MODELO DE OTIMIZAÇÃO DA LOCALIZAÇÃO DE EQUIPAMENTOS PARA

MONITORAÇÃO DE VEÍCULOS NO TRANSPORTE COLETIVO POR ÔNIBUS

Claudio Barbieri da Cunha

Departamento de Engenharia de Transportes
Escola Politécnica da Universidade de São Paulo

RESUMO
Este trabalho trata do problema de escolha de locais para instalação de equipamentos para monitoração de
veículos em tempo real, no contexto do transporte coletivo urbano por ônibus. O objetivo é selecionar um
subconjunto dos locais candidatos que representem a minimização do número de equipamentos de detecção de
veículos a serem instalados, assegurando uma cobertura da frota em circulação. O modelo matemático
apresentado resulta num problema de programação inteira, de difícil resolução. A heurística de solução proposta
baseia-se no método de “backtracking”, utilizado em alguns tipos de problemas de programação inteira, entre os
quais o problema da mochila binário. A heurística foi aplicada com sucesso a um problema real do transporte
coletivo no município de São Paulo.

ABSTRACT
This paper deals with the problem of selecting site locations for installing equipments for real time bus
monitoring, in the context of urban transport systems by bus. The aim is to select a subset of candidate roadside
detection locations which minimizes the total number of equipments required, while assuring a certain level of
coverage in terms of the total operating fleet of buses. The mathematical model presented results in an integer
optimization problem which is hard to solve. The solution heuristic algorithm is based on the “backtracking”
method, a general framework which can be applied to some integer optimization problems, like the binary
knapsack problem. The proposed heuristic was sucessfully applied to a real urban bus transportation problem in
the city of São Paulo.

1. INTRODUÇÃO
A evolução dos modelos de gestão dos sistemas de transporte coletivo urbano por ônibus no Brasil
tem levado à adoção, por parte dos órgãos de gerência locais, de procedimentos e mecanismos que
enfatizem a coleta automatizada de dados operacionais, de modo a assegurar maior confiabilidade,
eficiência e agilidade nas ações administrativas e operacionais, visando a melhoria da qualidade dos
serviços prestados e a otimização dos seus custos.

Diversos municípios brasileiros, incluindo capitais e cidades de maior porte, têm se voltado para a
adoção de sistemas de monitoração em tempo real da operação do transporte coletivo por ônibus,
através da identificação e da aquisição de dados dos veículos em locais ao longo dos itinerários das
linhas.

Dentre os vários benefícios que esses sistemas de monitoração em tempo real permitem auferir
pode-se destacar:
• maior agilidade e eficiência na monitoração do cumprimento da programação da operação, em
relação aos procedimentos manuais de fiscalização, permitindo a rápida identificação de
problemas (viagens suprimidas, atrasadas, etc.) e a imediata adoção de medidas corretivas (por
exemplo, colocação de carro extra, verificação de acidentes ou de outras ocorrências de
trânsito que podem estar provocando atrasos);
• maior agilidade e eficiência, e menor custo, na coleta de dados de oferta e de demanda dos
serviços de transporte, de modo a subsidiar o acompanhamento tarifário e operacional, bem
como as tarefas de apuração e totalização de receitas e de custos dos serviços efetivamente
 realizados, assegurando, deste modo, maior rapidez na gestão de sistemas com câmara de
compensação tarifária, caixa único, receita pública, etc.
Em geral os sistemas de monitoração de ônibus em tempo real compreendem dois elementos
componentes principais:
• equipamentos de bordo nos veículos, cujas funções são a identificação do mesmo, o registro e o
armazenamento de informações da viagem (catraca, passageiros transportados, etc.), assim
como a sua leitura ou transmissão para dispositivos fixos localizados em pontos específicos ao
longo do itinerário das linhas;
• equipamentos ou dispositivos fixos instalados em locais específicos por onde passam veículos
das linhas, cuja função é a detecção e identificação dos veículos, assim como a aquisição e a
transmissão dos dados, em tempo real, para uma ou mais centrais de controle operacional.
Uma descrição e uma análise mais abrangentes sobre as diferentes tecnologias de identificação e
transmissão de dados dos veículos podem ser encontradas em Melo (1990).

