Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Departamento de Engenharia Industrial
Página | 1
APLICAÇÃO DE UM ALGORITMO GRASP REATIVO PARA
PROBLEMAS DE SEQUENCIAMENTO NO CONTEXTO DE
LOGÍSTICA HUMANITÁRIA
Aluno: Jéssica Kexin Sun
Orientador: Luciana Pessôa
1. Introdução
Desastres naturais, como inundações e terremotos, ameaçam a vida de milhões de
pessoas por ano. Por isso, com o intuito de reduzir o tempo gasto no resgate para atender de
forma mais eficiente um número de incidentes e ter como consequência mais vidas salvas e
menos perdas econômicas, faz-se necessário um estudo do gerenciamento de desastres naturais.
Este trabalho amplia o projeto de iniciação científica iniciado em 2016, visando o estudo de
regras de prioridade e heurísticas para problemas de sequenciamento, e considera um problema
de sequenciamento no contexto de logística humanitária para alocação de unidades de resgate
no atendimento de incidentes com diferentes prioridades de acordo com sua severidade. Em
nosso trabalho, aprimoramos o algoritmo GRASP (Greedy Randomized Adaptive Search
Procedures) proposto por Wex et al. [1] e consideramos dados do desastre natural ocorrido em
2011 na Região Serrana do Rio de Janeiro [2]. O algoritmo foi implementado em linguagem
C++ e os resultados computacionais desta pesquisa deram origem a um artigo completo que
será apresentado em agosto/2018 no 50º Simpósio Brasileiro de Pesquisa Operacional, na PUC-
Rio.
2. Objetivos
Nesta pesquisa um problema de alocação e sequenciamento de unidades de resgate
(Rescue Unit Assignment and Scheduling Problem - RUASP) para o atendimento de incidentes
causados por desastres naturais é abordado através da implementação de regras de
sequenciamento e métodos heurísticos para sua resolução. A justificativa para utilização de
métodos heurísticos consiste na sua capacidade de encontrar soluções de boa qualidade
utilizando um tempo de processamento computacional adequado às necessidades da aplicação.
Os métodos heurísticos são classificados entre métodos construtivos, buscas locais e
metaheurísticas. Estas combinam os procedimentos construtivos e de busca local visando
encontrar soluções melhores do que aquelas que seriam obtidas com a aplicação isolada de cada
método [3]. No caso dos desastres naturais, quanto menor o tempo para tomada de decisão sobre
a alocação dos recursos de atendimento, mais vidas são salvas. Neste sentido, algoritmos
capazes de implementar métodos heurísticos devem ser desenvolvidos e validados através de
experimentos computacionais.
3. Descrição do Problema
Os desastres naturais têm ocorrido mais frequentemente no Brasil ao longo dos últimos
anos. A ocorrência e a intensidade destes desastres naturais estão diretamente ligadas com o
grau de vulnerabilidade das comunidades afetadas e não somente dependem da magnitude dos
eventos adversos. Eventos extremos ocorridos nos últimos cinco anos geraram recordes de
Departamento de Engenharia Industrial
Página | 2
impactos sobre a população, desabrigando milhares e levando a óbito centenas, mobilizando
diversos segmentos sociais, acadêmicos e governamentais (BERTONE e MARINHO, 2013).
Os eventos com maior recorrência registrados no país são os que ocorrem devido a
inundações, enxurradas, deslizamentos de encostas, estiagens, secas e vendavais (MMA,2007).
Conforme indicado na Figura 1, nos ambientes urbanos, que abrigam a grande maioria
da população brasileira, as inundações e as enxurradas são os eventos que ocorrem com maior
frequência no país.
Figura 1 - Principais desastres naturais no Brasil (2000-2007). Fonte: [8]
Na Figura 2 são apresentadas as taxas de morte por tipo de evento, indicando que
inundações são os eventos que mais provocam impactos na sociedade, dado que este evento
apresenta maior percentual de óbitos.
