Upload
lecong
View
216
Download
0
Embed Size (px)
Citation preview
UM ALGORITMO GENÉTICO PARA SOLUÇÃO DO PROBLEMA DE
LOCALIZAÇÃO DE ATIVIDADES ECONÔMICAS
JACQUELINE MAGALHÃES RANGEL CORTES
“Tese apresentada ao Centro de Ciência e
Tecnologia, da Universidade Estadual do
Norte Fluminense, como parte das
exigências para obtenção do título de
Doutor em Ciências de Engenharia”.
Orientador: Prof. Geraldo Galdino de Paula Junior, D.Sc.
Campos dos Goytacazes – RJ
Agosto de 2003
UM ALGORITMO GENÉTICO PARA SOLUÇÃO DO PROBLEMA DE
LOCALIZAÇÃO DE ATIVIDADES ECONÔMICAS
JACQUELINE MAGALHÃES RANGEL CORTES
“Tese apresentada ao Centro de Ciência e
Tecnologia, da Universidade Estadual do
Norte Fluminense, como parte das
exigências para obtenção do título de
Doutor em Ciências de Engenharia.”
Aprovada em 28 de agosto de 2003.
Comissão Examinadora:
Prof. Geraldo Galdino de Paula Junior, D.Sc. UENF
Presidente
Profa. Gudelia G. Morales, D.Sc., UENF
Prof. José Ramón Arica Chávez, D.Sc., UENF
Prof. Rodrigo Tavares Nogueira, D.Sc., UES
ii
DEDICATÓRIA
A Deus, sempre presente.
A minha vó Elvira, uma doce lembrança.
iii
AGRADECIMENTOS
Ao professor Geraldo Galdino de Paula Junior, pelo precioso conhecimento
transmitido.
Aos professores Arica, Gudélia e Rodrigo, pelas observações e sugestões.
A Décio, companheiro de todos os momentos.
A meus pais Maria Luiza e Cretom e a minha irmã Sheila pelo incentivo, amor e
carinho.
A Alcimar e Roberto, pela colaboração.
Aos colegas do Laboratório de Engenharia de Produção.
A UENF, pela oportunidade.
A Fenorte, pelo apoio financeiro.
A todos os que de alguma forma contribuíram para a realização deste trabalho.
iv
Resumo da Tese apresentada ao CCT/UENF, como parte dos requisitos
necessários à obtenção do grau de Doutor em Ciências de Engenharia (D.Sc.)
Um Algoritmo Genético para Solução do Problema de
Localização de Atividades Econômicas
Jacqueline Magalhães Rangel Cortes
Orientador: Geraldo Galdino de Paula Junior, D.Sc.
Curso: Doutorado em Ciências de Engenharia
Área de Concentração: Engenharia de Produção
O problema de localização de atividades econômicas de base tecnológica é
representado nesta tese por um modelo linear, multiobjetivo e dinâmico 0-1. Os
objetivos aqui atingidos estão contidos em resultados que se basearam em
fatores locacionais dominantes, de natureza qualitativa e quantitativa. A
formulação apresentada como resultado da pesquisa se propõe a minimizar os
custos de implantação das atividades econômicas, minimizar o tempo de acesso
dessas atividades aos seus clientes e maximizar a obtenção de benefícios
agregados às instalações e suas conexões, durante o horizonte de planejamento.
Além disso, o processo de localização atende a um conjunto de restrições
operacionais, de orçamento, bem como à exigência de interligação dos períodos
de tempo associados ao aspecto dinâmico do problema. O esforço aqui
desenvolvido resultou na formulação de um algoritmo genético e de sua
adaptação à abordagem multiobjetivo do problema tratado nesta tese. Tal
contribuição incorpora o uso de operadores de correção, apropriados e
particulares, assim como inclui a penalização das soluções inviáveis através de
uma verificação seqüencial das restrições. Ao final do processo evolutivo, as
soluções não-dominadas, extraídas do conjunto das melhores soluções, são
fornecidas à avaliação do decisor. Experimentos computacionais extensos foram
realizados e seus resultados mostraram-se promissores, tanto em relação a
aproximações de uma solução do problema em si, quanto com vistas à vantagem
de se utilizar, via metáfora biológica, a inteligência da natureza em favor do
cálculo de uma solução de problemas de modelagem computacional.
v
Abstract of Thesis presented to CCT/UENF as a partial fulfillment of the
requirements for the degree of Doctor in Engineering Sciences (D.Sc.).
A Genetic Algorithm for Solving the Economic Activity Location Problem
Jacqueline Magalhães Rangel Cortes
Advisor: Geraldo Galdino de Paula Junior, D.Sc.
Subject: Doctor in Engineering Science
Major Subject: Production Engineering
A linear, multiobjective and dynamic 0-1 model is used in this thesis to
describe and solve, by a genetic algorithm, the location problem of economic
activities having technological basis. The objectives achieved are contained in the
results based on location dominant factors of qualitative and quantitative nature.
The formulation presented aims to minimize investment costs of economic
activities, minimize the access time of those activities to their customers and
maximize the benefits joined to the facilities and their connections, during the
planning horizon. Besides, the location process assists a group of operational
restrictions, of budget, as well as the demand of interlinked periods of time,
associated to the dynamic side of the problem. The effort developed results in the
formulation of a genetic algorithm and its adaptation to the multiobjetive approach
of the problem treated in this thesis. Such contribution incorporates the use of
correction operators, appropriate and private, as well as includes the penalization
of the infeasible solutions through a sequential verification of the restrictions. At
the end of the evolutionary process, the non dominated solutions, extracted from
the group of the best solutions, are supplied to the decisor maker’s evaluation.
Extensive computational experiments were accomplished and their results were
shown promising, so much in relation to the solution of the problem in itself, as
with views to the advantage of using, through biological metaphor, the intelligence
of the nature in solution of computational modeling problems.
vi
SUMÁRIO
Lista de Figuras...........................................................................................ix
Lista de Tabelas.......................................................................................... x
Lista de Quadros.........................................................................................xi
CAPÍTULO 1 INTRODUÇÃO..............................................................................1
1.1 Considerações gerais....................................................................... 1
1.2 Objeto de estudo...............................................................................6
1.3 Objetivos da pesquisa.......................................................................6
1.3.1 Objetivo geral.......................................................................... 6
1.3.2 Objetivo específico.................................................................. 6
1.4 Importância do trabalho.................................................................... 7
1.5 Estrutura do texto..............................................................................7
CAPÍTULO 2 PROGRAMAÇÃO MULTIOBJETIVO................................................. 9
2.1 Principais formas de análise multiobjetivo........................................ 9
2.2 Conceitos fundamentais da programação multiobjetivo................... 12
2.3 Procedimentos para resolução de problemas PMO......................... 16
2.4 Alguns métodos de resolução de problemas PMO-01..................... 19
CAPÍTULO 3 PROBLEMAS DE LOCALIZAÇÃO.................................................... 22
3.1 Teoria de localização........................................................................22
3.2 Base histórica dos problemas de localização descritivos................. 23
3.3 Base histórica dos problemas de localização normativos................ 24
3.3.1 Redes, centros e medianas .....................................................25
3.3.2 Modelos de localização........................................................... 26
3.3.3 Relaxação do problema de localização linear e estrutura
facial do politopo......................................................................30
3.3.4 Base histórica dos algoritmos para o problema de localização
de atividades.......................................................................... 32
3.3.4.1 Relaxação lagrangeana............................................. 33
3.3.4.2 Decomposição de Benders........................................ 36
vii
3.3.4.3 Um algoritmo de decomposição baseado na
relaxação lagrangeana convexa do problema
mestre de Benders..................................................... 38
3.4 Problemas de localização dinâmica..................................................41
3.4.1 Um problema específico de localização dinâmica................... 42
3.4.2 Outros problemas de localização dinâmica............................. 44
3.5 Problemas de localização multiobjetivo............................................ 46
3.6 Problemas de localização dinâmica multiobjetivo.............................47
CAPÍTULO 4 FATORES LOCACIONAIS.............................................................. 50
4.1 Considerações iniciais...................................................................... 50
4.2 Importância dos fatores locacionais..................................................50
4.3 Classificação dos fatores locacionais............................................... 52
4.4 Fatores mais relevantes....................................................................55
4.4.1 Custo....................................................................................... 55
4.4.2 Proximidade da matéria-prima................................................ 55
4.4.3 Proximidade dos mercados consumidores..............................56
4.4.4 Economias de aglomeração.................................................... 57
4.4.5 Características da localidade.................................................. 58
4.4.5.1 Disponibilidade de mão-de-obra.................................. 58
4.4.5.2 Infra-estrutura local...................................................... 58
4.4.5.3 Tributação e incentivos fiscais..................................... 59
4.4.5.4 Qualidade de vida........................................................ 59
CAPÍTULO 5 ALGORITMO GENÉTICO............................................................... 61
5.1 Algoritmo genético tradicional...........................................................61
5.1.1 O diferencial dos algoritmos genéticos....................................61
5.1.2 Conceituação básica . ............................................................. 62
5.1.3 Funcionamento dos algoritmos genéticos............................... 64
5.1.4 Operadores genéticos............................................................. 65
5.1.4.1 Seleção........................................................................ 65
5.1.4.2 Cruzamento..................................................................66
5.1.4.3 Mutação....................................................................... 67
5.1.4.4 Elitismo.........................................................................67
viii
5.1.5 Parâmetros genéticos..............................................................68
5.2 Algoritmo genético para problemas com restrições.......................... 69
5.3 Algoritmo genético para problemas multiobjetivo............................. 71
CAPÍTULO 6 UM MODELO DE LOCALIZAÇÃO DINÂMICA MULTIOBJETIVO............ 74
6.1 Introdução.........................................................................................74
6.2 Especificação do modelo.................................................................. 75
6.3 Funções objetivo...............................................................................76
6.4 O modelo dinâmico multiobjetivo...................................................... 78
CAPÍTULO 7 O ALGORITMO GENÉTICO PROPOSTO.......................................... 81
7.1 Introdução.........................................................................................81
7.2 Codificação do cromossomo.............................................................82
7.3 População inicial...............................................................................83
7.3.1 Geração aleatória de valores para y .................................... 83 it
7.3.2 Garantia de instalação.............................................................84
7.3.3 Garantia de viabilidade orçamentária...................................... 84
7.3.4 Geração aleatória de valores para x ................................... 84 ijt
7.3.5 Garantia de associação...........................................................84
7.4 Avaliação da aptidão.........................................................................85
7.5 Ordenação........................................................................................ 86
7.6 Seleção.............................................................................................86
7.7 Cruzamento...................................................................................... 86
7.8 Mutação............................................................................................87
7.9 Correção........................................................................................... 87
7.10 Penalização.................................................................................... 89
7.11 Elitismo........................................................................................... 90
7.12 Critério de término.......................................................................... 91
7.13 Não-dominância..............................................................................91
7.14 O algoritmo..................................................................................... 92
CAPÍTULO 8 EXPERIMENTOS COMPUTACIONAIS...............................................95
8.1 Características de hardware e software........................................... 95
ix
8.2 Inicialização dos parâmetros............................................................ 95
8.3 Problemas teste................................................................................95
8.4 Resultados........................................................................................98
CAPÍTULO 9 CONCLUSÕES E PESQUISAS FUTURAS......................................... 103
9.1 Conclusões....................................................................................... 103
9.2 Pesquisas futuras............................................................................. 104
REFERÊNCIAS ...............................................................................................106
x
LISTA DE FIGURAS Capítulo 2 Figura 2.1 Espaço de decisão.....................................................................14
Figura 2.1 Espaço de critérios.................................................................... 14
Capítulo 5 Figura 5.1 Exemplo de cruzamento de um ponto...................................... 66
Figura 5.2 Exemplo de cruzamento de multipontos................................... 66
Figura 5.3 Exemplo de cruzamento uniforme............................................ 67
Figura 5.4 Exemplo de mutação................................................................ 67
Capítulo 7 Figura 7.1 Sentido da comparação entre a população gerada e a elite.... 91
xi
LISTA DE TABELAS
Capítulo 8 Tabela 8.1 Resultados de P1 para pc = 1................................................... 98
Tabela 8.2 Resultados de P1 para pc = 0,8................................................ 98
Tabela 8.3 Resultados de P1 para pc = 0,5................................................ 99
Tabela 8.4 Resultados de P2 para pc = 1................................................... 99
Tabela 8.5 Resultados de P2 para pc = 0,8................................................ 99
Tabela 8.6 Resultados de P2 para pc = 0,5............................................... 100
Tabela 8.7 Resultados de P3 para pc = 1.................................................. 100
Tabela 8.8 Resultados de P3 para pc = 0,8............................................... 101
Tabela 8.9 Resultados de P3 para pc = 0,5............................................... 101
xii
LISTA DE QUADROS
Capítulo 2 Quadro 2.1 Comparação entre as abordagens PMO e MADM................. 11
Capítulo 8 Quadro 8.1 Dimensões dos problemas teste............................................. 96
Quadro 8.2 Combinações de parâmetros genéticos utilizados.................. 97
Quadro 8.3 Valores ótimos dos problemas P1 e P2.................................. 97
xiii
CAPÍTULO 1
INTRODUÇÃO 1.1 Considerações gerais
As empresas têm dado cada vez mais importância ao seu planejamento locacional
motivadas pela obtenção de maior competitividade. As decisões relativas a este tipo de
planejamento podem ser tomadas considerando uma mistura de feeling pessoal do decisor e
métodos científicos de auxílio à tomada de decisão. Contudo, a utilização destes métodos
não garante uma decisão fácil, pois o planejamento locacional é, por natureza, de longo
prazo, intensivo em uso de dados e de complexidade elevada. Nesse sentido, a análise
locacional é um tema de interesse de pesquisadores de áreas como Economia, Engenharia,
Geografia, Pesquisa Operacional, Marketing, Matemática, Planejamento, Ciência
Regional, entre outros.
O problema de localização de atividades pode ser visto como uma subárea de um
contexto mais amplo conhecido como Logística, que trata do planejamento, organização e
controle das tarefas associadas a armazenagem, transporte e distribuição de bens e
serviços, ou ainda definido pela seleção adequada de configurações em redes, tais como,
redes de transporte, de distribuição e de comunicação. Em muitas situações, e quando for
apropriada, a análise locacional é considerada, do ponto de vista econômico, como a busca
do equilíbrio entre custos fixos de implantação de atividades e custos variáveis de
transporte entre as atividades e os clientes atendidos por elas. Isto pode ocorrer com ou
sem a consideração de restrições sobre o número de atividades a serem instaladas no
cenário que é objeto de estudo.
CAPÍTULO 1 – INTRODUÇÃO
2
De forma geral, a localização de atividades econômicas1 consiste em escolher um
ou mais locais entre um conjunto de potenciais alternativas, respeitando um conjunto de
restrições2 e considerando uma medida de avaliação3 (objetivo) das possíveis alternativas
de instalação.
O planejamento da localização pode existir em muitos contextos, desde a
localização de indústrias, aeroportos ou hospitais até de máquinas ou equipamentos. Em
relação ao espaço geográfico, a localização pode apresentar-se em dois principais níveis:
Nível macro: Na localização macrogeográfica consideram-se as características inter-
regionais na escolha da região ou cidade para a instalação da atividade econômica; e,
Nível micro: Na localização microgeográfica consideram-se as características em um
nível mais local para a determinação da localização. Escolhe-se, por exemplo, o terreno
dentro de um determinado bairro.
A importância da decisão locacional é freqüentemente relacionada aos altos
investimentos e ao impacto que tais decisões têm sobre os custos. Dessa forma, a
localização representa um elemento fundamental para a vantagem competitiva das
empresas. Porter (1999a) apresenta uma das razões que reforçam a necessidade da decisão
locacional ser parte da estratégia global da empresa: “[...] a localização afeta a vantagem
competitiva através da influência sobre a produtividade e, em especial, sobre o crescimento
da produtividade”. Uma empresa de qualquer setor (agricultura, vestuário, educação, etc)
pode tornar-se mais produtiva se forem incorporados métodos sofisticados, adotadas
tecnologias avançadas e oferecidos produtos e serviços únicos. Potencialmente, todos os
setores dispõem de condições para utilizar alta tecnologia4 e podem ser intensivos em
conhecimento.
1 Atividade econômica é considerada aquela socialmente organizada para produção de bens e/ou serviços e que apresenta resultado econômico. 2 Por exemplo, restrições de orçamento, de tempo, de atendimento a todos os clientes, entre outros. 3 Por exemplo, menor custo, menor contaminação, maior satisfação, entre outros. 4 O termo “alta tecnologia” se refere a um processo de produção cujo insumo principal é o conhecimento e a informação (CASTELLS, 1986). De acordo com Malecki (1997), dois indicadores principais podem ser utilizados para definir alta tecnologia: a participação dos gastos com Pesquisa & Desenvolvimento (P&D) no total das vendas e a percentagem de trabalho profissional (cientistas, engenheiros e técnicos) no total da força de trabalho.
CAPÍTULO 1 – INTRODUÇÃO
3
Uma atividade econômica de base tecnológica se caracteriza pelo uso de
tecnologias inovadoras, exigindo investimentos em Pesquisa & Desenvolvimento (P&D) e
com o emprego intensivo de conhecimento técnico-científico. As áreas de informática,
microeletrônica, química fina, biotecnologia, aeroespacial, mecânica de precisão,
tecnologia da informação, automação industrial, entre outras, são exemplos típicos de
destaque.
Embora P&D represente um elemento crítico de uma atividade de base tecnológica,
poucas empresas são inteiramente de alta tecnologia, no sentido de serem
predominantemente engajadas na produção não rotineira, essência das atividades de P&D
(MALECKI, 1987).
Segundo Carvalho et al. (2000), as empresas brasileiras de base tecnológica podem
ser caracterizadas como micro e pequenas empresas de capital próprio, formadas a partir de
tecnologia gerada pelas transações informais entre empresário e Universidade, e por terem
poucos sócios de elevado nível de escolaridade.
De acordo com Porter (1990), existem várias formas da localização afetar o custo
de uma empresa, seja de base tecnológica ou não, uma vez que as localidades possuem
diferentes custos de logística, de mão-de-obra, de administração, de matérias-primas, de
energia, entre outros. Assim, a preferência por um local em potencial geralmente depende
do custo associado ou do lucro esperado. No entanto, nas decisões locacionais raramente as
avaliações são baseadas exclusivamente no valor monetário, envolvendo assim mais de um
objetivo (ver NIJKAMP & SPRONK, 1979). Adicionalmente, segundo Nijkamp & Spronk
(1981), muitos aspectos das decisões de investimento não podem ser representados por um
denominador monetário comum (por exemplo, risco e segurança). Além disso, tais
decisões geralmente causam efeitos que dificilmente poderiam ser incorporados ao custo
tradicional (por exemplo, danos ambientais).
A decisão que envolve múltiplos objetivos é caracterizada como um problema
multiobjetivo5. Em algumas situações, as medidas de avaliação consideradas, quantitativas
ou qualitativas, podem ser conflitantes. Como, por exemplo, uma situação na qual se busca
a minimização dos custos totais e a maximização da qualidade, mas a redução dos custos
implica na redução de qualidade – o que não satisfaz um dos objetivos. Para lidar com este
5 Neste trabalho, as palavras “critério” e “objetivo” são utilizadas com significado semelhante.
CAPÍTULO 1 – INTRODUÇÃO
4
dilema, são necessárias ferramentas de auxílio à decisão que considerem o tradeoff 6 entre
os fatores relevantes que afetam a decisão a ser tomada (MELACHRINOUDIS & MIN,
2000). Alguns fatores que podem influenciar a escolha final da localização da atividade
econômica podem ser destacados: proximidade dos mercados e dos fornecedores, infra-
estrutura local, localização dos competidores, impacto econômico, impacto na saúde,
barreiras governamentais, qualidade de vida, competências locais e danos ambientais.
Outros fatores podem ser encontrados em Blair (1995).
A empresa que decidir por uma análise multicritério poderá melhorar sua vantagem
competitiva, pois ao incorporar à análise locacional uma grande variedade de aspectos de
decisão relevantes obtém-se uma representação mais próxima da situação real. No entanto,
como as decisões locacionais são inerentemente de longo prazo7, uma localização pode
tornar-se um erro de investimento no futuro devido às mudanças ambientais, mesmo
considerando uma abordagem de múltiplos critérios. Para tornar tal empreendimento
lucrativo, é conveniente selecionar locais que não apenas tenham boa representação de
acordo com o momento atual, mas que continuarão sendo lucrativos pelo período em que a
atividade estiver em operação ou pelo menos durante o horizonte de tempo considerado no
planejamento, mesmo em situações de mudanças ambientais, migrações populacionais e
evolução das tendências de mercado. Nesse contexto, determinar as melhores localizações
em um horizonte de planejamento é um importante desafio para a manutenção da
competitividade da empresa, representando um dos mais importantes determinantes para o
sucesso.
Uma boa localização pode fornecer vantagens estratégicas difíceis de serem
superadas pela concorrência. Uma outra questão importante é que a localização representa
um investimento de longo prazo que freqüentemente está associada a um custo
significativo no caso de relocalização, ao contrário das estratégias de marketing, por
exemplo, que podem ser facilmente modificadas em resposta a uma mudança ambiental
(GHOSH & CRAIG, 1983). Dessa forma, a decisão locacional é um dos elementos críticos
em um planejamento estratégico. Segundo Revelle et al. (1970), essa questão é de interesse
para empresas tanto do setor privado quanto público.
6 Tradeoff é a “negociação” ou compensação realizada entre os fatores a fim de se obter o equilíbrio. Isto significa que a melhoria de um fator só é obtida se algum outro fator piorar (GORE, 1984). 7 Os altos custos associados a aquisição de propriedades e instalação fazem dos projetos de localização e relocalização um investimento de longo prazo (OWEN & DASKIN, 1998).
CAPÍTULO 1 – INTRODUÇÃO
5
Segundo Iakovou et al. (1997), Psaraftis et al. (1986) e Psaraftis & Ziogas (1985), a
tomada de decisão sobre a localização de equipamentos específicos é estruturada em três
níveis hierárquicos: estratégico, tático e operacional. Para o caso da localização de
atividades econômicas, pode-se ter a seguinte caracterização:
1) Nível estratégico: As questões de investimento e de planejamento de longo prazo são
consideradas. Incluem-se, portanto, as decisões de localização, número, tamanho e tipo
de atividades a serem instaladas;
2) Nível tático: Determinam-se ações de agregação/associação das atividades aos clientes
e os níveis de capacidade apropriados;
3) Nível operacional: A performance da atividade é examinada.
De acordo com Rees & Stafford (1986), as decisões locacionais são estratégicas.
Owen & Daskin (1998) destacam que, devido a sua natureza estratégica, os problemas de
localização necessitam também que características dinâmicas e/ou estocásticas sejam
consideradas. A formulação dinâmica trata a questão do horizonte de tempo envolvido na
localização. A formulação estocástica tenta captar as incertezas nos parâmetros de entrada
do problema, podendo ser tratada de duas formas: através da abordagem probabilística e da
abordagem de cenários. Este trabalho não aborda as questões estocásticas dos problemas
de localização. Para estudos sobre este tema, ver Mulvey et al. (1995), Bean et al. (1992),
Daskin et al. (1992) e Schilling (1982).
Um problema de localização multiobjetivo de característica dinâmica pode ser
representado por um modelo de programação matemática. No entanto, como geralmente
tal modelo possui natureza combinatorial e complexidade elevada, o custo computacional
para sua resolução é alto, pois a obtenção de soluções exatas em tempo determinístico não
é possível. Nesse caso, um método heurístico de resolução pode ser o mais apropriado para
resolver tal modelo. O método heurístico chamado Algoritmo Genético (AG) tem obtido
sucesso na resolução de problemas combinatórios complexos, o que o torna um forte
candidato para resolver o problema de localização considerado.
AG é um algoritmo heurístico8 de busca estocástica baseado no processo de
evolução biológica e que favorece o alcance do ótimo global. Sua utilização é adequada
8 Os AGs, assim como as técnicas Simulated Annealing e Busca Tabu, são chamados de metaheurísticas.
CAPÍTULO 1 – INTRODUÇÃO
6
para resolver problemas complexos – tais como, otimização combinatória, aprendizado de
máquina, processamento de imagem, robótica, etc – fornecendo soluções de boa qualidade
em tempos computacionais aceitáveis a partir de fácil implementação em computadores
(GOLDBERG, 1989).
Além da simplicidade, uma outra característica marcante dos AGs é que eles
trabalham com um conjunto de soluções ao invés de uma única solução, assim, em cada
rodada do algoritmo um conjunto de soluções pode ser oferecido ao decisor. Essa última,
em especial, é a característica principal que distingue e torna os AGs apropriados a
resolução de problemas multiobjetivo, pois supre a necessidade que tais problemas têm de
obtenção de um conjunto de soluções que sejam melhores em pelo menos um objetivo.
1.2 Objeto de estudo
Neste trabalho, consideraram-se os seguintes objetos de estudo:
A localização de atividades econômicas de base tecnológica do setor privado
considerando um conjunto de restrições.
O tratamento de soluções inviáveis através de algoritmos genéticos.
1.3 Objetivos da pesquisa
Os objetivos da pesquisa são classificados em dois tipos: geral e específico.
1.3.1. Objetivo geral
Propor uma abordagem para auxiliar o planejamento da localização de atividades
econômicas de base tecnológica.
1.3.2. Objetivos específicos
Os objetivos específicos deste trabalho são:
Formular um modelo dinâmico multiobjetivo para representar o problema de
localização de atividades econômicas de base tecnológica. Esse modelo deve
considerar um conjunto de restrições, como também objetivos que estejam relacionados
a fatores qualitativos e quantitativos potencialmente dominantes na decisão locacional
de tais atividades.
CAPÍTULO 1 – INTRODUÇÃO
7
Desenvolver um algoritmo genético para resolver, de forma interativa com o decisor, o
modelo proposto para o problema de localização de atividades econômicas de base
tecnológica. Tal algoritmo deve incorporar procedimentos apropriados para lidar com
as soluções inviáveis do problema.
1.4 Importância do trabalho
Devido a importância das decisões locacionais, modelagens mais aprofundadas
devem ser desenvolvidas a fim de expressar melhor a complexidade inerente a este tipo de
decisão. Em particular, as abordagens multiobjetivo e dinâmica são de natureza estratégica
e tratam o problema de localização de forma mais realista. Conseqüentemente, espera-se
contribuir para que a escolha locacional seja bem sucedida, no momento da decisão e nas
condições futuras, do ponto de vista das considerações econômicas do empresário.
Também se espera contribuir para a identificação e compreensão dos fatores, sejam
qualitativos ou quantitativos, que influenciam as decisões locacionais.
Um outro ponto a ser destacado é que existem relativamente poucas técnicas para a
resolução de problemas complexos de decisão locacional, tal como o abordado neste
trabalho. O desenvolvimento de novos métodos que forneçam boas soluções em tempo
computacional aceitável ainda é um desafio.
Além disso, o tratamento das soluções inviáveis dos problemas de otimização
representa uma nova área de atuação dos AGs. Assim, esta tese contribui ao propor formas
apropriadas de correção e penalização baseadas em restrições específicas do modelo
considerado.
1.5 Estrutura do texto
Este trabalho possui nove capítulos, incluindo este primeiro, onde são apresentados
as considerações gerais, os objetivos e a importância desta pesquisa.
No capítulo 2 tem-se uma revisão sobre as principais formas de se realizar uma
análise multiobjetivo e os conceitos básicos da programação multiobjetivo, sendo
particularizado para o problema linear 0-1 (PMOL-01). Por fim, os procedimentos para
resolução dos problemas de programação matemática são tratados.
CAPÍTULO 1 – INTRODUÇÃO
8
O capítulo 3 trata dos problemas de localização. Inicialmente, são apresentadas as
duas principais formas de se abordar um problema de localização. Em seguida é
apresentada uma revisão da base histórica referente a problemas de localização
considerando essas duas correntes, com destaque para as pesquisas realizadas no âmbito da
programação matemática.
No capítulo 4, discutem-se os fatores que influenciam as decisões locacionais,
sendo apresentados ao final do capítulo os que atualmente têm maior relevância.
No capítulo 5 são apresentados os conceitos básicos relacionados aos algoritmos
genéticos tradicionais. Ao final, dá-se atenção aos algoritmos genéticos específicos para os
problemas com restrições como também os algoritmos para os problemas multiobjetivo.
No capítulo 6 é apresentado o modelo sugerido para o problema de localização de
atividades econômicas de base tecnológica. Tal modelo é multiobjetivo linear 0-1 que
incorpora características dinâmicas.
No capítulo 7 descrevem-se as etapas de um algoritmo genético que contém
operadores de correção e penalização propostos para o tratamento de soluções inviáveis de
um problema de localização específico. Além desses operadores, o algoritmo considera um
processo aleatório orientado para a geração de soluções viáveis iniciais e um operador que
preservar as melhores soluções obtidas em cada iteração do algoritmo.
O capítulo 8 fixa-se nas implementações e testes computacionais realizados durante
a implementação do algoritmo genético proposto para resolver o problema de localização
de atividades de base econômica. Este algoritmo é comparado com um algoritmo genético
que trabalha com uma elite, porém, utiliza apenas os operadores genéticos tradicionais.
O capítulo 9 apresenta as conclusões deste trabalho, além de sugestões de temas
para futuras pesquisas.
CAPÍTULO 2
PROGRAMAÇÃO MULTIOBJETIVO 2.1 Principais formas de análise multiobjetivo
A área de Auxílio Multicritério à Decisão (AMD), também conhecida como
Tomada de Decisão com Múltiplos Critérios, está relacionada aos métodos e
procedimentos pelos quais múltiplos critérios podem ser formalmente incorporados ao
processo analítico. O propósito é dar ao decisor ferramentas que possam capacitá-lo a
resolver um problema de decisão, onde diversos interesses, freqüentemente conflitantes,
devem ser considerados. A abordagem do problema de decisão sob o enfoque do AMD
visa apoiar o processo decisório através da recomendação de ações ou cursos de ações.