Um dos problemas encontrados na fase de planejamento e desenvolvimento de um sistema de

monitoração em tempo real do transporte coletivo urbano por ônibus consiste na seleção dos locais
onde serão instalados equipamentos fixos para detecção dos veículos, aquisição e transmissão dos
dados, de modo a otimizar a necessidade de instalação desses equipamentos.

Desta forma, o presente trabalho tem por objetivo apresentar o modelo matemático e a estratégia de
solução para o problema de otimização da seleção de locais para instalação desses equipamentos
de detecção de ônibus, visando minimizar o número total de equipamentos necessários a serem
instalados, de forma a garantir a monitoração da frota.

Este documento está organizado da seguinte forma: no item 2 é apresentada a descrição do

problema, bem como a sua formulação matemática. A estratégia de solução adotada, bem como os
aspectos da sua implementação computacional são descritos no item 3. Já o item 4 descreve uma
aplicação prática do modelo. Por fim, no item 6 são apresentadas as conclusões do trabalho.

2. DESCRIÇÃO DO PROBLEMA
O problema de determinação dos locais de instalação de equipamentos para identificação ou
detecção de veículos, visando o gerenciamento do transporte coletivo por ônibus, pode ser
expresso da seguinte forma:

Selecionar um conjunto de locais que representam o menor número de equipamentos de

identificação de veículos, de forma a assegurar uma cobertura mínima da frota em operação
(ou das viagens realizadas), expressa como uma parcela da frota total em operação (ou do
total de viagens realizadas).

Em relação à cobertura mínima da frota, embora os sistemas de monitoração de veículos objetivem,

em geral, a monitoração de toda a frota em circulação (ou das viagens programadas), o que
representa 100% de cobertura, em municípios de maior porte, a implantação e a operacionalização
dos equipamentos é feita de forma gradativa, com a preocupação de assegurar parcelas crescentes
de cobertura da frota. Nesses casos, há, em geral, um cronograma de implantação a ser cumprido,
que define as metas de cobertura mínima a serem atingidas em cada etapa.

Consequentemente, um modelo de otimização da alocação de equipamentos de detecção de

veículos deve indicar, como resultado, os locais para instalação dos equipamentos para assegurar a
cobertura total da operação, assim como os locais mais prioritários para instalação em cada etapa
de implantação, de forma a assegurar um certo nível de cobertura pré-definido (por exemplo, 70%
da frota ao final de um período). O modelo deve indicar os melhores locais, assim como a relação
de linhas/sentidos detectados em cada local, permitindo a comprovação da cobertura atingida.

Os veículos que compõem a frota em operação estão vinculados a linhas/serviços. Em uma estrutura
mais genérica de organização do transporte coletivo, cada linha possui pelo menos um serviço, que
corresponde ao serviço base, podendo, eventualmente, realizar outro(s) serviço(s), também
denominados atendimentos (como, por exemplo, derivações, bifurcações, retornos operacionais,
etc.), aos quais pode ou não haver uma frota vinculada específica, distinta do serviço base.

Uma linha/serviço é considerada coberta quando cada um dos seus sentidos de operação é
detectado por pelo menos um equipamento de identificação. Em outras palavras, a cobertura de
uma linha é assegurada quando os veículos que operam nessa linha são identificados em pelo menos
um local ao longo do seu itinerário, considerando-se cada sentido de operação individualmente (ida
e volta, por exemplo).

Na maioria dos casos, há uma seleção prévia de um conjunto de locais candidatos onde
potencialmente podem ser instalados equipamentos de identificação de veículos. Esses locais são
escolhidos em função da concentração de ônibus (por exemplo, corredores ou faixas exclusivas
para ônibus) e em função de condições favoráveis para a instalação dos equipamentos de detecção
e de transmissão de dados.

Em avenidas e outras vias com maior número de faixas de rolamento e canteiro central, em geral são
selecionados dois locais diferentes, um para cada sentido, dada a impossibilidade do mesmo
equipamento identificar e coletar simultaneamente dados dos dois sentidos de operação. De maneira
análoga, em locais onde o volume de ônibus seja elevado, com alta probabilidade de ocorrerem
ultrapassagens, podem ser necessários mais de um equipamento de identificação nesse local, a fim
de evitar a possível perda de dados de veículos que estejam cruzando simultaneamente o ponto de
detecção.