Figura 2 - Mortos por tipo de desastre no Brasil (2000-2007). Fonte: [9]
58%
14%
6%
8%
11%3%
Inundações e Enxurradas Seca Temperatura extrema
Vendavais Deslizamento Epidemia
0,00%
5,00%
10,00%
15,00%
20,00%
25,00%
30,00%
35,00%
40,00%
45,00% 43,19%
20,40%18,63%
10,38%
6,30%
0,65% 0,20% 0,12% 0,12%
Departamento de Engenharia Industrial
Página | 3
Entre os desastres ocorridos no Brasil, o de grande destaque pelo grau de seriedade e
danos causados foi o que ocorreu entre a noite do dia 11 de janeiro de 2011 e a madrugada do
dia 12 em que chuvas extremas atingiram a Região Serrana do Estado do Rio de Janeiro (RSRJ)
gerando enchentes devido ao transbordamento de córregos e rios (PINHEIRO et al., 2011).
A Figura 3 apresenta os 7 municípios da RSRJ que foram afetados pela chuva e que
juntos formam uma área estimada de 2.300 km², onde vivem mais de 713.000 habitantes.
Estas enchentes ocasionaram deslizamentos de terra, fazendo com que bairros inteiros
ficassem cobertos por lama, centenas de casas fossem varridas pela terra e dezenas de pessoas
ficassem soterradas, causando perdas imensas. Foram mais de 900 mortes contabilizadas, cerca
de 350 desaparecidos e milhares de pessoas desabrigadas, além de graves danos à infraestrutura,
à economia e a alteração geográfica da região afetada, fazendo desta tragédia o maior desastre
climático e geotécnico da história do país, classificado pela ONU como o 8º maior deslizamento
ocorrido no mundo nos últimos 100 anos (BUSCH e AMORIM, 2011).
Apesar de possuir condições econômicas favoráveis, como setor industrial bem
desenvolvido e presença de pontos turísticos importantes, a região serrana sempre se
Figura 3 - Mapa de localização dos municípios afetados. Fonte: [2]
Departamento de Engenharia Industrial
Página | 4
caracterizou por uma grande vulnerabilidade natural devido à sua localização na Serra do Mar,
formada por rochas com camada fina de terra e coberta por Mata Atlântica, com alto declínio e
regime de chuvas intensas no verão. Além destas condições naturais, acrescentou-se o fator
humano. Ao longo de muitos anos as encostas e margens dos rios foram desmatadas e ocupadas
irregularmente, agravando a vulnerabilidade dos solos instáveis e propensos a deslizamentos.
Estes fatores contribuíam para a convivência anual da região com enchentes e alguns
deslizamentos, embora nenhuma situação de gravidade semelhante ao desastre ocorrido em
janeiro de 2011 (PINHEIRO et al., 2011).
Conforme as normas gerais de defesa civil, os desafios e as atividades de resposta a um
desastre são classificadas na fase de preparação, período anterior ao desastre, que aborda tarefas
relacionadas ao planejamento, treinamento, alerta antecipado e estabelecimento de serviços de
emergência necessários, e se fragmenta em duas etapas (BUSCH e AMORIM, 2011).
Na primeira etapa, período durante o desastre, o objetivo é controlar imediatamente a
situação e reduzir o sofrimento, por meio de ações de busca e salvamento, do isolamento de
áreas de risco e críticas, da evacuação da população e provimento de abrigos, vestuário,
alimentação, serviços médicos, do controle de vias de transporte e de comunicação e da
manutenção da ordem pública. A segunda etapa, período após o desastre, é a de reabilitação ou
recuperação da região afetada, que inclui respostas emergenciais para restauração da
infraestrutura destruída, e restauração de condições mínimas de sobrevivência e segurança. Em
cada etapa é de extrema importância uma coordenação que defina o que fazer, quem deve fazer
e como fazer para que alcancem seus objetivos com sucesso. Concluída a resposta ao desastre,
parte-se para a etapa de reconstrução, que impõe ações sustentáveis, desenvolvidas no longo
prazo (BUSCH e AMORIM, 2011).
