ANDERSON ROGES TEIXEIRA GES

OTIMIZAO NA DISTRIBUIO DA CARGA HORRIA

DE PROFESSORES
MTODO EXATO, MTODO HEURSTICO, MTODO MISTO E
INTERFACE

CURITIBA
2005

ANDERSON ROGES TEIXEIRA GES

OTIMIZAO NA DISTRIBUIO DA CARGA HORRIA

DE PROFESSORES
MTODO EXATO, MTODO HEURSTICO, MTODO MISTO E
INTERFACE

Dissertao apresentada como requisito

parcial obteno do grau de Mestre em
Cincias no Programa de Ps-Graduao
em Mtodos Numricos em Engenharia
Programao Matemtica, Setores de
Tecnologia e de Cincias Exatas da
Universidade Federal do Paran.
Orientadora: Prof. Dra. Deise Maria
Bertholdi Costa.

CURITIBA
2005

Anderson Roges Teixeira Ges

OTIMIZAO NA DISTRIBUIO DA CARGA HORRIA DE PROFESSORES

MTODO EXATO, MTODO HEURSTICO, MTODO MISTO E INTERFACE

Dissertao aprovada como requisito parcial para obteno do grau de

Mestre no Programa de Ps-Graduao em Mtodos Numricos em Engenharia
rea de Concentrao em Programao Matemtica, Setores de Tecnologia e de
Cincias Exatas da Universidade Federal do Paran, pela seguinte banca
examinadora:

Prof. Dra. Deise Maria Bertholdi Costa (orientadora)

Departamento de Desenho - UFPR

Prof. Dr. Arinei Carlos Lindbeck da Silva

Departamento de Matemtica - UFPR

Prof. Dra. Neida Maria Patias Volpi

Departamento de Matemtica - UFPR

Prof. Dr. Luiz Fernando Nunes

Departamento de Matemtica CEFET/PR

Curitiba, 31 de maio de 2005.

II

Dedico a Deus este trabalho, pois se

no fosse Tua vontade eu nunca teria
conseguido; Aos meus pais, Jorge
Teixeira Ges e Ides Prado Ges, pois
sempre acreditaram e me apoiaram a
conseguir tudo o que almejo.

III

AGRADECIMENTOS

A Prof. Dr. Deise Maria Bertholdi Costa por ter aceito a difcil tarefa
de orientar este trabalho. Suas orientaes e sugestes foram de grande valia
para elaborao deste.
A amiga Clarice E. da Silva Costa. Nas horas de desnimo sempre
estava presente e prosseguimos os estudos nos ajudando mutuamente.
A amiga Clarice Maria Raimundo por sempre traduzir para o ingls o
resumo de meus trabalhos (abstract).
Ao CIESC Madre Cllia, em especial a Irm Maria Socorro por
gentilmente simular o resultado do horrio no software comercial.
Ao corpo docente e pedaggico da Escola Municipal Planalto dos
Pinheiros no ano de 2004, Carlos, Clarice, Dayana, Edilson, Gisele, Jucimara,
Lcia Helena, Mrcia, Marie, Mariselma, Marta, Noeli, Rafael, Regina,
Roslia, Rossano, Valmir, Vera e Zenilda, vocs tornaram meu trabalho mais
valioso com as sugestes e informaes obtidas.
As diretoras da Escola Municipal Planalto dos Pinheiros, Ana Cristina
e Matilde por autorizar a aplicao deste trabalho na escola e serem
compreensiva quando solicitei alterao de dias de trabalho para concluir as
disciplinas obrigatrias.
Aos professores Arinei, Neida e Luiz Fernando pelas sugestes finais
para o aprimoramento deste trabalho.

IV

"(...) Quando ti diranno che non puoi chiedere di pi

che fai bene estare sempre a testa in gi
oltre a questa ipocrisia devi credere che c'
non un muro ma un futuro anche per te.
Fidati di me ho sofferto anch'io
quando per coraggio ho visto il mondo a modo mio.
Fidati di me non buttarti via
anche se il regalo di un miracolo non c
almeno fidati di me."
Laura Pausini

SUMRIO
LISTA DE ILUSTRAES................................................................................................................IX
LISTA DE SIGLAS...........................................................................................................................XII
RESUMO ........................................................................................................................................XIII
ABSTRACT ................................................................................................................................... XIV
1

INTRODUO ............................................................................................................................ 1
1.1

OBJETIVOS DO TRABALHO ....................................................................................................................1

1.2

IMPORTNCIA DO TRABALHO ...............................................................................................................2

1.3

LIMITAES DO TRABALHO ..................................................................................................................3

1.4

ESTRUTURA DO TRABALHO ..................................................................................................................3

O PROBLEMA............................................................................................................................ 5
2.1

RESTRIES PEDAGGICAS E OPERACIONAIS .......................................................................................6

2.2

RESTRIES PREFERNCIAS DO PROFESSOR ......................................................................................7

PROBLEMAS DE DESIGNAO ESCOLAR APRESENTADOS NA LITERATURA. ................. 9

3.1

PROBLEMAS ABORDANDO A DISTRIBUIO DE CARGA HORRIA DE PROFESSORES EM INSTITUIO

DE ENSINO ............................................................................................................................................9

3.2
4

OUTROS PROBLEMAS ABORDADOS EM INSTITUIES DE ENSINO .......................................................17

MTODOS DE DESIGNAO.................................................................................................. 19
4.1

MTODOS EXATOS..............................................................................................................................19
4.1.1

Programao Linear (PPL) ..................................................................................................19

4.1.1.1

Programao Linear Inteira (PPLI) ......................................................................20

4.1.1.2

Programao Linear Binria ................................................................................24

4.2

MTODOS HEURSTICOS .....................................................................................................................24

4.3

MTODOS META-HEURSTICOS ...........................................................................................................25

4.3.1 Simulated Annealing..................................................................................................................26
4.3.2 Busca Tabu ..............................................................................................................................27
4.3.3 Algoritmo Gentico ...................................................................................................................28
4.3.1 GRASP (Greedy Randomized Adaptive Search Procedures) ...................................................33

O PROBLEMA REAL ESCOLA MUNICIPAL PLANALTO DOS PINHEIROS ........................ 34

5.1

O ENSINO FUNDAMENTAL 5 A 8 SRIES .........................................................................................35

5.2

A OBTENO DE DADOS.....................................................................................................................36

VI

A CRIAO DA INTERFACE ................................................................................................... 39

A MODELAGEM MATEMTICA DO PROBLEMA REAL PARA ABORDAGEM ATRAVS DA

PROGRAMAO LINEAR INTEIRA BINRIA ........................................................................ 44
7.1

DEFINIO DAS VARIVEIS DE DECISO ............................................................................................44

7.1.1 Nmero de variveis do problema real ......................................................................................45

7.2

DEFINIO DA FUNO OBJETIVO......................................................................................................47

7.3

DEFINIO DAS RESTRIES ..............................................................................................................49

A ABORDAGEM DO PROBLEMA REAL ATRAVS DE ALGORITMO BASEADO EM

ALGORITMO GENTICO......................................................................................................... 59
8.1

TERMINOLOGIA BIOLGICA CONSTRUO DA GRADE HORRIA DE PROFESSORES ......................59

8.2

REPRESENTAO DE UM INDIVDUO ...................................................................................................61

8.3

OPERADOR GENTICO.........................................................................................................................61

8.4

POPULAO INICIAL ...........................................................................................................................63

8.4.1

Heurstica para gerao de populao inicial .......................................................................63

8.5

CLCULO DO FITNESS .........................................................................................................................64

8.6

APLICAO DO OPERADOR GENTICO................................................................................................68

8.6.1

Heurstica Verificao.......................................................................................................69

8.6.2

Heurstica de Melhoramento Nmero de aulas, por professor, maior que o permitido por
dia em uma mesma turma ....................................................................................................70

8.6.3

Heurstica de Melhoramento Professor com mais dias de trabalho que o necessrio ......71

8.6.4

Heurstica de Melhoramento Professor atendendo mais que uma turma em qualquer

horrio ..................................................................................................................................72

8.6.5

Heurstica de Melhoramento Professor com aula no dia de hora atividade......................73

8.6.6

Erros ocasionados pelas heursticas de melhoramento .......................................................74

8.6.7

Heurstica de Melhoramento Professor com Horrio Vago ..............................................76

8.6.8

Heurstica de Refinamento Preferncia ou no por aulas geminadas...............................77

8.7

SELEO DO INDIVDUO .....................................................................................................................78

8.8

CRITRIO DE PARADA .........................................................................................................................80

A ABORDAGEM DO PROBLEMA REAL ATRAVS DE MTODO EXATO E ALGORITMO

BASE EM ALGORITMO GENTICO MTODO MISTO......................................................... 82

10 COMPARAO DOS RESULTADOS ...................................................................................... 84

10.1

COMPARAO ENTRE RESULTADOS: MANUAL X MTODO EXATO ....................................................85

10.2

COMPARAO ENTRE RESULTADOS: SOFTWARE COMERCIAL X MTODO EXATO .............................88

10.3

COMPARAO ENTRE RESULTADOS: MTODO HEURSTICO (AG) X MTODO EXATO .......................90

10.4

COMPARAO ENTRE RESULTADOS: MTODO MISTO X MTODO EXATO .........................................93

10.5

GRFICOS COMPARATIVOS .................................................................................................................96

VII

11 CONSIDERAES FINAIS E SUGESTES PARA TRABALHOS FUTUROS ......................... 99

REFERNCIAS ............................................................................................................................. 101
ANEXO 01 PESQUISA DE PREFERNCIA................................................................................ 104
ANEXO 02 HORRIO GERADO MANUALMENTE..................................................................... 106
ANEXO 03 HORRIO GERADO PELO MTODO EXATO ......................................................... 110
ANEXO 04 HORRIO GERADO PELO MTODO HEURSTICO ALGORITMO BASEADO EM
ALGORITMO GENTICO....................................................................................................... 114
ANEXO 05 HORRIO GERADO PELO MTODO MISTO .......................................................... 118
ANEXO 06 HORRIO GERADO PELO SOFTWARE COMERCIAL ........................................... 122
ANEXO 07 HORRIO GERADO PELO MTODO MISTO ANO LETIVO 2005 ........................ 126

VIII

LISTA DE ILUSTRAES

FIGURA 01 PLANO DE CORTE ...............................................................................................................................22

FIGURA 02 MTODO BRANCH AND BOUND ......................................................................................................23
FIGURA 03 OPERADOR GENTICO MUTAO ......................................................................................................30
FIGURA 04 OPERADOR GENTICO CROSSOVER DE UM PONTO ..............................................................................31
FIGURA 05 OPERADOR GENTICO CROSSOVER DE DOIS PONTOS ..........................................................................31
FIGURA 06 OPERADOR GENTICO INVERSO.......................................................................................................31
FIGURA 07 TELA MENU INICIAL.......................................................................................................................39
FIGURA 08 TELA MENU CADASTRO .................................................................................................................40
FIGURA 09 TELA TURNO ..................................................................................................................................40
FIGURA 10 TELA DISCIPLINAS..........................................................................................................................40
FIGURA 11 MENU TURMAS ..............................................................................................................................41
FIGURA 12 ARQUIVOS REFERENTES AS TURMAS .................................................................................................41
FIGURA 13 MENU PROFESSORES ......................................................................................................................42
FIGURA 14 ARQUIVOS REFERENTES AOS DADOS DOS PROFESSORES ...................................................................43
FIGURA 15 REPRESENTAO DO INDIVDUO ........................................................................................................61
FIGURA 16 OPERADOR INVERSO APLICADO A GRADE HORRIA .......................................................................62
FIGURA 17 NMERO DE AULAS, MAIOR QUE O PERMITIDO POR TURMA POR DIA................................................71
FIGURA 18 PROFESSOR COM MAIS DIAS DE TRABALHO QUE O NECESSRIO ........................................................72
FIGURA 19 PROFESSOR ATENDENDO MAIS DE UMA TURMA EM UM HORRIO.....................................................73
FIGURA 20 PROFESSOR COM AULA NO DIA DE HORA-ATIVIDADE .......................................................................74
FIGURA 21 PROFESSOR COM HORRIO VAGO ......................................................................................................77
FIGURA 22 PREFERNCIA OU NO POR AULAS GEMINADAS ................................................................................78
FIGURA 23 FLUXOGRAMA DO ALGORITMO BASEADO EM ALGORTIMO GENTICO ..............................................81
FIGURA 24 DADOS GERADO PELO LINGO 6.0 REFERENTE AO MTODO EXATO .................................................85
FIGURA 25 MANUAL X EXATO PROFESSOR CARLOS .........................................................................................86

IX

FIGURA 26 MANUAL X EXATO PROFESSORA JUCIMARA ...................................................................................86

FIGURA 27 MANUAL X EXATO PROFESSOR EDILSON AULAS NO GEMINADAS ............................................87
FIGURA 28 MANUAL X EXATO PROFESSORA MARISELMA - AULAS NO GEMINADAS.....................................87
FIGURA 29 MANUAL X EXATO PROFESSORA LCIA - AULAS GEMINADAS ......................................................87
FIGURA 30 MANUAL X EXATO PROFESSORA MARIE - AULAS GEMINADAS ......................................................87
FIGURA 31 MANUAL X EXATO PROFESSORA ROSLIA - AULAS GEMINADAS ...................................................88
FIGURA 32 SOFTWARE COMERCIAL X EXATO PROFESSORA JUCIMARA - AULAS GEMINADAS .........................89
FIGURA 33 SOFTWARE COMERCIAL X EXATO PROFESSORA ROSLIA ..............................................................89
FIGURA 34 MTODO HEURSTICO X MTODO EXATO PROFESSOR CARLOS - AULAS GEMINADAS ....................91
FIGURA 35 MTODO HEURSTICO X MTODO EXATO PROFESSORA LCIA - AULAS GEMINADAS ....................91
FIGURA 36 MTODO HEURSTICO X MTODO EXATO PROFESSORA MARIE - AULAS GEMINADAS ...................91
FIGURA 37 MTODO HEURSTICO X MTODO EXATO PROFESSOR RAFAEL - AULAS NO GEMINADAS............92
FIGURA 38 MTODO HEURSTICO X MTODO EXATO PROFESSORA REGINA - AULAS NO GEMINADAS..........92
FIGURA 39 MTODO HEURSTICO X MTODO EXATO PROFESSORA ROSLIA - AULAS GEMINADAS ................92
FIGURA 40 MTODO HEURSTICO X MTODO EXATO PROFESSOR VALMIR - AULAS NO GEMINADAS ...........92
FIGURA 41 DADOS GERADOS PELO LINGO 6.0 REFERENTE AO MTODO EXATO NA ABORDAGEM MISTO .........93
FIGURA 42 MTODO MISTO X MTODO EXATO PROFESSOR CARLOS - AULAS GEMINADAS.............................94
FIGURA 43 MTODO MISTO X MTODO EXATO PROFESSORA JUCIMARA - AULAS GEMINADAS .......................94
FIGURA 44 MTODO MISTO X MTODO EXATO PROFESSORA LCIA - AULAS GEMINADAS .............................95
FIGURA 45 MTODO MISTO X MTODO EXATO PROFESSORA MARIE - AULAS GEMINADAS ............................95
FIGURA 46 MTODO MISTO X MTODO EXATO PROFESSORA ROSLIA AULAS GEMINADAS ........................95
FIGURA 47 MTODO MISTO X MTODO EXATO PROFESSOR ROSSANO - AULAS NO GEMINADAS ..................95

GRFICO 01 QUANTIDADE DE PROFESSORES CONTEMPLADOS COM A PRIMEIRA OPO PELO DIA DE NO

VNCULO ........................................................................................................................................................96
GRFICO 02 - QUANTIDADE DE PROFESSORES QUE NO POSSUEM AULAS NO DIA DE HORA ATIVIDADE..............96
GRFICO 03 - QUANTIDADE DE PROFESSORES COM TOTAL DE DIAS DE TRABALHO NECESSRIO EM SALA DE
AULA CONTEMPLADO ....................................................................................................................................97
GRFICO 04 - QUANTIDADE DE PROFESSORES COM A PREFERNCIA POR AULA GEMINADAS CONTEMPLADA POR
COMPLETO......................................................................................................................................................97
GRFICO 05 - QUANTIDADE DE PROFESSORES COM PREFERNCIA POR AULAS NO GEMINADAS CONTEMPLADA
POR COMPLETO...............................................................................................................................................97

GRFICO 06 - QUANTIDADE DE PROFESSORES COM PREFERNCIA POR AULAS GEMINADAS CONTEMPLADA

PARCIALMENTE. .............................................................................................................................................98
GRFICO 07 - QUANTIDADE DE PROFESSORES COM PREFERNCIA POR AULAS NO GEMINADAS CONTEMPLADA
PARCIALMENTE. .............................................................................................................................................98
GRFICO 08 - QUANTIDADE DE PROFESSORES COM PREFERNCIA POR AULAS GEMINADAS NO CONTEMPLADA
TOTALMENTE. ................................................................................................................................................98

QUADRO 01 HORRIOS RECUSADOS PARA OS PROFESSORES QUE PREFEREM AULAS GEMINADAS .....................55
QUADRO 02 HORRIOS RECUSADOS PARA OS PROFESSORES QUE PREFEREM AULAS NO GEMINADAS .............56

TABELA 01 - CARGA HORRIA POR SRIE ..............................................................................................................35

TABELA 02 - CARGA HORRIA DO PROFESSOR.......................................................................................................37
TABELA 03 PREFNCIA DO DIA DE NO VNCULO E AULAS GEMINADAS ............................................................38

XI

LISTA DE SIGLAS

AG

Algoritmo Gentico.

BT

Busca Tabu

h/a

hora/aula (tempo de durao de uma aula).

HA

Hora atividade.

PPL

Problema da Programao Linear.

PPLB

Problema da Programao Linear Binria.

PPLI

Problema da Programao Linear Inteira.

SMED

Secretaria Municipal de Educao Araucria/PR.

XII

RESUMO
No incio do perodo letivo, em qualquer instituio de ensino, h sempre a
preocupao com a distribuio de turmas e dias que cada professor ter que
assumir. Apesar de todo avano computacional, a maioria das escolas ainda realiza
a construo da grade escolar manualmente, tornando o trabalho demorado e
envolvendo praticamente todo o corpo docente e pedaggico, secretaria e direo
na busca de otimizar e satisfazer as preferncias de seus professores. O objetivo
deste trabalho desenvolver um prottipo utilizando trs algoritmos (exato,
heurstico e misto) que encontre uma soluo que satisfaa a preferncia de cada
professor, as exigncias pedaggicas e operacionais. O mtodo exato utilizado a
elaborao da Modelagem Matemtica do Problema, abordado como um problema
da Programao Linear Inteira Binria, resolvido no software LINGO 6.0. O mtodo
heurstico um algoritmo baseado em Algoritmo Gentico (baseado na teoria da
evoluo da espcies de Darwin, onde os melhores indivduos sobrevivem). O
prottipo aplicado na construo do horrio escolar da Escola Municipal Planalto
dos Pinheiros, no municpio de Araucria-PR, realizando, assim, a comparao
entre: os horrios gerados pelo prottipo, o horrio gerado pelo software comercial e
o horrio gerado manualmente na instituio de ensino. Conclui-se que horrios
gerados pelos mtodos Exato, Heurstico e Misto obtiveram melhor resultado que o
gerado manualmente e o gerado pelo software comercial, conforme as
especificidades da Rede Municipal de Araucria.
Palavras-chave: Horrio escolar; Problema de otimizao linear binria; Mtodos
exato, heurstico e misto (algoritmos);

XIII

ABSTRACT
At the beginning of the school year, in any teaching institution, there is always the
concern with the distribution of the groups and the days which each teacher will have
to take over. Besides all computing advancement, most of the schools still make the
construction of the school timetable manually, making the work too long to be
completed and involving almost all the teaching and pedagogical staff, secretary and
the direction of the school in the search of optimizing and satisfying the preferences
of their teachers. The aim of this paper is to develop a prototype using three
algorithms (an exact one, a heuristic one and a mixed one) which can find the
solution which satisfies the preference of each teacher and the pedagogical
demands, such as, a teacher who cannot take over two groups at the same time. The
exact method used is the elaboration of the Mathematics Modeling of the Problem,
approached as a problem of Binary Whole Linear Programming solved in the LINGO
software 6.0. The heuristic method is the algorithm based in Generic Algorithm
(based in Darwins theory of the evolution of species, where the best beings survive).
The model is applied in the construction of the school timetable of the Municipal
School Planalto Pinheiro, in the courtship of Araucria Paran, making, this way,
the comparison among: the timetables generated by the prototype, the timetable
generated by the commercial software and the timetable generated manually in the
teaching institution. Its possible to conclude that the timetables generated by the
Exact, Heuristic and Mixed Methods got a better result than the ones generated
manually and by the commercial software, according to the specificities of the
Municipal Network of Araucria.
Key-words: school timetable, problem of binary linear optimization, Exact, Heuristic
and Mixed Methods (algorithms).

XIV

INTRODUO

No incio do perodo letivo, em qualquer instituio de ensino, h

sempre a preocupao com a distribuio de turmas, dias e horrios que cada
professor ter que assumir.
Apesar de todo o avano computacional, a maioria das escolas ainda
realiza a distribuio da carga horria de professores manualmente, tornando
o

trabalho demorado e envolvendo praticamente todo o corpo docente e

pedaggico, secretaria e direo na busca de otimizar e satisfazer as

preferncias de seus professores.
No mercado h softwares que elaboram grade horria escolar, mas o
custo financeiro destes so elevados pois geralmente no utilizado mais que
duas vezes ao ano. Estes ainda trazem muitas restries e sugestes
tornando o cadastro cansativo e complexo.

1.1 OBJETIVOS DO TRABALHO

O objetivo deste trabalho desenvolver um prottipo que utilize

mtodos da Pesquisa Operacional para obter a distribuio da carga horria,
com uma interface simples, que possa ser aplicado na rede municipal de
ensino de Araucria/PR, devido suas particularidades.
Esta interface utiliza trs algoritmos (exato, heurstico e misto) para
encontrar solues que otimizem a preferncia de cada professor, as
exigncias pedaggicas e operacionais, como por exemplo, uma disciplina
no poder ter mais que um professor, ou ainda, nenhuma disciplina poder
ter trs aulas ministrada em um nico dia.

Para verificar a eficincia dos mtodos, o prottipo aplicado na

construo do horrio escolar da Escola Municipal Planalto dos Pinheiros, no
municpio de Araucria-PR.
A anlise dos resultados realizada pela avaliao da satisfao dos
professores referente aos que possuem aula na hora atividade (dia
determinado pela Secretaria Municipal da Educao de Araucria (SMED)
onde os professores devem permanecer na escola para realizar atividades
extra-classe como elaborao de provas e atividades ldicas), preferncia por
dia de trabalho e aulas geminadas.

1.2 IMPORTNCIA DO TRABALHO

A distribuio das turmas para os professores da rede municipal de

ensino de Araucria realizada uma semana antes do incio do perodo letivo.
Desta forma a direo possui um prazo pequeno para solucionar um problema
que envolve muitas variveis e algumas restries impostas SMED, como
exemplo, nenhum professor, com exceo dos professores que possuem 16
hora/aula (h/a) em sala, poder ter aula no dia de hora-atividade de sua
disciplina, pois a mantenedora (SMED) oferece com freqncia cursos de
aperfeioamento.
Outras restries ainda surgem quando o professor possui 15
horas/aulas (h/a) em sala de aula. Estas aulas devem ser designadas em
apenas trs dias para que o professor possa ter seu dia sem vnculo com a
SMED, assim minimizando a ida ao colgio, pois grande parte dos
professores reside em Curitiba.
Desta forma o prottipo otimizar o problema em um tempo hbil e
ainda possibilitando mudanas durante o ano letivo.

1.3 LIMITAES DO TRABALHO

O prottipo, aps os professores terem escolhido suas turmas, gera o

horrio sem dar opes de troca, assim alguns professores tm seus dias de
trabalho alterados o que gera muita discusso. Desta forma, para tentar
solucionar o problema, algumas vezes h troca de turmas entre professores e
assim gera-se novo horrio escolar.
O mtodo exato gera o melhor horrio devido as restries e pesos
designados para cada professor, mas o custo financeiro do software LINGO
que resolve este problema elevado. Assim, desenvolvido um mtodo
heurstico baseado na teoria do Algoritmo Gentico para resolver o problema.
Mas esse algoritmo nem sempre ter a melhor soluo, mas por outro lado
no h custo financeiro pois implementado.

1.4 ESTRUTURA DO TRABALHO

Este trabalho encontra-se dividido em onze captulos, incluindo esta

introduo.
No segundo captulo descrito o problema e as restries a que o
mesmo est sujeito.
No terceiro captulo so apresentados problemas de designao de
carga horria presentes na literatura, bem como outros problemas da
Pesquisa Operacional em instituies de ensino.
No quarto captulo realizado um breve comentrio de alguns
mtodos da Pesquisa Operacional e sugerido bibliografia para um estudo
mais aprofundado dos mesmos.
No quinto captulo apresentado o estudo de caso, e os dados que
so utilizados no presente trabalho.

A criao da interface est exposta no sexto captulo.

