Dissertacao Felippe PPGEM

UNIVERSIDADE FEDERAL DE OURO PRETO
ESCOLA DE MINAS
DEPARTAMENTO DE ENGENHARIA DE MINAS
PROGRAMA DE PS-GRADUAO EM ENGENHARIA MINERAL
APLICAES DE TCNICAS DE OTIMIZAO A
PROBLEMAS DE PLANEJAMENTO OPERACIONAL DE
LAVRA EM MINAS A CU ABERTO
Autor: Felippe Pereira da Costa
Orientador: Marcone Jamilson Freitas Souza
Dissertao apresentada ao Programa de
Ps-Graduao em Engenharia Mineral do
Departamento de Engenharia de Minas da
Escola de Minas da Universidade Federal
de Ouro Preto, como parte integrante dos
requisitos para a obteno do ttulo de
Mestre em Engenharia Mineral, rea de
concentrao: Lavra de Minas.
Ouro Preto, Fevereiro de 2005
APLICAES DE TCNICAS DE OTIMIZAO A
PROBLEMAS DE PLANEJAMENTO OPERACIONAL DE
LAVRA EM MINAS A CU ABERTO
Felippe Pereira da Costa
Esta dissertao foi apresentada em sesso pblica e aprovada em 25 de fevereiro
de 2005, pela Banca Examinadora composta pelos seguintes membros:
Prof. Dr. Marcone Jamilson Freitas Souza (Orientador/UFOP)
Prof. Dr. Ivo Eyer Cabral (UFOP)
Prof. Dr. Luiz Ricardo Pinto (UFMG)
ii
Agradecimentos
Qualquer que seja o m a que o homem se proponha, qualquer que seja
a idia que tenha em vista desenvolver, experimenta sempre grande
prazer quando o tem conseguido, grande alegria quando a v realizada...
Claude Henri Gorceix.
H dois anos foi iniciada uma caminhada pela ampliao e aprimoramento do co-
nhecimento, resultando materialmente nesta dissertao que, se possvel, contribuir
com a formao de pessoal e com o desenvolvimento da Pesquisa Operacional na in-
dstria mineral brasileira.
Ao Professor Marcone Jamilson Freitas Souza por iluminar o caminho, estimulan-
do e apoiando a realizao deste trabalho, participando como orientador, pesquisador
e amigo, sendo para mim uma referncia em todos os aspectos.
Aos meus pais, Palmrio do Nascimento Costa e Regina Maria Pereira da Costa,
que sempre apiam minhas decises, sou eternamente grato.
Aos meus irmos, Palmrio do Nascimento Costa Jnior e Rodrigo Pereira Costa,
pela serenidade das atitudes.
Repblica Senzala por ser minha famlia em Ouro Preto.
Aos colegas Jos Maria do Carmo Bento Alves e Alexandre Xavier Martins por
compartilharem seus conhecimentos.
Ao Programa de Ps-Graduao em Engenharia Mineral da Escola de Minas
pelos recursos disponibilizados.
CAPES pelo investimento em minha formao.
iii
Resumo
Este trabalho aborda problemas de planejamento operacional de lavra em minas a
cu aberto. So apresentados e modelados problemas relativos mistura de min-
rios provenientes de vrias frentes de lavra, levando-se em considerao metas de
produo e qualidade, restries operacionais e a alocao dos equipamentos de car-
ga e transporte necessrios ao processo. So considerados trs problemas: mistura
de minrios, mistura de minrios com alocao dinmica de caminhes e mistura
de minrios com alocao esttica de caminhes. Cada problema resolvido por
duas metodologias, uma baseada em tcnicas de programao matemtica e outra
em tcnicas heursticas. Experimentos computacionais realizados com dados reais e
instncias hipotticas baseadas nesses dados validam os modelos propostos.
iv
Abstract
This work deals with operational mining planning in open pit mines. Ore blending
problems are presented and modeled. These problems consider quality and production
goals, operations constraints, and the load and haulage equipment allocation. Three
problems are considered: ore blending, ore blending with truck dynamic allocation
and ore blending with truck static allocation. Each problem is solved by two method-
ologies. One based on mathematical programming techniques, and other on heuristic
techniques. Computational experiments carried through real data, and hypothetical
instances based on these data validate proposed models.
v
Sumrio
1 Preliminares 1
1.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Organizao do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Reviso Bibliogrca 4
2.1 Programao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1 Conceitos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.2 Programao Inteira e Mista . . . . . . . . . . . . . . . . . . . 6
2.1.3 Programao por Metas . . . . . . . . . . . . . . . . . . . . . 6
2.2 Tcnicas Heursticas de Otimizao . . . . . . . . . . . . . . . . . . . 8
2.2.1 Mtodos Construtivos . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2 Mtodos de Busca Local . . . . . . . . . . . . . . . . . . . . . 9
2.2.3 Metaheursticas . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.4 GRASP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.5 Simulated Annealing . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.6 Busca Tabu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.7 Mtodo de Descida em Vizinhana Varivel . . . . . . . . . . 17
2.2.8 Mtodo de Pesquisa em Vizinhana Varivel . . . . . . . . . . 18
2.2.9 Funo de Avaliao . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Pesquisa Operacional Aplicada Minerao . . . . . . . . . . . . . . 22
2.3.1 Mistura de Minrios . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.2 Alocao Dinmica de Caminhes . . . . . . . . . . . . . . . . 28
2.3.3 Alocao Esttica de Caminhes . . . . . . . . . . . . . . . . 34
3 Problemas Abordados 37
3.1 Mistura de Minrios por Metas . . . . . . . . . . . . . . . . . . . . . 37
vi
3.1.1 Descrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.2 Modelagem Exata . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.1.3 Modelagem Heurstica . . . . . . . . . . . . . . . . . . . . . . 40
3.2 Alocao Dinmica de Caminhes . . . . . . . . . . . . . . . . . . . . 49
3.2.1 Descrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2.2 Modelagem Exata . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3 Alocao Esttica de Caminhes . . . . . . . . . . . . . . . . . . . . . 68
3.3.1 Descrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.3.2 Modelagem Exata . . . . . . . . . . . . . . . . . . . . . . . . . 69
4 Resultados Computacionais 89
4.1 Instncias Teste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.1.1 Instncias Teste do PMM . . . . . . . . . . . . . . . . . . . . 89
4.1.2 Instncias Teste do PADC e PAEC . . . . . . . . . . . . . . . 91
4.2 Resultados dos Modelos Exatos . . . . . . . . . . . . . . . . . . . . . 92
4.2.1 Resultados do Modelo Exato para o PMM . . . . . . . . . . . 92
4.2.2 Resultados do Modelo Exato para o PADC . . . . . . . . . . . 93
4.2.3 Resultados do Modelo Exato para o PAEC . . . . . . . . . . . 94
4.3 Resultados dos Modelos Heursticos . . . . . . . . . . . . . . . . . . . 95
4.3.1 Resultados dos Modelos Heursticos do PMM . . . . . . . . . 97
4.3.2 Resultados dos Modelos Heursticos do PADC . . . . . . . . . 100
4.3.3 Resultados dos Modelos Heursticos do PAEC . . . . . . . . . 103
5 Concluses e Perspectivas 107
Referncias Bibliogrcas 109
I Modelo LINGO para o PMM 112
II Modelo LINGO para o PADC 114
III Modelo LINGO para o PAEC 117
vii
IV Relatrio Gerado para o PMM 120
V Relatrio Gerado para o PADC 122
VI Relatrio Gerado para o PAEC 125
VII Publicaes 128
viii
Lista de Tabelas
4.1 Caractersticas das instncias teste do PMM . . . . . . . . . . . . . . 90
4.2 Caractersticas das instncias teste do PADC e PAEC . . . . . . . . 92
4.3 Resultados do modelo exato para o PMM . . . . . . . . . . . . . . . . 93
4.4 Resultados do modelo exato para o PADC . . . . . . . . . . . . . . . 94
4.5 Resultados do modelo exato para o PAEC . . . . . . . . . . . . . . . 95
4.6 Resultados do PMM pelo procedimento I . . . . . . . . . . . . . . 98
4.7 Caractersticas das solues geradas relativas instncia PMM03 . . 100
4.8 Resultados do PADC pelo procedimento I . . . . . . . . . . . . . . 100
4.9 Comparao entre os mtodos heursticos para o PADC pelo proce-
dimento II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.10 Caractersticas das solues geradas relativas instncia PADC01 . . 103
4.11 Resultados do PAEC, utilizando o procedimento I . . . . . . . . . . 104
4.12 Comparao entre os mtodos heursticos para o PAEC pelo proce-
dimento II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.13 Caractersticas das solues geradas relativas instncia PAE03 . . . 105
ix
Lista de Figuras
2.1 Algoritmo GRASP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Fase de construo de um algoritmo GRASP . . . . . . . . . . . . . . 12
2.3 Algoritmo Simulated Annealing . . . . . . . . . . . . . . . . . . . . . 14
2.4 Determinao autoadaptativa da temperatura inicial . . . . . . . . . 15
2.5 Algoritmo de Busca Tabu . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6 Algoritmo VND . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.7 Algoritmo VNS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.8 Comportamento da funo penalidade . . . . . . . . . . . . . . . . . 22
3.1 Representao de uma soluo . . . . . . . . . . . . . . . . . . . . . . 40
3.2 Movimento acrscimo de uma caambada . . . . . . . . . . . . . . . . 45
3.3 Movimento decrscimo de uma caambada . . . . . . . . . . . . . . . 46
3.4 Movimento acrscimo de duas caambadas . . . . . . . . . . . . . . . 46
3.5 Movimento decrscimo de duas caambadas . . . . . . . . . . . . . . 46
3.6 Movimento de realocao de uma caambada . . . . . . . . . . . . . . 47
3.8 Movimento de realocao de equipamentos de carga . . . . . . . . . . 63
3.9 Movimento parar operao de uma frente . . . . . . . . . . . . . . . . 64
3.10 Movimento retomar operao de uma frente . . . . . . . . . . . . . . 64
3.11 Movimento de decrscimo no nmero de viagens . . . . . . . . . . . . 65
3.12 Movimento de acrscimo no nmero de viagens . . . . . . . . . . . . . 65
3.13 Movimento de realocao de viagens de um caminho . . . . . . . . . 65
3.14 Movimento de realocao de viagens de uma frente . . . . . . . . . . 66
3.15 Movimento parar operao de um caminho . . . . . . . . . . . . . . 66
3.17 Movimento de realocao de equipamentos de carga . . . . . . . . . . 84
x
3.18 Movimento parar operao de uma frente . . . . . . . . . . . . . . . . 85
3.19 Movimento retomar operao de uma frente . . . . . . . . . . . . . . 85
3.20 Movimento de decrscimo no nmero de viagens . . . . . . . . . . . . 85
3.21 Movimento de acrscimo no nmero de viagens . . . . . . . . . . . . . 86
3.22 Movimento de realocao de viagens de um caminho . . . . . . . . . 86
3.23 Movimento de realocao de viagens de uma frente . . . . . . . . . . 86
3.24 Movimento parar operao de um caminho . . . . . . . . . . . . . . 87
4.1 Comportamento tpico do algoritmo VNS para o PADC . . . . . . . . 102
4.2 Comportamento tpico do algoritmo VNS para o PAEC . . . . . . . . 106
xi
Lista de Siglas
BT Busca Tabu
GRASP Greedy Randomized Adaptive Search Procedures
PADC Problema da mistura de minrios com alocao dinmica de caminhes
PAEC Problema da mistura de minrios com alocao esttica de caminhes
PMM Problema da mistura de minrios
SA Simulated Annealing
VND Variable Neighborhood Descent
VNS Variable Neighborhood Search
xii
Captulo 1
Preliminares
1.1 Introduo
O planejamento operacional de lavra em uma mina a cu aberto consiste no plane-
jamento de curto prazo, onde o principal objetivo a determinao de qual ritmo
de lavra ser implementado em cada frente, fornecendo usina de beneciamento
uma alimentao adequada. Cada frente de lavra possui caractersticas de qualida-
de diferentes, tais como o teor de determinado elemento qumico ou a percentagem
de minrio em determinada granulometria. Assim, cada frente deve contribuir com
uma quantidade apropriada para que o produto nal esteja em conformidade com
as exigncias do cliente.
O mtodo mais utilizado para determinar a proporo de minrio proveniente de
cada frente a programao linear, atravs da resoluo do problema da mistura,
ou blendagem. Outro mtodo, mais eciente, abordado por Chanda e Dagde-
len (1995) utilizando a programao linear por metas para resolver o problema da
mistura com o atendimento de metas de qualidade e produo. Em casos reais da
indstria mineral existe uma srie de outras restries que devem ser consideradas
e que normalmente no so abordadas em um mesmo modelo na literatura. Se-
gundo Gershon (1982), otimizar o problema de planejamento de lavra em partes
independentes pode gerar conitos que inviabilizam a implementao das solues
obtidas em cada parte. No caso do planejamento operacional de lavra necessrio
resolver o problema da mistura de minrio levando em considerao as restries
relacionadas realidade operacional da mina (Mutmansky, 1979; White et al., 1982;
White e Olson, 1986; Pinto e Merschmann, 2001; Merschmann, 2002; Pinto et al.,
2003). Dentre essas restries, destacamos a relao estril/minrio a ser obedecida
e a alocao e disponibilidade de equipamentos de carga e transporte de material.
O presente trabalho tem o intuito de disponibilizar sistemas computacionais que
possibilitem uma maior ecincia na tomada de deciso do planejamento operacio-
nal de lavra em minas a cu aberto. Para tanto, foram desenvolvidos modelos de
otimizao baseados em programao matemtica e tcnicas heursticas para o pro-
cesso de tomada de decises relativas ao planejamento do ritmo de lavra, operao
que envolve o problema da mistura de minrios e a alocao de equipamentos de
carga e transporte. Para o desenvolvimento dos sistemas foi necessrio reavaliar
os modelos de otimizao aplicados minas a cu aberto, propostos na literatura,
reunindo-os em modelos mais amplos, de forma a contemplar os requisitos tpicos
de uma minerao, incluindo o atendimento de metas de produo e qualidade.
Os modelos de programao matemtica desenvolvidos foram baseados em pro-
gramao linear por metas (goal programming) e conduzem s solues timas de
seus respectivos problemas. Esses modelos foram implementados usando-se a ferra-
menta de otimizao LINGO, verso 7.0. Esta escolha baseou-se na facilidade de
compreenso da linguagem de modelagem utilizada pela ferramenta, na possibili-
dade de integrao com planilhas eletrnicas, as quais so geralmente adotadas em
processos de deciso na minerao, e na exibilidade de incluir e excluir restries
operacionais sem que seja necessrio alterar o programa fonte.
Observa-se que o problema de se determinar o ritmo de lavra em uma minerao
se reduz ao Problema da Mochila Inteira Mltipla com restries adicionais. De
fato, cada equipamento de carga pode ser considerado uma mochila i de capacidade
mxima b
i
(em t/h). Cada frente de lavra pode ser considerada como um obje-
to j para o qual esto disponveis u
j
unidades (em t/h). O problema consiste em
determinar quantas unidades x
ij
(em t/h) de cada objeto j alocar mochila i de
forma a maximizar o benefcio pelo uso das frentes (dado pelo atendimento s metas
de produo e qualidade), satisfazendo condio de que cada mochila tenha sua
capacidade respeitada e que cada objeto esteja em uma nica mochila.
Como o Problema da Mochila Inteira Mltipla classicado na literatura como
NP-difcil (Papadimitriou e Steiglitz, 1998), a abordagem de programao matemti-
ca para o problema da determinao do ritmo de lavra se restringe a problemas de
2
pequenas dimenses. Para dimenses mais elevadas, o tratamento heurstico. As-
sim, a utilizao de heursticas, as quais conduzem a solues aproximadas para
seus respectivos problemas, tem tripla nalidade. A primeira encontrar solues
de boa qualidade em um determinado tempo limite, previamente estipulado, tem-
po esse que seja inferior quele necessrio para se obter uma soluo vivel atravs
de uma tcnica exata. Alm disso, os modelos heursticos permitem incluir, com
maior facilidade do que os modelos exatos, requisitos especcos de cada empresa.
A terceira nalidade disponibilizar uma ferramenta eciente capaz de auxiliar o
planejamento operacional de lavra a um custo mais acessvel do que o que seria
necessrio com a aquisio de um aplicativo de otimizao disponvel no merca-
do. Ademais, no h, de nosso conhecimento, modelos contemplando requisitos de
produo, meta, qualidade e alocao de forma conjunta. As metaheursticas uti-
lizadas neste trabalho foram desenvolvidas nas suas verses mais sosticadas e seus
algoritmos implementados na linguagem de programao C.
1.2 Organizao do Trabalho
Este trabalho est organizado como segue. Uma reviso sucinta do tema apre-
sentada no captulo 2. Nesse captulo so abordados os principais mtodos de pro-
gramao linear (seo 2.1), os mtodos heursticos de otimizao (seo 2.2), e os
modelos de otimizao aplicados ao planejamento operacional de lavra (seo 2.3).
No captulo 3 so descritos os problemas estudados neste trabalho, bem como apre-
sentadas as modelagens exata e heursticas desenvolvidas. Mais precisamente, foram
considerados o problema da mistura de minrios (seo 3.1), o problema da mistu-
ra de minrios com alocao dinmica de caminhes (seo 3.2), e o problema da
mistura de minrios com alocao esttica de caminhes (seo 3.3). Os resultados
computacionais e a ecincia dos mtodos so apresentados e discutidos no captu-
lo 4. O captulo 5 conclui o trabalho e apresenta perspectivas de novas aplicaes da
pesquisa operacional em problemas de planejamento de produo no setor mineral.
3
Captulo 2
Reviso Bibliogrca
Neste captulo feita uma reviso dos mtodos de soluo baseados em programao
linear (seo 2.1) e das tcnicas heursticas de otimizao (seo 2.2), bem como uma
reviso de modelos de otimizao aplicados minerao encontrados na literatura
(seo 2.3).
2.1 Programao Linear
So apresentados, a seguir, os conceitos bsicos da programao linear (seo 2.1.1)
e as suas variantes, a programao inteira mista (seo 2.1.2) e a programao linear
por metas (seo 2.1.3).
2.1.1 Conceitos Bsicos
A programao linear visa fundamentalmente encontrar a melhor soluo para pro-
blemas que tenham seus modelos representados por equaes lineares.
A programao linear consiste na maximizao ou minimizao de uma funo
linear, denominada funo objetivo, respeitando um sistema linear de igualdades ou
desigualdades que recebem o nome de restrio do modelo. As restries representam
normalmente limitaes de recursos disponveis ou exigncias e condies que devem
ser cumpridas no problema. Estas restries do modelo determinam uma regio
qual damos o nome de conjunto das solues viveis. A melhor das solues, isto ,
aquela que maximiza ou minimiza a funo objetivo denomina-se soluo tima.
Um problema de programao linear deve ser equacionado obtendo-se um modelo
que ser, ento, reduzido forma-padro para que seja permitida a aplicao de
4
algoritmos que possam determinar a soluo tima para o problema. O algoritmo
mais utilizado para resolv-lo o SIMPLEX.
As equaes (2.1) - (2.4) apresentam a formulao necessria para que um pro-
blema de programao linear esteja na forma-padro. Uma metodologia para reduzir
um problema qualquer de programao linear forma-padro pode ser obtida em
Bregalda et al. (1988).
min
n
j=1
c
j
x
j
= Q(x) (2.1)
s.a:
n
j=1
a
ij
x
j
= b
i
i = 1, , m (2.2)
b
i
0 i = 1, , m (2.3)
x
j
0 j = 1, , n (2.4)
Nesta formulao, j = 1, , n representam atividades a serem realizadas, c
j
o custo associado j-sima atividade, x
j
uma varivel de deciso que quantica
o nvel de operao da j-sima atividade, i = 1, , m representam restries a
serem observadas, b
i
a quantidade de recursos disponveis ou exigncias a serem
cumpridas e a
ij
a quantidade de recurso i (ou exigncia) em uma unidade da
atividade j. A equao (2.1) representa a funo objetivo, que deve ser minimizada.
As equaes (2.2), (2.3) e (2.4) so as restries do problema de programao linear,
sendo que a equao (2.4) denominada condio de no negatividade.
As solues que satisfazem ao conjunto de restries do problema de programao
linear so chamadas de solues viveis. Quando o conjunto de solues viveis do
problema de programao linear no-vazio, h garantia de existncia de pelo menos
uma soluo tima.
O mtodo SIMPLEX, fundamentado na lgebra Linear, baseia-se na propriedade
de que a soluo tima do problema, caso exista, ocorre em um vrtice (chamado
de soluo bsica vivel) do politopo formado pelo conjunto das solues viveis
do problema. Assim, o mtodo consiste em gerar, a cada iterao, solues bsicas
viveis cada vez melhores. Quando no mais possvel melhor-la, a ltima soluo
obtida considerada a soluo tima do problema.
5
2.1.2 Programao Inteira e Mista
Segundo Loesch e Hein (1999) os problemas de programao inteira e mista so, a
princpio, estruturados do mesmo modo que os problemas de programao linear,
entretanto possuem pelo menos uma restrio de integralidade. Restries de in-
tegralidade impem que as variveis assumam valores inteiros. Os problemas que
possuem todas as variveis inteiras so denominados problemas de programao in-
teira, enquanto que aqueles que contm pelo menos uma varivel inteira juntamente
com variveis no-inteiras so denominados de problemas de programao mista. A
tcnica geralmente aplicada na resoluo destes problemas conhecida como tcnica
de ramicao e limite, ou Branch-and-Bound.
Na tcnica de ramicao e limite, inicialmente resolve-se o problema como sendo
um problema de programao linear puro, ignorando-se totalmente as restries de
integralidade. Se for obtida uma soluo tima limitada, satisfazendo todas as
restries de integralidade, a presente soluo dita tima para o problema de pro-
gramao inteira e mista e o procedimento chega ao nal. O procedimento tambm
nalizado caso a soluo seja ilimitada ou impossvel. Se a soluo encontrada
viola ao menos uma restrio de integralidade ento h a diviso do problema em
dois novos problemas de programao linear. Esse processo de diviso pode ser
aplicado repetidas vezes, criando-se uma rvore binria de busca da soluo. Cada
um dos dois novos problemas gerados pela diviso possui a mesma funo objetivo
e restries do problema pai, adicionando-se a cada novo problema uma restrio
tomando-se como base os dois inteiros mais prximos da varivel no-inteira que
corresponde restrio de integralidade violada. O procedimento continua at que
no seja possvel criar mais ramicaes, ou seja, nenhuma restrio de integralidade
for violada ou o espao de solues for vazio.
2.1.3 Programao por Metas
Bueno e Oliveira (2004) apresentam a programao por metas, ou Goal Program-
ming, como uma tcnica de pesquisa operacional que permite a modelagem e a
busca de solues para problemas com mltiplos objetivos ou metas a serem atingi-
das, situao comumente encontrada na realidade das empresas, onde necessrio
satisfazer ou aproximar-se das metas estabelecidas. Deste modo, pode-se caracteri-
6
zar a programao por metas como sendo uma extenso da programao linear,
desenvolvido de modo a permitir a soluo simultnea de um sistema com mltiplas
metas, podendo apresentar unidades de medidas diferentes.
Na programao por metas a funo de avaliao denida como a minimizao
dos desvios em relao s metas. Neste trabalho ser utilizada a funo de avaliao
Arquimediana, onde cada meta possui uma importncia diferente na otimizao e
so hierarquizadas atravs de pesos, priorizando-se as principais metas com pesos
maiores. Esta e outras metodologias de funo de avaliao so descritas em Romero
(2004).
As restries na programao por metas deixam de ser rgidas atravs da incluso
de variveis de desvio, ampliando o espao de solues viveis. Com isso, permite-
se que as variveis de deciso assumam valores que otimizem, de modo geral, o
problema, sendo possvel avaliar o quanto uma restrio ca fora da meta em relao
s demais.
Seja o problema genrico de programao por metas representado pelas equa-
es (2.5) - (2.9), correspondente relaxao da restrio (2.2) do modelo de pro-
gramao linear apresentado anteriormente.
min
n
j=1
c
j
x
j
+
m
i=1
_
w
+
i
d
+
i
+w
i
d
i
_
= Q(x) (2.5)
s.a:
n
j=1
a
ij
x
j
d
+
i
+ d
i
= b
i
i = 1, , m (2.6)
b
i
0 i = 1, , m (2.7)
x
j
0 j = 1, , n (2.8)
d
+
i
, d
i
0 i = 1, , m (2.9)
Esta formulao semelhante do problema de programao linear anterior onde
j = 1, , n representam atividades a serem realizadas, i = 1, , m representam
restries a serem observadas, b
i
a meta de recursos a serem utilizados ou exigncias
a serem alcanadas, c
j
o custo da j-sima atividadade e a
ij
a quantidade de recurso
i (ou exigncia) em uma unidade da atividade j.
Neste modelo, x
j
, d
+
i
e d
i
representam variveis de deciso. A primeira, x
j
,
quantica o nvel de operao da j-sima atividade. A segunda, d
+
i
, denotada por
7
desvio positivo do recurso (ou exigncia) i, quantica o quanto a meta b
i
foi superada,
enquanto a terceira, d
i
, denotada por desvio negativo, quantica o quanto falta para
atingir a meta b
i
. As constantes w
+
i
e w
i
indicam, respectivamente, as prioridades
dos i-simos desvios positivo e negativo em relao meta. Os desvios, positivos
e negativos, so portanto variveis de deciso que medem o quanto o conjunto de
restries (2.2) ser violado em relao meta b
i
. A equao (2.5) representa a
funo multiobjetivo que incorpora os desvios, e suas prioridades, que devem ser
minimizados. As equaes (2.6) a (2.9) representam as restries do problema,
sendo as equaes (2.8) e (2.9) denominadas condies de no negatividade das
variveis de deciso.
2.2 Tcnicas Heursticas de Otimizao
Esta seo tem como objetivo apresentar, de forma sumria, as principais tcnicas
heursticas referenciadas ao longo deste trabalho.
2.2.1 Mtodos Construtivos
Um mtodo construtivo tem por objetivo gerar uma soluo, elemento por elemento.
A forma de escolha de cada elemento a ser inserido a cada passo, varia de acordo
com o mtodo, o qual, por sua vez, depende do problema abordado. A soluo
gerada pelo procedimento construtivo pode no ser satisfatria, indicando, assim, a
necessidade de renamento aps a construo.
Uma forma de construo, conhecida como gulosa, faz com que, a cada iterao,
seja inserido o elemento, pertencente ao conjunto de elementos ainda no seleciona-
dos, que traz o maior benefcio para a soluo construda. Este procedimento, apesar
de gerar solues de qualidade superior, produz solues sem diversidade e requer
um maior tempo computacional para o renamento de uma soluo.
Outra forma muito comum de se gerar uma soluo inicial constru-la de
maneira aleatria. Isto , a cada passo um elemento a ser inserido na soluo
aleatoriamente selecionado do conjunto de elementos ainda no selecionados. A
grande vantagem dessa metodologia reside na simplicidade de implementao e na
grande diversidade de solues. A desvantagem a qualidade baixa da soluo nal
produzida, o que requerer um esforo maior na fase de renamento.
8
2.2.2 Mtodos de Busca Local
Os mtodos de busca local, ou mtodos de renamento, em problemas de otimizao
constituem uma famlia de tcnicas baseadas na noo de vizinhana. Basicamente a
busca local consiste em mover de uma soluo inicial a outra dentro de uma estrutura
de vizinhana, de acordo com regras bem denidas. Mais especicamente, seja S o
espao de pesquisa de um problema de otimizao e f a funo objetivo a minimizar.
A funo N, a qual depende da estrutura do problema tratado, associa a cada
soluo vivel s S, sua vizinhana N(s) S. Cada soluo s
N(s) chamada
de vizinho de s. Denomina-se movimento a modicao m que transforma uma
soluo s em outra, s
, que esteja em sua vizinhana. Representa-se essa operao