Consequentemente, o problema a ser resolvido é da escolha de um subconjunto do conjunto de

locais candidatos, objetivando minimizar o número de equipamentos de detecção e assegurando a
cobertura das linhas do transporte coletivo.

A seguir é apresentada a formulação matemática deste problema.

2.1. Formulação matemática do problema

O problema de seleção de locais para instalação de equipamentos de identificação de veículos
objetivando minimizar o número de equipamentos a serem instalados e assegurar uma cobertura
mínima da frota em operação é denominado Problema de Cobertura de Veículos (PCV).

Seja { i = 1, 2,..., m } o conjunto das linhas de ônibus do sistema de transporte coletivo a serem
monitoradas. Cada linha i pode apresentar um ou dois sentidos de operação (por exemplo, uma
linha circular apresenta apenas um sentido, enquanto uma linha convencional bairro-centro apresenta
dois sentidos).

Para a modelagem matemática, cada linha/serviço com frota vinculada é considerada como uma
linha i, uma vez que a cobertura deve ser assegurada para cada serviço na linha individualmente. Os
veículos de cada linha/serviço devem ser detectados pelo menos uma vez ao longo do seu
respectivo itinerário, considerando cada sentido isoladamente; em outras palavras, uma linha/serviço
só está coberta caso ambos os sentidos de operação estejam cobertos pelo menos uma vez.

Seja NS i o número de sentidos de operação da linha i (1 ≤ NS i ≤ 2) ; k designa cada um dos

sentidos de operação da linha/serviço i, (k ∈ {1,..., NS i }) . Cada linha i possui ainda uma frota
operacional vinculada, denominada Fi , ( i = 1, 2,..., m ).

Seja { j = 1, 2,..., n } o conjunto dos locais candidatos onde podem ser instalados dispositivos (ou
equipamentos) de identificação de veículos. Em cada local j são necessários Lj dispositivos para
identificação dos veículos, sendo este número definido previamente em função das características
geométricas da via (por exemplo, número de faixas de rolamento e largura das faixas), da circulação
dos ônibus no local (por exemplo, volume de ônibus ou intervalo médio entre veículos
consecutivos), entre outros. Em geral, considera-se que em cada local sejam detectados veículos
que trafeguem exclusivamente em uma direção e sentido. Assim, em um local de uma avenida ou
corredor com trânsito em ambos os sentidos, em geral são definidos dois locais distintos de
identificação de veículos (j’ e j’’), sendo um por sentido.

Seja Fmin a cobertura mínima a ser atingida, em termos da frota, expressa como o número total de
veículos a ser detectado  0 ≤ Fmin ≤ ∑ Fi  . Para uma cobertura desejada de 70%, por exemplo,
m

 i =1 
m
Fmin = 0, 7∑ Fi . Essa cobertura poderia ser expressa em termos do número de viagens ao invés da
i =1

frota, sem perda de generalidade quanto ao modelo matemático e à estratégia de solução.

Finalmente, seja:

 1, se os veículos da linha i, sentido k são identificados no local j;

αijk = 
 0, caso contrário.

As variáveis de decisão do problema são:

 1, se o local j foi selecionado;
Yj = 
 0, caso contrário.
  1, se os veículos da linha i, no sentido k, foram identificados no local j;
X ijk = 
 0, caso contrário.

A formulação matemática do problema de cobertura de veículos pode ser expressa como:

n
[PCV] [min] ∑L Y
j =1
j j (1)

sujeito a:
m

∑ Fα X i
k
ij
1
ij ≥ Fmin (2)
i =1

αijk X ijk ≤ Y j , ∀i ∈ {1,2,..., m} e ∀j ∈ {1,2,..., n} (3)

n
X > 0 ⇒ ∑ X ijk ≥ 1 , ∀i ∈ {1,2,..., m} e k ∈ {1, NSi }
1
ij (4)
j =1

X ijk ∈ {0,1} (5)

Y j ∈ {0,1} (6)

A função objetivo (1) está relacionada à minimização do número total de equipamentos de detecção
de veículos. A cobertura mínima desejada, em termos de que a frota total das linhas cobertas seja
igual ou superior à frota da cobertura mínima desejada, é assegurada pela restrição (2). Já as
restrições (3) impedem que uma linha seja detectada em um local não selecionado. As restrições (4)
impõem, para cada linha, que cada um dos sentidos de operação seja coberto pelo menos uma vez.
Por fim, as restrições (5) e (6) objetivam garantir a integralidade da solução e as variáveis de
decisão serem binárias.

