MINISTRIO DA EDUCAO E DO DESPORTO Escola de Minas da Universidade Federal de Ouro Preto Departamento de Engenharia de Minas Programa de Ps-Graduao em Engenharia

Mineral - PPGEM

MTODOS DE OTIMIZAO MULTIOBJETIVO E DE SIMULAO APLICADOS AO PROBLEMA DE PLANEJAMENTO OPERACIONAL DE LAVRA EM MINAS A CU ABERTO

Autor: Guido Pantuza Jnior

Orientadores: Marcone Jamilson Freitas Souza Ivo Eyer Cabral

Dissertao apresentada ao Programa de Ps-Graduao em Engenharia Mineral do Departamento de Engenharia de Minas da Escola de Minas da Universidade Federal de Ouro Preto, como parte integrante dos requisitos para a obteno do ttulo de Mestre em Engenharia Mineral. rea de concentrao: nas. Lavra de Mi-

Ouro Preto, Maro de 2011

MTODOS DE OTIMIZAO MULTIOBJETIVO E DE SIMULAO APLICADOS AO PROBLEMA DE PLANEJAMENTO OPERACIONAL DE LAVRA EM MINAS A CU ABERTO Guido Pantuza Jnior

Esta dissertao foi apresentada em sesso pblica e aprovada em 25 de maro de 2011, pela Banca Examinadora composta pelos seguintes membros:

Prof. Dr. Marcone Jamilson Freitas Souza (Orientador/UFOP)

Prof. Dr. Ivo Eyer Cabral (Orientador/UFOP)

Prof. Dr. Haroldo Gambini Santos (UFOP)

Prof. Dr. Jos Elias Cludio Arroyo (UFV)

ii

Agradecimentos
bom, sem dvida, conhecer-se tudo o que produziram os grandes homens dos outros povos; porm muito melhor saber servir-se do que eles zeram para fazer novas descobertas... Claude Henri Gorceix.
Fundador da Escola de Minas

minha me Edna e meu pai Guido, os grandes responsveis pela minha formao, pelo amor e conana. Aos meus irmos e minha famlia, por todas as vezes que me apoiaram e conaram em mim. Mayra pelo amor, carinho, incentivo e ajuda em todos os momentos. Ao professor Marcone, que no mediu esforos para me ajudar e tornou este trabalho possvel participando como orientador, pesquisador e amigo, sendo para mim uma referncia em todos os aspectos. A todos os meus amigos que me ajudaram e contriburam para esta conquista. Escola de Minas, por me proporcionar os ensinamentos do que ser um engenheiro tico e competente. Repblica Senzala e todos os escravos e ex-alunos, por me acolher em sua famlia, pela amizade e fora em todos os momentos. Ao Programa de Ps-Graduao em Engenharia Mineral da Escola de Minas pelos recursos disponibilizados A todos os professores que participaram, da minha formao prossional e

iii

crescimento pessoal. A Capes, FAPEMIG e ao CNPq pelos recursos disponibilizados para o desenvolvimento deste trabalho. Finalmente, a todos que, direta ou indiretamente, contriburam para a concluso deste trabalho.

iv

Resumo
Este trabalho tem seu foco no problema de planejamento operacional de lavra de mina a cu aberto, considerando alocao dinmica de caminhes. Considera-se a existncia de uma frota heterognea de caminhes, a existncia de dois pontos de descarga para o material lavrado, sendo o britador para descarga de minrio e a pilha de estril para descarga de estril. O tempo de ciclo dos equipamentos tambm foi considerado como um parmetro que depende da frente de lavra, do tipo de caminho e do tipo de material transportado. Para sua resoluo, prope-se uma abordagem multiobjetivo, uma vez que o problema constitudo de diversas metas conitantes. So propostos um modelo de programao linear por metas, um algoritmo gentico multiobjetivo hbrido baseado no algoritmo gentico multiobjetivo NSGA II, assim como um modelo de simulao computacional para validar os modelos exato e heurstico, bem como para fazer o sequenciamento das viagens realizadas pelos caminhes. Os experimentos computacionais mostram a efetividade da proposta. Palavras-Chaves: Planejamento de lavra, NSGA II, Programao Linear por Metas, Simulao Computacional.

Abstract
This work deals with the Open-Pit-Mining Operational Planning problem concerning dynamic truck allocation. We also consider that there is a heterogeneous eet of trucks, two discharge points for the material mined (the crusher for the discharge of ore and the waste dump for the discharge of waste) and the cycle time of the trucks depends of the pit, the truck type and the loaded material (ore or waste). For its resolution, a multi-objective optimization approach is proposed, since the problem is constituted of diverse goals that must simultaneously be reached. We propose a linear goal programming, a hybrid multi-objective algorithm based on NSGA-II, as well a computational simulation model for validate the models and to determine the sequence of trips made by the trucks. The computational experiments show the eectiveness of the proposal. Keywords: Open Pit Mine Plan, NSGA II, Goal Programming, Computational Simulation.

vi

Contedo

1 Preliminares 1.1 1.2 1.3 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Justicativa e Relevncia . . . . . . . . . . . . . . . . . . . . . . . . . Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 1.3.2 1.4 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . Objetivos Especcos . . . . . . . . . . . . . . . . . . . . . . .

1 1 4 5 5 5 6 8 11

Organizao do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . .

2 Problema Abordado 3 Reviso Bibliogrca 3.1

Otimizao Multiobjetivo . . . . . . . . . . . . . . . . . . . . . . . . 11 3.1.1 3.1.2 3.1.3 3.1.4 Conceitos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . 12 Mtodos de Otimizao Multiobjetivo . . . . . . . . . . . . . . 14 Classicao dos Mtodos de Otimizao Multiobjetivo . . . . 15 Mtodos Clssicos de Otimizao . . . . . . . . . . . . . . . . 16

3.2

Tcnicas Heursticas Multiobjetivo . . . . . . . . . . . . . . . . . . . 20 3.2.1 3.2.2 Heursticas Construtivas . . . . . . . . . . . . . . . . . . . . . 20 Heursticas de Renamento . . . . . . . . . . . . . . . . . . . 20

vii

3.2.3 3.3

Metaheursticas . . . . . . . . . . . . . . . . . . . . . . . . . . 22

Algoritmo Gentico Multiobjetivo . . . . . . . . . . . . . . . . . . . . 23 3.3.1 NSGA II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.4

Simulao Computacional . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.1 Conceitos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.5

Pesquisa Operacional Aplicada Minerao . . . . . . . . . . . . . . 35 38

4 Metodologia 4.1 4.2

Modelo Matemtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Modelo Heurstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.2.1 4.2.2 4.2.3 4.2.4 4.2.5 4.2.6 4.2.7 4.2.8 NSGA II Aplicado ao POLAD . . . . . . . . . . . . . . . . . . 45 Representao de um Indivduo . . . . . . . . . . . . . . . . . 45 Populao Inicial . . . . . . . . . . . . . . . . . . . . . . . . . 47 Avaliao da Populao . . . . . . . . . . . . . . . . . . . . . . 48 Fase de Seleo e Reproduo . . . . . . . . . . . . . . . . . . 54 Busca local . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 Estruturas de Vizinhana . . . . . . . . . . . . . . . . . . . . 55 Populao Sobrevivente (Pg+1 ) . . . . . . . . . . . . . . . . . . 57

4.3

Modelo de Simulao Computacional . . . . . . . . . . . . . . . . . . 57 4.3.1 4.3.2 4.3.3 4.3.4 4.3.5 4.3.6 Denio do Problema e Coleta de Dados . . . . . . . . . . . 58 Identicao das Variveis e das Condies do Sistema . . . . 58 Construo do Modelo . . . . . . . . . . . . . . . . . . . . . . 59 Modelo de Simulao implementado . . . . . . . . . . . . . . . 60 Validao do Modelo . . . . . . . . . . . . . . . . . . . . . . . 62 Descrio dos Cenrios . . . . . . . . . . . . . . . . . . . . . . 63

viii

5 Resultados e Anlise 5.1 5.2 5.3 5.4

65

Instncias-Teste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 Resultados do Mtodo Exato . . . . . . . . . . . . . . . . . . . . . . . 65 Resultados do Algoritmo NSGA-II . . . . . . . . . . . . . . . . . . . 68

Resultados do Modelo de Simulao . . . . . . . . . . . . . . . . . . . 70 74 75 81 82 88

6 Concluses Referncias Bibliogrcas I II III Fase de Reproduo Estruturas de Vizinhana Publicaes

ix

Lista de Tabelas
4.1 4.2 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 I.1 Representao da parte sl do indivduo S . . . . . . . . . . . . . . . . 46 Descrio dos cenrios . . . . . . . . . . . . . . . . . . . . . . . . . . 64 Caractersticas das instncias-teste . . . . . . . . . . . . . . . . . . . 66 Parmetros de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . 66 Penalidade por desvio em relao meta do parmetro j na mistura . 66 Resultados do modelo exato . . . . . . . . . . . . . . . . . . . . . . . 67 Resultados do modelo exato aps 1800 segundos de execuo . . . . . 67 Resultados do Mtodo Heurstico . . . . . . . . . . . . . . . . . . . . 68 Tempo de Execuo (segundos) . . . . . . . . . . . . . . . . . . . . . 69 Resultados do modelo de simulao . . . . . . . . . . . . . . . . . . . 73 Representao da fase de reproduo de um indivduo . . . . . . . . . 81

Lista de Figuras
2.1 3.1 3.2 4.1 4.2 4.3 4.4 4.5 4.6 4.7 5.1 5.2 5.3 5.4 5.5 5.6 Ilustrao do POLAD . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Ilustrao do clculo da distncia de multido . . . . . . . . . . . . . 30 Elementos da notao clssica de um DCA . . . . . . . . . . . . . . . 35 Etapas da simulao de um sistema . . . . . . . . . . . . . . . . . . . 57 Diagrama de ciclo de atividades . . . . . . . . . . . . . . . . . . . . . 59 Modelo de simulao implementado . . . . . . . . . . . . . . . . . . . 60 Submodelo Cria_Inicializa_Entidades . . . . . . . . . . . . . . . . . 61 Submodelo Roteador de Veculos . . . . . . . . . . . . . . . . . . . . 61 Estao Frente de Lavra . . . . . . . . . . . . . . . . . . . . . . . . . 62 Submodelos Britador Primrio e Pilha de Estril . . . . . . . . . . . . 62 Objetivo: meta de produo . . . . . . . . . . . . . . . . . . . . . . . 69 Objetivo: meta de qualidade . . . . . . . . . . . . . . . . . . . . . . . 70 Objetivo: nmero de caminhes utilizados . . . . . . . . . . . . . . . 70 Critrio de Roteamento de Veculos . . . . . . . . . . . . . . . . . . . 71 Resultados do modelo de simulao para o mtodo Exato . . . . . . . 71 Resultados do modelo de simulao para o mtodo heurstico . . . . . 72

II.1 Ilustrao do Movimento Nmero de Viagens . . . . . . . . . . . . . . 82

xi

II.2 Ilustrao do Movimento Carga . . . . . . . . . . . . . . . . . . . . . 83 II.3 Ilustrao do Troca de Carregadeiras . . . . . . . . . . . . . . . . . . 84 II.4 Ilustrao do Movimento Realocar Viagem de um Caminho . . . . . 85 II.5 Ilustrao do Movimento Realocar Viagem de uma Frente . . . . . . . 86 II.6 Ilustrao do Movimento Realocar Carregadeira . . . . . . . . . . . . 87

xii

Lista de Siglas
AG AGM DCA MOGA NPGA NSGA PAC PADC PAEC PLM PO POLAD REM SPEA VEGA VND Algoritmo Gentico Algoritmo Gentico Multiobjetivo Diagrama de Ciclo de Atividades Multiobjective Genetic Algorithm Niche Pareto Genetic Algorithm Non-Dominated Sorting Genetic Algorithm Problema da Alocao de Caminhes Problema da Alocao Dinmica de Caminhes Problema da Alocao Esttica de Caminhes Programao Linear Por Metas Pesquisa Operacional Planejamento Operacional de Lavra com Alocao Dinmica de Caminhes Relao Estril Minrio Strength Pareto Evolutionary Algorithm Vector Evaluated Genetic Algorithm Variable Neighborhood Descent

xiii

Lista de Algoritmos
1 2 3 4 VND . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 Fast Non Dominated Sorting (I ) . . . . . . . . . . . . . . . . . . . . . 28 Crowding Distance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 NSGA II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

xiv

Captulo 1 Preliminares
1.1 Introduo

As mudanas que ocorreram nas ltimas dcadas obrigaram as empresas a reduzirem gastos, gerenciar o conhecimento e exibilizar os meios de produo e de servios para sobreviver e crescer em um ambiente mais competitivo. Alm disso, a preocupao com o meio ambiente e o desenvolvimento sustentvel tambm entraram na pauta de discusso das grandes organizaes. Neste contexto, aquelas empresas que no garantirem a melhoria contnua de seus processos produtivos, alm da diminuio de seus impactos sobre o meio ambiente, perdero sua competitividade no mercado internacional. Uma forma de implementar essa melhoria estruturar um eciente controle e planejamento estratgico da produo. De acordo com Tubino (1997), o planejamento da produo consiste em gerar condies para que as empresas possam decidir rapidamente perante oportunidades e ameaas, otimizando suas vantagens competitivas em relao ao ambiente concorrencial no qual atuam, garantindo sua perpetuao no tempo. No caso das empresas do setor mineral, em especial as que trabalham com lavra a cu aberto, esse planejamento da produo feito pelo mtodo de tentativa e erro. Neste caso a ecincia depende de tempo e experincia do analista. Para Guimaraes et al. (2007), isto pode gerar resultados pouco ecientes provocando

custos elevados. Estes custos esto relacionados, entre outros, distncia entre as frentes de estril - material sem valor comercial - e suas pilhas de depsito (pilhas de estril). Essas distncias esto cando cada vez maiores devido preocupao com o meio ambiente, j que em muitos casos as jazidas se encontram em reas de preservao ambiental (APAs) e o estril deve ser depositado em local adequado. Segundo Pantuza Jr (2008), o planejamento operacional de lavra de uma mina a cu aberto considerando alocao dinmica (POLAD) consiste em determinar o ritmo de lavra de cada frente, ou seja, o nmero de viagens a serem realizadas por cada tipo de caminho em cada frente de lavra. Este ritmo deve atender algumas especicaes, tais como a porcentagem de determinados elementos qumicos ou a granulometria do minrio, a quantidade de minrio a ser lavrado, alm da determinao da quantidade e tipo de caminhes que devero ser carregados em cada frente de lavra. Estas especicaes variam de acordo com cada frente de lavra, que so determinadas pelos clientes. Este planejamento operacional tambm implica no gerenciamento dos equipamentos de carga, isto , na escolha da frente de lavra que um determinado equipamento de carga ser alocado. Este gerenciamento de equipamentos deve respeitar as restries operacionais da mina e as metas de qualidade e de produo. Todas as metas e restries deste problema devem ser consideradas conjuntamente para se atingir um resultado timo. O fato destas restries e metas serem abordadas separadamente pode gerar conitos que inviabilizam a implementao das solues (Costa et al., 2004). Neste trabalho consideramos dois pontos de descarga para o material lavrado, sendo o britador para descarga de minrio e a pilha de estril para descarga de estril. Ao contrrio dos trabalhos anteriores encontrados na literatura, tambm consideramos o tempo de ciclo dos equipamentos como uma varivel que depende da distncia do ponto de descarga frente de lavra, do tipo de caminho, e do

tipo de material transportado. Isto porque cada modelo de caminho normalmente leva um tempo diferente para percorrer um mesmo trajeto e este tempo tambm inuenciado pelo tipo de carga (minrio ou estril). Apresentamos uma nova formulao matemtica para o POLAD, que utiliza o modelo de uxo em redes para fazer a alocao dos caminhes de forma dinmica. Nesse sistema de alocao, os caminhes no cam xos a uma determinada frente de lavra, isto , a cada descarga eles podem se deslocar para diferentes frentes, permitindo um melhor aproveitamento da frota (Costa, 2005). Ele se aproxima mais do problema real, tornando possvel a aplicao do modelo pela empresa, ao contrrio das outras formulaes, como Merschmann e Pinto (2001), Costa et al. (2005) e Guimaraes et al. (2007), que no obtinham resultados prticos aplicveis por no considerarem a taxa de utilizao e o tempo de ciclo real de todos os equipamentos envolvidos. Para o POLAD, entre as metodologias encontradas na literatura, destacamse a programao linear (Merschmann e Pinto, 2001) e a programao linear por metas (Costa et al., 2004) e (Guimaraes et al., 2007). Diferentemente da forma usual com que o POLAD abordado na literatura, no presente trabalho ele ser tratado como um problema de otimizao multiobjetivo. Isso se deve ao fato de ele ser composto por vrias metas conitantes entre si, sendo: produo de minrio, teor dos parmetros de qualidade e nmero de caminhes. Ou seja, no se consegue uma nica soluo que minimize o nmero de caminhes utilizados e os desvios de produo e qualidade simultaneamente. Na abordagem multiobjetivo obtm-se um conjunto-soluo timo com inmeras solues indiferentes entre si segundo algum critrio pr-estabelecido, cabendo ao analista decidir qual soluo adotar. No tocante complexidade do problema, segundo Costa (2005), o POLAD enquadrado na classe de problemas NP -difceis, ou NP-Hard, o que justica a aplicao de tcnicas heursticas para a resoluo de instncias reais do problema, normalmente aquelas de maior porte.

Em vista disso, foi desenvolvido um algoritmo heurstico multiobjetivo. Esse algoritmo baseado no algoritmo gentico NSGA-II e explora o espao de solues utilizando o mtodo de descida em vizinhana varivel por meio de seis diferentes tipos de movimentos. Para validar o algoritmo heurstico e o modelo de programao linear por metas desenvolvido foi desenvolvido um modelo de simulao computacional para vericar se a soluo produzida por eles podia ser implementada. Isso se deve ao fato de que os tempos de la dos caminhes no podiam ser previstos pelos modelos de otimizao.