A partir do stimo captulo so apresentados os mtodos utilizados
neste trabalho, bem como as particularidades de cada um e sua
implementao.
No stimo captulo so apresentadas e comentadas as restries e
variveis utilizadas na modelagem matemtica do problema Mtodo Exato
solucionado pelo LINGO 6.0.
No oitavo captulo apresento o algoritmo baseado em Algoritmo
Gentico (AG) - Mtodo Heurstico - aplicado na construo de grade horria
escolar, afim de otimizar a preferncia dos professores.
No nono captulo exposto o mtodo Misto, onde o problema
resolvido pelo mtodo exato, sem algumas restries, e o mtodo heurstico
utilizado para refinar a soluo, ou seja, melhor-la.
Aps as solues serem geradas pelos mtodos apresentados nos
captulos 7, 8 e 9, os resultados so comparados e apresentados no captulo
10.
Por fim, no captulo 11 concludo o trabalho e so apresentadas
sugestes para trabalhos futuros.

O PROBLEMA

Segundo PINHEIRO E OLIVEIRA (2001) o problema de construo

de carga horria vem sendo abordado desde a dcada de 60 sendo que os
primeiros trabalhos que mais se destacaram foram realizados na dcada de
80.
A distribuio da carga horria de professores um problema que
envolve toda instituio de ensino no incio de cada perodo letivo.
Existem muitas restries pedaggicas e de preferncias do
professor para a elaborao do horrio escolar, assim o trabalho torna-se
muito complexo quando esta distribuio deve ser realizada manualmente e
com pouco tempo para sua execuo, pois o mesmo realizado apenas uma
semana antes do incio do perodo letivo, o que ocorre na maioria absoluta
das escolas.
Para solucionar o problema da construo da grade horria pode ser
utilizada a Pesquisa Operacional.
Pesquisa Operacional uma abordagem cientfica que utiliza
tcnicas matemticas com o objetivo de determinar como projetar, planejar e
operar um sistema, geralmente sob condies de recursos escassos. Surgiu
de processos de mtodos de anlises desenvolvidos por grupos acadmicos
ingleses que assessoraram as foras militares durante a 2 Guerra Mundial.
(PUCCINI e PIZZOLATO, 1990, p. 47)
Emprego eficiente de radares, uso de canhes anti-areos, tticas de
bombardeios a submarinos, escoltas navais, foram alguns dos problemas
estudados por este grupo.
O sucesso dessas aplicaes levou o mundo acadmico e
empresarial a procurar e utilizar as tcnicas criadas em problemas de
administrao". (ANDRADE, 1998, p. 1)

Existem vrias metodologias determinsticas e probabilsticas que

podem ser aplicadas em diferentes ambientes produtivos.
O objetivo principal da Pesquisa Operacional determinar a melhor
utilizao de recursos limitados procurando determinar a programao
otimizada

de

atividades

ou

recursos,

fornecendo

um

conjunto

de

procedimentos e mtodos quantitativos para tratar de forma sistmica

problemas que envolvam a utilizao de recursos escassos, utilizando-se de
modelos no processo de anlise e tomada de deciso.
O Mtodo Simplex publicado por Dantzig, em 1947, foi o marco
definitivo para a disseminao da Pesquisa Operacional. Este mtodo
consiste em um algoritmo para resoluo de Problemas da Programao
Linear (PPL), sendo este considerado a primeira tcnica da Pesquisa
Operacional.
Neste trabalho, o problema de distribuio de carga horria
abordado como um Problema da Programao Linear Binria.
Neste captulo so apresentadas as restries as quais o problema
est sujeito.

2.1 RESTRIES PEDAGGICAS E OPERACIONAIS

Algumas restries por parte do desenvolvimento pedaggico da

turma como tambm questes operacionais devem ser satisfeitas na
elaborao de uma grade horria escolar. Estas restries so as seguintes:

Uma turma no poder ter mais que duas aulas, da mesma

disciplina, ministradas no mesmo dia;
A carga horria diria da turma deve ser satisfeita (5 h/a), bem

como a carga semanal (25 h/a);

A carga horria semanal do professor deve ser contemplada;
A carga horria semanal de uma disciplina em cada turma deve
ser satisfeita;
Nenhuma disciplina poder ter mais de um professor na mesma
turma;
Em cada horrio no poder ter mais que um professor na turma;
Em cada horrio o professor no poder ministrar aulas para mais
de uma turma.

2.2 RESTRIES PREFERNCIAS DO PROFESSOR

Na elaborao de uma grade horria em uma instituio de ensino as

restries que seguem abaixo talvez sejam as mais importantes, pois tratam
da disponibilidade dos professores e preferncias no desenvolvimento do seu
trabalho durante o perodo letivo:
Preferncia por aulas geminadas ou no;
Preferncia por dias de trabalho;
Preferncia por turmas (sries);
Em entrevista realizada com o corpo docente da Escola Municipal
Planalto do Pinheiros, os professores foram questionados sobre o porqu de
suas preferncias nas trs restries.
A maioria dos professores no preferem aulas geminadas pois
argumentam que o trabalho no tem um bom desenvolvimento, tornando
cansativo tanto ao mesmos quanto aos alunos.

A preferncia de dia de trabalho deve-se ao fato de muitos terem

outras atividades a serem desenvolvidas no mesmo perodo, como cursos de
aperfeioamento (complementao, especializao, mestrado) e aulas em
outras escolas, alm do deslocamento escola.
Ter turmas da mesma srie durante o ano letivo facilita o trabalho do
professor na elaborao de suas aulas com atividades ldicas, atividades com
materiais manipulveis e projetos a serem desenvolvidos no decorrer no
perodo letivo.

PROBLEMAS DE DESIGNAO ESCOLAR APRESENTADOS NA LITERATURA.

Na literatura existem vrios problemas de distribuio de grade

horria escolar, seja distribuio de professores ou distribuio de turmas em
sala (ensalamento) ou ainda, a distribuio de professores em turmas e essas
turmas em sala.
Percebe-se que na maioria dos trabalhos a distribuio realizada
no ambiente universitrio. Talvez deve-se ao fato da maioria dos autores
serem professores de instituies de Ensino Superior
Mas existe uma grande diferena entre a grade horria de um colgio
de Ensino Mdio ou escola de Ensino Fundamental em relao ao Ensino
Superior.
Na maioria dos trabalhos apresentados, que envolvem o Ensino
Superior, a grade horria de vrios perodos no possui aula em todos os
seus horrios, havendo flexibilidade. Mas em um colgio esse problema
mais complexo, pois as turmas tm aulas em todos os horrios e a mudana
de turma de um professores implicar na mudana de outro.
Neste

captulo

so

apresentados

trabalhos

relacionados

designao de professores e turmas presentes na literatura.

3.1 PROBLEMAS

ABORDANDO

DISTRIBUIO

DE

CARGA

HORRIA

DE

PROFESSORES EM INSTITUIO DE ENSINO

COSTA (1994) trabalha com a modelagem matemtica para o

problema de designao de professores no Colgio da Polcia Militar do
Paran Curitiba, resolvendo o problema no software GAMS.
A grande dificuldade do trabalho deve-se ao fato deste software no
gerar solues para problemas com mais de 200 variveis inteiras binrias,

10

sendo que a modelagem completa possui 4500 variveis binrias e 7180

restries. Desta forma o trabalho dividido em duas fases.
Na primeira fase so determinados os dias em que o professor
trabalhar dentre 10 (dez) opes de horrio que cada professor sugere. Na
segunda fase ocorre a distribuio turma a turma.
O grande problema nesta modelagem deve-se ao fato de no haver
controle na ltima turma, e no ser possvel fazer trocas uma vez que todos
os horrios devem ser refeitos.
Como sugesto para trabalhos futuros COSTA indica a construo
de uma interface e sugere abordar o assunto privilegiando o carter
pedaggico, deixando as preferncias do professor em segundo plano.
COLORNI, DORIGO e MANIEZZO (1998) aplicam e realizam
comparao entre os algoritmos Simulate Annealing, Busca Tabu e duas
verses do Algoritmo Gentico (com e sem busca local) ao problema de
designao de professores em escola padro da Itlia.
Nossos resultados mostram que o Algoritmo Gentico com busca
local e Busca Tabu baseado no problema de relaxamento temporrio
possuem uma melhor performance que Simulated Annealing e horrio
manuais. (COLORNI, DORIGO e MANIEZZO, 1998, p. 275)
BRAZ JUNIOR (2000) apresenta uma soluo para o problema de
gerao da grade horria em instituio de ensino superior utilizando
abordagem heurstica (Algoritmo Gentico) elaborando uma interface para
que a modelagem possa ser aplicada em outras instituies de ensino. Na
implementao do mtodo utiliza restries como disponibilidade de
professores e outros recursos.
CONCILIO (2000) realiza a aplicao conjunta de computao
evolutiva e otimizao com restries a dois estudos de caso. O primeiro

11

estudo de caso o problema de gerao de turnos completos em torneios e o

segundo a definio de grade horria em instituio de ensino.

LUCAS (2000) realiza um estudo sobre os conceitos fundamentais do

Algoritmo Gentico, demonstrando algumas vezes a representao do
indivduo como a grade horria semanal da turma, mostrando como trabalhar
a funo objetivo para a resoluo do problema. Assim, busca uma soluo
para o arranjo de horrios e salas, dando nfase para o horrio, embora no
demonstre a implementao de um algoritmo ou um sistema para soluo.
PINHEIRO e OLIVEIRA (2001) apresentam um ambiente de apoio a
construo de horrio escolar na WEB. Trata-se de um trabalho aplicado as
escolas da rede estadual de ensino do Cear, onde criam uma interface que
habilita algumas restries para gerao do modelo matemtico a ser
resolvido, mas no informa o software comercial que o resolver.
SOUZA, MACULAN e OCHI (2001) trabalham o problema da
designao de professores utilizando o procedimento GRASP (Greedy
Randomized Adaptive Search Procedures), onde a soluo gerada por um
algoritmo parcialmente guloso e o refinamento realizado utilizando o
algoritmo Busca Tabu. Desta forma enquanto o procedimento construtivo
parcialmente guloso gera boas solues iniciais e diversifica a busca, o
procedimento de Busca Tabu navega, a partir delas, pelo espao de
solues. (SOUZA, MACULAN e OCHI, 2001, p. 221).
KOTSKO (2003) desenvolve a modelagem matemtica para o
problema em escola da rede municipal de Prudentpolis-PR, sendo resolvida
atravs do software LINGO 6.0. No trabalho todas as restries, ou grupos de
restries pois o LINGO permite alguns comandos como o FOR, foram

12

gerados manualmente, ou seja, todas foram digitadas diretamente no LINGO

6.0, num total de 1120 restries e 2523 variveis binrias.
A grande dificuldade de KOTSKO (2003) em criar uma modelagem
especfica para a escola uma possvel alterao de dados de professores,
como exemplo, a disponibilidade. Caso ocorra alguma mudana, as restries
relativas a essas modificaes tm que ser rescrita dificultando o trabalho.
Assim uma interface que gere todas as restries facilita o trabalho.
A modelagem matemtica do referido problema segue da seguinte
forma:
Varivel de deciso

xijkl - indica se o professor i atende, ou no, a turma j, no horrio

l, do dia k.

Funo objetivo

MaxZ = pil xijkl

i

kk i j ji

j turma (1 .... 12)

i professor (1 .... 21)
k dia da semana (2 ... 6)
l horrio da aula no dia (1 .... 5)

pil - peso referente a preferncia pelo horrio l de aula do

professor i.

13

Restrio: Um nico professor por turma.

j ji

k ki (dias da semana que o professor i trabalha)

l = 1,...,5

x
i

k K i l

ijkl

=1

j = 1....12

Restrio: Uma nica turma por professor.

i = 1,..., 21
k ki

l = 1,...,5

x
j ji

1 jkl

=1

Restrio: No ter mais de duas aulas no mesmo dia na mesma

turma.

x
j j i K K i

ijkl

i = 1 ... 21

Restries especficas para o Professor A.

j A = {9,10,11,12} turma do professor A

k A = {2,3,4,5} dias de trabalho do professor A

14

k kA
j jA
5

x
l =1

x
l =1 k = 2

1 jkl

1 jkl

= N1 j

j j A , onde:

N1,9 = 2, N1,10 = N1,11 = 5, N1,12 = 3 representa o nmero de

aulas do professor A em cada turma que atende.
Para cada professor so geradas restries especficas conforme
seus dias de trabalhos e turmas.
Atravs dos pesos especficos de cada professor pil , o problema
fora que as primeiras ou ltimas aulas sejam vagas caso ocorra horrio
vagos para algum professor.
Ao final do trabalho KOTSKO sugere que em trabalhos futuros seja
realizada a interface com usurio e novas adequaes aos pesos dos
professores, pois da forma como abordado h uma tendncia de privilegiar
os professores mais antigos no colgio.
Outra sugesto solucionar o problema por um mtodo exato e um
mtodo heurstico.
BORGES (2003) apresenta um estudo da aplicao de Algoritmos
Coevolutivos para Timetabling. Este algoritmo um extenso do Algoritmo
Gentico onde os indivduos so divididos em espcies. Assim, cada espcie
definida como a grade de um perodo do curso de Cincia da Computao

15

da Universidade Federal do Paran. Desta forma, trabalha-se as espcies

paralelamente e os indivduos de uma espcie que obtiverem um fitness baixo
no prejudicam outras espcies. Mas os indivduos no so independentes,
pois a soluo do problema deve contemplar todas as espcies.
BRUNA, COSTA e POZO (2004) trabalham o problema da
designao de professores em instituio de ensino, utilizando a tcnica do
Algoritmo Gentico abordando a evoluo cooperativa para avaliao do
indivduo. O indivduo codificado como a grade horria de um perodo, onde
cada alelo (horrio) contm o nome e cdigo do professor. H no total 15
alelos, ou seja, 5 dias da semana com no mximo 3 aulas por dia.
Para o clculo do fitness, a preferncia foi transcrita em trs valores:
0 (zero) insatisfao em ministrar aulas no horrio;
3 satisfao parcial em ministrar aulas no horrio; e
5 plena satisfao em ministrar aulas no horrio.
A frmula referente a 60% do fitness total a seguinte:

fitness( x) = prefernciai * 100 / (h * 5), onde

i =1

preferncia i o valor da preferncia do professor com relao ao

horrio i;
h a carga mxima de aulas do perodo.

Assim o fitness total composto por: 20% em relao a satisfao da

restrio de haver no mnimo uma aula por dia; 20% em relao a ocorrncia
de aulas geminadas; e 60% calculado conforme a frmula anteriormente
descrita.

16

Nesse trabalho h uma preocupao em extrair resultados com

relao ao experimento, no a nvel de uma soluo do problema, mas sim da
teoria do algoritmo como a percentagem da taxa de mutao, da taxa de
crossover, e da taxa de elitismo, bem como a estagnao da populao, entre
outras caractersticas.
Em sua concluso, BRUNA, COSTA e POZO (2004), sugerem que a
tcnica seja aplicada em instituio de ensino, onde os dados do experimento
sejam reais.
COWLING, KENDALL e HAN (2005) desenvolvem uma hiperheurstica (composio de vrios grupos heursticas), para o problema que
envolve 25 docentes, 10 localidades e 60 h/a. Algumas restries so
comentadas, entre elas nenhum docente poder trabalhar mais que 60% dos
horrios disponveis, ou seja, 36 h/a.
Na primeira fase do trabalho aplicado o Algoritmo Gentico onde
cada cromossomos possui 25 genes.
A segunda fase a implementao da hiper-heurstica utilizando trs
grupos: heurstica de adio, de intercmbio e adio-remoo. Cada um
destes grupos so subdivididos em outras heursticas.
No caso da heurstica de adio subdivida em: adiciona-primeiro,
adiciona-aleatrio, adiciona-melhor, adiciona-primeiro-aumento e adicionamaior-aumento.
A heurstica de intercmbio subdivida em: permuta-primeiro,
permuta-aleatrio, permuta-primeiro-aumento e permuta-maior-aumento.
E por fim, a heurstica adio-remoo foi subdivida em: adicionaremove-primeiro, adiciona-remove-aleatrio e adiciona-remove-melhor.
As heursticas geradas nesta segunda fase estendem o Algoritmo
Gentico da primeira fase.

17

3.2 OUTROS PROBLEMAS ABORDADOS EM INSTITUIES DE ENSINO

Em uma instituio de ensino nem sempre o grande problema a

designao de professor em turmas, muitas vezes o horrio j pr definido
para as disciplinas e o professor trabalha em regime de dedicao exclusiva
na instituio, o que ocorre na maioria das Universidades Federais e
Estaduais.
Assim, os problemas a serem solucionados so outros, como
exemplo, otimizar o espao fsico existente para designar a sala e bloco em
que a turma ter aula e otimizar a matrcula de alunos conforme sua
preferncia.
ZAMBONI e SIQUEIRA (2001) em seu primeiro experimento na
alocao de turmas em salas de aula, utilizam o Algoritmo Matching para a
designao de 17 turmas, mas ao trabalhar com 47 turmas, o nmero de
disciplinas foi triplicado, e o tempo computacional deste algoritmo foi invivel.
Assim, optaram por aplicar as tcnicas heursticas Busca Tabu e Simulated
Annealing obtendo resultados satisfatrios na designao de turmas em salas
de aula, evitando ociosidade e colises de horrios e atendendo as
particularidade de cada turma, como o nmero de alunos e tipo de carteiras.
LOPES e SCHOEFFEL (2002) na Universidade Regional de
Blumenau (FURB) realizam trabalho semelhante ao citado acima. O Algoritmo
utilizado o Mtodo Hngaro para Designao. Para a validao do algoritmo
so designados pesos s restries da turma em relao as salas. As
restries utilizadas no trabalho no so expostas, sendo que somente o
resultado final dos pesos esto exemplificados.

18

SORROCHE e LOPES (2003) apresentam um sistema que sugere

ao aluno o horrio para cursar as disciplinas solicitadas, com objetivo de
fornecer diversas possibilidades de turmas e horrio para a escolha que
melhor se adeqe a sua disponibilidade. Neste sistema so implementados
dois algoritmos de grafos.
Assim sendo, h uma vasta literatura relacionada a instituies de
ensino. Alm disto, trabalhos como roteirizao de veculos escolares e
localizao de escolas para que atendam de forma otimizada a populao so
estudados e solucionados atravs da Pesquisa Operacional.
No prximo captulo alguns dos mtodos citados so expostos.

19

MTODOS DE DESIGNAO

Na otimizao da construo de grade horria utiliza-se basicamente

dois mtodos para designao: exato e heurstico.
O primeiro encontra a melhor soluo (soluo tima) para o
problema, quando esta soluo existe, satisfazendo todas as restries
impostas. O segundo procura uma soluo, mas no garante que esta seja a
soluo tima.

4.1 MTODOS EXATOS

Os mtodos exatos procuram a melhor soluo para o problema,

satisfazendo todas as restries impostas.
Atravs de uma modelagem matemtica, transcrio do problema
para linguagem matemtica, o problema resolvido pelo Mtodo Simplex,
desenvolvido por Dantzig ou outro algoritmo exato.

4.1.1 PROGRAMAO LINEAR (PPL)

A programao linear a rea da Pesquisa Operacional cujo modelo

representado por uma funo linear das variveis (funo objetivo) e
equaes ou inequaes lineares (restries).
A seguir ilustrado o modelo geral de programao linear.

20

Max Z = c1 x1 + c 2 x 2 +  + c n x n
s.a.

a11 x1 + a12 x 2 +  + a1n x n b1

a 21 x1 + a 22 x 2 +  + a 2 n x n b2

a m1 x1 + a m 2 x 2 +  + a mn x n bm

e
x1 0,  , x n 0
Estudo aprofundado sobre programao linear exposto por MURTY
(1985).

4.1.1.1

Programao Linear Inteira (PPLI)

a denominao dada a PPL em que as variveis s podem assumir

valores inteiros.
Como exemplo pode-se citar a designao de pessoas para
trabalhos. No possvel designar uma frao de um operrio para uma certa
tarefa e a outra parte da frao a outra tarefa.
O modelo matemtico de problemas da programao linear inteira
(PPLI) est expresso abaixo, sendo que diferencia da programao linear pela
ltima restrio.

Max Z = c1 x1 + c 2 x 2 +  + c n x n
s.a.

a11 x1 + a12 x 2 +  + a1n x n b1

a 21 x1 + a 22 x 2 +  + a 2 n x n b2

a m1 x1 + a m 2 x 2 +  + a mn x n bm

e
x1 0,  , x n 0 e inteiros

21

Alguns procedimentos so adotados ao resolver um Problema da

Programao

Inteira.

Costuma-se

resolver

problema

atravs

da

Programao Linear (Mtodo Simplex) e arredondar os valores encontrados

para o nmero inteiro mais prximo.
Este procedimento pode ser aceitvel quando os valores da variveis
so grandes, tornando o arredondamento pequeno.
Mas quando os valores so pequenos, como 0,65, para qual valor
deve-se arredondar? Zero ou um?
Desta forma, algumas tcnicas existem para a soluo desses
problemas, dentre elas: Mtodo dos Planos de Cortes; e Mtodo Branch and
Bound.

Mtodo dos Planos de Corte

Este mtodo, trabalhado pela primeira vez por Ralph Gomory (1958),
consiste em abordar a programao inteira como um problema da
programao linear e ao encontrar uma soluo para este problema impe as
condies em que as variveis devem ser inteiras.
Desta forma acrescentam-se

restries, sucessivamente, que

eliminam parte do espao de solues, inclusive a soluo tima no-inteira,

at encontrar a melhor soluo inteira para o problema. Este mtodo no
elimina qualquer soluo inteira.
A descrio e exemplo deste mtodo encontrado em PUCCINI e
PIZZOLATO (1990).
A figura 01 ilustra o Mtodo do Plano de Corte.

22
FIGURA 01 PLANO DE CORTE

&(') *+,'!-/.0 124365 35 7



    

 !"# $%

89: .; 0 +,'!<'35 35 7

+ : soluo inteira

Mtodo Branch and Bound

Este mtodo foi inicialmente apresentado em artigo publicado LAND

e DOIG (1960).
O mtodo Branch and Bound, que pode ser traduzido como
ramifique e delimite, consiste na partio ou ramificao (branch) sucessiva
do conjunto de solues possveis do problema de programao linear inteira
em subconjuntos e no estabelecimento de limites (bound) para o valor timo
da funo objetivo, assim exclui-se os subconjuntos que no contenham a
soluo tima. O limite ser inferior se o problema for de minimizao e
superior se o problema for de maximizao.
Partindo do princpio que as variveis de um PPLI so inteiras,
comea-se a resolver o PPL, ou seja, procura-se uma soluo para o
problema, independente de ser variveis inteiras ou no.
Se a soluo tima do PPL contempla a restrio que as variveis
devem ser inteiras, ento soluo tima do PPLI foi encontrada. Caso

23

contrrio, divide-se o PPL em dois, atravs de introduo de restries que

fazem a partio do conjunto das soluo.
Assim, resolve-se os dois problemas e estabelece limites para o valor
timo da funo objetivo, e assim, eliminando diversos subconjuntos, at se
alcanar a soluo tima do PPLI.
FIGURA 02 MTODO BRANCH AND BOUND

A figura 02 exemplifica o mtodo.

Partindo do PPL-1 (soluo tima do PPL) e considerando o
problema

de

minimizao,

introduzida

restries

gerando

dois

subproblemas PPL-2 e PPL-3.

O PPL-2 invivel, ou seja, no h mais o que ser explorado neste
subproblema. Como o PPL-3 no soluo para o PPLI introduzida nova
restrio gerando os subproblemas PPL-4 e PPL-5.
O PPL-5 tambm considerado invivel e como o PPL-4 no gerou
uma soluo para o PPLI nova restrio ser introduzida gerando PPL-6 e
PPL-7, solues para o PPLI.
Como o valor da funo objetivo do PPL-6 maior que o valor da
funo objetivo do PPL-7, tem-se que a soluo do PPL-7 a soluo do
PPLI.
ZIONTS (1974) apresenta estudo completo deste mtodo.

24

4.1.1.2

Programao Linear Binria

Os Problemas de Programao Linear Binria (PPLB) representam

um caso especial da programao inteira onde os valores assumidos pelas
variveis devem ser 0 (zero) ou 1 (um).
Este tipo de tcnica pode ser utilizada em casos de designao,
como exemplo o problema da gerao de grade horria de professores.
Se o professor p estiver atendendo a turma t, no dia d e no horrio h,
a varivel x ptdh assume valor 1, caso contrrio x ptdh = 0 .
A soluo destes problemas podem ser obtidas por algoritmos como
Branch and Bound e Balas (ZIONTS, 1974, p. 342)

4.2 MTODOS HEURSTICOS

Heursticas so regras que podem auxiliar a solucionar certos tipos

de problemas, mas, no garantem que se chegue soluo tima.
(PERKINS, 1981, apud CARVALHO, 2005, p. 3)
Em sua grande maioria esses mtodos so utilizados para resolver
problemas que no podem ser tratados por mtodos exatos, tentando
reproduzir, muitas vezes, o que realizado manualmente.
Desta forma o objetivo principal de uma heurstica encontrar
solues de boa qualidade, muitas vezes melhores que as conhecidas, mas
com um baixo custo computacional, ou seja, de forma rpida.
comum que uma soluo boa seja encontrada, e algumas vezes
uma soluo tima obtida. Desta forma, quanto maior for o nmero de
informaes (restries) fornecidas s heursticas, maiores so as chances de
se obter uma soluo que satisfaa o problema no comeo das iteraes.

25

Como em uma heurstica no se pode em geral garantir que a

soluo encontrada seja a soluo tima, podemos limitar sua busca.
Esta limitao pode ser realizada atravs de um nmero fixo de
iteraes, retirada ou relaxamento de restries, entre outras tcnicas. Desta
forma pode-se estar eliminando a soluo tima para o problema.