por s
s m. A ecincia da busca local depende da qualidade da soluo

construda. O procedimento de construo tem ento um papel importante na busca
local, uma vez que as solues construdas constituem bons pontos de partida para
a busca local, permitindo assim aceler-la.
2.2.2.1 Mtodo de Descida
um mtodo de busca local que se caracteriza por analisar todos os possveis vi-
zinhos de uma soluo s em sua vizinhana N(s), escolhendo, a cada passo, aquele
que tem o menor valor para a funo objetivo. Nesse mtodo, o vizinho candidato
somente aceito se ele melhorar estritamente o valor da melhor soluo at ento
obtida. Dessa forma, o mtodo pra to logo um mnimo local seja encontrado.
2.2.2.2 Mtodo Randmico de Descida
O mtodo de descida requer a explorao de toda a vizinhana. Um mtodo alter-
nativo, que evita essa pesquisa exaustiva, o mtodo randmico de descida. Ele
consiste em analisar um vizinho qualquer e o aceitar somente se ele for estritamente
melhor que a soluo corrente; no o sendo, a soluo corrente permanece inalterada
e outro vizinho gerado. O procedimento interrompido aps um nmero xo de
iteraes sem melhora no valor da melhor soluo obtida at ento.
9
2.2.2.3 Mtodo Randmico No Ascendente
O mtodo randmico no ascendente uma variante do mtodo randmico de des-
cida, diferindo dele por aceitar o vizinho gerado aleatoriamente se ele for melhor
ou igual soluo corrente. Esse mtodo pra, tambm, aps um nmero xo de
iteraes sem melhora no valor da melhor soluo produzida.
2.2.3 Metaheursticas
As metaheursticas so procedimentos destinados a encontrar uma boa soluo, even-
tualmente a tima, consistindo na aplicao, em cada passo, de uma heurstica
subordinada, a qual tem que ser modelada para cada problema especco (Souza,
2000).
Contrariamente s heursticas convencionais (sees 2.2.1 e 2.2.2), as metaheurs-
ticas so de carter geral e tm condies de escapar de timos locais.
As metaheursticas diferenciam-se dos mtodos de busca local tradicionais basi-
camente pelas seguintes caractersticas:
a ) critrio de escolha de uma soluo inicial;
b ) denio da vizinhana N(s) de uma soluo s;
c ) critrio de seleo de uma soluo vizinha dentro de N(s);
d ) critrio de parada;
2.2.4 GRASP (Greedy Randomized Adaptive Search Proce-
dures)
O Procedimento de busca adaptativa gulosa e randomizada (GRASP) um mtodo
iterativo, proposto por Feo e Resende (1995) que consiste de duas fases:
uma fase de construo, na qual uma soluo gerada, elemento a elemento;
uma fase de busca local, na qual um timo local na vizinhana da soluo
construda pesquisado.
A melhor soluo encontrada ao longo de todas iteraes GRASP realizadas
retornada como resultado. O pseudocdigo representado na Figura 2.1 ilustra um
procedimento GRASP.
10
procedimento GRASP(f(.), g(.), N(.), GRASPmax, s)
1 f
;
2 para (Iter = 1, 2, . . . , GRASPmax) faa
3 Construcao(g(.), , s);
4 BuscaLocal(f(.), N(.), s);
5 se (f(s) < f
) ento
6 s
s;
7 f
f(s);
8 m-se;
9 m-para;
10 s s
;
11 Retorne s;
m GRASP
Figura 2.1: Algoritmo GRASP
Na fase de construo, uma soluo iterativamente construda, elemento por
elemento. A cada iterao dessa fase, os prximos elementos candidatos a serem
includos na soluo so colocados em uma lista C de candidatos, seguindo um
critrio de ordenao pr-determinado. Esse processo de seleo baseado em uma
funo adaptativa gulosa g : C ', que estima o benefcio da seleo de cada
um dos elementos. A heurstica adaptativa porque os benefcios associados com
a escolha de cada elemento so atualizados em cada iterao da fase de construo
para reetir as mudanas oriundas da seleo do elemento anterior. A componente
probabilstica do procedimento reside no fato de que cada elemento selecionado de
forma aleatria a partir de um subconjunto restrito formado pelos melhores elemen-
tos que compem a lista de candidatos. Este subconjunto recebe o nome de lista de
candidatos restrita (LCR). Esta tcnica de escolha permite que diferentes solues
sejam geradas em cada iterao GRASP. Seja [0, 1] um dado parmetro. O
pseudocdigo representado pela Figura 2.2 descreve a fase de construo GRASP.
Observamos que o parmetro controla o nvel de gulosidade e aleatoriedade do
procedimento Construcao. Um valor = 0 faz gerar solues puramente gulosas,
enquanto = 1 faz produzir solues totalmente aleatrias.
O parmetro , que determina o tamanho da lista de candidatos restrita, ba-
sicamente o nico parmetro a ser ajustado na implementao de um procedimento
GRASP. Em Feo e Resende (1995) discute-se o efeito do valor de na qualidade da
11
procedimento Construcao(g(.), , s);
1 s ;
2 Inicialize o conjunto C de candidatos;
3 enquanto (C ,= ) faa
4 g(t
min
) = ming(t) [ t C;
5 g(t
max
) = maxg(t) [ t C;
6 LCR = t C [ g(t) g(t
min
) + (g(t
max
) g(t
min
));
7 Selecione, aleatoriamente, um elemento t LCR;
8 s s t;
9 Atualize o conjunto C de candidatos;
10 m-enquanto;
11 Retorne s;
m Construcao;
Figura 2.2: Fase de construo de um algoritmo GRASP
soluo e na diversidade das solues geradas durante a fase de construo. Valores
de que levam a uma lista de candidatos restrita de tamanho muito limitado (ou
seja, valor de prximo da escolha gulosa) implicam em solues nais de qua-
lidade muito prxima quela obtida de forma puramente gulosa, obtidas com um
baixo esforo computacional. Em contrapartida, provocam uma baixa diversidade de
solues construdas. J uma escolha de prxima da seleo puramente aleatria
leva a uma grande diversidade de solues construdas mas, por outro lado, muitas
das solues construdas so de qualidade inferior, tornando mais lento o processo
de busca local.
Assim como em muitas tcnicas determinsticas, as solues geradas pela fase
de construo do GRASP provavelmente no so localmente timas com respeito
denio de vizinhana adotada. Da a importncia da fase de busca local, a qual
objetiva melhorar a soluo construda.
O procedimento GRASP procura, portanto, conjugar bons aspectos dos algorit-
mos puramente gulosos, com aqueles dos procedimentos aleatrios de construo de
solues.
2.2.5 Simulated Annealing
Trata-se de uma tcnica de busca local probabilstica, proposta originalmente por
Kirkpatrick et al. (1983), que se fundamenta em uma analogia com a termodinmica,
12
ao simular o resfriamento de um conjunto de tomos aquecidos (Dowsland, 1993).
Esta tcnica comea sua busca a partir de uma soluo inicial qualquer. O pro-
cedimento principal consiste em um loop que gera aleatoriamente, em cada iterao,
um nico vizinho s
da soluo corrente s.
Chamando de a variao de valor da funo objetivo ao mover-se para uma
soluo vizinha candidata, isto , = f(s
) f(s), o mtodo aceita o movimento,

e a soluo vizinha passa a ser a nova soluo corrente, se < 0. Caso 0
a soluo vizinha candidata tambm poder ser aceita, mas neste caso, com uma
probabilidade e
/T
, onde T um parmetro do mtodo, chamado de temperatura
e que regula a probabilidade de aceitar solues de pior custo.
A temperatura T assume, inicialmente, um valor elevado T
0
. Aps um nmero
xo de iteraes (o qual representa o nmero de iteraes necessrias para o sistema
atingir o equilbrio trmico em uma dada temperatura), a temperatura gradativa-
mente diminuda por uma razo de resfriamento , tal que T
n
T
n1
, sendo
0 < < 1. Com esse procedimento, d-se, no incio uma chance maior para escapar
de mnimos locais e, medida que T aproxima-se de zero, o algoritmo comporta-
se como o mtodo de descida, uma vez que diminui a probabilidade de se aceitar
movimentos de piora
_
T 0 = e
/T
0
_
O procedimento pra quando a temperatura chega a um valor prximo de zero e
nenhuma soluo que piore o valor da funo objetivo mais aceita, isto , quando o
sistema est estvel. A soluo obtida quando o sistema encontra-se nesta situao
evidencia o encontro de um mnimo local.
Os parmetros de controle do procedimento so a razo de resfriamento , o
nmero de iteraes para cada temperatura (SAmax) e a temperatura inicial T
0
.
Apresenta-se, pela Figura 2.3, o algoritmo Simulated Annealing bsico.
Dependendo do processo de resfriamento, pode ser mostrada a convergncia do
mtodo a uma soluo que seja globalmente tima Dowsland (1993). Tal resul-
tado, entretanto, de utilidade prtica restrita, uma vez que implica em tempos
computacionais exponenciais no tamanho do problema. Algoritmos baseados em
SA normalmente incluem reaquecimento, seguido de novo resfriamento, quando a
quantidade de movimentos consecutivamente rejeitada alta Dowsland (1993).
comum, tambm, trabalhar nas temperaturas mais altas com uma taxa de resfria-
13
procedimento SA(f(.), N(.), , SAmax, T
0
, s)
1 s
s; {Melhor soluo obtida at ento}

2 IterT 0; {Nmero de iteraes na temperatura T}
3 T T
0
; {Temperatura corrente}
4 enquanto (T > 0) faa
5 enquanto (IterT < SAmax) faa
6 IterT IterT + 1;
7 Gere um vizinho qualquer s
N(s);
8 = f(s
) f(s);
9 se ( < 0)
10 ento
11 s s
;
12 se (f(s
) < f(s
)) ento s
;
13 seno
14 Tome x [0, 1];
15 se (x < e
/T
) ento s s
;
16 m-se;
17 m-enquanto;
18 T T;
19 IterT 0;
20 m-enquanto;
21 s s
;
22 Retorne s;
m SA;
Figura 2.3: Algoritmo Simulated Annealing
mento menor e aument-la quando a temperatura reduzir-se.
A estimao do nmero mximo de iteraes em uma dada temperatura, isto
, SAmax, normalmente feita em funo das dimenses do problema abordado.
Por exemplo, em um problema de programao de horrios em escolas, envolvendo
n turmas, m professores e p horrios reservados para a realizao das aulas, o valor
de SAmax pode ser estimado em SAmax = k p mn, sendo k uma constante
a determinar (Souza, 2000).
H pelo menos duas prescries para a determinao autoadaptativa da tempe-
ratura inicial. A primeira delas consiste em determinar a temperatura inicial por
simulao. Por esse mecanismo, parte-se de uma soluo s e de uma temperatura
de partida baixa. A seguir, conta-se quantos vizinhos dessa soluo s so aceitos
em SAmax iteraes do mtodo nessa temperatura. Caso esse nmero de vizinhos
aceitos seja elevado, algo como 95% dos vizinhos, ento retorna-se a temperatura
14
corrente como a temperatura inicial para o processo de renamento pelo mtodo.
Caso o nmero de vizinhos aceitos no atinja o valor mnimo requerido, aumenta-se
a temperatura segundo uma certa taxa, por exemplo 10%, e repete-se a contagem
do nmero de vizinhos aceitos naquela temperatura. O procedimento prossegue at
que se obtenha o nmero mnimo de vizinhos aceitos. A temperatura na qual essa
condio ocorre representa a temperatura inicial para o mtodo Simulated Anneal-
ing.
A Figura 2.4 mostra o pseudo-cdigo para determinar a temperatura inicial por
esse mtodo, considerando um problema de minimizao. Nesta gura, a taxa
de aumento da temperatura ( > 1), a taxa mnima de aceitao de solues
vizinhas (por exemplo, = 0.95) e T
0
uma temperatura de partida para o mtodo,
por exemplo, T
0
= 1.
procedimento TemperaturaInicial(f(.), N(.), , , SAmax, T
0
, s)
1 T T
0
; {Temperatura corrente}
2 Continua TRUE;
3 enquanto (Continua) faa
4 Aceitos 0; {Nmero de vizinhos aceitos na temperatura T}
5 para IterT = 1 at SAmax faa
N(s);
7 = f(s
) f(s);
8 se ( < 0)
9 ento
10 Aceitos Aceitos + 1;
11 seno
12 Tome x [0, 1];
13 se (x < e
/T
) ento Aceitos Aceitos + 1;
14 m-se;
15 m-para;
16 se (Aceitos SAmax)
17 ento Continua FALSE;
18 seno T T;
19 m-se;
20 m-enquanto;
21 Retorne T;
m TemperaturaInicial;
Figura 2.4: Determinao autoadaptativa da temperatura inicial
A segunda prescrio para determinar a temperatura inicial consiste em partir
de uma dada soluo e gerar um certo nmero de vizinhos, algo como 1000, por
15
exemplo. Para cada um desses vizinhos, calcular o respectivo custo segundo a funo
de avaliao considerada. A mdia dos custos das solues vizinhas uma estimativa
para a temperatura inicial.
Em teoria, a temperatura nal deve ser zero. Entretanto, conforme Torreo
(2004) na prtica suciente chegar a uma temperatura prxima de zero, devido
preciso limitada da implementao computacional. Um valor tpico tomar T
f
=
0, 001. Alternativamente, pode-se identicar o congelamento do sistema quando a
taxa de aceitao de movimentos cai abaixo de um valor predeterminado.
Observa-se, nalmente, como regra geral, citada em Torreo (2004), que os pa-
rmetros mais adequados para uma dada aplicao do algoritmo s podem ser esta-
belecidos por experimentao.
2.2.6 Busca Tabu
Busca Tabu um procedimento de otimizao local que admite solues de piora
para escapar de timos locais.
Em sua forma original, a cada iterao procura-se um timo local selecionando-se
o melhor vizinho s
da vizinhana N(s) da soluo corrente s. Independentemente de

f(s
) ser melhor ou pior que f(s), s
ser sempre a nova soluo corrente. Entretanto,

apenas esse mecanismo no suciente para escapar de timos locais, uma vez que
pode haver retorno a uma soluo previamente gerada. Para evitar isso, o algoritmo
usa o conceito de lista tabu. Esta lista dene todos os movimentos com um certo
atributo como sendo tabu por um determinado nmero de iteraes, conhecido como
tempo tabu. Tais movimentos so proibidos a menos que a soluo satisfaa a um
certo critrio de aspirao, em geral que essa soluo seja melhor que a melhor
soluo encontrada at ento. Os atributos so escolhidos para prevenir o retorno
a solues visitadas recentemente e so escolhidos por caractersticas que so fceis
para detectar.
O pseudocdigo do algoritmo apresentado pela Figura 2.5. Detalhes adicionais
desse algoritmo podem ser encontrados em Glover e Laguna (1997).
16
procedimento BT(f(.), N(.), A(.), [V [, f
min
, [T[, BTmax, s)
1 s
s; {Melhor soluo obtida at ento}

