
De acordo com a legislao, os institutos federais so instituies de educao superior, bsica
e profissional, pluricurriculares e multicampi, especializados na oferta de educao profissional e
tecnolgica nas diferentes modalidades de ensino, com forte insero na rea de pesquisa aplicada
e na extenso.
Possuem natureza jurdica de autarquia, detentoras de autonomia administrativa, patrimo-
nial, financeira, didtico-pedaggica e disciplinar, com estrutura de organizao e funcionamento
semelhantes.
O projeto de implantao do IFMS teve incio em outubro de 2007, quando foi sancionada a
lei n11.534, que dispe sobre a criao das escolas tcnicas e agrotcnicas federais.
A partir desta lei, foi instituda a Escola Tcnica Federal de Mato Grosso do Sul, com sede
na capital Campo Grande, e a Escola Agrotcnica Federal de Nova Andradina. Em dezembro de
2008, o governo reestruturou a Rede Federal de Educao Profissional, Cientfica e Tecnolgica,
criando 38 institutos federais pela lei n11.892.
Surge ento o IFMS, que integrou a escola tcnica que seria implantada em Campo Grande,
e a Escola Agrotcnica Federal de Nova Andradina, que fazia parte do Projeto de Expanso da
Rede Federal (Proep) em parceria com o Banco Interamericano de Desenvolvimento (Bird), mas
que nunca chegou a funcionar.
As duas unidades a serem implantadas passam a ser denominadas Cmpus Campo Grande e
Cmpus Nova Andradina do IFMS.
O novo projeto da Rede Federal incluiu ainda a implantao de outros cinco cmpus nos
municpios de Aquidauana, Corumb, Coxim, Ponta Por e Trs Lagoas, consolidando o carter
regional de atuao.
Para sua implantao, o IFMS contou com a tutoria da Universidade Tecnolgica Federal do
Paran (UTFPR), por meio das Portarias n 1.063 e n 1.069, de 13 de novembro de 2007, do
Ministrio da Educao, que atriburam UTFPR adotar todas as medidas necessrias para o
incio do funcionamento do IFMS.
O Cmpus Nova Andradina iniciou as atividades em fevereiro de 2010. No ano seguinte, os
outros seis cmpus entraram em funcionamento com a oferta de cursos tcnicos integrados.
Na terceira fase de expanso da Rede Federal de Educao Profissional, Cientfica e Tecnolgica,
devero ser implantadas mais trs unidades, em Dourados, Jardim e Navira.
Em 2010 o Campus Coxim foi autorizado pelo MEC, a abertura dos primeiros cursos tcnicos
a distncia em parceria com o Instituto Federal do Paran (IFPR). Em 2011 em sede provisria o
Campus Coxim iniciou os cursos tcnicos de Informtica, Alimentos e PROEJA em Manuteno e
Suporte em Informtica com mdio integrado. No Segundo semestre d e 2011 o curso de licenciatura

61
em qumica comeou a funcionar e no primeiro semestre do 2014 iniciou-se o curso superior em
Tecnologia em Sistemas para Internet e finalmente em 28/03/2014 h a mudana para a sede
definitiva.

Figura 4.2: IFMS - Campus Coxim

4.3 Problema 1
A cidade de Coxim, conta com 40 veculos para transportar estudantes da rede pblica de
ensino. Com 16 veculos prprios de sua frota e 24 veculos terceirizados, de diversas capacidades
que atendem 1900 estudantes. Atendendo 700 no perodo matutino, 700 no perodo vespertino e
500 no perodo noturno. No total so 5 tipos de nibus com capacidade distintas conforme Tabela
4.1 abaixo1 .

Tipo 1 2 3 4 5
Capacidade 20 30 35 40 60
Quantidade 5 4 5 16 10

Tabela 4.1: Tipos e quantidade de veculos

Estamos interessados em verificar se a frota atual de veculos disponveis na cidade gera uma
soluo factvel para o problema. Em seguida determinaremos o nmero mnimo de veculos
necessrios para efetuar o transporte escolar na cidade de Coxim, sem alterar as rotas atuais nos
perodos matutino e vespertino, pois trabalham com a frota total de veculos.

1
Dados adquiridos com a Secretria Municipal de Educao

62
4.3.1 Modelo matemtico
Para a soluo do problema ser utilizado o modelo apresentado abaixo:

min = (4.3.1)


=1

sujeito a ( 2) * (4.3.2)

=1
{1, . . . , } (4.3.3)
0, inteiro {1, . . . , } (4.3.4)

4.3.1.1 Varivel de deciso

= quantidade de tipo de nibus , = 1, . . . ,

4.3.1.2 Parmetros

= capacidade de lotao de um veculo ;

= quantidade total de cada tipo de nibus;
= demanda total de estudantes.

A restrio (4.3.1) determina a quantidade mnima necessria de tipos de nibus para atender
todos os estudantes da rede de transporte. A restrio (4.3.2) determina que a soma das capacida-
des vezes a quantidade de veculos na soluo seja maior ou igual a . O termo 2 adicionado
nesta restrio para garantir que, em cada nibus, sempre existam pelo menos dois lugares vagos.
Esta uma exigncia do setor de logstica do municpio. A restrio (4.3.3) determina que a
quantidade de veculos a serem utilizados no sistema de transporte deve ser menor o igual que a
quantidade total disponvel.

4.4 Problema 2: planejamento logstico

Nesse problema iremos utilizar os trs primeiros passos descritos na seo 1.1. O IFMS atende
707 estudantes, sendo 170 no perodo matutino, 37 no perodo vespertino e 500 no perodo noturno.
A Prefeitura Municipal de Coxim - MS tem em seu depsito 40 veculos para atendimento dos
estudantes da zona rural e urbana da cidade conforme Tabela 4.1. O objetivo determinar para o
perodo matutino o nmero mnimo de nibus, a localizao dos pontos com a restrio de que os
estudantes devem caminhar uma distncia no superior a 700 metros e as rotas dos veculos para
que minimize a distncia percorrida com a restrio que cada veculo a partir do primeiro ponto
de parada no deve percorrer uma distncia superior a 35 km.

63
4.4.1 Preparao dos dados
Na fase preparao dos dados foi realizada uma pesquisa com todos os estudantes do perodo
matutino do IFMS. Nela, 170 estudantes responderam o questionrio ilustrado no Figura 4.3.
Sendo que 165 deles utilizam o transporte escolar.

Figura 4.3: Questionrio

Em seguida todos os dados foram tabulados e ento, com o auxlio de um GPS e do Google
Earth foi feito um mapa das localizaes de todos os estudantes, conforme a Figura 4.4.