3. ESTRATÉGIA DE SOLUÇÃO
A formulação matemática do problema proposto (PCV), dada pelas expressões (1) a (6) acima, é
de difícil solução, uma vez que se trata de um problema de programação inteira.

O problema pode ser visto como um problema com estrutura similar ao problema da mochila binário
(“zero-one knapsack problem”), também conhecido como o problema da mochila inteiro
(“integer knapsack problem”) (Martello e Toth, 1977; Horowitz e Sahni, 1978; Martello e Toth,
1988; Nemhauser e Wolsey, 1988).

O problema da mochila binário pode ser descrito genericamente da seguinte forma: dado um
conjunto de objetos aos quais estão associados pesos e lucros, selecionar quais os objetos que
devem ser colocados na mochila, visando maximizar o lucro proporcionado pelos objetos
selecionados, e garantindo que o peso máximo dos objetos colocados na mochila não ultrapasse o
limite de peso da mesma.
Garey e Johnson demonstraram que o problema da mochila binário é NP-completo (“NP-hard”).
Para este problema existem diversos algoritmos de solução (Martello e Toth, 1977; Horowitz e
Sahni, 1978; Martello e Toth, 1988; Nemhauser e Wolsey, 1988).

No PCV, o objetivo é minimizar o número de equipamentos, assegurando uma cobertura mínima da

frota. A dificuldade adicional do PCV em relação ao problema da mochila binário é a seguinte: a
escolha de um local j não assegura que uma linha i esteja coberta, uma vez que não necessariamente
ambos os sentidos de operação daquela linha sejam identificados naquele local (como por exemplo,
em locais situados em vias de mão única, ou em linhas cujos itinerários dos sentidos de ida e de
volta sejam diferentes). Consequentemente, a frota adicional coberta pela seleção de um dado local
j pode depender dos demais locais selecionados já selecionados.

Fazendo uma analogia com o problema da mochila, é como se o lucro associado a cada um dos
objetos ainda não selecionados e candidato a ser colocado na mochila dependesse dos objetos já
colocados dentro da mesma.

Tal condicionante impede a adoção de um algoritmo de solução similar ao usado para resolver
problemas do tipo da mochila binário. Por outro lado, a estratégia geral de solução que pode ser
proposta para o PCV é baseada no método de “backtracking”, que corresponde a um método
geral aplicável à resolução de diversos problema clássicos de Otimização Combinatória, entre os
quais o próprio problema da mochila binário (Martello e Toth, 1977; Martello e Toth, 1988) e o
problema das n rainhas (“n-queens problem”) (Horowitz e Sahni, 1978).

Na seqüência são apresentados alguns conceitos básicos do método de “backtracking”, seguindo-

se a descrição da estratégia de solução adotada para o PCV.

3.1. Conceitos básicos do método de “backtracking”

O método denominado "backtracking" (Horowitz e Sahni, 1978; Nemhauser e Wosley, 1988) é
indicado para problemas de busca da solução ótima satisfazendo algumas restrições.

Para a aplicação do “backtracking”, a solução do problema deve poder ser expressa como uma
n-tupla (x 1, x 2,..., x n), na qual os valores x i pertencem a um conjunto finito Si. Normalmente o
problema consiste em encontrar um vetor que maximize (ou minimize) uma função P(x 1, x 2,..., x n),
sujeito a um conjunto de restrições.

Supondo que mi seja o tamanho do conjunto Si, então há m = m1m2m3 ...mn possíveis vetores de
solução. Uma estratégia de força bruta consistiria em formar todos os possíveis vetores, calculando
a função P para cada um deles, e selecionando aqueles que levam à solução ótima. Entretanto, o
esforço computacional necessário inviabilizaria a sua aplicação a problemas reais.

