See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/264118807

RESOLUÇÃO DO PROBLEMA DE CARREGAMENTO E DESCARREGAMENTO 3D

DE CONTÊINERES DE NAVIOS EM TERMINAIS PORTUÁRIOS PARA MÚLTIPLOS
CENÁRIOS VIA REPRESENTAÇÃO POR REGRAS E ALGORITM....

Article · July 2014

CITATIONS READS

0 289

6 authors, including:

Aníbal Tavares De Azevedo Antonio Augusto Chaves

University of Campinas Universidade Federal de São Paulo
39 PUBLICATIONS 161 CITATIONS 71 PUBLICATIONS 766 CITATIONS

SEE PROFILE SEE PROFILE

A.C. Moretti Cassilda Maria Ribeiro

University of Campinas São Paulo State University
69 PUBLICATIONS 510 CITATIONS 36 PUBLICATIONS 65 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Performance assessments of export logistics of Brazilian soybeans: an application of data envelopment analysis View project

A parallel optimal routing algoritm View project

All content following this page was uploaded by Cassilda Maria Ribeiro on 22 July 2014.

The user has requested enhancement of the downloaded file.

 Processos Decisórios

Resolução do Problema de Carregamento

e Descarregamento 3D de Contêineres
de Navios em Terminais Portuários para
Múltiplos Cenários via Representação
por Regras e Algoritmo Genético
Solving the 3D Containership Loading Planning Problem for Multiple
Scenarios through Representation by Rules and Genetic Algorithm

Aníbal Tavares de Azevedo1, Antônio Augusto Chaves2, Antônio Carlos Moretti3,

Cassilda Maria Ribeiro4, Galeno José de Sena5

Resumo: Neste artigo, apresenta-se uma nova formulação e uma
representação por regras para a solução do problema estocástico
de carregamento dos contêineres 3D de navios em terminais por-
tuários (PCCTP 3D), que consiste em determinar como carregar
e descarregar um número aleatório de contêineres de um navio
porta-contêiner (containership). Deve-se respeitar as restrições
operacionais relacionadas aos contêineres e à estrutura do navio,
de modo a minimizar o número de movimentos e a distância dos
centros de massa e gravidade. Tanto o problema 2D determinís-
tico é NP-Completo quanto o 3D estocástico, portanto aconselha-
se a utilização de métodos heurísticos. Propõe-se um algoritmo
genético que empregue representação por regras das soluções para
resolver o PCCTP 3D estocástico. A representação por regras tem
como vantagens: ser bastante compacta, assegurar que as soluções
geradas sejam sempre factíveis, possibilitar a inserção de conheci-
mento do tomador de decisões e permitir a consideração de infor-
mação estocástica do número de contêineres em cada porto. Testes
computacionais confirmam a adequação da metodologia proposta.
Palavras-chave: Algoritmo Genético. Carregamento de Navio.
Otimização Combinatória.
Abstract: This article presents a new formulation and the repre-
sentation by rules to solve the stochastic 3D containership load-
ing planning problem in terminal ports (stochastic 3D CLPTP),
which consists in determining how to load and unload an unknown
number of containers from a containership. The operational con-
straints associated with containers and structure of the ship must
be respected. In addition, the number of movement of contain-
ers and the distance between the containership gravity center and
center of mass are objective functions to be minimized. Both the
deterministic 2D problem and stochastic 3D is NP-Complete;
therefore, heuristic methods should be used. In particular, this arti-
cle proposes a genetic algorithm combined with the representa-
tion by rules to solve the stochastic 3D CLPTP. The representa-
tion by rules has the following advantages: it is compact, it ensures
that every created solution be feasible, it enables the incorporation
of the decision maker, and it allows the use of randomness in the
number of containers information of each port. Computational
tests confirm the adequacy of the proposed methodology.
Keywords: Genetic Algorithm. Containership Loading.
Combinatorial Optimization.

1. Professor-Assistente, Doutor, Faculdade de Ciências Aplicadas, Universidade Estadual de Campinas – Limeira, SP – Brasil. E-mail: anibal.azevedo@fca.unicamp.br
2. Professor-Assistente, Doutor, Departamento de Ciência e Tecnologia, Universidade Federal de São Paulo – São José dos Campos, SP – Brasil. E-mail: antonio.chaves@unifesp.br
3. Professor Titular, Doutor, Faculdade de Ciências Aplicadas, Universidade Estadual de Campinas – Limeira, SP – Brasil. E-mail: moretti@ime.unicamp.br
4. Professor-Assistente, Doutor, Departamento de Matemática, Universidade Estadual Paulista – Guaratinguetá, SP – Brasil. E-mail: cassilda@feg.unesp.br
5. Professor-Assistente, Doutor, Departamento de Matemática, Universidade Estadual Paulista – Guaratinguetá, SP – Brasil. E-mail: gsena@feg.unesp.br

| 42 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

1. INTRODUÇÃO número de remanejos, tal como é adotado por este e outros

A eficiência de um terminal portuário especializado em
movimentação de contêineres depende da ordenação e agilidade
do processo para lidar com os mesmos, especialmente durante o
processo de carregamento dos navios. A estiva e o plano de car-
regamento associado são determinados fundamentalmente por
dois critérios: instabilidade do navio e número mínimo de movi-
mentos requerido nos diversos pontos de entrega (AVRIEL;
PENN, 2000; WILSON; roach, 2000; AMBROSINO et al.,
2006). O último critério é baseado no fato de que muitos navios
possuem uma estrutura celular, conforme pode ser observado
na Figura 1, na qual são alojados os contêineres.
Seguramente, um navio porta-contêiner tem sua capa-
cidade medida em TEU (twenty-foot equivalent units) ou
unidade equivalente a 20 pés. Por exemplo, um navio com
capacidade de 8.000 TEUs pode carregar 8.000 contêineres
de 20 pés, ou seja, dispõe de 8.000 células. Essas são agru-
padas por seções ou baias (em inglês bays), e os contêineres
são empilhados nelas, formando pilhas verticais. A organi-
zação em pilhas verticais acarreta, em muitos casos, a neces-
sidade de movimentar alguns contêineres para descarregar
outros posicionados na parte inferior da pilha. Este tipo de
movimento, que poderia ser evitado dependendo do plano
de estiva adotado, é denominado de remanejo.
De acordo com Dubrovsky et al. (2002), o custo de movi-
mentação de um contêiner é de aproximadamente $200,00.
Embora o valor não seja atual, ele é importante para jus-
tificar a adoção de uma função objetivo que minimiza o
artigos de literatura.
Na literatura, Avriel et al. (1998) formularam o problema
de carregamento de contêineres em terminais portuários em
duas dimensões (PCCTP 2D) como um modelo linear binário,
cuja solução pode ser encontrada assumindo-se que é conhe-
cido o número de contêineres a serem embarcados em cada
porto. Porém, este modelo binário consegue resolver apenas
pequenas instâncias, pois o número de variáveis binárias e de
restrições cresce exponencialmente com a quantidade de por-
tos. Ainda neste artigo, são apresentadas duas contribuições:
um procedimento denominado Suspensory Heuristic, que per-
mite a obtenção de soluções sem empregar o modelo binário, e
uma explicação de como gerar instâncias para o PCCTP 2D.
Avriel et al. (2000) provaram também que o PCCTP 2D
é NP-Completo, o que motivou o desenvolvimento de uma
série de heurísticas e meta-heurísticas a fim de serem obti-
das boas soluções para o problema.
Dubrovsky et al. (2002) desenvolveram um algoritmo
genético com codificação compacta da solução, que consiste
em um vetor com seções em quantidade igual àquela de por-
tos. Cada uma delas é composta por quatro elementos rela-
cionados com o número de descarregamentos que devem ser
realizados. Restrições de instabilidade são consideradas por
meio de uma função de penalidade, e a metodologia proposta
é testada em instâncias com no máximo 11 portos e um navio
com capacidade de 1.000 TEUs.
Wilson e Roach (1999; 2000) desenvolveram uma meto-
dologia que resolve o PCCTP 2D em dois passos. O primeiro

