BUSCA LOCAL ITERATIVA PARA UM PROBLEMA DE PLANEJAMENTO FLORESTAL MULTIOBJETIVO

Antonio Almeida de Barros Junior Departamento de Informtica - Universidade Federal de Viosa Caixa Postal 216 36.570-000 Viosa MG Brasil antonioabj@gmail.com Jos Elias Claudio Arroyo Departamento de Informtica - Universidade Federal de Viosa Caixa Postal 216 36.570-000 Viosa MG Brasil jarroyo@dpi.ufv.br

RESUMO Neste artigo abordado um Problema de Planejamento Florestal (PF) que visa a obteno de um determinado plano de manejo para o plantio e colheita de madeira. O problema tem dois objetivos, a maximizao do Valor Presente Lquido (VPL) e a minimizao do Excesso de Produo. Para resolver o problema proposta uma adaptao da heurstica ILS (Iterated Local Search). O desempenho da heurstica testado em um conjunto de 30 problemas gerados com base a dados reais. Os resultados da heurstica so comparados com solues encontradas pelo Algoritmo Gentico multiobjetivo SPEA da literatura. O bom desempenho da heurstica ILS mostra o seu enorme potencial para resolver o problema de PF abordado neste trabalho. PALAVRAS CHAVE. Planejamento Florestal. ILS. SPEA. MH Metaheursticas ABSTRACT This paper investigates a Forestry Planning problem (PF) and aims at obtaining a specific management plan for the planting and harvesting of timber. The problem has two objectives, the maximization of Net Present Value (NPV) and the minimization of Production Excess. To solve the problem we propose an adaptation of heuristic ILS (Iterated Local Search). The performance of the heuristic is tested on a set of 30 problems generate by having real data as its base. The results are compared with the heuristic solutions found by the multiobjective genetic algorithm, SPEA literature. The good performance achieved by the ILS heuristic shows its enormous potential to solve the FP problem approached in this work. KEYWORDS. Florest Management. ILS. SPEA. MH - Metaheuristics.

1. Introduo As florestas plantadas so fonte de recursos e riquezas para a humanidade e esses benefcios vo alm do simples retorno econmico atravs de produtos madeireiros e no-madeireiros. O setor de florestas plantadas no Brasil desempenha um papel fundamental no cenrio scioeconmico do pas, ao contribuir com a produo de bens e servios, agregao de valor aos produtos florestais e para a gerao de empregos, divisas, tributos e renda. Explorado por empresas florestais, esse setor tambm, contribui para o meio ambiente por manter o equilbrio dos ecossistemas naturais; regular o clima global; conservar os recursos hdricos; proteger a biodiversidade e os ecossistemas florestais; fixao de carbono; reduzir o nvel de desmatamento ilegal e o impacto sobre as florestas nativas atravs das florestas plantadas; regularizar os fluxos de gua para evitar eroso. Alm disso, uma fonte de biodiversidade e de contribuio para sua manuteno (ABIMCI, 2007). Dados recentes da Associao Brasileira dos Produtores de Florestas Plantadas (ABRAF, 2009) mostram que, as reas de novos plantios aumentaram em 6,5% em 2008 (187,4 mil ha), quando comparado com 2007 (175,9 mil ha). As reas de reforma, por sua vez, cresceram 7,6% em 2008 em relao ao ano anterior, passando de 185,8 mil ha para 199,9 mil ha. A conduo de rebrota, nas empresas associadas da ABRAF, cresceu de 2,9 mil ha em 2007 para 19,0 mil ha em 2008. Estes dados mostram que cada vez mais, engenheiros florestais tm em suas mos novas reas para planejar e tomar decises. Em virtude da existncia e interao de inmeros e complexos fatores tcnicos, econmicos e ambientais que interferem de forma dinmica nas operaes da colheita, h de se considerar que o planejamento essencial para a identificao, previso e controle dos aspectos adversos e com a antecedncia devida. Fatores como: quando, onde e como realizar a colheita de madeira, satisfazendo as exigncias dos consumidores so fatores relacionados s decises tticas (Weintraub et al.,1994; Malinovski, 2007). A complexidade dos problemas envolvidos no planejamento florestal justificam a necessidade do uso de Sistemas de Suporte Deciso (SSD). Dentre as diversas ferramentas matemticas aplicadas com o objetivo de otimizar o planejamento da produo florestal, as tcnicas de Programao Linear e Inteira (PLI) constituem, sem dvida, o instrumental analtico mais utilizado. Exemplos de uso desses modelos podem ser encontrados em Steuer e Schuler (1978), em Clutter et al. (1983), em Rodriguez et al. (1985), e em Laroze (1999), dentre outros. Por outro lado, de acordo com Fatureto e Santos (1999a; 1999b) e Silva et al. (2003) as tcnicas de PLI quando aplicadas a este tipo de problema apresentam algumas deficincias, tais como as pressuposies de que o relacionamento entre as variveis consideradas so lineares e as restries devem ser estritamente respeitadas. Neste contexto, relevante a busca de novos mtodos na tentativa de solucionar o problema do planejamento florestal. Atualmente, existem muitas tcnicas heursticas disponveis para a soluo de problemas combinatrios, incluindo desde heursticas menos convencionais at as chamadas metaheursticas. Exemplos destes mtodos podem ser vistos em Teixeira (2003) que utilizou Algoritmos Evolucionrios para problemas multiobjetivo, Rodrigues (2003) que utilizou a Busca Tabu, Pereira (2003) e Rodrigues (2004) fizeram uso do Pareto Simulated Annealing (PSA) e Simulated Annealing respectivamente. Mais recentemente, no trabalho de Barros Junior et al. (2009) foi proposto o uso da heurstica Greedy Randomized Adaptative Search Procedures (GRASP). O presente trabalho tem como objetivo principal, examinar a aplicabilidade e comparar a eficincia das heursticas Iterated Local Search (ILS) e Strength Pareto Evolutionary Algorithm (SPEA) sob dois objetivos, como uma ferramenta de otimizao no processo de tomada de deciso para o planejamento da produo florestal. 2. Definio e Modelagem do Problema De acordo com Nobre (1999), o problema bsico de manejo florestal consiste em elaborar um planejamento especificando as diversas intervenes silviculturais que atendem s demandas e restries definidas para um certo perodo de tempo. Essas intervenes, incluindo colheitas e

