INSTITUTO FEDERAL DE MINAS GERAIS

CAMPUS GOVERNADOR VALADARES

BACHARELADO EM ENGENHARIA DE PRODUÇÃO

HENRIQUE LATORRE COSTA

MODELO DE PROGRAMAÇÃO MATEMÁTICA NO

PLANEJAMENTO DA ESCALA DE TRABALHO EM UMA
EMPRESA DO RAMO FERROVIÁRIO

Governador Valadares
Julho de 2021
 HENRIQUE LATORRE COSTA
henriquelatorre20@gmail.com

MODELO DE PROGRAMAÇÃO MATEMÁTICA NO

PLANEJAMENTO DA ESCALA DE TRABALHO EM UMA
EMPRESA DO RAMO FERROVIÁRIO

Monografia apresentada ao Curso de

Engenharia de Produção do Instituto Federal de
Educação, Ciência e Tecnologia de Minas
Gerais como parte dos requisitos para a
obtenção do Grau de Engenheiro de Produção.

Orientador: Heitor Cardoso de Brito

Co-orientador: Guido Pantuza Júnior

Governador Valadares
Julho de 2021
 TERMO DE RESPONSABILIDADE

O texto do trabalho de conclusão de curso intitulado “Modelo de Programação Matemática

no Planejamento da Escala de Trabalho em uma Empresa do Ramo Ferroviário” é de
minha inteira responsabilidade. Declaro que não há utilização indevida de texto, material
fotográfico ou qualquer outro material pertencente a terceiros sem o devido referenciamento ou
consentimento dos referidos autores.

Governador Valadares, _____ de ______________ de ______

____________________________________
Henrique Latorre Costa
 RESUMO

A determinação de escalas de trabalho consiste em uma atividade de grande importância para

as empresas, pois pode, dentre outros, impactar diretamente nos custos operacionais de mão de
obra e na insatisfação de clientes. O presente trabalho busca otimizar a elaboração da escala de
trabalho em uma empresa do ramo ferroviário, localizada em Minas Gerais. Para tal,
desenvolveu-se um modelo matemático de programação linear inteira, com o objetivo de
minimizar o número de maquinistas utilizado nas escalas. O software utilizado foi o GUSEK
(GLPK Under Scite Extended Kit) versão 0.2 por ser um sistema de licença pública geral, com
acesso gratuito. Naquela empresa, o atual modelo de programação da escala de trabalho dos
maquinistas é feito de forma manual, através do conhecimento tácito de um único funcionário
– o que faz com que a atividade tenha possível susceptibilidade a falhas. Aplicou-se, dessa
forma, o modelo matemático computacional (programação linear inteira) considerando-se a
função objetivo de minimizar o número de maquinistas necessários à elaboração das escalas.
Para as restrições, considerou-se um ciclo de trabalho de 8 dias (escala 6x2 – 6 dias trabalhados
e 2 de descanso); um período de repouso de no mínimo dez horas contínuas; saída de Belo
Horizonte/MG com destino a Vitória/ES e vice-versa, e ambos com parada obrigatória em
Governador Valadares/MG para troca de tripulação; para cada viagem, o uso de duas
locomotivas (um trem batedor para verificar a situação da linha férrea e outro com passageiros).
O horizonte de planejamento foi de 21 dias em função das características do software e/ou
capacidade de compilação no computador utilizado. Como resposta, obteve-se uma necessidade
de utilização de 16 dos 18 maquinistas disponibilizados pela empresa. O resultado encontrado
foi totalmente satisfatório, não somente pelo fato de minimizar o número de colaboradores, mas
principalmente por eliminar o elevado tempo de planejamento demandado nos modos de
tentativa e erro na elaboração desse mapa de atividades, mas principalmente por transformar o
conhecimento tácito (somente um funcionário com grande experiência na área detinha os
conhecimentos) em explícito, e sem a interferência humana.

Palavras-chave: Modelagem matemática. Programação linear inteira. Escala de trabalho.

Railroad crew scheduling. Trem de passageiros.
 ABSTRACT

The determination of work schedules is an activity of great importance for companies, as it can,
among others, directly impact the operational costs of labor and customer dissatisfaction. The
present work seeks to optimize the elaboration of the work schedule in a railway company,
located in Minas Gerais. To this end, a mathematical model of integer linear programming was
developed, with the objective of minimizing the number of machinists used in the scales. The
software used was GUSEK (GLPK Under Scite Extended Kit) version 0.2 as it is a general
public license system, with free access. In that company, the current scheduling model for the
machinists' work schedule is done manually, through the tacit knowledge of a single employee
– which makes the activity potentially susceptible to failure. Thus, the computational
mathematical model (integer linear programming) was applied, considering the objective
function of minimizing the number of machinists needed to elaborate the scales. For the
restrictions, a work cycle of 8 days was considered (6x2 scale – 6 days worked and 2 days off);
a rest period of at least ten continuous hours; departure from Belo Horizonte/MG to Vitória/ES
and vice versa, and both with mandatory stop in Governador Valadares/MG to change crew;
for each trip, the use of two locomotives (a scout train to check the status of the railway and
another with passengers). The planning horizon was 21 days depending on the characteristics
of the software and/or compilation capacity on the computer used. In response, there was a need
to use 16 of the 18 machinists provided by the company. The result found was totally
satisfactory, not only because it minimizes the number of employees, but mainly because it
eliminates the high planning time required in the trial and error modes in the preparation of this
activity map, but mainly because it transforms tacit knowledge (only an employee with
extensive experience in the area had the knowledge) explicitly, and without human interference.

Keywords: Mathematical modeling. Integer linear programming. Work schedule. Railroad

crew scheduling. Passenger train.
 LISTA DE FIGURAS

Figura 1 – Processo de construção de modelos………………………………………. 16

Figura 2 – Exemplo da confecção de uma árvore branch & bound…………………... 21
Figura 3 – Diagrama visual da metodologia utilizada.................................................. 26
Figura 4 – Estrada de Ferro Vitória Minas…………………………………………... 29
Figura 5 – Sequência de atividades………………………………………………….. 31
Figura 6 – Grafo demonstrando o fluxo de tarefas…………………………………… 32
Figura 7 – Escala de trabalho dos maquinistas 3, 8 e 15 …………………………....... 37
 LISTA DE TABELAS

Tabela 1 – Exemplo de escala de trabalho…………………………………………….. 23

 LISTA DE QUADROS

Quadro 1 – Enumeração das tarefas realizadas pelos maquinistas…………………….. 32

 ABREVIATURAS, SIGLAS E CONVENÇÕES

EFVM Estrada de Ferro Vitória Minas

CLT Consolidação das Leis do Trabalho
PLI Programação linear inteira
PO Pesquisa operacional
PL Programação linear
PPI Problema de programação inteira
PPL Problema de programação linear
B&B Branch and bound
PPLI Problema de programação linear inteira
MG Minas Gerais
ES Espírito Santo
FO Função Objetivo
GV Governador Valadares
PN Pedro Nolasco
BH Belo Horizonte
s.d. Sem data
 SUMÁRIO

1 INTRODUÇÃO........................................................................................................... 12
1.1 Estrutura do Trabalho............................................................................................. 14
2 FUNDAMENTAÇÃO TEÓRICA............................................................................... 15
2.1 Pesquisa Operacional............................................................................................. 15
2.2 Programação Matemática....................................................................................... 17
2.2.1 Programação Linear........................................................................................ 17
2.2.2 Programação Linear Inteira............................................................................ 18
2.3 Método Simplex...................................................................................................... 19
2.4 Método Branch and Bound..................................................................................... 20
2.5 Planejamento de escalas......................................................................................... 22
3 METODOLOGIA........................................................................................................ 23
3.1 Classificação da pesquisa....................................................................................... 24
3.2 Roteiro da pesquisa, materiais e método................................................................. 25
4 Estudo de caso.............................................................................................................. 27
4.1 Modelo de programação matemática...................................................................... 28
5 RESULTADO E DISCUSSÕES.................................................................................. 35
5.1 Aplicação do modelo.............................................................................................. 36
5.2 Comparação do modelo computacional com o método adotado na empresa........... 37
6 CONSIDERAÇÃOES FINAIS.................................................................................... 39
REFERÊNCIAS.............................................................................................................. 42
 12

1 INTRODUÇÃO

A constante necessidade de otimizar os processos nas empresas tem impulsionado a

procura por diversas técnicas e ferramentas de apoio que tragam ganhos de produtividade e
redução de custos. A velocidade da informação e o avanço da tecnologia influenciam as
empresas a buscarem formas mais rápidas e práticas de se realizar uma determinada atividade,
tanto nas áreas operacionais como nos processos administrativos.
Uma das formas de se reduzir o tempo de resolução de um problema é a utilização de
softwares e técnicas para automatizar e otimizar o processo. Dentre os sistemas computacionais,
ganha destaque nesse estudo a área de pesquisa operacional – mais especificamente, a
modelagem matemática.
De acordo com Hillier e Liberman (2010), um modelo matemático em um problema de
negócio é uma representação idealizada geralmente expressa por símbolos e expressões
matemáticas que descrevem as suas chamadas variáveis de decisão. Uma das vantagens de um
modelo matemático é que ele auxilia no emprego de técnicas matemáticas e computadores na
análise de um problema. Já Biembengut e Hein (2003) definem a modelagem matemática como
a transformação de problemas da realidade em problemas matemáticos, resolvendo-os através
de suas soluções de acordo com a linguagem do mundo real e afirmam que “a modelagem
matemática consiste na arte de transformar problemas da realidade em problemas matemáticos
e resolvê-los interpretando suas soluções na linguagem do mundo real”.
Existem na literatura vários exemplos de modelos matemáticos de sucesso. Yu et al.
(2003), por exemplo, citam que a companhia aérea norte-americana Continental Airlines
desenvolveu um modelo matemático detalhado, com o objetivo de realocar imediatamente a
tripulação em casos onde ocorressem emergências em voos como condições climáticas, falhas
mecânicas ou falta de tripulação. O resultado foi um modelo com milhares de restrições que em
seu primeiro ano de uso, em 2001, proporcionou à companhia uma economia aproximada de
US$ 40 milhões de dólares, garantindo uma posição consolidada no setor de aviação comercial
que passava por um momento delicado no início do século.
No caso das ferrovias brasileiras, estas possuem grandes extensões. A Estrada de Ferro
Vitória Minas (EFVM), por exemplo, faz a interligação ferroviária entre os estados de Minas
Gerais e Espírito Santo e tem uma extensão de cerca de 905 quilômetros (VALE, 2015).
Diante deste enorme percurso, faz-se necessário a realização da troca de maquinistas em
trechos pré-determinados da estrada férrea, para que o tempo de viagem não seja superior à
 13