Siskos & Spyridakos (1999) consideram que são quatro as tendências teóricas de
abordagem de AMD, a saber: abordagem de sistema de valor (ou teoria de utilidade
multiatributo), abordagem de relação de hierarquia, abordagem de desagregação-agregação
e abordagem de otimização multiobjetivo.
A abordagem de sistema de valor1 visa a construção de uma função utilidade (ou
sistema de valor) que agrega as preferências do decisor em um critério baseado em
suposições rigorosas (relações de preferência transitiva e completa). O sistema de valor
estimado por esta abordagem fornece uma forma quantitativa que conduz o decisor em sua
decisão final (ver ZOPOUNIDIS, 1999; KEENEY, 1992; KEENEY & RAIFFA, 1976).
A abordagem de relação de hierarquia2 surgiu a partir da elaboração dos métodos
ELECTRE (ELimination Et Choix Traduisant la REalité). O conceito de hierarquia nos
métodos ELECTRE é devido a Bernard Roy, que foi o pioneiro nesses métodos. Tal
1 Escola Americana. 2 Escola Francesa.
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
10
abordagem visa a construção de uma relação de hierarquia das alternativas de ação que
permita a comparação entre elas, porém, não é limitada a um modelo matemático.
Adicionalmente, um processo de exploração e dedução é realizado para ajudar o decisor a
verificar se uma solução é satisfatória (ver SISKOS & SPYRIDAKOS, 1999;
ZOPOUNIDIS, 1999; ROY, 1990).
A abordagem de desagregação-agregação é freqüentemente utilizada como uma
forma de modelar as preferências de um decisor (ou de um grupo de decisores) através de
análise de seu comportamento e seu estilo cognitivo. Procedimentos interativos e iterativos
especiais são usados de forma que os componentes do problema e a forma de julgamento
das alternativas de ação sejam analisados e seqüencialmente agregados em um sistema de
valor. O objetivo desta abordagem é auxiliar o decisor a melhorar sua compreensão sobre o
estado do problema e sua forma de julgar, a fim de que se consiga uma decisão consistente
(SISKOS & SPYRIDAKOS, 1999; ZOPOUNIDIS, 1999).
A abordagem de otimização multiobjetivo é representada por um problema de
programação matemática que considera mais de um objetivo para satisfazer e um conjunto
de alternativas de ação relativamente grande (MALCZEWSKI, 1999; SISKOS &
SPYRIDAKOS, 1999).
Uma outra forma de categorização considera basicamente a existência de dois
campos distintos de atuação (DELGADILLO, 1997; CLÍMACO et al., 1996):
1) Método de análise de decisão multiatributo (MADM): refere-se a problemas de
seleção, ordenação ou categorização de um número finito de alternativas explicitamente
conhecidas, em um ambiente de incerteza. Nesse sentido, tal método é chamado de
discreto;
2) Programação matemática multiobjetivo (PMO) ou método de otimização multiobjetivo:
é mais freqüentemente aplicada a problemas determinísticos, nos quais o número de
alternativas viáveis é grande e implicitamente conhecido. Nesse sentido, tal campo de
atuação é chamado de contínuo.
Malczewski (1999) fornece uma comparação dessas duas abordagens. Os
problemas de PMO lidam explicitamente com objetivos primários do decisor e projetam as
alternativas e a busca pela melhor decisão dentre um conjunto infinito ou muito grande de
alternativas viáveis. O papel de PMO na tomada de decisão é fornecer uma estrutura para
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
11
projetar um conjunto de alternativas. Cada alternativa é definida implicitamente em termos
das variáveis de decisão e avaliadas por meio de funções objetivo. Os problemas de PMO
consideram que atributos de alternativas freqüentemente são meios para se alcançar o
resultado essencial, os objetivos do decisor, enquanto que os MADM obtêm preferências,
geralmente na forma de funções e ponderações, diretamente pelos níveis de atributos. A
resolução pelo MADM é um processo de escolha, em oposição a um processo de projeto.
O quadro 2.1 ilustra esta e outras comparações.
Quadro 2.1 Comparação entre as abordagens PMO e MADM
PMO MADM
Critérios definidos por Objetivos Atributos Objetivos3 definidos Explicitamente Implicitamente
Atributos4 definidos Implicitamente Explicitamente
Restrições definidas Explicitamente Implicitamente
Alternativas definidas Implicitamente Explicitamente
Número de alternativas Infinito (grande) Finito (pequeno)
Controle do decisor Significativo Limitado
Paradigma da
modelagem Orientado ao processo Orientado ao resultado
Relevante a Projeto/Busca Avaliação/Escolha Fonte: Malczewiski (1999, Tabela 3.1)
Considerando que o problema de localização tratado neste trabalho envolve a
escolha de locais e formas de associações dentre um grande número de alternativas viáveis
implicitamente conhecidas, optou-se pela abordagem de programação multiobjetivo.
3 Um objetivo é uma variável mais abstrata que possui uma especificação desejada de seus níveis, máximo ou mínimo (MALCZEWSKI, 1999). 4 Um atributo é uma variável descritiva concreta que representa uma medida de quantidade ou qualidade e é utilizada para medir a performance em relação a um objetivo (MALCZEWSKI, 1999).
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
12
2.2 Conceitos fundamentais da programação multiobjetivo
Um problema de programação monobjetivo pode ser definido da seguinte forma:
( )Minimize Z f xSujeitoa x S
=∈
onde é a função objetivo ou critério, é o conjunto de variáveis de decisão e S é a
região viável no espaço das variáveis de decisão. Em geral, S é definido por um conjunto
de equações (e/ou desigualdades) de funções de restrição,
, onde A é a matriz de coeficientes tecnológicos
(dimensão m ) e b é o vetor de termos independentes. O propósito deste problema de
otimização é encontrar um ponto x que apresente o mínimo valor da função objetivo.
( )f x
S x∈
x
( ){ : ,n g x b b= = ∈
n×
}m
S∈
De acordo com Steuer (1986), dependendo do tipo das funções do problema
monobjetivo, pode-se ter uma das seguintes classes de problemas:
Problema de programação linear monobjetivo: se for linear e S for definido
também por funções lineares;
( )f x
Problema de programação linear inteiro monobjetivo: se for linear e S for
definido também por funções lineares e pela condição adicional que as coordenadas de
cada ponto em sejam inteiras;
( )f x
S
Problema de programação não-linear monobjetivo: se ou qualquer uma das
restrições que definem S for não-linear.
( )f x
Muitos problemas reais envolvem diversos objetivos a serem satisfeitos
simultaneamente. Este fato faz com que o problema de otimização monobjetivo seja uma
abordagem inadequada e a abordagem multiobjetivo seja mais apropriada para representar
tais problemas reais.
Uma classe de problemas de programação multiobjetivo (PMO) é o problema de
programação multiobjetivo linear (PMOL) apresentado a seguir.
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
13
( )
( )
( )
{ }
1
2
1 1
2 2
( )
: ,
kk k
n m
PMOL x
S x Ax b b
Minimize Z f x cMinimize Z f x c x
Minimize Z f x c x
Sujeito a x = ∈ = ∈
= == =
= =
∈
De acordo com Steuer (1986), tal problema tem a característica de ser um problema
PMO que possui todos os objetivos e restrições como funções lineares. Uma representação
adicional é dada a seguir.
{ }:Minimize Z C x x S= ∈
onde S x { }0: , ,n mAx b b x= ∈ = ∈
Outras representações possíveis são:
Minimize ( ) ( ) ( ){ }1 2, ,..., kZ f x f x f x=
Sujeito a x S∈
Minimize Z c { }1 2, ,..., kx c x c x=
Sujeito a x S∈
onde é uma matriz dos objetivos (dimensão k ), cujas linhas c são
formadas pelos objetivos individuais, z e Z é o vetor
objetivo.
C n×
ic x
( )1,...,i i k=
k∈( )1,...,i i k==
Enquanto que na programação monobjetivo o conjunto de soluções viáveis S é um
subconjunto no espaço de decisão, na programação multiobjetivo, o conjunto linear
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
14
{ }: ,kZ Z Z C x x S= ∈ = ∈
x
inimize
2=
de todas os vetores objetivo, correspondentes aos
vetores de soluções viáveis , define o espaço dos critérios (ARBEL &
KORHONEN, 1998).
S∈
A solução viável que otimiza simultaneamente todas as k funções objetivo é
chamada de solução ideal e seu correspondente vetor critério é chamado de ponto ideal.
Pelo fato da solução ideal geralmente não existir, do ponto de vista operacional,
“M ” representa a operação de tradeoff para determinar soluções de compromisso.
Assim, no contexto multiobjetivo, o conceito de solução ótima dá lugar ao de solução
eficiente5 ou não-dominada, dependendo do espaço onde as alternativas são consideradas.
Geralmente, o termo não-dominado é usado no espaço de critérios, e eficiente, no espaço
de decisão (KORHONEN, 1998).
Uma solução que se refere aos piores valores para todas as soluções não-dominadas
é chamado de solução antiideal ou ponto Nadir.
A Figura 2.1 ilustra o espaço de decisão de um problema com duas variáveis de
decisão (n ) e dois objetivos de minimização ( ), enquanto que a Figura 2.2
ilustra seu espaço de critérios destacando o conjunto não-dominado (CND) e as soluções
ideal (I) e antiideal (AI).
2k =
Z CND
AI
z2
z1
S
x2
x1 I
Figura 2.1 Espaço de decisão Figura 2.2 Espaço de critérios
5 Uma solução eficiente também pode ser chamada de Pareto-ótima, não-inferior ou admissível.
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
15
Uma solução é chamada de eficiente, se, e somente se, não existir outra solução
viável que melhore o valor de uma função objetivo sem piorar o valor de, pelo menos, uma
outra função objetivo. Desta forma, as soluções do conjunto não-dominado são
incomparáveis entre si; em outras palavras, não existe uma solução que seja melhor que as
outras em todos os critérios.
Considerando o problema PMOL, uma definição de vetor objetivo não-dominado e
uma de solução eficiente para o caso de objetivos de minimização são apresentadas a
seguir (CORTES, 1998):
Definição 2.1.: O vetor objetivo ( 1 2, , ..., kkz z z= ∈
( 1 2, , ...,k
kz z z= ∈
))
Z é chamado de não-dominado,
se, e somente se, não existe outro Z tal que Z e Z≤ ii <z z
para pelo menos um . { }i k1 2, , ...,∈
Definição 2.2.: x é uma solução eficiente, se, e somente se, não existir y S
tal que C y e c y para pelo menos um i k .
0 ∈
0C x
S
n
{ }0\ x∈
≤ 0i ic x< { }1 2, , ...,∈
Quando as variáveis de decisão do problema PMOL são todas inteiras, tem-se o
problema multiobjetivo linear inteiro (PMOLI). No caso das variáveis de decisão serem
0-1, tem-se a classe multiobjetivo 0-1 (PMOL-01). Uma formulação para o PMOL-01 é
dada a seguir:
{ }01( ) :PMOL Minimize Z C x x S− = ∈
onde { }: , ,n mS x Ax b b x Β= ∈ = ∈ ∈
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
16
2.3 Procedimentos para resolução de problemas PMO
A solução de um problema PMO pode ser estimada através de procedimentos
iterativos que conduzem a (SISKOS & SPYRIDAKOS, 1999):
alcançar níveis de satisfação do decisor sobre cada objetivo; ou,
construir um modelo de utilidade do decisor que é usado para a seleção das soluções
viáveis para serem avaliadas segundo um procedimento de maximização da utilidade;
ou,
uma combinação dos dois métodos descritos acima.
Considerando a não existência de um ponto ideal, Steuer (1986) propõe uma forma
de se resolver um problema multiobjetivo a partir da definição da função utilidade
para o decisor. Dessa forma, deve-se resolver o seguinte problema: U : k →
( ){ }( )
1 2U
1
( )
,
, , ..., k
i i
PMU Maximize
Sujeitoa z f x i kx S
z z z
=∈
Um ponto x é ótimo se for eficiente e maximizar a função utilidade do
decisor do problema PMU.
S∈ U
Desconsiderando o fato da função utilidade ser não-linear, uma das maiores
dificuldades é que em muitos problemas não é possível obter uma representação
matemática da função utilidade e, apesar disso, os problemas devem ser resolvidos. U
Sem o conhecimento explícito da função utilidade do decisor, não se tem outra
escolha a não ser a de buscar, no espaço de soluções eficientes, a solução de melhor
compromisso para o decisor através de tradeoffs entre os objetivos do problema PMO,
usando apenas informações implícitas e de uma forma econômica e convencional para o
usuário. Como geralmente o espaço de soluções eficientes é grande, a busca não é fácil de
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
17
ser feita. Segundo Korhonen & Karaivanova (1998), a questão chave nos métodos de apoio
à decisão multiobjetivo é gerar soluções não-dominadas para a avaliação do decisor de
forma que suas preferências sejam levadas em consideração.
De acordo com Korhonen (1998), apesar de existirem muitas variações entre os
diferentes métodos de geração das soluções eficientes, um procedimento freqüentemente é
adotado: um problema de otimização monobjetivo substituto é resolvido para gerar as
novas soluções. A função objetivo deste problema substituto, chamada de função escalar
substituta, é um escalar que representa o problema multiobjetivo (CLÍMACO &
ANTUNES, 2000; HENIG & RITZ, 1986). Tipicamente, essa função escalar agrega em
uma única dimensão os diferentes objetivos e inclui parâmetros sobre as preferências do
decisor, cuja solução ótima é uma solução eficiente do problema multiobjetivo. Korhonen
(1998) apresenta três classes de parâmetros possíveis para a utilização em programação
multiobjetivo:
1) Coeficientes de ponderação: representam a importância relativa de cada objetivo;
2) Níveis de reserva: correspondem aos requerimentos mínimos sobre cada objetivo;
3) Níveis de aspiração/referência: representam níveis de aspiração desejáveis (ou
indesejáveis) sobre cada objetivo.
Baseadas nesses parâmetros, várias maneiras podem ser adotadas para especificar a
função escalar citada. Uma orientação que deve ser seguida é que essa função caracterize
completamente o conjunto das soluções eficientes.
Segundo Clímaco et al. (1996), tradicionalmente, os métodos de programação
linear multicritério classificam-se em categorias de acordo com o processo utilizado para
agregar as preferências do decisor, com vista a selecionar a “melhor” solução de
compromisso. Esta categorização é apresentada abaixo:
1) Métodos em que não há articulação de preferências do decisor ou métodos geradores
Esses métodos dão pouca responsabilidade ao decisor e podem ser aplicados onde
há decisores inacessíveis ou não identificados. Várias técnicas podem ser utilizadas para a
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
18
geração de soluções eficientes, entre elas, tem-se o método ponderado e o método de ε-
restrição (ou restritivo). Uma característica comum dessas técnicas é que elas transformam
o problema de decisão multiobjetivo em um problema de um único objetivo para gerar uma
solução eficiente, e então geram o conjunto completo ou um subconjunto de soluções
eficientes por variação paramétrica. As soluções eficientes geradas pelas sucessivas etapas
de cálculo são apresentadas ao decisor para a escolha da solução de maior aceitação.
A diferença básica entre estes dois métodos está na forma como é feita a
transformação de um problema multiobjetivo em um problema monobjetivo. O método
ponderado envolve a designação de pesos para cada uma das funções objetivo e então as
múltiplas funções são convertidas em uma forma monobjetivo através da combinação
linear dos objetivos e seus correspondentes pesos. Um subconjunto de soluções não-
dominadas pode ser gerado pela variação paramétrica dos pesos. O método de ε-restrição
maximiza apenas uma das funções objetivo, enquanto que as outras são convertidas em
restrições de desigualdades com limites ε para cada nova restrição. Um subconjunto de
soluções não-dominadas pode ser gerado pela variação paramétrica dos limites. Ambos os
problemas podem ser resolvidos por técnicas convencionais de programação linear
(MALCZEWSKI, 1999).
2) Métodos em que há articulação de preferências do decisor
2.1) a-priori
Esses métodos requerem a intervenção do decisor no início do processo através da
informação de suas preferências e/ou pesos. Uma função utilidade é construída a partir
dessas preferências. Assim, o problema multiobjetivo é reduzido a um problema
monobjetivo. Alguns métodos que podem ser considerados são: programação por metas e
teoria de utilidade multiatributo, além do método ponderado e do método de ε restrição.
Uma das críticas é baseada em estudos empíricos que demonstraram que os decisores não
são sempre coerentes com as funções destinadas a agregar os critérios e representar as suas
preferências, agindo geralmente mais de acordo com a sua própria maneira de ver o
problema do que procurando conciliar esta com os axiomas que são a justificativa teórica
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
19
da existência da função de valor (BELL & FARQUHAR, 1986, apud CLÍMACO &
ANTUNES, 2000).
2.2) progressivamente ou métodos interativos
Nesses métodos existe uma articulação progressiva das preferências do decisor ao
longo do processo interativo, podendo considerar uma estrutura de preferências
preexistente. Nos métodos interativos, a existência de uma função de utilidade do decisor
pode ser assumida implicitamente. Todos os procedimentos interativos consistem de duas
fases que se alternam, uma fase de cálculo e uma fase julgamento. Na fase de cálculo, uma
solução, ou um conjunto de soluções, é gerada, e então fornecida ao decisor. Na fase de
julgamento, o decisor avalia a informação recebida e articula suas preferências com
respeito aos valores dos critérios. Esta troca de informação continua até que uma solução
eficiente seja satisfatória para o decisor. Alguns métodos que podem se utilizados de forma
interativa são: ponderado, ε-restrição, STEM (step method), programação por metas
interativa, procedimento Tchebychef (aumentado e lexicográfico), Pareto Race
(CLÍMACO,1986). Os métodos interativos mostram-se mais eficientes para lidar com os
problemas multiobjetivo do que os métodos geradores citados no item 1, pois estão
habilitados a reduzir o esforço computacional, especialmente no caso de problemas de
grande porte (ALVES & CLÍMACO, 2000).
2.4 Alguns métodos de resolução de problemas PMOL-01
Existe um número relativamente pequeno de métodos eficientes para a resolução
dos problemas PMOL-01. A seguir são descritos alguns métodos que podem ser utilizados.
O método de enumeração implícita de Bitran (1977, 1979) é um método não
interativo de enumeração. O autor propõe um problema auxiliar sem restrições, da forma
PMOL-01 e mostra que as soluções deste problema são também eficientes para o problema
original. Inicialmente, o método exclui as soluções não-eficientes viáveis do problema
auxiliar. Então são utilizados vetores de direção (definidos pelo cone polar inverso ao cone
definido pelas filas da matriz de função objetivo) e um ponto a ser mapeado para encontrar
as soluções eficientes. Para encontrar o resto das soluções eficientes, são determinadas e
examinadas as soluções não-eficientes do problema auxiliar. Bitran também propõe um
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
20
método que trabalha com grafos direcionados. Estes métodos apresentam alto custo
computacional para resolver problemas de médio e grande porte.
Korhonen & Laakso (1986) desenvolveram o método interativo visual apropriado
para problemas multiobjetivo lineares ou não. O propósito desse método é projetar um
segmento ilimitado no espaço critério sobre a superfície não-dominada da região viável. A
projeção sobre a superfície não-dominada é obtida pelo uso de uma função escalar e de um
programa paramétrico. A função escalar considerada é aquela que projeta um ponto de
referência, viável ou inviável, sobre o conjunto de vetores critério não-dominado. Essa
função foi introduzida por Wierzbicki (1983, 1982). A projeção sobre o conjunto não-
dominado de um segmento ilimitado é feita pela resolução de um programa paramétrico
escalarizado.
O método ponderado Tchebychef é um método interativo para resolução do espaço
vetorial ponderado, sendo também apropriado para resolver problemas multiobjetivo
lineares, não-lineares e inteiros. Tal método é baseado na norma generalizada de
Tchebychef λ z , que é da forma 1
λ,...max i ii k
zzλ ==
λ
, onde z e
com sendo constantes positivas, e a exigência que ∑ . Tem-
se o problema chamado de métrica ponderada de Tchebychef. Inicialmente, é obtido um
conjunto representativo maximamente disperso de vetores de ponderação que são
gerados aleatoriamente. O problema é resolvido para estes ’s e os vetores eficientes são
fornecidos ao decisor. Uma nova área em torno dos pesos do vetor selecionado é calculada
com a seleção de um vetor eficiente, dando origem a novos vetores de ponderação e é
encontrado um conjunto representativo maximal disperso dos pesos a partir dessa área. Os
vetores eficientes calculados são fornecidos ao decisor, e assim sucessivamente. A cada
interação um conjunto de problemas de programação inteira é resolvido, fornecendo
apenas uma solução para cada parâmetro (STEUER & CHOO, 1983).
( )1,..., kkz z= ∈
1λ = 1i
k
i=
λ
( 1λ = λ ,...,λk ) λi
λ
O método de enumeração implícita apresentado por Delgadillo (1997) é um método
interativo de enumeração implícita, de forma que em cada interação, um conjunto de
soluções eficientes é calculado através da resolução de um único problema de programação
inteira. Inicialmente, um problema auxiliar monobjetivo é construído, baseado na métrica
ponderada de Tchebychef, de forma que uma solução ótima desse problema é uma solução
CAPÍTULO 2 – PROGRAMAÇÃO MULTIOBJETIVO
21
eficiente para o problema original. Em seguida, o problema auxiliar é resolvido por um
algoritmo de enumeração implícita para gerar um conjunto de soluções eficientes para o
problema original, que é apresentado ao decisor. Caso as soluções sejam satisfatórias, o
procedimento é finalizado, caso contrário, o decisor introduz novos parâmetros e um novo
problema auxiliar é construído, repetindo as etapas anteriores até que o decisor encontre
alguma solução eficiente que seja satisfatória.
CAPÍTULO 3
PROBLEMAS DE LOCALIZAÇÃO 3.1 Teoria de localização
A teoria de localização foi formalmente iniciada por von Thünen (1866) através da
consideração de atividades agrícolas. Porém, deve-se a Weber (1909) a primeira tentativa
de obtenção de uma teoria geral para a localização (apud ZOOK, 2000). De acordo com
Seppälä (1997), a partir deste ponto, as teorias de localização seguiram dois caminhos
distintos. Em um caminho, os economistas seguem von Thünen e se concentram na
explicação do comportamento das atividades econômicas. No outro caminho, estudiosos da
pesquisa operacional seguem Weber. Estes dois caminhos podem ser considerados,
respectivamente, como abordagens descritiva e normativa da teoria de localização. Os dois
tipos principais de modelos resultantes destas abordagens são:
Modelos descritivos: explicam o comportamento espacial das atividades, ou seja, sua
distribuição no espaço geográfico;
Modelos normativos1: fornecem orientações para as decisões locacionais.
Beckmann (1968) afirma que os métodos de Pesquisa Operacional (PO) para o
problema de localização de atividades são baseados na abordagem de equilíbrio da
atividade econômica que é derivada da teoria econômica neoclássica2, embora, como já
visto, o desenvolvimento das técnicas de PO tenha seguido independentemente das teorias
econômicas. Desta forma, os modelos de PO são baseados na busca por um equilíbrio, por
1 De acordo com Galvão et al. (1999), os modelos normativos são chamados assim pelo fato de se caracterizarem pela otimização de uma norma (medida de eficiência), sujeita a restrições operacionais relevantes. 2 A teoria econômica neoclássica considera hipóteses de informação perfeita, existência de equilíbrio, racionalidade, alocação ótima dos recursos, maximização do lucro e desconsideração do tempo (CÁRIO & PEREIRA, 2002).
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
23
exemplo, a maximização do lucro de uma firma. Muitos desses modelos são estáticos
(consideram um único período de tempo) e assumem um equilíbrio estático. Os modelos
dinâmicos de localização (consideram mais de um período de tempo) seguem as dinâmicas
criadas fora do sistema (por exemplo, a consideração de uma mudança de demanda),
enquanto o próprio sistema permanece em equilíbrio (apud SEPPÄLÄ, 1997).
3.2 Base histórica dos problemas de localização descritivos
O modelo de Weber (1909) utiliza os seguintes pressupostos básicos: a distribuição
não-uniforme das matérias-primas, uniformidade dos custos de transporte, homogeneidade
do preço das mercadorias e mercados consumidores puntiformes. Nesse modelo, a
localização de uma indústria será aquela que minimizar o custo total de transporte, tanto da
matéria-prima quanto do produto final. Além do custo de transporte, os fatores locacionais
de custo do trabalho e de aglomeração também, afetam a localização da atividade
(SOUZA, 2002).
Insumos como trabalho e informação foram considerados como ubiqüidades3, o que
revela a pouca importância dada a estes insumos (MALECKI, 1991). A tecnologia é outro
elemento que não recebe destaque, e por causa disso, há um consenso de que a teoria de
Weber possui pouco poder de explicação para as indústrias de base tecnológica
(GONÇALVES, 1999).
O modelo de von Thünen (1866) sugere que a acessibilidade ao mercado urbano
pode criar um sistema completo de uso da área rural. Esse modelo foi desenvolvido para a
agricultura e supõe que um único produto é utilizado para abastecer um único centro
urbano. O fator determinante no aluguel da terra é o custo de transporte. Quando tal custo é
baixo, o aluguel da terra será alto, e vice-versa (SOUZA, 2002).
O modelo de Losch (1954) aborda a localização da indústria e considera que as
matérias-primas e insumos necessários no processo de produção são ubíquos, a população
é distribuída uniformemente e acrescenta as economias de escala como fator importante na
determinação da localização conjuntamente com o fator transporte (em condições
uniformes). A inter-relação deste último item com a idéia de curva de demanda espacial
3 Ubiqüidade é a característica de estar presente ao mesmo tempo em todos os locais, ou seja, ser onipresente.
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
24
(influenciada pelo custo de transporte) permite a delimitação do que se chama área de
mercado de um determinado centro produtor (SOUZA, 2002).
3.3 Base histórica dos problemas de localização normativos
O problema de localização de atividades4 recebeu grande atenção de pesquisadores
nas quatro décadas recentes, o que estimulou o aparecimento de inúmeras aplicações
práticas no cenário tecnológico, ver Balakrishnan et al. (1991), Mirzaian (1985),
Cornuejols et al. (1977) e Hakimi (1964). Por sua vez, essas aplicações realimentaram a
pesquisa teórica. De fato, soluções conhecidas de diversos problemas de localização
permitiram expandir o uso eficiente de alguns instrumentos de programação matemática
para apoiar o gerenciamento de operações em setores representativos da economia.
A preocupação e o desafio de instalar atividades em locais escolhidos com base em
critérios científicos decorreram, dentre várias causas, do surgimento da crise energética. A
partir deste momento, torna-se necessária a procura por locais ótimos que estejam
associados ao consumo racional de combustível no transporte em estruturas viárias
relacionadas ao problema.
De acordo com Hansen et al. (1985) e Tansel et al. (1983), Jordan (1869) analisa
automorfismos de formas quadráticas, obtendo-se a caracterização do conjunto mediano de
uma árvore. Entretanto, só a partir de 1960, os matemáticos aplicados se motivaram a
pesquisar tais problemas, modelos e algoritmos de localização. A referência para este
início é o trabalho de Hakimi (1964), sobre localização ótima de centros de permutação e
os conceitos de centros e medianas de um grafo. Alguns trabalhos nestas áreas podem ser
encontrados em Hansen et al. (1985), Francis et al. (1983), Tansel et al. (1983), Krarup &
Pruzan (1983) e Cornuejols et al. (1977).
Os problemas de localização de atividades podem ser classificados em estáticos,
dinâmicos, determinísticos, probabilísticos, capacitados, não-capacitados, discretos,
4 Nesta revisão, a expressão “localização de atividades” refere-se, genericamente, a localização de instalações onde ocorrerá algum tipo de atividade de atendimento a população: hospitais, escolas, centros de apoio, etc; a localização de instalações de caráter econômico (atividades econômicas): indústrias, armazéns e centrais de distribuição, plataformas de produção de petróleo, universidades particulares, etc; e a localização de instalações indesejáveis: depósitos de lixo, instalações nucleares, presídios e centros de correção, etc.
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
25
contínuos e de múltiplos critérios, bem como um problema de p-medianas e de p-centros,
ver Hansen et al. (1985).
A quantidade registrada de artigos científicos sobre localização é grande, ver
Melkote & Daskin (2001), Berman & Drezner (2000), Fernández et al. (2000), Rahman &
Smith (2000), Drezner & Drezner (1998), Revelle & Laporte (1996), Brandeau & Chiu
(1989), Tansel et al. (1983), Krarup & Pruzan (1983), Francis et al. (1983).
3.3.1. Redes, centros e medianas
Uma rede é um conjunto de pontos, nós ou vértices, ligados por um conjunto de
arestas ou arcos. Um centro de uma rede é qualquer um de seus nós em relação ao qual o
nó mais afastado da rede é o mais próximo possível. Uma mediana de uma rede é qualquer
um de seus nós em relação ao qual a soma das distâncias aos demais nós da rede é mínima.
Portanto, o problema de encontrar o centro de uma rede consiste em minimizar a distância
máxima, e encontrar a mediana consiste em minimizar a soma das distâncias dos demais
nós a ela. O centro de uma rede é ideal para instalar atividades do tipo “atendimento de
emergência”, como uma estação do corpo de bombeiros, por exemplo. Dessa forma,
garante-se o atendimento ao cliente mais distante com o mínimo trajeto possível. A
mediana de uma rede é ideal para instalar atividades do tipo “atendimento a população”,
como escolas e hospitais. Assim, garante-se o atendimento aos clientes com o menor custo
possível.