plantios, devem necessariamente atender s limitaes operacionais e resultar em um fluxo adequado e sustentvel de produo. O equacionamento do problema envolve a definio de um nmero muito grande de alternativas silviculturais para cada unidade de manejo na floresta. Dentre essas, e para cada unidade, o gestor deve escolher a que melhor atende aos seus objetivos e restries operacionais. O problema resultante pode se tornar de difcil soluo principalmente devido ao grande nmero de variveis envolvidas, e a natureza combinatria do problema quando impostas restries espaciais e de integridade sobre as unidades de manejo. Existem centenas de regimes de manejo alternativos para cada uma das unidades de produo. Os regimes de manejo disponveis em cada unidade de produo so avaliados e a escolha do melhor regime em cada unidade de produo baseia-se nos objetivos e restries impostas ao problema. O modelo de planejamento empregado neste trabalho, foi proposto originalmente por Kidd et al. (1966), citado por Dykstra (1984), mas que recebeu essa denominao de Johnson & Scheurman (1977). Para Nobre (1999), citando Clutter et al. (1983), no modelo, cada varivel de deciso representa uma seqncia nica de intervenes programadas para uma unidade de produo. De acordo com este modelo, tem-se que: As variveis de deciso correspondem escolha de um nico regime de manejo para cada unidade; As restries de rea garantem a escolha de apenas um manejo para cada unidade; e As restries de produo garantem o fornecimento do produto florestal nos nveis desejados em cada perodo do horizonte de planejamento. Tambm foi utilizado neste trabalho, um sistema de otimizao denominado de Gerador de Prescries (Figura 1) e que teve como base o prottipo proposto no trabalho de Teixeira (2002). Considera-se como Prescrio, cada Alternativa de Manejo (AM) em uma Unidade de Produo (UP) ou talho. As vrias alternativas so obtidas combinando idades de corte, opes de reforma da floresta, desbastes ou conduo de brotao e quaisquer outras caractersticas que se queira. importante ressaltar que uma fazenda dividida em diversas UPs onde podem existir centenas de AMs diferentes. Visto que as prescries representam sequncias preestabelecidas de aes que ocorrero ao longo do perodo de planejamento, numa dada unidade de manejo. No exemplo da Figura 1, observa-se que foram geradas 10 prescries para a UP 1. A primeira (segunda) prescrio representa uma alternativa de manejo onde a UP sofrer duas reformas (condues) representadas pela letra r (representadas pela letra c), ambas com 5 anos de idade. O ano 0 representa o ano corrente, o que mostra que a UP 1 foi plantada a 5 anos atrs, representado pela letra x no ano -5. Cabe ao mtodo heurstico, encontrar a melhor prescrio para cada unidade de produo, considerando as limitaes operacionais e condies de produo impostas ao modelo. O objetivo do problema encontrar a melhor prescrio para cada UP.

Figura 1. Prottipo Gerador de Prescries.