Figura 4.4: Mapa de localizao dos estudantes do IFMS

64
 Na Figura 4.4 o ponto diferenciado no representa a localizao de nenhum estudante, apenas
uma representao que ser utilizada para a resoluo do problema 2.2 (4.5.3).
Para determinar a rede de estradas do grafo do problema, utilizado o parmetro , que
representa a distncia euclidiana entre duas coordenadas geogrficas, na qual uma coordenada
composta de latitude e longitude, aqui representaremos que um ponto qualquer da rede de
estradas da seguinte maneira:

= (LAT , LONG )

A distncia em quilmetros que posteriormente ser utilizado no Problema 2.1 (4.4.2) deter-
minada pela frmula abaixo:

= 6731 arccos ( ) (4.4.1)

(90 LAT ) (90 LAT )
( ) ( )
= cos cos +
180 180
(90 LAT ) (90 LAT ) (LONG LONG )
( ) ( ) ( )
+ sen sen cos
180 180 180

4.4.2 Problema 2.1 - seleo dos pontos de nibus

Para determinar a localizao dos pontos de nibus ser utilizado nessa dissertao o modelo
matemtico de localizao de facilidades (p-medianas), tais problemas consistem em determinar
um subconjunto de um conjunto de pontos determinados facilidades de tal modo que minimize
a distncia entre todos os pontos essas facilidades. No nosso caso as facilidades so os pontos
de nibus. Dados o conjunto de pontos do sistema, endereo de todos os estudantes, queremos
determinar quais destes sero os pontos de nibus do sistema de rotas e qual a quantidade mnima
necessria de pontos para o sistema. Para o problema todos os pontos so pares ordenados (, ) e
definimos que todo = {1, . . . , } e = {1, . . . , }, na qual a quantidade de vrtices
do grafo do problema e o conjunto de todas os pontos de nibus do sistema. O problema
modelado como segue:

min 1 = (4.4.2)



sujeito a: min 2 = (4.4.3)
= 1 (4.4.4)

= (4.4.5)

, (4.4.6)

Em que representa a distncia euclidiana do ponto ao ponto determinada pela frmula

(4.4.1), note que = 0, pois a distncia que um estudante residente em um ponto percorre
at esse ponto zero. A varivel binria 1 se o ponto atribudo ao ponto (isso quer
dizer, se o estudante residente no vrtice deve se deslocar ao vrtice ), 0 caso contrrio e a

65
quantidade de facilidades que queremos instalar na rede, aqui representa a quantidade de pontos
de nibus.
A funo objetivo (4.4.2) minimiza as distncia de todos os pontos at a quantidade de pontos
de nibus determinadas pela restrio (4.4.3). A restrio (4.4.3) minimiza a quantidade de pontos
de nibus na rede, dado um conjunto de possveis pontos a restrio determina qual a menor
que gera uma soluo factvel. A restrio (4.4.4) determina que todo ponto deve ser atribudo
a apenas um ponto . A restrio (4.4.5) define a quantidade de pontos de nibus e finalmente a
restrio (4.4.6) determina que um ponto seja atribudo a um ponto de nibus.

4.4.3 Problema 2.2 - planejamento e desenho das rotas de nibus

Para planejamento e desenho das rotas de nibus primeiramente utilizaremos o modelo do
Problema 1 (4.3.1) para determinar a quantidade mnima de veculos do conjunto de veculos
disponveis pela prefeitura municipal de Coxim - MS para atender os estudantes do IFMS campus
Coxim, assim definimos a formulao matemtica do problema. A varivel de deciso, constantes,
conjuntos utilizados nesta formulao so definidos a seguir.

4.4.3.1 Variveis de deciso

1 se o veculo percorre o arco (, ) ;

=
0 caso contrrio , e ;
= varivel para eliminao de sub-rotas, Z+ , (, ) , .

4.4.3.2 Parmetros

= distncia euclidiana entre os ns (, ) , , ;

= demanda (estudantes) no n , ;
= capacidade de lotao do veculo , .

4.4.3.3 Conjuntos

= conjunto de todos os pontos de nibus, determinados por do Problema 2.1 (4.4.6);

= n de partida de todos os veculos, isto , o depsito;
= n de chegada dos veculos, isto , escola;
= conjunto contendo todos os ns que tem sada de veculos, = ;
= conjunto de todos os ns que tem entrada de veculos, = ;
= conjunto de todos os veculos;
= conjunto de todos os arcos (, ) , = .

66
4.4.3.4 Formulao do modelo

min = = ; (4.4.7)

= 1; (4.4.8)

= 1; (4.4.9)

= ; (4.4.10)

= 0 , , , = ; (4.4.11)

; (4.4.12)

1 ; (4.4.13)

{0, 1} , e (4.4.14)

A funo objetivo (4.4.7) minimiza a distncia percorrida por todos os veculos no sistema de
transporte. A restrio (4.4.8) determina que um veculo saia de um n exatamente
uma vez, por outro lado, a restrio (4.4.9) determina que um veculo entre exatamente
uma nica vez no n . A restrio (4.4.10) determina que toda a demanda seja atendida. A
restrio (4.4.11) define a conectividade da rota, isto , em uma rota os veculos visitam apenas
uma vez um n. A restrio (4.4.12) determina que a capacidade dos veculos no seja violada. A
restrio (4.4.13) determina que o veculo sa apenas uma vez do depsito caso seja necessrio.
Com implementao no GLPK o modelo anterior no consegue eliminar as subrotas, ento
adicionado ao GLPK uma tcnica baseada em uma resoluo para o PCV:

(, ) , ; (4.4.15)
+ (se = 1 ento + 1) = + 1. (4.4.16)

4.5 Implementao e resultados

Nessa seo apresenta-se os resultados obtidos com implementaes no GLPK com tempo de
execuo de 4 horas. O GLPK um pacote GNU que oferece um Kit Programao Linear destinado
a resolver problemas de Programao Linear (PL), Programao Inteira Mista (PIM) e outros
problemas relacionados de grande escala. O GLPK suporta GNU MathProg modeling language
que um subconjunto da linguagem AMPL2 . Os principais componentes do Pacote GLPK so:
2
Uma linguagem de alto nvel para especificao de problemas de programao matemtica.

67
 mtodo simplex primal e dual;

mtodo de ponto interior primal e dual;

mtodo branch-and-cut;

tradutor para GNU MathProg;

aplicativo de interface para programao;

solvers para soluo de PL/MIP.

4.5.1 Problema 1
Utilizando o modelo do Problema 1 (4.3.1), os dados da Tabela 4.1 e considerando uma parti-
cularidade do sistema de transporte de estudantes do municpio de Coxim - MS. O transporte de
estudantes da zona rural3 que composto por 22 veculos, assim para atender a zona urbana da
cidade est disponvel 18 veculos para atendimento. Assim, foi utilizado o GLPK para soluo do
problema da zona urbana, sendo utilizada a Tabela 4.2 com as quantidades e tipos de veculos:

Tipo 3 4 5
Capacidade 35 40 60
Quantidade 4 4 10

Tabela 4.2: Tipos e quantidade de veculos - zona urbana

A implementao do problema representada na pgina 87, o GLPK utilizou 0,315 segundos. Os

resultados mostrados na Tabela 4.3 obtidos indicam que 09 nibus seriam suficientes para atender
a demanda.
Para que esta soluo seja validada, faz-se necessrio aferir os parmetros e considerar eventuais
particularidades de rotas. Por exemplo, pode ser que um nibus precise ser deslocado para um
lugar no interior, no qual no h um nmero suficiente de estudantes para lotar a capacidade do
veculo, ou ainda que, para lotar os veculos as rotas penalizem muito os estudantes em termos de
tempo de transporte.

Tipo 3 4 5
Capacidade 35 40 60
Quantidade tima 0 0 9

Tabela 4.3: Tipos e quantidade de veculos - zona urbana

3
Os veculos destinados a zona rural no so de uso exclusivo dos estudantes, sendo que a populao dessa
regio pode utiliza-los para compras ou outras atividades de necessidade de locomoo, como pagamento de contas
e compras de bens alimentcios.