2 Iter 0; {Contador do nmero de iteraes}
3 MelhorIter 0; {Iterao mais recente que forneceu s
}
4 T ; {Lista Tabu}
5 Inicialize a funo de aspirao A;
6 enquanto (f(s) > f
min
e Iter MelhorIter < BTmax) faa
7 Iter Iter + 1;
8 Seja s
s m o melhor elemento de V N(s) tal que

o movimento m no seja tabu (m , T) ou
s
atenda a condio de aspirao (f(s
) < A(f(s)));
9 T T {movimento mais antigo} + {movimento que gerou s
};
10 Atualize a funo de aspirao A;
11 s s
;
12 se (f(s) < f(s
)) ento
13 s
s;
14 MelhorIter Iter;
15 m-se;
16 m-enquanto;
17 s s
;
18 Retorne s;
m BT;
Figura 2.5: Algoritmo de Busca Tabu
2.2.7 Mtodo de Descida em Vizinhana Varivel
O Mtodo de Descida em Vizinhana Varivel (Variable Neighborhood Descent,
VND), proposto por Mladenovi e Hansen (1997), um mtodo de renamento
que consiste em explorar o espao de solues atravs de trocas sistemticas de es-
truturas de vizinhana, aceitando somente solues de melhora da soluo corrente
e retornando primeira estrutura quando uma soluo melhor encontrada.
O pseudocdigo desse algoritmo, em que se considera o renamento de uma
soluo s utilizando uma funo de avaliao f, a ser minimizada, e um conjun-
to N de r diferentes vizinhanas N = N
(1)
, N
(2)
, , N
(r)
, apresentado pela
Figura 2.6.
Dependendo do problema abordado, a busca pelo melhor vizinho (linha 4 da
Figura 2.6) pode ser cara computacionalmente. Nessa situao comum fazer a
busca pela primeira soluo de melhora. Outra alternativa considerar a explorao
apenas em um certo percentual da vizinhana.
17
procedimento VND(f(.),N(.),r,s)
1 Seja r o nmero de estruturas diferentes de vizinhana;
2 k 1; {Tipo de estrutura de vizinhana corrente}
3 enquanto (k r) faa
4 Encontre o melhor vizinho s
N
(k)
(s);
5 se (f(s
) < f(s))
6 ento
7 s s
;
8 k 1;
9 seno
10 k k + 1;
11 m-se;
12 m-enquanto;
13 Retorne s;
m VND;
Figura 2.6: Algoritmo VND
2.2.8 Mtodo de Pesquisa em Vizinhana Varivel
O Mtodo de Pesquisa em Vizinhana Varivel (Variable Neighborhood Search, VNS),
proposto por Mladenovi e Hansen (1997) um mtodo de busca local que consiste
em explorar o espao de solues atravs de trocas sistemticas de estruturas de vi-
zinhana. Contrariamente outras metaheursticas baseadas em mtodos de busca
local, o mtodo VNS no segue uma trajetria, mas sim explora vizinhanas grada-
tivamente mais distantes da soluo corrente e focaliza a busca em torno de uma
nova soluo se e somente se um movimento de melhora realizado. O mtodo inclui,
tambm, um procedimento de busca local a ser aplicado sobre a soluo corrente.
Esta rotina de busca local tambm pode usar diferentes estruturas de vizinhana.
Na sua verso original, o mtodo VNS faz uso do mtodo VND para fazer a busca
local.
O pseudocdigo do algoritmo apresentado pela Figura 2.7. Detalhes adicionais
desse algoritmo podem ser encontrados em Mladenovi e Hansen (1997); Hansen e
Mladenovi (1999); Hansen e Mlavenovi (2001).
Nesse algoritmo, parte-se de uma soluo inicial qualquer e a cada iterao
seleciona-se aleatoriamente um vizinho s
dentro da vizinhana N
(k)
(s) da soluo
s corrente. Esse vizinho ento submetido a um procedimento de busca local. Se
a soluo tima local, s
, for melhor que a soluo s corrente, a busca continua

18
procedimento VNS()
1 Seja s
0
uma soluo inicial;
2 Seja r o nmero de estruturas diferentes de vizinhana;
3 s s
0
; {Soluo corrente}
4 enquanto (Critrio de parada no for satisfeito) faa
5 k 1; {Tipo de estrutura de vizinhana corrente}
6 enquanto (k r) faa
N
(k)
(s);
8 s
BuscaLocal(s
);
9 se (f(s
) < f(s))
10 ento
11 s s
;
12 k 1;
13 seno
14 k k + 1;
15 m-se;
16 m-enquanto;
17 m-enquanto;
18 Retorne s;
m VNS;
Figura 2.7: Algoritmo VNS
de s
recomeando da primeira estrutura de vizinhana N

(1)
(s). Caso contrrio,
continua-se a busca a partir da prxima estrutura de vizinhana N
(k+1)
(s). Este
procedimento encerrado quando uma condio de parada for atingida, tal como
o tempo mximo permitido de CPU, o nmero mximo de iteraes ou nmero
mximo de iteraes consecutivas entre dois melhoramentos. A soluo s
gerada
aleatoriamente no passo 7 de forma a evitar ciclagem, situao que pode ocorrer se
alguma regra determinstica for usada.
2.2.9 Funo de Avaliao
A nalidade da funo de avaliao determinar se uma soluo melhor ou pior
que outra. Em muitos problemas de otimizao, uma soluo avaliada no so-
mente pela sua qualidade (determinada pela funo objetivo propriamente dita),
mas tambm pela sua viabilidade. O procedimento mais comumente adotado con-
siste em dividir o conjunto de restries/requisitos do problema em dois subconjun-
tos: Um subconjunto dos requisitos essenciais (I) e um subconjunto dos requisitos
no-essenciais (Q). O primeiro engloba aquelas restries e requisitos que, se no
19
satisfeitos, geram solues inviveis. O segundo engloba as restries/requisitos de
qualidade, cuja satisfao apenas desejvel, e desta forma, se no satisfeitos, no
geram solues inviveis. Cada requisito/restrio i do conjunto I avaliado por
uma funo g
i
que mede o nvel de inviabilidade da soluo com relao a esse req-
uisito. Por outro lado, cada requisito j do conjunto Q avaliado por uma funo h
j
que mede o nvel de qualidade da soluo com relao ao requisito.
Desse modo, uma soluo s pode ser medida com base em duas componentes que
devem ser minimizadas, uma de inviabilidade g(s), a qual mede o no atendimento
aos requisitos essenciais, e outra de qualidade h(s), a qual mede o no atendimento
aos requisitos considerados no-essenciais. Portanto, a funo de avaliao f(s)
expressa pela equao (2.10).
f(s) = g(s) + h(s) (2.10)
Cada uma destas componentes composta por diferentes funes, as quais pos-
suem pesos diferenciados, com o intuito de dar maior prioridade aos requisitos con-
siderados mais importantes.
A parcela g(s) mede o nvel de inviabilidade de uma soluo s e avaliada com
base na expresso (2.11).
g(s) =
iI
i
f
i
(s) (2.11)
onde:
I : conjunto de funes que medem a inviabilidade da soluo;
i
: peso associado i-sima funo de inviabilidade;
f
i
(s) : funo que retorna o valor da i-sima medida de inviabilidade.
A parcela h(s) avaliada com base na expresso (2.12) e mensura a qualidade
de uma soluo s.
h(s) =
jQ
j
f
j
(s) (2.12)
onde:
Q : conjunto de funes que medem a qualidade da soluo;
j
: peso associado j-sima funo de qualidade;
20
f
j
(s) : funo que retorna o valor da j-sima medida de qualidade.
Deve ser observado que uma soluo s vivel se e somente se g(s) = 0 e, ainda,
que esta soluo possui maior qualidade quando mais prximo de zero for h(s).
Como as componentes da funo f(s) possuem pesos diferentes para as diversas
medidas, reetindo a importncia relativa de cada uma delas, necessrio tomar
i

j
i, j, de forma a privilegiar eliminaes das solues inviveis.
importante que a funo de avaliao assuma valores inteiros por dois fatores.
Primeiramente, para evitar problemas de instabilidade numrica, os quais ocorrem
pela propagao dos erros de arredondamento, inerentes ao processo. O segundo
fator est relacionado com a signicncia da variao de determinadas componentes
a serem avaliadas, onde pequenas variaes podem ser desprezadas, no provocando
alteraes expressivas na qualidade das solues encontradas.
2.2.9.1 Funo de Penalidade
As medidas de avaliao de determinados requisitos de uma soluo s so expressas
em valores reais. Entretanto, pelos motivos expostos anteriormente, as penalidades
correspondentes a esses requisitos devem assumir valores inteiros. Essa parametriza-
o pode ser implementada pela equao (2.13), a qual tem por objetivo retornar a
penalidade relativa a um dado valor x. Esta penalidade mede o quo distante est
a soluo corrente da meta M e varia em um intervalo [0, ], onde a penalidade
mxima a ser aplicada na componente da funo de avaliao analisada.
fp(x) =
_
[M x[
_
(2.13)
O intervalo de signicncia corresponde ao intervalo em que o valor x pode
variar sem que sua penalidade seja alterada. Desta forma, existem segmentos de
tamanho , distribudos entre a meta M e o valor mximo V .
A Figura 2.8 apresenta o comportamento dessa funo. Nesta gura, a linha
tracejada mostra a penalidade relativa ao valor x, caso fosse considerado um valor
real. A penalidade como valor inteiro representada pela linha contnua, distribuda
pela faixa compreendida entre o valor meta M e o valor mximo V . Observa-se que
x possui penalidade igual a zero se, somente se, seu valor for igual a meta.
21
Valoresdex
P
e
n
a
l
i
d
a
d
e
s
a
0
D M V
Figura 2.8: Comportamento da funo penalidade
2.3 Pesquisa Operacional Aplicada Minerao
Dentre as tcnicas de pesquisa operacional mais utilizadas na minerao pode-se
destacar a programao linear como a mais aplicada aos problemas de planejamento
de produo em minerao, sendo adotada principalmente pelas mineraes a cu
aberto, devido maior complexidade de suas operaes em relao s de minas
subterrneas (Mutmansky, 1979).
Entretanto, com o desenvolvimento e o aumento da velocidade de processamento
dos computadores, os mtodos heursticos vm conquistando cada vez mais espao
na resoluo de problemas de planejamento de produo em minerao. Os mode-
los de programao linear para problemas reais so complexos e demandam muito
tempo para obter a soluo do problema, enquanto os mtodos heursticos possuem
uma maior exibilidade na modelagem das restries e podem gerar solues sat-
isfatrias em tempo computacional vivel. Mutmansky (1979) descreve os modelos
heursticos como sendo comuns em problemas de minerao, mas pouco apresenta-
dos na literatura, devido a sua subjetividade e aplicados a operaes particulares.
Um importante seguimento de aplicao dos mtodos heursticos est relacionado
com o sistema de despacho de caminhes (Ezawa e Silva, 1995; Alvarenga, 1997).
22
Nesta seo so descritas algumas aplicaes dos mtodos de pesquisa operacio-
nal apresentados na seo 2.1 a problemas de planejamento de produo na inds-
tria mineral. Para clareza de entendimento e uma melhor compreenso dos modelos
apresentados neste trabalho, as notaes originais dos autores foram substitudas
por uma comum a todos os autores.
2.3.1 Mistura de Minrios
O problema da mistura de minrios consiste na determinao de quanto minrio
proveniente de um conjunto de frentes ou pilhas deve ser misturado de modo a gerar
um produto nal em conformidade com as exigncias do cliente. Dependendo de sua
origem, o minrio possui caractersticas economicas e de qualidade diferentes, tais
como o custo de lavra, o teor de determinado elemento qumico ou a percentagem
de minrio em determinada granulometria. Torna-se necessrio determinar propor-
cionalmente o ritmo de lavra de cada frente, fazendo com que a mistura do minrio
gere, a um custo mnimo, uma alimentao que atenda as metas de qualidade e
produo requeridas. Entretanto, tais metas podem no ser alcanadas. Assim,
para que o produto seja aceito pelo cliente, os parmetros de controle devem ter
valores pertencentes a um intervalo especicado. Vale lembrar que o termo mistura
de minrios diz respeito determinao desta proporo e no deve ser confundido
com homogeneizao de minrio, processo no qual pretende-se que todo o minrio
misturado possua as mesmas caractersticas. A soluo do problema da mistura
de minrios pode ser obtida atravs de tcnicas de pesquisa operacional, sendo a
programao linear a mais difundida e a de maior sucesso (Gershon, 1982).
Descreve-se, a seguir, trs modelos encontrados na literatura que apresentam
solues para o problema da mistura de minrios.
2.3.1.1 O Modelo de Wilke e Reimer
Mutmansky (1979) apresenta um modelo desenvolvido por Wilke e Reimer (1977)
para planejamento de lavra utilizando a programao linear na resoluo do proble-
ma da mistura de minrios considerando a relao estril/minrio e as capacidades
de produo. Este modelo apresentado pelas equaes (2.14)- (2.23).
23
max
iM
e
i
x
i
+
iE
e
i
x
i
(2.14)
s.a:
iM
(t
ij
tu
j
)x
i
0 j = variavel de controle (2.15)
iM
(t
ij
tl
j
)x
i
0 j = variavel de controle (2.16)
iM
x
i
C
BB
(2.17)
x
i
Qu
i
i F (2.18)
iE
x
i
W (2.19)
iE
x
i
rem
iM
x
i
= 0 (2.20)
iF
x
i
L
i
C
S
(2.21)
iF
x
i
T
i
C
T
(2.22)
x
i
0 i F (2.23)
Neste modelo, M representa o conjunto de blocos de minrio, E o conjunto de
blocos de estril e F o conjunto de blocos formado por ME. A varivel de deciso
que retorna a quantidade a ser lavrada em um bloco i dada por x
i
. A funo
objetivo do problema, equao (2.14), consiste em maximizar a economia e
i
obtida
com a utilizao do material proveniente do bloco i. As restries de qualidade (2.15)
e (2.16) denem que o parmetro de controle j na mistura no deve ser superior ao
limite tu
j
e no ser inferior ao limite tl
j
, dado que cada bloco i possui um teor t
ij
.
A produo limitada pela restrio (2.17), onde a capacidade mxima da pilha a
ser formada por perodo dada por C
BB
. Em cada bloco i no pode ser lavrado
mais do que sua capacidade Qu
i
(restrio (2.18)). A quantidade mnima de estril
a ser lavrada por perodo, denida por W, e a relao estril/minrio (rem) so
contempladas, respectivamente, pelas restries (2.19) e (2.20). O tempo necessrio
para o carregamento de uma tonelada de material do bloco i denominado fator de
carregamento (L
i
) que multiplicado pela quantidade de material lavrado no deve
superar o tempo total de carga disponvel dado por C
S
(restrio (2.21)). O tempo
necessrio para transportar uma tonelada de material do bloco i at o seu destino
24
denominado fator de transporte (T
i
) e multiplicado pela quantidade de material
lavrado no deve ultrapassar o tempo total de transporte disponvel dado por C
T
(restrio (2.22)). A restrio (2.23) dene que as variveis de deciso no podem
assumir valores negativos.
2.3.1.2 O Modelo de Chanda e Dagdelen
Chanda e Dagdelen (1995) apresentam um modelo de programao linear por metas
aplicado resoluo de um problema de mistura de minrios para o planejamento
de curto prazo. Segundo os autores, esta tcnica mais adequada realidade das
mineraes, pois seu objetivo fazer com que a soluo tima seja a mais prxima
possvel das metas de produo e qualidade requeridas. As equaes (2.24)-(2.34)
apresentam a formulao deste modelo.
max
iM
e
i
x
i
jS
j
d
jS
+
j
d
+
j

+
P
+
(2.24)
s.a:
iM
x
i
+ P
P
+
= Pr (2.25)
iM
(t
ij
tr
j
)x
i
+ d
j
d
+
j
= 0 j S (2.26)
iM
x
i
Pu 0 (2.27)
iM
x
i
Pl 0 (2.28)
iM
(t
ij
tu
j
)x
i
0 j S (2.29)
iM
(t
ij
tl
j
)x
i
0 j S (2.30)
x
i
Qu
i
i M (2.31)
x
i
0 i M (2.32)
d
+
j
, d
j
0 j S (2.33)
P
+
, P
0 (2.34)
Nesta formulao do problema da mistura existem dois critrios a serem otimiza-
dos, representados pela equao (2.24): a maximizao da extrao do minrio con-
tido no conjunto de blocos M, onde a cada bloco i associado um valor econmico
25
e
i
e um teor t
ij
para o parmetro de controle j, e a minimizao da soma dos desvios
de produo P
+
e P
e dos desvios de qualidade d

+
j
e d
j
para todos os parmetros
de controle j. Para cada varivel de desvio associado uma penalidade, sendo
+
penalidades por desvios negativo e positivo de produo, respectivamente e
j
e
+
j
as penalidades por desvios negativos e positivos de qualidade do parmetro de
controle j. Os desvios de produo so denidos atravs da restrio (2.25), a qual
tem por objetivo fazer com que o total de minrio extrado seja igual a um valor
meta Pr; no sendo possvel alcanar este valor, so aceitos um desvio positivo P
+
e um desvio negativo P
em relao meta Pr. Desvios positivos d

+
j
e negativos d
j
de qualidade so obtidos na restrio (2.26) onde o teor do parmetro j na mistura
deve apresentar um valor o mais prximo possvel da meta tr
j
. As restries (2.27)
e (2.28) limitam a capacidade de produo pelos limites de produo superior Pu e
inferior Pl. A qualidade do produto nal limitada pelas equaes (2.29) e (2.30).
Tais restries limitam o teor do parmetro j superiormente por tu
j
e inferiormente
por tl
j
. A quantidade de minrio disponvel em cada bloco dada por Qu
i
e no pode
ser ultrapassada (restries (2.31)). As restries (2.32), (2.33) e (2.34) indicam que
estas variveis no podem assumir valores negativos.
2.3.1.3 O Modelo de Pinto et al.
Pinto et al. (2003) apresentam um modelo para o problema da mistura onde opera
um equipamento de carga. Assim, a quantidade de minrio a ser retirada de cada
pilha deve ser mltipla da capacidade da caamba do equipamento de carga. O
modelo apresentado pelas equaes (2.35)-(2.40).
Sejam os seguintes dados de entrada:
M : Conjunto das pilhas de minrio;
S : Conjunto dos parmetros de qualidade analisados no minrio;
t
ij
: Teor do parmetro j na pilha i (%);
tl
j
: Teor mnimo admissvel para o parmetro j no produto nal (%);
tu
j
: Teor mximo admissvel para o parmetro j no produto nal (%);
Qu
i
: Quantidade mxima disponvel na pilha i (t);
Cc : Capacidade da carregadeira (t).
26
Sejam as seguintes variveis de deciso:
x
i
: A quantidade de minrio a ser retirada da pilha i (t);
N
i
: O nmero de caambadas a serem efetuadas na pilha i.
max
iM
x
i
(2.35)
s.a: tl
j