2.1. Modelo de Programao Inteira para o Problema de Planejamento Florestal Multiobjetivo (PFM) Para o problema de PF abordado neste trabalho so consideradas as seguintes notaes: Z1 = lucro total (soma dos lucros de cada unidade de produo); Z2 = excesso de produo; M = nmero total de unidades de produo em uma fazenda; Ni = nmero total de alternativas de manejo da i-sima unidade de produo; Xij = 1 significa cortar a unidade de produo i sob a prescrio j, e Xij = 0 caso contrrio; VPLij = valor presente lquido (VPL) da unidade de produo i, manejada sob a prescrio j, dado pela diferena dos valores de receitas e custos, descontados a uma taxa determinada:

VPLij = Rk (1 + t ) k Ck (1 + t ) k
k =0 k =0

Rk = receita no final do perodo de tempo (k) considerado; Ck = custo no final do perodo de tempo (k) considerado; i = taxa de desconto; n = durao do projeto em nmero de perodos de tempo; k = perodo de tempo; EP = excesso de produo global da floresta, dado soma do volume total produzido pela
unidade de produo i, manejada sob a alternativa de manejo j, no k-simo perodo do horizonte de planejamento conforme a idade de corte naquele perodo, menos o volume total (m) da demanda a ser atendida no perodo k.
H M Ni EP = Vijk X ij Vk k =1 i =1 j =1

Vijk = volume total produzido pela unidade de produo i, manejada sob a prescrio j, no ksimo perodo do horizonte de planejamento conforme a idade de corte naquele perodo;

Vk = volume total (m) da demanda a ser atendida no perodo k;

Aijk = rea da i-sima unidade de produo, manejada sob a j-sima prescrio, no incio do perodo k e que esteja sob o regime de manejo de reforma; H = horizonte de planejamento.

CRk = capacidade de reforma no perodo k.

O modelo completo da seguinte maneira:

Max Z1 = VPLij X ij
i =1 j =1

M Ni

(1)

Min Z 2 = Vijk X ij Vk
k =1 i =1 j =1

M Ni

(2)

Sujeito a:

X ij = 1 ,
j =1
M Ni i =1 j =1

Ni

i =1,...M,

(3) (4) (5) (6)

Vk Vijk X ij , k = 0, 1,..., H-1

CRk Aijk X ij
i =1 j =1 M Ni

,k = 0, 1,..., H-1

Xij {0,1}, i =1,...M, j=1,...N

onde, (1) representa a maximizao do lucro (soma dos valores presentes lquidos das UPs sobre uma prescrio escolhida) e (2) representa a minimizao do excesso de produo global da floresta.. A restrio (3) garante a escolha de uma nica alternativa de manejo j para a unidade de produo i. A restrio (4) representa a imposio de cotas anuais de produo, onde a produo peridica de volume de madeira deve atender a uma demanda preestabelecida, e por ltimo a restrio de capacidade de reforma (5) visa estabelecer uma capacidade mxima de reforma que a empresa florestal capaz de realizar a cada perodo. 3. Heurstica ILS Multiobjetivo para um Problema de Planejamento Florestal A heurstica ILS um algoritmo heurstico baseado na idia de que um procedimento de busca local pode ser melhorado, gerando-se novas solues de partida, as quais so obtidas por meio de perturbaes numa soluo tima local (Loureno et al., 2002). Neste algoritmo, o procedimento de busca local tem por finalidade melhorar a soluo inicial e, tambm, aquelas produzidas aps perturbaes de solues timas locais (Brito et al., 2009). Desta forma, a perturbao deve permitir que a busca local explore diferentes solues, alm de evitar um reincio aleatrio. Os passos bsicos do algoritmo ILS, para o caso de otimizao de uma funo objetivo (mono-objetivo), so mostrados na Figura 2. Procedimento ILS (CritrioParada) S1 Construo_Soluo_Inicial; 1 2 S* S1; //melhor soluo encontrada 3 enquanto no CritrioParada faa 4 S2 Perturbao(S1); 5 S2 Busca_Local(S2); 6 S1 Criterio_Aceitao(S*, S1, S2); fim-enquanto; 7 8 retorne S*; fim ILS; Figura 2. ILS Bsico Mono-objetivo. Por este trabalho abordar um Problema de Planejamento Florestal Multiobjetivo, o algoritmo ILS proposto (denominado ILSMulti) baseado na proposta de Framinan e Leisten (2007) que desenvolveram um algoritmo denominado Multi-Objective Iterated Greedy Search (MOIGS). O algoritmo MOIGS baseado no algoritmo mono-objetivo Iterated Greedy Search (IGS) proposto por Ruiz e Sttzle (2007). Os algoritmos IGS e MOIGS foram originalmente aplicados para um problema de seqenciamento de tarefas em um sistema flow shop e apresentaram excelentes resultados.
Procedimento ILSMulti(d, h, T) // Taxa de destruio das solues LD ; // Lista de dominantes 1 LD ConstrucaoAleatoria(T); 2 3 enquanto no CritrioParada faa 4 CS ; 5 S SelecionaSolucao(LD); //seleo aleatria 6 S Perturbao(S, d); 7 CS BuscaLocal(S, h); LD LD U CS; 8 9 fim-enquanto; 10 retorne LD; fim ILSMulti;

Figura 3. Pseudocdigo do Procedimento ILSMulti.

