Clculo de Paletizao RESUMO Neste artigo apresentamos mtodos exatos, baseados em relaxaes Lagrangiana e surroga te, com bom

desempenho para resolver o problema de carregamento de paletes do pr odutor. Este problema consiste em arranjar ortogonalmente e sem sobreposio o mximo nmero de retngulos de dimenses (l,w) ou (l,w) sobre um retngulo maior (L,W). Os mtodo s propostos so procedimentos de busca em rvore do tipo branch and bound que, em ca da n, utilizam limitantes derivados de relaxaes Lagrangiana e/ou surrogate de uma f ormulao de programao linear 0-1. Algoritmos de otimizao do subgradiente so usados para otimizar estes limitantes. So aplicados ainda testes de reduo do problema e heurstic as Lagrangiana e surrogate para se obter boas solues factveis na otimizao do subgradi ente. Testes computacionais foram realizados utilizando exemplos da literatura e exemplos reais de uma transportadora. Os resultados mostram que um dos mtodos pr opostos competitivo com outros mtodos da literatura, incluindo o software GAMS/CP LEX. Palavras-chave: problema de carregamento de paletes do produtor; relaxao Lagrangia na e/ou surrogate; mtodo branch and bound; otimizao do subgradiente. ________________________________________ ABSTRACT In this paper we present exact methods, based on Lagrangean and surrogate relaxa tions, with good performance to solve the manufacturer's pallet loading problem. This problem consists of orthogonally arranging the maximum number of rectangle s of sizes (l,w) or (l,w) into a larger rectangle (L,W) without overlapping. The proposed methods involve a branch and bound based tree search procedure for whi ch the bounds, in each node of the tree, are derived from Lagrangean and/or surr ogate relaxations of a 01 linear programming formulation. Subgradient optimizatio n algorithms are used to optimize such bounds. Problem reduction tests and Lagra ngean and surrogate heuristics are also applied to obtain good feasible solution s in the subgradient optimization. Computational experiments were performed with instances of the literature and actual instances of a carrier. The results show that one of the proposed methods is competitive with methods found in the liter ature, including the software GAMS/CPLEX. Keywords: manufacturer's pallet loading problem; Lagrangean and/or surrogate rel axation; branch and bound method; subgradient optimization. ________________________________________ 1. Introduo Este trabalho trata de um caso particular dos problemas de corte e empacotamento , denominado problema de carregamento de paletes do produtor (PCP do produtor), o qual classificado como 2/B/O/C (bidimensional, seleo de itens, nico objeto, itens iguais), de acordo com a tipologia de Dyckhoff (1990). Basicamente, este proble ma consiste em arranjar sem sobreposio o mximo nmero de retngulos de dimenses (l,w) ou (w,l) (faces inferiores das caixas) sobre um retngulo maior (L,W) (superfcie do p alete). Admitimos que as caixas esto disponveis em grandes quantidades e devem ser arranjadas ortogonalmente, isto , com seus lados paralelos aos lados do palete. Estes arranjos de caixas formam camadas que so ento empilhadas sobre o palete. Dev ido escala e extenso de certos sistemas logsticos, um pequeno aumento do nmero de p rodutos carregados sobre cada palete pode resultar em economias substanciais. Discusses sobre as vantagens da paletizao de carga podem ser encontradas, por exemp lo, em Sobral (1996), Novamad Pallets (2004) e Interlogis (2004). O PCP do produ tor importante nas atividades logsticas de armazenagem e transporte de produtos e mbalados em caixas e carregados sobre paletes e caminhes (Morabito et al., 2000). Ele pode ser aplicado para apoiar decises tanto num nvel mais estratgico (por exem plo, o projeto ou a escolha de paletes mais adequados, o desenvolvimento de emba lagens para produtos), quanto num nvel mais operacional (por exemplo, a gerao de pa dres de carregamento para armazenagem e distribuio). Alm disso, o PCP do produtor NP -difcil do ponto de vista de complexidade computacional, o que implica que provav elmente no deve existir um algoritmo polinomial capaz de resolv-lo (Tarnowski et a l., 1994; Nelissen, 1994; Letchford & Amaral, 2001; Martins, 2002). Poucos autores propuseram mtodos exatos para resolver o PCP do produtor, entre el es, Dowsland (1987), Tsai et al. (1993) e Bhattacharya et al. (1998) (este ltimo

mtodo nem sempre vlido, conforme mostrado em Martins, 2002). Dowsland (1987) apres entou um algoritmo que consiste em encontrar o mximo conjunto estvel de um grafo, representando o carregamento do palete. O algoritmo funciona bem para problemas em que o nmero de caixas por camada no grande, por exemplo, menor que 30, o que ne m sempre corresponde aos casos prticos. Tsai et al. (1993) formularam o PCP do pr odutor como um modelo 0-1 com restries disjuntivas, e sugeriram resolv-lo por algor itmos do tipo branch and bound explorando a estrutura particular do modelo. Porm, o nmero destas restries cresce exponencialmente com o nmero de caixas disponveis. Ne nhum destes trabalhos apresentou extensivos experimentos computacionais com seus mtodos, o que dificulta a comparao com outros mtodos. Devido dificuldade com os mtodos exatos, diversas heursticas tm sido propostas na l iteratura para resolver o PCP do produtor. Exemplos podem ser encontrados em Ste udel (1979), Smith & De Cani (1980), Bischoff & Dowsland (1982), Dowsland (1993) , Nelissen (1994, 1995), Arenales & Morabito (1995), Scheithauer & Terno (1996), Herbert & Dowsland (1996), Scheithauer & Sommerweiss (1998), Morabito & Morales (1998, 1999), Farago & Morabito (2000), G & Kang (2001), Martins (2002), Lins e t al. (2003), Pureza & Morabito (2003, 2006), Alvarez-Valdes et al. (2005a) e Bi rgin et al. (2005). Lins et al. (2003) apresentaram uma abordagem explorando par ties na forma de um L, e conjeturaram que ela exata para o PCP do produtor. A desv antagem desta abordagem o relativamente grande requisito de tempo computacional, o que foi atenuado no estudo recente em Birgin et al. (2005). Limitantes superi ores para o PCP do produtor foram estudados em Nelissen (1995), Letchford & Amar al (2001), Morabito & Farago (2002) e Martins (2002). Neste trabalho, modelamos o PCP do produtor como um problema inteiro , similarme nte a Farago & Morabito (2000). O modelo pode ser visto como um caso particular do modelo proposto em Beasley (1985) para o problema mais geral de corte 2/B/O/M (bidimensional, seleo de itens, nico objeto, vrios itens diferentes). Apresentamos mtodos exatos baseados na aplicao de relaxaes Lagrangiana e/ou surrogate e, para otim izar os limitantes superiores, utilizamos procedimentos de otimizao do subgradient e. Testes de reduo do problema e heursticas Lagrangiana e surrogate so aplicados na otimizao do subgradiente para otimizar os limitantes inferiores (solues factveis). Um procedimento enumerativo de busca em rvore usado para a obteno da soluo tima do prob ema. Heursticas construtivas tambm so exploradas para melhorar os limitantes inferi ores, alm do uso de outros limitantes superiores disponveis na literatura para o P CP do produtor. Os resultados computacionais foram realizados utilizando exemplo s da literatura e exemplos reais de uma empresa transportadora. importante observar que o trabalho de Beasley (1985) analisa somente o uso de re laxao Lagrangiana combinada com relaxao surrogate (LAGSUR), e no reporta resultados u tilizando apenas relaxao Lagrangiana (LAG) ou apenas relaxao surrogate (SUR). Alm dis so, o trabalho trata do problema de corte mais geral, os limitantes obtidos para tal problema no so apertados e os resultados mostram que a abordagem produz bons resultados apenas para problemas de tamanhos moderados (similarmente para o trab alho de Hadjiconstantinou & Christofides, 1995). O trabalho de Farago & Morabito (2000) aplica LAG e LAGSUR no PCP do produtor e utiliza uma heurstica Lagrangian a para encontrar boas solues factveis na otimizao do subgradiente. No entanto, no inco rpora a otimizao do subgradiente em uma rvore de busca e por isso o mtodo no tem gara ntia de otimalidade. O presente trabalho pode ser visto como uma extenso do traba lho de Farago & Morabito (2000). Nossa motivao avaliar o desempenho de mtodos exato s baseados em LAG, SUR e LAGSUR para tratar o PCP do produtor. O artigo est organizado da seguinte maneira: na seo 2 apresentamos uma formulao do PC P do produtor adaptada de Beasley (1985), e na seo 3 discutimos limitantes superio res e apresentamos as aplicaes de LAG, SUR e LAGSUR para o problema. Na seo 4 discut imos tcnicas de reduo do problema e apresentamos heursticas Lagrangiana e surrogate para melhorar os limitantes inferiores. Na seo 5 detalhamos o procedimento de busc a em rvore do tipo branch and bound. Na seo 6 os desempenhos dos mtodos LAG, SUR e L AGSUR so analisados e comparados em diversos experimentos com exemplos da literat ura e exemplos reais de uma transportadora. Os resultados mostram que o mtodo LAG competitivo com outros mtodos da literatura, incluindo o software GAMS/CPLEX. Fi nalmente, a seo 7 apresenta as concluses e perspectivas para pesquisa futura. 2. Formulao do Problema