O método de “backtracking” tem como principal virtude a habilidade para atingir uma solução
com um número de tentativas muito inferior a m. A idéia consiste em montar um vetor de solução,
através da definição de um componente x i de cada vez, e utilizar funções limitantes P(x 1,..., x i) para
verificar se o vetor de solução (x 1,..., x i) tem chance de sucesso.
A maior vantagem do método de “backtracking” reside no fato de que caso se comprove que a
solução parcial (x 1,..., x i) não vai levar à solução ótima, as combinações mi+1 ... mn podem ser
completamente ignoradas.

3.2. Descrição do algoritmo para o problema de seleção dos locais de detecção

Conforme visto acima, o algoritmo de solução para o PCV, cuja formulação matemática foi
apresentada no item 2, é uma heurística que se baseia nos princípios da estratégia de
“backtracking”.

Para cada local j é determinada uma estimativa que corresponde a um limitante inferior da frota
coberta, FEj, calculada através da expressão (7):
m NS i
FE j = ∑∑αijk (Fi NSi ) (7)
i =1 k =1

Em outras palavras, uma linha i com NSi=2, que é coberta em apenas um dos sentidos em um local
j, dá uma contribuição de cobertura correspondente à metade da frota da linha i. Por outro lado,
caso eventualmente ambos os sentidos de uma linha i sejam detectados no local j, a contribuição
corresponde exatamente à frota da linha i.

Essa função limitante inferior é utilizada para verificar se a solução parcial sendo gerada é dominada
por outra solução anteriormente determinada.

O esqueleto do algoritmo de solução, denominado PCV_opt é apresentado na Figura 1, utilizando

linguagem de pseudo-código estruturada baseada no Linal (Swait, 1991). A descrição geral do
funcionamento do algoritmo é resumida a seguir.

Os locais j são ordenados segundo uma ordem decrescente de FEj (passo 1), calculado de acordo
com a expressão (7). Uma primeira solução viável é obtida selecionando os p primeiros locais nessa
ordem, de tal forma que se obtenha uma frota total coberta igual ou superior à frota mínima,
expressa por Fmin (passos 5 a 10).

Essa ordenação dos locais, segundo sua potencialidade de contribuição à cobertura da frota,
consiste em um dos segredos da heurística proposta, uma vez que a solução inicial obtida (passos 5
a 10) é muito boa, possibilitando assim que outras soluções viáveis, porém dominadas, possam ser
descartadas ao longo do processo.

A rotina Incremento(j) (passo 8) atualiza o vetor X[i,j,k] e calcula o incremento da frota pela
inclusão do local j no conjunto dos locais selecionados. A frota de uma linha/serviço i detectada no
local j (dijk = 1) só é considerada no cálculo do incremento da frota caso cada um dos seus
sentidos já tenha sido detectado em pelo menos um local selecionado.

Em seguida, tem início o método de “backtracking”. Individualmente cada um dos j* locais