A Figura 3 apresenta o pseudocdigo do algoritmo ILSMulti proposto neste trabalho. O fluxo normal do algoritmo inicia com a gerao de uma lista de solues dominantes. Estas solues so geradas de forma aleatria (Passo 2). A cada iterao do algoritmo, uma soluo Si escolhida na lista LD (Passo 5) para que seja melhorada por uma busca local (Passo 7). Durante a busca local, o algoritmo encontra vrias novas solues, das quais as solues dominantes so inseridas numa lista CS que, posteriormente, so inseridas na lista de solues dominantes LD a ser retornado pelo algoritmo (Passo 8). O algoritmo possui quatro parmetros, o CritrioParada, o nmero de solues construdas na fase inicial (T), a taxa de perturbao d e uma probabilidade h usada na Busca Local. Os detalhes dos procedimentos ConstrucaoAleatoria, SelecionaSolucao, Perturbao e BuscaLocal esto descritos nas prximas sees. 3.1. Construo Aleatria e Representao da Soluo A fase construtiva ConstrucaoAleatoria (Passo 2 do algoritmo ILSMulti) consiste, basicamente, em gerar uma lista de solues dominantes LD. Para isto so gerados, de forma aleatria, T solues viveis e as solues dominantes so armazenadas na lista LD. A estrutura de dados criada, para armazenar o conjunto de solues, foi uma lista encadeada em que cada n da lista representa uma soluo dominante. Uma soluo S ser inserida na lista L se ela no for dominada por nenhuma soluo da lista. As solues dominadas por S so removidas da lista L. Cada soluo S do problema contm um determinado nmero de unidades de produo (N UP's) e para cada UP, existe um conjunto de possveis alternativas de manejo (AM) que a UP pode assumir, cada AM contm valores associados como custo, lucro, volume de madeira, regime e outros. Para cada UP deve-se escolher uma AM. A escolha de uma AM feita de forma aleatria. Na Figura 4 mostrada uma soluo S com 20 UPs definas pelas letras de A a U. importante ressaltar que as alternativas de manejo (AMs) foram geradas atravs do prottipo Gerador de Prescries (Teixeira, 2002).

Figura 4. Esquema representativo da soluo. Na soluo S so utilizadas as alternativas de manejo 03, 07, ..., 07 para as unidades de produo A, B, ..., U, respectivamente. Aps gerar uma soluo deve-se verificar sua viabilidade para o problema conforme as restries impostas e calcular as funes objetivo. Caso a soluo gerada seja vivel, ela inserida na lista LD, caso no seja dominada. 3.2. Seleo da Soluo A cada iterao do algoritmo ILSMulti, uma soluo S selecionada da lista (LD) para que seja submetido ao processo de Busca Local. O procedimento denominado SelecionaSolucao realiza esta escolha de forma aleatria. 3.3. Perturbao O procedimento de perturbao, de uma soluo S, utilizada no algoritmo ILSMulti consiste em trocar aleatoriamente as alternativas de manejo de d% de unidades de produo. Ou seja, so

escolhidas aleatoriamente d% das UPs, e para cada UP escolhe-se aleatoriamente uma nova AM de tal maneira que seja obtida uma soluo vivel. O parmetro d denominado taxa de perturbao. 3.4. Busca Local A fase da BuscaLocal (Passo 7 do algoritmo ILSMulti) consiste em determinar novas solues vizinhas da soluo S selecionada pelo procedimento SelecionaSolucao. As solues vizinhas dominantes so armazenadas em uma conjunto auxiliar CS. O pseudocdigo do procedimento BuscaLocal apresentado na Figura 5. Inicialmente, conjunto CS vazio (Passo1), para cada unidade de produo up (Passo 2) so realizadas as trocas das alternativas de manejo (passos 6 a 11). Essas trocas sero realizadas com uma probabilidade h% (passo 4). A cada troca realizada, uma nova soluo gerada, testada quanto sua viabilidade e inserida no conjunto CS. O retorno do procedimento o conjunto CS de solues dominantes. O uso de uma probabilidade baixa para a escolha de uma unidade de produo (up) reduz consideravelmente o tempo gasto pela Busca Local. Nota-se que, para h = 100%, todas as unidades de produo sero analisadas. procedimento BuscaLocal(S, h) 1 CS ; 2 Para cada unidade de produo up faa 3 r = nmero aleatrio entre [0,100] 4 Se r <= h% ento 5 S* := S; 6 Para cada alternativa de manejo mup S[up] faa 7 S*[up] := mup; 8 Se S* vivel ento 9 CS := solues dominantes de CS U S*; 10 Fim-se; 11 Fim-para; 12 S = escolha uma soluo de CS; 13 Fim-Se 14 Fim-para; 15 Retorne CS; fim BuscaLocal Figura 5. Procedimento de Busca Local.