O PCP do produtor pode ser modelado como um programa inteiro 01 (Farago & Morabit o, 2000), o qual um caso particular do modelo proposto em Beasley (1985) para o problema de corte bidimensional no-guilhotinado. Admitimos que L, W, l e w so nmero s inteiros, e que l > w e l < {L,W}. Por simplicidade, definimos (l1,w1)=(l,w) e (l2,w2)=(w,l), assim (li,wi), i=1,2, correspondem ao comprimento e largura da f ace de uma caixa com orientao i. O problema consiste em encontrar um arranjo de ca ixas em camadas horizontais (padro de carregamento bidimensional) tal que a utili zao da superfcie do palete seja a mxima possvel. Sejam P e Q o nmero mnimo e o mximo de caixas por camada, respectivamente, a serem colocadas sobre o palete (0< P< Q). Adotamos um sistema de coordenadas cartesian as com origem no canto inferior esquerdo do palete. Sabemos que as caixas podem ser colocadas em vrias posies ao longo do comprimento L e largura W do palete. Seja m e X = {p|0 < p <L - w, inteiro} e Y = {q|0 < q< W -w, inteiro}, os conjuntos d as coordenadas (p,q), respectivamente, para se colocar o canto inferior esquerdo da face de uma caixa dentro do palete. Sem perda de generalidade, podemos restr ingir os conjuntos X e Y para os conjuntos normais (Christofides & Whitlock, 197 7):

Definimos a funo a para descrever restries de sobreposio de caixas sobre o palete, e q ue pode ser computada com antecedncia para cada posio (p,q), cada posio (r,s) e cada orientao i, com p X tal que p< L li, q Y tal que q< W wi e r X, s Y, e i=1,2 (Figur ): Note que indica que aipqrs=1 coordenada (r,s) fica ocupada, ao se colocar uma ca ixa com orientao i na coordenada (p,q) do palete. Para todo p X tal que p< Lli, q Y tal que e q< W wi e i=1,2, definimos a varivel de deciso xipq : O PCP do produtor pode ento ser formulado pelo seguinte problema linear 0 - 1: sujeito a: A funo objetivo maximiza o nmero de caixas colocadas sobre o palete. Note que a res trio garante que cada posio (r,s) seja ocupada por no mximo uma caixa e, desta maneir a, evita sobreposio no arranjo de caixas (Figura 1). A restrio garante que o nmero de caixas arranjadas esteja dentro do intervalo [P,Q]. Em geral temos P=0 e Q um l imitante superior para o problema. Em certos casos a restrio pode ser reescrita co mo: para todo i, para impor limitantes para o nmero de caixas arranjadas em cada orie ntao i. Isto pode ser til para gerar padres mais estveis do ponto de vista da amarrao a carga. O problema - envolve O(|X||Y|) variveis e restries, o que o torna em geral difcil de ser resolvido otimamente nos casos prticos, dependendo do tamanho dos c onjuntos X e Y. Estes conjuntos podem ser ainda mais reduzidos, usando o conceit o de raster points (para mais detalhes, veja Scheithauer & Terno, 1996; Morabito & Morales, 1998): Outras formulaes para o PCP do produtor podem ser encontradas em Tsai et al. (1993 ), Hadjiconstantinou & Christofides (1995) e Martins (2002) (o modelo de Hadjico nstantinou & Christofides (1995) nem sempre vlido, conforme mostrado em Amaral & Letchford, 1999). No presente trabalho, a escolha do modelo (1)-(4) deveu-se s ex perincias anteriores da literatura com LAGSUR para o problema de corte mais geral (Beasley, 1985) e com LAG e LAGSUR para o PCP do produtor (Farago & Morabito, 2 000), e o fato dos limitantes superiores obtidos com as relaxaes linear, LAG e LAG SUR deste modelo para o PCP do produtor serem bem apertados (Letchford & Amaral, 2001; Morabito & Farago, 2002). 3. Limitantes Superiores e Relaxaes Lagrangiana e Surrogate Diversos limitantes superiores para o problema (1)-(4) so encontrados na literatu ra (Nelissen, 1995; Letchford & Amaral, 2001; Morabito & Farago, 2002; Martins, 2002). O mais simples e intuitivo o limitante da razo da rea, definido por LW/lw . Ou

tros limitantes so o de Barnes (1979) e de exemplos equivalentes (usando a noo de p arties eficientes), dado por: L*W*/lw , onde L* = max{x|x= rl+sw< L,r,s > 0, inteiro} (similarmente para W*). Limitantes mais apertados para o PCP do produtor so obti dos com a relaxao linear do problema (1)-(4) e as relaxaes discutidas abaixo. 3.1 Relaxao Lagrangiana (LAG) A relaxao Lagrangiana (LAG) tal como conhecida hoje foi introduzida por Held & Kar p (1970, 1971). Para mais detalhes de LAG, os leitores podem consultar, por exem plo, Nemhauser & Wolsey (1988) e Reeves (1993). Introduzindo os multiplicadores de Lagrange rs (>0) para todo r X e todo s Y da expresso (2), obtemos o seguinte probl ema Lagrangiano do limitante superior: sujeito a: onde . Sejam representando os valores das variveis {xipq} na soluo do problema Lag rangiano (5)-(7), com valor dado por:

Note que ZUB corresponde a um limitante superior para o valor timo do problema or iginal (1)-(4), para quaisquer { rs} no negativos. Dados { rs}, o problema (5)-(7) po de ser facilmente resolvido por inspeo. Seja n o nmero de variveis xipq com valores Vipq estritamente positivos: Se n> Q, ento escolha as Q variveis com maiores valores Vipq, e fixe-as em 1. Se P< n < Q, ento escolha as n variveis com maiores valores Vipq, e fixe-as em 1. Se n < P, ento escolha as P variveis com maiores valores Vipq, e fixe-as em 1. As demais variveis so fixadas em 0. O problema Lagrangiano (5)-(7) possui a propriedade de integralidade, uma vez qu e, dados { rs}, sua soluo no se altera ao trocarmos a restrio de integralidade xipq {0, } por sua relaxao linear 0 < xipq< 1 (note que todos os coeficientes de (6) so igua is a 1, e P e Q so nmeros inteiros). Isto implica que o melhor limitante superior produzido pelo problema dual Lagrangiano:

para o problema (1)-(4) no melhor do que o limitante superior obtido pela relaxao l inear de (1)-(4). Para resolver o problema dual Lagrangiano utilizado o mtodo de otimizao do subgradiente (Camerini et al., 1975; Crowder, 1976; Beasley, 1985; Far ago & Morabito, 2000), resumido a seguir (o algoritmo em pseudo-cdigo est apresent ado em Oliveira, 2004): Passo 1: Gere uma soluo factvel, por exemplo, a soluo homognea com todas as cai xas arranjadas sob a mesma orientao. Faa ZLB igual ao valor desta soluo homognea. Seja ITMAX o mximo nmero de iteraes e faa it = 0. Fixe rs para todo s Y, e todo r X, como v res iniciais para os multiplicadores. Passo 2: Resolva o problema Lagrangiano - com o conjunto de multiplicador es atual, obtendo a soluo {Xipq} e valor ZUB. Faa it = it +1. Passo 3: Teste de factibilidade: se a soluo Lagrangiana factvel para o probl ema original (1)-(4), ento atualize ZLB, o limitante inferior para o problema, co rrespondendo a uma soluo factvel. Atualize o menor limitante superior Zmin com ZUB. Passo 4: Teste de otimalidade: pare se Zmin = ZLB; caso contrrio, v para o Passo 5. Passo 5: Calcule os subgradientes: , para todo (r,s) (X,Y). Passo 6: Defina o tamanho do passo t por: onde 0 < f < 2, e atualize os multiplicadores de Lagrange por: rs= max(0, rs +tGrs), para todo (r,s) (X,Y). Passo 7: Se it = ITMAX, pare; caso contrrio, v para o Passo 2. Algumas variaes deste algoritmo podem ser encontradas na literatura. Por exemplo, Camerini et al. (1975) sugeriram modificaes na atualizao do tamanho do passo em cada iterao m(tm). Na primeira iterao o tamanho dado por um valor fixo (t1 =10-5) e nas demais iteraes, (tm) definido pela expresso a seguir (note que os subgradientes uti lizados dependem dos subgradientes das iteraes anteriores): onde:

Em Reeves (1993) sugerido que uma boa prtica para a convergncia do procedimento de otimizao do subgradiente ajustar os subgradientes antes do clculo do tamanho do pa sso (t) (durante o Passo 5), usando Grs=0 sempre que Grs< rs=0 e (veja tambm Lucen a, 2004). Ou seja, se a restrio (2) no est violada (isto , Grs< rs) na iterao corrent e no possui multiplicador associado no nulo (isto , rs>0), seu gradiente desconsider ado, fixando-o em zero (Passo 5). Com isso, Grs no contribui no clculo do tamanho do passo t (Passo 6). 3.2 Relaxao surrogate (SUR) A relaxao surrogate (SUR) foi introduzida por Glover (1965, 1968). Para mais detal hes de SUR, os leitores podem consultar, por exemplo, Greenberg & Pierskalla (19 70), Glover (1975) e Karvan & Rardin (1979). Introduzindo os multiplicadores sur rogate rs>0 para todo r X e todo s Y da expresso (2) e aplicando SUR nesta expresso, ob temos o seguinte problema surrogate (relaxado): sujeito a: onde (por convenincia, usamos a mesma notao anterior Vipq). Note que Vipq sempre no negativo, dado que rs>0. Dados { rs}, o modelo (8)-(11) resulta em um problema 01 c om coeficientes reais fcil de se resolver por inspeo, pois os coeficientes da funo ob jetivo so todos iguais a 1. Seja n o nmero de variveis xipq: Se n>Q, ento escolha as Q variveis com menores valores Vipq, no ultrapassando o val or de , e fixe-as em 1. Se ultrapassar este limite, escolha o maior nmero possvel de variveis com menores valores Vipq no ultrapassando o limite, e fixe-as em 1. Se P<n<Q, ento escolha as n variveis com menores valores Vipq, no ultrapassando o va lor de , e fixe-as em 1. Se ultrapassar este limite, escolha o maior nmero possve l de variveis com menores valores Vipq no ultrapassando o limite, e fixe-as em 1. Se n<P, ento escolha as P variveis com menores valores Vipq, no ultrapassando o valo r de , e fixe-as em 1. Se ultrapassar este limite o problema infactvel (isto nun ca ocorre se P for definido como um limitante inferior para o problema). As demais variveis so fixadas em 0. No encontramos um contra-exemplo do PCP do produtor (usando P = 0 e Q como um lim itante de Barnes ou de exemplos equivalentes, definidos no incio da seo 3), mostran do que o problema surrogate (8)-(11) no satisfaz a propriedade de integralidade. Tambm no encontramos, ao longo dos experimentos computacionais apresentados na seo 6 , um contra-exemplo cujo limitante gerado pela relaxao surrogate fosse melhor do q ue o limitante gerado pela relaxao Lagrangiana. Isto sugere que o melhor limitante superior produzido pelo problema dual surrogate:

para o problema (1)-(4) no deve ser melhor do que o limitante superior obtido pel a relaxao linear de (1)-(4). Para resolver o problema dual surrogate pode ser util izado o mtodo de otimizao do subgradiente, porm, no h garantia terica de convergncia lvo et al., 2000). Mtodos com garantia de convergncia esto discutidos em Banerjee (1 971), Dyer (1980) e Sarin et al. (1987), mas, devido s suas complexidades e dific uldades de implementao, esto alm do escopo deste trabalho. O procedimento de otimizao do subgradiente para a resoluo do problema (8)-(11) simil ar ao da seo 3.1, trocando-se o problema Lagrangiano (5)-(7) pelo problema surroga te (8)-(11), com algumas adaptaes nos Passos 1 e 6 descritos a seguir: Passo 1: Gere uma soluo factvel, por exemplo, a soluo homognea com todas as cai xas arranjadas sob a mesma orientao. Faa ZLB igual ao valor desta soluo homognea. Seja ITMAX o mximo nmero de iteraes e faa it = 0. Fixe rs=1 para todo r X e s Y, como valor iniciais para os multiplicadores. Passo 6: Defina o tamanho do passo t por: onde 0 < f < 2, e atualize os multiplicadores surrogate por: 3.3 Relaxao Lagrangiana surrogate (LAGSUR) Beasley (1985) utilizou as duas restries surrogate apresentadas abaixo, obtidas pe la soma de todos os comprimentos possveis r X (usando r=1) da restrio (2), e todas as larguras possveis s Y (usando r=1) da restrio (2):

Substituindo no problema (1)-(4) a restrio (2) pelas restries surrogate (12) e (13), e introduzindo os multiplicadores de Lagrange gs(>0) para todo s Y em (12) e hr( >0) para todo r X em (13), obtemos o seguinte problema Lagrangiano do limitante s uperior (com relaxao surrogate). Note agora que temos apenas |X|+|Y| multiplicador es, ao invs de |X||Y| multiplicadores como no problema (5)-(7). sujeito a: onde (por convenincia, novamente usamos a mesma notao anterior Vipq ). Sejam {Xipq } representando os valores das variveis {xipq} na soluo do problema Lagrangiano (14 )-(16), com valor dado por: Note que ZUB corresponde a um limitante superior para o valor timo do problema (1 )-(4), para quaisquer {gs} e {hr} no negativos. Este limitante no melhor do que o limitante produzido pelo problema (5)-(7), uma vez que deriva de um problema Lag rangiano construdo a partir de restries surrogate (com r=1 e s=1). Por outro lado, ma is fcil de ser computado, dado que envolve um menor nmero de multiplicadores de La grange. Convm observar que esta LAGSUR diferente da relaxao Lagrangiana e surrogate utilizada em outros estudos da literatura como, por exemplo, em Lorena & Senne (1996) e Narciso & Lorena (1999). Assim como no problema (5)-(7), dados {gs} e {hr}, o problema (14)-(16) tambm pod e ser facilmente resolvido por inspeo. O mesmo procedimento anteriormente descrito para resolver o problema (5)-(7) tambm pode ser aqui aplicado. Para resolver o p roblema dual Lagrangiano (com relaxao surrogate): podemos utilizar o mtodo de otimizao do subgradiente, o qual similar ao da seo 3.1, t rocando-se o problema Lagrangiano (5)-(7) pelo problema (14)-(16), com pequenas modificaes nos Passos 1, 5 e 6, conforme Farago & Morabito (2000): Passo 1: Gere uma soluo factvel, por exemplo, a soluo homognea com todas as cai xas arranjadas sob a mesma orientao. Faa ZLB igual ao valor desta soluo homognea. Seja ITMAX o mximo nmero de iteraes e faa it = 0. Fixe gs = 0 para todo s Y, e hr = 0 para todo r X, como valores iniciais para os multiplicadores. Passo 5: Calcule os subgradientes: Passo 6: Defina o tamanho do passo t por:

onde 0 < f < 2, e atualize os multiplicadores de Lagrange por: gs=max(0,gs+tGs), para todo s Y, hr=max(0,hr+tHr), para todo r X. 4. Limitantes Inferiores e Heursticas Lagrangiana e Surrogate As solues dos problemas Lagrangiano e surrogate do limitante superior podem ser ut ilizadas na obteno de solues factveis (limitantes inferiores) para o problema (1)-(4) por meio de heursticas Lagrangiana e surrogate. possvel tambm reduzir o tamanho do problema por meio de tcnicas de reduo, tentando fixar, sem perda de generalidade, certas variveis em 0 ou 1. Tanto as heursticas Lagrangiana e surrogate, quanto s tcn icas de reduo, podem ser aplicadas no procedimento de otimizao do subgradiente. 4.1 Reduo do problema Em Farago & Morabito (2000) foram discutidas tcnicas de fixao de variveis (isto , xip q= 0 ou xipq= 1) em cada iterao do procedimento de otimizao do subgradiente, para re duzir o tamanho do problema. Estas tcnicas foram definidas para LAG e LAGSUR, mas podem ser estendidas tambm para SUR. Naquele trabalho foram realizados testes qu anto incluso ou no destas tcnicas de reduo para LAG e LAGSUR. Os autores concluem que melhor utilizar a reduo, dado que o esforo computacional de tentar fixar variveis a o longo das iteraes compensatrio. Desta forma, no presente trabalho estas tcnicas de reduo foram includas no procedimento de otimizao do subgradiente para LAG, SUR e LAG SUR. Para detalhes destas tcnicas, o leitor pode consultar Farago & Morabito (200 0) e Oliveira (2004). 4.2 Heurstica Lagrangiana O desempenho dos testes de reduo depende da qualidade do limitante inferior. Dessa forma, utilizamos o procedimento heurstico em Farago & Morabito (2000), que simp