iM
t
ij
x
i
iM
x
i
tu
j
j S (2.36)
x
i
Qu
i
i M (2.37)
x
i
= CcN
i
i M (2.38)
N
i
Z
+
i M (2.39)
x
i
0 i M (2.40)
Neste modelo, o objetivo (equao (2.35)) maximizar a quantidade de minrio
retirada de um conjunto M de pilhas de forma a gerar um produto nal no qual
o valor do j-simo parmetro esteja dentro das especicaes estabelecidas (res-
trio (2.36)). Considera-se, pela restrio (2.37), que a quantidade de minrio
retirada de uma pilha i no deve superar a sua quantidade disponvel Qu
i
e que
esta quantidade seja mltipla da capacidade da caamba Cc do equipamento de car-
ga (restrio (2.38)). A restrio (2.39) determina que o nmero de caambadas a
serem efetuadas em uma pilha i deve ser um valor inteiro positivo e a restrio (2.40)
impede que valores negativos sejam aceitos para x
i
.
Finalmente, observa-se que o conjunto de restries (2.36) no-linear. Assim,
o modelo proposto pelos autores pode conduzir a solues sub-timas, no haven-
do garantia da otimalidade da soluo nal gerada. Tais restries so facilmente
linearizadas, resultando nas restries equivalentes (2.29) e (2.30) apresentadas
pgina 25.
27
2.3.2 Alocao Dinmica de Caminhes
O problema da mistura de minrios com alocao dinmica de caminhes objetiva
determinar o ritmo de lavra de cada frente de acordo com sua capacidade de pro-
duo. A capacidade de produo de cada frente determinada pelos equipamentos
de carga nela alocada e pelos caminhes que realizam o transporte do material at
o ponto de basculamento.
Na alocao dinmica um caminho pode ser alocado a novos pontos de carga e
basculamento de forma a prevenir a formao de las e aumentar a produtividade
da frota. Este aumento de produtividade da frota pode reetir um aumento na ca-
pacidade de produo da mina ou a reduo do nmero de equipamentos necessrios
para manter o mesmo nvel de produo. Para isso importante que o despacho de
caminhes seja eciente.
Descreve-se, a seguir, trs modelos encontrados na literatura que apresentam
solues para o problema de mistura de minrios com alocao dinmica de cami-
nhes.
2.3.2.1 O Modelo de Pinto et al.
Pinto e Merschmann (2001), Merschmann (2002) e Pinto et al. (2003) abordam o
problema de planejamento operacional de lavra utilizando o sistema de alocao
dinmica de caminhes. Este modelo contempla o problema da mistura e a alo-
cao de equipamentos de carga, o atendimento da relao estril/minrio mnima
e considera a alocao dinmica dos caminhes.
O modelo de Pinto e Merschmann (2001) apresentado pelas equaes (2.41) -
(2.47) e utiliza os seguintes dados de entrada:
M : Conjunto de frentes de minrio;
E : Conjunto de frentes de estril;
F : Conjunto de frentes formado por M E;
C : Conjunto de equipamentos de carga;
Pr : Ritmo de lavra recomendado (t/h);
t
ij
: Teor do parmetro j na frente i (%);
28
tl
j
tu
j
rem: Relao estrio/minrio requerida;
Cl
k
: Produo mnima do equipamento de carga k (t/h);
Cu
k
: Produo mxima do equipamento de carga k (t/h).
Dene-se, ainda, as seguintes variveis de deciso:
x
i
: Ritmo de lavra da frente i (t/h);
y
ik
:
_
1 se o equipamento de carga k opera na frente i;
0 caso contrrio.
max
iM
x
i
(2.41)
s.a: tl
j

iM
t
ij
x
i
iM
x
i
tu
j
j S (2.42)
kC
y
ik
1 i F (2.43)
iF
y
ik
1 k C (2.44)
kC
Cl
k
y
ik
x
i

kC
Cu
k
y
ik
i F (2.45)
iM
x
i
Pr (2.46)
iE
x
i
iM
x
i
rem (2.47)
Observa-se nesta formulao que a funo objetivo (2.41) deve ser maximizada
sujeita s restries (2.42), que denem valores mnimos e mximos admissveis para
o parmetro de qualidade j no produto nal. Outras restries que complementam
o modelo esto relacionadas alocao de equipamentos de carga, onde a restrio
(2.43) dene que cada frente possui um nico equipamento de carga, enquanto a
restrio (2.44) dene que cada equipamento de carga opera em uma nica frente.
A restrio (2.45) est relacionada ao ritmo de lavra, mnimo e mximo, imposto
29
pelos equipamentos de carga. A restrio (2.47) diz respeito ao atendimento da
relao estril/minrio.
Observa-se, nalmente, que o modelo proposto pelos autores no linear, tendo
em vista as restries (2.42) e (2.47). Sendo assim, no h garantia de que a soluo
nal produzida seja tima.
2.3.2.2 O Modelo de White et al.
White et al. (1982) apresentam um modelo de programao linear para minimizar o
nmero de caminhes necessrios atravs de restries relacionadas continuidade
do uxo de material pelos pontos de carga e basculamento e s capacidades de
produo dos pontos de carga. Para o modelo descrito pelas equaes (2.48)-(2.51)
sejam os seguintes dados de entrada :
N
P
: Conjunto de rotas viveis;
N
S
: Conjunto de pontos de basculamento;
N
C
: Conjunto de pontos de carga;
N
F
: Conjunto de pontos formado por N
S
N
C
;
E
j
: Conjunto de rotas viveis que chegam no ponto j;
S
j
: Conjunto de rotas viveis que saem do ponto j;
C : Nmero de pontos de carga;
Td
i
: Tempo de deslocamento pela rota i (min);
Tb
j
: Tempo de basculamento no ponto j (min);
R
j
: Taxa de carregamento do ponto j (caminhes/min).
e a seguinte varivel de deciso:
P
ij
: Taxa de caminhes que utilizam a rota i que possui ligao com
um ponto de carga ou basculamento j (caminhes/min).
30
min
iN
P
P
i
Td
i
+
jN
S
iE
j
P
ij
Tb
j
+ C (2.48)
s.a:
iE
j
P
ij

iS
j
P
ij
= 0 j N
F
(2.49)
iS
j
P
ij
R
j
= 0 j N
C
(2.50)
P
ij
0 j N
C
, i N
P
(2.51)
Nesta formulao, a funo objetivo (2.48) visa minimizar a necessidade de cami-
nhes mantendo a produo mxima dos equipamentos de carga (restrio (2.50)).
A restrio (2.49) garante que a taxa total de entrada de caminhes em um ponto
de carga ou basculamento igual taxa total de sada deste ponto. A restrio
(2.51) no permite valores negativos para a taxa de caminhes em uma rota.
2.3.2.3 O Modelo de White e Olson
White e Olson (1986) apresentam um modelo de programao linear para o problema
de alocao dinmica de caminhes em minerao, o qual dividido em duas partes.
Na primeira parte do modelo, restries (2.52)-(2.55), realiza-se uma otimizao do
problema da mistura de minrios tendo como objetivo a minimizao da funo de
custo dada pela equao (2.52), a qual considera o ritmo de lavra, o atendimento s
taxas de alimentao da usina de beneciamento e de qualidade da mistura, alm
do remanuseio de material.
As restries do modelo esto relacionadas s capacidades de produo dos
equipamentos de carga (restrio (2.53)), s taxas de alimentao mnima requeri-
da da usina de beneciamento (restrio (2.54)) e qualidade da mistura (restri-
o (2.55)). A formulao do problema apresentada pelas equaes (2.52)-(2.55)
e considera os seguintes dados de entrada:
N
m
: Conjunto de equipamentos de carga alocados nas frentes de lavra;
N
est
: Conjunto de equipamentos de carga alocados nas pilhas de estoque;
N
F
: Conjunto de pontos de carga formado por N
S
N
C
;
c
m
: Custo de movimentao de material (h/m
3
);
31
c
p
: Custo associado alimentao da usina de beneciamento (h/m
3
);
c
s
: Custo de estocagem de material (h/m
3
);
c
q
: Custo associado qualidade do minrio (h/m
3
);
Pu : Produo mxima admissvel(m
3
/h);
t
ij
: Teor do parmetro j no minrio proveniente da frente ou pilha de
estoque i (%);
tl
j
tu
j
tc
j
: Teor corrente para o parmetro j na pilha de mistura (%);
l
j
: Importncia do parmetro j;
R
i
: Produo mxima do ponto de carga i (m
3
/min);
T
C
: Intervalo de controle (h);
M
C
: Massa de controle (t);
SG : Peso especco (t/m
3
).
x
i
: Ritmo de lavra do ponto de carga i (m
3
/h).
min
iN
m
c
m
x
i
+ c
p
(Pu
iN
F
x
i
) +
iN
est
c
s
x
i
+
iN
F
jS
l
j
c
q
t
ij
x
i
(2.52)
s.a: 0 x
i
R
i
i N
F
(2.53)
Pu
iN
F
x
i
(2.54)
tl
j
tc
j
+
iN
F
(t
ij
tc
j
)x
i
T
C
/(M
C
/SG) tu
j
j S (2.55)
A segunda parte do modelo de White e Olson (1986) semelhante ao modelo de
White et al. (1982), diferenciando-se por utilizar como varivel de deciso o volume
de material transportado por hora, ao invs da taxa de caminhes por hora, que
utilizam uma rota. considerado, ainda, a presena de pilhas de estocagem. Para
este modelo, apresentado pelas equaes (2.56)-(2.61), sejam os seguintes dados de
entrada:
32
N
P
: Conjunto de rotas viveis;
N
S
: Conjunto de pontos de basculamento;
N
m
: Conjunto de equipamentos de carga alocados nas frentes de lavra;
N
est
: Conjunto de equipamentos de carga alocados nos pilhas de estoque;
N
F
: Conjunto de pontos de carga formado por N
S
N
C
;
N
D
: Conjunto de pontos de carga e basculamento formado por N
F
N
S
;
E
j
: Conjunto de rotas viveis que chegam no ponto j;
S
j
: Conjunto de rotas viveis que saem do ponto j;
E : Nmero de pontos de carga;
C
F
: Capacidade da frota (m
3
);
Td
i
: Tempo de deslocamento pela rota i (h);
Tb
j
: Tempo de basculamento no ponto j (h);
R
i
: Taxa de carregamento do ponto i (m
3
/h).
P
ij
: Volume transportado pela rota i que possui ligao com
um ponto de carga ou basculamento j (m
3
/h).
min
iN
P
P
i
Td
i
+
jN
S
iE
j
P
ij
Tb
j
+ EC
F
(2.56)
s.a:
iE
j
P
ij

iS
j
P
ij
= 0 j N
D
(2.57)
iS
j
P
ij
= R
j
j N
m
(2.58)
iS
j
P
ij
R
j
j N
est
(2.59)
iS
j
P
ij
= x
j
j N
F
(2.60)
P
ij
0 j N
D
, i N
P
(2.61)
Nesta formulao, a funo (2.56) tem por objetivo minimizar a necessidade de
transporte de material na mina. A restrio (2.57) est relacionada com a con-
tinuidade do uxo de material atravs dos pontos de carga e basculamento. O ritmo
33
de lavra das frentes de minrio deve ser igual sua taxa de carregamento (restri-
o (2.58)). A restrio (2.59) dene que o ritmo de lavra em pilhas de estocagem
deve ser menor ou igual taxa de carregamento do ponto. A unio desta segunda
parte do modelo de White e Olson (1986) com a primeira realizada atravs da
restrio (2.60), onde dene-se que o uxo de material que sai de um ponto de carga
deve ser igual ao ritmo de lavra determinado na primeira parte do modelo.
2.3.3 Alocao Esttica de Caminhes
O problema de mistura de minrios com alocao esttica de caminhes geralmente
adotado devido simplicao das operaes e ao custo relativo implantao de
um sistema de despacho computadorizado de caminhes.
Na alocao esttica, um caminho alocado a uma nica rota, ou seja, per-
manece se deslocando entre dois pontos xos, um de basculamento e outro de carga,
onde esteja alocado um equipamento de carga compatvel. Desta forma, o ritmo
de lavra de uma frente depender da capacidade de produo dos caminhes e do
equipamento de carga alocado frente.
2.3.3.1 O Modelo de Pinto e Merschmann
Pinto e Merschmann (2001) apresentam um modelo para o problema de alocao
esttica de caminhes em minerao. Este modelo formulado segundo as equa-
es (2.62) - (2.71), sendo considerados os seguintes dados de entrada:
V : Conjunto de caminhes;
t
ij
: Teor do parmetro j na frente i (%);
tl
j
tu
j
34
Cl
k
Cu
k
: Produo mxima do equipamento de carga k (t/h);
g
lk
:
_
1 se o caminho l compatvel com o equipamento de carga k;
0 caso contrrio.
V u
il
: Produtividade do caminho l operando na frente i (t/h).
E, ainda, as seguintes variveis de deciso:
x
i
y
ik
:
_
0 caso contrrio.
z
il
:
_
1 se o caminho l opera na frente i;
0 caso contrrio.
max
iM
x
i
(2.62)
s.a: tl
j

iM
t
ij
x
i
iM
x
i
tu
j
j S (2.63)
kC
y
ik
1 i F (2.64)
iF
y
ik
1 k C (2.65)
iF
z
il
1 l V (2.66)
y
ij
+ z
il
2d
lk
1 i F, k C, l V (2.67)
kC
Cl
k
y
ik
x
i

kC
Cu
k
y
ik
i F (2.68)
x
i

lV
V u
il
z
il
i F (2.69)
iM
x
i
Pr (2.70)
iE
x
i
iM
x
i
rem (2.71)
Esta formulao semelhante apresentada na seo 2.3.2.1, diferenciando-se
desta pelas restries: (2.66), que faz com que um caminho atenda a uma nica
frente; (2.67), que permite que um caminho opere somente em uma frente que
35
possua um equipamento de carga compatvel e (2.69), que limita a produo de uma
frente pela produtividade dos caminhes nela alocados.
Observa-se, nalmente, que o modelo proposto pelos autores no linear, em
vista da no linearidade das restries (2.63) e (2.71). Assim sendo, no h garantia
de que a soluo nal gerada por um otimizador seja tima.
36
Captulo 3
Problemas Abordados
Neste captulo so apresentados os problemas de minerao considerados neste tra-
balho. Para clareza de entendimento, cada problema apresentado de forma inde-
pendente, com repetio de conceitos. A seo 3.1 descreve o problema da mistura de
minrios, o qual subproblema dos problemas de mistura de minrios com alocao
dinmica e esttica de caminhes, apresentados nas sees 3.2 e 3.3, respectiva-
mente.
3.1 Mistura de Minrios por Metas
3.1.1 Descrio do Problema da Mistura
O problema da mistura de minrios por metas (PMM) abordado denido como
a determinao da proporo de minrio proveniente de cada frente de lavra que
dever ser utilizada de forma a gerar um produto nal que atenda s metas de
qualidade e produo estabelecidas.
Cada frente de lavra contm uma determinada quantidade de minrio, com ca-
ractersticas fsicas, qumicas e econmicas diferenciadas, denominadas parmetros
de controle.
Para a lavra do minrio so utilizadas ps-carregadeiras, as quais possuem caam-
bas com capacidades de carga diferentes. Assim, a quantidade de minrio a ser
utilizada de cada frente de lavra depender da capacidade da caamba e do nmero
de caambadas efetuadas pelas ps-carregadeiras.
O produto nal formado dever conter uma determinada quantidade de minrio,
denominada meta de produo. Essa meta pode variar entre um valor mnimo
37
e um mximo especicados. O produto nal dever, ainda, atender s metas de
qualidade especicadas para cada parmetro de controle, podendo variar entre um
limite mnimo e mximo.
Para a modelagem do problema foram adotadas duas metodologias de pesquisa
operacional. A primeira, descrita na seo 3.1.2, utiliza-se da programao matemti-
ca para a obteno de uma soluo exata. A segunda metodologia, apresentada na
seo 3.1.3, baseia-se em tcnicas heursticas para encontrar solues aproximadas
do problema.
3.1.2 Modelagem Exata do Problema da Mistura de Minrios
Para a modelagem exata do PMM ser utilizada a tcnica de pesquisa operacional
conhecida como programao por metas (Goal Programming).
Para esse modelo, apresentado atravs das equaes (3.1) - (3.14), sejam os
seguintes dados de entrada:
S : Conjunto dos parmetros de controle analisados no produto nal;
t
ij
: Valor do parmetro de controle j na frente de minrio i (%);
tr
j
: Valor requerido para o parmetro de controle j no produto nal (%);
tl
j
: Valor mnimo admissvel para o parmetro de controle j no produto nal (%);
tu
j
: Valor mximo admissvel para o parmetro de controle j no produto nal (%);
Pr : Meta de produo (t);
Pl : Quantidade mnima a ser produzida (t);
Pu : Quantidade mxima a ser produzida (t);
j
: Penalidade por desvio negativo para o parmetro de controle j no produto nal;
+
j
: Penalidade por desvio positivo para o parmetro de controle j no produto nal;
: Penalidade por desvio negativo da produo;
+
: Penalidade por desvio positivo da produo;
Ql
i
: Quantidade mnima a ser utilizada da frente i (t);
Qu
i
: Quantidade mxima a ser utilizada da frente i (t);
Cc
i
: Capacidade da caamba da carregadeira alocada frente i (t).
Considerando as seguintes variveis de deciso:
38
x
i
: Quantidade de minrio a ser utilizada da frente i (t);
N
i
: O nmero de caambadas a serem efetuadas na frente i;
d
j
: Desvio negativo do parmetro de controle j no produto nal;
d
+
j
: Desvio positivo do parmetro de controle j no produto nal;
P
: Desvio negativo da produo requerida (t);

P
+
j
: Desvio positivo da produo requerida (t).
tem-se pelas equaes (3.1) - (3.14) o modelo de programao por metas relativo ao
problema da mistura de minrios.
min
jS
j
d
j
+
jS
+
j
d
+
j
+
+
+
P
+
(3.1)
s.a:
iM
(t
ij
tu
j
)x
i
0 j S (3.2)
iM
(t
ij
tl
j
)x
i
0 j S (3.3)
iM
(t
ij
tr
j
)x
i
+ d
j
d
+
j
= 0 j S (3.4)
iM
x
i
Pu 0 (3.5)
iM
x
i
Pl 0 (3.6)
iM
x
i
Pr + P
P
+
= 0 (3.7)
x
i
Qu
i
0 i M (3.8)
x
i
Ql
i
0 i M (3.9)
x
i
= Cc
i
N
i
i M (3.10)
N
i
Z
+
i M (3.11)
x
i
0 i M (3.12)
d
+
j
, d
j
0 j S (3.13)
P
+
, P
0 (3.14)
Neste modelo observam-se as restries clssicas do problema de mistura. As
restries (3.2) e (3.3) denem limites mximos e mnimos para os parmetros de
controle, enquanto as restries (3.5) e (3.6) limitam a quantidade mxima e a
39
mnima de minrio no produto nal. As restries (3.8) e (3.9) denem as quan-
tidades mximas e mnimas a serem utilizadas de cada frente de lavra. A restri-
o (3.10) dene que a quantidade de minrio utilizada de uma frente de lavra
obtida multiplicando-se a capacidade da caamba da p-carregadeira pelo nmero
de caambadas. A restrio (3.11) determina que o nmero de caambadas a serem
efetuadas em uma frente de lavra deve ser um valor inteiro positivo.
As restries (3.4) e (3.7), propostas por Chanda e Dagdelen (1995) e desen-
volvidas a partir do mtodo de programao por metas (goal programming), visam
medir os desvios de qualidade e produo, respectivamente, em relao aos valores
requeridos. As restries (3.12), (3.13) e (3.14) impedem que valores negativos se-
jam aceitos para as variveis de deciso. Com a incluso das restries (3.4) e (3.7),
a funo com o nico objetivo de maximizar a produo de minrio utilizada em
Pinto et al. (2003), foi alterada para a funo multiobjetivo (3.1), onde deseja-se
minimizar os desvios de produo e qualidade em relao aos valores requeridos.
3.1.3 Modelagem Heurstica do Problema da Mistura
Para a modelagem heurstica do Problema da Mistura de Minrios so descritos a
representao de uma soluo do problema, a estrutura de vizinhana desenvolvida,
a forma de avaliar a soluo e as tcnicas heursticas utilizadas para explorar o
espao de solues do problema.
3.1.3.1 Representao de uma Soluo
Uma soluo s para o PMM representada por um vetor A = (a
1
a
i
a
m
)
t
,
onde cada clula a
i
representa o nmero de caambadas a serem efetuadas em uma
frente de lavra i. Esta representao foi adotada por ser de simples implementao
e denir movimentos naturais. Outra vantagem que ela permite um rpido le-
vantamento das caractersticas a serem avaliadas em uma soluo. A Figura 3.1
exemplica uma soluo correspondente representao adotada.
F
1
F
2
F
3
. . . F
m
0 10 8 . . . 5
Figura 3.1: Representao de uma soluo do PMM
40
Nesta gura, F
1
, F
2
, , F
m
representam as frentes de lavra. Observa-se que a
clula a
1
possui o valor 0, ou seja, nenhum minrio proveniente da frente F
1
ser
utilizado no produto nal. J a clula a
3
apresenta o valor 8, representando que
sero necessrias oito caambadas da frente F
3
no produto nal.
3.1.3.2 Gerao de uma Soluo Inicial
Uma soluo inicial para o PMM gerada de forma aleatria, conforme se descreve
a seguir. Para cada frente i atribudo clula a
i
um valor aleatrio compreendido
entre o nmero mnimo e o nmero mximo de caambadas permitidas para serem
retiradas da frente.
Observa-se, dessa forma, que podem ser geradas solues iniciais inviveis para
o problema no que diz respeito ao atendimento dos limites de especicao dos
parmetros de controle.
3.1.3.3 Avaliao de uma Soluo
Uma soluo s avaliada por uma funo f(s) que leva em considerao a produo
e a qualidade do produto nal. Essa avaliao leva em considerao o seguinte
conjunto de requisitos essenciais e no-essenciais a serem atendidos:
i ) Requisitos essenciais: so aqueles que se no forem satisfeitos, geraro solues
inviveis, a saber:
(a) Quantidade de minrio no produto nal no satisfaz os limites de produo
especicados;
(b) Parmetros de controle no produto nal extrapolam os limites de quali-
dade especicados.
ii ) Requisitos no-essenciais: so aqueles cujo atendimento desejvel, porm,
quando no satisfeitos, no geram programaes inviveis, no caso:
(a) Quantidade de minrio no produto nal no atende meta de produo;
(b) Parmetros de controle no produto nal no atendem s metas de quali-
dade.
41
Deste modo, a avaliao do PMM realizada por duas componentes, sendo que
a primeira avalia a produo e a segunda a qualidade do minrio. Mais especica-
mente, uma soluo s avaliada pela frmula (3.15).
f(s) = f
p
(s) +
jS
f
q
j
(s) (3.15)
onde:
f
p
(s) : Funo que avalia s quanto produo;
f
q
j
(s) : Funo que avalia s quanto qualidade do j-simo parmetro de controle.
Detalha-se, a seguir, cada uma dessas funes de avaliao.
Produo de Minrio
A produo de minrio de uma soluo s avaliada segundo a equao (3.16).
f
p
(s) =
p
_
[Pr P[
p
_
(3.16)
onde:
P : Produo de minrio (t);
Pr : Meta de produo de minrio (t);
p
: Peso associado avaliao da produo;
p
: Intervalo de signicncia para a produo.
O valor da produo de minrio P obtido pelo somatrio da produo de
cada frente i, que corresponde ao nmero de caambadas a serem realizadas N
i
multiplicado pela capacidade da caamba Cc
i
, conforme equao (3.17).
P =
iM
N
i
Cc
i
(3.17)
De acordo com o valor de P so aplicados diferentes valores de
p
na funo de
avaliao da produo de minrio. No caso, duas situaes so possveis:
42
p
=
_

p
se P < Pr
p+
se P Pr
O intervalo
p
utilizado para uma produo de minrio inferior meta, en-
quanto o intervalo
p+
aplica-se a uma produo de minrio igual ou superior
meta.
Ainda, conforme o valor de P, associado um peso
p
componente de avaliao
de produo, conforme as seguintes situaes:
p
=
_
p
se P < Pl
p
se Pl P < Pr
p+
se Pr P Pu
p+
se P > Pu
Os pesos
p
e
p+
so utilizados para dar maior importncia aos requisitos
essenciais. O peso
p
utilizado se a produo de minrio estiver abaixo do limite
inferior de produo especicado, j o peso
p+
utilizado caso a produo seja
maior que o limite superior. Os pesos
p
e
p+
referem-se aos requisitos no-
essenciais, sendo aplicados, respectivamente, uma produo de minrio dentro dos
limites de viabilidade, mas abaixo ou acima da meta de produo.
Qualidade da Mistura
A qualidade da mistura depende da proporo de minrio retirado de cada frente
e dos parmetros de controle a serem analisados na mistura. Desta forma, cada um
dos parmetros de controle j avaliado pela equao (3.18).
f
q
j
(s) =
q
j