4.3 MTODOS META-HEURSTICOS

So mtodos heursticos que podem lidar com qualquer problema de

otimizao, ou seja, que no esto atrelados a um problema especfico.
(SUCUPIRA, 2005, p 4)
H alguns anos os mtodos heursticos eram especficos para
solucionar determinados problemas. Mas devido sua restrita utilizao
surgiram mtodos mais abrangentes que podem ser aplicados a vrios
problemas e so esses os mtodos chamados Meta-heursticos.
Os mtodos Meta-heursticos podem incluir vrias heursticas que
tentem reproduzir um sistema que se dirija soluo para o problema de
forma rpida e eficiente. Essas heurstica podem ser de: construo, melhoria
e busca local.
Um mtodo de melhoria inicia-se com uma soluo vivel para o
problema e tenta-se melhor-la. Desta forma, este processo repetido at
que nenhuma melhoria possa ser encontrada ou o critrio de parada seja
satisfeito.
Dentre as heursticas que podem compor uma meta-heurstica
podemos destacar: Simulated Annealing, Busca Tabu, Algoritmo Gentico e
GRASP.

26

4.3.1 SIMULATED ANNEALING

Segundo KIRKPATRIC et al.(1983) e ARAGON et al. (1984) a origem

da tcnica de otimizao conhecida por Simulated Annealing vem de 1953,
quando foi usada para simular em um computador o processo de annealing
de cristais. A idia de aplicar este mtodo para resolver problemas de
otimizao combinatria surgiu bem mais tarde.
O mtodo surgiu da seguinte observao estatstica: O resfriamento
gradativo de um material a partir de uma alta temperatura inicial leva o
material a estados mnimos de energia. Informalmente esses estados so
caracterizados por uma perfeio estrutural do material congelado que no se
obteria caso o resfriamento no tivesse sido gradativo.
Sob outras condies menos cuidadosas de resfriamento, o material
se cristalizaria com uma energia localmente mnima, apresentando
imperfeies estruturais. A esse processo cuidadoso de resfriamento d-se o
nome de annealing.
A referida simulao a uma temperatura fixa, consiste em dar um
pequeno deslocamento a um dos tomos, computando a variao da energia
do sistema. Se esta variao for negativa ou nula, o deslocamento
incorporado ao estado do sistema, que ento utilizado no passo seguinte.
Caso contrrio, pode-se aceitar ou no o deslocamento atravs de uma
probabilidade.
A conceito que est por trs da proposta de ser utilizar o simulated
annealing como ferramenta de otimizao combinatria a seguinte:
identifica-se a funo energia do sistema com a funo objetivo
que se quer otimizar, por exemplo minimizar, e os tomos do
sistema so associados s variveis do problema.
para cada temperatura de uma seqncia de temperaturas
decrescentes realiza-se a simulao descrita. No final do

27

processo, espera-se que o sistema estacione em um estado de

energia globalmente mnima, por analogia com a fsica do
problema.
A maior dificuldade em utilizar este algoritmo decidir quando a
temperatura ser adaptada.
A verificao da verdadeira condio de equilbrio realmente
bastante difcil. Uma soluo simples introduzir parmetros que fixem o
nmero de iteraes mximas para ser usado com uma certa temperatura,
provavelmente dependendo do nmero de variveis do problema.
Um estudo mais aprofundado deste algoritmo apresentado em
REEVES (1995).

4.3.2 BUSCA TABU

A Busca Tabu (BT) uma heurstica que teve origem em meados da

dcada de 70, sendo desenvolvida e melhorada nos trabalhos de GLOVER
(1989), HANSEN (1986) e LAGUNA (1991) contribuindo assim para melhorar
o seu desempenho e implementao.
A BT uma tcnica para guiar a busca local de modo a permitir que
ela escape do timo local encontrado.
Durante a execuo do algoritmo mantida uma lista, usualmente de
tamanho fixo, com os melhores indivduos encontrados. Desta forma,
preservando os melhores indivduos, tem-se que o espao de busca
otimizado.
Aps a aplicao de alguma heurstica verificado se o indivduo
encontrado uma boa soluo. Se for, este adicionado na lista e
automaticamente um indivduo existente na lista removido.

28

Quando um indivduo atinge seu chamado nvel de expirao

(tambm chamado de prazo tabu) este pode ser removido da lista.
O problema deste algoritmo est no tamanho da lista e no tempo de
aspirao de cada indivduo, pois estes devem ser calibrados de tal forma que
o problema apresente uma soluo de boa qualidade em menor tempo.
Assim, apesar da tentativa de escapar dos mnimos locais, o BT no
oferece nenhuma garantia que ir produzir uma soluo tima.
Estudo completo sobre Busca Tabu pode ser encontrado em
GLOVER (1989) e LAGUNA (1991)

4.3.3 ALGORITMO GENTICO

Segundo GOLDBERG (1989) o Algoritmo Gentico (AG) um

algoritmo de busca baseado nos mecanismos de seleo natural e gentica
natural das espcies da teoria de Darwin onde os melhores indivduos, os
mais adaptveis, sobrevivem.
A maior parte das pesquisas relativas a AGs baseada
principalmente nos trabalhos de HOLLAND (1992) e GOLDBERG (1989).
Segundo GREFENSTETTE (1986), AG um iterativo que mantm
um populao de estruturas, chamadas de indivduos, as quais representam
as possveis solues para um determinado problema.
A cada nova gerao (iterao) os indivduos, gerados atravs de
uma combinao realizada por uma funo de avaliao com uma estrutura
de informaes alteradas aleatoriamente, so avaliados e verifica-se o grau
de adaptabilidade populao. Com base neste processo gera-se uma nova

29

populao de possveis solues utilizando operadores genticos (os mais

comuns so inverso, mutao e crossover).
Desta forma, ao longo de cada gerao pressupe-se que os
indivduos se adaptem melhor a populao e convirjam para uma boa soluo
do problema. De acordo com algum critrio de parada (nmero de iteraes,
satisfao de restries,...), o indivduo mais apto ento a soluo para o
problema. Assim o AG uma Meta-heurstica apoiada por vrias heursticas
de melhoramento que procuram os melhores indivduos, como os seres
humanos, que representem melhor as condies (restries) impostas ao
algoritmo.
Por ser uma heurstica no espera-se que AG encontre a soluo
tima, ainda mais quando trabalha-se com problemas bastante complexos
para o qual outros mtodos de otimizao no so eficientes, ou intratveis
por mtodos convencionais de otimizao dentro de um tempo vivel.
A principal caracterstica do AG que trabalha com uma populao e
no um ponto isolado na busca de um melhor indivduo.
A estrutura de funcionamento do AG a seguinte:
1) Inicializa uma populao (A) atravs de uma heurstica;
2) Clculo do fitness. Avalia a populao;
3) Seleciona indivduo(s);
4) Operadores Genticos. Aplica operador gentico realizado
atravs de uma heurstica de melhoramento;
5) Clculo do fitness. Avalia o resultado da nova populao (B);
6) Critrio de seleo. Se a populao B for melhor que A
comparando

fitness

ou

segundo

uma

probabilidade,

desconsidere a populao A e a nova populao passa a ser B.

Caso contrrio desconsidera B e mantm a populao A;

30

7) Critrio de parada. O AG deve parar? Em caso de resposta

negativa volte ao passo 3, caso contrrio esta uma soluo para
o problema, PARE.

Operadores Genticos

Muitos operados so propostos por GOLDBERG (1989) e outros. Os

operadores genticos mais freqentemente utilizados so: inverso, mutao
crossover e seleo. Estes so os responsveis por todas as transformaes
sofridas pela populao, mas possuem funes bastante distintas.
O operador gentico Mutao a modificao da informao
gentica de um gene, sendo o fator fundamental para garantir a
biodiversidade, assegurando que o espao de busca seja explorado a partir
de uma parte de sua extenso.
Geralmente aplicado com uma taxa de probabilidade reduzida, mas
muitos autores o consideram o fator mais importante e trabalham somente
com este operador gentico.
Este operador tem o papel fundamental de evitar uma convergncia
prematura da soluo, que ocorre quando a populao se estabiliza com uma
adaptao pouco adequada. Esta convergncia prematura pode ser verificada
quando um super-indivduo domina o processo seletivo e sendo incapaz de
gerar filhos melhores, transmite suas caractersticas por toda a populao.

FIGURA 03 OPERADOR GENTICO MUTAO

31

O operador gentico Crossover cria novos indivduos para a

populao atravs da recombinao de partes diferentes de dois indivduos
selecionados.
Primeiramente escolhe-se um ponto de crossover aletoriamente
(para crossover simples de 1 ponto). Dois novos indivduos so gerados.
Neste operador os novos indivduos so chamados de filhos e os
indivduos que doaram suas cargas genticas so chamados de pais.
Um variao bastante usual deste operador utilizar dois, ou mais,
pontos de crossover. Seja qual for o esquema, deve ser mantida a integridade
dos genes representados pelo cromossomo.
FIGURA 04 OPERADOR GENTICO CROSSOVER DE UM PONTO
PAI 01

PAI 02

FILHO 01

FILHO 02

FIGURA 05 OPERADOR GENTICO CROSSOVER DE DOIS PONTOS

PAI 01

PAI 02

FILHO 01

0
FILHO 02

O operador gentico Inverso reordena as posies dos genes

dentro do cromossomo. Escolhe-se dois pontos de inverso aleatoriamente e
os genes entre estes dois pontos so trocados de lugar. Em termos gerais, a
inverso tem um efeito semelhante a aplicao de vrias mutaes

FIGURA 06 OPERADOR GENTICO INVERSO

32

Certos autores, como HOLLAND (1992) e HOFFMEISTER e BCK

(1990), no consideram a seleo como um operador gentico e sim como
uma parte integrante do processo. Neste trabalho ser considerada esta
abordagem.

Seleo

Existem alguns mtodos de seleo do indivduo para a prxima

gerao, dentre os que se destacam temos Roulett Wheel, Seleo
Salvacionista e Seleo Baseada em Rank.
O Roulett Wheel (GOLDBERG, 1989) um algoritmo clssico para
seleo. Ele consiste em atribuir uma probabilidade a cada indivduo,
proporcional ao seu fitness, em relao a percentagem que este representa
do somatrio do fitness de todos os indivduos da populao.
Desta forma, sorteia um nmero aleatrio e verifica se o indivduo
escolhido para a prximo gerao ou no. Fica evidente, que quanto maior o
fitness de um indivduo, maior a probabilidade que seja escolhido, ou seja,
maior a chance do mesmo passar a prxima gerao.
Em contra partida, no h como garantir que o indivduo que possui o
maior fitness seja o escolhido.
O

algoritmo

de

Seleo

Salvacionista

(FOGEL,1994)

(MICHALEWICZ, 1996) mantm os melhores indivduos da gerao atual na

prximo gerao. Desta forma estes indivduos continuam a contribuir na

33

gerao de descendentes que compem as prximas geraes, mas pode,

prematuramente, gerar super-indivduos e a soluo se estagnar.
A Seleo Baseada em Rank elabora uma lista ordenada dos fitness
dos indivduos para determinar a probabilidade de seleo.
Estudo

completo

sobre

Algoritmo

Gentico

exposto

em

GOLDBERG (1989).

4.3.1 GRASP (GREEDY RANDOMIZED ADAPTIVE SEARCH PROCEDURES)

O algoritmo GRASP, desenvolvido por FEO e RESENDE em 1992,

uma meta-heurstica onde cada iterao composta de duas fases:
construo e busca local.
Na primeira fase obtida a soluo por um algoritmo guloso
(heurstica) e na segunda fase esta soluo trabalhada utilizando um
algoritmo de busca local, como exemplo o Busca Tabu, at que se obtenha
uma soluo melhor que a soluo anterior.
O algoritmo pode ser estudado em FEO e RESENDE (1992).

34

O PROBLEMA REAL ESCOLA MUNICIPAL PLANALTO DOS PINHEIROS

A Escola Municipal Planalto dos Pinheiros Educao Infantil,

Ensino Especial e Ensino Fundamental, inaugurada em 12 de fevereiro de
2003, est situada na Rua Manoel Ribas, 3561, no Jardim Planalto no
municpio de Araucria/PR, regio metropolitana de Curitiba, distante da
capital 12km, atendendo as comunidades dos bairros Jardim Planalto, Gralha
Azul, Costeira, Tupi e So Francisco.
A Escola Municipal Planalto dos Pinheiros, recebeu este nome por
situar-se numa regio alta com muitos pinheiros, rvore smbolo do Estado do
Paran, que tambm deu o nome origem da cidade.
Conforme a PROPOSTA PEDAGGICA (2003) a comunidade
escolar vive na zona urbana, tendo como profisses predominantes: os
trabalhos temporrios nas indstrias da regio, auxiliares de produo de
indstrias e trabalhos informais. Assim gera-se um alto ndice de desemprego,
onde geralmente uma nica pessoa responsvel pelo oramento da famlia.
Segundo a SMED (2004) a escola possui 26 alunos matriculados na
classe especial, 28 no pr escolar, 275 alunos matriculados de 1 a 4 srie e
323 matriculados de 5 a 8 srie, totalizando 652 alunos.
A escola comporta 12 salas de aula, uma sala para laboratrio de
informtica e uma biblioteca que tambm usada como sala de vdeo.
A escola de Ensino Fundamental est organizada por sries, num
total de 200 dias letivos e 800 h/a.
A Educao Infantil e o Ensino Fundamental de 1 a 4 sries so
oferecidos no perodo matutino. Estas sries possuem diariamente 4 h/a.
Durante 4 dias da semana so oferecidas as disciplinas: Lngua Portuguesa,
Histria, Geografia, Cincias e Matemtica, ministradas por um professor; e
um dia da semana 4h/a com as disciplinas: Educao Artstica e Educao
Fsica, ministradas por outro professor.

35

O Ensino Especial e a Ensino Fundamental de 5 8 sries so

oferecidos no perodo vespertino.

5.1 O ENSINO FUNDAMENTAL 5 A 8 SRIES

Segundo a LDB (1996) o Ensino Fundamental de 5 a 8 sries deve

possuir uma carga horria de no mnimo 75% de disciplinas que compem a
Base Nacional Comum e no mximo 25% de Parte Diversificada.
As disciplinas que compem a Base Nacional Comum so: Lngua
Portuguesa, Matemtica, Cincias, Geografia, Histria, Educao Fsica e
Artes.
Na rede municipal a parte diversificada do ano letivo de 2004
composta

por:

Lngua

Estrangeira

Moderna

Ingls,

Matemtica

Experimental e Literatura Infanto-juvenil. Sendo a disciplina de Matemtica

Experimental ministrada pelo professor de Matemtica e a disciplina de
Literatura Infanto-juvenil ministrada pelo professor de Lngua Portuguesa.
A carga horria das disciplinas em cada srie apresentada na
tabela 01.
TABELA 01 - CARGA HORRIA POR SRIE
DISCIPLINA
Lngua Portuguesa
Matemtica
Cincias
Geografia
Histria
Artes
Educao Fsica
Ingls
Matem. Experim.
Literat. Inf..-juvenil
TOTAL
FONTE: SMED (2004)

5 SRIE
3
4
3
3
3
2
3
2
2
25

6 SRIE
4
3
3
3
3
2
3
2
2
25

7 SRIE
3
5
3
2
3
2
3
2
2
25

8 SRIE
5
3
3
2
3
2
3
2
2
25

36

5.2 A OBTENO DE DADOS

Os professores da rede municipal de ensino de Araucria so

concursados e trabalham 20 h/a por padro.
Desta carga horria, 5 h/a so destinadas a hora-atividade onde o
professor permanece na escola afim de preparar seu planejamento, atividades
ldicas, avaliaes e outras funes que o magistrio exige, assim, o
professor trabalha at 15h/a com alunos em sala de aula.
Para

facilitar

oferta

de

assessoramento

pedaggico

aos

professores durante o ano letivo, cada disciplina tem sua hora-atividade em

um dia da semana determinado pela SMED. Em 2004, por exemplo, os
professores de matemtica cumpriam sua hora-atividade na tera-feira. Neste
dia a mantenedora solicita que nenhum professor desta disciplina exera sua
funo em sala de aula. Ocorre que muitas vezes, para que o horrio seja
fechado (termo usado pelos professores), necessrio que alguns
professores tenham aula nesse dia. Caso isto ocorra, cada docente poder
lecionar somente uma aula neste dia.
Devido ao deslocamento, pois a maioria dos professores reside em
Curitiba, as 15h/a em sala de aula so designadas em trs dias. Assim, o
professor tem um dia da semana que no possui vnculo com a prefeitura (dia
de no vnculo).
As turmas so designadas (escolhidas) em acordo comum com os
professores das disciplinas. Desta forma, o problema maior na gerao da
grade horria para escola da rede municipal a designao dos dias (na
grande maioria trs) que o professor dever trabalhar, sendo que estes dias
no podem coincidir com o dia da hora-atividade, e ainda satisfazer a
preferncia da maioria dos professores em relao a sua opo para o dia de
no vnculo.

37

Para elaborar a grade horria, os professores preencheram um

questionrio que solicita a preferncia de seu dia de no vnculo, as turmas
escolhidas para desenvolver o trabalho durante o ano letivo; e preferncia por
aulas geminadas (ANEXO 01).
Assim, a distribuio dos professores para o ano letivo de 2004 nas
turmas da Escola Municipal Planalto dos Pinheiros est apresentada na tabela
02. A preferncia do dia de no vnculo e aulas geminadas apresentam-se na
tabela 03.
TABELA 02 - CARGA HORRIA DO PROFESSOR
Disciplina
Lngua
Portuguesa
e Literatura
Infantojuvenil

Professor
Carlos
Marie
Lcia Helena

Matemtica
Anderson
e
Edilson
Matemtica
Valmir
Experimental

5 A

5 B

5 C

5 D

6 B

6 C

Cincias

Regyna
Vera

Geografia

Clarice
Mariselma

Histria

Rafael
Roslia

Artes

Jucimara
Rossano

Educao
Fsica

Gisele
Marta

Ingls

Dayana
Noeli

TOTAL
FONTE: SMED (2004)

6 A

2
2

25

25

25

25

15
20
12

15
15
16

15
15

13
14

15
15

14
06

25

25

8A TOTAL

7 B

3
3

7 A

15
15

2
25

06
14

25

25

25

250

Na tabela 03 a preferncia pelo dia de no vnculo do professor est

expressa da seguinte forma: o nmero 01 indica a primeira opo do

38

professor, o nmero 02 a segunda opo, o nmero 03 a terceira opo e o

nmero 04 a quarta opo. A letra X indica o dia de hora-atividade.
Observa-se que a professora Marie no possui dia de no vnculo
pois possui 20 h/a em sala de aula (5h/a extraordinria).
TABELA 03 PREFNCIA DO DIA DE NO VNCULO E AULAS GEMINADAS
Professor
Anderson
Carlos
Clarice
Dayana
Edilson
Gisele
Jucimara
Lcia Helena
Marie
Mariselma
Marta
Noeli
Rafael
Regyna
Roslia
Rossano
Valmir
Vera

segunda-feira

tera-feira

quarta-feira

quinta-feira

sexta-feira

03
X
03
01
04
02
01
X
X
03
02
01
01
02
04
02
02
04

X
01
02
X
X
03
02
03

04
02
X
04
02
04
03
01

02
03
04
03
01
X
X
04

01
04
01
02
03
01
04
02

01
03
X
04
03
02
04
X
03

X
04
03
02
X
01
03
01
X

04
X
04
03
01
03
X
03
01

02
01
02
X
04
X
01
04
02

aulas
geminadas
No
Sim
No
No
No
No
Sim
Sim
Sim
No
No
No
No
No
Sim
No
No
No

39

A CRIAO DA INTERFACE

O presente trabalho desenvolve um prottipo que prope soluo

para o problema por trs mtodos: exato, heurstico e misto. Desta forma h a
necessidade em criar uma interface para que posteriormente possa ser
aplicado a qualquer escola da rede municipal de Araucria.
A interface foi criada com o software Visual Basic 6.0, sendo
desenvolvido primeiramente o cadastro, alterao e excluso de dados.
Todas as informaes so salvos em arquivos textos (*.txt).
A tela principal do prottipo apresentada na figura 07.

FIGURA 07 TELA MENU INICIAL

Acessando o menu Cadastro (figura 08) o usurio cadastra o turno.

Caso o usurio no faa a escolha do turno aparece a tela de escolha do
turno (figura 09) e este dever efetuar a escolha.
Ao escolher o menu Disciplinas (figura 10) o usurio adiciona ou
remove as disciplinas ofertadas na escola conforme a grade curricular.

40
FIGURA 08 TELA MENU CADASTRO

FIGURA 09 TELA TURNO

FIGURA 10 TELA DISCIPLINAS

Escolhendo o menu Turmas (figura 11) o usurio pode cadastrar e

remover turmas, visualizar as disciplinas, carga horria e o professor que est
atendendo a turma.

41

Ainda nesta tela h o cadastro da carga horria de cada disciplina em

cada srie.
FIGURA 11 MENU TURMAS

Para cada turma criado um arquivo texto contendo suas

informaes.
FIGURA 12 ARQUIVOS REFERENTES AS TURMAS

42

O menu Professores (figura 13) cadastra, remove ou altera todos os

dados referentes a cada professor.
FIGURA 13 MENU PROFESSORES

Os dados referentes a cada professor so salvos em arquivos textos

individuais e um arquivo com o nome de todos os professores gerado para
facilitar na execuo do prottipo (figura 14).
Com a finalizao desta etapa do trabalho obtm-se todos os dados
para alimentar os modelos que sero utilizados para resoluo do problema
proposto.
Desta forma o trabalho prossegue com a interface dos mtodos de
soluo. As particularidades dos mtodos utilizados so expostos nos
prximos captulos.

43
FIGURA 14 ARQUIVOS REFERENTES AOS DADOS DOS PROFESSORES

Assim, aps o prottipo gerar o horrio, pelo mtodo escolhido pelo

usurio, pode-se imprimir relatrios ou verificar na tela do computador o
resultado obtido.

44

A MODELAGEM MATEMTICA DO PROBLEMA REAL PARA ABORDAGEM

ATRAVS DA PROGRAMAO LINEAR INTEIRA BINRIA

Aps criada a interface de obteno de dados so trabalhados os

mtodos de resoluo.
Neste captulo apresentado o primeiro mtodo, Mtodo Exato,
onde o problema abordado como um problema da programao linear
inteira binria.
Para resolver um problema pelo mtodo exato deve transformlo

em

uma

linguagem

matemtica

(modelagem

matemtica)

que

posteriormente solucionado por um software, sendo neste trabalho utilizado

o LINGO 6.0.
A elaborao de uma modelagem matemtica composta de trs
etapas, todas com o mesmo grau de importncia: definio das variveis de
deciso; funo objetivo; e restries as quais o problema est sujeito.
Como j descrito no item 4.1 os mtodos exatos encontram a melhor
soluo para o problema, se existir.

7.1 DEFINIO DAS VARIVEIS DE DECISO

O problema consiste em designar professores (cujas turmas j foram

escolhidas) para os dias e horrios de aulas de tal maneira que satisfaa a
preferncia da maioria dos professores.
Assim, a varivel de deciso a que ir indicar se o professor p est
atendendo ou no a turma t, no dia d, no horrio h.

45

Portanto podemos definir a varivel de deciso como

x ptdh , onde:

p indica o professor;
t indica as turmas atendidas pelo professor p;
d indica o dia da semana;
h indica o horrio de aula em um dia da semana;

Como as variveis que indicam designao devem ser inteiras, pois

no h como designar uma frao de um professor para uma turma e outra
frao para outra turma, o problema resolvido atravs de mtodos da
programao linear inteira.
O objetivo indicar qual turma o professor atender em um certo dia
e horrio,. Logo, o problema binrio, onde a varivel 1 (um) se o professor
p estiver atendendo a turma t, no dia d, no horrio h, caso contrrio a varivel
0 (zero). Assim o problema de programao linear inteira binria.
O LINGO 6.0 resolve este problema atravs do mtodo Branch and
Bound para o problema da programao linear binria.

7.1.1 NMERO DE VARIVEIS DO PROBLEMA REAL

Na grade curricular da Escola Planalto dos Pinheiros existem 8 (oito)

disciplinas. Portanto cada uma das 10 turmas atendida por 8 professores,
conforme a distribuio no ano letivo de 2004 (tabela 02). Assim so geradas
80 restries para cada dia (seg,..., sex) e cada horrio (1,...,5).
Como para cada professor so geradas apenas as variveis
referentes as turmas que atende, estas so as mesmas geradas pelas
disciplinas em cada turma.

46

Logo tem-se 80x5x5 = 2000 variveis do tipo

Exemplificando a varivel

x Noeli,5, 4, 2

x ptdh .

x ptdh temos:

1, se a professora Noeli atender a turma 5 (6A) na

= quarta-feira, no segundo horrio.

0 (zero), caso contrrio.

As prximas variveis definem o total e os dias de trabalho que cada

professor deve atuar em sala de aula.

s pd

1, se o professor p trabalha no dia d

0, caso contrrio.

1, se o professor p trabalha 1 aula no dia da

s pd 2 =
hora atividade d2.

0, caso contrrio.

Assim o problema real gera 90 variveis que definem os dias de

trabalho: 18 professores x 5 dias.
No total, o problema real gera 2090 variveis binrias.

Definidas as variveis de deciso deve-se definir a funo objetivo.