BAIA 12 12 11 10 9 8 7 6 5 4 3 2 1 Nº da Escotilha
44 40 36 32 28 24 20 16 12 08 04 Baia de 40 pés
10 08 06 04 02 00 01 03 05 07 09 45 43 41 39 37 36 33 31 29 27 26 23 21 19 17 16 13 11 09 07 06 03 01 Baia de 20 pés
88
baixa resolução

86
84
82
Pilha
14
12 Bombordo
10
08
06
04
02

10 08 06 04 02 01 03 05 07 09 Estibordo
Posições

Figura 1. Estrutura celular de um navio. Adaptado de Wilson e Roach (2000).

| 43 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena
deles emprega um branch-bound para resolver o problema de
atribuição de contêineres para cada baia do navio. No segundo
passo, uma busca Tabu atribui cada contêiner para uma posição
específica das seções. Esse tratamento ocorre em duas horas a
fim de obter uma solução para um problema cujo navio tem
688 TEU de capacidade e 4 portos de destino.
Ambrosino et al. (2006; 2010) introduziram e testaram a
noção de instabilidade com a consideração de pesos nos con-
têineres no modelo. Ambrosino et al. (2010) também ensaia-
ram uma otimização com colônia de formigas (ACO) em um
problema real direcionado ao terminal SECH, em Genova,
Itália, a um navio cuja capacidade é de 1.800 TEUs, para
instâncias com dois ou três portos de destino, um navio com
5.510 TEUs de capacidade e quatro ou cinco portos de destino.
Imai et al. (2006) apresentaram um método de otimi-
zação multicritério para o PCCTP 3D, considerando dois
objetivos conflitantes: a instabilidade do navio e o número
de remanejos. Para a medida de instabilidade, emprega-
se um cálculo detalhado que envolve desde a inclinação
longitudinal e transversal do navio até um do metacen-
tro, mas isto é realizado ao preço de se estimar o número
de remanejos a serem realizados para uma dada solução.
Experimentos computacionais foram realizados com um
algoritmo genético para instâncias cuja capacidade do
navio variasse de 504 até 2.016 TEUs e de três até quatro
portos, respectivamente.
A estrutura especial do navio, fornecida na Figura 1, permite
que o problema do carregamento de contêineres em terminais
portuários (PCCTP) possa ser visto como um caso particu-
lar dos problemas de corte e empacotamento, em particular,
um 3D de empacotamento ortogonal (DYCKHOFF, 1990;
WÄSCHER et al., 2007). Assim, Sciomachen e Tanfani (2007)
formularam o problema com um modelo 3D de empacota-
mento e apresentaram um método de solução heurística que
é baseado no mesmo. A função objetivo consiste em minimi-
zar o tempo total de carregamento, bem como o uso eficiente
dos equipamentos portuários. A metodologia foi validada em
casos reais do porto de Genova, Itália, para um navio com
capacidade de 198 TEUs, contêineres com diferentes pesos,
um ou dois guindastes e dois ou três portos de destino.
Fan et al. (2010) elaboraram uma metodologia em que o
PCCTP é formulado de modo a conciliar o balanceamento
do trabalho do guindaste e a instabilidade do navio. Os auto-
res resolveram uma instância cujo navio tem capacidade de
| 44 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
5.000 TEUs, cinco guindastes portuários, cinco tipos de con-
têineres e cinco portos de destino.
Como observado anteriormente, as metodologias existen-
tes na literatura possuem uma séria limitação com relação ao
número de portos que pode ser considerado no horizonte de
planejamento do plano de estiva. A maioria das metodologias
se restringe a, no máximo, cinco portos e apenas um chega a
empregar instâncias com 11 portos.
Uma metodologia de solução alternativa para o PCCTP
consiste em empregar uma representação diferente da pro-
posta pelo modelo binário, denominada representação por
regras. Testes feitos com esta mostraram que é possível a
obtenção de soluções de qualidade, em tempo computacional
adequado, de instâncias com até 30 portos tanto para o pro-
blema 2D como para o 3D (AZEVEDO et al., 2010; 2012).
No entanto, todos os artigos citados não consideram
um aspecto importante do problema. De acordo com
Avriel et al. (1998), a informação referente ao número de
contêineres que devem ser embarcados em cada porto não
pode ser obtida antecipadamente, ou seja, é estocástica e o
PCCTP 3D deve ser modificado a fim de considerar que o
número de contêineres a serem embarcados em cada porto
seja uma variável aleatória.
A contribuição deste artigo, portanto, é modelar e resolver
o PCCTP 3D estocástico para obter soluções mais robustas
e adequadas à variabilidade do número de contêineres que
devem ser embarcados em cada porto. Para tanto, a repre-
sentação por regras, utilizada em outros artigos no PCCTP
3D determinístico (AZEVEDO et al., 2010; 2012), será
adaptada e aplicada. Na Seção 2 é apresentada a formulação
matemática do PCCTP 3D estocástico que usa variáveis
binárias e na 3, a representação por regras combinada com
a implementação com um algoritmo genético para a resolu-
ção do PCCTP 3D estocástico. Na Seção 4 são mostrados
os resultados computacionais obtidos e na 5, as conclusões e
sugestões de trabalhos futuros.
2. APRESENTAÇÃO DO PROBLEMA
O problema PCCTP 3D estocástico, que será mode-
lado e resolvido, consiste em minimizar dois objetivos em
cada cenário: o número de movimentos dos contêineres para
uma quantidade de portos N e a instabilidade do arranjo
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena
dos contêineres. Para o primeiro objetivo, minimizam-se
os remanejos decorrentes do descarregamento temporário
de contêineres, que visam permitir a retirada de um instru-
mento que esteja na parte inferior da pilha e cujo destino
seja o porto atual. Para o segundo, define-se a distância do
centro de massa ao geométrico, depois do descarregamento
e do carregamento do navio em cada porto, como medida
da instabilidade. A seguir, a formulação do problema por
programação linear inteira com variáveis binárias 0-1 será
demonstrada, que é uma extensão do PCCTP 2D deter-
místico, apresentado em Avriel et al. (1998).
2.1. Nomenclatura
As variáveis, constantes, índices e funções empregadas
nas restrições e na função objetivo têm seu significado deta-
lhado a seguir:
R ����������������� : número total de linhas existentes no navio.
C ����������������� : número total de colunas existentes no navio.
D ���������������� : número total de baias existentes no navio.
S ����������������� : número total de cenários empregados no modelo
matemático.
N����������������� : número total de portos a serem percorridos
pelo navio no horizonte de planejamento con-
templado pelo modelo matemático.
r ������������������ : índice relativo à linha do navio.
c ������������������ : índice relativo à coluna do navio.
d������������������ : índice relativo à baia do navio.
s ������������������ : índice relativo ao cenário.
i,j,k,p,v �������� : índices auxiliares empregados na elaboração
das restrições.
α ����������������� : peso relativo à importância que a função Φ1 (x)
tem na otimização.
β ����������������� : peso relativo à importância que a função Φ2 (y)
tem na otimização.
Φs1 (x) ��������� : número de movimentos realizados ao longo
dos portos no cenário s.
Φs2 (y) ��������� : medida de instabilidade pelos portos no cenário s.
θs ����������������� : peso associado à importância que o cenário s
tem perante os demais ou probabilidade de sua
ocorrência.
T̃ij �����������������������������: valor aleatório do número de contêineres com
origem em i e destino em j.
Tsij ��������������� : número de contêineres com origem em i e des-
tino em j no cenário s.
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
(r, c, d) ��������� : célula do navio localizada na linha r, coluna c,
baia d.
x sijk (r, c, d) ��� : variável binária que assume o valor 1 se, no
cenário s, existir um contêiner no compartimento
(r, c, d) que foi ocupado no porto i, tem como
destino final o porto j e foi movido no porto v;
caso contrário, assume valor zero.
y si (r, c, d) ����� : variável binária que assume valor 1 se, no cená-
rio s, saindo do porto i o compartimento (r, c, d)
for ocupado por um contêiner; caso contrário,
assume valor 0.
zcm di ����������� : coordenada do centro de massa no eixo das
s
linhas r para cada baia d no porto i.
xcm di ����������� : coordenada do centro de massa no eixo das
s
colunas c de cada baia d no porto i.
Δzcmsdi��������� : soma dos desvios entre a coordenada do cen-
tro de massa zcmsdi no eixo das linhas r e coor-
denada do centro geométrico C/2 de cada baia
d no porto i.
Δxcm di��������� : soma dos desvios entre a coordenada do centro
s
de massa xcmsdi no eixo das colunas c e coorde-
nada do centro geométrico R/2 de cada baia d
no porto i.
2.2. Modelo Matemático
Considere um navio para transporte de contêineres
que possui D baias numeradas d=1, ..., D. Cada uma tem
R linhas horizontais numeradas r=1, 2, ...R (a linha 1 é a
que está no fundo e a R é aquela da pilha mais próxima
do convés) e C colunas verticais numeradas c=1, 2,...,C
(coluna 1 é a primeira de bombordo). Apesar de a baia ter
formato tridimensional com outras de diferentes tama-
nhos, a mesma pode ser representada, sem perda de gene-
ralidade, por tal formato com baias de mesma capacidade,
particularmente um vetor de matrizes. Portanto, uma baia
pode alocar no máximo RxC contêineres. Assume-se, sem
perda de generalidade, que todos os contêineres tenham o
mesmo tamanho e peso. O navio chega no porto 1 comple-
tamente vazio e, sequencialmente, visita os portos 2, 3,...,
N. Em cada i=1,...,N-1, o navio recebe o carregamento de
contêineres com destino aos i+1,...,N. No último porto,
ele descarrega os contêineres e fica totalmente vazio. Seja
T̃ = [ T̃ ij] a matriz de transporte de dimensão (N-1)x(N-
1), em que T̃ij é uma variável aleatória correspondente ao
| 45 |
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

