Hipercubo

O USO DO MODELO HIPERCUBO NA SOLUO DE PROBLEMAS DE LOCALIZAO PROBABILSTICOS
Fernando Chiyoshi Roberto D. Galvo

Programa de Engenharia de Produo COPPE/UFRJ Caixa Postal 68507 21945-970 Rio de Janeiro RJ
Reinaldo Morabito v.7, n.2, p. 146-174, ago. 2000 Resumo O modelo hipercubo revisitado tendo em vista sua utilizao em mtodos de soluo para problemas de localizao probabilsticos. Este uso do modelo de bastante relevncia em situaes em que a aleatoriedade na disponibilidade dos servidores um fator importante a ser considerado; em algumas circunstncias esta aleatoriedade s pode ser representada pela modelagem de filas espacialmente distribudas. O modelo apresentado com o auxlio de um exemplo ilustrativo, para o qual so derivadas as equaes de equilbrio; medidas de desempenho do modelo so tambm definidas. Isto seguido pela descrio de um mtodo exato e de outro aproximado para o clculo destas medidas. Diversos modelos de localizao probabilsticos so ento estudados, o que seguido pela anlise de mtodos de soluo disponveis para esses modelos, com nfase especial nos mtodos que incluem o uso do modelo hipercubo. Embora atualmente de uso incipiente em problemas de localizao probabilsticos, o modelo tem grande potencial nesse contexto, por exemplo se integrado a metaheursticas tais como simulated annealing e busca tabu. Palavras-chave: localizao, modelo hipercubo, modelos probabilsticos, filas. 1. Introduo quando foram definidos os primeiros modelos matemticos nessa rea; a literatura correspondente atualmente bastante vasta. Os modelos de localizao normativos, assim chamados
Departamento de Engenharia de Produo UFSCar Caixa Postal 676 13565-905 So Carlos SP
interesse em problemas de localizao tem crescido bastante a partir da dcada de 60,
GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000
147
porque caracterizam-se pela otimizao de uma norma ou medida de utilidade, sujeita s restries operacionais relevantes, correspondem a problemas que podem ser formulados e resolvidos com base em tcnicas de otimizao de modelos matemticos. Problemas de localizao no setor pblico podem ser classificados em duas categorias: localizao de servios no emergenciais e localizao de servios de emergncia. Na primeira categoria esto includos a localizao de escolas, agncias de correio, edifcios pblicos, de alguns servios de sade pblica e mesmo de servios relacionados ao meioambiente, como suprimento de gua e facilidades para o depsito de lixo. A categoria de servios de emergncia inclui por exemplo a localizao de hospitais, de servios de atendimento de emergncia por ambulncias e de estaes do corpo de bombeiros. As medidas de utilidade a serem otimizadas so diferentes para as duas categorias. No caso de servios de emergncia uma medida de utilidade bastante usada a mxima distncia a ser percorrida (chamada de distncia crtica) entre qualquer usurio do sistema e a facilidade (ou servidor) mais prxima. Os primeiros modelos a serem desenvolvidos para a localizao de servios de emergncia foram modelos determinsticos. Uma desvantagem dos modelos determinsticos que eles partem da hiptese que os servidores esto disponveis quando solicitados, o que nem sempre razovel em aplicaes prticas. O congestionamento em servios de atendimento de emergncia, que pode causar a indisponibilidade de um servidor a menos da distncia crtica quando solicitado, motivou o desenvolvimento dos modelos de localizao probabilsticos. Na modelagem probabilstica de servios de emergncia, algumas hipteses simplificadoras permitem o uso da programao matemtica. Situaes em que hipteses simplificadoras no so aplicveis conduzem, no entanto, ao tratamento desses problemas atravs de programao estocstica.
O modelo hipercubo, proposto por LARSON (1974) e estudado por diversos autores (SWERSEY, 1994), uma importante ferramenta para o planejamento de sistemas de servios, especialmente os sistemas urbanos em que servidores se deslocam para fornecer algum tipo de servio para clientes (server-to-customer service). O modelo adequado para analisar sistemas coordenados ou centralizados, onde o usurio que deseja algum servio (p.e., atendimento mdico ou policial, entrega de algum item como uma pizza ou uma pea de computador) telefona para a central de atendimento do sistema. O administrador do sistema ento despacha um servidor de alguma facilidade prxima do local da chamada para atender o cliente. Caso nenhum servidor esteja disponvel, a solicitao entra numa fila de espera para ser atendida assim que algum servidor ficar disponvel. O modelo aborda complexidades geogrficas e temporais da regio, com base em resultados de teoria de filas espacialmente distribudas e aproximaes a partir de anlise Markoviana. Basicamente, a idia expandir a descrio do espao de estados de um sistema de fila com mltiplos servidores, para poder representar cada servidor individualmente e incorporar polticas de despacho mais complexas. A soluo do modelo envolve resolver um sistema de equaes lineares que fornece as probabilidades de equilbrio dos possveis estados do sistema (probabilidades de estado). Estas probabilidades permitem estimar diversas medidas de desempenho interessantes para o gerenciamento do sistema, tais como cargas de trabalho (workloads) dos servidores, tempo mdio de resposta do sistema ou de cada servidor, freqncia de atendimento de cada servidor a cada regio, entre outras. Apesar de ser aplicvel a estudos de cenrios, o modelo hipercubo um modelo descritivo que, se aplicado de forma isolada, no assegura a soluo direta de problemas de localizao. Nosso interesse no presente trabalho revisitar o modelo hipercubo e enfatizar a importncia de sua integrao modelagem de problemas de
148
Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas
Tabela 1 Lista de preferncias de despacho.