_
[tr
j
t
j
[
q
j
_
j S (3.18)
onde:
t
j
: Valor encontrado para o parmetro j (%);
tr
j
: Meta de qualidade para o parmetro j (%);
q
j
: Peso associado avaliao da qualidade do parmetro j;
q
j
: Intervalo de signicncia para a qualidade do parmetro j.
43
Cada frente i possui um valor t
ij
para o parmetro de controle j. Pode-se calcular
o valor total t
j
do parmetro de controle j contido na mistura atravs da mdia
ponderada entre t
ij
e a produo de cada frente i, apresentada na equao (3.19).
t
j
=
iM
t
ij
x
i
iM
x
i
j S (3.19)
onde:
x
i
= N
i
Cc
i
De acordo com o valor de t
j
so aplicados diferentes valores de
q
j
na funo de
avaliao da qualidade do minrio, a saber:
q
j
=
_

q
j
se t
j
< tr
j
q+
j
se t
j
tr
j
j S
O intervalo
q
j
utilizado para um valor encontrado t
j
para o parmetro j infe-
rior meta especicada, enquanto o intervalo
q
j
aplica-se a um valor encontrado
igual ou superior meta.
Ainda, conforme o valor encontrado t
j
, associado um peso
q
j
componente de
avaliao da qualidade do parmetro de controle j, conforme as seguintes situaes:
q
j
=
_
q
j
se t
j
< tl
j
q
j
se tl
j
t
j
< tr
j
q+
j
se tr
j
t
j
tu
j
q+
j
se t
j
> tu
j
j S
Quando
q
j
assume os valores
q
j
e
q+
j
signica que se trata dos requisitos
essenciais relativos qualidade da mistura. O peso
q
j
utilizado se a qualidade da
mistura encontrar-se abaixo do limite inferior de produo especicado tl
j
, enquanto
o peso
q+
j
utilizado caso a qualidade da mistura para o parmetro de controle j
seja maior que o limite superior tu
j
. Os pesos
q
j
e
q+
j
referem-se aos requisitos
no-essenciais, sendo aplicados, respectivamente, uma qualidade da mistura que
esteja abaixo ou acima da meta de produo e dentro dos limites de viabilidade.
3.1.3.4 Movimento e Estrutura de Vizinhana
No PMM, um vizinho s
de uma soluo s encontrado aplicando-se trs tipos de

movimentos, os quais consistem em alterar uma clula a
i
, ou seja, o nmero de
44
caambadas a serem utilizadas de uma frente i, respeitando-se os limites mximo e
mnimo estabelecidos para a frente.
No primeiro movimento, o nmero de caambadas a serem utilizadas de uma
frente alterado em uma unidade, para mais ou para menos.
O segundo movimento semelhante ao primeiro diferenciando-se por alterar em
duas unidades o nmero de caambadas a serem utilizadas de uma frente i.
O terceiro movimento consiste em realocar uma caambada da frente i para uma
outra frente j.
Esses movimentos denem, respectivamente, trs diferentes estruturas de vizi-
nhana, a saber: N
M1
(s), N
M2
(s) e ,N
MR
(s) as quais so apresentadas em detalhe
a seguir.
Movimento Uma Caambada
O movimento uma caambada dene a estrutura de vizinhana denominada
N
M1
(s) e consiste em gerar um vizinho s
para o qual o nmero de caambadas

usadas de uma dada frente alterado em uma unidade. Testa-se o acrscimo, bem
como o decrscimo de uma caambada em uma frente, retornando-se como vizinho
a alterao que produzir o melhor valor para a funo de avaliao.
Na Figura 3.2 apresentado o movimento de acrscimo de uma caambada na
frente F
3
, ou seja, a frente F
3
que contribuiria com oito caambadas passa a con-
tribuir com nove caambadas para o produto nal.
F
1
F
2
F
3
F
4
F
1
F
2
F
3
F
4
0 10 8 5 0 10 9 5

Figura 3.2: Movimento acrscimo de uma caambada
J a Figura 3.3 ilustra o decrscimo de uma caambada na frente F
3
, ou seja,
das oito caambadas que seriam retiradas da frente F
3
na soluo corrente, apenas
sete caambadas seriam retiradas dessa frente na nova soluo aps o movimento.
45
F
1
F
2
F
3
F
4
F
1
F
2
F
3
F
4
0 10 8 5 0 10 7 5

Figura 3.3: Movimento decrscimo de uma caambada
Movimento Duas Caambadas
O movimento duas caambadas dene uma estrutura de vizinhana denomi-
nada N
M2
(s). Tal como no movimento anterior, um vizinho s
gerado a partir da
soluo s por um movimento duas caambadas aquele para o qual o valor da
funo de avaliao o melhor dentre as alternativas de acrescer ou decrescer duas
caambadas em uma frente.
Na Figura 3.4 apresentado o movimento de acrscimo de duas caambadas na
frente F
3
, ou seja, na nova soluo so retiradas nove caambadas desta frente, ao
invs das sete caambadas da soluo anterior.
F
1
F
2
F
3
F
4
F
1
F
2
F
3
F
4
0 10 7 5 0 10 9 5

Figura 3.4: Movimento acrscimo de duas caambadas
J a Figura 3.5 apresenta o decrscimo de duas caambadas na frente F
3
, ou
seja, a frente F
3
que contribuiria com sete caambadas passa a contribuir com cinco
caambadas para o produto nal.
F
1
F
2
F
3
F
4
F
1
F
2
F
3
F
4
0 10 7 5 0 10 5 5

Figura 3.5: Movimento decrscimo de duas caambadas
Movimento Realocar Caambada
O movimento realocar caambada dene uma estrutura de vizinhana denomi-
nada N
MR
(s), sendo ilustrado na Figura 3.6.
Nesta gura apresentado o movimento de realocao de uma caambada en-
tre as frentes F
2
e F
4
. A frente F
2
que contribuiria com dez caambadas passa a
46
contribuir com nove e a frente F
4
que contribuia com cinco caambadas passa a
contribuir com seis caambadas para o produto nal.
F
1
F
2
F
3
F
4
F
1
F
2
F
3
F
4
0 10 7 5 0 9 7 6

Figura 3.6: Movimento de realocao de uma caambada
3.1.3.5 Simulated Annealing aplicado ao PMM
O mtodo Simulated Annealing, SA, desenvolvido para o PMM, o algoritmo bsico
descrito na Figura 2.3, pgina 14, utilizando a vizinhana N
M1
(s) que usa o movi-
mento uma caambada descrito na seo 3.1.3.4, pgina 44, e a funo de avaliao
descrita na seo 3.1.3.3, pgina 41.
O nmero mximo de iteraes em uma dada temperatura, SAmax, calculado
com base no nmero de frentes e o nmero de parmetros de controle atravs da
equao (3.20).
SAmax = k [S[ [M[ (3.20)
onde k um parmetro do mtodo a ser determinado empiricamente, [S[ o nmero
de parmetros de controle e [M[ o nmero de frentes.
A temperatura inicial do mtodo obtida por simulao atravs do procedimento
descrito na Figura 2.4, pgina 15, onde devem ser aceitos 97% dos movimentos. Este
parmetro est em conformidade com a proposio do mtodo, o qual exige que a
temperatura inicial seja elevada de forma que haja no incio do processo uma
mudana signicativa na congurao do sistema.
Foi utilizado como critrio de parada uma temperatura nal inferior 0,01.
3.1.3.6 VND aplicado ao PMM
O mtodo VND desenvolvido para o PMM o algoritmo bsico apresentado na
Figura 2.6, pgina 18, utilizando os trs movimentos descritos na seo 3.1.3.4,
pgina 44, e a funo de avaliao descrita na seo 3.1.3.3, pgina 41.
Para a explorao do espao de solues, foram utilizadas as seguintes estruturas
de vizinhana, nesta ordem:
47
1 ) N
M2
(s), retirar ou acrescentar duas caambadas;
2 ) N
M1
(s), retirar ou acrescentar uma nica caambada;
3 ) N
MR
(s), realocar uma caambada de uma frente para outra.
A ordem de explorao do espao de solues considerada foi aquela que apre-
sentou bons resultados obtidos atravs da realizao de uma bateria preliminar de
testes.
3.1.3.7 VNS aplicado ao PMM
O mtodo VNS desenvolvido para o PMM o algoritmo bsico apresentado na
Figura 2.7, pgina 19, utilizando os trs movimentos descritos na seo 3.1.3.4,
pgina 44. Tal como na verso original do mtodo VNS, a busca local realizada
pelo mtodo VND, no caso aquele desenvolvido na seo 3.1.3.6, pgina 47. A
avaliao de uma soluo feita pela funo descrita na seo 3.1.3.3, pgina 41.
De modo a permitir a explorao do espao de solues, as estruturas de vizi-
nhana foram hierarquizados da seguinte forma:
1 ) N
M2
(s), retirar ou acrescentar duas caambadas;
2 ) N
M1
(s), retirar ou acrescentar uma caambada;
3 ) N
MR
(s), realocar uma caambada de uma frente para outra.
A hierarquizao das estruturas de vizinhana para a explorao do espao de
solues considerada foi aquela que apresentou melhores resultados em uma bateria
preliminar de testes.
Foi utilizado como critrio de parada a situao em que no era mais possvel
melhorar a soluo corrente em nenhuma das trs estruturas de vizinhana.
3.1.3.8 SA+VND aplicado ao PMM
O mtodo SA+VND utiliza inicialmente o mtodo SA descrito na seo 3.1.3.5,
aplicando-se soluo nal gerada uma busca local pelo mtodo VND, apresentado
na seo 3.1.3.6. O objetivo desta hibridizao alcanar solues melhores que as
geradas apenas com a aplicao do SA, uma vez que este mtodo utiliza somente
48
uma estrutura de vizinhana, sendo, portanto, mope na explorao do espao de
solues.
3.2 Alocao Dinmica de Caminhes
3.2.1 Descrio do Problema de Alocao Dinmica de Ca-
minhes
No problema da mistura de minrios com alocao dinmica de caminhes (PADC)
o objetivo fornecer usina de beneciamento uma alimentao que satisfaa as
especicaes exigidas pelo cliente, lavrando minrio proveniente de diversas frentes.
Cada frente de minrio contm uma determinada quantidade de minrio, com ca-
ractersticas fsicas, qumicas e econmicas diferenciadas, denominadas parmetros
de controle. Deste modo necessrio selecionar as frentes a serem lavradas e seus
ritmos de lavra, os quais devem ser determinados proporcionalmente. Este objeti-
vo semelhante ao do PMM, entretanto outras restries e exigncias devem ser
consideradas.
Uma exigncia est relacionada ao atendimento de uma relao estril/minrio
mnima requerida pela mina, de modo a viabilizar a abertura de novas frentes e a
realizao de obras de infraestrutura.
As demais restries esto ligadas frota de equipamentos de carga e transporte
e restringem a capacidade de produo das frentes. Para a operao de lavra de
minrio e estril, a mina conta com uma frota limitada de equipamentos de carga,
os quais devem ser alocados s frentes de lavra e operarem em uma faixa de produ-
tividade que torne vivel sua utilizao. O transporte do material retirado da frente
de lavra realizado por uma frota de caminhes com capacidade de carga diferentes.
Esses caminhes so alocados s frentes de lavra dinamicamente, tentando-se evitar
a formao de las, ou seja, o caminho alocado a um ponto de carga ou bascu-
lamento que proporcione o menor tempo de la possvel. Entretanto, um caminho
somente pode ser direcionado uma frente que possua um equipamento de carga
compatvel.
49
do problema.
3.2.2 Modelagem Exata do Problema de Alocao Dinmica
de Caminhes
Para a modelagem exata do problema, tal como no problema anterior, ser utilizada
a tcnica de pesquisa operacional conhecida como programao por metas (Goal
Programming).
Para o modelo de alocao dinmica de caminhes, apresentado pelas equaes
(3.21)-(3.42), sejam os seguintes dados de entrada:
V : Conjunto de equipamentos de transporte;
Pl : Ritmo de lavra mnimo (t/h);
Pu : Ritmo de lavra mximo (t/h);
+
t
ij
: Valor do parmetro j na frente i (%);
tr
j
: Valor recomendado para o parmetro j na mistura (%);
tl
j
: Valor mnimo admissvel para o parmetro j na mistura (%);
tu
j
: Valor mximo admissvel para o parmetro j na mistura (%);
j
: Penalidade por desvio negativo para o parmetro j na mistura;
+
j
: Penalidade por desvio positivo para o parmetro j na mistura;
Ql
i
: Ritmo de lavra mnimo para a frente i (t/h);
Qu
i
: Ritmo de lavra mximo para a frente i (t/h);
Cl
k
Cu
k
50
cap
l
: Capacidade do caminho l (t);
T
il
: Tempo total de ciclo do caminho l na frente i (min).
g
lk
:
_
1 se o caminho l compatvel com o equipamento de carga k;
0 caso contrrio.
e as seguintes variveis de deciso:
x
i
y
ik
:
_
0 caso contrrio.
n
il
: Nmero de viagens que um caminho l realiza na frente i em uma hora;
d
j
: Desvio negativo do parmetro j na mistura (t/h);
d
+
j
: Desvio positivo do parmetro j na mistura (t/h);
P
: Desvio negativo do ritmo de lavra em relao ao recomendado (t/h);

P
+
: Desvio positivo do ritmo de lavra em relao ao recomendado (t/h).
O modelo de programao matemtica relativo alocao dinmica de uma frota
heterognea de caminhes e equipamentos de carga, levando-se em considerao
metas de produo e qualidade de minrio, apresentado pelas equaes (3.21)-
(3.42).
min
jS
j
d
j
+
jS
+
j
d
+
j
+
+
+
P
+
(3.21)
s.a:
iM
(t
ij
tu
j
)x
i
0 j S (3.22)
iM
(t
ij
tl
j
)x
i
0 j S (3.23)
iM
(t
ij
tr
j
)x
i
+ d
j
d
+
j
= 0 j S (3.24)
iM
x
i
Pu 0 (3.25)
iM
x
i
Pl 0 (3.26)
iM
x
i
Pr + P
P
+
= 0 (3.27)
x
i
Qu
i
0 i F (3.28)
x
i
Ql
i
0 i F (3.29)
51
x
i
0 i F (3.30)
d
+
j
, d
j
0 j S (3.31)
P
+
, P
0 (3.32)
iE
x
i
rem
iM
x
i
0 (3.33)
kC
y
ik
1 i F (3.34)
iF
y
ik
1 k C (3.35)
y
ik
0, 1 i F, k C (3.36)
x
i
kC
Cu
k
y
ik
0 i F (3.37)
x
i
kC
Cl
k
y
ik
0 i F (3.38)
n
il
T
il
60
kC
y
ik
0 i F, l V, g
lk
,= 0 (3.39)
iF
n
il
T
il
60 0 l V (3.40)
x
i
lV
n
il
cap
l
= 0 i F (3.41)
n
il
Z
+
i F, l V (3.42)
Observa-se que (3.22)-(3.32) so restries que juntamente com a funo objetivo
(3.21) formam o modelo de mistura de minrios com metas apresentado na seo
3.1.2. A restrio (3.33) diz respeito ao atendimento da relao estril/minrio
mnima requerida. As demais restries que complementam o modelo podem ser
divididas em dois grupos. O primeiro diz respeito alocao de equipamentos de
carga e a faixa de produtividade que torne vivel a utilizao desses equipamentos.
A restrio (3.34) dene que cada frente possui um nico equipamento de carga,
enquanto que a restrio (3.35) dene que cada equipamento de carga opera em
uma nica frente. A restrio (3.36) dene se um equipamento de carga deve ou
no ser alocado a uma determinada frente de lavra. As restries (3.37) e (3.38)
limitam, respectivamente, o ritmo de lavra mximo e mnimo.
O segundo grupo de restries est relacionado ao transporte de material na
mina e a alocao dos caminhes. A restrio (3.39) faz com que um caminho
somente realize viagens uma frente onde esteja alocado um equipamento de carga
52
compatvel. A restrio (3.40) dene que um caminho opere no mximo sessenta
minutos. A restrio (3.41) faz com que o ritmo de lavra de uma frente seja igual
produo realizada pelos caminhes alocados frente. A restrio (3.42) determina
que o nmero de viagens que um caminho faz uma frente um valor inteiro
positivo.
3.2.3 Modelagem Heurstica do Problema de Alocao Din-
mica de Caminhes
Descreve-se, a seguir, a representao de uma soluo para o problema, os movimen-
tos e as estruturas de vizinhana utilizadas, a funo de avaliao de uma soluo e
as tcnicas heursticas utilizadas para explorar o espao de solues.
Uma soluo do PADC representada por uma matriz Q
F(1+V )
de valores inteiros.
Esta representao dene tipos simples e naturais de movimentos, tornando mais
fcil o levantamento de algumas caractersticas da funo de avaliao, a qual est
baseada na alocao dos equipamentos de carga e no nmero de viagens realizadas
pelos caminhes. Para clareza de apresentao, a matriz Q
F(1+V )
ser decomposta
em duas submatrizes A e B, isto : Q
F(1+V )
= A
F1
B
FV
. A submatriz A
F1
representa a alocao dos equipamentos de carga ao conjunto F de frentes e os
respectivos status desses equipamentos com relao ao fato de estarem ativos ou
no. A submatriz B
FV
representa o nmero de viagens que sero realizadas pelos
caminhes s frentes.
A Figura 3.7 exemplica uma soluo para uma instncia do problema. Nesta
matriz soluo, as linhas representam as frentes de lavra disponveis F, a coluna
Carga representa a alocao dos equipamentos de carga s frentes de lavra e as
demais colunas representam o nmero de viagens que sero realizadas pelo conjunto
V de caminhes disponveis.
Nesta instncia do problema considerado observa-se, na coluna Carga linha F
1
,
a dupla (Car
4
, 1), indicando que o equipamento de carga Car
4
est alocado frente
F
1
e em operao. Na coluna Carga linha F
3
, a dupla (Car
8
, 0) indica que o
equipamento de carga Car
8
est alocado frente F
3
, mas no est em operao.
53
Carga Cam
1
Cam
2
. . . Cam
V
F
1
(Car
4
,1) 8 X . . . X
F
2
(D,0) 0 0 . . . 0
F
3
(Car
8
,0) 0 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
. . . .
.
.
.
F
F
(Car
5
,1) 0 9 . . . 3
Figura 3.7: Representao de uma soluo
Observa-se, ainda, nesta coluna Carga que na linha F
2
o valor (D, 0) informa que
no existe equipamento de carga alocado frente F
2
e que, portanto, esta frente
est disponvel.
As demais colunas representam o nmero de viagens a serem realizadas por
um caminho uma frente, considerando a compatibilidade entre o caminho e o
equipamento de carga alocado frente. Uma clula com o valor X indica a incom-
patibilidade entre o caminho e o respectivo equipamento de carga. Deste modo,
na coluna Cam
2
, linha F
1
, na qual se encontra o valor X, mostra-se que o caminho
Cam
2
incompatvel com o equipamento de carga Car
4
. Caso um caminho seja
compatvel com o equipamento de carga, o valor retornado o nmero de viagens
a serem realizadas quela frente pelo caminho. Pode-se observar, por exemplo,
que o caminho Cam
1
compatvel com os equipamentos de carga Car
4
e Car
5
;
entretanto, ele realiza oito viagens frente F
1
e nenhuma frente F
F
.
No PADC, uma soluo inicial gerada aleatoriamente, sendo este processo dividido
em duas etapas.
Na primeira etapa os equipamentos de carga disponveis so numerados e a seguir
esses valores so aleatoriamente distribudos na submatriz A, com cada clula re-
cebendo um nico valor no mximo.
Na segunda etapa atribui-se para cada clula b
il
da submatriz B, um valor
aleatrio compreendido entre o nmero mnimo e o mximo de viagens a serem
realizadas pelo caminho l frente i, desde que exista compatibilidade entre o
equipamento de carga alocado frente i e o caminho l.
54
No PADC, a avaliao de uma soluo s realizada por uma funo f(s), que leva
em considerao a produo, a qualidade do produto nal formado com a mistura
do minrio e a alocao e disponibilidade dos equipamentos de carga e transporte
utilizados. Essa avaliao segue um conjunto de requisitos essenciais e no-essenciais
a serem atendidos, que so organizados em:
inviveis, a saber:
(a) Produo da mina excede os limite de especicao;
(b) Parmetros de controle no produto nal extrapolam os limites de especi-
cao de qualidade;
(c) Taxa de utilizao dos caminhes superior ao mximo permitido;
(d) Produo dos equipamentos de carga excede as capacidade de produo
especicadas.
ii ) Requisitos no-essenciais:so aqueles cujo atendimento desejvel, porm, quan-
do no satisfeitos, no geram programaes inviveis, no caso:
(a) Metas de produo da mina no atendidas;
(b) Metas de qualidade dos parmetros de controle no atendidas;
(c) Relao estril/minrio desejada no atendida;
(d) Taxa de utilizao de caminhes diferente da meta de utilizao;
(e) Utilizao do menor nmero possvel de caminhes.
Deste modo, a avaliao do PADC realizada por componentes que avaliam a
produo e a qualidade do minrio, a relao estril/minrio, alm da utilizao dos
equipamentos de carga e transporte. Mais especicamente, uma soluo s do PADC
avaliada pela equao (3.43).
55
f(s) = f
p
(s) +
jS
f
q
j
(s) + f
r
(s) +
lV
f
u
l
(s) +
iF
f
c
i
(s) + f
n
(s) (3.43)
onde:
f
p
f
q
j
(s) : Funo que avalia s quanto qualidade do j-simo parmetro de controle;
f
r
(s) : Funo que avalia s quanto relao estril/minrio;
f
u
l
(s) : Funo que avalia s quanto taxa de utilizao do l-simo caminho;
f
c
i
(s) : Funo que avalia s quanto produo do equipamento de carga alocado
i-sima frente de lavra;
f
n
(s) : Funo que avalia s quanto ao nmero total de caminhes utilizados.
Mostra-se, a seguir, como cada uma dessas componentes da funo f(s) avali-
ada.
Produo de Minrio
f
p
(s) =
p
_
[Pr P[
p
_
(3.44)
onde:
p
p
O valor da produo de minrio P obtida pelo somatrio de todas as viagens re-
alizadas pelos caminhes s frentes de minrio multiplicadas pelas suas capacidades
de carga, conforme equao (3.45).
P =
iM
lV
b
il
cap
l
(3.45)
56
onde:
b
il
: Nmero de viagens que um caminho l faz uma frente i;
cap
l
: Capacidade do caminho l (t).
p
na funo de
p
=
_

