BIASS: UMA ABORDAGEM PARA ALOCAR ITENS DO BACKLOG EM UMA SPRINT DE UM PROJETO SCRUM

JOSÉ W. VASCONCELOS FILHO, DARIO J. ALOISE, SILVIO R. F. ARAÚJO, PAULO G. G. QUEIROZ

Programa de Pós-Graduação em Ciência da Computação, Universidade do Estado do Rio Grande do Norte e

Universidade Federal Rural do Semi-Árido
R. Francisco Mota, 572 – Costa e Silva – 59600-971 – Mossoró - RN – Brasil
E-mails: welitonvasconcelos@gmail.com, darioaloise@uern.br, sil-
vio@ufersa.edu.br,pgagriel@ufersa.edu.br

Abstract Scrum is an agile development methodology that has, among its objectives, the division of system development or-
ganized into a series of cycles called Sprints. In each Sprint, a part of the Product Backlog items (system requirements) is devel-
oped. Each item that will be developed is prioritized by the customer and its implementation is estimated in units of time by the
development team. On the other hand, Sprint has a well-defined duration that is usually in the range of two to four weeks. In this
context, we present BIASS (Backlog Items Allocated in a Scrum Sprint), an approach to optimally allocate the Product Backlog
items in each Sprint, in a way that the most important functionalities are first done and that optimizes the work to be developed
by modeling mathematically how the knapsack problem. To make a parallel, the knapsack would be the equivalent the Sprint. In
this context, the maximum weight of the knapsack is represented by the maximum execution time of Sprint, the items of the
Product Backlog are equivalent to the items to be inserted in the knapsack, the weight of the items of the knapsack can be char-
acterized as the resolution of the inserted items in a Sprint, and finally, the value of the knapsack items would be the degree of
importance, or priority, of these items. In addition, we propose three techniques to implement the solution of the problem, which
are two meta heuristics and an exact solution: Genetic Algorithms (GAs), Simulated Annealing (SA) and Dynamic Programming
(DP) respectively. In which DP has been shown, in several studies, well adapted to the problem, despite its complexity. Thus, the
resolution of this problem in practice is useful to help the project development teams to decide efficiently and effectively, which
system requirements should be developed in each implementation cycle of the project.
Scrum – É uma Metodologia Ágil para gestão e planejamento de projetos.

Keywords Knapsack Problem, Scrum, Sprint, Dynamic Programming, Genetic Algorithms, Simulated Annealing.
Sprint – Representa um ciclo de trabalho no Scrum. Esse ciclo pode ser de 2 semanas, 3 ou 4 semanas, que é o Timebox das Sprints. As Sprints devem ter sempre a mesma duração.
Product Backlog - representam parte do produto a ser implementado.
Resumo O Scrum é uma metodologia de desenvolvimento ágil que possui, entre seus objetivos, a divisão do desenvolvimento
de sistemas organizada em uma série de ciclos chamados de Sprints. Em cada Sprint, desenvolve-se uma parte dos itens do Pro-
duct Backlog (requisitos do sistema). Cada item a ser desenvolvido é priorizado pelo cliente e tem sua implementação estimada
em unidades de tempo. Por outro lado, a Sprint possui um tempo de duração bem definido que gira em torno de duas a quatro
semanas. Nesse contexto, apresentamos o BIASS (Backlog Items Allocated in a Scrum Sprint), uma abordagem para alocar, de
maneira ótima, os itens do Product Backlog em cada Sprint, de modo que as funcionalidades
modelando-o um
mais importantes sejam entregues
primeiro e que otimize o trabalho a ser desenvolvido, modelando matematicamente como o problema da mochila. Para fazer um Não deve ser explicado no
paralelo, a mochila seria o equivalente a Sprint. Nesse contexto, o peso máximo da mochila é representado pelo tempo máximo resumo!
de execução da Sprint, os itens do Product Backlog são equivalentes aos itens a serem inseridos na mochila, o peso dos itens da
mochila pode ser caracterizado como o tempo de resolução dos itens inseridos na Sprint e, por fim, o valor dos itens da mochila
seria o grau de importância, ou prioridade, desses itens. Além disso, propomos três técnicas para implementação da solução do
problema, que são duas meta heurísticas e uma solução exata: Algoritmos Genéticos (AGs ), Simulated
estudos, quais?
Annealing(SA) e Pro-gramação Dinâmica(PD) respectivamente. No qual PD tem se mostrado, em diversos estudos, bem
adaptada ao problema, apesar de sua complexidade. Assim, a resolução desse problema, na prática, mostra-se útil para auxiliar
as equipes de desenvolvimento do projeto a decidirem de maneira eficiente e eficaz, quais requisitos do sistema deverão ser
desenvolvidos em cada cilco de implementação do projeto.
Essa conclusão não ficou muito boa, porque não informa qual dos métodos mostrou-se mais eficiente. Apenas, deduz que será útil para auxiliar as equipes de
desenvolvimento do projeto...
Palavras-chave Problema da mochila, Scrum, Sprint, Programação Dinâmica, Algoritmos Genéticos , Simulated Annealing.