les e relativamente eficaz para encontrar uma soluo factvel (limitante inferior) a partir de uma soluo do problema Lagrangiano. Por convenincia, descrevemos a seguir os passos desta heurstica Lagrangiana: Passo 1: Coloque todas as variveis fixadas em 1 pela reduo do problema na so luo da heurstica e retire-as da lista dos {Vipq}. Ordene os {Vipq} restantes de for ma decrescente e forme uma lista F com as variveis xipq correspondentes aos Vipq. Passo 2: Pare se a lista F estiver vazia, caso contrrio, coloque na soluo he urstica a primeira varivel da lista F, e retire-a dessa lista. Passo 3: Teste a factibilidade da soluo heurstica em questo. Se for factvel, m antenha a varivel correspondente na soluo; caso contrrio, desconsidere-a e volte par a o Passo 2. Ao trmino deste procedimento, podemos estar com uma soluo factvel melhor que as das iteraes anteriores. Neste caso, atualizamos o limitante inferior ZLB do problema ( 1)-(4). A otimalidade desta soluo testada no decorrer do mtodo de otimizao do subgrad iente. Consideramos tambm um procedimento de melhoria na heurstica Lagrangiana apresentad a acima. A idia deste procedimento consiste em modificar a soluo atual obtida com o objetivo de se encontrar uma melhor soluo. Inicialmente, ordena-se a soluo corrente de forma decrescente (ou seja, consideramos primeiramente todas as variveis fixa das em 1). Em seguida, desconsideramos uma varivel da soluo ordenada e aplicamos no vamente a heurstica Lagrangiana, na tentativa de se obter uma soluo melhor que a an terior. Este procedimento repetido para cada varivel fixada em 1 na soluo corrente. No caso de termos um grande nmero de variveis presentes na soluo, estipula-se um nme ro mximo de repeties deste procedimento (por exemplo, apenas para as primeiras m va riveis fixadas em 1). 4.3 Heurstica surrogate Utilizamos um simples procedimento heurstico, muito similar ao da seo 4.2, para enc ontrar uma soluo factvel (limitante inferior) a partir de uma soluo do problema surro gate. A nica diferena em relao heurstica Lagrangiana est no Passo 1, descrito abaixo: Passo 1: Coloque todas as variveis fixadas em 1 pela reduo do problema na so luo da heurstica e retire-as da lista dos {Vipq}. Ordene os {Vipq} restantes de for ma crescente e forme uma lista F com as variveis xipq correspondentes aos Vipq. Ao trmino deste procedimento, podemos estar com uma soluo factvel melhor que as das iteraes anteriores. Neste caso, atualizamos o limitante inferior ZLB. A otimalidad e desta soluo testada no decorrer do mtodo de otimizao do subgradiente. Assim como a heurstica Lagrangiana, a heurstica surrogate aplicada em cada iterao do procedimento de otimizao do subgradiente. 5. Busca em rvore No final do procedimento de otimizao do subgradiente, o menor limitante superior ( Zmin) e o mximo limitante inferior (ZLB) correspondente a uma soluo factvel podem no coincidir e, para resolver este problema, aplicamos o mtodo branch and bound (Nem hauser & Wolsey, 1988). O problema resolvido utilizando uma busca em rvore binria em que, em cada n da rvore, computado um limitante superior das relaxaes Lagrangiana e/ou surrogate. Em cada n da rvore aplicado o procedimento de otimizao do subgradie nte e, se em qualquer iterao do procedimento, obtivermos Zmin= ZLB, ento o problema resolvido otimamente. O conjunto inicial de multiplicadores de cada n o conjunto associado com o melhor limitante superior encontrado no n predecessor da rvore. Durante cada iterao do mtod o de otimizao do subgradiente, aplicada a heurstica Lagrangiana ou surrogate (sees 4. 2 e 4.3) para gerar solues factveis para o problema original (1)-(4), a partir da s oluo obtida para o problema Lagrangiano e/ou surrogate (modelos LAG (5)-(7), SUR ( 8)-(11) e LAGSUR (14)-(16)). Tambm aplicada a tcnica de reduo do problema mencionada na seo 4.1 para tentar fixar, sem perda de generalidade, alguma varivel em 0 ou 1, e, desta maneira, reduzir o tamanho do problema (1)-(4). Os critrios para sondagem do mtodo branch and bound para os ns da rvore so: otimalida de, infactibilidade e valor de dominncia. No caso de encontrarmos uma soluo factvel Zmin > ZLB com devemos fazer a diviso (branch) do n e teremos ento dois novos subpr oblemas a serem resolvidos, ou seja, um novo n esquerda e outro direita. Neste ca so, selecionamos uma varivel e esta ser fixada com valor igual a 1 no n da esquerda e valor igual a 0 no n da direita. O n da esquerda considerado primeiro do que o

da direita; assim, ao fazermos a sondagem de um n, exploramos primeiro o n da esqu erda. Intuitivamente, estamos interessados em colocar o mximo nmero de caixas em u m palete e, portanto, devemos explorar primeiro a possibilidade de se colocar ta is variveis na soluo do problema e avaliar se esta soluo vivel ou no. A seguir apresentado resumidamente o algoritmo do procedimento de busca em rvore implementado neste trabalho (Nemhauser & Wolsey, 1988). Este algoritmo est detalh ado em pseudo-cdigo em Oliveira (2004). Sejam: L lista de problemas inteiros (Pi) que devem ser investigados ou lista de ns abertos; Si conjunto das solues factveis do problema (Pi) pertencente a L; ZLB limitante inferior para o valor objetivo de P (soluo factvel); ZUB limitante superior para o valor objetivo de P (relaxao); Z Z valor da funo objetivo do problema P. Passo 1: Inicializao: forme uma lista L={P} (sendo P o problema (1)-(4)) co m os problemas ainda no resolvidos, . Passo 2: Teste de parada: se L= ento a soluo xi que assegura ZLB= Z a soluo t . Passo 3: Seleo do problema e relaxao: selecione e elimine um problema Pi de L . Resolva a relaxao do problema selecionado (RPi). Seja o valor timo da relaxao e se ja a soluo tima se existir. Passo 4: Sondagem: a) se < ZLB, v para o Passo 2; b) se Si, v para o Passo 5; c) se Si, faa Z= e se Z>ZLB, ento faa ZLB = Z , elimine de L todos os problemas c om < ZLB e v para o Passo 2. Passo 5: Diviso (branch): Seja {Sij}, j=1,2, a diviso de Si. Assim teremos dois novos subproblemas e devemos selecionar uma varivel e esta ser fixada com val or igual a 1 no n da esquerda e valor igual a 0 no n da direta. Esses novos subpro blemas (Pij), j=1,2, so includos na lista L onde = . Em seguida, v para o Passo 2. 5.1 Regras para escolha da varivel a ser fixada No Passo 5 do algoritmo de busca em rvore acima, devemos fazer a diviso dos ns (bra nching), ou seja, temos dois novos subproblemas e devemos selecionar uma varivel para ser fixada com valor igual a 1 no n da esquerda e valor igual a 0 no n da dir eta. As trs regras definidas abaixo foram testadas para escolher a varivel a ser f ixada na diviso dos ns. Nos experimentos realizados (seo 6), estas regras se comport aram melhor do que simplesmente escolher a varivel a ser fixada na diviso dos ns de forma aleatria, sem considerar nenhum critrio pr-definido, ou simplesmente escolhe r a varivel com maior valor Lagrangiano, ou seja, com maior Vipq para ser fixada em 0 ou em 1. Regra 1 (Beasley, 1985) Em qualquer n da rvore de busca, seja G={(i,p,q)} F |xipq 0} (onde F a lista com as variveis xipq correspondentes aos Vipq), isto , G o conjunto de posies onde ainda p ossvel colocar uma caixa, pois este conjunto no considera as posies (i,p,q) com xipq =1 ((i,p,q) F)e ainda, as posies (i,p,q) com xipq=0. Ento definimos, R=min (r|(i,r,s) G), S=min (s|(i,r,s) G) e VjRS = max(ViRS|(i,R,S) G) . A escolha da varivel a ser fixada em 0 e em 1 corresponde a colocar a caixa j no palete (L,W) com o seu canto inferior esquerdo em (R,S). Intuitivamente esta esc olha corresponde a colocar no palete (L,W) a caixa j com mximo valor Lagrangiano, que ento ser colocada na posio mais abaixo e mais a esquerda, ou seja, no ponto (R, S) formando um padro normalizado na busca em rvore. Podemos dizer que a escolha de ssas variveis nos d padres de empacotamento em camadas, pois as caixas so colocadas sempre de forma a encontrar os pontos com coordenadas mais abaixo e mais a esque rda e, desta maneira, as caixas so colocadas lado a lado sem espaos entre elas (ou com o mnimo espao). Ainda, ao ser considerado que xjRS=1 significa que devemos ter xipq=0 se existe um ponto (r,s) tal que ajRSrs+aipqrs=2. Isto porque, ao fixar a varivel xjRS=1, no podemos ter outra caixa no ponto (r,s), pois, neste caso, haver sobreposio das peas e assim devemos retirar tais variveis do problema, isto , considerar tais variveis como iguais a zero (xipq=0). Regra 2 (Reeves, 1993)

