HIDESON ALVES DA SILVA

Algoritmo de Otimizao Multinvel

Aplicado a Problemas de Planejamento de Redes

Tese apresentada ao Programa de Ps-Graduao

em Informtica da Pontifcia Universidade Catlica do
Paran como requisito parcial para obteno do ttulo de
Doutor em Informtica.

CURITIBA
2012
 HIDESON ALVES DA SILVA

Algoritmo de Otimizao Multinvel

Aplicado a Problemas de Planejamento de Redes

Tese apresentada ao Programa de Ps-Graduao

em Informtica da Pontifcia Universidade Catlica do
Paran como requisito parcial para obteno do ttulo de
Doutor em Informtica.

rea de concentrao: Mtodos e Tcnicas de Computao.

Orientador: Prof. Alceu Soares de Britto Jr.

Co-orientador: Prof. Luiz Eduardo Soares de Oliveira

CURITIBA
2012
ii

Dados da Catalogao na Publicao

Pontifcia Universidade Catlica do Paran
Sistema Integrado de Bibliotecas SIBI/PUCPR
Biblioteca Central

Silva, Hideson Alves da

S586a Algoritmo de otimizao multinvel aplicado a problemas de planejamento de
2012 Redes. / Hideson Alves da Silva ; orientador, Alceu Soares Brito Jr. ; co-orienta-
dor, Luiz Eduardo Soares. 2012.
105 f. : il. ; 30 cm

Tese (doutorado) Pontifcia Universidade Catlica do Paran, Curitiba,

2012.
Bibliografia: f. 81-93

1. Algoritmos. 2. Otimizao combinatria. 3. Redes de computadores.

4. Analise de redes (Planejamento). 5.Telecomunicaes Sistema de
computao. I. Britto Junior, Alceu Soares de, 1966-. II. Oliveira, Luiz Eduardo
Soares de. III. Pontifcia Universidade Catlica do Paran. Programa de
Ps-Graduao em Informtica. IV. Ttulo.
CDD 20. ed. 005.1
iii
 v

O temor do Senhor o princpio do conhecimento;

mas os insensatos desprezam a sabedoria e a instruo.
Provrbios 1:7

Dedicado minha amada esposa Luciana,

que participou desta jornada ao meu lado;
e aos meus filhos Samuel e Elise.
vi
 vii

Agradecimentos

Agradeo ao Prof. Alceu de Souza Britto Jr. e ao Prof. Luiz Eduardo Soares de
Oliveira pela superviso desta pesquisa nestes anos.
Sinceros agradecimentos equipe do PPGIA da Pontifcia Universidade Catlica do
Paran (PUC-PR).
Obrigado COPEL pelo suporte financeiro e obrigado aos engenheiros que
contriburam com as discusses sobre redes de telecomunicaes.
Obrigado aos meus pais, irmo e irm, que sempre me apoiaram nos meus estudos.
E muito obrigado aos meus amigos pela motivao e apoio.
 ix

Contedo

AGRADECIMENTOS VII

LISTA DE FIGURAS XIII

LISTA DE TABELAS XV

ABREVIAES XVII

RESUMO XIX

ABSTRACT XXI

CAPTULO 1 1

INTRODUO 1

1.1. Definio do Problema 2

1.2. Objetivos da Pesquisa 4

1.3. Desafios 6

1.4. Contribuies 6

1.5. Estrutura da tese 7

CAPTULO 2 9

FUNDAMENTAO TERICA 9

2.1. Problemas Clssicos de Projeto de Redes na Literatura 9

2.1.1. Problema de Projeto de Rede (Network Problem Design - NDP) 10
2.1.2. Problema da rvore de Steiner (Steiner Tree Problem - STP) 10
x

2.1.3. Problema das p-Medianas (p-Median Problem) 11

2.2. Infraestrutura de Redes de Telecomunicaes 12

2.2.1. Redes baseadas em fibras pticas 16
2.2.2. Redes pticas Passivas 16
2.2.3. Topologia 18

2.3. Problemas de Otimizao 19

2.3.1. Otimizao com nico objetivo 19
2.3.2. Otimizao Multiobjetivo 19

2.4. Tcnicas para problemas de nico e multiobjetivo abordados nesta pesquisa 23

2.4.1. Heursticas 24
2.4.2. Meta-heursticas 24
2.4.3. Algoritmos de Otimizao de Objetivo nico 24
a) Algoritmos Genticos (Genetic Algorithm - GA) 24
b) Otimizao por Enxame de Partculas (Particle Swarm Optimization - PSO) 25
2.4.4. Algoritmos de Otimizao Multiobjetivos 26
a) Algoritmo NSGA-II (Elitist Non-dominated Sorting Genetic Algorithms) 27
b) Algoritmo MOPSO (MultiObjective Particle Swarm Optimization) 28

Consideraes Finais do Captulo 30

CAPTULO 3 31

ESTADO DA ARTE 31

3.1. Problemas de Projetos de Redes 31

3.2. Problema da rvore de Steiner 34

3.3. Problema das p-Medianas 35

3.4. Principais Tcnicas Aplicadas a Projetos de Redes 36

3.4.1. Tcnicas para otimizao de objetivo nico 36
3.4.2. Tcnicas para otimizao multiobjetivo 39

Consideraes Finais do Captulo 41

 xi

CAPTULO 4 43

ALGORITMO PROPOSTO 43

4.1. Formulao do Problema 45

4.2. Algoritmo Multinvel aplicado a Projetos de Redes (MAND) 47

4.3. Processamento de um nvel 51

4.3.1. Definio do caminho entre os ns 52
4.3.2. Otimizao de Objetivo nico 53
4.3.3. Otimizao Multiobjetivo 53

Consideraes Finais do Captulo 53

CAPTULO 5 55

RESULTADOS EXPERIMENTAIS 55

5.1. Base de Dados para Testes 57

5.2. Projeto da Rede com um Processo Individual de Cada Nvel 59

5.3. Experimentos com Otimizao de Objetivo nico 60

5.5. Experimentos com Otimizao Multiobjetivo 67

5.6. Projetando Infraestrutura de Rede com Ferramentas Bsicas 69

5.7. Discusso 72

5.8. Consideraes Finais do Captulo 74

CONCLUSO E TRABALHOS FUTUROS 75

Vantagens do novo algoritmo 77

Desvantagens do novo algoritmo 77

Trabalhos Futuros 77
xii

REFERNCIAS 81

APNDICE A 95

PROCESSANDO OS NVEIS 95

Processamento com um nico cromossomo 95

APNDICE B 97

IMPLEMENTAES 97

B.1. Prottipo no ArcGIS 97

B.2. Algoritmo MAND 100

APNDICE C 103

TESTES DE TOMADOR DE DECISO 103

C.1. Base de testes 104

C.2. Resultados 104

APNDICE D 105

LISTA DE PUBLICAES 105

 xiii

Lista de Figuras

Figura 1.1 Exemplo de dados para projetar uma rede de telecomunicaes 3

Figura 1.2 Estgios para projetar uma rede 4
Figura 1.3 Fluxograma do novo algoritmo 5
Figura 2.1 Exemplo de grafo (a) e rvore geradora mnima (b) 11
Figura 2.2 Modelo de implantao de rede de telecomunicaes baseada em cabos 13
[TEL10]
Figura 2.3 Esquema visual do splitter 17
Figura 2.4 Exemplo da utilizao de um splitter 17
Figura 2.5 Exemplo de Rede ptica Passiva [TEL09] 18
Figura 2.6 Topologia de Rede de Telecomunicaes 19
Figura 2.7 Solues da Fronteira de Pareto 20
Figura 2.8 Disposio das solues conforme a abordagem de Pareto [DEB01]) 22
Figura 2.9 Diagrama do procedimento de otimizao multiobjetivo [DEB01] 23
Figura 2.10 Fluxograma bsico do GA 25
Figura 2.11 Algoritmo bsico do PSO 26
Figura 2.12 Diagrama (a) e crowding distance (b) do algoritmo NSGA-II [DEB00] 28
Figura 2.13 Fluxograma do MOPSO 29
Figura 4.1 Diferenas de custo encontrado entre os mtodos. (a) Forma sequencial (b) 44
Forma interativa.
Figura 4.2 Trelia do MAND 45
Figura 4.3 Representao de uma soluo em um vetor 50
Figura 4.4 Exemplo de solues 51
Figura 4.5 Resumo da otimizao de um nvel 51
 xiv

Figura 5.1 Exemplo de clculo, sendo (a) o diagrama da rede e (b) valores de custo 56
Figura 5.2 Localizao geogrfica da base de testes na cidade de Curitiba 58
Figura 5.3 Exemplo de processamento individual 60
Figura 5.4 Geraes executadas com o GA 65
Figura 5.5 Geraes executadas com o PSO 65
Figura 5.6 Exemplo de uma soluo encontrada por MAND 66
Figura A.1 Exemplo da utilizao de um vetor para todos os nveis 96
Figura B.1 Formulrio para exportao de dados 98
Figura B.2 Formulrio para exportar os dados para o mapa 98
Figura B.3 Opes de desenho no mapa 99
Figura B.4 Formulrio para informar nomes de arquivos 99
Figura B.5 Diagrama de classes para implementao do MAND 100
 xv

Lista de Tabelas

Tabela 2.1 Resumo da Rede de Telecomunicaes 14

Tabela 3.1 Resumo dos Trabalhos Relacionados 37
Tabela 3.2 Algoritmos Evolucionrios Multiobjetivos 40
Tabela 5.1 Dimenso da Base de Dados de Testes 57
Tabela 5.2 Resultados dos Experimentos com Redes de Trs Nveis 62
Tabela 5.3 Resultados de Experimentos com Redes de Cinco Nveis 63
Tabela 5.4 Comparao entre MAND e o Processamento Individual 67
Tabela 5.5 Resultados dos Experimentos com Algoritmos Multiobjetivo 68
Tabela 5.6 Comparao de resultados obtidos pelo desenvolvimento de dois 71
projetistas utilizando ferramentas bsicas.
Tabela 5.7 Resumo do Percentual de Reduo de Custo para Trs Nveis 72
Tabela 5.8 Resumo do Percentual de Reduo de Custo para Cinco Nveis 73
 xvii

Abreviaes

ACO Ant colony optimization

ADH Average distance heuristic
CH Clustering heuristic
CNDP Continuous network design problem
DCH Directed convergence heuristic
DNH Distance network heuristic
DPSO Discrete particle swarm optimization
DST Dynamic Steiner tree
EDNH Extended distance network heuristic
EGA Enhanced genetic algorithm
EMPH Extended minimum cost paths
FTTa Fiber to the apartment
FTTb Fiber to the building
FTTc Fiber to the curb or fiber to the cabinet
FTTd Fiber to the desk
FTTh Fiber to the home
FTTn Fiber to the node
FTTx A generic term for FTTa, FTTb, FTTh,
GA Genetic algorithm
GHEST Genetic heritage evolution by stochastic transmission
GIS Geographic information systems
GRASP Greedy randomized adaptive search procedure
HD IPTV High-definition Internet protocol television
HMCOL Hierarchy method of choosing optimum lines for public traffic network
design
INDT Integrated network design tools
INPE Instituto nacional de pesquisas espaciais
 xviii

IP Internet protocol
KanGAL Kanpur genetic algorithms laboratory
LDS Limited discrepancy search
MADM Multiple attribute decision making
MAND Multilevel algorithm for network design
MOGA Multi-objective genetic algorithm
MOOP Multi-objective optimization problem
MOPSO Multi-objective particle swarm optimization
MST Minimum spanning tree
NDP Network design problem
NP-Difcil Nondeterministic Polynomial Difcil
NP-Completo Nondeterministic Polynomial Completo
NSGA Non-dominated sorting genetic algorithm
NSGA-II Elitist Non-dominated Sorting Genetic Algorithms
NTD Network topology design
ODN Optical distribution network
OLGA Online genetic algorithm
OLT Optical line terminal
ONT Optical network terminal
ONU Optical network unit
PGRASP Parallel greedy randomized adaptive search procedure
PGS Parallel genetic algorithm for Steiner problem
PON Passive optical network
PSO Particle swarm optimization
SA Simulated annealing
SPH Shortest path heuristic
SS Scatter search
STP Steiner tree problem
TS Tabu search
VoIP Voice over IP
 xix

Resumo

Estudos sobre infraestrutura de redes tm sido realizados e aplicados em vrias

indstrias de servios pblicos, tais como telecomunicaes, distribuio de energia, gua e
gs. Entretanto, o planejamento de infraestrutura de redes em vrios nveis um problema em
aberto, pois geralmente, a literatura apresenta solues nas quais somente um nvel
processado.
O planejamento da distribuio e conexo de equipamentos em vrios nveis de uma
infraestrutura de rede uma tarefa rdua, pois necessrio avaliar a quantidade e a melhor
distribuio geogrfica em cada nvel da rede, e que tambm sejam observados os nveis
adjacentes. O resultado que um projetista obtm ao realizar manualmente o planejamento
torna-se superficial, devido inviabilidade de analisar todos os cenrios que podem ser
obtidos com as informaes de quantidades e de distribuio dos equipamentos na regio do
projeto. Ainda mais complexo alterar um nvel j projetado, visto que necessrio rever a
quantidade, localizao e caminho entre os equipamentos, refazendo os clculos do nvel
alterado, e, consequentemente, o nvel anterior e todos os nveis subsequentes.
As abordagens que trabalham com cada nvel de forma independente no mostram
resultados satisfatrios quando o objetivo planejar a rede completa, isto , quando
necessria uma soluo final que atenda todos os nveis da rede.
Esta pesquisa apresenta um novo algoritmo capaz de encontrar uma soluo tima
para o planejamento de infraestrutura de redes multinveis. O objetivo do novo algoritmo
trabalhar com vrios nveis interativamente e considerar o impacto dos resultados de cada
nvel nos nveis adjacentes, cujos dados so utilizados nas iteraes. Este novo algoritmo
uma ferramenta de apoio para aperfeioar o planejamento de infraestrutura de redes em
indstrias de servios pblicos.
Uma infraestrutura de rede de telecomunicaes, baseada em fibras pticas, utilizada
como um estudo de caso, utilizando bases de dados georreferenciadas. Os resultados obtidos
com o novo algoritmo so promissores, com uma reduo de custo de at 40% sobre o mtodo
tradicional utilizado nas comparaes.
 xx

Para complementar, esta pesquisa aborda tpicos de interesse na rea de otimizao de

redes, em que realizada uma reviso da literatura dos problemas clssicos: Network Design
Problem, Steiner Tree Problem e o problema das p-Medianas com as abordagens propostas
para solucion-los.

Palavras-chaves: Otimizao, planejamento de redes, algoritmos multinvel.

 xxi

Abstract

Studies about network infrastructure have been carried out and applied in several
utility industries, like telecommunications, power, water and gas distribution. However, the
planning of network infrastructures in many levels is an open problem, as in generally, the
literature presents solutions in which only one level is processed.
Planning the distribution and the connections of equipment in many levels is an
arduous job, as it is necessary to evaluate the quantity and the best geographical distribution
in each level of the network, and also, to observe the adjacent levels. The result that a
designer obtains developing the planning manually becomes superficial, due to the
impracticability to analyze every scenario which could be obtained with the information on
the quantity and the distribution of the equipment in the design area. Even more complex, is
to modify a level which has been already designed, since it is necessary to review the
quantity, location and paths between the equipment, recalculating the numbers of the
modified level, and consequently, the previous level and all the subsequent levels.
The approaches which work with each level independently do not show satisfactory
results when the objective is to plan a complete network, that is, when a final solution which
attends all levels of the network is necessary.
This research presents a new algorithm capable of finding an optimal solution for the
planning of multilevel network infrastructures. The objective of this new algorithm is to work
with several levels interactively and to consider the impact of the results of each level on the
adjacent levels, whose data are utilized in the iterations. This new algorithm is a support tool
to improve the planning of network infrastructures in utility industries.
A telecommunication network infrastructure, based on optical fibers, is utilized as a
case study, using georeferred databases. The results obtained with the new algorithm are
promising. They show a cost reduction of up to 40% over the traditional method used in the
comparisons.
 xxii

To complement, this research addresses topics of interest in the area of network

optimization, with a review of literature on classic problems: Network Design Problem,
Steiner Tree Problem, p-Median Problem, with the proposed approaches to solve them.

Keywords: Optimization, Network Planning, Multilevel Algorithms.

Captulo 1

Introduo

O planejamento de infraestrutura de redes um desafio presente em diferentes reas

de negcio e empresas de servios pblicos, tais como telecomunicaes, distribuio de
energia, gs e gua. O problema frequentemente o mesmo: otimizar a instalao de
equipamentos em uma regio geogrfica com o objetivo de reduzir custos. Este problema tem
sido modelado e estudado na literatura como Problema de Planejamento de Redes (Network
Design Problem-NDP), Problema de Steiner (Steiner Tree Problem-STP) e como o problema
das p-Medianas, todas abordagens clssicas que permitem o estudo de problemas reais para o
desenvolvimento de novas ferramentas.
No entanto, o planejamento de infraestrutura de uma rede com vrios nveis um
problema em aberto. Em resumo, o planejamento do primeiro nvel da rede consiste em
encontrar a quantidade e a localizao de equipamentos que atendam os clientes.
Considerando que a rede planejada com mais nveis, para melhorar a distribuio e
flexibilidade da rede, no prximo nvel (nvel 2), devem ser definidos a quantidade e a
localizao dos equipamentos para atender o nvel 1. O procedimento, de que nos prximos
nveis devem ser definidos os equipamentos que atendam o nvel anterior, se repete para todos
os nveis da rede a partir do segundo nvel. Portanto, o planejamento deve ser otimizado de
forma interativa entre os nveis da rede, e os mtodos atuais encontrados na literatura no so
satisfatrios para realizar essa tarefa.
A rea escolhida para o estudo de caso desta pesquisa a de telecomunicaes. Os
produtos e servios oferecidos pelas companhias de telecomunicaes diferem em quantidade
e tecnologia, e esto sendo constantemente atualizados. A infraestrutura de rede utilizada
para diferentes propsitos e, portanto, ela deve ser dinmica, especialmente porque os
 2

servios e produtos mudam com o passar do tempo. Por exemplo, redes de telefone baseadas
em cabos de pares metlicos foram, inicialmente, construdas somente para telefones, sendo
hoje tambm utilizadas para prover a rede mundial de computadores (Internet). Assim, os
projetos de redes devem ser desenvolvidos independentemente dos servios e produtos do
momento, para que se possa otimizar e dar flexibilidade para novas tecnologias.
A telecomunicao necessria para todas as reas da sociedade, seja na pesquisa,
entretenimento, indstrias ou comrcio. A infraestrutura de redes de telecomunicao pode ser
construda com fibras pticas, e, no Brasil, os investimentos com infraestrutura comearam a
crescer aps a privatizao das companhias de telecomunicaes. Essas companhias, que
antes eram majoritariamente controladas pelo governo, passaram a ser controladas pela
iniciativa privada, as quais, por um longo perodo aps as privatizaes, somente exploraram
as redes de fio j existentes [TAT03]. As redes antigas baseadas em cabos de pares metlicos
no mais atendem os requisitos atuais de telecomunicaes, tornando-se necessrio construir
novas redes, mais flexveis e robustas.

1.1. Definio do Problema

As empresas tm desafios relacionados construo de infraestrutura de redes em

reas urbanas, pois devem ter baixo custo. Por isto, necessria a otimizao dos
equipamentos e dos cabos. Este problema consiste em definir o conjunto de equipamentos,
que atendam a um conjunto de demandas, as quais so um conjunto de clientes ou um
conjunto de equipamentos, dependendo do nvel da rede. Definir significa encontrar a
localizao de cada equipamento e a ligao entre estes equipamentos com as demandas a
serem atendidas.
O problema de infraestrutura de redes comumente estudado na literatura como NDP,
STP e problema das p-Medianas. Entre os estudos pesquisados e listados no Captulo 3 de
reviso bibliogrfica, no foram identificados trabalhos que abordem o projeto de redes de
forma interativa entre os nveis de uma mesma rede. No caso da construo de infraestrutura
de redes de telecomunicaes, alguns pontos precisam ser observados:
a) Quantidade de clientes a serem atendidos (ns de demanda);
b) Quantidade de nveis na rede;
c) Quantidade e localizao dos equipamentos em cada nvel (ns facilitadores);
d) O caminho entre os ns considerando a rea geogrfica;
 3

e) A flexibilidade da rede em atender novas demandas.

Um exemplo de projeto de rede de telecomunicao pode ser visualizado na Figura
1.1. Esta Figura mostra um conjunto de clientes (1.1a) que devem ser atendidos em uma
regio geogrfica (1.1b) e a juno dessas duas situaes vista em 1.1c.

Figura 1.1. Exemplo de dados para projetar uma rede de telecomunicao.

(a) Demandas a serem atendidas. (b) rea geogrfica.
(c) Demandas na rea geogrfica

A Figura 1.2 mostra uma soluo para cada nvel de um projeto de infraestrutura de
rede de telecomunicao, a qual necessria para atender os clientes previamente
apresentados na Figura 1.1. Para cada nvel, encontrado um conjunto especfico de ns
facilitadores. Na Figura 1.2a, esto os ns facilitadores (crculos na cor roxa) do primeiro
nvel, que atendem os clientes. No prximo passo, Figura 1.2b, esto os ns facilitadores
(quadrados na cor vermelha) do segundo nvel, que atendem os ns facilitadores do primeiro
nvel, e, finalmente, o terceiro nvel, Figura 1.2c, com o n facilitador (losango na cor laranja)
que atende os ns facilitadores do segundo nvel. A Figura 1.2d mostra o projeto completo da
infraestrutura de rede para atender os clientes da Figura 1.1.
Para cada nvel da rede apresentada na Figura 1.2, o planejamento dos ns
facilitadores uma tarefa rdua, pois necessrio avaliar a quantidade e a melhor distribuio
geogrfica dos ns. Se um projetista realiza um trabalho manual, o resultado superficial,
pois invivel (devido principalmente a restrio de tempo) analisar todos os cenrios que
podem ser obtidos com as informaes de quantidades e distribuio dos ns no mapa. Ainda
mais complexo alterar um nvel j projetado (quando alterado um dado de um nvel
anterior), visto que necessrio rever a quantidade, localizao e caminho entre os ns, e
 4

refazer os clculos do prximo nvel, e, consequentemente, todos os nveis subsequentes ao

alterado so revistos.
Mas, ainda que seja utilizada uma abordagem automatizada, em que os nveis so
processados individualmente sem interao, o melhor resultado no atingido. Isto porque
necessrio considerar como as particularidades em um projeto de um nvel interferem no
projeto dos nveis adjacentes.
importante observar que o conjunto de ns facilitadores de um nvel o conjunto de
ns de demanda do prximo nvel e o conjunto de ns ascendentes do nvel anterior. Ento,
para se obter um projeto completo da rede, necessrio realizar um processo interativo entre
os nveis.