1.2

Justicativa e Relevncia

Um dos maiores desaos enfrentados pelas empresas mineradoras, segundo Crawford e Hustrulid (1979), o planejamento operacional de lavra. Esse planejamento inclui a alocao de recursos fsicos, como caminhes e carregadeiras, de forma que as restries operacionais de produo e qualidade sejam respeitadas. Alm disso, a qualidade do produto nal deve ser garantida, pois de acordo com Campos (1999), a qualidade s alcanada por um planejamento em todos os nveis da empresa. O planejamento da produo quando bem realizado, segundo Merschmann (2002), pode gerar benefcios para a empresa, pois melhora a ecincia da usina de tratamento, minimiza a necessidade de se efetuar uma lavra seletiva, reduz custos de lavra, aumenta a produo da mina e contribui para que esta possua uma vida til mais longa. No entanto, na maioria dos casos, perde-se muito tempo com o planejamento e os resultados no so satisfatrios, o que gera custos desnecessrios para a empresa. Uma forma de melhorar esse cenrio aplicar tcnicas de pesquisa operacional. No entanto, segundo Merschmann (2002), tais tcnicas ainda so muito pouco usadas pelos prossionais da minerao. Segundo Ramos Neto e Pinto (2004), isso se deve, entre outros fatos, falta de informao, por parte dos prossionais da rea,

sobre a ampla faixa de aplicaes dessa ferramenta na minerao. Ainda dentro desse contexto, Germani (2002) arma que h decincia de formao de recursos humanos em reas importantes da minerao. Existe tambm, por esta razo, uma demora excessiva em implementar, nas minas, os novos softwares adquiridos. Estas carncias fazem com que comumente no se utilizem as ferramentas de planejamento em todo o seu potencial. Alm disso, no h a integrao entre as vrias funes de planejamento com a operao, induzindo, uma vez mais, s solues de campo. A partir desses fatos e da vericao de poucas pesquisas desenvolvidas no setor da minerao utilizando as ferramentas da Pesquisa Operacional, este trabalho pretende contribuir com a apresentao de ferramentas ecientes de otimizao para a resoluo de um problema clssico do setor, de forma a aumentar a produtividade das empresas da rea.

1.3
1.3.1

Objetivos
Objetivo Geral

Este trabalho possui como objetivo geral propor um modelo de otimizao multiobjetivo eciente, baseado em diferentes ferramentas da PO, para o problema de planejamento operacional de lavra em uma mina a cu aberto e valid-lo atravs de um modelo de simulao.

1.3.2

Objetivos Especcos

Os objetivos especcos a serem atingidos so os seguintes: 1. Realizar uma reviso bibliogrca sobre o assunto em estudo; 2. Desenvolver e implementar um modelo matemtico de alocao de caminhes em um software de otimizao;

3. Propor um algoritmo heurstico multiobjetivo para a resoluo do problema; 4. Desenvolver um modelo de simulao comnputacional para o problema; 5. Validar os modelos matemtico e heurstico desenvolvidos por meio da simulao; 6. Determinar o sequenciamento dos caminhes atravs da simulao; 7. Possibilitar maior ecincia no planejamento operacional da produo em lavra em minas a cu aberto, e demais etapas da produo; 8. Contribuir com o desenvolvimento de metodologias que atendam casos reais da indstria mineral brasileira.

1.4

Organizao do Trabalho

Para a concretizao deste trabalho foram determinados, neste primeiro captulo, os norteadores da pesquisa e uma rpida contextualizao, que so os seguintes: introduo, justicativa para a realizao do trabalho e objetivos a serem alcanados. O restante deste trabalho est estruturado como segue. No captulo 2, as caractersticas do problema estudado so apresentadas em detalhes, bem como sua aplicao na rea de Minerao. No captulo 3 apresentada uma reviso bibliogrca e uma fundamentao terica do trabalho, abordando-se os conhecimentos relacionados otimizao multiobjetivo: mtodos exatos e heursticos; e simulao computacional. No captulo 4 apresentada uma formulao de programao matemtica para o problema, proposto um algoritmo gentico multiobjetivo e um modelo de simulao computacional capaz de validar os resultados e determinar o sequenciamneto dos caminhes. No captulo 5 so apresentados e discutidos os resultados computacionais obtidos com a aplicao da formulao de programao matemtica proposta, do mtodo heurstico e do modelo de simulao computacional.

No captulo 6 so apresentadas as concluses sobre o trabalho desenvolvido e recomendaes para trabalhos futuros.

Captulo 2 Problema Abordado

O problema em estudo trata do planejamento operacional de lavra de uma mina a cu aberto, considerando alocao dinmica de caminhes (POLAD). Como vemos na Fig. 2.1, extrada de Souza et al. (2010), o POLAD composto por um conjunto de frentes de lavra, de equipamentos de carga e de caminhes. Frente de lavra o local no qual encontra-se o material a ser retirado (lavrado), equipamentos de carga so os equipamentos responsveis pela retirada do material da frente de lavra e carregamento dos caminhes. Os caminhes so responsveis pelo transporte do material at seu ponto de descarga (destino). Nesse problema deseja-se selecionar as frentes de lavra que sero utilizadas, alocar equipamentos de carga s mesmas e determinar o nmero de viagens de cada caminho a essas frentes. Os objetivos desse problema so minimizar os desvios em relao s metas dos teores dos parmetros de qualidade e de produo de minrio e o nmero de caminhes utilizados. Para a seleo das frentes que sero exploradas na composio da mistura, necessrio levar em considerao as especicaes do minrio que nela se encontra, tais como a percentagem de determinados elementos qumicos, %Fe e %SiO2 , por exemplo. importante observar que tais especicaes variam de acordo com cada frente de lavra. Assim, de acordo com a especicao requerida para o produto desejado, uma frente deve ter prioridade em relao outra. Por outro lado, para a retirada de minrio das frentes de lavra so utilizadas

Figura 2.1: Ilustrao do POLAD carregadeiras. cada carregadeira associada uma produo mxima e uma produo mnima. A produo mxima determinada pela capacidade mxima produtiva do equipamento, enquanto a produo mnima estabelecida de forma a tornar a utilizao da carregadeira economicamente vivel. Para determinar o nmero de viagens de cada caminho a cada frente preciso considerar qual a carregadeira alocada frente, a taxa de utilizao mxima do caminho e as metas de produo de minrio e estril. A carregadeira alocada frente deve ser operacionalmente compatvel com o caminho. Alm disso, a taxa de utilizao mxima do caminho deve ser respeitada, de forma a limitar o nmero de viagens de cada caminho no perodo de uma hora. A produo de minrio deve respeitar uma proporo xa em relao quantidade de estril (relao estril/minrio), bem como as metas de produo. As metas de produo e seus limites inferior e superior so denidos pela capacidade de processamento da usina de beneciamento que receber o minrio produzido. Considerou-se neste trabalho a existncia de uma frota heterognea de caminhes, ou seja, que eles possuem diferentes capacidades de carga. Alm disso, adotou-se o mtodo de alocao dinmica, o que signica que um mesmo caminho pode ser alocado a diferentes frentes aps cada descarga de material. Essa tcnica diminui o tempo de la e aumenta a taxa de utilizao dos caminhes. Ao contrrio da maioria dos trabalhos anteriores encontrados na literatura, como por exemplo Costa et al. (2004), Guimaraes et al. (2007), Merschmann (2002)

e Souza et al. (2010), consideramos dois pontos de descarga para o material lavrado, sendo o britador primrio para descarga de minrio e a pilha de estril para descarga de estril. Isto se deve ao fato de que as trajetrias dos caminhes at a pilha de estril esto cada vez mais distantes, devido s normas de proteo ambiental, sendo signicativa a diferena entre os tempos de viagem das frentes at o britador e das frentes at a pilha de estril. Tambm consideramos o tempo de ciclo dos equipamentos como uma varivel que depende da frente de lavra, do tipo de equipamento, e do tipo de material transportado. Isto devido ao fato de que cada tipo de caminho demanda um tempo diferente para percorrer um mesmo trajeto e este tempo tambm inuenciado pelo tipo de carga (minrio ou estril).

10

Captulo 3 Reviso Bibliogrca

Neste captulo feita uma reviso dos trabalhos relacionados ao problema em estudo. Tambm apresentada a fundamentao terica na qual este trabalho se apia.

3.1

Otimizao Multiobjetivo

De acordo com Ticona (2003), a maior parte dos problemas reais encontrados na rea de otimizao envolve a obteno de diversas metas que devem ser atingidas simultaneamente. Elas geralmente so conitantes, ou seja, no existe uma soluo nica que otimize todas ao mesmo tempo. Para tal classe de problemas devemos buscar um conjunto de solues ecientes. Problemas dessa natureza so chamados de problemas de otimizao multiobjetivo por envolverem minimizao (ou maximizao) simultnea de um conjunto de objetivos satisfazendo a um conjunto de restries. Neste caso, a tomada de deciso ser de responsabilidade do analista, que dever ponderar os objetivos globais do problema e escolher uma entre as solues do conjunto de solues ecientes (Arroyo, 2002). Este sem dvida um importante tpico da otimizao, tanto para pesquisadores quanto para engenheiros, no s por causa de sua aplicabilidade nos problemas reais, mas tambm pelas questes ainda em aberto nessa rea (Coello, 1999; Zitzler, 1999).

11

3.1.1

Conceitos Bsicos

Para Coello (1999), a otimizao multiobjetivo pode ser denida como o problema de achar um vetor de variveis de deciso cujos elementos representam as funes objetivos. Essas funes formam uma descrio matemtica do critrio de otimalidade que esto em conito umas com as outras. Neste caso, o termo otimizar signica encontrar um conjunto de solues que no podem ser melhoradas simultneamente para o analista. Formalmente, um problema de otimizao multiobjetivo pode ser formulado como:

minimizar

z = f (x) = (f1 (x), f2 (x), , fOB (x))

(3.1) (3.2) (3.3) (3.4)

sujeito a : g (x) = (g1 (x), g2 (x), g3 (x), , gr (x)) b x = (x1 , x2 , x3 , , xn ) X z = (z1 , z2 , z3 , , zr ) Z

na qual x o vetor de deciso, OB o nmero de objetivs, z o vetor objetivo, X denota o espao de busca de decises, e z = f (x) a imagem de X , denominada espao objetivo. O conjunto de restries g (x) b | b R+ e o espao X determinam o conjunto das solues viveis ou factveis: X = {x X | g (x) b}. Portanto, o problema multiobjetivo pode ser escrito da forma:

minimizar sujeito a :

z = (f1 (x), f2 (x), , fr (x)) x X

(3.5) (3.6)

A imagem de X denominada espao objetivo factvel e denotada por Z = f (X ) = {f (x) | x X }. Enquanto que na otimizao mono-objetivo uma soluo tima claramente

12

identicada, pois o espao de soluo ordenado, na otimizao multiobjetivo, por outro lado, h um conjunto de alternativas, geralmente conhecidas como solues Pareto-timas, que, para Fonseca e Fleming (1995), tambm podem ser denominadas como solues ecientes, ou conjunto admissvel do problema. Segundo Pareto (1896), o conceito de Pareto-timo constitui a origem da busca na otimizao multiobjetivo. Pela denio, um vetor z Pareto-timo se no existe um outro vetor vivel z que possa melhorar algum objetivo, sem causar uma piora em pelo menos um outro objetivo. Em outras palavras, um vetor soluo z pertence ao conjunto de solues Pareto-timo se no existe nenhum vetor soluo z que domine z . Considerando um problema de minimizao, temos:
z domina z se, e somente se, zj zj j e zj < zj para algum j ;

z e z so indiferentes ou possuem o mesmo grau de dominncia se, e somente se, z no domina z e z no domina z . Neste ltimo caso, as solues no podem ser identicadas como melhor que as outras, a menos que informaes de preferncia em relao aos objetivos sejam includas. Segundo Fonseca e Fleming (1995), a otimizao multiobjetivo diverge da otimizao mono-objetivo, devido ao fato de raramente admitir uma simples soluo. Por isso, a soluo composta por uma famlia de solues pareto-ecientes (ou pareto-timas) que devem ser considerados equivalentes, em vista da ausncia de informao referente importncia de cada objetivo. De acordo com Pereira (2004), medida que se aumenta o nmero de objetivos a serem otimizados, e tambm, ponderados os objetivos menos bem comportados, o problema de buscar uma soluo pareto-tima torna-se complexo de forma rpida e progressiva. Em alguns casos, as funes objetivos poderiam ser otimizadas separadamente, uma a uma buscando um ganho no tempo computacional. Porm, solues

13

satisfatrias para o problema global raramente poderiam ser achadas neste sentido. Ou seja, uma soluo tima em um objetivo, se tal timo existe, comumente implica desempenho inaceitvel em um ou mais dos outros objetivos, resultando na necessidade de se fazer um ajuste. Para alguns autores, como Pereira (2004), os mtodos de otimizao convencional, como os baseados no Gradiente e no Simplex, adaptados aos problemas multiobjetivo apresentam restries e tornam-se inecientes. Neste caso, devemos buscar novos mtodos de otimizao para esta gama de problemas.

3.1.2

Mtodos de Otimizao Multiobjetivo

Em vista da existncia de objetivos conitantes, encontrar solues viveis que otimizem simultaneamente todos os objetivos o maior desao da otimizao multiobjetivo. Segundo Horn (1997), na soluo de problemas multiobjetivos, dois problemas podem ser identicados: busca de solues e tomada de decises. O primeiro refere-se ao processo de otimizao no qual o conjunto de solues viveis, ou factveis, deve ser guiado para o encontro do conjunto de solues Pareto-timas. O segundo problema, de tomada de decises, consiste na seleo de um critrio apropriado para a escolha de uma soluo do conjunto Pareto-timo. Este critrio ser utilizado pelo responsvel, ou decisor, para a tomada de deciso, ou seja, ele poder ponderar entre as diferentes solues conitantes. Para muitos autores, como Zitzler (1999), Veldhuizen e Lamont (2000), Fonseca e Fleming (1995) e Arroyo (2002), os mtodos de otimizao multiobjetivo podem ser classicados dentro de trs categorias: Mtodo a-priori ou tomada de deciso antes da busca. Mtodo a-posteriori ou tomada de deciso depois da busca. Mtodo iterativo ou tomada de deciso durante a busca.

14

3.1.3
3.1.3.1

Classicao dos Mtodos de Otimizao Multiobjetivo

Mtodo a-priori

Neste caso, o decisor participa da busca de solues antes da resoluo do problema. Ele poder atribuir elementos de preferncia para os objetivos atravs de duas conguraes diferentes. Em uma primeira congurao, pode-se combinar os objetivos em um nico objetivo. Neste, caso deve-se explicitar a preferncia de cada objetivo atravs de pesos. Desta forma pode-se aplicar mtodos tradicionais de otimizao mono-objetivo. Uma outra congurao a classicao ordinal de preferncias. Neste caso o problema resolvido considerando apenas o primeiro objetivo na ordem de preferncias predenidas sem se considerar os demais objetivos. A seguir, o problema resolvido para o segundo objetivo sujeito soluo encontrada para o objetivo anterior. Esse processo repetido at que se esgotem todos os objetivos. Este mtodo possui a vantagem de concentrar os esforos computacionais na busca da soluo para o problema multiobjetivo. Entretanto ele requer novas execues sempre que a preferncia de um objetivo mudar ou a incluso de algum aspecto no considerado anteriormente, at que uma soluo satisfatria seja encontrada. 3.1.3.2 Mtodos a-posteriori

Neste caso, a tomada de deciso feita aps a realizao da busca de solues pareto-timas. Essa busca feita considerando que todos os objetivos do problema multiobjetivo possuem a mesma relevncia para o problema. Aps a realizao dessa busca, obtm-se um conjunto de solues aproximadas ou Pareto-timas, no qual, o decisor deve selecionar uma soluo que se evidencia mais adequada. A principal desvantagem deste mtodo o alto custo computacional, ou seja, o tempo gasto para encontrar o conjunto de solues pareto-timas pode ser muito alto, inviabilizando o mtodo. Entretanto, como neste mtodo a mudana das

15

preferncias no implica em custo computacional, ele recomendado para problemas nos quais as preferncia so relativas. 3.1.3.3 Mtodos interativos

Neste mtodo, h uma interferncia durante o processo de busca de solues, subordinando as preferncias para nortear a busca na direo das regies onde existam solues relevantes. Esta interferncia se d atravs do decisor que pode articular o processo de otimizao de uma forma interativa. Ou seja, este, antes de cada iterao, dene as prioridades, guiando a busca a partir de um conjunto de solues conitantes. Para este mtodo tem-se a vantagem de estabelecer um mtodo intermedirio entre os mtodos anteriores. Porm, devido grande interao entre decisor e otimizador, a constante interveno de um decisor humano pode tornar o mtodo inapropriado para problemas multiobjetivos complexos.

3.1.4

Mtodos Clssicos de Otimizao

Para os problemas multiobjetivos, os mtodos convencionais de otimizao monoobjetivo no so ecientes (Pereira, 2004). Portanto, a busca por novos mtodos de otimizao que consigam vencer o grande desao deste tipo de problema tornou-se necessria. Uma forma de vencer este desao a utilizao dos mtodos clssicos de otimizao multiobjetivo. Estes mtodos surgiram da necessidade de encontrar solues com prioridades, ou pesos, associados aos objetivos. Segundo Cohon (1978) e Steuer (1986) esses mtodos clssicos escalarizam os objetivos formando um nico objetivo. Neste caso, temos um problema substituto, transformando o problema multiobjetivo em um problema mono-objetivo. Os trs mtodos clssicos utilizados, comumente, para resolver esta gama de problemas so:

16

 Mtodo da soma ponderada Mtodo -restrito. Mtodo de programao por metas 3.1.4.1 Mtodo da soma ponderada

Este mtodo consiste na transformao do problema multiobjetivo em um problema mono-objetivo atravs da atribuio de pesos para cada objetivo. Ou seja, atravs da atribuio de diferentes pesos para cada objetivo temos uma nova funo que representa a relao linear entre todos os objetivos. Desta forma, para um problema de minimizao temos:

minimizar Sujeito a :

f (x) =
i=1

wi fi (x)

(3.7) (3.8)

x X

No qual, wi o peso do objetivo fi em relao com os outros objetivos. Segundo Chankong e Haimes (1983), considerando que W = (w1 , w2 , , wr ) um vetor de pesos, uma soluo x do problema anterior ser Pareto-tima se: x for uma soluo nica e; wi > 0, i = 1, , r Para se alcanar as solues Pareto-timas, este problema deve ser resolvido iterativamente. Neste caso, deve-se considerar diferentes vetores de pesos W denidos pelos decisor de acordo com a importncia dos objetivos. Para que os pesos wi reitam aproximadamente a importncia dos objetivos, o decisor deve normaliz-los. Ou seja, para que cada peso de um objetivo expresse sua importncia em relao aos demais, os objetivos devem estar todos em uma mesma escala ou ordem de grandeza.

17

Segundo Arroyo (2002), a principal desvantagem deste mtodo que ele no consegue gerar todas as solues Pareto-timas quando o espao objetivo no convexo. Isto ocorre porque o mtodo da soma ponderada consiste em gerar diferentes retas suportes, denidas pelos valores de wi , e, geralmente, nem todos os pontos Pareto-timos admitem retas suportes. 3.1.4.2 Mtodo -restrito.

Este mtodo consiste na otimizao do objetivo mais importante sujeitando-se s restries dos outros objetivos. Considerando, em um problema de minimizao, f1 como sendo o objetivo mais importante, temos:

minimizar Sujeito a :

f 1 ( x) fi (x) i , i = 1, 2, , r

(3.9) (3.10)

na qual, i o limite superior do objetivo fi . Para construir o conjunto Pareto-timo, mesmo quando o espao objetivo no convexo, deve-se apenas variar o limite superior
i.