Servidores Preferenciais 2o. 3o. tomo 1o. ---------------------------------------1 1 2 3 2 2 3 1 3 3 1 2 ----------------------------------------
localizao nos quais a aleatoriedade na disponibilidade dos servidores um fator importante a ser considerado. Esta integrao possibilita a modelagem de situaes mais prximas das encontradas no mundo real, atravs do tratamento matemtico de filas espacialmente distribudas. O trabalho tem carter tutorial quanto ao modelo hipercubo, e carter de reviso bibliogrfica no que se refere aos modelos de localizao probabilsticos apresentados. O modelo hipercubo tratado em detalhe na seo 2 com o auxlio de um exemplo ilustrativo, para o qual so derivadas as equaes de equilbrio; medidas de desempenho do modelo so tambm discutidas nesta seo. Isto seguido pela descrio, na seo 3, de mtodos exatos e aproximados para o clculo das medidas de desempenho. Em particular, discute-se aspectos prticos da implementao de mtodos iterativos, o que foi pouco reportado na literatura, como a importncia dos valores iniciais das probabilidades de equilbrio para a convergncia dos mtodos. Tambm apresentase uma experincia computacional da aplicao dos mtodos em exemplos aleatrios. Diversos modelos de localizao probabilsticos so ento estudados na seo 4, o que seguido (seo 5) da anlise de mtodos de soluo disponveis para esses modelos, com nfase especial nos mtodos que incluem o uso do modelo hipercubo. As concluses encerram o artigo. 2. O Modelo Hipercubo
modelo hipercubo baseia-se na diviso da regio em um conjunto de reas de
demanda ou tomos geogrficos, cada tomo considerado como uma fonte pontual independente solicitadora de servios ao longo do tempo (similarmente aos ns ou vrtices como pontos de demanda de uma rede de transportes). Desta maneira, o modelo considera os chamados distribudos tanto espacialmente quanto temporalmente na regio. O atendimento aos chamados de cada tomo realizado por servidores (ambulncias, veculos de entrega, bombeiros) distribudos na regio e que, quando disponveis, podem estar fixos em alguns pontos (bases), ou movimentando-se em sub-regies (neste caso seus movimentos devem ser conhecidos ao menos probabilisticamente). Para um servidor, sua rea de cobertura primria o conjunto dos tomos que este servidor atende prioritariamente (i.e., o primeiro a ser chamado; o modelo tambm trata situaes em que podemos ter tomos com mais de um servidor preferencial). No caso de o servidor preferencial estar ocupado, outros servidores so chamados para atender a solicitao. O nome hipercubo deriva da descrio da disponibilidade dos servidores por meio do espao de estados. Cada servidor pode estar livre (0) ou ocupado (1) em um certo instante. Um estado particular do sistema dado pela lista dos servidores que esto livres e ocupados. Por exemplo, o estado 110 corresponde a um sistema com trs servidores, com o servidor 1 livre e os servidores 2 e 3 ocupados (note que 110 descreve o estado dos servidores da direita para a esquerda). Desta maneira, para trs servidores o espao de estados do sistema dado pelos vrtices de um cubo. No caso de termos mais de
149
trs servidores, temos um hipercubo. O modelo trata tanto sistemas em que os chamados no atendidos aguardam em fila, quanto sistemas que no admitem a formao de filas. Alguns exemplos de aplicao do modelo hipercubo nos EUA so a localizao de ambulncias em Boston, MA (BRANDEAU & LARSON, 1986), o patrulhamento policial em Orlando, FL (SACKS & GRIEF, 1994), e o programa de visitas do servio social (LARSON & ODONI, 1981). No Brasil, alguns exemplos so o atendimento a interrupes na distribuio de energia eltrica em Santa Catarina (ALBINO, 1994), a localizao de ambulncias em um trecho da BR-111 (GONALVES et al., 1994, 1995), o balanceamento da carga de trabalho de ambulncias no sistema Anjos do Asfalto da Via Dutra (MENDONA, 1999, e MENDONA & MORABITO, 2000), e a configurao do Servio de Atendimento Mdico de Urgncia (SAMU) da prefeitura de Campinas, SP (TAKEDA, 2000). Extenses do modelo hipercubo foram consideradas em HALPERN (1977) e BURWELL et al. (1993). Outras referncias podem ser encontradas em SWERSEY (1994). Para a aplicao do modelo, h nove hipteses bsicas que devem ser satisfeitas: 1. tomos geogrficos: a regio analisada dividida em NA tomos geogrficos. Os tomos podem corresponder a trechos de uma rodovia, reas de uma cidade ou de uma regio. Em geral cada tomo modelado com um simples ponto, localizado no centro do tomo real, como em uma rede de transportes. 2. Processos de chegada conforme processos de Poisson independentes: admite-se que os chamados de cada tomo j so gerados conforme um processo de Poisson, independente dos outros tomos, com taxa mdia j (j = 1,2,...,NA). Embora aparentemente muito restritiva, esta condio comumente satisfeita em diversos sistemas reais. 3. Tempos de deslocamento do servidor: os tempos mdios de viagem ij entre o tomo i e o tomo j (i,j = 1,2,...,NA) devero ser
4.
5.
6.
7.
8.
conhecidos ou estimados pelos conceitos de probabilidade geomtrica. Servidores: existem N servidores espacialmente distribudos ao longo da regio, que podem se deslocar e atender qualquer um dos tomos. Em certos casos essa hiptese pode ser facilmente relaxada para representar polticas de despacho particulares, por exemplo se apenas os dois servidores mais prximos do local do chamado so considerados para atender a solicitao (veja MENDONA & MORABITO, 2000). Localizao dos servidores: cada servidor, quando disponvel, pode ficar fixo em um tomo, ou se mover (p.e., em patrulhamento) dentro de uma rea determinada (neste caso sua localizao deve ser conhecida, ao menos probabilisticamente). Despacho de um servidor: apenas um servidor despachado para atender cada servio solicitado. O modelo no representa adequadamente situaes onde mais de um servidor despachado para a mesma chamada (p.e., no caso de um grande incndio), embora em muitas situaes reais o conjunto de servidores despachados possa ser visto como um nico servidor. Se no houver servidores disponveis, poder haver formao de filas (no caso de sistemas que permitem filas), ou perda do chamado (no caso de sistemas que no permitem filas), que ento transferido para outro sistema de atendimento. Poltica de despacho dos servidores: h uma lista fixa de preferncias de despacho para cada tomo. Se o primeiro servidor desta lista estiver disponvel, ele despachado para atender o chamado do tomo, caso contrrio o prximo servidor disponvel da lista (i.e., o backup) despachado. A lista de preferncias fixada a priori e permanece inalterada durante a operao do sistema. O modelo pode ser facilmente adaptado para casos em que um tomo tem mais de um servidor preferencial. Tempo de servio: o tempo de servio de um chamado inclui o tempo de preparo do
150
servidor (setup time), tempo de viagem do servidor at o local onde houve o chamado, o tempo de realizao do servio propriamente dito (em cena), e o tempo de retorno base. Os servidores tm taxas mdias de servio n (n = 1,..,N), que podem ser diferentes entre os servidores. No caso do sistema permitir formao de filas, o modelo funciona melhor medida que os tempos mdios de servio se aproximam dos respectivos desvios padres, isto , medida que o processo de servio tende a ser exponencialmente distribudo. Entretanto, segundo LARSON & ODONI (1981), desvios razoveis desta hiptese no alteram sensivelmente a preciso do modelo. Se o sistema no permitir filas, esta hiptese ainda menos necessria, dado que sistemas M/M/N/N e M/G/N/N tm a mesma distribuio de equilbrio (GROSS & HARRIS, 1974). 9. Dependncia do tempo de servio em relao ao tempo de viagem: variaes no tempo de servio devidas s variaes no tempo de viagem so assumidas como sendo de segunda ordem, quando comparadas com as variaes dos tempos em cena e/ou setup (isso no significa que o tempo de deslocamento deva ser ignorado ao se computar o tempo de servio). Esta hiptese, que limita a aplicabilidade do modelo, mais comumente verificada em sistemas urbanos do que em sistemas rurais. Embora muitos servios do tipo server-tocustomer operem com prioridades nos tipos de chamados que recebem, comum no ser necessrio considerar estas prioridades diretamente no modelo para fins de planejamento. Por exemplo, sejam chamadas que necessitam uma unidade de UTI e chamadas que podem ser atendidas por uma unidade comum no sistema SAMU em Campinas (TAKEDA, 2000). Para modelar esta situao, cada tomo dividido em dois tomos, um gerando chamadas do primeiro tipo e o outro gerando chamadas do segundo, com os tomos com chamadas do primeiro tipo
tendo como servidores preferenciais as unidades de UTI. Esta maneira de adaptar o modelo para tipos de chamadas e tipos de unidades permite computar separadamente medidas de desempenho para cada tipo de servidor. Polticas de atendimento com prioridades mais complicadas, no entanto, no podem ser tratadas pelo modelo: por exemplo, interromper um servio em andamento de uma chamada de baixa prioridade para ir atender uma chamada de maior prioridade. Neste caso, o uso de um modelo de simulao talvez seja mais recomendado. Na prtica, nenhum sistema real adere exatamente a todas as nove hipteses acima. A deciso de aplicar ou no o modelo hipercubo deve levar em conta o quanto o sistema real no se ajusta rigidez do modelo, contra as limitaes ou complicaes do uso de modelos alternativos. A descrio detalhada do modelo est alm dos objetivos deste artigo; para mais detalhes, o leitor pode consultar, por exemplo, LARSON (1974) e LARSON & ODONI (1981). 2.1 Exemplo Ilustrativo A ttulo de ilustrao apresentamos a seguir um exemplo simples de uma cidade particionada em NA = 3 tomos, com demandas distribudas segundo processos de Poisson independentes, com taxas mdias de chamadas 1, 2 e 3, respectivamente (conforme as hipteses bsicas 1 e 2 acima). O sistema dispe de N = 3 servidores que atendem qualquer um dos tomos com tempos de servio exponencialmente distribudos, com taxas mdias 1, 2 e 3, respectivamente (conforme as hipteses 4 e 8 acima. Tambm admitimos que os tempos de viagem satisfazem a hiptese 9). O fato de termos escolhido um exemplo com apenas 3 servidores para podermos representar seus possveis estados em um espao tridimensional. E o fato de termos apenas 3 tomos no exemplo no elimina a generalidade da estrutura do sistema de equaes para sistemas com 3 servidores (ver seo 2.2).
151
Cada chamada atendida por apenas um servidor e, quando todos os servidores esto ocupados, o chamado entra em uma fila (de capacidade infinita), espera do primeiro servidor desocupado (hiptese 6). H uma lista fixa de preferncias de despacho, onde cada tomo tem um nico servidor preferencial, conforme a Tabela 1 (hiptese 7). Note, por exemplo, que o tomo 2 tem o servidor 2 como preferencial, seguidos dos servidores 3 e 1 (primeiro e segundo backups). A disciplina de atendimento dos chamados em fila FCFS (First-Come, First-Served). Os servidores 1, 2 e 3, quando disponveis, permanecem no centro dos tomos 1, 2 e 3, respectivamente (hiptese 5) neste exemplo, os tomos 1, 2 e 3 coincidem com as reas de cobertura primria dos servidores 1, 2 e 3. Os possveis estados em que o sistema pode ser encontrado em um dado instante de tempo so: {000}, {001}, {010}, {100}, {011}, {110}, {101}, {111}, {S4}, {S5}, {S6}, ..., onde Si, i 4, corresponde ao estado em que i usurios esto no sistema (isto , os trs servidores esto ocupados e (i 3) chamadas esto aguardando servio em fila). Podemos representar o diagrama de estados deste exemplo como um cubo, com os vrtices correspondendo aos estados {000}, {001}, {010}, {100}, {011}, {110}, {101} e {111}, e com uma cauda infinita a partir do estado {111}, composta dos estados {S4}, {S5}, {S6}, .... 2.2 Construo das Equaes de Equilbrio Para a soluo do modelo, constri-se uma equao de equilbrio para cada estado do sistema, igualando-se a taxa de transio desse estado para outros estados e a taxa de transio de outros estados para o estado considerado. Iniciando com o estado {000} em que todos os servidores esto livres, tem-se que o sistema passa do estado {000} para o estado {001} quando ocorre uma chamada originada do tomo 1. A taxa de ocorrncia deste evento 1. Quando a chamada se origina no tomo 2, a
transio se dar para o estado {010}, sendo 2 a taxa associada a essa transio. Da mesma forma, quando a chamada se origina no tomo 3, a transio se dar para o estado {100} com taxa 3. Em conseqncia, a taxa total de transio do estado {000} para outros estados ser de = 1 + 2 + 3. Na realidade, independentemente do estado atual do sistema, qualquer chegada provoca a transio do sistema para fora deste estado. Considerando-se as transies no sentido inverso, tem-se, em primeiro lugar, que o estado {000} pode ser alcanado a partir do estado {001} quando ocorre a concluso do atendimento que o servidor 1 est realizando, evento que ocorre com taxa 1. O estado {000} pode tambm ser alcanado a partir do estado {010} pela concluso do atendimento do servidor 2 (taxa 2) ou do estado {100} pela concluso do atendimento do servidor 3 (taxa 3). A equao de equilbrio em torno do estado ser: {000}
p000 = 1p001 + 2p010 + 3p100, (1)
onde pB a probabilidade de equilbrio do estado B (p.e., p000 a probabilidade do estado B={000}). Convm observar que, dado que o modelo admite que apenas um servidor alocado para atender cada chamada (hiptese 6), e que virtualmente impossvel a chegada de duas chamadas simultneas (hiptese 2), nunca teremos uma transio do estado {000} para, digamos, o estado {011} (uma vez que esta assumiria que dois servidores livres ficam ocupados no mesmo instante). Similarmente, dado que o modelo admite que os servidores operam independentemente, e que virtualmente impossvel que dois servidores ocupados terminem seus servios simultaneamente (hipteses 6 e 8), nunca teremos uma transio do estado {011} para o estado {000}. Quando o sistema se encontra no estado {001}, alm do fato de que qualquer chegada levar o sistema para fora deste estado, possvel a transio para o estado {000} via