4. Resultados Computacionais Neste artigo, testa-se o desempenho das metaheursticas ILSMulti (proposta neste trabalho). Os resultados desta metaheurstica so comparados com os resultados do Algoritmo Gentico (SPEA) proposto por Teixeira (2002 e 2003) na resoluo do problema de planejamento florestal multiobjetivo. Os algoritmos ILSMulti e SPEA foram desenvolvidos utilizando-se o ambiente de programao Borland Delphi 7.0. E todos os testes foram efetuados em um microcomputador Intel Xeon 2.86GHz com 4GB de memria RAM. Foi gerado um conjunto de 30 problemas testes baseados em dados reais e em dados obtidos da literatura (Teixeira, 2002). A Tabela 1 mostra a relao dos problemas-teste utilizados e os principais parmetros de cada problema. Cada problema foi classificado quanto ao nmero de unidades de produo, sendo A com 50 unidades, B com 100 unidades e C com 150 unidades. Em cada classe, os horizontes de planejamento variaram entre 9 e 30 anos que,

combinado com o nmero de unidades de produo, determina o nmero de prescries (possveis alternativas de manejo). Tabela 1 Problemas-teste utilizados.
Classe Problema NUP's Horizonte N Prescries A 1 50 9 anos 735 A 2 50 9 anos 735 A 3 50 9 anos 735 A 4 50 14 anos 2466 A 5 50 14 anos 2466 A 6 50 14 anos 2466 A 7 50 20 anos 9108 A 8 50 20 anos 9108 A 9 50 20 anos 9108 A 10 50 25 anos 27045 B 11 100 9 anos 1533 B 12 100 9 anos 1533 B 13 100 9 anos 1533 B 14 100 14 anos 5094 B 15 100 14 anos 5094 B 16 100 14 anos 7491 B 17 100 20 anos 18924 B 18 100 20 anos 18924 B 19 100 20 anos 18924 B 20 100 25 anos 56499 C 21 150 9 anos 2189 C 22 150 9 anos 2189 C 23 150 9 anos 2189 C 24 150 14 anos 7491 C 25 150 14 anos 7491 C 26 150 14 anos 7491 C 27 150 20 anos 27807 C 28 150 25 anos 82905 C 29 150 28 anos 156042 C 30 150 30 anos 220509 Tempo 5 min. 5 min. 5 min. 10 min. 10 min. 10 min. 20 min. 20 min. 20 min. 30 min. 15 min. 15 min. 15 min. 30 min. 30 min. 40 min. 60 min. 60 min. 60 min. 100 min. 30 min. 30 min. 30 min. 50 min. 50 min. 50 min. 105 min. 180 min. 240 min. 295 min.

Observa-se que alguns problemas contm o mesmo nmero de unidades de produo, seguido do mesmo horizonte de planejamento, por exemplo, os problemas 1, 2 e 3. A diferena entre estes problemas est relacionada com os valores utilizados para definir os nveis de demanda anual a serem considerados para cada um dos problemas. Esta diferenciao dos valores utilizados servir como forma de explorao de cenrios diferentes e influenciaro, diretamente, no desempenho das tcnicas utilizadas para se resolver os problemas. Ainda na Tabela 1, so apresentados os tempos computacionais, em minutos, estabelecidos como critrio de parada de cada algoritmo (ILSMulti e SPEA). Para determinar o tempo de execuo dos algoritmos, foi utilizada a seguinte frmula: ( M m ) 4 , onde M representa o nmero total de UPs e m representa o nmero total de alternativas de manejo disponveis no problema. O resultado dado em segundos e posteriormente convertido para minutos. 4.1. Avaliao das Solues Sejam LD e LD os conjuntos de solues dominantes obtidas pelos algoritmos ILSMulti e SPEA, respectivamente. A partir destes conjuntos determinado o conjunto R o conjunto de solues dominantes referncia: R = dominantes(LDLD). Para comparar a qualidade das solues geradas pelas metaheursticas, foram utilizadas duas medidas: Medida de cardinalidade: nmero de solues de referencia obtidas pela metaheurstica. |D R|; onde D = LD ou LD . Medida de distncia (proposta por Czyzak e Jaszkiewicz, 1998): mede a proximidade de um conjunto D de solues heursticas em relao ao conjunto de referncia R. Assume-

se que D uma boa aproximao de R se as solues de D esto bem prximas das solues de R. Em outras palavras, para cada ponto z R existe z D tal que a distncia entre z e z mnima (D = LD ou LD). A medidas de distncia definida como segue:
Dmed = 1 min d ( z ' , z ) | R | zR z 'D

e Dmax = max {min d ( z ' , z )}

zR z 'D

onde d definido por:

r ) D, z = ( z1,..., z r ) R, j = max f j min f j , max f j = max{z j = f j ( x); f ( x) D R} e

1 d ( z ' , z ) = max z' j z j j =1,...,r j

), z' = ( z' ,..., z'

min{z j = f j ( x); f ( x) D R} .