jornada de trabalho dos operadores. Além do tempo máximo permitido para uma jornada de
trabalho – leis estas descritas na Consolidação das Leis do Trabalho (CLT), existem também
outras regras para apoiar o trabalhador, como restrições sindicais e contratuais.
Nesse ínterim, a “Empresa” – assim denominada com o intuito de manter sigilo de
informações – atua no ramo de transporte ferroviário de pessoas e cargas. Esta companhia
possui um determinado número de maquinistas em seu quadro de funcionários, e a formulação
da escala de trabalho é feita de forma manual. Isso faz com que todo o conhecimento empírico
fique sob posse do colaborador que atua no planejamento dos horários de trabalho.
Ademais, não se sabe ao certo se a carga de trabalho é feita de forma otimizada uma vez
que existem desembolsos com horas extras. Diante deste problema, vislumbrou-se a
possibilidade de se elaborar um método de resolução de forma rápida e objetiva, de acordo com
as variáveis existentes.
Rosseti e Carqui (2009), por exemplo, afirmam que a preparação de escalas de forma
manual é um processo bastante complexo, demorado e suscetível a falhas, devido a ser muitas
vezes realizado através da tentativa e erro. Já Ernst et al. (2004) sugerem que, para elaborar as
escalas, deve-se procurar utilizar ferramentas de apoio à tomada de decisões para a alocação
dos empregados nos turnos certos e garantir a satisfação de ambas as partes.
Dada a relevância e impacto que a modelagem matemática pode trazer para o meio
empresarial, propõe-se, para esse trabalho, avaliar o atual modelo de programação de escalas
de trabalho para os maquinistas daquela empresa para então construir um modelo
computacional que resolva a situação de forma otimizada, sem a interferência humana. Dessa
forma, espera-se poder colaborar com a redução da fadiga no trabalho do colaborador
(planejador de escalas) e oferecer a ele maior disponibilidade de tempo de trabalho em função
da transferência de conhecimento para o sistema computacional.
Surge assim, em função do atual modelo de planejamento (manual) de trabalho, o
seguinte questionamento: em uma empresa ferroviária mineira de transporte de
passageiros, como transformar o conhecimento tácito em explícito de modo a eliminar
possíveis erros de programação de viagens com o auxílio da pesquisa operacional?
Uma hipótese para responder a esta pergunta é a de que, conforme mencionam Vieira et
al. (2016), existem técnicas da pesquisa operacional que podem ser utilizadas para elaboração
de escalas, e que permitem uma solução ótima, de forma automática, rápida e eficiente para o
desenvolvimento das mesmas. Outra possível resposta pode ser dada por Zaneti e Junior (2019,
 14

p. 1) que afirmam que através do planejamento de escalas é esperado que o modelo aloque
tarefas ou viagens aos condutores, de forma que todas as restrições sejam respeitadas.
Baseando-se nesse cenário, o trabalho em vigência tem como objetivo geral elaborar um
modelo matemático de pesquisa operacional que defina a escala de trabalho dos maquinistas
respeitando as restrições estabelecidas e eliminando a suscetibilidade a possíveis erros
cometidos pelo planejador. Já os objetivos específicos são:
• Realizar levantamento de dados e informações sobre o atual processo de
planejamento e elaboração de escalas da empresa em análise para o ‘trem de
passageiros da EFVM’, assim conhecido;
• Estabelecer o número de mão de obra necessária para que a escala seja ótima;
• Elaborar um modelo de programação linear inteira (PLI) que conceda uma escala
ótima, permitindo assim a elaboração desse planejamento totalmente
automatizada;
• Elaborar uma análise comparativa das respostas fornecidas pelo modelo
matemático com o atual modelo manual de elaboração das escalas de trabalho
feita pelos funcionários da empresa em estudo.

Almeja-se, com esse trabalho, que a companhia adote um modelo padronizado de

critérios que atenda da melhor forma possível a programação de tripulação da ferrovia (do
inglês, railroad crew scheduling).

1.1 Estrutura do trabalho

O trabalho encontra-se estruturado em seis capítulos. O primeiro deles (Introdução)

contém a introdução, que contextualiza o estudo e define o tema a ser tratado, apresenta as
justificativas e o problema de pesquisa, e elenca os objetivos geral e específicos a serem
atingidos.
O segundo capítulo apresenta a fundamentação teórica, que é o que vai direcionar o
estudo. Nesta parte são abordados a história e os conceitos da pesquisa operacional, alguns tipos
de programação matemática e alguns conceitos da literatura sobre programação de escalas.
O capítulo três apresenta o procedimento metodológico utilizado no projeto de pesquisa,
o roteiro adotado no estudo de caso para alcançar os objetivos propostos e os materiais e método
utilizados na elaboração da pesquisa.
 15

O capítulo quatro detalha o estudo de caso, apresentando uma breve descrição sobre a
ferrovia que será estudada no trabalho e a elaboração do modelo computacional com sua função
objetivo e conjunto de restrições.
O quinto capítulo traz os resultados e discussões obtidos no estudo de caso. É nesta parte
em que são apresentados e comparados os resultados obtidos através da implementação do
modelo matemático com o atualmente praticado.
O sexto capítulo traz as considerações finais obtidas na realização do estudo e sugestões
para trabalhos futuros.

2 FUNDAMENTAÇÃO TEÓRICA

Para o embasamento teórico desse estudo, foram realizadas pesquisas a respeito dos
principais temas, como a pesquisa operacional e a programação matemática. Foram abordados
também, conceitos sobre alguns métodos de resoluções de modelos matemáticos, como o
simplex e o branch and bound, além de um estudo sobre o planejamento de escalas dentro da
literatura, e como elas se relacionam com as particularidades deste trabalho.

2.1 Pesquisa operacional

Segundo Hillier e Lieberman (2013), a pesquisa operacional (PO) teve início na

Segunda Guerra Mundial devido à necessidade dos países de lidar com recursos escassos
durante as operações militares. Daí, surgiu o termo pesquisa sob operações com o intuito de
utilizar métodos eficientes como estratégia para vencer as batalhas.
De acordo com Moreira (2017), o período entre os anos de 1945 até 1970 ficou
conhecido como “a idade de ouro” da PO devido a alguns fatores cruciais. Dentre eles estão a
melhoria nas técnicas desta área, com avanços na formulação de problemas, e a popularização
dos computadores, que facilitaram a resolução de cálculos longos que eram impraticáveis para
o ser humano.
Virgillito (2017, p.2) afirma que a indústria necessita de modelos matemáticos para a
tomada de decisões. Para o autor, dois fatores são essenciais na resolução de problemas: a
modelagem e a simulação. Enquanto isso, a simulação segue a modelagem, buscando alterar as
variáveis propostas no problema e realizar diversos testes, para assim, obter o maior número de
resultados possíveis (VIRGILLITO, 2017).
 16

Goldbarg e Luna (2000) mostram os passos necessários para a elaboração de um modelo

matemático (FIGURA 1).

Figura 1: Processo de construção de modelos

Fonte: Adaptado de Goldbarg e Luna (2000).

Na Figura 1, o processo de modelagem tem o seu início com a definição do problema.

Na fase seguinte se faz a formulação, onde são definidas as variáveis utilizadas, as restrições
do modelo e a função objetivo para o problema, e construção do modelo inicial, onde são
determinadas as relações entre as variáveis a serem incluídas. Em sequência, realizam-se testes
para verificar se o modelo está de acordo com o problema real; em caso positivo, valida-se o
protótipo. Se ele não estiver de acordo com o problema, realizam-se as devidas correções na
fase seguinte (reformulação do modelo). A última fase ocorre quando o modelo se mostra
condizente com o problema, podendo então ser aplicado.
 17

2.2 Programação matemática

De acordo com Barboza (2005), a programação matemática é um dos ramos da pesquisa

operacional que tem por finalidade tratar formas de otimização, sejam elas de maximização ou
minimização de problemas, através de uma função objetivo com um número finito de variáveis
de decisão e que estejam sujeitas a restrições de acordo com o problema. Estas restrições podem
ser de vários tipos, entre elas financeira, organizacional, administrativas, trabalhistas, dentre
outras. Pode-se afirmar, assim, que a programação matemática tem como objetivo utilizar
algoritmos e técnicas para resolver problemas modelados matematicamente.
Williams (1999) citado por Barboza (2005, p.25) traz a existência de três motivos
principais para se elaborar modelos matemáticos:
i. Melhorar compreensão do que está sendo modelado, uma vez que a construção
do modelo pode revelar relações que não são claras;
ii. A percepção de sugerir novos procedimentos através da análise matemática do
modelo;
iii. A partir do modelo formulado, a realização de experiências que não são
possíveis ou viáveis ao problema.

Goldbarg e Luna (2000) afirmam que um modelo matemático ajuda a ilustrar de forma
estruturada uma visão de um problema da realidade, e que o campo da programação matemática
é muito amplo. Dadas as várias restrições que podem existir na construção do planejamento de
um modelo, os métodos de solução passaram por especializações, sendo agrupados em
diferentes subáreas. Dentre elas, cita-se a programação linear, a programação inteira e a
programação não linear. Esta última não será abordada no trabalho em questão.