152
concluso do atendimento do servidor 1, de modo que a taxa total de transio do estado {001} para outros estados ser de +1. As transies de outros estados para o estado {001} so: (i) do estado {000} pela chegada de uma chamada do tomo 1, (ii) do estado {011} pela concluso do atendimento do servidor 2 e (iii) do estado {101} pela concluso do atendimento do servidor 3. Essas possveis transies levam equao: {001} (+1)p001 = 1p000 + 2p011 + 3p101 (2)
{011} (+2+1)p011 = (1+2)p001 + 1p010 + + 3p111 (5) De forma anloga, tem-se: {101} (+3+1)p101 = 3p001 + (1+3) p100 + + 2p111 (6) {110} (+2+3)p110 = (3+2)p010 + 2p100 + + 1p111 (7) Chega-se finalmente ao estado {111} em que todos os servidores esto ocupados e no h nenhuma chamada esperando atendimento. Neste estado, em primeiro lugar, qualquer chegada ou concluso de atendimento de qualquer servidor provocar a transio do sistema para fora deste estado. Em segundo lugar, o estado {111} pode ser alcanado a partir dos estados com dois servidores ocupados atravs de uma chamada, qualquer que seja sua origem. Nesta situao, o nico servidor livre ser sempre despachado: como servidor preferencial, como primeiro backup ou como segundo backup. E por fim, tem-se que o estado {111} pode ser alcanado a partir do estado S4 (em que esto presentes 4 usurios no sistema, trs recebendo atendimento e um na fila de espera) via concluso do atendimento de qualquer servidor. Fazendo Prob{S4} = p4, temse a equao: {111} (+)p111 = p011 + p101 + p110 + p4
As equaes relativas aos estados {010} e {100} tm derivaes e estruturas anlogas: {010} (+2)p010 = 2p000 + 1p011 + 3p110 (3) (+3)p100 = 3p000 + 1p101 + 2p110 (4)
{100}
Quando o sistema se encontra no estado {011}, alm do fato de que qualquer chegada levar o sistema para outros estados, tambm possvel a transio para o estado {001}, via concluso do atendimento do servidor 2, e a transio para o estado {010}, via concluso do atendimento do servidor 1, de modo que a taxa total de transio do estado {011} para outros estados ser de +1+2. Para as transies de outros estados para o estado {011}, tem-se em primeiro lugar a transio a partir do estado {001}. A chegada de uma chamada do tomo 2 provocar tal transio. Alm disso, uma chamada originada no tomo 1 tambm provocar a mesma transio, de vez que o servidor 1, que o servidor preferencial do tomo 1, est ocupado, e seu primeiro reserva (backup) o servidor 2. Outras possveis transies para o estado {011} so: a partir do estado {010}, pela chegada de uma chamada originada no tomo 1, e a partir do estado {111}, pela concluso do atendimento do servidor 3. Tudo considerado, tem-se a equao:
onde = 1 + 2 + 3. Poderamos prosseguir com as equaes de equilbrio para os estados S4, S5, S6, ..., o que resultaria em um sistema infinito de equaes. Ao invs disso, observamos que a condio de equilbrio do sistema requer que as taxas de transio entre os estados {111} e {S4} sejam iguais, isto , p111 = p4. Se essas taxas de transio no fossem iguais e tivssemos, por exemplo, p111 > p4, o sistema estaria em estado transiente com a cauda ainda em fase de
153
crescimento. Se o desequilbrio fosse no sentido inverso, o hipercubo estaria em fase de crescimento em termos da massa de probabilidade. Em face dessa condio de equilbrio, a equao em torno do estado {111} simplifica-se para {111}
condio, resulta que as transies entre os estados {Sk} e {Sk+1} para k=4,5,6 devem tambm ser iguais. Seja = / < 1; tem-se que: p4 = p111; p5 = p4 = 2p111; p6 = p5 = 3p111; ... de modo que, a partir da progresso geomtrica acima, chega-se a p111+p4+p5+ = p111/(1-). Assim, a equao de normalizao das probabilidades pode ser escrita como p000+p001+p010+p100+p011++ p111/(1-) = 1. (9) Registre-se que, quando os servidores so homogneos e tm a mesma taxa de atendimento (1 = 2 = 3), o modelo de hipercubo, no agregado, equivale ao modelo M/M/3. Isto permite que equaes adicionais sejam incorporadas ao sistema, caso necessrio. So elas: p000 = PMM3{S0} p001+p010+p100 = PMM3{S1} p011+p101+p110 = PMM3{S2} p111 = PMM3{S3} onde PMM3{Si} representa a probabilidade de que um sistema M/M/3 se encontre no estado Si. As equaes acima, que resultam da equivalncia, no agregado, entre o modelo hipercubo com servidores homogneos e o modelo M/M/N, so denominadas de hiperplanos (LARSON, 1974). 2.4 Medidas de Desempenho Com a distribuio de equilbrio de estados (obtida com a soluo do sistema (1)-(7) e (9)), podemos computar diversas medidas de desempenho interessantes para a anlise do sistema. Por exemplo, a carga de trabalho
p111 = p011 + p101 + p110,
(8)
o que resulta em um sistema finito de equaes (1)-(8), em termos das variveis p000, p001, p010, ..., p111. Note que as demais probabilidades de equilbrio de estados p4, p5, p6, ..., podem ser facilmente obtidas substituindo-se os valores de p000, p001, p010, ..., p111 nas equaes de equilbrio dos estados S4, S5, S6, ... 2.3 Insuficincia das Equaes de Equilbrio Se visualizarmos o sistema de equaes (1)-(8) na forma Ax = b, constata-se que as equaes de equilbrio conduzem a um sistema com b = 0, isto , os termos constantes das equaes so todos nulos. Trata-se de um sistema homogneo que tem uma soluo trivial para pijk = 0, para i,j,k =0,1. Alm do mais, um sistema indeterminado: pode-se arbitrar o valor de uma probabilidade particular e determinar as demais a partir dele. Existe uma explicao para tal indefinio: as equaes impem condio de equilbrio em torno de cada estado do cubo, isto , {000}, {001}, {010}, e {111}, mas nada especifica sobre a forma como a massa total de probabilidades se distribui entre esses e os estados da cauda do sistema S4, S5, S6, A forma natural de levantar a indeterminao a introduo de uma equao adicional de normalizao: considerados todos os estados possveis do sistema, a soma de suas probabilidades deve ser igual a um:
p000+p001+p010+p100+p011++p111+p4+p5+ = 1.
Como foi mencionado na seo 2.2, a condio de equilbrio do sistema requer que as transies entre os estados {111} e {S4} sejam iguais, isto , p111 = p4. Em decorrncia dessa
154
(workload) de cada servidor, isto , a frao de tempo em que o servidor est ocupado, pode ser facilmente obtida somando-se as probabilidades dos estados em que este servidor est ocupado, ou seja:
Por simplicidade, nas expresses a seguir, admitimos que os tempos mdios de servio dos servidores so iguais a 1 (i.e., 1 = 2 = 3 = 1). A partir de ij , pode-se obter o tempo mdio de viagem do sistema por:
[ T = f nj1]t nj + psTQ n =1 j =1 N NA
1 = p001 + p101 + p011 + p111 + pQ 2 = p010 + p110 + p011 + p111 + pQ 3 = p100 + p110 + p101 + p111 + pQ,
(10)
onde pQ = p4 + p5 + p6 + ... = 1 (p000 + p001 + p011 + ...+ p111) a probabilidade de haver fila no sistema. Outra medida de desempenho til a freqncia de despachos do servidor n para o tomo j:
[ [ f nj = f nj1] + f nj2 ] =
onde tnj o tempo mdio de viagem que o servidor n, quando disponvel, gasta para ir ao tomo j (note que tnj computado a partir de ij), e TQ =
i =1 NA NA
i j ij 2 j =1
o tempo mdio de
pB + BE
nj
j ps n
(11)
onde Enj o conjunto dos estados nos quais um chamado do tomo j atendido pelo servidor n, e ps = pQ + p111 a probabilidade de saturao do sistema. O primeiro termo do lado direito de (11) [ ( f nj1] ) corresponde frao de todos os despachos do servidor n para o tomo j que no incorrem em qualquer tempo de espera em fila, [ enquanto o segundo termo ( f nj2 ] ) corresponde frao de todos os despachos do servidor n para o tomo j que incorrem em algum tempo de espera em fila. Outras fraes, como a frao de despachos do servidor n como backup, a frao de despachos de backup para o tomo j, e a frao total de despachos backup no sistema, podem ser fcilmente computadas (LARSON & ODONI, 1981). At agora no precisamos especificar os tempos mdios de viagem entre os tomos i e j, ij, para cada servidor n (veja hiptese 3). Esta matriz no precisa ser simtrica e pode refletir complicaes na viagem devido a ruas e avenidas de mo simples, barreiras, condies de trfego. Caso estes dados no possam ser obtidos empiricamente, pode-se utilizar conceitos de probabilidade geomtrica para se estimar ij para cada servidor.
viagem at uma chamada que incorre em algum tempo de espera em fila (note que as razes j / e i / correspondem, respectivamente, probabilidade de uma chamada que incorre em algum tempo de espera em fila ser gerada no tomo j, e probabilidade de esta chamada ser atendida por um servidor localizado no tomo i). O tempo mdio de viagem para cada tomo j calculado por:
[ f nj1]tnj n =1 N
Tj =
f nj[1] n =1
(1 ps ) +
NA
j ij ps i =1
e o tempo mdio de viagem de cada servidor n pode ser aproximado por:
TU n =
f nj[1]tnj + (TQ ps / N ) j =1 f
j =1 NA [1] nj
NA
(12)
+ ( ps / N )
Outras medidas de desempenho podem ser definidas. Para mais detalhes destas e de outras medidas de desempenho, o leitor pode consultar LARSON (1974) e LARSON & ODONI (1981).
2.5 Processo de Calibrao dos Tempos Mdios de Servio
Em certos sistemas de atendimento emergencial, como certos casos de localizao de bases
155
de ambulncias, provvel que os tempos de viagem (tempo de viagem da base at o local do acidente, tempo de viagem do local do acidente at o hospital, tempo de viagem do hospital at a base) ocupem um papel relevante no tempo total de servio. Neste caso, importante que o tempo de servio de cada unidade seja ajustado separadamente, para refletir os diferentes fatores geogrficos afetando cada uma. Isto pode ser feito por meio de um processo de calibrao dos tempos mdios de servio n-1 de cada servidor n. Considere novamente a expresso (12) para TUn, o tempo mdio de viagem para o servidor n. Se a soma de todos os tempos que compem o tempo mdio de servio do servidor n (incluindo o valor computado TUn) for diferente do valor n-1 admitido inicialmente no modelo, ento o modelo deve ser rodado novamente usando como parmetro este novo tempo mdio de servio para o servidor n. E assim por diante, at que a diferena entre os tempos mdios de servio admitidos como parmetros e os tempos mdios de servio computados pelo modelo sejam suficientemente prximos. A este procedimento iterativo d-se o nome de processo de calibrao. Experincia dos autores com diversos exemplos mostra que este procedimento costuma convergir em duas ou trs iteraes, para uma preciso razovel dos valores de n-1, embora uma prova que garanta esta convergncia no tenha sido encontrada na literatura. Na prxima seo discutimos mtodos de soluo exatos e aproximados para o modelo hipercubo.
3. A Soluo do Modelo Hipercubo: Mtodos Exato e Aproximado
com N=3, o sistema tem 8 equaes, isto , (1)-(7) e (9)). Assim, mesmo para valores moderados de N, a soluo do sistema deve ser cercada de alguns cuidados para assegurar-lhe viabilidade computacional. Depois de um certo limite, a soluo do sistema de equaes se torna invivel computacionalmente, sendo necessrio recorrer a mtodos aproximados. Apresentamos nesta seo, em primeiro lugar, um mtodo exato de soluo do modelo hipercubo, no qual o sistema linear de equaes resolvido pelo mtodo de Gauss-Siedel (para maiores detalhes sobre esse mtodo veja por exemplo ATKINSON, 1978). Apresentamos em seguida o mtodo aproximado de LARSON (1975).
3.1 O Mtodo Exato
Iniciamos a apresentao do mtodo exato de soluo do modelo hipercubo a partir das equaes de equilbrio, tomando como base o exemplo simples de N = 3 servidores e NA = 3 tomos da seo 2. Mostramos que as equaes de equilbrio do sistema se apresentam naturalmente em forma apropriada para o uso de mtodos iterativos de soluo e que, por envolverem matrizes de coeficientes esparsas, tais mtodos apresentam a vantagem adicional de utilizarem exclusivamente os elementos no nulos da matriz dos coeficientes. Em concluso, apresentamos alguns comentrios sobre nossa limitada experincia computacional na soluo de problemas teste.
A Soluo do Sistema de Equaes
onforme apresentado na seo 2, a determinao das probabilidades de estado do modelo hipercubo requer a soluo de um sistema linear construdo a partir das equaes de equilbrio das taxas de transio. Para um sistema de N servidores, o sistema tem 2N equaes (note que, para o exemplo da seo 2
Consideremos novamente o sistema de equaes de equilbrio (1)-(7) e (9), desenvolvido na seo 2. Para escolher um mtodo apropriado para resolver este sistema, observe-se que a equao de equilbrio (1) em torno do estado {000} permite escrever de imediato: p000 = (1p001 + 2p010 + 3p100)/
156
Esta forma, em que p000 fica expressa em termos das demais probabilidades, sugere o uso de um mtodo iterativo de soluo, definindo-se a iterao p000(k) = [1p001(k-1) + 2p010(k-1) + + 3p100(k-1)]/ onde pijk(k) representa o valor obtido para pijk na k-sima iterao. De forma anloga, a equao de equilbrio (2) em torno do estado {001} conduz iterao p001(k) = [1p000(k-1) + 2p011(k-1) + + 3p101(k-1)]/(+1) para p001. Esta iterao caracteriza o mtodo de Gauss-Jacobi (veja ATKINSON, 1978), em que, a cada iterao, se utiliza os valores das variveis obtidos na iterao anterior. Pode-se no entanto utilizar os valores mais recentes das variveis, no sentido que, por exemplo, no momento de determinar p001(k), o valor mais atualizado de p000 p000(k), e no p000(k-1). Podese utilizar: p001(k) = [1p000(k) + 2p011(k-1) + + 3p101(k-1)]/(+1),
(13)