Figura 1.2. Estgios para projetar uma rede.

A maioria dos trabalhos existentes hoje na literatura realiza o projeto individual de

cada nvel, gerando solues subtimas, pois a relao entre os nveis no considerada. A
hiptese principal desta pesquisa considerar os nveis interativamente, e propor um novo
algoritmo que realize o projeto otimizado da rede de forma interativa e com menor custo.

1.2. Objetivos da Pesquisa

O objetivo principal desta pesquisa propor um novo algoritmo que considere os
nveis da rede interativamente, possibilitando projetar infraestrutura de redes, as quais, em
geral, so utilizadas nas indstrias de servio pblico. O algoritmo proposto desenvolvido
para projetar redes que possuem trs ou mais nveis, realizando uma interao entre os nveis.
Um estudo de caso em telecomunicaes usado para explicar e avaliar sua eficincia.
O algoritmo tambm pode ser aplicado em outras indstrias alm de telecomunicaes, como
distribuio de energia eltrica, gs e gua. Na presente pesquisa, observa-se, com frequncia,
 5

a meno a trabalhos sobre redes de distribuio de energia eltrica, devido ao fato de que a
maioria dos estudos na literatura de servios pblicos considera redes de energia.
O algoritmo proposto permite otimizar o projeto de infraestrutura de redes multinvel,
uma vez que a otimizao realizada interativamente entre os nveis da rede, utilizando
informaes de nveis adjacentes. Na Figura 1.3, possvel observar que trs nveis so
processados pela iterao principal, e as iteraes internas processam dois nveis cada. O
processamento inicia pelo nvel 1 ( 1), executando na primeira iterao interna os nveis
e o nvel +1. Na segunda iterao mais interna so processados os nveis +2 e +1. O
algoritmo controla na iterao externa a quantidade de nveis a serem processados.

Figura 1.3. Fluxograma do novo algoritmo.

Os clientes (ns de demanda) devem ser atendidos em uma regio geogrfica, em vista
disso, o novo algoritmo deve definir a quantidade e a localizao dos equipamentos (ns
facilitadores) interativamente entre todos os nveis da rede. Para alcanar o objetivo principal,
necessrio executar as seguintes metas:
1. Desenvolver uma funo objetivo que considere no somente os ns de demanda, mas
tambm os ns ascendentes. Esta funo separada em dois estgios:
 6

- Computar as ligaes entre os ns;

- Computar o custo de ns utilizados.
2. Selecionar e analisar os algoritmos evolucionrios para comparaes e testes.
3. Selecionar um algoritmo de roteamento em grafos que retorne o melhor caminho entre
dois ns.
4. Construir uma base de dados para os testes a partir de um sistema de informaes
geogrficas.
5. Definir um protocolo de avaliao.
6. Avaliar o novo algoritmo comparando-o com um mtodo da literatura.

1.3. Desafios
Para alcanar o objetivo proposto neste trabalho, alguns desafios devem ser vencidos:
Selecionar e testar a implementao dos algoritmos auxiliares de otimizao;
Selecionar e testar a implementao de um algoritmo de melhor caminho para
grafos;
Desenvolver o novo algoritmo;
Construir uma base de dados de testes para a avaliao do novo algoritmo;
Realizar um conjunto de experimentos para anlise do comportamento do novo
algoritmo.

1.4. Contribuies

As contribuies originais desta pesquisa podem ser resumidas em:

Cientficas
Um novo algoritmo para projetar infraestrutura de redes que considera
interativamente todos os nveis da rede.
Tecnolgicos
Demonstrar que, com o algoritmo proposto, possvel construir uma
ferramenta auxiliar no planejamento de infraestrutura de redes em uma
plataforma de geoprocessamento;
Construir uma base de dados para testes com informaes de coordenadas
geogrficas;
 7

Comparar os algoritmos auxiliares de otimizao do novo algoritmo,

possibilitando avaliar os resultados nas estratgias de busca de objetivo nico e
de multiobjetivo em planejamento de redes.
Sociais
O algoritmo proposto pode ser utilizado no somente em redes de
telecomunicaes, como tambm para vrias outras indstrias de servios
pblicos, como distribuio de energia, gua e gs.

1.5. Estrutura da tese

A pesquisa apresentada neste documento est dividida em seis captulos (incluindo a

introduo e a concluso), alm dos apndices. O primeiro captulo delineou o problema e
relatou os principais objetivos e as contribuies da tese.
No Captulo 2, a teoria bsica descrita, iniciando com os conceitos dos problemas
clssicos relacionados ao planejamento de infraestrutura de redes, seguido pela definio da
infraestrutura de redes de telecomunicaes. Posteriormente, os conceitos bsicos sobre
problemas de objetivo nico e multiobjetivo so explicados. No final do captulo, so
apresentadas as principais tcnicas da literatura que so usadas para resolver os problemas de
planejamento de redes.
O Captulo 3 uma reviso do estado da arte. Nesse captulo, apresenta-se a reviso da
literatura do problema abordado na tese, com uma reviso dos algoritmos propostos e
utilizados para resolv-los.
O novo algoritmo proposto detalhado no Captulo 4. Esse captulo apresenta a
formulao matemtica e como a nova estratgia desenvolvida resolve os problemas NDP,
STP e p-Mediana com vrios nveis.
O Captulo 5 apresenta os experimentos e resultados. A primeira seo explica a
construo da base de dados de testes. Na segunda e terceira seo esto informaes sobre a
execuo do novo algoritmo para problemas de objetivo nico e de multiobjetivo,
respectivamente. A abordagem utilizada como parmetro de comparao apresentada na
seo 4. Em seguida, so demonstrados os resultados obtidos com o novo algoritmo.
Por fim, no ltimo captulo, encontra-se a concluso com as consideraes sobre a
pesquisa realizada e sobre o algoritmo proposto, e tambm so apresentadas sugestes de
trabalhos futuros. Os apndices incluem uma explicao sobre a utilizao da representao
 8

binria de todos os nveis de uma rede em apenas um vetor; uma breve introduo do
prottipo usado para exportar e importar dados geogrficos utilizados nos testes; e a lista das
publicaes obtidas no desenvolvimento deste trabalho.
Captulo 2

Fundamentao Terica

Este captulo traz uma breve introduo s teorias necessrias para o desenvolvimento
do algoritmo proposto. Tambm so revistos os conceitos de alguns problemas clssicos da
literatura, considerando que toda infraestrutura de rede, que pode ser para telecomunicaes,
distribuio de energia eltrica, gua ou de gs, tem necessidades similares: instalar e otimizar
os equipamentos e ligaes; sendo abordados na literatura por meio dos estudos de:
- Problema de Projeto de Rede (Network Design Problem - NDP);
- Problema da rvore de Steiner (Steiner Tree Problem - STP);
- Problema da p-Mediana (p-Median Problem - p-Median).
Para solucionar esses problemas, algumas tcnicas so usadas, como heursticas, meta-
heursticas e algoritmos de otimizao; seus conceitos bsicos so introduzidos neste captulo.
Apesar da ampla aplicao desta pesquisa nas indstrias de servios pblicos, o estudo de
caso utilizado para avaliaes sobre infraestrutura de rede de telecomunicao, portanto,
este captulo introduz conceitos sobre infraestrutura de telecomunicaes.

2.1. Problemas Clssicos de Projeto de Redes na Literatura

Esta seo apresenta os conceitos sobre os principais problemas clssicos na literatura

usados para modelar um projeto de rede. Vrias pesquisas tm sido desenvolvidas, nos
ltimos anos, ilustrando como os problemas so modelados e como as tcnicas so aplicadas
para solucion-los. Usualmente, problemas clssicos apresentam caractersticas de problemas
reais e, portanto, as solues propostas na literatura podem ser aplicadas no mundo real.
 10

Os problemas de redes em geral so modelados como um grafo, sendo os

equipamentos e canais de comunicao representados por meio de ns e arestas,
respectivamente. Um exemplo de grafo demonstrado na Figura 2.1.

2.1.1. Problema de Projeto de Rede (Network Problem Design - NDP)

O NDP consiste em minimizar o custo de instalao para definir e dimensionar o
trajeto de instalao de uma rede. Geralmente, NDP pode ser modelado em um grafo1 G=(V,
E), e a soluo dada por um subgrafo G=(V, E), que considera as restries do problema
em anlise e VV e EE. Este um problema NP-Completo [JOH78], a formulao
matemtica usual para este problema est descrita em [BUR85] e em [CAN02].
De acordo com [CHU99], NDP pode ser dividido em:
Projeto de Topologia de Rede (Network topology design);
Controle de Fluxo e Rota da Rede (Network routing and flow control);
Desempenho da Rede (Network performance);
Confiana da Rede (Network reliability).
Geralmente, quando um projeto de rede modelado em NDP, os vrtices representam
os equipamentos e as arestas representam as ligaes possveis para conectar os
equipamentos.

2.1.2. Problema da rvore de Steiner (Steiner Tree Problem - STP)

O problema da rvore de Steiner um problema de otimizao clssico proposto por
Fermat no sculo XVII e a primeira soluo foi proposta por Torricelli em 1640. O nome
Steiner devido a Jakob Steiner (*1796 +1863), que estudou e relatou esse problema como
Problema da rvore de Steiner Euclidiana e as solues como rvore Geradora Mnima.
A primeira referncia sobre o problema de Steiner est em [COU41].
O problema encontrar a rvore de amplitude mnima (minumum spanning tree -
MST) de um grafo G=(V, E), sendo V o conjunto finito de ns e VV o conjunto de ns
terminais (especiais), o qual que deve ser apresentado na soluo final, i.e., aps encontrar
MST G=(VT, ET), todos os ns terminais devem ser apresentados, e:
VT deve conter todos os ns de V (VTV).

1
A teoria de Grafo revisada em [AHU93].
 11

G deve ser um grafo conectado.

Quando V representado por S (ns de Steiner) e T (ns terminais) tem-se:
SV e TV
ST=V
ST=
No exemplo da Figura 2.1(a), o grafo no direcionado :
G=( {1, 2, 3, 4, 5, 6}, {1-2, 1-3, 2-3, 2-4, 2-5, 3-5, 4-5, 4-6, 5-6})
V = (1, 4, 6)
MST = (1-3, 3-5, 5-4, 5-6) com mnimo = 9.

(a) (b)
Figura 2.1. Exemplo de grafo (a) e rvore geradora mnima (b).

Esse problema NP-Difcil [WER01] [GAR77] e tem importncia prtica, o que

justifica as pesquisas realizadas sobre o assunto. Os detalhes desse problema so descritos em
[WUB04] e [DUD08]; e uma reviso bibliogrfica com mtodos para a soluo listada por
Werneck em [WER01].

2.1.3. Problema das p-Medianas (p-Median Problem)

O problema das p-Medianas consiste em localizar P facilidades que atendam a um
conjunto de demandas, e a somatria das ligaes entre facilidades e as demandas deve ser a
menor possvel, i.e., dado um grafo G = (V, E), encontre PV, sendo |P|=p, e p pode ser fixo
ou varivel, e a somatria das menores distncias de cada demanda at o vrtice mais prximo
em P mnimo. Uma reviso sobre o problema das p-Medianas e os recentes mtodos de
soluo realizada em [REE05].
 12

A soluo desse problema no trivial, conforme descrito em [GAR79], porque o

nmero de possveis solues para uma dada instncia do problema da p-Mediana cresce
conforme o nmero de vrtices aumenta. Um exemplo de uma soluo para o problema da p-
Mediana apresentado em [LIY06], em que uma heurstica proposta baseada na otimizao
de colnia de formigas (Ant Colony Optimization - ACO).

2.2. Infraestrutura de Redes de Telecomunicaes

A evoluo da comunicao teve incio quando o homem comeou a viver em

sociedade, partindo de gestos e pinturas escrita com mensagens gravadas em pedras e argila.
Acompanhando as necessidades do homem moderno, a telecomunicao surgiu com a criao
do telgrafo, do rdio, da televiso, do telefone e hoje, da Internet, conectando o mundo e as
pessoas. Antes, as notcias poderiam levar meses para atravessar o continente, e agora isso
ocorre em milissegundos.
A telecomunicao uma grande conquista do homem moderno e tornou-se um
servio essencial. O desenvolvimento da sociedade atual est diretamente associado com a
gerao e transmisso de informao, e hoje essa infraestrutura cada vez mais necessria
para esta sociedade conectada online. Telecomunicao definida em [BAR95]:
Como um conjunto de equipamentos organizados que permitem coletar, enderear, transportar e
entregar informaes de uma fonte para um ou mais destinatrios distantes e especificados, com
integridade e privacidade das informaes.
Para a expanso das redes, as padronizaes tornaram-se necessrias, e o governo
brasileiro props algumas delas. Telecomunicaes Brasileiras S.A. [TEL10] e a Agncia
Nacional de Telecomunicaes [ANA10] propuseram um modelo padro para rede de
telefones baseada em cabos que mostrado na Figura 2.2. Esse modelo prope uma diviso
de rede em redes primria e secundria, e os clientes so atendidos em sees de servio. Para
cada seo, estudado um nmero de ns concentradores e ns de acesso. Esse modelo tenta
simplificar a estrutura final do servio do cliente e d maior flexibilidade rede inteira. O
modelo apresentado na Figura 2.2 foi inicialmente desenhado para redes de telefone baseadas
em cabos de pares metlicos, e, posteriormente, foi utilizado para redes de fibra ptica. Os
detalhes sobre a histria, os servios, os produtos, a tecnologia e a transmisso das
telecomunicaes no Brasil esto registrados em [BAN05], [BAS00], [CAR98], [SOU04] e
[VIE00].
 13

Figura 2.2. Modelo de implantao de rede de telecomunicaes baseada em cabos. [TEL10]

O conceito da diviso em rede primria e secundria foi herdado das redes de

distribuio de energia; informaes dessa diviso de rede so abordados por Fanning em
[FAN03]. Redes primrias so estabelecidas das centrais de telecomunicao para os ns
concentradores atravs de cabos alimentadores principais (feeder cables), e a rede
secundria ligada entre ns de acesso e ns concentradores por meio de cabos alimentadores
secundrios (tambm chamados de cabos de distribuio). A ligao entre clientes e ns de
acesso conhecida como ltima-milha2 (last-mile), atravs de cabos mais simples (drop
cables). Redes secundrias se expandem mais e consomem mais recursos financeiros
conforme o nmero de clientes aumenta, necessitando de maiores investimentos em
instalaes e suporte.
Equipamentos intermedirios, como os ns concentradores e pontos de acesso, do
flexibilidade rede. Mais equipamentos significa mais flexibilidade, entretanto os custos so

2
O termo ltima-milha usado para identificar a conexo de um cliente com a rede. Entretanto, alguns
autores preferem usar o termo primeira-milha (first-mile), no qual o cliente chamado de primeiro, pois a
razo pela qual a rede existe. Em [PAI10], so relatadas algumas justificativas de trocar o termo ltima-milha
para primeira-milha.
 14

mais altos tambm. Flexibilidade importante para o futuro da rede j que a tecnologia est se
aperfeioando e requerendo mais infraestrutura de rede de telecomunicaes. Na central de
telecomunicao, h os nveis mais altos de rede, em que se encontram o hardware e o
software utilizados no gerenciamento da rede. A Tabela 2.1 mostra um resumo dos elementos
da rede de telecomunicaes.

Tabela 2.1. Resumo da Rede de Telecomunicaes.

Central Equipamentos administradores (nvel mais alto da rede).
Rede Backbone Ligaes entre as centrais de telecomunicao.
Primria N Concentrator Equipamento de flexibilidade na rede primria.
Cabo Alimentador Cabos usados para conectar elementos na rede primria.
Ponto de Acesso Equipamento usado para conectar clientes na rede.
Rede Ponto a ser atendido, o qual a razo da existncia da rede.
Cliente
Secundria Cabos usados para conectar clientes ao ponto de acesso.
Drop cable

Centrais de telecomunicao so geograficamente distribudas, de acordo com os

critrios da companhia, para facilitar a administrao e dar maior flexibilidade rede. Elas
so instaladas para atender reas que podem ser uma quadra, um bairro, uma cidade ou um
estado. Nas redes de telecomunicao, h uma estrutura de transmisso na forma de uma
espinha de peixe chamada backbone, que conecta todas as centrais, geralmente em uma
topologia de anel. Se for comparada com uma rede de distribuio de energia eltrica, a
central de telecomunicao uma subestao de transmisso com cabos de alta voltagem,
acima de 230kV.
O projeto de centrais de telecomunicao feito para atender ns concentradores, e o
projeto desses ns feito para atender pontos de acesso, que, por sua vez, so feitos para
atender os clientes. Portanto, para atender novos clientes, no necessrio instalar um cabo do
cliente central de telecomunicao, mas somente encontrar o melhor ponto de acesso. A
quantidade de centrais de telecomunicao, ns concentradores e pontos de acesso em uma
regio dependem de um projeto para verificar o investimento financeiro necessrio e o quanto
a companhia pode dispensar pelo retorno financeiro esperado.
Para construir uma rede de telecomunicao necessrio:
1) Rede Primria
a. Definir a quantidade, capacidade e localizao geogrfica das centrais de
telecomunicao a serem construdas;
 15

b. Encontrar a quantidade, capacidade e localizao geogrfica dos ns

concentradores a serem instalados;
c. Definir a capacidade e o trajeto dos cabos alimentadores para conectar os
ns concentradores central de telecomunicao e entre os ns
concentradores;
d. Definir a ligao entre as centrais de telecomunicao para construir o
backbone.
2) Rede Secundria
a. Encontrar a quantidade, capacidade e localizao dos pontos de acesso a
serem instalados;
b. Definir a capacidade e o trajeto dos drop cables para conectar os clientes
aos pontos de acesso;
c. Definir a capacidade e o trajeto dos cabos para conectar os pontos de
acesso aos ns concentradores.
E considerar as seguintes restries:
1) A capacidade mxima de equipamentos em cada nvel da rede;
2) A capacidade mxima de cabos;
3) A distncia mxima entre os equipamentos, e dos clientes com equipamentos;
4) O custo de equipamentos e cabos;
5) O custo de instalao dos equipamentos e cabos;
6) A posio geogrfica dos equipamentos considerando:
a. Estradas;
b. Postes de energia;
c. Construes civis existentes na rea.
Para ilustrar um projeto de rede de telecomunicao, as Figuras 1.1 e 1.2 so usadas.
As Figuras apresentam, inicialmente, um conjunto de clientes que devem ser atendidos com
uma nova infraestrutura de telecomunicaes (Figura 1.1a), observando-se que esses clientes
esto distribudos em uma regio geogrfica (Figura 1.1b). Em geral, as informaes iniciais
so um estudo preliminar, (clientes prospectos) de uma regio que considerada como
promissora pela companhia de Telecomunicaes. Se a rede ser projetada com trs nveis, o
primeiro passo projetar a localizao de pontos de acesso e suas ligaes com clientes
(Figura 1.2a). Os clientes so representados pelos ns de demanda e os pontos de acesso
 16

encontrados so os ns facilitadores. O prximo passo projetar os ns concentradores

(Figura 1.2b), neste caso, os pontos de acesso so ns de demanda e os ns concentradores
encontrados so ns facilitadores. Finalmente, com a mesma lgica, necessrio encontrar as
centrais de telecomunicao, nas quais os ns concentradores so ns de demanda e as
centrais de telecomunicao encontradas so ns facilitadores. A rede completa dessa
ilustrao mostrada na Figura 1.2d. importante observar que, alm de encontrar os ns
facilitadores, necessrio construir as ligaes entre os ns, que devem respeitar a geografia
da regio. Em geral, as ferramentas para o projeto de telecomunicaes com informaes
geogrficas so implementadas utilizando um Sistema de Informaes Geogrficas (SIG).
Uma abordagem de utilizao de SIG em redes de telecomunicaes est em [CAI02].

2.2.1. Redes baseadas em fibras pticas

O estudo sobre projeto de redes relativamente antigo, como apontam os autores de
[GRO95] e [YOO98], que apresentam estudos da aplicao de fibra ptica em redes de
telefone.
As redes de telecomunicao construdas com cabos de pares metlicos (meio de
transporte de informao) para transmitir e receber informaes so consideradas de
tecnologia obsoleta, a opo a migrao da infraestrutura de rede para cabos de fibra ptica.
O uso de cabos de fibra ptica se tornou um padro, e, conforme as informaes apresentadas
pela organizao FTTHCouncil em [COU10], possvel afirmar que somente conexes com
fibra ptica suportam demandas como: HD IPTV, jogos pela Internet, downloads de vdeos,
VoIP, comunicao peer-to-peer, vdeos conferncia e computao em nuvem (cloud
computing).
O uso de fibras pticas apresenta vrias vantagens sobre cabos de par metlico:
- No suscetvel interferncia eletromagntica;
- Tem maior capacidade de transmisso;
- Tem menor peso e dimetro.

2.2.2. Redes pticas Passivas

Com o crescimento do consumo de redes de telecomunicao com utilizao de fibras
pticas, surgiu a arquitetura de Redes pticas Passivas (Passive Optical Network PON). Isto
possibilitou que as companhias de telecomunicao invistam menos recursos financeiros na
rede de estrutura para atender os clientes.
 17

A arquitetura PON permite que uma nica fibra seja dividida em mais fibras, servindo
vrios usurios finais. Isto possvel com um aparelho passivo chamado de splitter, visto na
Figura 2.3. O splitter um acoplador de fibra ptica passiva que divide a luz de uma nica
fibra em dois ou mais canais de fibras. Isto faz com que uma conexo na central de
telecomunicao seja capaz de atender vrios clientes na ltima-milha, tornando possvel para
companhias fornecer o uso de comunicao de fibra ptica para uma grande parte da
populao (usurios residenciais e/ou comerciais) com menos investimentos financeiros.

Figura 2.3. Esquema visual do splitter.