47

7.2 DEFINIO DA FUNO OBJETIVO

A funo objetivo, para esta modelagem, deve maximizar a

preferncia dos professores.
Para cada professor designado o peso (PP) em relao ao tempo
(anos) que trabalha na escola. Este peso definido da seguinte forma:
01 para professores que esto trabalhando 1 ou 2 anos na
escola;
03 se for 3 a 5 anos;
05 se o tempo de trabalho na escola for 6 a 10 anos; e
07 se o tempo for acima de 10 anos.
Como a Escola Municipal Planalto dos Pinheiros foi inaugurada em
2003 todos os professores obtiveram peso igual a 01. Mas a interface permite
mudanas caso se queira privilegiar algum professor.
A preferncia dos professores em relao aos dias de trabalhos so
transformadas em pesos (PD) da seguinte forma:
Se o professor trabalha dois dias: o dia de hora-atividade
recebe peso 04; a primeira opo de dia de no vnculo recebe
peso 01; a segunda peso 01; a terceira peso 08; e a quarta
peso 08.
Se o professor trabalha trs dias: o dia de hora-atividade
recebe peso 04; a primeira opo de dia de no vnculo recebe
peso 01; a segunda peso 08; a terceira peso 08; e a quarta
peso 08.
Se o professor trabalha quatro dias: o dia de hora-atividade
recebe peso 04; a primeira opo de dia de no vnculo recebe

48

peso 08; a segunda peso 08; a terceira peso 08; e a quarta

peso 08.
Como o problema tratado de maximizao, espera-se que a
soluo designe os professores para os dias de maiores pesos.
Os pesos em relao ao horrio das aula (PH) so definidos da
seguinte forma:
05 para a primeira aula;
04 para a segunda aula;
03 para a terceira aula;
02 para a quarta aula; e
01 para a quinta aula.
O produto PP.PH fora que os professores com mais tempo de
servio na escola tenham as primeiras aulas. Mas no caso da escola em
questo este peso no ter utilidade pois o tempo de trabalho na escola de
cada professor inferior a 02 anos, logo o peso PP igual a 01.
Assim tem-se a seguinte funo objetivo:

Z = PP.PH .PD.x ptdh , onde:

Max

indica o professor
(Anderson, .... , Vera);

indica as turmas atendidas pelo professor p

(5 A, ... , 8 A);

indica o dia da semana

(segunda-feira, ... , sexta-feira);

h indica os horrio de aula em um dia da semana

(1, ...,5);

49

PP peso referente ao tempo de trabalho do professor na

escola;
PH peso referente aos horrios;
PD peso referente a preferncia de dias de trabalho.

No caso real tem-se 18 professores, 10 turmas, 5 dias da semana e 5

horrios no dia.

Definida a funo objetivo deve-se elaborar a modelagem das

restries.

7.3 DEFINIO DAS RESTRIES

Cada restrio do problema comentada e apresentada a

modelagem matemtica.
Estas restries so:

Em cada turma deve atuar apenas um professor por horrio em conseqncia garantir o total de aulas dirias e semanais;
Cada professor deve ministrar aula em apenas uma turma por
horrio de trabalho;
Garantir a carga horria da disciplina em cada turma em
conseqncia garantir a carga horria semanal do professor;
Toda disciplina no deve ter mais que duas aulas ministradas
no mesmo dia em uma mesma turma;

50

Definir os dias de trabalho em conseqncia definir (garantir)

o dia de no vnculo do professor; e
Preferncia ou no por aulas geminadas.

RESTRIES 01: EM CADA TURMA DEVE ATUAR APENAS UM PROFESSOR POR HORRIO EM CONSEQNCIA GARANTIR O TOTAL DE AULAS DIRIAS E SEMANAIS

Esta restrio garante que em cada turma atue um nico professor

por horrio e tambm que cada turma tenha aula em todos os horrios da
semana.

Para cada turma t

Para cada dia d
Para cada horrio h

ptdh

=1

O total de restries geradas na escola em questo so: 10 turmas x

5 dias x 5 horrios, ou seja, 250 restries.

RESTRIES 02: GARANTIR QUE O PROFESSOR ATUE EM APENAS UMA TURMA EM

CADA HORRIO DE TRABALHO

Esta restrio garante que cada professor atue em uma nica turma
por horrio de trabalho. Assim tem-se:

51

Para cada professor p

Para cada dia d
Para cada horrio h

ptdh

Nestas restries tem-se inequaes. Isto deve-se ao fato do

professor atender ou no alguma turma t, no dia d, no horrio h.
O total de restries geradas no problema real igual a
18 professores x 5 dias x 5 horrios, ou seja, 450 restries.

RESTRIES 03: CARGA HORRIA SEMANAL DA DISCIPLINA

Estas restries garantem que a carga horria semanal de cada

disciplina, em cada turma, seja contemplada. Logo tem-se:
Para cada professor p
Para cada turma t

x
d

ptdh

= total de aulas do professor p na turma t

Esta exigncia gera, no problema real, 10 turmas x 8 disciplinas, ou

seja, 80 restries.

52

RESTRIES 04: GARANTIR QUE TODA DISCIPLINA TENHA NO MXIMO DUAS AULAS
EM UM MESMO DIA EM TODAS AS TURMAS

Para facilitar o trabalho pedaggico aconselhvel que o professor

no tenha mais que duas aulas por dia na mesma turma. Assim tem-se:
Para cada professor p
Para cada turma t
Para cada dia d

ptdh

Esta restrio pedaggica gera para o problema real um total de

400 restries 10 turmas x 8 disciplinas x 5 dias.

As quatro restries comentadas at o momento so fundamentais

para o efetivao do horrio escolar.
Caso no fosse considerada a preferncia dos professores, apenas
com as restries descritas at o presente momento poderia ser obtido o
horrio.
Mas as preferncias dos professores so de extrema importncia,
pois lhes dar a satisfao em trabalhar.

RESTRIES 05: DEFINIR OS DIAS DE TRABALHO

Em entrevista realizada com os professores da Escola Municipal

Planalto dos Pinheiros, as mais importantes restries para estes so: as que

53

garantem ter o dia de no vnculo e as que satisfazem a exigncia da SMED

em no ter aula na hora atividade.
Assim, as restries abaixo garantem que as aulas sejam designadas
apenas no nmero suficiente de dias de trabalho, garantindo o dia de novnculo.
Para cada professor p com carga horria diferente de 16 h/a

pd

= DT + s pd 2

Para cada professor p com carga horria igual 16 h/a

s
d

pd

= DT ,
onde j est definida uma aula na hora

atividade.

A quantidade de dias de trabalho na semana (DT) definida da

seguinte forma:
1 dia se o professor possui carga horria menor ou igual a
5h/a semanais e a carga horria de cada turma que atende no
seja superior a 2h/a semanais;
2 dias se o professor possui carga horria maior que 5h/a
semanais e menor ou igual a 10 h/a semanais e a carga
horria da disciplina em cada turma, que atende, no
superior a 4h/a semanais;
3 dias se o professor possui carga horria maior que 10 h/a e
menor ou igual a 15 h/a semanais;

54

4 dias:
se a carga horria semanal for igual a 16, o professor
ter uma aula na hora-atividade e so definidos mais
trs dias;
se a carga horria semanal for superior a 16 h/a e no
mximo 20 h/a, o professor no possui dia de no
vnculo.
O nmero de restries para o problema real 18, pois h 18
professores.

RESTRIES 06: GARANTIR QUE AS AULAS SEJAM DISTRIBUIDAS APENAS NOS DIAS
DE TRABALHO

Juntamente com as restries 05 trabalha-se as restries que

garantem que o total de aulas seja distribudo apenas nos dias de trabalho.
Estas novas restries esto expressas por:
Para cada professor p
Para cada dia d dia da hora atividade

x
t

ptdh

5 s pd

Para cada dia d 2 = dia da hora atividade

x
h

ptdh

= s pd 2

Logo para cada professor p com carga horria igual a 16 h/a,

conforme a definio dos dias de trabalho, tem-se que s pd 2 = 1

55

Se a varivel

s pd 2 for 0 (zero) significa que o total de aulas do

professor na hora-atividade nulo, caso contrrio, a varivel assumir valor 1

(um) significando que o somatrio de aulas na hora-atividade um.
Exemplo: se o professor deve trabalhar apenas trs dias e a varivel

s pd 2 igual a 1 (um) tem-se que ele trabalhar quatro dias tendo apenas uma
aula na hora atividade.

Logo so geradas para o problema real 90 restries 5 restries

por professor.

RESTRIES 07: PREFERNCIA OU NO POR AULAS GEMINADAS

Estas ltimas restries referem-se a preferncia didtica de cada

professor em ter ou no aulas geminadas.
Os quadros 01 e 02 ilustram as ocorrncias que no podem
acontecer quanto a preferncia descrita.

QUADRO 01 HORRIOS RECUSADOS PARA OS PROFESSORES QUE

PREFEREM AULAS GEMINADAS
1 horrio

2 horrio

3 horrio

4 horrio

5 horrio

56
QUADRO 02 HORRIOS RECUSADOS PARA OS PROFESSORES QUE
PREFEREM AULAS NO GEMINADAS
1 horrio

2 horrio

3 horrio

4 horrio

5 horrio

Exemplificando o quadro 01: a primeira linha ilustra que o professor

que prefere aulas geminadas no deve ministrar aula no primeiro e terceiro
horrio, caso este tenha duas aulas no mesmo dia em uma turma.
No quadro 02, por exemplo, a primeira linha ilustra que o professor
que prefere aulas no geminadas no deve ter aulas no primeiro e segundo
horrio, caso este tenha duas aulas no mesmo dia em uma turma.
Assim estas restries, preferncia por aulas geminadas e de
preferncia por aulas no geminadas, foram traduzidas para a linguagem
matemtica da seguinte forma:

Preferncia por aulas geminadas

Para cada professor p que prefere aulas geminadas
Para cada turma t
Para cada dia d

x ptd1 + x ptd 3 1
x ptd1 + x ptd 4 1
x ptd1 + x ptd 5 1
x ptd 2 + x ptd 4 1
x ptd 2 + x ptd 5 1
x ptd 3 + x ptd 5 1

57

Preferncia por aulas no geminadas

Para cada professor p que prefere aulas no geminadas
Para cada turma t
Para cada dia d

x ptd1 + x ptd 2 1
x ptd 2 + x ptd 3 1
x ptd 4 + x ptd 5 1

No considerado que o terceiro e quarto horrio gerem aulas

geminadas para professores que preferem aulas no geminadas, pois h uma
interrupo devido ao intervalo para lanche.
O nmero de restries geradas para o problema real referente a
professores que preferem aulas geminadas de 660 restries, (3+3+4+7+5)
x 5 dias x 6 restries. Esta soma refere-se a quantidade de turmas que cada
professor que prefere aulas geminadas possui: Carlos 3 turmas; Lcia 3
turmas; Marie 4 turmas; Jucimara 7 turmas; e Roslia - 5 turmas.
O nmero de restries, referentes aos professores que preferem
aulas no geminadas, geradas no problema real de 870 restries. Este
nmero calculado da seguinte forma [(10 turmas x 8 disciplinas) 22] x 5
dias x 6 restries.
O nmero 22 que aparece na frmula refere-se as turmas dos
professores que preferem aulas geminadas.
Desta forma, conclui-se a modelagem matemtica do problema, que
no caso real possui 2818 restries e 2090 variveis.
A interface criada gera todas as restries, e o LINGO 6.0 resolve o
problema.

58

Aps obter a soluo atravs do LINGO 6.0 a interface cria o arquivo

soluo para apresentar em tela os resultados obtidos ou gera relatrios para
impresso ou visualizao na tela. Estes resultados so apresentados no
captulo 10, onde realizada a comparao dos resultados obtidos pelos
mtodos que o trabalho aborda.

59

A ABORDAGEM DO PROBLEMA REAL ATRAVS DE ALGORITMO BASEADO EM

ALGORITMO GENTICO

Segundo GOLDBERG (1989) o Algoritmo Gentico (AG) um

algoritmo de busca baseado nos mecanismos de seleo natural e gentica
natural.
O AG um algoritmo que procura novos indivduos (solues) onde
estes so gerados atravs de uma combinao realizada por uma funo de
avaliao com uma estrutura de informaes alteradas aleatoriamente.
Assim o AG uma Meta-heurstica apoiada por vrias heursticas de
melhoramento que procuram os melhores indivduos, como os seres
humanos, que representem melhor a condio imposta ao algoritmo.
Estas condies so as restries, que neste trabalho so as
mesmas utilizadas no captulo anterior, traduzida, logicamente, para forma de
algoritmos de melhoramento e penalidades.
A principal caracterstica do AG que trabalha com uma populao e
no um ponto isolado na busca de um melhor indivduo.
Este trabalho utiliza um algoritmo baseado na teoria do AG, onde a
populao composta de indivduos que representam a grade horria das
turmas. Estes indivduos evoluem paralelamente e a alterao de qualquer
indivduo torna-os mais, ou menos, adaptveis a populao.

8.1 TERMINOLOGIA BIOLGICA CONSTRUO DA GRADE HORRIA DE

PROFESSORES

Como o Algoritmo Gentico baseado na teoria da evoluo das

espcies os termos utilizados referem-se a terminologia biolgica, tais como:

60

Cromossomo: na biologia o conjunto de genes que representam um

indivduo. Neste trabalho o cromossomo representa a grade horria semanal
de uma turma;
Gene: um cromossomo composto de genes. Neste trabalho os
genes so os 25 horrios semanais de cada turma;
Indivduo: em muitos trabalhos os indivduos e cromossomos so os
mesmos, j em outros o indivduo representado pelo cromossomos mais o
grau de adaptao denominado fitness. Neste trabalho cromossomo e
indivduo so considerados os mesmos;
Fitness: talvez seja o mais importante dos elementos que compem o
espao de busca, pois ele que indica o quo adaptvel se encontra o
indivduo para prosseguir ou no com ele para a busca da soluo;
Gentipo: na biologia representa a composio gentica contida no
cromossomo. Neste trabalho representa todos os professores que podem
assumir a turma t, no dia d, no horrio h;
Fentipo: na biologia representa as caracterstica visveis, como cor
dos cabelos, cor da pele. Neste trabalho representa como a cara da grade
horria semanal da turma, ou seja, quais os horrios e dias que cada
professor est assumindo a turma.
Alelo: representa a informao contida em cada gene, na biologia
representa, por exemplo, a cor dos cabelos, assim, o alelo por ser preto,
castanho, loiro, entre outros. Neste trabalho o alelo o professor que est
atendendo a turma;
Populao: o conjunto formado por todos os indivduos;

61

8.2 REPRESENTAO DE UM INDIVDUO

O primeiro passo ao se trabalhar com AG ou algoritmo baseado em

AG a definio do(s) indivduos(s), pois (so) ele(s) que representa(m) a
soluo procurada.
Assim, define-se o indivduo como a grade horria semanal (figura
15) de uma turma.
Como no problema real existem 10 turmas, tem-se 10 indivduos na
populao.
Nestes indivduos so aplicados somente o operador gentico
inverso para melhor-los e torn-los mais adaptveis a populao no
processo de otimizao pelo algoritmo gentico proposto.
FIGURA 15 REPRESENTAO DO INDIVDUO

1 horrio

Segunda-feira
Prof 01

Tera-feira
Prof 04

Quarta-feira
Prof 04

Quinta-feira
Prof 07

Sexta-feira
Prof 01

2 horrio

Prof 05

Prof 01

Prof 02

Prof 03

Prof 03

3 horrio

Prof 02

Prof 02

Prof 03

Prof 01

Prof 06

4 horrio

Prof 02

Prof 08

Prof 06

Prof 08

Prof 05

5 horrio

Prof 04

Prof 01

Prof 07

Prof 06

Prof 02

8.3 OPERADOR GENTICO

Os operadores genticos mais freqentemente utilizados so

inverso, mutao e crossover. So os responsveis por todas as
transformaes sofridas pela populao, mas possuem funes bastante
distintas.
O operador gentico inverso a modificao da informao
gentica de um gene, sendo o fator fundamental para garantir a
biodiversidade, assegurando que o espao de busca seja explorado a partir
de uma parte de sua extenso.

62

Vrias mutaes desenvolvem o mesmo papel que uma inverso.

Assim, muitos autores consideram a inverso e a mutao como o mesmo
operador gentico.
Geralmente aplicado com uma taxa de probabilidade reduzida da
aplicao da inverso ou mutao, mas muitos autores os consideram os
fatores mais importantes e trabalham somente com estes operadores
genticos. O mesmo ocorre neste trabalho, onde foi abordado somente a
inverso como operador gentico para a busca de indivduo(s) mais
adaptveis a populao.
Este operador tem o papel fundamental de evitar uma convergncia
prematura da soluo, que ocorre quando a populao se estabiliza com uma
adaptao pouco adequada. Esta convergncia prematura pode ser verificada
quando um super-indivduo domina o processo seletivo e sendo incapaz de
gerar filhos melhores, transmite suas caractersticas por toda a populao.
No caso da inverso (Figura 16) a professora Roslia est designada
para a tera-feira no quinto horrio e a professora Vera est designada para a
sexta-feira no quinto horrio. Atravs deste operador os horrios so
trocados. Desta forma e a professora Roslia designada para o quinto
horrio na sexta-feira e a professora Vera designada para a tera-feira no
quinto horrio.

FIGURA 16 OPERADOR INVERSO APLICADO A GRADE HORRIA

Valmir

Jucima.

Roslia

Noeli

Marisel.

Valmir

Jucima.

Roslia

Noeli

Marisel.

Marisel.

Jucima.

Marta

Marie

Valmir

Marisel.

Jucima.

Marta

Marie

Valmir

Valmir

Marie

Marie

Marisel.

Marie

Valmir

Marie

Marie

Marisel.

Marie

Vera

Roslia

Marie

Noeli

Vera

Vera

Roslia

Marie

Noeli

Vera

Marta

Roslia

Marta

Valmir

Vera

Marta

Vera

Marta

Valmir

Roslia

63

8.4 POPULAO INICIAL

A partir de uma populao inicial vivel para o problema, inicia-se o

algoritmo aplicando o operador gentico de inverso citado na seo anterior.
Para gerar a populao inicial geralmente utiliza-se uma heurstica
com o auxlio de um mtodo aleatrio.
Neste trabalho a populao inicial gerada tomando a melhor
populao dentre 5 geradas conforme a heurstica exposta na prxima seo.
considerada soluo vivel quando para todo horrio, em todos os
dias, em todas as turmas, h somente um professor ministrando aula. As
demais restries a qual o problema esta sujeito transformada em restries
de penalidade.
Para comparar (avaliar) a populao realizado o clculo do fitness
que explicado nas prximas sees.

8.4.1 HEURSTICA PARA GERAO DE POPULAO INICIAL

Neste trabalho utilizada a seguinte heurstica para gerao da

populao inicial.

1) Sorteia-se aleatoriamente um professor da lista de professores;

2) Seguindo a ordem das turmas cadastradas, verifica-se se o
professor atende a turma. Se atender, designa-se o mximo de
aulas no dia, conforme a ordem de preferncia de dia de trabalho
e a preferncia de aulas geminadas nos horrio que ainda esto
livres;

64

3) Faa processo 2 com todas as turmas do professor evitando

choque de horrios;
4) Aps a designao realizada nos processos 2 e 3 se o professor
ainda tem que atender alguma turma, mas no tem mais horrios
livres coincidentes com os horrio livres das turmas, faa a
designao em um horrio em que a turma esteja livre mesmo
gerando um choque de horrio para o professor, ou seja, o
professor atender duas turmas ao mesmo tempo;
5) Retire o professor da lista;
6) Faa o processo 1 a 5 at o ltimo professor.
Esta heurstica gera indivduos viveis, pois a turma possui aula em
todos os horrios da semana. Mas o indivduo no est totalmente adaptvel
populao pois alguns professores tm choque de horrios e esto
trabalhando em algum dia que no preferem, trabalham mais dias que o
necessrio ou esto com mais aulas que o nmero mximo permitido por dia
em uma turma.

8.5 CLCULO DO FITNESS

Aps gerada a populao inicial ou uma nova populao,

necessrio avali-la. Assim realizado o clculo do fitness, ou seja, verificase o quanto um indivduo est adaptvel ao ambiente.
Este trabalho utiliza as seguintes restries para o clculo de fitness
por indivduo (turma):
Preferncia de dias de trabalho do professor;
Quantidade de dias de trabalho do professor;

65

Se h apenas uma turma por professor em qualquer horrio;

Preferncia ou no por aulas geminadas.
A primeira restrio define o fitness inicial da populao e as demais
so restries de penalidades.
A seguir comentado o clculo realizado segundo cada restrio.

CLCULO DO FITNESS PREFERNCIA DE DIAS DE TRABALHO DO PROFESSOR

O incio do clculo do fitness constitudo pela restrio de

Preferncia de Dias de Trabalho do Professor.
Para cada turma
Para cada professor
Se o professor trabalha 2 dias:
Cada aula no dia da primeira opo de no
vnculo tem peso 01;
Na segunda opo tem peso 01;
Na terceira opo, peso 08;
Na quarta opo, peso 08; e
No dia de hora-atividade peso 04.
Se o professor trabalha 3 dias:
Cada aula no dia da primeira opo de no
vnculo tem peso 01;
Na segunda opo tem peso 08;

66

Na terceira opo, peso 08;

Na quarta opo, peso 08; e
No dia de hora-atividade peso 04.
Se o professor trabalha 4 dias:
Cada aula no dia da primeira opo de no
vnculo tem peso 08;
Na segunda opo tem peso 08;
Na terceira opo, peso 08;
Na quarta opo, peso 08; e
No dia de hora-atividade peso 04.

O fitness da turma o somatrio dos pesos de cada horrio definido

na heurstica acima aplicando a seguinte frmula baseada em BRUNA,
COSTA e POZO (2004):

Fitness01 =

Somatrio 100
25 * 8

O valor 25 refere-se ao total de horrios semanais da turma e 8 o

peso mximo pela preferncia do professor.

CLCULO DO FITNESS QUANTIDADE DE DIAS DE TRABALHO DO PROFESSOR

Aps calculado o fitness de Preferncia de Dias de Trabalho do

Professor, calculado o fitness referente ao total de dias de trabalho do
professor.

67

Para cada professor

Verifica o total de dias que est trabalhando. Se estiver
trabalhando mais dias que o necessrio aplicado uma
penalidade.
O total de dias de trabalho o mesmo definido na seo 7.3.
A penalidade aplicada a cada turma calculada da seguinte forma:

total dias de trabalho total dias necessrio

Fitness02 = Fitness01 1

O valor 5 na frmula refere-se ao total de dias na semana que as

turmas possuem aulas.

CLCULO DO FITNESS APENAS UMA TURMA POR PROFESSOR EM QUALQUER

HORRIO

O clculo referente a esta restrio realizado da seguinte forma:

Para cada professor
Verifica-se se h algum horrio em que o professor est
designado para mais de uma turma. Cada ocorrncia
considerada um erro em cada turma.
Esta penalidade em cada turma calculada com a seguinte frmula:

Erros
Fitness03 = Fitness02 1

25

O valor 25 refere-se ao total de horrios semanais da turma.

68

CLCULO DO FITNESS PREFERNCIA OU NO POR AULAS GEMINADAS

O clculo de preferncia ou no por aulas geminadas realizado da

seguinte forma:
Para cada professor
Para cada dia em que possui mais de uma aula na mesma
turma.
Verifica a preferncia do professor. Cada ocorrncia
contrria a sua preferncia considerada um erro.
Esta penalidade em cada turma calculada com a seguinte frmula:

Erros
Fitness04 = Fitness03 1

25

O valor obtido no Fitness04 mostra o quo adaptvel est o indivduo

a populao.

8.6 APLICAO DO OPERADOR GENTICO

Como comentado na seo 8.3 o operador gentico aplicado neste

trabalho apenas a inverso.
Vrias inverses so desenvolvidas com o propsito de trabalhar as
seguintes restries:
Nmero de aulas, por professor, no pode ser maior que o
permitido por dia em uma turma;

69

Professor no pode ter mais dias de trabalho que o necessrio;

Professor no pode atender mais que uma turma em qualquer
horrio;
Professor no pode ter aula no dia de hora atividade;
Professor com horrio vago;
Para cada uma destas restries so desenvolvidas heursticas de
melhoramento.
Para comandar todas estas heurstica criou-se uma heurstica, que
verifica quais os erros existentes, chamada Verificao.
8.6.1 HEURSTICA VERIFICAO

Esta heurstica comanda qual erro ser trabalhado afim de melhorar

a populao e faz a verificao do critrio de parada para a soluo do
problema.
Seus passos so os seguintes:
1) Lista os professores que possuem choque de horrio;
2) Lista os professores que possuem mais aulas que o permitido
por dia em uma turma;
3) Lista os professores que possuem aulas na hora atividade;
4) Lista os professores com mais dias de trabalho que o
necessrio;
5) Se no houver nenhum professor na lista, PARE. Caso
contrrio siga para o prximo passo;
6) Escolhe um professor. Esta escolha realizada da seguinte
maneira: o professor que possui menos erros ou, segundo uma
probabilidade, escolhe-se um outro professor que esteja na
lista;

70

7) Lista todos os erros do professor escolhido no item 6. Se o total

de erros for igual a 2, verifica se esses erros ocorrem devido o
professor estar na hora-atividade e por isso est trabalhando
mais dias que o necessrio, se for afirmativo sorteia-se uma
probabilidade para continuar ou voltar ao item 5 e retira da lista
geral de erros esse professor. Caso seja diferente de 2 erros
segue-se ao prximo passo.
8) Sorteia um erro do professor escolhido, verifica qual o tipo de
erro e segue para a heurstica de melhoramento especfica da
populao referentes aos item 1 a 4;
9) Repetir os passos de 1 a 8 at que o critrio de parada seja
satisfeito.
As heursticas de melhoramento esto descritas nas prximas
sees.