Dmed a mdia das distancias de um ponto zR ao ponto mais prximo em D, enquanto Dmax fornece o mximo das distancias mnimas de um ponto zR a algum ponto em D. 4.2. Parmetros do Algoritmo ILSMulti O algoritmo ILSMulti possui quatro parmetros, o CritrioParada, T (o nmero de solues construdas na fase inicial), d (taxa de perturbao) h (parmetro usada da Busca Local). O valor usado para T foi 100, ou seja, so geradas 100 solues aleatrias das quais so selecionadas as dominantes no conjunto D. Para determinar a taxa de perturbao d, foram realizados testes computacionais considerando os valores de 5%, 7% e 10%. Os resultados obtidos apontaram o valor de 7% como a melhor taxa para perturbao. Para calibrar o parmetro h utilizado no procedimento de Busca Local, foram selecionados um subconjunto de problemas de diferentes tamanhos. Inicialmente foram gerados trs valores para h: 5%, 10% e 15%. A heurstica ILSMulti foi executada utilizando esses valores determinando, para cada problema, diferentes conjuntos de solues dominantes LD. A partir desses conjuntos, determinou-se o conjunto referncia R que formado pelas solues de referencia entre todas as solues encontradas. Na Tabela 2 so apresentados os resultados obtidos. Nesta Tabela, so mostrados o nmero total de solues de referencia |R|, a quantidade de solues no conjunto LD e o nmero total de solues de referencia |LDR| obtidas pela heurstica para cada valor de h. Tabela 2 No de solues encontradas pelo ILSMulti com diferentes valores para o parmetro h.
Problema 1 4 7 10 11 14 17 20 21 24 27 28 30 Total |R| 4491 4379 1288 578 5726 2442 2443 749 8726 3118 1173 720 916 36749 h=5% 3439 2360 1287 673 6621 3146 2316 574 7314 2840 927 707 370 32574 |LD| h=10% 2638 3811 859 326 4795 2447 2004 727 8603 2940 827 370 647 30994 h=15% 3386 4813 866 368 7221 1402 1602 396 8047 6645 971 442 509 36668 h=5% 2155 599 970 268 994 0 1179 0 6539 1369 76 320 355 14824 |LDR| h=10% 2313 3780 302 309 4370 2442 1264 698 1557 970 553 256 370 19185 h=15% 23 0 16 1 362 0 0 51 630 779 544 144 191 2741

Das 13 instncias testadas, foram encontradas 36740 solues de referncia. Para cada valor de h (5%, 7% e 10%), foram obtidas respectivamente 14824, 19185 e 2741 solues de referencia. Observa-se que usando h = 10% foi encontrado um nmero maior de solues dominantes de referncia em 10 dos 13 problemas testados. Tambm foi observado que, usando

h=10%, a Busca Local rpida e o algoritmo ILSMulti executa um nmero maior de iteraes, o qual importante para o bom desempenho da heurstica. 4.3. Comparao dos algoritmos ILSMulti e SPEA Para comparar foi estabelecido um mesmo critrio de parada baseado no tempo de execuo, conforme mostra a Tabela 1. Os resultados (medida de cardinalidade) dos algoritmos ILSMulti e SPEA so mostradas na Tabela 3. Tabela 3 Nmero de solues encontradas pelas metaheursticas ILSMulti e SPEA.
Classe A A A A A A A A A A B B B B B B B B B B C C C C C C C C C C Problema 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 |R| 12540 9955 5509 9020 5991 5379 4372 2165 3043 2903 7799 10686 6344 5203 3147 3915 1260 4670 2156 2892 7636 13442 10205 4832 6727 6142 4015 2627 1951 1452 ILSMulti |LDR| |LD| 7955 3845 6045 3760 1054 0 9020 9020 5991 5991 5379 5379 4372 4372 2165 2165 3043 3043 1406 1406 7799 7799 10686 10686 6344 6344 5203 5203 3147 3147 3915 3915 182 13 4670 4670 2156 2156 2892 2892 7636 7636 13442 13442 10205 10205 4832 4832 6727 6727 6142 6142 4015 4015 2627 2627 1951 1951 1452 1452 SPEA |LD| 9596 10130 5509 8941 9105 7032 10394 5479 6064 10896 10058 8218 6302 14674 4151 6785 1497 4852 11420 5074 14975 12652 12682 11246 5739 8299 11915 6706 6993 222 |LDR| 8695 6195 5509 0 0 0 0 0 0 1497 0 0 0 0 0 0 1247 0 0 0 0 0 0 0 0 0 0 0 0 0

R: Conjunto de solues de dominantes de (LD LD) LD: Conjunto de solues dominantes obtidas pela metaheurstica ILSMulti. LD: Conjunto de solues dominantes obtidas pela metaheurstica SPEA.