O problema das -medianas, que é o maior grupo de problemas de localização de
atividades, restringe o número de atividades a serem abertas numa rede a um número , ao
mesmo tempo em que se procura minimizar a soma das distâncias (ou custo) entre a
atividade e os vértices da rede considerada, sendo, portanto, do tipo min-sum. O problema
mais simples das p -medianas também é conhecido como “problema de Weber”, que
assume uma simples atividade para se localizar otimamente de acordo com pontos de
demanda discretos. O problema de Weber generalizado – também conhecido como
“problema de localização de depósitos” ou “problema de alocação-localização” – consiste
em localizar atividades em uma área com n pontos de demanda e determinar áreas de
serviços para cada uma das atividades.
p
p
p
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
26
No problema dos p -centros procura-se minimizar a distância (ou custo) entre a
atividade e o vértice mais distante dentro da rede. Em outras palavras, minimiza-se as
distâncias máximas, ou os tempos ou custos máximos. Enquanto que no problema das -
medianas a solução identifica as medianas da rede, no problema dos -centros, que é do
tipo min-max, a solução localiza os centros da rede.
p
p
3.3.2. Modelos de localização
O problema de localização não-capacitado de atividades é representado pelo
seguinte modelo.
{ }
1 1
1, 1 2
0, , 1 3
0, , 1 4
0 1 , 1 5
( . )
( . )
( . )
( . )
, (
ij ij j ji j j
ijj
j ij
ij
j
Minimize Z c x f y
Sujeito a x i I
y x i I j J
x i I j J
y j J
= +
= ∈
− ∈ ∈
∈ ∈
∈ ∈
∑∑ ∑
∑
. )
}m
}n
onde é o conjunto de clientes que demandam algum tipo de bem e/ou
serviço produzido ou oferecido pelas atividades; J é o conjunto de atividades
em potencial, isto é, conjunto de locais potenciais, para instalação de atividades, visando
atender os clientes; c
{1, ,I = …
{1, ,= …
ij é o custo de atendimento do cliente i pela atividade ; e j jf é o
custo fixo de instalação da atividade . O modelo 1.1 a 1.5 é do problema de localização
não-capacitado, estático, discreto e determinístico. O termo não-capacitado pode ser
interpretado como uma referência a capacidade das atividades atenderem uma quantidade
pseudo-infinita de clientes.
j
Pode-se partir do problema conhecido como capacitado e através de transformações
adequadas chegar-se ao modelo 1.1 a 1.5.
Considera-se o seguinte modelo:
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
27
( )
{ }
2 1
, 2
0, 2 3
0, , 2 4
0 1 , 2 5
( . )
( . )
( . )
( . )
, (
j ij ij j ji j j
ij ij
j j iji
ij
j
Minimize Z p t f y
Sujeito a d i I
a y j J
i I j J
y j J
= + +
= ∈
− ∈
∈ ∈
∈ ∈
∑∑ ∑
∑
∑
ϖ
ϖ
ϖ
ϖ
2
. )
onde e têm os mesmos significados do modelo 1.1 a 1.5; I J jp é o custo unitário de
operação da atividade incluindo aí os custos variáveis de produção e administração; t é
o custo unitário de transporte da atividade ao cliente i ;
,j ij
j jf é o custo fixo de instalação
da atividade ; j ja é uma constante positiva que atua como limite superior para o fluxo
máximo que sai da atividade ; e d é o número de unidades do bem e/ou serviço que
corresponde à demanda do cliente i .
j i
Com esta formulação procura-se essencialmente minimizar a relação “custo de
produção”/“eficiência logística” para um conjunto de atividades que produzem e fornecem
um determinado item de consumo.
Na solução, o estado da atividade é designado por aberto ou fechado.
1jy se a atividade é aberta (instalada e colocada em operação); e = j
0,jy caso contrário. =
Se 1,jy = o valor de ijϖ é o número de unidades produzidas na atividade e
fornecidas ao cliente i , e se
j
0,jy tem-se = 0.ijϖ = Assim, tem-se n m variáveis
do problema, sendo que a n variáveis
n+ ×
jy são chamadas de estratégicas e as m n
variáveis
×
ijϖ são as variáveis táticas. Um custo fixo de abertura de atividade é considerado
sempre que uma quantidade do item de consumo é enviada a partir de uma atividade. No
modelo 2.1 a 2.5, as n restrições 2.3 asseguram que os clientes serão atendidos somente a
partir de atividades abertas.
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
28
Considera-se a hipótese de que 0jp e t isto é, 0,ij 0,j ij+p t i
Com isso, nenhuma atividade fornece uma quantidade além da demandada, o que permite
substituir
,I∈ .j J∈
ja da restrição 2.3 por Além disso, a restrição 2.2 pode ser trocada por
igualdade. Na ocorrência de algum
.iid∑
j ijt+p negativo, é possível transformar os dados
adequadamente a fim de manter a hipótese de não-negatividade acima. Substituindo-se
j ijp t+ por j ij ip t α+ + para todo i onde as constantes são escolhidas de acordo com a
seguinte relação
, j
{ :ij p t+ +
,ii
}0 .ij<maxαi j jp t O único efeito desta transformação
será o de aumentar a função objetivo de α∑ sem, contudo, alterar a solução ótima.
Para se determinar um conjunto ótimo de ,ijϖ a partir de qualquer vetor binário
( )jy y= dado, procede-se da seguinte forma:
Seja e X i A relação
ótima “custo de produção”/“eficiência do plano de transporte” fica determinada em relação
ao vetor
{ }1: jX j y= =
( )
( ) {{ }.: minj ij s iss Jj X p t p t
∈= ∈ + = + }
jy dado, se, e para algum for feito y= i∀ ∈I ( ),j X i∈ ij idϖ = e, para os
outros , ,j s 0.ijϖ =
.m
Com isso, a quantidade de soluções distintas possíveis, em termos de
variáveis estratégicas, é dada por ou seja, . Se cada cliente é servido por
uma única atividade, o número total de atribuições distintas possíveis, de clientes a
atividades, é n Do primeiro ao último dos m clientes, cada um tem n formas de ser
atendido.
1,( )
n
k
nk
=∑ 2 1n−
Se é a fração da demanda do cliente i , atendida a partir da atividade , isto é,
se
ijx j
( )1i
,dij ijx = ϖ tem-se que ( ) ( )i j ij ij j ij ijt x p td p ϖ+ = +
j
e c d é o custo
total de atendimento do cliente i a partir da atividade . As m restrições
(ij i j ijp t= +
j
),ij idϖ =∑
passam a i e trocando ,Ii∈ 1,ijjx =∑ ,I∈ ja por nas n restrições 2.3 obtêm-se i
id∑
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
29
( ) 0.i j ijid y x−∑
m ij
Estas podem ser desagregadas nas m restrições 1.3. Com isso,
chega-se ao modelo 1.1 a 1.5.
n×
i I∀ ∈
{ , ,I J i n= = … } ,
De acordo com Efroymson & Ray (1966), apesar da restrição no modelo
1.1 a 1.5 não obrigar, necessariamente, que x , , na solução ótima,
dos x são iguais a 1 e todos os outros iguais a zero. Isto ocorre porque para qualquer
especificação inteira dos
0ijx
J{ }0 1,ij ∈ , j∈
jy ’s, os x ’s ótimos podem ser determinados diretamente,
permitindo que cada cliente seja atendido pela atividade aberta mais próxima.
ij
O custo total de uma solução ótima em relação a um dado subconjunto X de
atividades abertas, é, portanto, Assim, a solução do problema é
reduzida à identificação de um subconjunto X que minimiza o custo total.
,J⊂
min .ij jj Xi I j Xc
∈∈ ∈+∑
J⊂
f∑
∈
Uma alternativa para as m restrições 1.3, consiste em agregá-las em n
restrições da forma n y , onde
n×
0, jj j iji
x J−∑ jn é o número de clientes que podem
ser supridos a partir da atividade .j
Os algoritmos considerados mais eficientes para o problema de localização não-
capacitado são os de Erlenkotter (1978) e Bilde & Krarup (1977), baseados num
procedimento dual ascendente5. A solução dual viável obtida gera um limite inferior para o
ótimo do problema. As condições das folgas complementares e a solução dual são usadas
também para construir uma solução viável do problema que produz um limite superior para
o ótimo. O procedimento dual ascendente é, então, combinado com um algoritmo do tipo
Branch and Bound, de modo que a solução ótima é sempre encontrada. As rotinas do tipo
dual ascendente geralmente fornecem limites muito justos, que asseguram uma pequena
expansão da árvore de busca do algoritmo de Branch and Bound.
O modelo do problema puro das -medianas de uma rede pode ser obtido fazendo
acrescentando ao modelo 1.1 a 1.5 do problema de localização a
relação que restringe a p o número de atividades a serem instaladas na rede, e eliminando
os custos fixos na função objetivo.
p
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
30
{ }
3 1
1, 3 2
, 3
0, , 3 4
0 1 , , 3 5
( . )
( . )
( . )
( . )
, (
ij iji j
ijj
jjj
jj ij
ij
Minimize Z d x
Sujeito a x i I J
x p
x x i I j J
x i I j J
=
= ∈ =
=
− ∈ ∈
∈ ∈ ∈
∑∑
∑
∑ 3
. )
onde d é uma matriz quadrada de ordem n em que cada d i é a distância (não-
negativa) entre os vértices i e da rede, e
ij ,ij ,j≠
j 0.jj =
ijx =
d é a matriz de alocação, tal que
se o vértice i é alocado à mediana , e caso contrário.
ijx
0,1ijx = j
No problema generalizado de -medianas com custos fixos, além de acrescentar à
função objetivo a parcela referente aos custos fixos, troca-se a restrição 3.3 por
O problema das p -medianas é tratado por Narula et al. (1977), Galvão
(1980), Christofides & Beasley (1982), Coelho & Capitivo (1984), Mirzaian (1985), entre
outros. O problema dos p -centros é estudado por Hakimi (1964), Minieka (1977), entre
outros.
p
1 .jjjx p∑
3.3.3. Relaxação do problema de localização linear e estrutura facial do politopo
Um conjunto do tipo é chamado de poliedro, onde
é um sistema de m desigualdades com n variáveis. Um politopo é um poliedro
limitado, isto é, tal que
{, :nm nX x Ax= ∈ }b
Ax b
j jb≤ ,j = …ja , para todo x≤ 1 ., ,j n
De acordo com Rockafellar (1970), uma coleção de pontos x x
é dita afim independente se, e somente se, os vetores (
0 1 2 3, , , , nx x ∈…
) ( ) ( )1 0x x 2 0 3 0, ,x x x x− − − …,
forem linearmente independentes.
5 O procedimento dual ascendente é uma heurística para a solução da relaxação de programação linear do problema de localização
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
31
Um poliedro X com, no máximo, k pontos afim independentes, tem
dimensão k
,m n 1+
.
j ij
a x b∑
, .m n
é uma desigualdade válida para se ela é satisfeita para todo
,m nX
x X∈
Uma face de X é um subconjunto de soluções viáveis para Ax que satisfaz
algumas das restrições como igualdades; ou seja, é um conjunto
,m n
j
,b
, :m n ij
f X x b = ∩
∑a x= .
Se j ij
a x b∑ é uma desigualdade válida para e se ,m nX ,j ij
a x b=∑
,X n
para k
pontos afim independentes, ( ) a igualdade ,,m nx X∈ ( )0 1 ,m nk− dim
j ibj
a x∑ = descreve uma face de X de dimensão k ,m n 1.−
Um ponto extremo ou vértice de X é qualquer face sua de dimensão 0 (zero) e
uma aresta de é qualquer face deX de dimensão 1. Se a dimensão deX é k ,
qualquer face de dimensão k de é uma faceta de
,m n
,m n,m nX ,m n
1− ,m nX , .m nX
Guignard (1980) constrói uma família de vértices fracionários do politopo da
relaxação do problema de localização, e gera vários cortes válidos para eliminá-los,
provando que esses cortes são facetas. Além disso, estudam-se famílias de problemas de
localização com grandes gaps de dualidade e apresenta as facetas específicas que zeram o
gap dual. Cho et al. (1981) e Cornuejols & Thizy (1982) também estudam outras
propriedades da estrutura facial do politopo da relaxação do problema de localização.
Muitos testes computacionais indicam que no caso do problema das -medianas
freqüentemente as relaxações de programação linear fornecem boas aproximações para os
correspondentes modelos de programação inteira. Segundo Erlenkotter (1978), Schrage
(1975) e Toregas et al. (1971), as relaxações de programação linear para estes problemas
de localização freqüentemente alcançam as soluções ótimas. O procedimento dual
ascendente fornece uma maneira de utilizar as relaxações do problema de localização. Uma
outra forma consiste em resolver diretamente as relaxações de programação linear
p
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
32
utilizando o método simplex. Schrage (1975) obteve bons resultados com uma versão
especial do algoritmo simplex na solução de relaxações de programação linear do
problema de localização. Uma dificuldade na solução destes problemas surge do fato de
que os problemas lineares com restrições de limites superiores variáveis, do tipo x y ,
freqüentemente são muito degeneradas. Todd (1982) apresenta uma especialização
alternativa do método simplex que contorna o problema da degeneração.
ij j
3.3.4. Base histórica dos algoritmos para o problema de localização de atividades
Os algoritmos construídos para resolver os problemas de localização de atividades
apresentam eficiência variada. Certos algoritmos exatos, quando atuam sobre instâncias de
tamanho considerável, exigem um tempo de execução proibitivo, o que inviabiliza a sua
utilização prática na solução de problemas de grande porte. Nessas situações, uma
alternativa viável é a construção de heurísticas que produzem soluções aproximadas e,
algumas vezes, até soluções ótimas. A avaliação dessas heurísticas geralmente é feita pela
análise da qualidade das soluções que elas produzem, como também pelo exame das
condições sob as quais elas atingem o ótimo.
Se a heurística tem um bom desempenho para muitas instâncias do problema, ou
seja, mantêm a margem de erro dentro de limites de tolerância, há uma excelente razão
para dar preferência a tais métodos em lugar de algoritmos exatos de alto custo
computacional.
Muitos algoritmos procuram pela solução através de uma seqüência de ações
locais ótimas. Em algumas circunstâncias, isto leva a bom termo, em outras não.
A heurística gulosa, que procura pela solução global através de escolhas locais e
criteriosas na vizinhança dos pontos, foi usada para resolver problemas de localização sob
duas grandes motivações:
1) No caso de problemas de porte muito grande, cujas soluções não podem ser obtidas por
outro processo mais elaborado (relaxação, decomposição, Branch and Bound, etc.)
2) Mesmo quando esses problemas podem ser resolvidos por procedimentos bem
elaborados, a solução inicial precisa ser produzida por outro algoritmo. Nesse caso, a
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
33
heurística gulosa é uma opção excelente para prover a solução inicial, limite superior
para a solução ótima.
3.3.4.1 Relaxação lagrangeana
A metodologia da relaxação lagrangeana baseia-se na substituição do problema
original por outro com mais variáveis e uma quantidade menor de restrições, de solução
mais fácil. Em muitos casos, as soluções produzidas são aproximações para o ótimo, ou
então, são limites inferiores, no caso de problema de minimização, para a solução ótima.
Tal método constitui uma alternativa para as relaxações de programação linear, de
problemas discretos, que geram limites para os algoritmos do tipo Branch and Bound.
Definição 3.2: Um problemaPβ é uma relaxação do problema Pα , se V P( ) ( ),V Pα β⊂
onde V P é o conjunto de soluções viáveis do problema , e ( ) P
( )( )
( )( ),P P
x V P x V PMínimo f x Mínimo f x
β αβ α∈ ∈
ñ
onde ( )Pf x é a função objetivo do problema P .
A idéia geral da relaxação lagrangeana aplicada a modelos de programação linear
discreta, consiste em decompor o conjunto de restrições Ax do problema dado por bú
( )
0,
( )
j
P Minimize f x cxSujeito a Ax b
xx j
=
∈ ∈
ú
J
2
em dois subconjuntos de restrições Ax e , da seguinte forma 1 1bú 2Ax bú
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
34
( )
1 1
2 2
,
0,
( )
j
P Minimize f x cxSujeito a Ax b
A x bxx j
=
∈ ∈
úú
úJ
)
J
em seguida, o problema relaxado é obtido
1 1
2 2
0,
( ) (
j
RL Minimize cx b AxSujeito a Ax b
xx j
+ −
∈ ∈
λ λú
ú
ondeλ é um vetor não negativo adequado. O problema RLλ é a relaxação lagrangeana de
em relação ao conjunto de restrições Ax e P 1 1bú 0.λ ú
1 1,bú
A decomposição das restrições
de P em dois grupos, Ax e A x é feita a partir da suposição de que A x
tem uma estrutura especial e que as restriçõesAx eventualmente, complicam a
solução do problema. Observa-se que toda solução viável de P é também viável para
1 1bú 2 ú 2,b 2 2,bú
RLλ , e, já que b A chega-se a 1 1− 0,x
( ) ( )T1 1cx b Ax c x f x+ − =λ ñ
para todo 0,λú o que mostra os valores objetivos deRLλ como limites inferiores para os
valores correspondentes de P .
Alguns resultados de dualidade são decisivos no contexto da relaxação
lagrangeana, já que a escolha do melhor 0,λú ou seja, aquele que produz o limite inferior
mais forte para a solução ótima, é apresentada através da solução do problema dual a
seguir.
Considerando inicialmente o problema primal
( )
( ) 0( )P Minimize f x
Sujeito a g xx X∈
ñ
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
35
ondeX ,n⊂ ( ) ( ) ( )( )T1 , , mg x g x g x= … , :f X→ e g X , 1, ,: .i i m→ = …
é não-vazio e convexo e as funções nele definidas são convexas. O dual de P
é definido por
X
( ) ( ){ }0( ) inf
x XD Maximize f x g x
∈+
λλ
ú
onde mλ∈ . Geoffrion (1971) mostra a equivalência entre esta definição de dual e o dual
da programação linear. A função a ser maximizada em D , ( ) ( ) ( ){ }infx Xf x g xψ λ λ
∈= + , é
uma função côncava.
Os problemas P e D sempre têm valores objetivos ótimos, que podem até
mesmo ser ± Certamente, se eles não têm soluções viáveis, seus valores objetivos não
serão finitos, a partir da convenção usual de que se então e o
.∞
.−∞
,X =∅ infX=+∞
supX =
Um par ( ),* *x ,λ com e*x X∈ 0,*λ ú satisfaz as condições de otimalidade
para P , se
1) x minimiza * ( ) ( )*f x g xλ+ em ; X
2) ( ) 0* *g xλ = ;
3) 0*λ ú ;
4) . ( ) 0*g x ñ
As condições de otimalidade são suficientes para que x seja ótimo em P . *
Definição 3.3: Um vetor nγ ∈ é um subgradiente da função convexa ,: nf → no
ponto ,n∈x se ( ) ( ) ( )f x f x x xγ+ −ú .nx∀ ∈
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
36
Geralmente f não é diferenciável. Isto provoca a necessidade de um conceito que
generalize o gradiente de uma função diferenciável. O subgradiente realiza essa função. O
conjunto dos subgradientes de qualquer função ,f em ,x que é representado por ( ),f x∂ é o
subdiferencial de f em .x Trata-se de um conjunto convexo e fechado.
Os algoritmos baseados na relaxação lagrangeana podem ser usados na solução de
problemas de localização como alternativa aos procedimentos do tipo dual-ascendente,
como o de Erlenkotter (1978).
3.3.4.2 Decomposição de Benders
A técnica de Benders consiste em utilizar a teoria da dualidade para resolver um
problema de programação mista através da solução de seu correspondente problema
inteiro. A dificuldade inicial com esta estratégia surge da impossibilidade prática de se
obter todas as restrições do problema inteiro, uma vez que cada restrição requer a
especificação do valor numérico de um ponto extremo ou raio extremo do poliedro
convexo associado ao problema. A infinidade de pontos e raios extremos corresponderia a
uma infinidade de restrições, resultando, portanto, em uma dificuldade computacional até
então intransponível. O algoritmo de Benders contorna o obstáculo, resolvendo o problema
inteiro após a geração de somente parte das restrições. O método resolve sucessivamente
um problema linear e um inteiro. A solução do programa linear produz um ponto ou raio
extremo e, portanto, uma única restrição para o problema de programação inteira; seu valor
objetivo ótimo fornece um limite superior para o ótimo do problema misto. Por sua vez, o
programa inteiro fornece um limite inferior não decrescente para o ótimo do problema
misto. A solução ótima do problema misto é obtida quando os dois limites coincidem. O
problema inteiro coincide com o problema misto, se nele estiverem presentes
simultaneamente todas as restrições.
Seja o problema misto dado por
inteiro0, 0
Minimize cx fySujeito a Ax By b
x yy
++ ú
ú ú
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
37
Para ,y que é um dado y o problema acima é escrito como um programa linear
dado por
,
0
( )P Minimize cxSujeito a Ax b By
x−ú
ú
onde a constante f y deve ser adicionada ao valor objetivo após a solução do problema
acima. O dual do problema P é:
0
( ) ( )D Maximize u b BySujeito a uA c
u
−ñú
Pode-se observar que o poliedro convexo V u independe de { 0:uA c= ú ñ } .y
Com isso, o máximo de ,( )By−u b comu ocorre em um ponto extremo de V ou
cresce ilimitadamente ao longo de um dos raios extremos deV qualquer que seja o valor
de
,V∈
,
.y Representando por u k os pontos extremos e por v q os
raios extremos do poliedroV temos que o máximo da função objetivo u b é
ilimitado, se para algum
, 1, ,k = …
,
,K , 1, ,= …
B−
,Q
,( )y
q
, ,y existir um q tal que, 0( )q By− >v b
Também, se o máximo de ,( )By−u b cresce ilimitadamente, pois para
algum existe um q para o qual a direção v satisfaz
,u V∈
,y , 0( )q By− > .v b Com isso,
são as condições necessárias e suficientes para a
existência de soluções do problema misto, uma vez que, pela teoria da dualidade, as
soluções viáveis do problema primal são dependentes de que o dual seja um problema
limitado. Assim, o dual pode ser escrito como
0, , ,( )qv b y q Q− …1=B
1, ,
0, 1, ,
( )
( )
k
q
k KMaximizeu b By
Sujeitoa v b By q Q=
−
− =…
…
O problema misto torna-se
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
38
1, ,
inteiro
0, 1, ,
0
{[ ( )] }
( )
,
k
k K
q
Minimize Máximou b By fy
Sujeitoa v b By q Q
y y
=− +
− =…
…
Fazendo Z M tem-se Z u k K 1, ,
,( )k
k Káximou b By fy=
= − +…
,( )k b By fy− + 1, , .= …
Assim, o problema misto é equivalente ao problema inteiro dado por
e inteiro
, 1, ,
0 , 1,
0
( )
( )
k
q
yMinimize Z
Sujeitoa Z u b By fy k K
v b By q Q
y
− + =
− =
…
…,
O problema acima é conhecido como problema mestre de Benders. Se V é vazio, o
dual não tem solução viável, e, portanto, o problema misto não tem solução ótima finita.
3.3.4.3 Um algoritmo de decomposição baseado na relaxação lagrangeana convexa do
problema mestre de Benders
O termo convexo indica que a relaxação lagrangeana é feita a partir de uma
combinação linear convexa de restrições do problema. Ou seja, os coeficientes
kλ utilizados como multiplicadores são tais que ∑ e 1kkλ = 0, 1, , .k k Kλ = … Ou
ainda, os coeficientes utilizados em cada iteração são os componentes de um vetor ,λ
projetado no simplex do dado por { } . ,K 1, , λ 1, 0, 1, ,k k Kλ= =… …( ):k kk
λ λ ∑
Além disso, observa-se o caráter dinâmico da própria relaxação lagrangeana, uma vez que,
no decorrer das iterações, o problema é relaxado iterativamente em relação às restrições ou
cortes de Benders gerados nas iterações sucessivas. Os vetores λ ’s de coeficientes ou
multiplicadores são projeções de vetores, sucessivamente, em subespaços do
paraK 1, ,K K+ …, 0.>
Dado o problema
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
39
{ }
1, ,
1 ,
0 0 1 , ,
( )
,
ij ij j ji I j J j J
ijj J
jj J
ij j
P Minimize Z c x f y
Sujeito a x i I
y p
x y i I j J
∈ ∈ ∈
∈
∈
= +
∈
∈ ∈
∑∑ ∑
∑
∑ ñ
ñ ñ ∈
temos que para um vetor y fixo, que satisfaça a restrição 1 de P se
transforma no problema de programação linear dado por
jj J
y∈∑ ñ p
1, ,
, ,
0, ,
( )L iji I j J j J
ijj J
ij j
ij
P Minimize c x f y
Sujeito a x i I
x y i I j
x i I
∈ ∈ ∈
∈
+
∈
− − ∈ ∈
∈ ∈
∑∑ ∑
∑ij j j
J
j J
O dual de P é o seguinte problema L
, ,
0,
0, ,
( )D ii I i I j J j J
i ij ij
i
ij
P Maximize u y v f y
Sujeito a u v c i I j J
u i I
v i I j J
∈ ∈ ∈ ∈− +
− ∈
∈
∈ ∈
∑ ∑∑ ∑j ij j j
∈
Sejam { 1:jy= = }A j o conjunto dos pontos potenciais abertos e { }0:
jy= =F j
o conjunto dos pontos potenciais fechados. De acordo com Magnanti & Wong (1981) e
Lasdon (1970), a solução de é dada por DP
( ) { }
{ }, ,
0, ,0, , ,
min :
max
i i j i ij
ij
ij i ij
u c c j A i Iv j A i Iv u c j F
= = ∈ ∈= ∈ ∈= − ∈ i I∈
f
Fornecendo um limite superior dado por Z c ( ),sup i j i ji I j A∈ ∈
= +∑ ∑
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
40
O problema mestre do algoritmo de Benders, onde foi omitida a restrição relativa
aos raios extremos – o problema é finito desde que se garanta pelo menos um 0,jy pois
o problema sendo não-capacitado, uma única atividade aberta poderá atender a todos os
clientes – é dado por:
≠
{ }
, 1, ,
1
0 1 ,
( )
,
M
k ki ij j j j
i I i I j J j J
jj J
j
P Minimize Z
Sujeito a Z u v y f y k K
p y
y j J
∈ ∈ ∈ ∈
∈
− + =
∈ ∈
∑ ∑∑ ∑
∑
…
Para produzir a relaxação lagrangeana de P , considera-se o seguinte
procedimento.
M
Dado 11, ,(K)λ λ λ= …
11, ,(K
, sua projeção é obtida em algum subespaço do tal
que o vetor
K
)λ λ λ= … resultante, esteja a uma distância mínima de λ e seja tal
que 1
1k
k
Kλ
=∑ 1,= 0, 1,k k 1, .Kλ = … Utilizando esse vetor λ , relaxa-se a primeira
restrição de e obtêm-se: MP
{ }
1
1
1
0 1 ,
( ) (
,
M
Kk k
M RLP k i j ij j jk i I i I j J j J
jj J
j
RLP Z Min Z u y v f y Z
Sujeito a y p
y j J
= ∈ ∈ ∈ ∈
∈
= + − + −
∈ ∈
∑ ∑ ∑∑ ∑
∑
λ )
Desenvolvendo chega-se ao problema
{ }
1 1 1 1
1 1
1 1 1 1
1 1
1 , 0 1 ,
( ) ( )
( )
,
M
K K K Kk k
RLP k i k ij j k j j ky i I k i I j J k k j J k
K Kk k
j k ij j k iy j J i I k i I k
j jj J
Z MinZ u v y f y Z
Min f v y u
Sujeitoa y p y j J
∈ = ∈ ∈ = = ∈ =
∈ ∈ = ∈ =
∈
= + − + − =
= − +
∈ ∈
∑∑ ∑∑∑ ∑ ∑ ∑
∑ ∑∑ ∑∑
∑
λ λ λ
λ λ
λ
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
41
A solução do problema acima é construída criando-se a função e o problema
seguintes
1
1( ) ,
Kk
j j k iji I k
f v j Jρ λ λ∈ =
= − ∈∑∑
{ }
1
0 1 ,
( )
,
j jj J
jj J
j
Minimize y
Sujeito a y p
y j
∈
∈
∈ ∈
∑
∑
ρ λ
J
Assim, o problema RL pode ser resolvido dado MP 0.λ Além disso, tem-se
que , MRLPz z 0λ . Ou seja, z é um limite inferior para o valor objetivo deP .
Quer-se agora escolher o
MRLP M
0λ que, depois de projetado no vetor 0,λ tal que
produza o melhor limite inferior para P . Ou seja, quer-se resolver o
problema dual lagrangeano
1,kλ =k∑ M
0
( ) ( )M MD RLPD z Max
Sujeitoa
= z λ
λ
onde
{ }
1
0 1 ,
( ) ( )
,
MRLP j j i ij jj J i I i I j J
jj J
j
yz Min f y u v
Sujeito a y p
y j J
∈ ∈ ∈ ∈
∈
= + −
∈ ∈
∑ ∑ ∑∑
∑
λ λ y
3.4. Problemas de localização dinâmica
Na localização de atividades em rede, é freqüente o caso em que, no decorrer do
tempo, não há modificação de posição das atividades instaladas em pontos escolhidos
como solução prévia do problema. Estes são os problemas estáticos de localização. Muitos
trabalhos focam as formulações estáticas, tais como Plastria (2001), Boffey & Narula
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
42
(1997), Hansen et al. (1994), Durrer & Slater (1977), Church & ReVelle (1976), entre
outros
O problema de localização em que a posição dos pontos utilizados para instalação
de atividades varia discretamente com o tempo é denominado problema dinâmico de
localização.
No problema estático de localização puro, procura-se regionalizar a rede em função
dos pontos eleitos, definindo um plano ótimo de transporte associado ao processo de oferta
e demanda de bens e serviços (atividades) existentes nos nós da rede.
No problema estático de localização de p -medianas em rede, o objetivo é o
mesmo, só que se procura atingi-lo mantendo controle sobre o número de atividades (não
mais quep ) a serem instaladas na rede. É um problema mais restrito.