68
4.5.2 Problema 2

Utilizando o modelo do Problema 2.1 4.4.6 e a matriz de distncias determinada pela Frmula
(4.4.1) aplicada na Tabela A.1 da pgina 92 e adicionando a restrio:

0, 7 , (4.5.1)

A restrio anterior limita a distncia euclidiana mxima em quilmetros que um estudante deve
percorrer at chegar ao ponto de nibus. Com a implementao (A.2) da pgina 88, os resultados
indicam a necessidade de 15 pontos de nibus que so mostrados na Tabela 4.4, a representao
gerada pelo Google Earth na Figura 4.5 e na Figura 4.6 representa as localizaes dos pontos e
dos estudantes4 .

ordem n Latitude Longitude Demanda ordem n Latitude Longitude Demanda

1 2 -18.537680 -54.745980 2 8 41 -18.509442 -54.758065 7
2 3 -18.532613 -54.750949 7 9 82 -18.501820 -54.738120 18
3 5 -18.529619 -54.739687 1 10 83 -18.501808 -54.751468 38
4 11 -18.526147 -54.734007 1 11 110 -18.499550 -54.680070 4
5 16 -18.520730 -54.743640 6 12 131 -18.496408 -54.693479 2
6 34 -18.510636 -54.756224 9 13 136 -18.495770 -54.742810 29
7 40 -18.509990 -54.742660 29 14 159 -18.488042 -54.733999 11
15 165 -18.478000 -54.729670 1
Demanda Total 165

Tabela 4.4: Localizao dos pontos de nibus

4
A coluna nmero representa a posio na Tabela A.1

69
 Figura 4.5: Pontos de nibus - Google Earth

Figura 4.6: Pontos de nibus e estudantes - Google Earth

4.5.3 Problema 2.2 - planejamento e desenho das rotas de nibus

Para um estudo de caso, com os estudantes do IFMS Campus Coxim - MS, foi utilizado o
modelo do Problema 1 (4.3.1) juntamente com a implementao descrita em (A.3) na pgina 89

70
para determinar os tipos e a quantidade mnima de nibus para atender 165 estudantes do perodo
matutino. Os resultados obtidos mostrados na Tabela 4.5 indicam que 3 veculos do tipo 5 seriam
suficientes para atender estes estudantes.

Tipo 1 2 3 4 5
Capacidade 20 30 35 40 60
Quantidade 0 0 0 0 3

Tabela 4.5: Resultados de veculos para 165 estudantes

Usando as coordenadas dos pontos de nibus apresentadas na Tabela 4.4 e adicionando mais
dois pontos, referentes ao depsito e a escola. interessante observar que estamos utilizando a
distncia euclidiana entre duas coordenadas geogrficas e o IFMS est localizado em uma regio
ainda em desenvolvimento, que a entrada para o Pantanal Sul Matogrossense e s existe uma
estrada que leva at a escola, como podemos notar na Figura 4.7.
O modelo do Problema 2.2 (4.4.3.4) pode levar a definir rotas infactveis, para solucionar esse
problema, ento adicionamos uma escola artificial, um ponto do percurso em que todos os nibus
tero que passar para chegar a escola.
Ainda adicionamos a restrio (4.5.2) abaixo, limitando a distncia percorrida pelos nibus,
entre o primeiro e o ltimo ponto de nibus, em 35 , com isso o estudante minimizamos tempo
de percurso do nibus.
35 (4.5.2)

Figura 4.7: Pontos de nibus, estudantes e escola - Google Earth

71
 Deste modo adicionamos a Tabela 4.4 os pontos:

Ordem Latitude Longitude

Escola 00 -18.494900 -54.754944
Depsito 16 -18.504920 -54.752250

Tabela 4.6: Coordenadas Escola Artificial e Depsito

Usando o modelo do Problema 2.2 (4.4.3.4) e a implementao (A.4) da pgina 90 no GLPK

com busca de resultados limitados a 4 horas, as Tabelas 4.7, 4.9 e 4.11 mostram os resultados
com abordagem de busca branch-and-cut e as Tabelas 4.8, 4.10 e 4.12 mostram os resultados com
abordagem de busca heursticas.

N de sada N de chegada distncia percorrida ()

16 - Depsito 02 3.082
02 01 0.769
01 03 1.115
03 04 0.713
04 11 6.410
11 12 1.457
12 15 4.331
15 14 1.206
14 13 1.266
13 00 - Escola 1.283
Distncia total percorrida () 21.632
Demanda atendida 58 estudantes

Tabela 4.7: Rota 1 - branch-and-cut

N de sada N de chegada Distncia percorrida ()

16 - Depsito 10 0.356
10 11 7.533
11 12 1.457
12 15 4.331
15 14 1.206
14 00 - Escola 2.337
Distncia total percorrida () 17.22
Demanda atendida 56 estudantes

Tabela 4.8: Rota 1 - Busca heurstica

72
 N de sada N de chegada distncia percorrida ()
16 - Depsito 06 0.761
06 08 0.199
08 05 0.235
05 07 2.120
07 00 - Escola 1.972
Distncia total percorrida () 5.287
Demanda atendida 51

Tabela 4.9: Rota 2 - Busca branch-and-cut

N de sada N de chegada Distncia percorrida ()

16 - Depsito 07 1.158
07 01 3.099
01 02 0.769
02 06 2.506
06 08 0.235
08 00 - Escola 1.650
Distncia total percorrida () 9.417
Demanda atendida 54 estudantes

Tabela 4.10: Rota 2 - Busca heurstica

N de sada N de chegada distncia percorrida ()

16 - Depsito 10 0.356
10 09 1.934
09 00 - Escola 1.408
Distncia total percorrida () 3.698
Demanda atendida 56

Tabela 4.11: Rota 3 - Busca branch-and-cut

N de sada N de chegada Distncia percorrida ()

16 - Depsito 04 3.045
04 03 0.713
03 05 1.073
05 09 2.182
09 13 0.835
13 00 - Escola 1.283
Distncia total percorrida () 9.131
Demanda atendida 55 estudantes

Tabela 4.12: Rota 3 - Busca heurstica

73
Figura 4.8: Sistema de rotas - Busca branch-and-cut - Google Earth

Figura 4.9: Sistema de rotas - Busca heurstica - Google Earth

74
 As Figuras 4.8 e 4.9 representam o sistema de rotas desenvolvido para o IFMS Campus Coxim,
utilizando a busca branch-and-cut e a busca heuristica, respectivamente. As Tabelas 4.13 e 4.14
resumem a distncia total percorrida entre o depsito e a escola.

Rota - percurso
Rota 1 35.96
Rota 2 9.78
Rota 3 6.75
Total 52.49

Tabela 4.13: Distncia total percorrida em - Busca branch-and-cut

Rota - percurso
Rota 1 25.30
Rota 2 14.50
Rota 3 14.60
Total 54.40

Tabela 4.14: Distncia total percorrida em - Busca Heurstica

Atualmente o municpio de Coxim utiliza 4 veculos para atender o (IFMS) e como relatado
pelos estudantes os percursos podem durar at 01:30 horas, pelas solues apresentadas nas Tabelas
4.13 e 4.14, temos uma economia de 1 veculo, alm disso, o tempo de execuo do percurso
minimizado resultando em menor tempo de permanncia do estudante no veculo. Uma possvel
consequncia da utilizao das rotas aumento de rendimento e diminuio de evaso escolar.