Porm, se este limite no

adequado, o subconjunto de possveis solues obtido pode ser vazio, ou seja, no existe soluo vivel. 3.1.4.3 Mtodo de programao por metas

Nos problemas de programao linear por metas, ou goal programming, usa-se uma tcnica da pesquisa operacional que permite a modelagem e a busca de solues para os problemas com mltiplas metas a serem otimizadas (Moraes, 2005). De acordo com Arenales et al. (2007), existem diversos mtodos para a abordagem e resoluo deste tipo de problema. Um dos mais usados o mtodo dos pesos. Ele procura converter os mltiplos objetivos em um nico. Neste mtodo

18

considera que as solues de interesse so aquelas em que as variveis de exibilizao ou de desvio esto o mais prximo de zero. Para o problema programao linear por metas considera-se que cada meta possui uma importncia diferente na otimizao representada atravs de pesos. Quanto maior a importncia da meta, maior ser o seu peso. As variveis de desvio exibilizam as restries ampliando o espao de solues factveis. De um modo geral, elas permitem que se otimize o problema com a possibilidade de avaliao das restries que esto fora das metas pr-estabelecidas. As equaes (3.11) a (3.15) exemplicam um problema de programao linear por metas.

min
j =1

cj x j +
i=1 n

+ + wi di + w i di

= Q(x)

(3.11)

s.a:
j =1

aij xj d+ = bi i + di

i = 1, , m (3.12) i = 1, , m j = 1, , n i = 1, , m (3.13) (3.14) (3.15)

bi 0 xj 0
d+ 0 i , di

Nesta formulao j = 1, , n representam atividades a serem realizadas, i = 1, , m representam restries a serem observadas, bi a meta de recursos a serem utilizados ou exigncias a serem alcanadas, cj o custo da j -sima atividadade e aij a quantidade de recurso i (ou exigncia) em uma unidade da atividade j .
Neste modelo, xj , d+ i e di representam variveis de deciso. A primeira, xj ,

quantica o nvel de operao da j -sima atividade. A segunda, d+ i , denotada por desvio positivo do recurso (ou exigncia) i, quantica o quanto a meta bi foi superada, enquanto a terceira, d i , denotada por desvio negativo, quantica o quanto falta para
+ atingir a meta bi . As constantes wi e wi indicam, respectivamente, as prioridades

dos i-simos desvios positivo e negativo em relao meta.

19

A equao (3.11) representa a funo multiobjetivo que incorpora os desvios, e suas prioridades, que devem ser minimizados. As equaes (3.14) e (3.15) denominadas condies de no negatividade das variveis de deciso.

3.2
3.2.1

Tcnicas Heursticas Multiobjetivo

Heursticas Construtivas

Segundo Souza (2000), tcnicas heursticas construtivas so mtodos que possuem o objetivo de gerar uma soluo, elemento por elemento, a partir de uma ou mais regras especcas para um dado problema de otimizao. Estas regras variam de acordo com o problema a ser resolvido. Esses mtodos so comumente utilizados para a construo de uma soluo inicial, pois, geralmente so rpidos. A soluo obtida no ser necessariamente satisfatria. Isto implica que esta soluo pode requerer um renamento aps sua construo. Eles tambm podem ser utilizados como ponto de partida para outras heursticas de renamento ou metaheursticas. Para problemas de otimizao combinatria multiobjetivo, Ehrgott e Gandibleux (2000) indicam a utilizao de heursticas construtivas para obter uma aproximao inicial do conjunto Pareto-timo de forma rpida.

3.2.2

Heursticas de Renamento

As heursticas de renamento, tambm chamadas de mtodos de busca local, so mtodos de otimizao que consistem no renamento de uma soluo. A partir dela, dene-se uma vizinhana atravs de uma regra, chamada de movimento, que a modica. Estas heursticas iniciam com uma soluo do problema, que pode ser gerada a partir de uma heurstica construtiva ou aleatoriamente, buscando-se, a cada iterao, em sua vizinhana j denida, novas solues que possam melhorar o valor da funo de avaliao do problema.

20

A ecincia desse mtodo depende da soluo inicial e da denio de uma vizinhana que estabelece uma relao entre as solues no espao de decises. Para problemas de otimizao multiobjetivo, este mtodo pode ser utilizado para melhorar um conjunto de solues dominantes gerada por uma heurstica multiobjetivo. Entre as heursticas de renamento podemos destacar o Mtodo de Descida em Vizinhana Varivel ou Variable Neighborhood Descent (VND), a qual baseia-se em buscas em diferentes estruturas de vizinhanas. Inicialmente, o VND considera um conjunto de r vizinhanas distintas, cada qual denida por um tipo de movimento. A seguir, o VND parte de um indivduo, o chamado indivduo corrente, e analisa todos os indivduos que estejam na sua primeira vizinhana, movendo-se para aquele que representar uma melhora segundo a funo de avaliao. Esse procedimento repetido at que no se encontre um indivduo de melhora. Nesse caso, parte-se para a procura do melhor indivduo na segunda vizinhana. Havendo melhora, retorna-se primeira estrutura de vizinhana; caso contrrio, passa-se para a prxima vizinhana. O mtodo termina quando encontrado um indivduo que no tem vizinho melhor que ele em qualquer das vizinhanas consideradas. Seu pseudocdigo mostrado no Algoritmo (1). Algoritmo 1 VND 1: Seja r o nmero de estruturas diferentes de vizinhana; 2: k 1; {Tipo de estrutura de vizinhana corrente} 3: enquanto k r faa 4: Encontre um vizinho s N (k) (s); 5: se f (s ) < f (s) ento 6: ss; 7: k 1; 8: seno 9: k k + 1; 10: m se 11: m enquanto 12: Retorne s;

21

Este mtodo tambm no garante que o resultado encontrado seja um conjunto Pareto-timo, pois ele pode car preso em uma regio do espao de solues. Para contornar esta situao, outros mtodos, como as metaheursticas, devem ser aplicadas.

3.2.3

Metaheursticas

Segundo Souza (2000), as metaheursticas so mtodos que visam encontrar uma boa soluo, eventualmente tima, consistindo, a cada iterao, de uma heurstica subordinada, a qual deve ser modelada especicamente para cada problema. O que diferencia as metaheursticas das heursticas convencionais que elas so genricas e podem ser capazes de fugir de um timo local. Existem muitos tipos de metaheursticas. A principal diferena entre estes tipos o mtodo de fuga do timo local. Elas so classicadas em duas categorias diferentes de metaheursticas, de acordo com o mtodo de explorao da regio das solues: busca populacional e busca local. As metaheursticas baseadas no mtodo de busca local exploram a regio das solues atravs de movimentos bem denidos. A cada iterao estes movimentos so aplicados soluo corrente, gerando uma nova soluo. O mtodo utilizado pelas metaheursticas baseadas no mtodo de busca populacional baseado na manuteno de um conjunto de boas solues. Estas solues so combinadas com o intuito de se obter uma nova soluo melhor que as duas primeiras. De acordo com Arroyo (2002) a diculdade em resolver problemas combinatrios multiobjetivos no dada somente pela sua complexidade combinatria, como no caso mono-objetivo. Ela tambm dada pela busca de todas as solues ecientes que crescem com o nmero de objetivos do problema. Para otimizar os problemas de otimizao multiobjetivo, os mtodos baseados em metaheursticas parecem ser a melhor alternativa, pois estes so exveis, ecientes e de fcil implementao. Os objetivos principais de toda metaheurstica de otimizao multiobjetivo

22

so: Minimizar a distncia do conjunto de solues dominantes encontrado ao conjunto de solues pareto-timo e Obter uma boa distribuio das solues no conjunto dominante gerado. Para Arroyo (2002), a grande maioria das publicaes de metaheursticas para problemas de otimizao multiobjetivos so baseadas em algoritmos genticos (AGs), tais comoEhrgott e Gandibleux (2000), Coello (1999), Veldhuizen e Lamont (2000) e Jones et al. (2002). Esta preferncia pode ser explicada devido ao argumento questionvel, que os AGs utilizam um conjunto de solues que podem conter informaes sobre vrias regies do espao de busca, oferecendo portanto, maiores possibilidades para encontrar o conjunto Pareto-timo ou uma aproximao.

3.3

Algoritmo Gentico Multiobjetivo

Os algoritmos genticos (AGs) foram introduzidos por John Holland, na dcada de 70. Eles fazem parte da rea de Computao Evolutiva, que constitui uma famlia de mtodos computacionais inspirados na evoluo natural das espcies. Os AGs foram criados com o intuito de aplicar os conceitos propostos por Darwin como genes, cromossomos, cruzamento, mutao e seleo natural combinados com a teoria computacional. Nesta heurstica, inicialmente, temos a gerao de uma populao formada por indivduos (possveis solues do espao de busca). Estes so combinados entre si gerando novos indivduos. Para obter uma boa diversidade so utilizados os operadores de cruzamento e mutao. Aps este processo formada uma nova gerao pela escolha de parte da nova populao e populao anterior e descarte dos demais indivduos. Este processo continuado at que algum critrio seja alcanado. Segundo Arroyo (2002) os AGs so mtodos exveis e tm a capacidade

23

de produzir solues de boa qualidade em problemas complexos e de grande porte, em tempo computacional vivel. Desta forma, eles geralmente so utilizados para a resoluo de problemas nos quais o espao de busca muito grande. A principal diferena entre um AG multiobjetivo e um AG mono-objetivo est na forma como atribudo a aptido (tness ) s solues. Para um AG monoobjetivo a melhor soluo a mais apta. No caso do AG multiobjetivo existe uma indiferena entre as solues dominantes de um conjunto referncia. Assim, necessrio denir algumas estratgias para calcular o tness das solues e para selecionar as solues com maior probabilidade de reproduo. A primeira implementao de um AG para problemas multiobjetivos foi feita por Schaer (1985), sendo denominada VEGA (Vector Evaluated Genetic Algorithm ). Ela possui uma modicao em relao ao AG convencional, pois avalia cada objetivo separadamente. Entretanto, de acordo com Ticona (2003), o mtodo proposto no permite obter uma diversidade adequada nas solues ao longo da fronteira de Pareto. Goldberg (1989) props vrias abordagens para estender as aplicaes de AGs para problemas multiobjetivos. Uma delas prope um procedimento para ordenao de solues baseado no conceito de dominncia de Pareto. Neste caso, o valor da aptido de uma soluo proporcional ao nmero de solues que ela domina. De acordo com Ticona (2003), com esta abordagem, as solues dominantes (ou no dominadas) so mais aptas sobrevivncia, obtendo assim, uma maior quantidade de clones na lista de descendentes. Goldberg (1989) tambm sugere o emprego de um mtodo de compartilhamento para manter a diversidade dos indivduos. Este permite considerar a posio dos indivduos em relao sua vizinhana (nicho), no espao de busca. Assim, indivduos que estejam melhor espalhados na fronteira de Pareto tm um melhor valor de compartilhamento. Estas abordagens citadas anteriormente foram utilizados em diversos modelos. Em alguns, o valor de aptido (tness ) proporcional dominncia da soluo.

24

Outros utilizam apenas a dominncia de Pareto e no calculam este valor. A aplicao dos AGs para problemas multiobjetivo apresenta trs grandes vantagens com relao s tcnicas tradicionais descritas na Seo 3.1.4: No introduzem parmetros adicionais no problema; Trabalham diretamente com vrias funes usando o conceito de dominncia de Pareto; Um conjunto diversifcado de solues pode ser encontrado apenas em uma execuo do AG. Segundo Deb (2001),os modelos de AGs multiobjetivos (AGM) podem ser classifcados de duas formas: No elitistas: so aqueles modelos que no utilizam alguma forma de elitismo nas suas iteraes; Elitistas: so os modelos que empregam alguma forma de elitismo. O estudo realizado por Zitzler et al. (2000) conclui que o elitismo melhora as solues encontradas por um AGM. A partir deste trabalho, os novos modelos, de uma forma geral, passaram a incorporar alguma estratgia de elitismo. Entre os inmeros Algoritmos Genticos Multiobjetivos, destacamos: Schaffer (1985), Fonseca e Fleming (1993), Horn et al. (1994), Srivivas e Deb (1995) e Zitzler (1999). Schaer (1985) prope um algoritmo chamado Vector Evaluated Genetic Algorithm (VEGA). A cada gerao, um grupo de indivduos que supera os demais de acordo com um dos n objetivos selecionado, at que n grupos sejam formados. Ento os n grupos so misturados conjuntamente e os operadores genticos so aplicados para formar a prxima gerao. No Multiobjective Genetic Algorithm (MOGA), proposto por Fonseca e Fleming (1993), cada indivduo S classicado em um nvel de acordo com o nmero

25

de indivduos que esse indivduo S domina. Todos os indivduos no dominados so classicados no nvel 1. A aptido de cada indivduo atribuda de acordo com uma interpolao entre o melhor e o pior nvel. A aptido nal atribuda a todos os indivduos de um mesmo nvel a mesma e igual mdia da aptido do prprio nvel. Dessa forma, todos os indivduos do mesmo nvel so indiferentes entre si. Horn et al. (1994), com o algoritmo Niche Pareto Genetic Algorithm (NPGA), utiliza um torneio baseado no conceito de dominncia de Pareto para seleo dos indivduos. Dois indivduos so selecionados e comparados com um subconjunto da populao de solues, sendo selecionado para a prxima gerao aquele que no for dominado. Srivivas e Deb (1995) prope o algoritmo Non-dominated Sorting Genetic Algorithm (NSGA), no qual, os indivduos so classicados em nveis de acordo com seu grau de dominncia N id , tal como nos algoritmos anteriores. Entretanto, atribudo um valor de aptido a cada indivduo de acordo com seu nvel e sua distncia em relao s outras solues do mesmo nvel, a chamada distncia de multido. A seleo feita atravs de torneios utilizando o valor de aptido at que todas as vagas para a prxima gerao sejam preenchidas. No algoritmo Strength Pareto Evolutionary Algorithm (SPEA), proposto por Zitzler (1999), utilizada a seleo baseada na relao de dominncia para avaliar e selecionar as solues. Para avaliar essa relao de dominncia e classicar os indivduos em nveis de dominncia, o SPEA usa um conjunto adicional da populao. Porm, ao contrrio dos algoritmos anteriores, os quais descartam os indivduos no selecionados, ele utiliza os indivduos no dominados da populao da gerao anterior para determinar a aptido dos indivduos da populao corrente. Alm destes, inmeros algoritmos genticos multiobjetivos foram propostos e explorados, os quais podem ser encontrados por exemplo em Knowles (2002), Deb et al. (2002), Deb et al. (2000), C. A. Coello Coello e Lamont (2002), Arroyo (2002), Arroyo e Armentano (2005), Tan et al. (2006) e Deb e Tiwari (2008).

26

3.3.1

NSGA II

O algoritmo NSGA II(Non-dominated Sorting Genetic Algorithm II) foi proposto por Deb et al. (2000) como uma evoluo do algoritmo NSGA (Faccioli, 2007). Ele combina a populao atual com a populao anterior para preservar os melhores indivduos. Alm disso, ele baseado em uma ordenao elitista por dominncia (Pareto ranking ). Esse procedimento de ordenao, conhecido como fast non dominated sorting, consiste em classicar os indivduos S de um conjunto I em diversos nveis N i1 ; N i2 ; ; N id de acordo com o grau de dominncia de tais indivduos, sendo d o nmero de nveis N i de dominncia. Assim, o nvel N i1 contm os indivduos dominantes (no dominados) de todo o conjunto I . O nvel N i2 possui os indivduos dominantes (no dominados) de I N i1 , N i3 contm as solues de I (N i1 N i2 ) e assim sucessivamente. Ou seja, o conjunto N i1 domina N i2 , N i3 , , N id , N i2 domina N i3 , , N id at N id1 domina N id .

27

Algoritmo 2 Fast Non Dominated Sorting (I ) 1: Sejam S I e p I ; 2: para cada S faa 3: IdS = ; 4: N dS = 0; 5: para cada p faa 6: se S domina p ento 7: IdS = IdS {p}; 8: m se 9: se p domina S ento 10: N d S = N d S + 1; 11: m se 12: m para 13: se N dS = 0 ento 14: N i 1 = N i 1 { S }; 15: m se 16: m para 17: d = 1; 18: enquanto N id = faa 19: aux = ; 20: para cada S N id faa 21: para cada p IdS faa 22: N d p = N d p + 1; 23: se N dp = 0 ento 24: aux = aux {p}; 25: m se 26: m para 27: m para 28: d = d + 1; 29: N id = aux; 30: m enquanto 31: Retorne N i1 , N i2 , , N id ;

O Algoritmo 2 exemplica o procedimento fast non dominated sorting. A cada indivduo (soluo) S , do conjunto de solues I , associa-se dois valores N dS e IdS . IdS o conjunto de indivduos que so dominados pelo indivduo S ; N dS o nmero de indivduos que dominam o indivduo S . Inicialmente, as linhas 2 a 16 do algoritmo 2 calculam tais valores. Pode-se

28

perceber que os indivduos com N dS = 0 (no dominados) esto contidos no nvel N i1 . Em seguida, as linhas 17 a 30 percorrem o conjunto de indivduos dominados IdS para cada indivduos S de N id . O contador N dS de cada indivduo S em IdS diminudo em 1 unidade. Se N dS = 0, ento a soluo S pertence frente corrente. O algoritmo repetido at que todos os indivduos estejam classicados em um nvel N id . Uma vez que a ordenao est completa calculada a distncia de multido (crowding distance ). Ela consiste na mdia da distncia de dois indivduos adjacentes de cada indivduo da populao para todos os objetivos. Assim, os indivduos so classicados quanto sua distribuio no conjunto soluo, sendo que os indivduos mais espalhados so priorizados. Isto feito para garantir que o conjunto de indivduos encontrado seja um conjunto mais prximo do conjunto Pareto-timo. O Algoritmo 3 mostra como calcular tal valor. Neste algoritmo, distS o valor da distncia de multido do indivduo S do conjunto I , N S o nmero de solues contidas em I , fobj (S ) o valor da obj -sima funo objetivo da soluo S . Algoritmo 3 Crowding Distance 1: distS = ; 2: para cada obj faa 3: classicar obj por fobj ; 4: dist0 = distN S 1 = ; 5: para S = 1 at N 1 faa 6: distS = distS + fobj (S + 1) fobj (S 1) ; 7: m para 8: m para 9: Retorne distS ;

A Fig. 3.1 exemplica o clculo da distncia de multido que representa uma estimativa do tamanho do maior "cubide". O clculo dessa mtrica permite que os indivduos melhor espalhados passem a ocupar as ltimas vagas disponveis para a prxima gerao, garantindo a diversidade das solues. O NSGA-II emprega um processo de seleo por torneio, considerando que a aptido (tness ), rankS , de cada indivduo S , depende da fronteira N id qual pertence e da distncia de multido distS . Neste caso, um indivduo S comparado

29

Figura 3.1: Ilustrao do clculo da distncia de multido um indivduo p para escolher qual deles deve ser utilizado para gerar descendentes na nova populao. O indivduo selecionado ser aquele que possuir um menor valor de rank . Ou seja o indivduo S ser escolhido se S possui um ranking menor que p (rankS < rankp ). Se ambos os indivduos possuem o mesmo ranking, ser escolhido aquele que possuir um maior valor de distncia de multido (rankS = rankp e distS > distp ). Quanto ao seu funcionamento, este mtodo baseia-se nos conceitos citados anteriormente, conjuntamente com os conceitos tradicionais dos algoritmos genticos. Primeiramente denida uma populao inicial P0 com N S indivduos que ordenada utilizando o algoritmo 2. Ento, formada uma nova populao G com a aplicao dos operadores genticos tradicionais. Como este um mtodo elitista, a prxima gerao ser formada pelos indivduos mais aptos pertencentes ao conjunto R, que formado pela unio ente os conjuntos P e G (R = P G). Os indivduos mais aptos so denidos pelos Algoritmos 3 e 2. Este processo repetido at que se atinja o nmero mximo de iteraes GERmax (ou nmero mximo de geraes), ou outro critrio de parada denido pelo analista. A sequncia de passos seguido pelo NSGA-II descrita no algoritmo 4.

