Escolar Documentos
Profissional Documentos
Cultura Documentos
CAMPINAS
2015
i
ii
Universidade Estadual de Campinas
Instituto de Matemtica, Estatstica
e Computao Cientfica
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
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
- - - --~------~-
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.
vii
viii
Sumrio
Introduo 1
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
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
xvii
xviii
Lista de Tabelas
xix
xx
Introduo
coleta de lixo;
limpeza de ruas;
sistemas dial-a-ride;
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:
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.
3
4
Captulo 1
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).
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.
6
Figura 1.1: Esquema da estratgia LAR Park e Kim [1]
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.
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.
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.
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]
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.
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.
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.
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.
1.2.7 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.
Portanto, uma soluo que exige menos nibus e tem menor tempo de viagem prefervel do
ponto de vista da eficincia.
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].
14
1.3.1 Configuraes de formulaes matemticas para um PROE
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
coleta de lixo;
limpeza de ruas;
sistemas dial-a-ride;
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:
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.
Depsito de sada do veculo, com a possibilidade de que o depsito ao final do percurso seja
diferente do depsito de partida;
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.
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:
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;
a soma da demanda de uma rota no pode ser maior que a capacidade do veculo.
=
0 caso contrrio
=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}.
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)
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:
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.
1 := {(, ) : 0 , } ,
2 := {(, ) : , 0 } ,
3 := {(, ) : , 0 } .
24
atender todos os clientes em . Para cada definido +
= : (, ) e +
=
{ }
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)
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:
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.
26
E as seguintes variveis de deciso:
=
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 (, ) .
=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)
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.
=
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
28
e
= 2. (2.1.39)
=1
=
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:
=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).
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.
+ .
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
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.
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:
1. simtrico: em que = para cada par (, ) de clientes e para cada tipo de veculo
;
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. PRV de Frota Heterognea com Custos Fixos e Custos de Transporte Dependente do Veculo
(PRVFHFD);
:
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.
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
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.
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:
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.
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.
3.1.1 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.
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
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.
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].
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:
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).
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
= ( {}) ( ) .
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.
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.
3.2.3.1 -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.
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.
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
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.
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.
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.
47
Figura 3.6: Transferncia cclica - soluo refinada
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.
49
caminhos (+1 , . . . , 1 ) e ( , . . . , ) so invertidos. A Figura 3.8 representa um exemplo
do Tipo 2.
50
no incio e no fim de cada percurso). Primeiro os arcos 1 , 1 e 1 , 1 so removidos do
(
) (
)
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,
troca.
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].
com probabilidade ,
+1 :=
com probabilidade 1 .
[ () ( )]
( )
= 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.
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);
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
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;
=1
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.
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:
Etapa 2 (Atribuio de vrtice) De modo permanente atribua a cada vrtice a unidade mais
prxima, com o objetivo de produzir uma soluo.
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.
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:
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.
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
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)
4.3.1.2 Parmetros
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.
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.
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.
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:
min 1 = (4.4.2)
sujeito a: min 2 = (4.4.3)
= 1 (4.4.4)
= (4.4.5)
, (4.4.6)
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.
=
0 caso contrrio , e ;
= varivel para eliminao de sub-rotas, Z+ , (, ) , .
4.4.3.2 Parmetros
4.4.3.3 Conjuntos
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)
67
mtodo simplex primal e dual;
mtodo branch-and-cut;
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
Tipo 3 4 5
Capacidade 35 40 60
Quantidade tima 0 0 9
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 .
4
A coluna nmero representa a posio na Tabela A.1
69
Figura 4.5: Pontos de nibus - Google Earth
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
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)
71
Deste modo adicionamos a Tabela 4.4 os pontos:
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
73
Figura 4.8: Sistema de rotas - Busca branch-and-cut - 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
Rota - percurso
Rota 1 25.30
Rota 2 14.50
Rota 3 14.60
Total 54.40
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
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
#Funo objetivo;
#Funo objetivo;
minimize obj: sum{i in V} x[i];
#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
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*/
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*/
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;
88
A.3 Implementao 4.5 - Planejamento e desenho das ro-
tas de nibus - minimizao de nibus
#Minimizao de veculos
#Funo objetivo;
minimize obj: sum{i in V} x[i];
#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;
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*/
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*/
+ 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