De maneira a enfrentar esta tragédia de elevada proporção, formou-se uma ampla rede
de socorro, composta por agentes governamentais, organizações não governamentais, empresas
privadas e voluntários, cabendo destaque às intervenções feitas pelo governo federal, estadual
e municipal e pela sociedade civil. Entretanto, apesar de sua dimensão, o socorro não atingiu a
efetividade necessária. A forma pela qual as relações entre os diversos atores que atuaram na
resposta foram estabelecidas e o papel efetivamente desempenhado por cada um deles são
fatores que possibilitaram a existência de conflito e falta de colaboração e coordenação,
marcando fortemente este episódio pelo despreparo das autoridades brasileiras para enfrentar
tragédias naturais como esta (BUSCH e AMORIM, 2011).
Dessa forma, fica evidente a maneira que desastres naturais de elevada gravidade, como
o episódio da Região Serrana do Rio de Janeiro, ameaçam a vida de milhões de pessoas por
ano. Por isso, com o intuito de atender à um desastre de forma rápida, ao diminuir o tempo
utilizado para resgate, atendendo um número elevado de incidentes em um curto intervalo de
tempo e controlando a situação o mais imediato possível, é de extrema necessidade um estudo
do gerenciamento de desastres naturais.
4. Modelo de Solução
O estudo feito por Wex et al. [1] sugere um problema de sequenciamento no contexto
de logística humanitária, tratado como um problema de programação de máquinas paralelas
com máquinas não relacionadas com tempos de configuração dependentes de sequência.
Departamento de Engenharia Industrial
Página | 5
Pode-se considerar o sequenciamento de trabalhos em máquinas paralelas como um
processo fragmentado em duas etapas. Primeiramente, é necessário determinar quais trabalhos
devem ser alocados para quais máquinas. Posteriormente, é preciso definir a sequência dos
trabalhos alocados para cada máquina (PINEDO, 2008).
É proposto pelo estudo um modelo de apoio à decisão para centros de operações de
emergência que aloca unidades de resgate disponíveis para atender incidentes emergentes com
diferentes prioridades de acordo com sua severidade. A vantagem de possuir um modelo
automatizado de otimização e suporte à decisão de coordenação centralizada de alocação e
agendamento de unidades de resgate disponível é que o suporte à decisão proposto auxilia em
situações em que há um alto nível de complexidade e alta pressão de tempo, como no caso de
desastres naturais, auxiliando autoridades a enfrentar estas tragédias.
O modelo é formulado como um problema binário de otimização quadrática e este é
referido como Rescue Unit Assignment and Scheduling Problem (RUASP), em que o objetivo
é minimizar a soma dos tempos de conclusão ao atendimento de cada incidente 𝑗 (𝐶𝑗)
ponderados por sua gravidade (𝑤𝑗). A função objetivo proposta pode ser descrita como ∑ 𝑤𝑗𝐶𝑗.
O tamanho do problema RUASP é determinado pelo número de unidades de resgate
disponíveis m e o número de incidentes n que precisa ser processado. Consideramos situações
em que o número de unidades de resgate disponíveis é menor ou igual ao número de incidentes
(m ≤ n), pois esta proporção é característica de desastres naturais. Além disso, consideramos as
seguintes propriedades:
1) Cada incidente pode ser atendido por um subconjunto de unidades de resgate.
Assim, pode acontecer de uma determinada unidade de resgate não ter capacidade
para atender um ou mais incidentes.
2) Os tempos de processamento são variáveis e determinados pela combinação
incidente-unidade de resgate.
3) Diferentes unidades de resgate requerem diferentes tempos de viagem entre as
localidades dos incidentes.
4) O atendimento a um incidente não pode ser interrompido.