30

Algoritmo 4 NSGA II 1: G0 ; 2: Crie uma populao inicial P0 ; 3: Aplique operadores genticos sobre P0 para criar G0 ; 4: para g = 0 at GERmax faa 5: Ordene Rg = Pg Gg (Fig. 2); 6: d = d + 1; 7: enquanto |Pg+1 + N id | N S faa 8: Calcule a distncia de multido para N id (Fig. 3); 9: Pg+1 = Pg+1 N id 10: d=d+1 11: m enquanto 12: Calcule a distncia de multido para N id (Fig. 3); 13: Classique N id ; 14: Copie as primeiras N S |Pg+1 | solues de N id para Pg+1 ; 15: Gere a nova populao Gg+1 aplicando os operadores genticos em Pg+1 ; 16: m para 17: Retorne Pf inal ;

3.4
3.4.1

Simulao Computacional
Conceitos Bsicos

A simulao surgiu da curiosidade e da necessidade do homem precisar estimar e prever o comportamento do mundo ao qual ele est inserido. Os primeiros modelos eram basicamente compostos por desenhos e miniaturas dos sistemas ou objetos em estudo. Atualmente os mtodos de simulao consistem basicamente de um modelo computacional com um conjunto de variveis matemticas que apresentam o mesmo comportamento de um sistema real. A simulao computacional de sistemas, ou apenas simulao, consiste na utilizao de certas tcnicas matemticas, empregadas em computadores, as quais permitem imitar o funcionamento de uma operao ou processo do mundo real, ou seja, o estudo do comportamento de sistemas reais atravs da utilizao de modelos. Entre as diversas denies para a simulao, podemos citar Pedgen et al. (1995), o qual arma que a simulao um processo de modelagem computacional

31

de um sistema real, e conduo de experimentos com este modelo almejando o entendimento de seu comportamento e/ou avalio de estratgias para sua operao. A partir desta denio, podemos concluir que a simulao um processo amplo que engloba todo o mtodo experimental visando: Compreender o comportamento do sistema; Desenvolver hipteses considerando o modelo; Usar o modelo para prever o comportamento futuro. Segundo Banks et al. (1999), a simulao uma das tcnicas de pesquisa operacional mais largamente utilizadas e aceitas. Esta aceitao pode ser atribuda ao fato desta ferramenta possuir uma ampla aplicabilidade e exibilidade, alm da agilidade e facilidade de manipulao sem custos dispendiosos para as empresas. De acordo com Law e Kelton (1991) esta aceitao das tcnicas de simulao tambm so provenientes da facilidade do uso de modelos visuais. De acordo com Shwif e Medina (2006), a simulao refere-se a uma vasta coleo de mtodos e aplicaes que imitam sistemas reais, na maioria dos casos com o auxlio de computadores e softwares adequados. Ou seja, so modelos computacionais de um sistema real, com o intuito de se conduzir experimentos com estes modelos buscando o entendimento de seu comportamento e/ou avaliao de estratgias para sua operao. Estes modelos so comumente usados para a explicao do comportamento dos sistemas, para a anlise de hipteses e construo de teorias a respeito do seu funcionamento. Eles tambm podem ser usados para melhorar o desempenho de um sistema, projetar novos sistemas ou ainda prever comportamentos do sistema em estudo e validar modelos matemticos obtidos atravs de outras ferramentas da pesquisa operacional. Para facilitar a compreenso deste tema, usaremos a seguinte terminologia: Entidades: so os elementos do sistema a ser simulado. Elas podem ter

32

o seu estado modicado ao longo da simulao e podem ser identicados e processados individualmente. Classes: so conjuntos de entidades. Estado ativo: estado de entidade que representa o processamento de diferentes classes de atividades. Estado inativo ou morto: estado de entidade que representa uma situao de espera. Processo: uma seqncia de eventos dentro de uma ordem cronolgica. Atributos: so informaes caractersticas de cada entidade que podem ou no variar durante o processo. Variveis: so informaes das entidades ou atividades que podem variar durante o processo. Evento: uma mudana no estado do sistema que ocorre em um instante do tempo. Atividades: so as aes e procedimentos iniciados em cada evento. Evento B: a atividade cujo instante de trmino pode ser agendado, tendo seu incio a partir de determinado evento. Evento C: aquela cuja ocorrncia depende da condio do modelo naquele instante, ou seja, que est sujeita a colaborao de diferentes classes ou do atendimento de condies pr-determinadas naquele instante. Relgio de simulao: o ponto alcanado pelo tempo simulado. Os modelos de simulao podem ser classicados de diversas formas. As classicaes mais comumente usadas esto ligadas ao tipo de eventos, sejam eles discretos ou contnuos.

33

Nos modelos de eventos contnuos, o estado do modelo muda continuamente durante o tempo. Os modelos de eventos discretos so aqueles em que o estado do modelo muda em intervalos de tempo discretos, mas provavelmente aleatrios ou quando ocorre um evento (Rodrigues, 2006). Porm, segundo Shwif e Medina (2006), um modelo discreto nem sempre usado para modelar um sistema discreto e um modelo contnuo nem sempre usado para modelar um sistema contnuo. A escolha de qual tipo de modelo deve ser usado depende das caractersticas do sistema abordado e do problema em estudo. Modelos de simulao de sistemas de alocao de equipamentos so geralmente um sistema discreto com uma combinao de eventos determinsticos e estocticos. Os modelos determinsticos possuem um conjunto xo de entradas no aleatrias que resultaro em um conjunto nico de sadas. Os modelos estocsticos possuem entradas aleatrias e sadas aleatrias. Muitos sistemas s sero adequadamente representados por distribuies de probabilidade. Entre os mtodos de construo de modelos discretos, a abordagem das trs fases e a abordagem por processos para execuo da simulao, de um modo geral, so os mais utilizados. Segundo Shwif e Medina (2006), a abordagem das trs fases consiste, inicialmente, na determinao do instante no qual est agendada uma atividade B e move o relgio de simulao para este instante caracterizando a fase A. A fase B caracteriza-se pela vericao de quais so as atividades B para este instante e as executa. Na fase C, aps a execuo de todas as atividades B, analisam-se todas as condies de incio de todas as atividades C num dado instante, e executam-nas de modo que todas as possveis atividades C sejam processadas. Para a construo de um modelo de simulao deve-se primeiro desenvolver um diagrama de ciclo de atividades (DCA) que faz uso de dois tipos diferentes de classes de entidades denidas anteriormente, ativas e inativas (ou mortas). Este

34

por sua vez um diagrama que representa o ciclo individual de atividades de uma entidade (ou ciclo de vida). O diagrama completo formado pelo conjunto de ciclos de atividades das entidades do sistema simulado. A Fig. 3.2 representa os elementos da notao clssica para o DCA.

Figura 3.2: Elementos da notao clssica de um DCA Aps a construo do DCA, deve-se implement-lo utilizando um software adequado e preferindo comear por um modelo simples e, a partir desse, construir modelos mais complexos. Isto torna o modelo mais convel (Rodrigues, 2006). Contudo, antes de qualquer deciso ser tomada com base no modelo, ele precisa ser validado. A validao assegura que o comportamento do modelo est sendo el ao comportamento do sistema real em estudo. Esta validao compara seu desempenho e comportamento com o sistema real. Finalmente, importante ressalvar que nenhum modelo representa exatamente o sistema em estudo. Portanto, as concluses obtidas precisam levar em considerao as diferenas entre o modelo e o sistema real (Rodrigues, 2006).

3.5

Pesquisa Operacional Aplicada Minerao

Devido importncia e complexidade do planejamento de lavra, segundo Crawford e Hustrulid (1979), o desao de otimizao deste processo tornou-se um dos grandes problemas enfrentados pelas empresas do setor mineral. Inmeros trabalhos

35

tratando desse problema podem ser encontrados na literatura. O trabalho proposto por White et al. (1982) apresenta um modelo de programao linear para minimizar o nmero de caminhes necessrios atravs de restries relacionadas continuidade do uxo de material pelos pontos de carga e descarga e s respectivas capacidades produtivas. White e Olson (1986) apresenta um modelo de programao linear, no qual realiza-se uma otimizao do problema da mistura de minrios. O objetivo a minimizao dos custos relacionados qualidade, transporte e estocagem do material. Ele considera o ritmo de lavra, o atendimento s taxas de alimentao da usina de beneciamento e de qualidade da mistura. Em Chanda e Dagdelen (1995) apresentado um modelo de programao linear por metas, no qual se deseja minimizar os desvios em relao s metas de produo e qualidade. Segundo os autores, esta tcnica mais adequada realidade das mineraes, pois seu objetivo fazer com que a soluo tima seja a mais prxima possvel das metas de produo e qualidade requeridas. Merschmann e Pinto (2001) sugeriram dois modelos diferentes para a alocao dos equipamentos os quais buscam maximizar o ritmo de lavra. Um destes considera a alocao esttica de caminhes, isto , um determinado caminho s realiza viagens a uma nica frente. O outro adota um modelo de alocao dinmica de caminhes, ou seja, um caminho pode realizar viagens a diferentes frentes aps cada descarga. Merschmann (2002) desenvolveu um sistema computacional de otimizao e simulao para o problema de planejamento operacional de lavra chamado OTISIMIN. O sistema de simulao utiliza o resultado do modelo de otimizao. O modelo de programao linear utilizado na otimizao no considera as metas qualidade, bem como o minimizao do nmero de caminhes utilizados. Costa et al. (2004) e Costa et al. (2005) generalizaram o modelo de Merschmann e Pinto (2001), incluindo mais restries operacionais, alm de tratar vrios requisitos operacionais de forma conjunta. No primeiro trabalho, faz-se a alocao

36

dinmica dos caminhes, enquanto no segundo, a alocao esttica. Em ambos os trabalhos foi utilizada a programao linear por metas, sendo considerada uma funo mono-objetivo representada pela soma ponderada dos desvios das metas de produo e qualidade requeridas. Ramos Neto e Pinto (2004) desenvolveram um Template, conjunto de mdulos, chamado Minerao 1.0, para utilizao no programa ARENA, visando facilitar a modelagem e a simulao de operaes de carregamento e transporte em minas a cu aberto. O Template prev as atividades de carga, descarga, deslocamento vazio e carregado dos caminhes, alm de paradas para manuteno dos equipamentos de carga e transporte, bem como a alocao esttica e dinmica de caminhes. Uma vez que o ritmo de lavra de cada frente tambm depende da administrao logstica, no tocante s caractersticas dos equipamentos de carga e transporte que nelas operam, Guimaraes et al. (2007) desenvolveram um modelo de programao linear por metas e alocao dinmica que acrescentava ao modelo de Costa et al. (2004) restries de taxa de utilizao dos veculos de transporte. Alm disso, a formulao proposta considerava um terceiro objetivo, o da minimizao do nmero de veculos. Os resultados do modelo de otimizao eram, ainda, validados por um modelo de simulao computacional. Pantuza Jr. e Souza (2009) propem um modelo de programaao linear multiobjetivo, adotando o mtodo clssico de resoluo -restrito. Este trabalho considerou dois pontos de descarga, uma para minrio e outro por estril e que o tempo de ciclo dos caminhes depende do modelo do caminho, do material tranportado (minrio ou estril), e da distncia entre a frente e o ponto de descarga. O trabalho de Souza et al. (2010) busca minimizar os desvios de produo e qualidade de minrio, assim como o nmero de caminhes. Os autores usam o sistema de alocao dinmica e propem um algortmo heurstico hbrido, baseado em Vizinhana Varivel, e comparam os resultados obtidos com um modelo de programao inteira mista implementado no otimizador CPLEX.

37

Captulo 4 Metodologia
Segundo Costa (2005), O POLAD enquadrado na classe de problemas NP -difceis (do termo em ingls NP-Hard ); justicando-se, por isso, a aplicao de metaheursticas para a resoluo do mesmo. Essas tcnicas buscam uma boa soluo em tempo hbil; entretanto, no h garantia que o resultado encontrado seja uma soluo tima. As metaheursticas, ao contrrio dos procedimentos heursticos clssicos, possuem mecanismos que possibilitam escapar dos timos locais ainda distantes do timo global. Dentre as metaheursticas encontradas na literatura, empregaremos o NSGA II, que um algoritmo gentico (AG) para problemas multiobjetivos. O NSGA II difere de um Algoritmo Gentico simples apenas na forma como executada a seleo, uma vez que os operadores genticos de recombinao e mutao permanecem os mesmos. Esta seleo baseada na relao de dominncia entre os indivduos da populao corrente. A vantagem do NSGA II sua capacidade de, a cada gerao (ou iterao), utilizar uma trajetria diferente de busca. Isto se deve ao fato de que novos indivduos sempre so obtidos por meio de combinaes das populaes anteriores. Ele tambm explora uma populao diferente a cada gerao. Esta estratgia de busca permite explorar vrias regies do espao de solues. Tambm ser utilizado, conjuntamente com o algoritmo NSGA II, um algoritmo de busca local. Isto se deve ao fato de que segundo Arroyo (2002), a

38

incorporao de mtodos de busca local a algoritmos genticos geralmente contribui para a melhora destes, em termos da qualidade da soluo nal. Este captulo est organizado como segue. Na seo 4.1 apresentado um modelo de programao matemtica, o qual leva em considerao pontos diferentes de descarga de material, bem como tempos de ciclo dependentes do tipo de caminho, dos dois pontos de descarga (britador ou pilha de estril), da distncia do ponto de carga ao ponto de descarga e do tipo de material carregado (minrio ou estril). Na seo 4.2 apresentada uma modelagem heurstica multiobjetivo para resolver o problema. Na seo 4.3 apresentada um modelo de simulao computacional para validar o modelos exato e heurstico e fazer o sequenciamento das viagens dos caminhes.

4.1

Modelo Matemtico

Nesta seo extendido o modelo de programao matemtica para o planejamento operacional de lavra com alocao dinmica de caminhes proposto em Pantuza Jr. e Souza (2009). Considera-se, neste modelo, tempo de ciclo relacionado com o tipo do caminho, dois pontos de descarga (britador e pilha de estril), distncia da frente de lavra em relao aos pontos de descarga, bem como o tipo de material transportado (minrio ou estril). Para a apresentao do modelo, sejam os seguintes dados de entrada: : Conjunto de frentes de minrio; : Conjunto de frentes de estril; : Conjunto de frentes formado por M E ; : Conjunto dos parmetros de qualidade analisados no minrio; : Conjunto de equipamentos de carga; : Conjunto de equipamentos de transporte; : Conjunto de ns formado pelo conjunto F mais os ns brit, pest, inicio e f im; brit : N que representa o britador primrio (ponto de descarga de minrio); pest : N que representa a pilha de estril (ponto de descarga de estril); inicio : N ctcio que representa o n origem; f im : N ctcio que representa o n destino; Pr : Ritmo de lavra recomendado (t/h); M E F Q C V N

39

Pl Pu + tij trj tlj tuj j + j j

+ j

: : : : : : : : : : : : : : : : : : : : : : :

l Qui rem Clmk Cumk Clek Cuek Tx capml capel T v(l,o,d)

T cM inl : T cEstl : T cl :

Ritmo de lavra mnimo (t/h); Ritmo de lavra mximo (t/h); Penalidade por desvio negativo da produo; Penalidade por desvio positivo da produo; Teor do parmetro j na frente i (%); Teor recomendado para o parmetro j na mistura (%); Teor mnimo admissvel para o parmetro j na mistura (%); Teor mximo admissvel para o parmetro j na mistura (%); Penalidade por desvio negativo para o parmetro j na mistura; Penalidade por desvio positivo para o parmetro j na mistura; Penalidade por desvio negativo em relao tlj para o parmetro j na mistura; Penalidade por desvio positivo em relao tuj para o parmetro j na mistura; Penalidade pela utilizao do caminho l; Ritmo de lavra mximo para a frente i (t/h); Relao estril/minrio requerida; Produo mnima de minrio do equipamento de carga k ; Produo mxima de minrio do equipamento de carga k ; Produo mnima de estril do equipamento de carga k ; Produo mxima de estril do equipamento de carga k ; Taxa de utilizao mxima dos caminhes; Capacidade de minrio dos caminhes l; Capacidade de estril dos caminhes l; Tempo de viagem do caminho l do n de origem o at o n de destino d somado ao tempo de carga e descarga; Tempo de ciclo do caminho l para frentes de minrio; Tempo de ciclo do caminho l para frentes de estril; Tempo de ciclo total do caminho l;

Denamos as seguintes variveis de deciso para o POLAD: xi yij d+ j d j : : Ritmo de lavra da frente i (t/h); 1 Se o equipamento de carga j opera na frente i; 0 Caso contrrio.

: Desvio positivo do parmetro j na mistura (t/h); : Desvio negativo do parmetro j na mistura (t/h);

40

de j de+ j P P+ ul z(l,o,d) nil

: : : : : : :

Desvio negativo em relao ao limite mnimo do parmetro j na mistura (t/h); Desvio positivo em relao ao limite mximo do parmetro j na mistura (t/h); Desvio negativo do ritmo de lavra em relao ao recomendado (t/h); Desvio positivo do ritmo de lavra em relao ao recomendado (t/h); 1 Se o caminho l est sendo utilizado; 0 Caso contrrio. Nmero de vezes que o caminho l ir percorrer o arco (o,d); Nmero de viagens do caminho l at a frente i.

