You are on page 1of 25

OTIMIZAÇÃO NA ALOCAÇÃO DINÂMICA DE

VEÍCULOS NO TRANSPORTE RODOVIÁRIO DE


CARGAS COMPLETAS ENTRE TERMINAIS

EGLE LAVIOLA FERREIRA


Artigo

 Autores
 Rejane Arinos Vasco - UFSCar
 Reinaldo Morabito – UFSCar

 Resumo
 PADV no transporte de cargas completas entre terminais
 Consiste em determinar “movimentos” de veículos para realizar
viagens entre terminais geograficamente dispersos que interagem
entre si.
 Movimentos: de veículos carregados com carga completa, vazios
para reposicionamento, ou mantidos em terminais para demandas
futuras.
Artigo
 Resumo
 Modelagem matemática
 Solução exata
 Métodos aproximados
 Heurística gulosa para geração de soluções iniciais
 Busca local para melhoria de soluções
 GRASP com RVNS e Path-Relinking
O problema
 Apoiar a gestão de frotas no transporte rodoviário de cargas
 Maximizar a utilização de recursos disponíveis nas operações - Lucro

 Motivação: acumulo de veículos em regiões em que não são


necessários -> déficit de veículos em outras regiões
 Os veículos podem se mover: com carga completa, vazios ou mantidos
em terminais para demandas futuras.
Modelagem matemática
 Foram considerados aspectos importantes do problema prático de
transporte rodoviário de cargas em empresas brasileiras.
 Foi escolhida uma modelagem determinística ao invés de estocástica.
 Maior compreensão, desenvolvimento e implementação da
abordagem de otimização.
 Computacionalmente mais fáceis de serem resolvidos
 Não necessitam de dados históricos para caracterizar variáveis
aleatórias envolvidas.
Modelagem matemática
 Conjuntos
 N: Terminais.
 E: grupos de veículos (remuneração, rotas ou individuais).
 T: Períodos, cada dia em 6 de 4 horas, na semana 36 períodos.
 Parâmetros

 Variáveis
Modelagem matemática
 FO

 Sujeito a
 Conservação de fluxo
Modelagem matemática
 Sujeito a
 Número de veículos cheios deve ser <= a demanda

 Garantem que veículos de dado tipo transitem, cheios ou vazios,


somente em determinado conjuntos de percursos.

 Restrição de programação linear inteira


Heurísticas para solução do PADV
 A resolução do modelo através de métodos exatos é limitada em função
do tempo e memória computacional.
 Heurística Gulosa para gerar solução inicial.
 Busca local para melhoria da solução inicial obtida.
 Para adicionar variabilidade no processo de obtenção de solução, foi
utilizado o GRASP com RVNS e path-Relinking.
Estrutura de dados utilizada
 Todos os movimentos de cada veículo, se estavam cheios ou vazios, com
seus respectivos percursos, períodos, custos e lucros.
Heurísticas Gulosa
Procedimento de melhoria com Busca Local
GRASP para PADV

 Multi-start
 Considerada heurística semigulosa
 Consiste em um processo iterativo
 1 – Fase construtiva
 2 – Fase de busca local
Solução inicial – elementos candidatos são incorporados a solução sem
violar nenhuma restrição
Função de avaliação gulosa -> RCL
O elemento é escolhido de RCL e depois ela é atualizada

O parâmetro de entrada 𝛼, [0,1], igual a 0, gulosa, igual a 1, aleatória.


GRASP para PADV
RVNS

 VNS: é um método de busca local que explora o espaço de soluções


através de trocas sistemáticas de estruturas de vizinhança.
 RVNS: é uma variação do VNS que não possui busca local após a geração
da solução s’.
RVNS
Path-Relinking

 Foi implementado com o objetivo de explorar a trajetória ao se


conectarem soluções elite obtidas ao longo da execução do GRASP.
 Xs
 Xt
 ∆(Xs,Xt) diferença simétrica dos movimentos necessários
 Um caminho de soluções é gerado ao longo do procedimento
 Pós-otimização
Path-Relinking
Experimentos e resultados computacionais

 Experimentos usando Heurística gulosa e o procedimento de melhoria e


o GRASP.
 Resultados comparados branch-and-cut CPLEX
 Foram geradas 30 instâncias que continham
 53 terminais
 36 períodos de 4 horas
 300 cargas as serem transportadas entre terminais
 130 veículos
As instâncias variavam de acordo com o conjunto E, grupo de veículos.
Com 1 a 17 grupos e uma de 130 grupos = 18 variações = 540
problemas
Experimentos e resultados computacionais

 Parâmetros:
 𝛼 = 0.1
 RVNS com 20 segundos
Recursos computacionais:
C++
Intel Core 2 Duo 2,2 GHz
4 GB RAM
Linux
Compilador Oracle Solaris 12.3
11 execuções independentes das heurísticas
Experimentos e resultados computacionais

...
Experimentos e resultados computacionais

...
Conclusões

 Dada a dificuldade de se resolver problemas de tal complexidade


usando métodos exatos, utilizou-se heurísticas que forneceram boas
soluções em tempos computacionais aceitáveis.
 GRASP x CPLEX bom desempenho
 Desvio médio de 2,01%
 Tempo médio de 39,08 segundos
 CPLEX não compilou os problemas com 130 grupos -> RAM
GRASP mostrou-se boa alternativa para PADV, fornecendo soluções
adequadas aplicáveis na prática.
Sugestão de novas meta-heurísticas
Estrutura de dados
Ilustrações x Pseudocódigo
FIM