obtendo-se ento a iterao Gauss-Siedel. Observe-se que o somatrio do segundo membro da expresso (13) tem trs termos. Isto reflete o fato que, no espao tridimensional, a probabilidade associada ao estado representado pelo vrtice {001} do cubo depende apenas das probabilidades associadas aos estados representados pelos vrtices que so adjacentes a {001}. Este fato verdadeiro tambm para N genrico: como os estados do sistema que se comunicam esto sempre em vrtices adjacentes do hipercubo, qualquer equao de equilbrio ter sempre N+1 termos. Assim, embora a matriz dos coeficientes seja de dimenso 2Nx2N, cada linha da matriz tem, alm do elemento diagonal, apenas N elementos no nulos. Dessa forma um mtodo iterativo, no caso o
mtodo de Gauss-Siedel baseado na expresso (13), alm de ser uma escolha natural pela forma das equaes de equilbrio, apresenta a vantagem adicional de ser apropriado pela natureza da matriz de coeficientes do sistema, que bastante esparsa para valores grandes de N. Os mtodos iterativos de soluo de sistemas lineares de equaes so mtodos aproximados por natureza, no sentido de que sua implementao requer um critrio de parada baseado no erro absoluto mximo tolervel. Alm do mais, os mtodos iterativos podem no convergir. No caso do mtodo de Gauss-Siedel (assim como no de Gauss-Jacobi), sabe-se que a condio suficiente de convergncia de que a matriz dos coeficientes seja diagonalmente dominante, isto , que o elemento diagonal de uma linha seja, em mdulo, maior que a soma dos mdulos dos demais elementos da mesma linha. A matriz dos coeficientes do sistema de equaes do modelo hipercubo no satisfaz esta condio, de modo que no existe garantia formal de convergncia do mtodo de Gauss-Siedel. No entanto, existem duas consideraes que parecem justificar a conjectura de que o mtodo seja convergente. Em primeiro lugar, a natureza do problema: trata-se de um sistema de equaes em que as incgnitas so probabilidades que so normalizadas para totalizar um a cada iterao. Em segundo lugar, a nossa experincia computacional envolvendo algumas dezenas de problemas teste no revelou uma nica instncia em que o mtodo no convergisse.
Experincia Computacional
O mtodo de Gauss-Siedel foi testado para alguns problemas gerados aleatoriamente em sistemas com at 17 servidores, tendo como dados de entrada o nmero de tomos NA, o nmero de servidores N e a utilizao mdia < 1, o gerador: utilizou amostras da distribuio uniforme entre 0 e 1 como j, j=1,..,NA; utilizou amostras da distribuio uniforme entre 0,2 e 1,2 como i, i=1..,N, e, numa
157
segunda passada, normalizou os i para produzir desejado e cada linha da matriz de despachos foi gerada como uma amostra aleatria sem reposio de N elementos de [1, 2, 3, , N]. Usando 2-N como valores iniciais das probabilidades, constatou-se grandes oscilaes dos erros nas primeiras iteraes. Entretanto, aps 15 a 20 iteraes, o erros mximos mostraram reduo a taxas praticamente constantes nos problemas testados, comportamento tpico de sistemas convergentes. Deve-se atribuir as grandes oscilaes dos erros no incio do processo inadequao da escolha de 2-N como valor inicial das probabilidades. Por outro lado, o comportamento do processo aps a fase inicial de instabilidade parece indicar que o sistema em si bem comportado, no devendo apresentar problemas de convergncia do mtodo de Gauss-Siedel em sua soluo. Coloca-se ento o problema de definir valores iniciais mais apropriados para aplicar o mtodo iterativo de soluo. Os hiperplanos de Larson oferecem uma boa alternativa nesse sentido. Os hiperplanos resultam do fato de que, para sistemas com servidores homogneos (i.e., 1 = 2 = = N), as probabilidades dos estados do hipercubo so, no agregado, iguais s probabilidades dos estados do sistema M/M/N. Assim, para a estado vazio de um sistema de trs servidores teramos: p000 = PMM3{S0} Para sistemas com servidores distinguveis esta condio no verdadeira, mas parece razovel supor-se que PMM3{S0} seja um valor adequado para inicializar p000 : p000(0) = PMM3{S0} O hiperplano relativo ao estado em que um usurio se encontra presente no sistema dado pela equao:
p001 + p010 + p100 = PMM3{S1} Esta equao, no obstante aplicar-se somente a sistemas com servidores homogneos, permite obter valores iniciais mais apropriados das probabilidades na resoluo de equaes associadas a sistemas com servidores distinguveis pelo mtodo de Gauss-Siedel, distribuindose a massa do hiperplano igualmente entre os estados que definem o hiperplano: p001(0) = p010(0) = p100(0) = PMM3{S1}/3 De forma semelhante, os valores iniciais das demais probabilidades podem ser determinadas a partir dos hiperplanos associados aos estados com dois e trs usurios presentes no sistema: p011(0) = p101(0) = p110(0) = PMM3{S2}/3 p111(0) = PMM3{S3} Os valores iniciais das probabilidades assim definidos tornou o mtodo de Gauss-Siedel estvel no sentido de que os erros mximos mostram-se decrescentes a partir das iteraes iniciais em todos os problemas testados. Usando como critrio de convergncia um erro relativo mximo menor que 0,001%, o pior caso foi para N = 17 e = 0.9, com tempo de CPU de 58 segundos para resolver o sistema de equaes (os testes foram rodados em micro Pentium II com clock de 333Mhz e 64Mb de RAM). Em geral, para menores, a convergncia mais rpida: para = 0.5 convergncias foram obtidas entre 25 e 30 segundos de processamento. Na realidade, para problemas maiores, o elemento crtico passou a ser o tempo necessrio para gerar os coeficientes do sistema de equaes. Para problemas com 15, 16 e 17 servidores, tais tempos foram de 32, 73 e 158 segundos, respectivamente. Embora pouco cuidado tenha sido tomado na elaborao do cdigo para gerar os coeficientes, a experincia deixou a impresso de que o uso do mtodo
158
exato parece pouco operacional na implementao de mtodos de substituio de vrtices para problemas de localizao, em que a avaliao da troca de um par de vrtices requer a soluo de um modelo hipercubo (veja seo 4.4 abaixo).
3.2 O Mtodo Aproximado de Larson
Freqncias de Despachos
Resolver o modelo hipercubo significa obter os elementos necessrios para determinar suas caractersticas operacionais bsicas. Assim, pelo mtodo exato obtm-se as probabilidades associadas aos estados descritos pelos vrtices do hipercubo. Tais probabilidades so, por sua vez, utilizadas para determinar as medidas de desempenho do sistema (veja seo 2.4). Para um sistema com N servidores, o mtodo exato requer a soluo de um sistema linear de 2N equaes. Assim, mesmo valores moderados de N podem envolver sistemas com portes, seno intratveis, pouco operacionais para o uso do mtodo exato. Como alternativa, LARSON (1975) desenvolveu um mtodo aproximado, que envolve um sistema no linear de equaes que tem como incgnitas as N taxas de ocupao dos servidores, e no as 2N probabilidades de estado do mtodo exato. O desenvolvimento do mtodo se baseia na hiptese de que todos os servidores tm uma taxa de servio comum . Para descrever o mtodo aproximado de Larson, apresentamos inicialmente a maneira de calcular as freqncias de despachos a partir das taxas de ocupao dos servidores. A seguir derivamos uma expresso para a taxa total de despachos de um servidor particular. Mostramos em seguida a relao que existe entre a taxa total de despachos de um servidor e sua taxa mdia de ocupao (carga de trabalho), relao esta que permite derivar a frmula cujo uso iterativo permite determinar numericamente as taxas mdias de ocupao dos servidores. Finalmente, aps descrever a derivao do fator de correo necessrio para levar em conta a no independncia dos servidores, conclumos comentando em que reside precisamente o carter aproximado do mtodo.
A freqncia de despachos do servidor n para o tomo j, fnj, conforme definida em (11), a frao de todas as chamadas que resulta no envio da unidade n para o tomo geogrfico j, com n,jfn,j=1. Esta freqncia constituda de duas parcelas: a primeira, fnj[1], relativa a chamadas que so atendidas sem espera e a segunda, fnj[2], relativa a chamadas sujeitas a espera. Consideremos o exemplo de trs servidores da seo 2, em que o tomo 1 tem o servidor 1 como servidor preferencial e os servidores 2 e 3 como primeiro e segundo backup, respectivamente. A freqncia de despachos f11[1] dada pelo produto das probabilidades de que: (i) uma dada chamada se origina no tomo 1 e (ii) o servidor 1 est livre. Se as probabilidades de estado do sistema tivessem sido determinadas pelo mtodo exato, teramos (veja expresso (11)): f11[1] = (1/)(p000 + p100 + p010 + p110). Alternativamente, supondo-se desconhecidas as probabilidades de estado, poderamos rescrever a expresso acima como (veja expresso (10)): f11[1] = (1/)(1-1) onde 1, conforme seo 2.4, representa a taxa mdia de ocupao do servidor 1 (i.e., sua carga de trabalho). A parcela fnj[2] em (11) relativa a chamadas com espera independe das probabilidades de estado ou taxas individuais de ocupao dos servidores, sendo aqui apresentada apenas para tornar completa a descrio da forma de determinar as freqncias de despachos. A frao de todas as chamadas que resulta no envio da unidade 1 para o tomo 1 com espera obtida pelo produto das probabilidades de que: (i) uma dada chamada se origina no tomo 1, (ii) o sistema est saturado e (iii) o servidor 1 escolhido para atender a chamada: f11[2] = (1/)Ps(1/3) (14)
159
onde Ps representa a probabilidade de saturao do sistema, conforme seo 2.4. Note em (14) que, no clculo da probabilidade (iii), supe-se que a disciplina de atendimento das chamadas em espera independe da localizao do tomo de origem das chamadas e do servidor escolhido para atend-las. Assim, como se trata de um sistema com servidores homogneos, todos os servidores tm a mesma probabilidade de serem escolhidos para atender uma chamada em espera (veja parcela 1/3 do lado direito de (14)). Observe-se que, em virtude da equiprobabilidade da escolha, esta parcela da freqncia de despachos, para um dado tomo geogrfico, independe do servidor escolhido. Considere-se em seguida a freqncia f21[1]. De vez que o servidor 2 o primeiro backup do servidor 1, servidor preferencial do tomo 1, esta freqncia consiste do produto das probabilidades de que: (i) uma dada chamada se origina no tomo 1, e (ii) o servidor 1 est ocupado e o servidor 2 est livre: f21[1] = (1/)Prob{B1F2} (15)
despachos do servidor 2 ao tomo 1 sem espera em (15) pode ser escrita como f21[1] = (1/)Q(N, ,1) 1(1-2) Consideraes anlogas conduzem expresso relativa freqncia de despachos do servidor 3 ao tomo 1 sem espera: f31[1] = (1/)Q(N, ,2) 12 (1-3) Verifica-se assim que as freqncias de despachos de servidores a tomos em um modelo hipercubo podem ser determinadas sem o uso das probabilidades dos estados do sistema, desde que se conhea as taxas mdias de ocupao dos servidores e o fator de correo para levar em conta a no independncia dos servidores.
Taxa Total de Despachos de um Servidor
onde B1 representa o evento de o servidor 1 estar ocupado e F2 o evento de o servidor 2 estar livre. Se as probabilidades de estado do sistema tivessem sido determinados pelo mtodo exato, teramos: f21[1] = (1/)(p001+p101) Para derivar uma forma alternativa para calcular f21[1] em (15), observe-se que, se os servidores operassem independentemente uns dos outros, a probabilidade do evento {B1F2} seria igual a 1(1-2). No seu mtodo aproximado, LARSON prope a utilizao de um fator de correo Q(N,,k) para levar em conta a no independncia entre k+1 servidores, obtendo-se Prob{B1F2} = Q(N, ,1) 1(1-2) (16)
onde =/ representa a taxa de ocupao mdia do sistema. Usando (16), a freqncia de
Conforme visto acima, para resolver o modelo hipercubo no utilizando as probabilidades de estado do sistema, necessrio construir uma equao que permita determinar numericamente as taxas mdias de ocupao dos servidores. Tal equao pode ser construda a partir da expresso que descreve a taxa total de despachos de um dado servidor. Seja ento Rn a taxa total de despachos do servidor n, isto , o nmero de vezes que o servidor n despachado para atendimento na unidade de tempo. A taxa Rn constituda de N+1 parcelas. As primeiras N parcelas referem-se situao em que o servidor n encontra-se livre para iniciar imediatamente o atendimento de uma chamada. Estas parcelas compreendem os despachos do servidor n na qualidade de j-simo servidor preferencial para j=1,2,,N. Um elemento genrico deste grupo constitudo pelas taxas de chegadas dos tomos para os quais o servidor n o j-simo servidor preferencial, multiplicada pela frao de tempo em que os primeiros (j-1) servidores preferenciais destes tomos esto ocupados e o servidor n est livre. A ltima
160
parcela constituda pela frao das chamadas sujeitas espera que so rateadas igualmente entre todos os servidores, sendo igual a Ps/N. Definindo Gnj como o conjunto de tomos para os quais o servidor n o j-simo servidor preferencial e maj como o j-simo servidor preferencial do tomo a, tem-se:
Rn = + +
3 aGn 1 aGn
a (1 n ) + a Prob{Bm
2 aGn a1
a1
Fn } +
a Prob{Bm
Bma 2 Fn } + ... + Bma 2 ...Bma ( N 1) Fn } + D ,
N aGn
a Prob{Bm
a1
onde D = Ps/N. Valendo-se do recurso de representar as probabilidades conjuntas que figuram na expresso acima como as probabilidades aplicveis sob a hiptese de independncia dos servidores corrigidas pelo fator Q, tem-se (veja expresso (16)):
Rn = + +
1 aGn
unidade de tempo, o nmero total de despachos do servidor n no intervalo de tempo T ser RnT. Sendo a taxa de atendimento do servidor, RnT chamadas demandaro um tempo total de atendimento de -1RnT unidades de tempo. Assim, -1RnT/T ou -1Rn representa a ocupao mdia do servidor n em T. Desde que T seja suficientemente grande, -1Rn pode ser utilizado para representar a taxa de ocupao do servidor n no estado estacionrio, isto , n = -1Rn. Alm do mais, se adotarmos como tempo mdio de atendimento dos servidores a unidade de tempo (i.e., -1=1), tem-se que a taxa total de despachos de um servidor igual sua taxa mdia de ocupao. Ento, valendo-se da relao Rn = n, a equao (17) pode ser utilizada para escrever:
n D = a + a Q( N , ,1) ma1 + 2 1 n aG1 aGn n