Observa-se que em 25 instncias testadas, o conjunto referncia |R| foi determinado exatamente pelo algoritmo ILSMulti. Em um nico problema (problema 3), o SPEA determinou exatamente o conjunto R. Em 4 problemas, o conjunto R foi determinado por ambos os algoritmos, sendo que nestes casos, sempre o SPEA obteve um maior nmero de solues de referncia. Na Tabela 4 so mostrados os desempenhos das metaheursticas ILSMulti e SPEA em relao medida de distncia. Observa-se que em grande parte das instncias testadas, o algoritmo ILSMulti obteve como Dmed e Dmax o valor 0 (zero), um vez que o conjunto R foi o prprio conjunto gerado pela metaheurstica.

Tabela 4 Desempenho das metaheursticas ILSMulti e SPEA (medida de distncia).

Classe A A A A A A A A A A B B B B B B B B B B C C C C C C C C C C Problema 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Mdia de distncia SPEA ILSMulti Dmax Dmed Dmax Dmed 0.1440 0.3081 0.1598 2.6145 0.4906 1.8015 0.7914 11.5685 4.1983 25.5844 0.0000 0.0000 0.0000 0.0000 1.7567 17.3884 0.0000 0.0000 1.4001 9.8738 0.0000 0.0000 1.4249 5.9054 0.0000 0.0000 1.0920 14.2160 0.0000 0.0000 1.2804 17.2610 0.0000 0.0000 3.0694 24.3607 0.0942 0.3698 0.2068 9.4425 0.0000 0.0000 0.3100 3.3708 0.0000 0.0000 1.8349 16.8939 0.0000 0.0000 0.8964 11.8181 0.0000 0.0000 0.5946 7.0340 0.0000 0.0000 1.5144 14.3101 0.0000 0.0000 1.9100 16.2328 0.4644 9.2691 0.0008 0.0966 0.0000 0.0000 2.5090 22.1012 0.0000 0.0000 2.1058 12.6023 0.0000 0.0000 0.8660 5.8749 0.0000 0.0000 1.7671 16.6535 0.0000 0.0000 3.3334 22.9788 0.0000 0.0000 1.6953 14.0978 0.0000 0.0000 4.5157 24.5063 0.0000 0.0000 2.9676 19.7141 0.0000 0.0000 3.1721 16.0281 0.0000 0.0000 1.4348 5.8912 0.0000 0.0000 1.6712 8.4044 0.0000 0.0000 1.3324 4.8761 0.0000 0.0000 7.3241 19.9820

5. Concluses Neste trabalho foi proposta uma adaptao da metaheurstica ILS (Iterated Local Search) para resolver o problema de planejamento florestal multiobjetivo. Os resultados gerados pela metaheurstica ILS foram comparados com a metaheurstica SPEA proposta por Teixeira (2002) para a soluo do mesmo problema de planejamento florestal abordado. Os parmetros dos problemas utilizados foram definidos por meio de dados reais associados a uma empresa florestal. Os resultados obtidos mostram o bom desempenho da heurstica ILS na determinao de solues dominantes quando comparado com o algoritmo SPEA. Um ponto relevante o fato da heurstica ILS gera uma maior amplitude na fronteira de solues dominantes, uma vez que o tomador de decises pode optar por solues mais extremas, tendendo a um dos objetivos. Assim, a aplicao da heurstica ILS, uma boa alternativa para a soluo de problemas de planejamento florestal com mltiplos objetivos. Agradecimentos Ao Conselho Nacional de Desenvolvimento Cientfico e Tecnolgico (CNPq) e Fundao de Amparo Pesquisa do Estado de Minas Gerais (FAPEMIG) pelo financiamento parcial do trabalho e empresa CIENTEC Consultoria e Desenvolvimento de Sistemas. Referncias
Associao Brasileira da Indstria de Madeira Processada Mecanicamente ABIMCI, (2007), Estudo Setorial 2007: Indstria de Madeira Processada Mecanicamente. Disponvel em: <http://www.abimci.com.br/importancia_setor.html>. Acesso em: 10/03/2009. Associao Brasileira dos Produtores de Florestas Plantadas ABRAF. (2009), Segmento de Florestas Plantadas no Brasil Indicadores Ano Base 2008. Disponvel em: <http://www.abraflor.org.br/estatisticas.asp>. Acesso em: 27 set. 2009.