8.6.2 HEURSTICA DE MELHORAMENTO NMERO DE AULAS, POR PROFESSOR,

MAIOR QUE O PERMITIDO POR DIA EM UMA MESMA TURMA

Esta heurstica desloca uma aula do professor para outro dia, desta
forma diminui o nmero de aulas no dia com excesso de aula.
A heurstica funciona da seguinte forma:
1) O professor o selecionado pela Heurstica Verificao;
2) Verifica o dia e a turma que o professor est com mais aulas
que o permitido e guarda dois horrios de aulas;
3) Sorteia um dos horrios do passo 2;
4) Escolhe um horrio nos dias que est com aula, independente
de estar livre ou no;
5) Faz a troca desses horrios (inverso).

71

Na figura a seguir o professor Anderson possui trs aulas na quartafeira, atravs desta heurstica o primeiro horrio do professor trocado pelo
terceiro horrio na quinta-feira onde a professora Noeli est designada. Desta
forma, o horrio da professora Noeli alterado e passa a ser designada para
o horrio antes ocupado pelo professor Anderson.
FIGURA 17 NMERO DE AULAS, MAIOR QUE O PERMITIDO POR TURMA POR DIA
Gisele

Gisele

Anders.

Marie

Marie

Clarice

Regina

Marie

Rafael

Regina

Anders.

Noeli

Clarice

Anders. Jucima.

Gisele

Gisele

Noeli

Marie

Marie

Clarice

Regina

Marie

Rafael

Regina

Anders. Jucima.

Anders. Anders. Clarice

Rafael

Marie

Gisele

Rafael

Jucima.

Rafael

Marie

Gisele

Rafael

Jucima.

Anders.

Regina

Anders.

Marie

Noeli

Anders.

Regina

Anders.

Marie

Noeli

Esta heurstica pode ocasionar at dois choques, pois ao escolher o

novo horrio, se o professor est designado para outra turma, esta troca ser
realizada em duas turmas e trs professores.

8.6.3 HEURSTICA DE MELHORAMENTO PROFESSOR COM MAIS DIAS DE

TRABALHO QUE O NECESSRIO

Esta heurstica retira uma aula do dia que o professor est com
menos aulas em sala de aula e faz a designao para outro dia que est
trabalhando. Desta forma a heurstica trabalha assim:
1) O professor o selecionado pela Heurstica Verificao;
2) Verifica os dias que o professor est em aula;
3) Verifica o dia que o professor est com menos aulas
designadas e sorteia um horrio que possui aula neste dia;
4) Sorteia um horrio, nos dias que est ministrando aula, e que
ainda no foi designado;
5) Faz a troca com este horrio (inverso).

72

Na figura a seguir o professor Carlos possui aula em quatro dias e no

terceiro horrio da quinta-feira ele no est designado. Desta forma a
heurstica realoca para o horrio no designado, e os dias de trabalho passam
a ser trs (o necessrio).
FIGURA 18 PROFESSOR COM MAIS DIAS DE TRABALHO QUE O NECESSRIO
Prof. Carlos
T5B

T5C

T5C

T5C

T5C

T5C

T5B

T5C

T5C

T5B

T5B

T5D

T5D

T5D

T5D
T5D

T5D

T5C

T5B

T5D

T5D

T5B

T5D

T5D

T5B

T5C

T5C

T5B

T5C

T5C

Assim, como a heurstica trabalha sempre com o dia que possui

menos aulas, o total de dias na soluo final somente o necessrio.

8.6.4 HEURSTICA DE MELHORAMENTO PROFESSOR ATENDENDO MAIS QUE UMA

TURMA EM QUALQUER HORRIO

Esta heurstica visa desfazer o erro choque de horrio do professor

escolhido, para isto trabalha da seguinte forma:
1) O professor o selecionado pela Heurstica Verificao;
2) Verifica o horrio em que o professor est com choque e quais
so as turmas;
3) Sorteia uma das turmas;
4) Verifica um horrio que o professor est livre nos dias que
possui aula;
5) Faz a troca (inverso).

73
FIGURA 19 PROFESSOR ATENDENDO MAIS DE UMA TURMA EM UM HORRIO
Turma 5 A
Marta Marisel.

Vera

Marta

Valmir

Rafael

Rossa.

Rafael

Marta

Valmir

Rafael

Marisel.

Vera

Marie

Turma 8 A
Marie Marisel.

Valmir

Marta

Valmir

Vera

Anders.

Carlos

Carlos

Carlos

Marta

Rafael

Noeli

Carlos

Carlos

Anders.

Jucima.

Rossa.

Noeli

Marisel.

Rafael

Jucima.

Marie

Anders.

Vera

Marta

Valmir

Rafael

Rossa.

Rafael

Marta

Valmir
Marisel.

Vera

Noeli

Marie

Noeli

Rafael

Vera

Marta

Anders. Marisel.
Marie

Turma 5 A
Marta Marisel.

Vera

Anders.

Marie

Turma 8 A
Marie Anders.

Valmir

Marta

Valmir

Vera

Anders.

Vera

Anders.

Noeli

Marie

Vera

Carlos

Carlos

Carlos

Marta

Rafael

Noeli

Rafael

Vera

Rafael

Noeli

Carlos

Carlos

Anders.

Jucima.

Marta

Anders. Marisel.

Vera

Rossa.

Noeli

Marisel.

Rafael

Jucima.

Marie

Marisel.

Marie

Pode-se analisar na figura acima que a professora Mariselma atende

duas turmas (5 A e 8 A) no mesmo horrio (primeiro horrio da quinta-feira).
A heurstica escolha uma das turmas, neste caso da 8 A, e designa este
horrio para outro. Assim o professor Anderson assume o primeiro horrio na
quinta-feira e a professor Mariselma assume o quinto horrio neste mesmo
dia.

8.6.5 HEURSTICA DE MELHORAMENTO PROFESSOR COM AULA NO DIA DE HORA

ATIVIDADE

Esta heurstica retira a aula do professor que est designada em seu

dia de hora-atividade e faz a designao para outro dia que possui aula.
Existe uma exceo para o professor que possui 16 h/a semanais,
pois este deve ter apenas uma aula designada na hora atividade. Desta forma
esta aula no contada como erro e no aparece na lista geral gerada pela
heurstica da seo 8.6.1.

74

A heurstica realiza o seguinte processo:

1) O professor o selecionado pela Heurstica Verificao;
2) Verifica qual o horrio e turma do dia de hora-atividade que o
professor est com aula;
3) Sorteia um horrio, em um dia que o professor possui aula, e
que ainda no est designado;
4) Faz a troca (inverso).
Como est ilustrado a seguir, a professora Regina est designada no
primeiro horrio em seu dia de hora-atividade. Por outro lado, esta professora
no possui aula no quarto horrio da segunda-feira, assim a heurstica realiza
a inverso, designando a professora Regina para o horrio que ainda no
est alocada, em conseqncia no tem mais designao em seu dia de
hora-atividade.
FIGURA 20 PROFESSOR COM AULA NO DIA DE HORA-ATIVIDADE
Prof. Regina
T6A

T6B

T6C
T7B
T7B

T6A

T6A

T6A

T6B

T6A

T7A

T7A

T6C

T7A

T7A

T6C

T6B

T7B

T6C

T6B

T7B

T6B

T6A

T7B

T6B

T7A

T6C

T7B

T7A

T6C

8.6.6 ERROS OCASIONADOS PELAS HEURSTICAS DE MELHORAMENTO

Ao ser realizada as inverses (trocas) atravs das heursticas de

melhoramento descritas at o presente momento, alguns erros podem
ocorrer:

75

choque de horrios as heursticas garantem que para o

professor selecionado no ocasiona erro de choque, mas no
garante em relao aos outros professores envolvidos no
processo;
mais dias de trabalho que o necessrio - quando houver a troca,
as heursticas no aumentam a quantidade de dias de trabalho do
professor selecionado mas no garantem esta restrio com
relao aos outros professores envolvidos na troca;
professor com aula no dia de hora-atividade as heursticas
garantem ao professor selecionado que este no seja designado
para o dia de hora atividade, mas nada garante para os demais
professores, pois altera seus horrios em conseqncia da troca
realizada com o selecionado;
professor com mais aulas que permitido em um dia, por turma
as heursticas, com exceo da que soluciona este erro, no
garantem nem que o professor que foi selecionado tenha menos
aulas que o permitido;
preferncia ou no por aulas geminadas nenhuma heurstica
garante que a preferncia ou no por aulas geminadas seja
satisfeita. Isto deve-se ao fato desta restrio ser flexvel, ou seja,
nenhum resultado ser recusado caso um professor que no
prefere ter aula geminada, tenha aulas geminadas, ou o contrrio.
Mas vale lembrar que esta restrio faz parte do fitness, logo o
influenciar.
Desta forma o que garante que os erros acima no ocorram ou que
ocorram em pequenas quantidades o algoritmo baseado em AG. Pois este,
atravs dos clculos de fitness de cada indivduo, verifica se aceita ou no
esta nova soluo (populao) (ver seo 8.7).

76

Caso ocorra muitos erros o indivduo tem seu fitness penalizado e

provavelmente no aceito.
utilizado o termo provavelmente pois, segundo uma probabilidade,
indivduos com fitness pior que o anterior podem ser aceitos.

8.6.7 HEURSTICA DE MELHORAMENTO PROFESSOR COM HORRIO VAGO

Esta heurstica utilizada para proporcionar maior flexibilidade para a

elaborao da grade horria.
A cada troca efetuada com as heursticas descritas nas sees 8.6.2
a 8.6.5, realizado, segundo uma probabilidade, uma troca de horrio vago.
Essa inverso consiste em:
1) Lista todos os professores que possuem horrios vagos na
soluo atual;
2) Sorteia-se um professor e o dia que tem o(s) horrio(s)
vago(s);
3) Escolhe um horrio livre e um horrio que o professor est
designado;
4) Faz a troca.
Nesta heurstica, aps a realizao da troca, poder ocorrer somente
o erro choque de horrio em relao aos outros professores envolvidos ou a
preferncia por aulas geminadas ser afetada. Os outros erros no ocorrem
pois a troca efetuada no mesmo dia.
A professora Jucimara (figura 21) possui horrio vago no primeiro
horrio da quarta-feira. Assim, a heurstica designa o quarto horrio para esta
horrio vago e a professora assume a 6 B no primeiro horrio

77

FIGURA 21 PROFESSOR COM HORRIO VAGO

Prof. Jucimara
T5A

T7B

T5A

T6B

T5A

T6A

T6A

T7A

T6C

T6C

T5A

T6A

T6A

T7A

T6C

T6C

T8A

T6B

T7A

T8A

T8A

T7B

T6B

T8A

T7B

T7A
T7B

T6B

8.6.8 HEURSTICA DE REFINAMENTO PREFERNCIA OU NO POR AULAS

GEMINADAS

Aps encontrada a soluo para o problema, uma nova heurstica

aplicada comandada pelo AG.
A heurstica consiste em maximizar a preferncia dos professores em
relao as aulas geminadas. Este mtodo aplicado ao realizar o horrio
manualmente:
1) Para cada dia da semana verifique se h professor na hora
atividade. Caso seja afirmativo e esta aula no for a primeira,
troque todos as aulas deste horrio com as aulas do primeiro
horrio e volte ao item 01;
2) Para cada dia da semana, sorteado dois horrios diferentes
(caso o item 1 tenha ocorrido esses horrios no podero ser o
primeiro). Troque todas as aulas do primeiro horrio sorteado
com o segundo horrio sorteado;
3) Calcule o fitness e verifique se aceita a nova populao
conforme a seleo descrita no item 8.7;
4) Repita de 1 a 3 para um certo nmero definido de iteraes.

78

Na figura 19 vemos que a preferncia ou no por aulas geminadas

de muitos professores no atendida. Assim ao trocar as aulas do 2 horrio
com as aulas do 5 horrio de todas as turmas da escola tem-se que a
preferncia de todos os professores atendida.
Neste exemplo, dos professores que no possuem sua preferncia
atendida, somente a professora Roslia prefere aulas geminadas.
Vale lembrar que o terceiro e quarto horrio no geram aulas
geminadas para os professores que preferem aulas no geminadas, pois h a
interrupo pelo intervalo.
FIGURA 22 PREFERNCIA OU NO POR AULAS GEMINADAS

Horrio

5 A

5 B

Roslia Marisel.

Valmir

Valmir

Marisel.

Roslia

5 C

SEGUNDA-FEIRA
5 D
6 A
6 B

Marta

Valmir

Roslia

Vera

Marisel.

Marta

Marta

Valmir

Vera

Valmir Marisel.

7 B

8 A

Clarice

Anders. Gisele

Vera

Edilson

Gisele

Anders. Clarice

Edilson

Regina

Clarice

Gisele

Anders.

Edilson

Roslia

Clarice

Gisele

Regina

Anders.

Regina

Clarice

Edilson

Gisele Anders.

Edilson

Regina

Marisel.

Regina

Vera

Roslia

Vera

6 C

7 A

Marta

Marta

Horrio

5 A

5 B

5 C

SEGUNDA-FEIRA
5 D
6 A
6 B

7 B

8 A

Edilson

Regina

Clarice

Anders. Gisele

Vera

Valmir Marisel.

Regina

Clarice

Edilson

Gisele Anders.

Marta

Marisel.

Marta

Vera

Roslia

Edilson

Regina

Clarice

Gisele

Anders.

Marta

Valmir

Vera

Edilson

Roslia

Clarice

Gisele

Regina

Anders.

Roslia

Vera

Marisel.

Regina

Edilson

Gisele

Anders. Clarice

Roslia Marisel.

Marta

Roslia

Vera

Valmir

Marisel.

Valmir

Valmir

6 C

7 A

Marta

8.7 SELEO DO INDIVDUO

Existem alguns mtodos de seleo do indivduo para a prxima

gerao, dentre os que se destacam temos Roulett Wheel, Seleo
Salvacionista e Seleo Baseada em Rank, comentados na seo 4.3.3.2.

79

CONCLIO (2000) apresenta outros mtodos de seleo, sendo eles:

seleo por diversidade, seleo bi-classista e seleo aleatria.
Seleo por diversidade - escolhe os indivduos mais diversos da
populao;
Seleo bi-classita - escolhe uma certa percentagem de melhores
indivduos e para o complemento desta percentagem so
escolhidos ente os piores;
Seleo aleatria - escolhe aleatoriamente todos os indivduos da
populao atual;
Neste trabalho optou-se por trabalhar com uma variante da seleo
bi-classita.
O critrio de seleo dos indivduos para a prxima gerao o
seguinte:
1) Aps gerada uma soluo calculado seu fitness;
2) Se 70% dos indivduos possuem melhor fitness que a
populao anterior, aceite toda a populao e continue o
algoritmo gerando uma nova populao. Caso contrrio v ao
passo 3;
3) Se a nova soluo gerou de 50% a 70% de melhores
indivduos, possvel aceitar esta nova populao segundo
uma probabilidade, e prosseguir para a prxima gerao. Caso
contrrio v ao passo 4;
4) Esta nova soluo desconsiderada e considera-se a soluo
anterior. Gera-se ento uma nova soluo e retorna ao passo
01.

80

8.8 CRITRIO DE PARADA

Em muitos problemas o critrio de parada ocorre quando o fitness de

toda da populao 100% ou quando um certo nmero de iteraes
atingido.
Neste trabalho o critrio de parada est descrito na Heurstica de
Verificao (seo 8.6.1).

Desta forma o problema foi traduzido para um algoritmo baseado em

Algoritmo Gentico que comanda as heurstica descritas (figura 23).
As heursticas foram implementadas baseadas no que realmente
ocorre quando realizada a construo manual da grade horria em uma
escola. Desta forma, reproduzida a realidade atravs das tcnicas da
Pesquisa Operacional.
Os resultados obtidos com o Algoritmo Gentico encontram-se no
captulo 10, onde realizada a comparao com os outros mtodos aplicados
neste trabalho.

81
FIGURA 23 FLUXOGRAMA DO ALGORITMO BASEADO EM ALGORTIMO GENTICO
Inc io
G era po pu la o
in icia l
H e u rs tica
tro ca ja ne la

C lcu lo do
fitne ss

C lcu lo do
fitne ss
H
e rros ?

C o n side re a
p op ula o an te rio r

No

S im
H e u rs tica
Ve rifica o
D e sc on sid ere a
p op ula o atua l

H e u rs tica
tro ca ja ne la
S elec ion a um
p ro fe sso r da lis ta

No
A ce ita a
n ov a
p op ula o ?

S elec ion a um erro

d es te profes so r

S im

H e u rs tica d e
m elh o ra m en to
choq ue d e ho r rio

S im

Av alia a
P opula o

O erro
choq ue d e
h orrio?
No

H e u rs tica d e
m elh o ra m en to m a is
a ula q ue o perm itido

S im

C lcu lo do
fitne ss

O erro
m a is au la qu e
o perm itido ?
No

H e u rs tica d e
S im
m elh o ra m en to
m a is qu e o nece ssrio

O erro
m a is dia s q u e
o nece ss rio?
No

H e u rs tica d e
m elh o ra m en to
au la na h ora atividad e

H e u rs tica d e
R e finam e nto
au las g em in ad as
F im

82

A ABORDAGEM DO PROBLEMA REAL ATRAVS DE MTODO EXATO E

ALGORITMO BASE EM ALGORITMO GENTICO MTODO MISTO

Aps concluda a abordagem do problema pelo Mtodo Exato

(captulo 7) e Mtodo Heurstico (captulo 8), uma nova abordagem utilizada
neste trabalho: Mtodo Misto.
Esta nova abordagem resolve o problema atravs do mtodo exato
sem adicionar modelagem matemtica as restries de preferncia por
aulas geminadas que juntas compem mais de 50% das restries geradas.
Aps encontrada a soluo para este novo problema atravs do
mtodo exato trabalha-se, atravs da Heurstica de Refinamento
Preferncia ou no por aulas geminadas (seo 8.6.8), a melhoria da soluo
pelo algoritmo baseado em Algoritmo Gentico.
Desta forma encontra-se uma soluo mais rpida que o mtodo
exato completo e com um bom resultado, uma vez que a restrio de
preferncia por aulas geminadas pode ser considerada como uma restrio
flexvel, ou seja, nenhum resultado ser recusado se a preferncia no for
atendida.
Resolveu-se aplicar este mtodo para solucionar o problema da
grade horria no ano letivo de 2005, na escola em que realizado o estudo
de caso.
No incio de 2005 algumas mudanas ocorreram no corpo docente da
escola, prioridades pelo dia de no vnculo de alguns professores foram
alteradas e nova grade com dia de hora-atividade foi imposta pela SMED.
O tempo para resolver o problema pelo mtodo exato foi de
aproximadamente 10 horas, tornando este tempo invivel para a resoluo de
tal horrio uma vez que deve ser gerado rapidamente para possveis
alteraes. Alm disto alguns professores tiveram seu dia de no vnculo

83

alterado para que o problema obtivesse soluo exata. Neste momento vale
relembrar que o prottipo trabalha com preferncia.
Como foi descrito anteriormente, o dia de no vnculo de extrema
importncia para os professores da rede municipal de Araucria. Assim,
aplicando o Mtodo Misto, o dia de no vnculo de cada professor satisfeito,
mas em contra partida a preferncia por aula geminadas no satisfeita por
completo para alguns professores.
O resultado obtido para o ano letivo de 2005 consta no anexo 07.

84

10 COMPARAO DOS RESULTADOS

Geradas as grades horrias do ano letivo de 2004 pelos mtodos

descritos nos captulo 07, 08 e 09, e pelo software comercial, neste captulo
realizada a comparao em relao soluo tima do problema (mtodo
exato).
observado de um modo geral, que as turmas designadas para
alguns professores em certos dias so as mesmas em vrios mtodos.
Tambm pode ser verificado que os horrios vagos so designados
no mesmo dia para alguns professores. Desta forma todas as soluo esto
em direo soluo tima.
Deve-se salientar que existe uma soluo tima para o problema, ou
seja, foram atendidas todas as restries pedaggicas e de preferncia dos
professores. Assim, nenhum professor trabalha no dia de no vnculo
preferido e satisfeita a restrio de preferncia ou no por aulas geminadas.
Os Mtodos Exato, Heurstico e Misto foram gerados em um Microcomputador com processador Intel Pentium 4A 2400MHZ de 512 MB de
memria.
O Mtodo Exato foi gerado em 1min 43 seg, obtendo a soluo tima
(figura 21).
O LINGO 6.0 apresenta que no problema real foram geradas 2819
restries e no 2818 conforme comentada no captulo 07. Isto deve-se ao
fato que o LINGO 6.0 considera a Funo Objetivo do problema como uma
restrio.
Os resultados por professor e por turma constam nos anexos 02 a
06. Apenas os casos que no satisfizeram alguma restrio so apresentado
durante a comparao.

85
FIGURA 24 DADOS GERADO PELO LINGO 6.0 REFERENTE AO MTODO EXATO

10.1 COMPARAO ENTRE RESULTADOS: MANUAL X MTODO EXATO

O horrio manual foi gerado pelos professores da escola no incio do

perodo letivo de 2004 (anexo 02).
Todas as heursticas descritas no captulo 08 so baseadas nas
sugestes e no processo observado durante a elaborao deste horrio.
O fato mais importante a ser comentado a preferncia do dia de
no vnculo do professor Carlos.
Este professor prefere ter a tera-feira livre (dia de no-vnculo) mas
no horrio manual no foi possvel realizar esta designao (figura 25).
Observa-se ainda que na tera-feira este professor, que prefere aulas
geminadas, possui turmas com duas aulas mas no so geminadas.

86

Deve-se salientar que mesmo com a alterao do dia de no vnculo

do professor Carlos os demais professores permaneceram em seus dias de
no vnculo solicitados e j designados.
FIGURA 25 MANUAL X EXATO PROFESSOR CARLOS
HA

5C

Horrio Manual
5B

5D

HA

HA

5D

5C

5B

HA

HA

5B

5C

5B

HA

5D

5D

5C

HA

5B

5D

5C

Mtodo Exato
5D
5B

5B

5B

5B

5D

HA

5B

5D

5D

HA

5C

5D

5C

HA

5C

5C

5C

Nas figuras 25 a 47, HA significa hora-atividade. O dia de horaatividade, como j comentado, o qual imposto pela mantenedora a cada
incio do ano letivo.
Outro caso importante a ser observado no horrio manual o da
professora Jucimara.
A professora possui 14 aulas em sala de aula, logo so necessrios
apenas 3 dias de trabalho, mas no horrio manual 01(uma) aula est
designada no seu dia de hora-atividade (figura 26).
Esta designao causa transtorno tanto ao professor quanto a
direo no dias de assessoramento.
Nestes dias a professora deve deixar atividade para seus alunos e
uma pedagoga (ou outro funcionrio da escola) assumir a turma.
FIGURA 26 MANUAL X EXATO PROFESSORA JUCIMARA
6A

Horrio Manual
5A

8A

7B

5A

Mtodo Exato
7A
HA

7A

HA

7B

6C

6C

HA

8A

7A

6C

HA

6B

5A

6B

HA

6B

6C

6B

HA

6A

5A

6A

HA

6A

7B

8A

HA

7A

8A

HA

7B

Outros casos de menor importncia so observados. Estes referemse as restries de preferncia ou no por aulas geminadas.

87

Temos que os horrios gerados manualmente para os professores

Carlos (comentado acima), Edilson, Marilsema, Lcia, Marie e Roslia no
contemplam a preferncia ou no por aula geminadas (figuras 25 e 27 a 31).

FIGURA 27 MANUAL X EXATO PROFESSOR EDILSON AULAS NO GEMINADAS

6A

HA

Horrio Manual
6A

6C

6A

HA

Mtodo Exato
6B

6B

6C

HA

6B

6A

6C

HA

6A

6C

6A

HA

6A

6C

6B

HA

6C

6A

6B

HA

6C

5B

6A

HA

6C

6C

6C

HA

6B

5B

6B

HA

6B

6A

FIGURA 28 MANUAL X EXATO PROFESSORA MARISELMA - AULAS NO GEMINADAS

Horrio Manual
HA
5D

5C

5D

Mtodo Exato
HA
8A

5A

5B

5D

5D

HA

5A

5C
5A

5C

HA

8A

HA

5C

5B

HA

5C

5B

HA

5B

8A

5A

HA

5C

5A

HA

5A

5B

5D

HA

8A

5B
5C

FIGURA 29 MANUAL X EXATO PROFESSORA LCIA - AULAS GEMINADAS

Horrio Manual
HA

Mtodo Exato
6A

HA

6B

6B

HA

6B
6A

HA

6B

6B

HA

6B

6C

6A

HA

HA

6A

6C

6C

HA

6A

6C

HA

HA

6A

6A
6A
6C

6C

6C

6B

6C

6B

FIGURA 30 MANUAL X EXATO PROFESSORA MARIE - AULAS GEMINADAS

Horrio Manual
8A
8A

HA

8A

HA

8A

5A

HA

5A

5A

HA

5A

HA

7A

Mtodo Exato
7B
5A

7B

HA

5A

7B

5A

7A

HA

8A

7A

7B

7A

7A

8A

HA

8A

5A

8A

7A

7A

7B

7A

HA

7B

5A

7A

8A

7B

7B

7B

HA

7B

8A

7A

5A

88
FIGURA 31 MANUAL X EXATO PROFESSORA ROSLIA - AULAS GEMINADAS
5A

5A

Horrio Manual
6A

HA

5A

5B

Mtodo Exato
6B

HA

6B

6C

6A

HA

5A

5B

6C

HA

5B

6B

5A

HA

6A

6C

6A

HA

6C

5B

6B

HA

6B

6C

6A

HA

6B

6A

6C

HA

5B

6B

5A

HA

10.2 COMPARAO ENTRE RESULTADOS: SOFTWARE COMERCIAL X MTODO

EXATO

O horrio gerado pelo software comercial (anexo 06) para este

estudo de caso foi realizado em um computador

Authentic AMD AMD

Duron(tm) 120,0MB RAM.