Um problema dinâmico de localização de -medianas em rede é proposto em
Paula Junior (1986). Neste trabalho, além da restrição acima, mantém-se um certo controle
sobre a regionalização da rede, com características alternativas, seguindo a orientação das
peculiaridades do processo produtivo, ou do sistema de consumo, ou de ambos, existentes
na região para a qual a rede é uma conveniente abstração. Em alguns casos existe uma pré-
regionalização da rede que não pode ser destruída pelo algoritmo.
p
3.4.1. Um problema específico de localização dinâmica
Em Paula Junior (1986) é definido, resolvido e aplicado um tipo específico de
problema de localização dinâmica de atividades. Neste trabalho, a abstração da região para
a qual é conduzida a otimização de instalação de atividades é chamada de rede essencial.
Os nós ou vértices da rede essencial são os pontos de demanda e/ou oferta de bens e
serviços (atividades) da região.
O conjunto de nós da rede essencial é representado por I e o conjunto de nós
potenciais (candidatos em potencial para instalação de atividades) por J
,
( )J I⊆ .
O conjunto I de nós da rede essencial, é particionado, para fins de execução do
processo produtivo, em, no máximo, T subconjuntos. A escolha dos subconjuntos que
formam uma partição de I é feita dinamicamente através de um processo de tomada de
decisões seqüenciais.
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
43
é o conjunto de estágios do sistema dinâmico de decisões seqüenciais
referido. Cada estágio é uma coleção de pontos alternativos de eventual reinício do
processo produtivo.
{1, ,S = … }T
}K t
}
S é o conjunto dos estados do estágio t . Cada estado de um estágio
corresponde a um ponto particular da coleção de pontos alternativos que formam o estágio.
{1, , ( )t = …
é um estado genérico k do estágio t , e d k é uma decisão associada ao estado
genérico k do estágio t .
tk ( )t
é um conjunto de decisões admissíveis que podem
ser tomadas no estado k do estágio t . Em cada estado é tomada uma decisão sobre a
duração (ou extensão) do processo produtivo a partir daquele ponto (estado).
( ){ ,:t t ttkD d k k S t S∈= ∈
Cada decisão está associada a um retorno que corresponde ao custo mínimo de
execução do processo produtivo com a duração (ou extensão) proveniente da decisão
tomada.
O custo total quando se vai de um estágio a outro é dado por uma função de
transição aditiva que fornece a soma dos custos de execução do processo produtivo nos
estágios considerados.
Um mesmo estado e uma mesma decisão podem ocorrer em mais de um estágio.
Entretanto, o estado poderá ser atingido e a decisão poderá ser tomada uma única vez no
decorrer de todo o processo. Em cada estado toma-se uma única decisão.
Definidos o estágio inicial e o estado inicial, com as correspondentes decisões
associadas, diz-se que um estágio, a partir do segundo, foi alcançado quando algum de seus
estados foi atingido através de uma decisão tomada no estágio anterior. Nesse processo de
tomada de decisões seqüenciais, nem todos os estágios na solução necessariamente são
alcançados. Um estado é dito terminal quando nele não é tomada nenhuma decisão e,
portanto, cessa aí o processo decisório.
O problema dinâmico de decisões seqüenciais que é definido consiste em
determinar, dentro de cada estágio alcançado, o estado mais indicado, e dentro do estado
escolhido, se ele não é terminal, determinar a melhor decisão a ser tomada. Em um estado
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
44
não terminal de um estágio considerado, toma-se uma decisão que vai conduzir a um outro
estado de um estágio seguinte, que não é necessariamente o estágio imediatamente
seguinte. O processo continua até que se atinja, em algum estágio, o estado terminal.
3.4.2 Outros problemas de localização dinâmica
Inicialmente, Ballou (1968) reconhece a limitada aplicação de modelos estáticos.
Nessa abordagem, tenta-se localizar um único depósito de forma que os lucros sejam
maximizados ao longo de um horizonte finito de planejamento. A programação dinâmica é
utilizada para determinar o melhor programa para abrir algumas atividades como uma
estratégia quase ótima de localização e relocalização no período de tempo.
Wesolowsky (1973) considera o problema de localização de uma única atividade
sem restrições sobre um horizonte finito de planejamento com custos explícitos de
relocalização. Uma formulação de programação inteira binária da função objetivo é
apresentada e procedimentos de enumeração são sugeridos para resolvê-lo.
Sweeney & Tatham (1976) ampliam o conjunto de locais para localizações
potenciais. As melhores soluções em cada período são encontradas através de um
procedimento iterativo de resolução de programas inteiros com decomposição de Benders’.
O conjunto expandido de locais para localização potenciais em cada período é usado em
um programa dinâmico para determinar uma estratégia ótima de localização e
relocalização.
Com o objetivo de avaliar os procedimentos heurísticos de busca por soluções
próximas ao ótimo, Erlenkotter (1981) compara a performance de várias heurísticas sobre
um determinado problema de localização dinâmica. Em seguida, examina-se um problema
capacitado de minimização de custos, com intervalos de tempos discretos.
Van Roy & Erlenkotter (1982) formulam um problema de localização dinâmica de
atividades não-capacitadas, no qual se deseja selecionar o momento de estabelecer
atividades em diferentes localizações, de forma a minimizar os custos descontados totais,
que incluem os custos de localização e operação das atividades e também os custos totais
de produção e distribuição. A formulação apresentada permite a abertura de novas
atividades e o fechamento de atividades existentes. Um procedimento Branch and Bound é
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
45
proposto com a utilização de limites inferiores obtidos através da resolução de problemas
relaxados (PL) com um método heurístico dual ascendente.
Gunawardane (1982) considera o problema de localização aplicado ao setor
público. O autor estuda vários problemas de cobertura nos quais as atividades são
localizadas (e relocalizadas, se necessário) sobre um horizonte de planejamento. O autor
apresenta modelos expandidos, para o problema de cobertura máxima e para o problema de
cobertura de um conjunto de localizações, em um horizonte de planejamento de T
períodos.
Wesolowsky & Truscott (1975) examinam extensões dinâmicas de problemas de
localização/alocação. Nessa abordagem, permite-se que atividades sejam relocalizadas em
resposta às mudanças previstas na demanda. Um modelo de programação inteira e um
dinâmico são apresentados.
Drezner & Wesolowsky (1991) examinam a localização de uma única atividade em
uma cidade em crescimento com mudança de demanda ao longo do tempo, porém, de
forma determinística. O objetivo é encontrar uma localização para a única atividade que
minimize o custo esperado sobre o horizonte dado.
Shulman (1991) busca achar uma programação de tempo e a capacidade das
atividades de forma que o custo de capital descontado sobre o horizonte de tempo seja
minimizado. A classe do problema de localização dinâmica de atividade capacitada
considerada é aquela na qual as atividades disponíveis têm capacidades finitas, e o número
de tipos destas atividades é relativamente pequeno, de forma que uma expansão de
tamanho não possa ser modelada por variáveis contínuas. O autor formula o problema
como um problema de otimização combinatória que permite a consideração de mais do que
um tipo de atividade e achar o mix ótimo de atividades em cada localização. Também é
apresentado um algoritmo baseado na técnica de relaxação lagrangeana para resolver tal
problema.
Hinojosa et al. (2000) tratam de um problema de localização multiperíodo onde se
deseja estabelecer dois diferentes níveis de distribuição. O modelo proposto minimiza o
tempo de atendimento das demandas de todos os clientes ao longo do horizonte de
planejamento enquanto satisfaz os requerimentos de capacidade das plantas de produção e
depósitos intermediários. Uma relaxação lagrangeana é proposta para resolver o problema,
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
46
juntamente com um procedimento heurístico que constrói soluções viáveis a partir de
problemas relaxados.
3.5 Problemas de localização multiobjetivo
Até poucas décadas atrás, os problemas de tomada de decisões abordados através
de programação matemática eram modelados principalmente com apenas um único
objetivo. Lin (1980) diz que o objetivo único de maximizar lucros tem sido seriamente
questionado e que existem evidências de que na prática não se tem como objetivo apenas
maximizar lucros. Muitos problemas reais nas indústrias, negócios, organizações
governamentais e não-governamentais incluem uma variedade de metas e objetivos
conflitantes. Atualmente, grande atenção tem sido dada aos problemas de múltiplos
objetivos, como também há um reconhecimento crescente de que muitos problemas de
localização são inerentemente multiobjetivo (CURRENT et al., 1990; PELEGRIN &
FERNANDEZ, 1988; NIJKAMP & SPRONK, 1979).
Segundo Delgadillo (1997), ReVelle et al. (1981) foi um dos primeiros trabalhos a
analisar a necessidade de uma abordagem multiobjetivo para o problema de localização de
atividades usando otimização combinatória. O problema multiobjetivo é formulado como
um problema de min-sum, ou seja, como um problema de p-mediana.
Nijkamp & Spronk (1981) desenvolvem modelos baseados na análise tradicional de
Weber6, com o objetivo de trabalhar com algumas das limitações desta abordagem, tais
como os problemas de mais de uma atividade. Uma abordagem interativa é sugerida para
ser aplicada ao problema multiobjetivo de Weber modificado.
Ross & Soland (1980) tratam das questões multiobjetivo através de um modelo para
selecionar os locais para a instalação de atividades públicas, a fim de servir a um grupo de
clientes localizados em pontos distintos. Para algumas combinações de objetivos
específicos encontram-se todas as soluções eficientes. Em muitos outros casos, as soluções
eficientes podem ser encontradas através de solução paramétrica de um problema de
designação com restrições adicionais que podem ser incorporadas em um algoritmo
existente para problema de designação.
6 Weber (1909) considera o problema de localização de uma única atividade, de forma a minimizar a distância total entre esta atividade e um conjunto de clientes distribuídos espacialmente.
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
47
As importantes questões e variáveis do mundo real que são relacionadas aos
problemas de localização de atividades foram investigadas por ReVelle & Laporte (1996).
Novos problemas e modelos são sugeridos, todos possuindo relevância prática. Entre as
sugestões, está o problema de múltiplos objetivos.
O problema de localização de plataformas de produção de petróleo, como também
dos poços produtores, é tratado por Cortes (1998). Um modelo multiobjetivo é proposto
para abordar de forma mais realista o problema, cujos objetivos são: minimizar os custos
de construção/instalação das plataformas e os custos de conexão do poço à plataforma;
maximizar a produção de petróleo de um dado campo petrolífero; e, minimizar o impacto
de possíveis danos ambientais. Um problema monobjetivo auxiliar é construído
considerando a função escalarizada ponderada aumentada de Tchebychef para definir o
objetivo, tem-se o seguinte problema:
( ){ } ( )1 1
ρ,...
min max :i i i i ii k i k
c x Z c x Z x Sλ=
− + − ∈∑
onde ( )1,.., kkZ Z Z= ∈ é um ponto de referência e são parâmetros
fixos.
1 κλ , ..., λ ,ρ > 0
Para auxiliar a resolução de tal problema é apresentado um algoritmo interativo,
baseado no método de enumeração implícita, que determina um conjunto de soluções
eficientes para serem avaliadas pelo decisor.
3.6. Problemas de localização dinâmica multiobjetivo
A literatura disponível sobre decisões de localização é grande, mas existem
relativamente poucos artigos que tratam simultaneamente das abordagens dinâmica e
multiobjetivo7.
Um dos primeiros trabalhos foi publicado por Bitran & Lawrence (1980), no qual
considera-se a localização de escritórios para serviços regionais. Esses escritórios
7 A técnica chamada de Programação Dinâmica Multiobjetivo que significa a aplicação da Programação Dinâmica a problemas apenas multiobjetivo, tal como em Li & Haimes (1980) e Tauxe et al. (1979), não corresponde à abordagem dinâmica multiobjetivo tratada no presente trabalho.
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
48
funcionam como centros administrativos que dão suporte às vendas e ao processamento
das reclamações. A localização é determinada através de um modelo de programação
multiobjetivo linear 0-1. Os critérios são relacionados à distância entre o escritório e seus
clientes e o custo de operação e investimento. As restrições tratam de considerações
econômicas e operacionais. Esse problema é resolvido a partir do procedimento descrito
em Bitran (1979).
Schilling (1980) considera uma abordagem alternativa para resolver problemas de
localização dinâmica de atividades, inspirado pela necessidade dos setores públicos instalar
atividades. Em tal trabalho, considera-se especialmente uma formulação de problema
multiobjetivo de cobertura máxima, e busca-se um conjunto de boas soluções, da qual o
decisor poderá selecionar alguma destas para implementar. O modelo apresentado combina
T problemas de cobertura máxima, um para cada período em um horizonte de tempo. O
autor sugere abordagens multiobjetivo para gerar um conjunto de soluções eficientes para o
decisor, tais como os métodos ponderado, de restrição e simplex multiobjetivo.
A abordagem multiobjetivo para o problema de localização dinâmica também é
utilizada por Min (1988), que considera a expansão e a relocalização de bibliotecas em
uma área metropolitana. O critério considerado na escolha das localizações das bibliotecas
inclui a cobertura da população, a proximidade de cada comunidade e a acessibilidade das
rotas de transporte ou áreas de estacionamento. É formulado um modelo de localização de
variáveis discretas baseado na programação por metas nebulosas (fuzzy).
Abo-Sinna & Hussein (1994) desenvolvem uma técnica para resolver problemas
que envolvam objetivos conflitantes de características dinâmicas através de uma
decomposição paramétrica que usa a abordagem de norma ponderada. Os autores
consideram o caso particular de um problema convexo, separável e monótono. Uma
abordagem de programação dinâmica associada a abordagem de norma ponderada é
aplicada para caracterizar as soluções eficientes daquele problema. Pelo uso de
determinadas relações ponderadas entre as funções objetivo, pode-se encontrar um
conjunto de soluções eficientes do problema.
Abo-Sinna & Hussein (1995) complementam o trabalho desenvolvido por Abo-
Sinna & Hussein (1994) através da consideração de uma relaxação da suposição de
convexidade. Os autores apresentam um algoritmo para geração de soluções eficientes de
problemas multiobjetivo, baseado no princípio de otimalidade em programação dinâmica.
CAPÍTULO 3 – PROBLEMAS DE LOCALIZAÇÃO
49
Assumindo a separabilidade e monotonicidade do problema, uma equação funcional geral
de programação dinâmica é derivada pelo uso da técnica de ε restrição. Essa abordagem
consiste na manutenção de um objetivo como principal e no tratamento dos objetivos
restantes como restrição, tendo cada uma destas restrições um limite superior ε, cuja
escolha de valores interferirá na geração do conjunto de todas as soluções eficientes.
Melacharinoudis & Min (2000) consideram a desativação e a relocalização de
fábricas/depósitos em um ambiente de mudanças. É formulado um modelo multiobjetivo
dinâmico inteiro misto, cujos objetivos, que foram estabelecidos a partir de potenciais
fatores locacionais, são os seguintes: maximizar o lucro total, minimizar o tempo total de
acesso entre a fábrica/depósito e seus fornecedores e seus clientes, e maximizar o
recebimento de incentivos. Os autores utilizam o método de ponderação de objetivos e um
caso real é resolvido através do software LINGO.
CAPÍTULO 4
FATORES LOCACIONAIS 4.1 Considerações iniciais
Os objetivos de um problema de localização dinâmico multiobjetivo podem ser
estabelecidos a partir de fatores locacionais (MIN & MELACHARINOUDIS, 1999). Tais
fatores podem ser definidos como variáveis que influenciam a decisão locacional do
empresário (MALECKI, 1997), como também afetar a habilidade de uma localidade em
atrair e reter atividades econômicas (BLAIR, 1995). Listas de fatores locacionais podem
ser encontradas em Kowalska & Funck (2000), Rees & Stafford (1986) e Lee et al. (1981).
4.2 Importância dos fatores locacionais
Cada decisão pode ser influenciada por uma variedade de fatores locacionais,
inclusive com diferentes níveis de intensidade. A importância desses fatores pode depender
do tipo e do porte da atividade econômica, da abrangência do estudo (macrolocalização ou
microlocalização), do período de tempo considerado na análise (presente ou futuro) e do
setor interessado (investidor público ou privado), entre outros.
De acordo com Hoover & Giarratani (1999), o meio mais comum de se medir o
grau de importância relativa dos fatores locacionais é o método mais direto, ou seja,
através de consulta ao decisor. Podem ser utilizados questionários contendo uma lista de
fatores que devem receber uma avaliação com relação à importância relativa através de
adjetivos (por exemplo, “excepcionalmente importante”, “muito importante”,
“indiferente”, “pouco importante”, “sem importância”, e assim por diante) ou por algum
tipo de sistema de pontuação simples que utilize uma escala de preferências.
CAPÍTULO 4 – FATORES LOCACIONAIS
51
Os fatores locacionais similares dentro de grandes regiões, tais como clima e custos
de energia, são chamados de macrolocacionais. Os fatores que variam em um nível
microgeográfico de detalhes são chamados de microlocacionais, e geralmente são menos
importantes em um estágio inicial de análise, por exemplo, acomodações satisfatórias
podem ser obtidas em qualquer lugar dentro de quase todas as regiões. Tais fatores são
mais representativos na seleção de uma comunidade específica dentro de uma região
(BLAIR, 1995).
Na análise locacional devem ser considerados tanto os fatores que afetam as
operações no momento atual, como também os que podem se tornar importantes no futuro.
De acordo com Blair (1995), a velocidade com que os fatores locacionais se tornam
expressivos pode ser compreendida pela análise das mudanças no fim do século passado.
Durante este período, qualidade de vida e questões ambientais tornaram-se foco de
interesse. Mudanças tecnológicas, tais como comunicação global de satélite e tecnologias
de transporte de massa, também passaram a influenciar as escolhas locacionais. De forma
similar, mudanças da importância dos fatores podem ser antecipadas. Contudo, antecipar
quais as mudanças que podem afetar uma escolha locacional é uma questão mais
complexa. Por causa da natureza de longo prazo dos problemas de localização, o decisor
deve estar orientado para o futuro e avaliar tendências.
A escolha locacional dependerá da natureza do setor interessado. No setor privado
o principal interesse é o de obter o menor custo ou o maior lucro para os proprietários,
enquanto que no setor público o interesse é o maior benefício ou o menor custo para a
sociedade (GALVÃO et al., 1999; REVELLE et al., 1970). Portanto, a definição do tipo de
decisor poderá indicar a tendência da localização. Quando o decisor é uma empresa
privada, as decisões locacionais são orientadas à instalação de atividades econômicas em
locais que proporcionam maior viabilidade econômica e rentabilidade. Por outro lado,
quando o decisor é o poder público, normalmente as decisões locacionais são direcionadas
às localizações que fornecem a melhor utilização dos recursos locais visando a satisfação
de objetivos de desenvolvimento regional, de desenvolvimento urbano e de diminuição dos
desequilíbrios regionais. Segundo Clemente (1998), as decisões locacionais são
fundamentais tanto para as empresas, que procuram as maiores vantagens em termos de
custos e receitas, quanto para o poder público, cujos objetivos de desenvolvimento
regional, de desenvolvimento urbano e de diminuição dos desequilíbrios regionais e inter-
CAPÍTULO 4 – FATORES LOCACIONAIS
52
regionais estão sempre em destaque. Nesse sentido, tais decisões têm muita influência
sobre os lucros das empresas e podem exercer influências positivas ou negativas sobre o
desenvolvimento de uma área ou região específica.
Considerando a natureza estratégica dos problemas de localização, é necessário
também examinar os objetivos relacionados ao planejamento urbano e regional, de forma a
levá-los em conta na decisão de investimento da empresa. Dessa forma, os seguintes
objetivos podem ser destacados: aumento do valor agregado empresarial, elevação do nível
de emprego e redistribuição na população, utilização dos recursos locais, criação de uma
estrutura empresarial diversificada e com capacidade de crescimento auto-sustentado e
aumento da competitividade (CLEMENTE, 1998).
Neste contexto, uma empresa tem que decidir se investe em uma região pouco
desenvolvida, levando em consideração que locais de salários baixos e impostos reduzidos
geralmente são carentes em infra-estrutura eficiente (PORTER, 1999a). Por outro lado, o
poder público tem que decidir quanto recurso destinar para uma região pouco
desenvolvida. Dessa forma, uma decisão está vinculada à outra, pois para a empresa
interessa saber se o governo pretende investir na localidade; enquanto que para o poder
público é importante saber se as empresas aproveitarão os resultados do investimento na
localidade, e, assim, proporcionar, por exemplo, o aumento de postos de trabalho. Nesse
caso, a satisfação dos interesses tanto do poder público quanto da empresa só poderá ser
alcançada com a contribuição de ambos.
4.3 Classificação dos fatores locacionais
Tradicionalmente, podem-se ter dois tipos de situações com relação aos fatores de
localização. A primeira é uma demanda de fatores pela atividade econômica, na qual
inclui-se a rapidez de acesso aos clientes, a qualificação da mão-de-obra, adequação do
local e imagem da empresa. A segunda situação é a oferta de fatores pela localidade, entre
os quais podem-se citar, o custo da mão-de-obra, do terreno, de transporte, de energia e as
competências locais. O confronto entre demanda e oferta de fatores locacionais orientará a
escolha da localização para a instalação da atividade econômica.
Uma outra classificação, proposta por Krajewski & Ritzman (1999), separa os
fatores de localização em dominantes e secundários. Os fatores dominantes são aqueles
CAPÍTULO 4 – FATORES LOCACIONAIS
53
derivados de prioridades competitivas (custo, qualidade, tempo e flexibilidade) e têm forte
impacto sobre as vendas ou custos. Os fatores secundários possuem pequena importância e
até podem ser ignorados caso existam outros muito mais importantes. Esta categorização
dependerá do tipo de empresa tratada e da importância dos fatores envolvidos na decisão.
Assim, fatores que são dominantes para uma empresa podem ser secundários para alguma
outra.
As escolhas locacionais podem ser orientadas tanto por fatores econômicos ou
técnicos (por exemplo, energia) quanto por fatores qualitativos relacionados ao julgamento
do decisor (por exemplo, qualidade do ambiente). MacCormack et al. (1994) classificam
os fatores locacionais em: quantitativos e qualitativos. De acordo com Krajewski &
Ritzman (1999), os fatores quantitativos são aqueles que podem ser medidos em unidades
monetárias, como, por exemplo, custo, distância; os fatores qualitativos são aqueles que
não podem ser avaliados em termos monetários, como, por exemplo, qualidade de vida,
qualificação dos trabalhadores, infra-estrutura local. Malizia & Feser (1999) destacam os
seguintes fatores qualitativos: a habitabilidade do local (qualidade de vida para os
empregados e especialmente para a gerência), o clima de negócios (freqüentemente
enfatizado pela postura do governo local e o grau de sindicalização da atividade) e
questões ambientais (o interesse pela qualidade ambiental razoável e a ameaça das
regulamentações ambientais de alto valor).
Segundo Kowalska & Funck (2000), nas escolhas locacionais da sociedade pós-
industrial, alguns fatores locacionais tradicionais dominantes, tais como custo de transporte
e custo de matéria-prima, têm sido substituídos por outros fatores, tal como acesso a fontes
de informação especializada. Em particular, para as instituições de pesquisa tecnológica,
pode-se desejar a presença de um ambiente criativo e a disponibilidade de fornecimento de
pessoal altamente qualificado. Em resumo, uma série de fatores soft ou quase-soft pode
tornar-se muito relevante.
Kowalska & Funck (2000) sugerem uma classificação dos fatores locacionais a
partir dos efeitos diretos e indiretos sobre a lucratividade. Os fatores que influenciam as
condições específicas de uma região por uma certa atividade produtiva através do impacto
direto sobre o lucro ou através de intervenção direta no mercado são tratados como fatores
locacionais hard. Todos os outros fatores que exercem apenas uma influência indireta e
não possuem impacto “visível” sobre o resultado econômico são denominados como
CAPÍTULO 4 – FATORES LOCACIONAIS
54
fatores soft. Em contraste aos fatores hard, que podem ser quantificados com certa
facilidade, os fatores soft são mais difíceis de serem medidos e avaliados.
Ensslin (1995) ressalta que todos os fatores considerados importantes para a tomada
de decisão, sejam eles tangíveis ou intangíveis, devem ser incorporados na análise.
Também devem ser consideradas as divergências de opiniões entre os diversos decisores
envolvidos, bem como os possíveis imprevistos que possam ocorrer na vida real.
Em Meyer-Stamer (2000) encontra-se uma diferenciação entre os fatores de
localização objetivos e os subjetivos, sendo que estes últimos são subdivididos em fatores
empresariais e pessoais. Alguns exemplos desses fatores são apresentados a seguir.
Fatores objetivos:
Posição geográfica em relação aos mercados de compra e venda;
Ligação à rede de transportes (em estrada, em ferrovia em água, no ar);
Ofertas e pedidos de empregos (nível salarial, disponibilidade de mão-de-obra
qualificada);
Disponibilidade de terrenos;
Custos de energia e meio ambiente;
Encargos municipais;
Ofertas promocionais (incentivos fiscais, subvenções, etc.).
Fatores subjetivos para a localização de empresas:
Clima econômico da cidade da região;
Imagem da cidade/região;
Contatos setoriais;
Universidades, instituições de pesquisa e tecnologia;
Ambiente inovativo da região;
Desempenho de associações comerciais e industriais.
Fatores subjetivos para a localização de empresas com relação às pessoas:
A qualidade residencial e seu ambiente;
CAPÍTULO 4 – FATORES LOCACIONAIS
55
A qualidade do meio ambiente;
A qualidade de escolas e outras instituições de formação;
A qualidade da infra-estrutura;
Valor recreativo;
4.4 Fatores mais relevantes
Alguns dos fatores de localização mais considerados nos trabalhos pesquisados são
tratados a seguir com maior detalhadamento.
4.4.1 Custo
Este é um dos mais tradicionais fatores de localização e é um dos mais importantes
para empresas do setor privado. Contudo, uma vantagem de custo pode não definir uma
escolha se outros fatores de maior importância estiverem envolvidos na decisão.
Os custos podem ser estimados, tanto para o período atual quanto para períodos
futuros, e podem se apresentar de duas formas, tangíveis e intangíveis. Os custos tangíveis
são aqueles que são rapidamente identificados e precisamente medidos. Custos desse tipo
podem incluir produção, trabalho, utilidade, material, taxas, depreciação, transporte (seja
de insumos ou de produtos), instalação, relocalização, entre outros. Os custos intangíveis
não são facilmente quantificáveis, podendo incluir qualidade da educação, transporte
público, atitudes da comunidade em relação à empresa, atitudes dos potenciais empregados
(HEIZER & RENDER, 2001). Um outro exemplo de custo intangível é o relativo aos
custos psicológicos de uma relocalização.
4.4.2 Proximidade da matéria-prima
Se a atividade econômica for uma indústria manufatureira que realiza uma ou mais
operações em relação a um suprimento de matérias-primas, existirá a preocupação da
indústria estar localizada em uma área próxima às fontes de suprimento. Uma das razões é
que o custo de aquisição das matérias-primas dependerá da localização da empresa. Dessa
CAPÍTULO 4 – FATORES LOCACIONAIS
56
forma, o grau de atração exercido pela matéria-prima dependerá do tipo e quantidade dos
recursos que assumem maior importância para a empresa.
As seguintes questões devem ser consideradas na avaliação: problemas de
transporte da matéria-prima, como a perda de peso ou volume; grau de perecibilidade da
matéria-prima; o valor da matéria-prima; custo de transporte; ou alguma razão estratégica
com o intuito de favorecer a região fornecedora de matéria-prima (HEIZER & RENDER,
2001).
4.4.3 Proximidade dos mercados consumidores
A influência da proximidade das fontes de matéria-prima para as empresas
modernas tem sido minorada, principalmente para as empresas baseadas em tecnologia.
Estall & Buchanan (1976) relatam que para o caso específico de uma refinaria de petróleo,
não há a exigência de instalação próxima ao local produtor de petróleo. Esta situação pode
ser justificada pelo fato de os derivados do petróleo representarem uma percentagem
relativamente elevada dos custos totais em comparação ao petróleo, a perda de peso no
beneficiamento ser relativamente pequena e a matéria-prima ser fluida. Assim, é mais
barato levar o petróleo até o ponto de refino do que distribuir os diversos derivados até os
vários centros de consumo. Nesse contexto, outros fatores, tais como proximidade de um
porto ou de mercados consumidores, teriam maior importância. A instalação próxima ao
local produtor de petróleo só poderia permanecer como uma opção válida no caso desta
localidade oferecer fatores que também são de grande importância (como, por exemplo,
isenção fiscal, impacto ambiental e competências locais), e assim haja a compensação das
avaliações negativas obtidas quando se consideram outros fatores.
Para algumas empresas é extremamente importante se localizar próximo aos
mercados consumidores, principalmente para prestadoras de serviços. No caso de
manufaturas, este fator é considerável quando o transporte do produto acabado é caro ou
difícil por causa do volume, peso ou fragilidade.
A localização próxima ao mercado também é conveniente quando o contato e a
interação com o cliente são essenciais. Podem ser citadas, as empresas que regularmente
fornecem produtos sob medida, as empresas que prestam serviços ligados ao processo
produtivo dos clientes e as empresas de manutenção.
CAPÍTULO 4 – FATORES LOCACIONAIS
57
4.4.4 Economias de aglomeração
O direcionamento para locais próximos aos concorrentes recebe diversas
denominações, entre elas, aglomeração, concentração e clustering. Esta tendência ocorre
freqüentemente quando recursos naturais, informação, capital e talento são encontrados em
determinada região. Por exemplo, o talento atrai empresas de software a se concentrar no
Vale do Silício e em Boston, locais que apresentam um grande fornecimento de jovens
graduados em Berkeley e Stanford na Califórnia e em Harvard e no MIT em Massachusetts
(HEIZER & RENDER, 2001).
Segundo Porter (1999b), clusters1 (grupos, agrupamentos ou aglomerados) são
concentrações geográficas de empresas de determinado setor de atividade e organizações
correlatas, fornecedores de insumos, instituições de ensino e clientes. Sendo que as
fronteiras de um cluster são definidas pelos elos e pela interdependência entre os diferentes
setores e instituições.