2.2.1 Programação linear

A programação linear (PL) é uma técnica muito importante dentro da pesquisa

operacional. Barboza (2005, p.10) afirma que métodos como o simplex desenvolvido por
Dantzig (1963) auxiliam na aplicação da programação linear, juntamente com a simplicidade
do modelo.
Segundo o referido autor, um problema de PL é formado por três componentes:
 18

1. Função objetivo, que é uma função linear formada por variáveis de decisão onde
o valor deve ser otimizado;
2. Restrições do modelo, que são as relações criadas entre as variáveis de decisão
através de um conjunto de equações lineares;
3. Variáveis de decisão, podendo ser positivas ou nulas.

De acordo com Barboza (2005) um problema de PL é definido da seguinte forma:

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑜𝑢 𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = ∑ 𝑐𝑗 𝑥𝑗 𝑗 = 1, … , 𝑛
≤
𝑆𝑢𝑗𝑒𝑖𝑡𝑜 𝑎 ∑ 𝑎𝑖𝑗 𝑥𝑗 { = } 𝑏𝑖 i ∈ M = {1, 2, … , 𝑚}
≥
𝑥𝑗 ≥ 0 j ∈𝑛

onde 𝑐𝑗 , 𝑎𝑖𝑗 e 𝑏𝑖 são constantes conhecidas para todo i e j, e 𝑥𝑗 são as variáveis não negativas.

2.2.2 Programação linear inteira

Segundo Taha (2008), programação linear inteira (PLI) é o modelo de programação em

que as variáveis só assumem valores inteiros. Barboza (2005) afirma que quando isto ocorre se
tem um problema de programação inteira (PPI) que pode ser definido da seguinte forma:

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑜𝑢 𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 𝑓0 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑗 = 1, … , 𝑛

≤
𝑆𝑢𝑗𝑒𝑖𝑡𝑜 𝑎 𝑓1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) { = } 𝑏𝑖 i ∈ M = {1, 2, … , 𝑚}
≥
𝑥𝑗 ≥ 0 j ∈ N = {1, 2, … , 𝑛}
𝑥𝑗 inteira j ∈I ⊆ N

onde 𝑥𝑗 , j ∈ N são as variáveis, 𝑓1 , i ∈ M ∪ {0} são funções das variáveis 𝑥1 ,𝑥2 , ... , 𝑥𝑛 e 𝑏𝑖 , i
∈ M são as constantes conhecidas.
De acordo com Barboza (2005) em alguns problemas de PPI as funções 𝑓1 , i ∈ M ∪ {0}
são lineares, fazendo com que o modelo possa ser escrito da seguinte forma:
 19

𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑜𝑢 𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = ∑𝑐𝑗 𝑥𝑗 𝑁 = 1, … , 𝑁

≤
𝑆𝑢𝑗𝑒𝑖𝑡𝑜 𝑎 𝑍 = ∑𝑎𝑖𝑗 𝑥𝑗 { = } 𝑏𝑖 i ∈ M = {1, 2, … , 𝑚}
≥
𝑥𝑗 ≥ 0 j ∈ N = {1, 2, … , 𝑛}
𝑥𝑗 inteira j ∈I ⊆ N

onde 𝑥𝑗 são variáveis não negativas e 𝑐𝑗 , 𝑎𝑖𝑗 e 𝑏𝑖 são constantes conhecidas, para todo i e j.
Neste caso, se I = N, ou seja, todas as variáveis são inteiras; então, tem-se um problema de
programação linear inteira.
Os algoritmos disponíveis ainda não são consistentes na elaboração de uma solução
numérica em uma PLI. Desta forma, uma solução seria reduzir o número de variáveis inteiras
do problema, tendo em vista que o que mais afeta os cálculos neste tipo de programação é o
número de variáveis inteiras e a faixa viável em que eles se aplicam (TAHA, 2008).

2.3 Método Simplex

Conforme explicam Silva et al. (2018), para resolver satisfatoriamente um problema de

programação linear (PPL), é necessário seguir dois passos fundamentais: modelar corretamente
o problema, e escolher o método de resolução mais adequado. Para problemas com três ou mais
variáveis, o método simplex se apresenta como uma boa opção.
De acordo com Silva et al. (2019), o simplex é um algoritmo que funciona de forma a
verificar toda uma sequência de pontos em uma região viável até encontrar a solução ótima,
analisando e testando todos os incrementos na função objetivo.
Tolentino (2007) afirma que o método simplex se trata de um procedimento algébrico
utilizado em problemas de programação linear que possuam um número finito de interações. O
objetivo da realização dos cálculos é fornecer a solução exata do problema, e que também seja
capaz de indicar se o problema possui solução ilimitada, infinitas soluções ou se não possui
solução.
Esse método se baseia em três princípios que auxiliam a encontrar soluções básicas
evitando-se buscas cansativas. O primeiro deles consiste em procurar soluções básicas que
satisfaçam às restrições. O segundo visa melhorar o possível valor para a função objetivo a cada
interação de acordo com o problema de maximização ou de minimização. Por fim, o terceiro
 20

princípio se trata dos testes da regra de parada do algoritmo, indicando se a solução ótima do
problema é encontrada, ilimitada ou inexistente (BOTACIM, et al. 2019).

2.4 Método Branch and Bound

De acordo com Belfiore e Fávero (2013), o método branch and bound (B&B) foi
inicialmente proposto em 1960 para a solução de problemas de programação binária e inteira.
O objetivo do modelo, segundo os autores, era dividir o problema original em subproblemas
menores e resolvê-los a partir destas divisões.
Segundo Lobato (2009), o método é baseado em uma árvore de enumeração, onde cada
nó da árvore representa um subproblema do problema principal e cada ramo representa uma
nova restrição que será considerada. Tomazella (2019) corrobora ao afirmar que cada nó
corresponde a uma sequência parcial que permite verificar se este nó pode ser eliminado,
fazendo com que a região de busca na árvore e o tempo computacional sejam reduzidos.
Cada divisão feita gera um limite superior (que são os problemas de maximização) ou
inferior (problemas de minimização) sobre o valor da função objetivo, onde suas soluções são
combinadas até se obter a solução ótima do problema original (BELFIORE; FÁVERO, 2013).
Para utilizar o B&B, Goldbarg e Luna (2000) afirmam que é necessário modelar o problema
como um problema de PLI e, em seguida, relaxar a formulação para PL, enumerando o espaço
de soluções através de uma árvore (FIG 2). Taha (2008) diz que para um problema de PLI, os
ramos tratam das variáveis inteiras obtidas pela solução do problema de PL, de forma a serem
criados ao menos dois ramos para cada variável inteira não obtida.
 21

Figura 2 – Exemplo da confecção de uma árvore branch & bound

Fonte: Elaboração própria (2021).

Observa-se, na Figura 2, que o primeiro modelo de programação linear inteira não

ofereceu soluções inteiras para as variáveis x1 e x2. Desta forma, selecionando-se inicialmente
a variável x2, fez-se a relaxação do problema, atribuindo-se as restrições x2 ≤ 3 e depois x2 ≥
4 (números inteiros mais próximos do valor inicial de 3,69) ao bloco de restrições para poder
encontrar números inteiros. O PPL 2, por exemplo, forneceu solução com números inteiros,
onde a função objetivo ‘Z’ obteve o resultado 21. Ao remover a restrição x2 ≤ 3 e substituí-la
por x2 ≥ 4 o modelo forneceu outra resposta (PPL 3), agora com x1 = 1,5.
Ao se fazer novamente a relaxação para x1 ≤ 1, o modelo encontrou nova solução (PPL
4), porém com x2 não pertencente ao conjunto dos números inteiros. Ao resolver o lado direito
(PPL 5), o modelo encontrou a solução final com x1 =2, x2 = 4 e Z = 20.
A sigla LSA mostrada na Figura 2 se refere ao limite superior de aceitação. Como o PPL
2 obteve resposta com números inteiros e função objetivo ‘Z = 21’, e cinco rodadas após (PPL
5) o modelo também encontrou outra resposta com números inteiros e ‘Z = 20’, constata-se que
o problema é de minimização (Z5 < Z2). Daí o motivo em se atribuir o limite superior de
aceitação – ou seja, a função objetivo do modelo não irá ultrapassar aquele valor ótimo de Z.
 22

2.5 Planejamento de escalas

De acordo com Caprara et al. (1997), o problema de gerenciamento de tripulação (crew

management problem) é bastante conhecido na PO e tem sido historicamente associado a
empresas de transporte coletivo em geral, principalmente a companhias aéreas. Para os autores,
este problema tem por objetivo elaborar escalas de trabalho das equipes de forma a suprir o
cronograma de planejamento, geralmente com a finalidade de reduzir este planejamento.
Segundo Constantino (1997), existem na literatura dois tipos de problemas sobre o
planejamento de escalas para condutores de veículos: o crew scheduling problem e o crew
rostering problem. De acordo com Ernst et al. (2001), são duas subdivisões do crew
management problem.
Constantino (1997) afirma que o primeiro problema diz respeito à alocação de recursos
e está relacionado com o planejamento diário do trabalho. Neste caso, atribui-se um condutor
para cada sequência, com o objetivo de elevar ao máximo a eficiência de sua utilização e cobrir
todas a viagens programadas sem deixar furos. As sequências de trabalho podem ser realizadas
em um único dia se as viagens realizadas forem de curta distância, possibilitando que o condutor
retome para casa após o término da jornada diária, ou então ser compostas de segmentos de
viagens para o caso de deslocamentos de longa distância. Neste caso, as movimentações são
cumpridas em jornadas de trabalho separadas por períodos de descanso, em que o condutor
retorna à sua sede para usufruir da sua folga ao final da sequência de tarefas.
Já o segundo problema (crew rostering problem), de acordo com o autor, consiste em
planejar sequências de trabalhos, estendendo-se para um período maior de planejamento como,
por exemplo, uma semana ou um mês. Neste caso, cada sequência executada pelos condutores
é contemplada com dias de folga após um certo número de dias consecutivos de trabalho
conforme as restrições legais.
Para uma empresa do ramo ferroviário, de acordo com Mazioli (2019), a escala de uma
equipe ocorre em uma sequência de etapas que envolve os dois casos supracitados.
Primeiramente, os trens são programados com seus horários definidos para depois gerar uma
sequência de atividades, ou seja, o crew scheduling problem. Em seguida, as sequências dessas
atividades dão origem a uma matriz de trabalho que será atribuída à equipe ou tripulação,
gerando o crew rostering problem, de acordo com os trens previamente programados.
 23

O planejamento de escala, seja ela semanal ou mensal, pode ser abordado

através de dois enfoques: cíclico ou individualizado. O planejamento de escala cíclica
consiste em construir uma sequência contendo todas as jornadas diárias de trabalho
intercaladas por dias de folga. Esta sequência constitui-se num ciclo de trabalho que
é repetida por todos os condutores, sendo que cada um a inicia em uma posição
diferente. Já o planejamento individualizado consiste em construir sequências
individuais de jornadas de trabalho, levando em consideração o histórico de cada
condutor (CONSTANTINO, 1997, p. 2).