O software possui uma interface com vrias sugestes para
restries.
Os dados de entrada neste software so os mesmos para os demais
mtodos: os dias de trabalhos, a opo de ter uma aula na hora-atividade
(no recomendada pela SMED), a preferncia ou no por aulas geminadas.
O tempo total para resolver este problema ficou em torno de 5
minutos.
No houve como verificar o tempo corretamente pois na tentativa de
encontrar uma soluo o software faz vrias sugestes para que o horrio
seja elaborado, como: mudanas de dias de trabalho, mudana de turmas de
alguns professores ou mesmo a alterao de preferncia, ou no, por aulas
geminadas.
Quando o software prev que no haver melhora na soluo ou que
demorar muito tempo para encontr-la, ele alerta desta conseqncia e
sugere que alguma alterao seja realizada.

89

No horrio gerado para este problema houve, aps o alerta dado pelo
software, a alterao da opo de preferncia da professora Jucimara por
aulas geminadas (figura 32).

FIGURA 32 SOFTWARE COMERCIAL X EXATO PROFESSORA JUCIMARA - AULAS GEMINADAS

Software Comercial
Mtodo Exato
6A
6B
HA
8A
7B
7A
HA
7A
8A

6C

HA

7B

6C

6C

HA

8A

5A

HA

6C

5A

6B

HA

6B

7A

7B

HA

6B

5A

6A

HA

6A

6A

5A

HA

7A

8A

HA

7B

O software no conseguiu minimizar o total de dias de trabalho da

professora Roslia e designou uma aula em seu dia de hora atividade,
contrariando o recomendado pela mantenedora do Ensino Municipal (figura
33).
Desta forma a professora Roslia tem o quinto horrio na tera-feira
livre.

FIGURA 33 SOFTWARE COMERCIAL X EXATO PROFESSORA ROSLIA

5A

Software Comercial
6C
6C

6A

5A

5B

6B

HA

5A

6C

5A

HA

5A

5B

6C

HA

6B

5B

6A

HA

6A

6C

6A

HA

6B

5B

6A

HA

6B

6C

6A

HA

6B

HA

5B

6B

5A

HA

5B

Mtodo Exato

90

10.3 COMPARAO ENTRE RESULTADOS: MTODO HEURSTICO (AG) X MTODO

EXATO

O horrio gerado pelo mtodo heurstico foi realizado no mesmo

computador que o mtodo exato. Vrias solues foram geradas, sendo a
melhor delas apresentada no anexo 04.
No mtodo heurstico toda vez que gerado um novo horrio obtmse uma soluo diferente. Isto deve-se ao fato do mtodo trabalhar com
nmeros gerados aleatoriamente para tentar solucionar os erros que constam
no problema.
Desta forma a soluo apresentada foi gerada em 53 segundos.
No total o mtodo realizou 767 iteraes. Deste total de iteraes o
Algoritmo Gentico aceitou 596 inverses e recusou 171 para encontrar a
soluo para o problema.
Por ser um mtodo heurstico, no se espera encontrar uma soluo
tima, mas espera-se encontrar uma boa soluo.
A soluo encontrada no respeita a preferncia por aulas
geminadas de alguns professores, mas mesmo assim o horrio no
recusado pois esta restrio flexvel.
Este fato ocasiona que o fitness de cada indivduo, para esta
soluo, seja: 5 A 93%; 5 B 92%; 5 C 92,64%; 5 D 96%; 6 A
96%; 6 B 100%; 6 C 96%; 7 A 88,78%; 7 B 96,5%; e 8 A 96,5%.
Observa-se que a turma (indivduo) que obteve maior fitness a 6
srie B. Conclui-se que neste indivduo no h nenhum erro, ou seja, todas as
restries so satisfeitas. Nas demais turmas temos que alguns professores
no tiveram sua preferncia, em relao a aulas geminadas, atendida por
completo.
Mesmo assim pode-se considerar que o algoritmo conseguiu uma
soluo tima pois nenhum professor possui aula na hora-atividade (exceto o

91

professor Valmir, pois possui 16 h/a) como o recomendado pela SMED, a

preferncia pelo dia de no vnculo de cada professor contemplada e
nenhum professor possui mais dias de trabalho que o necessrio.
Assim verificando a preferncia por aulas geminadas tem-se que
para os seguintes professores esta restrio no contemplada por completo:
Carlos, Lcia, Marie, Rafael, Regina, Roslia e Valmir (figura 34 a 40).

FIGURA 34 MTODO HEURSTICO X MTODO EXATO PROFESSOR CARLOS - AULAS GEMINADAS

Mtodo Heurstico - AG
Mtodo Exato
HA
5D
5B
5B
HA
5D
5B
5B
HA

5C

5D

5C

HA

HA

5C

HA

5B

HA

5D

5B

5B

5D

5D

5B

5C

5D

HA

5B

5D

5D

HA

5C

5D

5B

5C

5C

HA

5C

5C

5C

FIGURA 35 MTODO HEURSTICO X MTODO EXATO PROFESSORA LCIA - AULAS GEMINADAS

Mtodo Heurstico - AG
Mtodo Exato
HA
6B
6C
HA
6B
6A
6A
HA

6C

HA

6C

HA

6B

6B

HA

6C

HA

6B

6A

6A

HA

6A

6C

6A

6B

HA

6A

6A

HA

6C

6C

6B

6C

6B

FIGURA 36 MTODO HEURSTICO X MTODO EXATO PROFESSORA MARIE - AULAS GEMINADAS

Mtodo Heurstico - AG
Mtodo Exato
HA
7A
7B
5A
7A
HA
5A
7B
5A
7B
HA

8A

8A

7A

7B

HA

8A

7A

7B

7A

HA

7B

5A

7B

8A

HA

8A

5A

8A

7A

HA

5A

7A

7A

8A

HA

7B

5A

7A

8A

HA

5A

5A

8A

7B

HA

7B

8A

7A

5A

92

FIGURA 37 MTODO HEURSTICO X MTODO EXATO PROFESSOR RAFAEL - AULAS NO

GEMINADAS
Mtodo Heurstico - AG
Mtodo Exato
7B
8A
7A
HA
7A
5C
7A
HA
5D

7A

8A

HA

5C

8A

5D

HA

5C

7B

7A

HA

5D

5C

7B

HA

8A

5C

5D

HA

8A

7A

7B

HA

5D

5C

7B

HA

5D

7B

8A

HA

FIGURA 38 MTODO HEURSTICO X MTODO EXATO PROFESSORA REGINA - AULAS NO

GEMINADAS
Mtodo Heurstico - AG
Mtodo Exato
7A
6C
HA
6B
6B
6A
HA
6C
7B

7A

HA

6A

6A

7A

HA

6B

6A

6B

HA

7A

6C

7B

HA

7B

7B

7B

HA

6C

7B

6B

HA

7A

6B

6A

HA

6C

6A

7A

HA

6C

FIGURA 39 MTODO HEURSTICO X MTODO EXATO PROFESSORA ROSLIA - AULAS GEMINADAS

Mtodo Heurstico - AG
Mtodo Exato
5B
5B
6A
HA
5A
5B
6B
HA
6A

6B

5B

HA

5A

5B

6C

HA

5A

5A

6B

HA

6A

6C

6A

HA

5A

6C

6B

HA

6B

6C

6A

HA

6A

6C

6C

HA

5B

6B

5A

HA

FIGURA 40 MTODO HEURSTICO X MTODO EXATO PROFESSOR VALMIR - AULAS NO

GEMINADAS
Mtodo Heurstico - AG
Mtodo Exato
5A
5C
5D
5D
5D
HA
5D
5D
5D
5D

HA

5A

5B

5C

HA

5C

5A

5D

HA

5B

5A

5A

HA

5B

5B

5A
5B

5C

HA

5A

5C

5C

5C

5A

5D

5D

5B

HA

5C

5B

5A

HA

5B

5B

5B

93

10.4 COMPARAO ENTRE RESULTADOS: MTODO MISTO X MTODO EXATO

O horrio gerado pelo Mtodo Misto (anexo 05) foi realizado no

mesmo computador que o mtodo exato.
Esta abordagem encontrou a soluo, sem a preferncia ou no por
aulas geminadas, em 14 segundos (figura 41).

FIGURA 41 DADOS GERADOS PELO LINGO 6.0 REFERENTE AO MTODO

MISTO

Aps encontrada a soluo, o algoritmo baseado em Algoritmo

Gentico a melhorou maximizando a preferncia dos professores conforme o
descrito na seo 8.6.8.
O tempo total para gerar esta soluo de 19 segundos: 14
segundos para resolver pelo LINGO 6.0 a modelagem matemtica do
problema e 05 segundos para o algoritmo melhor-la.

94

Esta abordagem a que resolve o problema mais rapidamente e

consegue uma boa soluo.
O tempo total desta abordagem (19 segundos) seis vezes menor
que o tempo total do mtodo exato (1min43s).
Nesta abordagem a preferncia pelo dia de no vnculo de todos os
professores so contempladas, bem como a solicitao da SMED em no
haver aula na hora atividade.
A nica preferncia no atendida por completo a que se refere as
aulas geminadas. Assim os professores Carlos, Jucimara, Lcia, Marie,
Roslia e Rossano no so contemplados totalmente nesta restrio (figuras
42 a 47).

FIGURA 42 MTODO MISTO X MTODO EXATO PROFESSOR CARLOS - AULAS GEMINADAS

Mtodo Misto
Mtodo Exato
HA
5C
5D
5B
HA
5D
5B
5B
HA

5C

5C

5D

HA

5B

5B

5D

HA

5B

5B

5C

HA

5D

5B

5D

HA

5B

5D

5D

HA

5C

5D

HA

5D

5C

5B

5C

HA

5C

5C

5C

FIGURA 43 MTODO MISTO X MTODO EXATO PROFESSORA JUCIMARA - AULAS GEMINADAS

Mtodo Misto
Mtodo Exato
8A
6A
HA
7A
7B
7A
HA
7A
7B

6B

HA

7B

6C

6C

HA

8A

6C

5A

HA

6C

5A

6B

HA

6B

7A

5A

HA

8A

5A

6A

HA

6A

6A

HA

6B

8A

HA

7B

95

FIGURA 44 MTODO MISTO X MTODO EXATO PROFESSORA LCIA - AULAS GEMINADAS

Mtodo Misto
HA

Mtodo Exato
6B

HA

6B

HA

6B

6B

HA

6B
6A

HA

6A

6C

6A

HA

HA

6A

6C

6C

HA

HA

6C

6B

6A

HA

6A

6A
6A
6C

6C

6C

6B

6C

6B

FIGURA 45 MTODO MISTO X MTODO EXATO PROFESSORA MARIE - AULAS GEMINADAS

Mtodo Misto
Mtodo Exato
HA
7A
8A
5A
7B
HA
5A
7B
5A
7B
HA

5A

5A

8A

5A

HA

8A

7A

7B

7A

HA

8A

7A

8A

7A

HA

8A

5A

8A

7A

HA

7B

7A

7B

7A

HA

7B

5A

7A

8A

HA

5A

8A

7B

7B

HA

7B

8A

7A

5A

FIGURA 46 MTODO MISTO X MTODO EXATO PROFESSORA ROSLIA AULAS GEMINADAS

Mtodo Misto
Mtodo Exato
5A
6A
6A
HA
5A
5B
6B
HA
5A

6C

6C

HA

5A

5B

6C

HA

5B

6B

6B

HA

6A

6C

6A

HA

5B

5B

6B

HA

6B

6C

6A

HA

6C

6A

5A

HA

5B

6B

5A

HA

FIGURA 47 MTODO MISTO X MTODO EXATO PROFESSOR ROSSANO - AULAS NO GEMINADAS

Mtodo Misto
Mtodo Exato
5D
HA
5C
5B
5B

5D

HA

5C

HA

5C

HA

5B

HA

5D
5B
5C

5D

96

10.5 GRFICOS COMPARATIVOS

Os grficos mostram o quanto cada mtodo contemplou as seguintes

restries:
Professores contemplados com a primeira opo pelo dia de
no vnculo;
Professores sem aulas designadas no dia de hora-atividade;
Professores com total de dias de trabalho necessrio em sala
de aula contemplados;
Professores com aulas geminadas solicitadas;
Professores com aulas no geminadas solicitadas;

GRFICO 01 QUANTIDADE DE PROFESSORES CONTEMPLADOS COM A

PRIMEIRA OPO PELO DIA DE NO VNCULO

18
16
14
12
10
8
6
4
2
0

Exato
Heurstico
Manual
Software Comercial
Exato-Heurstico

GRFICO 02 - QUANTIDADE DE PROFESSORES QUE NO POSSUEM AULAS

NO DIA DE HORA ATIVIDADE

18
16
14
12
10
8
6
4
2
0

Exato
Heurstico
Manual
Software Comercial
Exato-Heurstico

97

GRFICO 03 - QUANTIDADE DE PROFESSORES COM TOTAL DE DIAS DE

TRABALHO NECESSRIO EM SALA DE AULA CONTEMPLADO

18
16
14
12
10
8
6
4
2
0

Exato
Heurstico
Manual
Software Comercial
Exato-Heurstico

GRFICO 04 - QUANTIDADE DE PROFESSORES COM A PREFERNCIA POR AULA

GEMINADAS CONTEMPLADA POR COMPLETO.

18
16
14
12
10
8
6
4
2
0

Exato
Heurstico
Manual
Software Comercial
Exato-Heurstico

GRFICO 05 - QUANTIDADE DE PROFESSORES COM PREFERNCIA POR AULAS

NO GEMINADAS CONTEMPLADA POR COMPLETO.

18
16
14
12
10
8
6
4
2
0

Exato
Heurstico
Manual
Software Comercial
Exato-Heurstico

98

GRFICO 06 - QUANTIDADE DE PROFESSORES COM PREFERNCIA POR AULAS

GEMINADAS CONTEMPLADA PARCIALMENTE.

5
4
3
2
1
0

Exato
Heurstico
Manual
Software Comercial
Exato-Heurstico

GRFICO 07 - QUANTIDADE DE PROFESSORES COM PREFERNCIA POR AULAS

NO GEMINADAS CONTEMPLADA PARCIALMENTE.

3
2
1
0

Exato
Heurstico
Manual
Software Comercial
Exato-Heurstico

GRFICO 08 - QUANTIDADE DE PROFESSORES COM PREFERNCIA POR AULAS

GEMINADAS NO CONTEMPLADA TOTALMENTE.

18
16
14
12
10
8
6
4
2
0

Exato
Heurstico
Manual
Software Comercial
Exato-Heurstico

99

CONSIDERAES FINAIS E SUGESTES PARA TRABALHOS FUTUROS

De modo geral os mtodos implementados obtiveram uma boa

soluo, pois atravs da pesquisa realizada com os professores da rede
Municipal de Ensino de Araucria as restries mais importantes so
contempladas: preferncia pelo dia de no vnculo e no ser designada aula
para o dia de hora atividade.
Estes professores informaram que no recusam um horrio se suas
aulas designadas no atenderem a preferncia por aula geminadas, pois os
anos de magistrio os fazem compreender o quanto difcil fechar o horrio
e satisfazer a todas as restries impostas.
Em contra partida, se a preferncia pelo dia de no vnculo no for
respeitada, muitos sugerem que seja refeito o horrio com alterao de algum
professor que possui seu horrio mais flexvel.
Assim os resultados obtidos pelos mtodos propostos neste trabalho
mostram-se mais eficientes que o mtodo manual e o software comercial,
para este estudo de caso.
No mtodo manual a preferncia pelo dia de no vnculo de um
professor no respeitada e uma professora que possui carga horria inferior
a 15h/a tem uma aula designada no dia de hora atividade.
No software comercial uma professora est designada com uma aula
no dia de hora atividade, contrariando a recomendao da mantenedora
(SMED) e em conseqncia aumentando o total de dias de trabalho.
Percebe-se, atravs dos resultados obtidos, que o software comercial
privilegia as restries pedaggicas, deixando em segundo plano a
minimizao dos dias de trabalho do professor.
Em todos os mtodos, exceto o exato (soluo tima), no
respeitada a preferncia em relao as aulas geminadas de todos os
professores, para poder satisfazer as restries mais importantes. Este

100

resultado no surpreendente pois as heursticas nem sempre conseguem

gerar a soluo tima, ainda mais num problema como a designao de carga
horria de professores.
O problema real, modelado neste trabalho, comprova a complexidade
em satisfazer todas as 2819 restries e 2090 variveis binrias de deciso,
sendo que esta escola possui apenas 10 turmas e 18 professores.
Como sugesto para trabalhos futuros propem-se:
acrescentar restries como preferncia em ser designada
apenas uma aula por dia na turma aperfeioando a interface
com o usurio.
comparar os

resultados gerados

com

outros

mtodos

heursticos.
abordar o problema dando enfoque ao carter pedaggico,
como satisfazer as aulas geminadas ou no, conforme a
disciplina, mesmo que o total de dias de trabalho no seja
satisfeito.
verificar se os algoritmos propostos conseguem obter boa
soluo para escolas com nmero de turmas diferentes.

101

REFERNCIAS

ANDRADE, E. L. Introduo pesquisa operacional: mtodos e modelos para a

anlise de deciso. Editora Livros Tcnicos e Cientficos, 2.ed. Rio de Janeiro,
1998.
ARAGON, C. R.; JOHNSON, D. D.; McGEOCH, L. A.; SCHEVON C. Optimization
by simulated annealing: na experimental evaluation. Workshop on Statistical
Physics in Engineering and Biology, 1984.
BORGES, S. K. Resoluo de timetabling utilizando algoritmos genticos e
evoluo cooperativa. Curitiba, 2003. 79 f. Dissertao (Mestrado em Cincia da
Computao) Setor de Cincias Exatas, Universidade Federal do Paran.
BRAZ JUNIOR, O. de O. Otimizao de horrios em instituies de ensino
superior atravs de algoritmos genticos. Florianpolis, 2000. 73. Dissertao
(Mestrado em Engenharia de Produo) Universidade Federal de Santa Catarina.
BRUNA, M. D.; COSTA, E. O.; POZO, A. R. Resoluo de timetabling
utlizando
evoluo
cooperativa.
Disponivel.
em:
<http://www.sbc.org.br/reic/edicoes/2003e1/cientificos/resumo03.html> Acessado em
10 de ago. 2004.
CARVALHO, M. A. Rumo a um Modelo para a Soluo Criativa de Problemas
nas Etapas. Disponvel em: <www.decarvalho.eng.br/mac_artigo_ii_cbgdp.pdf>
Acessado em: 15 de mar. 2005.
COLORNI, A.; DORIGO, M.; MANIEZZO, V. Metaheuristics for high school
timetabling. In: Computational Optimization and Applications, 9, Kluwer Acad. Publ.,
Dodrecht, NL, p 275-298. 1998.
CONCILIO, R. Contribuies soluo de problemas de escalonamento pela
adio conjunta de computao evolutiva e otimizao com restries.
Campinas, 2000. 118 f. Dissertao (Mestrado em Engenharia Eltrica) Faculdade
de Engenharia Eltrica e de Computao, Universidade Estadual de Campinas.
COSTA, D. M. B. Distribuio das cargas horrias de professores numa
instituio de ensino. Curitiba, 1994. 55 f. Monografia (Especializao em
Matemtica Aplicada) Setor de Cincias Exatas, Universidade Federal do Paran.
COWLING, P.; KENDALL, G.; HAN, L. An investigation of a hyperheuristic
genetic algorithm applied to a trainer scheduling problem. Disponvel em:
<http://www.cs.nott.ac.uk/~gxk/papers/cec2002lxh.pdf> Acessado em: 20 de fev.
2005.
FEO, T.A.; RESENDE, M.G.C. Greedy randomized adaptive search procedures.
Journal of Global Optimization, v. 6, p. 109-133. 1992.
FOGEL, D.B. Na introduction to simulated evolutionary computation.
Transactions on Neural Networks. v. 5, p 3-14. 1994

IEEE

GLOVER, F. Tabu search. Part I. ORSA Journal on Computing, 1 (3): 190-206,

1989.

102

GREFENSTETTE, J. J. Optmizacion of Control Parameters for Genetic

Algorithms. IEEE Transactions on systems, man and cybernetics, v. 16, p. 122-128,
1986.
GOLDBERG, D. E. Genetic algorithms in search, optmization, and machine
learning. Addison-Wesley Publishing Company, Inc. Massachusetts, 1989.
HANSEN, P., JAUMARD, B.
Classification, 4, 2, 1986.

Minimum sum of diameteres clustering. J of

HOFFMEISTER, S., BCK, T. Genetic algorithms and evolution strategie:

similarities and differences. In: SCHWESEL; H. P.; MANNER, R. (EDS.), 1(ST)
WORSHOP PARALLEL PROBLEM SOLVING FROM NATURE - PPSN (1990:
Dortmund, Germany). p. 455-469, 1990.
HOLLAND, J. H. Adaptacion in natural and artificial systems. 2ed. Cambridge,
USA: Mit Press, p. 211, 1992
KIRKPATRICK, S.; GELATT, Jr. D. D.; VECCHI, M.P. Optimization by simulated
annealing. Science, v 220, p. 671-680, 1983.
KOTSKO, E. G. S. Otimizao na construo da grade horria escola uma
aplicao. Curitiba, 2003. 66 f. Dissertao (Mestrado em Mtodos Numricos em
Engenharia) Setor de Cincias Exatas e Setor de Tecnologia, Universidade
Federal do Paran.
LAGUNA, M. Tabu search tutorial. II Escuela de Verano Latino-Americana de
Investigacin Operativa, Mendes, RJ, 1991.
LAND, A. H., DOIG, A. G. An automatic method of solving discrete programming
problems. Econometrica, v. 28. p. 497-520, 1960.
LDB. Lei de Diretrizes e Bases n 9394/96.
LOPES, M. C.; SCHOEFFEL, P. Um mtodo de designao para o problema de
reservas de sala de aula. In: CONGRESSO BRASILEIRO DE COMPUTAO, II,
Itaja, 2002.
Algorimos Genticos: um estudo de seus conceitos
LUCAS, D. C.
fundamentais e aplicao no problema de grade horria. Pelotas, 2000. 57 f.
Monografia (Bacharelado em Informtica) Instituto de Fsica e Matemtica,
Universidade Federal de Pelotas.
MICHALEWICZ, Z.; SCHOEMAUER, M. Evolutionay algorthms for constrained
parameter optmization problems. Evolutionary Computation. v. 4, p 1-32. 1996.
MURTY, K. G. Linear and combinatorial programming. Robert E. Krieger
Publishing Company. Florida, 1985.
PINHERIO, P.R.; OLIVEIRA, J.A. Um ambiente de apoio a construo de horrio
escolar na WEB: modelagem implementao e plicao nas escolas de ensino
mdio. In: SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL, XXXIII,
Campos do Jordo-SP. 2001.

103

PROPOSTA PEDAGGICA. Escola Municipal Planalto dos Pinheiros. Araucria,

2003.
PUCCINI, A. de L.; PIZZOLATO, N. D. Programao Linear. Editora Livros
Tcnicos e Cientficos, 2.ed. Rio de Janeiro, 1990.
REEVES, C. R. Modern heuristic techniques for combinatorial problems.
McGraw-Hill Book Company Europe. London, 1995.
SMED. Estatstica Mensal Novembro/2004. Araucria, 2004.
SORROCHE, R. LOPES, M. C. Anlise comparativa de algoritmos de grafos
para um sistema de auxlio matricula de alunos. In: Seminco Seminrio de
Computao, XII. Itaja, 2003.
SOUZA, M. J. F.; MACULAN, N; OCHI, L. S. Uma heurstica para o problema de
programao de horrios em escolas. In: CONGRESSO NACIONAL DE
MATEMTICA APLICADA E COMPUTACIONAL, XXIII, So Carlos-SP. 2001.
SUCUPIRA, I. R. Mtodos Heursticos Genricos: Meta-heursticas e Hiperheursticas. Disponivel em: <www.ime.usp.br/~igorrs/monografias/metahiper.pdf>
Acessado em 25 de mar. 2005.
ZAMBONI, L. V. de S.; SIQUEIRA, P. H. Aplicaes de meta-heurstica no
problema de designao de turmas s salas de aula na Universidade Federal
do Paran. In: SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL, Campos
do Jordo-SP. 2001.
ZIONTS, S. Linear and Integer Programming. Prentice-Hall. New Jersey. 1974.

104

ANEXO 01 PESQUISA DE PREFERNCIA

105

106

ANEXO 02 HORRIO GERADO MANUALMENTE

107

Segunda

Tera

5 A
Quarta

Quinta

Sexta

Segunda

Tera

5 B
Quarta

Quinta

Sexta

Rosalia
Vera
Valmir
Marta
Marisel.