Uma característica marcante presente nos clusters é a existência tanto de
concorrência quanto de cooperação. Os concorrentes competem intensamente para vencer
e reter seus clientes. Mas a cooperação também está presente, em grande parte
verticalizada, envolvendo empresas de setores afins e instituições locais. A concorrência
convive com a cooperação, pois as duas ocorrem em dimensões diferentes e entre
participantes distintos (PORTER, 1999b). Uma rede de relacionamentos entre companhias,
agências governamentais e Universidades concentradas geograficamente, e atuando em um
campo específico, é possível de ser identificada nos clusters. Esta rede inclui fornecedores
de matérias-primas, equipamentos e serviços, bem como infra-estrutura adequada e acesso
aos canais de distribuição e aos consumidores (PORTER, 1999a).
De acordo com Ballau (1992), o fator aglomeração não possui natureza totalmente
econômica, pois indústrias e instituições tendem a se concentrarem e a se expandirem para
locais onde compartilham clientes, fornecedores, serviços públicos, atrativos sociais,
recursos comuns e interesses políticos. Estes benefícios, agregados aos de natureza mais
econômica, como proximidade de mercados ou fontes de suprimento, são o resultado de
1 Uma revisão de algumas explicações de como os clusters se formam pode ser encontrada em Meijboom & Rongen (1995).
CAPÍTULO 4 – FATORES LOCACIONAIS
58
forças de aglomeração. Tais forças são aquelas que incentivam a instalação da atividade
econômica em uma mesma região.
Os benefícios advindos da concentração (chamados de economia de aglomeração),
têm gerado vantagens competitivas sustentáveis que são compartilhadas pelas empresas
inseridas no cluster.
Uma contribuição para auxiliar a empresa a decidir sobre sua instalação em um
cluster é apresentada em Porter (1999a). Nesse trabalho, é feita a análise da vantagem
competitiva localizada através do chamado modelo de “diamante”, no qual os seguintes
determinantes interagem: i) estratégia, estrutura e rivalidade da empresa; ii) condições dos
fatores; iii) setores de apoio; iv) condições da demanda.
4.4.5 Características da localidade
A escolha locacional também pode ser influenciada pelas características do
potencial local de instalação. As seguintes características podem ser destacadas:
4.4.5.1. Disponibilidade de mão-de-obra
O suprimento de mão-de-obra é um fator de grande importância para as atividades
de base tecnológica. Demandam primordialmente por uma mão-de-obra qualificada e
especializada que esteja disponível na região, tais como, técnicos e operários
especializados, funcionários bilíngües, engenheiros e outros graduados, entre outros.
Mesmo se a localidade não possuir oferta deste tipo de mão-de-obra, deve ser considerada
a possibilidade de migração destes tipos de profissionais de regiões vizinhas para a
localidade considerada a fim de compensar sua deficiência.
4.4.5.2. Infra-estrutura local
Verifica-se, neste caso, se o potencial local para a instalação possui adequada rede
de transporte, abastecimento de água, disponibilidade de fornecimento de energia elétrica
em quantidade necessária, disponibilidade de conhecimento proveniente de Universidades
e de Centros de Pesquisa, entre outros. Nesta análise, também deve ser considerado o custo
para a obtenção destes serviços.
CAPÍTULO 4 – FATORES LOCACIONAIS
59
4.4.5.3. Tributação e incentivos fiscais
Atualmente, a tributação tem tido grande importância nas decisões locacionais. De
acordo com Estall & Buchanan (1976), as variações tributárias dentro de fronteiras
nacionais ou regionais podem definir a escolha locacional.
Doações de terrenos, subsídios e concessões relativas a impostos podem ser
adotadas com o intuito de atrair as atividades econômicas. Tais benefícios seriam o
resultado da parceria entre Estado e Município e podem variar ao longo de um período de
tempo. O propósito da concessão destes benefícios é evitar acentuados desequilíbrios
regionais e inter-regionais, além de incentivar investimentos privados em determinados
locais que estejam fora das áreas de alta concentração econômica e demográfica e que
possuem potencial para se tornarem centros de desenvolvimento. Espera-se também que
ocorra o efeito multiplicador de desenvolvimento pelas áreas vizinhas (ESTALL &
BUCHANAN, 1976).
Deve-se destacar que a concessão de incentivos por si só não é suficiente para
manter uma política de atração local que se sustente por longo período, pois seus efeitos
são questionáveis. Podem ser necessários, por exemplo, investimentos públicos em infra-
estrutura, capacitação da mão-de-obra, entre outros.
4.4.5.4. Qualidade de vida
A qualidade de vida proporcionada aos habitantes de determinado local também é
um fator locacional. É desejável que no local escolhido para a instalação da atividade
econômica se possa trabalhar e viver bem.
De acordo com Massan (2002), a qualidade de vida percebida por um lado pode ser
vista como um indicador ou causa de atração de um local, por outro lado pode ser tratada
como a conseqüência das condições observadas e uma medida que reúne os desejos e
expectativas dos indivíduos. Conseqüentemente, a qualidade de vida pode ser considerada
como uma composição de benefícios privados e públicos que é um
“meio”/“causa”/“entrada” e/ou “fim”/“efeito”/“saída”. Desta forma, uma definição
precisa de qualidade de vida é extremamente complexa. Apesar disto, é de aceitação quase
que absoluta que boas escolas, opções atrativas de recreação, eventos culturais e taxa
reduzida de criminalidade contribuem para a qualidade de vida de um determinado local.
CAPÍTULO 4 – FATORES LOCACIONAIS
60
A princípio, o fator qualidade de vida pode ser considerado secundário, porém, em
algumas situações, representa um fator diferencial de atração de atividades econômicas
(KRAJEWSKI & RITZMAN, 1999). Por exemplo, quando se quer escolher entre dois
locais economicamente viáveis, a preferência será por aquele com a melhor qualidade de
vida.
CAPÍTULO 5
ALGORITMO GENÉTICO 5.1 Algoritmo genético tradicional
Algoritmo Genético (AG) é um método heurístico1 de busca estocástica baseado no
processo de evolução biológica que favorece o alcance do ótimo global. Sua utilização é
adequada para resolver problemas complexos – tais como, otimização de funções
numéricas em geral, otimização combinatória, aprendizado de máquina, processamento de
imagem, robótica, etc – fornecendo soluções de boa qualidade em tempos computacionais
aceitáveis a partir de fácil implementação em computadores (GOLDBERG, 1989). Por esta
razão, os AGs têm apresentado grande popularidade no campo científico, entre os quais,
Moon et al. (2002), Sexton et al. (1999), Reeves (1996), Shaffer & Eshelman (1996), Wren
& Wren (1995), Mathias & Whitley (1992), Tam (1992), Davis (1991), Ulder et al. (1991).
No entanto, existe certa carência de estudos comparativos entre os AGs e outras técnicas
(REEVES, 1997); uma dessas poucas comparações é apresentada em Houck et al. (1996).
Para o caso dos problemas de localização podem ser citados: Aytug & Saydam (2002),
Jaramillo et al. (2002), Gong et al. (1999), Houck et al. (1996), Conway &
Venkataramanan (1994), Hosage & Goodchild (1986).
5.1.1 O diferencial dos algoritmos genéticos
De modo geral, algumas características que distinguem os AGs de outras técnicas
clássicas de busca e otimização são as seguintes (GOLDBERG, 1989):
1 Os AGs, assim como as técnicas Simulated Annealing e Busca Tabu, são chamados de metaheurísticas.
CAPÍTULO 5 – ALGORITMO GENÉTICO
62
Manipulam paralelamente um conjunto de soluções potenciais, chamado de população,
em vez de uma única solução;
Trabalham com uma codificação de um conjunto de parâmetros e não com os próprios
parâmetros;
Usam transições probabilísticas em vez de regras determinísticas;
Necessitam apenas de informação sobre o valor de uma função objetivo para cada
integrante da população de indivíduos, não utilizando derivadas.
A consideração de um conjunto de soluções potenciais em um mecanismo de
evolução induz a busca em diferentes áreas do espaço de solução, o que faz com que o
algoritmo não se prenda a extremos locais e favoreça a busca do ótimo global. No entanto,
a utilização dos AGs pode acarretar certa lentidão pelo fato de trabalharem com uma
população de soluções, além de haver a necessidade de ajuste de seus parâmetros para se
obter eficácia.
Os AGs pertencem a uma classe metodológica maior, a Computação Evolutiva ou
Evolucionária que considera que uma população de indivíduos pode evoluir de forma a
melhorar sua adequação ao ambiente. Tal classe engloba outras técnicas, tais como, a
programação evolutiva, as estratégias evolutivas e a programação genética (GOLDBERG,
1989).
5.1.2 Conceituação básica
O conceito de AG foi inicialmente tratado por Holland (1975) e popularizado por
Goldberg (1989), tendo sido inspirado no princípio de seleção natural de Charles Darwin
(1809-1882). Darwin, em seu livro “Sobre a origem das espécies por meio da seleção
natural”, faz uma das maiores contribuições à teoria da evolução, através da consideração
de que as espécies evoluem pelo princípio da seleção natural e sobrevivência do mais apto.
O mecanismo de evolução proposto por Darwin pode ser resumido nos itens descritos a
seguir:
Os indivíduos de uma mesma espécie mostram muitas variações na forma e na
fisiologia;
CAPÍTULO 5 – ALGORITMO GENÉTICO
63
Boa parte dessas variações é transmitida aos descendentes;
Se todos os indivíduos de uma espécie se reproduzissem, as populações cresceriam
exponencialmente;
Como os recursos naturais são limitados, os indivíduos de uma população lutam por
sua sobrevivência e de sua prole;
Portanto, somente alguns, os mais aptos, sobrevivem e deixam descendentes. A
sobrevivência e a reprodução dependem das características desses indivíduos que, por
serem hereditárias, serão transmitidas aos seus filhos;
Através dessa seleção natural, as espécies serão representadas por indivíduos cada vez
mais aptos.
Outras definições básicas relacionadas aos AGs são:
Genótipo: cromossomo, a estrutura codificada;
Fenótipo: solução do problema real, estrutura decodificada;
Gene: conjunto de valores que expressam uma variável de decisão;
Alelos: possíveis valores que um determinado gene pode assumir;
Lócus: posição dos alelos no cromossomo.
Cada indivíduo da população é chamado de cromossomo (string de valores) e
representa uma solução para o problema, sendo o comprimento do cromossomo (lchrom)
definido pela quantidade de valores que o compõe. Essa representação, chamada de
codificação, dependerá da classe do problema que se deseja resolver e é uma das etapas
mais críticas na definição de um algoritmo genético. Atualmente, existem três tipos
principais de representações para os cromossomos: binária, inteira ou real, sendo que a
forma binária é a mais utilizada.
A habilidade de adaptação de um cromossomo a um determinado ambiente é
representada por uma medida de avaliação/aptidão (fitness). A aptidão pode ser definida
através do valor da função objetivo, do seu escalonamento ou pelo ranqueamento do
indivíduo na população.
CAPÍTULO 5 – ALGORITMO GENÉTICO
64
Apesar da simplicidade, os AGs são suficientemente complexos para fornecer
poderosos e robustos mecanismos de busca adaptativa. Contudo, o resultado do uso desses
algoritmos dependerá da realização de dois procedimentos importantes:
1) Representação adequada das soluções possíveis do problema em forma de cromossomo
(codificação);
2) Determinação de uma função de avaliação de aptidão que possa fornecer para o
problema uma medida de importância de cada cromossomo gerado.
Deve-se destacar que estas são, justamente, as partes que relacionam um AG ao
problema a ser resolvido.
5.1.3 Funcionamento dos algoritmos genéticos
Existem diversas variações entre os AGs, porém, a estrutura geral é sempre a
mesma, podendo ser descrita da seguinte forma (ver JARAMILLO et al., 2002):
Etapa 0: Geração da população inicial de cromossomos;
Etapa 1: Avaliação da aptidão de cada cromossomo da população;
Etapa 2: Seleção dos cromossomos que produzirão descendentes;
Etapa 3: Geração de descendentes através de cruzamento e mutação;
Etapa 4: Repetir as etapas 1, 2 e 3 até que alguma condição de parada seja satisfeita.
O pseudocódigo a seguir descreve esta estrutura.
PPrroocceeddiimmeennttoo eevvoolluuttiivvoo ggeerraall::
IInníícciioo
gg ←← 00
iinniicciiaalliizzee PP((gg))
aavvaalliiee PP((gg))
CAPÍTULO 5 – ALGORITMO GENÉTICO
65
eennqquuaannttoo ((nnããoo ccoonnddiiççããoo ddee ppaarraaddaa)) ffaaççaa
gg ←← gg ++ 11
sseelleecciioonnee PP((gg)) aa ppaarrttiirr ddee PP((gg--11))
aapplliiqquuee ooss ooppeerraaddoorreess ggeennééttiiccooss:: ccrruuzzaammeennttoo ee mmuuttaaççããoo
aavvaalliiee PP((gg))
ffiimm ddoo eennqquuaannttoo
ffiimm
onde P(g) é a população da geração g.
A população inicial dos AGs tanto pode ser gerada aleatoriamente como também
pode ser obtida através de algum processo heurístico. O importante é que a população
inicial seja distribuída dentro do espaço de soluções de forma abrangente.
O cromossomo, que é uma cadeia de símbolos, evolui através de sucessivas
iterações. Em cada iteração, que representa uma geração, é feita a avaliação dos
cromossomos usando alguma medida de avaliação/aptidão.
Para obter a geração seguinte, novos cromossomos, chamados de descendentes ou
filhos, são formados através dos operadores genéticos: seleção, cruzamento e mutação.
5.1.4 Operadores genéticos
5.1.4.1 Seleção
Seleção é o processo de escolha dos melhores indivíduos da população, sendo feito
geralmente a partir das medidas de aptidão. Os membros selecionados são utilizados para a
reprodução. Dessa forma, os indivíduos com maior aptidão têm maiores chances de se
reproduzirem e os menos aptos de serem descartados. Após várias gerações, a melhor
solução converge, e espera-se que seja o ótimo ou alguma solução próxima ao ótimo
(REEVES, 1997; GOLDBERG, 1989).
As estratégias de seleção mais utilizadas são: o método da roleta, os métodos de
ordenação linear e exponencial e o método de torneio. No método da roleta, cada indivíduo
CAPÍTULO 5 – ALGORITMO GENÉTICO
66
da população recebe uma porção da roleta proporcional à sua medida de aptidão. O
lançamento da roleta é repetido lchrom vezes (comprimento do cromossomo), e, então, os
indivíduos sorteados são os selecionados para a reprodução. Nos métodos de ordenação
linear e exponencial, os indivíduos são ordenados decrescentemente pelas suas aptidões. A
cada indivíduo é atribuída uma probabilidade de seleção tomada de uma dada distribuição
que pode ser linear ou exponencial. O método de torneio realiza um torneio entre um grupo
de indivíduos escolhidos aleatoriamente. Aquele indivíduo que possuir maior aptidão é
selecionado (CASTRO, 2001; REEVES, 1997).
Feito o processo de seleção, os cromossomos escolhidos são combinados em pares
para realizar o processo de cruzamento e mutação. Em cada combinação, a partir de 2
cromossomos pais originam-se 2 cromossomos filhos.
5.1.4.2 Cruzamento
Cruzamento é o operador de troca de genes entre cromossomos da geração atual
que gera cromossomos filhos com características semelhantes às dos cromossomos pais. O
operador cruzamento é aplicado com uma probabilidade dada pela taxa de cruzamento pc;
no caso de não haver cruzamento, os cromossomos filhos serão cópias exatas dos pais. As
formas mais utilizadas de cruzamento são:
Um ponto: um ponto de cruzamento é escolhido aleatoriamente entre 1 e e a
partir deste ponto material as informações genéticas dos cromossomos pais são trocadas. A
Figura abaixo apresenta um exemplo deste tipo de cruzamento.
1lchrom −
Pai 1: 11110011 110000110011 Filho 1: 11110011 111111001100
Pai 2: 11001111 111111001100 Filho 2: 11001111 110000110011
Figura 5.1 Exemplo de cruzamento de um ponto.
Multipontos: é a generalização da troca de material genético dos pais, onde muitos pontos
de cruzamento são utilizados de forma que haja a troca de segmentos de informações
genéticas;
CAPÍTULO 5 – ALGORITMO GENÉTICO
67
Pai 1: 1111 001111 00001100 11001111 11 Filho 1: 1111 111111 00001100 00111100 11
Pai 2: 1100 111111 11110011 00111100 11 Filho 2: 1100 001111 11110011 11001111 11
Figura 5.2 Exemplo de cruzamento de multipontos.
Uniforme: não utiliza pontos de cruzamento, mas através da probabilidade de cada bit ser
trocado entre os pais.
Pai 1: 11 11 0011 11 00001100 1100 1111 00 Filho 1: 11 00 0011 11 00001100 0011 1111 11
Pai 2: 11 00 1111 11 11110011 0011 1100 11 Filho 2: 11 11 1111 11 11110011 1100 1100 00
Figura 5.3 Exemplo de cruzamento uniforme.
5.1.4.3 Mutação
Mutação é o operador de modificação arbitrária de um ou mais genes dos
indivíduos escolhidos, sendo responsável pela introdução ou manutenção da diversidade
genética da população, visto que permite que o algoritmo manipule uma outra solução do
espaço de soluções. Este operador será aplicado em cada um dos bits com uma
probabilidade dada pela taxa de cruzamento pm de forma que os valores dos bits sejam
invertidos, ou seja, há a alteração de 0 para 1 ou de 1 para 0.
Antes: 11 0011001111 11 11 00 11
Depois: 00 0011001111 00 11 11 11
Figura 5.4 Exemplo de mutação.
5.1.4.4 Elitismo
Um outro operador genético, chamado de Elitismo, é uma variação do operador de
seleção, versão artificial da seleção natural, que permite a preservação das melhores
soluções. Uma elite genética pode guardar uma mesma quantidade (entre 1 a npop) de
melhores indivíduos ao longo das gerações para que não sejam destruídos pelos operadores
de Cruzamento e Mutação, ou perdidos se não forem selecionados para a reprodução. Esse
CAPÍTULO 5 – ALGORITMO GENÉTICO
68
artifício é necessário, pois apesar do algoritmo genético ser considerado evolutivo no
sentido de melhoria a cada iteração, uma boa solução pode ser descartada em uma geração
e não reaparecer nas futuras gerações.
5.1.5 Parâmetros genéticos
Segundo Castro (2001), a eficiência e o funcionamento de um AG é altamente
dependente dos seus parâmetros de controle. A calibração destes algoritmos é fundamental
no equilíbrio entre intensificação da busca e diversificação de soluções para evitar a
convergência prematura do algoritmo. Alguns parâmetros necessários para a
implementação do AG são:
Tamanho da população;
Número máximo de gerações;
Probabilidade de ocorrência de cruzamento;
Probabilidade de ocorrência de mutação.
O tamanho da população define a quantidade de cromossomos presentes em cada
população e deve ser determinada experimentalmente, pois afeta o desempenho global e a
eficiência dos AGs. A manipulação de uma população de grande número de indivíduos
fornecerá uma maior diversidade de soluções, visto que apresentará uma grande cobertura
do espaço de soluções e, conseqüentemente, soluções globais, ao invés das locais, são
favorecidas. No entanto, o custo computacional será alto. Por outro lado, a manipulação de
uma população pequena geralmente não possui este tipo de problema, contudo, poderá
pecar por uma pequena cobertura do espaço de soluções.
O número de gerações define o tamanho do espaço de busca a ser coberto e também
deve ser determinado experimentalmente. Este número irá influenciar a quantidade de
indivíduos substituídos em cada geração. Uma grande quantidade de gerações substituirá a
maior parte da população, favorecendo a busca, mas, com possível perda dos indivíduos
mais aptos. Por outro lado, um valor baixo pode tornar mais lenta a convergência.
A taxa de cruzamento irá definir qual a probabilidade de haver cruzamento entre os
indivíduos selecionados na população. Quanto maior for esta taxa, mais rapidamente novos
cromossomos serão introduzidos na população substituindo a maior parte da população, o
CAPÍTULO 5 – ALGORITMO GENÉTICO
69
que pode descartar indivíduos de alta aptidão. No entanto, a consideração de um valor
baixo poderá tornar a convergência muito lenta.
A taxa de mutação indicará a probabilidade de haver mutações das estruturas
selecionadas na população. Com uma taxa muito alta a busca se torna essencialmente
aleatória. Com uma taxa de mutação muito pequena se previne que uma dada posição
continue apresentando o mesmo valor ao longo da evolução, além de favorecer a busca no
espaço de soluções.
A influência de cada parâmetro no desempenho do AG dependerá da classe do
problema a ser resolvido. Segundo Coello (1999a), não existe uma regra determinística
para se estipular o tamanho da população e a probabilidade de utilização dos operadores
genéticos de modo a se obter uma adequada relação quanto aos tópicos de diversidade na
população e a capacidade de convergência dos AGs. Geralmente, em configurações
binárias considera-se o tamanho da população entre 30 e 200, probabilidade de cruzamento
entre 0,5 e 1,0 e probabilidade de mutação entre 0,001 e 0,05 (SRINIVAS & PATNAIK,
1994).
Segundo Lenive (1997), outras questões também devem ser consideradas ao se
optar pelo uso de AG. A convergência prematura é uma delas. Esta ocorre quando muitos
indivíduos na população possuem valores de alelos similares, o que resulta em um outro
indivíduo similar após o cruzamento. Algumas formas para melhorar seu desempenho
podem ser utilizadas, tais como, métodos de seleção alternativa e taxas de mutação
adaptativa.
O desconhecimento do quanto a solução fornecida pelo AG está próxima da
solução ótima é uma questão que deve ser trabalhada. O que tem sido feito é a escolha de
um apropriado critério de parada. Os critérios de parada podem envolver limites de
gerações, medidas de similaridade da população ou até mesmo a observação de nenhuma
mudança na função após um determinado número de gerações (LENIVE, 1997).
5.2 Algoritmo genético para problemas com restrições
A utilização de AGs tradicionais para a resolução de problemas com restrições pode
ser insatisfatório, principalmente pelo fato de não se ter certeza da viabilidade após os
processos de cruzamento e mutação (LENIVE, 1997). A questão principal é tratar as
CAPÍTULO 5 – ALGORITMO GENÉTICO
70
soluções inviáveis. O tratamento das restrições é uma recente área de estudo e proporciona
uma ampla área de pesquisa a ser desenvolvida. Neste trabalho, considera-se um problema
de localização pertencente à classe de problemas restritos.
Alguns procedimentos podem ser adotados para tratar dos problemas com
restrições. De acordo com Reeves (1997), as seguintes abordagens podem ser utilizadas:
técnicas de penalização, correção de soluções que não respeitam as restrições, múltiplos
objetivos, operadores modificados e modificação da formulação do problema. Tais técnicas
são detalhadas a seguir.
As técnicas de penalização penalizam a função objetivo no caso da solução ser
inviável. Entretanto, esta tentativa isolada geralmente falha. Isto porque, se a penalidade
for muito suave, muitas soluções inviáveis são permitidas na propagação. Por outro lado,
se a penalidade for muito severa, o cromossomo não participa mais do processo de
evolução, ou seja, a busca ficará confinada ao interior do espaço de busca, longe dos
extremos da região viável (ver CASTRO, 2001; BEASLEY & CHU, 1996; BEASLEY,
1993; GLOVER & LAGUNA, 1993; SMITH & TATE, 1993; FAIRLEY, 1991). Uma
característica dessas técnicas é a necessidade de se escolher “penas” apropriadas para cada
problema.
A reparação de soluções inviáveis aceita uma solução inviável, mas a corrige antes
de devolvê-la à população, representando uma forma de mutação (ZHOU et al., 2002).
Alguma justificativa biológica é freqüentemente usada para sustentar esta abordagem.
Seguindo esta linha, a solução inviável poderia ser tratada como um cromossomo imaturo.
Embora inicialmente demonstrado inadequado para sua finalidade, no entanto, pode ao
longo do tempo levar a uma solução razoável (ver HÖHN & REEVES, 1995; ORVOSH &
DAVIS, 1993; FALKENAUER & DELCHAMBRE, 1992; GORGES-SCHLEUTER,
1989).
A abordagem multiobjetivo das restrições sugere que seja usada a inviabilidade
como um objetivo adicional ao problema, e, assim, evita-se a introdução de penalidades
(CHU & BEASLEY, 1994).
A modificação de operadores também pode ser utilizada para tratamento das
restrições e, assim, torná-los apropriados para resolver o problema (ver RADCLIFFE &
GEORGE, 1993; RADCLIFFE, 1991).
CAPÍTULO 5 – ALGORITMO GENÉTICO
71
Uma outra abordagem é a modificação da formulação do problema restrito, a fim de
se obter uma relaxação das restrições (ver REEVES, 1996; STARKWEATHER et al.,
1991).
5.3 Algoritmo genético para problemas multiobjetivo
De acordo com van Veldhuizen & Lamont (2000), o estudo precursor sobre
tratamento de problemas multiobjetivo pelos AGs é apresentado em Schaffer (1985).
Contudo, somente a partir de Goldberg (1989) é que a utilização dos AGs para a resolução
destes problemas difundiu-se (ver SARKER et al., 2002 ,COELLO, 1999a; COELLO,
1999b; HANNE, 1999; FONSECA & FLEMING, 1995).
A principal razão dos AGs serem particularmente apropriados para resolver
problemas multiobjetivo é o fato de lidarem simultaneamente com um conjunto de
possíveis soluções eficientes em uma única execução do algoritmo, ao invés de ter que
realizar uma série de execuções das técnicas tradicionais de programação matemática
(COELLO, 1999a).
De acordo com Castro (2001), a utilização dos AGs em problemas multiobjetivo
tem as seguintes finalidades:
guiar a busca na direção do conjunto não-dominado;
manter a diversidade da população eficiente.
Atualmente, existem inúmeros procedimentos genéticos para a otimização
multiobjetivo (vide Van VELDHUIZEN & LAMONT, 2000). Os mais importantes
procedimentos são apresentados a seguir.
Schaffer (1985) apresenta o Vector Evaluated Genetic Algorithm (VEGA). Esse
algoritmo consiste em uma extensão do software GENESIS, desenvolvido por Grefenstette
(1984), através da incorporação de uma modificação do procedimento de seleção. O novo
procedimento combina a seleção proporcional à aptidão dos cromossomos com uma
seleção aleatória repetida para cada objetivo individualmente até se obter uma determinada
quantidade de cromossomos.
Fonseca & Fleming (1993) apresentam um procedimento de ordenação não-
dominado, para realizar a seleção, o chamado Multi-objective Optimization Genetic
Algorithm (MOGA). Esse algoritmo verifica todos os cromossomos, e, então, os indivíduos
CAPÍTULO 5 – ALGORITMO GENÉTICO
72
não-dominados são designados à posição 1, e os dominados são penalizados através do
posicionamento de acordo com a quantidade de indivíduos que os dominam.
Srinivas & Déb (1993) propõem o método Nondominated Sorting Genetic
Algorithm (NSGA) que classifica os cromossomos em vários níveis. Antes de se realizar a
seleção, a população é ordenada de acordo com o nível de não-dominância. Todos os
indivíduos não-dominados são classificados em uma categoria, recebendo um valor de
aptidão fantasma que é proporcional ao tamanho da população a fim de fornecer o mesmo
potencial reprodutivo. Para manter a diversidade da população, as soluções não-dominadas
compartilham os seus valores de aptidão. Então, esses indivíduos são ignorados e um outro
nível de indivíduos não-dominados é considerado. Este procedimento é repetido até que
toda a população seja classificada, sendo que gradativamente em cada nível é associado um
valor menor de aptidão compartilhada. Durante a reprodução, os indivíduos do primeiro
nível participam de mais cruzamentos do que os de outros níveis, visto que eles apresentam
a maior aptidão.
Horn & Nafpliotis (1993) apresentam o Niched Pareto Genetic Algorithm (NPGA)
que possui um esquema de seleção por torneio baseado na dominância de Pareto. Ao invés
de limitar a comparação a dois indivíduos, uma outra quantidade de indivíduos é usada
para verificar a dominância.
Deve-se destacar que os procedimentos descritos acima originalmente não lidam
com a inviabilidade as soluções não-dominadas dos problemas multiobjetivos. No entanto,
tais procedimentos poderiam se tornar apropriados a problemas restritos através da
incorporação de operadores adequados.
Segundo Coello (1999a), o método de soma ponderada ainda é um dos mais
utilizados nos problemas multiobjetivos, podendo ser aplicado a problemas com restrições.
Consiste na soma dos produtos entre os objetivos e seus correspondentes pesos para o
cálculo da aptidão Z , onde são os coeficientes ponderados que
representam a importância relativa dos objetivos e assume-se que ∑ . No entanto,
para que os correspondam de fato a importância dos objetivos, todas as funções devem
ser expressas em unidades de valores numéricos aproximadamente iguais. Normalmente, o
vetor critério é escalarizado. Pelo fato dos resultados da resolução de um modelo de
( )λi ii K
f∈
=∑ x λ 0i
λ 1ii K∈
=
λi
CAPÍTULO 5 – ALGORITMO GENÉTICO
73
otimização variarem significativamente de acordo com a alteração dos coeficientes de
ponderação e por geralmente poucas pessoas saberem como escolher esses coeficientes,
um procedimento necessário é resolver o mesmo problema com novos valores de .
Então, o decisor escolhe a mais apropriada solução baseada em sua intuição.
λ
CAPÍTULO 6
UM MODELO DE LOCALIZAÇÃO DINÂMICA MULTIOBJETIVO 6.1 Introdução
A localização dinâmica multiobjetivo se refere ao problema de localização no qual
múltiplos objetivos devem ser considerados em um horizonte de planejamento, sendo que a
parte dinâmica está relacionada aos múltiplos períodos de tempo considerados no
planejamento. O problema de localização dinâmica multiobjetivo considerado é o de
determinar os locais para a instalação de atividades econômicas e determinar as
associações entre estas atividades e os centros consumidores de demanda unitária1 de
forma a satisfazer os objetivos e as restrições. Considera-se um único tipo de atividade
econômica que pode ser instalada em vários locais diferentes. Conseqüentemente, podem-
se ter várias atividades econômicas idênticas em uma região produzindo os mesmos bens
e/ou serviços. Além disso, cada atividade instalada representa a concentração das
atividades administrativa, de P&D e de produção/serviço.