Gonçalves (2018) afirma que o método de geração de escalas mais utilizado nas
empresas de transporte ferroviário, urbano ou aéreo é o de escalas cíclicas, onde são elaboradas
sequências de atividades que são transformadas em uma escala. O autor cita que este artifício é
o mais utilizado nas ferrovias do país; dessa forma, o autor desse trabalho também optou por
empregar esse mesmo método no estudo de caso. Um exemplo de escala de trabalho para um
período de dez dias pode ser visto na Tabela 1.

Tabela 1 – Exemplo de escala de trabalho

Maquinista Seg Ter Qua Qui Sex Sab Dom Seg Ter Qua
1 13:40 09:00 06:00 13:40 09:00 06:00 Folga Folga 13:40 09:00
2 Folga Folga 13:40 09:00 06:00 13:40 09:00 06:00 Folga Folga
3 06:00 13:40 09:00 06:00 Folga Folga 13:40 09:00 06:00 13:40
4 09:00 06:00 Folga Folga 13:40 09:00 06:00 13:40 09:00 06:00
5 12:40 09:00 06:40 12:40 09:00 06:40 Folga Folga 12:40 09:00
6 Folga Folga 12:40 09:00 06:40 12:40 09:00 06:40 Folga Folga
7 06:40 12:40 09:00 06:40 Folga Folga 12:40 09:00 06:40 12:40
8 09:00 06:40 Folga Folga 12:40 09:00 06:40 12:40 09:00 06:40
Fonte: Elaboração própria (2021).

É possível observar na Tabela 1 que existe um número determinado de maquinistas (no

caso, oito) com os devidos horários de início de suas jornadas de trabalho representadas para
cada dia da semana. Verifica-se ainda que, para cada dia da semana, dois operadores se
encontram de folga ao passo que os outros seis apresentam horários de trabalho predefinidos.

3 METODOLOGIA

A palavra metodologia, de acordo com Sampaio (2013), tem como significado o

caminho a ser seguido para se obter dados e informações com o objetivo de alcançar os
resultados pretendidos. Para o autor, os métodos de pesquisa estão totalmente ligados ao
problema de pesquisa e aos objetivos lá definidos.
 24

Além de trazer o delineamento da pesquisa de acordo com o processo metodológico,

este capítulo expõe o roteiro utilizado no estudo de caso para se alcançarem os objetivos geral
e específicos e obter uma resposta para a pergunta do problema proposto.

3.1 Classificação da pesquisa

Gil (2007) afirma que o desenvolvimento de um projeto de uma pesquisa pode ser feito
sob quatro aspectos. O mesmo deve ser analisado quanto à natureza (aplicada ou básica), forma
de abordagem do problema (qualitativa ou quantitativa), finalidade da pesquisa (explicativa,
descritiva e exploratória) e procedimentos técnicos (bibliográfica, documental, experimental,
ex-post-facto, levantamento, estudo de campo e estudo de caso).
De acordo com Prodanov e Freitas (2013), uma pesquisa aplicada é aquela em que
utiliza o método de construção de conhecimento para a solução de um problema específico,
utilizando-se de uma aplicação prática. Dessa forma, pode-se classificar a pesquisa utilizada
nesse trabalho como sendo dessa natureza, uma vez que foram aplicadas ferramentas heurísticas
aliadas ao conhecimento da pesquisa operacional, visando uma otimização na elaboração da
escala de trabalho de uma empresa ferroviária.
Em relação ao tipo de abordagem, o trabalho possui caráter qualiquantitativo pois busca
com base nas restrições do problema (qualitativo) colaborar para a otimização do processo de
elaboração da escala de trabalho (quantitativo). Ressalta-se que a abordagem qualitativa, de
acordo com Minayo (2001), dedica-se, dentre outros, a aspirações, crenças, significados,
valores e atitudes de processos e fenômenos que não podem ser reduzidos a variáveis. Já a
quantitativa, segundo Fonseca (2002), quantifica os resultados numericamente, centrando-se na
objetividade e recorrendo-se à linguagem matemática para descrever as causas do objeto de
estudo.
Quanto ao objetivo, a pesquisa se classifica como descritiva de acordo com as definições
de Prodanov e Freitas (2013). Nesta categorização, observa-se a existência de relações entre as
variáveis (no caso, dias de trabalho e dias de folga) e a presença de coleta de dados para a
resolução do modelo matemático (atuação prática).
Como um dos objetivos do trabalho envolve o levantamento de restrições e variáveis
que auxiliam na elaboração da escala, verifica-se que o procedimento técnico da pesquisa se
enquadra como estudo de caso. Para Gil (2010), esta classificação consiste no estudo exaustivo
 25

de um ou mais objetos que permitem garantir um conhecimento amplo e profundo e servem de

estratégia para buscar um determinado fenômeno contemporâneo dentro do contexto analisado.

3.2 Roteiro da pesquisa, materiais e método

O processo de pesquisa teve início com a realização de estágio dentro da empresa em

questão, onde se conheceu o funcionamento do processo de planejamento de escalas de trabalho
para os maquinistas. Este contato permitiu identificar que o procedimento poderia apresentar
falhas, pois todo o conhecimento estava sob posse do funcionário responsável pela programação
dos trabalhos, sem nenhuma anotação ou documento para realizar o procedimento.
Devido a esta informação estar sob posse do funcionário, ela é denominada
conhecimento tácito. Segundo Escrivao e Silva (2011), a teoria da criação do conhecimento de
Nonaka explica a existência de dois tipos de conhecimento: o tácito e o explícito. O primeiro
que é aquele conhecimento informal, vinculado à percepção, às convicções e às perspectivas do
indivíduo que o detém, e se transforma em um conhecimento de difícil transmissão. Já o
explícito, que é um tipo de conhecimento formal e sistemático, pode ser registrado em
documentos e facilita, desta forma, a comunicação e o compartilhamento.
Durante o período de estágio oferecido pela empresa foi permitido ao autor desse
trabalho a participação de forma direta e, em consequência, a colaboração no processo de se
elaborar as escalas de trabalho. Esta elaboração é realizada todo mês, geralmente na última
semana, de forma a programar a escala para os trinta dias seguintes. Porém, como sempre surgia
necessidade de mudanças, o empregado disponibilizava a escala para os maquinistas a cada 15
dias.
Notou-se que esta tarefa demanda grande parte do tempo laboral do analista operacional
da supervisão, e por este motivo vislumbrou-se a possibilidade de realizar melhorias nesse
procedimento. Com o aval dos superiores do estágio, considerou-se a identificação e análise do
problema como sendo a primeira etapa do trabalho a ser desenvolvido.
A etapa seguinte consistiu na coleta dos dados, onde se fez o levantamento de todas
restrições necessárias à elaboração da escala de trabalho na área estudada. Constatou-se que as
restrições englobavam em sua grande maioria a quantidade da mão de obra disponível e os
requisitos legais e sindicais.
O levantamento de todas as restrições foi inicialmente realizado através de conversas e
entrevistas informais junto ao analista responsável pela realização da tarefa durante o período
 26

de estágio. Este fato reforça a importância do trabalho, pois vai ao encontro da definição de
conhecimento tácito supracitado. Ou seja, não foi utilizado nenhum outro tipo de material, como
consulta a documentos ou legislações trabalhistas etc.; todo o conhecimento se encontrava sob
posse de uma pessoa.
Definido o objetivo final do trabalho (minimizar a quantidade de maquinistas
disponíveis), o próximo passo compreendeu a escolha do software que iria resolver o problema
de programação linear inteira (PPLI). Optou-se pelo uso do GUSEK (GLPK Under Scite
Extended Kit) versão 0.2 por ser um software livre, ou seja, os usuários têm a liberdade de
usufruir do sistema de forma gratuita.
Por envolver questões trabalhistas, e em função das entrevistas informais realizadas,
procurou-se fazer o levantamento de dados referente às restrições de acordo com a legislação
trabalhista brasileira, acordos coletivos firmados entre a empresa e o sindicato do ramo e com
as condições operacionais da empresa. Com a inserção da função objetivo, restrições e demais
parâmetros do modelo, realizou-se a sua compilação, registrou-se os dados que otimizavam o
processo de elaboração da escala e realizou-se uma análise e comparação com a forma como
era realizada anteriormente.

Figura 3 – Diagrama visual da metodologia utilizada

Fonte: Elaboração própria (2021).