1 Introdução de modo que as partes interessadas possam testar e

O desenvolvimento de software deve atender ao
aumento das demandas, da pressão por mais resulta-
dos, redução do tempo de desenvolvimento e a ne-
cessidade de adaptação às mudanças, com os overhe-
ads nos processos tradicionais de desenvolvimento de
software, surgiram as metodologias de desenvolvi-
mento ágeis, dentre elas, a abordagem Scrum enfoca
o gerenciamento do desenvolvimento interativo de
um software com um conjunto de práticas e regras
simples. O Scrum inicia-se com a analise do que deve
ser feito e a seleção do que pode virar um incremen-
to. Logo em seguida, a equipe começa o desenvolvi-
mento até o final da iteração. No final da iteração, a
equipe apresenta o incremento das funcionalidades
aceitar o incremento (Schwaber and Beedle. 2001).
Um projeto Scrum é feito em sprints, ciclos, que
duram
durão em média de 3 a 4 semanas, nos quais os requi-
sitos a serem implementados
Dono do Produto
são mantidos no Pro-
duct Backlog. O Product Owner (PO), que corres-
ponde ao cliente, prioriza e a equipe estima o tempo
necessário de desenvolvimento dos itens do Product
Backlog, que é o ponto inicial do projeto. No início
de cada sprint é feita uma reunião de planejamento,
na qual a equipe vai decidir o que vai ser implemen-
tado na sprint, baseado no tempo disponível e na
prioridade dos itens.
Com os itens do backlog estimados e prioriza-
dos, surge o seguinte problema: quais itens serão
colocados no intervalo de tempo definido para a
 sprint? Normalmente, a equipe tem dificuldades para
tomar essa decisão e consome um tempo discutindo
quais itens do backlog vão ser selecionados e aloca-
dos.
O objetivo deste trabalho é apresentar a aborda-
gem BIASS que apresenta uma solução para esse
Muito problema, modelando-o como o problema da mochila
aplicando técnicas heurísticas e exatas
bom! e utiliza-se Algoritmos Genéticos, Simulated Annea-
ling e Programação Dinâmica para resolver a seleção
das atividades a serem realizadas na sprint, com o
Está implícito! objetivo de diminuir o tempo para realizar essa tare-
apresentada uma abordagem do problema,
fa. Na seção 2 será apresentado a abordagem. A se-
ção 3 contém as possíveis soluções para o problema.
Por fim, na seção 4, concluísse esse trabalho e apre-
senta-se considerações sobre trabalhos futuros.
2 Modelagem do Problema
A Seção 2.1 apresenta uma descrição do problema da mochila {0,1} e
Na Seção 2.1 será apresentada uma introdução ao
problema da mochila. Na Seção 2.2 será a abordagem
e sua modelagem matemática. a Seção 2.2 uma abordagem do
problema desta pesquisa, bem como sua modelagem matemática.
2.1 Problema da mochila
O problema da mochila pode ser definido como:
dados n itens para serem colocados em uma mochila
de capacidade c. Cada item xi tem um valor pi e peso
wi associado. O objetivo é adicionar o máximo de
itens a mochila obtendo o maior valor possível sem
exceder a capacidade c (Pisinger, 1995).
???
As equações 1 e 2 mostram a modelagem mate-
mática do Problema da mochila, que é NP-Difícil.
2.2 A abordagem BIASS
O problema tratado nesse trabalho consiste na
dificuldade que as equipes de desenvolvimento têm
de decidir quais itens do Product Backlog entrarão
nos ciclos de desenvolvimento (sprints). Cada sprint
tem um prazo de tempo de duração bem definida,
geralmente de duas ou quatro semanas. Cada item do
Product Backlog tem uma estimativa de tempo de
resolução, feita em dias, e uma prioridade, que é dada
pelo cliente, visto que ele deseja que as principais
funcionalidades do sistema sejam desenvolvidas pri-
meiro.
Ao analisar o problema em questão, verifica-se
que ele se encaixa no problema da mochila. Para fa-
zer um paralelo, a mochila seria o equivalente a
Sprint. Nesse contexto, o peso máximo da mochila é
representado pelo tempo máximo de execução da
Sprint, os itens do Product Backlog são equivalentes
aos itens a serem inseridos na mochila, o peso dos
itens da mochila pode ser caracterizado como o tem-
po de resolução dos itens inseridos na Sprint e, por
fim, o valor dos itens da mochila seria o grau de im-
portância, ou prioridade, desses itens. O objetivo,
então, seria a maximização do grau de importância,
haja vista que ao se fazer isso, garante-se que as prin-
cipais funcionalidades do sistema serão entregues
primeiro ao cliente.
A seguir é apresentada a modelagem matemática
do problema proposto, para detalha-lo melhor e pos-
sibilar o entendimento. Assumindo que:
 ts: o tempo disponível da sprint;
 tai: tarefas, ou itens do Product Backlog; i=1,...,n;
 tti: tempo estimado da tarefa da i;
 pti: prioridade da tarefa i.
A função objetivo é dada pela equação 3 abaixo:
(3)
Portanto, o objetivo é alocar na sprint as tarefas
mais importantes ou de maior prioridade.
A função de restrição é dada pela equação 4
abaixo:
(4)
Essa restrição indica que a soma dos tempos das