Uma classe de problemas de localização que não é contemplada por este trabalho é
aquela que considera múltiplos níveis hierárquicos de atividades para serem instaladas.
Este tipo de problema pode ter como propósito: determinar o número e a localização de
atividades em cada nível, o fluxo de produtos entre as atividades dos diferentes níveis e a
associação entre clientes e atividades no último nível. Para estudos mais detalhados sobre
este tema, ver Tragantalerngsak et al. (2000).
O modelo de planejamento de localização proposto é um problema de programação
multiobjetivo linear 0-1. Para o desenvolvimento deste modelo, assume-se que a
1 O centro consumidor demanda apenas por um vínculo com uma atividade instalada para suprir suas necessidades de bens e/ou serviços.
CAPÍTULO 6 – UM MODELO DE LOCALIZAÇÃO DINÂMICA MULTIOBJETIVO
75
localização da atividade econômica é realizada em nível macrogeográfico e que, uma vez
instalada, a localização não poderá mudar durante o horizonte de tempo em estudo, dessa
forma, não é aceita uma relocalização. Assume-se, também, que as condições futuras – tais
como custos, incentivos, vantagens, tempo, investimentos públicos, entre outros – sejam os
mais prováveis de ocorrer e que as funções objetivo podem ser estabelecidas a partir de
determinados fatores locacionais.
6.2 Especificação do modelo
O modelo proposto assume a hipótese de que o problema pode alocar n atividades
econômicas de um mesmo tipo ao conjunto I de possíveis locais para a
instalação ao longo de um horizonte de planejamento
1 2{ , , ..., }=
{ ,
n
1 2, ..., }fT . Cada local deve
receber apenas uma atividade econômica. Considera-se que m centros consumidores ou
clientes devem ser associados às atividades instaladas, sendo J o conjunto
dos centros consumidores. Os conjuntos de potenciais locais e de clientes são considerados
fixos e conhecidos previamente. O modelo fundamenta-se em dois fatores locacionais
quantitativos e um fator locacional qualitativo resultante da agregação de subfatores
para estabelecer seus objetivos.
t
m
=
1 2{ , ,= ..., }
1 2 3 4 5{ , , , , }P =
Os parâmetros utilizados são os seguintes:
itf
∈
, custo de investimento/instalação/operação de uma atividade no local i no período
;
I∈
t T
ijtd
i ∈
, tempo de acesso/conexão/atendimento médio entre a atividade instalada no local
e o centro consumidor no período t T ; I j J∈ ∈
itq , avaliação total do benefício agregado ao local i no período t T ; I∈ ∈
ijtq , avaliação total do benefício agregado ao acesso/conexão/atendimento entre a
atividade instalada no local i e o centro consumidor no período t T ; I∈ j J∈ ∈
pitF
p P∈
, julgamento do benefício agregado ao local i no período t segundo o subfator
;
I∈ T∈
CAPÍTULO 6 – UM MODELO DE LOCALIZAÇÃO DINÂMICA MULTIOBJETIVO
76
pijtF , julgamento do benefício agregado ao acesso/conexão/atendimento entre a atividade
instalada no local i e o centro consumidor no período t segundo o
subfator ;
I∈ j J∈ T∈
p P∈
tR , orçamento disponível no período t T ; ∈
b , capacidade de associação da atividade instalada.
As variáveis de decisão do modelo são booleanas e definidas da seguinte forma:
1ity = , se a atividade for instalada no local i no período t , ou 0, caso contrário; I∈ T∈
1ijtx = , se o centro consumidor for associado a atividade instalada no local i I
no período t , ou 0, caso contrário.
j J∈ ∈
T∈
6.3 Funções objetivo
Três funções objetivo lineares foram estabelecidas a partir dos fatores que mais
influenciam a decisão locacional de atividades econômicas de base tecnológica. Os fatores
considerados são os seguintes: custo, proximidade dos mercados consumidores e
benefícios agregados. Sendo este último o resultado da agregação de cinco outros fatores:
economias de aglomeração, disponibilidade de mão-de-obra qualificada, infra-estrutura
local, tributação e incentivos fiscais e qualidade de vida. Os fatores custo e proximidade
dos mercados são quantitativos, os demais fatores são qualitativos. Detalhes sobre os
fatores considerados são apresentados no capítulo 4.
A primeira função objetivo está relacionada ao fator custo e consiste na soma dos
custos de instalação/operação das atividades econômicas durante o horizonte de tempo:
( )1t Ti I
Z y itf yit∈∈=∑∑
O tempo de acesso/conexão/atendimento médio entre a atividade instalada e seu
centro consumidor relacionado é representado pela segunda função objetivo:
CAPÍTULO 6 – UM MODELO DE LOCALIZAÇÃO DINÂMICA MULTIOBJETIVO
77
( )2t Ti I j J
iZ x jt ijtd x∈∈ ∈
=∑∑∑
Os benefícios esperados através das instalações e conexões durante o horizonte de
tempo são representados pela última função objetivo:
( )3 ,t T t Ti I j J i I
Z x y ijt ijt it itq x q y∈ ∈∈ ∈ ∈
= +∑∑∑ ∑∑
ijtp P
pijtq F∈
= ∑
itp P
q pitF∈
= ∑
onde 1 2 3 4 5{ , , , , }, , , ,pijt p P i I j J t TF ∀ ∀ ∀ ∀= ∈ ∈ ∈ ∈
1 2 3 4 5{ , , , , }, , ,pit p P i I t TF ∀ ∀ ∀= ∈ ∈ ∈
A escolha locacional deverá proporcionar vantagem competitiva para a empresa e
satisfação para os funcionários. Para tanto, o benefício agregado ao local, q , e o benefício
agregado ao atendimento aos clientes pelas atividades instaladas, q , devem refletir o
julgamento subjetivo dos benefícios das localizações e das possíveis conexões à luz de 5
subfatores:
it
ijt
p : economias de aglomeração; 1=
p : mão-de-obra qualificada; 2=
p : infra-estrutura local; 3=
p : tributação e incentivos fiscais; 4=
p : qualidade de vida. 5=
CAPÍTULO 6 – UM MODELO DE LOCALIZAÇÃO DINÂMICA MULTIOBJETIVO
78
O decisor deverá fazer o julgamento dos benefícios de cada local e de cada conexão
considerando uma escala de notas que varia de 1 a 5:
F : benefício extremamente baixo; 1=
F : benefício baixo 2=
F : benefício razoável; 3=
F : benefício alto; 4=
F : benefício extremamente alto. 5=
O benefício total de cada local e de cada conexão é obtido pela soma das
pontuações associadas aos 5 subfatores.
6.4 O Modelo dinâmico multiobjetivo
O problema dinâmico multiobjetivo pode ser representado pelo seguinte modelo de
programação multiobjetivo linear 0-1:
{ }
{ }{ }
1 2 3
, 1
(PDML-01) , ,
, 6
= 1, 6 2
, ,
, ,
, ,
0 1 , , 6
( ) ( ) ( , )
( . )
, (
( . )
( . )
\ (
, (
it it ti I
ijti I
ijt itj J
ijt itj J
it i t f
it
Minimize Z y Z x Z x y
Sujeito a f y R t T
x j J t T
x by i I t T
x y i I t T
y y i I t T t
y i I t T
∈
∈
∈
∈
+
−
∀ ∈
∀ ∈ ∀ ∈
∀ ∈ ∀ ∈
∀ ∈ ∀ ∈
∀ ∈ ∀ ∈
∈ ∀ ∈ ∀ ∈
∑
∑
∑
∑
{ }
6
0 1 , , , 6 7
)
, (ijtx i I j J t T∈ ∀ ∈ ∀ ∈ ∀ ∈
1
6 3
6 4
6 5
. )
. )
.
. )
CAPÍTULO 6 – UM MODELO DE LOCALIZAÇÃO DINÂMICA MULTIOBJETIVO
79
O modelo multiobjetivo acima possui restrições
principais lineares e
(2 1f f f ft m t n t n t+ + + − )
f ft n t+nm variáveis de decisão binárias 0-1, sendo as fn t variáveis
as variáveis estratégicas, e as ity fnm variáveis x , as táticas. t ijt
Nessa formulação, os seguintes objetivos no horizonte de planejamento estão
presentes: minimizar os custos de instalação/operação da atividade { , minimizar o
tempo de acesso/conexão/atendimento da atividade ao seu centro de consumo { } e
maximizar obtenção dos benefícios agregados ao local e às associações { } .
Assumindo a forma de problema de minimização para o último objetivo, tem-se a seguinte
equivalência:
( )1Z y }( )2Z x
( )3 ,Z x y
( ) ( ){ }3 3, ,Max Z x y Min Z x y⇔ − −
As restrições principais do problema são lineares e podem ser agrupadas em cinco
tipos. As exigências de cada uma delas são apresentadas a seguir:
(6.1) A soma dos gastos em cada período t não deve ultrapassar o orçamento disponível
do período;
(6.2) Em cada período t , cada centro consumidor deve ser associado a apenas uma
atividade econômica instalada no local i . Em outras palavras, deve ter apenas uma
conexão;
j
(6.3) Em cada período t , se nenhuma atividade for instalada no local i , então nenhum
centro consumidor pode estar associado a este local. Além disso, no caso de uma
atividade instalada, o número de centros consumidores associados a ela não deve
ser superior à sua capacidade. Uma situação indesejada que é permitida por esta
restrição é a do local i receber uma atividade e não atender a nenhum cliente.
(6.4) Em cada período t , se uma atividade for instalada no local i , então essa atividade
deverá atender a pelo menos um cliente. Com isto evita-se a situação indesejada
que é permitida pela restrição anterior.
CAPÍTULO 6 – UM MODELO DE LOCALIZAÇÃO DINÂMICA MULTIOBJETIVO
80
(6.5) A atividade que for instalada no local i não poderá ser removida durante o
horizonte de tempo considerado. Assim, não se considera a possibilidade de haver
uma relocalização.
(6.6) Se a atividade for instalada no local i no período t T , é igual a 1; caso
contrário, y é igual a 0.
I∈ ∈ ity
it
(6.7) Se o centro consumidor for associado a atividade instalada no local i no
período t T , x é igual a 1; caso contrário, x é igual a 0.
j J∈ I∈
∈ ijt ijt
Pode-se esperar que os parâmetros do modelo apresentem ordem de grandeza muito
diferentes, neste caso, deve-se realizar o procedimento de escalarização do mesmo (ver
STEUER, 1986).
A solução do modelo PDML-01 informará os locais para a instalação das atividades
econômica e as associações entre centros consumidores e atividades instaladas ao longo do
horizonte de planejamento.
Os problemas de localização podem tornar-se bastante difíceis, visto que envolvem
a análise de uma grande quantidade de variáveis relacionadas a decisão locacional e de
escolhas viáveis que necessitam ser consideradas para a implantação. Além disso, sua
natureza combinatorial faz com que o custo computacional de sua resolução seja alto.
Dessa forma, a principal dificuldade para a resolução do problema PDML-01 é sua
complexidade, pois a obtenção de soluções exatas em tempo polinomial não é possível.
Isto porque, sendo um problema simplificado da classe NP-árduo, o problema de
localização considerado também será da mesma classe (KRARUP & PRUZAN, 1983;
GAREY & JOHSON, 1979). Portanto, um método heurístico pode ser o procedimento
mais apropriado para resolver o modelo proposto. O sucesso dos algoritmos genéticos na
resolução de problemas combinatórios os torna fortes candidatos para resolver o problema
PDML-01.
CAPÍTULO 7
O ALGORITMO GENÉTICO PROPOSTO 7.1 Introdução
O algoritmo proposto resolve um modelo auxiliar de único objetivo que é
construído a partir do modelo PDML-01 apresentado no capítulo 6. O modelo auxiliar
possui uma função escalar resultante da agregação ponderada (método ponderado) dos três
objetivos presentes no PDML-01.
As seguintes restrições são assumidas como sendo as novas restrições do tipo 1 e 3
do modelo auxiliar:
Restrição 1 : t Ti Iit it Rf y
∈∈≤∑∑
Restrição 3: , ,j J
ijt it i I t Tx my∈
≤ ∀ ∈ ∀∑ ∈
onde R é o orçamento disponível para todo o horizonte do planejamento.
Estas novas restrições informam que:
Restrição 1 : A soma dos gastos de todos os períodos t não deve ultrapassar o orçamento
total disponível R ;
Restrição 3: Em cada período t , cada atividade instalada no local i , possui capacidade
para se associar a todos os clientes, ou seja, b m . =
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
82
O modelo multiobjetivo resultante possui 1 2 restrições
principais lineares, permanecendo com as
(f f fm t n t n t+ + + − )1
f fn tnm variáveis de decisão binárias 0-1. t +
O algoritmo genético proposto incorpora operadores de correção e de penalização
adequados para tratar as soluções inviáveis do modelo considerado. Ao final da execução
do algoritmo, é fornecido um conjunto de soluções não-dominadas da elite para a
apreciação do decisor. Decisor, neste trabalho, é considerado uma única pessoa ou um
grupo em que haja consenso em suas decisões. A decisão será a escolha de uma solução
não-dominada que seja a mais aceitável.
7.2 Codificação do cromossomo
Devido ao problema considerado ser do tipo 0-1, uma codificação binária para os
cromossomos é adotada. Cada componente do cromossomo corresponde a uma variável da
solução binária e respeita a seguinte seqüência.
wX , , ,ijt it i I j J t Tx y ∀ ∀ ∀ = ∈ ∈ ∈
( ) ( ) (( ) ( ) (
( ) ( ) (( ) ( )
w111 121 1 1 211 221 2 1 11 21 1
112 122 1 2 212 222 2 2 12 22 2
11 12 1 21 22 2 1 2
11 21 1 12 22 2 1 2
X ... ... ... ...
... ... ... ......
... ... ... ...
... ... ... ...
ff f f f f f f f
f f
m m n n
m m n n
nmtt t mt t t mt n t n t
n n t t
x x x x x x x x x
x x x x x x x x x
x x x x x x x x x
y y y y y y y y
=
( )fnty
))
)
nm
nm
A quantidade de genes que cada cromossomo possui, ou seja, a quantidade de
variáveis de cada solução, é chamada de lchrom e é definido por nm . f ft n t+
Uma representação de seqüenciamento de variáveis de um cromossomo é mostrada
a seguir para o caso de n , e t . Nesta situação, cada cromossomo será
constituído por 30 genes/variáveis.
3= 4m = 2f =
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
83
111 121 131 141 211 221 231 241 311 321 331 341
112 122 132 142 212 222 232 242 312 322 332 342
11 21 31 12 22 32
X x x x x x x x x x x x xx x x x x x x x x x x x
y y y y y y
=
Deve-se notar que a variável y (local 1 no tempo 1) está relacionada às variáveis
, x , x e x , ou seja, o local 1 no período 1 poderia atender aos 4 clientes. As
outras correlações são:
11
111x 121 131 141
21 211 221 231 241e , ,y x x x x→
31 311 321 331 341e , ,y x x x x→
12 112 122 132 142e , ,y x x x x→
22 212 222 232 242e , ,y x x x x→
32 312 322 332 342e , ,y x x x x→
7.3 População inicial
A geração da população inicial de npop indivíduos é feita de forma parcialmente
aleatória dentro do espaço de soluções viáveis para agilizar a geração, o que representa um
processo de geração orientada para o caso particular do modelo considerado. Este processo
é detalhado a seguir:
7.3.1 Geração aleatória de valores para yit
.
A partir de cada local i referente a cada período t , escolhe-se aleatoriamente entre
0 ou 1 para as variáveis y . it
Ex.1: 11 12 21 22 31 32e e e ; ;y y y y y y
Deve-se respeitar a condição de que, se um local receber uma atividade em um
período, esta atividade deve permanecer no local pelos períodos seguintes. Essa exigência
diz respeito à satisfação da restrição do tipo 5 do modelo proposto.
1 Todos os exemplos deste capítulo estão relacionados ao caso n = 3, m = 4 e tf = 2.
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
84
7.3.2 Garantia de instalação
Segundo a restrição do tipo 2 no modelo proposto, em cada período, cada centro
consumidor deverá ter conexão com alguma atividade econômica, portanto, é necessário
que pelo menos um local receba uma atividade para atender os centros consumidores.
Ex.: 11 21 31 12 22 321 1; ;y y y y y y+ + + +
Caso isto não ocorra, é necessário, outra vez, gerar aleatoriamente valores para y . it
7.3.3 Garantia de viabilidade orçamentária
Deve-se verificar se a restrição do tipo 1 é respeitada.
Ex.: 11 11 21 21 31 31 12 12 22 22 32 32f y f y f y f y f y f y R+ + + + +
Caso isto não ocorra, é necessário gerar aleatoriamente novos valores para y . it
7.3.4 Geração aleatória de valores para x ijt
Escolhe-se aleatoriamente entre 0 ou 1 para as variáveis x referentes a cada
período t , da seguinte forma:
ijt
1) De acordo com a restrição do tipo 3, se determinado local i não receber atividade em
um período t ( ), este local não terá associação com nenhum cliente. 0ity =
Ex.: Para o local 2 no período 1: se , então x x x . 21 0y = 211 221 231 241 0x+ + + =
2) De acordo com a restrição do tipo 4, se determinado local i receber atividade em um
período t ( 1y ), este local terá associação com pelo menos um cliente. it =
Ex.: Para o local 2 no período 2: se y , então x x x . 22 1= 212 222 232 242 1x+ + +
7.3.5 Garantia de associação
Em cada período, cada cliente deverá ter conexão com apenas uma atividade
econômica instalada (restrição do tipo 2).
Ex.: Para o cliente 4 no período 2: x x . 142 242 342 1x+ + =
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
85
Caso isto não se verifique, é necessário gerar aleatoriamente novos valores para
. ijtx
Eventualmente poderá existir mais de uma cópia de algum indivíduo na geração
inicial.
Algumas representações de soluções viáveis do ponto de vista das restrições2 do
tipo 2, 3, 4 e 5 são dadas a seguir.
X1 = [ 1110 0001 0000 : 1010 0001 0100 : 110:111 ]
X2 = [ 1000 0101 0010 : 0010 1001 0100 : 111:111 ]
X3 = [ 0000 0000 1111 : 0110 0000 1001 : 001:101 ]
X4 = [ 0110 0000 1001 : 1010 0001 0100 : 101:111 ]
X5 = [ 0100 0011 1000 : 0100 1001 0100 : 111:111 ]
X6 = [ 0000 0000 1111 : 0100 0010 1001 : 001:111 ]
X7 = [ 0000 1111 0000 : 0000 1100 0011 : 010:011 ]
7.4 Avaliação da aptidão
A função objetivo pode fornecer um bom indicador do quanto cada indivíduo está
adaptado ao ambiente. Portanto, a função objetivo do problema auxiliar descrito na seção
7.1, ou seja, a função escalar, é considerada como sendo a medida de aptidão/desempenho
dos indivíduos/soluções. Tal função é montada pela soma ponderada dos três objetivos do
PDML-01 na forma de minimização. Assim, a melhor aptidão, isto é, o melhor
desempenho, será o da solução que possuir o menor valor da função escalar abaixo.
( ) ( ) ( ) ( )1 1 2 2 3 3λ λ λ, ,Minimize Ze x y Z y Z x Z x y= + −
onde é o peso ou importância da função objetivo k K e considerando
que e . Observa-se que os valores de
λk
λi K∈∑
{1 2 3, ,∈ =
(
}1i = λ 0i ),x yZe podem ser positivos ou
negativos.
2 A viabilidade em relação a restrição do tipo 1 dependerá da especificação dos custos e do orçamento.
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
86
7.5 Ordenação
Consiste na distribuição de rótulos para os indivíduos, chamados de ordem no caso
da população gerada e de ordemelite para a elite. Tal distribuição é feita em ordem
decrescente de valor da adaptação, ou seja, ordem crescente do valor de ( ),x yZe .
Portanto, à cada indivíduo corresponderá uma ordem/ordemelite que vai de 1 até npop, de
forma que o indivíduo de melhor aptidão, ou seja, o de menor valor de ( ),x yZe , receba a
ordem/ordemelite 1, e o indivíduo de pior aptidão, ou seja, o de maior valor de ( ),Ze x y , a
ordem/ordemelite npop. Em caso de empate de aptidão, a distribuição dos rótulos é feita
aleatoriamente entre os indivíduos empatados.
7.6 Seleção
É adotada a seleção por torneio de dois para escolher os cromossomos que devem
participar do processo reprodutivo e assim gerar descendentes. Neste critério de seleção,
sorteiam-se dois indivíduos da população e então é realizado um torneio entre eles. Vence
aquele indivíduo que possuir maior aptidão, o que é representado pelo menor valor da
função ( ),Ze x y ; em caso de empate, a escolhe é feita aleatoriamente entre os dois. Esse
procedimento é realizado lchrom vezes em cada geração.
7.7 Cruzamento
Após a operação de seleção ser realizada, os cromossomos selecionados são
agrupados aleatoriamente em pares e a uma probabilidade pc ocorre o cruzamento entre tais
pares. O operador de cruzamento considerado utiliza apenas um ponto. Este ponto,
escolhido aleatoriamente entre 1 e lchrom , indica a posição onde é feito um corte no
cromossomo. Em seguida, as informações genéticas que estiverem à direita deste ponto são
trocadas entre os pares de cromossomos pais, resultando nos cromossomos filhos. Caso
não haja cruzamento, os filhos serão cópias idênticas dos pais.
1−
Uma característica desse procedimento é que, ao final do cruzamento, não se
garante que os descendentes apresentem viabilidade. A questão do tratamento da
inviabilidade das soluções é abordada mais adiante.
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
87
7.8 Mutação
Cada elemento do cromossomo (bit) é considerado para sofrer uma mutação a uma
determinada probabilidade pm. Em caso de mutação, o gene do cromossomo terá seu valor
trocado.
7.9 Correção
Uma vez que os cromossomos filhos tenham sido gerados, é feita uma verificação
de sua viabilidade em relação às restrições do tipo 2, 3 e 4. Em caso de violação destas
restrições, realiza-se uma modificação na estrutura do cromossomo a fim de que tais
restrições sejam respeitadas. De certa forma, este operador representa um tipo de mutação
nos cromossomos filhos.
A correção é realizada primeiro nas variáveis do tipo x e, em seguida, nas
variáveis do tipoy .
ijt
it
Inicialmente, a viabilidade pela restrição do tipo 2 é verificada. O não atendimento
dessa restrição significa que se tem, em algum período, algum cliente que está associado a
mais de uma atividade instalada ou a um local que não recebeu a instalação de alguma
atividade. Uma ilustração desta situação é dada a seguir.
X = [ 0010 0000 0101 : 0110 1000 0011 : 101:111 ]
Na solução apresentada, há 3 conexões no período 1 e 5 conexões no período 2. Os
pontos de inviabilidade são citados abaixo.
1) Para o cliente 1 no período 1: x x , ou seja, não houve
associação deste cliente a nenhum local.
111 211 311 0 0 0x+ + = + + = 0
22) Para o cliente 3 no período 2: x x , ou seja, o cliente 3
recebeu duas associações, uma com o local 1 e a outra com o local 3.
132 232 332 1 0 1x+ + = + + =
Nesta situação de inviabilidade, para cada cliente , escolhe-se o local i de menor
valor de função para associação, não formando conexão com as demais posições.
Eventualmente, algum local que não havia recebido a instalação de uma atividade poderá
j
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
88
ter uma instalação. Como resultado desse procedimento, tem-se um número total de
associações em cada período igual ao número de clientes.
Após a correção, o exemplo apresentado acima fica da seguinte forma:
X = [ 0010 0000 1101 : 0110 1000 0001 : 101:111 ]
Neste caso, há 4 conexões no período 1 e 4 conexões no período 2, o que
corresponde a uma situação de viabilidade. Os pontos que sofreram correção são
mostrados a seguir.
1) Para o cliente 1 no período 1: x x , ou seja, o cliente 1
foi associado ao local 3.
111 211 311 0 0 1x+ + = + + = 1
12) Para o cliente 3 no período 2: , ou seja, o cliente 3
foi associado ao local 1.
132 232 332 1 0 0x x x+ + = + + =
Finalizada a correção das variáveis do tipo x , inicia-se a correção das variáveis
do tipo y , tal procedimento diz respeito a satisfação das restrições do tipo 3 e 4. Os
valores de y são ajustados de acordo com os valores das variáveis do tipo x
considerando as seguintes orientações:
ijt
it
it ijt
1) Se o número de associações de cada atividade em cada períodot for maior ou igual a 1,
significa que o local i recebeu a atividade no período t . Em outras palavras, para i e
conhecidos, se t 1ijtj J∈x∑ , então y . 1it =
2) Se o número de associações for nulo, significa que o local i não recebeu nenhuma
atividade no período t . Em outras palavras, para i e t conhecidos, se 0ijtj Jx
∈=∑ ,
então . 0ity =
Tais orientações são respeitadas na representação abaixo, sendo detalhadas para
cada para i e t logo em seguida.
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
89
X = [ 1111 0000 0000 : 1010 0000 0101 : 100:101 ]
Para o local 1 no período 1: 111 121 131 141 111 1 1 1 4 1x x x x y+ + + = + + + = ⇒ = 1
0
0
1
0
1
Para o local 2 no período 1: 211 221 231 241 210 0 0 0 0x x x x y+ + + = + + + = ⇒ =
Para o local 3 no período 1: 311 321 331 341 310 0 0 0 0x x x x y+ + + = + + + = ⇒ =
Para o local 1 no período 2: 112 122 132 142 121 0 1 0 2 1x x x x y+ + + = + + + = ⇒ =
Para o local 2 no período 2: 212 222 232 242 220 0 0 0 0x x x x y+ + + = + + + = ⇒ =
Para o local 3 no período 2: 312 322 332 342 320 1 0 1 2 1x x x x y+ + + = + + + = ⇒ =
7.10 Penalização
Este operador está relacionado às restrições do tipo 1 e 5. A restrição do tipo 1 diz
respeito a uma limitação orçamentária. Já a restrição do tipo 5 está relacionada a uma
situação em que, se algum local receber uma atividade econômica em algum período,
deverá haver a permanência desta atividade no mesmo local pelos períodos subseqüentes;
em outras palavras, não se deseja uma relocalização.
Para a inviabilidade pelas restrições 1 ou 5, penaliza-se a função de avaliação
( ),Ze x y com um alto valor (Penalidade) para cada restrição violada, desta forma a aptidão
do indivíduo inviável será reduzida. Esse procedimento é representado da seguinte forma:
( ) ( ) =
, ,Ze x y Ze x y Penalidade nrviol
Penalidade lchromµ
← + ×
×
onde nrviol é o número de restrições violadas e é o mais alto coeficiente, em módulo, da
função
µ
( ),Ze x y
( ijtx +
de um determinado problema. A Penalidade é representada por uma
função cujos coeficientes das lchrom variáveis ( são iguais a e todas essas
variáveis são iguais a 1. Dessa forma, a Penalidade será um valor superior ao
maior valor possível para
))
ijt itx y+ µ
ity
( ),x yZe e o valor de qualquer função penalizada será maior do
que o valor de qualquer função não-penalizada.
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
90
Como o operador de penalização não corrige a inviabilidade das soluções, apenas
as penaliza, indivíduos inviáveis poderão permanecer na população, ser selecionados e
gerar descendentes. No entanto, uma solução inviável não poderá pertencer a um conjunto
das melhores soluções, como será apresentado na próxima seção.
Depois de realizar a penalização, podem-se ter duas novas situações no momento
da seleção por torneio de dois.
1) Se um indivíduo é viável e o outro inviável, ganha aquele que é viável, pois a função
de avaliação do indivíduo inviável já está penalizada, sendo, portanto, um valor muito
grande;
2) Se os dois indivíduos são inviáveis, ganha aquele que possuir o menor número de
restrições violadas, pois sua função de avaliação é a menos penalizada. Em caso de
empate, a escolha é feita aleatoriamente entre os dois.
7.11 Elitismo
O operador elitismo é incorporado ao algoritmo de forma que uma elite seja
montada para receber uma quantidade de indivíduos igual a npop. Inicialmente, a elite
apresenta os mesmos elementos que a geração inicial e, portanto, a mesma ordenação
(ordem decrescente de adaptação, ordemelite = ordem). Pelo fato desses indivíduos serem
viáveis, a elite inicial também será viável, e deverá permanecer assim ao longo de todo o
processo evolutivo.
Ao final de cada geração, a elite poderá ser atualizada, o que significa a troca de
alguns indivíduos da elite por novos indivíduos viáveis, chamados de candidatos, presentes
na população. No entanto, deve ser realizada previamente a comparação dos cromossomos
gerados, que são os candidatos a entrar na elite, com os cromossomos da elite. Esse
procedimento começa com a comparação da ordem 1 (o melhor da população gerada) com
a ordemelite npop (o pior da elite), em seguida, a ordem 2 com a ordemelite , e,
assim, sucessivamente. Dessa forma, a comparação dos cromossomos gerados começa a
partir do indivíduo de ordem 1, indo progressivamente até o indivíduo de ordem npop;
enquanto que a comparação da elite ocorre em sentido oposto, ou seja, começa do
indivíduo de ordemelite npop, indo na direção de ordemelite 1. Este processo é
apresentado na Figura 7.1.
1npop −
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
91
População gerada: [ ordem 1 ordem npop]
Elite: [ ordemelite 1 ordemelite npop]
Figura 7.1 Sentido da comparação entre a população gerada e a elite.
Para que de fato a troca ocorra, o indivíduo candidato não poderá ter cópia na elite
e deve ter aptidão melhor do que a aptidão do indivíduo da elite que está sendo comparado.