Barros Junior. A. A., Arroyo, J.E.C., Santos, H.N., (2009), GRASP com Path Relinking para um Problema de Planejamento Florestal. In: XLI Simpsio Brasileiro de Pesquisa Operacional. Anais... Porto Seguro. p. 1953-1964. Brito, J.A.M., Montenegro, F.M.T., Ochi, L.S., (2009), Um Algoritmo ILS para Melhoria de Eficincia da Estratificao Estatstica. In: XLI Simpsio Brasileiro de Pesquisa Operacional. Anais... Porto Seguro. p. 2133-2144. Czyzak, P., e Jaszkiewicz, A., (1998), Pareto simulated annealing - a metaheuristic technique for multiple objective combinatorial optimization. J. of Multi-Criteria Decision Analysis 7, 34-47. Clutter, J.L. et al., (1983), Timber Management: a quantitative approach. John Wiley & Sons. 333p. Dykstra, D.P. (1984) Mathematical programming for natural resource management.: McGraw-Hill. 318p. Fatureto, C. R. C. e Santos, H. N., (1999a), Tomada de deciso sob critrios mltiplos: metodologias e oportunidades de aplicao no Agribusiness - Parte I. Revista Brasileira de Agroinformtica, Viosa, v. 2, n. 1, p. 13-27. Fatureto, C. R. C. e Santos, H. N., (1999b), Tomada de deciso sob critrios mltiplos: metodologias e oportunidades de aplicao no Agribusiness - Parte II. Revista Brasileira de Agroinformtica, Viosa, v. 2, n. 2, p. 83-94. Framinan, J.M., Leisten, R., (2007) A multi-objective iterated greedy search for flowshop scheduling with makespan and flowtime criteria. OR Spectrum. Johnson, K. N. e Scheurman, H. L., (1977), Techniques for prescribling optimal timber harvest and investment under different objectives Discussion and Synthesis. Forest Science Monograph, USA, n.18. Kidd, W. E., Thompson E. F., e Hoepner P.H.. (1966). Forest Regulation by Linear Programming A Case Study. Journal of Forestry 64:611-613. Laroze, A. J., (1999), A linear programming, tabu search method for solving forest-level bucking optimization problems. Forest Science, Washington, v. 45, n. 1, p. 108-116. Loureno, H.R.; Martin, O. e Sttzle, T. (2002), Iterated Local Search. In F. Glover and G. Kochenberger, editors, Handbook of Metaheuristics, pages 321353. Kluwer Academic Publishers, Norwell, MA. Malinovski, R. A. (2007), Otimizao da Distncia de Extrao de Madeira com Forwarder. Botucatu. 2007. 94 f. Tese (Doutorado em Agronomia / Energia na Agricultura). Faculdade de Cincias Agronmicas, Universidade Estadual Paulista. Nobre, S. R., (1999), A heurstica da Razo-R aplicada a problemas de gesto florestal. 1998. 98f. Dissertao (Mestrado), Universidade Federal de Lavras, Lavras, MG. Pereira, G. W. e Santos, H. N., (2003), Aplicao do Simulated Annealing na soluo de problemas de planejamento florestal multiobjetivo. Dissertao (Mestrado em Cincia da Computao) Curso de Ps-graduao em Cincia da Computao, Universidade Federal de Minas Gerais. Rodrigues, F.L., Leite, H.G., Santos, H.N., Souza, A.L., (2003), Soluo de problemas de planejamento florestal com restries de inteireza utilizando Busca Tabu. Revista rvore, v.27, n. 5, p. 701-713. Rodrigues, et. al., (2004), Metaheurstica Simulated Annealing para soluo de problemas de planejamento florestal com restries de integridade. Revista rvore, Viosa-MG, v.28, n. 2, p. 247-256. Rodriguez, L. C. E. e Lima, A. B. N. P. M. (1985), A utilizao da programao linear na determinao de uma estratgia tima de reforma de um talho florestal. IPEF, Piracicaba-SP, n.31, p.47-53. Ruiz R., Sttzle T. (2007), A simple and effective iterated greedy algorithm for the permutation flowshop scheduling problem. Eur J Oper Res 177:20332049. Silva, G. F. et al., (2003) Problemas com o uso de programao linear com posterior arredondamento da soluo tima, em regulao florestal. Revista rvore, Viosa, v.27, n.5, p.677-688. Steuer, R.E. e Schuler, A.T. (1978), An interactive multiple-objective linear programming approach to a problem in forest management. Operations Research, v.26, n.2, p.254-269. Teixeira, A. F., (2002), Aplicao de algoritmos evolucionrios na soluo de problemas de planejamento florestal multiobjetivo. 66p. Dissertao (Mestrado em Cincia da Computao) Curso de Psgraduao em Cincia da Computao, Universidade Federal de Minas Gerais. Teixeira, A. F., Santos, H.N., Silva, G.F., Freitas, P.M., (2003), Algoritmos evolucionrios aplicados ao planejamento florestal com objetivos mltiplos. Anais do XXXV Simpsio Brasileiro de Pesquisa Operacional. Weintraub, A.; Jones, G.; Magendzo, A.; Meacham, M.; Kirby, M. (1994), A heuristic system to solve mixed interger Forest planning models. Operations Research, v. 42, n. 6, p. 1010 1024, vov./dec.