número de contêineres com origem em i e destino em j.

j N j
A matriz é triangular superior, pois T̃ij = 0 para todo i ≥ j. ∑ ∑ ∑ xskjv (r,c,d) = ysi (r,c,d)
k=1 j=i+1 v=i+1
Outra de transporte é considerada uma variável aleatória,
devido ao fato de que a informação referente ao número i=1,...,N-1, r=1,...,R;
de contêineres que devem ser embarcados em cada porto c=1,...,C; d=1,...,D; (3)
é estocástica, isto é, não pode ser obtida com antecedên- s=1,...,S;
cia. Essa informação tem um significado importante, for-
necendo que uma solução para o problema estocástico ysi (r,c,d) - ysi (r+1,c,d) ≥ 0
deve considerar que: (i) não é possível prever o futuro; (ii) i=1,...,N-1, r=1,...,R-1;
decorrente de (i), é necessário modificar o objetivo de se c=1,...,C; d=1,...,D; (4)
obter a melhor solução para os possíveis valores de T̃ ij , ou s=1,...,S;
mesmo para uma única matriz de transporte T.
j-1 N j-1 N p
De acordo com a segunda consideração, isto significa que ∑ ∑ xsipj (r,c,d) + ∑ ∑ ∑ xsipv (r+1,c,d) ≤ 1
i=1 p=j i=1 p=j+1 v=j+1
a obtenção da melhor solução deverá observar vários possíveis
valores da matriz T̃ij . Neste sentido, ao invés de considerar que i=2,...,N, r=1,...,R-1;
a matriz T é uma variável aleatória T̃, pode-se empregar um c=1,...,C; d=1,...,D; (5)
conjunto de matrizes T s com elementos fixos gerados aleato- s=1,...,S;
riamente. Cada matriz de transporte T s é tal que o número de
contêineres a serem embarcados em cada porto é conhecido e, xsijv (r,c,d) = 0 ou 1; ysi (r,c,d) = 0 ou 1 (6)
desse modo, é possível definir que T s corresponde a um cená- A variável binária x ijv (r, c, d) é definida de forma que se
s

rio. Assim, para o problema 3D com incerteza na matriz de assuma o valor 1 se, no cenário s, existir um contêiner no com-
transporte T, quando se declara que a otimização considera partimento (r, c, d) que foi ocupado no porto i e tem como
múltiplos cenários, implica que a solução a ser encontrada destino final o j e movido no v; caso contrário, assume valor
busca o melhor valor médio em termos de número de movi- zero. Por compartimento (r, c, d) entende-se a linha r, a coluna
mentos e instabilidade para várias matrizes de transporte T s. c e a baia d no compartimento de carga do navio. É necessário
Espera-se que a solução obtida deste modo seja tal que, na ressaltar que a numeração das linhas é realizada de baixo para
média, apresente menor número de movimentos e instabili- cima, assim aquela de número 5 está acima da 4. A numeração
dade em instâncias desconhecidas quando comparada com das colunas é feita da esquerda para a direita. A profundidade
outras para apenas um cenário. Em outras palavras, a consi- é iniciada da popa à proa. A variável ysi (r, c, d) possui valor 1
deração de um modelo com múltiplos cenários permite que se, no cenário s, saindo do porto i o compartimento (r, c, d)
as soluções obtidas sejam mais robustas e ‘imunes’ à variação for ocupado por um contêiner; caso contrário, assume valor 0.
decorrente da característica estocástica da matriz T̃. A restrição na Equação 2 é para conservação de fluxo,
A formulação de programação linear inteira do PCCTP onde T sij é o elemento da matriz de transporte que representa
3D para múltiplos cenários é fornecida pelas Equações 1 a 8: o número de contêineres embarcando no porto i com destino
ao j, no cenário s. A restrição da Equação 3 garante que cada
s
f (x) = ∑ (αΦ 1 (x) + βΦ 2 (y)) θ
s s s
compartimento (r, c, d) tenha no máximo um único contêiner.
s=1
i=1,...,N-1,j=i+1,...,N; Já a da 4 é necessária para garantir a existência de contêineres
Min s=1,...,S; (1) embaixo daquele que ocupa o compartimento (r, c, d). Na 5,
ela é responsável por definir a movimentação dos contêineres:
s.a: se um que ocupa a posição (r, c, d) é descarregado no porto j,
j R C D i-1 R C D
∑ ∑ ∑ ∑ x kjv (r,c,d) - ∑ ∑ ∑ ∑ x kjv (r,c,d) = T ij
s s s
então, ou não há outros acima dele ou o índice v do contêi-
v=i+1 r=1 c=1 d=1 k=1 r=1 c=1 d=1
ner que ocupa o compartimento (r+1, c, d) não é maior que j.
i=1,...,N-1,j=i+1,...,N; A função objetivo, fornecida pela Equação 1, é uma
s=1,...,S; (2) composição de dois diferentes critérios em um cenário s,