Dessa forma, os seguintes procedimentos devem ser considerados:
1) Se algum indivíduo for inviável, ele não é candidato a substituir a elite. A comparação
com a elite não chegará a ser realizada, pois, sabe-se que como a formação inicial da
elite é de indivíduos viáveis, qualquer solução ainda inviável possui aptidão pior do
que qualquer um indivíduo da elite, visto que sofreu penalização. Então, finaliza-se a
operação de atualização e o indivíduo inviável não entra na elite.
2) Caso haja alguma cópia do indivíduo candidato na elite, passa-se para a ordem
seguinte, ou seja, avalia-se um outro indivíduo candidato, permanecendo fixa a mesma
ordemelite para a comparação.
3) Se em algum momento o indivíduo candidato for pior do que o indivíduo da elite, o
processo de atualização da elite é encerrado.
7.12 Critério de término
O algoritmo é finalizado depois de se alcançar o número máximo de gerações.
7.13 Não-dominância
Após a finalização do processo evolutivo, os indivíduos não repetidos presentes na
elite passam por uma avaliação de não-dominância, segundo a definição 2.1 que é
reapresentada a seguir.
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
92
Definição: O vetor objetivo ( 1 2, , ..., kkz z z= ∈
( 1 2, , ...,k
kz z z= ∈
))
Z é chamado de não-dominado, se, e
somente se, não existe outro Z tal que Z e Z≤ ii z<z para
pelo menos um i k . { }1 2, , ...,∈
O indivíduo de maior aptidão, que é o de ordemelite 1, domina os outros indivíduos
da elite, assim, o teste de não dominância é realizado para os demais indivíduos não
repetidos da elite.
Em seguida, um conjunto de indivíduos/soluções não-dominados é fornecido ao
decisor para a avaliação. Caso estas soluções não sejam satisfatórias, inicia-se um processo
interativo onde novos valores de parâmetros são introduzidos no processo de evolução. Em
caso contrário, o processo é finalizado. A quantidade de indivíduos do conjunto não-
dominado dependerá da qualidade das soluções presentes na elite na última geração.
7.14 O algoritmo
O AG implementado poder ser descrito pelos seguintes passos:
0) Leitura dos parâmetros.
1) Inicialização da população viável inicial, Geração := 0.
2) Inicialização da elite.
3) Cálculo da aptidão da população gerada e da elite.
4) Ordenação da população gerada e da elite.
5) Geração := Geração + 1.
6) Seleção.
7) Cruzamento e Mutação.
8) Correção, em caso de inviabilidade das restrições do tipo 2, 3 e 4.
9) Cálculo da aptidão da população gerada.
10) Penalização, em caso de inviabilidade das restrições do tipo 1 e 5.
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
93
11) Ordena nova população gerada.
12) Atualiza elite.
13) Ordena elite.
14) Se Geração > (número máximo de gerações), então vá para o passo 15. Caso
contrário, retorne ao passo 5.
15) Avalia não-dominância da elite.
16) Se elite não-dominada for satisfatória, então pare. Caso contrário, faça leitura dos
novos ’s e retorne ao passo 3. λ
Esta estrutura é representada pelo pseudocódigo abaixo.
PPrroocceeddiimmeennttoo eevvoolluuttiivvoo pprrooppoossttoo
iinníícciioo
gg ←← 00
iinniicciiaalliizzee ( )P g ee ( )E g
eennqquuaannttoo ssoolluuççããoo )(maxgenE nnããoo--ddoommiinnaaddaa nnããoo ffoorr ssaattiissffaattóórriiaa,, ffaaççaa
aavvaalliiee ee oorrddeennee ( )P g ee ( )E g
eennqquuaannttoo g maxgen ,, ffaaççaa
gg ←← gg ++ 11
sseelleecciioonnee ( )P g aa ppaarrttiirr ddee 1 ( )P g −
ccrruuzzaammeennttoo ee mmuuttaaççããoo ( )P g
ccoorrrreeççããoo ( )P g
aavvaalliiee ( )P g
ppeennaalliizzaaççããoo ( )P g
oorrddeennee ( )P g
aattuuaalliizzee ee oorrddeennee ( )E g
CAPÍTULO 7 – O ALGORITMO GENÉTICO PROPOSTO
94
ffiimm ddoo eennqquuaannttoo
aavvaalliiee nnããoo--ddoommiinnâânncciiaa ( )E maxgen
ffiimm ddoo eennqquuaannttoo
ffiimm
onde é a população da geração g , ( )P g ( )E g é a população da elite na geração g e
é o número máximo de gerações. maxgen
CAPÍTULO 8
EXPERIMENTOS COMPUTACIONAIS 8.1 Características de hardware e software
A implementação do Algoritmo Genético de Correção e Penalização proposto
(AGCP) foi realizada em Delphi 5.0 e os testes computacionais foram executados em
microprocessador Pentium 933 MHz, com 512 MB de RAM.
8.2 Inicialização dos parâmetros
Para efeito de testes computacionais, os parâmetros do modelo multiobjetivo
dinâmico 0-1 foram gerados aleatoriamente, sendo distribuídos dentro dos limites dados
abaixo, e considerou-se um orçamento disponível R de 75% do somatório de todos os
coeficientes de custo gerados.
[ ]0 10,...,itf =
[ ]0 10,...,ijtd =
1 1,...,itq = − − 0 0 e q (forma de minimização) 1 1,...,ijt= − −
0 75,t Ti I
R fit∈∈= ∑∑
8.3 Problemas teste
Três problemas teste de dimensões diferentes, P1, P2 e P3, foram gerados
aleatoriamente respeitando os limites apresentados na seção anterior. As dimensões de tais
problemas são apresentadas no quadro 8.1.
CAPÍTULO 8 – EXPERIMENTOS COMPUTACIONAIS
96
Quadro 8.1 Dimensões dos problemas teste
Problema n m ft No. de restrições No. de variáveis lchrom
P1 3 4 2 24 30 P2 5 5 3 56 90 P3 10 10 5 191 550
Os seguintes valores foram considerados como constantes em todas as instâncias:
λ , , , representando a importância dos fatores do ponto de
vista de uma empresa privada;
1 0 6,= 2λ 0 1,= 3λ 0 3,=
p , uma probabilidade de mutação de valor pequeno, pois a necessidade de
introdução ou manutenção da diversidade genética da população já é parcialmente
suprida pelo operador de correção.
0 001,m =
Cada uma das combinações dos parâmetros genéticos (npop, maxgen e )
apresentadas no quadro 8.2 foi rodada cinco vezes para o mesmo tipo de problema teste,
em cada uma dessas vezes foi gerada uma população inicial diferente.
cp
O AGCP foi comparado com um algoritmo genético que incorpora apenas os
operadores genéticos tradicionais, que é chamado de Algoritmo Genético Tradicional
(AGT). A comparação é feita considerando que uma mesma população inicial é utilizada
por AGCP e AGT.
O AGT preserva a estrutura básica do AGCP e também trabalha com uma elite
viável de comprimento lchrom, mas não realiza nenhum tipo de tratamento das soluções
inviáveis. No entanto, para que haja a atualização da elite, é necessário realizar o teste de
viabilidade das soluções geradas antes de compará-las com as soluções da elite em cada
geração.
Para efeito de avaliação das soluções de melhor aptidão fornecidas pelos algoritmos
AGCP e AGT, os problemas auxiliares monobjetivo dos problemas teste P1 e P2 foram
construídos de acordo com as orientações apresentadas no capítulo 7, salvos em arquivos
de extensão .ltx e resolvidos pelo software Lindo, obtendo-se, então, os valores ótimos de
P1 e P2. Tais valores são apresentados no quadro 8.3.
CAPÍTULO 8 – EXPERIMENTOS COMPUTACIONAIS
97
Quadro 8.2 Combinações de parâmetros genéticos utilizados
Problemas Tamanho da população
npop
No. máximo de gerações maxgen
Probabilidade de cruzamento
cp
P1 P2 P3
50
50
1 0,8 0,5
P1 P2 P3
100
50
1 0,8 0,5
P3 200 50 1 P3 400 50 1 P1 P2 P3
50
100
1 0,8 0,5
P1 P2 P3
100
100
1 0,8 0,5
P3 200 100 1 P3 400 100 1 P1 P2 P3
50
200
1 0,8 0,5
P1 P2 P3
100
200
1 0,8 0,5
P3 200 200 1 P3 400 200 1 P3 50 400 1 P3 100 400 1 P3 200 400 1 P3 400 400 1
Quadro 8.3 Valores ótimos dos problemas P1 e P2
Problema (* ,Ze x y) mono P1 - 0,20 P2 - 8,90
CAPÍTULO 8 – EXPERIMENTOS COMPUTACIONAIS
98
8.4 Resultados
Os resultados apresentados nesta seção são referentes às médias obtidas nas cinco
rodadas de cada combinação, exceto os valores ↑ e ↓ que se referem,
respectivamente, ao maior valor e ao menor valor de
Ze
(
Ze
),x yZe obtido nas cinco rodadas. O
termo ND significa a média de soluções não-dominadas na elite (considerou-se o valor
aproximado por truncamento), t(s) é o tempo médio, em segundos, gasto nas gerações, Ze
é a média dos ( ),x yZe obtidos nas cinco rodadas, Ze↓ é a média dos ↓ obtidos. Ze
Problema P1
Tabela 8.1 Resultados de P1 para pc = 1
AGCP AGT
npop maxgen ND t(s) Ze↑ Ze Ze↓ Ze↓ ND t(s) Ze↑ Ze Ze↓ Ze↓
50 50 37 9 13,7 5,0 -0,2 -0,16 21 12 14 6,92 -0,2 -0,04
100 50 54 18 13,6 5,46 -0,2 -0,16 44 21 14,6 6,65 -0,2 -0,08
50 100 30 18 12,8 4,92 -0,2 -0,12 20 23 12,8 5,03 -0,2 -0,04
100 100 65 36 14,2 5,31 -0,2 -0,16 59 48 14,8 6,37 -0,2 -0,04
50 200 34 37 12,5 4,7 -0,2 -0,16 26 48 12,5 5,70 -0,2 -0,04
100 200 73 71 13,5 5,8 -0,2 -0,16 49 96 13,5 6,01 -0,2 -0,08
Tabela 8.2 Resultados de P1 para pc = 0,8
AGCP AGT
npop maxgen ND t(s) Ze↑ Ze Ze↓ Ze↓ ND t(s) Ze↑ Ze Ze↓ Ze↓
50 50 19 9 12,2 5,02 -0,2 -0,12 14 10 12,2 5,82 -0,2 -0,04
100 50 77 18 15,4 5,65 -0,2 0,2 78 23 15,4 6,1 -0,2 -0,02
50 100 35 19 13,4 4,67 -0,2 -0,16 14 25 13,4 5,72 ≅ 0 ≅ 0
100 100 73 34 12,9 5,81 -0,2 -0,16 41 47 12,9 6,18 -0,2 -0,08
50 200 33 36 12,1 5,33 -0,2 -0,16 25 49 12,9 5,7 -0,2 -0,08
100 200 75 74 13,5 5,64 -0,2 -0,2 48 97 13,5 6,27 -0,2 -0,12
CAPÍTULO 8 – EXPERIMENTOS COMPUTACIONAIS
99
Tabela 8.3 Resultados de P1 para pc = 0,5
AGCP AGT
npop maxgen ND t(s) Ze↑ Ze Ze↓ Ze↓ ND t(s) Ze↑ Ze Ze↓ Ze↓
50 50 24 9 12,6 5,17 -0,2 -0,08 22 12 12,6 5,69 ≅ 0 ≅ 0
100 50 58 15 13,4 5,79 -0,2 -0,12 57 25 13,6 6,3 -0,2 -0,8
50 100 31 18 13,3 5,2 -0,2 -0,12 30 25 13,4 5,69 -0,2 -0,12
100 100 77 36 13,4 5,66 -0,2 -0,12 76 49 14,4 6,39 -0,2 -0,12
50 200 20 36 14,8 5,74 ≅ 0 ≅ 0 20 50 14,8 6,4 ≅ 0 0,22
100 200 69 72 14,8 6,5 -0,2 -0,16 66 93 14,8 7,02 -0,2 -0,12
Problema P2
Tabela 8.4 Resultados de P2 para pc = 1
AGCP AGT
npop maxgen ND t(s) Ze↑ Ze Ze↓ Ze↓ ND t(s) Ze↑ Ze Ze↓ Ze↓
50 50 32 10 11 3,14 -5,8 -3,9 28 13 27,2 11,38 -5,8 -2,64
100 50 47 19 23,1 2,58 -8,9 -5,28 52 26 30,5 11,32 -8,5 -3,5
50 100 27 19 15,2 5,12 -5, -4,3 32 26 28,7 12,75 -2,4 -1,28
100 100 71 38 11 2,26 -6,2 -4,2 80 52 27,7 12,11 -6,2 -2,52
50 200 30 38 10,6 1,57 -5,6 -4,66 37 53 27,5 13,56 -4,5 -2,54
100 200 58 76 12,5 2,2 -6,2 -5,02 69 104 28,2 11,81 -2,6 -2,0
Tabela 8.5 Resultados de P2 para pc = 0,8
AGCP AGT
npop maxgen ND t(s) Ze↑ Ze Ze↓ Ze↓ ND t(s) Ze↑ Ze Ze↓ Ze↓
50 50 32 10 17 6,06 -8,9 -5,06 40 13 25,1 12,00 -3,7 -1,28
100 50 60 19 20 4,00 -8,3 -5,50 73 27 30,3 11,21 -4,4 -3,68
50 100 31 20 17,3 3,08 -8,9 -6,22 32 28 33,7 11,67 -7,7 -4,96
100 100 62 39 20 2,64 -8,3 -6,54 64 54 27,9 11,31 -6,1 -4,0
50 200 29 40 19,6 2,79 -8,3 -4,94 33 54 31,4 10,41 -3,9 -1,18
100 200 50 78 22,9 4,64 -8,9 -6,26 67 108 27,4 10,69 -8,9 -5,9
CAPÍTULO 8 – EXPERIMENTOS COMPUTACIONAIS
100
Tabela 8.6 Resultados de P2 para pc = 0,5
AGCP AGT
npop maxgen ND t(s) Ze↑ Ze Ze↓ Ze↓ ND t(s) Ze↑ Ze Ze↓ Ze↓
50 50 37 10 28,8 5,09 -6,8 -5,34 40 14 31,3 11,09 -6,8 -3,44
100 50 74 19 23,4 4,91 -8,9 -6,54 64 27 28,2 11,06 -8,9 -4,98
50 100 32 20 25,3 4,76 -8,9 -5,62 28 27 25,8 9,52 -8,9 -4,42
100 100 59 39 33,3 6,00 -8,9 -6,48 57 54 29,6 11,0 -8,9 -5,2
50 200 41 40 60,1 9,92 -5,8 -3,82 41 54 91,1 18,01 -4 2,08
100 200 63 79 22,0 5,35 -8,9 -5,86 61 108 30,8 1,77 -4,8 -3,92
Problema P3
Tabela 8.7 Resultados de P3 para pc = 1
AGCP AGT
npop maxgen ND t(s) Ze↑ Ze Ze↓ Ze↓ ND t(s) Ze↑ Ze Ze↓ Ze↓
50 50 36 13 71,2 34,74 -10,9 1,08 39 18 83,9 44,97 -7,49 6,96
100 50 72 26 68,8 28,98 -3,50 0,94 75 35 88,3 41,82 4,9 8,42
200 50 110 55 60,3 19,86 -5,10 -1,12 95 76 100,7 40,09 -4,8 0,12
400 50 160 106 71,1 17,94 -17,9 -12,7 189 141 108,0 42,53 -17,9 -10,34
50 100 21 26 59,4 10,4 -2,3 1,22 17 35 84,5 44,17 0,99 8,2
100 100 76 56 49,5 9,55 -27,7 -8,32 53 72 96,9 37,82 -4,5 1,52
200 100 143 111 60,3 16,92 -12,6 -6,04 100 151 91,5 38,51 -5,7 -1,58
400 100 257 210 53,0 6,36 -16,3 -13,72 180 233 93,6 43,26 -14,9 -7,84
50 200 34 57 85,2 33,23 -8,9 3,8 30 61 92,5 34,0 3 8,4
100 200 83 111 60,7 22,26 5,8 1,92 75 145 91,2 42,42 -2,2 7,22
200 200 114 244 68,8 21,06 -8,2 -3,86 104 303 101,4 4,11 -8,2 3,16
400 200 272 414 91,5 4,04 -12,2 -5,82 207 568 94,5 44,34 -4,7 -1,08
50
100
200
400
400
400
400
400
31
47
155
304
107
214
431
864
74
77,8
67,9
34,0
29,95
28,22
14,6
14,19
0,09
-8,6
-11,5
-27,9
3,30
-1,28
-6,84
-7,44
35
49
73
240
144
285
598
1154
83,5
102,2
94,8
97,5
38,56
38,06
35,25
43,07
5,4
-1,2
-6,3
-5,6
8,62
3,56
-2,56
-1,66
CAPÍTULO 8 – EXPERIMENTOS COMPUTACIONAIS
101
Tabela 8.8 Resultados de P3 para pc = 0,8
AGCP AGT
npop maxgen ND t(s) Ze↑ Ze Ze↓ Ze↓ ND t(s) Ze↑ Ze Ze↓ Ze↓
50 50 32 14 64,4 38,44 5,2 12,50 32 19 97,3 43,07 5,2 12,50
100 50 61 26 76,9 20,69 -8,8 -2,22 51 35 98,4 45,37 -8,8 2,94
50 100 38 27 75,7 34,28 -3,0 5,94 31 37 86,5 45,60 1,5 9,18
100 100 90 54 68,4 30,04 -9,9 3,68 51 74 108,1 43,04 -2,5 8,26
50 200 20 53 73,3 28,41 -2,0 3,82 23 72 84,2 42,30 -0,3 4,86
100 200 52 103 66,4 66,73 -7,0 1,34 45 140 90,8 46,43 -6,2 5,28
Tabela 8.9 Resultados de P3 para pc = 0,5
AGCP AGT
npop maxgen ND t(s) Ze↑ Ze Ze↓ Ze↓ ND t(s) Ze↑ Ze Ze↓ Ze↓
50 50 36 13 70,3 33,79 -5,89 1,02 28 17 84,6 70,06 2,1 7,54
100 50 61 27 81,3 32,16 -4,2 0,54 68 36 95,4 44,65 -2,7 2,32
50 100 36 27 72,7 34,67 -14,1 -3,08 21 37 90,4 39,42 -7,3 3,32
100 100 51 53 80,7 31,54 -1,4 4,88 43 72 96,5 40,26 -1,4 6,58
50 200 30 55 77,2 28,86 -6,9 -1,4 21 77 88,6 37,52 -1,89 1,64
100 200 68 103 83,1 35,94 -2,4 4,16 66 140 92,9 43,56 3,6 7,0
A partir dos resultados pode-se observar que:
O AGCP forneceu soluções com os menores de valores de Ze↓ , e geralmente os
menores valores de Ze ;
Os tempos de geração dos AGPC mostraram-se inferiores aos do AGT;
Mantendo-se fixos npop e pc, ao se dobrar a quantidade de gerações (maxgen), o tempo
de geração aproximadamente dobra.
Para P1, o AGCP geralmente forneceu uma quantidade maior de soluções não-
dominadas do que o AGT. Para P2 e P3, o AGT freqüentemente fornece as maiores
quantidades de tais soluções.
O pior desempenho do AGCP nos 3 problemas é observado quando pc = 0,5, o que é
evidenciado por valores Ze maiores do que os obtidos com as outras probabilidades.
O desempenho do AGCP em P1 e P2 foi melhor com pc = 1 e pc = 0,8, o que é
evidenciado por menores valores de Ze , e ↓ ; e em P3 quando pc = 1; Ze↓ Ze
CAPÍTULO 8 – EXPERIMENTOS COMPUTACIONAIS
102
O AGCP geralmente tem desempenho pior ou igual ao AGT quando se trabalha com
uma população pequena (npop = 50);
No problema P1, tanto o AGCP quanto o AGT alcançaram o valor ótimo do problema
auxiliar monobjetivo diversas vezes (Z* = -0,2). Contudo, a freqüência foi maior no
AGCP.
No problema P2, o AGCP algumas vezes alcançou o valor ótimo do problema auxiliar
monobjetivo (Z* = -8,9).
CAPÍTULO 9
CONCLUSÕES E PESQUISAS FUTURAS 9.1 Conclusões
Neste trabalho, considerou-se o problema restrito de localização de atividades
econômicas de base tecnológica através de uma abordagem normativa baseada na
programação matemática multiobjetivo.
Sugere-se um modelo linear multiobjetivo dinâmico 0-1 para este problema, cujas
restrições tratam questões de orçamento, operacionais e da interligação dos períodos de
tempo do horizonte de planejamento locacional. A abordagem multiobjetivo relaciona os
fatores locacionais dominantes, dois quantitativos e um qualitativo, aos objetivos do
problema, a saber, minimizar os custos de instalação/operação da atividade, minimizar o
tempo de acesso/conexão/atendimento da atividade ao seu centro de consumo e maximizar
obtenção dos benefícios agregados à localização. Sendo que a função do último objetivo é
o resultado da agregação de cinco outros fatores: economias de aglomeração,
disponibilidade de mão-de-obra qualificada, infra-estrutura local, tributação e incentivos
fiscais e qualidade de vida.
Este trabalho apresenta uma proposta de algoritmo genético, o chamado Algoritmo
Genético de Correção e Penalização (AGCP), para auxiliar a resolução do modelo
multiobjetivo dinâmico restrito sugerido. Nesse caso, o modelo substituto, referente a um
problema auxiliar monobjetivo, considera uma função escalar construída pela soma
ponderada dos três objetivos originais.
O AGCP resolve o problema, de forma interativa com o decisor, ao incorporar
procedimentos apropriados para lidar com as soluções inviáveis do problema tratado e um
teste de não-dominância nas melhores soluções viáveis obtidas. Esses procedimentos são
relativos aos operadores de correção e penalização propostos. O operador de correção
CAPÍTULO 9 – CONCLUSÕES E PESQUISAS FUTURAS
104
modifica as variáveis da solução para que algumas restrições sejam respeitadas, enquanto
que o operador de penalização impõe uma pena caso as demais restrições (de orçamento e
de não-relocalização) não sejam satisfeitas.
Além desses operadores, o AGCP considera um processo de geração aleatória
orientada para a obtenção de soluções viáveis iniciais e um operador de elitismo para
preservar as npop melhores soluções obtidas durante todo processo evolutivo.
Ao contrário do operador de correção que atua das variáveis x para as y , o
processo de geração da população inicial adotado, que é um processo aleatório orientado,
atua das variáveis y para as x .
ijt it
it ijt
Ao final da execução do AGCP, um conjunto de soluções não-dominadas da elite é
fornecido para a apreciação do decisor. Caso estas soluções não sejam satisfatórias, ou não
exista a certeza da importância dos fatores, inicia-se um processo interativo onde novos
valores de parâmetros são introduzidos no processo de evolução. Caso contrário, o
processo é finalizado.
O AGCP foi comparado com um Algoritmo Genético Tradicional (AGT). Sob as
mesmas condições, em média, o AGCP alcança uma melhor qualidade de soluções não-
dominadas da elite do que do AGT, chegando até a alcançar a solução ótima do problema
auxiliar monobjetivo em menos tempo. Apesar da qualidade dessas soluções se mostrarem
satisfatórias, constata-se a necessidade de explorar mais o tratamento de problemas
restritos em problemas de grandes dimensões, que ainda apresenta alto custo
computacional quando resolvidos pelo AGCP.
9.2 Pesquisas futuras
A pesquisa desenvolvida neste trabalho abre perspectivas para uma série de
pesquisas futuras:
Desenvolvimento de algoritmos genéticos com operadores de correção e penalização
das soluções inviáveis para auxiliar a resolução de outros tipos de modelos de
localização;
Gerar a população inicial do AGCP através de métodos heurísticos;
Considerar uma função escalar ponderada aumentada de Tchebychef (ver CORTES,
1998) como a função de avaliação da aptidão das soluções/cromossomos. Com a
CAPÍTULO 9 – CONCLUSÕES E PESQUISAS FUTURAS
105
incorporação do parâmetro ponto de referência na função de aptidão espera-se obter
soluções não-dominadas mais satisfatórias para o decisor e direcionar a busca no
espaço de critérios.
Realizar o teste de não-dominância das soluções da elite ao final de cada geração e não
somente ao final do processo evolutivo. Com isso, a elite será atualizada com novos
indivíduos viáveis e não-dominados.
Incorporar características estocásticas ao modelo multiobjetivo dinâmico, como por
exemplo, uma análise de cenários, com o intuito de explorar completamente as
características estratégicas dos problemas de localização;
Considerar a questão orçamentária em cada período ao invés de um orçamento único
para todo o horizonte. Dessa forma, o AGCP deverá sofrer uma alteração no
procedimento de geração da população inicial e outra alteração no operador de
penalização. O novos procedimentos devem considerar t restrições orçamentárias ao
invés de uma única.
Integrar o modelo multiobjetivo dinâmico e o algoritmo genético sugerido a um
Sistema de Informação Geográfica (SIG) e assim criar um sistema de apoio à decisão
multiobjetivo espacial (ver MALCZEWSKI, 1999);
Desenvolver um sistema de apoio à decisão que integre a abordagem de relação de
hierarquia com a programação multiobjetivo sugerida, a fim de auxiliar o decisor a
escolher uma das soluções não-dominadas fornecidas pelo algoritmo genético.
Considerar o caso de múltiplos níveis hierárquicos de atividades, como, por exemplo, o
problema de localização de estrutura organizacional descentralizada, onde em um nível
de atividade, tem-se uma única atividade que representa a matriz administrativa e a
unidade de P&D; e, em outro nível, várias atividades que representam as unidades
produtivas e que devem ser associadas a um conjunto de centros consumidores. Em
função das atividades relacionadas a esse problema possuírem naturezas distintas, a
importância dos fatores locacionais para cada nível será diferente, e, assim, os objetivos
não serão os mesmos para os dois níveis.
REFERÊNCIAS
ABO-SINNA, M.A.; HUSSEIN, M.L. (1995) An algorithm for generating solutions of multiobjective dynamic programming problems, European Journal of Operational Research, vol. 80, no. 1, pp. 156-165.
ABO-SINNA, M.A.; HUSSEIN, M.L. (1994) An algorithm for decomposing the parametric space in multiobjective dynamic programming problems, European Journal of Operational Research, vol. 73, no. 3, pp. 532-538.
ALVES, M.J; CLÍMACO, J. (2000) An interactive reference point approach for multiobjetive mixed-integer programming using branch-and-bound, European Journal of Operational Research, vol. 124, no. 3, pp. 478-494.
ARBEL, A.; KORHONEN, P. (1998) Using objective values to start multiple objective linear programming algorithms, International Institute for Applied Systems Analysis - IIASA, Interim Report IR-98-066/August, 17p.
AYTUG, H.; SAYDAM, C. (2002) Solving large-scale maximum expected covering location problems by genetic algorithms: a comparative study, European Journal of Operational Research, vol. 141, no. 3, pp. 480-494.
BALAKRISHNAN, A.; MAGNANTI, T.L.; SHULMAN, A.; WONG, R.T. (1991) Models for planning capacity expansion in local access telecommunication networks, Operations Research, vol. 33, pp. 239-284.
BALLOU, R. (1968) Dynamic warehouse location analysis, Journal of Marketing Research, vol. 5, pp. 271-276.
BEAN, J.C.; HIGLE, J.L.; SMITH, R.L. (1992) Capacity expansion under stochastic demands, Operations Research, vol. 40, pp. S210-S216.
BEASLEY, J. (1993) Lagrangean relaxation. In C.R. Reeves (ed.), Modern heuristic techniques for combinatorial problems, Blackwell Scientific Publications, Oxford, UK, pp. 243-303.
BEASLEY, J.; CHU, P.C. (1996) A genetic algorithm for the set covering problem, European Journal of Operational Research, vol. 94, pp. 392-404.
BERMAN, O.; DREZNER, Z. (2000) A note on the location of an obnoxious facility on a network, European Journal of Operational Research, vol. 120, no. 1, pp. 215-217.
BECKMANN, M. (1968) Location theory. Random House, Massachussets, USA.
BELL, D.; FARQUHAR, P. (1986) Perspectives on utility theory, Operations Research, vol. 34, no. 1, pp. 179-183.
REFERÊNCIAS
107
BERMAN, O.; DREZNER, Z. (2000) A note on the location of an obnoxious facility on a network, European Journal of Operational Research, vol. 120, no. 1, pp. 215-217.
BILDE, O.; KRARUP, J. (1977) Sharp lower bounds and efficient algorithms for the plant location problems, Annals of Discrete Mathematics, vol. 1, pp. 79-97.
BITRAN, G.R. (1979) Theory and algorithms for linear multiple objective programs with zero-one variables, Mathematical Programming, vol. 17, pp. 362-390.
BITRAN, G.R. (1977) Linear multiple objective programs with zero-one variables, Mathematical Programming, vol. 13, pp. 121-139.
BITRAN, G.R.; LAWRENCE, K.D. (1980) Locating service offices: a multicriteria approach, OMEGA, vol. 8, no. 2, pp. 201-206.
BLAIR, J.P. (1995) Local economic development: analysis and practice, Sage Publications, New Delhi, pp. 41-65.
BOFFEY B.; NARULA, S.C. (1997) Multiobjective covering and routing problems, Pesquisa Operacional, vol. 17, no. 1, pp. 1-28.
BRANDEAU, M.L.; CHIU, S.S. (1989) An overview of representative problems in location research, Management Science, vol. 35, no. 6, pp. 645-674.
CÁRIO, S.A.F.C.; PEREIRA, F.C.B. (2002) Inovação e desenvolvimento capitalista: referências histórica e conceitual de Schumpeter e dos neo-shumpeteriana para uma teoria econômica dinâmica, VII Encontro Nacional de Economia Política, Universidade Federal do Paraná, Curitiba, pp. 28-31.