tarefas não pode ser maior que o tempo da sprint.
As equações 3 e 4 mostram a modelagem mate-
mática do nosso problema, baseado no problema
básico (0-1) da mochila. Onde, ts é visto como a ca-
(1) pacidade da mochila, tai são os itens para serem co-
locados na mochila, com tti sendo o peso e pti o va-
(2) lor de cada item i.
3 Algoritmos Utilizados
Na Seção 3.1,3.2 e 3.3 apresenta-se uma introdução
aos Algoritmos Genéticos, Simulated Annealing e
Programação Dinâmica respectivamente. Na Seção
3.4 apresenta-se um comparativo em tempo e solução
das três soluções.
3.1 Algoritmos Genéticos
O AG é um método de busca populacional, que parte
de um conjunto de soluções para o problema e aplica
operadores com o objetivo de melhorar o conjunto.
Com base na evolução natural, no qual os melhores e
mais adaptáveis indivíduos sobrevivem e produzem
filhos geneticamente melhores, os AGs transmitem as
características dos indivíduos por meio de dois prin-
cipais operadores: o Crossover que as características
dos descendentes são parcialmente herdadas dos seus
pais e Mutação que é a criação de novos genes no
processo de reprodução. Com origem em 1960, os
Algoritmos genéticos foram inventados por John
 Holland e podem solucionar qualquer problema que
utilize cadeias de bits (0´s e 1´s). Assim como na
natureza, o algoritmo vai evoluindo as cadeias de bits
até encontrar uma melhor solução para o problema. A
solução é encontrada de um modo automático e não
supervisionado (Mitchell, 1995).
O foco do AG é melhorar ou pelo menos tentar
melhorar as qualidades dos indivíduos por meio de
um processo iterativo de evolução da população.
Existem muitas variações dos AGs, mas uma bá-
sico tem a seguinte estrutura:
1. Gera uma população inicial;
2. Avalia a população;
3. Enquanto os critérios de parada não fo-
rem satisfeitos, faça:
a. Selecione os pais;
b. Faça a evolução por meio de
Crossover e/ou Mutação;
c. Avalie a população;
d. Defina a população sobrevi-
vente.
4. Liste os melhores indivíduos.
O AG que foi implementado para o nosso pro-
blema tem a seguinte estrutura:
1. Gera uma população aleatória de 20 in-
divíduos, que são possíveis soluções pa-
ra a bolsa;
2. Avalia a população e seleciona os dois
mais aptos com base no maior valor da
bolsa;
3. Enquanto não ocorrer 500 iterações, fa-
ça:
a. Gera 50% da nova população
por meio do Crossover clássi-
co de um ponto e logo em se-
guida faz a mutação, no quais
ambos são definidos aleatori-
amente;
b. Gera a outra metade da popu-
lação aleatoriamente para ten-
tar evitar os máximos locais;
c. Seleciona os dois mais aptos
da nova população;
4. Exibe a melhor solução encontrada.
Como se aplica o AG ao problema em apreço?
3.2 Simulated Annealing
Proposto por Kirckpatrick et al. (1983), é baseado no
recozimento de metais por meio de arrefecimento
rápido ou lento. Durante este processo, o material
passa por vários estados possíveis, o arrefecimento
rápido cria produtos meta-estáveis de maior energia
interna e o arrefecimento lento cria produtos mais
estáveis de menor energia. Fazendo uma analogia aos
problemas combinatórios, os estados possíveis de um
metal correspondem a soluções, a energia é a função
objetivo e a energia mínima ou máxima, depende do
objetivo do problema, corresponde ao valor de uma
solução ótima local ou global.
O SA básico tem a seguinte estrutura:
1. A cada iteração, um novo estado é ge-
rado a partir do estado atual por uma
modificação aleatória;
2. Se o novo estado é de energia menor
que o atual, passa a ser o estado corren-
te.
3. Se o novo estado tem uma energia mai-
or, é calculado uma probabilidade por
meio da função de Boltzmann para sa-
ber se aceita o novo estado e susbstitui
o estado corrente.
4. Repete o procedimento até atingir o
equilíbrio térmico.
O SA implementado para nossa abordagem tem
a mesma estrutura, mas como estamos trabalhando
com dois valores (peso e valor dos itens), definimos a
parte de aceitação da seguinte maneira:
1. Se o valor é maior e o peso não extra-
mochila
pola a capacidade da bolsa (sprint),
aceita o novo estado.
2. Se o valor é maior mas extrapola a ca-
mochila
pacidade da bolsa, é calculado se vai
ser aceito ou não;
3. Se o valor é menor, também vai ser cal-
culado se o estado vai ser aceito.
mochila
4. Se o estado atual tem um peso da bolsa
extrapolado e o novo estado tem um pe-
so menor, aceita o novo estado.
Detalhar mais como se aplica o SA ao problema
3.3 Programação Dinâmica
Programação dinâmica é uma técnica para resolver
problemas cujas soluções satisfazem relações de re-
corrência com subproblemas de sobreposição. Ao
invés de resolver sobreposição de subproblemas uma
e outra vez, ela resolve cada um dos subproblemas
menores apenas uma vez e registra os resultados em
uma tabela. Após registrar os resultados, a tabela é
usada para obter uma solução para o problema origi-
nal (Levitin, 2003).
PD tem como ideia principal encontrar a solução