75
76
Captulo 5

Consideraes finais

Nesta dissertao apresentamos uma reviso sobre o problema de planejamento do transporte

escolar. Para tanto, apresentamos os principiais algoritmos para roteamento de veculos, incluindo
diversas sub-classes do problema e alguns mtodos para soluo (exatos e heursticas).
Alm da reviso da literatura, no Captulo 4 apresentamos dois estudos de casos que motivaram
o desenvolvimento deste trabalho. O primeiro com o objetivo de determinar a quantidade mnima
de veculos necessrio para atender toda a rede escolar urbana de Coxim - MS e, no segundo, foi
feito um planejamento completo de sistema de rotas de transportes para os estudantes do perodo
matutino do IFMS Campus Coxim.
Para o primeiro estudo de caso foi proposto um modelo de programao linear inteira, que
foi implementado no GLPK e a soluo obtida sugere uma quantidade total de 31 veculos para
atender todo o sistema escolar, 22 veculos para a zona rural e mais 9 veculos para atender a
zona urbana, ou seja, uma economia de 9 veculos do total utilizado atualmente pelo sistema, com
esse resultado no podemos afirmar que essa quantidade ser a mnima, um resultado muito
superficial, como nas redes urbanas existem algumas restries especificas, como por exemplo,
acesso restrito por veculos menores que pode mudar completamente a soluo.
Para que se tenha mais certeza nessa quantidade de veculos imprescindvel a coleta de
informaes especficas em contra partida do poder pblico. Esse estudo teve como principal
objetivo determinar a quantidade mnima de veculos para atender os estudantes do Problema 2
(4.4).
Para o segundo estudo de caso, o Problema 2 (4.4) foi feito um planejamento completo de
sistema de rotas de transporte escolar para os estudantes do perodo matutino do IFMS Campus
Coxim. Foi utilizado o perodo matutino pelo fato de ter a maior quantidade de turmas, no
perodo vespertino a escola conta com apenas duas turmas totalizando um total de 37 estudantes
distribudos por toda a cidade e no perodo noturno com muitos cursos a distncia em que a
presena do estudante s requerida uma vez por semana. Nesse problema verificou-se que a
coleta e organizao de dados pode se tornar muito complexa dependendo dos objetivos.
Utilizamos o problema localizao de facilidades para determinar a localizao dos pontos de
nibus, foi necessrio a localizao geogrfica de cada um dos estudantes pesquisados. Para os en-
dereos que o Google Earth conseguia encontrar, utilizou-se as coordenadas geogrficas fornecidas
por este software. Para os outro casos, foi necessrio o deslocamento at a localizao com um

77
aparelho GPS para marcar a latitude e longitude do ponto.
Observamos que, dependendo da quantidade de estudantes muito complexo definir exatamente
esse tipo de dados e por isso muitos trabalhos consideram a localizao dos pontos de nibus fixa.
Um dos maiores desafios em problemas de otimizao combinatria o tempo de execuo
computacional para se chegar em uma boa soluo, em particular os PRV no fogem dessa regra,
so problemas da classe NP-Difcil e os grafos que representam estes problemas, mesmo com poucos
vrtices, podem implicar na inviabilidade da soluo num curto espao de tempo.
Em muitos casos os mtodos exatos so improdutivos para determinar uma soluo para o
problema, as heursticas e meta-heursticas so desenvolvidas para tentar contornar esse tipo de
problema, podemos encontrar solues to boas quanto as exatas e com tempo computacional
muito menor, o que suficiente para aplicaes da vida real.
A metodologia utilizada no GLPK para contornar o problema de eliminao de sub-rotas do
Problema 2.2 (4.4.15) e (4.4.16), baseada em um procedimento do Problema do Caixeiro Viajante
aumentou a complexidade do problema, com apenas 17 vrtices no grafo do sistema, com 4 horas
de execuo o GLPK sugere uma soluo atendendo todas as restries do problema.
Foi utilizado dois pacotes do GLPK para soluo um com busca de solues baseado em branch-
and-cut e outro uma busca de solues por uma heurstica de projeo, os dois mtodos utilizam o
Simplex para determinar as solues, s muda a maneira de como as solues so pesquisadas na
rvore de busca. A metodologia branch-and-cut representada na Tabela 4.13 em termos de distncia
total percorrida por todos os veculos melhor que a soluo da metodologia de busca heurstica
mostrada na Tabela 4.14, j em relao a distncia percorrida por veculos o mtodo heurstico
obteve melhores resultados, equilibrando as distncias percorrida pelo 3 veculos utilizados no
sistema de rotas.
Um mtodo de avaliar a qualidade do transporte escolar o tempo de percurso que cada
estudante permanece o veculo e, devemos ter um equilbrio entre as distncia percorrida pelas as
rotas dos veculos para que se tenha isonomia do transporte escolar.
Comprando as duas solues encontrada percebemos que a soluo pelo mtodo exato mostrado
na Tabela 4.13 minimiza o percurso total percorrido para 52.14 , enquanto no mtodo heurstico
mostrado na Tabela 4.14 a distncia total percorrida foi de 54.40 . Observando a distncia
percorrida pelos veculos que pode ser vista na Tabela 4.13 no h equilbrio, pois, a rota 1 percorre
35.96 , a rota 2 9.78 e a rota 3 6.75 , o resultado disso implica que os estudantes atribudos
a rota 1 permanecem por um maior tempo no veculo, muito desigual com os outros veculos. J a
distncia percorrida pelos veculos usando mtodo de busca heurstico visualizado na Tabela 4.14
melhor distribuda, sendo assim aumentado a equidade entre as rotas.
A diferena de distncia total percorrida entre as duas solues sugeridas pelo GLPK de
1.91 , que uma economia de 38.20 mensais (um veculo trabalhando 20 dias por ms),
conclumos que em relao ao custo do transporte o sistema de rotas dado pela Figura 4.8 melhor,
j em relao a qualidade do transporte medido pelo tempo que cada estudante permanece no
veculo o sistema de rotas na Figura 4.9 se torna mais interessante.
Para prximos trabalhos pode-se ser feito refinamento nos sistemas de rotas utilizando alguma
metologia apresentada na subseo 3.2.3.
Para finalizar, ressaltamos que alm dos mtodos revisados e das aplicaes propostas esta
dissertao propiciou ao autor o aprendizado de como utilizar a matemtica como aplicao de

78
problemas da vida real e, muitos das mtodos e algoritmos utilizados aqui pode ser trabalhado com
estudantes do ensino mdio para aplicaes de contedos das grades curriculares, por exemplo, no
ensino de trigonometria uma tima aplicao o clculo de distncias entre duas coordenadas geo-
grficas, que ao mesmo tempo envolve a distncia euclidiana. Aprendemos tambm que problemas
com poucas variveis dependendo de como abordamos no encontramos uma soluo exata em
curto tempo de execuo.

79
80
Referncias Bibliogrficas

[1] Junhyuk Park e Byung-In Kim. The school bus routing problem: A review. Em: European
Journal of operational research 202.2 (2010), pp. 311319.
[2] Byung-In Kim e Sangwon Jeong. A comparison of algorithms for origindestination ma-
trix generation on real road networks and an approximation approach. Em: Computers &
Industrial Engineering 56.1 (2009), pp. 7076.
[3] Lawrence D Bodin e Lon Berman. Routing and schedung of school buses by computer.
Em: Transportation Science 13.2 (1979), pp. 113129.
[4] Rita M Newton e Warren H Thomas. Design of school bus routes by computer. Em: Socio-
Economic Planning Sciences 3.1 (1969), pp. 7585.
[5] Gilles Dulac, Jacques A Ferland e Pierre A Forgues. School bus routes generator in urban
surroundings. Em: Computers & Operations Research 7.3 (1980), pp. 199213.
[6] Luc Chapleau, Jacques-A Ferland e Jean-Marc Rousseau. Clustering for routing in densely
populated areas. Em: European Journal of Operational Research 20.1 (1985), pp. 4857.
[7] Robert Bowerman, Brent Hall e Paul Calamai. A multi-objective optimization approach to
urban school bus routing: Formulation and solution method. Em: Transportation Research
Part A: Policy and Practice 29.2 (1995), pp. 107123.
[8] Shen Lin. Computer solutions of the traveling salesman problem. Em: Bell System Tech-
nical Journal, The 44.10 (1965), pp. 22452269.
[9] Jacques Desrosiers et al. TRANSCOL: A multi-period school bus routing and scheduling
system. Montral: Universit de Montral, Centre de recherche sur les tranports, 1981.
[10] Brian T Bennett e Denos C Gazis. School bus routing by computer. Em: Transportation
Research 6.4 (1972), pp. 317325.
[11] Ferland J.A. Rousseau J.-M. Lapalme G. Chapleau L. Desrosiers J. An overview of a school
busing system. Em: Jaiswal, N.K. (Ed.), Scientific Management of Transport Systems.
North-Holland (1981), pp. 235243.
[12] Golden B. Assad A.-Ball M.O. Bodin L.D. Routing and scheduling of vehicles and crews:
the state of the art. Em: Computers and Operations Research 10.2 (1983), pp. 63211.
[13] Armin Fgenschuh. Solving a school bus scheduling problem with integer programming.
Em: European Journal of Operational Research 193.3 (2009), pp. 867884.