selecionados, indicado pela variável jj, é excluído do conjunto e verificado se um novo conjunto
candidato, formado pelos locais de 1 a jj-1 da solução ótima (passos 22 a 27) e os demais
selecionados a partir de jj+1, a fim de completar uma solução viável (passos 28 a 36), geram uma
solução melhor que a solução ótima corrente, em termos de uma diminuição do número total de
equipamentos selecionados
procedimento PCV_opt
// Função : obter a solução que minimiza o número de equipamentos e assegura cobertura mínima da frota
início // PCV_opt //
inteiro i, j, k, j*, jj
totfrota, // frota total da solução corrente //
totlaços, // nº total de equipamentos da solução corrente //
frota_ot, // frota da melhor solução obtida //
laços_ot, // nº de equipamentos da melhor solução //
(1) ordenar j segundo ordem decrescente de FEj
(2) totfrota ←0 ; totlaços ← 0; frota_ot ← 0; laços_ot ← 0
(3) para todos os i,j,k faça X[i,j,k] ←0; Y[j] ←0
(4) j ←1
(5) enquanto (j<=n) e (totfrota < Fmin) faça
(6) início
(7) Y[j] ← 1
(8) totfrota ← totfrota + IncrementoFrota(j); totj ← totj + 1; totlaços ← totlaços + L[j]
(9) j ← j+1
(10) fim
(11) se (j > n) então Abandona // problema não tem solução //
(12) frota_ot ← totfrota; laços_ot ←totlaços
(13) j* ←j-1; jj ←j-1
(14) totfrota ←0; totj ←0;
// Backtracking : retroceder de jj até 1, verificando soluções parciais //
(15) enquanto (jj > 0) faça
(16) início
(17) para j = 1 até jj-1 faça
(18) início
(19) totfrota ←totfrota + IncrementoFrota(j)
(20) totj ←totj + 1
(21) totlaços ←totlaços + L[j]
(22) fim
(23) j ←jj+1
(24) enquanto (totfrota < Fmin) e (j<=n) e (totj <=j_ot) e (ZRelax < j_ot) faça
(25) início
(26) totfrota ←totfrota + IncrementoFrota(j)
(27) totj ←totj + 1
(28) totlaços ← totlaços + L[j]
(29) Calcula ZEst
(30) ZRelax ←
(30) j←j+1
(31) fim
(32) se (totfrota = FMin) e ( (totj < j_ot) ou ((totj = j_ot) e (totlaços < laços_ot)) ) então
(33) início
(34) Y[jj] ← 0
(35) frota_ot ←totfrota ; j_ot ←totj; laços_ot ← totlaços
(36) para j ←jj+1 até j* faça Y[j] ←1
(37) j* ←j-1; jj ←j-1
(38) fim
(39) senão jj ←jj-1
(40) fim
(41) fim // PCV_opt //
Figura 1 – Heurística de Solução para o PCV
Há uma condição de parada (passo 29) que pode interromper o processo de geração de uma
solução parcial em decorrência de: (i) ser dominada pela solução ótima corrente (solução parcial
com maior número de equipamentos que a solução ótima) ou (ii) não viável (não assegurar a
cobertura da frota).

Adicionalmente, nessa condição de parada, a fim de evitar que a solução candidata seja gerada até
o final e depois descartada, utilizou-se uma estimativa inferior (menor do que a real) do número total
de equipamentos.

Essa estimativa, representada pela variável ZEst é calculada considerando a solução parcial
(equipamentos em locais já selecionados) e o conjunto de linhas não cobertas, em uma rotina
particular (passo 29), e representa um limitante inferior (“lower bound”) da função objetivo.

Esse limitante inferior é calculado de modo a determinar uma estimativa da função objetivo que
certamente é inferior ao valor da função objetivo da solução completa. Caso o valor obtido através
desse limitante inferior seja maior que o valor da função objetivo da solução ótima (variável laços-
ot), a solução candidata, mesmo parcial, pode ser descartada, uma vez que é dominada.

Uma nova solução gerada domina a solução ótima corrente se o número total de equipamentos
desta for inferior ao número de equipamentos da solução ótima encontrada até então, ou se for
igual, porém como menor número total de laços (passo 37). No caso da solução gerada dominar a
solução ótima corrente, a solução gerada passa a ser a nova solução ótima do problema (passos 38
a 47) e a busca continua a partir daí.

A rotina de “backtracking” analisa um a um todos os locais jj selecionados, de j* até 1, buscando

e verificando se há uma solução melhor através da exclusão do local de ordem jj. Ao final do
processo obtém-se a solução ótima.

Embora muito eficiente, o procedimento é heurístico, uma vez que não são analisadas todas as
possíveis combinações de conjuntos de locais selecionados, de forma a assegurar a obtenção da
solução ótima. Deve-se lembrar que pode haver até 2n combinações possíveis para o problema,
uma vez que, conforme foi discutido anteriormente, a ordem de escolha influencia o valor da função
objetivo.

4. APLICAÇÃO DO MODELO
O algoritmo de solução foi inicialmente implementado em microcomputador PC compatível,
utilizando linguagem Turbo Pascal 7.0. Um segundo programa foi desenvolvido em linguagem de
banco de dados Clipper para manipulação dos bancos de dados e preparação dos dados para o
processamento do algoritmo. Uma nova versão do modelo está em fase final de desenvolvimento,
utilizando a linguagem Delphi da Borland, de modo a integrar as rotinas de acesso aos bancos de
dados, preparação dos dados e processamento do modelo.

O modelo proposto foi aplicado ao problema de monitoração de veículos para o sistema de

transporte coletivo urbano no município de São Paulo. Na época, havia um problema de temporário
importação dos equipamentos de identificação que prejudicava o cronograma de implantação do
sistema de monitoração de veículos. O objetivo era determinar os locais de implantação dos
equipamentos, minimizando o número de equipamentos de identificação, de modo a assegurar e
comprovar a cobertura mínima requerida.