O sinal de uma fibra pode ser dividido em 2n fibras, atualmente n varia de 2 a 7. A

Figura 2.4 ilustra como o splitter separa uma fibra em mais fibras, em um exemplo de uma
rede, neste caso, a fibra capaz de atender oito clientes.

Figura 2.4. Exemplo da utilizao de um splitter.

As divises de uma PON so mostradas na rede da Figura 2.5. Os clientes3 esto

conectados em uma Unidade de Rede ptica (ONU) e em um Terminal de Rede ptica
(ONT) de uma fibra, que foi dividida no splitter do sistema da Rede de Distribuio ptica

3
Os clientes so comumente referenciados como FTTx, em que x um termo genrico para: FTTa,
FTTb, FTTc, FTTd, FTTh, FTTn.
 18

(ODN), e conectada ao Terminal de Linha ptica (OLT). Isto mostrou que possvel conectar
vrios clientes com somente uma fibra no OLT.

Figura 2.5. Exemplo de Rede ptica Passiva. [TEL09]

Em [TEL09] e [FUR09] h conceitos e informaes comerciais sobre as redes pticas

passivas.

2.2.3. Topologia
Companhias de Redes de Telecomunicao combinam topologias de estrela,
barramento e anel para o projeto de rede. Geralmente, para conectar todas as centrais de
telecomunicao, utilizada uma topologia de anel, que usada para garantir a
disponibilidade da transmisso (backbone). Comumente, quando necessrio conectar ns
concentradores com a central de telecomunicao e com outros ns concentradores,
utilizada uma topologia de barramento, principalmente para economizar investimentos
financeiros. Finalmente, para conectar clientes rede, utilizada uma topologia de estrela.
A estrutura da topologia em redes de telecomunicao visualizada na Figura 2.6, a
qual mostra as trs topologias normalmente utilizadas. As centrais de telecomunicao esto
representadas com quadrados maiores em cinza e interligadas por um backbone em anel. Os
ns concentradores representados em um quadrado menor e em vermelho, mais os pontos de
acesso com crculos em azul, esto ligados em uma rede de topologia de barramento, e,
finalmente, os clientes representados com casas esto ligados em uma topologia anel. Os
conceitos bsicos sobre topologia de rede esto listados nos trabalhos [USF11] e [WIK11].
 19

Figura 2.6. Exemplo da utilizao de topologias diferentes

em rede de telecomunicaes.

2.3. Problemas de Otimizao

Otimizao uma rea da matemtica tambm conhecida como programao

matemtica, e seu objetivo minimizar ou maximizar uma soluo para uma funo objetivo.
Estudos de ferramentas so realizados para encontrar uma soluo para um problema
complexo, sem avaliar todas as solues existentes, devido s restries, como tempo,
software e hardware. Estudos de otimizao permitem que problemas complexos sejam
solucionados, com solues viveis, com recursos disponveis e em um tempo polinomial.

2.3.1. Otimizao com nico objetivo

A otimizao com objetivo nico ocorre quando necessrio minimizar ou maximizar
uma funo objetivo, relacionada a uma varivel de restrio. O conceito descrito em [EIB03]
:
Dado uma funo f:A R, para encontrar um elemento x0 em A, tal que f(x0) f(x) para todos
xA (se uma funo maximizadora x0 tal que f(x0) f(x)), sendo o domnio A o espao de
busca (solues candidatas) definido por um conjunto de restries. O f a funo objetivo e a
soluo conhecida como a soluo tima.

2.3.2. Otimizao Multiobjetivo

O problema de Otimizao Multiobjetivo (Multi-objective Optimization problem -
MOOP), tambm chamado de otimizao multicritrios, multidesempenho ou problema de
 20

otimizao vetorial, trabalha com duas ou mais funes objetivos, e, geralmente, com
objetivos conflitantes. Deb em [DEB01] define MOOP como:
Minimizar / Maximizar fm(x), m = 1, 2, , M;
Subject to gj(x) 0, j = 1, 2, , J;
hk(x) = 0, k = 1, 2, , K;
xi(L) xi xi(U) i = 1, 2, , n;
Uma soluo x um vetor de n variveis de deciso: x = (x1, x2, , xn)T. O ltimo conjunto de
restries chamado de limites variveis, restringindo cada varivel de deciso xi para adotar
um valor com um limite xi(L) mais baixo e um xi(U) mais alto. Esses limites constituem o espao
de variveis de deciso D, ou simplesmente espao de deciso.
Os problemas do mundo real so geralmente MOOP. O MOOP no apresenta apenas
uma soluo que atenda todos os objetivos, os algoritmos encontram vrias solues e quando
uma soluo a melhor para um objetivo, ela pode no ser a melhor para outro. Vrias
solues so encontradas em MOOP, e, dessas solues, um subconjunto de solues
selecionado, chamado de solues eficientes, solues no-dominantes ou solues da
Fronteira de Pareto. A Figura 2.7 mostra o espao de deciso vivel e as solues da
Fronteira de Pareto.

Figura 2.7. Solues da Fronteira de Pareto.

No se pode afirmar que uma soluo da Fronteira de Pareto melhor que outra, no
entanto, tambm no existe outra soluo melhor do que essa. Esse conceito originado de
Vilfredo Frederico Pareto (1848 1923), um economista italiano, no sculo XIX [PAR96]:
Quando h mais que um objetivo, a zona vivel no pode ser completamente ordenada, mas
somente parcialmente ordenada.
 21

A principal diferena entre a otimizao de objetivo nico e MOOP que a primeira

retorna a melhor soluo tima para o objetivo, enquanto MOOP encontra vrias solues
timas considerando os diversos objetivos. Portanto, necessrio um mtodo de avaliao e
seleo, o qual chamado de Tomador de Deciso (em Ingls decision-maker) [DEB01,
pgina 47] apropriado para o MOOP. O Tomador de Deciso deve implementar uma regra
para classificar as solues, pois todos os objetivos no podem simultaneamente chegar ao
seu nvel timo. Diferentes funes tm sido utilizadas, e so divididas em trs principais
classes:
a) Abordagem de Ponderao (Weighted Sum)
Essa abordagem converte o MOOP em um nico objetivo para alcanar
uma soluo tima. eficiente e fcil de implementar, mas apropriada para
lidar apenas com poucos objetivos e incapaz de produzir certas pores
da Fronteira de Pareto quando h espaos no-convexos na regio de busca
[COE02]. A teoria e problemas com essa abordagem so estudados em
[DAS97], [MES96], [MES00] e [STE86].
b) Abordagem Lexicogrfica (Lexicography)
Essa abordagem classifica os objetivos em ordem de importncia. A
soluo tima , ento, obtida minimizando as funes objetivo,
comeando com a mais importante e procedendo de acordo com a ordem
assinalada de importncia dos objetivos [COE01b]. Os autores em
[CAS09] e em [CAS10] propem uma abordagem lexicogrfica dinmica,
na qual as prioridades dos objetivos no so fixas, mas so alteradas
durante o processo de busca.
c) Abordagem de Pareto
A Abordagem de Pareto uma tcnica para encontrar as solues na
Fronteira de Pareto, conforme a Figura 2.8, com o conceito de dominncia
(classificao no dominada), no qual as solues so ordenadas por
critrios de dominncia. Essa abordagem estudada em [SRI94], [ZIT98] e
[DEB00], e definida por Deb em [DEB01] como:
Uma soluo x1 domina uma soluo x2 se:
a) A soluo x1 no for pior que a soluo x2 em todos objetivos;
b) A soluo x1 estritamente melhor que a soluo x2 no mnimo em um objetivo;
Ento, h trs opes de dominncia entre x1 e x2:
 22

x1 x2: x1 domina x2;

x2 x2: x2 domina x1;
x1 ~ x2: x1 e x2 so indiferentes.
Considere uma srie de P solues, o conjunto de solues no-dominantes P
contm todas as solues no-dominantes para nenhum elemento em P. Quando a
srie P representada pela regio vivel, o conjunto de P no-dominantes chamado
de Conjunto timo de Pareto.

Figura 2.8. Disposio das solues conforme a abordagem de Pareto.

Quando necessrio escolher uma soluo tima das solues da Fronteira de Pareto,
sendo as solues geralmente incomparveis, ocorre um problema estudado na literatura
como multiple attribute decision making (MADM) [YOO95], e as principais dificuldades so:
1) Escolher a soluo mais apropriada entre um conjunto de solues;
2) Analisar a qualidade do objetivo entre vrios objetivos.
O Tomador de Deciso pode ser classificado de acordo com os diferentes momentos
do processo de otimizao [BEN97], como mostrado na Figura 2.9. Esses diferentes
momentos de otimizao so divididos em:
a) A priori
O mtodo envolvido antes da busca. Normalmente, a otimizao de nico
objetivo visa a encontrar a melhor soluo de acordo com o conjunto de
preferncias no Tomador de Deciso.
b) A posteriori
Do conjunto de solues, o Tomador de Deciso decide a melhor soluo ao
final da busca.
 23

c) Interactive
Nesse caso, o Tomador de Deciso est executando ao mesmo tempo em que o
trabalho de otimizao ocorre, aplicando suas preferncias para gerar solues
timas de Pareto.

Figura 2.9. Diagrama do procedimento de otimizao multiobjetivo. (adaptado de [DEB01])

2.4. Tcnicas para problemas de nico e multiobjetivo abordados nesta

pesquisa
Para resolver problemas de nico ou multiobjetivo, h tcnicas na literatura que so
agrupadas em reas de estudo: heursticas, meta-heursticas, algoritmos de otimizao de
objetivo nico e algoritmos de otimizao multiobjetivo. Algumas dessas tcnicas so
utilizadas nesta pesquisa, sendo os algoritmos GA, PSO, NSGA-II e MOPSO apresentados
com alguns detalhes e com as principais referncias.
 24

2.4.1. Heursticas
As heursticas so mtodos para encontrar solues, e, na computao, esses
algoritmos estocsticos so desenvolvidos para encontrar solues timas quando h
restries de tempo. A soluo encontrada no necessariamente a soluo exata para o
problema em anlise. Geralmente, heursticas so:
a) Fceis para entender e implantar;
b) Rpidas, j que elas devem apresentar solues em tempo polinominal;
c) Flexveis, j que elas podem ser aplicadas em vrios tipos de problemas de
otimizao.
Exemplo de heursticas: hill-climbing.

2.4.2. Meta-heursticas
As meta-heursticas avaliam um conjunto maior de solues possveis que as
heursticas, melhorando a convergncia para solues timas. Elas so uma evoluo das
heursticas com o desenvolvimento de tcnicas inteligentes, que so capazes de reduzir o
espao de busca, e, ao mesmo tempo, elas no permanecem restritas a um espao timo.
Exemplos:
- Tmpera Simulada (Simulated annealing - SA);
- Busca Tabu (Tabu Search - TS);
- Busca Dispersa (Scatter Search - SS);
- Procedimento de Busca Adaptativa Gulosa e Aleatria (Greed Randomized
Adaptive Search Procedure - GRASP);
- Religao de Caminhos (Path-relinking).

2.4.3. Algoritmos de Otimizao de Objetivo nico

Algoritmos de otimizao so tcnicas utilizadas geralmente para simular o mundo
real, como a biologia e sociedades inteligentes. Abaixo so apresentados resumidamente o
algoritmo gentico e o algoritmo de enxame de partculas.
a) Algoritmos Genticos (Genetic Algorithm - GA)
O GA um mtodo estocstico que simula o mecanismo da evoluo de espcies
naturais por meio da matemtica. Foi inicialmente desenvolvido por John Holland, em 1975, e
popularizadas por seu aluno David Edward Goldberg [GOL89]. O GA imita a evoluo
 25

natural que ocorre nos cromossomos, na qual as informaes hereditrias so transmitidas

para os descendentes atravs genes.
A Figura 2.10 mostra a evoluo do cromossomo, e como possvel obter uma
soluo avaliando os cromossomos atravs da funo de fitness nas iteraes. Inicialmente,
um conjunto de solues aleatrias gerado, que conhecido como populao inicial, e cada
indivduo chamado de cromossomo, o qual uma soluo completa para o problema
estudado. O cromossomo representado por um vetor, no qual cada elemento um gene. Esse
vetor representa os componentes de uma soluo, e ele pode ter codificao real ou binria.
Uma nova gerao nasce com o processo de seleo, cruzamento e mutao, sendo
que as melhores caractersticas do cromossomo tem maiores chance de sobreviver para as
prximas geraes. Uma nova gerao (filhos ou descendentes) produzida combinando dois
indivduos pais. A Figura 2.10 apresenta a estrutura bsica, entretanto, h muitas
possibilidades de implementaes de GA. A descrio completa do GA est elaborada em
[GOL89], e outras abordagens e aplicaes so listadas nas pesquisas apresentadas no
Captulo 3.

Figura 2.10. Fluxograma bsico do GA.

b) Otimizao por Enxame de Partculas (Particle Swarm Optimization - PSO)

O PSO foi desenvolvido por Kennedy e Eberhart [KEN95], e baseada no
comportamento dos pssaros na busca de fontes de comida. Inicialmente, o algoritmo foi
 26

proposto para problema contnuo e depois foi adaptado para problemas discretos [KEN01]. O
PSO tem demonstrado desempenho melhor em problemas que tem espao de busca contnuo
[KEN99].
Para o PSO, o conjunto de solues o conjunto de partculas chamado de enxame
(swarm), que a populao que se movimenta no espao de busca dependendo da velocidade
da partcula. Cada partcula representa uma soluo e tem uma posio, a qual atualizada
por operadores que levam a partcula para um espao de busca promissor. O movimento
ocorre aps um operador ajustar a velocidade da partcula, e a computao dessa velocidade
baseada em sua melhor vizinhana e em sua posio.
A Figura 2.11 mostra o fluxograma bsico do PSO, no qual no primeiro passo criado
um conjunto de populao inicial. Depois, as velocidades das partculas so atualizadas e a
partcula avaliada. O procedimento ocorre enquanto o critrio de parada no atendido.

Figura 2.11. Algoritmo bsico do PSO,

onde P representa um enxame e p uma partcula.

2.4.4. Algoritmos de Otimizao Multiobjetivos

Nos ltimos anos, foram desenvolvidas vrias adaptaes dos algoritmos de objetivo
nico, criando novos algoritmos multiobjetivos, com inteno de:
 27

a) Procurar a convergncia para a Fronteira de Pareto com uma busca eficiente no

espao de solues;
b) Procurar a maior diversidade possvel, evitando a convergncia prematura;
c) Procurar uma distribuio uniforme de solues de no-dominncia.
O desenvolvimento de algoritmos multiobjetivo classificado, de acordo com o autor
em [DEB00], em:
a) Algoritmos Evolucionrios Multiobjetivo No Elitistas (Non-Elitist Multi-
objective Evolutionary Algorithms);
b) Algoritmos Evolucionrios Multiobjetivo Elitistas (Elitist Multi-objective
Evolutionary Algorithms).
Essa classificao depende de um operador de elitismo que intrnseca aos algoritmos
de busca, o qual combina a populao antiga com a ltima populao criada, e mantm as
melhores solues da populao combinada. O elitismo ocorre por meio da preservao das
melhores solues (no-dominadas) da populao anterior em uma prxima populao. Este
procedimento assegura que a funo de fitness da melhor soluo na populao no deteriore
conforme a gerao avana, porque o uso de pais selecionados aumenta a probabilidade de
criar melhores descendentes. Os algoritmos de busca podem ou no implementar o elitismo,
por exemplo, o GA converge para uma soluo tima global de algumas funes na presena
do elitismo [RUD93].
Os algoritmos NSGA-II e MOPSO so originrios dos algoritmos de objetivo nico
GA e PSO respectivamente, e so resumidamente descritos a seguir.

a) Algoritmo NSGA-II (Elitist Non-dominated Sorting Genetic Algorithms)

O algoritmo NSGA-II uma evoluo do algoritmo NSGA, mas, apesar dos autores
manterem o mesmo nome o algoritmo, no similar ao antecessor. O NSGA-II apresentado
em [DEB00] para reduzir a complexidade computacional no classificador no-dominado e
inserir o elitismo. Ele usa um mecanismo que garante maior extenso de busca no espao,
trazendo mais opes de solues para alcanar a melhor possvel naquele espao.
Primeiro, a populao pai (Pt ), Figura 2.12a, usada para criar uma populao
descendente (Q t), e estas duas populaes so combinadas para formar uma nova populao
(Rt) que tem tamanho 2N. Depois deste primeiro passo, um classificador no-dominado
ordena toda a populao Rt, posteriormente, a nova populao preenchida com solues de
diferentes fronteiras no-dominadas, uma de cada vez, iniciando da primeira fronteira no-
 28

dominada, depois as solues da segunda fronteira, da terceira, e assim por diante.

Usualmente, o tamanho das populaes Rt, N2,entretanto, algumas frentes (F1, F2, F3,
conforme Figura 2.12a) podem no ser acomodadas em N posies disponveis para a nova
populao, ento elas so eliminadas. Quando a ltima frente permitida estiver sendo
considerada, pode haver mais solues do que posies disponveis na nova populao. Neste
caso, as solues desta ltima frente devem ser sabiamente escolhidas, e, para este
propsito, a estratgia crowding distance usada, ela prov uma estimativa da densidade das
solues ao redor de uma soluo i em particular da populao (Figura 2.12b).
A maioria das boas solues no-dominadas esto includas na nova populao nos
primeiros estgios do procedimento, portanto, as ltimas solues includas para preencher a
populao no tm grande impacto. Entretanto, durante os estgios finais, a maioria das
solues podem estar na melhor frente no-dominada, ou o nmero de solues na primeira
frente no-dominada pode exceder N. Neste momento, o crowding distance escolhe um
conjunto diverso de solues da frente em anlise. Quando toda a populao converge para
a Fronteira tima de Pareto, o uso desse algoritmo garantir uma melhor distribuio entre as
solues.

Figura 2.12. Diagrama (a) e crowding distance (b) do algoritmo NSGA-II. [DEB00]

b) Algoritmo MOPSO (MultiObjective Particle Swarm Optimization)

O algoritmo de Otimizao por Enxame de Partculas Multiobjetivo (MOPSO) uma
extenso do PSO e foi proposto por Moore e Chapman em [MOO99]. MOPSO otimiza
simultaneamente um vetor de funes, representado por partculas, e produz solues timas
de Pareto. Ele consiste em inicializar a populao, avaliao e iteraes no enxame com os
operadores do PSO e com o critrio de dominncia de Pareto. As partculas so avaliadas e
 29

conferidas pela relao de dominncia. As solues no-dominadas encontradas so

guardadas e usadas para guiar as partculas de busca. O esquema de MOPSO est na Figura
2.13.
As partculas mudam suas posies e se movem em direo rea onde as melhores
solues esto; e as solues no-dominadas das ltimas geraes so mantidas em archive. O
archive, como na Figura 2.13, uma populao externa (ou repositrio externo que funciona
como uma tcnica de elitismo), na qual as solues no-dominadas so mantidas. Quando
MOPSO executado por vrias iteraes, possvel encontrar um amplo conjunto de
solues timas de Pareto.

Figura 2.13. Fluxograma do MOPSO.

 30

Consideraes Finais do Captulo

H vrias tcnicas na literatura para solucionar problemas de objetivo nico e
problemas multiobjetivos. Algumas tcnicas tm melhor desempenho para alguns problemas
do que outras, e necessrio conhecer as caractersticas dessas tcnicas para melhor utilizar o
potencial de cada uma.
Os algoritmos GA, PSO, NSGA-II e MOPSO foram selecionados para os testes do
novo algoritmo multinvel proposto nesta pesquisa, j que eles representam as caractersticas
da computao evolucionria e da inteligncia coletiva atualmente, e so amplamente
utilizados em problemas de redes.
Captulo 3

Estado da Arte

Na literatura, o projeto de infraestrutura de redes pode ser considerado um caso

especial de Network Design Problem (NDP), Steiner Tree Problem (STP) ou Problema das p-
Medianas. As pesquisas desses problemas clssicos auxiliam no desenvolvimento de
ferramentas para as indstrias de servios pblicos, como de redes de telecomunicaes e
redes de distribuio de energia.
Considerando que os problemas de planejamento de redes so estudados na literatura,
como NDP, STP ou p-Mediana problema, esse captulo apresenta as pesquisas relacionadas,
com as respectivas abordagens e tcnicas propostas para solucionar os problemas. As
pesquisas so divididas em sees, sendo inicialmente apresentadas as de problemas de rede,
seguindo-se uma reviso das principais tcnicas utilizadas para soluo desses problemas e,
ao final, uma tabela resumindo o estado da arte.