| 46 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena
ponderado pela probabilidade qs de ocorrência do cenário: o
primeiro depende da movimentação dos contêineres, Φs1 (x)
e o segundo da posição ocupada pelos contêineres em cada
porto, Φs2 (y). Os dois podem ser combinados por meio de
valores escalares fornecidos para os pesos a e b dentro de um
modelo de otimização biobjetivo.
O termo Φs1 (x) relativo ao custo total de movimentação
dos contêineres (assumindo, sem perda de generalidade, que
a movimentação de um contêiner possui um custo unitário
e igual para todos os portos), em todos os portos para um
cenário s, é dado pela Equação 7:
N-1 N j-1 R C D
Φs1 (x) = ∑ ∑ ∑ ∑ ∑ ∑ xsijv (r,c,d)
i=1 j=i+1 v=i+1 r=1 c=1 d=1
O termo Φs2 (y) é relativo à estabilidade do navio de acordo
com a posição dos contêineres, assumindo-se que cada um
possua um peso unitário e igual para todos os portos, em todos
aqueles no cenário s e é dado pela Equação 8:
N D D
Φs2 (y) = ∑ (∑ (Δxcmsdi)2 + ∑ (Δzcmsdi)2)
i=1 d=1 d=1
onde:
Δzcmsdi = zcmsdi - R/2, Δxcmsdi = xcmsdi - C/2
/ (∑ ∑ y (r,c,d))
R C R C
zcmsdi = (∑ ∑ (ysi (r,c,d) x (r-0,5))
r=1 c=1 r=1 c=1
= (∑ ∑ (y (r,c,d) x (c-0,5)) / (∑ ∑ y (r,c,d))
C R R C
xcmsdi s
i
c=1 r=1 r=1 c=1
Observe na Equação 8 que, em cada cenário s, para se
calcular a soma dos desvios (Δxcmsdi e Δzcmsdi) usam-se as
coordenadas do centro de massa (xcmsdi e zcmsdi) e as do geo-
métrico (R/2 e C/2) de cada baia d no porto i. Para tanto, é
necessário calcular as coordenadas do centro de massa xcmsdi,
e zcmsdi, relativas, respectivamente, àquelas no eixo das colu-
nas c e linhas r de cada baia d no porto i.
Infelizmente, o tamanho que o problema assume com
a formulação dada pelas Equações 1 a 8 é proibitivo para
problemas reais e pode ser resolvido apenas para compli-
cações pequenas. Além disso, como verificado (AVRIEL;
PENN, 1993) e demonstrado por Avriel et al. (2000), o
PCCTP 2D é um problema NP-Completo e, portanto,
o PCCTP 3D também é, com múltiplos cenários, o que
justifica o uso de heurísticas para encontrar boas soluções,
em particular, algoritmos genéticos.
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
Outra dificuldade é relacionada à questão da representação
de solução por meio de variáveis binárias. A formulação das
Equações 1 a 8 é tal que, para se representar uma solução de
uma instância com S=10, D=5, R=6, C=50 e P=30, serão neces-
sárias SxDxRxCxP3 variáveis xijv(r,c,d), ou seja, 405.000.000 x,
e SxDxRxCxP variáveis yi(r,c,d), ou seja, 450.000 y. Portanto,
um total de 405.450.000 variáveis para representar uma única
solução que pode ser infactível.
3. REPRESENTAÇÃO POR REGRAS
(7) 3.1. Representação por
Regras para um Cenário
Nesta seção será apresentada a representação matricial
desenvolvida para a resolução do PCCTP 3D. Esta, ao con-
trário da binária, tem a vantagem de ser compacta e de assegu-
rar que todas as soluções geradas pelo método sejam factíveis.
(8) Foi possível observar na Figura 1 que os navios possuem
uma estrutura celular de modo que os locais onde os contêi-
neres serão alocados sejam predeterminados, fazendo com
que estes sejam empilhados verticalmente. Tal empilhamento
sugere uma representação por meio de um vetor de matri-
zes dos contêineres no navio. Desse modo, pode-se definir
s
i
um vetor das matrizes de ocupação B, que fornece a dispo-
sição de espaços disponíveis e a localização dos contêineres
s
i
no navio em todos os portos. Para tanto, cada elemento do
vetor de matrizes é uma matriz Brcd que representa o estado de
uma célula (r,c,d), isto é, se Brcd for igual a zero significa que a
célula que ocupa a linha r, a coluna c e a baia d está vazia e se
Brcd=j, a célula contém um contêiner cujo destino é o porto j.
Assim, no exemplo da Figura 2, o elemento (2,2,1) perten-
cente à baia 1 (Brc1), linha 2 e coluna 2 é igual a 3, logo neste local
existe um contêiner que será descarregado no porto 3. De modo
análogo, o elemento (1,1,3)=6 significa a célula da terceira baia
(Brc3), a primeira linha e a primeira coluna contêm um contêi-
ner cujo destino é o porto 6. Observe que a linha 2 representa a
célula do topo da pilha e a 1, a célula no fundo pilha. Cada vetor
de matrizes B é uma ocupação do navio, de acordo com um dese-
nho tridimensional. Portanto, o vetor de matrizes B mostrado na
Figura 2 será associado ao desenho tridimensional da Figura 3.
É importante observar que a matriz de ocupação B é modi-
ficada em cada porto, devido à entrada e saída de novos contêi-
neres, ou seja, quando o navio chega num j, é necessário realizar
| 47 |
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

dois movimentos obrigatórios, a saber: descarregar os contêineres
cujo destino é o porto j em questão, bem como aqueles que os
bloqueiam; e carregar os contêineres com destinos aos portos j+1,
j+2,...,N. Então, para cada porto j, foram estabelecidas regras para
se fazer o descarregamento e o carregamento dos contêineres.
Para este artigo, foram criadas 12 regras k resultantes das
combinações das seis de carregamento (Rc1, Rc2, Rc3, Rc4,
Rc5, Rc6) e duas de descarregamento (Rd1, Rd2), conforme
ilustrado na Tabela 1.
Na Tabela 1, observa-se que a regra 2 é a combinação da
Rc1 para o carregamento dos contêineres com a Rd2 para o
descarregamento. Isso foi feito com o objetivo de se obter
uma representação ainda mais compacta da solução.
A aplicação de tais regras em cada porto j vai atualizar a
matriz de ocupação B. Vale lembrar que, inicialmente, a matriz
B está com todos seus elementos iguais a zero e começa a ser
preenchida no porto 1. Para melhor ilustrar a utilização das
regras, a matriz de transporte T determinística da Figura 4

5 5

6 6
Br,c,3
4 4

5 4
Br,c,2
2 3

baixa resolução
4 2
Br,c,1

Figura 2. Matriz de ocupação para navio com capacidade Figura 3. Representação tridimensional da matriz de
de 16 contêineres e transporte para seis portos. ocupação mostrada na Figura 2.

Tabela 1. Regras k a serem utilizadas em cada porto j.

Regra de carregamento Regra de descarregamento Regra k usada no porto j

Rd1 1
Rc1
Rd2 2

Rd1 3
Rc2
Rd2 4

Rd1 5
Rc3
Rd2 6

Rd1 7
Rc4
Rd2 8

Rd1 9
Rc5
Rd2 10

Rd1 11
Rc6
Rd2 12

| 48 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

será aplicada, fornecendo a quantidade de contêineres a serem

D2 D3 D4 D5 embarcados em cada porto i com destino a j.
O1 2 5 0 0
3.1.1. Regras de Carregamento • A Rc1 preenche
O2 0 2 3 1
a matriz de ocupação B (no porto p) por baia, começando
O3 0 0 2 2 pela primeira linha da primeira baia (fundo do navio) e vai
O4 0 0 0 1 até aquela do topo desta mesma seção (convés do navio),
indo de bombordo para estibordo, começando pelas cargas
cujo destino é mais distante. Sua aplicação, considerando a
Figura 4. Matriz de transporte T. matriz T da Figura 4 e que o navio se encontra no porto 1,
resulta na matriz B da Figura 5a.
A Rc2 completa a matriz de ocupação B (no porto p) por
linha, começando pela primeira linha da primeira baia (proa do
(A) Regra Rc1 navio) e indo até a última (popa do navio), de bombordo para
estibordo, colocando na parte inferior da pilha de cada linha
0 0 (fundo do navio) as cargas cujos destinos sejam mais distan-
tes. Sua aplicação, considerando a matriz T da Figura 4 e que
0 0 o navio se encontra no porto 1, resultará na B da Figura 5b.
B3,r,c
2 0

3 2
Avaliação de solução para o PCCTP 3D
B2,r,c
[nmov, instab] = Avaliar3D(v,T)
3 3
Início
p=1, nmov=0, instab=0.0
3 3
B1,r,c inicializar(B,T)
Enquanto (p<=N) faça
Início
[rc, rd]=extrairRegras(v(p))
Se (p > 1)
(B) Regra Rc2
[aux, B, T] = descarregar(Rd, B, p)
instab = instab + calcDXDZ(B)
0 0
nmov = nmov + aux

3 2 fim
B3,r,c Se (p < N)

0 0 [aux, B, T] = carregar(Rc, B, T, p)
instab = instab + calcDXDZ(B)
3 3 nmov = nmov + aux
B2,r,c fim
2 0 p=p+1
fim
3 3 retornar nmov, instab
B1,r,c fim

Figura 5. Matriz de ocupação B no porto 1, após a Algoritmo 1. Algoritmo para avaliação de uma solução
aplicação de cada regra Rc. υ por meio de regras.