No procedimento de busca em rvore baseado no limitante de relaxao Lagrangiana (mode lo (5)-(7)), a regra de seleo da varivel a ser fixada a seguinte: 1. Seja ( , X)representando os multiplicadores e os valores das variveis assoc iados com o melhor limitante inferior encontrado no n que est sendo ramificado; 2. Considere o vetor de valor e escolha a restrio com maior valor absoluto n este vetor; 3. Selecione a seguir a varivel com maior valor Lagrangiano, ou seja, com ma ior Vipq. Regra 3 Estratgia utilizando o conceito de memria de longo prazo de busca tabu Utilizamos uma estratgia para a escolha da varivel que aplica o conceito de memria de longo prazo da meta-heurstica busca tabu. Nesta estratgia, consideramos a freqnci a com que as variveis aparecem na soluo do problema. A cada determinado nmero de ite raes (por exemplo, 5 ou 10 iteraes), escolhe-se uma varivel que tenha baixa freqncia ( or exemplo, freqncia menor que 0,35, ou seja, se a varivel escolhida apareceu em 35 % ou menos das solues nas iteraes anteriores) e ento esta varivel escolhida para ser ixada na diviso dos ns. A idia diversificar a soluo do problema, fazendo com que as v ariveis que tenham baixa freqncia faam parte da soluo. No restante das iteraes, utili os a regra 1 definida acima. Alguns autores recomendam aplicar um maior esforo computacional (maior nmero de it eraes na otimizao do subgradiente) no n inicial da rvore. Com isto a heurstica Lagrang ana tem maior chance de encontrar boas solues factveis, o procedimento de reduo tem m aior chance de reduzir o tamanho do problema e, ainda, a otimizao do subgradiente tem maior chance de encontrar melhores limitantes. Com respeito a inicializao dos multiplicadores de Lagrange e ao nmero de iteraes na otimizao do subgradiente, autore s tm sugerido (Reeves, 1993): (a) iniciar os multiplicadores de Lagrange em cada n da rvore com o conjunto associado com o melhor limitante superior encontrado no n predecessor da rvore; (b) executar 30 iteraes do subgradiente, com f (0 < f < 2) s endo dividido a cada 5 (ou 10) iteraes nos ns da rvore das ramificaes seguintes e, (c) duplicar ambos os parmetros (para 60 sendo dividido a cada 10 (ou 20)) nos ns da r vore associados com a sondagem. No presente trabalho, nos mtodos LAG, SUR e LAGSUR os multiplicadores de Lagrange e/ou surrogate so iniciados em cada n da rvore com o conjunto associado com o melh or (mximo) limitante superior encontrado no n predecessor da rvore, segundo a estra tgia apresentada acima. Ainda, na rvore de busca, para o clculo do limitante superi or foram utilizados os limitantes da Razo da rea e o de Barnes. O limitante inferi or pode ser iniciado com a soluo homognea com todas as caixas arranjadas na mesma d ireo, ou ainda com a heurstica de Morabito & Morales (1998), que relativamente simp les e efetiva. 6. Resultados Computacionais Nesta seo so descritos os resultados dos testes computacionais realizados com o obj etivo de avaliar o desempenho dos mtodos exatos LAG, SUR e LAGSUR. As implementaes foram codificadas em linguagem Pascal (compilador Delphi 5), e os testes foram r ealizados em um Pentium III 650 MHz. Nestes experimentos, admitimos no modelo (1 )-(4) que P = 0 e Q igual ao mnimo entre os limitantes de Barnes e de exemplos eq uivalentes (seo 3). 6.1 Resultados com Grupos 1 e 2 Inicialmente foram realizados diversos testes computacionais preliminares para s e verificar o desempenho de possveis variaes nos procedimentos de otimizao do subgrad iente e na busca em rvore dos mtodos LAG, SUR e LAGSUR. Em relao otimizao do subgradi nte consideramos: (i) utilizar ou no o mtodo de reduo do problema (seo 4.1), (ii) util izar ou no as heursticas Lagrangiana e surrogate (sees 4.2 e 4.3), (iii) utilizar ou no a melhoria da heurstica Lagrangiana (seo 4.2), (iv) utilizar ou no modificaes na a ualizao dos multiplicadores baseados na discusso da seo 3.1 (v) utilizar ou no modific aes propostas por Camerini et al. (1975) para clculo do tamanho do passo t (seo 3.1), e (vi) qual variao escolher para iniciar e reduzir o valor do parmetro f do tamanh o do passo t (seo 3.1). Com respeito a este ltimo item, investigamos iniciar este parmetro com f=2 ou f=1, sendo reduzido aps um determinado nmero de iteraes. Sete variaes foram exploradas par a reduzir o valor de f ao longo das iteraes: (i) dividir f a cada 60 iteraes, (ii) d ividir f a cada 30 iteraes, (iii) dividir f a cada 15 iteraes, (iv) dividir f a cada

60 iteraes se Zmin no diminuir nas ltimas 60 iteraes, (v) dividir f a cada 30 iterae e Zmin no diminuir nas ltimas 30 iteraes, e (vi) dividir f a cada 15 iteraes se Zmin n diminuir nas ltimas 15 iteraes, (vii) dividir f a cada |X||Y| iteraes se Zmin no dimi nuir nas ltimas iteraes at , ento dividir f a cada 30 iteraes se Zmin no diminuir nas mas 30 iteraes (conforme Farago & Morabito, 2000). Em relao ao procedimento de busca em rvore consideramos: (i) qual regra escolher pa ra a seleo da varivel a ser fixada na diviso dos ns (seo 5.1), (ii) executar ou no um ro maior de iteraes no n inicial da rvore (seo 5), (iii) utilizar ou no valores de mul iplicadores associados com o melhor limitante superior obtido no n predecessor da rvore (seo 5), (iv) utilizar ou no os conjuntos de raster points ao invs dos conjunt os normais (seo 2), e (v) utilizar ou no a heurstica construtiva de Morabito & Moral es (1998) para gerar bons limitantes inferiores iniciais (seo 5). Para viabilizar a realizao destes diversos testes preliminares, optamos por utiliz ar apenas dois grupos de exemplos com caractersticas diferentes. No primeiro grup o (subdivido nos Grupos 1A e 1B conforme Tabelas 1 e 2), escolhemos aleatoriamen te 20 exemplos do conjunto Cover I da literatura (Nelissen, 1993, 1994; Scheitha uer & Terno, 1996), que contm exemplos do PCP do produtor com soluo tima conhecida ( composta de at 50 caixas). O Grupo 1A contm 10 exemplos (L1-L10) que no tem gap ent re o valor da soluo tima e o valor da soluo da relaxao linear de -, enquanto o Grupo 1 contm 10 exemplos (L11-L20) que tem gap e, portanto, so mais desfavorveis para os mtodos aqui propostos. Nas tabelas abaixo, as colunas 2|X||Y| e 2|X'||Y'| represe ntam o nmero (aproximado) de variveis 01 envolvidas no modelo (1)-(4) usando os con juntos normais X e Y e os conjuntos de raster points X' e Y', respectivamente.

O segundo grupo de exemplos foi subdividido nos Grupos 2A e 2B conforme Tabelas 3 e 4. No Grupo 2A consideramos 9 exemplos (L21-L29) analisados em diversos arti gos, como Dowsland (1993), Nelissen (1994), Scheithauer & Terno (1996), Morabito & Morales (1998), Farago & Morabito (2000) e Pureza & Morabito (2006). Assim co mo o Grupo 1A, tais exemplos no tem gap entre o valor da soluo tima e o valor da rel axao linear de (1)-(4). Os 10 exemplos do Grupo 2B (L30-L39) foram analisados em L etchford & Amaral (2001) e, assim como o Grupo 1B, tem gap e, portanto so mais de sfavorveis para os mtodos aqui propostos. Todos os exemplos dos Grupos 1A, 1B, 2A e 2B tm soluo tima no-guilhotinada de primeira ordem (esta classificao foi definida em Arenales & Morabito (1995) e refere-se a padres no-guilhotinados mais simples).