p
se P < Pr
p+
se P Pr
O intervalo
p
quanto o intervalo
p+
meta.
p
p
=
_
p
se P < Pl
p
se Pl P < Pr
p+
se Pr P Pu
p+
se P > Pu
Os pesos
p
e
p+
essenciais. O peso
p
p+
utilizado caso a produo seja maior
que o limite superior. Os pesos
p
e
p+
referem-se aos requisitos no-essenciais,
sendo aplicados, respectivamente, uma produo de minrio vivel abaixo ou aci-
ma da meta de produo.
de minrio e dos parmetros de controle a serem analisados na mistura. Desta forma,
cada um dos parmetros de controle j avaliado pela equao (3.46).
f
q
j
(s) =
q
j

_
[tr
j
t
j
[
q
j
_
j S (3.46)
onde:
57
t
j
tr
j
q
j
q
j
Cada frente de minrio i possui um valor t
ij
para o parmetro de controle j.
Pode-se calcular o valor total do parmetro de controle j contido na mistura atravs
da mdia ponderada entre t
ij
e a produo horria de cada frente de minrio x
i
,
apresentada na equao (3.47).
t
j
=
iM
t
ij
x
i
iM
x
i
j S (3.47)
onde:
x
i
=
lV
b
il
cap
l
j
q
j
na funo de
avaliao da qualidade do minrio. Duas situaes so possveis:
q
j
=
_

q
j
se t
j
< tr
j
q+
j
se t
j
tr
j
j S
O intervalo
q
j
utilizado para um valor encontrado para o parmetro j inferior
meta especicada, enquanto o intervalo
q
j
aplica-se a um valor encontrado igual
ou superior meta.
j
, ser associado um peso
q
j
compo-
nente de avaliao da qualidade do parmetro de controle j, conforme as seguintes
situaes:
q
j
=
_
q
j
se t
j
< tl
j
q
j
se tl
j
t
j
< tr
j
q+
j
se tr
j
t
j
tu
j
q+
j
se t
j
> tu
j
j S
Quando
q
j
assume os valores
q
j
e
q+
j
essenciais relativos a qualidade da mistura. O peso
q
j
utilizado se a qualidade
da mistura encontrar-se abaixo do limite inferior de produo especicado tl
j
, j o
peso
q+
j
58
j
. Os pesos
q
j
e
q+
j
no-essenciais, sendo aplicados, respectivamente, uma qualidade da mistura vivel
abaixo ou acima da meta de produo.
Relao Estril/Minrio
A relao estril/minrio mede a proporo de estril lavrado em relao ao
minrio e avaliada pela equao (3.48).
f
r
(s) =
r
_
[remR[
r
_
(3.48)
onde:
R : Relao estril/minrio encontrada;
rem: Relao estril/minrio requerida (meta);
r
: Peso associado avaliao da relao estril/minrio;
r
: Intervalo de signicncia para a relao estril/minrio.
A relao estril/minrio encontrada pela diviso da produo de estril pela
produo de minrio e obtida utilizando-se a equao (3.49), onde x
i
o ritmo de
lavra da frente i.
R =
iE
x
i
iM
x
i
(3.49)
De acordo com o valor de R, so aplicados diferentes valores de
r
na funo de
avaliao da relao estril/minrio. No caso, duas situaes so possveis:
r
=
_

r
se R < rem
r+
se R rem
O intervalo
r
utilizado para uma relao estril/minrio inferior meta,
enquanto o intervalo
r+
aplica-se a uma relao estril/minrio igual ou superior
meta.
Ainda, conforme o valor de R, associado um peso
r
da relao estril/minrio, conforme as seguintes situaes:
59
r
=
_

r
se R < rem
r+
se R rem
Como a relao estril/minrio no apresenta requisitos essenciais a serem avali-
ados, so utilizados somente os pesos
r
e
r+
, os quais referem-se aos requisitos
no-essenciais. A relao estril/minrio penalizada por
r
caso ela seja inferior
requerida e por
r+
caso contrrio.
Utilizao dos Caminhes
Os caminhes so avaliados segundo suas taxas de utilizao e penalizados se-
gundo a equao (3.50).
f
u
l
(s) =
u
l

_
[Ut
l
U
l
[
u
l
_
l V (3.50)
onde:
U
l
: Taxa de utilizao do caminho l (%);
Ut
l
: Taxa de utilizao requerida para o caminho l (%);
u
l
: Peso associado avaliao da taxa de utilizao do caminho l;
u
l
: Intervalo de signicncia para a taxa de utilizao do caminho l.
A utilizao de um caminho l dada pela equao (3.51), a qual retorna o
percentual do tempo em que o caminho efetivamente utilizado em relao uma
hora de operao.
U
l
=
iF
b
il
T
il
60
l V (3.51)
onde:
T
il
: Tempo total de ciclo do caminho l na frente i (min);
b
il
: Nmero de viagens que um caminho l faz uma frente i em uma hora.
De acordo com o valor de U
l
u
l
na funo de
avaliao da utilizao do caminho l. No caso, duas situaes so possveis:
u
l
=
_

u
l
se U
l
< Ut
l
u+
l
se U
l
Ut
l
l V
60
O intervalo
u
l
aplicado para uma utilizao do caminho l inferior requeri-
da, enquanto o intervalo
u+
l
aplica-se a uma utilizao do caminho l igual ou
superior meta.
Ainda, conforme o valor de U
l
, associado um peso
u
l
da utilizao do caminho l, conforme as seguintes situaes:
u
l
=
_
_
_
u
l
se U
l
< Ut
l
u+
l
se Ut
l
U
l
100%
u+
l
se U
l
> 100%
l V
Caso um caminho l seja utilizado a uma taxa acima da mxima permitida,
ou seja, 100%, a funo de penalidade adota o peso
u+
l
. No caso de a taxa de
utilizao do caminho l ser inferior meta, aplica-se o peso
u
l
, enquanto o peso
u+
l
aplicado no caso de essa taxa ser superior ou igual requerida.
Produo dos Equipamentos de Carga
Cada equipamento de carga deve operar em uma faixa de produo que garanta
a sua viabilidade operacional. A produo do equipamento de carga avaliada
segundo o ritmo de lavra da frente qual est alocado. Esta avaliao realizada
pela equao (3.52).
f
c
i
(s) =
c
k

_
[Cu
k
x
i
[
c
k
_
i F (3.52)
onde:
x
i
k : Equipamento de carga que est operando na frente i;
Cu
k
: Produo mxima do equipamento de carga k alocado frente i (t/h);
c
k
: Peso associado avaliao da produo do equipamento de carga k
alocado frente i;
c
k
: Intervalo de signicncia para produo do equipamento de carga k
alocado frente i.
Observa-se que Cu
k
a capacidade mxima de produo do equipamento de
carga alocado i-sima frente e corresponde meta de produo do equipamento.
De acordo com a produo da frente i so aplicados diferentes valores de
c
k
na funo de avaliao da produo do equipamento de carga k. No caso, duas
61
situaes so possveis:
c
k
=
_

c
k
se x
i
Cu
k
c+
k
se x
i
> Cu
k
i F
O intervalo
c
k
utilizado para uma produo do equipamento de carga k
inferior ou igual requerida, enquanto o intervalo
c+
k
aplica-se a uma produo do
equipamento de carga k superior meta, o que torna sua utilizao invivel.
Ainda, conforme o valor de x
i
, associado um peso
c
k
da produo do equipamento de carga k, conforme as seguintes situaes:
c
k
=
_
_
0 se x
i
= 0
c
k
se 0 < x
i
< Cl
k
c+
l
se Cl
k
x
i
Cu
k
c+
k
se x
i
> Cu
k
i F
Quando um equipamento de carga k utilizado fora da faixa onde economica-
mente vivel sua operao, ou seja, abaixo do limite mnimo de produo ou acima
do limite mximo de produo, so associados, respectivamente, os pesos de inviabi-
lidade
c
k
e
c
k
. Caso o ritmo de lavra se encontre entre o limite mnimo e mximo
de produo do equipamento de carga alocado frente, associado funo de
avaliao um peso
c+
l
.
Nmero Total de Caminhes Utilizados
O nmero total de caminhes um requisito no essencial. O ideal que seja
utilizado o menor nmero possvel de caminhes na operao. A equao (3.53)
retorna o nmero total de caminhes em operao. Esta funo retorna um valor
inteiro, no sendo necessrio sua parametrizao, como nas funes anteriores.
f
n
(s) =
n
lV
U
l
| (3.53)
onde:
U
l
n
: Peso associado avaliao do nmero total de caminhes utilizados;
e,
U
l
| =
_
1 se U
l
> 0,
0 caso contrrio.
l V
62
No PADC, dada uma soluo s, para atingir uma soluo s
, onde s
dito vizinho
de s, foram desenvolvidos seis tipos de movimentos: (a) Realocar equipamentos de
carga; (b) Retomar ou parar a operao em uma frente; (c) Acrescentar ou diminuir o
nmero de viagens de um caminho em uma frente; (d) Realocar o nmero de viagens
de um caminho em frentes diferentes; (e) Realocar o nmero de viagens realizadas
em uma frente para caminhes diferentes e (f) Retomar ou parar a operao de um
caminho em uma frente.
Esses movimentos denem, respectivamente, seis diferentes estruturas de vizi-
nhana, a saber: N
CG
(s), N
OF
(s), N
NV
(s), N
V C
(s), N
V F
(s) e N
OC
(s), as quais
so apresentadas em detalhes a seguir.
Movimento Carga
Este tipo de movimento consiste em trocar duas clulas distintas a
i
e a
k
da
matriz A, isto , trocar os equipamentos de carga que operam nas frentes i e k, caso
as duas frentes possuam equipamentos de carga alocados e estejam em operao.
No caso de apenas uma das frentes possuir equipamento de carga em operao e a
outra estiver disponvel, esse movimento consistir em realocar o equipamento de
carga para a frente que estiver disponvel.
A Figura 3.8 ilustra a aplicao desse tipo de movimento. Neste exemplo, as
frentes F
2
e F
4
foram selecionadas e o equipamento de carga Car
4
, anteriormente
alocado frente F
4
, realocado para a frente F
2
, cando a frente F
4
disponvel.
(D,0)
( 1) Car,
1
( 0) Car,
3
( 1) Car,
4
Carga
F1
F2
F3
F4 (D,0)
( 1) Car,
1
( 0) Car,
3
( 1) Car,
4
Carga
F1
F2
F3
F4
Figura 3.8: Movimento de realocao de equipamentos de carga
63
Movimento Operao Frente
O movimento operao frente consiste em alterar o status de uma clula a
i
da matriz A. Deste modo, o movimento atuar em uma frente i que possua um
equipamento de carga alocado, retirando de operao o equipamento de carga que
esteja ativo, isto , deixando a frente i disponvel, ou retornando operao o
equipamento que se encontrar inativo.
As guras 3.9 e 3.10 ilustram a aplicao deste tipo de movimento. Na Figura
3.9, a frente F
1
que antes operava com o equipamento Car
1
, passa a car disponvel,
ou seja, o status de Car
1
passa a ser inativo. J na Figura 3.10, a frente F
3
, antes
disponvel, passa a operar com o equipamento de carga Car
3
, que estava alocado
frente F
3
, mas no se encontrava ativo.
(D,0)
( 1) Car,
1
( 0) Car,
3
( 1) Car,
4
(D,0)
( 1) Car,
4
Carga
F1
F2
F3
F4
( 0) Car,
1
( 0) Car,
3
Carga
F1
F2
F3
F4
Figura 3.9: Movimento parar operao de uma frente
(D,0)
( 1) Car,
1
( 0) Car,
3
( 1) Car,
4
(D,0)
( 1) Car,
4
Carga
F1
F2
F3
F4
( 1) Car,
1
( 1) Car,
3
Carga
F1
F2
F3
F4
Figura 3.10: Movimento retomar operao de uma frente
Movimento Nmero de Viagens
No movimento nmero de viagens, uma clula b
ij
da matriz B selecionada e
seu valor acrescido ou decrescido de uma viagem, executando-se a alternativa que
produz o melhor valor para a funo de avaliao. Portanto, esse movimento consiste
em aumentar ou diminuir em uma viagem o nmero de viagens de um caminho i
em uma frente j onde esteja operando um equipamento de carga compatvel.
A Figura 3.11 ilustra o movimento de diminuio do nmero de viagens a serem
realizadas pelo caminho Cam
2
na frente F
1
de 6 para 5 viagens.
Na Figura 3.12 o movimento aumenta o nmero de viagens a serem realizadas
pelo caminho Cam
3
na frente F
4
, alterando o nmero de viagens de 3 para 4.
64
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)5X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
-1
Figura 3.11: Movimento de decrscimo no nmero de viagens
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)7X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
+1
Figura 3.12: Movimento de acrscimo no nmero de viagens
Movimento Realocar Viagem de um Caminho
No movimento realocar viagem de um caminho, uma viagem anteriormente
alocada uma clula b
ij
, realocada para uma clula b
kj
, ambas pertencentes
matriz B. Assim, nesse movimento, um caminho j deixa de realizar uma viagem
em uma frente i para realiz-la na frente k.
A Figura 3.13 ilustra este movimento, onde o caminho Cam
2
e as frentes F
1
e
F
4
so selecionados, e uma viagem de F
1
realocada para F
4
.
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)5X Car,
1
( 0)00 Car,
3
( 1)53 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
1
Figura 3.13: Movimento de realocao de viagens de um caminho
Movimento Realocar Viagem de uma Frente
Neste movimento, duas clulas b
ij
e b
ik
da matriz B so selecionadas e uma
viagem de b
ij
realocada para b
ik
. Portanto, esse movimento consiste em realocar
uma viagem de um caminho j para um caminho k que esteja operando em uma
frente i.
65
Este movimento apresentado na Figura 3.14, onde a frente F
4
foi selecionada
e uma viagem do caminho Cam
2
transferida para o caminho Cam
3
.
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)34 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
1
Figura 3.14: Movimento de realocao de viagens de uma frente
Movimento Operao Caminho
O movimento operao caminho consiste em selecionar uma clula b
ij
da ma-
triz B e zerar seu contedo. Assim, esse movimento seleciona um caminho j que
esteja operando em uma frente i, ou seja, que realize viagens esta frente e faz com
que ele saia de operao naquela frente.
A Figura 3.15 ilustra este movimento. Na gura, observa-se que o caminho
Cam
2
e a frente F
4
foram selecionados e o nmero de viagens foi zerado, ou seja,
Cam
2
no ir operar em F
4
.
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)03 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
Figura 3.15: Movimento parar operao de um caminho
3.2.3.5 VND aplicado ao PADC
O mtodo VND desenvolvido para o PADC o algoritmo bsico descrito na Figura
2.6, pgina 18, utilizando os seis tipos de movimentos descritos na seo 3.2.3.4,
pgina 63, usando a funo de avaliao descrita na seo 3.2.3.3, pgina 55.
O mtodo explora o espao de solues fazendo buscas locais em cada uma das
seguintes vizinhanas, nesta ordem:
1 ) N
NV
(s), nmero de viagens;
66
2 ) N
OC
(s), operao caminho.
3 ) N
V C
(s), realocar viagem de um caminho;
4 ) N
V F
(s), realocar viagem de uma frente;
5 ) N
CG
(s), carga;
6 ) N
OF
(s), operao frente;
A ordem de explorao do espao de solues foi determinada por testes empricos
realizados em uma bateria preliminar de testes.
3.2.3.6 VNS aplicado ao PADC
O mtodo VNS desenvolvido para o PADC o algoritmo bsico apresentado na
Figura 2.7 utilizando os seis movimentos descritos na seo 3.2.3.4 e tendo o mtodo
VND (seo 66, pgina 66), como mtodo de renamento de uma soluo. Uma
soluo s avaliada segundo a funo de avaliao descrita na seo 3.2.3.3 e as
estruturas de vizinhana para o mtodo VNS foram hierarquizados na seguinte
ordem:
1 ) N
NV
(s), nmero de viagens;
2 ) N
OC
(s), operao caminho.
3 ) N
V F
(s), realocar viagem de uma frente;
4 ) N
V C
(s), realocar viagem de um caminho;
5 ) N
CG
(s), carga;
6 ) N
OF
(s), operao frente;
solues foi obtida atravs da realizao de testes empricos, nos quais se alterou a
ordem das estruturas de vizinhana; e tomou-se aquela que apresentou os melhores
resultados.
Foi utilizado como critrio de parada, linha 4 da Figura 2.7, pgina 19, um tempo
de processamento predeterminado.
67
3.3 Alocao Esttica de Caminhes
3.3.1 Descrio do Problema de Alocao Esttica de Cami-
nhes
No problema da mistura de minrio com alocao esttica de caminhes (PAEC),
assim como no PADC, o objetivo fornecer usina de beneciamento uma alimenta-
o que satisfaa as especicaes exigidas pelo cliente, lavrando minrio proveniente
de diversas frentes. Cada frente de minrio contm uma determinada quantidade de
minrio, com caractersticas fsicas, qumicas e econmicas diferenciadas, denomi-
nadas parmetros de controle. Deste modo necessrio selecionar as frentes a serem
lavradas e seus ritmos de lavra, os quais devem ser determinados proporcionalmente.
Este objetivo tambm semelhante ao do problema da mistura, entretanto restri-
es relacionadas relao estril/minrio e alocao dos equipamentos de carga
e transporte devem ser observadas.
O atendimento relao estril/minrio mnima requerida pela mina deve ser
satisfeita, de modo a viabilizar a abertura de novas frentes e a realizao de obras
de infraestrutura.
Para a operao de lavra de minrio e estril, a mina conta com uma frota
limitada de equipamentos de carga, os quais devem ser alocados s frentes de lavra
e operarem em uma faixa de produtividade que torne vivel sua utilizao.
Neste problema, considera-se que o transporte do material retirado das frentes
de lavra realizado por uma frota de caminhes de diferentes capacidades de carga.
Esses caminhes so alocados s frentes de lavra estaticamente, ou seja, um cami-
nho opera em uma nica rota, realizando viagens entre um ponto de basculamento
e um de carga onde se encontra alocado um equipamento de carga compatvel. Nes-
sas alocaes deve-se observar que o nmero de caminhes a operarem em uma dada
frente deve ser tal que previna a formao de las.
do problema.
68
3.3.2 Modelagem Exata do Problema de Alocao Esttica
de Caminhes
O PAEC possui as restries do PMM e, tambm, as restries de atendimento
da relao estril/minrio e de alocao dos equipamentos de carga do modelo de
alocao dinmica de caminhes apresentado seo 3.3.2, pgina 69, exceo
das restries de produo mxima dos veculos em cada frente (restries (3.39)
e (3.40)), as quais so substitudas por restries ligadas alocao esttica dos
caminhes s frentes de lavra. Para este modelo sejam os seguintes dados de entrada:
Pl : Ritmo de lavra mnimo (t/h);
Pu : Ritmo de lavra mximo (t/h);
+
t
ij
: Valor do parmetro j na frente i (%);
tr
j
: Valor recomendado para o parmetro j na mistura (%);
tl
j
: Valor mnimo admissvel para o parmetro j na mistura (%);
tu
j
: Valor mximo admissvel para o parmetro j na mistura (%);
j
: Penalidade por desvio negativo para o parmetro j na mistura;
+
j
: Penalidade por desvio positivo para o parmetro j na mistura;
Ql
i
: Ritmo de lavra mnimo para a frente i (t/h);
Qu
i
: Ritmo de lavra mximo para a frente i (t/h);
Cl
k
Cu
k
cap
l
: Capacidade do caminho l (t);
Nu
i
: Nmero mximo de viagens que um caminho pode realizar
69
em uma frente i;
u
i
: Nmero mximo de caminhes que podem operar em uma frente i;
T
i
: Tempo total de ciclo mdio para a frente i (min).
Tc
i
: Tempo de carga mdio na frente i (min).
g
lk
:
_
1 se o caminho l compatvel o equipamento de carga k;
0 caso contrrio.
e as seguintes variveis de deciso:
x
i
y
ik
:
_
0 caso contrrio.
z
il
:
_
1 se o caminho l opera na frente i;
0 caso contrrio.
n
il
: Nmero de viagens que um caminho l realiza na frente i em uma hora;
d
j
d
+
j
P