ótima a partir da resolução de problemas menores de
mesma natureza. Pode ser visto como um método que
resolve várias mochilas menores dentro do problema
original até atingir o tamanho máximo definido. No
problema em questão, o objetivo do algoritmo é sub-
dividir a sprint de tamanho j em diversas sprints de
tamanhos [1....j] e para cada sprint j um subconjunto
de tarefas [1 … i] ótimo estará alocado a ela. Existem Muito bom!
algoritmos recursivos de programação dinâmica utili-
zados nesse contexto, porém a estratégia utilizada
nesse trabalho trata-se de uma versão iterativa, onde
uma matriz é utilizada para salvar todas as sub-
soluções. Um exemplo da execução do algoritmo
pode ser visto a seguir:
Tabela 1. Tarefas, tempo de resolução e importância.
Tempo (dias)
Tarefa 1 5 5
Tarefa 2 3 4
Tarefa 3 3 3
Tarefa 4 2 2
Tabela 2. Execução e Resultado do Algoritmo.
0d 1d 2d 3d
- 0 0 0 0 0
T1 0 0 0 0
T2 0 0 0 4
T3 0 0 0 4
T4 0 0 2 4
Na tabela 1, são apresentadas quatro tarefas, ca-
da uma com uma estimativa do tempo de resolução e
também um número que representa sua importância
para o cliente. O objetivo do algoritmo é encontrar a
melhor forma de alocar essas tarefas em uma sprint
que tem um prazo de cinco dias. Na tabela 2, é apre-
sentado um exemplo de como o algoritmo soluciona
o problema, no caso, a matriz representa a execução
do algoritmo e o resultado.
Na tabela 2, basicamente, cada linha i representa
uma tarefa e cada coluna j representa uma sprint de
capacidade j (valor da coluna), o algoritmo começará
na linha 1 (tarefa 1) e tentará alocar essa tarefa a
sprint j, de tempo j dias, se o tempo da sprint com-
portar o tempo da tarefa, o algoritmo verificará se a
importância da tarefa i é superior a importância já
presente na sprint j, em caso afirmativo atualiza-se a
tabela com esse valor. Se o tempo da tarefa for menor
que o tempo da sprint, o algoritmo subtrairá o tempo
da sprint j ao tempo da tarefa i e o valor de importân-
cia da sprint (j-i) será somado à importância da tarefa
i, caso essa soma represente uma importância maior
que a importância já presente em j, a sprint j receberá
a importância dessa soma. Se a sprint j não compor-
tar a tarefa i, repete-se o valor de importância já pre-
sente para a sprint j.
3.4 Testes realizados
Nesse trabalho, optou-se por uma implementa-
ção utilizando a linguagem C++ e uma máquina com
processador Intel core i5 de 1.7gHz de processador e
com 4gb de memória RAM.
Os testes realizados foram com 20, 30 e 40 tare-
fas em uma Sprint de capacidade 100. Cada tarefa
tem seu tempo variando de 1 a 20 e sua importância
de 1 a 5, onde 5 é a maior importância para o cliente.
Além disso, as tarefas foram geradas aleatoriamen-
te.
100
Importância 80
60 PD
AG s
40
SA
20
Empate
0
PD x AG x Tempo - Solução -
SA AGxSA AGxSA
4d 5d
Figura 1: Comparativo de PD, AG e SA
0
Se já era esperado porque fez a pesquisa ??? Compravar apenas???
0 5 Como já esperado, o PD teve melhor desempe-
4 5 nho, apesar da complexidade e do consumo de me-
4 5 mória, nos deu uma solução ótima e o custo compu-
4 6 tacional não trouxe muitas complicações, pois devido
à natureza do problema, as instâncias trabalhadas
foram pequenas, haja vista que a grande maioria dos
projetos que utilizam a metodologia Scrum trabalha
com uma amostragem de 20 a 40 tarefas que deverão
ser alocadas em uma sprint de 10 a 30 dias.
Em relação as duas metas heurísticas, o AG deu
uma solução melhor em valor que o SA em 50% dos
testes, nos quais 30% foram soluções ótimas. Porém,
em relação ao tempo, o SA foi melhor em 70%. Em
todos os testes, as três implementações foram execu-
tadas e PD ganhou tanto no fator tempo quanto no
fator valor ótimo. Como podemos ver na Figura 1.
4 Conclusão
Nesse trabalho, foi apresentada uma solução
ótima para o problema de alocar itens de um Backlog
(tarefas) a uma sprint. Isso foi feito através da mode-
lagem matemática do problema em relação ao pro-
blema básico (0-1) da mochila e, posteriormente,
através da implementação de um algoritmo que utili-
za a técnica de programação dinâmica. Também foi
efetuada a implementação de duas metas heurísticas,
AG que populacional e SA que é iterativa, para fazer
uma análise em relação a implementação de PD.
Espera-se, posteriormente, implementar esse al-
goritmo em um aplicativo de gerenciamento de proje-
tos Scrum, com o objetivo de facilitar a priorização
de tarefas pela equipe de desenvolvimento, agilizan-
do ainda mais o processo de desenvolvimento de
software utilizado na metodologia Scrum.
Ainda como trabalhos futuros, pode-se formular
o problema como múltiplas mochilas, onde cada
sprint será uma mochila e/ou adequar o problema
para o problema da mochila com várias partições,
utilizando cada membro da equipe como uma parti-
ção da mochila. Também, outra possibilidade seria
formular o problema verificando se existe dependên- Ok!
cia entre as tarefas.