 27

4 ESTUDO DE CASO

O estudo foi realizado em uma das diversas sedes de uma empresa de grande porte que
atua, dentre outras áreas, no ramo ferroviário de transporte de carga e de pessoas. A sede onde
se realizou o trabalho se localiza no município de Governador Valadares (região leste de Minas
Gerais) e o período de observação dos dados compreendeu os meses de abril de 2019 a março
de 2020. Os tópicos a seguir fazem menções sobre o objeto de estudo, e trazem os requisitos
gerais e a formulação/desenvolvimento do modelo matemático.
A empresa em questão opera cerca de 2 mil quilômetros de malha ferroviária no Brasil.
Desta, aproximadamente 905 quilômetros de extensão correspondem à Estrada de Ferro Vitória
Minas (EFVM), que liga o município de Belo Horizonte (MG) ao de Vitória (ES). A empresa
possui uma frota de 322 locomotivas e 19.154 vagões. Em um ano, são movimentadas 119
milhões de toneladas de minério de ferro e 22 milhões de toneladas de produtos diversos e
diversos passageiros em vagões climatizados.
O comumente conhecido como trem de passageiros transporta, em média um milhão de
viajantes por ano. A EFVM conta com 30 pontos de embarque e desembarque ao longo do seu
trajeto, e atende 42 municípios entre os dois estados. O trem de passageiros da EFVM é o único
trem diário de longa distância do Brasil.
A elaboração do modelo matemático contemplou somente o serviço de transporte de
passageiros entre os municípios de Belo Horizonte/MG e Vitória/ES. Desta forma, observou-
se a disponibilidade de vagões especiais, de locomotivas e da oferta de mão de obra que iria
operar as locomotivas.
Dentre as opções de otimização que o modelo matemático oferece, escolheu-se como
função objetivo (FO) minimizar a oferta de mão de obra necessária para operar o trem. Assim,
inseridas as restrições ao modelo juntamente com a FO, esperou-se que o modelo matemático
resolvesse o problema e enviasse um mapa de alocação dos maquinistas às tarefas juntamente
com a indicação dos dias de folga dos colaboradores.
No período de vigência do estudo, a empresa contava com dezoito maquinistas para
atuar nas rotinas operacionais do trem de passageiros. Como a operação do trem acontece
durante os sete dias da semana, os maquinistas foram então distribuídos entre os dias e horários
disponíveis de partida nos municípios de Belo Horizonte e de Vitória.
 28

Pelo fato de a empresa operar todos os dias da semana, surgiu a necessidade de se

realizar um revezamento entre os funcionários, a fim de atender a demanda. A partir deste
revezamento foram inseridas as restrições do problema.
Figueiredo e Neto (2017) explicam melhor este acontecimento dentro da elaboração do
modelo matemático. Dentre o bloco de restrições, existem aquelas que são obrigatórias e outras
classificadas como desejáveis. As restrições obrigatórias são, normalmente, as restrições legais,
impostas pela legislação trabalhista ou por acordos coletivos. Já as restrições desejáveis
geralmente são aquelas internas – como pedidos de folga em determinados dias – que têm como
objetivo maior promover o aumento da satisfação dos funcionários.
Conhecidos e classificados os requisitos para a elaboração do problema, iniciou-se a
elaboração do modelo com o intuito de realizar a programação da escala de maneira rápida e
automatizada, eliminando a interpretação/interferência humana e suscetibilidade a erros.

4.1 Modelo de programação matemática

A escala da empresa em questão funciona no modelo 6 por 2, ou seja, para cada seis
dias de trabalho realizados, ocorrem, obrigatoriamente, dois dias de folga logo após o último
dia de serviço.
De acordo com a Consolidação das Leis do Trabalho (CLT), o artigo 239, parágrafo 1º
da seção V (do serviço ferroviário), capítulo I, dispõe que, depois de cada jornada de trabalho,
deverá haver um repouso de no mínimo dez horas contínuas. Além disso, o artigo 246,
juntamente com o acordo coletivo firmado entre a empresa e o sindicato dos ferroviários,
dispõem que o horário de trabalho/operação dos maquinistas do trem de passageiros não deverá
exceder o tempo de seis horas diárias, implicando o pagamento de horas extras aos mesmos.
Diante da exposição dessas restrições, a grande questão da elaboração do modelo
matemático é que a empresa se torna obrigada a dividir as movimentações em diferentes
equipes, uma vez que uma viagem de trem – da sua origem até o destino final – tem uma duração
de no mínimo treze horas. Esta divisão já existe atualmente, e o município de Governador
Valadares foi o escolhido para realizar as trocas de tripulantes. A Figura 4 mostra o percurso
da EFVM, com as duas pontas citadas como local de origem dos trens.
 29

Figura 4 – Estrada de Ferro Vitória Minas

Fonte: Centro Oeste Brasil [s.d].

Observa-se, na Figura 4, que o município de Governador Valadares (GV) se localiza

aproximadamente no meio do percurso. São, ao todo, 21 pontos de embarque/desembarque
instalados em Minas Gerais e 9 pontos no estado do Espírito Santo.
A empresa oferece diariamente dois trens para cada início de percurso, denominadas
pontas. Assim, duas locomotivas (cada uma conduzida por um tripulante) partem de Belo
Horizonte/MG, outras duas são conduzidas a partir da estação localizada em Vitória/ES e ambas
param em GV para realizar a troca de tripulantes.
Desta forma, com quatro locomotivas/dia e uma parada em GV para troca de operadores,
constata-se que a quantidade de maquinistas necessária cotidianamente é de oito colaboradores.
O motivo de saírem duas unidades de cada ponta é que a primeira delas é o “trem batedor”,
composto por somente uma locomotiva e com o intuito de monitorar a via; já o segundo é o que
parte no horário estipulado para a viagem e conduz o trem de passageiros.
Iniciando-se pela cidade de Vitória/ES, a primeira locomotiva (trem batedor) parte da
estação de Pedro Nolasco (PN), às 06h30, e pouco tempo depois – às 07h – sai o trem de
passageiros com destino à estação de Governador Valadares (GV), onde ocorrem as trocas dos
maquinistas tanto do trem batedor como o de passageiros. A previsão de chegada do trem de
passageiros a GV é às 13h06 e de saída às 13h14. Neste último horário o trem batedor já passou
 30

e já realizou a troca de tripulantes, e a partir deste momento o quarto tripulante assume o trem
de passageiros e dá sequência no trajeto com destino a Belo Horizonte/MG.
A segunda equipe trabalha da mesma forma, porém com horários diferentes. O trem
batedor parte da estação de Belo Horizonte às 7h enquanto o trem de passageiros parte às 07h30.
O horário de previsão de chegada do trem de passageiros à estação de GV é às 14h08. Da mesma
forma, durante o intervalo de parada é realizada a troca de equipes com destino à estação de
Pedro Nolasco.
Um fato interessante que ocorre é que as equipes que assumem os trens de passageiros
chegam aos seus destinos nos horários previstos de 20h10 em Belo Horizonte e 20h30 em
Vitória. Além disso, também pode haver atrasos nos horários de chegada, o que impacta
diretamente na oferta de mão de obra do dia seguinte.
Neste caso, como os trens devem partir das pontas logo pela manhã do dia subsequente
e pelo fato dos maquinistas terem que se apresentar ao serviço uma hora antes da partida, o
tempo mínimo de descanso de dez horas exigido pela lei não é cumprido. Surge, então, uma
nova atividade dentro da empresa, chamada de “tarefa especial fora da sede”. Nesta atividade,
se os maquinistas chegam nas pontas no ‘dia D’, eles ficam de sobreaviso (ou seja, repouso,
sem retornar ou conduzir o trem) durante o dia seguinte (D + 1), e no dia ‘D + 2’ os
colaboradores se encontram aptos a assumir o trem que parte das chamadas pontas com destino
à sede em GV.
Este mesmo fato não acontece com os tripulantes que saem das pontas e chegam ao
município de Governador Valadares na parte da tarde. Ou seja, para quem sai de uma das pontas
e chega a GV, o tempo mínimo de dez horas de descanso é cumprido e estes ficam aptos a
assumir o trem na tarde do dia seguinte, seja para retornar ao seu ponto de saída ou dar sequência
ao trajeto com destino no outro estado.
Há de se levar em consideração o fato de que, os dois dias de folga que as equipes devem
cumprir são cumpridos sempre na sua sede (ou seja em Governador Valadares). Este fato
implica que os seis dias trabalhados na escala deva ser sempre iniciado e encerrado na estação
valadarense. A Figura 5 mostra o esquema de uma possível sequência de atividades dos
maquinistas, que inicia e termina em sua sede.
 31

Figura 5 – Sequência de atividades

Fonte: Elaboração própria (2021).

De posse dessas informações, registrou-se algumas premissas antes de iniciar a etapa de

elaboração do modelo matemático. São elas:
✓ É necessário, para todos os dias, a disponibilidade de oito maquinistas;
✓ Uma equipe é formada pelo maquinista do trem batedor e pelo tripulante do trem de
passageiros. Assim, o modelo terá quatro equipes;
✓ A escala para o planejamento será feita para 21 dias em função das limitações de
memória do computador e/ou do software;
✓ Os horários são os mesmos todos os dias do mês;
✓ Desconsiderou-se a posição inicial dos maquinistas no ‘dia 0’. Ou seja, para iniciar a
modelagem, os colaboradores poderiam estar em qualquer um dos locais (BH, GV
ou Vitória);
✓ O ‘dia 0’ representa um dia fictício, que pode ser interpretado como o último dia da
escala de trabalho anterior dos maquinistas;
✓ Um ciclo de trabalho dura oito dias, sendo seis dias de ofício e dois de folga;
✓ Dentro de um ciclo de trabalho, os seis dias de expediente não necessariamente são
contínuos. Ou seja, em um primeiro momento, um determinado maquinista pode, por
exemplo trabalhar por cinco dias seguidos (ou menos) e entrar nos dois dias de folga;
✓ Como o ‘dia 0’ desconsidera a escala anterior, a alocação inicial dos maquinistas se
torna livre. Ou seja, não se considera as suas posições atuais.