Em relao otimizao do subgradiente, os resultados destes testes com os exemplos dos G rupos 1 e 2 apontaram para: (i) utilizar o mtodo de reduo do problema, (ii) utiliza r as heursticas Lagrangiana e surrogate, (iii) no utilizar a melhoria da heurstica Lagrangiana, (iv) no utilizar as modificaes na atualizao dos multiplicadores (seo 3.1) (v) no utilizar as modificaes propostas por Camerini et al. (1975) para clculo do t amanho do passo t, e (vi) iniciar o parmetro com f = 1 e dividi-lo a cada 30 iter aes. Em relao ao procedimento de busca em rvore, os resultados dos testes apontaram para : (i) utilizar a regra 1 para a seleo da varivel a ser fixada na diviso dos ns, (ii) no executar um nmero maior de iteraes no n inicial da rvore, (iii) utilizar os valores de multiplicadores associados com o melhor limitante superior obtido no n predec essor da rvore, (iv) utilizar os conjuntos de raster points ao invs dos conjuntos normais, e (v) utilizar a heurstica construtiva de Morabito & Morales (1998) para gerar bons limitantes inferiores iniciais. Por motivo de espao, a seguir apresentamos apenas alguns resultados destes testes . Os demais resultados encontram-se detalhados em Oliveira (2004). Convm salienta r que em todos estes testes o mtodo LAG em mdia superou os mtodos SUR e LAGSUR. Por exemplo, a Tabela 5 compara os resultados obtidos com os mtodos LAG, SUR e LAGSU R para os exemplos L1-L10 do Grupo 1A, iniciando com parmetro f = 2 e dividindo-o a cada 60 iteraes, utilizando os conjuntos normais e no utilizando a heurstica de M orabito & Morales (1998). A tabela apresenta as mdias do limitante superior (Zmin ) e do limitante inferior (ZLB) no n inicial da rvore para cada um dos mtodos. Aind a so apresentados os valores mdios da soluo tima (Z*), da soluo obtida em um tempo com

utacional limitado em 3 horas de processamento, do nmero de ns envolvidos na busca em rvore, e do tempo total (em minutos) gasto para se resolver o conjunto de exe mplos (computado apenas para os exemplos resolvidos em menos de 3 horas).

Podemos observar na Tabela 5 que entre os trs mtodos, o que apresentou melhores re sultados quanto ao valor da soluo tima e ao tempo computacional foi o mtodo LAG (lem bre-se que os tempos correspondem mdia apenas dos exemplos resolvidos em menos de 3 horas). O mtodo LAG conseguiu resolver todos os exemplos do Grupo 1A (indicado na tabela com um asterisco), diferente dos mtodos SUR e LAGSUR. Outros experimen tos foram realizados com os outros grupos, variando-se os parmetros da otimizao do subgradiente e da busca em rvore, e o mtodo LAG continuou apresentando desempenho superior aos mtodos SUR e LAGSUR. Uma vantagem do mtodo LAG sobre o mtodo LAGSUR o maior nmero de multiplicadores (|X||Y| ao invs de |X|+|Y|), o que implica em mais informaes sobre as restries do problema ao longo das iteraes da otimizao do subgradie . Com relao ao mtodo SUR, aparentemente ele no produz limitantes (do dual surrogate) melhores do que os limitantes do mtodo LAG (do dual Lagrangiano). Alm disso, a ot imizao do subgradiente para SUR no tem garantia de convergncia, conforme discusso na seo 3.2. A seguir apresentamos alguns resultados obtidos para os Grupos 1 e 2 comparando algumas das variaes descritas acima para a otimizao do subgradiente e a busca em rvor e do mtodo LAG. Outros resultados esto apresentados em Oliveira (2004). As tabelas apresentam a soluo obtida num tempo computacional mximo de 3 horas, iniciando com parmetro f = 1 e dividindo-o a cada 30 iteraes. Por ilustrao, as Tabelas 6 a 8 compar am o impacto de: (i) utilizar conjuntos normais ou conjuntos de raster points, e (ii) utilizar ou no a heurstica construtiva de Morabito & Morales (1998) para ger ar bons limitantes inferiores iniciais. A Tabela 7 mostra que, utilizando os con juntos de raster points, o mtodo LAG foi capaz de resolver todos os exemplos em t empos computacionais menores do que os apresentados na Tabela 6, especialmente p ara os Grupos 2A e 2B. Note tambm que o nmero de ns envolvidos na busca em rvore foi em mdia um pouco menor considerando os raster points. A Tabela 8 mostra que, uti lizando a heurstica de Morabito & Morales (1998), os tempos computacionais foram reduzidos nos problemas que no apresentam gap entre a soluo tima e a soluo de relaxao near (Grupos 1A e 2A). J para os Grupos 1B e 2B, os tempos computacionais foram a proximadamente mantidos, em relao aos mostrados na Tabela 7.

6.2 Resultados com Grupos 3 e 4 Tambm consideramos outros grupos de exemplos alm dos Grupos 1 e 2. O terceiro grup o de exemplos foi subdividido nos Grupos 3A e 3B conforme Tabelas 9 e 10. Os 16 exemplos do Grupo 3A (L40-L55) foram escolhidos aleatoriamente do conjunto Cover II da literatura (Nelissen, 1993, 1994; Scheithauer & Terno, 1996), que contm ex emplos do PCP do produtor com soluo tima conhecida (composta de 51 a 100 caixas). T odos os exemplos do Grupo 3A tm soluo tima no-guilhotinada de primeira ordem. Os 16 e xemplos do Grupo 3B (L56-L71) so exemplos do Cover II difceis de se resolver com a s heursticas de literatura (Morabito & Morales, 1998; Lins et al., 2003), pois ne nhum deles tem soluo tima no-guilhotinada de primeira ordem. O quarto grupo de exemp los (Grupo 4) refere-se a 30 exemplos reais (R1-R30 na Tabela 11) de uma transpo rtadora em Campinas, SP. Estes exemplos utilizam o palete Brasil (PBR: 120x100 c m), adotado na maioria das empresas brasileiras. Note nas tabelas que o nmero mdio de variveis 01 dos Grupos 3A e 3B bem maior, se comparado aos demais grupos, enqu anto que o nmero mdio de variveis 01 no Grupo 4 bem menor.

A Tabela 12 apresenta os resultados do mtodo LAG obtidos para os exemplos dos Gru pos 3A e 3B, usando as melhores variaes para a otimizao do subgradiente e a busca em rvore descritas na seo 6.1. Observe na tabela que o mtodo no encontrou a soluo tima todos os exemplos do Grupo 3B dentro do limite de tempo de 3 horas. Nos exemplos L68, L69 e L70, a melhor soluo obtida pelo mtodo LAG empacota uma caixa a menos do