O modelo de programao matemtica, apresentado pelas equaes (4.1) a (4.37), representam o problema em estudo. Minimizar

F O1 = P + + P + FO = + + + + (j dj + j dj ) + (j de 2 j + j dej ) j Q j Q l ul F O3 =
l V

(4.1)

sujeito a:

(tij tuj )xi de+ 0 j

iM

j Q j Q j Q

(4.2) (4.3) (4.4) (4.5) (4.6) (4.7)

(tij tlj )xi + de 0 j

i M + (tij trj )xi + d = 0 j dj i M

xi P u 0
i M

xi P l 0
iM

xi P r + P P + = 0
i M

xi Qui 0 xi Rem
i E iM

i F

(4.8) (4.9)

xi 0

41

yik 1
k C

i F k C i M

(4.10) (4.11) (4.12)

yik 1
iF

xi
kC

Cumk yik 0

xi
k C

Cuek yik 0 Clmk yik 0

kC

i E i M i E

(4.13) (4.14) (4.15)

xi xi

Clek yik 0
kC

xi
l V

z(l,o,brit) capml = 0 z(l,o,pest) capel = 0

l V

i M, o M i E, o E i M, o M, l V

(4.16) (4.17) (4.18)

xi

nil z(l,o,brit) = 0

nil z(l,o,pest) = 0 z(l,brit,d) 1

i E, o E, l V l V, d M

(4.19) (4.20)

z(l,pest,d) 1 T cl 60
kC,glk =1

l V, d E l V, i F

(4.21) (4.22)

yik 0

T cl Tx 60 T cl ul 60

l V l V

(4.23) (4.24)

42

z(l,inicio,brit)
oF

z(l,brit,o) = 0 z(l,pest,o) = 0
o F

l V, o F l V, o F l V, o M, d M

(4.25) (4.26) (4.27)

z(l,inicio,pest)

(z(l,brit,o) + z(l,pest,o) ) z(l,o,brit) = 0

(z(l,brit,o) + z(l,pest,o) ) z(l,o,pest) = 0 z(l,brit,f im)

o M

l V, o E l V, o M l V, o E

(4.28) (4.29) (4.30)

z(l,o,brit) = 0 z(l,o,pest) = 0
oE

z(l,pest,f im)

ul {0, 1} yik {0, 1} nil Z + z(l,o,d) Z + xi 0 + + dj , dj , dej , de 0 j + p ,p 0

l V i F, k C i F, l V l V, o N, d N i F j Q

(4.31) (4.32) (4.33) (4.34) (4.35) (4.36) (4.37)

O tempo de ciclo total do caminho l para todas as viagens ele alocadas (T cl ), em minutos, calculado pela Eq. (4.38).

T cl = T cM inl + T cEstl Nesta equao, tem-se:

(4.38)

T cM inl T cEstl

=
oM

(z(l,brit,o) T v(l,brit,o) + z(l,o,brit) T v(l,o,brit) + z(l,pest,o) T v(l,pest,o) ) (z(l,pest,o) T v(l,pest,o) + z(l,o,pest) T v(l,o,pest) + z(l,brit,o) T v(l,brit,o) )
oE

(4.39) (4.40)

O modelo possui trs funes objetivo: F O1 , F O2 e F O3 , dadas pelas equaes (4.1). A funo F O1 uma medida de avaliao do desvio de produo. Os fatores e + representam pesos dados a uma produo abaixo e acima da meta de produo estabelecida, respectivamente.

43

A funo F O2 uma medida de avaliao dos desvios de qualidade dos + parmetros de controle na mistura. Os fatores j e j representam pesos dados a um desvio abaixo ou acima da meta desejada para o j -simo parmetro de controle, + respectivamente; enquanto j e j so pesos dados a um desvio abaixo ou acima do limite mnimo ou mximo, respectivamente, estabelecido para o parmetro de controle j . A funo F O3 , por sua vez, uma medida de avaliao do nmero de veculos necessrios ao processo produtivo. Os fatores l indicam os pesos atribudos aos veculos l. As restries (4.2) e (4.3) permitem extrapolar os limites mximos e mnimos para os parmetros de controle. Pelo conjunto de restries (4.4) objetiva-se alcanar a meta de teor dos parmetros de controle. As restries (4.5) impedem que o ritmo de lavra seja maior que a capacidade de armazenamento da mina. As restries (4.6) asseguram uma produo mnima. Pela Eq. (4.7) busca-se alcanar o ritmo de lavra recomendado. As restries (4.8) asseguram que o ritmo de lavra em cada frente no supera a quantidade de minrio disponvel para a frente. A restrio (4.9) assegura o atendimento relao estril / minrio recomendada. O conjunto de restries (4.10) dene que em cada frente h um nico equipamento de carga, enquanto que (4.11) dene que cada equipamento de carga opera no mximo em uma nica frente. As restries (4.12) e (4.13) impedem que o ritmo de lavra em cada frente seja maior que a produtividade da carregadeira nela alocada. As restries (4.14) e (4.15) asseguram que uma carregadeira s pode ser alocada a uma frente se sua produtividade mnima for satisfeita. As restries (4.22) refrem-se s compatibilidades dos caminhes com os equipamentos de cargas alocados s frentes. J as restries (4.17) denem que o ritmo de lavra em cada frente de estril dado pela soma do nmero de viagens quela frente feita por todos os caminhes carregando estril. As restries (4.16) tm funo semelhante das restries anteriores, porm com caminhes carregando minrio. As restries (4.20) e (4.21) denem que o caminho obrigatoriamente deve realizar todas as viagens para ele alocadas primeiramente a um conjunto de frentes (somente minrio ou somente estril) e, depois, ao outro (estril ou minrio). Isto , se o caminho tiver que realizar 3 viagens a uma frente de minrio e 2 a uma frente de estril, ento ele deve realizar todas as 3 viagens frente de minrio e s depois as duas viagens frente de estril. As restries (4.23) asseguram que a taxa mxima de utilizao do caminho l respeitada. As restries (4.24) asseguram que se um caminho usado para fazer algum carregamento, ento a varivel de deciso ul assume o valor unitrio. As restries (4.25), (4.26), (4.27), (4.28), (4.29) e (4.30) asseguram o balanceamento dos arcos para a abordagem utilizando uxo em redes.

44

As demais restries (4.18), (4.19), (4.31), (4.32), (4.33), (4.34), (4.35), (4.36) e (4.37) denem o domnio das variveis de deciso.

4.2
4.2.1

Modelo Heurstico
NSGA II Aplicado ao POLAD

Para sua aplicao ao POLAD, o procedimento heurstico NSGA II, descrito no algoritmo 4, pgina 31, foi adaptado s particularidades do problema em estudo. Ele comea sua execuo partindo de uma populao inicial gerada aleatoriamente, como descrito na seo 4.2.3, sendo N S o nmero mximo de indivduos da populao denido empiricamente. Aps esse passo, os indivduos so classicados em diversos nveis N i1 , N i2 , , N id de acordo com o grau de dominncia de tais indivduos, assim como descrito na seo 3.3.1, Algoritmo 2 pgina 27. Para denir o grau de dominncia foram utilizadas as funes de avaliao descritas na seo 4.2.4, pgina 48 . Aps isso, formada uma nova populao G de indivduos pela aplicao dos operadores genticos de seleo e reproduo, conforme descrito na seo 4.2.5. Os seis indivduos mais aptos so denidos segundo a seo 3.3.1, pgina 27. Este processo repetido at que se atinja o nmero mximo de geraes GERmax , que tambm foi denido por meio de testes empricos. Dessa forma no h garantia que o conjunto nal de solues encontradas utilizando o algoritmo proposto seja pareto-timo. As subsees seguintes detalham a implementao do algoritmo NSGA II para o POLAD.

4.2.2

Representao de um Indivduo

A representao de um indivduo, ou soluo, para o POLAD, foi baseada em Costa (2005), que, segundo o autor, torna mais fcil a avaliao dos objetivos. Para a denio de um indivduo s, sejam os seguintes conjuntos e parmetros: V : conjunto dos veculos de transporte (caminhes); N : conjunto de ns, composto pelo n origem (inicio), pelo conjunto de frentes de lavra F , pelos pontos de descarga (britador (brit) e pilha de esteril (pest)), e pelo n destino (f im); S : indivduo formado por |V | caminhes;

45

 sl : parte de um indivduo S , de dimenses |N | (|N |+1), relativo ao caminho l V , sendo lV sl = S . Assim, um indivduo S uma matriz tridimensional |N | (|N | + 1) |V |. A submatriz sl desse indivduo pode ser decomposta em duas outras submatrizes A e B na forma: sl = A|N |1 B|N ||N | . Cada elemento ai da submatriz A representa a alocao dos equipamentos de carga frente i N e os respectivos status desses equipamentos, os quais podem estar ativos ou no. A submatriz A comum a todas as partes sl do indivduo S . Cada elemento bij da submatriz B representa o nmero de vezes que cada equipamento de transporte l V percorre o arco (i, j ), ou seja o nmero de vezes que ele parte do n de destino i para o n de destino j , tal que i, j N . A Fig. 4.1 exemplica uma soluo para um caminho l. Nesta Figura, as frentes F1 e F2 so de minrio, enquanto as frentes F3 , F4 e Fi so de estril.
inicio F1 F2 F3 F4 . . . Fi brit pest f im Carga (Car2 ,1) (Car8 ,0) (Car3 ,1) (Car4 ,1) . . . (Disp,0) inicio 0 0 0 0 X . . . 0 0 0 0 F1 0 0 0 0 X . . . 0 3 0 0 F2 0 0 0 0 X . . . 0 0 0 0 F3 0 0 0 0 X . . . 0 1 1 0 F4 0 0 0 0 X . . . 0 0 0 0 ... ... ... ... ... ... ... ... ... ... ... Fi 0 0 0 0 X . . . 0 0 0 0 brit 3 3 0 0 X . . . 0 0 0 0 pest 2 0 0 2 X . . . 0 0 0 0 f im 0 0 0 0 X . . . 0 4 1 0

Tabela 4.1: Representao da parte sl do indivduo S Nessa representao, consideramos que o caminho sempre sai da origem e caminha at o britador, realizando primeiramente as viagens s frentes de minrio a ele alocadas. A seguir, realiza as viagens s frentes de estril. Finalmente, aps o trmino das viagens, ele caminha at o n destino. Pode-se observar, no exemplo da Fig. 4.1, na linha F1 da coluna Carga, o valor (Car2 ,1). Esse valor indica que o equipamento de carga Car2 est alocado frente F1 e est ativo. Na coluna Carga, linha F2 , o valor (Car8 ,0) indica que o equipamento de carga Car8 est alocado frente F2 , mas est inativo. Ainda na coluna Carga, linha Fi , o valor (Disp, 0) indica que esta frente est disponvel pois no h equipamento de carga alocado a ela. O X na linha F4 representa a imcompatibilidade entre o caminho l e a carregadeira Car4 . O smbolo na coluna Carga signica que nenhuma carregadeira pode ser alocada ao n correspondente. O valor 3 da clula binicio,brit indica que o caminho l far 3 viagens s frentes de minrio, enquanto que o valor 2 da clula binicio,pest mostra que o caminho l far 2 viagens s frentes de estril. Na linha brit, so mostradas o nmero de viagens

46

que o caminho l sair do britador at cada frente, bem como o nmero total de viagens realizadas. Por exemplo, o valor 3 da clula bbrit,F1 indica que o caminho l sair do britador e far uma viagem at a frente de minrio F1 , retornar ao britador e repetir esta rota trs vezes. Depois de realizar todas as viagens frente de minrio F1 , ele partir do britador em direo a outra pilha de minrio ou em direo a uma frente de estril. No exemplo apontado, o caminho l caminhar at a frente de estril F3 e retornar pilha de estril. A partir da pilha de estril pest, ele retornar frente F3 , voltando, seguir, pilha de estril pest, completando, assim, todas as viagens a ele alocadas.

4.2.3

Populao Inicial

O processo de determinao da populao inicial pode ser dividido em trs estgios, cada qual repetido para cada indivduo S at que se atinja o nmero mximo de indivduos N S da populao. No primeiro estgio, para cada equipamento de carga disponvel, uma frente de lavra escolhida aleatoriamente na submatriz A (seo 4.2.2), sendo que cada frente recebe, no mximo, um nico equipamento. O segundo estgio repetido para toda frente que possua uma carregadeira alocada. Para cada caminho que seja compatvel operacionalmente com a carregadeira, um valor aleatrio, menor que o nmero mximo de viagens que o caminho l pode realizar, atribudo. Esse nmero mximo de viagens estimado como sendo o nmero de viagens possveis em uma hora considerando a taxa de utilizao do caminho e seu tempo de ciclo mdio a duas frentes escolhidas aleatoriamente, sendo uma de minrio e outra de estril. O nmero de viagens atribudo clula bFi ;brit se a frente for de minrio ou clula bFi ;pest , se a frente for de estril. Essa atribuio feita para a carregadeira at que a sua produtividade mxima seja alcanada ou at que no haja mais caminhes disponveis. Um caminho s utilizado na frente i se sua taxa mxima de utilizao no tiver sido atingida. No terceiro estgio, o restante da submatriz B preenchido atravs de um balanceamento entre os ns, respeitando a ordem de visitas. Isto , o nmero de viagens do n inicio at o n brit (binicio,brit ) igual ao somatrio de todas as viagens do caminho l s frentes de minrio. Para o o nmero de viagens do n inicio at o n pest (binicio,pest ) igual ao somatrio de todas as viagens do caminho l s frentes de estril. Observa-se que as viagens do caminho l, para o clculo de seu tempo de ciclo no modelo exato e heurstico, sempre comeam pelo n ctcio de origem (n inicio), prossegue em direo ao britador (n brit) e, a seguir, realiza todas as viagens s frentes de minrio (conjunto de ns M ), intercalando as viagens entre as

47

frentes de minrio e o britador. Em seguida, o caminho realiza as viagens s frentes de estril (conjunto de ns E ), intercalando as viagens s frentes de estril e pilha de estril (n pest). Aps realizar todas as suas viagens, o caminho l segue para o n ctcio f im.

4.2.4

Avaliao da Populao

Os indivduos da populao so avaliados segundo a relao de dominncia de Pareto. Cada indivduo classicado em um nvel de acordo com o seu grau de dominncia em relao aos outros indivduos (vide a seo 3.3.1). Ou seja, a cada objetivo, um indivduo S comparado a outro S , denindo-se assim, a relao de dominncia entre eles. Os indivduos de um mesmo nvel so diferenciados pala distncia de multido determinada pelo Algoritmo 3, pgina 29. Os objetivos para calcular tal relao de dominncia so os desvios em relao s metas de produo de minrio (subseo 4.2.4.1) e parmetros de qualidade (subseo 4.2.4.2) e o nmero de caminhes utilizados (subseo 4.2.4.3). Outros objetivos desejveis, como a relao estril/minrio (subseo 4.2.4.4), taxa de utilizao dos caminhes (subseo 4.2.4.5) e a produo das carregadeiras (subseo 4.2.4.6 tambm so avaliados. Entretanto eles no so utilizados para calcular a relao de dominncia. Eles so utilizados apenas no clculo da funo de avaliao utilizada durante a busca local, sendo penalizados caso a soluo seja invivel. Mostra-se, a seguir, como cada um desses objetivos avaliado. 4.2.4.1 Meta de produo de minrio

A produo de minrio referente a um indivduo S da populao mensurada segundo a equao (4.41). f p (S ) = p | P P r | na qual: P : Produo de minrio (t); P r : Meta de produo de minrio (t); p : Peso associado avaliao da produo; (4.41)

Por sua vez, o valor da produo de minrio P obtida pelo equao (4.42). P =
iM lV

nil capml

(4.42)

48

na qual: M V nil capml : : : : Conjunto de frentes de minrio; Conjunto de equipamentos de transporte; Nmero de viagens que um caminho l realiza a uma frente i; Capacidade de minrio do caminho l (t).

Dessa forma, o valor da produo de minrio P pode ser obtido pelo somatrio das cargas de todas as viagens feitas pelos equipamentos de transporte s frentes de minrio, multiplicadas pelas suas respectivas capacidades. Para o clculo da relao de dominncia de Pareto, foi considerado um peso associado p igual a 1. No entanto, durante a busca local, esse peso p foi considerado como um valor que varia de acordo com a produo de minrio P , sendo: p p p = p+ p+ se se se se P < Pl Pl P < Pr Pr P Pu P > Pu

Os pesos p e p+ foram adotados para atribuir um maior nvel de importncia s solues factveis, enquanto os pesos p e p+ foram utilizados para atribuir um nvel de importncia s solues desejveis. O peso p utilizado se a produo de minrio atingir nveis abaixo do limite inferior de produo pr-determinado. O peso p+ utilizado caso a produo seja maior que o limite superior. O peso p utilizado no caso de uma produo de minrio vivel abaixo da meta de produo, e o peso p+ utilizado no caso de uma produo de minrio vivel acima da meta de produo. 4.2.4.2 Meta de controle dos parmetros de qualidade

A qualidade do produto nal depende da quantidade de minrio de cada frente de lavra utilizada na mistura. Para cada parmetro de controle j , a qualidade calcuda segundo a equao (4.43).
q fjq (S ) = j |trj teorj |

j Q

(4.43)

sendo: teorj : Teor encontrado para o parmetro j (%); trj : Meta de qualidade para o parmetro j (%); q j : Peso associado avaliao da qualidade do parmetro j ;

49

Como cada frente de lavra i possui um valor tij para o parmetro de controle j , o teor desse parmetro de controle j obtido na mistura de minrios pode ser obtido pela mdia ponderada entre tij e a produo de cada frente de minrio xi , representada pela equao (4.44) tij xi teorj =
iM

j Q xi

(4.44)

i M

sendo: xi =
lV

nil capml

(4.45)

Assim como foi feito para a meta de produo (Seo 4.2.4.1), para o clculo da q relao de dominncia de Pareto, foi considerado um peso j igual a 1 e para a busca local esse peso varia de acordo com o esquema: q j q j q j = q+ j q+ j se se se se teorj < tlj tlj teorj < trj trj teorj tuj teorj > tuj

j S

q+ q e j so associados s solues inviveis com relao qualiOs pesos j q utilizado se a qualidade do produto nal, para dade do produto nal. O peso j o parmetro de controle j , estiver abaixo do limite inferior de qualidade tlj . O peso q+ j utilizado se a qualidade do produto nal for maior que o limite superior tuj . q q+ Os pesos j e j referem-se, respectivamente, a uma qualidade do produto nal vivel abaixo ou acima da meta de qualidade trj .