Ofertadas as premissas, pôde-se elaborar as tarefas a serem realizadas pelos maquinistas.

Estas foram numeradas de 1 a 11, conforme mostrado no Quadro 1.
 32

Quadro 1 – Enumeração das tarefas realizadas pelos maquinistas

Tarefa Tipo de serviço
1 Trem batedor
2 Trem de passageiros
3 Trem batedor
4 Trem de passageiros
5 Trem batedor
6 Trem de passageiros
7 Trem batedor
8 Trem de passageiros
9 Tarefa especial
10 Tarefa especial
11 Folga
Fonte: Elaboração própria (2021).
Atividade a ser realizada
Saída de BH com destino a GV
Saída de BH com destino a GV
Saída de GV com destino a Vitória
Saída de GV com destino a Vitória
Saída de Vitória com destino GV
Saída de Vitória com destino GV
Saída de GV com destino a BH
Saída de GV com destino a BH
Tarefa especial na ponta em BH
Tarefa especial na ponta em Vitória
Folga em GV

Para facilitar a compreensão das informações mostradas no Quadro 1, elaborou-se um

grafo (Figura 6) para mostrar as possibilidades de realização das tarefas em decorrência do
posicionamento de cada maquinista. As setas indicam a relação de precedência entre as
atividades.

Figura 6 – Grafo demonstrando o fluxo de tarefas

Fonte: Elaboração própria (2021).

A título de exemplificação, pode-se observar, na Figura 6, que os trens batedor e de

passageiros podem sair de Belo Horizonte com destino a Governador Valadares (atividades 1 e
2), e (i) saírem de GV com destino a Vitória – atividades 3 e 4, ou (ii) entrarem de folga –
atividade 11, ou ainda retornarem a BH – atividades 7 e 8. Porém, para realizar as atividades 1
e 2, ambas devem ter previamente passado pela atividade 9 (tarefa especial na ponta em BH).
 33

Para montar o modelo matemático, fez-se necessário montar os seguintes parâmetros de

entrada:

D : Conjunto de maquinistas
T : Conjunto de tarefas
H : Conjunto de dias
𝑵𝒊 : Conjunto de tarefas que não pode preceder a tarefa i
𝑻′ : Conjunto de tarefas não obrigatórias
n : Número de maquinistas disponíveis
m : Número de tarefas
h : Número de dias do horizonte planejado
𝒕𝒋 : Tipo de tarefa
f : Tarefa que representa o dia de folga na sede

e as seguintes variáveis de decisão:

1, se o maquinista 𝑑 for alocado à tarefa 𝑖 no dia 𝑘, e se será alocado à tarefa 𝑗

𝑑,𝑘
𝑥𝑖,𝑗 ∶ { no dia seguinte (𝑘 + 1)
0, caso contrário

1, se o maquinista 𝑑 for utilizado

𝑦𝑑 ∶ {
0, caso contrário

A função objetivo (4.1) para este modelo será do tipo minimização, com o objetivo de
minimizar o número de maquinistas necessários à elaboração das escalas. O modelo de
programação matemática proposto é dado pelas seguintes equações:
 34

Função Objetivo:

min Z = ∑ 𝑦𝑑 (4.1)
𝑑∈𝐷

Restrição de ativação da variável y:

𝑑,𝑘
∑ ∑ ∑ 𝑥𝑖,𝑗 ≤ ℎ 𝑦𝑑 ∀𝑑 ∈ 𝐷 (4.2)
𝑘 ∈ 𝐻:𝑘≠0 𝑖 ∈𝑇:𝑖≠𝑓 𝑗 ∈𝑇

Restrições de equilíbrio de fluxo:

𝑑,𝑘 𝑑,𝑘+1
∑ (𝑥𝑖,𝑗 − 𝑥𝑗,𝑖 ) = 0 ∀𝑑 ∈ 𝐷, 𝑗 ∈ 𝑇, 𝑘 ∈ {0, … , (ℎ − 1)} (4.3)
𝑖∈𝑇

𝑑,𝑘
∑ 𝑥𝑖,𝑗 = 0 ∀𝑑 ∈ 𝐷, 𝑖 ∈ 𝑇, 𝑘 ∈ {1, … , (ℎ − 1)} (4.4)
𝑗 ∈ 𝑁𝑖

Restrições do ciclo de trabalho de 8 dias (escala 6x2):

𝑙
𝑑,𝑘
∑ ∑ ∑ 𝑥𝑖,𝑗 − 6𝑦𝑑 = 0 ∀𝑑 ∈ 𝐷, 𝑙 ∈ {8, … , ℎ} (4.5)
𝑖 ∈ 𝑇:𝑖≠𝑓 𝑗∈𝑇 𝑘=𝑙−7
𝑙
𝑑,𝑘
∑ ∑ 𝑥𝑖,𝑖 − 7(1 − 𝑦𝑑 ) = 1 ∀𝑑 ∈ 𝐷, 𝑙 ∈ {8, … , ℎ} (4.6)
𝑖∈𝑇′ : 𝑘=𝑙−7
𝑑,𝑘
𝑥𝑖,𝑖 = 0 ∀𝑑 ∈ 𝐷, 𝑘 ∈ 𝐻, 𝑖 ∈ 𝑇\𝑇 ′ (4.7)

Restrições de alocação de tarefas:

𝑑,𝑘
∑ ∑ 𝑥𝑖,𝑗 = 1 ∀𝑑 ∈ 𝐷, 𝑘 ∈ 𝐻 (4.8)
𝑖 ∈ 𝑇 𝑗∈𝑇

𝑑,𝑘
∑ ∑ 𝑥𝑖,𝑗 = 1 ∀𝑘 ∈ 𝐻, 𝑗 ∈ 𝑇\𝑇 ′ (4.9)
𝑑∈𝐷𝑖∈𝑇

𝑑,0
∑ 𝑥𝑓,𝑗 = 1 ∀𝑑 ∈ 𝐷 (4.10)
𝑗∈𝑇

Restrições de domínio das variáveis de decisão:

𝑑,𝑘
𝑥𝑖,𝑗 ∈ {0,1} ∀𝑑 ∈ 𝐷, 𝑘 ∈ 𝐻, 𝑖 ∈ 𝑇, 𝑗 ∈ 𝑇 (4.11)

𝑦𝑑 ∈ {0,1} ∀𝑑 ∈ 𝐷 (4.12)
 35

A restrição (4.2) garante a ativação da variável y. Ou seja, y só recebe o valor 1 se ele

for obrigado pela variável x. Isto significa que o maquinista d só será alocado, se para cada
maquinista, o número de dias do horizonte, exceto o primeiro (dia fictício 0), e para todas as
tarefas i, exceto à folga f, o somatório da variável x for menor que o da variável y vezes o
número de dias.
A restrição (4.3) garante que para cada maquinista d, para cada tarefa j e para cada dia
k (exceto para o último dia do horizonte), o somatório do fluxo que chega em uma tarefa é igual
ao fluxo que sai. Já a restrição (4.4) indica quando que o fluxo deve ser obrigatoriamente 0, ou
seja, indica as tarefas que não podem ser executadas (𝑗 ∈ 𝑁𝑖 ).
As restrições (4.5), (4.6) e (4.7) são restrições elaboradas para um ciclo de trabalho de
8 dias de acordo com o tipo da escala (6x2). A equação (4.5) garante que para cada ciclo de 8
dias de trabalho, 6 serão tarefas que não seja uma folga (𝑖 ∈ 𝑇: 𝑖 ≠ 𝑓), isto é, o somatório da
variável x será 6 quando um maquinista for alocado. Já a restrição (4.6) garante que o somatório
será igual 8, podendo ter dois dias pertencentes às tarefas não obrigatórias (𝑖 ∈ 𝑇 ′ ). A restrição
(4.7), por sua vez, indica quais tarefas em que a variável x não pode ser igual a zero, ou seja,
que não pode ser alocada ao maquinista d.
A restrição (4.8) garante que para todo dia, deve-se ter exatamente uma tarefa alocada
(ou seja, ou o maquinista d está trabalhando ou está de folga). A restrição (4.9) indica que para
cada dia deve-se ter um maquinista alocado a uma tarefa obrigatória (𝑗 ∈ 𝑇\𝑇 ′ = {1, … , 8}). A
restrição (4.10) garante que para cada maquinista no dia 0, terá que sair obrigatoriamente da
folga em GV (tarefa representada por f ), isto é, o maquinista sempre inicia um ciclo de trabalho
na sua sede em GV.
Finalmente as restrições (4.11) e (4.12), que se referem ao domínio das funções nas
quais as variáveis são declaradas e indicam que as mesmas são binárias, ou sejam, pertencem
ao conjunto {0,1}.

5 RESULTADOS E DISCUSSÕES

Os resultados do modelo serão discutidos e analisados em dois tópicos: aplicação do

modelo e comparação do modelo computacional com o método adotado na empresa. No
primeiro, serão exibidos os resultados e discutido sobre os testes realizados no modelo
 36

computacional. Já no segundo tópico, é realizado uma comparação a respeito de todos os pontos

onde julgou-se que houveram melhorias em relação ao modelo atual.