4.1. Preparação de dados

Para o processamento do algoritmo de Backtracking descrito no item 3 foi necessária a obtenção
dos seguintes bancos de dados:

- cadastro das linha/serviços do transporte coletivo urbano de São Paulo, e para cada uma delas,
o lote, o número de sentidos de operação e a frota;
- cadastro dos locais candidatos e, para cada um deles, o número respectivo de equipamentos;
- cadastro da cobertura, contendo, para cada locais, a lista das linhas/serviços e sentidos que são
cobertas pelo mesmo.
A preparação dos dados compreendeu (i) a consistência entre os três bancos de dados e (ii) a
ordenação e organização dos dados e a preparação de arquivos de entrada para serem lidos pelo
programa em Pascal que processa o algoritmo de otimização do número de dispositivos.

Os dados para o modelo corresponderam a 778 linhas de ônibus; 1443 linhas/sentido de operação;
200 diferentes locais candidatos a implantação de equipamentos, num total de cerca de 263
equipamentos; 4280 elementos no cadastro de cobertura (linha/sentido x locais).

4.2. Resultados obtidos

O algoritmo de otimização da seleção de locais foi processado, buscando-se assegurar coberturas
mínimas equivalentes a cerca de 50%, 60%, 70% e 80% da frota total, de acordo com o
cronograma de operacionalização do sistema. Os resultados finais possibilitaram atingir a cobertura
de 80% com 45 locais selecionados, representando um total de 113 equipamentos. Deve-se
destacar que a solução obtida pela heurística superou em muito as expectativas prévias mais
otimistas quanto à necessidade de equipamentos para assegurar as coberturas mínimas requeridas.
Adicionalmente, o modelo possibilitou comprovar e demonstrar as coberturas mínimas atingidas.

A relação dos locais selecionados pelo algoritmo para 80% de cobertura é apresentada na Tabela
1. Deve-se destacar que, tendo em vista que a frota de uma linha/serviço só é considerada coberta
quando cada um dos seus sentidos estão cobertos em pelo menos um local, o acréscimo de frota
indicado na referida tabela decorre da inclusão de cada local ao conjunto dos selecionados. Em
outras palavras, ele isoladamente ou dentro de algum outro conjunto, ou mesmo em outra ordem
que não a apresentada pode não assegurar o acréscimo de cobertura indicado.

Tal fato também explica o motivo pelo qual algum local selecionado não proporciona nenhum
incremento na frota coberta, como é o caso, por exemplo, do local de código W14.

5. CONCLUSÕES
Este trabalho objetivou apresentar um modelo matemático para o problema de determinação de
locais para instalação de equipamentos para detecção de veículos no contexto da monitoração em
tempo real de sistemas de transporte coletivo urbano por ônibus. Os locais selecionados devem
buscar a minimização do número de equipamentos a serem instalados, assegurando uma cobertura
mínima da frota total em operação.

A estratégia de solução proposta, uma heurística baseada no método de “backtracking”,

proporcionou a obtenção de bons resultados, em tempo de processamento bastante reduzido. Esses
resultados permitem a utilização do modelo no contexto do planejamento da implantação de
sistemas de monitoração em tempo real, reduzindo o exaustivo trabalho de identificar um conjunto
de pontos que assegurem o nível de cobertura mínima desejada. Com a utilização desse modelo,
podem ser previamente identificados um maior número de pontos potenciais para a instalação dos
equipamentos (em geral, pontos onde há maior concentração de linhas de ônibus), cabendo ao
modelo a seleção do conjunto que minimize o número de equipamentos a serem instalados,
assegurando a cobertura da frota.

A nova versão em linguagem Delphi, com recursos de manipulação de bancos de dados, permitirá
o estabelecimento de uma interface com sistemas de informação geográfica (SIG), proporcionando
a oportunidade de visualização geográfica dos dados de entrada e das soluções obtidas.