5) A cada incidente é atribuído um fator de ponderação, tanto para vítimas quanto
danos instigados ao longo do tempo, sendo este peso denominado nível de
severidade ou fator de destruição. Aborda-se o objetivo de minimizar a soma dos
tempos de conclusão de cada incidente ponderados pela sua severidade.
Wex et al. [1] propõem e comparam computacionalmente várias heurísticas para o
problema de apoio à decisão de coordenação centralizada de alocação e agendamento de
unidades de resgate. Foram utilizadas uma heurística baseada em Monte-Carlo, oito heurísticas
construtivas e 5 heurísticas de melhoria. Além disso, foram incorporadas essas combinações de
heurísticas construtivas e de melhoria em metaheurísticas GRASP. Dessa forma, o estudo além
de contribuir para a área de gerenciamento de desastres, contribui também para a literatura de
otimização em geral.
As heurísticas consistem em métodos capazes de obter soluções para problemas
combinatórios em um tempo computacional razoável, contudo, sem garantia de que estas
soluções sejam ótimas (PEARL, 1984; REEVES, 1993). Os métodos heurísticos são
classificados entre métodos construtivos, buscas locais e metaheurísticas. Estas combinam os
Departamento de Engenharia Industrial
Página | 6
procedimentos construtivos e de busca local visando encontrar soluções melhores do que
aquelas que seriam obtidas com a aplicação isolada de cada método [3]. A utilização desse tipo
de método é de grande importância devido ao fato de que em casos de problemas mais
complexos, e mesmo que com pequenas instâncias, métodos exatos podem não ser eficientes
(PEARL, 1984; REEVES, 1993).
5. Aplicação da Solução
Para tratar o RUASP, foi implementado um algoritmo GRASP reativo em que as fases
construtiva e de busca local foram feitas com base nos melhores métodos propostos por Wex et
al. [1], sendo elas a heurística construtiva Sched 7 e a busca local com a vizinhança 3-nodes
exchange. Os experimentos foram realizados com base em dois conjuntos de instâncias
distintas. O primeiro conjunto é referente ao terremoto ocorrido no Japão em 2011 composto
por 10 instâncias, utilizadas no trabalho de Wex et al. [1]. O segundo conjunto, também
contendo 10 instâncias, foi gerado a partir de dados extraídos sobre o desastre ocorrido em 2011
na Região Serrana do Rio de Janeiro [Banco Mundial, 2012; Xavier et al., 2016, da Costa et al.,
2017]. As instâncias de ambos os conjuntos variam de tamanho, com 𝑚 ∈ {10; 20; 30; 40} e
𝑛 ∈ {10; 20; 30; 40} com 𝑚 ≤ 𝑛.
5.1. Heurística Sched 7
Na heurística Sched 7, a alocação se dá de forma iterativa, selecionando o incidente e a
unidade que irá atendê-lo no mesmo passo. Usando 𝐶𝑘 para definir o instante de conclusão
parcial de uma unidade k, δ𝑘 para armazenar o último incidente atribuído a uma unidade k e
σ𝑘 para representar a sequência programada em cada unidade k, a heurística retorna σ =
(σ1,..., σ𝑚), como uma lista de programações para as m unidades, como descrito no algoritmo
1.
Algorithm 1 Heurística Sched 7 [Wex et al., 2014]
1: Inicializa o instante de conclusão de cada unidade de resgate, as unidades partindo do
depósito e a lista vazia de alocação de cada unidade
𝐶𝑘 ← 0, 𝛿𝑘 ← 0, 𝜎𝑘 ← 0, ∀𝑘 ∈ 𝑀. 2: Inicializa a lista de incidentes não alocados 𝐼 ← {1, … , 𝑛}
3: Define 𝐶 ← {𝐶𝑘+𝑠𝛿𝑘𝑖𝑘+𝑝𝑖𝑘
𝑤𝑖| 𝑖 ∈ 𝑁, 𝑘 ∈ 𝑀} e
𝑐 ← 𝑚𝑖𝑛𝑖,𝑘
𝐶𝑘+𝑠𝛿𝑘𝑖𝑘+𝑝𝑖𝑘
𝑤𝑖
4: for 𝑙 = 1 to n do
5: Seleciona o incidente 𝑖∗ ∈ 𝐼 e a unidade 𝑘∗ ∈ 𝑀 correspondente a c, onde a relação entre
o instante de conclusão e o nível de criticidade é o menor. Se não existir um mínimo, retorna
como inviável.