3.1. Problemas de Projetos de Redes

Problemas em diferentes reas da sociedade podem ser modelados como NDP, assim
como projetos de estradas mostrados em [XIA08] e [ZHA08], projetos de ferrovias, em
[MAR09], projetos de redes de gua em [BOL10], e distribuio de energia, em [CAD10] e
[SOU06].
Entre os diversos mtodos propostos para resolver o NDP, Bolognesi et al., em
[BOL10], desenvolvem um algoritmo evolucionrio chamado Genetic Heritage Evolution by
Stochastic Transmission (GHEST). Este algoritmo introduz o conceito de transmisso
gentica que ocorre enquanto o processamento das geraes est em execuo. Testes com
 32

GHEST obtiveram um custo monetrio 40% mais baixo comparado ao custo obtido com GA e
com SA.
Os autores em [ZHA08] utilizam GA para resolver uma classe de NDP, o continuous
network design problem (CNDP). Eles formatam um cromossomo do GA com valores de
pontos flutuantes ao invs da tradicional representao binria. O trabalho apresenta o modelo
do CNDP e os operadores genticos (crossover e mutation) para o desenvolvimento de um
algoritmo gentico. Um estudo de caso em redes de estradas utilizado para apresentar os
resultados com o algoritmo gentico desenvolvido, os quais expem que a variao de
parmetros permite uma reduo no custo final.
Na pesquisa realizada por [GAO09], um mtodo para NDP aplicado rede de trfego
pblico foi desenvolvido. Neste caso, as linhas de rede de trfego pblico foram classificadas
em trs camadas, buscando uma soluo que maximize o fluxo de trfego integrando a rede.
O mtodo chamado de Hierarchy Method of choosing Optimum Lines for Public Traffic
Network Design (HMCOL) um modelo de programao multiobjetivo que analisa o
trfego em cada juno (cruzamento de estradas) e constri uma rede com os trs nveis
propostos. O teste experimental em uma rea urbana na Sua mostra que, com esse mtodo,
possvel reduzir o tempo de troca de linhas dos passageiros, uma vez que essa tcnica
organiza o sistema de trfego. O mtodo trouxe resultados eficazes, demonstrando uma taxa
de cobertura de linhas de 92,44%, ao passo que pesquisas anteriores alcanaram no mximo
87,55%. Esse trabalho aponta um resultado eficiente de um problema real modelado com
NDP.
Em um estudo de caso de telecomunicao da companhia Telemig (Telecomunicaes
de Minas Gerais), a rede foi modelada como um NDP e os autores em [MAT00] propuseram
uma soluo para a rede secundria com Relaxao Lagrangeana. Nesse trabalho, a funo
objetivo definida com uma restrio da quantidade de cabos de fibra ptica e com a fuso
em cada n. Os autores comentam que as heursticas so talvez a nica metodologia prtica
para os problemas complexos de redes de telecomunicaes. A heurstica proposta nesta
pesquisa foi testada em duas redes reais, mostrando-se uma tcnica promissora para ser
empregada em projetos de redes.
Um estudo de caso de NDP de projetos de rede computacional, da Universidade de
Gazi (Ancara/Turquia), foi usado para comparar GA, SA e Hill climbing em [ALT03]. A
 33

concluso foi que tcnicas de otimizao global, como GA e SA, obtm melhores resultados
quando comparadas com tcnicas de otimizao local, como Hill climbing.
Uma variao de NDP o MNDP (Multi-layer Network Design Problem), que
aplicado em telecomunicaes, em que cabos de fibras pticas so divididos em n redes
lgicas. Os autores Knippel e Lardeux em [KNI07] propem uma formulao matemtica
para o MNDP sem as variveis flow e path, na qual utilizada uma funo discreta baseada
na capacidade de ligaes entre os ns. A partir da formulao matemtica, desenvolvido
um mtodo para projetar redes virtuais que utilizam IP (Internet Protocol). Embora esse
mtodo aborde redes multicamadas, ele desenvolve uma soluo na qual cada camada da rede
virtual otimizada individualmente. Os testes so executados em doze redes; no entanto, so
redes de porte reduzido com, no mximo, 10 ns e 45 arestas. O tempo de computao para
processar multicamadas mais baixo quando comparado ao processamento da camada nica.
Outra rea de telecomunicaes em que as pesquisas de NDP so aplicadas a
multiplexao de sinais. Os autores em [DOS95] e [DOS97] apresentam a ferramenta INDT
(Integrated Network Design Tools) para auxiliar nos projetos de produtos e circuitos baseados
na multiplexao de sinais, e esse programa pode ser expandido para implementar algoritmos
de projetos de rede hbridas ring/mesh. A interface do usurio grfica na INDT permite que os
usurios entrem na base de dados com os dados da rede e as editem.
Para propor metodologias diferentes alm da computao evolucionria com suas
heursticas estocsticas, os autores em [HER00] prope o uso de mtodos da Engenharia de
Processos e Sistemas (EPS4). Esses mtodos consideram o processo por meio de um modelo
matemtico, na tentativa de abstrair o aspecto mais importante e, ento, reduzir a
complexidade do problema. Os autores demonstraram como eles formularam, analisaram e
solucionaram o projeto de uma infraestrutura de rede com os mtodos empregados na
Engenharia de Processos e Sistemas e na indstria de processos qumicos.
Projetos de redes tambm podem ser modelados e estudados na literatura com o
Projeto de Topologia de Redes (Network Topology Design NTD). O uso dos mtodos
branch-and-cut, clustering heuristic (CH) e limited discrepancy search (LDS) explorado em
[BRU08], e o objetivo integrar o custo do equipamento em um projeto topolgico de redes

4
Os conceitos de EPS so revisados em [PER02].
 34

de fibra ptica. Pesquisas mostraram melhores resultados com LDS, embora o mtodo exija
maior tempo de processamento quando comparado ao CH.
Um caso especial de NTD o shared risk link group (SRLG), em que vrios canais de
comunicao dependem de uma nica fibra, portanto, se uma anomalia ocorre com a fibra,
todas as dependncias perdem comunicao. Os autores Wang e Chang em [WAN08]
propuseram um modelo com GA para o SRLG com mltiplos objetivos (custo, confiana e
capacidade) e com mltiplos critrios (confiabilidade, capacidade da rede e grau de ligao).
O modelo identifica cada fibra como um gene em um cromossomo e computa a fitness, deste
modo possvel encontrar solues timas para qualquer tipo de restrio para problemas de
objetivo nico e multiobjetivo. Essa proposta comparada com outras pesquisas que
trabalham individualmente apenas com problemas de objetivo nico ou multiobjetivo,
mostrando-se mais eficiente devido ao seu trabalho com ambos os problemas, de nico
objetivo e de multiobjetivo.

3.2. Problema da rvore de Steiner

Os projetos de telecomunicaes podem ser modelados como STP. Para lidar com tais
problemas, Chu et al. em [CHU99] usaram GA para identificar onde os equipamentos podem
ser instalados na rede, e a funo objetivo foi estimada com algoritmo Prim. Os resultados
obtidos foram comparados com a heurstica Busca Tabu (Tabu Search TS), porm no
apresentou valores relevantes entre as abordagens, considerando que GA gera uma soluo de
melhor qualidade, mas com um tempo computacional maior. Tambm utilizando GA, porm
para VLSI (very-large-scale integration) modelado como STP, os autores em [ESB94]
obtiveram melhores resultados com GA quando comparados com a abordagem EDNH
(Extended Distance Network Heuristic) e EMPH (Extended Minimum Cost Paths). O GA
apresentou solues melhores para os problemas testados, no entanto, o tempo computacional
similar em todas as abordagens.
Os autores Huy e Nghia em [HUY08] propem uma variao de GA, o algoritmo
gentico paralelo, no qual usado um cdigo binrio com paralelismo, e a fitness avaliada
com DNH (Distance Network Heuristic). Nos testes com a base de testes da OR-Library
[BEA10], foram observados melhores resultados quando comparados com PGS (Parallel
Genetic Algorithm for Steiner Problem), GRASP (Greedy Randomized Adaptive Search
 35

Procedure), EGA (Enhanced Genetic Algorithm) e PGRASP (Parallel Greedy Randomized

Adaptive Search Procedure).
Um caso especial de STP o DST (Dynamic Steiner Tree), no qual um conjunto de
ns de Steiner se modifica durante o processo. Para solucionar esse problema especfico, o
algoritmo OLGA (Online Genetic Algorithm) foi desenvolvido em [DIN00]. O OLGA foi
executado com a base de testes da OR-Library [BEA10] e o desempenho apresentado foi
melhor quando comparado com DNH (Distance Network Heuristics), SPH (Shortest Path
Heuristic) e ADH (Average Distance Heuristic).

3.3. Problema das p-Medianas

O problema das p-Medianas consiste em localizar p pontos em um dado grafo, que
nomeado de medianas. Uma lista de problemas relacionados, que podem ser modelados como
problemas das p-Medianas, apresentada em [KAR79].
Os projetos de infraestrutura de telecomunicao tambm podem ser estudados como
um problema das p-Medianas, e, na pesquisa [LOU04], proposta a meta-heurstica GRASP
com paralelizao para localizar os lugares onde os equipamentos de telecomunicao devem
ser instalados. Os resultados mostraram que o GRASP paralelo retorna melhores solues em
um curto perodo de tempo quando comparado com as abordagens encontradas na literatura:
VNS (Variable Neighborhood Search), VNDS (Variable Neighborhood Decomposition
Search), LSH (Lagrangean-Surrogate Heuristic), CGLS (Column Generation with
Lagrangean/Surrogate Relaxation) e HYBRID/HYB-SS (hybridization of GRASP).
A literatura traz muitos estudos do problema das p-Medianas e suas solues, e, em
[GHO08], o problema da p-Mediana capacitada solucionada usando GA. uma abordagem
bsica em que cada gene do cromossomo representa o ndice de uma facilidade. Os resultados
obtidos em [GHO08] mostram que GA mais efetivo quando comparado ao conjunto de
problemas proposto pelos autores em [OSM94].
Geralmente o GRASP aplicado para problemas de objetivo nico, porm, entre os
trabalhos de multiobjetivo, os autores Ribeiro e Arroyo em [RIB08] propem um novo
mtodo com otimizao GRASP multiobjetivo para localizar facilidades. Alm do mtodo,
apresentada uma reviso do problema p-Medianas capacitado. Os resultados obtidos
apresentam um ganho quando comparados s pesquisas anteriores com GRASP multiobjetivo,
porm com um tempo de processamento maior.
 36

Para problemas multiobjetivos de localizao de facilidades, os autores Garcia et al.

em [GAR11] apresentam a meta-heurstica Scatter Search [GLO00] para fornecer um
conjunto de solues. No entanto, os resultados no so suficientes para verificar se a Scatter
Search apropriada para esse problema. Os autores em [LOR11] mostram um exemplo real
de um problema modelado como problema das p-Medianas. Eles implementam uma
abordagem da heurstica Lagrangeana/surrogate na plataforma GIS: ArcGIS da companhia
ESRI, e na plataforma Spring do Instituto Nacional de Pesquisas Espaciais (INPE). Os
testes computacionais foram realizados com dados da cidade de So Jos dos Campos, em
So Paulo, e mostraram a viabilidade de usar as abordagens existentes com um modelo de
problema clssico da literatura para desenvolver as aplicaes comerciais.

3.4. Principais Tcnicas Aplicadas a Projetos de Redes

O estudo dos problemas NDP, STP e a p-Mediana auxiliam o desenvolvimento de
novas ferramentas para solucionar os problemas de redes e, nesta seo, so apresentadas
algumas tcnicas utilizadas. As tcnicas so divididas em tcnicas para problemas de objetivo
nico e tcnicas para problemas multiobjetivo.

3.4.1. Tcnicas para otimizao de objetivo nico

O PSO utilizado por Papagianni et al. em [PAP08] para solucionar problemas de
projetos de redes de comunicao com um nvel, com o objetivo de encontrar as localizaes
e comprimento das arestas que ligam os ns da rede. Uma adaptao para o PSO para
problemas de rede o DPSO (Discrete PSO), e, em [ZHO08], um pr-processamento usado
e uma nova varivel de controle adicionada no algoritmo tradicional. Os testes com DPSO
so executados com dados de testes da OR-Library [BEA10] e so apresentados resultados
com melhores ganhos que os obtidos com SPH, ADH, DCH (Directed Convergence
Heuristic) e GA.
O algoritmo de busca tabu (TS) utilizado para resolver problemas de rede. Os
autores Silva e Rodrigues em [SIL04] implementam o TS com tcnicas de pr-processamento,
e demonstram que esta abordagem reduz o tempo computacional. Os testes foram realizados
com dados da base OR-Library [BEA10] e indicam a viabilidade da proposta. Ribeiro e Souza
em [RIB00] resolvem o STP utilizando TS, no qual so implementados os movimentos insert
 37

e delete para otimizar o algoritmo. A eficincia desta implementao foi confirmada com os
testes na base de dados OR-Library [BEA10] e comparaes com SPH.
A estrutura de diversificao de memria do TS modificada em [XUJ95],
aperfeioando o mecanismo de explorao, sendo que algumas estratgias so incorporadas,
tais como: a) memria de longo prazo, b) selees de movimentos probabilsticos, com
avaliao de movimento, c) correo de erros, e d) estratgias de lista de candidatos. Isso
melhora a busca no espao de busca, o que verificado por testes com uma base de dados
construda pelos autores e comparado com outras abordagens de TS.
Na Tabela 3.1, encontra-se um resumo dos algoritmos e suas aplicaes em projetos
de redes.
Tabela 3.1.Resumo dos Trabalhos Relacionados.
Referncia* Problema Abordagem/Mtodos Principal Contribuio
[ALT03] Redes de Computadores GA, SA and Hill climbing Comparar o desempenho do Hill
climbing, SA e GA nos problemas
de projetos de redes de
computadores.
[BOL10] Projetar Redes de Algoritmo Evolucionrio Um novo algoritmo evolucionrio
Distribuio de gua GHEST (GHEST) aplicado para solucionar
redes de distribuio de gua.
[BRU08] Projeto de topologia de Algoritmo Branch-and-cut, Avaliao dos algoritmos branch-
Redes. Clustering Heuristic (CH), and-cut, CH e LDS para solucionar
Limited Discrepancy Search problemas de projetos topolgicos
(LDS). de redes de acesso.
[CAD10] Distribuio de Energia MOGA Um mtodo proposto para
Eltrica solucionar a expanso tima da
rede de transmisso de energia com
MOGA.
[CHU99] Identificar os locais para GA Abordagem usando GA e uma
os equipamentos na rede. comparao entre GA e TS.

[DIN00] STP GA OLGA uma variao do GA

(online GA), para solucionar os
problemas DST.
[DOS95] Multiplexao de Sinais Ferramenta de projeto de Um conjunto de ferramentas
[DOS97] rede integrada em C++ desenvolvidas na linguagem C++.
[ESB94] Projetar VLSI GA Uma proposta de GA para
solucionar o STP, em um estudo de
caso de VLSI.
[GAO09] Rede de Trfego Pblico Modelo de Programao Um novo algoritmo HMCOL para
Multiobjetivo: HMCOL resolver problema de redes de
trfego em uma estrutura
hierrquica.
[HER00] Projeto de Redes Engenharia de Processos e Uma nova abordagem usando PSE
Sistemas (PSE) no projeto de infraestrutura.
[HRI01] Melhorar a velocidade de Protocolos de Internet Uma reviso do estado da arte para
conexo em redes mveis projetar protocolos de redes para
melhorar a velocidade em redes
mveis.
 38

[HUY08] STP GA Paralelo O novo GA paralelo para

solucionar o STP grfico, e
comparaes com GA, GRASP,
Parallel GRASP e com TS.
[KAM06] Planejar Redes de Reviso literria Uma reviso dos Algoritmos
Telecomunicaes. Evolucionrios aplicados para
solucionar os problemas de
projetos de telecomunicaes.
[KHA97] Planejar Redes de Reviso literria Uma reviso dos problemas de
Distribuio de Energia. pesquisas relacionados ao
planejamento de subestaes e
alimentadores de distribuio.
[KNI07] Redes de Formulao Matemtica Uma formulao matemtica sem
telecomunicaes lgicas variveis de fluxo ou variveis de
caminho, baseada em
desigualdades mtricas, e
resolvendo o problema de dois
nveis em dois passos.
[LOU04] Problema da p-Mediana GRASP Uma paralelizao da heurstica
GRASP para resolver o problema
da p-Mediana.
[MAR09] Projetos de Ferrovias Modelo de formulao Um modelo de formulao
Matemtica matemtico para o problema de
projetos de rede de ferrovias.
[MAT00] Projetar Rede de Relaxao Lagrangeana Uma heuristica lagrangeana
Telecomunicao proposta para o NDP.
[PAP08] Projeto de Rede de PSO Anlise da eficincia do PSO no
Comunicao projeto de infraestrutura de rede.
[RIB00] STP TS Os movimentos delete e insert em
TS para solucionar o STP.
[SIL04] STP TS As tcnicas de pr-processamento
com TS para solucionar STP.
[SOU06] Distribuio de Energia MOGA Uma abordagem com multiobjetivo
Eltrica GA para determinar a configurao
para uma rede de distribuio de
energia.
[WAN08] Shared risk link group GA Uma abordagem usando GA para
fiber dependencies solucionar o problema NTD com
mltiplos objetivos e critrios.
[XIA08] Projetos de Rodovias Evolutionary Game Um novo modelo de programao
Algorithm (EGA) binvel, e um novo algoritmo-EGA.

[XUJ95] STP TS As modificaes na memria de

diversificao do TS para
solucionar STP.
[ZHA08] Projetos de Rodovias GA Uma reviso literria dos modelos
de NDP com aplicao de GA.

[ZHO08] STP em Grafos PSO Um PSO discreto para solucionar o

STP em grafos; um algoritmo
Prims modificado para avaliar
STP; e comparaes com SPH,
ADH, DCH e GA.
* Ordem da tabela.
 39

3.4.2. Tcnicas para otimizao multiobjetivo

As otimizaes de objetivo nico so mais fceis de implementar, mas, geralmente, os
problemas reais possuem dois ou mais objetivos, e precisam de tcnicas de otimizao
multiobjetivo. Hoje pesquisas sobre problemas de otimizao multiobjetivo (MOOP)
aumentam e mais estudos so publicados com este tema. Uma lista recente desses estudos
publicados encontrada em [COE11], e uma reviso das pesquisas na rea de otimizao
multiobjetivo listada nos trabalhos de [DEB01], [COE02] e [EIB03].
Alm das tcnicas para objetivo nico, h estudos sobre problemas multiobjetivos em
NDP. Por exemplo, o NSGA-II pode ser aplicado a um NDP, conforme demonstrado em
[MOR09] em um trabalho para planejamento de expanso de redes de distribuio de energia,
e em [SCH09] em um problema de rotas de veculos. NSGA-II um algoritmo comumente
usado e observado em pesquisas recentes, como por exemplo, em:
- comparado a outras abordagens:
[BIN10], [YAN09] e [LUN10];
- usado para problemas multiobjetivos:
[MOR09], [SCH09] e [HAR09];
- Sua estrutura adaptada a diferentes propostas:
[JIA10a], [JIA10b], [FER09] e [CAB10].
Outro algoritmo multiobjetivo MOPSO, derivado do algoritmo PSO. Desde a
primeira proposta em [MOO99], vrios MOPSO diferentes tm sido reportados na literatura.
Os autores em [COE04] prope um MOPSO que utilize a dominncia de Pareto para
determinar a direo de voo de uma partcula. As solues no-dominadas encontradas so
guardadas em um archive global. Ento, um operador de mutao adaptado para gerar
solues dentro do alcance das variveis de deciso que no foram previamente utilizadas. A
proposta de [JON02] um operador de turbulncia e uma estrutura de dados conhecido
como rvore dominante, que encontra as partculas no-dominadas atravs de um processo
de busca. A pesquisa [MOS03] estudou a influncia de uma forma relaxada da dominncia de
Pareto chamada de -dominance. Em [MOS04], proposto um mtodo chamado de
coveringMOPSO, que funciona em dois estgios: a) ele opera com um arquivo de tamanho
restrito para encontrar uma boa aproximao da Fronteira de Pareto; b) as solues no-
dominadas do estgio a so usadas como um arquivo de entrada do coveringMOPSO.
 40

Os autores Li e Cao, em [LI03], incorporam os principais mecanismos do NSGA-II no

MOPSO. Nessa proposta, depois de uma partcula ter atualizado sua posio, todas as
posies pbest e as novas posies so combinadas em um conjunto e, posteriormente, as
melhores solues so selecionadas.
Nos ltimos anos, vrios estudos de algoritmos multiobjetivos foram desenvolvidos
com algoritmos evolucionrios e, na Tabela 3.2, mostrada uma lista desses algoritmos,
classificadas em grupos No-Elitistas e Elitistas, de acordo com [DEB01].

Tabela 3.2. Algoritmos Evolucionrios Multiobjetivos.

Algoritmos Evolucionrios Multiobjetivos No-Elitistas
Nome Acrnimo* Referncia
Distributed Reinforcement Learning Approach DRLA [MAR00]
Distributed Sharing Genetic Algorithm DSGA [HIR99]
Multiple Objective Genetic Algorithm MOGA [FON93]
Multi-Objective Neural Evolutional Strategy System MONESSY [KOP97]
Nash Genetic Algorithm Nash GA [SEF00]
Niched Pareto Genetic Algorithm NPGA [HOR94]
Non-Dominated Sorting Genetic Algorithm NSGA [SRI94]
Predator-Prey Evolution Strategy PPES [LAU98]
Random Weighted Genetic Algorithm RWGA [MUR95]
Vector Evaluated Genetic Algorithm VEGA [SCH85]
Vector Optimized Evolution Strategy VOES [KUR91]
Weight Based Genetic Algorithm WBGA [HAJ92]
Algoritmos Evolucionrios Multiobjetivos Elitistas
Nome Acrnimo* Referncia
Distance-Based Pareto Genetic Algorithm DBPGA [OSY95]
Multi-Objective Micro-Genetic Algorithm Micro-GA [COE01]
Multi-Objective Ant-Q MOAQ [MAR99]
Multi-Objective Messy Genetic Algorithm MOMGA-I / MOMGA-II [VEL99]
Multi-Objective Particle Swarm Optimization MOPSO [MOO99]
Multi-Objective Tabu Search MOTS [HAN97]
Elitist Non-Dominated Sorting Genetic Algorithm NSGA-II [DEB00]
Pareto-Archived Evolutionary Strategy PAES [KNO99]
Pareto Envelope-Base Selection Algorithm PESA-I [COR00]
Pareto Envelope-Base Selection Algorithm PESA-II [COR01]
Rudolphs Elitist Multi-Objective Evolutionary Algorithm REMOEA [RUD01]
Strength Pareto Evolutionary Algorithm 1 SPEA [ZIT98]
Strength Pareto Evolutionary Algorithm 2 SPEA2 [ZIT01]
Thermodynamical Genetic Algorithm TGA [KIT96]
* Coluna de ordem da tabela.