REFERÊNCIAS BIBLIOGRÁFICAS
Garey, M.; D.S. Johnson (1979). Computers and intractability: a guide to the theroy of NP-completeness. São
Francisco: Freeman.
Horowitz, E.; S. Sahni (1978). Fundamentals of computer algorithms. Rockville: Computer Science Press. 622p.
Martello, S.; P. Toth (1977). An upper bound for the zero-one knapsack problem and a branch and bound
algorithm. European Journal of Operational Research, 1: 169-175.
Martello, S.; P. Toth (1988). A new algorithm for the 0-1 knapsack problem. Management Science, 34(5): 633-644.
Melo, A.B. (1990). Automatic vehicle identification systems for bus monitoring. University of NewCastle Upon
Tyne, Departament of Civil Engineering,. 62p. (MSc. dissertation).
Nemhauser, G.L.; L.A. Wosley (1988). Integer and Combinatorial Optimization. New York: John Wiley & Sons,
Inc. 763p.
Swait, J. (1991). Fundamentos Computacionais: algoritmos e estruturas de dados. São Paulo: Makron.

Claudio Barbieri da Cunha

Departamento de Engenharia de Transportes
Laboratório de Planejamento e Operação de Transportes
Escola Politécnica da Universidade de São Paulo
C.P. 61548 - CEP 05424-970
São Paulo – SP - Brazil
tel.: +55(11) 818-5732/5298
fax: +55(11) 818-5716
email: cbcunha@usp.br
Tabela 1 – Resultados da aplicação do modelo para o município de São Paulo

PCVs A SEREM IMPLANTADOS DE FORMA A ASSEGURAR A COBERTURA MINIMA

Local Sentido Total equip Frota (%) Frota Acum (%) Acum
1 S07 Todos 4 969 9.4 969 9.4
2 S22 Todos 8 547 5.3 1516 14.7
3 E29 Todos 11 672 6.5 2188 21.2
4 S24 Todos 13 328 3.2 2516 24.4
5 S31 Todos 15 272 2.6 2788 27.0
6 W11 Todos 19 540 5.2 3328 32.2
7 S12 Todos 21 139 1.3 3467 33.6
8 E28 Todos 23 174 1.7 3641 35.2
9 W16 Todos 27 514 5.0 4155 40.2
10 S30 Todos 30 429 4.2 4584 44.4
11 E35 Todos 32 220 2.1 4804 46.5
12 W01 Todos 35 78 0.8 4882 47.3
13 N01 Todos 38 104 1.0 4986 48.3
14 N02 Todos 41 33 0.3 5019 48.6
15 W05 Todos 45 301 2.9 5320 51.5
16 E32 Todos 49 325 3.1 5645 54.6
17 S29 Todos 51 371 3.6 6016 58.2
18 S11 Todos 53 32 0.3 6048 58.5
19 W07 Todos 55 100 1.0 6148 59.5
20 W19 Todos 57 84 0.8 6232 60.3
21 S34 Todos 59 28 0.3 6260 60.6
22 E27 Todos 63 134 1.3 6394 61.9
23 W14 Todos 65 0 0.0 6394 61.9
24 W02 Todos 67 90 0.9 6484 62.8
25 E24 Todos 69 215 2.1 6699 64.8
26 E14 Todos 71 123 1.2 6822 66.0
27 S05 Todos 75 169 1.6 6991 67.7
28 N03 Todos 79 157 1.5 7148 69.2
29 N14 Todos 81 168 1.6 7316 70.8
30 S10 Todos 83 89 0.9 7405 71.7
31 W13 Todos 84 74 0.7 7479 72.4
32 S33 Todos 86 1 0.0 7480 72.4
33 S32 Todos 87 0 0.0 7480 72.4
34 W03 Todos 89 34 0.3 7514 72.7
35 E12 Todos 91 42 0.4 7556 73.1
36 E22 Todos 93 27 0.3 7583 73.4
37 N12 Todos 95 42 0.4 7625 73.8
38 E17 Todos 97 182 1.8 7807 75.6
39 W04 Todos 99 13 0.1 7820 75.7
40 E02 Todos 103 112 1.1 7932 76.8
41 E07 Todos 105 139 1.3 8071 78.1
42 E10 Todos 107 108 1.0 8179 79.2
43 E11 Todos 109 43 0.4 8222 79.6
44 E03 Todos 111 24 0.2 8246 79.8
45 E08 Todos 113 18 0.2 8264 80.0