5.1 Aplicação do modelo

O modelo proposto considerou a mão de obra disponível pela empresa e os requisitos e

restrições descritos no capítulo anterior com o objetivo de encontrar uma solução ótima para a
elaboração da escala de trabalho. O software utilizado para a elaboração do modelo matemático
foi o GUSEK (GLPK Under Scite Extended Kit) versão 0.2, já mencionado anteriormente. Os
experimentos foram executados em um microcomputador com processador Intel Core (TM) i3-
2310M 2.10 GHz, e 4 GB de memória RAM, sob plataforma Windows 10, 64 bits.
Constata-se que o elevado número de restrições consideradas no problema comprova a
complexidade do modelo matemático. Neste contexto, fica evidente a dificuldade de se obter
uma solução ótima através da tentativa e erro em um curto espaço de tempo, bem como a
incerteza de se garantir o atendimento de todas as restrições.
A partir da construção do modelo no software GUSEK, foi necessário realizar testes
para identificar qual seria o melhor horizonte de planejamento para o problema, uma vez que a
compilação do modelo depende da capacidade do software, devido ao elevado número de
restrições e variáveis.
O modelo foi inicialmente executado com um horizonte de planejamento de 10 dias; a
compilação demorou 70,1 segundos (aproximadamente 1,17 minuto) para encontrar uma
solução. Como a resposta foi positiva, aumentou-se o planejamento para 16 dias e o software
obteve uma solução com o tempo de 434,49 segundos (7,24 minutos). Em seguida, foram
realizados testes para os horizontes de 20 e 21 dias, encontrando soluções com os tempos de
721,33 segundos (12,02 minutos) e 1.828,35 segundos (30,47 minutos), respectivamente. Por
último, testou-se o horizonte de 30 dias, onde o software ficou compilando o modelo durante
48 horas sem obter uma solução ótima; o pesquisador optou então por interromper a compilação
– o elevado tempo de duração passou a se tornar insatisfatório para o problema.
Percebeu-se que, para todos os horizontes de planejamento testados no software, a
solução ótima encontrada para a função objetivo foi a mesma. Como resultado, encontrou-se a
necessidade de alocação de 16 dos 18 maquinistas disponíveis. A única diferença dos horizontes
testados foi a designação de tarefas para cada maquinista, enumerados de 1 a 18. A Figura 7
 37

mostra a designação das tarefas geradas pelo software GUSEK para três maquinistas (M3, M8
e M15) escolhidos de forma aleatória para os 21 dias de trabalho.

Figura 7 – Escala de trabalho dos maquinistas 3, 8 e 15

Dias de trabalho
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
M3 11 10 6 8 9 1 11 11 7 9 1 7 9 2 11 11 7 9 2 4 10 6
M8 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11
M15 11 11 3 10 5 7 9 1 11 11 4 10 6 7 9 2 11 11 7 9 2 3
Fonte: Elaboração própria (2021).

Na Figura 7, pode-se observar que o maquinista 8 não foi utilizado no modelo, pois
todos os dias de trabalhos estão designados com a tarefa 11, que corresponde à folga.
Dentre os horizontes de planejamento testados no software, optou-se pela utilização do
modelo de 21 dias, uma vez que este tempo corresponde a exatamente a três semanas de
trabalho. Este mapa de trabalho poderia então ser divulgado aos maquinistas com certa
antecedência e estes poderiam utilizar suas folgas de forma mais agradável.
Na prática, assim que fosse gerado o primeiro mapa de tarefas com três semanas, pegar-
se-ia o 21º dia e o aplicar-se-ia novamente ao modelo para gerar novo mapa de serviços e folgas.
Ou seja, o ‘dia 0’ criado inicialmente para dar início à compilação do modelo – onde os
colaboradores poderiam estar em qualquer um dos locais (BH, GV ou Vitória), seria agora
substituído pelo resultado do dia 21. O software interpretaria este dado como sendo o novo ‘dia
0’ e, a partir dele, geraria a nova escala para os próximos 21 dias de trabalho e assim
sucessivamente.

5.2 Comparação do modelo computacional com o método adotado na empresa

A elaboração das escalas de trabalho na empresa era realizada de forma empírica por
um único analista que, dentre outras diversas atividades dentro da supervisão, possuía ampla
experiência no desenvolvimento da escala. Este procedimento era realizado por meio de
tentativas de erros e acertos, onde o profissional tentava encaixar as tarefas da melhor forma
em uma planilha própria.
Além disso, a conferência do atendimento das restrições era feita de forma bem simples,
apenas verificando a escala diversas vezes, uma vez que todas as restrições já eram de perfeito
 38

conhecimento do funcionário. Ressalta-se que, até o momento da realização do trabalho, esse

conhecimento acumulado não era distribuído para o restante dos colegas de trabalho.
Uma importante análise a ser realizada é em relação ao custo da elaboração das escalas.
O modelo proposto apontou a utilização de somente 16 maquinistas dentre os 18
disponibilizados. É fato que o modelo foi construído com um horizonte de planejamento
considerado pequeno devido à capacidade de solução do software e/ou das configurações do
computador. Desta maneira, não foram adicionadas outras restrições no modelo como, por
exemplo, a existência de funcionários de férias durante o tempo do planejamento, o que
certamente englobaria estes dois maquinistas não utilizados no modelo. Esta restrição não foi
incluída por motivos de alto tempo de resolução do modelo justamente devido à capacidade do
software e do computador. Ressalta-se que, embora se obteve essa redução na mão de obra, este
fato não tem significância na aplicação do modelo.
Um outro ponto a ser analisado é o custo indireto que a escala de trabalho pode
ocasionar. O fato de não ter uma verificação totalmente precisa do atendimento de todas as
restrições obrigatórias pode acarretar em custos para a empresa. Um possível “furo” na escala
poderia causar atrasos no horário de partida do trem, o que geraria muitos transtornos e
reclamações, uma vez que o serviço lida diretamente com pessoas. Dentre estes custos podem
estar o cancelamento de passagens, perda de clientes por mal atendimento ou até mesmo um
impacto negativo na reputação da empresa. Isso sem mencionar no impacto na janela de
programações das locomotivas que transportam outros produtos como minério de ferro, carvão
mineral, combustíveis etc.
A economia de tempo gasto na elaboração da escala também deve ser analisada neste
trabalho. O tempo gasto anteriormente não era mensurado pelo empregado, que normalmente
gastava alguns dias para terminar o processo. Estes dias sempre ocupavam o lugar de outras
atividades também importantes exercidas pelo analista, podendo causar atrasos na entrega de
outras demandas. Com a implementação deste modelo matemático, pode-se garantir a
elaboração da escala com um tempo de cerca de trinta minutos, e ainda sem a necessidade de
supervisão de alguém ou interferência humana. Ou seja, o responsável pela programação acessa
o modelo computacional, deixa que o mesmo elabore os cálculos sozinho e ainda pode realizar
outras tarefas.
Com o modelo computacional já definido e testado, grande parte do tempo que era gasto
anteriormente para se planejar os mapas de trabalho pode agora ser utilizado na realização de
outras atividades que agregam valor às ocupações do analista. O mesmo pode, por exemplo,
 39

estudar a viabilidade de se implementar novas restrições de forma a melhorar cada vez mais
esta atividade. Além disso, o novo modelo pode ajudar a descentralizar o processo de
elaboração da escala, já que apenas uma pessoa é responsável pela execução. Este fato tornaria
o processo mais suscetível a melhorias.

6 CONSIDERAÇÕES FINAIS

O trabalho teve como objetivo geral elaborar um modelo matemático de pesquisa

operacional para definir a escala de trabalho dos maquinistas respeitando as restrições
estabelecidas e eliminando a suscetibilidade a possíveis erros cometidos pelo planejador. Este
objetivo foi alcançado em sua plenitude mesmo “rodando” por somente vinte e um dias (ou
seja, simulando três semanas de trabalho). Pode ser que um computador com melhores
configurações ou um software mais robusto, com versões pagas, possa encontrar respostas para
horizontes maiores de planejamento.
A realização desse estudo permitiu ao autor compreender a importância e relevância de
se realizar estudos dessa natureza. A utilização dos softwares computacionais permite analisar
resultados que apresentem impactos tanto na parte operacional da empresa, como por exemplo
gastos com mão de obra, quanto na parte administrativa, otimizando processos e economizando
tempo.
Da mesma forma, os objetivos específicos também foram alcançados: o atual processo
de elaboração manual de escalas foi detalhadamente estudado, o modelo de programação linear
inteira foi desenvolvido com um grande número de restrições – o que promoveu a
automatização do planejamento de escalas, o número ótimo de 16 maquinistas foi encontrado
em função do horizonte de 21 dias de planejamento ofertado, e a comparação entre o atual
modelo de elaboração de escalas e o proposto também foi feito. Pôde-se observar na prática que
apesar do custo da mão de obra ser um dos maiores custos da operação ferroviária, Mazioli
(2019, p.54) afirma que “muitas ferrovias ainda carecem de ferramentas computacionais para
realizar este tipo de planejamento”.
Para o problema de pesquisa, a resposta a ser dada é que ao se construir um modelo de
programação matemática, criando variáveis, inserindo restrições e função objetivo, o
conhecimento que antes era tácito (concentrado em somente um funcionário), passa agora a ser
explícito (formal e sistemático, com registros e facilitando a comunicação e o compartilhamento
de informações).
 40