+ +
3 aGn
a Q( N , ,2) m
a1
ma 2 + ... +
a1
a (1 n ) + aQ( N , ,1) m
2 aGn a1
a1
(1 n ) +
N aGn
a Q( N , , N 1) m
ma 2 ... ma ( N 1) .
3 aGn
aQ( N , ,2)m
ma 2 (1 n ) + ... +
a1
Definindo RnF = + +
3 aGn
N aGn
aQ( N , , N 1)m
ma 2 ... ma ( N 1) (1 n ) + D .
(17)
aG1 n
a + aQ( N , ,1) m
2 aGn a1
a1
aQ( N , ,2) m
ma 2 + ... +
a1
Note em (17) que Rn, a taxa total de despachos do servidor n, fica expressa em termos das taxas de ocupao dos servidores. Como est, esta equao ainda no suficiente para a determinao das taxas de ocupao dos servidores. Na verdade, necessita-se obter a relao que existe entre Rn e n para obter uma equao para n.
Relao entre a Taxa Total de Despachos e a Taxa de Ocupao de um Servidor
N aGn
aQ( N , , N 1) m
RnF + D . 1 + RnF
ma 2 ... ma ( N 1) ,
tem-se:
n =
Para obter a relao entre a taxa total de despachos e a taxa de ocupao do servidor n, considere-se um intervalo de tempo T. Uma vez que o servidor n despachado Rn vezes em cada
A equao acima expressa a taxa de ocupao do servidor n em termos das taxas de ocupao de todos os demais servidores. Trata-se de uma forma particularmente apropriada para uso em mtodos iterativos de resoluo numrica em que, a cada nova iterao, um valor melhorado de uma varivel obtido a partir dos valores mais recentes de todas as demais variveis.
161
A implementao de tal mtodo fica ento dependente de uma expresso para determinar o fator de correo Q.
O Fator de Correo Q(N,, j)
Como vimos acima, a necessidade do fator de correo Q ocorre quando se busca expressar a probabilidade associada a um evento da forma {B1B2BjFj+1} de que uma chamada encontre seus primeiros j servidores preferenciais ocupados e o (j+1)-simo servidor preferencial livre. Argumentou-se ento que, se os servidores operassem independentemente uns dos outros, a probabilidade desejada seria dada por 12j(1-j+1). Mesmo que na realidade os servidores no sejam independentes, esta expresso poderia ser utilizada, desde que se introduza um fator de correo Q capaz de levar em conta a no independncia entre servidores, tendo-se ento: Prob{B1B2BjFj+1} = Q(N,, j) 12j(1-j+1) (18) Como a dependncia entre servidores de natureza complexa e obviamente condicionada pela poltica de despachos do modelo hipercubo, LARSON (1975) conjeturou que um fator de correo similar derivado a partir de pressupostos mais genricos poderia aproximar satisfatoriamente os resultados necessrios para descrever as caractersticas de um modelo hipercubo. A estrutura mais genrica que LARSON utilizou tem como base um modelo de fila M/M/N. Em relao a este modelo, imagina-se um experimento que consiste na amostragem aleatria sem reposio de servidores, e definese o evento {B1B2BjFj+1} de que os primeiros j servidores escolhidos estejam ocupados e o (j+1)-simo servidor amostrado esteja livre. Utilizando-se as leis da probabilidade condicional, temos: Prob{B1B2BjFj+1} = k Prob{B1B2BjFj+1|Sk}.Pk (19)
onde Sk representa o estado em que k usurios se encontram presentes no sistema, e Pk a probabilidade associada a Sk. Para que a probabilidade do evento {B1B2BjFj+1} seja no nula, necessrio que existam pelo menos j servidores ocupados e pelo menos um servidor livre. Por esta razo, o somatrio em (19) deve estender-se para k variando de j a N-1. A probabilidade condicional que figura na expresso (19) pode ser escrita como Prob{B1B2BjFj+1|Sk} = Prob{B1B2BjFj+1Sk}/Pk (20) e a probabilidade conjunta que figura na expresso (20) pode, por sua vez, ser escrita como: Prob{B1B2BjFj+1Sk} = = Prob{Fj+1|B1B2BjSk}.Prob{Bj|B1B2Bj-1Sk}... ...Prob{B2|B1Sk} Prob{B1|SK}.Pk de modo que, substituindo esta equao em (20), temos que: Prob{B1B2BjFj+1|Sk} = = Prob{Fj+1|B1B2BjSk}.Prob{Bj|B1B2Bj-1Sk}... Prob{B2|B1Sk}.Prob{B1|Sk} (21)
As probabilidades condicionais do segundo membro da expresso (21) podem ser facilmente avaliadas. Comeando pela ltima, observe-se que {B1|Sk} representa o evento de selecionar um servidor ocupado dado que k dentre N servidores esto ocupados. A probabilidade associada dada por Prob{B1|Sk} = k/N O termo seguinte em (21) envolve o evento {B2|B1Sk}. Representa o evento de que o segundo servidor selecionado esteja ocupado, dado que o primeiro servidor selecionado est ocupado e k usurios esto presentes no sistema. Como se trata de amostragem sem reposio e o primeiro servidor est ocupado, no momento da seleo
162
do segundo servidor existem ainda N-1 servidores passveis de seleo, dos quais k-1 esto ocupados. Portanto Prob{B2|B1Sk} = (k-1)/(N-1) Argumentaes anlogas permitem determinar as demais probabilidades. Em particular, para os dois primeiros termos em (21) tem-se Prob{Bj|B1B2Bj-1Sk} = [k-(j-1)]/[N-(j-1)] Prob{Fj+1|B1B2BjSk} = (N-k)/(N-j) Substituindo-se as expresses acima em (21), obtm-se:
Prob{B1 B2 ...B j F j +1 | S k } = = k k 1 k j +1 N - k = ... N N 1 N j +1 N - j k (k 1)...(k j + 1) = N ( N 1)...( N j )
Q( N , , j ) =
j { k=
N 1
( N j 1)!( N k ) N k k j } (k j )! N! . N 1 Ni i N N N (1 )[ ]+ N! i =0 i!
Com a derivao do fator de correo Q, completa-se a descrio do mtodo aproximado de soluo do modelo hipercubo. Em concluso, aponta-se a seguir as caractersticas que tornam o mtodo aproximado.
O Carter Aproximado do Mtodo
= (N k)
k! (k j )! = (N k) = N! ( N j 1)! = ( N k ) k! ( N j 1)! . (k j )! N !
Ponderando-se a probabilidade condicional acima sobre a distribuio de Sk, obtm-se a probabilidade incondicional desejada. Como Sk representa os estados de um sistema M/M/N, sua distribuio dada por Pk = Prob{S k } = N k k P0 , k!
para k = 1,..,N-1, sendo:
P0 =
So dois os aspectos do desenvolvimento do mtodo de Larson que lhe conferem o carter de ser aproximado. O primeiro a hiptese de que os servidores so homogneos: todos tm a mesma taxa de servio. Nas palavras do prprio autor, a aproximao decorre do fato de que no contexto de um sistema urbano de servios, os servidores so distinguveis e tm diferentes caractersticas de desempenho. O segundo aspecto o fato de que a derivao do fator Q baseia-se em um processo de amostragem aleatria de servidores em um sistema M/M/N, enquanto no modelo hipercubo a seleo dos servidores se d na seqncia estabelecida pela poltica de despachos. A conjectura de que, apesar disso, o mesmo fator pode ser usado como uma aproximao em um modelo hipercubo com servidores distinguveis, particularmente em sistemas em que: (i) as taxas de ocupao dos servidores no sejam muito diferentes e (ii) muitos vetores de preferncia de despachos simulem, no conjunto, uma seleo aleatria de servidores. Os resultados apresentados por LARSON (1975), com desvios da ordem de 1 a 2% em relao aos resultados do mtodo exato, comprovam a utilidade do mtodo aproximado.
4. Problemas de Localizao Probabilsticos
i=0
N 1
N NNN + i! N !(1 )
i i
Aps alguma manipulao algbrica com as expresses (18), (19) e as acima, obtm-se:
roblemas de localizao probabilsticos se ocupam, de uma maneira geral, da natureza estocstica de sistemas do mundo real. Nesses
163
sistemas um dado nmero de parmetros, tais como por exemplo tempos de viagem, custos de construo, localizao de clientes, quantidades demandadas e disponibilidade de servidores, so variveis aleatrias. O objetivo localizar facilidades/servidores que otimizem a medida de utilidade escolhida de forma robusta, para uma gama de valores dos parmetros considerados. Os problemas estocsticos consideram explicitamente as distribuies probabilsticas das variveis aleatrias modeladas. Segundo OWEN & DASKIN (1998), alguns autores incorporam essas distribuies em formulaes padro de programao matemtica, enquanto outros as utilizam em um enfoque de teoria das filas. Nosso interesse neste trabalho se concentra no enfoque de teoria das filas. Uma reviso bibliogrfica detalhada de problemas de localizao probabilsticos apresentada por OWEN & DASKIN (1998). SWERSEY (1994) examina tambm alguns modelos probabilsticos. Destes nos interessam particularmente os modelos que tratam como varivel aleatria a disponibilidade dos servidores, que tem bastante importncia na localizao de servios de emergncia. Na modelagem probabilstica de servios de emergncia, algumas hipteses simplificadoras permitem o uso da programao matemtica, atravs, por exemplo, da definio de restries de oportunidade (chance-constrained programming). Situaes em que hipteses simplificadoras no so aplicveis conduzem, no entanto, ao tratamento desses problemas atravs da modelagem de filas espacialmente distribudas, na qual assume fundamental importncia o modelo hipercubo de Larson discutido nas sees 2 e 3 acima.
4.1 A Localizao de Servios de Emergncia
Na localizao de servios de emergncia busca-se em geral prover cobertura a reas de demanda. A noo de cobertura implica na definio de uma distncia (tempo) de servio, que a distncia (tempo) crtica alm da qual a rea de demanda considerada no coberta.
Uma rea de demanda portanto considerada coberta se est a menos da distncia crtica de pelo menos uma das facilidades (servidores) existentes, independentemente de a facilidade (ou servidor) estar ou no disponvel quando o servio solicitado. Considere por exemplo o problema de localizar servios de atendimento de emergncia por ambulncias ou por estaes do corpo de bombeiros em uma dada regio, de tal modo que toda a populao da regio esteja a menos de, digamos, 10 quilmetros de pelo menos uma das facilidades. Neste caso 10 quilmetros definem a distncia crtica e o problema consiste na determinao do nmero mnimo de facilidades e de sua localizao na regio em considerao, de tal forma que cada rea de demanda esteja a menos de 10 quilmetros de pelo menos uma das facilidades localizadas. O mais simples dos modelos matemticos existentes para problemas de localizao com restries de cobertura, que resolve o problema acima, o do Problema de Localizao para a Cobertura de Conjuntos (PLCC). Um problema a ele relacionado o problema de localizao dos p-centros, que busca a localizao de p facilidades de tal forma que a distncia mxima de qualquer rea de demanda facilidade mais prxima seja a mnima possvel. Muitas vezes atingir a cobertura total para uma dada regio (conforme acima exemplificado), para uma distncia crtica predefinida, pode tornar-se invivel do ponto de vista econmico, no sentido que o nmero de facilidades necessrias pode no ser compatvel com os recursos disponveis. Usualmente busca-se uma soluo de compromisso, que proporcione nveis de cobertura aceitveis e seja financeiramente mais acessvel. O Problema de Localizao de Mxima Cobertura (PLMC) foi desenvolvido com este propsito. Neste caso o objetivo localizar um nmero pr-especificado de facilidades (digamos p facilidades), compatvel com os recursos disponveis, tal que a mxima populao possvel de uma dada regio seja coberta a menos de uma distncia crtica S predefinida.
164
O PLMC foi inicialmente estudado por CHURCH & REVELLE (1974). Matematicamente ele pode ser definido da seguinte forma. Seja S a distncia de servio definida para o problema e sejam J = {1,2,...,m} o conjunto de reas de demanda, I = {1,2,...,n} o conjunto de locais em potencial onde facilidades podem ser localizadas, fj a populao da rea de demanda j, aij = 1 se a rea de demanda j puder ser coberta por uma facilidade localizada em i I a menos da distncia de servio S (aij = 0 caso contrrio), e p o nmero de facilidades a serem localizadas. Convencionemos por outro lado xj = 1 se a rea de demanda j for coberta (xj = 0 caso contrrio); yi = 1 significa que uma facilidade deve ser localizada em i I (yi = 0 caso contrrio). A formulao matemtica de PLMC dada por: Maximize sujeito a Z=
por exemplo ambulncias na rua 20% a 30% do tempo, a hiptese totalmente injustificada. O congestionamento em servios de atendimento de emergncia, que pode causar a indisponibilidade de um servidor a menos da distncia crtica quando solicitado, motivou o desenvolvimento dos modelos de localizao com cobertura adicional e, posteriormente, dos modelos de cobertura probabilsticos.
4.2 Modelos de Localizao com Cobertura Adicional
f jxj
jJ
(22)
(23) (24) (25) (26)
aij yi x j 0, j J , iI yi = p , iI
xj {0,1}, jJ, yi {0,1}, iI.
Na formulao acima a funo objetivo busca maximizar a populao total coberta. As restries (23) asseguram que uma rea de demanda jJ est coberta se existe pelo menos uma facilidade a menos da distncia S da mesma. A restrio (24) limita o nmero de facilidades na soluo a p. Finalmente, as restries (25)-(26) definem a natureza binria das variveis de deciso. Uma desvantagem dos modelos determinsticos de localizao de servios de emergncia acima definidos que eles partem da hiptese que as facilidades (servidores) esto disponveis quando solicitadas, o que nem sempre verdadeiro em aplicaes prticas. Em sistemas no congestionados, com pouca demanda, a hiptese razovel, mas em sistemas congestionados, nos quais chamadas freqentes mantm
Partindo da possibilidade que em sistemas congestionados o primeiro (e em muitos casos o nico) servidor disponvel para atender uma dada rea de cobertura esteja ocupado quando solicitado, foram desenvolvidos diversos modelos com cobertura adicional. Exemplos desses so os modelos BACOP1 e BACOP2 (representando respectivamente os Backup Coverage Problems 1 & 2) desenvolvidos por HOGAN & REVELLE (1986). Em BACOP1 os autores enfatizam a importncia de pelo menos um servidor adicional para cada rea de demanda. Este modelo, tal como em PLCC, exige que cada rea de demanda seja sempre coberta; alm disso sua funo objetivo busca maximizar a populao coberta por pelo menos um servidor adicional. Seja a varivel uj {0,1} tal que seu valor igual a 1 se existirem pelo menos dois servidores disponveis a menos de S da rea de demanda j (uj = 0 caso contrrio); BACOP1 pode ser formulado matematicamente da seguinte forma: Maximize sujeito a Z= uj
f ju j ,
jJ
(27) (28) (29) (30) (31)
aij yi 1 , jJ, iI
yi = p , iI
uj {0,1}, jJ, yi {0,1}, iI.
165
Nessa formulao a funo objetivo busca maximizar a populao com uma segunda cobertura a menos de S. As restries (28) asseguram que uma rea de demanda jJ possui dupla cobertura se existirem pelo menos dois servidores a menos de S da mesma. importante notar que como este modelo exige primeira cobertura para todas as reas de demanda e existe uma restrio no nmero mximo de facilidades na soluo (restrio (29)), o valor de p deve ser previamente calculado atravs do modelo PLCC. Este valor de p previamente calculado assegura pelo menos uma cobertura para todas as reas de demanda. HOGAN & REVELLE (1986) estenderam BACOP1 para uma situao na qual a primeira cobertura no mandatria, mas apenas um objetivo, tal como em PLMC. Alm disso uma segunda cobertura tambm um objetivo, o que deu origem ao modelo BACOP2, definido matematicamente por: Maximize Z1 = Z2 = sujeito a
cobertura se existem pelo menos dois servidores a menos de S da mesma. As restries (35) explicitam que para uma rea de demanda ter dupla cobertura necessrio que ela tenha a primeira cobertura. BACOP2 um modelo com dois objetivos e como tal no tem soluo tima nica. Nesses modelos h uma compensao (trade-off) entre os dois objetivos; no possvel maximizar simultaneamente tanto a primeira quanto a segunda cobertura. Em outras palavras, um aumento da populao com cobertura inicial acarreta uma diminuio da populao com cobertura adicional; por outro lado, um aumento da populao com dupla cobertura acarreta um aumento da populao sem nenhuma cobertura.
4.3 Modelos de Cobertura Probabilsticos
f jxj ,
jJ
(32) (33) (34) (35) (36) (37) (38)
f ju j ,
jJ
uj + xj
aij yi , jJ, iI
uj xj , jJ,
yi = p , iI
yi {0,1}, iI, xj, uj {0,1}, jJ.
O leitor dever observar que, diferentemente de BACOP1, em BACOP2 o valor de p representa na realidade uma restrio de investimento (sendo portanto determinado apenas em funo dos recursos disponveis), pois a primeira cobertura para cada rea de demanda no mandatria. As restries (34) asseguram que uma rea de demanda jJ possui cobertura inicial se existe pelo menos um servidor, e dupla
Embora para sistemas congestionados os modelos com cobertura adicional representem um avano em relao ao Problema de Localizao de Mxima Cobertura (PLMC), um desenvolvimento natural da teoria relacionada localizao de instalaes de emergncia foram os modelos de cobertura probabilsticos. Os modelos probabilsticos mostrados a seguir levam em conta a aleatoriedade na disponibilidade dos servidores, que o fator mais importante em modelos de cobertura. Estudaremos inicialmente o Problema de Localizao de Mxima Disponibilidade (PLMD), que derivado do PLMC, seu equivalente determinstico. O PLMD incorpora hipteses simplificadoras, o que, pela definio de restries de oportunidade (chance constraints), permite definir uma formulao determinstica equivalente para o mesmo. Este problema busca localizar p servidores tal que o mximo nmero de chamadas a um servio de emergncia tenha um servidor disponvel a menos da distncia crtica S com confiabilidade . Ou seja, desejase que uma chamada a um servio de emergncia encontre um servidor disponvel a menos da distncia S com probabilidade P , sendo um valor predefinido.
166
O PLMD foi introduzido por REVELLE & HOGAN (1989a), sendo apresentado em duas verses, ambas incorporando hipteses simplificadoras, que diferem no entanto na maneira pela qual a frao do tempo em que os servidores esto ocupados calculada. A primeira verso, PLMDI, parte da hiptese que todos os servidores tm a mesma taxa de ocupao, igual taxa de ocupao mdia do sistema, . J na segunda verso, PLMDII, calcula-se de forma diferenciada a frao de tempo em que os servidores esto ocupados, com valores especficos para diferentes setores da regio geogrfica em considerao. Note que a definio de taxas de ocupao especficas para diferentes regies geogrficas em PLMDII no equivalente a definir taxas de ocupao por servidor, nem permite o clculo de tais taxas, o que exigiria que o modelo hipercubo fizesse parte do mtodo de soluo (veja sees 4.4 e 5). Assim, embora a utilizao de taxas de ocupao especficas para cada regio represente um avano em relao hiptese simplificadora de PLMDI, PLMDII tambm incorpora hipteses simplificadoras. No presente trabalho nos limitaremos no entanto a analisar PLMDI. Em PLMDI, , a frao do tempo em que os servidores esto ocupados, estimada por uma frmula desenvolvida por DASKIN (1982). Sejam j o nmero de chamadas por dia originadas na rea de demanda jJ e t a durao mdia do atendimento a uma chamada, medida em horas. Ento pode ser calculada por
de demanda jJ, com probabilidade maior ou igual a , pode ser escrita da seguinte forma: P [um ou mais servidores disponveis a menos de S] (1 - P [nenhum servidor disponvel a menos de S]) = aij yi , = 1 iI onde
aij yi o nmero de servidores disponiI
veis a menos de S da rea de demanda jJ. Ou, tomando logaritmos, log(1 ) aij yi b , onde b = log , n iI
denotando o menor inteiro maior ou igual a n. Da expresso linear equivalente obtida para a restrio probabilstica possvel notar que cada rea de demanda jJ exige a presena de pelo menos b servidores disponveis a menos da distncia crtica S para que seja assegurada uma cobertura da mesma com confiabilidade . Portanto, para maximizar o nmero de chamadas com um servio de confiabilidade , necessrio maximizar o nmero de chamadas com pelo menos b servidores disponveis a menos da distncia S. Seja a varivel xjk {0,1} tal que xjk = 1 se a rea de demanda j tem pelo menos k servidores a menos de S, xjk = 0 caso contrrio. A expresso
t . j 24. yi
iI jJ
t . j
jJ
x jk k =1
representa o nmero de vezes que a rea
24. p
isto , a frao ocupada de cada servidor calculada como sendo a diviso do nmero mdio de horas de servio necessrias por dia no sistema pelo nmero de horas dirias disponveis, levando-se em conta que sero localizados p servidores. A restrio de que pelo menos um servidor deve estar disponvel a menos de S de uma rea
de demanda jJ coberta a menos de S. finalmente possvel escrever a seguinte expresso, que conta o nmero de coberturas disponveis para cada rea de demanda jJ com confiabilidade :
x jk aij yi , j J . k =1 iI
jJ
Para
maximizar o nmero de chamadas cobertas com confiabilidade devemos maximizar j x jb . A formulao matemtica de PLMDI pode ser finalmente escrita da seguinte forma:
167
Maximize Z =
sujeito a
b
j x jb ,
jJ
(39) (40) (41) (42)
x jk aij yi , j J , k =1 iI
xjk xj(k-1), jJ, k = 2,...,b,
Temos que Hj,m = fj com probabilidade (1 m), Hj,m = 0 com probabilidade m. O valor esperado de Hj,m dado por E(Hj,m) = fj (1 m) j,m. O aumento na cobertura esperada no n j ao se aumentar o nmero de servidores que o cobrem de (m 1) para m dado por
yi = p , iI
yi, xjk {0,1}, iI, jJ, k=2,..b. (43)