| 49 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

3.1.2. Regras de Descarregamento • Na Rd1,
quando o navio chega a um porto p, são removidos todos
os contêineres cujos destinos sejam o porto p e aqueles que
estejam acima dos contêineres do porto p e cujos destinos
são os portos p+j, para j=1,..., N tal que (p+j)≤N. Além disso,
após a aplicação da regra, a matriz de transporte T deve ser
atualizada, pois foi retirada com destino aos portos p+j, que
devem ser recarregados e, portanto, serão adicionados na
matriz de transporte relativa ao p.
Uma descrição mais detalhada das regras e de seu funcio-
namento foi fornecida por Azevedo et al. (2012).
O processo de avaliação de uma solução v combina a aná-
lise das regras com a simulação do estado do navio, ao longo
dos portos, após a aplicação de cada regra, como mostrado
no Algoritmo 1.
Símbolos e funções empregados no Algoritmo 1 são des-
critos a seguir:
p : variável contadora, que indica o porto atual da
simulação.
N : número total de portos.
v : vetor este que o elemento v(i) contém a regra
k, a ser aplicada no porto i e modificar a matriz
de ocupação B adequadamente.
nmov : número de movimentos realizados para carregar
ou descarregar o navio ao longo dos N portos.
B : matriz de ocupação que indica o estado do
navio em cada porto i.
Rc : variável que contém o nome da regra de car-
regamento a ser aplicada.
Rd : variável que contém o nome da regra de des-
carregamento a ser aplicada.
inicializar : função que preenche a matriz de ocupação B,
com valores iguais a zero.
extrairRegras : função que define a correspondência entre a
regra k, contida em v(i), com aquelas de descar-
regamento e carregamento a serem armazenadas
nas variáveis Rd e Rc, respectivamente.
descarregar : função que aplica a regra de descarregamento
contida em Rd, na matriz B, no porto i, e retorna
o número de movimentos realizados e B e T
atualizadas.
carregar : função que aplica a regra de carregamento contida
em Rc, na matriz B, no porto i, e retorna o número
de movimentos realizados e B e T atualizadas.
calcDXDZ : função que realiza o cálculo da distância entre
o centro de massa e o geométrico por baia d,

Linhas r
yi(2,1,3)=1
1 1 1

1 1 1

0 1 1

Colunas c
0 1 1

0 0 0

1 1 0
yi(1,3,1)=0

Baias d

Figura 6. Ocupação do navio porta-contêiner e sua matriz de estado B correspondente.

| 50 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena
Linhas r
xcm3=1,5
Colunas c
centro
de massa
Baia 3 da baia 3
Figura 7. Cálculo das coordenadas do centro de massa da baia 3.
para o navio, depois de ser descarregado e de
ser carregado em cada porto p.
As funções carregar e descarregar, empregadas no algo-
ritmo 1, utilizam as regras descritas. Para melhor ilustrar o fun-
cionamento do procedimento calcDXDZ, supôs-se que o navio
tinha o arranjo de contêineres, como apresentado na Figura 6.
Definindo xcm3 como a coordenada do centro de massa
relativa às linhas da baia e zcm3 aquela do centro de massa rela-
tiva às colunas da baia 3, os valores xcm3 e zcm3 podem ser
calculados, utilizando-se a Equação 8 e a informação contida
na Figura 6, como apresentado na Figura 7.
xcm3 = (2 • 0,5 + 2 • 1,5 + 2 • 2,5)/(2 + 2 + 2) = 9/6 = 1,5
zcm3 = (3 • 0,5 + 3 • 1,5)/(6) = 6/6 = 1,0
3.2. Representação por
Regras para Diferentes
Condições de Contorno
Duas alterações nas suposições realizadas pelo modelo
matemático da Seção 2.1, que não são abordadas na literatura,
podem ser tratadas pela representação por regras. A primeira
delas é relativa à suposição de que o navio no porto 1 esteja
vazio. Neste caso, a mesma pode ser modificada, supondo-se
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
1 1 1
1 1 1
0 0 0
0 0 0
0 0 0
0 0 0
que a matriz de ocupação B no porto 1 possua alguns contêi-
neres. A segunda ideia diz que no último porto não há cargas a
serem embarcadas adiante. Pode ser considerada como o final
do horizonte de planejamento do modelo, ou, ainda, o ponto
anterior à manutenção do navio. Ao se modificar esta hipó-
tese, o navio pode passar a ter uma rota circular, mas podem
ocorrer problemas para se determinar o número de movi-
mentos e instabilidades em tal caso. A primeira e a segunda
suposição tratam das condições inicial e final do arranjo de
contêineres no navio, respectivamente, e podem ser combi-
nadas de modo a formar os quatro casos na Tabela 2.
Na literatura, apenas a situação 1 é abordada e tratada. Os casos
1, 2 e 4 da Tabela 2 são tratados na Figura 8 para as matrizes
de transporte fornecidas na Figura 9, e supondo-se de a regra 1
(Tabela 1) seja aplicada para todos os portos. Observe que, para
o caso 3, não é apresentado um exemplo, pois este possui uma
inconsistência lógica. Certamente, se o navio possui uma rota
circular, então, para todos os portos existe um embarque de con-
têineres, cujos destinos sejam adiante. No entanto, se no primeiro
porto não há cargas, não se pode fazer parte da rota circular.
Na Figura 9 é apresentado o estado do navio após a apli-
cação da regra de descarregamento (Rd) e carregamento (Rc)
para cada porto.
No caso 4, a aplicação da regra 1 em todos os portos é
tal que, após a aplicação da norma de descarregamento no
| 51 |
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

porto 4, o navio fica totalmente vazio. Isso permite uma reor-
ganização do espaço, de modo que o arranjo do navio ao sair
do porto 4 seja consistente com aquele após realizar o descar-
regamento no porto 1. No entanto, tal fato pode nem sempre
acontecer, e a solução é considerar o horizonte de planeja-
mento maior que o número de portos a serem percorridos.
Um exemplo deste problema para o caso 4 é quando a solução
empregada é: 2, 1, 2 e 1, conforme mostrado na Figura 10.
Uma solução para o problema apresentado na Figura 10
é repetir a aplicação da solução (e informação da matriz de
transporte T) até que o arranjo de contêineres em Rc, no porto
4, seja igual àquele em Rd, no porto 1. No exemplo apresen-
tado na Figura 10, isso ocorre na terceira repetição. Neste
caso, o número de movimentos e a instabilidade deverão ser
médias do registrado após três repetições (três passagens do
navio pelo porto 1).
Tabela 2. Condição de contorno e suas combinações:
com e sem carga no porto inicial e com e sem a
consideração de rotas com ciclo.
Rota
Sem ciclo Com ciclo
Sem carga Caso 1 Caso 3
Porto
inicial
Com
Caso 2 Caso 4
carga
3.3. Representação por
Regras para Múltiplos Cenários
É importante observar que a consideração de múlti-
plos cenários na representação por regras pode ser obtida
empregando-se o algoritmo da avaliação de uma solução
do Algoritmo 1. Para tanto, é necessário considerar que
um vetor solução v contendo N regras de carregamento e
descarregamento para N portos deverá ser avaliado para
S cenários. Depois, o número de movimentos deverá ser
multiplicado pela probabilidade de ocorrência qs de cada
cenário s. Esse procedimento engloba a avaliação mono-
cenário (Algoritmo 1), como apresentado no Algoritmo 2.
Os símbolos e as funções empregadas no Algoritmo 2
são descritos a seguir:
s : variável contadora que indica o cenário atual
de avaliação.
S : número total de cenários.
T : vetor de matrizes de transporte de forma que o
elemento T(s) contenha a matriz de transporte
Ts para o cenário s.
p : vetor tal que o elemento p(s) contenha a proba-
bilidade de ocorrência qs do cenário s associado
à matriz de transporte T(s).
nmov : número de movimentos realizados para car-
regar ou descarregar o navio ao longo dos N
portos para o cenário s, como mostrado na
Equação 7.
instab : medida de instabilidade para o cenário s com
matriz de transporte T(s) calculada de acordo
com a Equação 8.