P
+
: Desvio positivo do ritmo de lavra em relao ao recomendado (t/h).
O modelo de programao matemtica relativo alocao esttica de uma frota
heterognea de caminhes e equipamentos de carga, levando-se em considerao
metas de produo e qualidade de minrios, apresentado pelas equaes (3.54)-
(3.78).
min
jS
j
d
j
+
jS
+
j
d
+
j
+
+
+
P
+
(3.54)
s.a:
iM
(t
ij
tu
j
)x
i
0 j S (3.55)
iM
(t
ij
tl
j
)x
i
0 j S (3.56)
iM
(t
ij
tr
j
)x
i
+ d
j
d
+
j
= 0 j S (3.57)
iM
x
i
Pu 0 (3.58)
iM
x
i
Pl 0 (3.59)
iM
x
i
Pr + P
P
+
= 0 (3.60)
70
x
i
Qu
i
0 i F (3.61)
x
i
Ql
i
0 i F (3.62)
x
i
0 i M (3.63)
d
+
j
, d
j
0 j S (3.64)
P
+
, P
0 (3.65)
iE
x
i
Rem
iM
x
i
0 (3.66)
kC
y
ik
1 i F (3.67)
iF
y
ik
1 k C (3.68)
y
ik
0, 1 i F, k C (3.69)
x
i
kC
Cu
k
y
ik
0 i F (3.70)
x
i
kC
Cl
k
y
ik
0 i F (3.71)
iF
z
il
1 0 l V (3.72)
z
il

kC
y
ik
0 i F, l V, g
lk
,= 0 (3.73)
lV
z
il
u
i
0 i F (3.74)
z
il
0, 1 i F, l V (3.75)
n
il
Nu
i
z
il
0 i F, l V (3.76)
x
i
lV
n
il
cap
l
= 0 i F (3.77)
n
il
Z
+
i F, l V (3.78)
O nmero mximo de viagens, por hora, que um caminho l pode realizar na
frente i e o nmero mximo de caminhes por frente so calculados, respectivamente,
pelas equaes 3.79 e 3.80, observando que estes valores so calculados considerando
tempos mdios de carga (Tc
i
) e de ciclo (T
i
).
Nu
i
=
60
T
i
i F (3.79)
u
i
=
T
i
Tc
i
i F (3.80)
71
As restries (3.55)-(3.65), juntamente com a funo objetivo (3.54), formam o
problema da mistura de minrios com metas de produo e qualidade. A restrio
(3.66) dene a relao estril/minrio mnima requerida. As restries (3.67)-(3.69)
denem a alocao dos equipamentos de carga e as restries (3.70) e (3.71) limi-
tam o ritmo de lavra da frente em funo da capacidade mxima de produo do
equipamento de carga nela alocada. A restrio (3.72) caracteriza o problema de
alocao esttica de caminhes denindo que um caminho somente pode operar
em uma nica frente, onde deve estar alocado um equipamento de carga compatvel
(restrio(3.73)). A restrio (3.74) limita o nmero mximo de caminhes alocados
a uma determinada frente, de forma a prevenir a formao de las. A restrio
(3.75) dene se um caminho deve ou no ser alocado a uma frente de lavra.
A restrio (3.76) limita o nmero de viagens de um caminho em uma frente de
acordo com o nmero mximo de viagens do caminho frente. A restrio (3.77)
faz com que o ritmo de lavra de uma frente seja igual produo realizada pelos
caminhes alocados frente. A restrio (3.78) determina que o nmero de viagens
que um caminho faz uma frente um valor inteiro positivo.
Deve ser observado que este modelo proposto elimina o conjunto de restries
(2.67), pgina 35, utilizado por Pinto e Merschmann (2001). Isso reduz em [F[
[C[ [V [ o nmero de restries do modelo, onde [F[ o nmero de frentes, [C[ o
nmero de equipamentos de carga e [V [ o nmero de veculos.
3.3.3 Modelagem Heurstica do Problema de Alocao Es-
ttica de Caminhes
Para a modelagem heurstica do problema so descritos a representao de uma
soluo do problema e a forma de gerar uma soluo inicial, a estrutura de vizinhana
desenvolvida, a funo de avaliao e as tcnicas heursticas utilizadas para explorar
o espao de solues do problema.
A representao adotada para o PAEC semelhante ao do PADC e utiliza uma
matriz Q
F(1+V )
de valores inteiros. Essa representao permite a denio de
tipos simples e naturais de movimentos, tornando mais fcil o levantamento de
72
algumas caractersticas da funo de avaliao, a qual est baseada na alocao dos
equipamentos de carga e no nmero de viagens realizadas pelos caminhes.
Para clareza de apresentao a matriz Q
F(1+V )
ser decomposta em duas sub-
matrizes A e B, isto : Q
F(1+V )
= A
F1
B
FV
. A submatriz A
F1
representa
a alocao dos equipamentos de carga ao conjunto F de frentes e os respectivos
status desses equipamentos com relao ao fato de estarem ativos ou no. A sub-
matriz B
FV
representa o nmero de viagens que sero realizadas pelos caminhes
s frentes.
A Figura 3.16 ilustra uma soluo de uma instncia do problema, onde as linhas
representam as frentes de lavra disponveis F, a coluna Carga representa a alocao
dos equipamentos de carga s frentes de lavra e as demais colunas representam o
nmero de viagens que sero realizadas pelo conjunto V de caminhes disponveis.
Carga Cam
1
Cam
2
. . . Cam
V
F
1
(Car
4
,1) 8 X . . . X
F
2
(D,0) 0 0 . . . 0
F
3
(Car
8
,0) 0 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
. . . .
.
.
.
F
F
(Car
5
,1) 0 9 . . . 3
Figura 3.16: Representao de uma soluo
Nesta soluo observa-se, na coluna Carga linha F
1
, a dupla (Car
4
, 1), indicando
que o equipamento de carga Car
4
est alocado frente F
1
e em operao. Na coluna
Carga linha F
3
, a dupla (Car
8
, 0) indica que o equipamento de carga Car
8
est
alocado frente F
3
, mas no est em operao. Observa-se, ainda, nesta coluna
Carga que na linha F
2
o valor (D, 0) informa que no existe equipamento de carga
alocado frente F
2
e que, portanto, esta frente est disponvel.
As demais colunas representam o nmero de viagens a serem realizadas por um
caminho uma frente e consideram a compatibilidade entre o caminho e o equipa-
mento de carga alocado frente. O valor X em uma clula indica incompatibilidade
entre o caminho e o respectivo equipamento de carga. Assim, o valor X encontrado
na coluna Cam
2
, linha F
1
, mostra a incompatibilidade entre o caminho Cam
2
e o
equipamento de carga Car
4
. Caso um caminho seja compatvel com o equipamento
de carga, o valor retornado o nmero de viagens a serem realizadas quela frente
73
pelo caminho. Pode-se observar, por exemplo, que o caminho Cam
1
compatvel
com os equipamentos de carga Car
4
e Car
5
, e ele realiza oito viagens frente F
1
e
nenhuma frente F
F
.
Uma soluo inicial para o PAEC gerada de forma aleatria em duas etapas. Na
primeira etapa os equipamentos de carga so numerados e aleatoriamente distribu-
dos na submatriz A, com cada clula recebendo um nico valor. Na segunda etapa
atribui-se a uma clula b
il
da submatriz B um valor aleatrio entre o nmero mnimo
e mximo de viagens a serem realizadas pelo caminho l frente i, desde que exista
compatibilidade entre o equipamento de carga alocado frente i e o caminho l.
Observa-se que este procedimento de gerao de uma soluo inicial no se pre-
ocupa com a formao de inviabilidades, como por exemplo, um caminho operar
em mais de uma frente.
No PAEC, a avaliao de uma soluo s, assim como no PADC, realizada por uma
funo f(s), que leva em considerao a produo, a qualidade do produto nal
formado com a mistura do minrio e a alocao e disponibilidade de equipamentos
de carga e transporte, alm de duas outras componentes que avaliam se os caminhes
esto alocados estaticamente s frentes e se existem mais caminhes do que o mximo
permitido. Essa avaliao leva em considerao os seguintes conjuntos de requisitos
essenciais e no-essenciais a serem atendidos:
inviveis, a saber:
(a) Produo da mina excede os limite de especicao;
(b) Parmetros de controle no produto nal extrapolam os limites de especi-
cao de qualidade;
(c) Taxa de utilizao dos caminhes superior ao mximo permitido;
(d) Produo dos equipamentos de carga excede as capacidade de produo
especicadas;
74
(e) Caminho opera em mais de uma frente;
(f) Nmero de caminhes operando em uma frente excede o nmero mximo
de caminhes que previne a formao de la.
ii ) Requisitos no-essenciais: so aqueles cujo atendimento desejvel, porm,
quando no satisfeitos, no geram programaes inviveis, no caso:
(a) Metas de produo da mina no atendidas;
(b) Metas de qualidade dos parmetros de controle no atendidas;
(c) Relao estril/minrio desejada no atendida;
(d) Taxa de utilizao de caminhes diferente da meta de utilizao;
(e) Utilizao do menor nmero de caminhes possvel.
Deste modo, a avaliao do PAEC realizada por componentes que avaliam a
produo e a qualidade do minrio, a relao estril/minrio, alm da utilizao
e alocao dos equipamentos de carga e transporte. Mais especicamente, uma
soluo s relativa ao PAEC avaliada por uma funo de avaliao f(s) dada pela
expresso (3.81).
f(s) = f
p
(s) +
jS
f
q
j
(s) + f
r
(s) +
lV
f
u
l
(s) +
iF
f
c
i
(s) + f
n
(s) +
lV
f
e
l
(s) +
iF
f
f
i
(s) (3.81)
onde:
f
p
f
q
j
(s) : Funo que avalia s quanto qualidade do j-simo parmetro de controle;
f
r
(s) : Funo que avalia s quanto relao estril/minrio;
f
u
l
(s) : Funo que avalia s quanto taxa de utilizao do l-simo caminho;
f
c
i
(s) : Funo que avalia s quanto produo do equipamento de carga alocado
i-sima frente de lavra;
f
n
(s) : Funo que avalia s quanto ao nmero total de caminhes utilizados;
f
e
l
(s) : Funo que avalia s quanto permanncia do l-simo caminho
75
em operao esttica;
f
f
i
(s) : Funo que avalia s quanto ao nmero mximo de caminhes operando
na i-sima frente de lavra.
Produo de Minrio
f
p
(s) =
p
_
[Pr P[
p
_
(3.82)
onde:
p
p
O valor da produo de minrio P obtida pelo somatrio de todas as viagens re-
alizadas pelos caminhes s frentes de minrio multiplicadas pelas suas capacidades
de carga, conforme equao (3.83).
P =
iM
lV
b
il
cap
l
(3.83)
onde:
b
il
: Nmero de viagens que um caminho l faz uma frente i em uma hora;
cap
l
: Capacidade do caminho l (t).
p
na funo de
p
=
_

p
se P < Pr
p+
se P Pr
O intervalo
p
quanto o intervalo
p+
meta.
76
p
p
=
_
p
se P < Pl
p
se Pl P < Pr
p+
se Pr P Pu
p+
se P > Pu
Os pesos
p
e
p+
essenciais. O peso
p
p+
utilizado caso a produo seja
maior que o limite superior. Os pesos
p
e
p+
referem-se aos requisitos no-
essenciais, sendo aplicados, respectivamente, uma produo de minrio dentro dos
limites de especicao, mas abaixo ou acima da meta de produo.
de minrio e dos parmetros de controle a serem analisados na mistura. Desta forma,
cada um dos parmetros de controle j avaliado pela equao (3.84).
f
q
j
(s) =
q
j

_
[tr
j
t
j
[
q
j
_
j S (3.84)
onde:
t
j
tr
j
q
j
q
j
Cada frente de minrio i possui um valor t
ij
para o parmetro de controle j.
Pode-se calcular o valor total do parmetro de controle j contido na mistura atravs
da mdia ponderada entre t
ij
e a produo horria de cada frente de minrio x
i
,
apresentada na equao (3.85).
t
j
=
iM
t
ij
x
i
iM
x
i
j S (3.85)
77
onde:
x
i
=
lV
b
il
cap
l
j
q
j
na funo de
avaliao da qualidade do minrio. Duas situaes so possveis:
q
j
=
_

q
j
se t
j
< tr
j
q+
j
se t
j
tr
j
j S
O intervalo
q
j
utilizado para um valor encontrado para o parmetro j inferior
meta especicada, enquanto o intervalo
q
j
aplica-se a um valor encontrado igual
ou superior meta.
j
, ser associado um peso
q
j
compo-
nente de avaliao da qualidade do parmetro de controle j, conforme as seguintes
situaes:
q
j
=
_
q
j
se t
j
< tl
j
q
j
se tl
j
t
j
< tr
j
q+
j
se tr
j
t
j
tu
j
q+
j
se t
j
> tu
j
j S
Quando
q
j
assume os valores
q
j
e
q+
j
essenciais relativos a qualidade da mistura. O peso
q
j
utilizado se a qualidade
da mistura encontrar-se abaixo do limite inferior de produo especicado tl
j
, j o
peso
q+
j
j
. Os pesos
q
j
e
q+
j
no-essenciais, sendo aplicados, respectivamente, uma qualidade da mistura vivel
abaixo ou acima da meta de produo.
Relao Estril/Minrio
A relao estril/minrio mede a proporo de estril lavrado em relao ao
minrio e avaliada pela equao (3.86).
f
r
(s) =
r
_
[remR[
r
_
(3.86)
onde:
R : Relao estril/minrio encontrada na soluo;
78
rem: Relao estril/minrio meta;
r
: Peso associado avaliao da relao estril/minrio;
r
: Intervalo de signicncia para a relao estril/minrio.
A relao estril/minrio encontrada pela diviso da produo de estril pela
produo de minrio e obtida utilizando-se equao (3.87), onde x
i
o ritmo de
lavra da frente i.
R =
iE
x
i
iM
x
i
(3.87)
De acordo com o valor de R so aplicados diferentes valores de
r
na funo de
avaliao da relao estril/minrio. No caso, duas situaes so possveis:
r
=
_

r
se R < rem
r+
se R rem
O intervalo
r
utilizado para uma relao estril/minrio inferior meta,
enquanto o intervalo
r+
aplica-se a uma relao estril/minrio igual ou superior
meta.
Ainda, conforme o valor de R, associado um peso
r
da relao estril/minrio, conforme as seguintes situaes:
r
=
_

r
se R < rem
r+
se R rem
Como a relao estril/minrio no apresenta requisitos essenciais a serem avali-
ados, so utilizados somente os pesos
r
e
r+
, os quais referem-se aos requisitos
no-essenciais. A relao estril/minrio penalizada por
r
caso ela seja inferior
requerida e por
r+
caso contrrio.
Utilizao dos Caminhes
Os caminhes so avaliados segundo suas taxas de utilizao e penalizados se-
gundo a equao (3.88).
f
u
l
(s) =
u
l

_
[Ut
l
U
l
[
u
l
_
l V (3.88)
onde:
79
U
l
Ut
l
: Taxa de utilizao requerida para o caminho l (%);
u
l
: Peso associado avaliao da taxa de utilizao do caminho l;
u
l
: Intervalo de signicncia para a taxa de utilizao do caminho l.
A utilizao de um caminho l dada pela equao (3.89), a qual retorna o
percentual do tempo em que o caminho efetivamente utilizado em relao uma
hora de operao.
U
l
=
iF
b
il
T
il
60
l V (3.89)
onde:
T
il
: Tempo total de ciclo do caminho l na frente i (min);
b
il
: Nmero de viagens que um caminho l faz uma frente i em uma hora.
De acordo com o valor de U
l
u
l
na funo de
avaliao da utilizao do caminho l. No caso, duas situaes so possveis:
u
l
=
_

u
l
se U
l
< Ut
l
u+
l
se U
l
Ut
l
l V
O intervalo
u
l
aplicado para uma utilizao do caminho l inferior requeri-
da, enquanto o intervalo
u+
l
aplica-se a uma utilizao do caminho l igual ou
superior meta.
Ainda, conforme o valor de U
l
, associado um peso
u
l
da utilizao do caminho l, conforme as seguintes situaes:
u
l
=
_
_
_
u
l
se U
l
< Ut
l
u+
l
se Ut
l
U
l
100%
u+
l
se U
l
> 100%
l V
Caso um caminho l seja utilizado a uma taxa acima da mxima permitida, ou
seja, 100%, a funo de penalidade adota o peso
u+
l
. No caso de a taxa de utiliza-
o do caminho l ser inferior meta, aplica-se o peso
u
l
, enquanto o peso
u+
l

aplicado no caso de essa taxa ser superior ou igual requerida.
80
Produo dos Equipamentos de Carga
Os equipamentos de carga devem operar em uma faixa de produo que garanta
a sua viabilidade operacional. A produo do equipamento de carga avaliada
segundo o ritmo de lavra da frente qual est alocado. Esta avaliao realizada
pela equao (3.90).
f
c
i
(s) =
c
k

_
[Cu
k
x
i
[
c
k
_
i F (3.90)
onde:
x
i
k : Equipamento de carga que est operando na frente i;
Cu
k
: Produo mxima do equipamento de carga k alocado frente i (t/h);
c
k
: Peso associado avaliao da produo do equipamento de carga k
alocado frente i;
c
k
: Intervalo de signicncia para produo do equipamento de carga k
alocado frente i.
Observa-se que Cu
k
a capacidade mxima de produo do equipamento de
carga alocado i-sima frente e corresponde meta de produo do equipamento.
De acordo com a produo da frente i so aplicados diferentes valores de
c
k
na funo de avaliao da produo do equipamento de carga k. No caso, duas
situaes so possveis:
c
k
=
_

c
k
se x
i
Cu
k
c+
k
se x
i
> Cu
k
i F
O intervalo
c
k
utilizado para uma produo do equipamento de carga k
inferior ou igual requerida, enquanto o intervalo
c+
k
aplica-se a uma da produo
do equipamento de carga k superior meta, o que torna sua utilizao invivel.
Ainda, conforme o valor de x
i
, associado um peso
c
k
da produo do equipamento de carga k, conforme as seguintes situaes:
c
k
=
_
_
0 se x
i
= 0
c
k
se 0 < x
i
< Cl
k
c+
l
se Cl
k
x
i
Cu
k
c+
k
se x
i
> Cu
k
i F
81
Quando um equipamento de carga k utilizado fora da faixa onde economica-
mente vivel sua operao, ou seja, abaixo do limite mnimo de produo ou acima
do limite mximo de produo, so associados, respectivamente, os pesos de inviabi-
lidade
c
k
e
c
k
. Caso o ritmo de lavra se encontre entre o limite mnimo e mximo
de produo do equipamento de carga alocado frente, associado funo de
avaliao um peso
c+
l
.
Nmero Total de Caminhes Utilizados
O nmero total de caminhes um requisito no essencial. O ideal que seja
utilizado o menor nmero possvel de caminhes na operao. A equao (3.91)
retorna o nmero total de caminhes em operao. Esta funo retorna um valor
inteiro, no sendo necessrio sua parametrizao, como nas funes anteriores.
f
n
(s) =
n
lV
U
l
| (3.91)
onde:
U
l
n
: Peso associado avaliao do nmero total de caminhes utilizados;
e,
U
l
| =
_
1 se U
l
> 0,
0 caso contrrio.
l V
Alocao Esttica de Caminhes
Ao optar pela otimizao da alocao esttica de caminhes necessrio avaliar
se um caminho l opera em uma nica frente, este um requisito essencial para o
PAEC. A equao (3.92) realiza esta avaliao, penalizando o caminho que opera
em mais de uma frente.
f
e
l
(s) =
_
_
_
e
l