Uma reviso sobre MOOP tambm realizada em [DEB01], e alguns algoritmos

multiobjetivos so comparados em [ZIT99a] e [ZIT99b]: FFGA (Algoritmo Gentico de
Fonseca e Fleming), NPGA, HLGA (Algoritmo Gentico de Hajela and Lin), VEGA, NSGA,
SPEA e SOEA (Algoritmo Evolucionrio de Objetivo nico).
 41

Consideraes Finais do Captulo

Este captulo apresentou importantes trabalhos relacionados ao planejamento de redes
disponveis na literatura. H outras revises sobre problemas de telecomunicao que podem
ser vistas em [KAM06], sobre mobilidade na infraestrutura de rede de Internet em [HRI01] e
sobre distribuio de energia eltrica em [KHA97].
Como visto nas pesquisas e abordagens citadas, projetos de rede so importantes para
a sociedade, e os estudos de problemas clssicos so aplicados em problemas do mundo real,
como no caso de estudo de projetos de redes de telecomunicaes.
importante observar que a maioria das pesquisas e abordagens considera
individualmente apenas um nvel de rede do projeto, e falham em considerar nveis adjacentes
na infraestrutura de projeto de rede. Quando vrios nveis so considerados, eles so apenas
processados individualmente, como em [ALF07].
Captulo 4

Algoritmo Proposto

Este captulo apresenta o novo algoritmo para solucionar problemas de infraestrutura

de redes, independentemente do nmero de nveis, o qual pode ser aplicado para as variaes
de NDP, STP e das p-Medianas quando apresentam mais de um nvel na rede. O algoritmo
procura as solues considerando todos os nveis da rede, considerando as informaes dos
nveis adjacentes, propondo uma soluo otimizada do planejamento completo da rede.
O novo algoritmo prope melhorar as abordagens anteriores na soluo de
planejamento de redes. Quando utilizada uma abordagem que verifica cada nvel de forma
sequencial e nica, obtm-se um custo menor para os nveis, mas pode ocorrer que a soluo
final para todos os nveis da rede no seja otimizada. Esta situao observada na Figura 4.1,
na qual a soluo individual do nvel inicial para o processamento hierrquico menor
(Figura 4.1a), mas a soluo final da rede maior que o proposto pelo algoritmo interativo
(Figura 4.1b). A nova soluo apresentada tem para o nvel 2 um custo maior, mas reflete em
uma soluo final com custo menor, j que o nvel 3 tem menos demandas a serem atendidas.
Isto somente possvel quando o processamento ocorre de forma interativa e o nvel 2
processado com informaes de ns ascendentes (ns do nvel 3), tal como realizado pelo
novo algoritmo proposto.
 44

Figura 4.1. Diferenas de custo encontrado entre os mtodos.

(a) Forma sequencial (b) Forma interativa.

A execuo do algoritmo proposto ilustrada na Figura 4.2 por meio de uma trelia,
que representa as iteraes entre os nveis da rede e exemplifica o processamento de 3 nveis.
Primeiramente, gerada a soluo 1, sendo que as solues no nvel atendem as demandas
do problema (os clientes), e, depois, gerada uma soluo A que atende os ns facilitadores
da soluo 1. Agora com os ns facilitadores na soluo A (os quais so os ns ascendentes
para o nvel ), o nvel processado novamente, gerando a soluo 2, e assim por diante.
Quando no for possvel melhorar a soluo para o primeiro bloco mais interno (nvel e
+1), o prximo bloco (+1 e +2) processado com a mesma lgica do processo anterior.
Seguindo o exemplo na Figura 4.2, a soluo 6 no nvel a melhor soluo para
atender as demandas do problema. O prximo nvel (+1) tem a melhor soluo J para
 45

atender a soluo 6. Finalmente, o nvel +2, tem a melhor soluo V para atender a
soluo J.

Figura 4.2. Trelia do MAND.

Este captulo dividido em duas sees: a Seo 4.1 mostra a formulao matemtica
utilizada para o desenvolvimento do novo algoritmo, e a Seo 4.2 apresenta a estrutura do
Algoritmo Multinvel para Projetos de Redes (Multilevel Algorithm for Network Design -
MAND) e como ela implementada.

4.1. Formulao do Problema

Esta seo apresenta a formulao matemtica que representa o problema de

infraestrutura de redes em vrios nveis. A representao possibilita a interao de
informaes entre nveis adjacentes. As funes-objetivo apresentadas abaixo so utilizadas
nos algoritmos de otimizao auxiliares do MAND.
Variveis:
: nvel atual;
M: conjunto de ns de demanda do nvel simo;
N: conjunto de ns facilitadores do nvel simo;
 46

E: conjunto de todas arestas possveis;

A: conjunto de ns ascendentes do nvel simo;
xij: custo do trajeto entre a demanda isimo ao n facilitador jsimo;
yij: custo do trajeto entre a facilidade isimo ao n ascendente jsimo;
ni: status binrio do n facilitador isimo: (1-on, 0-off);
ai: status binrio do n ascendente isimo: (1-on, 0-off);
ti: custo do n facilitador isimo do nvel simo;
ci: custo do n ascendente isimo do nvel simo.

Funes Objetivo:
C = MIN ( xij ni + t i ni + yij a i + ci a i ) (1)
iM jN iN iN j A iN

F = MAX ni (2)
iN

Restries:
ni {0,1} iN (3)

ai {0,1} iA (4)

A equao (1) representa a funo objetivo que minimiza o custo da construo do

nvel da rede. Essa equao o custo de todos os ns ativados mais o custo do trajeto entre
os ns de demanda e os ns facilitadores (somatria das arestas). Quando h ns ascendentes,
computado o custo da conexo entre cada n facilitador com o n ascendente mais prximo.
A equao (2) representa a funo objetivo que maximiza o nmero de ns facilitadores no
nvel da rede, definindo a flexibilidade. A maximizao do nmero de ns facilitadores
procura uma soluo com um maior nmero de equipamentos, que resulta em uma
infraestrutura mais flexvel, facilitando a expanso, ou seja, a ligao de novas demandas. As
restries (3) e (4) limitam que apenas os ns facilitadores (ni) e ascendentes (ai) ativos
(quando o status on) so considerados nos clculos.
Dentro da matriz t e c, esto os custos monetrios dos equipamentos correspondentes.
Geralmente considerado um custo proporcional dos equipamentos nos diferentes nveis da
rede. O custo monetrio dos equipamentos e cabos utilizados na construo dos nveis
progressivo, por exemplo para telecomunicaes, na construo do primeiro nvel (ltima-
milha), os equipamentos de pontos de acesso tm custo menor que os equipamentos instalados
em uma central de telecomunicaes.
 47

A relao entre o custo monetrio da instalao de equipamentos e cabos define o

nmero de equipamentos na soluo. Se equipamentos de custo mais elevados so utilizados,
ento vivel fazer uso de menos equipamentos e construir mais trajetos, considerando que os
cabos so mais acessveis monetariamente. Na situao contrria, quando os cabos tm custos
maiores, ser, ento, melhor considerar mais equipamentos na soluo.

4.2. Algoritmo Multinvel aplicado a Projetos de Redes (MAND)

O algoritmo proposto MAND auxilia o planejamento de projetos de infraestrutura de

redes com trs ou mais nveis. O algoritmo 1 apresenta o pseudocdigo da implementao do
MAND.
Com o MAND, os L nveis de uma rede so processados interativamente, sendo que os
resultados de um nvel so utilizados no processamento dos nveis adjacentes. Os dados de
entrada so os clientes a serem atendidos, representados pelo conjunto M, linha 1, que contm
as demandas do primeiro nvel. Esses dados so utilizados para processar o nvel para
encontrar um conjunto inicial de facilidades para atender os clientes (construir a ltima-
milha). Inicialmente, alm dos custos dos trajetos, a nica informao usada para computar os
custos o valor associado com o conjunto de ns facilitadores associados com o nvel . Em
uma prxima iterao, quando o nvel +1 j foi processado, no mnimo, uma vez, possvel
reavaliar as facilidades definidas para o nvel , mas agora considerando o custo dos ns
ascendentes, que so os ns facilitadores do nvel +1.
O algoritmo tem quatro blocos de repetio (laos) principais. O primeiro bloco while
(+1)< L, na linha 8, mais externa, usado para controlar as iteraes de todos os nveis no
problema. O prximo bloco while got_improved[] or got_improved[+1] or
got_improved[+2]), na linha 9, usado para controlar os trs nveis interativamente
enquanto possvel encontrar melhores solues. Os dois blocos mais internos processam
dois nveis cada, e controlam suas iteraes. O primeiro bloco mais interno executa os nveis
e +1 (linha10), e o segundo bloco mais interno executa os nveis +2 e +1 (linha 26).
Em suma, no algoritmo proposto, h um primeiro controle de repetio que controla a
quantidade de nveis da rede. No segundo controle, mais interno, controlada a evoluo dos
trs nveis em processamento. Os dois controles mais internos do algoritmo controlam dois
nveis cada: o nvel e +1 no primeiro, e o nvel +2 e +1 (novamente) no segundo
 48

controle. Com estas interaes de nveis, possvel utilizar as informaes de ns ascendentes

do nvel em processamento.
Considerando as informaes dos nveis ascendentes, possvel buscar melhores
solues considerando a interao entre os nveis adjacentes. Portanto, quando o nvel atual
, possvel usar informaes do nvel +1; se o nvel atual for +1, possvel utilizar
informaes do nvel +2, e assim por diante. Essa interao entre os nveis otimiza toda a
infraestrutura de rede.
 49

1 MAND ( M )
2 L: number of levels;
3 : current level;
4 cost_level[L] = {max ,, max};
5 got_improved[L] = {true, , true};
6 Begin
7 = 1;
8 while ( (+1) < L )
9 while (got_improved[] or got_improved[+1] or got_improved[+2] )
10 while (got_improved[] or got_improved[+1])
11 cost = Level_Processing();
12 if (cost < cost_level[]) then
13 cost_level[]=cost;
14 got_improved[]=True;
15 else
16 got_improved[]=False;
17 endif
18 cost = Level_Processing(+1);
19 if (cost < cost_level[+1]) then
20 cost_level[+1]=cost;
21 got_improved[+1]=True;
22 else
23 got_improved[+1]=False;
24 endif
25 endwhile
26 while (got_improved[+2] or got_improved[+1])
27 cost = Level_Processing(+2);
28 if (cost < cost_level[+2]) then
29 cost_level[+2]=cost;
30 got_improved[+2]=True;
31 else
32 got_improved[+2]=False;
33 endif
34 cost = Level_Processing(+1);
35 if (cost < cost_level[+1]) then
36 cost_level[+1]=cost;
37 got_improved[+1]=True;
38 else
39 got_improved[+1]=False;
40 endif
41 endwhile
42 endwhile
43 if (got_improved[] and > 1) then
44 =-1;
45 else
46 =+1;
47 endif
48 endwhile
49 return cost_level[L];
50 end.

Algoritmo 1: Algoritmo Multinvel aplicado a Projetos de Redes.5 [SIL11]

5
As variveis utilizadas no algoritmo esto declaradas na formulao matemtica.
 50

O conjunto de ns ascendentes somente conhecido aps a primeira iterao dos

nveis subsequentes. Na primeira iterao de um nvel, uma soluo penalizada, pois ela no
possui a informao sobre os ns facilitadores do nvel subsequente, j que esta no foi
executada at ento.
Um vetor binrio, como apresentado no diagrama da Figura 4.3, representa as solues
processadas pelos algoritmos de otimizao. O vetor possui uma quantidade de posies
definida conforme as opes de instalao de equipamentos, sendo que o dgito 1 representa
os ns facilitadores utilizados, e o dgito 0 representa as posies descartadas. Esse processo
encontra uma soluo parcial para o projeto da rede, que a soluo do nvel sendo
processado.

Figura 4.3. Representao de uma soluo em um vetor.

Na Figura 4.4, apresentado um exemplo, em que h duas solues distintas

representadas pelos respectivos vetores. No exemplo (a), o custo estimado de 74,49
unidades monetrias, j o exemplo (b) tem um custo de 81,12 unidades monetrias. A
diferena de custo que, no exemplo (b), h um custo menor de ligaes, pois h ns
facilitadores mais prximos das demandas mas, em contrapartida, h mais ns facilitadores a
serem instalados.
 51

(a)

(b)
Figura 4.4. Exemplo de solues. (a) exemplo 1 e (b) exemplo 2.

4.3. Processamento de um nvel

Os nveis so processados de forma interativa no algoritmo, sendo que cada nvel

processado em dois estgios: a) encontrar os ns facilitadores e b) encontrar as ligaes
necessrias da rede.

Figura 4.5. Resumo da otimizao de um nvel.

A Figura 4.5 mostra que, para encontrar ns facilitadores, necessrio conhecer quais
ns de demanda devem ser atendidos, e um algoritmo de otimizao usado para esse
 52

primeiro estgio. No prximo estgio, aps conhecer os ns de demanda e os ns

facilitadores, so necessrias as ligaes, e esse processo executado com um algoritmo de
caminho mais curto (shortest path algorithm). A otimizao de um nvel implementada no
Algoritmo 2.

1 Level_Processing ( )
2 if (exist_level(+1)) then
3 A[] N[+1]
4 cost_level = Level_cost(,M,N,E,A)
5 return cost_level;
6 end.

Algoritmo 2: Procedimento do Level_Processing. [SIL11]

No algoritmo 2, o procedimento Level_Processing() executado para cada nvel. Ele

responsvel por buscar a quantidade e a localizao geogrfica de equipamentos e por
definir o caminho entre os equipamentos, entre equipamentos e demandas, e equipamentos
com ns ascendentes, se existirem. O algoritmo pode trabalhar com problemas de objetivo
nico e com problemas de multiobjetivo na funo Level_Processing(). A funo Level_cost
implementa a formulao matemtica para clculo do custo da rede, conforme apresentado na
seo Formulao do Problema.

4.3.1. Definio do caminho entre os ns

Para encontrar o melhor caminho entre os ns, necessrio um algoritmo de melhor
caminho, tal como o Dijkstra[DIJ59], A* (A Estrela)[HAR68] ou o algoritmo Johnson
[JOH77]. Nesta pesquisa, utilizado o algoritmo de Dijkstra para definir o melhor caminho
entre os ns.
comum na literatura a utilizao da distncia Euclidiana, mas, como observado em
[SIL10], em um problema com restries geogrficas, a utilizao da distncia Euclidiana
como parmetro de clculo em uma funo objetivo pode ocasionar distores nos resultados.
A opo de no utilizar a distncia Euclidiana pode ser questionada pelo maior custo
computacional do algoritmo Dijkstra, mas este custo pode ser amenizado com tcnicas de
linguagens de programao, como, por exemplo, utilizao de ponteiros e referncias para
enderear diretamente endereos de memria; uma estrutura de memria que seja capaz de
guardar trajetos realizados, para que no seja necessrio repetir duas vezes um mesmo clculo
de caminho.
 53

4.3.2. Otimizao de Objetivo nico

Para esse propsito, diferentes algoritmos de otimizao podem ser utilizados, tais
como GA ou PSO. O algoritmo de otimizao utilizado em Level_Processing avalia a funo
objetivo (1) descrita na seo 4.1.
Para o controle da evoluo do algoritmo, o procedimento Level_Processing recebe
um valor do algoritmo de otimizao utilizado, o qual o custo da soluo para aquele nvel.

4.3.3. Otimizao Multiobjetivo

No caso de problemas multiobjetivos, utilizado como algoritmo de otimizao
auxiliar o NSGA-II e o MOPSO. Nessas situaes, utilizada tambm a funo objetivo (2), a
qual computa a quantidade de ns facilitadores na soluo. Portanto, a funo objetivo (1)
minimiza o custo e a funo objetivo (2) maximiza a flexibilidade.
Para o controle de evoluo da soluo, utilizado um valor de referncia6 (que pode
ser o custo de um dos objetivos) informado pelo algoritmo de otimizao multiobjetivo. A
sugesto de implementao para utilizao de um valor de referncia apresentada no
Apndice C.

Consideraes Finais do Captulo

Neste captulo o algoritmo proposto MAND foi descrito em detalhes. O algoritmo
trabalha com trs blocos principais, Cada bloco mais interno processa dois nveis
interativamente, e o bloco mais externo assegura que todos os nveis da rede sejam
processados.
A estrutura do algoritmo garante a execuo de todos os nveis da rede de forma
interativa, retornando uma soluo tima para a rede completa.
A formulao matemtica utilizada como funo objetivo do algoritmo considera os
ns adjacentes e as ligaes entre os ns. O custo total a soma dos ns ativados, mais a soma
das ligaes entre os ns de demanda com os ns facilitadores e a soma das ligaes entre os
ns facilitadores com os ns ascendentes.

6
O valor de referncia pode ser, por exemplo, a menor mdia entre o custo do objetivo 1 com o objetivo
2 (se o problema tem dois objetivos), a qual pode ser retornada pelo Tomador de Deciso implementado de
forma a posteori.
 54

Os algoritmos de otimizao selecionados para trabalhar com o MAND foram

escolhidos por representarem as principais caractersticas existentes nas ferramentas
disponveis na literatura.
Captulo 5

Resultados Experimentais

Para avaliao do novo algoritmo, foi executado um conjunto de experimentos, os

quais so realizados sobre uma base de testes construda com informaes geogrficas a partir
de um sistema SIG.
O processamento de cada nvel da rede dividido em dois estgios, e cada estgio
utiliza diferentes algoritmos. Para o primeiro estgio, os seguintes algoritmos de otimizao
foram selecionados para definir os ns facilitadores: GA e PSO quando o problema foi tratado
como de objetivo nico; e NSGA-II e MOPSO quando o problema de infraestrutura foi
tratado com multiobjetivos. Para a seleo dos algoritmos GA e PSO foram observados os
algoritmos utilizados nas abordagens apresentadas na reviso da literatura, e que apresentaram
resultados promissores nessas abordagens.
No segundo estgio, o algoritmo Dijkstra foi escolhido para definir os caminhos. Pois
o algoritmo Dijkstra o melhor algoritmo conhecido para busca de grafo na teoria e o mais
robusto na prtica [GOL96].
Para comparar o novo algoritmo, utilizada uma abordagem do projeto da rede com
um processo individual e nico de cada nvel (nvel-a-nvel) proposto em [ALF07], em que a
soluo final construda com o processamento individual de cada nvel, sem interaes entre
os nveis da rede.
O protocolo adotado para a avaliao do MAND :
Construo da base de dados de testes;
Seleo dos algoritmos auxiliares para a definio dos ns;
Seleo do algoritmo de melhor caminho;
Processamento dos testes com a abordagem nvel-a-nvel;
 56

Exemplificar a construo da rede com ferramentas bsicas, utilizando um dos

conjuntos de testes;
Processamento dos testes com o novo algoritmo.
Para realizar os testes e validar o MAND, vrias simulaes foram executadas
utilizando a combinao dos algoritmos auxiliares e das bases de testes, comparando os
resultados com o processamento nvel-a-nvel. Um exemplo do clculo da funo objetivo
mostrado na Figura 5.1, sendo que os valores de cada nvel do projeto de rede (Figura 5.1a)
so demonstrados na tabela de resultados na Figura 5.1b. Observa-se que a quantidade de
facilitadores encontradas no nvel 1 a quantidade de demandas que devem ser atendidas no
nvel 2, e a quantidade de facilitadores do nvel 2 a quantidade de demandas do nvel 3.

Figura 5.1. Exemplo de clculos, sendo (a) o diagrama da rede e (b) valores de custo.

Para todos os algoritmos utilizados nos testes, os parmetros foram obtidos com
experimentos empricos. Inicialmente, foram realizados os testes com valores de parmetros
obtidos nas pesquisas relacionadas no Captulo 3, e, ento, os valores dos parmetros foram
alterados para mais e para menos (sintonizando), at encontrar os valores que mostraram
melhores resultados e desempenho.
 57

Os cdigos-fonte foram implementados na linguagem de programao C++, e os

resultados relatados foram obtidos em um PC-Pentium Dual-Core E5300, 2.6 GHz com 2
Gbytes de memria, sistema operacional Ubuntu Linux verso 8.04.04.

5.1. Base de Dados para Testes

No foi encontrada na literatura uma base de testes com dados geogrficos, e com a
melhor soluo conhecida, ento, foi necessrio construir as bases de testes com as
informaes de locais geogrficos das demandas a serem atendidas e informaes dos
possveis locais geogrficos para a instalao de equipamentos. A base de testes existente na
literatura em [BEA10] no foi utilizada para os experimentos desta pesquisa, pois o contedo
no apresenta as coordenadas geogrficas com informaes dos nveis adjacentes, e nem
informaes de vrios nveis de planejamento de uma rede.
Para os testes de MAND, trs exemplos geogrficos foram construdos a partir de
bairros distintos da cidade de Curitiba, Paran, Brasil. As dimenses das bases de testes so
apresentadas na Tabela 5.1. Estes diferentes conjuntos de dados so utilizados para testar o
MAND em diferentes situaes, avaliando-o nos resultados e no desempenho obtidos. As
regies selecionadas representam rea e quantidade de informaes de situaes reais no
planejamento de redes.

Tabela 5.1. Dimenso da Base de Dados de Testes.

Demandas (clientes) Opes de
rea Aproximada
a serem atendidos Coordenadas
Base de Dados 1 50 390 2.1 km2
Base de Dados 2 105 583 2.5 km2
Base de Dados 3 405 1624 6.1 km2

A Figura 5.2 mostra a cidade com os bairros selecionados e as demandas

geograficamente localizadas. Nesta figura, possvel observar a abrangncia geogrfica dos
testes e a utilizao de dados que simulam um planejamento real de rede. As regies
selecionadas proporcionaram obter bases de dados similares a tamanhos reais para projetos de
infraestrutura.
 58

Figura 5.2. Localizao geogrfica da base de testes na cidade de Curitiba.

Para a construo de cada conjunto de dados, foi selecionado um polgono distinto,

conforme visualizado na Figura 5.2. Esses polgonos representam um ou mais bairros da
cidade. Para cada polgono, so selecionados pontos geogrficos, em que factvel instalar
equipamentos de telecomunicaes; e so tambm selecionados os pontos de prospeco de
clientes (ns de demandas), os quais devem ser atendidos por uma nova rede. Com estes
pontos, foi elaborado um procedimento computacional, baseado em tcnicas de
geoprocessamento, para criar as arestas que interligam os pontos, considerando os
arruamentos existentes na regio.
Com essas bases de dados, possvel testar o algoritmo para mltiplos nveis no
projeto de redes, como proposto nesta pesquisa. Elas simulam o mundo real da construo de
infraestruturas das redes de fibra ptica em ruas urbanas. O conjunto de ns de demanda foi
construdo com as coordenadas geogrficas dos locais onde clientes em potencial (demandas)
esto. Essas coordenadas esto distribudas em vrias quadras dos bairros selecionados.
Os ns facilitadores foram definidos como pontos geogrficos nas ruas, sendo as
opes em que os equipamentos sero instalados. A soluo um subconjunto desses pontos,
o qual encontrado no processo de otimizao.
 59

Para a funo objetivo, so calculados os valores de custo em unidades monetrias. O

custo de instalao de um equipamento considerado dez vez maior que o do nvel anterior
(100, 1000, 10000, ...). Esta relao de valores utilizada para manter uma compatibilidade
com os valores aplicados na implantao de diferentes nveis da infraestrutura. A relao de
valor utilizada para cada nvel leva em considerao as diferenas de custos existentes entre
os equipamentos.
Outro custo considerado na funo distncia do trajeto entre os equipamentos e
entre equipamentos e clientes. Geralmente, o custo dessa distncia o custo monetrio dos
cabos utilizados mais o custo de instalao. Nas redes instaladas nos centros urbanos, esse
custo diferente para cada nvel, pois se utilizam cabos diferentes. Para os experimentos,
considerada 1 unidade monetria para o primeiro nvel, 2 unidades monetrias para o segundo
nvel, 3 unidades monetrias para o terceiro nvel, e assim por diante.