6: Atualiza 𝐼 ← 𝐼 \{𝑖∗}, 𝐶𝑘∗ ← 𝐶𝑘
∗ + 𝑠𝛿𝑘∗ 𝑖∗𝑘∗ + 𝑝𝑖∗𝑘∗,
𝛿𝑘∗ ← 𝑖∗ e 𝜎𝑘
∗ ← 𝜎𝑘∗ ∪ {𝑖∗}
7: Atualiza 𝐶 ← {𝐶𝑘+𝑠𝛿𝑘𝑖𝑘+𝑝𝑖𝑘
𝑤𝑖| 𝑖 ∈ 𝑁, 𝑘 ∈ 𝑀} e
𝑐 ← 𝑚𝑖𝑛𝑖,𝑘
𝐶𝑘+𝑠𝛿𝑘𝑖𝑘+𝑝𝑖𝑘
𝑤𝑖
8: end for
9: retorna 𝜎 ← (𝜎1, … , 𝜎𝑚)
Departamento de Engenharia Industrial
Página | 7
5.2 Busca Local com 3-nodes exchange
A busca local com vizinhança 3-nodes exchange consiste na troca de três nós de posição
entre si, afim de evitar que sejam geradas soluções inviáveis para o problema, dadas as
diferentes disponibilidades das unidades de resgate. No caso do problema abordado, os nós são
os incidentes e estes são trocados respeitando a restrição de disponibilidade das unidades de
resgate. Todas as permutações são testadas dado o conjunto de incidentes programados e todas
as soluções dentro da vizinhança são avaliadas, tomando como solução corrente a de menor
custo dentre todas elas. O algoritmo é interrompido quando nenhuma solução vizinha apresenta
custo menor que o da solução corrente.
5.3 GRASP Reativo
A metaheurística GRASP (Greedy Randomized Adaptive Search Procedures)
corresponde a um processo iterativo de duas fases. A primeira fase se caracteriza pela
construção de uma solução viável a partir de um algoritmo guloso aleatorizado. Na segunda
fase, uma busca local é aplicada sobre a solução corrente, gerada pela primeira fase. O algoritmo
retorna a melhor solução encontrada dentre todas as iterações efetuadas. Neste trabalho,
utilizou-se a heurística Sched 7 na fase construtiva do GRASP e a busca local com a vizinhança
3-nodes exchange para melhoria das soluções construídas.
No procedimento de construção de uma solução viável, um elemento que compõe a
solução é escolhido, a cada passo do algoritmo, a partir de uma lista de elementos candidatos.
Cada um desses elementos possui um custo associado à decisão de incluí-lo na solução parcial.
No caso da heurística Sched 7, um elemento da solução corresponde a um par incidente/unidade.
Para definir o elemento, o GRASP, a cada iteração, utiliza um algoritmo guloso aleatorizado,
definindo uma lista restrita de candidatos (LRC) contendo os melhores elementos. A partir do
custo de entrada de cada um dos elementos candidatos, podem ser computados os custos
mínimo (𝐶𝑚í𝑛) e máximo (𝐶𝑚á𝑥). Para que os elementos façam parte da LRC, seu custo de
entrada deve pertencer ao intervalo definido por [𝐶𝑚í𝑛; 𝐶𝑚í𝑛+α(𝐶𝑚á𝑥−𝐶𝑚í𝑛)] condicionado ao
parâmetro α ∈ [0;1]. Ao passo que um novo elemento é incluído na solução parcial, o custo de
cada um dos elementos restantes deve ser recalculado. Após a construção da solução completa,
é aplicada uma busca local com o intuito de melhorar a solução construída, uma vez que essas
soluções podem não ser ótimos locais.