que a soluo tima. Lins et al. (2003) tambm realizaram testes computacionais com o Grupo 3B, e os re sultados apresentados mostraram que o mtodo proposto pelos autores (com conjetura de ser exato) resolve a maioria dos exemplos em menos de 1 hora de tempo comput acional. Em outros exemplos, como os L67, L68 e L71, o tempo computacional foi b em maior, em torno de 8 horas. Convm observar, no entanto, que o mtodo de Lins et al. (2003), ao resolver cada problema, tambm resolve muitos subproblemas deste pr oblema, dado que utiliza programao dinmica. O tempo mdio dos 13 exemplos resolvidos em Lins et al. (2003) foi de 60,50 minutos, ou seja, maior que o tempo mdio dos 1 3 exemplos resolvidos pelo mtodo LAG (22,76 minutos, conforme a Tabela 12). O mic rocomputador utilizado foi um Pentium III 700 MHz, ou seja, comparvel ao microcom putador utilizado no presente trabalho (Pentium III 650 MHz). Recentemente Birgi n et al. (2005) realizaram experimentos adicionais com a abordagem em Lins et al . (2003), explorando estruturas de dados diferentes daquelas utilizadas em Lins et al. (2003), mostrando que os tempos computacionais da abordagem podem ser bem reduzidos. No entanto, os requisitos de memria computacional so bem maiores do qu e os anteriores. Uma comparao mais efetiva entre os dois mtodos est alm do escopo des te trabalho. A Tabela 13 compara as solues do mtodo LAG com as solues utilizadas pela transportado ra, para os 30 exemplos reais do Grupo 4. Note que o mtodo LAG foi capaz de resol ver otimamente todos os exemplos em um tempo mdio relativamente pequeno (0,10 min utos), o que sugere que ele pode ser uma boa alternativa para resolver exemplos reais. Observamos ainda que em 16 exemplos, a soluo da transportadora no tima. Podem os dizer que, em mdia, o mtodo LAG capaz de melhorar em 0,97 caixas (por camada do palete) a soluo da transportadora. Observe nos exemplos R9 e R28 que a soluo do mtod o coloca 4 caixas a mais que a soluo da transportadora. 6.3 Comparao com GAMS/CPLEX e resultados com Cover I e II Implementamos o modelo (1)-(4) na linguagem de modelagem GAMS (Brooke et al., 19 92) e resolvemos todos os exemplos dos Grupos 1-4 pelo software CPLEX (verso 7 qu e utiliza um mtodo branch and cut). A Tabela 14 compara as solues obtidas pelo GAMS /CPLEX e pelo mtodo LAG. Note que, assim como o mtodo LAG, o pacote GAMS/CPLEX foi capaz de resolver todos os exemplos em um tempo computacional mximo de 3 horas, exceto para o Grupo 3B. Nos Grupos 1 e 2, o mtodo LAG mais rpido do que o GAMS/CPL EX, principalmente nos Grupos 1A e 2A (que correspondem a exemplos sem gap). No Grupo 3, ele mais rpido no Grupo 3A (1,34 minutos contra 9,23 minutos), mas mais lento no Grupo 3B (22,76 minutos contra 17,55 minutos). E no Grupo 4, ele bem ma is rpido (0,10 minutos contra 18,52 minutos). Assim, o mtodo LAG parece ser uma bo a alternativa para resolver exemplos reais. Finalmente, realizamos experimentos limitados com os 3179 exemplos do conjunto C over I com L,W< 1000, com padres timos de at 50 caixas. Dentre esses exemplos, 116 tem gap. O nmero mdio de elementos dos conjuntos normais e raster points so |X|=25, 9, |Y|=14,2, |X'|=19,8 e |Y'|=11,0. O nmero mdio de variveis 01 envolvidas no modelo (1)-(4) 2|X||Y|=735,56 e 2|X'||Y'|=435,60, respectivamente. Estes exemplos so de interesse nas aplicaes prticas do PCP do produtor. Tambm realizamos experimentos li mitados com os 16938 exemplos do conjunto Cover II com L,W < 1000, com padres timo s de 51 a 100 caixas. O nmero mdio de elementos dos conjuntos normais e raster poi nts so |X|=54,6, |Y|=29,7, |X'|=38,4, e |Y'|=20,8. O nmero mdio de variveis 01 envolv idas no modelo (1)-(4) 2|X||Y|=3243,24 e 2|X'||Y'|=1597,44, respectivamente. A Tabela 15 apresenta resumidamente os resultados obtidos com o mtodo LAG para os conjuntos Cover I e II. Os tempos mdios foram computados apenas para os exemplos resolvidos dentro do limite de tempo de 3 horas. Note que o mtodo resolveu todos os exemplos de Cover I em menos de 3 horas (indicado na tabela com um asterisco ), mas no foi capaz de resolver todos os exemplos de Cover II (82 dos 16938 exemp los no foram resolvidos; em todos eles o padro obtido tem uma caixa a menos do que o padro timo). Os tempos mdios so bem aceitveis para apoiar os tipos de decises envol vidas nas situaes prticas, tipicamente com problemas envolvendo menos de 50 caixas no carregamento (Cover I).

7. Concluses Neste trabalho estudamos mtodos exatos baseados nas relaxaes Lagrangiana (LAG), sur rogate (SUR) e Lagrangiana com restries surrogate (LAGSUR) para tratar o PCP do pr odutor. Diversos experimentos computacionais foram realizados e o desempenho do mtodo LAG foi em mdia sempre superior aos dos mtodos SUR e LAGSUR. Com relao ao mtodo SUR, aparentemente ele no produz limitantes (do dual surrogate) melhores do que o s limitantes do mtodo LAG (do dual Lagrangiano). Alm disso, a otimizao do subgradien te do mtodo SUR no tem garantia de convergncia, conforme discusso na seo 3.2. Nos diversos experimentos, o mtodo LAG resolveu a maioria dos exemplos em um temp o computacional aceitvel, levando-se em conta as decises envolvidas na prtica. Comp arado com o software GAMS/CPLEX (que utiliza um mtodo branch and cut), o mtodo LAG foi em mdia mais rpido na maioria dos experimentos, principalmente nos exemplos r eais de uma transportadora, o que sugere que ele seja eficiente para aplicaes prtic as. Apesar do desempenho do mtodo LAG ser competitivo com outros mtodos, capaz de gerar solues timas e provar suas otimalidades em tempos computacionais relativament e pequenos (considerando as decises envolvidas no PCP do produtor), nossa expecta tiva inicial era de que ele teria desempenho computacional melhor do que o obtid o ao longo dos experimentos, devido aos resultados obtidos em Morabito & Farago (2000). Uma das perspectivas para pesquisas futuras tentar reduzir os tempos computacion ais dos mtodos LAG, SUR e LAGSUR. Em particular pretende-se considerar as idias ap resentadas no trabalho de Alvarez-Valdes et al. (2005b) para reduzir o problema, considerando a reduo de variveis e restries nos modelos com os conjuntos de raster p oints e consideraes de dominncia de posies nestes conjuntos. Pesquisas futuras podem ainda ser realizadas para melhorar o desempenho dos mtodos LAG, SUR e LAGSUR, em particular, desenvolvendo heursticas Lagrangianas e surrogates mais poderosas, co m o objetivo de obter limitantes de melhor qualidade. Tambm, pode-se estudar a ap licao de tcnicas de relax and cut (Lucena, 2004) no PCP do produtor, incorporando a lgoritmos de planos de corte aos mtodos Lagrangianos. Outra perspectiva importante para pesquisa futura aplicar as tcnicas de relaxao Lag rangiana e/ou surrogate em outros modelos 01 como, por exemplo, nos modelos de Ts ai et al. (1993), Amaral & Letchford (1999) e Martins (2002) comparando, dessa f orma, o desempenho de mtodos LAG, SUR e LAGSUR com os diferentes modelos para o P CP do produtor. Uma outra contribuio seria desenvolver um procedimento para a busc a dos multiplicadores do dual surrogate utilizando uma sucesso de buscas no dual Lagrangiano, como apresentado no trabalho de Sarin et al. (1987). Finalmente, se ria importante mostrar se a relaxao surrogate produz ou no melhores limitantes do q ue a relaxao Lagrangiana para o PCP do produtor. AGRADECIMENTOS Os autores agradecem aos trs revisores annimos pelos teis comentrios e sugestes. Esta pesquisa contou com apoio do CNPq (processos 141337/2000-1 e 522973/95-7) e FAP ESP (processo 9522-0). Referncias Bibliogrficas (1) Alvarez-Valdes, R.; Parreo, F. & Tamarit, J.M. (2005a). A Tabu Search Algorit hm for the Pallet Loading Problem. OR Spectrum, 27(1), 43-61. [ Links ] (2) Alvarez-Valdes, R.; Parreo, F. & Tamarit, J.M. (2005b). A Branch-and-Cut Algo rithm for the Pallet Loading Problem. Computers & Operations Research, 32(11), 3 007-3029. [ Links ] (3) Amaral, A. & Letchford, A. (1999). An Exact Algorithm for General, Orthogona l, Two-dimensional Knapsack Problems. Working paper, Department of Management Sc ience, Lancaster University. [ Links ] (4) Arenales, M. & Morabito, R. (1995). An AND/OR-Graph to the Solution of Two-D imensional Non-guilhotine Cutting Problems. European Journal of Operational Rese arch, 84, 599-617. [ Links ] (5) Banerjee, K. (1971). Generalized Lagrange Multipliers in Dynamic Programming . Research Report No. OCR 71-12, Operations Research Center, University of Calif ornia, Berkeley, California. [ Links ] (6) Barnes, F.W. (1979). Packing the Maximum Number of mxn Tiles in a Large pxq Rectangle. Discrete Mathematics, 26, 93-100. [ Links ]