81
[14] Rita M Newton e Warren H Thomas. Bus routing in a multi-school system. Em: Computers
& Operations Research 1.2 (1974), pp. 213222.
[15] Lawrence D Bodin. A taxonomic structure for vehicle routing and scheduling problems.
Em: Computers & Urban Society 1.1 (1975), pp. 1129.
[16] Derek Graham e Henry LW Nuttle. A comparison of heuristics for a school bus scheduling
problem. Em: Transportation Research Part B: Methodological 20.2 (1986), pp. 175182.
[17] Jacques Desrosiers et al. Methods for routing with time windows. Em: European Journal
of Operational Research 23.2 (1986), pp. 236245.
[18] Jeffrey Braca et al. A computerized approach to the New York Cityschool bus routing
problem. Em: Iie Transactions 29.8 (1997), pp. 693702.
[19] LYO Li e Z Fu. The school bus routing problem: a case study. Em: Journal of the Opera-
tional Research Society (2002), pp. 552558.
[20] Eugene L Lawler. A procedure for computing the k best solutions to discrete optimization
problems and its application to the shortest path problem. Em: Management Science 18.7
(1972), pp. 401405.
[21] Michela Spada, Michel Bierlaire e Th M Liebling. Decision-aiding methodology for the school
bus routing and scheduling problem. Em: Transportation Science 39.4 (2005), pp. 477490.
[22] Zhuo Fu, Richard Eglese e Leon YO Li. A new tabu search heuristic for the open vehicle
routing problem. Em: Journal of the operational Research Society 56.3 (2005), pp. 267274.
[23] Feiyue Li, Bruce Golden e Edward Wasil. The open vehicle routing problem: Algorithms,
large-scale test problems, and computational results. Em: Computers & Operations Research
34.10 (2007), pp. 29182930.
[24] David Bredstrm e Mikael Rnnqvist. Combined vehicle routing and scheduling with tem-
poral precedence and synchronization constraints. Em: European journal of operational re-
search 191.1 (2008), pp. 1931.
[25] Der-San Chen et al. A bus routing system for rural school districts. Em: Computers &
Industrial Engineering 19.1 (1990), pp. 322325.
[26] Craig B Howley, Aimee A Howley e Steven Shamblen. Riding the school bus: A comparison
of the rural and suburban experience in five states. Em: Journal of Research in Rural
Education 17.1 (2001), pp. 4163.
[27] David Ripplinger. Rural school vehicle routing problem. Em: Transportation Research Re-
cord: Journal of the Transportation Research Board 1922.1 (2005), pp. 105110.
[28] James Bookbinder e Steven Edwards. School-bus routing for program scheduling. Em:
Computers & Operations Research 17.1 (1990), pp. 7994.
[29] Der-San Chen, Henry A Kallsen e Richard C Snider. School bus routing and scheduling:
an expert system approach. Em: Computers & Industrial Engineering 15.1 (1988), pp. 179
183.

82
[30] Julien Bramel e David Simchi-Levi. A location based heuristic for general routing problems.
Em: Operations research 43.4 (1995), pp. 649660.
[31] Robert A Russell e Reece B Morrel. Routing special-education school buses. Em: Interfaces
16.5 (1986), pp. 5664.
[32] G u Clarke e John W Wright. Scheduling of vehicles from a central depot to a number of
delivery points. Em: Operations research 12.4 (1964), pp. 568581.
[33] Emanuel S Savas. On equity in providing public services. Em: Management Science 24.8
(1978), pp. 800808.
[34] Marshall L Fisher, Ramchandran Jaikumar e Luk N Van Wassenhove. A multiplier ad-
justment method for the generalized assignment problem. Em: Management Science 32.9
(1986), pp. 10951103.
[35] Seda Bekta T. Elmasta. Solving school bus routing problems through integer program-
ming. Em: Journal of the Operational Research Society 58.12 (2007), pp. 15991604.
[36] B Gavish e E Shlifer. An approach for solving a class of transportation scheduling problems.
Em: European Journal of Operational Research 3.2 (1979), pp. 122134.
[37] G.P. White. An improvement in Gavish-Shlifer algorithm for a class of transportation sche-
duling problems. Em: European Journal of Operational Research 9.2 (1982), pp. 190193.
[38] Bektas T. Kara I. Integer linear programming formulations of multiple salesman problems
and its variation. Em: European Journal of Operational Research 174.3 (2006), pp. 1449
1458.
[39] Patrick Schittekat, Marc Sevaux e K Sorensen. A mathematical formulation for a school
bus routing problem. Em: Service Systems and Service Management, 2006 International
Conference on. Vol. 2. IEEE. 2006, pp. 15521557.
[40] Arthur J Swersey e Wilson Ballard. Scheduling school buses. Em: Management Science
30.7 (1984), pp. 844853.
[41] Michel Gendreau, Gilbert Laporte e Jean-Yves Potvin. Metaheuristics for the capacitated
VRP. Em: The vehicle routing problem 9 (2002), pp. 129154.
[42] Jean-Franois Cordeau et al. New heuristics for the vehicle routing problem. Springer, 2005.
[43] Bin Yu, Zhong-Zhen Yang e Baozhen Yao. An improved ant colony optimization for vehicle
routing problem. Em: European journal of operational research 196.1 (2009), pp. 171176.
[44] Patr Belfiore, Hugo Tsugunobu Yoshida Yoshizaki et al. Scatter search for a real-life he-
terogeneous fleet vehicle routing problem with time windows and split deliveries in Brazil.
Em: European Journal of Operational Research 199.3 (2009), pp. 750758.
[45] Sam R Thangiah e Kendall E Nygard. School bus routing using genetic algorithms. Em:
Aerospace Sensing. International Society for Optics e Photonics. 1992, pp. 387398.
[46] Angel Corbern et al. Heuristic solutions to the problem of routing school buses with mul-
tiple objectives. Em: Journal of the operational research society 53.4 (2002), pp. 427435.