Para lidar com os diferentes portes de instâncias do RUASP, é utilizado uma abordagem
reativa para atualização do valor de α. Dessa forma, define-se um conjunto discreto, com r
elementos, de valores possíveis para α ∈ {𝛼1; 𝛼2;...; 𝛼𝑟}, com probabilidade 𝑝𝑖,i = 1,...,r
associadas a cada elemento do conjunto. A princípio, definem-se probabilidades iguais para
todos os elementos, com 𝑝𝑖,= 1/r. Conforme o algoritmo é executado, as probabilidades de
escolha de cada valor de α são atualizadas com base na qualidade das soluções desenvolvidas
para cada valor de α no momento da avaliação. O valor da melhor solução encontrada entre
todas as iterações do método, até o momento da avaliação, é definido como 𝑓∗ e o valor médio
das soluções encontradas para α𝑖 é definido como µ𝑖. Desta forma, as probabilidades da escolha
de cada valor de α são atualizadas de acordo com as Equações 1 e 2.
𝑝𝑖 = 𝑞𝑖
∑ 𝑞𝑗𝑟𝑗=1
⁄ , 𝑖 = 1, … , 𝑟 (1)
Departamento de Engenharia Industrial
Página | 8
𝑞𝑖 = (𝑓∗
𝜇𝑖)
𝛿
, 𝑖 = 1, … , 𝑟 (2)
6. Resultados e Discussão
O algoritmo foi aplicado ao primeiro conjunto de instâncias (Inst), referentes ao
terremoto no Japão em 2011 [1]. Os resultados adquiridos, com 30 minutos de execução, são
apresentados na Tabela 1 abaixo em termos do número de unidades (m), número de incidentes
(n), resultados obtidos pela aplicação da heurística Sched 7 junto à busca local com 3-nodes
exchange (Sched 7 + BL), das melhores soluções conhecidas (Best Known Solutions - BKS)
para essas instâncias até então, presentes no trabalho desenvolvido por Wex et al. [1], e do
GRASP reativo subdividido em: Mínimo, Média, Máximo, Desvio Padrão (DP) e os desvios
percentuais, tanto com relação às melhores soluções (∆BKS) quanto com relação às soluções da
heurística com busca local (∆S7).
Tabela 1: Resultados do GRASP reativo com 30 minutos de execução para as instâncias do terremoto no Japão de 2011.
Inst m n Sched 7
+ BL
BKS GRASP Reativo
[Wex et
al., 2014] Mínimo Média Máximo DP ∆BKS ∆S7
1 10 10 276,67 276,67 269,08 269,08 269,08 0,00 -2,74% -2,74%
2 10 20 868,03 834,41 821,15 825,7 826,65 2,04 -1,04% -4,88%
3 10 30 2130,71 2069,54 2022,94 2023,55 2024,97 0,98 -2,22% -5,03%
4 10 40 2582,09 2471,92 2452,52 2459,88 2464,74 4,36 -0,49% -4,73%
5 20 20 482,90 481,02 465,80 466,23 466,86 0,54 -3,07% -3,45%
6 20 30 661,95 645,16 633,06 635,46 637,67 2,08 -1,50% -4,00%
7 20 40 1098,58 1076,03 1059,58 1068,31 1075,81 4,19 -0,72% -2,76%
8 20 30 520,79 484,94 477,79 477,88 478,70 0,29 -1,46% -8,24%
9 30 40 850,55 779,50 789,92 794,37 801,58 3,36 1,91% -6,60%
10 40 40 822,01 684,10 680,65 687,53 694,36 5,17 0,50% -16,36%
Média -1,08% -5,88%
A partir dos resultados obtidos, é possível notar que com o GRASP reativo houve uma
redução de custo em oito (1-8) de 10 instâncias com relação as melhores soluções conhecidas
até então para o problema, apresentando um ganho médio de 1,08% dentre todas as instâncias,
chegando a 3,07% na instância 5. Vale ressaltar também que mesmo as soluções máximas
obtidas pelo método foram menores do que as BKS para essas mesmas instâncias (1-8), porém
nas duas instancias de maior porte (9 e 10), o método não conseguiu melhorar as soluções
obtidas por Wex et al. [1]. No comparativo com a heurística Sched 7 com busca local, o
algoritmo mostrou um ganho ainda maior de 5,88% na média, chegando a 16,36% na instância
10, indicando que os ganhos com o uso desse método em um caso real de desastre natural podem
resultar em um atendimento mais eficiente dos incidentes, evitando assim maiores desastres.