As restries (40) asseguram que uma rea de demanda jJ tem cobertura com confiabilidade se existirem pelo menos b servidores a menos de S da mesma. J as restries (41) expressam o fato que para uma rea de demanda ser coberta por k servidores ela tem que ser coberta por pelo menos (k-1) servidores, para 2kb. DASKIN (1983) definiu o Problema de Mxima Cobertura Esperada (PMCE), que, tal como PLMD, estende PLMC para o caso probabilstico, mas com uma funo objetivo diferente. No PMCE o objetivo maximizar o aumento na cobertura esperada para todos os ns que resulta da disponibilidade de um servidor k adicional capaz de cobrir cada n da rede. DASKIN parte da hiptese de independncia entre servidores e, tal como em PLMDI, que todos os servidores tm a mesma taxa de ocupao . Em seu modelo, no entanto, DASKIN permite que mais de um servidor seja localizado em um mesmo n. Utilizando a mesma notao de PLMD, a probabilidade que um n j seja coberto por pelo menos um servidor, dado que m servidores cobrem este n a menos da distncia crtica, dada por
E(Hj,m) = E(Hj,m) - E(Hj,m-1) =

= fj m 1 (1- ), m = 1, 2, ..., p. Utilizando as definies acima o PMCE pode ser formulado como um problema de programao inteira: Maximize Z =
p
(1 ) k 1 f j x jk ,
jJ k =1
(44)
sujeito a
x jk aij yi , j J , k =1 iI yi p, iI
yi = 0,1,..., p, i I , x jk {0,1}, j , k .
(45) (46)
(47) (48)
P [um ou mais servidores disponveis a menos de S] =