5.2. Projeto da Rede com um Processo Individual de Cada Nvel

A abordagem de processamento individual de cada nvel utilizada como parmetro

de comparao com o MAND. O processamento de cada nvel individualmente utilizado em
[ALF07], em que proposto utilizar o GA para projetar o Multiprotocol-label Switching
(MPLS). O GA utilizado separadamente em cada nvel com diferentes funes-objetivo.
Para esse processo, a rede dividida em dois nveis: primeiro, o objetivo encontrar os ns de
acesso, e, posteriormente, encontrar routers.
Esse processo executa cada nvel uma nica vez e de forma individual e sequencial
(processo individual). executado uma vez para o primeiro nvel, e, ento, processado uma
vez para o segundo nvel, e assim por diante. Na Figura 5.3, possvel visualizar que os ns
facilitadores encontrados no primeiro nvel so utilizados como ns de demanda no segundo
nvel, os ns facilitadores encontrados no segundo nvel so utilizados no terceiro nvel, e
assim por diante. A rede completa encontrada na Figura 5.3 um exemplo do resultado obtido
por uma execuo no processamento.
 60

(a)nveis da rede

(b) todos os nveis da rede

Figura 5.3. Exemplo de processamento individual, apresentando em (a) os nveis
separadamente e em (b) todos os nveis.

5.3. Experimentos com Otimizao de Objetivo nico

Para testar a resoluo de problemas de objetivo nico, o MAND pode utilizar um

algoritmo auxiliar de otimizao proposto na literatura. Para os testes, foram selecionados
dois algoritmos para comparaes: o GA e o PSO.
A implementao do GA baseada em representao binria, e o cdigo-fonte usado
adaptado do padro original do Laboratrio de Algoritmos Genticos de Kanpur (KanGAL)
[DEB10], e com os seguintes parmetros:
- Comprimento do cromossomo: nmero de coordenadas geogrficas7;
- Dimenso da Populao: 60;

7
Coordenadas geogrficas so possveis locais onde os ns facilitadores podem ser
instalados.
 61

- Geraes: 10000;
- Probabilidade de crossover: 0,95;
- Probabilidade de mutation: 0,001;
- Sharing: false;
- Selection: Seleo por torneio (tournament selection).
O cdigo-fonte do PSO adaptado do padro original de Yuhui em [YUH11], no qual
as partculas so baseadas em representao binria. Os parmetros utilizados so:
- Dimenso: nmero de coordenadas geogrficas;
- Iteraes Mximas: 10000;
- Nmero de partculas: 60;
- Velocidade mxima: 10;
- Peso: 1,0;
- C1: 2,0 e C2: 2,0.
A Tabela 5.2 apresenta os resultados de simulao em grupos de colunas, e os
resultados com cada algoritmo auxiliar esto em divididos nas Tabelas 5.2a e 5.2b. O
resultado representa a mdia de cinco execues de cada algoritmo em cada base de dados, e,
em cada nvel, h somente o custo de ns facilitadores ativos e o custo do caminho dos ns de
demandas ao seu respectivo n facilitador.
Para cada algoritmo de otimizao, h duas colunas: uma com resultados do MAND e
outra com o processamento individual. Em cada coluna, h os resultados separados em linhas
de cada nvel. Cada nvel tem trs linhas: 1) a quantidade de demandas a serem atendidas; 2) a
quantidade de facilidades encontradas para atender as demandas; e 3) o custo da soluo em
unidades monetrias.
As facilidades do primeiro nvel so definidas como ns de demandas para o segundo
nvel; as facilidades do segundo nvel so definidas como ns de demanda para o terceiro
nvel, e assim por diante. Aps os resultados dos nveis, h duas linhas, sendo a primeira linha
o custo total e a segunda linha o tempo consumido pelo processo. O tempo obtido com o
comando time no sistema operacional Linux, e o total para planejar todos os nveis do
experimento.
62

Tabela 5.2. Resultados dos Experimentos com Redes de Trs Nveis.

(a) com o algoritmo GA e (b) com o algoritmo PSO.

(a)

(b)
 63

Ao final da tabela, apresentado o percentual reduo de custo, a qual a diferena

de custo entre o MAND e o processo individual. Pode-se observar que o algoritmo proposto
fornece uma reduo de custo total significante em cada experimento.
Todas as bases de dados foram testadas com o MAND utilizando os algoritmos de
otimizao de objetivo nico: GA e PSO.
Apesar de ser comum as redes de telecomunicaes terem trs nveis de equipamentos,
em algumas situaes, como em PON, pode ser necessrio planejar redes com mais nveis. Os
experimentos e resultados obtidos com MAND para redes com cinco nveis so apresentados
na Tabela 5.3.

Tabela 5.3. Resultados de Experimentos com Redes de Cinco Nveis.

(a) com o algoritmo GA e (b) com o algoritmo PSO.

(a)
 64

(b)

Nos algoritmos de otimizao utilizados, as melhores solues para os primeiros

nveis so encontradas com um nmero maior de geraes, isto porque existe um nmero
maior de ns de demandas e ns ascendentes no processamento. As Figuras 5.4 e 5.5
apresentam a mdia de iteraes utilizadas em que a melhor soluo foi encontrada no
experimento 2. Pode ser observado que PSO encontrou as melhores solues com menos que
1000 (um mil) geraes, enquanto GA precisa de, aproximadamente, 10000 (dez mil)
geraes nos primeiros nveis.
Para verificar se h uma diferena significativa entre os valores de custos, obtidos com
os algoritmos utilizados e apresentados na Tabela 5.3, foi realizada uma avaliao estatstica
utilizando o teste de Friedman [FRI37, FRI40]. O teste de Friedman aplicado nos resultados
da Tabela 5.3 apresentou p=0,0070 para a base de testes 1; p=0,0029 para a base 2 e p=0,0018
para a base 3; sendo p< 5% para todas as bases demonstra que existem evidncias de que os
fatores utilizados nestes testes no so todos iguais.
 65

Figura 5.4. Geraes executadas com o GA.

Figura 5.5. Geraes executadas com o PSO.

Observa-se tambm que o algoritmo proposto mostra um aumento significativo no

consumo de tempo quando comparado com a estratgia em que cada nvel processado
separadamente. A razo que, no algoritmo proposto, alguns nveis so processados mais de
uma vez, pois as informaes dos nveis ascendentes so utilizadas nos nveis anteriores.
Outro fato sobre o aumento no tempo que esses experimentos consideram a
informao geogrfica, e, para conectar cada n, o algoritmo precisa processar o caminho
vivel entre os ns. Esses caminhos precisam ser conectados por meio de vias urbanas, onde,
geralmente, as redes so construdas. Considerando o algoritmo de busca de grafo que
 66

empregado para encontrar esses caminhos, o MAND requer um maior tempo de

processamento.

Figura 5.6 Exemplo de uma soluo encontrada por MAND.

Uma das solues fornecidas por MAND, para o conjunto de dados 2, mostrada na
Figura 5.6. Os ns facilitadores no nvel um (crculos na cor roxa) atendem os clientes
(crculos na cor verde). Os ns do nvel um so atendidos pelos ns do segundo nvel
(quadrados na cor vermelha); e, finalmente, os ns do nvel dois so atendidos pelo n do
terceiro nvel (losango na cor alaranjada). Esse resultado atende o conjunto de ns de
demanda, em que cada nvel foi projetado considerando os nveis adjacentes.
Na Tabela 5.4, h uma comparao de um resultado grfico entre o MAND e o
processamento individual. possvel observar que o processo individual inicia-se com
um custo menor no primeiro nvel, pois h um nmero mais alto de ns facilitadores,
reduzindo o caminho para demanda. Por outro lado, o nmero alto de ns facilitadores no
 67

primeiro nvel aumenta o custo nos nveis seguintes, pois esses ns facilitadores se tornam ns
de demanda que devem ser atendidos.

Tabela 5.4. Comparao entre MAND e o Processamento Individual.

MAND Processamento Individual
Demandas 105 105

1 Facilidades 23 72

Custo 19.291 13.013

Demandas 23 72

2 Facilidades 4 16

Custo 19.149 39.533

Demandas 4 16

3 Facilidades 1 1

Custo 15820 42.089

Custo Total 54.260 94.635

5.5. Experimentos com Otimizao Multiobjetivo

Para testes de planejamento com problemas multiobjetivo, foram selecionados dois

algoritmos auxiliares: NSGA-II e o MOPSO. A implementao do algoritmo NSGA-II foi
adaptado do cdigo-fonte de KanGAL [DEB10], e utilizados os seguintes parmetros:
- Comprimento do cromossomo: nmero de coordenadas geogrficas;
- Dimenso da Populao: 60;
- Generaes: 10000;
- Probabilidade de crossover: 0,95;
- Probabilidade de mutation: 0,001;
- Nmero de objetivos: 28.
O cdigo MOPSO foi adaptado de [PUL11] e utilizados os parmetros:
- Dimenso: nmero de coordenadas geogrficas;
- Iteraes Mximas: 10000;
- Nmero de partculas: 60;
- Limite Inferior (Lower bound): -1,0;
- Limite Superior (Upper bound): 1,0;

8
Objetivo 1: Minimizar o custo; Objetivo 2: Maximizar a flexibilidade.
 68

- Peso: 1,0;
- C1: 2,0 e C2: 2,0;
- Agrupamentos (clusters): 4;
- Nmero de objetivos: 29.
A Tabela 5.5 apresenta os resultados obtidos com o processamento de algoritmos
multiobjetivo, sendo apresentado os resultados do algoritmo NSGA-II na Tabela 5.5a e do
algoritmo MOPSO na Tabela 5.5b. Diferentemente dos resultados obtidos com algoritmos de
objetivo nico, os valores demonstrados na Tabela 5.5 tm solues com um custo final maior
para a rede completa. Isto reflexo da utilizao de dois objetivos: a minimizao do custo e
a maximizao da flexibilidade, com isto, o algoritmo converge para uma soluo que contm
mais ns facilitadores, aumentando o custo final da soluo com o custo da instalao de mais
equipamentos no planejamento.

Tabela 5.5. Resultados dos Experimentos com Algoritmos Multiobjetivo.

(a) com o algoritmo NSGA-II e (b) com o algoritmo MOPSO

(a)

9
Idem nota de rodap 8.
 69

(b)

Quanto utilizado o MAND, para problemas com objetivo nico, o custo da melhor
soluo retornada pelo algoritmo auxiliar e avaliada enquanto as iteraes ocorrem. Com o
algoritmo de objetivo nico, possvel utilizar o custo da soluo para a avaliao, mas, com
o algoritmo multiobjetivo, necessrio selecionar uma soluo da Fronteira de Pareto. Para
simplificar o processo nesses testes, a soluo selecionada da Fronteira de Pareto a soluo
com o melhor custo, mas com a tendncia do algoritmo propor solues com uma quantidade
maior de ns facilitadores. Observa-se que, para o MAND, o algoritmo utilizado para
selecionar uma soluo na Fronteira de Pareto no tem impacto no desenvolvimento do novo
algoritmo, j que, nesses casos, a implementao do Tomador de Deciso deve retornar um
valor de referncia para ser avaliado pelo MAND.

5.6. Projetando Infraestrutura de Rede com Ferramentas Bsicas

Para solucionar o NDP, possvel que um engenheiro desenhe a soluo com

ferramentas bsicas, como um lpis e mapas impressos, ou auxiliado por um software CAD.
Entretanto, esses meios requerem um tempo maior comparado ao MAND, e o engenheiro no
consegue verificar os vrios cenrios e avaliar todos os projetos (para cada nvel) aps cada
mudana nos pontos geogrficos.
 70

O tempo necessrio para um engenheiro projetar a mesma rede da base de dados 2,

auxiliado apenas por um software CAD e mapas, pode levar de horas a dias10, isso depende da
experincia do profissional e de quantos cenrios sero projetados e avaliados. Alm disso,
deve ser considerado que, para um engenheiro projetar uma rede manualmente, difcil
analisar os cenrios diferentes e calcular o custo de cada mudana no projeto. A Tabela 5.6
mostra os resultados de um projeto de infraestrutura de redes desenhado por dois projetistas
distintos para a base de dados 2.

10
Informao obtida por meio de entrevistas com engenheiros.
 71

Tabela 5.6. Comparao de resultados obtidos pelo desenvolvimento de dois projetistas

utilizando ferramentas bsicas.
Projetista 1 Projetista 2

Demandas 105 Demandas 105

1 Facilidades
Custo
48 1 Facilidades
Custo
70
17.231,63 17.036,79
Demandas 48 Demandas 70
2 Facilidades
Custo
3 2 Facilidades
Custo
4
59.781,68 61.494,02
Demandas 3 Demandas 4
3 Facilidades
Custo
1 3 Facilidades
Custo
1
14.737,03 19.093,20
Custo Total 91.750,34 Custo Total 97.624,20
Tempo Aproximado 8 horas Tempo Aproximado 8 horas
*A legenda adotada a mesma adotada nas figuras anteriores.
 72

5.7. Discusso
A coleo dos conjuntos de dados para testes em problemas de redes, apresentada em
[BEA10], no foi suficiente para esta pesquisa, portanto, novos conjuntos de dados foram
construdos com informaes geogrficas e com uma nova estrutura. As trs bases de dados,
em regies geogrficas distintas e similares a projetos reais, demonstram a utilidade do novo
algoritmo para o planejamento de infraestrutura.
O MAND foi proposto como um novo algoritmo para trabalhar no projeto de redes
com vrios nveis. Ele diferente dos mtodos indicados na reviso da literatura, pois trata
todos os nveis da rede de forma interativa, buscando o melhor resultado do projeto como um
todo e no apenas de um nvel. Os resultados obtidos mostraram a eficincia de trabalhar com
os nveis interativamente.
O MAND apresenta um percentual de reduo de custo considervel, como
evidenciado na Tabela 5.7, sendo que os resultados obtidos para problemas de objetivo nico
(GA e PSO) so melhores que os resultados com os multiobjetivos (NSGA-II e MOPSO).
Os testes do MAND para problemas de objetivo nico e para problemas multiobjetivo
obtiveram resultados promissores. Considerando que o percentual de comparao dos
resultados multiobjetivo baseiam-se no custo, necessria uma anlise adicional por um
projetista, ou aplicao de uma regra adicional no desenvolvimento do Tomador de
Deciso. A melhor soluo a ser aplicada na prtica tambm deve considerar a quantidade de
ns facilitadores encontrados pelo algoritmo, o que define o maior ou menor grau de
flexibilidade da rede.

Tabela 5.7. Resumo do Percentual de Reduo de Custo para Trs Nveis.

possvel utilizar MAND para redes com mais de trs nveis, por exemplo
estruturando uma rede PON com cinco nveis. A Tabela 5.8 apresenta os resultados para as
bases de dados estruturadas em uma rede de cinco nveis.
 73

Tabela 5.8. Resumo do Percentual de Reduo de Custo para Cinco Nveis.

O percentual de reduo de custo encontrado por MAND para problemas com cinco
nveis menor que os resultados das redes estruturadas com trs nveis, mas, na prtica, esse
percentual significante. Em redes com mais nveis os valores monetrios envolvidos so
maiores, j que se observa uma utilizao de mais equipamentos; e geralmente nos nveis que
concentram os equipamentos de gerenciamento os valores envolvidos so mais expressivos.
A Tabela 5.9 apresenta uma comparao dos resultados obtidos com as abordagens no
desenvolvimento desta pesquisa: O MAND, o processo individual e com a utilizao de
ferramentas bsicas.

Tabela 5.9. Comparao de resultados entre as abordagens utilizadas.

 74

O objetivo desta pesquisa no foi comparar a eficincia dos algoritmos de otimizao

da literatura para os problemas NDP, STP e p-Mediana, mas mostrar a eficincia de realizar o
planejamento de redes de forma interativa, como o proposto com o MAND. Outros algoritmos
da literatura, alm do GA, PSO, NSGA-II, MOPSO e suas variaes, podem ser utilizados
como auxiliares ao MAND.

5.8. Consideraes Finais do Captulo

As novas bases de dados foram construdas com informaes geogrficas, e essa

estrutura de dados foi adaptada para obter informaes sobre ns adjacentes. Essas novas
bases de dados e a estrutura tornaram os testes viveis com o novo algoritmo MAND.
Para auxiliar MAND, dois algoritmos evolucionrios (GA e PSO) foram selecionados
para os testes em problemas de objetivo nico, e, para os problemas multiobjetivos, foram
selecionados os algoritmos NSGA-II e MOPSO. Mas este mtodo pode utilizar outros
algoritmos auxiliares na definio dos ns facilitadores e outros algoritmos na definio do
melhor caminho entre os ns.
Os resultados apresentados so promissores e demonstram que maiores estudos devem
ser realizados com o mtodo em problemas e situaes diferentes s apresentadas nesta
pesquisa.
A partir dos resultados das comparaes com um mtodo no qual os nveis so
processados individualmente e uma nica vez, mostram que o MAND uma melhor opo
para projetar redes com vrios nveis do que as opes existentes atualmente na literatura.
Alm de ser possvel trabalhar com outros problemas que so divididos em nveis ou
em estgios alm do NDP, isto no foi avaliado neste trabalho, mas avalia-se que a
interatividade entre estgios e nveis de um problema pode ser tratada com o MAND.
Concluso e Trabalhos Futuros

O planejamento dos equipamentos da rede (ns facilitadores) uma tarefa rdua, pois
necessrio avaliar a quantidade e a melhor distribuio geogrfica dos equipamentos nos n
nveis da rede. Se um projetista realiza um trabalho manual, o resultado superficial, pois
invivel (principalmente pela restrio de tempo) analisar todos os cenrios que podem ser
obtidos com as informaes de quantidades e distribuio dos equipamentos na regio do
projeto. Ainda mais complexo alterar um nvel j projetado, visto que necessrio rever a
quantidade, localizao e caminho entre os equipamentos, refazendo os clculos do nvel
alterado, e, consequentemente, o nvel anterior e todos os nveis subsequentes devem ser
revistos.
Mesmo a utilizao de abordagens que trabalham com cada nvel de forma
independente no mostram resultados satisfatrios quando o objetivo planejar a rede
completa, isto , quando necessria uma soluo que atenda todos os nveis da rede.
Esta pesquisa apresenta um novo algoritmo capaz de encontrar uma soluo tima
para o planejamento de infraestrutura de redes multinveis. Para auxiliar o novo algoritmo,
utilizado um algoritmo otimizador para definies de quantidades e localizao de
equipamentos na rede, sendo que este algoritmo pode ser selecionado entre as opes
disponveis na literatura. Tambm sendo utilizado um algoritmo de caminhamento em grafos
para a ligao de equipamentos e demandas da rede.
O objetivo do novo algoritmo trabalhar com vrios nveis interativamente e
considerar o impacto dos resultados de cada nvel nos nveis adjacentes, cujos dados so
utilizados nas iteraes. Portanto, foi possvel obter um resultado final melhor para toda a
rede, dos resultados apresentados com a abordagem comparada e os resultados obtidos por
projetistas com ferramentas bsicas.
O MAND capaz de planejar vrios nveis de uma rede. Ao contrrio dos algoritmos
comumente utilizados, ele processa os nveis interativamente, e os dados dos nveis adjacentes
so utilizados no processo. Com esse procedimento, possvel obter projetos de rede
melhores para a rede inteira, j que um processo interativo entre os nveis permite uma
 76

explorao melhor das solues possveis, o que no ocorre quando o projeto para somente
um nvel de cada vez.
Para a avaliao e testes do novo algoritmo no foram encontradas bases de dados na
literatura com informaes geogrficas, informaes adjacentes entre os ns e com as
solues conhecidas, ento foi estipulado um formato e construdas novas bases de dados.
Os testes e resultados mostraram a eficincia no estudo de caso de telecomunicaes
com trs e cinco nveis. Os resultados apresentados demonstram que o novo algoritmo reduz o
custo das redes processadas, porm com um tempo de processamento maior, pois h a
necessidade de interao dos nveis e um reprocessamento desses. O tempo computacional de
processamento justificado pelos ganhos financeiros obtidos com o novo algoritmo, e podem
ser reduzidos em um primeiro momento com a utilizao de computadores com processadores
mais velozes do que os utilizados nos experimentos apresentados.
Avaliando a hiptese inicialmente apresentada nesta pesquisa, os resultados obtidos no
estudo de caso de infraestrutura de redes de telecomunicaes permitem afirmar que o
algoritmo proposto obtm resultados com custos menores do que as abordagens apresentadas
na literatura.
O tempo computacional do novo algoritmo, mesmo sendo maior em relao a
comparao da abordagem utilizada, se justifica pelos melhores resultados encontrados. Na
seo abaixo de trabalhos futuros so propostas algumas alternativas para melhorar o
desempenho computacional do algoritmo proposto.
As contribuies originais propostas na introduo deste trabalho (apresentadas abaixo
em baixo relevo) e obtidas nesta pesquisa podem ser sintetizadas da seguinte maneira:
Cientficos
Um novo algoritmo para projetar infraestrutura de redes que considera
interativamente todos os nveis da rede.
A elaborao do MAND.
Tecnolgicos
Demonstrar que, com o algoritmo proposto, possvel construir uma
ferramenta auxiliar no planejamento de infraestrutura de redes em uma
plataforma de geoprocessamento.
Os conjuntos de dados para os testes foram extrados de um SIG e um
prottipo descrito no Apndice B.
 77

Construir uma base de dados com informaes geogrficas.

O conjunto de dados para teste foi construdo com a insero de
informaes dos ns ascendentes.
Comparar os algoritmos auxiliares de otimizao do novo algoritmo,
possibilitando avaliar os resultados nas estratgias de busca de objetivo nico e
de multiobjetivo em planejamento de redes.
Os testes utilizaram os algoritmos GA, PSO, NSGA-II e MOPSO como
auxiliares ao MAND.
Sociais
O algoritmo proposto pode ser utilizado no somente em redes de
telecomunicaes, como tambm para vrias outras indstrias de servios
pblicos, como distribuio de energia, gua e gs.
O MAND pode ser utilizado em outras indstrias de servios pblicos, tais
como distribuio de energia, gua e gs. Mesmo no tendo sido testado para
estas redes, elas apresentam similaridades, permitindo a utilizao do novo
algoritmo.