Comprovando a capacidade do GRASP reativo em gerar boas soluções para o RUASP,
o algoritmo foi aplicado ao segundo conjunto de instâncias (Inst) referentes ao desastre de 2011
na Região Serrana do Rio de Janeiro. São apresentados os resultados adquiridos, com 30
minutos de execução, na Tabela 2 abaixo em termos do número de unidades (m), número de
incidentes (n), resultados obtidos pela aplicação da heurística Sched 7 junto à busca local com
3-nodes exchange (Sched 7 +BL) e dos resultados do GRASP reativo, subdivididos em:
Departamento de Engenharia Industrial
Página | 9
Mínimo, Média, Máximo, Desvio Padrão (DP) e os desvios percentuais com relação as soluções
da heurística com busca local (∆S7).
Tabela 2: Resultados do GRASP reativo com 30 minutos de execução para as instâncias do desastre de 2011 na Região Serrana do Rio de Janeiro.
Inst m n Sched 7 +
BL
GRASP Reativo
Mínimo Média Máximo DP ∆S7
1 10 10 10220,2 9911,51 9911,51 9911,51 0,00 -3,02%
2 10 20 27865,8 27050,6 27050,6 27050,6 0,00 -2,93%
3 10 30 54062,6 53328 53328,1 53328,1 0,05 -1,36%
4 10 40 79345,5 77951,6 78191,5 78342 110,26 -1,45%
5 20 20 16941,3 16641 16641 16641 0,00 -1,77%
6 20 30 40330,3 39611,5 39641,7 39762,3 63,58 -1,71%
7 20 40 52350,7 51305,4 51428,5 51568,5 114,70 -1,76%
8 20 30 24979,4 24490,5 24490,5 24490,5 0,00 -1,96%
9 30 40 38759,3 37615,8 37773,4 37976,7 106,58 -2,54%
10 40 40 31229,5 30742,9 30930,1 31051,1 82,11 -0,96%
Média -1,95%
Para esse conjunto de instâncias, a heurística Sched 7 apresentou bom desempenho, com
um desvio médio de apenas 1,95 % em relação ao GRASP e com um desvio máximo de 3,02%
para a instância 1. Apesar de equiparado com o GRASP reativo, qualquer solução que possa
melhorar a programação das unidades de resgate, por menor que seja, pode ser muito
significativa para o tipo de problema abordado.
7. Conclusão
O estudo permitiu um maior conhecimento sobre regras de sequenciamento e métodos
heurísticos, evidenciando a importância de aplicá-los nestes problemas, pois possibilitam obter
soluções boas e em alguns casos com resultados apenas um pouco mais elevados do que os
valores ótimos, em um tempo computacional razoável, enquanto que métodos exatos não são
capazes de solucioná-los. Proporcionou também a experiência de participação do Simpósio
Brasileiro de Pesquisa Operacional.