4.2.4.3

Nmero de caminhes utilizados

A equao (4.46) retorna o nmero total de caminhes utilizados na operao. f n (S ) =

l V

l Ul

(4.46)

na qual: Ul l : Taxa de utilizao do caminho l (%); : Peso associado ao caminho l;

O valor Ul pode variar de acordo com as seguintes situaes:

50

Ul =

1 se Ul > 0, 0 caso contrrio.

l V

4.2.4.4

Relao estril/minrio

A relao estril/minrio a medida de proporo entre o estril lavrado e o minrio lavrado. Ela avaliada pela equao (4.47): f r (S ) = r |rem R| na qual: R : Relao estril/minrio encontrada; rem : Relao estril/minrio requerida (meta); r : Peso associado avaliao da relao estril/minrio; (4.47)

Essa relao estril/minrio pode ser obtida segundo a equao (4.48), ou seja, pela diviso da quantidade de estril lavrado pela quantidade de minrio lavrado. xi R=
i E

(4.48) xi

i M

O peso r varia de acordo com o seguinte esquema: r = r r+ se R < rem se R rem

Para a relao estril/minrio so utilizados, portanto, somente os pesos e . Como pode-se perceber, a relao estril/minrio penalizada por r caso ela seja inferior meta requerida rem e por r+ , caso ela seja superior ou igual meta requerida rem.
r r+

4.2.4.5

Taxa de utilizao dos caminhes

Os equipamentos de transporte (caminhes) so avaliados segundo a equao (4.49): flu (S ) = lu |U rl Ul | na qual: l V (4.49)

51

Ul U rl lu

: Taxa de utilizao do caminho l (%); : Taxa de utilizao requerida para o caminho l (%); : Peso associado avaliao da taxa de utilizao do caminho l;

A taxa de utilizao do caminho l o percentual do tempo em que o caminho efetivamente utilizado em relao uma hora de operao. Ou seja, somente o tempo em que est em deslocamento ou sendo carregado / descarregado considerado, segundo a equao (4.50): Ul = na qual: T cM inl : Tempo de ciclo do caminho l para frentes de minrio, Eq. (4.39); T cEstl : Tempo de ciclo do caminho l para frentes de estril, Eq (4.40). (T cM inl + T cEstl ) 60 l V (4.50)

No caso do peso associado lu componente de avaliao da utilizao do equipamento de carga l, so consideradas as seguintes variaes: u l u u+ l = lu+ l se T Ul < T U rl se T Ul T U rl se T Ul > 100%

l V

Caso um caminho l seja utilizado a uma taxa acima de 100%, a funo u+ de avaliao adota o peso l . No caso de a taxa de utilizao do equipamento de carga l ser inferior meta, aplica-se o peso lu , enquanto o peso lu+ aplicado no caso de essa taxa ser superior ou igual requerida. 4.2.4.6 Produo das carregadeiras

Os equipamentos de carga so avaliados segundo o seu ritmo de lavra, o qual deve compreender uma faixa que torne vivel a operao do respectivo equipamento. A avaliao feita com base na equao (4.51).
c fic (S ) = k |c k|

i F

(4.51)

na qual: k c k : Equipamento de carga que est operando na frente i; : Peso associado avaliao da produo do equipamento de carga k alocado frente i;

52

c k

: Desvio de produo do equipamento de carga k

De acordo com o ritmo de lavra x(i) da frente i, o valor de c k calculado da seguinte forma: Clmk x(i) x(i) Cumk c k = Clek x(i) x(i) Cuek no qual: xi : Ritmo de lavra da frente i (t/h); k : Equipamento de carga que est operando na frente i; Cumk : Produo mxima de minrio do equipamento de carga k alocado frente i (t/h) ; Clmk : Produo mnima de minrio do equipamento de carga k alocado frente i (t/h) ; Cuek : Produo mxima de estril do equipamento de carga k alocado frente i (t/h) ; Clek : Produo mnima de estril do equipamento de carga k alocado frente i (t/h) ; se se se se xi xi xi xi Clmk i M > Cumk i M Clek i E > Cuek i E

c componente de avaliao Conforme o valor de xi , associado um peso k da produo do equipamento de carga k , que varia de acordo com a seguinte escala:

c k =

c k c+ l c+ k

0 se se se se

xi = 0 i F 0 < xi < Clmk i M ou 0 < xi < Clek i E Clmk xi Cumk i M ou Clek xi Cuek i E xi > Cumk i M ou xi > Cuek i E

c c+ , ou seja, um equipamento Nesses casos so utilizados os pesos k e k de carga k utilizado fora do intervalo que torna sua operao economicamente vivel, ou seja, abaixo do limite mnimo de produo ou acima do limite mximo de produo.

Para o caso de o ritmo de lavra se encontrar entre o limite mnimo e mximo de produo do equipamento de carga k alocado frente i, multiplicado ao peso c k um valor lc+ .

53

4.2.5

Fase de Seleo e Reproduo

A seleo da soluo-pai realizada utilizando a seleo por torneio binrio. Para tanto, dois indivduos S e S so selecionados aleatoriamente. Aquele que pertencer ao menor nvel de dominncia N i selecionado (vide seo 3.3.1, Algoritmo 2). Em caso de empate, ou seja, se os indivduos pertencerem ao mesmo nve N i o indivduo que possuir o maior valor de distncia de multido distS selecionado. A distncia de multido de um indivduo S calculada de acordo com o algoritmo 3, pg. 29. O clculo desta mtrica permite que os indivduos mais espalhados passem a ocupar as ltimas vagas disponveis da prxima populao Pg+1 , garantindo, assim, a diversidade das solues (Deb et al., 2000). Aps a seleo dos indivduos, apenas a submatriz A contendo as carregadeiras alocadas a cada frente mantida. A submatriz B reconstruda pelo procedimento descrito na subseo 4.2.3. A Fig. I.1 do Anexo I exemplica esta fase.

4.2.6

Busca local

Aps a criao dos novos indivduos, uma busca local mono-objetivo aplicada a cada novo indivduo. Devido estrutura do problema, o mtodo de busca local adotado foi o Mtodo de Descida em Vizinhana Varivel ou Variable Neighborhood Descent (VND) (vide Algoritmo 1, pg. 21). Inicialmente, considera-se um conjunto de r = 6 vizinhanas distintas, cada qual denida por um dos tipos de movimentos denidos na seo 4.2.7. A seguir, a partir de um indivduo, so analisados todos os indivduos que estejam na sua primeira vizinhana, movendo-se para aquele que apresentar a primeira melhora segundo a funo de avaliao f (S ). A funo de avaliao (Eq. (4.52)) uma funo ponderada que leva em considerao as funes de produo de minrio f p (S ), de teor dos parmetros de qualidade do produto nal fjq (S ), do nmero de caminhes utilizados f n (S ), das taxas de utilizao dos caminhes flu (S ) e das carregadeiras f r (S ) e da produo das carregadeiras fic (S ), detalhadas na seo 4.2.4, pgina 48. f (S ) = f p (S ) + fjq (S ) + f n (S ) + flu (S ) + f r (S ) + fic (S ) (4.52)

Caso no se encontre um indivduo de melhora, parte-se para a procura do melhor indivduo na segunda vizinhana. Havendo melhora, retorna-se primeira estrutura de vizinhana; caso contrrio, passa-se para a prxima vizinhana. O mtodo termina quando encontrado um indivduo que no tem vizinho melhor que ele em qualquer das vizinhanas consideradas. Dessa forma, o mtodo retorna um timo local com relao a todas as vizinhanas utilizadas.

54

4.2.7

Estruturas de Vizinhana

Para encontrar S , vizinho de um indivduo S , foram utilizados seis tipos diferentes de movimentos, extrados dos trabalhos de Costa (2005) e Ribas et al. (2009). Cada movimento dene diferentes estruturas de vizinhana, as quais so apresentadas a seguir: 1. N N V (S ) Movimento nmero de viagens 2. N CG (S ) Movimento carga 3. N CT (S ) Movimento troca de carregadeiras 4. N V C (S ) Movimento realocar viagem de um caminho 5. N V F (S ) Movimento realocar viagem de uma frente 6. N RC (S ) Movimento realocar carregdeira 4.2.7.1 Movimento nmero de viagens

No movimento nmero de viagens, uma frente i e um caminho l so selecionados. O nmero de viagens deste caminho a esta frente tem seu valor acrescido ou decrescido de uma viagem, adotando-se a soluo que produz o melhor valor para a funo de avaliao. Ou seja, esse movimento consiste em aumentar ou diminuir em uma viagem o nmero de viagens de um caminho l a uma frente i na qual esteja operando um equipamento de carga compatvel. A Fig. II.1 do Anexo II ilustra o movimento de diminuio do nmero de viagens a serem realizadas pelo caminho l na frente F1 de 3 para 2 viagens. 4.2.7.2 Movimento carga

Este tipo de movimento consiste na seleo e troca dos valores de duas clulas, i e k , da coluna Carga, nas quais possuem carregadeiras alocadas. No caso de um das frentes estiverem disponveis, o movimento repetido. Para manter a compatibilidade entre carregadeiras e caminhes, as viagens feitas s frentes so realocadas juntamente com as frentes escolhidas. A Fig. II.2 do Anexo II ilustra a troca da carregadeira Car2 alocada frente F1 com acarregadeira Car8 alocada frente F2 e a realocao das viagens do caminho l conjuntamente. 4.2.7.3 Movimento troca de carregadeiras

Este movimento consiste em trocar duas carregadeiras que operam nas frentes i e j . Analogamente ao movimento da vizinhana N CG , na vizinhana N CT os equipamentos de carga das frentes tambm so trocados, porm as viagens feitas s frentes no

55

so alteradas. Ou seja, as viagens anteriormente feitas frente j , pelo caminho l, agora sero realizadas frente i. Para manter a compatibilidade entre carregadeiras e caminhes, as viagens feitas a frentes com equipamentos de carga incompatveis so removidas. A Fig. II.3 do Anexo II ilustra a troca da carregadeira Car2 alocada frente F1 com acarregadeira Car8 alocada frente F2 sem realocao das viagens do caminho l. 4.2.7.4 Movimento realocar viagem de um caminho

Neste movimento, so selecionados um caminho l e duas frentes, i e j . Essas frentes devem possuir carregadeiras em operao e compatveis com o caminho l. Uma viagem anteriormente alocada frente i realocada para a frente j . Assim, nesse movimento, um caminho l deixa de realizar uma viagem em uma frente i para realiz-la na frente j , mantendo-se, assim, o nmero de viagens do caminho selecionado. A Fig. II.4 do Anexo II ilustra esse movimento. Nessa gura, o caminho l e as frentes F1 e F3 so selecionados e uma viagem a F1 realocada para F3 . 4.2.7.5 Movimento realocar viagem de uma frente

Este movimento consiste em realocar uma viagem, para uma frente i, de um caminho l para um caminho h que seja compatvel com o equipamento de carga alocado frente i, mantendo-se, assim, o nmero de viagens frente selecionada. Este movimento apresentado na Fig. II.5, Anexo II, na qual a frente F3 foi selecionada e uma viagem do caminho 2 transferida para o caminho 3. 4.2.7.6 Movimento realocar carregadeiras

Este movimento consiste em selecionar uma carregadeira k que opera na frente i e realoc-la para outra frente j que esteja disponvel. Para manter a compatibilidade entre carregadeiras e caminhes, assim como na vizinhana N CG , as viagens feitas frente i pelo caminho l so realocadas para frente j juntamente com a carregadeira k. Este movimento apresentado na Fig. II.6, Anexo II. As frentes F3 e Fi foram selecionadas e uma viagem do caminho l frente F3 transferida frente Fi .

56

4.2.8

Populao Sobrevivente (Pg+1 )

Para denir a populao sobrevivente aplicada uma regra elitista. Isto , os indivduos mais aptos da populao sobrevivem. Para denir os indivduos mais aptos, o mtodo utiliza o procedimento Fast Non Dominated Sorting apresentado no algoritmo 2. Esse procedimento consiste em classicar os indivduos em diferentes nveis de acordo com seu grau de dominncia em relao ao restante da populao. Os indivduos dominantes so selecionados para a prxima gerao at que todas as vagas sejam preenchidas. Em caso de empate calculada a distncia de multido (crowding distance ) distS para o indivduo S , e aquele que possuir o maior valor para distS selecionado.

4.3

Modelo de Simulao Computacional

Segundo Pedgen et al. (1995), a simulao o processo de projetar um modelo computacional de um sistema real e conduzir experimentos, objetivando o entendimento do seu comportamento e/ou avaliando estratgias para sua operao. Para a anlise do comportamento do sistema e de variveis relevantes como o tempo de la dos caminhes, o qual no comtemplado pelos modelos matemtico ou heurstico propostos, considerou-se como metodologia as etapas propostas por Andrade (2000), ilustradas na Fig. 4.1.

Figura 4.1: Etapas da simulao de um sistema

57

4.3.1

Denio do Problema e Coleta de Dados

O problema em estudo foi denido no captulo 2. Nele deseja-se determinar o nmero de viagens de cada caminho a cada frente de lavra e sua sequncia de visitas. O modelo de simulao teve como dados de entrada os resultados gerados pelos modelos de programao matemtica, seo 4.1 e heursticos, seo 4.2. O modelo de simulao proposto tem por objetivo, portanto, de validar os resultados obtidos com os mtodos exato e heursitico, bem como propor o sequenciamento dos caminhes na programao de lavra.

4.3.2

Identicao das Variveis e das Condies do Sistema

Para o modelo implementado, considerou-se cada caminho como uma entidade diferente para facilitar a anlise dos resultados, sendo cada entidade chamada de Caml , adotando l como o nmero do caminho. Estas entidades recebem os seus respectivos atributos, sendo: Tempo de deslocamento minrio; Tempo de deslocamento estril; Tempo de deslocamento britador; Tempo de deslocamento pilha; Capacidade de minrio; Capacidade de estril; Nmero de viagens; Tempo de carga; Tempo de descarga. O atributo Tempo de deslocamento minrio o tempo de deslocamento, em minutos, do caminho Caml carregando minrio, a partir da frente i at o britador primrio. O atributo Tempo de deslocamento estril o tempo de deslocamento, em minutos, do caminho Caml carregando estril, a partir da frente i at a pilha de estril. Os atributos Tempo de deslocamento britador e Tempo de deslocamento pilha representam o tempo de deslocamento do Caml a partir do britador e da pilha de estril, respectivamente, at a frente i. As capacidades de carga de minrio e estril, em toneladas, atribuda ao Caml atravs do atributo Capacidade de minrio e Capacidade de estril, respectivamente.

58

O atributo Nmero de viagens determina o nmero de viagens que cada Caml deve realizar a cada frente i. Os tempos de carregamento e descarregamento do Caml so denidos pelos atributos Tempo de carga e Tempo de descarga, respectivamente.

4.3.3

Construo do Modelo

o modelo de simulao foi implementado no software ARENA, verso 13. A construo do modelo inicia-se com a interpretao do sistema real e sua abstrao, representada pelo diagrama de ciclo de atividades (DCA). O modelo implementado foi baseado no DCA, representado pela Fig 4.2.

Figura 4.2: Diagrama de ciclo de atividades Neste DCA esto representadas as duas entidades em estudo, caminhes e

59

carregadeiras, e seu ciclo de atividades considerado no sistema objeto de estudo. Ele tambm conta com um conjunto de estaes de trabalho, a saber: as frentes de minrio, as frentes de estril, o britador primrio (local no qual descarregado o minrio), a pilha de estril (local no qual descarregado o estril), alm do roteador de veculos (sistema de despacho de veculos), o qual responsvel pelo sequenciamento das viagens dos caminhes. O sistema em estudo tem seu incio quando o caminho, ou outro equipamento de transporte, entra no sistema e recebe a ordem de qual frente de lavra ele ir visitar de acordo com o plano de lavra. Durante a visita de um caminho a uma frente de lavra, a carregadeira entra em operao, carregando o caminho. Aps a visita frente de lavra, o equipamento de transporte deve seguir para o ponto de descarga do material transportado. Esse ponto de descarga ser o britador primrio, se a frente de lavra visitada for de minrio, ou a pilha de estril se a frente visitada for de estril. Depois da descarga, o equipamento de transporte deve seguir at a prxima frente, a qual denida pelo sistema de despacho de veculos. Este ciclo termina quando todos os caminhes completarem o seu plano de lavra. Alm disso, a ordem de visitas dos caminhes, ou seja, o instante em que o caminho l visita a frente i, registrada. Dessa forma, possvel obter o sequenciamento dos caminhes.

4.3.4

Modelo de Simulao implementado

O modelo de simulo, Fig. 4.3, foi implementado em um sofware comercial de simulao por meio de seis submodelos.

Figura 4.3: Modelo de simulao implementado No primeiro submodelo, Cria_Inicializa_Entidades (Fig. 4.4), as entidades

60

(caminhes) so denidas e seus respectivos atributos so denidos. Esses atributos, tais como, tempo de viagem de cada caminho a cada frente, tempo de carga e descarga, capacidade de transporte e nmero de viagens a cada frente (determinado pelos modelos exato e heurstico) so lidos pelo modelo a partir de arquivos de texto. Alm destes atributos, um nmero de srie nico para cada caminho tambm deliberado. Este nmero utilizado pelo modelo para rastreamento do caminho durante a simulao e utilizado para coletar o sequenciamento dos caminhes proposto pelo modelo.

Figura 4.4: Submodelo Cria_Inicializa_Entidades Aps a inicializao de todas as entidades, estas seguem para o submodelo Roteador de Veculos (Fig. 4.5). Atravs deste submodelo garantido que um caminho somente realizar viagens s frentes predeterminadas pelo programa de produo denido pelo modelo de otimizao (exato ou heurstico). O roteador de veculos tambm responsvel pelo sequenciamento dos caminhes. O roteador escolhe a prxima frente na qual o caminho dever realizar sua prxima viagem. Para esta escolha, ele pode considerar o menor nmero de caminhes na la de uma frente, menor nmero de caminhes em rota para uma frente ou ambos somados.

Figura 4.5: Submodelo Roteador de Veculos Depois de denida a frente que o caminho deve visitar, ele seguir para o prximo submodelo. Este submodelo pode ser o Frentes de Minrio ou Frentes de Estril. Cada um destes submodelos composto por um conjunto de frentes,

61

de minrio se for Frentes de Minrio e estril se for Frentes de Estril. Cada frente (Fig. 4.6) foi denida como uma estao de trabalho composta por um processo de carregamento de material (minrio ou estril) utilizando o recurso Carregadeira. Tambm coletado o instante que o cada caminho visita cada frente e registrado em um arquivo texto, conjuntamente com seu nmero de srie. Dessa forma, possvel coletar a sequncia de visitas de cada caminho a cada frente.

Figura 4.6: Estao Frente de Lavra O caminho carregado deve seguir para um ponto de descarga. Cada ponto de descarga (Fig. 4.7) caracteriza um submodelo diferente, sendo: Britador Primrio para o caminho carregado com minrio e Pilha de Estril para o caminho com estril.

Figura 4.7: Submodelos Britador Primrio e Pilha de Estril Em seguida, o caminho se direciona novamente para o Roteador de Veculos e repete todo o processo at que no haja mais viagens a ele alocadas.

4.3.5

Validao do Modelo

Para validar o modelo desenvolvido foram utilizados diferentes cenrios, os quais so descritos na seo 4.3.6. Os resultados do modelo implementado foram inicialmente comparados com aqueles obtidos com o uso de outro modelo encontrado na literatura (Guimaraes et al., 2007). A validao foi feita pela constatao do fato de os resultados obtidos esto em conformidade com aqueles esperados em uma mina.