Vantagens do novo algoritmo

Otimizao completa da rede.
Aplicao em problemas reais.
Arquitetura aberta para outros problemas e outros algoritmos auxiliares.

Desvantagens do novo algoritmo

Tempo computacional.
No testado para as situaes de expanso de redes, nos casos de existncia de
equipamentos que devem permanecer no novo planejamento.

Trabalhos Futuros

Algumas possibilidades do MAND no foram discutidas nesta pesquisa por restries

de tempo, porm merecem ser trabalhadas:
78

Testar o MAND no desenvolvimento de projetos de smart grid, auxiliando o

planejamento de distribuio de equipamentos na nova rede. Nesse caso
estudar a otimizao simultnea de redes distintas: redes de telecomunicaes
e redes de distribuio de energia eltrica;
Testar o MAND em redes urbanas onde h equipamentos instalados de uma
rede antiga, os quais devem ser utilizados no projeto da nova rede. Essa
situao comum em cidades maiores, em que as novas redes usam a
infraestrutura de redes j existentes. Indica-se nesse caso a utilizao de
variveis na formulao matemtica para indicar equipamentos que
obrigatoriamente devem fazer parte da rede;
Acredita-se que o uso do algoritmo MOOP no MAND pode ser melhorado;
para isso necessrio explorar outros mecanismos para seleo de uma soluo
na Fronteira de Pareto, ou seja, alterao na implementao do Tomador de
Deciso;
Explorar o desenvolvimento de um novo mecanismo do MAND que salve uma
lista de solues processadas, o que permite ao MAND recuperar esses dados e
tentar um novo processamento a partir dessa lista para alcanar uma soluo
final melhor. Isto pode ser implementado com tcnicas de programao
dinmica.
Explorar a utilizao do MAND utilizando algoritmos auxiliares diferentes
para cada nvel, variando para cada nvel os parmetros e controle de
finalizao do algoritmo.
Pesquisar e implementar tcnicas de linguagens de programao para reduzir o
tempo de processamento. Com a evoluo dos processadores (p.e. os
pocessadores multi-core) e das linguagens de programao (p.e. a nova
especificao do C++/11) possvel melhorar a implementao dos
algoritmos.
Testar tcnicas de computao distribuda para melhorar o tempo de
computao.
Criar um formato padro de base de dados para ser utilizado em trabalhos
similares a esta pesquisa. Isto pode ser realizado com a definio formal de
 79

uma metodologia para extrao de dados de testes em bases geogrficas

(sistemas SIG).
Referncias

[AHU93] AHUJA, R. K.; MAGNANTI, T. L.; ORLIN, J. B. Networks Flows-Theory,

Algorithms and Applications. Editora Prentice Hall Publishing, Nova Jersey, 1993.
[ALF07] EL-ALFY, E. M. Applications of genetic algorithms to optimal multilevel design of
MPLS-base networks. Computer Communications, Vol. 30, 2007, p. 2010-2020.
[ALT03] ALTIPARMAK, F.; DENGIZ, B.; SMITH, A. E. Optimal Design of Reliable
Computer Networks: A Comparison of Metaheuristics. Journal of of Heuristics, 9.
Kluwer Academic Publishers Hingham, MA, USA, 2003, p. 471-487.
[ANA10] http://www.anatel.gov.br, accessed in 19/05/2010.
[BAN05] BANOV, J. T. M. Abordagem Evolutiva para o Planejamento Multi-Perodo da
Expanso da Rede de Acesso aos Servios de Telecomunicaes.
Campinas:UNICAMP, 2005. 131p. Tese Departamento de Sistemas de Engenharia,
Universidade de Campinas, So Paulo-Brasil.
[BAR95] BARRADAS, O. C. M. Voc e as Telecomunicaes. Intercincia publishing.
Brazil-Rio de Janeiro: 1995.
[BAS00] BASSETO, F. Metodologia de Planejamento de Redes de Acesso Full-Service.
Campinas: UNICAMP, 2000. 112p. Dissertao Programa de Ps-graduao em
Engenharia Eltrica, Universidade de Campinas, So Paulo-Brasil.
[BEA10] BEASLEY, J. E. OR-Library: distributing test problems. URL:
http://people.brunel.ac.uk/~mastjjb/jeb/info.html, acessado em Janeiro/2010.
[BEN97] BENSON, H. P.; SAYIN, S. Towards finding global representations of the efficient
set in multiple objective mathematical programming. Naval Research Logistics, V. 44,
1997, p. 47-67.
[BIN10] BIN, X.; HONGGANG, W.; RONGBIN, Q.; FENG, Q. Differential Evolution
Inspired Clone Immune Multi-objective Optimization Algorithm. International
Conference on Electrical and Control Engineering (ICECE). 2010, p. 850-854.
[BOL10] BOLOGNESI, A.; BRAGALLIA, C.; MARCHIA, A.; ARTINAA, S. Genetic
Heritage Evolution by Stochastic Transmission in the optimal design of water
 82

distribution networks. Advances in Engineering Software, 41, Elsevier Science, 2010,

p. 792-801.
[BRU08] BRUN, O.; RACHDI, A.; GARCIA, J. Access network design with capacity-
dependent costs. Source International Conference On Performance Evaluation
Methodologies And Tools & Workshops, 23, 2008.
[BUR85] BURATTINI, E.; MARRA, G.; SFORZA, A. Network design problem: structure
of solutions and dominance relations. Acta Cybernetica, vol. 7, n. 2, 1985, p. 225-233.
[CAB10] CABALLERO, F. J.C.; MARTINEZ, F. J.; HERVAS, C.; GUTIERREZ, P. A.;
Sensitivity Versus Accuracy in Multiclass Problems Using Memetic Pareto
Evolutionary Neural Networks. IEEE Transactions oin Neural Networks. V.21(5),
2010, p. 750-770.
[CAD10] CADINI, F.; ZIO, E.; PETRESCU, C. A. Optimal expansion of an existing
electrical Power transmission network by multi-objective genetic algorithms.
Reliability Engineering and System Safety, 95, Elsevier Science, 2010, p. 173-181.
[CAI02] CAI, G. A GIS Approach to the Spatial Assessment of Telecommunications
Infrastructure. Networks and Spatial Economics. Vol 2, no. 1, 2002, p. 35-63,
[CAN02] CANTARELLA, G. E.; PAVONE, G.; VITETTA, A. Heuristics for the Network
Design Problem. Proceedings of the 9th Mini-Euro Conference, Bari, Italy, 2002.
[CAR98] CARLSON Filho, C. M. Sistemas de Telecomunicaes: Planejamento da rede
externa em situaes de incerteza. Campinas: UNICAMP, 1998. 148p. Dissertao
Departamento de Sistemas de Engenharia. Universidade de Campinas, So Paulo-
Brasil.
[CAS09] GUITIERREZ, J. C.; SILVA, D. L.; PEREZ, J. M. Dynamic lexicographic
approach for heuristic multi-objective optimization. Proceedings of the Workshop on
Intelligent Metaheuristics for Logistic Planning, Seville-Spain, 2009, p. 153-163.
[CAS10] GUITIERREZ, J. C.; SILVA, D. L.; PEREZ, J. M. Improved Dynamic
Lexicographic Ordering for Multi-Objective Optimization. Procceedings of PPSN,
2010, p. 31-40.
[CHU99] CHU, C.; PREMKUMAR, G.; CHOU, H. Digital data networks design using
genetic algorithms. European Journal of Operational Research, 127, Elsevier Science,
1999, p. 140-158.
[COE01] COELLO-COELLO, C. A.; PULIDO, G. T. Multiobjective Optimization using a
 83

Micro-Genetic Algorithm. Proceedings of the Genetic and Evolutionary Computation

Conference GECCO, Morgan Kaufmann Publishers, San Francisco, California, 2001,
p. 274-282.
[COE01b] COELLO-COELLO, C. A. A Short Tutorial on Evolutionary Multiobjective
Optimization. First International Conference on Evolutionary Multi-Criterion
Optimization, 2001, Springer-Verlag. Lecture Notes in Computer Science, No. 1993,
p.21-40.
[COE02] COELLO-COELLO, C. A.; LAMONT, G. B.; VELDHUIZEN, D. A. Evolutionary
Algorithms for Solving Multi-Objective Problems. Springer, 2002.
[COE04] COELLO-COELLO, C. A.; PULIDO, G. T.; LECHUGA, M. S. Handling Multiple
Objectives With Particle Swarm Optimization. IEEE Transactions on Evolutionary
Computation, V. 8(3), 2004, p. 256-279.
[COE11] http://www.lania.mx/~ccoello/EMOO/EMOObib.html, acessado em Outubro/2011.
[COR00] CORNE, D. W.; KNOWLES, J. D.; OATES, M. J. The Pareto Envelope-based
Selection Algorithm for Multiobjective Optimization. Proceedings of the Parallel
Problem Solving from Nature VI Conference, Springer Lecture Notes in Computer
Science, n. 1917, Paris, France, 2000, p. 839-848.
[COR01] CORNE, D. W.; JERRAM, N. R.; KNOWLES, J. D.; OATES, M. J. PESA-II:
Regionbased Selection in Evolutionary Multiobjective Optimization. Proceedings of the
Genetic and Evolutionary Computation Conference GECCO, Morgan Kaufmann
Publishers, San Franscisco, California, 2001, p. 283-290.
[COU10] http://www.ftthcouncil.org/, accessed in 19/05/2010.
[COU41] COURANT, R.; ROBBINS, H. What is Mathematics?: An Elementary Approach
to Ideas and Methods. London: Oxford University Press, 1941
[DAS97] DAS, I.; DENNIS, J. E. A closer look at drawbacks of minimizing weighted sums of
objectives for Pareto set generation in multicriteria optimization problems. Struct.
Optim. N. 14, 1997, p. 63-69.
[DEB00] DEB, K.; AGRAWAL, S.; PRATAB, A.; MEYARIVAN, T. A Fast Elitist Non-
Dominated Sorting Genetic Algorithm for Multi-Objective Optimization: NSGA-II.
Lecture Notes in Computeer Science, 2000, Volume 1917/2000, Instituto Indiano de
Tecnologia, Kanpur, ndia, 2000, p. 849-858.
[DEB01] DEB, K. Multi-Objective Optimization using Evolutionary Algorithms. John Wiley
 84

& Sons, Nova York, 2001.

[DEB10] DEB, K. Source code of GA. http://www.iitk.ac.in/kangal/codes.shtml, accessed in
01/12/2010.
[DIJ59] DIJKSTRA, E. W. A Note on Two Problems in Connection with Graphs.
Numerische Mathematik, v.1, 1959, p. 269-271.
[DIN00] DING, S.; ISHII, N. An Online Genetic Algorithm for Dynamic Steiner Tree
Problem. IECON-Industrial Electronics Society, vol. 2, 2000, p. 812-817.
[DOS95] DOSHI, B. T.; DRAVIDA, S.; HARSHAVARDHANA, P. Overview of INDT A
New Tool for Next Generation Network Design. Proceedings of the IEEE Globecom.
1995, p. 13-17.
[DOS97] DOSHI, B. T.; FUNKA-LEA, C. A.; HARSHAVARDHANA, P.; GONG J.;
NAGARAJAN, R.; RAVIKUMAR, S.; CHEN, S.; WANG, Y. Integrated Network
Design Tools (INDT): a suite of network design tools for current and next generation
networking Technologies. II Symposium on Computers and Communications, 1997, p.
332-338.
[DUD08] DU, D.; HU, X. Steiner Tree Problems in Computer Communications Networks.
Worl Scientific Publishing, Singapura, 2008, 359pp.
[EIB03] EIBEN, A. E.; SMITH, J. E. Introduction to evolutionary computing. Springer,
2003.
[ESB94] ESBENSEN, H.; MAZUMDER, P. A Genetic Algorithm for the Steiner Problem in
a Graph. European Design and Test Conference, 1994, p. 402-406.
[FAN03] FANNING, R. P. Implementation of networked primary and secondary
distribution systems for US utilities. Power Engineering Society General Meeting, 4,
Vol. 4, 2003, p. 2425-2429.
[FER09] FERNANDEZ, J. C.; HERVAS, C.; MARTINEZ, F. J.; CRUZ, M. Design of
Artificial Neural Networks Using a Memetic Pareto Evolutionary Algorithm Using as
Objectives Entropy versus Variation Coefficient. Ninth International Conference on
Intelligent Systems Design and Applications (ISDA 09). 2009, p. 408-416.
[FON93] FONSECA, C. M.; FLEMING, P. J. Genetic Algorithms for Multiobjective
Optimization: Formulation, Discussion and Generalization. Proceedings of the Fifth
International Conference on Genetic Algorithms. University of Illinois. Morgan
Kauffman Publishers, San Mateo, California, 1993, p. 416-423.
 85

[FRI37] FRIEDMAN, M. The use of ranks to avoid the assumption of normality implicit in
the analysis of variance. Journal of the American Statistical Association, 32, 1937,
p.675-701.
[FRI40] FRIEDMAN, M. A comparison of alternative tests of significante for the problem
of m rankings. Annals of Mathematical Statistics, 11, 1940, p. 86-92.
[FUR09] http://www.furukawa.com.br/portal/page?_pageid=393,1365734&_dad=portal&_schema=PORTAL,

Acessado em Abril/2009.
[GAO09] GAO, Z.; PANG, H.; WU, Z.; YANG, X. Hierarchy method of choosing optimum
lines for public traffic network design. Control and Decision Conference, 2009, p.
4957-4962.
[GAR11] GARCIA, F.; MELIAN, B.; MORENO, J. A.; VEGA, J. M. M. Scatter Search for
Multiple Objective p-Facility Location Problems. Universidad de La Laguna.
Technical Report. Available in
http://www.lifl.fr/PM2O/Reunions/04112002/garcia.pdf, Acessado em Outubro /2011.
[GAR77] GAREY, M. R.; GRAHAM, R. L.; JOHNSON, D.S. The complexity of computing
Steiner minimal trees. SIAM Journal on Applied Mathematics, 32, 1977, p. 835-859.
[GAR79] GAREY, M. R.; JOHNSON, D. S. Computers and intractability: a guide to the
theory of NP-completeness. W. H. Freeman and Company Publisher, San Francisco,
1979.
[GHO08] GHOSEIRI, K.; GHANNADPOUR, S. F. An efficient heuristic method for
capacitated P-Median problem. International Journal of Management Science and
Engineering Management. Vol. 4, 2009, p. 72-80.
[GLO00] GLOVER, F.; LAGUNA, M.; MART, R. Fundamentals of Scatter Search and
Path Relinking Control and Cybernetics. Vol. 39, N. 3, 2000, p. 653-684.
[GOL89] GOLDBERG, D. E. Genetic Algorithms in Search, Optimization, and Machine
Learning. Addison-Wesley. Massachusetts. 1989.
[GOL96] GOLDBERG, A. V.; TARJAN, R. E. Expected Performance of Dijkstras Shortest
Path Algorithm. NEC Research Institute Report, 1996.
[GRO95] GRTSCHEL, M.; MONMA, C. L.; STOER, M. Design of survivable networks. 7
(10), Elsevier Science, 1995.
[HAJ92] HAJELA, P.; LIN, C. Y. Genetic search strategies in multicriterion optimal design.
Structural Optimization 4, 1992, p. 99-107.
 86

[HAN97] HANSEN, Michael P. Tabu Search for Multiobjective Optimization: MOTS.

Thirteenth International Conference on Multiple Criteria Decision Making, 1997, p. 6-
10.
[HAR09] HARIADI, M.; BUDITJAHJANTO, I. G. P. A.; PURNOMO, M. H. Decision
Support Based on Integration of Fuzzy Clustering and Multiobjective Optimization
Problem for Non Player Character in Business Game. International Conference of Soft
Computing and Pattern Recognition. 2009, p. 358-363, 2009.
[HAR68] HART, P. E.; NILSSON, N. J.; RAPHAEL, B. A Formal Basis for the Heuristic
Determination of Minimum Cost Paths. IEEE Transactions Systems Science and
Cybernetics SSC, v.4, n.2, 1968, p.100-107.
[HER00] HERDER, P. M.; TURKA, A. L.; SUBRAHMANIANB E.; WESTERBERGB, A.
W. Challenges for process systems engineering in infrastructure design. Computers
and Chemical Engineering, 24, Elsevier, 2000, p. 1775-1780.
[HIR99] HIROYASU, T.; MIKI, M.; WATANABE, S. Distributed genetic algorithms with a
new sharing approach. Proceedings of the Conference on Evolutionary Computation,
Vol. 1, 1999, p. 69-76.
[HOR94] HORN, J.; NAFPLIOTIS, N.; GOLDBERG, D. E. A Niched Pareto Genetic
Algorithm for Multiobjective Optimization. First IEEE Conference on Evolutionary
Computation, Vol. 1, 95, 1994, p. 82-87.
[HRI01] HRISTEA, C.; TOBAGI, F. A network infrastructure for IP mobility support in
metropolitan reas. Department of Electrical Engineering, Stanford University,
Stanford, CA, 2001.
[HUY08] HUY, N. V.; NGHIA, N. D. Solving Graphical Steiner Tree Problem Using
Parallel Genetic Algorithm. IEEE International Conference on Research, Innovation
and Vision for the Future, 2008, p. 29-35.
[JIA10a] JIASEN, W.; LONGQIN, G. Left-Right crowding distance (LRCD) calculation
method in NSGA2 to preserve diversity distribution. Computer Science and
Information Tecnology (ICCSIT), 3. IEEE International Conference. V.7, 2010, p.
211-215.
[JIA10b] JIASEN, W.; HUIYUAN, L.; ZEJIU, Z. A novel strategy to preserve diversity in
solving MOEAs based on artificial emphasis on uniformity. Intelligent Computing and
Intelligent Systems (ICIS). V. 3, 2010, p. 812-816.
 87

[JOH77] JOHSON, D. B. Efficient algorithms for shortest paths in sparse networks. Journal
of the ACM, v.24, n.1, 1977, p. 1-13.
[JOH78] JOHNSON, D. S.; LENSTRA, J. K.; RINNOOV KAN, A. H. G. The Complexity of
the Network Design Problem. Networks, vol. 8, n. 4, 1978, p. 279-285.
[JON02] FIELDSEND, J. E.; SINGH, S. A Multi-Objective Algorithm based upon Particle
Swarm Optimization, an Efficient Data Structure and Turbulence. Proceedings of the
2002 U. K. Workshop on Computational Intelligence, 2002, p.37-44.
[KAM06] KAMPSTRA P.; van der MEI R. D.; EIBEN A. E. Evolutionary Computing in
Telecommunication Network Design: A Survey. Availabe at: under revision on:
http://www.math.vu.nl/~mei/publications.php, 2006, p. 1-46.
[KAR79] KARIVE, O.; HAKIMI, S. The p-Median problem in: na algorithmic approach to
network location problems. Journal on Applied Mathematic, Philadelphia, V. 37, 1979,
p. 539-560.
[KEN01] KENNEDY, J.; EBERHART, R. C. Swarm Intelligence. Morgan Kaufmann. 2001.
[KEN95] KENNEDY, J.; EBERHART, R. C. Particle swarm optimization. IEEE
International Conference on Neural Networks. pp. 1942-1948. IEEE Press 1995.
[KEN99] KENNEDY, J.; EBERHART, R. The Particle Swarm: social adaptation in
information-processing systems. In: New Ideas in Optimization, McGraw-Hill,
Cambridge, 1999, p. 379-388.
[KHA97] KHATOR, S. K.; LEUNG, L. C. Power Distribution Planning: A Review of
Models and Issues. IEEE Transactions on Power Systems. Vol. 12, no. 3, 1997, p.
1151-1159.
[KIT96] KITA, H.; YABUMOTO, Y.; MORI, N.; NISHIKAWA, Y. Multi-Objective
Optimization by Means of the Thermodynamical Genetic Algorithm. Parallel Problem
Solving from Nature PPSN IV. Lecture Notes in Computer Science, Springer-Verlag,
Berlin, Germany, 1996, p. 504-512.
[KNI07] KNIPPEL, A.; LARDEUX, B. The multi-layered network design problem.
European Journal of Operational Research, 183, Elsevier Science, 2007, p. 87-99.
[KNO99] KNOWLES, J. D.; CORNE, D. W. The Pareto Archived Evolutionary Strategy: A
New Baseline Algorithm for Multiobjective Optimization. Proceedings of Evolutionary
Computation, IEEE Service Center, Washington, D.C., 1999, p. 98-105.
[KOP97] KOPPEN, M.; TEUNIS, M.; NICHOLAY, B. NESSY an evolutionary learning
 88

neural network. Proceedings of the Second International Symposium on Soft

Computing, 1997, p. 243-248.
[KUR91] KURSAWE, F. A Variant of Evolution Strategies for Vector Optimization. 1st
workshop parallel problem solving from nature PPSN I, Springer-Verlag, V. 496,
1991, p. 193-197.
[LAU98] LAUMANNS, M. R.; RUDOLPH, G.; SCHWEFEL, H. P. A Spatial Predator-
Prey Approach to Multi-Objective Optimization: A Preliminary Study. Parallel Problem
Solving From Nature PPSN. Springer-Verlag, Amsterdam, Holland, 1998, p. 241-
249.
[LI03] LI, X. A Non-dominated Sorting Particle Swarm Optimizer for Multiobjective
Optimization. Proceedings of Genetic and Evolutionary Computation. Lecture Notes in
Computer Science. Vol. 2723, 2003, p. 37-48.
[LIY06] LI, Y.; CAO, F. New heuristic algorithm for capacitated p-median problem. Sixth
International Conference on Intelligent Systems Design and Applications, vol. 1, 2006,
p. 1129-1131.
[LOR11] LORENA, L. A. N.; SENNE, E. L. F.; PAIVA, J. A. C.; MARCONDES, S. P. B.
Integrao de um Modelo de p-Medianas a Sistemas de Informaes Geogrficas.
Instituto Nacional de Pesquisas Espaciais INPE, Brasil, Relatrio tcnico, disponvel
em http://www.lac.inpe.br/~lorena/sbpo99/p-med-SIG.pdf - Acessado em
Outubro/2011.
[LOU04] LOUA Jr, C.; BARROS, C. M. P.; ROCHA, M. L.; Aplicao de uma Heurstica
GRASP Paralela ao Problema da P-Mediana. X Encontro de Iniciao Cientfica do
ITA (X ENCITA), So Jos dos Campos, 2004.
[LUN10] LUNA, J. M.; ROMERO, J. R.; VENTURA, S. G3PARM: A Grammar Guided
Genetic Programming algorithm for mining associaion rules. IEEE Congresso in
Evolutionary Computation (CEC). 2010, p. 1-8.
[MAR00] MARIANO, C. E.; MORALES, E. F. Distributed reinforcement learning for
multiple objective optimization problems. Proceedings of the Congress on Evolutionary
Computation, 2000, p. 188-195.
[MAR09] MARN, .; RDENAS, R G. Location of infrastructure in urban railway
networks. Computers & Operations Research, 36, Elsevier Science, 2009, p. 1461-
1477.
 89