(7) Beasley, J. (1985). An Exact Two-Dimensional Non Guillotine Cutting Tree Sea rch Procedure. Operations Research, 33, 49-64. [ Links ] (8) Bhattacharya, S.; Roy, R. & Bhattacharya, S. (1998). An Exact Depth-First Al gorithm for the Pallet Loading Problem. European Journal of Operational Research , 110, 610-625. [ Links ] (9) Birgin, E.G.; Morabito, R. & Nishihara, F.H. (2005). A Note on a L-Approach for Solving the Manufacturer's Pallet Loading Problem. Journal of the Operationa l Research Society, 56, 1448-1451. [ Links ] (10) Bischoff, E. & Dowsland, W. (1982). An Application of the Micro to Product Design and Distribution. Journal of the Operational Research Society, 33, 271-28 0. [ Links ] (11) Brooke, A.; Kendrick, D.; Meeraus, A. & Raman, R. (1998). GAMS: A User's Gu ide. GAMS Development Corporation, Washington. [ Links ] (12) Camerini, P.M.; Fratta, L. & Maffioli, F. (1975). On Improving Relaxation M ethods by Gradient Techniques. Mathematical Programming Study, 3, 26-34. [ Links ] (13) Christofides, N. & Whitlock, C. (1977). An Algorithm for Two-Dimensional Cu tting Problems. Operations Research, 25, 30-45. [ Links ] (14) Crowder, H. (1976). Computational Improvements for Subgradient Optimization . Symposio Matematica, Rome, 17, 357-372. [ Links ] (15) Dowsland, K. (1987). An Exact Algorithm for the Pallet Loading Problem. Eur opean Journal of Operational Research, 31, 78-84. [ Links ] (16) Dowsland, K. (1993). Some Experiments With Simulated Annealing Techniques f or Packing Problems. European Journal of Operational Research, 68, 389-399. [ Li nks ] (17) Dyckhoff, H. (1990). A Typology of Cutting and Packing Problems. European J ournal of Operational Research, 44, 145-159. [ Links ] (18) Dyer, M.E. (1980). Calculating Surrogate Constraints. Mathematical Programm ing, 19, 255-278. [ Links ] (19) Farago, R. & Morabito, R. (2000). Um Mtodo Heurstico Baseado em Relaxao Lagrang iana para o Problema de Carregamento de Paletes do Produtor. Pesquisa Operaciona l, 2(20), 197-212. [ Links ] (20) G, Y. & Kang, M. (2001). A Fast Algorithm for Two-dimensional Pallet Loadin g Problems of Large Size. European Journal of Operational Research, 134, 193-200 . [ Links ] (21) Galvo, R.D.; Espejo, L.G.A. & Boffey, B. (2000). A Comparison of Lagrangean and Surrogate Relaxations for the Maximal Covering Location Problem. European Jo urnal of Operational Research, 124, 377-389. [ Links ] (22) Glover, F. (1965). A Multiphase Dual Algorithm for the Zero-One Integer Pro gramming Problem. Operations Research, 13, 879-919. [ Links ] (23) Glover, F. (1968). Surrogate Constraints. Operations Research, 16(4), 741-7 49. [ Links ] (24) Glover, F. (1975). Surrogate Constraints Duality in Mathematical Programmin g. Operations Research, 23, 434-451. [ Links ] (25) Greenberg, H.J. & Pierskalla, W.P. (1970). Surrogate Mathematical Programmi ng. Operations Research, 18, 924-939. [ Links ] (26) Hadjiconstantinou, E. & Christofides, N. (1995). An Exact Algorithm for Gen eral, Orthogonal, Two-Dimensional Knapsach Problems. European Journal of Operati onal Research, 83, 39-56. [ Links ] (27) Held, M. & Karp, R.M. (1970). The Traveling Salesman Problem and Minimum Sp anning Trees. Operations Research, 18, 1138-1162. [ Links ] (28) Held, M. & Karp, R.M. (1971). The Traveling Salesman Problem and Minimum Sp anning Trees: Part II. Mathematical Programming, 1, 6-25. [ Links ] (29) Herbert, A. & Dowsland, K. (1996). A Family of Genetic Algorithms for the P allet Loading Problem. Annals of Operations Research, 63, 415-436. [ Links ] (30) Interlogis (2004). Disponvel em: <www.interlogis.com.br/artigos>. Acesso em: 02/08/2004. [ Links ] (31) Karvan, M.H. & Rardin, R.L. (1979). Some Relationship between Lagrangian an d Surrogate Duality in Integer Programming. Mathematical Programming, 17, 320-33 4. [ Links ]

(32) Letchford, A.N. & Amaral, A. (2001). Analysis of Upper Bounds for the Palle t Loading Problem. European Journal of Operational Research, 132(3), 582-593. [ Links ] (33) Lins, L.; Lins, S. & Morabito, R. (2003). An L-Approach for Packing (l,w)-R ectangles into Rectangular and L-Shaped Pieces. Journal of the Operational Resea rch Society, 54, 777-789. [ Links ] (34) Lorena, L.A.N. & Senne, E.L.F. (1996). A Lagrangean/Surrogate Heuristic for Uncapacitaded Facility Location Problems. In: Anais dos resumos estendidos VIII CLAIO e XXVIII SBPO, Rio de Janeiro, 854-859. [ Links ] (35) Lucena, A. (2004). Relax and Cut Algorithms. Submetido para publicao. [ Links ] (36) Martins, G.H.A. (2002). Packing in Two and Three Dimensions. Tese de Doutor ado, Naval Postgraduate School, Monterey, California. [ Links ] (37) Morabito, R. & Morales, S.R. (1998). A Simple and Effective Recursive Proce dure for the Manufacturer's Pallet Loading Problem. Journal of the Operational R esearch Society, 49, 819-828. [ Links ] (38) Morabito, R. & Morales, S.R. (1999). Errata: A Simple and Effective Recursi ve Procedure for the Manufacturer's Pallet Loading Problem. Journal of the Opera tional Research Society, 50, 876. [ Links ] (39) Morabito, R.; Morales, S.R. & Widmer, J.A. (2000). Loading Optimization of Palletized Products on Trucks. Transportation Research, 36, 285-296. [ Links ] (40) Morabito, R. & Farago, R. (2002). A Tight Lagrangean Relaxation Bound for t he Manufacturer's Pallet Loading Problem. Studia Informatica Universalis, 2(1), 57-76. [ Links ] (41) Narciso, M.G. & Lorena, L.A.N. (1999). Lagrangean/surrogate Relaxation for Generalized Assignment Problems. European Journal of Operational Research, 114(1 ), 165-177. [ Links ] (42) Nelissen, J. (1993). New Approaches to the Pallet Loading Problem. Working paper, RWTH Aachen. <ftp://ftp.informatik.rwth-aachen.de/pub/reports/pallet.ps.Z >. [ Links ] (43) Nelissen, J. (1994). Solving the Pallet Loading Problem More Efficiently. W orking Paper, Graduiertenkolleg Informatik und Technik, Aachen. [ Links ] (44) Nelissen, J. (1995). How to Use Constraints to Compute an Upper Bound for t he Pallet Loading Problem. European Journal of Operational Research, 84, 662-680 . [ Links ] (45) Nemhauser, G.L. & Wolsey, L.A. (1988). Integer and Combinatorial Optimizati on. John Wiley & Sons, Inc. [ Links ] (46) Novamad Pallets (2004). Disponvel em: <www.lpnet.com.br/novamad/palletscom.h tm>. Acesso em: 02/08/2004. [ Links ] (47) Oliveira, L.K. (2004). Mtodos Exatos Baseados em Relaxao Lagrangiana e Surroga te para o Problema de Carregamento de Paletes do Produtor. Tese de Doutorado, De partamento de Engenharia de Produo, Universidade Federal de So Carlos. [ Links ] (48) Pureza, V. & Morabito, R. (2003). Uma Heurstica de Busca Tabu Simples para o Problema de Carregamento de Paletes do Produtor. Pesquisa Operacional, 23(2), 2 59-378. [ Links ] (49) Pureza, V. & Morabito R. (2006). Some Experiments with a Simple Tabu Search Algorithm for the Manufacturer's Pallet Loading Problem. Computers & Operations Research, 33, 804-819. [ Links ] (50) Reeves, C.R. (1993). Modern Heuristic Techniques for Combinatorial Problem. Department of Statistics and Operational Research, School of Mathematical and I nformation Sciences, Coventry University. [ Links ] (51) Sarin, S.; Karvan, M.H. & Rardin, R.L. (1987). A New Surrogate Dual Multipl ier Search Procedure. Naval Research Procedure, 34, 431-450. [ Links ] (52) Scheithauer, G. & Terno, J. (1996). The G4-Heuristic for the Pallet Loading Problem. Journal of the Operational Research Society, 47, 511-522. [ Links ] (53) Scheithauer, G. & Sommerweiss, G. (1998). 4-block Heuristic for the Rectang le Packing Problem. European Journal of Operational Research, 108(3), 509-526. [ Links ] (54) Smith, A. & De Cani, P. (1980). An Algorithm to Optimize the Layout of Boxe s in Pallets. Journal of the Operational Research Society, 31, 573-578. [ Links

] (55) Sobral, F.H.A. (1996). Tcnicas de Unitizao de Cargas em Paletes. Associao Brasil eira de Logstica (ASLOG) Comit de Unitizao de Cargas. [ Links ] (56) Steudel, H. (1979). Generating Pallet Loading Patterns: a Special Case of t he Two-Dimensional Cutting Stock Problem. Management Science, 10, 997-1004. [ Li nks ] (57) Tarnowski, A.G.; Terno, J. & Scheithauer, G. (1994). A Polynomial Time Algo rithm for the Guillotine Pallet Loading Problem. Information Systems and Operati onal Research, 32, 275-287. [ Links ] (58) Tsai, R.D.; Malstrom, E.M. & Kuo, W. (1993). Three Dimensional Palletizatio n of Mixed Box Sizes. IIE Transactions, 25(4), 64-75. [ Links ]