62

4.3.6

Descrio dos Cenrios

Neste trabalho foram considerados diferentes cenrios. Esses cenrios so modelos que abstraem os principais pontos do problema real. Eles diferem entre si pela programao de lavra, a qual obtida pela aplicao do modelo exato (seo 4.1) ou do modelo heurstico (seo 4.2). Alm da programao de lavra, eles tambm diferem entre si pelo critrio de deciso para o roteamento dos veiculos. Os cenrios considerados so descritos na Tabela 4.2. A coluna Mtodo indica qual o mtodo utilizado para determinar a programao da produo e a coluna Instncia indica qual instncia-teste foi utilizada como base para o cenrio. Tais instncias-teste so detalhadas na seo 5.1. A coluna Crit. de Deciso mostra qual critrio de deciso foi considerado para o roteamento de veculos. Os critrios adotados, bem como a frente i escolhida pelo caminho Caml para visita, em funo dessa escolha so as seguintes: Fila: escolhida a frente que posuir menor nmero de entidades em la; Rota: escolhida a frente que posuir menor nmero de entidades em rota para a frente; Fila e Rota: escolhida a frente que posuir menor nmero de entidades na la e em rota para frente somadas; Para os cenrios cuja programao da produo foi gerada pelo mtodo exato (cenrios 1.1 ao 1.3 e 4.1 ao 4.3) e no foi possvel completar o plano de lavra no tempo previsto de uma hora com a aplicao da simulao, foram coletados os tempos mdios de la e o maior tempo de la dos caminhes. Esses tempos de la foram somados ao tempo de ciclo dos caminhes utilizados pelo mtodo exato, e foi gerada uma nova soluo pelo mtodo exato congurando os cenrios 1.4, 1.5, 4.4 e 4.6. Para estes cenrios, a coluna T. de Ciclo indica se foi utilizado o tempo mdio de la (Mdio), ou o maior tempo de la (Maior) ou se no houve alterao na programao da produo (-). Para os cenrios baseados no modelo heurstico (cenrios 2.1 ao 3.6), foi retirada uma viagem do caminho l frente i com maior nmero de viagens e realocada para outro caminho com um nmero menor de viagens (Menor), ou para um caminho que estava inativo (Inativo), mantendo a viagem para a mesma frente i. A cada execuo, o mtodo heurstico gera inmeras solues. Nesse caso, para a instncia Mina 3 foram adotadas duas solues diferentes, geradas simultaneamente. Foram escolhidas as solues com menor, e maior nmero de caminhes, respectivamente cenrios (3.1, 3.2, 3.3) e (3.4, 3.5, 3.6).

63

Instncia Mina 1 Mina 1 Mina 1 Mina 1 Mina 1 Mina 2 Mina 2 Mina 2 Mina 2 Mina 2 Mina 3 Mina 3 Mina 3 Mina 3 Mina 3 Mina 3 Mina 4 Mina 4 Mina 4 Mina 4 Mina 4

Cenrios 1.1 1.2 1.3 1.4 1.5 2.1 2.2 2.3 2.4 2.5 3.1 3.2 3.3 3.4 3.5 3.6 4.1 4.2 4.3 4.4 4.5

Mtodo Exato Exato Exato Exato Exato Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Exato Exato Exato Exato Exato

Crit. de Deciso Fila Rota Fila e Rota Fila e Rota Fila e Rota Fila Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila Rota Fila e Rota Fila e Rota Fila e Rota

T. de Ciclo Mdio Maior Menor Inativo Menor Inativo Menor Inativo Mdio Maior

Tabela 4.2: Descrio dos cenrios

64

Captulo 5 Resultados e Anlise

Neste captulo so apresentadas as instncias-teste utilizadas para avaliar os modelos exato e heurstico, bem como o de simulao desenvolvidos no captulo 4, seo 5.1. Os resultados obtidos, e sua respectiva anlise, com a aplicao dos modelos exato, heurstico e de simulao so apresentados, respectivamente, nas sees 5.2, 5.3 e 5.4.

5.1

Instncias-Teste

Para testar o modelo proposto na seo 4.1, pgina 39, foram consideradas quatro minas virtuais. Tais instncias-teste foram adaptadas daquelas encontradas em www.decom.ufop.br/prof/marcone/projects/mining.html, usadas em Souza et al. (2010). A adaptao em tais cenrios consistiu em considerar o tempo de ciclo dependente do material a ser transportado (se for estril, o percurso do caminho da frente de estril at a pilha de estril; se for minrio, da frente de minrio ao britador); da capacidade do caminho, que depende do material transportado e do modelo do caminho. A Tabela 5.1 apresenta algumas caractersticas das instncias teste utilizadas. Nesta tabela, as colunas |F | e |Q | representam, respectivamente, o nmero de frentes de lavra e o nmero de parmetros de controle das instncias teste avaliadas. A coluna |C | mostra o total de equipamentos de carga considerados em cada uma das instncias. A ltima coluna, |V |, mostra o nmero de caminhes disponveis.

5.2

Resultados do Mtodo Exato

O modelo de programao matemtica desenvolvido na Seo 4.1 foi implementado no aplicativo de otimizao LINGO 10.0, interfaceando com planilhas do EXCEL 2007.

65

Tabela 5.1: Caractersticas das instncias-teste Instncia |F | |Q | |C | |V | Mina 01 17 10 8 30 Mina 02 17 05 8 30 Mina 03 17 05 7 30 Mina 04 17 10 7 30 Foi considerado um modelo de programao linear por metas (goal programming ), em que a funo mono-objetivo dada pela ponderao das funes objetivo F O1 , F O2 e F O3 da seo 4.1, pgina 41. Isto , a funo multiobjetivo (4.1) substituda pela funo mono-objetivo (5.1):

min( P + + P + ) + (
j Q

+ + (j dj + j dj ) + j Q

+ + (j de j + j dej )) + lV

l ul (5.1)

Os testes foram realizados em um microcomputador com processador Intel Core 2 Duo 2.0 GHz com 4 GB de RAM. Para o modelo de programao matemtico foram utilizados os parmetros de entrada especicados na Tabela 5.2: Tabela 5.2: Parmetros de entrada Penalidade por desvio de produo + : 100 : 100 Relao estril/minrio rem: 0,31 Penalidade por caminho l utilizado l : 10 Taxa mxima de utilizao do caminho l T x: 85%
Na Tabela 5.2 encontram-se os pesos por desvio, negativo (j ) e positivo + + (j ), dos parmetros de controle parj e os pesos, j e j , por extrapolao dos teores em relao ao teor mnimo tlj e o teor mximo tuj , respectivamente.

Tabela 5.3: Penalidade por desvio em relao meta do parmetro j na mistura

Parmetros de controle: j : + j : j : + j : par1 1 1 10 10 par2 1 1 10 10 par3 1 1 10 10 par4 1 1 10 10 par5 1 1 10 10 par6 1 1 10 10 par7 1 1 10 10 par8 1 1 10 10 par9 1 1 10 10 par10 1 1 10 10

66

A Tabela 5.4 apresenta o nmero de variveis inteiras na coluna N-Inteiras e o total de restries na coluna N-Restries e o resultado do modelo exato. Dada a diculdade de resoluo do problema na otimalidade em tempo computacional hbil, em vista de o POLAD ser da classe NP -difcil (Costa, 2005), so apresentados os valores da melhor funo objetivo encontrada em 300 segundos de processamento (coluna F Oa ), e em 1800 segundos de processamento (coluna F Ob ). A coluna LI apresenta o limite inferior para a funo objetivo, calculado pelo otimizador LINGO, verso 10, aps 1800 segundos. A coluna Gap , calculada segundo a Eq. (5.2), representa quanto o valor da coluna FO est perto desse limite inferior, ou seja, quanto mais prximo de zero, mais prximo do timo a soluo est. Tabela 5.4: Resultados N-Inteiras N-Restries 13906 2353 13906 2328 13889 2327 13889 2352 do modelo F Oa 40274,4 14283,4 166231,0 155275,0 exato F Ob 26257,3 8346,2 90257,4 96217,9

Instncia Mina 1 Mina 2 Mina 3 Mina 4

LI 194,7 203,7 53455,9 53437,6

Gap 133,8 40,0 0,7 0,8

F Ob LI Gap = LI

(5.2)

A Tabela 5.5 apresenta o desvio percentual em relao meta de produo (coluna Prod), o desvio mdio percentual na mistura nal para a meta de controle da qualidade (coluna Teor), e o nmero de caminhes utilizados (coluna NCam), todos obtidos aps 1800 segundos de execuo. Tabela 5.5: Resultados do modelo exato aps 1800 segundos de execuo Instncia Prod (%) Teor (%) NCam Mina 1 4 2 24 Mina 2 1 2 24 Mina 3 16 3 25 Mina 4 17 2 25 Pelas Tabelas 5.1 e 5.4, observa-se que nas instncias com um menor nmero de equipamentos de carga (Minas 3 e 4), os valores de LI, F Oa e F Ob so mais elevados. Isso indica as carregadeiras como principal gargalo para a otimizao do problema, devido ao seu nmero reduzido. Por outro lado, a reduo do nmero de parmetros de qualidade pela metade implicou em uma relativa melhora no gap. Ainda, observando os resultados apresentados na Tabela 5.4, verica-se que no foi possvel obter a soluo tima do problema em nenhuma das instncias em um tempo mximo de processamento de 30 minutos. Verica-se, tambm, que

67

Tabela 5.6: Resultados do Mtodo Heurstico

Menor Mdio Maior Menor Mdio Maior Menor Mdio Maior Mina 1 0,0 9,3 31 0,63 0,68 0,78 21 26,02 30 Mina 2 0,0 14,3 31,0 0,01 0,12 0,49 20 25,73 30 Mina 3 0,0 12,1 31,0 0,01 0,12 0,73 21 25,63 30 Mina 4 0,0 20,4 31,0 0,62 0,70 0,83 20 25,33 30

Prod (%)

Teor (%)

NCam

as melhores solues encontradas caram relativamente distantes de LI, o qual corresponde ao limite inferior para a funo objetivo considerando como contnuo o domnio de todas as varveis do problema. Em vista da diculdade de obter solues de boa qualidade em tempo hbil com o otimizador LINGO, a seo seguinte mostra resultados obtidos pelo mtodo heurstico NSGA-II, que representa uma alternativa ao mtodo de programao matemtica.

5.3

Resultados do Algoritmo NSGA-II

O algoritmo heurstico NSGA-II, proposto na seo 4.2, foi implementado na linguagem C, utilizando o ambiente C++ Builder, verso 5.0, da Borland. Os testes foram realizados em um microcomputador com processador Intel Core 2 Duo 2.0 GHz com 4 GB de RAM sob plataforma Windows Vista. O algoritmo foi testado por 10 execues utilizando o conjunto de instnciasteste da seo 5.1, adotando sementes de nmeros aleatrios distintas para cada execuo. Inicialmente, o algoritmo heurstico foi submetido a uma bateria preliminar de testes para calibrar os diversos parmetros existentes de acordo com as caractersticas de cada instncia. Tais parmetros so o tamanho da populao e o nmero mximo de geraes. A Tabela 5.6 mostra os resultados obtidos aps as 10 execues, adotandose, para o tamanho da populao, 6 indivduos, e para o nmero mximo de geraes, 150 geraes. A linha Prod mostra os resultados para o desvio percentual em relao meta de produo. A linha Teor mostra os valores encontrados para o desvio percentual mdio para todos os parmetros de controle de qualidade. A linha NCam mostra o nmero de caminhes utilizados. As linhas Menor mostram o menor resultado encontrado. As linhas Mdio mostram o resultado mdio. As linhas Maior mostram o maior valor encontrado para o referido objetivo.

68

Tabela 5.7: Tempo de Execuo (segundos) Instncia Menor Mdio Maior Mina 1 53,1 89,7 125,0 Mina 2 17,3 18,01 19,6 Mina 3 15,8 17,5 21,4 Mina 4 15,9 18,5 23,9 Os resultados da Tabela 5.6 mostram que foi possvel encontrar um desvio de produo zero em todas as instncias, pelo menos em uma execuo. Alm disso, em nenhuma execuo o desvio mximo ou mnimo permitido foi extrapolado. Quanto ao desvio de qualidade, observa-se que s foi possvel encontrar o valor zero para as Minas 2 e 3, as quais possuem um nmero de parmetros (5 parmetros) menor que as Minas 1 e 4 (10 parmetros). Quanto ao nmero de caminhes, os valores no sofreram mudana signicativa nas diferentes minas. Tambm relevante ressaltar que o NSGA-II encontrou para as Minas 1, 2 e 3, pelo menos para um objetivo, o melhor valor em 100% das execues. J para a Mina 4, o mesmo ocorre em apenas 55,55% das execues. A Tabela 5.7 mostra o tempo, em segundos, gasto pelo algoritmo NSGA-II para gerar um conjunto de solues. A coluna Menor mostra a execuo mais rpida. A coluna Mdio mostra o tempo mdio de execuo do algoritmo. A coluna Maior mostra o maior tempo gasto em uma execuo de algoritmo. A Figura 5.1 compara o desvio em relao ao objetivo meta de produo entre os mtodos exato e heurstico. A coluna Exato apresenta os resultados obtidos pelo mtodo exato com 300 segundos de execuo. As colunas Heurstico: Melhor e Heurstico: Mdio, indicam, respectivamente, os melhores resultados e os resultados mdios encontrados pelo algoritmo heurstico.

Figura 5.1: Objetivo: meta de produo Analogamente Figura 5.1, as Figuras 5.2 e 5.3 comparam, respectivamente, os resultados obtidos para o desvio mdio em relao s metas de qualidade e o nmero de caminhes utilizados.

69

Figura 5.2: Objetivo: meta de qualidade

Figura 5.3: Objetivo: nmero de caminhes utilizados As Figuras 5.1, 5.2 e 5.3 indicam que, de uma forma geral, possvel obter pelo algoritmo NSGA-II, com um menor esforo computacional, melhores resultados do que pelo mtodo exato. Tambm pode ser observado que os melhores resultados encontrados pelo NSGA-II so, quase que na totalidade, melhores ou iguais que a soluo encontrada pelo mtodo exato.

5.4

Resultados do Modelo de Simulao

O modelo de simulao proposto na seo 4.3 foi implementado no software, Arena verso 13.0. Os testes foram realizados em um microcomputador com processador Intel Pentiun 4, com 2.0 GHz e 1 GB de RAM sob plataforma Windows XP. Como os tempos de ciclo e parmetros do modelo so todos determinsticos, ele foi executado para cada cenrio apresentado na seo 4.3.6 uma nica vez. A Tabela 5.8 apresenta os resultados para o modelo de simulao computacinal descrito na seo 4.3. Na coluna Instncia mostra-se a instncia utilizada, as quais so descritas na seo 5.1. Na coluna Cenrios mostra-se o cenrio utilizado, os quais so descritos na seo 4.3.6. O tempo total gasto pelos caminhes para

70

realizar o programa de produo pr-determinado indicado pela coluna Tempo. Observa-se na Figura 5.4 que que no houve alterao no tempo necessrio (eixo vertical em minutos) para completar a programao da produo ao alterar o mtodo de roteamento de veculos entre menor la para a frente de lavra, menor nmero de caminhes em rota para a frente de lavra ou os dois somados. Por isso, para o demais cenrios foram considerados, como critrio de deciso para o sistema de despacho de caminhes, apenas menor la e rota somados (Fila e Rota).

Figura 5.4: Critrio de Roteamento de Veculos Pela Figura 5.5 possvel observar que, de uma maneira geral, para solues encontradas com o mtodo exato, a adio do maior tempo de la no tempo de ciclo teve melhores resultados do que a adio do tempo mdio de la. Tambm observase que foi possvel completar a programao da produo em menos de uma hora para todas as instncias.

Figura 5.5: Resultados do modelo de simulao para o mtodo Exato Na Figura 5.6, as colunas Origem indicam o tempo total gasto pelo modelo de simulao para completar a programao da produo. As colunas Menor e Inativo, apontam o valor do tempo total gasto pelo modelo de simulao para completar a programao da produo de acordo com a metodologia descrita na seo 4.3.6, pgina 63. O eixo horizontal indica a instncia utilizada. Para a instncia

71

Mina 3 foram consideradas duas solues diferentes, geradas simultaneamente. Foram escolhidas as solues nos quais houve o menor e maior nmero de caminhes, respectivamente representados por Mina 3 L e Mina 3 U.

Figura 5.6: Resultados do modelo de simulao para o mtodo heurstico De acordo com a Figura 5.6, observa-se que as duas metodologias adotadas, Maior e Inativo, conseguiram diminuir o tempo total de ciclo dos caminhes. Somente para a instncia Mina 3, na qual foi adotada a soluo com menor nmero de caminhes, no foi possvel completar a programao da produo em uma hora.

72

Cenrios 1.1 1.2 1.3 1.4 1.5 2.1 2.2 2.3 2.4 2.5 3.1 3.2 3.3 3.4 3.5 3.6 4.1 4.2 4.3 4.4 4.5

Instncia Mina 1 Mina 1 Mina 1 Mina 1 Mina 1 Mina 2 Mina 2 Mina 2 Mina 2 Mina 2 Mina 3 Mina 3 Mina 3 Mina 3 Mina 3 Mina 3 Mina 4 Mina 4 Mina 4 Mina 4 Mina 4

Mtodo Exato Exato Exato Exato Exato Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Heurstico Exato Exato Exato Exato Exato

Crit. de Deciso Fila Rota Fila e Rota Fila e Rota Fila e Rota Fila Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila e Rota Fila Rota Fila e Rota Fila e Rota Fila e Rota

T. de Ciclo Mdio Maior Menor Inativo Menor Inativo Menor Inativo Mdio Maior

Tempo (min) 70,01 70,01 70,01 54,41 68,43 65,11 65,11 65,11 59,09 60,27 75,92 69,30 72,03 65,07 62,08 59,12 67,44 67,44 67,44 58,20 60,19

Tabela 5.8: Resultados do modelo de simulao

73

Captulo 6 Concluses
Este trabalho tratou o problema de planejamento de lavra em minas a cu aberto, considerando alocao dinmica de caminhes (POLAD). O objetivo nesse problema o de determinar o ritmo de produo horria na mina de forma a minimizar os desvios de produo e qualidade do minrio produzido, assim como minimizar o nmero de caminhes envolvidos no processo. Devido ao fato de os objetivos do problema serem conitantes, no h uma soluo que satisfaa a todos os objetivos simultneamente. Por isso, o problema foi tratado como sendo de otimizao multiobjetivo. Nessa abordagem procura-se um conjunto de solues pareto-timas, que tenham caractersticas diferentes com relao aos objetivos. Diferentemente de outros trabalhos encontrados na literatura, e procurando desenvolver modelos que se aproximem mais da realidade das minas, tambm foram considerados dois pontos de descarga para o material lavrado, sendo o britador para descarga de minrio e a pilha de estril para descarga de estril. O tempo de ciclo dos equipamentos foi considerado uma varivel que depende da distncia do ponto de descarga frente de lavra, do tipo de caminho e do tipo de material transportado (minrio ou estril). Isto se justica porque cada modelo de caminho normalmente leva um tempo diferente para percorrer um mesmo trajeto e este tempo tambm inuenciado pelo tipo de carga (minrio ou estril). Inicialmente foi proposto um novo modelo de programao linear por metas. Esse modelo permite a modelagem e a busca de solues para problemas com mltiplos objetivos pela atribuio de pesos aos diferentes objetivos de acordo com a importncia de cada um deles. Observou-se, no entanto, que para problemas de dimenses maiores o otimizador tem diculdade de apresentar solues de qualidade em baixo tempo computacional. Esse resultado j era esperado, uma vez que o POLAD um problema da classe NP-difcil. Para resolver essa situao, foi desenvolvido um algoritmo gentico multiobjetivo, baseado no algoritmo NSGA-II. A aplicao desta tcnica disponibiliza, ao nal de sua execuo, um conjunto de solues que ou priorizam alguma meta ou, ento, esto equilibradas entre os diversos valores dos objetivos. Nesse caso, cabe ao decisor a responsabilidade pela escolha da alternativa mais adequada