= (1 - P [nenhum servidor disponvel a menos de S]) = 1 m. Seja Hj,m uma varivel aleatria igual demanda do n j coberta por um servidor disponvel, dado que m servidores cobrem este n.
A formulao acima semelhante de PLMDI, exceto evidentemente pela funo objetivo e pelo fato que at p servidores podem ser localizados em um dado n da rede. Observe-se tambm a diferena entre as restries (40) e (45); por outro lado, como a funo objetivo cncava em k para cada j (ver DASKIN, 1983), no necessrio explicitar, em PMCE, restries de precedncia tal como as restries (41) de PLMDI. A localizao de servios de emergncia tem gerado um nmero significativo de artigos em modelos de localizao probabilstica. DASKIN et al. (1988) fazem uma reviso bibliogrfica enfocando a disponibilidade de servidores em problemas com restries de cobertura. REVELLE & HOGAN (1989b) desenvolveram dois modelos adicionais que estudam a disponibilidade de servidores neste mesmo contexto, o
168
problema dos p centros com -confiabilidade e o problema de localizao de mxima confiabilidade. O problema dos p-centros com -confiabilidade, que estende o problema dos p-centros, busca localizar p facilidades de forma a minimizar o tempo mximo at um dado servio estar disponvel com confiabilidade , isto , dadas p facilidades a serem localizadas, devemos faz-lo de modo que o tempo mximo decorrido at o servio poder ser utilizado (ele est disponvel durante uma frao do tempo) seja o menor possvel. J o problema de localizao de mxima confiabilidade busca localizar p facilidades de modo que a probabilidade de um dado servio estar disponvel dentro de um tempo (ou distncia) pr-especificado seja a maior possvel. DASKIN & HAGHANI (1984) consideram casos em que mltiplos veculos so despachados para atender uma dada emergncia. Conforme j discutido, o uso de hipteses simplificadoras, tal como em PLMD e PCME, permite a formulao de problemas de localizao probabilsticos atravs da programao matemtica. A ausncia de tais hipteses, que aproxima a modelagem de situaes encontradas no mundo real, conduz ao tratamento desses problemas atravs de modelos de filas espacialmente distribudas.
4.4 Modelos que Utilizam Teoria das Filas
O modelo hipercubo de LARSON (1974), examinado nas sees 2 e 3 deste artigo, possibilita a utilizao da teoria das filas em modelos de localizao probabilsticos. O modelo hipercubo um modelo descritivo, que permite o clculo de medidas de desempenho que caracterizam um dado sistema com base em filas espacialmente distribudas. Aplicado de forma isolada no assegura a soluo direta de problemas de localizao, sendo no mximo uma ferramenta que pode ser aplicada ao estudo de diversos cenrios. Este modelo tem sido no entanto embutido por alguns autores em mtodos heursticos desenvolvidos para resolver problemas de localizao probabilsticos.
BATTA et al. (1989) se ocupam das seguintes trs hipteses do PMCE de DASKIN: (i) os servidores operam de forma independente; (ii) todos os servidores tm a mesma taxa de ocupao ; (iii) as taxas de ocupao no variam com a localizao dos servidores. Os autores partem do princpio que a cooperao entre servidores sempre acontece na prtica, dada a necessidade de atendimento rpido a chamadas de emergncia. Eles provam que tal cooperao invalida a hiptese de independncia entre os servidores feita por DASKIN. Relaxando ento as trs hipteses do PCME, e partindo do princpio que o sistema de filas est em equilbrio e que as hipteses bsicas do modelo hipercubo so aplicveis, BATTA et al. embutem este modelo em uma heurstica de substituio de vrtices, buscando determinar a localizao dos servidores que maximize a cobertura esperada. Os autores partem de uma localizao inicial para os p servidores e resolvem o modelo hipercubo para esta configurao, calculando a cobertura esperada correspondente. aplicado ento o algoritmo de substituio de vrtices, desenvolvido originalmente por TEITZ & BART (1968) para o problema das p-medianas, buscando achar configuraes alternativas que melhorem o valor da cobertura esperada. Para cada configurao considerada necessrio resolver o modelo hipercubo, para que a cobertura esperada correspondente possa ser calculada. A heurstica de substituio de vrtices prossegue at que nenhuma troca simples de localizao de servidores (mudana de localizao de um nico servidor) produza uma melhora no valor da cobertura esperada. O uso do modelo hipercubo permite que sejam consideradas taxas de ocupao individualizadas para cada servidor (ao invs de uma taxa nica , como por exemplo no PCME de DASKIN), aumentando a preciso dos clculos. BERMAN et al. (1985) examinam o problema de localizar um nico servidor em redes congestionadas considerando explicitamente o processo da chegada de chamadas por servio.
169
Os autores definem dois modelos que so extenses do problema das p-medianas definido por HAKIMI (1964, 1965). No primeiro modelo, chamado de problema das medianas com perda estocstica, as chamadas que encontram o servidor ocupado so perdidas; no segundo, chamado de problema das medianas com fila estocstica, essas chamadas entram em uma fila que atendida de acordo com a disciplina FIFO. O objetivo no primeiro problema minimizar a soma ponderada do tempo mdio de viagem e dos custos de rejeio; no segundo, o objetivo minimizar a soma do tempo mdio de viagem com o tempo mdio na fila. No nossa inteno neste artigo fazer uma reviso bibliogrfica abrangente de modelos de localizao que utilizam teoria das filas para sua formulao e soluo, mas apenas exemplificar o uso do modelo hipercubo nesse contexto. Revises bibliogrficas sobre o tpico so feitas, de forma bastante competente, por SWERSEY (1994), e mais recentemente por OWEN & DASKIN (1998); o leitor interessado deve consultar essas referncias para maiores detalhes.
5. Mtodos de Soluo para Problemas Probabilsticos
roblemas de localizao probabilsticos so em geral resolvidos por mtodos heursticos. No caso dos modelos formulados atravs da programao matemtica, a obteno da soluo tima em princpio possvel, quer utilizando pacotes computacionais como pelo desenvolvimento de mtodos especializados, mas na prtica o uso de heursticas prevalece. No caso dos modelos com base em teoria das filas a utilizao de mtodos exatos parece irrealista, pois qualquer formulao matemtica que inclua o modelo hipercubo embutido dificilmente ser matematicamente tratvel. Neste caso a nica possibilidade o uso de mtodos aproximados de soluo. Como os dois modelos probabilsticos inicialmente apresentados na seo 4, PLMD e PCME, podem ser ambos considerados verses
probabilsticas do PLMC, faz sentido examinar inicialmente mtodos de soluo disponveis para este problema determinstico. Mtodos de soluo inicialmente propostos para o PLMC incluem a relaxao de Programao Linear (PL) da formulao de programao 0-1 do problema (dada por (22)-(26) acima) e um mtodo que combina heurstica gulosa com substituio de vrtices (veja CHURCH & REVELLE, 1974). GALVO & REVELLE (1996) desenvolveram uma heurstica Lagrangeana para o problema; esses autores apresentam experincia computacional usando tanto dados da literatura como redes geradas aleatoriamente. Mtodos exatos incluem o algoritmo de DWYER & EVANS (1981), desenvolvido para o caso particular em que todos os pontos geradores de demanda tm o mesmo peso, e o algoritmo com base no dual de DOWNS & CAMM (1996). Estes ltimos autores apresentam uma avaliao computacional extensiva de seu mtodo, tanto em termos de variedade de aplicaes como de tamanho do problema. Finalmente, GALVO et al. (2000) comparam heursticas que tm por base as relaxaes Lagrangeana e surrogate do problema. Ambas as heursticas produzem solues de boa qualidade em tempos computacionais semelhantes. Os autores demonstram que quando os multiplicadores iniciais so escolhidos de forma apropriada, a heurstica surrogate perde a vantagem computacional relatada por LORENA & LOPES (1994) e LORENA & NARCISO (1996) em outras aplicaes do mtodo.
5.1 Os Modelos de Cobertura Probabilsticos PMCE e PLMD
O PMCE, definido por DASKIN (1983), foi o primeiro modelo probabilstico derivado do PLMC a aparecer na literatura. DASKIN desenvolveu uma heurstica de substituio de vrtices para resolver esse problema. O algoritmo iniciado sob a hiptese que todos os servidores esto ocupados praticamente durante o tempo todo ( muito prximo de 1). Nessas condies o
170
autor argumenta que todos os servidores devem ser localizados no n que cobre a maior parte da demanda. Sua heurstica ento usa substituio de vrtices (trocando sempre um nico vrtice por outro em cada tentativa) para calcular taxas de ocupao para as quais as localizaes (de alguns) dos servidores devem mudar. O algoritmo de substituio de vrtices prossegue, achando a melhor configurao da localizao dos servidores para vrios valores de (0 1). DASKIN testou seu algoritmo para a rede de 55 ns definida por SWAIN (1971). Embora no garanta a otimalidade das solues encontradas, o algoritmo pode detectar subotimalidades, em cujo caso anlises ps-heurstica muitas vezes permitem obter solues de melhor qualidade. Outra observao importante que para = 0 o problema se reduz ao PLMC (determinstico). A soluo obtida por DASKIN (1983) para este caso, para a instncia testada em seu artigo (n = 55, p = 3, S = 15), tima para o MCLP, conforme constatamos ao rodar o cdigo desenvolvido por GALVO & REVELLE (1996). BATTA et al. (1989) revisitaram o PCME. Conforme j observado na seo 4.4, os autores relaxaram as trs hipteses simplificadoras utilizadas por DASKIN e embutiram o modelo hipercubo em uma heurstica de substituio de vrtices, desenvolvendo um algoritmo para o clculo da cobertura mxima esperada mais adaptado s condies encontradas em aplicaes prticas. BATTA et al. tambm sugerem que uma maneira aproximada de relaxar a hiptese de independncia entre servidores utilizar os fatores de correo desenvolvidos por LARSON (1975) para o modelo hipercubo (veja a seo 3.2). Estes fatores de correo, aplicados funo objetivo do PCME definido por DASKIN, levam ao modelo PCME ajustado, que chamaremos de PCMEA. De forma a melhorar os resultados obtidos por DASKIN, BATTA et al. resolvem de forma exata (por programao inteira) os modelos PCME e PCMEA, para valores especficos de , em um procedimento que eles chamam de
anlise ps-PI (ps-programao inteira). Finalmente os autores comparam, para a rede de 55 vrtices utilizada por DASKIN, os seguintes procedimentos: (i) heurstica e anlise ps heurstica de DASKIN, seguida da anlise psPI proposta por eles, aplicadas s funes objetivo definidas para PCME e PCMEA; (ii) substituio de vrtices com o modelo hipercubo embutido, desenvolvido pelos autores. As concluses dos autores so no sentido que as discrepncias entre as coberturas esperadas calculadas pelos trs procedimentos (PCME, PCMEA e substituio de vrtices) so devidas s hipteses simplificadoras de PCME e PCMEA: PCME superestima as coberturas esperadas, com o valor do erro aumentando com ; PCMEA, em menor grau, superestima as coberturas esperadas para valores pequenos de e as subestima para valores maiores da taxa de ocupao dos servidores. As localizaes dos servidores obtidas pelos trs procedimentos so no entanto fisicamente bastante prximas. A questo do clculo da cobertura esperada, importante por exemplo na aplicao de modelos de probabilsticos localizao de servios mdicos de emergncia, foi retomada por SAYDAM et al. (1994). Os autores utilizaram os modelos propostos por DASKIN (1983) e BATTA et al. (1989), entre outros, a diversos cenrios simulados de servios mdicos de emergncia. Eles concluem que nenhum dos modelos de cobertura estudados consistentemente mais preciso que os demais. Os resultados obtidos por SAYDAM et al. apiam no entanto a recomendao de BATTA et al., no sentido que um modelo com base no hipercubo seja utilizado para anlises de ps-otimizao. BATTA et al. resolvem o modelo hipercubo, nas diversas iteraes de sua heurstica de substituio de vrtices, pelo mtodo aproximado de Larson (veja seo 3.2). Uma alternativa possvel, se bem que computacionalmente mais cara, resolver o modelo hipercubo de forma exata em cada iterao, observando o possvel impacto desta estratgia no valor da cobertura mxima esperada.
171
REVELLE & HOGAN (1989a) resolveram o PLMD, nas verses PLMDI e PLMDII, para dados do sistema de combate a incndios da cidade de Baltimore, nos Estados Unidos. Esses dados consistem de 207 reas de planejamento, com a freqncia mdia de chamadas por unidade de tempo conhecida para cada rea. Eles analisaram a localizao de ambulncias nesse sistema, com uma ou mais ambulncias podendo ser localizadas em cada uma das 31 estaes do corpo de bombeiros existentes na regio em estudo. Para resolver o problema os autores utilizaram o pacote de programao matemtica MPSX em um microcomputador IBM AT/370. Infelizmente, no entanto, no so fornecidos detalhes dos resultados computacionais obtidos, o que impede uma avaliao mais acurada da metodologia utilizada.
5.2 Outros Modelos Probabilsticos
Para resolver os problemas de mediana com perda estocstica e com fila estocstica, BERMAN et al. (1985) modelam ambos os sistemas como uma fila M/G/1 operando em equilbrio, com o tamanho mximo da fila igual a zero e infinito, respectivamente. Os autores demonstram que a soluo do problema com perda estocstica se reduz ao problema padro de 1-mediana de HAKIMI, enquanto que o problema com fila estocstica tem funo objetivo no linear, o que pode levar localizao tima em qualquer ponto da rede, nos ns ou no interior dos arcos da mesma. Os autores desenvolveram um mtodo exato que acha a localizao tima da mediana com fila estocstica em um nmero finito de iteraes. A tentativa de generalizar a anlise do problema das medianas com fila estocstica para o caso de p servidores esbarra em dificuldades tericas. BERMAN et al. (1987) estudaram esse problema, tendo desenvolvido duas heursticas para localizar os p servidores. A primeira heurstica parte de um conjunto inicial de p pontos e usa o modelo hipercubo para fornecer a cada servidor informao sobre a probabilidade
de ser despachado para atender cada ponto gerador de demanda. Esta informao ento utilizada na soluo de problemas de 1-mediana, utilizados para melhorar a localizao de cada servidor. A segunda heurstica semelhante primeira, exceto que problemas de medianas com fila estocstica so resolvidos ao invs de problemas de 1-mediana. Ambas as heursticas utilizam conceitos semelhantes aos usados por MARANZANA (1964) em sua heurstica desenvolvida para o problema das p-medianas, e ambas produzem solues de boa qualidade. Tanto o problema dos p-centros com confiabilidade como o problema de localizao de mxima confiabilidade, definidos por REVELLE & HOGAN (1989b), podem ser formulados e resolvidos usando-se um procedimento desenvolvido pelos autores para estimar as taxas de ocupao dos servidores em cada rea geradora de demanda. Segundo os mesmos, ambos envolvem a soluo de uma seqncia de problemas de localizao para a cobertura de conjuntos (PLCCs) probabilsticos. O PLCC probabilstico foi originalmente definido por CHAPMAN & WHITE (1974). Finalmente REVELLE & HOGAN (1989b), ao analisar o modelo PLMDII, observam que taxas de ocupao individualizadas, para servidores localizados em reas especficas, podem ser consideradas em um modelo do tipo PLMD atravs da utilizao do modelo hipercubo. Pesquisa nesse sentido est sendo conduzida atualmente no mbito de tese de doutorado orientada por um dos autores. O mtodo utilizado uma heurstica de substituio de vrtices que embute o modelo hipercubo, na tentativa de localizar os servidores de modo a maximizar o nvel de confiabilidade definido para o modelo.
6. Concluses
uso do modelo hipercubo em mtodos de soluo para problemas de localizao probabilsticos, embora relatado na literatura especializada, ainda bastante incipiente e
172
limitado. de bastante importncia, no entanto, em situaes nas quais a aleatoriedade na disponibilidade dos servidores um fator importante a ser considerado. Em algumas circunstncias esta aleatoriedade pode ser melhor representada pela modelagem de filas espacialmente distribudas. O presente artigo trata da integrao do modelo hipercubo modelagem probabilstica de problemas de localizao. Foi visto que neste caso a utilizao de mtodos exatos de soluo parece irrealista, pois qualquer formulao matemtica que inclua o modelo hipercubo embutido dificilmente ser matematicamente tratvel. A nica possibilidade ento o uso de mtodos de soluo aproximados. As poucas aplicaes relatadas na literatura sobre a utilizao do modelo hipercubo neste contexto referem-se a mtodos de substituio de vrtices. Nestas aplicaes o modelo
hipercubo faz o papel de sub-rotina, responsvel pelo clculo da funo objetivo (utilizando as medidas de desempenho calculadas pelo modelo) para cada configurao de localizao dos servidores. Outras possibilidades nos parecem no entanto evidentes, por exemplo a utilizao do hipercubo em metaheursticas tais como simulated annealing e busca tabu. Nosso objetivo foi estimular a discusso em torno do assunto atravs deste trabalho, que tem carter tutorial quanto ao modelo hipercubo, e carter de reviso bibliogrfica no que se refere aos modelos de localizao probabilsticos apresentados.
Agradecimentos
Os autores so gratos aos trs revisores annimos pelos teis comentrios e sugestes.
Referncias Bibliogrficas
ALBINO, J.C.C.: Quantificao e locao de BRANDEAU, M.L. & LARSON, R.C.: Extending
unidades mveis de atendimento de emergncia e interrupes em redes de distribuio de energia eltrica: aplicao do modelo hipercubo. Tese de Mestrado, Depto. de Engenharia de Produo e Sistemas, Universidade Federal de Santa Catarina, 1994.
ATKINSON, K.E.: An Introduction to Numerical
and applying the hipercube model to deploy ambulances in Boston. In: SWERSEY, A. & IGNALL, E. (ed.). Delivery of Urban Services TIMS Studies in the Management Sciences, Vol. 22, Elsevier Science, B.V., 121-153, 1986.
BURWELL, T.H.; JARVIS, J.P. & MCKNEW, M.A.: Modeling co-located servers and dispatch
Analysis, John Wiley & Sons, 1978.