D1 D2 D3 D4 D1 D2 D3 D4

O1 0 2 1 2 O1 0 1 1 2

O2 0 0 1 2 O2 1 0 2 1

O3 0 0 0 1 O3 2 2 0 1

O4 0 0 0 0 O4 1 1 2 0

(A) Casos 1 e 2 (B) Caso 4

Figura 8. Matrizes de transporte T para os casos 1, 2 e 4.

| 52 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

Rd 4 4 4

4 4 4
Caso 1

3 3 3 4

Rc 4 2 4 4 4 4

4 2 4 4 4 4

1 2 3 4

2 3

Rd 3 3 4 4

3 3 4 4 4
Caso 2

2 3 4 3

Rc 3 4 2 3 4 3 4 4

3 4 2 3 4 4 4 4 4

1 2 3 4

Rd 3 2 3 3 1

3 2 3 4 4 4
Caso 4

2 4 2 4 3 2 1 1 2 1 1

Rc 3 2 3 3 3 1 4 2 1 3 2 1

3 2 4 3 4 4 4 4 4 3 2 1

1 2 3 4

Figura 9. Aplicação da regra 1 para todos os portos nos casos 1, 2 e 4.

| 53 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

2 3 1

Rd 2 4 1

3 3 2 3 3 1

2 3 2 4 3 4 2 1 2 1 1

Rc 2 4 4 4 4 1 4 2 1 2 2 1

3 3 2 3 3 3 4 4 1 3 3 1

1 2 3 4

Figura 10. Aplicação da solução 2, 1, 2 e 1 para o caso 4.

A vantagem da abordagem destacada no Algoritmo 2 é

que toda codificação relativa à solução via representação por
regras para um único cenário pode ser reaproveitada para a
Avaliação da solução para o PCCTP consideração e avaliação do PCCTP estocástico, por meio
com múltiplos cenários
da consideração de múltiplos cenários.
[nmov,instab] = Portanto, a mesma lógica de avaliação via simulação
AvaliarMC(alpha,beta,v,T) descrita e utilizada na solução do PCCTP 3D, descrita em
Início Azevedo et al. (2012), é modificada para analisar uma solução
s=1; nmov = 0; do mesmo estocástico. Para tanto, basta empregar a função
‘Avaliar3D’ (Algoritmo 1) em um vetor solução v quantas
Enquanto (s<S) faça
vezes forem o número de cenários considerados (S cenários
Início
que resultam em S matrizes de transporte T s). Cada uso de
[aux1,aux2]=Avaliar3D(v,T(s)); ‘Avaliar3D’ fornece dois valores que são combinados em um
nmov=nmov + alpha*aux1*p(s); único, ou seja, número de movimentos e medida de instabi-
instab=instab + beta*aux2*p(s); lidade (Equações 1, 7 e 8), ponderados pela probabilidade de
ocorrência do cenário qs e dos pesos α e β para cada medida
s=s+1;
(número de movimentos e instabilidade).
fim

retornar (nmov + instab)

fim 4. RESULTADOS

Para testar o algoritmo, foram geradas automática e aleato-

riamente 15 instâncias, as quais foram classificadas de acordo
Algoritmo 2. Algoritmo para avaliação de uma solução com o número de portos e o tipo da matriz de transporte. Para
por meio de regras para múltiplos cenários. cada instância, gerou-se uma certa quantidade das matrizes

| 54 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena
de transporte T, cada uma correspondendo a um cenário e
tal que a capacidade do navio não será excedida em nenhum
porto, isto é, o valor de qp, fornecido pela Equação 9, deve ser
menor ou igual a DxRxC para todo porto p, devido ao fato
de a matriz de transporte ser factível caso:
p N
∑ ∑ T ij ≤ DxRxC para todo p=1,...,N
i=1 j=p+1
De acordo com Avriel et al. (1998), podem ser gerados
três tipos de matriz de transporte: 1 – mista, 2 – longa e 3 –
curta distância. Uma matriz do tipo 3 se refere ao transporte
de contêineres que vão percorrer poucos portos antes de serem
desembarcados. Já uma do tipo 2 concerne contêineres que
vão passar por muitos portos antes de serem desembarcados.
Uma mista combina os dois tipos anteriores. As instâncias
foram classificadas conforme a quantidade de portos a serem
percorridos, o tipo da matriz de transporte e a capacidade do
navio. Neste trabalho, foi suposto um navio com as seguintes
dimensões (DxRxC): 5´6´50, resultando na seguinte capaci-
dade máxima: 1.500 contêineres. As instâncias utilizadas nos
testes encontram-se disponíveis em Projeto Containership
3D (2012).
Com o objetivo de verificar se o modelo matemático das
Equações 1 a 8 é eficiente na geração de soluções ‘imunes’
à estocasticidade presente na matriz T, foram criados dois
conjuntos: um de treinamento e outro de validação. A pri-
meira é tal que, para cada uma das 15 instâncias, existem
dez cenários diferentes e equiprováveis. Por outro lado,
o segundo é composto de 15 instâncias e cada uma delas
possui 50 cenários diferentes e equiprováveis. A meto-
dologia de avaliação do modelo matemático cumprirá os
seguintes passos:
• obter uma solução ao modelo das Equações 1 a 8 para os
dados do conjunto de treinamento, considerando cada um
dos cenários (usar apenas uma matriz T para cada instância)
e todos aqueles do conjunto (usar todas as dez T para cada
instância);
• avaliar as soluções obtidas anteriormente com os dados
do conjunto de validação, isto é, verificar o desempenho dos
resultados que consideram apenas um cenário e aquele que
utiliza todos os dez cenários em termos de número médio
de movimentos e instabilidade;
• calcular o desempenho médio de cada uma das soluções
no conjunto de validação.
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
Primeiramente, será ilustrado o resultado obtido para
o conjunto de treinamento. Em particular, será mostrado o
desempenho da solução que considera o modelo das Equações
1 a 8 com os dez cenários do conjunto de treinamento.
A Tabela 3 mostra os resultados obtidos com a melhor
solução após cinco rodadas de algorimo genético com popu-
(9) lação de dez indivíduos, 1.000 gerações, taxa de crossover
igual a 80% e de mutação igual a 15% para as 15 instâncias.
Como cada uma delas compreende dez cenários, ou seja,
dez matrizes de transporte diferentes, então, cada linha
da tabela corresponde ao desempenho médio para os dez
diferentes cenários da melhor solução obtida. A Tabela 3
também inclui as seguintes colunas: I = o número da ins-
tância; M = o tipo da matriz de transporte; N = o número
de portos; NMin = o número mínimo de movimentos a
serem realizados com os contêineres; F.O.1 = os valores da
função objetivo em termos do número total de movimen-
tos realizados com os contêineres até a chegada no último
porto; F.O.2 = os valores de estabilidade de acordo com
o arranjo de contêineres e com a Equação 8; e T = tempo
computacional em segundos.
Note que os valores de F.O.1, F.O.2 e T são apresentados
para dois pares de a e b: (a=1, b=0) e (a=0, b=1). Os resul-
tados apresentados para (a=1, b=0) correspondem à melhor
solução obtida, com o objetivo de minimizar o número de
movimentos para cada instância. Para sete delas, o número de
movimentos (FO1) encontrado é até 4% maior que o mínimo
(Nmin); para seis, o valor mínimo é até 25% maior e apenas
duas instâncias possuem até 49%. Já (a=0, b=1), como o obje-
tivo é minimizar a medida de instabilidade, apresenta maior
número de movimentos (FO1), mas soluções com medida de
instabilidade significativamente menor (FO2). Esses dados
confirmam que a minimização do número de movimentos e
da instabilidade são objetivos conflitantes. O número mínimo
de movimentos é obtido multiplicando-se por dois o valor
do somatório de Tij calculado de acordo com a Equação 9.
Tal valor é o limitante inferior para o número total de
movimentos a serem realizados ao longo do percurso do
navio. Os resultados do GA foram obtidos com um pro-
grama desenvolvido em Matlab 7.0 e executado num com-
putador Intel Core 2Duo 2.20 GHz (E4500), 2GB RAM,
Windows XP, versão 2002 (SP 3).
A primeira observação importante acerca dos resulta-
dos da Tabela 3 refere-se ao tempo computacional gasto
| 55 |
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

Tabela 3. Resultados do algoritmo genético para dois pares de a e b e conjunto de treinamento.