Marta
Jucimara
Marie
Marie
Vera

Rosalia
Marie
Marie
Noeli
Marta

Jucimara
Marie
Rosalia
Valmir
Marisel.

Marisel.
Noeli
Valmir
Valmir
Vera

Marta
Valmir
Rosalia
Marisel.
Rosalia

Vera
Marta
Carlos
Vera
Carlos

Marta
Noeli
Rossano
Rosalia
Rossano

Carlos
Valmir
Valmir
Marisel.
Noeli

Valmir
Carlos
Carlos
Vera
Marisel.

Segunda

Tera

5 C
Quarta

Quinta

Sexta

Segunda

Tera

5 D
Quarta

Quinta

Sexta

Marisel.
Marisel.
Marta
Vera
Valmir

Carlos
Vera
Rafael
Marta
Rossano

Rossano
Rafael
Noeli
Marta
Noeli

Valmir
Carlos
Carlos
Rafael
Valmir

Vera
Valmir
Marisel.
Carlos
Carlos

Valmir
Marta
Vera
Valmir
Vera

Valmir
Carlos
Marta
Carlos
Rafael

Noeli
Rossano
Marta
Rossano
Rafael

Marisel.
Marisel.
Rafael
Carlos
Carlos

Carlos
Marisel.
Vera
Noeli
Valmir

Segunda

Tera

6 A
Quarta

Quinta

Sexta

Segunda

Tera

6 B
Quarta

Quinta

Sexta

Edilson
Clarice
Edilson
Gisele
Regina

Jucimara
Gisele
Regina
Lucia H.
Clarice

Edilson
Dayana
Edilson
Gisele
Rosalia

Rosalia
Rosalia
Clarice
Dayana
Lucia H.

Lucia H.
Edilson
Lucia H.
Jucimara
Regina

Clarice
Rosalia
Regina
Edilson
Gisele

Clarice
Lucia H.
Lucia H.
Regina
Gisele

Gisele
Edilson
Rosalia
Jucimara
Edilson

Dayana
Lucia
Dayana
Rosalia
Clarice

Regina
Lucia
Jucimara
Edilson
Edilson

Segunda

Tera

6 C
Quarta

Quinta

Sexta

Segunda

Tera

7 A
Quarta

Quinta

Sexta

Gisele
Edilson
Clarice
Rosalia
Edilson

Gisele
Regina
Clarice
Jucimara
Regina

Dayana
Rosalia
Jucimara
Edilson
Gisele

Clarice
Dayana
Lucia
Lucia
Rosalia

Edilson
Regina
Edilson
Lucia
Lucia

Regina
Gisele
Anderson
Regina
Clarice

Rafael
Clarice
Jucimara
Gisele
Marie

Rafael
Anderson
Gisele
Marie
Anderson

Anderson
Rafael
Marie
Noeli
Anderson

Noeli
Marie
Regina
Marie
Jucimara

Segunda

Tera

7 B
Quarta

Quinta

Sexta

Segunda

Tera

8 A
Quarta

Quinta

Sexta

Anderson
Regina
Gisele
Clarice
Anderson

Regina
Rafael
Gisele
Clarice
Jucimara

Anderson
Gisele
Anderson
Rafael
Marie

Rafael
Anderson
Noeli
Marie
Marie

Marie
Jucimara
Noeli
Regina
Marie

Vera
Anderson
Mariselma
Anderson
Marta

Marie
Marie
Vera
Rafael
Marta

Marie
Marta
Rafael
Anderson
Jucimara

Marie
Noeli
Anderson
Anderson
Rafael

Jucimara
Vera
Marie
Mariselma
Noeli

Professor

Segunda
6B
6A
6C
7B
7A

Clarice
Tera
6B
7A
6C
7B
6A

Quarta
6C
6B
8A
Quarta

Geografia
Quinta
6C
6A
6B

Professor

Sexta
8A
7B
6B
6A
7A

Segunda

Rossano
Tera

5C
Professor

Sexta

Segunda
5C
5C
8A
5B
5A

Quarta

Quarta
6B
7B
7A
6A
6C

Quarta
5C
5D
5B
5D
5B

Mariselma
Tera
Quarta

Portugus
Quinta
Sexta
5B
5D
5C
5B
5C
5B
5D
5C
5D
5C
Ed. Fsica
Quinta

Artes
Quinta

Sexta
No vnculo

Gisele
Tera
6C
6A
7B
7A
6B

Portugus
Quinta
Sexta
8A
7B
5A
7A
7A
8A
7B
7A
7B
7B

Hora Atividade

Segunda
6C
7A
7B
6A
6B

Carlos
Tera
5C
5D
5B
5D
5B

Quarta
8A
5A
5A
7A
7B

No vnculo

Hora Atividade
Hora Atividade

No Vnculo

Artes
Quinta
5A

Sexta

Marie
Tera
8A
8A
5A
5A
7A

Matemtica
Quinta
Sexta
5C
5B
5B
5C
5B
5A
5A
5A
5C
5D

Quarta

Sexta

Hora Atividade

Jucimara
Tera
6A
5A
7A
6C
7B

Quarta
5B
8A
5D
5C
5A

Segunda

Hora atividade

Professor

Marta
Tera
5A
5B
5D
5C
8A

No vnculo

Ed. Fsica
Quinta

6B
6B
6A

Segunda

Valmir
Tera
5D

Hora Atividade

No vnculo

Segunda

Professor

Segunda
5D
5B
5A
5D
5C

No vnculo

Professor

Portugus
Quinta
Sexta
6A
6B
6B
6C
6A
6C
6C
6A
6C

Lucia Helena
Tera
Quarta

No vnculo

Segunda
5B
5D
5C
5A
8A

Professor

No vnculo

Professor

Matemtica
Quinta
Sexta
6C
6A
6C
6B
6B

Quarta
6A
6B
6A
6C
6B

Hora Atividade

Hora Atividade

Segunda

Edilson
Tera

Hora Atividade

Professor

Professor

No vnculo

Segunda
6A
6C
6A
6B
6C

Matemtica
Quinta
Sexta
7A
7B
8A
8A
7A

Hora Atividade

Professor

Anderson
Tera
Quarta
7B
7A
7B
8A
7A
Hora atividade

Segunda
7B
8A
7A
8A
7B

Hora Atividade

Professor

No vnculo

108

Geografia
Quinta
5D
5D
5B
5A

Sexta
5A
5D
5C
8A
5B

109

Vera
Tera
5B
5C
8A
5B
5A

Ingls
Quinta
8A
7B
7A
5B
Cincias
Quinta

Professor

Sexta
7A
5A
7B
5D
8A

Segunda

Professor

Sexta
5C
8A
5D
5B
5A

Rafael
Tera
7A
7B
5C
8A
5D
Dayana
Tera

Segunda
7A
7B
6B
7A
6A

Regina
Tera
7B
6C
6A
6B
6C

Quarta
7A
5C
8A
7B
5D

Quarta
6C
6A

Histria
Quinta
7B
7A
5D
5C
8A
Ingls
Quinta
6B
6C
6B
6A

Quarta

Cincias
Quinta

Sexta
Hora Atividade

No vnculo

Hora Atividade

No vnculo
Quarta

Segunda

No vnculo

Segunda
8A
5A
5D
5C
5D

Quarta
5D
5B
5C
5A
5C

Professor

Sexta

Hora Atividade

Professor

Noeli
Tera

Histria
Quinta
6A
6A
5A
6B
6C

Hora Atividade

No vnculo

Segunda

Quarta

No vnculo

Professor

Roslia
Tera
5A
6C
6B
5B
6A

Hora Atividade

Segunda
5A
6B
5B
6C
5B

Hora Atividade

Professor

Sexta

Sexta
6B
6C
7A
7B
6A

110

ANEXO 03 HORRIO GERADO PELO MTODO EXATO

111

MTODO EXATO
Horrio gerado por prottipo desenvolvido para
defesa de dissertao de Anderson Roges T. Ges
RELATRIO - TURMAS

_______________________________________________|______________________________________________
T5A
| T5B
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
ROSALIA MARIE
MARTA
MARIE
VERA
| MARISELM ROSALIA ROSSANO CARLOS
CARLOS
ROSALIA MARTA
NOELI
MARISELM VALMIR
| VERA
ROSALIA CARLOS
CARLOS
VERA
VALMIR
JUCIMARA MARIE
NOELI
MARISELM | MARISELM MARTA
CARLOS
VALMIR
VALMIR
MARISELM JUCIMARA MARIE
VALMIR
VERA
| MARTA
VERA
ROSSANO NOELI
MARISELM
VALMIR
VERA
MARTA
ROSALIA MARIE
| ROSALIA MARTA
NOELI
VALMIR
VALMIR
_______________________________________________|______________________________________________
T5C
| T5D
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
MARTA
ROSSANO RAFAEL
NOELI
NOELI
| VALMIR
MARTA
CARLOS
VALMIR
VALMIR
VALMIR
RAFAEL
MARTA
VALMIR
MARISELM | MARISELM VERA
ROSSANO RAFAEL
CARLOS
MARTA
VERA
RAFAEL
MARISELM VERA
| VERA
RAFAEL
NOELI
CARLOS
CARLOS
VALMIR
VALMIR
CARLOS
MARISELM CARLOS
| VERA
MARTA
MARTA
CARLOS
VALMIR
VERA
ROSSANO CARLOS
CARLOS
CARLOS
| MARISELM RAFAEL
ROSSANO NOELI
MARISELM
_______________________________________________|______________________________________________
T6A
| T6B
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
EDILSON REGINA
GISELE
LUCIA
LUCIA
| REGINA
LUCIA
EDILSON ROSALIA EDILSON
REGINA
GISELE
EDILSON CLARICE LUCIA
| CLARICE LUCIA
GISELE
DAYANA
REGINA
ROSALIA LUCIA
DAYANA
ROSALIA EDILSON | EDILSON GISELE
JUCIMARA CLARICE JUCIMARA
EDILSON CLARICE JUCIMARA ROSALIA JUCIMARA | ROSALIA REGINA
GISELE
CLARICE LUCIA
REGINA
GISELE
DAYANA
CLARICE EDILSON | EDILSON ROSALIA EDILSON DAYANA
LUCIA
_______________________________________________|______________________________________________
T6C
| T7A
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
CLARICE GISELE
DAYANA
CLARICE REGINA
| ANDERSON RAFAEL
JUCIMARA RAFAEL
JUCIMARA
EDILSON JUCIMARA JUCIMARA ROSALIA EDILSON | GISELE
REGINA
MARIE
NOELI
MARIE
REGINA
ROSALIA EDILSON DAYANA
LUCIA
| CLARICE CLARICE ANDERSON ANDERSON MARIE
CLARICE ROSALIA EDILSON LUCIA
EDILSON | GISELE
GISELE
RAFAEL
MARIE
REGINA
GISELE
LUCIA
GISELE
LUCIA
REGINA
| ANDERSON REGINA
ANDERSON MARIE
NOELI
_______________________________________________|______________________________________________
T7B
| T8A
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
GISELE
JUCIMARA MARIE
ANDERSON MARIE
| VERA
VERA
ANDERSON MARISELM MARISELM
ANDERSON CLARICE ANDERSON MARIE
NOELI
| MARTA
MARIE
RAFAEL
ANDERSON JUCIMARA
GISELE
REGINA
GISELE
RAFAEL
REGINA
| ANDERSON MARIE
MARTA
MARIE
NOELI
REGINA
MARIE
ANDERSON RAFAEL
NOELI
| ANDERSON RAFAEL
NOELI
ANDERSON MARIE
CLARICE MARIE
RAFAEL
ANDERSON JUCIMARA | MARTA
JUCIMARA MARIE
RAFAEL
VERA
_______________________________________________|______________________________________________

112

MTODO EXATO
Horrio gerado por prottipo desenvolvido para
defesa de dissertao de Anderson Roges T. Ges
RELATRIO - PROFESSORES

____________________________________________|____________________________________________
ANDERSON - MATEMTICA
| CARLOS - PORTUGUS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T7A
H A
T8A
T7B
--|
H A
--T5D
T5B
T5B
T7B
H A
T7B
T8A
--|
H A
--T5B
T5B
T5D
T8A
H A
T7A
T7A
--|
H A
--T5B
T5D
T5D
T8A
H A
T7B
T8A
--|
H A
--T5C
T5D
T5C
T7A
H A
T7A
T7B
--|
H A
--T5C
T5C
T5C
____________________________________________|____________________________________________
CLARICE - GEOGRAFIA
| DAYANA - INGLS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T6C
--H A
T6C
--|
--H A
T6C
----T6B
T7B
H A
T6A
--|
--H A
--T6B
--T7A
T7A
H A
T6B
--|
--H A
T6A
T6C
--T6C
T6A
H A
T6B
--|
--H A
------T7B
--H A
T6A
--|
--H A
T6A
T6B
--____________________________________________|____________________________________________
EDILSON - MATEMTICA
| GISELE - EDFSICA
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T6A
H A
T6B
--T6B
|
T7B
T6C
T6A
H A
--T6C
H A
T6A
--T6C
|
T7A
T6A
T6B
H A
--T6B
H A
T6C
--T6A
|
T7B
T6B
T7B
H A
--T6A
H A
T6C
--T6C
|
T7A
T7A
T6B
H A
--T6B
H A
T6B
--T6A
|
T6C
T6A
T6C
H A
--____________________________________________|____________________________________________
JUCIMARA - ARTES
| LUCIA - PORTUGUS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
--T7B
T7A
H A
T7A
|
H A
T6B
--T6A
T6A
--T6C
T6C
H A
T8A
|
H A
T6B
----T6A
--T5A
T6B
H A
T6B
|
H A
T6A
----T6C
--T5A
T6A
H A
T6A
|
H A
----T6C
T6B
--T8A
--H A
T7B
|
H A
T6C
--T6C
T6B
____________________________________________|____________________________________________
MARIE - PORTUGUS
| MARISELMA - GEOGRAFIA
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
H A
T5A
T7B
T5A
T7B
|
T5B
--H A
T8A
T8A
H A
T8A
T7A
T7B
T7A
|
T5D
--H A
T5A
T5C
H A
T8A
T5A
T8A
T7A
|
T5B
--H A
T5C
T5A
H A
T7B
T5A
T7A
T8A
|
T5A
--H A
T5C
T5B
H A
T7B
T8A
T7A
T5A
|
T5D
--H A
--T5D
____________________________________________|____________________________________________
MARTA - EDFSICA
| NOELI - INGLS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T5C
T5D
T5A
H A
--|
--H A
--T5C
T5C
T8A
T5A
T5C
H A
--|
--H A
T5A
T7A
T7B
T5C
T5B
T8A
H A
--|
--H A
T5D
T5A
T8A
T5B
T5D
T5D
H A
--|
--H A
T8A
T5B
T7B
T8A
T5B
T5A
H A
--|
--H A
T5B
T5D
T7A
____________________________________________|____________________________________________

113

Continuao

- MTODO EXATO

____________________________________________|____________________________________________
RAFAEL - HISTRIA
| REGINA - CINCIAS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
--T7A
T5C
T7A
H A
|
T6B
T6A
H A
--T6C
--T5C
T8A
T5D
H A
|
T6A
T7A
H A
--T6B
--T5D
T5C
T7B
H A
|
T6C
T7B
H A
--T7B
--T8A
T7A
T7B
H A
|
T7B
T6B
H A
--T7A
--T5D
T7B
T8A
H A
|
T6A
T7A
H A
--T6C
____________________________________________|____________________________________________
ROSALIA - HISTRIA
| ROSSANO - ARTES
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T5A
T5B
--T6B
H A
|
--T5C
T5B
H A
--T5A
T5B
--T6C
H A
|
----T5D
H A
--T6A
T6C
--T6A
H A
|
------H A
--T6B
T6C
--T6A
H A
|
----T5B
H A
--T5B
T6B
--T5A
H A
|
--T5C
T5D
H A
--____________________________________________|____________________________________________
VALMIR - MATEMTICA
| VERA - CINCIAS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T5D
H A
--T5D
T5D
|
T8A
T8A
H A
--T5A
T5C
H A
--T5C
T5A
|
T5B
T5D
H A
--T5B
T5A
H A
--T5B
T5B
|
T5D
T5C
H A
--T5C
T5C
T5C
--T5A
T5D
|
T5D
T5B
H A
--T5A
T5A
H A
--T5B
T5B
|
T5C
T5A
H A
--T8A
____________________________________________|____________________________________________

114

ANEXO 04 HORRIO GERADO PELO MTODO HEURSTICO ALGORITMO

BASEADO EM ALGORITMO GENTICO

115

MTODO HEURSTICO
Horrio gerado por prottipo desenvolvido para
defesa de dissertao de Anderson Roges T. Ges
RELATRIO - TURMAS

_______________________________________________|______________________________________________
T5A
| T5B
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
ROSALIA MARTA
MARTA
VALMIR
MARISELM | MARISELM ROSALIA ROSSANO NOELI
CARLOS
VALMIR
VERA
MARTA
VALMIR
JUCIMARA | ROSALIA MARTA
CARLOS
ROSALIA VALMIR
MARISELM ROSALIA MARIE
MARIE
VALMIR
| VERA
VERA
MARTA
CARLOS
CARLOS
ROSALIA MARIE
JUCIMARA NOELI
NOELI
| MARISELM ROSSANO NOELI
VALMIR
VALMIR
VERA
MARIE
MARIE
MARISELM VERA
| VALMIR
VERA
MARTA
CARLOS
MARISELM
_______________________________________________|______________________________________________
T5C
| T5D
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
VALMIR
VALMIR
NOELI
CARLOS
VERA
| MARTA
ROSSANO CARLOS
RAFAEL
VALMIR
VERA
ROSSANO RAFAEL
NOELI
CARLOS
| MARISELM RAFAEL
NOELI
CARLOS
MARISELM
MARTA
RAFAEL
RAFAEL
MARISELM MARISELM | VALMIR
MARTA
CARLOS
VALMIR
VERA
VERA
MARTA
CARLOS
MARISELM CARLOS
| VALMIR
VERA
MARTA
CARLOS
VERA
MARTA
ROSSANO CARLOS
VALMIR
VALMIR
| MARISELM RAFAEL
ROSSANO NOELI
CARLOS
_______________________________________________|______________________________________________
T6A
| T6B
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
CLARICE JUCIMARA GISELE
LUCIA
EDILSON | EDILSON GISELE
JUCIMARA ROSALIA REGINA
EDILSON CLARICE EDILSON DAYANA
REGINA
| CLARICE ROSALIA DAYANA
LUCIA
EDILSON
ROSALIA GISELE
DAYANA
ROSALIA LUCIA
| EDILSON REGINA
EDILSON LUCIA
JUCIMARA
REGINA
GISELE
EDILSON CLARICE LUCIA
| GISELE
LUCIA
DAYANA
ROSALIA EDILSON
ROSALIA REGINA
JUCIMARA LUCIA
EDILSON | REGINA
CLARICE GISELE
CLARICE LUCIA
_______________________________________________|______________________________________________
T6C
| T7A
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
GISELE
REGINA
EDILSON CLARICE LUCIA
| ANDERSON MARIE
ANDERSON MARIE
MARIE
GISELE
LUCIA
JUCIMARA CLARICE LUCIA
| REGINA
REGINA
MARIE
MARIE
NOELI
CLARICE LUCIA
JUCIMARA DAYANA
EDILSON | GISELE
CLARICE GISELE
RAFAEL
REGINA
EDILSON ROSALIA GISELE
DAYANA
REGINA
| ANDERSON JUCIMARA RAFAEL
RAFAEL
JUCIMARA
EDILSON ROSALIA EDILSON ROSALIA REGINA
| CLARICE GISELE
ANDERSON ANDERSON NOELI
_______________________________________________|______________________________________________
T7B
| T8A
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
REGINA
RAFAEL
MARIE
ANDERSON NOELI
| VERA
VERA
RAFAEL
MARISELM JUCIMARA
ANDERSON GISELE
GISELE
ANDERSON MARIE
| MARTA
MARIE
ANDERSON RAFAEL
VERA
REGINA
MARIE
ANDERSON CLARICE NOELI
| ANDERSON JUCIMARA NOELI
ANDERSON MARIE
CLARICE REGINA
ANDERSON MARIE
MARIE
| MARTA
RAFAEL
MARIE
ANDERSON MARISELM
GISELE
JUCIMARA RAFAEL
RAFAEL
JUCIMARA | ANDERSON MARTA
NOELI
MARIE
MARIE
_______________________________________________|______________________________________________

116

MTODO HEURSTICO
Horrio gerado por prottipo desenvolvido para
defesa de dissertao de Anderson Roges T. Ges
RELATRIO - PROFESSORES

____________________________________________|____________________________________________
ANDERSON - MATEMTICA
| CARLOS - PORTUGUS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T7A
H A
T7A
T7B
--|
H A
--T5D
T5C
T5B
T7B
H A
T8A
T7B
--|
H A
--T5B
T5D
T5C
T8A
H A
T7B
T8A
--|
H A
--T5D
T5B
T5B
T7A
H A
T7B
T8A
--|
H A
--T5C
T5D
T5C
T8A
H A
T7A
T7A
--|
H A
--T5C
T5B
T5D
____________________________________________|____________________________________________
CLARICE - GEOGRAFIA
| DAYANA - INGLS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T6A
--H A
T6C
--|
--H A
------T6B
T6A
H A
T6C
--|
--H A
T6B
T6A
--T6C
T7A
H A
T7B
--|
--H A
T6A
T6C
--T7B
--H A
T6A
--|
--H A
T6B
T6C
--T7A
T6B
H A
T6B
--|
--H A
------____________________________________________|____________________________________________
EDILSON - MATEMTICA
| GISELE - EDFSICA
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T6B
H A
T6C
--T6A
|
T6C
T6B
T6A
H A
--T6A
H A
T6A
--T6B
|
T6C
T7B
T7B
H A
--T6B
H A
T6B
--T6C
|
T7A
T6A
T7A
H A
--T6C
H A
T6A
--T6B
|
T6B
T6A
T6C
H A
--T6C
H A
T6C
--T6A
|
T7B
T7A
T6B
H A
--____________________________________________|____________________________________________
JUCIMARA - ARTES
| LUCIA - PORTUGUS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
--T6A
T6B
H A
T8A
|
H A
----T6A
T6C
----T6C
H A
T5A
|
H A
T6C
--T6B
T6C
--T8A
T6C
H A
T6B
|
H A
T6C
--T6B
T6A
--T7A
T5A
H A
T7A
|
H A
T6B
----T6A
--T7B
T6A
H A
T7B
|
H A
----T6A
T6B
____________________________________________|____________________________________________
MARIE - PORTUGUS
| MARISELMA - GEOGRAFIA
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
H A
T7A
T7B
T7A
T7A
|
T5B
--H A
T8A
T5A
H A
T8A
T7A
T7A
T7B
|
T5D
--H A
--T5D
H A
T7B
T5A
T5A
T8A
|
T5A
--H A
T5C
T5C
H A
T5A
T8A
T7B
T7B
|
T5B
--H A
T5C
T8A
H A
T5A
T5A
T8A
T8A
|
T5D
--H A
T5A
T5B
____________________________________________|____________________________________________
MARTA - EDFSICA
| NOELI - INGLS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T5D
T5A
T5A
H A
--|
--H A
T5C
T5B
T7B
T8A
T5B
T5A
H A
--|
--H A
T5D
T5C
T7A
T5C
T5D
T5B
H A
--|
--H A
T8A
--T7B
T8A
T5C
T5D
H A
--|
--H A
T5B
T5A
T5A
T5C
T8A
T5B
H A
--|
--H A
T8A
T5D
T7A
____________________________________________|____________________________________________

117

Continuao

- MTODO HEURSTICO

____________________________________________|____________________________________________
RAFAEL - HISTRIA
| REGINA - CINCIAS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
--T7B
T8A
T5D
H A
|
T7B
T6C
H A
--T6B
--T5D
T5C
T8A
H A
|
T7A
T7A
H A
--T6A
--T5C
T5C
T7A
H A
|
T7B
T6B
H A
--T7A
--T8A
T7A
T7A
H A
|
T6A
T7B
H A
--T6C
--T5D
T7B
T7B
H A
|
T6B
T6A
H A
--T6C
____________________________________________|____________________________________________
ROSALIA - HISTRIA
| ROSSANO - ARTES
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T5A
T5B
--T6B
H A
|
--T5D
T5B
H A
--T5B
T6B
--T5B
H A
|
--T5C
--H A
--T6A
T5A
--T6A
H A
|
------H A
--T5A
T6C
--T6B
H A
|
--T5B
--H A
--T6A
T6C
--T6C
H A
|
--T5C
T5D
H A
--____________________________________________|____________________________________________
VALMIR - MATEMTICA
| VERA - CINCIAS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T5C
T5C
--T5A
T5D
|
T8A
T8A
H A
--T5C
T5A
H A
--T5A
T5B
|
T5C
T5A
H A
--T8A
T5D
H A
--T5D
T5A
|
T5B
T5B
H A
--T5D
T5D
H A
--T5B
T5B
|
T5C
T5D
H A
--T5D
T5B
H A
--T5C
T5C
|
T5A
T5B
H A
--T5A
____________________________________________|____________________________________________

118

ANEXO 05 HORRIO GERADO PELO MTODO MISTO

119

MTODO MISTO
Horrio gerado por prottipo desenvolvido para
defesa de dissertao de Anderson Roges T. Ges
RELATRIO - TURMAS