CARVALHO, M.M.; MACHADO, S.A.; RABECHINI JR, R. (2000) Fatores críticos de sucesso em empresas de base tecnológica. Revista Produto & Produção, vol. 4, pp. 47-59.
CASTELLS, M. (1986) Mudança tecnológica, reestruturação econômica e a nova divisão espacial do trabalho. Espaço e Debates, vol. 17, pp. 5-23.
CASTRO, R.E. (2001) Otimização de estruturas com multi-objetivos via algoritmos genéticos. Tese de Doutorado em Ciências em Engenharia Civil, Rio de Janeiro, UFRJ.
CHO, D.C.; PADBERG, M. W.; RAO, M. R. (1981) On the uncapacitated plant location problem ii: facets and lifting theorems, Rapport de Recherche, IRIA, nº 87.
CHU, P.C.; BEASLEY, J.E. (1994) A genetic algorithm for the set partitioning problem, Technical Report, The Management School, Imperial College, London.
CHURCH, R.L.; REVELLE, C.S. (1976) Theoretical and computational links between the p-median, location set-covering, and the maximal covering location problem, Geographical Analysis, vol. 3, pp. 406-415.
CLEMENTE, A. (1998) Projetos empresariais e públicos, Editora Atlas, São Paulo, SP.
REFERÊNCIAS
108
CLÍMACO, J.C.N.; ANTUNES, C.H. (2000) Programação linear multiobjetivo: uma perspectiva interativa. In M.P.E. Lins and L.A. Meza (eds.), Análise envoltória de dados e perspectivas de integração no ambiente de apoio à decisão, COPPE/UFRJ, pp. 125-159.
CLÍMACO, J.C.N.; ANTUNES, C.H.; ALVES, M.J.G. (1996) Programação linear multiobjectivo: métodos interactivos, “software” e aplicações. Apostila. Faculdade de Economia da Universidade de Coimbra, Portugal, 258 p.
COELHO, J.D.; CAPITIVO, M. E. (1984) A lagrangean decomposition algorithm for the p-median problem, Tenth Triennial Conference on Operations Research, IFORS’84, Washington D. C., USA
COELLO, C.A.C. (1999a) A comprehensive survey of evolutionary-based multiobjective optimization techniques, Knowledge and Information Systems, vol.1, no.3, pp. 269-308.
COELLO, C.A.C. (1999b) List of references on evolutionary multiobjective optimization. Disponível em: <http://www.lania.mx/~ccoello/EMOO/EMOObib.html>. Acesso em: 23/MAI/02.
CONWAY, D.G.; VENKATARAMANAN, M.A. (1994) Genetic search and the dynamic facility layout problem, Computers & Operations Research, vol. 21, pp. 955-960.
CORNUEJOLS, G.; FISHER, M.L.; NEMHAUSER, G.L. (1977) Location of bank account to optimize float: an analytic study of exact and approximate algorithms, Management Science, vol. 23, pp. 789-810.
CORNUEJOLS, G.; THIZY, J.M. (1982) Some facets of the simple plant location polytope, Mathematical Programming, vol. 23, pp. 50-74.
CORTES, J.M.R. (1998) Uma contribuição para a resolução do problema de alocação multiobjetivo de plataformas de produção de petróleo. Dissertação de Mestrado em Ciências de Engenharia - Produção, Campos dos Goytacazes, UENF.
CHRISTOFIDES, N.; BEASLEY, J. E. (1982) A tree search algorithm for the p-median problem, European Journal of Operational Research, vol. 10, pp. 196-204.
CURRENT, J.; MIN, H.; SCHILLING, D. (1990) Multiobjective analysis of facility location decisions, European Journal of Operational Research, vol. 49, pp. 295-307.
DASKIN, M.S.; HOPP, W.J.; MEDINA, B. (1992) Forecast horizons and dynamic facility location planning, Annals of Operations Research, vol. 40, pp. 125-151.
DAVIS, L. (1991) Handbook of genetic algorithms, van Nostrand Reinhold, New York, USA.
DELGADILLO, R.S. (1997) Contribuições na resolução do problema multiobjetivo 0-1. Tese de Doutorado em Engenharia Industrial, Rio de Janeiro, PUC.
REFERÊNCIAS
109
DREZNER, T.; DREZNER, Z. (1998) Facility location in anticipation of future competition, Location Science, vol. 6, pp. 155-173.
DREZNER, Z.; WESOLOWSKY, G.O. (1991) Facility location when demand is time dependent, Naval Research Logistics, vol. 38, pp. 763-777.
DURRER, E.J.; SLATER, G.E. (1977) Optimization of petroleum and natural gas production: a survey, Management Science, vol. 24, no. 1, pp. 35-43.
EFROYMSON, M.A.; RAY, T.L. (1966) A branch and bound algorithm for plant location, Operations Research, vol. 14, pp. 361-368.
ENSSLIN, S.R. (1995) A estruturação no processo decisório de problemas multicritério complexos. Dissertação de Mestrado em Engenharia de Produção, UFSC.
ERLENKOTTER, D. (1981) A comparative study of approaches to dynamic location problems, European Journal of Operational Research, vol. 6, no. 2, pp. 133-143.
ERLENKOTTER, D. (1978) A dual based procedure for uncapacitated facility location. Operations Research, vol. 26, pp. 992-1009.
ESTALL, R.C.; BUCHANAN, R.O. (1976) Atividade industrial e geografia econômica. Zahar: Rio de Janeiro.
FALKENAUER, E.; DELCHAMBRE, A. (1992) A genetic algorithm for bin packing and line balancing, in Proceedings of the IEEE International Conference on Robotics and Automation.
FAIRLEY, A. (1991) Comparison of methods of choosing the crossover point in the genetic crossover operation, Technical Report, Department of Computer Science, University of Liverpool, Liverpool, UK.
FERNÁNDEZ, J.; FERNÁNDEZ, P.; PELEGRÍN, B. (2000) A continuous location model for siting a non-noxious undesirable facility within a geographical region, European Journal of Operational Research, vol. 121, no. 2, pp. 259-274.
FONSECA, C.M.; FLEMING, P.J. (1995) An overview of evolutionary algorithms in multiobjective optimization, Evolutionary Computation, vol. 3, no.1, pp. 1-16.
FONSECA, C.M.; FLEMING, P.J. (1993) Genetic algorithms for multiobjective optimization: formulation, discussion and generation. In S. Forrest (ed.), Proceedings of the Fifth International Conference Algorithms, San Mateo, California, pp. 416-423.
FRANCIS, R.L.; MCGINNIS, L.F.; WHITE, J.A. (1983) Locational analysis, European Journal of Operational Research, vol. 12, pp. 220-252.
GALVÃO, R.D. (1980) A dual bounded algorithm for the p-median problem, Operations Research, vol. 28, no. 5, pp. 1112-1121.
REFERÊNCIAS
110
GALVÃO, R.D.; NOBRE, F.F.; VASCONCELLOS, M.M. (1999) Modelos matemáticos de localização à organização espacial de unidades de saúde, Rev. Saúde Pública, vol. 33, no. 4, pp. 422-434.
GAREY, M.R.; JOHNSON, D.S. (1979) Computers and intractability: a guide to the theory of np-completeness. Freeman, New York.
GEOFFRION, A.M. (1971) Duality in nonlinear programming: a simplified applications oriented development, Siam Review, vol. 13, no. 1, pp. 137.
GHOSH, A.; CRAIG, S. (1983) Formulating retail location strategy in a changing environment, Journal of Marketing, vol. 47, pp. 56-68.
GLOVER, F.; LAGUNA, M. (1993) Tabu search, in Modern heuristic techniques for combinatorial problems, C.R. Reeves (ed.), Blackwell Scientific Publications, Oxford, UK, pp. 70-150.
GOLDBERG, D.E. (1989) Genetic algorithms in search, optimization and machine learning. Addison-Wesley Publising Company, Reading, Massachussets.
GONÇALVES, E. (1999) Inserção de Juiz de Fora na indústria de tecnologia avançada: uma introdução sobre as possibilidades de regiões periféricas. Texto para Discussão no. 7, Núcleo de Pesquisas Econômicas, Faculdade de Economia e Administração, Universidade Federal de Juiz de Fora.
GONG, D.; YAMAZAKI, G.; GEN, M.; XU, W. (1999) A genetic algorithm method for one-dimensional machine location problems, International Journal Production Economics, vol. 1, no. 3, pp. 337-342.
GORE, C. (1984) Regions in question: space, development theory and regional policy. Methuen & Co, Chaucer Press, London.
GORGES-SCHLEUTER, M. (1989) ASPARAGOS: an asynchronous parallel genetic optimization strategy, in Proceeding of Third International Conference on Genetic Algorithms, J.D. Shaffer (ed.), Morgan Kaufmann, Los Altos, CA, pp. 422-427.
GREFENSTETTE, J.J. (1984) GENESIS: a system for using genetic search procedures . In Proceedings of the 1984 Conference on Intelligent Systems and Machines, pp. 161-165.
GUIGNARD, M. (1980) Fractional vertices, cuts, and facets of the simple plant location problem, Mathematical Programming, vol. 12, pp. 150-162.
GUNAWARDANE, G. (1982) Dynamic versions of set covering type public facility location problems, European Journal of Operational Research, vol. 10, pp. 190-195.
HAKIMI, S.L. (1964) Optimal locations of switching centers and medians of a graph, Operations Research, vol. 12, pp. 450-459.
HANNE, T. (1999) On the convergence of multiobjective evolutionary algorithms, European Journal of Operational Research, vol. 117, no. 3, pp. 553-564.
REFERÊNCIAS
111
HANSEN, P.; LABRE, M.; PEETERS, D.; THISSE, J. F. (1985) Single facility location on network, School on Combinatorial Optimization, Rio de Janeiro, vol. 819, July, 37 p.
HANSEN, P.; PEDROSA, E.; RIBEIRO, C. (1994) Modeling location and sizing of offshore platforms, European Journal of Operational Research, vol. 72, no. 3, pp. 602-606.
HEIZER, J.; RENDER, B. (2001) Operations management. 6 ed. Prentice-Hall, New Jersey.
HENIG, M.; RITZ, Z. (1986) Multiplicative decision rules for multiobjective decision problems, European Journal of Operational Research, vol. 26, pp. 134-141.
HINOJOSA, Y.; PUERTO J.; FERNÁNDEZ, F.R. (2000) A multiperiod two-echelon multicommodity capacitated plant location problem, European Journal of Operational Research, vol. 123, no. 2, pp. 271-291.
HOLLAND, J.H. (1975) Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control and artificial intelligence. MIT Press, Cambridge, Masssachussets.
HÖHN, C.; REEVES, C.R. (1995) Embedding local search operators in a genetic algorithm, Technical Report, School of Mathematical and Information Sciences, Coventry University, Coventry, UK.
HOOVER, E.M.; GIARRATANI, F. (1999) An introduction to regional economics. Disponível em: <http://rri.wvu.edu/WebBook/Giarratani/preface.htm>. Acesso em: 27/ABR/01.
HORN, J.; NAFPLIOTIS, N. (1993) Multiobjective optimization using the Niched Pareto Genetic Algorithm. Technical Report IlliGAl Report 93005, University of Illinois, Urbana-Champaign.
HOSAGE, C.M.; GOODCHILD, M.F. (1986) Discrete space location-allocation solutions from genetic algorithm, Operations Research, vol. 6, pp. 35-46.
HOUCK, C.R.; JOINES, J.A.; KAY, M.G. (1996) Comparison of genetic algorithms, random restart and two-opt switching for solving large location-allocation problems, Computers & Operations Research, vol. 23, pp. 587-596.
IAKOVOU, E.; IP, C.M.; DOULIGERIS, C.; KORDE, A. (1997) Optimal location and capacity of emergency cleanup equipment for oil spill response, European Journal of Operational Research, vol. 96, no. 1, pp. 72-80.
JARAMILLO, J.H.; BHADURY, J.; BATTA, R. (2002) On the use of genetic algorithms to solve location problems, Computers & Operations Research, vol. 29, no. 6, pp. 761-779.
JORDAN, C. (1869) Sur les assemblages de lignes, J. Reine Angew Math 70, pp. 185-190.
REFERÊNCIAS
112
KEENEY, R. (1992) Value-focused thinking: a path to creative decision making. Harvard University Press, London.
KEENEY, R.; RAIFFA, H. (1976) Decisions with multiple objectives: preferences and value trade-offs. Wiley, New York.
KORHONEN, P. (1998) Multiple objective programming support, international institute for applied systems analysis - IIASA, Interim Report IR-98-010/March, 16p.
KORHONEN, P.; KARAIVANOVA, J. (1998) An algorithm for projecting a reference direction onto the nondominated set of given points, International Institute for Applied Systems Analysis - IIASA, Interim Report IR-98-011/March, 18p.
KORHONEN, P.; LAAKSO, J. (1986) A visual interactive method for solving the multiple criteria problem, European Journal of Operational Research, vol. 24, pp. 277-287.
KOWALSKA, J.D.; FUNCK, R.H. (2000) Cultural activities as a location factor in european competition between regions: concepts and some evidence, Regional Science, vol. 34, no. 1, pp. 1-12.
KRAJEWSKI, J.; RITZMAN, B. (1999) Operations management: strategy and analysis. 5 ed. Addison-Wesley Publishing, New York.
KRARUP, J.; PRUZAN, P.M. (1983) The simple plant location problem: survey and synthesis, European Journal of Operational Research, vol. 12, pp. 36-81.
LASDON, L.S. (1970) Optimization theory for large systems, Macmillan P. Co.
LEE. S.M.; GREEN, G.I.; KIM, C.S. (1981) A multiple criteria model for the location-allocation problem, Computers and Operations Research, vol. 8, pp. 1-8.
LENIVE, D. (1997) Genetic algorithms: a practitioner’s view, Journal on Computing, vol. 9, no. 3, pp. 256-259.
LI, D.; HAIMES, Y.Y. (1989) Multiobjective dynamic programming: the state of the art, Control-Theory and Advanced Technology, vol. 5, no. 4, pp. 471-483.
LIN, W.T. (1980) An accounting control system structured on multiple objective planning models, OMEGA, vol. 8, no. 3, pp. 375-382.
LOSCH, A. (1954) The economics of location, Yale U.P., New Haven.
MALCZEWSKI, J. (1999) GIS and multicriteria decision analysis. John Willey and Sons, New York.
MALECKI, E.J. (1997) Technology & economic development: the dynamics of local, regional and national competitiveness, Longman, England, Second Edition, pp. 112-156.
MALECKI, E.J. (1987) The R&D location decision of the firm and “creative” regions – a survey, Technovation, vol. 6, pp. 205-222.
REFERÊNCIAS
113
MALIZIA, E.E.; FESER, E.J. (1999) Understanding local economic development. Center for Urban Policy Research, New Jersey, 298 p.
MACCORMAK, A.D.; NEWMANN, L.I.; ROSENFELD, D.B. (1994) The new dynamics of global manufacturing site location, Sloan Management Review, vol. 35, no.4, pp. 69-80.
MAGNANTI, T.L.; WONG, R.T. (1981) Accelerated Benders decomposition: algorithmic enhancement and model selection criteria, Operations Research, vol. 29, pp. 464-484.
MASSAN, B.H. (2002) Quality of life: public planning and private living. Progress in Planning, vol. 58, no. 3, pp. 141-227.
MATHIAS, K.; WHITLEY, D. (1992) Genetic operators, the fitness landscape and the traveling salesman problem, in Parallel Problem-Solving from Nature 2, R. Männer and B. Manderick (eds.), Elsevier Science Publishers, Amsterdam, pp. 219-228.
MEIJBOOM, B.R.; RONGEN, J.M.J. (1995) Clustering, logistics and spatial economies. Disponível em: <http://www.citeseer.nj.nec.com/434054.html>.Acesso em: 11/MAI/01.
MELACHRINOUDIS, E.; MIN, H. (2000) The dynamic relocation and phase-out of a hybrid, two-echelon plant/warehousing facility: a multiple objective approach, European Journal of Operational Research, vol. 123, no. 1, pp. 1-15.
MELKOTE, S.; DANSKIN, M.S. (2001) Capacitated facility location/network design problems, European Journal of Operational Research, vol. 129, no. 3, pp. 481-495.
MEYER-STAMER, J. (2000) Estratégias de desenvolvimento local e regional: clusters, política de localização e competitividade sistêmica. Fundação Empreender, SC. Disponível em: <http://www.desarrollolocal.org/documentos/deslocal.pdf>. Acesso em: 05/OUT/00.
MIN, H. (1988) Dynamic expansion and relocation of capacitated public facilities: a multi-objective approach, Computers and Operations Research, vol. 15, no. 3, pp. 243-252.
MIN, H.; MELACHRINOUDIS, E. (1999) The relocation of a hybrid manufacturing/ distribution facility from supply perspectives: a case study, Omega, vol. 27, no.1, pp. 75-85.
MINIEKA, E. (1977) The centers and medians of a graph, Operations Research, vol. 25, pp. 641-650.
MIRZAIAN, A. (1985) Lagrangian relaxation for the star-star concentrator location problem: approximation algorithm and bounds, Networks, vol. 15, pp. 1-20.
MOON, C.; KIM; J., CHOI, G.; SEO, Y. (2002) An efficient genetic algorithm for the traveling salesman problem with precedence constraints, European Journal of Operational Research, vol. 140, no. 3, pp. 606-617.
REFERÊNCIAS
114
MULVEY, J.M.; VANDERBEI, R.J.; ZENIOS, S.A. (1995) Robust optimization of large-scale systems. Operations Research, vol. 43, no. 2, pp. 264-281.
NARULA, S.C.; OGBU, U.L.; SAMUELSSON, H.M. (1977) An algorithm for the p-median problem, Operations Research, vol. 25, pp.709-713.
NEMHAUSER, G.L.; WOLSEY, L.A. (1978a) An analysis of approximations for maximizing submodular set functions I, Mathematical Programming, vol. 14, pp. 265-294.
NEMHAUSER, G.L.; WOLSEY, L.A. (1978b) An analysis of approximations for maximizing submodular set functions II, Mathematical Programming Study, vol. 8, pp. 73-87.
NIJKAMP, P.; SPRONK, J. (1981) Interactive multidimensional programming models for locational decisions, European Journal of Operational Research, vol. 6, pp. 220-223.
NIJKAMP, P.; SPRONK, J. (1979) Analysis of production and location decisions by means of multicriteria analysis, Engineering and Process Economics, vol. 4, pp. 285-302.
ORVOSH, D.; DAVIS, L. (1993) Shall we repair? Genetic algorithms, combinatorial optimization and feasibility constraints, in Proceedings of Fifth International Conference on Genetic Algorithms, S. Forrest (ed.), Morgan Kaufmann, San Mateo, CA, pp. 650.
OWEN, S.H.; DASKIN, M.S. (1998) Strategic facility location: a review, European Journal of Operation Research, vol. 111, no. 3, pp. 423-447.
PAULA JUNIOR, G. G. (1986) Um algoritmo de decomposição primal para solução de um problema dinâmico de localização de p-medianas e sua aplicação na produção industrial de carvão vegetal. Tese de Doutorado, Rio de Janeiro, COPPE/UFRJ.
PELEGRIN, P.; FERNANDEZ, F.R. (1988) Determination of efficient points in multiple-objective location problems, Naval Research Logistics, vol. 35, pp. 697-705.
PLASTRIA, F. (2001) Static competitive facility location: an overview of optimization approaches, European Journal of Operation Research, vol. 129, no. 3, pp. 461-470.
PORTER, M.E. (1999a) On competition: competição, estratégias competitivas essenciais, 4 ed. Ed. Campus, Rio de Janeiro.
PORTER, M.E. (1999b) Clusters e competitividade, HSM Management, no. 15, pp. 100.
PORTER, M.E. (1990) Vantagem competitiva: criando e sustentando um desempenho superior, Ed. Campus: Rio de Janeiro.
PSARAFTIS, H.N.; THARAKAN, G.G.; CEDER, A. (1986) Optimal response to oil spills: the strategic decision case, Operations Research, vol. 34, no. 2, pp. 203-217.
REFERÊNCIAS
115
PSARAFTIS, H.N.; ZIOGAS, B.O. (1985) A tactical decision algorithm for optimal dispatching of oil spill cleanup equipment, Management Science, vol. 31, pp. 1475-1491.
RADCLIFFE, N.J. (1991) Equivalence class analysis of genetic algorithms, Complex Systems, vol. 5, pp.183-205.
RADCLIFFE, N.J.; GEORGE, F.A.W. (1993) A study in set recombination, in Proceedings of Fifth International Conference on Genetic Algorithms, S. Forrest (ed.), Morgan Kaufmann, San Mateo, CA, pp. 23-30.
RAHMAN, S.; SMITH, D.K. (2000) Use of location-allocation models in health service development planning in developing nations, European Journal of Operational Research, vol. 123, no. 3, pp. 437-452.
REES, J.; STAFFORD, H.A. (1986) Technology, regions and policy. Rowan & Littlefield Publishers, New Jersey, 322 p.
REEVES, C.R. (1997) Genetic algorithms for the operations researcher, Journal on Computing, vol. 9, no. 3, pp. 231-250.
REEVES, C.R. (1996) Hybrid genetic algorithms for bin-packing and related problems, Operations Research, vol. 63, pp. 371-396
REVELLE, C.S.; COHON, J.L.; SHOBYS, D. (1981) Multiple objectives in facility location: a review. In M. Beckmann and A.P. Kunzi (eds.), Lecture Notes in Economics and Mathematical Systems, vol. 190, pp. 321-337.
REVELLE, C.S.; LAPORTE, G. (1996) The plant location problem: new models and research prospects, Operations Research, vol. 44, no. 6, pp. 864-874.
REVELLE, C.; MARKS, D.; LIEBMAN, J.C. (1970) An analysis of private and public sector location models, Management Science, vol. 16, no. 11, pp. 692-707.
ROCKAFELLAR, R.T. (1970) Convex Analysis, Princeton University Press.
ROSS, G.T.; SOLAND, R.M. (1980) A multicriteria approach to the location of public facilities, European Journal of Operational Research, vol. 4, pp. 307-321.
ROY, B. (1990) Decision aid and decision making. European Journal of Operational Research, vol. 45, pp. 324-331.
SARKER, R.; LIANG, K-H.; NEWTON, C. (2002) A new multiobjetctive evolutionary algorithm, European Journal of Operational Research, vol. 140, no. 1, pp. 12-23.
SCHAFFER, J.D. (1985) Multiple objective optimization with vector evaluated genetic algorithms. In J.J. Grefenstette (ed.), Proceedings of the first international conference on genetic algorithm and their applications, pp. 93-100, Lawrence Erlbaum, Hillsdale, New Jersey.
REFERÊNCIAS
116
SCHILLING, D.A. (1982) Strategic facility planning: the analysis of options, Decision Sciences, vol. 13, pp. 1-14.
SCHILLING, D.A. (1980) Dynamic location modeling for public-sector facilities: a multicriteria approach, Decision Sciences, vol. 11, pp. 714-724.
SCHRAGE, L. (1975) Implicit representation of variable upper bounds in linear programming, Mathematical Programming Study, vol. 4, pp. 118-132.
SEPPÄLÄ, U. (1997) An evolutionary model for spatial location of economic facilities, International Institute for Applied Systems Analysis - IIASA, Interim Report IR-97-003/February, 30p.
SEXTON, R.S.; DORSEY, R.E.; JOHNSON, J.D. (1999) Optimization of neural networks: a comparative analysis of the genetic algorithm and simulated anneling, European Journal of Operational Research, vol. 114, no. 3, pp. 589-601.
SHAFFER, J.D.; ESHELMAN, L.J. (1996) Combinatorial optimization by genetic algorithms: the value of the genotype/phenotype distinction, in Modern Heuristic Search Methods, V.J. Rayward-Smith, L.H. Osman, C.R. Reeves and G.D. Smith (eds.), John Wiley & Sons, New York, pp. 85-97.
SHULMAN, A. (1991) An algorithm for solving dynamic capacitated plant location problem with discrete expansion sizes, Operations Research, vol. 39, no. 3, pp. 423-436.
SISKOS, Y.; SPYRIDALKOS, A. (1999) Intelligent multicriteria decision support: overview and perspectives, European Journal of Operational Research, vol. 113, no. 2, pp. 236-246.
SMITH, A.E.; TATE, D.M. (1993) Genetic optimization using a penalty function, in Proceedings of Fifth International Conference on Genetic Algorithms, S. Forrest (ed.), Morgan Kaufmann, San Mateo, CA, pp. 499-505.
SOUZA, C.C.A. (2002) Área metropolitana de Belo Horizonte versus área metropolitana de Curitiba: um estudo comparativo dos fatores de atração. Dissertação de Mestrado em Ciências Econômicas, Faculdade de Ciências Econômicas, UFMG.
SRINIVAS, M.; DEB, K. (1993) Multiobjective using Nondominated Sorting in Genetic Algorithms. Technical Report, Department of Mechanical Engineering, Indian Institute of Technology.
SRINIVAS, M.; PATNAIK, L.M. (1994) Genetic algorithms: a survey, IEEE Computer, vol. 27, no. 6, pp. 37-47.
STARKWEATHER, T.; MCDANIEL, S.; MATHIAS, K.; WHITLEY, D.; WHITLEY, C. (1991) A comparison of genetic sequencing operators, in Proceedings of Fourth International Conference on Genetic Algorithms, R.K. Belew and L.B. Booker (eds.), Morgan Kaufmann, San Mateo, CA, pp. 69-76.
REFERÊNCIAS
117
STEUER, R.E. (1986) Multiple criteria optimization: theory, computation and application. John Wiley & Sons, New York.
STEUER, R.E.; CHOO, E.U. (1983) An interactive weighted Tchebychef procedure for multiple objective programming. Mathematical Programming, vol. 26, pp. 326-344.
SWEENEY, D.J.; TATHAM, R.L. (1976) An improved long-run model for multiple warehouse location, Management Sciences, vol. 22, no. 7, pp. 748-758.
TAM, K.Y. (1992) Genetic algorithms, function optimization and layout design, European Journal of Operational Research, vol. 63, pp. 322-346.
TANSEL, B.C.; FRANCIS, R.L.; LOWE, T.J. (1983) Location on networks: a survey. Part i: the p-center and p median problems, Management Science, vol. 29, no. 4, pp. 482-497.
TAUXE, G.W.; INMAN, R.R.; MADES, D.M. (1979) Multiobjective dynamic programming: a classic problem redressed, Water Resources Research, vol. 15, no. 6, pp. 1398-1402.
TEITZ, M.B.; BART, P. (1968) Heuristic methods for estimating the generalized vertex median of a weighted graph, Operations Research, vol. 16, pp. 955-961.
TODD, M.J. (1982) An implementation of the simplex method for linear programming problems with variable upper bounds, Mathematical Programming, vol. 23, pp. 34-49.
TOREGAS, C.; SWAIN, R.; REVELLE, C.; BERGMAN, L. (1971) Location of emergency service facilities, Operations Research, vol. 19, pp. 1366-1373,
TRAGANTALERNGSAK, S.; HOLT, J.; RÖNNQVIST, M. (2000) An exact method for the two-echelon, single-source, capacitated facility location problem, European Journal of Operational Research, vol. 123, pp. 473-489.
ULDER, N.L.J.; AARTS, E.H.L.; BANDELT, H.J.; LAARHOVEN, P.J.M.; PESCH, E. (1991) Genetic local search algorithms for the traveling salesman problem, in Parallel Problem-Solving from Nature, H.P. Shwefel and R. Männer (eds), Springer-Verlag, Berlin, pp. 109-116.
Van ROY, T.J.; ERLENKOTTER, D. (1982) A dual-based procedure for dynamic facility location, Management Science, vol. 28, no. 10, pp. 1091-1105.
Von THÜNEN, J.H. (1866) Isolated state an English edition of der isolierte staat. Trans. C.M. Watengerg. Oxford: Pergamon.
Van VELDHUIZEN, D.A.V.; LAMONT, G.B. (2000) Multiobjective evolutionary algorithms: analyzing the state-of-the-art, Evolutionary Computation, vol. 8, no. 2, pp. 125-147.
WEBER, A. (1909) Theory of the location of industries. Trans. C.J. Freidrich. Chicago: University of Chicago Press.
REFERÊNCIAS
118
WESOLOWSKY, G.O. (1973) Dynamic facility location, Management Science, vol. 19, no. 11, pp. 1241-1248.
WESOLOWSKY, G.O.; TRUSCOTT, W.G. (1975) The multiperiod location-allocation problem with relocation of facilities, Management Science, vol. 22, no. 1, pp. 57-65.
WIERZBICKI, A.P. (1983) Critical essay on the methodology of multiobjective analysis, Regional Science and Urban Economics, vol. 13, pp. 5-29.
WIERZBICKI, A.P. (1982) A mathematical basis for satisfacting decision making, Mathematical Modelling, vol. 3, pp. 391-408.
WONG, R.T. (1984) Recent advances in location and network design models for transportation planning, Working paper, Krannert Graduate School of Management, Purdue University,
WONG, R.T. (1983) Recent research on location and network design problems: an annotated bibliography, Proceedings of the Summer School on Combinatorial Optimization, Dublin.
WREN, A.; WREN, D.O. (1995) A genetic algorithm for public transport scheduling, Computers & Operations Research, vol. 22, pp. 101-110.
ZHOU, G.; MIN, H.; GEN, M. (2002) The balanced allocation of customers to multiple distribution centers in the supply chain network: a genetic algorithm approach, Computers & Industrial Engineering, vol. 43, no. 1, pp. 251-261.
ZOPOUNIDIS, C. (1999) Multicriteria decision aid in financial management, European Journal of Operational Research, vol. 119, no. 2, pp. 404-415.
ZOOK, M.A. (2000) Technological innovation and theories of regional development. Disponível em: <http://garnet.berkeley.edu/~zook/pubs/Inside_Field.html>. Acesso em: 05/OUT/00.