(a=1, b=0) (a=0, b=1)

I N M NMin
FO1 FO2 T FO1 FO2 T

1 10 1 6499,00 6698,60 506,56 1344,91 13067,20 66,26 1336,84

2 0 2 3908,20 4019,00 453,23 1238,53 7329,40 62,22 1208,63

3 3 17202,40 17255,00 690,54 1471,28 18699,40 26,71 1427,30

4 15 1 8752,40 9328,00 393,19 2200,74 15196,20 12,86 2139,79

5 2 4531,80 5234,80 452,95 8897,97 10729,60 80,24 1910,00

6 3 26573,80 27010,00 569,45 6517,74 29307,60 46,35 2288,97

7 20 1 11293,40 12856,60 322,50 3415,65 24943,00 29,43 2979,87

8 2 4937,00 5792,40 458,31 2698,28 11759,60 83,69 2549,33

9 3 33734,80 34377,00 811,93 3176,09 37606,80 151,36 3031,79

10 25 1 12946,40 15403,80 262,33 3793,48 29236,00 15,10 3664,56

11 2 5378,60 7032,00 378,51 3299,93 14309,00 86,58 3187,03

12 3 43028,40 44629,40 478,33 3948,62 47908,60 152,22 3890,08

13 30 1 12660,20 15681,60 203,24 4493,20 27650,80 17,25 4282,49

14 2 5729,80 8512,40 328,47 4080,54 17185,80 79,73 3767,08

15 3 52699,40 54540,40 534,64 5089,76 57995,20 133,14 4725,34

pelo algoritmo genético. É importante enfatizar que, para
a formulação dada pelas Equações 1 a 8, as instâncias com
30 portos são problemas com 405.450.000 variáveis inteiras
(dez cenários, 30 portos, cinco baias, seis linhas e 50 colunas).
Para estas instâncias, o algoritmo genético consegue produ-
zir boas soluções em mais ou menos uma hora e 20 minutos.
Pode-se ressaltar também que, de forma geral, um aumento
de cinco no número de portos a serem percorridos, de uma
instância para outra, produz em média um aumento de mais
ou menos 13 minutos e 30 segundos no tempo computacio-
nal gasto pelo algoritmo genético. Por exemplo, em instân-
cias com dez portos, leva-se 22 minutos para se obter uma
solução, ao passo que naquelas com 15, leva-se, em média, 35
minutos. Espera-se que futuras implementações em lingua-
gem C venham a reduzir o tempo computacional de solução
pelo algoritmo genético.
Os resultados indicam que, para as instâncias em que a
função objetivo visa minimizar o número de movimentos
(a=1, b=0) e a matriz de transporte é do tipo curta distân-
cia (tipo 3), as regras são bastante adequadas e produzem
resultados muito próximos do limite inferior do número
de movimentos, quase atingindo este limite. Isso pode
ser mostrado como no caso para 10, 15 e 20 portos, que
produzem soluções com distância de 0,30, 1,61 e 1,87%,
respectivamente. Já para as instâncias em que a matriz de
transporte é de média (tipo 1) e longa distâncias (tipo 2),
o algoritmo genético apresentou soluções cujo número de
movimentos é bem maior que o limitante inferior (na ins-
tância de 30 portos e matriz tipo 2 de aproximadamente
30%). Esses resultados indicam a necessidade de se incor-
porar ao sistema um número maior de regras que levem
em consideração o arranjo de contêineres que permane-
cerão durante um tempo dentro do navio ou uma melhor
estimativa do limitante inferior.
Porém, quando a função objetivo visa minimizar a medida
de instabilidade (a=0, b=1), as soluções apresentadas pelo

| 56 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

algoritmo genético (GA) têm um razoável aumento no
número de movimentos, mas com uma significativa melhora
na medida de instabilidade. Em algumas instâncias, esta
medida pode ser até 26 vezes menor em comparação com
a solução encontrada na minimização do número de movi-
mentos (instância 3).
As Tabelas 4 e 5 apresentam o desempenho das solu-
ções obtidas a partir do conjunto de treinamento para
cada um dos dez cenários (C1-C10) e para o modelo
(Equação 1 a 8) com os dez cenários (M1-10), nos 50
das instâncias do conjunto de validação. Por exemplo, a
coluna C1 apresenta o desempenho da melhor solução
obtida para o cenário 1 de todas as instâncias do con-
junto de treinamento no conjunto de validação. As duas
Tabelas estão em termos de desvio percentual da melhor
solução encontrada. Na Tabela 4, a melhor solução para
a instância N=10 e M=1 é apresentada por aquela obtida
para o cenário C2 (desvio percentual em relação à melhor
solução é igual à zero). Na média e para os dois pares de
(a, b), o melhor desempenho médio foi fornecido por
M1-10 (última linha das tabelas).
5. CONCLUSÕES E
TRABALHOS FUTUROS
Este artigo apresentou pela primeira vez uma formulação
e soluções para o problema de carregamento de contêineres
3D em terminais portuários (PCCTP 3D), considerando a
matriz de transporte estocástica. A representação por regras
permite obter uma solução que, na média, apresenta menor
número de movimentos e medida de instabilidade. Além

Tabela 4. Resultados do algoritmo genético para a=1, b=0 no conjunto de validação.

NM C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 M1-10

1 12,40 0,00 24,92 0,00 4,29 1,20 0,01 5,61 14,23 0,25 1,02

10 2 47,08 5,75 8,72 25,13 0,00 6,85 23,14 3,76 17,38 6,64 1,07

3 2,07 3,69 2,86 1,80 4,20 1,50 0,00 2,90 1,72 2,90 0,05

1 6,35 0,00 28,51 13,19 13,97 12,58 16,00 7,84 10,66 17,25 2,35

15 2 13,23 0,79 4,29 0,00 13,02 10,78 12,52 17,67 19,11 15,36 2,16

3 1,50 1,98 1,40 2,04 1,83 2,73 1,87 3,07 1,13 0,00 0,83

1 6,47 10,66 14,09 9,45 3,24 9,12 17,46 11,07 15,78 0,00 1,80

20 2 13,98 12,08 15,28 10,00 4,26 15,67 6,16 19,64 25,25 0,91 0,00

3 0,95 1,85 2,21 6,03 1,07 2,44 2,51 3,66 2,98 1,51 0,00

1 13,24 2,39 10,19 12,75 6,85 0,00 9,91 3,78 11,29 10,02 4,82

25 2 20,42 22,71 26,61 28,59 0,00 26,72 35,85 1,35 26,74 4,67 3,21

3 0,67 1,00 0,00 0,60 0,83 0,54 1,34 1,11 0,95 1,39 0,74

1 7,30 12,40 16,95 9,87 16,76 10,81 16,06 8,76 0,00 13,58 7,54

30 2 0,00 15,00 2,41 14,30 10,61 9,34 8,18 14,27 18,47 5,44 19,43

3 0,00 1,35 0,21 2,15 1,06 1,42 2,17 1,93 1,22 1,01 0,63

Média 9,71 6,11 10,58 9,06 5,47 7,45 10,21 7,09 11,13 5,40 3,04

| 57 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena

Tabela 5. Resultados do algoritmo genético para a=0, b=1 no conjunto de validação.