Construído o modelo de programação linear inteira, qualquer funcionário pode ter

acesso a ele e operacionalizá-lo, e para os que tiverem maior conhecimento na área de pesquisa
operacional, podem até mesmo estudá-lo e melhorá-lo sempre que necessário. Também, o fato
de automatizar o processo de elaboração da escala acarreta na eliminação de possíveis erros de
programação cometidos por falha humana.
Os resultados da aplicação do modelo matemático ao caso se mostraram totalmente
satisfatórios. Seu desenvolvimento e validação representa uma alternativa totalmente viável
para a automatização do processo de elaboração da escala. Sua adoção, além de trazer os ganhos
já mencionados, também contribui para a substituição do tempo anteriormente gasto com a
elaboração de mapas manuais de trabalho por tempo de trabalho em outras atividades que
também agregam valor à função do analista responsável.
Para trabalhos futuros, sugere-se que os interessados deem continuidade na inserção de
novas restrições ao modelo como, por exemplo o uso de funcionários que estavam (ou poderiam
estar) de férias naquele período de 21 dias analisados. Vale a pena ressaltar que esta restrição
não foi incluída no modelo matemático devido ao elevado tempo de resolução do modelo em
função da capacidade do software e do computador, daí o motivo em afirmar que a redução de
dois funcionários encontrados na resposta (de 18 para 16 colaboradores) não tem significância
na aplicação do modelo.
Também, a implementação desse estudo em softwares e computadores com maior
capacidade/robustez que analisem horizontes de planejamento maiores, como por exemplo de
365 dias. Isto implicaria na elaboração de novas restrições e variáveis de decisão para o
problema, tornando-o ainda mais complexo. Desta forma, seria possível implementar restrições
como férias da equipe em cada mês, possíveis pedidos de folga que trariam maior satisfação
dos empregados, dentre outras.
Sugere-se, também, a realização de uma validação dos dados, tendo em vista que o
intuito principal deste trabalho foi transformar o conhecimento tácito em explícito, assim como
a possibilidade da realização de outros tipos de análises como, por exemplo, o de custos com a
realização de horas extras pelos maquinistas. A implementação de novas ferramentas e
metodologias resultariam em uma remodelagem do problema, com novas restrições, porém
sempre buscando manter o modelo atualizado de acordo com a realidade ou interesses da
empresa.
Por fim, deixa-se como sugestão o desenvolvimento de um sistema computacional (ou
aplicativo) de fácil utilização, em que o operador possa inserir dados de forma bem simples
 41

como, por exemplo, a quantidade e nome de cada maquinista para formalizar o período de
trabalho/folga/férias, dentre outros. Este sistema eliminaria a necessidade de se capacitar um
funcionário somente para esta atividade; caso fosse necessário, a empresa poderia contratar
especialistas nessa área de modelagem matemática para implementar novas restrições ou fazer
reajustes nas existentes.
 42

REFERÊNCIAS

BARBOZA, Angela Olandoski. Simulação e técnicas da computação evolucionária

aplicadas a problemas de programação linear inteira mista. 2005. 217 f. Tese (Doutorado
em Engenharia Elétrica e Informática Industrial) – Universidade Tecnológica Federal do
Paraná, Curitiba, 2005.

BELFIORE, P. FÁVERO, L. P. Pesquisa Operacional Para cursos de Engenharia – Rio de

Janeiro-RJ: Elsevier (2013).

BIEMBENGUT, Maria Sallet; HEIN, Nelson. Modelagem Matemática no ensino. São

Paulo: Contexto, 2003.

BOTACIM, R. S. et al. Pesquisa Operacional: a comparação de dois métodos para resolução

de um problema de programação linear. Perspectivas Online: Exatas & Engenharia, v. 09, n.
24, p. 19-33, 2019. Disponível em:
https://www.researchgate.net/publication/333791135_pesquisa_operacional_a_comparacao_d
e_dois_metodos_para_resolucao_de_um_problema_de_programacao_linear. Acesso em 22
abr. 2021.

CAPRARA, Alberto et al. Algorithms for railway crew management. Mathematical

programming, v. 79, n. 1-3, p. 125-141, 1997.

CONSTANTINO, A. A. Otimização de escala de trabalho para condutores de trem:

sequenciamento de tarefas e alocação baseada em preferência declarada. 1997. 154 f. Tese
(Doutorado em Engenharia de Produção) - Universidade Federal de Santa Catarina, Centro
Tecnológico, Florianópolis, 1997.

ERNST, Andreas T. et al. An integrated optimization model for train crew management.
Annals of Operations Research, v. 108, n. 1-4, p. 211-224, 2001.

ERNST, A. T.; JIANG, H.; KRISHNAMOORTHY, M.; SIER, D. Staff scheduling and
rostering: A review of applications, methods and models. European Journal of Operational
Research, v. 153, n. 1, p. 3–27, fev. 2004.

ESCRIVAO, G., Silva, S. L. Teoria da criação do conhecimento de Nonaka: aplicações e

limitações em outros contextos organizacionais. XXXI Encontro Nacional de Engenharia
de Produção. Belo Horizonte, Minas Gerais, out. 2011.

FIGUEIREDO, C. C. C., Neto, A. R. P. Desenvolvimento de um modelo de programação

linear inteira para a determinação de escalas de trabalho em uma empresa distribuidora
de combustíveis. XXIV Simpósio de Engenharia de Produção. Bauru, São Paulo, nov. 2017.

FONSECA, João José Saraiva. Metodologia da Pesquisa Científica. Fortaleza: Universidade

Estadual do Ceará, 2002. Apostila.

GIL, Antonio Carlos. Como Elaborar Projetos de Pesquisa. 5. ed. São Paulo: Atlas, 2010.

GOLDBARG, M. C., LUNA, H. P. L. Otimização Combinatório e Programação Linear.

Modelos e Algoritmos. Editora Campus, Rio de Janeiro, Brasil, 2000.
 43

GONÇALVES, Rodrigo Almeida. Sistemas inteligentes para planejamento de escalas de

equipagens em sistemas de transporte: aplicação a sistemas ferroviários. 2000. 104p. Tese
(doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de
Computação, Campinas, SP.

LOBATO, R. D. Algoritmos para Problemas de Programação Não-Linear com Variáveis

Inteiras e Contínuas. Dissertação de Mestrado, Universidade de São Paulo, São Paulo, 2009.

MAZIOLI, F. C. Planejamento da designação de maquinistas a trens de viagem de longa

distância em ferrovias de transporte de carga. 2019. 58f. Dissertação (Pós-Graduação em
Engenharia Civil), Centro Tecnológico, Universidade Federal do Espírito Santo, Vitória,
2019.

MINAYO, Maria. C. S. Ciência, técnica e arte: o desafio da pesquisa social. In: MINAYO,
Maria. C. S (Org.). Pesquisa social: teoria, método e criatividade. Petrópolis, RJ: Vozes,
2001. p. 09-29.

MOREIRA, D. A. Pesquisa Operacional: curso introdutório. 2. ed. revista e atualizada. São

Paulo: Cengage Learning, 2017.

PRODANOV, C. C.; FREITAS, E. C. Metodologia do trabalho científico: métodos e

técnicas de pesquisa e do trabalho acadêmico. Novo Hamburgo: Feevale, 2013.

ROSSETTI, A. C.; CARQUI, L. M. Implantação de sistema informatizado para

planejamento, gerenciamento e otimização das escalas de enfermagem. Acta paul.
enferm., v. 22, n. 3, p. 83–88, 2009.

SAMPAIO, Tadeu Cincurá de A. S. A importância da metodologia da pesquisa para a

produção de conhecimento científico nos cursos de pós-graduação: a singularidade textual dos
trabalhos científicos jurídicos. Revista do Programa de Pós-Graduação em Direito da
Universidade Federal da Bahia. Bahia, v. 23, n. 25, 2013. Disponível em:
https://portalseer.ufba.br/index.php/rppgd/article/view/12368/8773. Acesso em: 29 jun. 2021.

SILVA, C. M. P. et al. Estudo comparativo entre o método simplex e o método evolutionary

para a otimização de rotas de distribuidores na cidade de São José do Rio Preto - SP. Revista
Interface Tecnológica, v. 15, n. 2, p. 265-275, dez. 2018. Disponível em:
https://revista.fatectq.edu.br/index.php/interfacetecnologica/article/view/489/316. Acesso em:
22 abr. 2021.

SILVA, R. R. D. et al. Uso da programação linear na otimização de processos dentro da

indústria de alimentos. Revista Desafios, Palmas, v. 6, n. 1, p. 24-31, jun./2019. Disponível
em: https://sistemas.uft.edu.br/periodicos/index.php/desafios/article/view/6849/15279. Acesso
em: 22 abr. 2021.

TAHA, H. A. Pesquisa operacional: uma visão geral. 8. ed. São Paulo: Pearson Prentice
Hall, 2008.

TOLENTINO, Gilmar. Programação linear inteira aplicada ao aproveitamento do

palhiço da cana-de-açúcar. 2007. xvii, 70 f. Dissertação (mestrado) - Universidade Estadual
 44

Paulista, Faculdade de Ciências Agronômicas, 2007. Disponível em:

<http://hdl.handle.net/11449/90666>.

TOMAZELLA, Caio Paziani. Novos limitantes inferiores para o método branch-and-

bound na solução de problemas flowshop permutacional. 2019. Dissertação (Mestrado em
Processos e Gestão de Operações) - Escola de Engenharia de São Carlos, Universidade de São
Paulo, São Carlos, 2019. doi:10.11606/D.18.2019.tde-13062019-102723. Acesso em: 2021-
03-29.

Estrada de Ferro Vitória a Minas completa 111 anos sobre os trilhos. Vale, 2005. Disponível
em: <http://www.vale.com/brasil/PT/aboutvale/news/Paginas/estrada-ferro-vitoria-minas-
completa-111-anos-sobre-trilhos.aspx>. Acesso em: 15 de mar. de 2021.

VIEIRA, C. L.; PIMENTEL, C. E.; MAYERLE, S. F.; LUNA, M. M. Determinação de

escalas de trabalho de funcionários de restaurantes considerando preferências. Produção
em Foco, Joinville, Santa Catarina. v. 6, n. 1, 23 mar. 2016.

VIRGILLITO, S. B. Pesquisa Operacional. São Paulo: Saraiva, 2017.

YU, G.; Arguello, M.; Song, G.; McGowan, S. M.; White, A. A New Era for Crew Recovery
at Continental Airlines, Interfaces, 33(1): 5-22, Jan.-Fevb. 2003.

ZANETTI, M. F. V.; JÚNIOR, O. S. S. Programação de escala de maquinistas para uma

ferrovia de carga geral: uma revisão da literatura. XIX Simpósio de pesquisa operacional e
logística da marinha, Rio de Janeiro, nov. 2019.