83
[47] Joaqun Pacheco e Rafael Mart. Tabu search for a multi-objective routing problem. Em:
Journal of the Operational Research Society 57.1 (2006), pp. 2937.
[48] Jaikumar R. Fisher M.L. A generalized assignment heuristic for the vehicle routing pro-
blem. Em: Networks 11 (1981), pp. 109124.
[49] Paolo Toth e Daniele Vigo. The vehicle routing problem. Siam, 2002.
[50] Heloisa Passarelli Vieira. Metaheuristica para a soluo de problemas de roteamento de
veculos com janela de tempo. Em: Dissertao (mestrado) - Universidade Estadual de
Campinas, Instituto de Matemtica, Estatstica e Computo Cientfica (2008), p. 108.
[51] FA Montane e Roberto Dguez Galvo. Vehicle routing problems with simultaneous pick-up
and delivery service. Em: OPSEARCH-NEW DELHI- 38.6/1 (2002), pp. 1933.
[52] Benoit Crevier, Jean-Franois Cordeau e Gilbert Laporte. The multi-depot vehicle rou-
ting problem with inter-depot routes. Em: European Journal of Operational Research 176.2
(2007), pp. 756773.
[53] C Koc e Ismail Karaoglan. A branch and cut algorithm for the vehicle routing problem
with multiple use of vehicles. Em: 41st International Conference on Computers & Industrial
Engineering. 2011, pp. 554559.
[54] Bruce Golden et al. The fleet size and mix vehicle routing problem. Em: Computers &
Operations Research 11.1 (1984), pp. 4966.
[55] Roberto Baldacci, Maria Battarra e Daniele Vigo. Routing a heterogeneous fleet of vehicles.
Em: The vehicle routing problem: latest advances and new challenges. Springer, 2008, pp. 3
27.
[56] Patrcia Belfiore, Hugo Tsugunobu e Yoshida Yoshizaki. Scatter search for vehicle routing
problem with time windows and split deliveries. Em: Vehicle Routing Problem (2008), pp. 1
14.
[57] Mauro DellAmico et al. Heuristic approaches for the fleet size and mix vehicle routing
problem with time windows. Em: Transportation Science 41.4 (2007), pp. 516526.
[58] Jens Lysgaard, Adam N Letchford e Richard W Eglese. A new branch-and-cut algorithm
for the capacitated vehicle routing problem. Em: Mathematical Programming 100.2 (2004),
pp. 423445.
[59] Adam N Letchford, Jens Lysgaard e Richard W Eglese. A branch-and-cut algorithm for the
capacitated open vehicle routing problem. Em: Journal of the Operational Research Society
58.12 (2007), pp. 16421651.
[60] Jean-Francois Cordeau. A branch-and-cut algorithm for the dial-a-ride problem. Em: Ope-
rations Research 54.3 (2006), pp. 573586.
[61] Yogesh Agarwal, Kamlesh Mathur e Harvey M Salkin. A set-partitioning-based exact algo-
rithm for the vehicle routing problem. Em: Networks 19.7 (1989), pp. 731749.
[62] Ricardo Fukasawa et al. Robust branch-and-cut-and-price for the capacitated vehicle rou-
ting problem. Em: Mathematical programming 106.3 (2006), pp. 491511.

84
[63] Jens Lysgaard. Clarke & Wrights Savings Algorithm. Em: Department of Management
Science and Logistics, The Aarhus School of Business (1997).
[64] Marco Cesar Goldbarg e Henrique Pacca L Luna. Otimizao combinatria e programao
linear: modelos e algoritmos. Elsevier, 2005.
[65] TJ Gaskell. Bases for vehicle fleet scheduling. Em: OR (1967), pp. 281295.
[66] A Mingozzi e P Toth. The Vehicle Routing Problem. Em: Combinatorial Optimization, N.
Christofides, A. Mingozzi, P. Toth, and C. Sandi (Eds.), Wiley, Chichester (1979), pp. 315
338.
[67] Nicos Christofides. The vehicle routing problem. Em: RAIRO-Operations Research-Recherche
Oprationnelle 10.V1 (1976), pp. 5570.
[68] Michel L Balinski e Richard E Quandt. On an integer program for a delivery problem. Em:
Operations Research 12.2 (1964), pp. 300304.
[69] Osman H Ibrahim. Metastrategy simulated annealing and tabu search algorithms for the
vehicle routing problems. Em: Annals of Operations Research 41 (1993), pp. 421452.
[70] Paul M Thompson e James B Orlin. The Theory of Cyclic Transfers/Massachusetts Institute
of Technology. Em: Operations Research Center (1989).
[71] Paul M Thompson e Harilaos N Psaraftis. Cyclic transfer algorithm for multivehicle routing
and scheduling problems. Em: Operations research 41.5 (1993), pp. 935946.
[72] Csar Rego et al. Traveling salesman problem heuristics: leading methods, implementations
and latest advances. Em: European Journal of Operational Research 211.3 (2011), pp. 427
441.
[73] Herman Sontrop, Pieter Van Der Horn e Marc Uetz. Fast ejection chain algorithms for vehicle
routing with time windows. Springer, 2005.
[74] Jean-Yves Potvin e Marc-Andr Naud. Tabu search with ejection chains for the vehicle
routing problem with private fleet and common carrier. Em: Journal of the Operational
Research Society 62.2 (2011), pp. 326336.
[75] Michel Gendreau, Alain Hertz e Gilbert Laporte. New insertion and postoptimization pro-
cedures for the traveling salesman problem. Em: Operations Research 40.6 (1992), pp. 1086
1094.
[76] ric Taillard et al. A tabu search heuristic for the vehicle routing problem with soft time
windows. Em: Transportation science 31.2 (1997), pp. 170186.
[77] Paul Shaw. Using constraint programming and local search methods to solve vehicle routing
problems. Em: Principles and Practice of Constraint ProgrammingCP98. Springer, 1998,
pp. 417431.
[78] John Holland. H., 1975, Adaptation in Natural and Artificial Systems. Em: Ann Arbor,
University of Michigan Press (1975).
[79] Jean-Yves Potvin e Samy Bengio. The vehicle routing problem with time windows part II:
genetic search. Em: INFORMS journal on Computing 8.2 (1996), pp. 165172.

85
[80] Sam R Thangiah. Vehicle routing with time windows using genetic algorithms. Citeseer, 1993.
[81] A Van Breedam. An analysis of the effect of local improvement operators in genetic algo-
rithms and simulated annealing for the vehicle routing problem. Em: RUCA WorkingPaper
96 (1996), p. 14.
[82] Alberto Colorni, Marco Dorigo, Vittorio Maniezzo et al. Distributed optimization by ant
colonies. Em: Proceedings of the first European conference on artificial life. Vol. 142. Paris,
France. 1991, pp. 134142.
[83] John J Hopfield e David W Tank. Neural computation of decisions in optimization pro-
blems. Em: Biological cybernetics 52.3 (1985), pp. 141152.
[84] Richard Durbin e David Willshaw. An analogue approach to the travelling salesman problem
using an elastic net method. Em: Nature 326 (1987), pp. 68991.
[85] Teuvo Kohonen. Self-organization and associative memory. Em: Self-Organization and As-
sociative Memory, 100 figs. XV, 312 pages.. Springer-Verlag Berlin Heidelberg New York.
Also Springer Series in Information Sciences, volume 8 1 (1988).
[86] Ghaziri el H. Solving routing problems by a self-organizing map. Em: (1991).
[87] Hassan El Ghazlrl. Algorithmes connexionnistes pour loptimisation combinatoire. Tese de
doutorado. universit de Lausanne, 1993.
[88] Hassan Ghaziri. Supervision in the self-organizing feature map: Application to the vehicle
routing problem. Em: Meta-Heuristics. Springer, 1996, pp. 651660.
[89] Y Matsuyama. Self-organization via competition, cooperation and categorization applied
to extended vehicle routing problems. Em: Neural Networks, 1991., IJCNN-91-Seattle In-
ternational Joint Conference on. Vol. 1. IEEE. 1991, pp. 385390.
[90] Matthias Schumann e Ralf Retzko. Self Organizing Maps for Vehicle Routing Problems-
minimizing an explicit cost function. Em: (1995).