NM C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 M1-10

1 104,1 16,40 23,72 149,9 21,82 338,5 15,63 5,88 52,45 0,00 4,80

10 2 8,86 120,1 0,00 3,03 6,78 3,00 0,29 0,70 0,99 3,17 2,21

3 815,5 328,7 0,00 224,2 655,9 379,3 129,7 46,80 509,7 361,0 47,26

1 0,00 36,6 23,89 54,06 18,63 12,59 5,90 502,1 12,69 30,48 54,51

15 2 88,47 1,28 8,98 0,00 33,92 32,41 24,14 2,57 2,21 41,20 2,28

3 168,0 184,0 0,00 84,17 83,87 161,3 93,07 40,26 66,17 96,06 24,47

1 41,47 66,50 34,02 0,00 152,3 185,6 82,12 78,93 30,88 89,77 44,14

20 2 15,77 41,13 98,31 14,97 12,89 7,77 137,4 9,45 38,13 6,08 0,00

3 55,23 111,8 77,65 74,70 118,8 106,4 0,00 100,4 90,83 130,1 79,24

1 135,7 65,0 97,68 0,00 38,62 25,66 118,5 85,35 48,55 60,27 9,22

25 2 6,65 3,36 66,36 0,00 50,73 105,1 67,84 31,99 40,38 5,45 0,80

3 149,7 66,74 54,66 0,00 132,0 93,60 87,58 103,3 76,23 93,85 19,74

1 49,78 30,14 54,79 65,23 0,00 98,64 69,26 109,9 75,95 111,2 30,25

30 2 3,69 13,91 65,31 20,10 21,32 21,20 90,52 17,36 5,82 2,04 0,00

3 81,66 35,56 96,57 98,12 98,50 55,56 61,76 14,73 77,34 24,03 0,00

Média 114,9 74,77 46,80 52,58 96,41 108,4 65,59 76,66 75,23 70,32 21,26

disso, a solução obtida é tal que pode ser aplicada em qual-
quer um dos possíveis cenários.
Este artigo também tem três inovações. A primeira delas
é que apresenta uma nova formulação tridimensional para
o problema do carregamento de contêineres em terminais
portuários (PCCTP 3D) para matriz de transporte esto-
cástica, que resulta em um modelo linear multiobjetivo e
estocástico com variáveis binárias. A segunda é a resolu-
ção do problema com uma representação (por regras) das
soluções, alternativa à representação binária. Essa nova for-
mulação permite a obtenção de soluções que considerem
medidas de instabilidade acerca do arranjo dos contêineres
no navio, além daquela quanto ao número de movimentos
para carregar e descarregar um navio em vários cenários
simultaneamente. A terceira e última inovação é a verificação
da robustez das regras obtidas. Para tanto, dois conjuntos
foram criados: um a partir do qual as regras são geradas de
modo a serem o mais robustas possíveis, denominado de
conjunto de treinamento; e outro, no qual as regras criadas
são avaliadas, denominado de validação.
A segunda inovação é importante, pois o uso da repre-
sentação com regras reduz consideravelmente o número de
variáveis do problema se houver uma solução. Na formulação
com variáveis binárias, as informações devem ser armazenadas
num vetor de tamanho: (SxDxRxC)x(N+N3). Na representa-
ção aqui utilizada, uma solução foi representada por um vetor
com N elementos. Tendo em vista que S é o número de cená-
rios, DxRxC expressa o número de contêineres que podem
ser armazenados em um navio e que N indica o número de
portos, a representação da solução utilizada permite uma
redução do tempo computacional para instâncias com grande
número de portos e matriz de transporte estocástica. Além

| 58 |
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
 Aníbal Tavares de Azevedo, Antônio Augusto Chaves, Antônio Carlos Moretti, Cassilda Maria Ribeiro, Galeno José de Sena
disso, na representação por regras, a solução obtida é sempre
factível, quaisquer que sejam os valores contidos na matriz
de transporte. Portanto, a representação por regras garante a
implementação de uma solução, embora exista estocasticidade
incorporada no problema. Tanto esta consideração como a
criação de soluções que possam ser utilizadas no problema
estocástico não são abordados na literatura.
A terceira inovação consiste em obter soluções a partir
das informações de cenários conhecidos e depois avaliá-las
em cenários cujas informações não são conhecidas a priori.
Como critério de avaliação do desempenho das soluções, con-
siderou-se a média para várias instâncias, pois o propósito do
AMBROSINO, D.; SCIOMACHEN, A.; TANFANI, E. A decomposition
heuristics for the container ship stowage problem. Journal of
Heuristics, v. 12, n. 3, p. 211-233, 2006.
AMBROSINO, D.; ANGHINOLFI, D.; PAOLUCCI, M.; SCIOMACHEN, A.
An Experimental Comparison of Different Heuristics for the Master
Bay Plan Problem. Lecture Notes in Computer Science, v. 6049,
p. 314-325, 2010.
AVRIEL, M.; PENN, M. Container ship stowage problem. Computers
and Industrial Engineering, v. 25, n. 1-4, p. 271-274, 1993.
AVRIEL, M.; PENN, M.; SHPIRER, N.; WITTENBOON, S. Stowage
planning for container ships to reduce the number of shifts, Annals of
Operations Research, v. 76, n. 1, p. 55-71, 1998.
AVRIEL, M.; PENN, M.; SHPIRER, N. Container ship stowage problem:
complexity and connection to the coloring of circle graphs. Discrete
Applied Mathematics, v. 103, n. 1-3, p. 271-279, 2000.
AZEVEDO, A.T.; RIBEIRO, C.M.; DEUS, N.M.R.
Problema de Carregamento e Descarregamento de Contêineres em
Terminais Portuários via Algoritmo Genético. Revista INGEPRO, v. 2,
p. 38-51, 2010.
AZEVEDO, A.T.; RIBEIRO, C.M.; CHAVES,
SALLES NETO, L.L.; MORETTI, A.C. Solving the 3D Containership
Stowage Loading Planning Problem by
Rules and Beam Search. First International
Operations Research and Enterprise Systems – ICORES 2012,
p. 132-141, 2012.
Revista Pesquisa Naval, Brasília, n. 25, 2013, p. 42-59
View publication stats
método não era garantir o melhor desempenho sempre, mas
que a solução, na média, estivesse ‘imune’ às variações estocás-
ticas do problema.
6. AGRADECIMENTOS
Aos revisores anônimos pelos comentários que auxiliaram
na melhoria do texto, bem como à Fundação de Amparo à
Pesquisa do Estado de São Paulo (FAPESP) pelo apoio finan-
ceiro, por meio dos processos 2009/15107-0, 2010/51274-5,
2010-16517-4, 2010/16622-2 e 2011/01667-3.
REFERÊNCIAS
DUBROVSKY, O.; LEVITIN, G.; PENN, M. A Genetic Algorithm with a
Compact Solution Encoding for the Containership Stowage Problem.
Journal of Heuristics, v. 8, issue 6, p. 585-599, 2002.
DYCKHOFF, H. A typology of cutting and packing problems. European
Journal of Operational Research, v. 44, n. 2, p. 145-159, 1990.
FAN, L.; LOW, M.Y.H.; YING, H.S.; JING, H.W.; MIN, Z.; AYE, W.C. Stowage
Planning of Large Containership with tradeoff between Crane
Workload Balance and Ship Stability. Proceedings of the International
Multiconference of Engineers and Computers Scientists, v. 3, p. 1-7, 2010.
IMAI, A.; SASAKI, K.; NISHIMURA, E.; PAPADIMITRIOU, S. Multi-
objective simultaneous stowage and loading planning for a container
ship with container rehandle in yard stacks. European Journal of
Operational Research, v. 171, n. 3, p. 373-389, 2006.
SCIOMACHEN, A.; TANFANI, E. A 3D-BPP approach for optimizing
stowage plans and terminal productivity. European Journal of
Operational Research, v. 183, n. 3, p. 1433-1446, 2007.
Resolução do
WÄSCHER, G.; HAUßNER, H.; SCHUMANN, H. An improved typology
of cutting and packing problems. European Journal of Operational
Research, v. 183, n. 3, p. 1109-1130, 2007.
WILSON, I.; ROACH, P.A. Principles of combinatorial optimization
A.A.; SENA, G.J.;
applied to container-ship stowage planning. Journal of Heuristics, v.
5, n. 4, p. 403-418, 1999.
Representation by
Conference on ______. Container stowage planning: a methodology for generating
computerised solutions. Journal of the Operational Research Society,
v. 51, n. 11, p. 1248-1255, 2000.
| 59 |