BATTA, R.; DOLAN, J.M. & KRISHNAMURTHY, N.N.: The maximal expected covering location
ties in the hypercube model. Computers and Operations Research, 20, 113-119, 1993.
CHAPMAN, S. & WHITE, J.: Probabilistic formulations of emergency service facilities location problems. ORSA/TIMS paper, San Juan, Puerto Rico, 1974.
problem: Revisited. Transportation Science, 23, 277-287, 1989.

BERMAN, O.; LARSON, R.C. & CHIU, S.S.:
Optimal server location on a network operating as an M/G/1 queue. Operations Research, 33, 746-771, 1985.
BERMAN, O.; LARSON, R.C. & PARKAN, C.:
CHURCH, R. & REVELLE, C.S.: The maximal
covering location problem. Papers of the Regional Science Association, 32, 101-118, 1974.
DASKIN, M.S.: Application of an expected covering
The stochastic queue P-median problem. Transportation Science, 21, 207-216, 1987.
model to emergency medical service system design. Decision Sciences, 13, 416-439, 1982.
173
DASKIN, M.S.: A maximum expected covering
HAKIMI, S.L.: Optimum distribution of switching
location model: Formulation, properties and and heuristic solution. Transportation Science, 17, 48-70, 1983.
DASKIN, M.S. & HAGHANI, A.: Multiple vehicle
centers in a communication network and some related graph theoretic problems. Operations Research, 13, 462-475, 1965.
HALPERN, J.: Accuracy of estimates for the
routing and dispatching to an emergency scene. Environment and Planning A, 16, 1349-1359, 1984.
DASKIN, M.S.; HOGAN, K. & REVELLE, C.S.:
performance criteria in certain emergency service queueing systems. Transportation Science, 11, 223-242, 1977.
HOGAN, K. & REVELLE, C.S.: Concepts and
Integration of multiple, excess, backup and covering models. Environment and Planning B, 15, 15-35, 1988.
DOWNS, B.T. & CAMM, J.D.: An exact algorithm
applications of backup coverage. Management Science, 32, 1434-1444, 1986.

LARSON, R.C.: A hypercube queuing model for
for the maximal covering location problem. Naval Research Logistics Quarterly, 43, 435-461, 1996.
DWYER, F.R. & EVANS, J.R.: A branch and
facility location and redistricting in urban emergency services. Computers and Operations Research, 1, 67-95, 1974.
LARSON, R.C.: Approximating the performance of
bound algorithm for the list selection problem in direct mail advertising. Management Science, 27, 658-667, 1981.
GALVO, R.D. & REVELLE, C.S.: A Lagrangean
urban emergency service systems. Operations Research, 23, 845-868, 1975.

LARSON, R.C. & ODONI, A.R.: Urban Operations
Research, Prentice Hall, Inc., N.J, 1981.

LORENA, L.A.N. & LOPES, F.B.: A surrogate
heuristic for the maximal covering location problem. European Journal of Operational Research, 88, 114-123, 1996.
GALVO, R.D.; ESPEJO, L.G.A. & BOFFEY, B.:
heuristic for set covering problems. European Journal of Operational Research, 79, 138-150, 1994.
LORENA, L.A.N. & NARCISO, M.G.: Relaxation
A comparison of Lagrangean and surrogate relaxations for the maximal covering location problem. European Journal of Operational Research, 124, 159-171, 2000.
GONALVES, M.B.; NOVAES, A.G.N. & ALBINO, J.C.C.: Modelos para localizao de
heuristics for a generalized assignment problem. European Journal of Operational Research, 91, 600-610, 1996.
MARANZANA, F.E.: On the location of supply
points to minimize transport costs. Operational Research Quarterly, 15, 261-270, 1964.
MENDONA, F.C.: Aplicao do modelo hipercubo,
servios emergenciais em rodovias. Anais do XXVI Simpsio Brasileiro de Pesquisa Operacional, 1, 591-596, 1994.
GONALVES, M.B.; NOVAES, A.G.N. & SCHMITZ, R.: Um modelo de otimizao para
baseado em teoria de filas, para anlise de um sistema mdico-emergencial em rodovia. Tese de Mestrado, Depto. de Engenharia de Produo, Universidade Federal de So Carlos, 1999.
MENDONA, F.C. & MORABITO, R.: Aplicao
localizar unidades de servios emergenciais em rodovias. Anais do IX ANPET Congresso de Pesquisa e Ensino em Transportes, 962-972, 1995.
GROSS, D. & HARRIS, C.M.: Fundamentals of
do modelo hipercubo para anlise de um sistema mdico-emergencial em rodovia. Gesto & Produo, 7, 173-91, 2000.
OWEN, S.H. & DASKIN, M.S.: Strategic facility
Queueing Theory. John Wiley & Sons, New York, 1974.

HAKIMI, S.L.: Optimum locations of switching
location: A review. European Journal of Operational Research, 111, 423-447, 1998.

REVELLE, C.S. & HOGAN, K.: The maximum
centers and the absolute centers and medians of a graph. Operations Research, 12, 450-459, 1964.
availability location problem. Transportation Science, 23, 192-200, 1989a.
174
REVELLE, C.S. & HOGAN, K.: The maximum
reliability location problem and -reliable pcenter problem: Derivatives of the probabilistic location set covering problem. Annals of Operations Research, 18, 155-174, 1989b. Department uses OR/MS methodology, new software to design patrol districts. OR/MS Today, 30-32, Feb. 1994.
SWAIN, R.: A decomposition algorithm for a class of
facility location problems. Ph.D. Thesis, Cornell University, Ithaca, NY, 1971.
SWERSEY, A.J.: The deployment of police, fire
SACKS, S.R. & GRIEF, S.: Orlando Police
and emergency medical units. In: POLLOCK, S.M. et al. (ed.). Handbooks in OR & MS, Vol. 6, Elsevier Science B.V., 151-200, 1994.
TAKEDA, R.: Tese de Doutorado, Engenharia de
SAYDAM, C.; REPEDE, J.F. & BURWELL, T.:
Accurate estimation of expected coverage a comparative study. Socio-Economic Planning Sciences, 28, 113-120, 1994.
Transportes, Escola de Engenharia de So Carlos, USP. Em preparao, previso de defesa para segundo semestre de 2000.
TEITZ, M.B. & BART, P.: Heuristic methods for
estimating the generalized vertex median of a weighted graph. Operations Research, 16, 955961, 1968.
THE USE OF THE HYPERCUBE MODEL IN THE SOLUTION OF PROBABILISTIC LOCATION PROBLEMS
Abstract
The hypercube model is revisited regarding its use in solution methods for probabilistic location problems. This use of the model is relevant in situations in which the randomness in the availability of servers is an important factor to be considered; in some circumstances this randomness can be represented by spatially distributed queues. The model is presented through an illustrative example, for which the equilibrium equations are derived; some measures of performance are also defined. This is followed by the description of an exact and an approximate method for the calculation of these measures. Several probabilistic location models are then studied, which is followed by the analysis of solution methods for these models, with special emphasis given to methods that embed the hypercube model. Although incipient at present, the use of the hypercube model in probabilistic location problems has good potential, for example if embedded into metaheuristics such as simulated annealing and tabu search.
Key words: location, hypercube model, probabilistic models, queues.

Hipercubo

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Hipercubo

Uploaded by

Copyright:

Available Formats

O USO DO MODELO HIPERCUBO NA SOLUO DE PROBLEMAS DE LOCALIZAO PROBABILSTICOS

Fernando Chiyoshi Roberto D. Galvo

interesse em problemas de localizao tem crescido bastante a partir da dcada de 60,

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

Tabela 1 Lista de preferncias de despacho.

modelo hipercubo baseia-se na diviso da regio em um conjunto de reas de

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

p000 = 1p001 + 2p010 + 3p100, (1)

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

p111 = p011 + p101 + p110,

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

e o tempo mdio de viagem de cada servidor n pode ser aproximado por:

Em certos sistemas de atendimento emergencial, como certos casos de localizao de bases

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

onde =/ representa a taxa de ocupao mdia do sistema. Usando (16), a freqncia de

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

Bma 2 Fn } + ... + Bma 2 ...Bma ( N 1) Fn } + D ,

n D = a + a Q( N , ,1) ma1 + 2 1 n aG1 aGn n

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

para k = 1,..,N-1, sendo:

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

(27) (28) (29) (30) (31)

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

(32) (33) (34) (35) (36) (37) (38)

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

aij yi o nmero de servidores disponiI

representa o nmero de vezes que a rea

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

(39) (40) (41) (42)

yi, xjk {0,1}, iI, jJ, k=2,..b. (43)

E(Hj,m) = E(Hj,m) - E(Hj,m-1) =

P [um ou mais servidores disponveis a menos de S] =

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

Analysis, John Wiley & Sons, 1978.

problem: Revisited. Transportation Science, 23, 277-287, 1989.

CHURCH, R. & REVELLE, C.S.: The maximal

GESTO & PRODUO v.7, n.2, p. 146-174, ago. 2000

DASKIN, M.S.: A maximum expected covering

HAKIMI, S.L.: Optimum distribution of switching

applications of backup coverage. Management Science, 32, 1434-1444, 1986.

urban emergency service systems. Operations Research, 23, 845-868, 1975.

Research, Prentice Hall, Inc., N.J, 1981.

Queueing Theory. John Wiley & Sons, New York, 1974.

location: A review. European Journal of Operational Research, 111, 423-447, 1998.

availability location problem. Transportation Science, 23, 192-200, 1989a.

Chiyoshi, Galvo, Morabito O Uso do Modelo Hipercubo na Soluo de Problemas

REVELLE, C.S. & HOGAN, K.: The maximum

SWAIN, R.: A decomposition algorithm for a class of

SACKS, S.R. & GRIEF, S.: Orlando Police