_________________________________________________|____________________________________________
T5A
| T5B
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
ROSALIA MARTA
MARTA
MARIE
MARISELM | MARTA
VERA
NOELI
MARISELM VALMIR
ROSALIA MARIE
MARIE
VALMIR
VALMIR
| MARISELM ROSSANO MARTA
CARLOS
CARLOS
MARISELM MARTA
JUCIMARA NOELI
VERA
| ROSALIA VERA
CARLOS
VALMIR
VALMIR
VALMIR
VERA
JUCIMARA VALMIR
MARIE
| ROSALIA ROSALIA NOELI
CARLOS
VERA
VERA
MARIE
NOELI
ROSALIA MARISELM | MARISELM ROSSANO MARTA
VALMIR
CARLOS
_________________________________________________|____________________________________________
T5C
| T5D
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
VALMIR
RAFAEL
CARLOS
VALMIR
CARLOS
| MARISELM VALMIR
ROSSANO CARLOS
VERA
VERA
VERA
CARLOS
MARISELM NOELI
| VALMIR
MARTA
ROSSANO RAFAEL
VERA
VALMIR
ROSSANO MARTA
CARLOS
MARISELM | MARTA
RAFAEL
NOELI
MARISELM CARLOS
VERA
ROSSANO MARTA
MARISELM VALMIR
| MARISELM MARTA
CARLOS
NOELI
CARLOS
MARTA
RAFAEL
RAFAEL
CARLOS
NOELI
| VALMIR
VERA
CARLOS
RAFAEL
VALMIR
_________________________________________________|___________________________________________
T6A
| T6B
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
CLARICE ROSALIA JUCIMARA ROSALIA LUCIA
| EDILSON CLARICE EDILSON LUCIA
EDILSO
REGINA
REGINA
GISELE
DAYANA
LUCIA
| CLARICE GISELE
JUCIMARA ROSALIA JUCIMA
EDILSON LUCIA
EDILSON CLARICE EDILSON | GISELE
ROSALIA GISELE
DAYANA
REGINA
GISELE
LUCIA
GISELE
CLARICE EDILSON | EDILSON REGINA
EDILSON ROSALIA LUCIA
EDILSON ROSALIA JUCIMARA DAYANA
REGINA
| REGINA
CLARICE DAYANA
LUCIA
LUCIA
_________________________________________________|____________________________________________
T6C
| T7A
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
REGINA
GISELE
GISELE
CLARICE JUCIMARA | ANDERSON MARIE
RAFAEL
RAFAEL
MARIE
EDILSON ROSALIA EDILSON LUCIA
EDILSON | GISELE
CLARICE NOELI
CLARICE REGINA
REGINA
JUCIMARA DAYANA
ROSALIA LUCIA
| ANDERSON GISELE
MARIE
ANDERSON MARIE
CLARICE GISELE
DAYANA
LUCIA
REGINA
| REGINA
JUCIMARA MARIE
RAFAEL
NOELI
ROSALIA LUCIA
EDILSON CLARICE EDILSON | GISELE
REGINA
ANDERSON ANDERSON JUCIMA
_________________________________________________|____________________________________________
T7B
| T8A
Seg
Ter
Qua
Qui
Sex
| Seg
Ter
Qua
Qui
Sex
GISELE
REGINA
ANDERSON NOELI
REGINA
| VERA
JUCIMARA MARIE
ANDERSON NOELI
ANDERSON JUCIMARA RAFAEL
ANDERSON MARIE
| MARTA
RAFAEL
ANDERSON MARIE
MARISE
CLARICE REGINA
ANDERSON RAFAEL
NOELI
| VERA
MARIE
RAFAEL
MARIE
JUCIMA
ANDERSON MARIE
RAFAEL
MARIE
JUCIMARA | MARTA
RAFAEL
ANDERSON ANDERSON MARISE
CLARICE GISELE
GISELE
MARIE
MARIE
| ANDERSON MARTA
MARIE
NOELI
VERA

120

MTODO MISTO
Horrio gerado por prottipo desenvolvido para
defesa de dissertao de Anderson Roges T. Ges
RELATRIO - PROFESSORES

____________________________________________|____________________________________________
ANDERSON - MATEMTICA
| CARLOS - PORTUGUS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T7A
H A
T7B
T8A
--|
H A
--T5C
T5D
T5C
T7B
H A
T8A
T7B
--|
H A
--T5C
T5B
T5B
T7A
H A
T7B
T7A
--|
H A
--T5B
T5C
T5D
T7B
H A
T8A
T8A
--|
H A
--T5D
T5B
T5D
T8A
H A
T7A
T7A
--|
H A
--T5D
T5C
T5B
____________________________________________|____________________________________________
CLARICE - GEOGRAFIA
| DAYANA - INGLS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T6A
T6B
H A
T6C
--|
--H A
------T6B
T7A
H A
T7A
--|
--H A
--T6A
--T7B
--H A
T6A
--|
--H A
T6C
T6B
--T6C
--H A
T6A
--|
--H A
T6C
----T7B
T6B
H A
T6C
--|
--H A
T6B
T6A
--____________________________________________|____________________________________________
EDILSON - MATEMTICA
| GISELE - EDFSICA
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T6B
H A
T6B
--T6B
|
T7B
T6C
T6C
H A
--T6C
H A
T6C
--T6C
|
T7A
T6B
T6A
H A
--T6A
H A
T6A
--T6A
|
T6B
T7A
T6B
H A
--T6B
H A
T6B
--T6A
|
T6A
T6C
T6A
H A
--T6A
H A
T6C
--T6C
|
T7A
T7B
T7B
H A
--____________________________________________|____________________________________________
JUCIMARA - ARTES
| LUCIA - PORTUGUS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
--T8A
T6A
H A
T6C
|
H A
----T6B
T6A
--T7B
T6B
H A
T6B
|
H A
----T6C
T6A
--T6C
T5A
H A
T8A
|
H A
T6A
----T6C
--T7A
T5A
H A
T7B
|
H A
T6A
--T6C
T6B
----T6A
H A
T7A
|
H A
T6C
--T6B
T6B
____________________________________________|____________________________________________
MARIE - PORTUGUS
| MARISELMA - GEOGRAFIA
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
H A
T7A
T8A
T5A
T7A
|
T5D
--H A
T5B
T5A
H A
T5A
T5A
T8A
T7B
|
T5B
--H A
T5C
T8A
H A
T8A
T7A
T8A
T7A
|
T5A
--H A
T5D
T5C
H A
T7B
T7A
T7B
T5A
|
T5D
--H A
T5C
T8A
H A
T5A
T8A
T7B
T7B
|
T5B
--H A
--T5A
____________________________________________|____________________________________________
MARTA - EDFSICA
| NOELI - INGLS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T5B
T5A
T5A
H A
--|
--H A
T5B
T7B
T8A
T8A
T5D
T5B
H A
--|
--H A
T7A
--T5C
T5D
T5A
T5C
H A
--|
--H A
T5D
T5A
T7B
T8A
T5D
T5C
H A
--|
--H A
T5B
T5D
T7A
T5C
T8A
T5B
H A
--|
--H A
T5A
T8A
T5C
____________________________________________|____________________________________________

121

Continuao

- MTODO MISTO

____________________________________________|____________________________________________
RAFAEL - HISTRIA
| REGINA - CINCIAS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
--T5C
T7A
T7A
H A
|
T6C
T7B
H A
--T7B
--T8A
T7B
T5D
H A
|
T6A
T6A
H A
--T7A
--T5D
T8A
T7B
H A
|
T6C
T7B
H A
--T6B
--T8A
T7B
T7A
H A
|
T7A
T6B
H A
--T6C
--T5C
T5C
T5D
H A
|
T6B
T7A
H A
--T6A
____________________________________________|____________________________________________
ROSALIA - HISTRIA
| ROSSANO - ARTES
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T5A
T6A
--T6A
H A
|
----T5D
H A
--T5A
T6C
--T6B
H A
|
--T5B
T5D
H A
--T5B
T6B
--T6C
H A
|
--T5C
--H A
--T5B
T5B
--T6B
H A
|
--T5C
--H A
--T6C
T6A
--T5A
H A
|
--T5B
--H A
--____________________________________________|____________________________________________
VALMIR - MATEMTICA
| VERA - CINCIAS
Seg
Ter
Qua
Qui
Sex
|
Seg
Ter
Qua
Qui
Sex
T5C
T5D
--T5C
T5B
|
T8A
T5B
H A
--T5D
T5D
H A
--T5A
T5A
|
T5C
T5C
H A
--T5D
T5C
H A
--T5B
T5B
|
T8A
T5B
H A
--T5A
T5A
H A
--T5A
T5C
|
T5C
T5A
H A
--T5B
T5D
H A
--T5B
T5D
|
T5A
T5D
H A
--T8A
____________________________________________|____________________________________________

122

ANEXO 06 HORRIO GERADO PELO SOFTWARE COMERCIAL

123

Segunda

Tera

5 A
Quarta

Quinta

Sexta

Segunda

Tera

5 B
Quarta

Quinta

Sexta

Rosalia
Rosalia
Marta
Marisel.
Vera

Marta
Marie
Marie
Vera
Marta

Marie
Marie
Jucimara
Noeli
Jucimara

Marie
Rosalia
Valmir
Valmir
Marisel.

Valmir
Vera
Valmir
Marisel.
Noeli

Valmir
Marta
Marisel.
Vera
Rosalia

Valmir
Vera
Rosalia
Rosalia
Rossano

Rossano
Noeli
Marta
Marta
Carlos

Marisel.
Valmir
Noeli
Carlos
Carlos

Carlos
Carlos
Marisel.
Valmir
Vera

Segunda

Tera

5 C
Quarta

Quinta

Sexta

Segunda

Tera

5 D
Quarta

Quinta

Sexta

Vera
Marisel.
Valmir
Marta
Valmir

Rossano
Marta
Rossano
Rafael
Vera

Carlos
Carlos
Noeli
Rafael
Marta

Valmir
Carlos
Carlos
Marisel.
Rafael

Marisel.
Noeli
Carlos
Vera
Valmir

Marisel.
Valmir
Vera
Valmir
Marisel.

Rafael
Rossano
Marta
Marta
Rafael

Marta
Rossano
Carlos
Carlos
Noeli

Carlos
Rafael
Marisel.
Noeli
Valmir

Vera
Valmir
Vera
Carlos
Carlos

Segunda

Tera

6 A
Quarta

Quinta

Sexta

Segunda

Tera

6 B
Quarta

Quinta

Sexta

Clarice
Valmir
Regina
Valmir
Clarice

Jucimara
Gisele
Regina
Gisele
Jucimara

Gisele
Edilson
Dayana
Edilson
Dayana

Lucia H
Lucia H
Rosalia
Rosalia
Clarice

Rosalia
Regina
Edilson
Lucia H
Lucia H

Edilson
Regina
Rosalia
Rosalia
Gisele

Regina
Lucia H
Lucia H
Clarice
Regina

Juciamara
Gisele
Edilson
Gisele
Edilson

Dayana
Clarice
Dayana
Dayana
Rosalia

Edilson
Lucia H
Lucia H
Jucimara
Edilson

Segunda

Tera

6 C
Quarta

Quinta

Sexta

Segunda

Tera

7 A
Quarta

Quinta

Sexta

Gisele
Clarice
Edilson
Regina
Edilson

Rosalia
Rosalia
Clarice
Lucia H
Lucia H

Edilson
Jucimara
Gisele
Dayana
Gisele

Rosalia
Dayana
Clarice
Lucia H
Lucia H

Regina
Edilson
Jucimara
Edilson
Regina

Regina
Anderson
Gisele
Gisele
Regina

Marie
Rafael
Gisele
Jucimara
Clarice

Anderson
Rafael
Anderson
Marie
Marie

Clarice
Anderson
Rafael
Anderson
Noeli

Marie
Marie
Noli
Regina
Jucimara

Segunda

Tera

7 B
Quarta

Quinta

Sexta

Segunda

Tera

8 A
Quarta

Quinta

Sexta

Anderson
Gisele
Clarice
Clarice
Anderson

Gisele
Regina
Rafael
Regina
Gisele

Rafel
Anderson
Marie
Jucimara
Anderson

Rafael
Noeli
Anderson
Marie
Marie

Noeli
Juciamara
Regina
Marie
Marie

Marta
Vera
Anderson
Anderson
Marta

Vera
Jucimara
Vera
Marie
Marie

Noeli
Marta
Rafael
Anderson
Rafael

Anderson
Marie
Marie
Rafael
Anderson

Jucimara
Marisel.
Marie
Noeli
Marisel.

Portugus
Quinta
Sexta
6A
6A
6B
6B
6C
6A
6C
6A

Professor Carlos
Segunda
Tera

Ed. Fsica
Quinta

Professor Gisele
Segunda
Tera
6C
7B
7B
6A
7A
7A
7A
6A
6B
7B

Sexta

No vnculo

Hora Atividade
Hora Atividade

No Vnculo

Geografia
Quinta
7A
6B
6C
6B
6A

No vnculo

No vnculo
Quarta

Sexta
8A
7B
6C
6B
7A

Professor Rossano
Segunda
Tera
5C
5D
5C

Portugus
Quinta
Sexta
5A
7A
8A
7A
8A
8A
7B
7B
7B
7B

Quarta
5C
5C
5D
5D
5B

Portugus
Quinta
Sexta
5D
5B
5C
5B
5C
5C
5B
5D
5B
5D

Quarta
6A
6B
6C
6B
6C
Quarta
5B
5D

5B
Professor Mariselma
Segunda
Tera
Quarta
5D
5C
5B
5A
5D
Hora Atividade

Professor Clarice
Segunda
Tera
6A
6C
7B
6C
7B
6B
6A
7A

Artes
Quinta

No vnculo

7A
6A

Quarta
6B
6C
5A
7B
5A

Sexta

No vnculo

No vnculo

Professor Jucimara
Segunda
Tera
6A
8A

Quarta
5D
8A
5B
5B
5C

Hora Atividade

Professor Marta
Segunda
Tera
8A
5A
5B
5C
5A
5D
5C
5D
8A
5A

Hora Atividade

6B
6B
6C
6C

Hora Atividade

Hora Atividade

Hora Atividade

Professor Lucia Helena

Segunda
Tera
Quarta

Quarta
5A
5A
7B
7A
7A

Ed. Fsica
Quinta

Artes
Quinta

Sexta
No vnculo

Professor Marie
Segunda
Tera
7A
5A
5A
8A
8A

Hora Atividade

Matemtica
Quinta
Sexta
6B
6C
6A
6C
6B

Quarta
6C
6A
6B
6A
6B

Matemtica
Quinta
Sexta
5C
5A
5B
5D
5A
5A
5A
5B
5D
5C

Quarta

Sexta

Hora Atividade

Professor Edilson
Segunda
Tera
6B
6A
6C
6A
6C

Hora atividade

Professor Valmir
Segunda
Tera
5B
5B
5D
5C
5D
5C

No vnculo

Matemtica
Quinta
Sexta
8A
7A
7B
7A
8A

Hora atividade

Professor Anderson
Segunda
Tera
Quarta
7B
7A
7A
7B
8A
7A
8A
8A
7B
7B

No vnculo

124

Geografia
Quinta
5B
5D
5C
5A

Sexta
5C
8A
5B
5A
8A

125

Cincias
Quinta

Sexta
5D
5A
5D
5C
5B

Quarta

Professor Regina
Segunda
Tera
7A
6B
6B
7B
6A
6A
6C
7B
7A
6B

6A
6C
6A

Histria
Quinta
7B
5D
7A
8A
5C
Ingls
Quinta
6B
6C
6B

Quarta

Cincias
Quinta

Sexta
Hora Atividade

Professor Dayana
Segunda
Tera

No vnculo

Hora Atividade

No vnculo
Quarta

Quarta
7B
7A
8A
5C
8A

No vnculo

7B
5B
5D
7A

Sexta
7B
5C
7A
8A
5A

Professor Rafael
Segunda
Tera
5D
7A
7B
5C
5D

Hora Atividade

Ingls
Quinta

Sexta
6A

Hora Atividade

Professor Vera
Segunda
Tera
5C
8A
8A
5B
5D
8A
5B
5A
5A
5C

Quarta
8A
5B
5C
5A
5D

Histria
Quinta
6C
5A
6A
6A
6B

No vnculo

Hora Atividade

No vnculo

Professor Noeli
Segunda
Tera

Quarta

Hora Atividade

Professor Roslia
Segunda
Tera
5A
6C
5A
6C
6B
5B
6B
5B
5B

Sexta

Sexta
6C
6A
7B
7A
6C

126

ANEXO 07 HORRIO GERADO PELO MTODO MISTO ANO LETIVO 2005

127

Segunda

Tera

5 A
Quarta

Quinta

Sexta

Segunda

Tera

5 B
Quarta

Quinta

Sexta

Carlos
Valdelandi
Carlos
Gisele
Rafael

Vera
Rafael
Vera
Rafael
Carlos

Valdelandi
Gisele
Anderson
Anderson
Vera

Gisele
Jair
Luciana
Luciana
Jair

Carlos
Jair
Anderson
Anderson
Carlos

Gisele
Carlos
Valdelandi
Carlos
Valdelandi

Rafael
Vera
Carlos
Carlos
Vera

Gisele
Vera
Jair
Jair
Anderson

Anderson
Luciana
Anderson
Jair
Gisele

Rafael
Anderson
Carlos
Luciana
Rafael

Segunda

Tera

5 C
Quarta

Quinta

Sexta

Segunda

Tera

6 A
Quarta

Quinta

Sexta

Valdelandi
Gisele
Vera
Valdelandi
Carlos

Carlos
Carlos
Rafael
Vera
Rafael

Jair
Anderson
Gisele
Vera
Jair

Luciana
Anderson
Jair
Gisele
Luciana

Anderson
Carlos
Rafael
Carlos
Anderson

Marta
Regina
Jociane
Regina
Luciana

Rosalia
Edilson
Lucia H.
Lucia H.
Edilson

Lucia H.
Edilson
Clarice
Clarice
Jociane

Edilson
Marta
Regina
Edilson
Clarice

Lucia H
Marta
Rosalia
Rosalia
Luciana

Segunda

Tera

6 B
Quarta

Quinta

Sexta

Segunda

Tera

6 C
Quarta

Quinta

Sexta

Jociane
Rosalia
Rosalia
Jociane
Marta

Clarice
Rosalia
Edilson
Edilson
Clarice

Edilson
Regina
Regina
Edilson
Clarice

Regina
Edilson
Marta
Lucia H.
Lucia H.

Luciana
Lucia H.
Luciana
Lucia H.
Marta

Regina
Luciana
Marta
Luciana
Regina

Edilson
Clarice
Clarice
Rosalia
Lucia H.

Clarice
Jociane
Edilson
Jociane
Edilson

Lucia H.
Regina
Edilson
Marta
Edilson

Rosalia
Rosalia
Lucia H.
Marta
Lucia H.

Segunda

Tera

7 A
Quarta

Quinta

Sexta

Segunda

Tera

7 B
Quarta

Quinta

Sexta

Rosalia
Marta
Regina
Rosalia
Jociane

Lucia H
Lucia H
Jociane
Clarice
Valmir

Luciana
Lucia H
Valmir
Valmir
Regina

Clarice
Lucia H
Lucia H
Regina
Marta

Marta
Luciana
Valmir
Valmir
Rosalia

Luciana
Jociane
Luciana
Marta
Rosalia

Marie
Valmir
Rosalia
Marie
Rosalia

Regina
Clarice
Jociane
Regina
Valmir

Marta
Valmir
Marie
Clarice
Regina

Valmir
Valmir
Marta
Marie
Marie

Segunda

Tera

8 A
Quarta

Quinta

Sexta

Segunda

Tera

8 B
Quarta

Quinta

Sexta

Rafael
Vera
Rafael
Vera
Gisele

Jociane
Marie
Valmir
Valmir
Jociane

Vera
Valmi
Luciana
Gisle
Luciana

Marie
Gisele
Valmir
Valmir
Marie

Marie
Marie
Jair
Rafael
Jair

Vera
Rafael
Gisele
Rafael
Vera

Valmir
Jociane
Marie
Jociane
Marie

Valmir
Luciana
Vera
Luciana
Gisele

Valmir
Marie
Gisele
Marie
Valmir

Jair
Rafael
Marie
Jair
Valmir

128

Escola Municipal Planalto dos Pinheiros

Marie
Portugus
Segunda
Tera
Quarta
Quinta
Sexta
7B
8A
8A
8A
8B
8A
8B
7B
8B
7B
8B
7B
8B
8A
7B

Escola Municipal Planalto dos Pinheiros

Carlos
Portugus
Segunda
Tera
Quarta
Quinta
Sexta
5A
5C
5A
5B
5C
5C
5A
5B
5B
5B
5B
5C
5C
5A
5A

Escola Municipal Planalto dos Pinheiros

Lucia Helena
Portugus
Segunda
Tera
Quarta
Quinta
Sexta
7A
6A
6C
6A
7A
7A
7A
6B
6A
7A
6C
6A
6B
6B
6C
6B
6C

Escola Municipal Planalto dos Pinheiros

Regina
Cincias
Segunda
Tera
Quarta
Quinta
Sexta
6C
7B
6B
6A
6B
6C
7A
6B
6A
6A
7B
7A
6C
7A
7B

Escola Municipal Planalto dos Pinheiros

Vera
Cincias
Segunda
Tera
Quarta
Quinta
Sexta
8B
5A
8A
8A
5B
5B
5C
5A
8B
8A
5C
5C
8B
5B
5A

Escola Municipal Planalto dos Pinheiros

Roslia
Histria
Segunda
Tera
Quarta
Quinta
Sexta
7A
6A
6C
6B
6B
6C
6B
7B
6A
7A
6C
6A
7B
7B
7A

Escola Municipal Planalto dos Pinheiros

Rafael
Histria
Segunda
Tera
Quarta
Quinta
Sexta
8A
5B
5B
8B
5A
8B
8A
5C
5C
8B
5A
8A
5A
5C
5B

No Vnculo

Hora Atividade

No Vnculo
Hora Atividade

Hora Atividade

No Vnculo
No Vnculo

Hora
Ativid.
No Vnculo

Hora Atividade

No Vnculo

No Vnculo

Hora Atividade

No Vnculo

Hora Atividade

Hora Atividade

Hora Atividade

Escola Municipal Planalto dos Pinheiros

Valmir
Matemtica
Segunda
Tera
Quarta
Quinta
Sexta
8B
8B
8B
7B
7B
8A
7B
7B
8A
7A
8A
7A
8A
7A
8A
7A
7A
7B
8B
8B

No Vnculo

Escola Municipal Planalto dos Pinheiros

Edilson
Matemtica
Segunda
Tera
Quarta
Quinta
Sexta
6C
6B
6A
6A
6A
6B
6B
6C
6C
6B
6B
6A
6A
6C
6C

Hora Atividade

Escola Municipal Planalto dos Pinheiros

Anderson
Matemtica
Segunda
Tera
Quarta
Quinta
Sexta
5B
5C
5C
5C
5B
5A
5B
5A
5A
5A
5B
5C

129

Escola Municipal Planalto dos Pinheiros

Marta
Educao Fsica
Segunda
Tera
Quarta
Quinta
Sexta
6A
7B
7A
7A
6A
6A
6C
6B
7B
7B
6C
6C
6B
7A
6B

Escola Municipal Planalto dos Pinheiros

Jociane
Ingls
Segunda
Tera
Quarta
Quinta
Sexta
6B
8A
7B
8B
6C
6A
7A
7B
6B
8B
6C
7A
8A
6A

Escola Municipal Planalto dos Pinheiros

Ingls
Segunda
Tera
Quarta
Quinta
Sexta
5C
5A
5A
5B
5C
5B
Hora Atividade

No Vnculo

Hora Atividade

No Vnculo
Hora Atividade

No Vnculo

No Vnculo

Hora Atividade
Hora Atividade

Escola Municipal Planalto dos Pinheiros

Luciana
Artes
Segunda Tera
Quarta
Quinta
Sexta
7B
7A
5C
6B
6C
8B
5B
7A
7B
8A
5A
6B
6C
8B
5A
5B
7A
8A
5C
6A

No Vnculo

Escola Municipal Planalto dos Pinheiros

Gisele
Educao Fsica
Segunda
Tera
Quarta
Quinta
Sexta
5B
5B
5A
5C
5A
8A
8B
5C
8B
5A
8A
5C
8A
8B
5B

Hora Atividade

Escola Municipal Planalto dos Pinheiros

Jair
Geografia
Segunda
Tera
Quarta
Quinta
Sexta
5C
8B
5A
5A
5B
5C
8A
5B
5B
8B
5C
5A
8A

Hora Atividade

Escola Municipal Planalto dos Pinheiros

Clarice
Geografia
Segunda
Tera
Quarta
Quinta
Sexta
6B
6C
7A
6C
7B
6C
6A
7A
6A
7B
6B
6B
6A

130

Ges, Anderson Roges Teixeira.

Otimizao na Distribuio da Carga Horria de Professores
Mtodo Exato, Mtodo Heurstico, Mtodo Misto e Interface
/ Anderson Roges Teixeira Ges - Curitiba, 2005.
xiv, 129 f. : il.
Orientadora: Prof. Dr. Deise Maria Bertholdi Costa
Dissertao (Mestrado) Setor de Tecnologia e Setor de
Cincias Exatas, Universidade Federal do Paran.
Inclui Bibliografia
1. Horrio Escolar. 2. Problemade otimizao linear binria.
3. Mtodos exato, heurstico e misto (algoritmos) I. Costa,
Deise Maria Bertholdi. II Ttulo. III. Universidade Federal do
Paran.
CDD
519.2