86
Apndice A
#Minimizao de veculos

#Varivel inteira representando a quantidade de tipos de nibus disponveis;

param n, integer, > 0;

#Conjunto de tipo de nibus disponveis;

Algoritmos implementados e dados

set V:= 1..n;

#Quantidade necessria de veculos de cada tipo de nibus disponiveis;

var x{i in V}, integer, >= 0;

utilizados #Capacidade de veculos de cada tipo;

param y{i in V}, integer, > 0;

# Quantidade de veculos disponiveis de cada tipo;

param q{i in V}, integer, >= 0;

#Quantidade total de alunos atendidos;

Neste captulo est composto por todas as implementaes e dados utilizados no estudo de
param Q, integer, >= 0;

caso. #Restrio de atendimento de toda a demanda;

s.t. r1:sum{i in V} (y[i]-2)*x[i] >= Q;
#Restrio de capacidade do veculo;

A.1 Implementao 4.5.1 - Problema da quantidade m-

s.t. r2{i in V}: x[i] <= q[i];

#Funo objetivo;

nima de nibus minimize obj: sum{i in V} x[i];

#Comando para executar o modelo;

solve;
#Minimizao de veculos #Comando de dados para o problema;
data;
#Varivel inteira representando a quantidade de tipos de nibus disponveis;
param n, integer, > 0; #Valor do parmetro n;
param n:= 3;
#Conjunto de tipo de nibus disponveis;
set V:= 1..n; #Valores do parmetro y;
param y:=
#Quantidade necessria de veculos de cada tipo de nibus disponiveis; 1 35
var x{i in V}, integer, >= 0; 2 40
3 60;
#Capacidade de veculos de cada tipo;
param y{i in V}, integer, > 0; #Valores do parmetro q;
param q:=
# Quantidade de veculos disponiveis de cada tipo; 13
param q{i in V}, integer, >= 0; 26
3 10;
#Quantidade total de alunos atendidos;
param Q, integer, >= 0; #Valores do parmetro Q;
param Q:= 500;
#Restrio de atendimento de toda a demanda;
s.t. r1:sum{i in V} (y[i]-2)*x[i] >= Q; #Comando para finalizar a implementao;
#Restrio de capacidade do veculo; end;
s.t. r2{i in V}: x[i] <= q[i];

#Funo objetivo;
minimize obj: sum{i in V} x[i];

#Comando para executar o modelo;

solve;

#Comando de dados para o problema;

data;

#Valor do parmetro n;
param n:= 3;

#Valores do parmetro y; 87
param y:=
1 35
2 40
3 60;

#Valores do parmetro q;
A.2 Implementao 4.5.2 - Seleo dos pontos de nibus

param m, integer, > 0; /*Varivel inteira representando a quantidade de estudantes na rede, fazendo o
papel de elementos do eixo x*/

param n, integer, > 0; /*Varivel inteira representando a quantidade de estudantes na rede, fazendo o
papel de elementos do eixo y*/

param p, integer, > 0; #Varivel inteira representando a quantidade de pontos de nibus da rede
set P:=1..p; #Conjunto de pontos de nibus

set I := 1..m; /*Conjunto contendo as quantidantes de pontos x referente as coordenadas geogrfica

do endereo dos estudantes*/

set J := 1..n; /*conjunto contendo as quantidantes de pontos y referente as coordenadas geogrfica

do endereo dos estudantes*/

param c{i in I, j in J}, >= 0; /*Parmetro referente as distncias entre os endereos

dos estudantes*/

var x{i in I, j in J}, binary; /*Varivel de decio xij=1 se o ponto n atribuido ao ponto
m, 0 caso contrrio*/

var u{k in P}, integer, >= 0; #Varivel da quantidade mnima de pontos

s.t. r1{j in J}: sum{i in I} x[i,j] = 1; /*Restrioo tecnolgica para que cada estudante
seja atribuido a somente 1 ponto de nibus*/

s.t. r2{k in P}: sum{i in I}x[i,i]=u[k]; /*Restrio tecnolgica restringindo que no mximo
seja atribuido p pontos*/

s.t. r3{i in I,j in J}: x[i,j]<=x[i,i]; /*Restrio que garante que cada n i seja alocado a
somente um n j*/

s.t. r4{i in I,j in J}: c[i,j]*x[i,j]<=0.7; /*Restrio definindo a distncia euclidiana em

quilmetros mxima que um estudante deve percorrer
at um ponto*/

minimize obj2{k in P}: u[k]; #Funo objetivo - encontrar o menor valor de p em P

minimize obj: sum{i in I, j in J} c[i,j] * x[i,j]; /*Funo objetivo que minimiza a distncia que um
estudante caminha at um ponto p*/

solve;

#Relatrio de soluo
printf '\n';
printf '----------------------\n';
printf 'Resultados \n';
printf{i in I,j in J} (if x[i,j]=1 then " %10s %10s \n " else ""), i, j;
printf '----------------------\n';
printf 'Total (z): %10g\n', sum{i in I,j in J} c[i,j] * x[i,j];
printf '----------------------\n';
printf '\n';

data;

param m := 165;

param n := 165;

param p := 165;

param c : */Matriz de distncias 165x165*/ 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53

2.74 2.79 2.82 2.81 2.88 2.90 2.95 3.31 3.28
2.64 2.70 2.71 2.74 2.80 2.82 2.86 3.07 3.05
2.17 2.26 2.23 2.32 2.36 2.38 2.42 2.37 2.38

88
A.3 Implementao 4.5 - Planejamento e desenho das ro-
tas de nibus - minimizao de nibus

#Minimizao de veculos

#Varivel inteira representando a quantidade de tipos de nibus disponveis;

param n, integer, > 0;

#Conjunto de tipo de nibus disponveis;

set V:= 1..n;

#Quantidade necessria de veculos de cada tipo de nibus disponiveis;

var x{i in V}, integer, >= 0;

#Capacidade de veculos de cada tipo;

param y{i in V}, integer, > 0;

# Quantidade de veculos disponiveis de cada tipo;

param q{i in V}, integer, >= 0;

#Quantidade total de alunos atendidos;

param Q, integer, >= 0;

#Restrio de atendimento de toda a demanda;

s.t. r1:sum{i in V} (y[i]-2)*x[i] >= Q;
#Restrio de capacidade do veculo;
s.t. r2{i in V}: x[i] <= q[i];

#Funo objetivo;
minimize obj: sum{i in V} x[i];

#Comando para executar o modelo;

solve;

#Comando de dados para o problema;

data;

#Valor do parmetro n;
param n:= 5;

#Valores do parmetro y;
param y:=
1 20
2 30
3 35
4 40
5 60;

#Valores do parmetro q;
param q:=
15
24
35
4 16
5 10;

#Valores do parmetro Q;
param Q:= 165;

#Comando para finalizar a implementao;

end;

89
A.4 Implementao 4.5.3 - Planejamento e desenho das
rotas de nibus

#Rotas
param n, integer, >0; /*Paramtro representando a quantidade de pontos de nibus*/
param m, integer, >0; /*Paramtro representando a quantidade de nibus*/

set S:=1..n; /*Conjunto de todos os pontos de nibus*/

set D; /*n de inicio - depsito*/
set E; /*n da escola - chegada*/

set DS:= D union S; /*Conjuto de todos os ns que tem saida de nibus*/

set SE:= S union E; /*Conjunto de todos os ns que tem chegada de nibus*/

set V:=1..m; /*Conjunto de todos os nibus;*/

var x{i in DS,j in SE,k in V}, binary; /*Varivel binria, 1 se o nibus k percorre o arco (i,j), 0 caso contrrio*/

param d{i in DS,j in SE}, >= 0; /*Distncia entre os vrtices (i,j);*/

param p{i in S}, integer, >= 0; /*Demanda de estudantes no ponto i*/

param Q{k in V}, integer, >= 0; /*Capacidade de lotao em um veculo k*/

set F := {(i,j) in DS cross SE: i!=j}; /*Conjunto de todos os arcos (i,j)*/

/*Cada nibus pode sair apenas uma vez de cada n*/

s.t. saida{i in S}: sum{(i,j) in F,k in V} x[i,j,k] = 1;
/*Cada nibus deve entrar apenas uma vez em cada n*/
s.t. entrada{j in S}: sum{(i,j) in F,k in V} x[i,j,k] = 1;
/*Restrio que todas as demandas devem ser atendidas*/
s.t. demandas: sum{(i,j) in F,k in V: i<>16} p[i]*x[i,j,k] = sum{i in S} p[i];
/*Conectividades: determina que um nibus deve sair de um n e ir para outro n*/
s.t. conectividade{k in V,w in S}: sum{i in DS: i != w} x[i,w,k] - sum{j in SE: j!=w} x[w,j,k] = 0;
/*Capacidade: Restrio de no violao das capacidades dos veculos*/
s.t. capacidade{k in V}: sum{i in S} p[i]*(sum{j in SE}x[i,j,k]) <= Q[k];
/*Veculo: determina se um veculo sa do depsito ou se fica*/
s.t. veiculo{k in V}: sum{i in D, j in SE} x[i,j,k] <= 1;
/*Distncia: limita a quantidade de quilmetros que cada veculo pode percorrer*/
s.t. distancia{k in V}: sum{i in S,j in S: i!=j} d[i,j]*x[i,j,k]<=35;