74

 realidade operacional da mina no cenrio considerado. Para validar os resultados obtidos com os modelos exato e heurstico e determinar o sequenciamento dos caminhes, desenvolveu-se um modelo de simulao computacional. Esse modelo utiliza a programao da produo obtida nos modelos de otimizao e verica se possvel cumpr-lo dentro do tempo previsto de uma hora e retorna a sequncia de visitas dos caminhes. Caso no seja possvel cumprir a programao de produo proposta pelo algoritmo de otimizao, essa programao alterada a m de que ela seja executada dentro do tempo previsto. Essas alteraes consistem em: 1) mudar o nmero de viagens do caminho mais sobrecarregado para outro, inicialmente passando-se uma viagem para outro caminho e 2) somar o tempo mdio de la ao tempo de ciclo do caminho. Aps cada alterao gerada uma nova programao da produo por meio do algoritmo de otimizao, seguida da aplicao do simulador. Para testar os modelos desenvolvidos foram adaptadas instncias existentes na literatura. Para cada instncia foram comparados os resultados obtidos pelos modelos exato e heurstico em relao qualidade da soluo nal. Os experimentos realizados mostraram que o algoritmo heurstico NSGA II desenvolvido capaz de encontrar solues nais de qualidade em tempo hbil e que ele, na quase na totalidade dos casos, conseguiu produzir solues nais de melhor qualidade e em menor tempo que aquelas geradas pelo mtodo exato. Este trabalho contribuiu, assim, com o desenvolvimento de um novo algoritmo heurstico multiobjetivo, que substitui os tradicionais algoritmos monoobjetivos para a otimizao do planejamento operacional de lavra na indstria mineral. O algoritmo desenvolvido, combinado com o mtodo de simulao computacional, capaz de gerar solues mais prximas da realidade operacional. Alm disso, h a possibilidade de escolha entre vrias solues, o que torna o processo decisrio mais exvel. Como trabalhos futuros aponta-se o estudo de uma nova formulao de programao matemtica, mais eciente, que fornecesse limites mais fortes, favorecendo a busca pelos resolvedores baseados em branch-and-bound. Aponta-se tambm a necessidade de melhoria do algoritmo heurstico proposto, como a insero de novas estruturas de vizinhana para o mtodo de busca local VND, de forma a melhorar, ainda mais, a qualidade das solues geradas. O uso de outros mtodos heursticos multiobjetivos, tais como VEGA, MOGA, NPGA, SPEA, so tambm alternativas a serem testadas. Para tornar a soluo mais aplicvel realidade operacional, ainda poderiam ser consideradas, no modelo de simulao, algumas variaes de cenrio que no foram previstas no modelo atual. Estas variaes do processo podem ser as paradas no previstas para manuteno de algum equipamento, a variao na velocidade do caminho e a taxa de utilizao dos equipamentos de carga, as mudanas climticas, como a chuva por exemplo, ou algum outro fator especco de cada mina.

75

Bibliograa
Andrade, E. L. de. (2000). Introduo Pesquisa Operacional. LTC Livros Tcnicos e Cientcos - Editora S.A., Rio de Janeiro, RJ. Arenales, M.; Armentano, V.; Morabito, R. e Yanasse, H. (2007). Pesquisa operacional para cursos de engenharia. Editora Campus, Rio de Janeiro. Arroyo, J. E. C. Heursticas e metaheursticas para otimizao combinatria multiobjetivo. Tese de doutorado, Unicamp, (2002). Arroyo, J. E. C. e Armentano, V. A. (2005). Genetic local search for multi-objective owshop scheduling problems. European Journal of Operational Research, v. 167, p. 717738. Banks, J.; II, J. S. Carson e Nelson, B. L. (1999). Discrete-Event System Simulation, Prentice Hall. Editora Campus, New Jersey. C. A. Coello Coello, D. A. Van Veldhuizen e Lamont, G. B. (2002). Evolutionary algorithms for solving multi-objective problems. Relatrio tcnico, Kluwer Academic Publishers. Campos, V. F. (1999). TQC: controle da qualidade total (no estilo japons). EDG, Belo Horizonte, MG. Chanda, E. K. C. e Dagdelen, K. (1995). Optimal blending of mine production using goal programming and imteractive graphics systems. International Journal of Surface Mining, Reclamation and Environment, v. 9, p. 203208. Chankong, V. e Haimes, Y. (1983). Multiobjective Decision Making -Theory and Methodology. North-Holland, New York: North-Holland. Coello, C. A. C. (1999). An updated survey of ga-based multiobjective optimization techniques: state of the art and future trends. CEC, v. 1, p. 3 13. Cohon, J. L. (1978). Multiobjective Programing and Plannig. Academic Press, New York. Costa, F. P. (2005). Aplicaes de tcnicas de otimizao a problemas de planejamento operacional de lavra em minas a cu aberto. Dissertao de mestrado, PPGEM / UFOP, Ouro Preto, M.G.

76

Costa, F. P.; Souza, M. J. F. e Pinto, L. R. (2005). Um modelo de programao matemtica para alocao esttica de caminhes visando ao atendimento de metas de produo e qualidade. Revista da Escola de Minas, v. 58, p. 7781. Costa, F.P.; Souza, M. J.F. e Pinto, L. R. (2004). Um modelo de alocao dinmica de caminhes. Revista Brasil Mineral, v. 231, p. 2631. Crawford, J. T. e Hustrulid, W. A. (1979). Open pit mine planning and design. UMI Books on Demand, New York. Deb, K. (2001). Multi-objective optimization using evolutionary algorithms. John Wiley & Sons, New York. Deb, K.; Agrawal, S.; Pratab, A. e Meyarivan, T. (2000). A fast elitist nondominated sorting genetic algorithm for multi-objective optimization: Nsga-ii. Relatrio tcnico, Indian Institute of Technology. Deb, K.; Pratap, A.; Agarwal, S. e Meyarivan, T. (2002). Fast elitist multi-objective genetic algorithm: Nsga-ii. IEEE Transactions on Evolutionary Computation, v. 6, n. 2, p. 182197. Deb, K. e Tiwari, S. (2008). Omni-optimizer: A generic evolutionary algorithm for single and multi-objective optimization. European Journal of Operational Research, v. 185, p. 10621087. Ehrgott, M. e Gandibleux, X. (2000). A survey and annotated bibliography of multicriteria combinatorial optimization. Willey, Forthcoming. Faccioli, R. A. (2007). algortimo hbrido multiobjetivo para predio de estrutura terciria de protenas. Dissertao de mestrado, USP, So Carlos, S.P. Fonseca, C. M. e Fleming, P. J. (1995). An overview of evolutionary algorithms in multiobjective optimization. Evolutionary Computation, v. 3, n. 1, p. 116. Fonseca, C.M. e Fleming, P.J. (1993). Genetic algorithms for multiobjective optimization: Formulation, discussion and generalization. Anais do Fifth International Conference on Genetic Algorithms, p. 416423, San Mateo, USA. Germani, D. J. (2002). A minerao no brasil: relatrio nal. Relatrio tcnico, CGEE, Rio de Janeiro, RJ. Goldberg, D. (1989). Genetic algorithms in search, optimization, and machine learning. Addison-Wesley Publishing Company, Inc., Reading, MA. Guimaraes, I.F.; Pantuza Jr, G. e Souza, M. J. F. (2007). Um modelo de simulo computacional para validao dos resultados de alocao dinmica de caminhes com atendimento de metas de qualidade e de produo em minas a cu aberto. Proceedings do XIV Simpsio de Engenharia de Produo SIMPEP, Bauru, Brazil.

77

Horn, J. (1997). Handbook of Evolutionary Computation, volume 1. Oxford University Press, Oxford, England. Horn, J.; Nafpliotis, N. e Goldberg, D.E. (1994). A niched pareto genetic algorithm for multiobjective optimization. Anais do the First IEEE Conference on Evolutionary Computation, IEEE World Congress on Computational Intelligence, p. 8287, Piscataway, USA. Jones, D.F.; Mirrazavi, S. K. e Tamiz, M. (2002). Multi-objective meta-heuristics: An overview of the current state-of-art. European Journal of Operational Research, v. 137, p. 119. Knowles, J. D. Local search and hybrid evolutionary algorithms for pareto optimization. PhD thesis, University of Reading, Reading, UK, (2002). Law, A. M. e Kelton, W. D. (1991). Simulation Modeling and Analysis. McGrawHill, Singapore. Merschmann, L. H. C. (2002). Desenvolvimento de um sistema de otimizao e simulao para anlise de cenrios de produo em minas a cu aberto. Dissertao de mestrado, Programa de Engenharia de Produo/COPPE, UFRJ, Rio de Janeiro, Brazil. Merschmann, L. H. C. e Pinto, L. R. (2001). Planejamento operacional da lavra de mina usando modelos matemticos. Revista da Escola de Minas, v. 4, n. 3, p. 211214. Moraes, E. F. (2005). Um modelo de programao matemtica para otimizar a composio de lotes de minrio de ferro da mina cau da cvrd. Dissertao de mestrado, UFOP, Ouro Preto, M.G. Pantuza Jr., G. e Souza, M. J. F. (2009). Uma nova formulao de programao matemtica para o problema de planejamento de lavra. Proceedings do XVI Simpsio de Engenharia de Produo (SIMPEP), Bauru, Brazil. Pantuza Jr, Guido. (2008). A utilizao de ferramentas da pesquisa operacional aplicadas ao planejamento de lavara em minas a cu aberto. Monograa de graduao em engenharia de produo, UFOP, Ouro Preto, MG. Pareto, V. (1896). Cours DEconomie Politique, volume 1. F. Rouge. Pedgen, C. D.; Shannon, R. E. e Sadowski, R. P. (1995). Introduction to Simulation Using SIMAN. McGraw-Hill, New York, USA, 2 edio. Pereira, G. W. (2004). Aplicao da tcnica de recozimento simulado em problemas de planejamento orestal multiobjetivo. Dissertao de mestrado, UFMG, Belo Horizonte, MG.

78

Ramos Neto, A. N. e Pinto, L. R. (2004). Template do programa arena para simulao das operaes de carregamento e transporte em minas a cu aberto. Revista Escola de Minas - REM, v. 57, n. 1, p. 6569. Ribas, S.; Coelho, I. M.; Souza, M. J. F. e Menotti, D. (2009). Parallel iterated local search aplicado ao planejamento operacional de lavra. Anais do XLI Simpsio Brasileiro de Pesquisa Operacional, p. 20372048, Porto Seguro, BA. Rodrigues, L. F. (2006). Anlise comparativa de metodologias utilizadas no despacho de caminhes em minas a cu aberto. Dissertao de mestrado, UFMG, Belo Horizonte, M.G. Schaer, J. (1985). Multiple objective optimization with vector evaluated genetic algorithms. Genetic Algorithms and their Applications: Anais do First International Conference on Genetic Algorithms, v. I, p. 93100. Shwif, L. e Medina, A. C. (2006). Modelagem e simulao de eventos discretos. Ed. dos Autores, So Paulo. Souza, M. J. F.; Coelho, I. M.; Ribas, S.; Santos, H. G. e Merschmann, L. H. C. (2010). A hybrid heuristic algorithm for the open-pit-mining operational planning problem. European Journal of Operational Research, v. 207, p. 10411051. Souza, Marcone Jamilson Freitas. Programao de horrios em escolas: uma aproximao por metaheursticas. Tese de doutorado, Coppe, Universidade Federal do Rio de Janeiro, Rio de Janeiro, R.J., (2000). Srivivas, N. e Deb, K. (1995). Multiobjective optimization using nondominated sorting in genetic algorithms. Evolutionary Computationn, v. 2, n. 3, p. 221248. Steuer, R. E. (1986). Multiple Criteria Optimization: Theory, Computation, and Application. Willey, New York: Wiley. Tan, K.C.; Chew, Y.H. e Lee, L.H. (2006). A hybrid multi-objective evolutionary algorithm for solving truck and trailer vehicle routing problems. European Journal of Operational Research, v. 172, p. 855885. Ticona, Waldo Gonzalo Cancino. Algoritmos evolutivos multi-objetivo para a reconstruo de rvores logenticas. Tese de doutorado, ICMC, USP, So Carlos, S.P., (2003). Tubino, D. F. (1997). Manual de planejamento e controle da produo. Atlas, So Paulo, SP. Veldhuizen, D. A. Van e Lamont, G. B. (2000). Multiobjective evolutionary algorithms: analyzing the state-of-the-art. Evolutionary Computation, v. 8, n. 2, p. 125 147.

79

White, J. W.; Arnold, M. J. e Clevenger, J. G. (1982). Automated open pit truck dispatching at tyrone. Engineering and Mining Journal, , n. 6, p. 7684. White, J. W. e Olson, J. P. (1986). Computer-based dispatching in mines with concurrent operating objectives. Mining Engineering, , n. 11, p. 10451054. Zitzler, E. Evolutionary algorithms for multiobjective optimization: methods and applications. PhD thesis, Federal Institute of Technology Zurich, Zurich, Swiss, (1999). Zitzler, E.; Deb, K. e Thiele, L. (2000). Comparison of multiobjective evolutionary algorithms: Empirical results. Evolutionary Computation, v. 8, p. 173195.

80

Apndice I Fase de Reproduo

Soluo-pai selecionada:
inicio F1 F2 F3 F4 . . . Fi brit pest f im Carga (Car2 ,1) (Car8 ,1) (Car3 ,1) (Car4 ,1) . . . (Disp,0) Carga (Car2 ,1) (Car8 ,1) (Car3 ,1) (Car4 ,1) . . . (Disp,0) Carga (Car2 ,1) (Car8 ,1) (Car3 ,1) (Car4 ,1) . . . (Disp,0) inicio 0 0 0 0 X . . . 0 0 0 0 inicio F1 0 0 0 0 X . . . 0 3 0 0 F1 F2 0 0 0 0 X . . . 0 0 0 0 F2 F3 0 0 0 0 X . . . 0 1 1 0 F3 F4 0 0 0 0 X . . . 0 0 0 0 F4 ... ... ... ... ... ... ... ... ... ... ... ... Fi 0 0 0 0 X . . . 0 0 0 0 Fi brit 3 3 0 0 X . . . 0 0 0 0 brit pest 2 0 0 2 X . . . 0 0 0 0 pest f im 0 0 0 0 X . . . 0 4 1 0 f im

Submatriz A mantida:
inicio F1 F2 F3 F4 . . . Fi brit pest f im

. . .

. . .

. . .

. . .

. . .

...

. . .

. . .

. . .

. . .

Submatriz B reconstruda:
inicio F1 F2 F3 F4 . . . Fi brit pest f im inicio 0 0 0 0 X . . . 0 0 0 0 F1 0 0 0 0 X . . . 0 0 0 0 F2 0 0 0 0 X . . . 0 2 0 0 F3 0 0 0 0 X . . . 0 0 0 0 F4 0 0 0 0 X . . . 0 0 0 0 ... ... ... ... ... ... ... ... ... ... ... Fi 0 0 0 0 X . . . 0 0 0 0 brit 2 0 2 0 X . . . 0 0 0 0 pest 0 0 0 0 X . . . 0 0 0 0 f im 0 0 0 0 X . . . 0 2 0 0

Tabela I.1: Representao da fase de reproduo de um indivduo

81

Apndice II Estruturas de Vizinhana

Movimento Nmero de Viagens N N V (S )

Figura II.1: Ilustrao do Movimento Nmero de Viagens

82

Movimento Carga N CG(S )

Figura II.2: Ilustrao do Movimento Carga

83

Movimento Troca de Carregadeiras N CT (S )

Figura II.3: Ilustrao do Troca de Carregadeiras

84

Movimento Realocar Viagem de um Caminho N V C (S )

Figura II.4: Ilustrao do Movimento Realocar Viagem de um Caminho

85

Movimento Realocar Viagem de uma Frente N V F (S )

Figura II.5: Ilustrao do Movimento Realocar Viagem de uma Frente

86

Movimento Troca de Viagens N RC (S )

Figura II.6: Ilustrao do Movimento Realocar Carregadeira

87

Apndice III Publicaes

Lista-se a seguir os trabalhos oriundos desta pesquisa que foram submetidos a peridicos de circulao internacional, aceitos em peridicos de circulao nacional e/ou apresentados em eventos cientcos.

Trabalhos submetidos a peridicos internacionais

Ttulo: Hybrid multi-objective heuristics for the open-pit-mining operational planning problem. Autores: Guido Pantuza Jr., Marcone Jamilson Freitas Souza e Ivo Eyer Cabral. Peridico: Computers and Operations Research. Data de submisso: 6 de janeiro de 2011. ISSN: 0305-0548.

Trabalhos aceitos em peridicos nacionais

Ttulo: Uma nova formulao de programao matemtica para o problema de planejamento de lavra. Autores: Guido Pantuza Jr., Marcone Jamilson Freitas Souza e Ivo Eyer Cabral. Peridico: Revista GEPROS. Edio: 16. Data de aceite: 01 de outubro de 2010. ISSN: 1809-614X.

88

Trabalhos apresentados em eventos nacionais

Ttulo: Uma nova formulao de programao matemtica para o problema de planejamento de lavra. Autores: Guido Pantuza Jr. e Marcone Jamilson Freitas Souza. Evento: XVI Simpsio de Engenharia de Produo SIMPEP. Local: Bauru SP. Perodo: 9 a 11 de novembro de 2009. Classicao: Terceiro melhor trabalho na rea de Pesquisa Operacional. Ttulo: Um algoritmo gentico hbrido multiobjetivo aplicado ao planejamento operacional de lavra em minas a cu aberto. Autores: Guido Pantuza Jr. e Marcone Jamilson Freitas Souza. Evento: VI Congresso Brasileiro de Mina a Cu aberto e VI Congresso Brasileiro de Mina Subterrnea CBMINA. Local: Belo Horizonte MG. Perodo: 3 a 5 de agosto de 2010. Ttulo: O algoritmo NSGA II aplicado ao planejamento de lavra de minas a cu aberto. Autores: Guido Pantuza Jr. e Marcone Jamilson Freitas Souza. Evento: XIII Simpsio de Pesquisa Operacional e Logstica da Marinha SPOLM. Local: Rio de Janeiro RJ. Perodo: 12 a 13 de agosto de 2010. Ttulo: Um modelo de programao matemtica para o problema de planejamento de lavra considerando o mtodo de lavra seletiva. Autores: Guido Pantuza Jr. e Marcone Jamilson Freitas Souza. Evento: XVII Simpsio de Engenharia de Produo SIMPEP. Local: Bauru SP. Perodo: 8 a 10 de novembro de 2010. Classicao: Quarto melhor trabalho na rea de Pesquisa Operacional.

89