Através dos resultados obtidos pela implementação do algoritmo GRASP reativo,
evidenciou-se, para o primeiro conjunto de instâncias, referentes ao terremoto no Japão em
2011, uma redução de custo de 1,08% em média do que as melhores soluções obtidas na
literatura para o problema, chegando a uma redução máxima de 3,07% em uma das instâncias
propostas. Para o segundo conjunto de instâncias, referentes ao desastre ocorrido em 2011 na
Região Serrana do Rio de Janeiro, o GRASP reativo foi comparado com a aplicação de métodos
heurísticos definidos na literatura como eficientes para o RUASP, tendo um ganho médio de
1,95% chegando a um ganho máximo de 3,02% em uma das instâncias avaliadas desse
conjunto.
Daremos continuidade ao projeto implementando no GRASP reativo outras heurísticas
construtivas e de busca local, além de gerar mais instâncias de teste a partir dos dados dos
incidentes da região serrana.
Departamento de Engenharia Industrial
Página | 10
8. Referências
1 - WEX, Felix et al. Emergency response in natural disaster management: Allocation and
scheduling of rescue units. European Journal of Operational Research, v. 235, n. 3, p. 697-
708, 2014.
2 - PINHEIRO, Henri; ANDRADE, Kelen; MOURA, Carlos. A maior catástrofe climática do
Brasil sob a visão operacional do CPTEC/INPE. In: Simpósio Internacional de Climatologia,
2011, João Pessoa-PB. Anais… São Paulo-SP: CPTEC/INPE, 2011.
3 - GENDREAU, Michel; POTVIN, Jean-Yves. Handbook of metaheuristics. Volume 2. New
York: Springer, 2010.
4 - PEARL, J. Heuristics: intelligent search strategies for computer problem solving.
Boston: Addison-Wesley, 1984. 382p.
5 - REEVES, C. R. Modern heuristic techniques for combinatorial problems. Nova York:
John Wiley & Sons, Inc., 1993.
6 – BUSCH, Amirilis; AMORIM, Sonia. A tragédia da região serrana do Rio de Janeiro em
2011: procurando respostas. ENAP Casoteca de Gestão Pública, Brasília, 2011. Disponível
em: <http://repositorio.enap.gov.br/handle/1/328>. Acesso em: 18 jul. 2017.
7 – BERTONE, Pedro; MARINHO, Clarice. Gestão de riscos e resposta a desastres naturais: A
visão do planejamento. In: Congresso CONSAD de Gestão Pública, 6, 2013, Brasília. Anais...
Brasília: CONSAD, 2013.
8 - BRASIL. Ministério do Meio Ambiente. Vulnerabilidade ambiental: Desastres naturais
ou fenômenos induzidos. Brasília: MMA, 2007.
9 - Atlas Brasileiro de Desastres Naturais 1991-2010. Volume Brasil. CEPED/UFSC.
Florianópolis, 2012.
10 – PINEDO, Michel. Scheduling: Theory, Algorithms and Systems. 3. ed. New York:
Springer, 2008.
11 - MUNDIAL, Banco. Avaliação de perdas e danos: inundações e deslizamentos na Região
Serrana do Rio de Janeiro - Janeiro de 2011. Relatório elaborado pelo Banco Mundial com
apoio do Governo do Estado do Rio de Janeiro. Brasília, 2012.
12- XAVIER, Iran Rosa; DE MELLO BANDEIRA, Renata Albergaria; BANDEIRA, Adriano
de Paula Fontainhas. Análise do emprego de helicópteros para transporte aéreo logístico
em resposta a desastres naturais. 2016. Tese (Mestrado em Engenharia de Transportes) –
Instituto Militar de Engenharia, Rio de Janeiro.
13- DA COSTA, Natália de Brito Oliveira Luiz; FONTAINHA, Tharcisio Cotta; LEIRAS,
Adriana. Brazilian Air Force operations in disaster response–a process analysis. Disaster
Prevention and Management: An International Journal, v. 26, n. 4, p. 479-498, 2017.