/*Funo objetivo: minimiza a distncia percorrida por cada nibus*/

minimize obj: sum{i in DS,j in SE,k in V: i!=j} x[i,j,k]*d[i,j];

/*Varivel para eliminao de sub-rotas*/

var y{(i,j) in F,k in V}, >= 0;

/*Restrio para varivel y[i,j,k]*/

s.t. cap{(i,j) in F,k in V}: y[i,j,k] <= n * x[i,j,k];

s.t. node{i in S}:

/* node[i] uma restrio de conservao do n i */

sum{(j,i) in F,k in V} y[j,i,k]

/* resumo do fluxo de todos os rotas que chegam ao n i */

+ (if i = 1 then (n+1))

/*mais n+1 possibilidades que cada nibus tem no n inicial */

= /* deve ser igual */

sum{(i,j) in F,k in V} y[i,j,k]

/* resumo do fluxo do n i atravs de todos os arcos de sada */

+ 1;

solve;

90
A.5 Coordenadas geogrficas das localizaes dos 165 es-
tudantes do IFMS
n Latitude Longitude n Latitude Longitude n Latitude Longitude
001 -18.538536 -54.742375 056 -18.507009 -54.754798 111 -18.499516 -54.749935
002 -18.537680 -54.745980 057 -18.506960 -54.749240 112 -18.498847 -54.738278
003 -18.532613 -54.750949 058 -18.506733 -54.758308 113 -18.498740 -54.749310
004 -18.532548 -54.750934 059 -18.506129 -54.737242 114 -18.498690 -54.747751
005 -18.529619 -54.739687 060 -18.506066 -54.748045 115 -18.498500 -54.743130
006 -18.528651 -54.746522 061 -18.505994 -54.744397 116 -18.498429 -54.740237
007 -18.528531 -54.747123 062 -18.505992 -54.752996 117 -18.498380 -54.746750
008 -18.527190 -54.748610 063 -18.505497 -54.744134 118 -18.498270 -54.740700
009 -18.527082 -54.748464 064 -18.505488 -54.757817 119 -18.498209 -54.695819
010 -18.526985 -54.748482 065 -18.504885 -54.751033 120 -18.498202 -54.745148
011 -18.526147 -54.734007 066 -18.504808 -54.762087 121 -18.498010 -54.747150
012 -18.523993 -54.744303 067 -18.504427 -54.747435 122 -18.497557 -54.737035
013 -18.522267 -54.749982 068 -18.504305 -54.745550 123 -18.497370 -54.755540
014 -18.521078 -54.747166 069 -18.504003 -54.741786 124 -18.497280 -54.735580
015 -18.520887 -54.749032 070 -18.503510 -54.745070 125 -18.497150 -54.736050
016 -18.520730 -54.743640 071 -18.503026 -54.752273 126 -18.497060 -54.736290
017 -18.519944 -54.740319 072 -18.503024 -54.750229 127 -18.496983 -54.750864
018 -18.516536 -54.755095 073 -18.502917 -54.746272 128 -18.496801 -54.745577
019 -18.515492 -54.754575 074 -18.502882 -54.746233 129 -18.496710 -54.746470
020 -18.513983 -54.744728 075 -18.502767 -54.743167 130 -18.496615 -54.752231
021 -18.513490 -54.743760 076 -18.502284 -54.755758 131 -18.496408 -54.693479
022 -18.513340 -54.745240 077 -18.502220 -54.748000 132 -18.496393 -54.747974
023 -18.513283 -54.742627 078 -18.502150 -54.743910 133 -18.496290 -54.739260
024 -18.512612 -54.743337 079 -18.502120 -54.741080 134 -18.496195 -54.742139
025 -18.512459 -54.743262 080 -18.501991 -54.740227 135 -18.496130 -54.743230
026 -18.512060 -54.743480 081 -18.501870 -54.750120 136 -18.495770 -54.742810
027 -18.511900 -54.756410 082 -18.501820 -54.738120 137 -18.495428 -54.745939
028 -18.511582 -54.755013 083 -18.501808 -54.751468 138 -18.495222 -54.739971
029 -18.511496 -54.742431 084 -18.501798 -54.749462 139 -18.495089 -54.737450
030 -18.511434 -54.745604 085 -18.501770 -54.751341 140 -18.495082 -54.740520
031 -18.511382 -54.745541 086 -18.501707 -54.742432 141 -18.494340 -54.736860
032 -18.511345 -54.741897 087 -18.501661 -54.747141 142 -18.494260 -54.737030
033 -18.511287 -54.745540 088 -18.501650 -54.737360 143 -18.493808 -54.748654
034 -18.510636 -54.756224 089 -18.501330 -54.683100 144 -18.493417 -54.745043
035 -18.510630 -54.741270 090 -18.501114 -54.747045 145 -18.493135 -54.743846
036 -18.510445 -54.757350 091 -18.501016 -54.749758 146 -18.492367 -54.745599
037 -18.510140 -54.742360 092 -18.500952 -54.748673 147 -18.492253 -54.742613

91
038 -18.510140 -54.739080 093 -18.500900 -54.682740 148 -18.491680 -54.737800
039 -18.510000 -54.757780 094 -18.500870 -54.679960 149 -18.491155 -54.735294
040 -18.509990 -54.742660 095 -18.500867 -54.752446 150 -18.490900 -54.743945
041 -18.509442 -54.758065 096 -18.500833 -54.752642 151 -18.490789 -54.745317
042 -18.509440 -54.740560 097 -18.500812 -54.751723 152 -18.490510 -54.740455
043 -18.509436 -54.738512 098 -18.500746 -54.743744 153 -18.490440 -54.737310
044 -18.508988 -54.757073 099 -18.500680 -54.738190 154 -18.490362 -54.742442
045 -18.508928 -54.748330 100 -18.500660 -54.740670 155 -18.490301 -54.744770
046 -18.508913 -54.743792 101 -18.500650 -54.752650 156 -18.489750 -54.733060
047 -18.508525 -54.743526 102 -18.500381 -54.753365 157 -18.489250 -54.735590
048 -18.508368 -54.744621 103 -18.500250 -54.754060 158 -18.489190 -54.737690
049 -18.508277 -54.740306 104 -18.500250 -54.744060 159 -18.488042 -54.733999
050 -18.507585 -54.747760 105 -18.500197 -54.746562 160 -18.487871 -54.737066
051 -18.507543 -54.752666 106 -18.499925 -54.750270 161 -18.487042 -54.733502
052 -18.507388 -54.746612 107 -18.499740 -54.738140 162 -18.485540 -54.732020
053 -18.507372 -54.746603 108 -18.499737 -54.750142 163 -18.484580 -54.732240
054 -18.507197 -54.756885 109 -18.499737 -54.750142 164 -18.484530 -54.731780
055 -18.507020 -54.745800 110 -18.499550 -54.680070 165 -18.478000 -54.729670
Tabela A.1: Coordenadas dos 165 estudantes do IFMS

92