[MAR99] MARIANO, C. E.; MORALES, E. A multiple Objective Ant-Q Algorithm for the
Design of Water Distribution Irrigation Networks. Relatrio tcnico HC-9904, Instituto
de Tecnologia do Mxico, 1999.
[MAT00] MATEUS, G. R.; LUNA, H. P. L.; SIRIHAL, A. B. Heuristics for Distribution
Network Design in Telecommunication. Kluwer Academic Publishers Hingham, 6,
Publisher Kluwer Academic Publishers Hingham, MA, USA, 2000, p. 131-148.
[MES00] MESSAC, A. From dubious construction of objective functions to the application
of physical programming. AIAA Journal of Aircraft, Vol. 38, N. 1, 2000, p. 155-163.
[MES96] MESSAC, A.; HATTIS, P. Physical programming design optimization for high
speed civil transport (HSCT). AIAA Journal of Aircraft, Vol. 33, N. 2, 1996, p. 446-
449.
[MOO99] MOORE, J.; CHAPMAN, R. Application of particle swarm to multiobjective
optimization. Technical Report, Department of Computer Science and Software
Engineering, Auburn University, 1999.
[MOR09] MORI, H.; YOSHIDA, T. An efficient multi-objective memetic algorithm for
uncertainties in distribution network expansion planning. Power & Energy Society
General Meeting. PES 09 IEEE. 2009, p. 1-6.
[MOS03] MOSTAGHIM, S.; TEICH, J. The Role of -dominance in Multi Objective Particle
Swarm Optimization Methods. Proceedings of the 2003 Congress on Evolutionary
Computation, Canberra, Australia, V. 3, 2003, p. 1764-1771.
[MOS04] MOSTAGHIM, S.; TEICH, J. Covering areto-optimal Fronts by Sub-swarms in
Multi-objective Particle Swarm Optimization. Congress on Evolutionary Computation,
V. 2, Portland, Oregon, USA, 2004, p. 1404-1411.
[MUR95] MURATA, T.; ISHIBUCHI, H. MOGA: Multi-objective genetic algorithms.
Proceedings of the Second IEEE International Conference on Evolutionary
Computation, 1995, p. 289-294.
[OSM94] OSMAN, I.; CHRISTOFIDES, N. Capacitated clustering problems by hybrid
simulated annealing and tabu search. International Transactions in Operational
Research, V.1(3), 1994, p. 317-336.
[OSY95] OSYCZKA, A.; KUNDU, S. A new method to solve generalized multicriteria
optimization problems using the simple genetic algorithm. Structural Optimization, V.
10(2), 1995, p. 94-99.
 90

[PAI10] PAISLEY, L.; RICHARDSON, D. Why the first mile and not the last? Disponvel in
http://www.fao.org/WAICENT/FAOINFO/SUSTDEV/CDdirect/CDre0026.htm, Acessado
em Junho/2010.
[PAP08] PAPAGIANNI, C.; PAPADOPOULOS, C. P. K.; TSELIKAS, N. D.
Communication Network Design Using Particle Swarm Optimization. Proceedings of
the International Multiconference on Computer Science and Information Tecnology,
2008, p. 915-920.
[PAR96] PARETO, V. Cours DEconomie Politique. Volume 1. Lausanne: F. Rouge, 1896.
[PER02] PERKINS, J. Education in Process Systems Engineering: Past, Present and Future.
Computers & Chemical Engineering, 26, 2002, p. 283-293.
[PUL11] PULIDO, G. T. Source code of MOPSO.
http://www.adaptivebox.net/CILib/code/psocodes_link.html, accessed in
November/2011.
[REE05] REESE, J. Methods for Solving the p-Median Problem: An Annotated
Bibliography. Department of Mathematics, Trinity University, San Antonio, Texas,
EUA, 2005.
[RIB00] RIBEIRO, C. C.; SOUZA, M. C. Tabu Search for the Steiner Problem in Graphs.
Networks 36(2), 2000, p.138-146.
[RIB08] RIBEIRO, W. S.; ARROYO, J. E. C. Metaheurstica GRASP Bi-Objetivo para um
Problema de Localizao de Facilidades. XXVIII Encontro Nacional de Engenharia de
Produo (ENEGEP), Rio de Janeiro, Brasil, 2008, p. 1-10.
[RUD01] RUDOPH, G. Evolutionary Search under Partially Ordered Fitness Sets.
Proceedings of the International NAISO Congresso n Information Science Innovations,
ICSC Academic Press: Millet/Sliedrecht, 2001, p. 818-822.
[RUD93] RUDOPH G. Convergence of Evolutionary Algorithms in General Search Spaces.
Proceedings of the third IEEE Conference on Evolutionary Computation, 1993, p. 50-
54.
[SCH09] SCHEFFERMANN, R.; BENDER, M.; CARDENEO, A. Robust solutions for
vehicle routing problems via evolutionary multiobjective optimization. IEEE Congresso
in Evolutionary Computation. 2009, p. 1605-1612.
[SCH85] SCHAFFER, J. D. Multiple Objective Optimization wuth Vector Evalueted Genetic
Algorithms. Genetic Algorithms and their Applications: Proceedings of the First
 91

International Conference on Genetic Algorithms, 1985, p. 93-100.

[SEF00] SEFRIOURI, M.; PERIAUX, J. Nash genetic algorithm: examples and
applications. Proceedings Congress on Evolutionary Computation, IEEE Press, 2000,
p. 509-516.
[SIL04] SILVA, H. A.; RODRIGUES, L. C. A. Estudo da Otimizao de Redes Baseada no
Problema de Steiner. Curitiba: UTFPr, 2004. 172p. Dissertao Programa de Ps-
Graduao em Engenharia Eltrica, Universidade Tecnolgica do Paran Brasil.
[SIL10] SILVA, H. A.; OLIVEIRA, L. E. S.; BRITTO Jr., A. S. Proposta de Planejamento
em Etapas para Redes Secundrias de Telecomunicaes. GEOINFO 2010-XI
Simpsio Brasileiro de GeoInformtica. Campos do Jordo, So Paulo, Brasil,
Novembro/2010.
[SIL11] SILVA, H. A.; BRITTO JR, A. S.; OLIVEIRA, L. E. S.; KOERICH, A. L. A
Multilevel algorithm for the network design problem. IECON, 2011, p. 2300-2304.
[SOU04] SOUSA, M. A. Planejamento Estratgico de Sistemas de Telecomunicaes:
Avaliao Tcnico-Econmica Orientada Receita. Campinas: UNICAMP, 2004.
216p. Tese Departamento de Sistemas de Engenharia, Universidade de Campinas,
So Paulo-Brasil.
[SOU06] SOUZA, A. A. A. de; NEVES Jr, F.; LOPES, H S. Sistema de Avaliao da Rede
Secundria de Distribuio utilizando Algoritmos Genticos. Revista Espao Energia,
Curitiba-PR, n. 5, Outubro/2006, p. 34-41.
[SRI94] SRINIVAS, N.; DEB, K. Multiobjective Optimization Using Nondominated Sorting
in Genetic Algorithms. Evolutionary Computation 2 (3), 1994, p. 221-248.
[STE86] STEUER, R. E. Multiple Criteria Optimization: Theory, Computation and
Application. John Wiley, New York, 546pp, 1986.
[TAT03] TATSCH, Cristiano Roberto. Privatizao do Setor de Telecomunicaes no
Brasil. Porto Alegre: UFRGS, 2003. 318p. Dissertao Programa de Ps-Graduao
em Economia Universidade Federal do Rio Grande do Sul -UFRGS, Porto Alegre-
RS.
[TEL09] http://www.teleco.com.br/tutoriais/tutorialpon/pagina_1.asp, Acessado em
Abril/2009.
[TEL10] http://www.telebras.com.br/, Acessado em Maio/2010.
[USF11] http://fcit.usf.edu/network/, Acessado em Setembro/2011.
 92

[VEL99] VELDHUIZEN, D. A. Multiobjective Evolutionary Algorithms: Classifications,

Analyses and New Innovations. Ohio: AFB, 1999. 272p. Doctor Thesis - Department of
Electrical and Computer Engineering, Graduate School of Engineering, Air Force
Institute of Technology, Ohio.
[VIE00] VIEIRA Neto, P. O Desaparecimento de uma Profisso: O Radiotelegrafista de vo
Evoluo Tecnolgica e Desemprego nas Telecomunicaes. So Paulo: PUCSP,
2000. Dissertao Economia Poltica, Pontifcia Universidade Catlica de So Paulo,
Brasil.
[WAN08] WANG, C.; CHANG, C. Integrated genetic algorithm and goal programming for
network topology design problem with multiple objectives and multiple criteria.
IEEE/ACM Transactions on Networking (TON), 16, IEEE Press Piscataway, MJ,
USA. 2008, p. 680-690.
[WER01] WERNECK, R. F. F. Problema de Steiner em Grafos: Algoritmos Primais, Duais
e Exatos. Rio de Janeiro: PUCRJ, 2001. 142p. Dissertao-Departamento de
Informtica, Pontifcia Universidade Catlica do Rio de Janeiro, Brasil.
[WIK11] http://en.wikipedia.org/wiki/Network_topology, Acessado em Setembro/2011.
[WUB04] WU, B. Y.; CHAO, K. Spanning Tree and Optimization problems. Chapman &
Hall/CRC Publishing, Florida, 200p. Chapter 7, Janeiro/2004, p. 147.
[XIA08] XIAO, H.; WANG, X.; DU, W. A New Discrete Traffic Network Design Problem
with Evolutionary Game Algorithm. Intelligent Computation Technology and
Automation (ICICTA), Vol. 1, 2008, p. 3-7.
[XUJ95] XU, J.; CHIU, S. Y.; GLOVER, F. Tabu Search Heuristics for Designing a Steiner
Tree Based Digital Line Network. Colorado University, Colorado, Waltham. Relatrio
Tcnico. 35pp., 1995.
[YAN09] YANG, S.; JUZHONG, J.; YAMIN, W.; CHUNNIAN, L. A New Evolutionary
Algorithm for Solving Multiobjective Optimization. Fifth International Conference on
Natural Computation. V. 4, 2009, p. 563-568.
[YOO95] YOON, K. P.; HWANG, C. I. Multiple Attributes Decision Making An
Introduction. Quantitative Applications in the Social Sciences, V. 104, Sage
University, 1995.
[YOO98] YOON, M.; BAEK, Y.; TCHA, D. Design of a distributed fiber transport network
with hubbing topology. European Journal of Operational Research, 104, Elsevier
 93

Science, 1998, p. 510-520.

[YUH11] SHI, Y. Source code of PSO. http://www.engr.iupui.edu/~shi/pso.html, Acessado
em Junho/2011.
[ZHA08] ZHANG, G.; LU, J.; XIANG, Q. Application of Genetic Algorithm to Network
Design Problem. International Conference on Intelligent Computation Technology and
automation, Vol. 1, 2008, p. 26-29.
[ZHO08] ZHONG, W.; HUANG, J.; ZHANG, J. A Novel Particle Swarm Optimization for
the Steiner Tree Problem in Graphs. IEEE-Congress on Evolutionary Computation,
2008, p. 2460-2467.
[ZIT01] ZITZLER, E.; LAUMANNS, M.; THIELE, L. Improving the Strength Pareto
Evolutionary Algorithm. Technical Report 103, Computer Engineering and Networks
Laboratory(TIK), Swiss Federal Institute of Technology (ETH) Zurich, Gloriastrasse
35, CH-8092, Zurich, Switzerland, 2001.
[ZIT98] ZITZLER, E.; THIELE, L. An Evolutionary Algorithm for Multiobjective
Optimization: The Strength Pareto Approach. Technical Report 43, Computer
Engineering and Communication Networks Lab (TIK), Swiss Federal Institute of
Technology (ETH), Zurich, Switzerland, 1998.
[ZIT99a] ZITZLER, E. Evolutionary Algorithms for Multiobjective Optimization: Methods
and Applications. Dissertation for the degree of Doctor of Technical Sciences. Swiss
Federal Institute of Technology Zurich. November 11, 1999.
[ZIT99b] ZITZLER, E.; DEB, K.; THIELE, L. Comparison of Evolutionary Algorithms:
Empirical Results (Revised Version). TIK-Report No. 70. Intitut fr Technische
Informatik und Kommunikationsnetze. Zrich. December 22, 1999.
Apndice A

Processando os Nveis

Alm das opes discutidas nesta pesquisa, possvel processar os nveis de um

projeto de rede com a opo abaixo. Essa opo desconsiderada na pesquisa, mas merece
uma investigao com maiores detalhes em um novo projeto de pesquisa.

Processamento com um nico cromossomo

Com esse mtodo, todos os nveis so processados uma vez e controlados por um
nico vetor no algoritmo. Isto permite que todos os nveis sejam processados em cada iterao
do algoritmo. Na Figura A.1, possvel visualizar um exemplo de um vetor que modelou
todos os nveis simultaneamente. Esse mtodo provou ser ineficiente nos testes iniciais pois:
- Ele necessita de um tempo computacional maior;
- Ele perde oportunidades de busca em outras regies, ou seja, houve falhas na
diversificao nos testes iniciais;
- As solues de um nvel podem gerar uma influncia negativa na soluo de outro
nvel, j que h uma dependncia entre as solues num nico vetor.
 96

Figura A.1. Exemplo da utilizao de um vetor para todos os nveis.

A execuo do conjunto de dados com apenas um processo, utilizando apenas um

vetor, foi desconsiderada, pois ela no se mostrou promissora. Esse tpico est aberto para
maiores investigaes e anlises com outros algoritmos e com mais testes.
Apndice B

Implementaes

B.1. Prottipo no ArcGIS

Para os testes do MAND, foi necessrio construir um prottipo de software que
permutasse dados entre os algoritmos desenvolvidos e os mapas. O prottipo desenvolvido
na plataforma ArcGIS e uma extenso do software ArcMap. O ArcGIS uma
plataforma de SIG importante na indstria de software e desenvolvida por ESRI. Detalhes
sobre a plataforma e a empresa ESRI so disponibilizados em www.esri.com.
O objetivo do prottipo extrair os dados para testes dos mapas, os quais so
processados nos algoritmos. O prottipo tambm tem a funo de ler os resultados do
processamento e disponibiliz-los em forma grfica para visualizao.
O formulrio da Figura B.1 mostra a interface em que os usurios podem selecionar os
dados do mapa. Esses dados so exportados para arquivos textos e processados nos testes dos
algoritmos. Primeiramente na lista Ns de demanda o usurio pode selecionar o grupo de
dados que representa os ns de demanda. A lista Coordenadas para ns facilitadores o
grupo de dados que representa os pontos geogrficos em que os ns facilitadores podem ser
instalados. Finalmente, o usurio pode selecionar na lista Arestas a opo de construo das
possibilidades de ligaes entre os ns, as quais podem ser, por exemplo, arruamento, redes j
existentes, etc.
 98

Figura B.1. Formulrio para exportao dos dados.

Depois que os algoritmos forem processados, os resultados podem ser exportados para
o mapa. Na Figura B.2, esto as opes para exportar os dados para o mapa. A opo Os ns
Terminais so e a opo Os ns Facilitadores so so usadas para desenhar os ns com
diferentes smbolos no mapa, de acordo com o respectivo nvel, ento, os elementos de
diferentes nveis podem ser mais bem visualizados como na Figura 1.2. Os dados podem ser
salvos no banco de dados do SIG com a opo Gravar, e, para este propsito, o usurio
deve selecionar as tabelas de armazenamento na respectiva lista na opo do combobox Os
dados sero gravados em.

Figura B.2. Formulrio para exportar os dados para o mapa.

 99

A Figura B.3 mostra as opes para desenhar os ns e ligaes no mapa. As opes

Ns e Arestas so group Box que configuram quais os ns sero exportados para a
memria, e desenhados no mapa.

Figura B.3. Opes de desenho no mapa.

O nome do arquivo texto para exportar dados est no campo Nome do arquivo de
destino dos dados. As configuraes de sistema e o nome dos arquivos origem dos dados a
serem importados devem estar em um arquivo de configurao INI. O nome deste arquivo INI
deve ser informado no campo Nome do arquivo INI. O formulrio de informao de nomes
de arquivos visualizado na Figura B.4.

Figura B.4. Formulrio para informar nomes de arquivos.

 100

B.2. Algoritmo MAND

Considerando uma linguagem de programao orientada a objetos, apresentado,
resumidamente, na Figura B.5, o diagrama de classes para a implementao do MAND. O
diagrama exemplifica de forma esquemtica a utilizao dos algoritmos de otimizao. A
classe MAND tem um ou mais nveis (MANDnivel), considerando que o nvel utiliza um
algoritmo otimizador para procurar solues para o problema proposto. O algoritmo
otimizador representado pela classe Otimizador, a qual especializada em algoritmos de
objetivo nico e multiobjetivo. Com esta estrutura, possvel implementar na classe
Otimizador um atributo, o qual em um problema de objetivo nico se comporta como o
valor do custo e em um problema multiobjetivo um valor de referncia.
Quando o MAND processa problemas multiobjetivo, utilizando-se a distribuio das
solues no-dominadas na Fronteira de Pareto, o valor de referncia obtido com uma
anlise das solues atravs da definio de uma regra de negcio, e, com isto, selecionando-
se apenas uma das solues. A implementao do Tomador de Deciso a posteriori na
classe MultiObjetivo, a qual especializada para os algoritmos multiobjetivos utilizados.
Observa-se que o problema tratado pelo algoritmo de otimizao uma especializao
da classe Problema, neste caso, um grafo, por ser a estrutura de dados que melhor representa
os problemas de rede considerados nesta pesquisa. A classe Grafo calcula a funo objetivo
por meio de uma associao para a classe Dijskstra.

Figura B.5. Diagrama de classes para implementao do MAND.

 101

Esta estrutura do diagrama de classes apresentada atende aos requisitos necessrios

para testes e implementaes do MAND, sendo possvel utilizar outros algoritmos auxiliares
de otimizao com uma especializao da classe Otimizador. Tambm possvel tratar de
outros problemas que porventura no possam ser representados pelo Grafo, isto, realizado
atravs de uma especializao da classe Problema. Assim, possvel utilizar o MAND com
vrios algoritmos otimizadores e para buscar solues a vrios problemas de otimizao.
102
 103

Apndice C

Testes de Tomador de Deciso

Para avaliar o algoritmo MAND com algoritmos auxiliares multiobjetivo, e com

diferentes Tomadores de Deciso foram executados testes com a base de dados abaixo
apresentada. Esta base foi construda com menos dados para permitir os diferentes testes
dentro do limite de tempo disponvel nesta pesquisa. Esses testes foram executados com dois
Tomadores de Deciso a posteriori. Os clculos so executados sobre as solues da
Fronteira de Pareto, as quais so resultantes do processamento do algoritmo multiobjetivo.
Aps a execuo do Tomador de Deciso, retornado o valor de referncia encontrado,
sendo selecionados para testes os seguintes Tomadores de Deciso:
1.) O primeiro Tomador de Deciso define a mdia de cada objetivo, das solues
da Fronteira de Pareto. Assim, selecionada a soluo mais prxima da mdia encontrada, e
utilizado como valor de referncia o valor de custo;
2.) No segundo Tomador de Deciso, selecionada a soluo com a menor mdia
entre o primeiro e o segundo objetivo (custo por flexibilidade).
 104

C.1. Base de testes

A base de testes criada tem a dimenso apresentada na Tabela C.1. Esta base de dados
menor que as utilizadas nos experimentos, permitindo uma avaliao com mais execues,
pois tem um tempo menor de processamento. Os testes do "Tomador de Deciso" apenas tem
o objetivo de demonstrar a utilidade do novo algoritmo com aplicaes multiobjetivo.

C.1. Dimenso da Base de Testes.

Demandas (clientes) a
Opes de Coordenadas rea Aproximada
serem atendidos
12 51 0.5 km2

C.2. Resultados
Os resultados encontrados esto na Tabela C.1, sendo divididos em dois grupos
conforme o Tomador de Deciso selecionado. Observa-se que no possvel nestes casos
apenas comparar as solues encontradas pelo valor do custo obtido, necessria a avaliao
de ambos os objetivos utilizados. No caso do algoritmo MAND, as solues encontram-se
com um custo maior que o processo individual, pois as solues tendem a ter mais ns
facilitadores (2. Objetivo), os quais devem proporcionar uma rede mais flexvel, mas com um
custo mais elevado.

Tabela C.1. Comparao de resultados para diferentes Tomadores de Deciso. (a) Seleo
da soluo pela proximidade da mdia e (b) seleo da soluo pela mdia entre os objetivos.
 105

Apndice D

Lista de Publicaes

Este apndice apresenta abaixo a lista das publicaes realizadas a partir deste
trabalho de pesquisa.

SILVA, H. A.; OLIVEIRA, L. E. S.; BRITTO Jr., A. S. Proposta de Planejamento em Etapas

para Redes Secundrias de Telecomunicaes. GEOINFO 2010-XI Simpsio Brasileiro
de GeoInformtica. Campos do Jordo, So Paulo, Brasil, Novembro/2010.

SILVA, H. A.; BRITTO JR, A. S.; OLIVEIRA, L. E. S.; KOERICH, A. L. A Multilevel

algorithm for the network design problem. IECON, 2011, p. 2300-2304.

SILVA, H.A. Independent Interface for Schematic Diagrams in Geographic Information

System. E-Tech: Tecnologias para Competitividade Industrial, Florianpolis, v.4, n.1,
2. Sem., 2011, p. 82-89.