Agradecimentos

Agradecemos a CAPES pelo financiamento do pro-

grama de pós-graduação em Ciências da Computação
da UERN/UFERSA.

Referências Bibliográficas

Levitin, A(2003). The Design and Analysis of Algo-

rithms. New Jersey: Pearson Education Inc.
Martello, S; Toth, P (1987). Algorithms for Knap-
sack Problems, In: Silvano Martello, Gilbert La- Não encontrei no texto essa
referência!!!
porte, Michel Minoux and Celso Ribeiro, Edi-
tor(s), North-Holland Mathematics Studies,
North-Holland, Volume 132, Pages 213-257
Mitchell, M. (1995). Genetic algorithms: An over-
view. Complexity, 1(1), 31-39.
Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P.
(1983). Optimization by simmulated annealing. Não encontrei no texto essa referência!

science, 220(4598), 671-680.

Pisinger, D.(1995). An expanding-core algorithm for
the exact 0–1 knapsack problem. European Jour-
nal of Operational Research, v. 87, n. 1, p. 175-
187.
Pisinger, D.(1995). Algorithms fo Knapsack Pro-
blems. PhD thesis, Department of Computer Sci-
ence, University of Copenhagen.
Schwaber, K; Beedle, M (2001). Agile Software De-
velopment with Scrum (1st ed.). Prentice Hall
PTR, Upper Saddle River, NJ, USA.