_
iF
f
opcf
il
(s) 1
_
se

iF
f
opcf
il
(s) > 1,
0 caso contrrio.
l V (3.92)
onde:
e
l
: Peso associado avaliao da alocao esttica do caminho l.
82
e,
f
opcf
il
(s) =
_
_
1 se o caminho l realiza pelo menos uma viagem
frente i, isto , b
il
> 0,
0 caso contrrio.
Nmero de Caminhes Utilizados por Frente
No modelo de alocao esttica de caminhes necessrio avaliar o nmero de
caminhes que operam em uma frente. Essa quantidade de caminhes deve ser tal
que previna a formao de las no carregamento, sendo um requisito essencial do
problema. A avaliao realizada pela equao (3.93), a qual penaliza o nmero
de caminhes em uma frente i que supera o nmero mximo permitido, ou seja, o
nmero de caminhes a partir do qual h a formao de las.
f
f
i
(s) =
_
_
_
f
i

_
lV
f
opfc
il
(s) u
i
_
se

iF
f
opcf
il
(s) > u
i
,
0 caso contrrio.
i F
(3.93)
onde:
u
i
: Nmero mximo de caminhes permitido para a frente i;
f
i
: Peso associado avaliao do nmero de caminhes utilizados na frente i.
e,
f
opcf
il
(s) =
_
_
1 se o caminho l realiza pelo menos uma viagem
frente i, isto , b
il
> 0,
0 caso contrrio.
sendo u
i
dado pela diviso do tempo de ciclo T
i
pelo tempo de carga Tc
i
.
No PAEC, dada uma soluo s, para atingir uma soluo s
, onde s
dito vizinho
de s, so usados seis tipos de movimentos: (a) Realocar equipamentos de carga; (b)
Retomar ou parar a operao em uma frente; (c) Acrescentar ou diminuir o nmero
de viagens de um caminho em uma frente; (d) Realocar o nmero de viagens de
um caminho em frentes diferentes; (e) Realocar o nmero de viagens realizadas
em uma frente para caminhes diferentes e (f) Retomar ou parar a operao de um
caminho em uma frente.
83
Esses movimentos denem, respectivamente, seis diferentes estruturas de vizi-
nhana, a saber: N
CG
(s), N
OF
(s), N
NV
(s), N
V C
(s), N
V F
(s) e N
OC
(s), as quais
so descritas em detalhes a seguir.
Movimento Carga
Este tipo de movimento consiste em trocar duas clulas distintas a
i
e a
k
da matriz
A, ou seja, trocar os equipamentos de carga que operam nas frentes i e k, caso as
duas frentes possuam equipamentos de carga alocados e que estejam em operao.
No caso de apenas uma das frentes possuir equipamento de carga em operao e a
outra estiver disponvel, esse movimento consistir em realocar o equipamento de
carga para a frente que est disponvel.
A Figura 3.17 ilustra a aplicao desse tipo de movimento. Neste exemplo, as
frentes F
2
e F
4
foram selecionadas e o equipamento de carga Car
4
, anteriormente
alocado frente F
4
, realocado para a frente F
2
, cando a frente F
4
disponvel.
(D,0)
( 1) Car,
1
( 0) Car,
3
( 1) Car,
4
Carga
F1
F2
F3
F4 (D,0)
( 1) Car,
1
( 0) Car,
3
( 1) Car,
4
Carga
F1
F2
F3
F4
Figura 3.17: Movimento de realocao de equipamentos de carga
Movimento Operao Frente
O movimento operao frente consiste em alterar o status de uma clula a
i
da matriz A. Deste modo, o movimento atuar em uma frente i que possua um
equipamento de carga alocado, retirando de operao o equipamento de carga que
esteja ativo, isto , deixando a frente i disponvel, ou retornando operao o
equipamento que se encontrar inativo.
As guras 3.18 e 3.19 ilustram a aplicao deste tipo de movimento. Na Figura
3.18 a frente F
1
que antes operava com o equipamento Car
1
, passa a car disponvel,
ou seja, o status de Car
1
passa a ser inativo. J na Figura 3.19, a frente F
3
, antes
disponvel, passa a operar com o equipamento de carga Car
3
, que estava alocado
frente F
3
, mas no se encontrava ativo.
84
(D,0)
( 1) Car,
1
( 0) Car,
3
( 1) Car,
4
(D,0)
( 1) Car,
4
Carga
F1
F2
F3
F4
( 0) Car,
1
( 0) Car,
3
Carga
F1
F2
F3
F4
Figura 3.18: Movimento parar operao de uma frente
(D,0)
( 1) Car,
1
( 0) Car,
3
( 1) Car,
4
(D,0)
( 1) Car,
4
Carga
F1
F2
F3
F4
( 1) Car,
1
( 1) Car,
3
Carga
F1
F2
F3
F4
Figura 3.19: Movimento retomar operao de uma frente
Movimento Nmero de Viagens
No movimento nmero de viagens, uma clula b
ij
da matriz B selecionada
e seu valor acrescido ou decrescido de uma viagem, retornando-se como vizinho
aquele que apresentar o melhor valor de funo de avaliao. Portanto, esse movi-
mento consiste em aumentar ou diminuir em uma viagem o nmero de viagens de
um caminho i em uma frente j onde esteja operando um equipamento de carga
compatvel.
A Figura 3.20 ilustra o movimento de diminuio do nmero de viagens a serem
realizadas pelo caminho Cam
2
na frente F
1
de 6 para 5 viagens.
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)5X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
-1
Figura 3.20: Movimento de decrscimo no nmero de viagens
Na Figura 3.21, o movimento aumenta o nmero de viagens a serem realizadas
pelo caminho Cam
3
na frente F
4
, alterando o nmero de viagens de 3 para 4.
Movimento Realocar Viagem de um Caminho
No movimento realocar viagem de um caminho, uma viagem, anteriormente
alocada uma clula b
ij
, realocada para uma clula b
kj
, ambas pertencentes
85
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)7X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
+1
Figura 3.21: Movimento de acrscimo no nmero de viagens
matriz B. Assim, nesse movimento, um caminho j deixa de realizar uma viagem
em uma frente i para realiz-la na frente k, passando a realiz-la em uma outra
frente. A Figura 3.22 ilustra este movimento, onde o caminho Cam
2
e as frentes
F
1
e F
4
so selecionados, e uma viagem de F
1
realocada em F
4
.
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)5X Car,
1
( 0)00 Car,
3
( 1)53 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
1
Figura 3.22: Movimento de realocao de viagens de um caminho
Movimento Realocar Viagem de uma Frente
Neste movimento, duas clulas b
ij
e b
ik
da matriz B so selecionadas e uma
viagem de b
ij
realocada para b
ik
. Portanto, esse movimento consiste em realocar
uma viagem de um caminho j para um caminho k que esteja operando em uma
frente i.
Este movimento ilustrado na Figura 3.23, onde a frente F
4
foi selecionada e
uma viagem do caminho Cam
2
transferida para o caminho Cam
3
.
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)34 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
1
Figura 3.23: Movimento de realocao de viagens de uma frente
86
Movimento Operao Caminho
O movimento operao caminho consiste em selecionar uma clula b
ij
da ma-
triz B e zerar seu contedo. Assim, esse movimento seleciona um caminho j que
esteja operando em uma frente i, ou seja, que realize viagens esta frente e o retira
de atividade naquela frente.
A Figura 3.24 ilustra este movimento. Na gura observa-se que o caminho
Cam
2
e a frente F
4
foram selecionados e o nmero de viagens foi zerado, ou seja,
Cam
2
no ir operar em F
4
.
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)43 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
(D,0)00
( 1)6X Car,
1
( 0)00 Car,
3
( 1)03 Car,
4
CargaCamCam
F1
F2
2
F3
3
F4
Figura 3.24: Movimento parar operao de um caminho
3.3.3.5 VND aplicado ao PAEC
O mtodo VND desenvolvido para o PAEC o algoritmo bsico descrito na Figura
2.6, pgina 18, utilizando os seis movimentos descritos na seo 3.3.3.4, pgina 83,
e a funo de avaliao descrita na seo 3.3.3.3, pgina 74.
As estruturas de vizinhana foram hierarquizados na seguinte ordem de explo-
rao:
1 ) N
NV
(s) nmero de viagens;
2 ) N
OC
(s) operao caminho.
3 ) N
V C
(s) realocar viagem de um caminho;
4 ) N
V F
(s) realocar viagem de uma frente;
5 ) N
CG
(s) carga;
6 ) N
OF
(s) operao frente;
solues foi determinada atravs da realizao de testes empricos, nos quais se
87
alterou a ordem das estruturas de vizinhana; retornando-se aquela que apresentou
os melhores resultados.
3.3.3.6 VNS aplicado ao PAEC
O mtodo VNS desenvolvido para o PAEC o algoritmo bsico apresentado na
Figura 2.7, pgina 19, utilizando os seis movimentos descritos na seo 3.3.3.4,
pgina 83. Assim como na verso original do mtodo, a busca local realizada pelo
mtodo VND desenvolvido na seo 3.3.3.5, pgina 87. Uma soluo s avaliada
segundo a funo de avaliao descrita na seo 3.3.3.3, pgina 74.
O mtodo explora o espao de solues utilizando a seguinte ordem de explorao
de vizinhanas:
1 ) N
NV
(s) nmero de viagens;
2 ) N
OC
(s) operao caminho.
3 ) N
V F
(s) realocar viagem de uma frente;
4 ) N
V C
(s) realocar viagem de um caminho;
5 ) N
CG
(s) carga;
6 ) N
OF
(s) operao frente;
A ordem de explorao do espao de solues foi obtida atravs da realizao
de uma bateria preliminar de testes, em que se alterou a ordem das estruturas de
vizinhana, retornando-se aquela que apresentou os melhores resultados.
Foi utilizado como critrio de parada, linha 4 da Figura 2.7, pgina 19, um tempo
de processamento predeterminado.
88
Captulo 4
Resultados Computacionais
Neste captulo so apresentados, na seo 4.1, as instncias teste utilizadas para
avaliar os modelos exatos e heursticos desenvolvidos no captulo 3. Os resulta-
dos computacionais obtidos com a aplicao dos modelos exatos e heursticos so
apresentados e discutidos, respectivamente, nas sees 4.2 e 4.3.
4.1 Instncias Teste
Os problemas de planejamento operacional de lavra em minas a cu aberto aborda-
dos neste trabalho so de conhecimento geral da indstria mineral. Entretanto, no
h na literatura, de nosso conhecimento, um conjunto de instncias teste que possa
ser usado para validar os modelos desenvolvidos. Desta forma, optou-se por uti-
lizar dados de situaes reais de mineradoras da regio e por gerar instncias com
dados aleatrios, mas baseados em faixa de valores reais comumente encontrados
nessas mineradoras. Todas as instncias consideradas encontram-se disponveis em
http://www.decom.ufop.br/prof/marcone/orientacoes/orientacoesconcluidas.html
4.1.1 Instncias Teste do PMM
Para o PMM so consideradas oito instncias teste. A primeira foi extrada de Pinto
et al. (2003) e referenciada neste trabalho pela sigla PMM01. Como o problema
original no possuia metas de qualidade e produo, estas foram consideradas como
a mdia entre os limites mximos e mnimos de cada uma das variveis de controle.
A segunda instncia, denominada PMM02, foi adaptada de PMM01, mantendo-
se os limites de especicao de qualidade e produo, e alterando-se os valores
dos parmetros de controle e as quantidades de minrio disponveis nas frentes de
89
lavra atravs da gerao de valores aleatrios, distribudos uniformemente entre o
valor mnimo e mximo de cada uma das variveis consideradas na instncia base
PMM01.
A terceira e quinta instncias, respectivamente PMM03 e PMM05, utilizam da-
dos reais, inclusive metas de produo e qualidade e limites de especicao, de
mineradoras de ferro da regio de Ouro Preto.
A quarta instncia, PMM04, foi adaptada da terceira pelo mesmo procedimento
utilizado para a obteno de PMM02, utilizando os mesmos limites de especicao
e metas de qualidade e produo.
A sexta instncia, PMM06, foi adaptada da quinta relaxando-se alguns limites
de especicao dos parmetros de controle.
A stima instncia, PMM07, foi adaptada da quinta utilizando o procedimento
descrito para a obteno de PMM02. Foram considerados os limites de especicao
relaxados da sexta instncia.
Com o intuito de aumentar as dimenses do problema, a oitava instncia teste,
PMM08, foi gerada fazendo-se a unio dos parmetros de controle das instncias
teste anteriores. Os valores de cada parmetro de cada frente foram gerados de
forma aleatria, seguindo uma distribuio uniforme entre os valores reais mnimos
e mximos, e mantendo os mesmos limites de especicao e metas relativos s
instncias consideradas. As quantidades de minrio disponveis em cada frente foram
obtidas de modo semelhante.
A Tabela 4.1 apresenta algumas caractersticas das instncias teste analisadas.
Tabela 4.1: Caractersticas das instncias teste do PMM
Instncia |M| |S|
PMM01 10 12
PMM02 10 12
PMM03 10 10
PMM04 10 10
PMM05 10 6
PMM06 10 6
PMM07 10 6
PMM08 30 28
Nesta tabela, as colunas |M| e |S| representam, respectivamente, o nmero
de frentes de minrio e o nmero de parmetros de controle das instncias teste
90
avaliadas.
4.1.2 Instncias Teste do PADC e PAEC
Como o PADC e o PAEC visam resolver situaes semelhantes, diferenciadas apenas
pela forma de alocao dos caminhes s frentes de lavra, foram consideradas para
ambas as mesmas instncias teste, em um total de 4.
A primeira foi extrada de Pinto et al. (2003) e referenciada neste trabalho pela
sigla PADC01 para o PADC e PAEC01 para o PAEC. Como o problema original no
possuia metas de qualidade e produo, estas foram consideradas como a mdia entre
os limites mnimos e mximos de cada um dos parmetros de controle considerados.
A segunda instncia, denominada PADC02 para o PADC e PAEC02 para o
PAEC, foi adaptada da primeira instncia. Os limites de especicao de qualidade e
produo foram mantidos, alterando-se os valores dos parmetros de controle atravs
da gerao de nmeros aleatrios, distribudos uniformemente entre o valor mnimo
e mximo de cada um dos parmetros de controle considerados na primeira instncia
teste.
A terceira instncia, designada por PADC03 para o PADC e PAEC03 para o
PAEC, utiliza dados reais de uma mineradora da regio de Ouro Preto. So consi-
derados as frentes de lavra, metas de qualidade e produo e o nmero de equipa-
mentos de carga e suas respectivas capacidades de produo. Nessa instncia, os
dados relativos aos caminhes foram gerados de forma aleatria, utilizando uma
distribuio uniforme. No foi considerada a presena de frentes de estril. Assim,
a restrio referente relao estril/minrio foi ignorada.
A quarta instncia, PADC04 para o PADC e PAEC04 para o PAEC, foi adaptada
da terceira pelo mesmo procedimento utilizado para a obteno de segunda instncia,
mantendo-se as metas de qualidade e produo consideradas na terceira instncia.
A Tabela 4.2 apresenta algumas caractersticas das instncias teste utilizadas.
Nesta tabela, as colunas |F| e |S| representam, respectivamente, o nmero de frentes
de lavra e o nmero de parmetros de controle das instncias teste avaliadas. A
coluna |C| mostra o total de equipamentos de carga considerados em cada uma das
instncias teste. A coluna |V| apresenta o nmero de caminhes disponveis.
91
Tabela 4.2: Caractersticas das instncias teste do PADC e PAEC
Instncia |F| |S| |C| |V|
PADC01 e PAEC01 17 10 8 30
PADC02 e PAEC02 17 10 8 30
PADC03 e PAEC03 32 10 7 30
PADC04 e PAEC04 32 10 7 30
4.2 Resultados dos Modelos Exatos
Para resolver as instncias teste utilizando as formulao de programao matemti-
ca propostas no captulo 3, sees 3.1.2, 3.2.2 e 3.3.2, foi utilizado o modelador e
otimizador LINGO, verso 7.0.
Os testes foram realizados em um microcomputador AMD-Durom, 1.0 GHz, de
256 MB de RAM, com sistema operacional Windows XP.
4.2.1 Resultados do Modelo Exato para o PMM
O modelo de programao matemtica relativo ao PMM, descrito pelas equaes
(3.1)-(3.14), pgina 39, e implementado conforme o Anexo I, utiliza os seguintes
pesos associados s componentes da funo objetivo (3.1):
+
j
=
j
= 100 j S,
+
=
= 1.
A Tabela 4.3 mostra os resultados obtidos em cada uma das instncias teste uti-
lizadas. Nela constam o nmero de variveis inteiras, coluna Nmero de Inteiras,
o total de restries, coluna Nmero de Restries, o valor da funo objeti-
vo, coluna Funo Objetivo, e o tempo de processamento em segundos, coluna
Tempo.
O PMM um problema de baixa complexidade e que demanda pouco tempo
computacional para se alcanar a soluo exata. Casos de inviabilidade, como na
instncia PMM05, ocorrem pela inexibilidade do modelo em aceitar solues fora
dos limites de especicao. Essas situaes so comuns no setor mineral. Por
exemplo, em perodos chuvosos pode no ser possvel atender as especicaes de
umidade requeridas para o minrio, o que impe que esses limites sejam relaxados.
92
Tabela 4.3: Resultados do modelo exato para o PMM
Nmero de Nmero de Funo Tempo
Instncia Inteiras Restries Objetivo (s)
PMM01 10 52 453,00 < 1
PMM02 10 52 117.665,33 < 1
PMM03 10 46 60.818,31 < 1
PMM04 10 46 158.584,43 < 1
PMM05 10 34 invivel . . .
PMM06 10 34 12.860,34 < 1
PMM07 10 34 16.146,83 < 1
PMM08 30 120 260.735,60 < 1
4.2.2 Resultados do Modelo Exato para o PADC
O modelo de programao matemtica relativo ao PADC, descrito pelas equaes
(3.21)-(3.42), pgina 51, e implementado conforme o Anexo II, utiliza os seguintes
+
j
=
j
= 100 j S,
+
=
= 1.
Devido ao elevado tempo de processamento para a obteno da soluo tima,
optou-se por considerar a melhor soluo obtida em duas situaes. Na primeira,
xando-se o tempo mximo de processamento em quinze minutos e na segunda, em
uma hora de processamento.
A Tabela 4.4 mostra os resultados obtidos em cada uma das instncias teste
utilizadas no PADC. Nela constam o nmero de variveis inteiras, coluna Nmero
de Inteiras e o total de restries, coluna Nmero de Restries. Nesta tabela
ainda so apresentados o melhor bound de programao linear da funo objetivo,
coluna fo
B
, bem como os valores da melhor funo objetivo encontrada em quinze
minutos de processamento, coluna fo
quinze
, e em uma hora de processamento, coluna
fo
hora
.
Como j comentado anteriormente (pgina 3), o PADC um problema NP-difcil.
Desta forma, o tratamento por tcnicas de programao matemtica restringe-se a
problemas de baixa dimenses. Pode-se observar pelos resultados apresentados na
Tabela 4.4 que no foi possvel obter a soluo tima do problema em nenhuma das
instncias teste, considerando um tempo de processamento mximo de uma hora,
93
Tabela 4.4: Resultados do modelo exato para o PADC
Nmero de Nmero de
Instncia Inteiras Restries fo
B
fo
quinze
fo
hora
PADC01 646 653 210,5 216,8 216,8
PADC02 646 653 1.426,1 2.751,8 2.751,8
PADC03 1.184 1.162 1,710
10
2.527,7 2.106,4
PADC04 1.184 1.162 1.686,1 4.308,5 4.480,9
e que as melhores solues encontradas para essas instncias caram relativamente
distantes do Bound, o qual corresponde ao valor timo do problema considerando
todas as variveis do modelo como contnuas. Isto signica que no houve tempo
hbil para que o procedimento Branch-and-Bound pudesse explorar totalmente o
espao de busca.
Observa-se que na instncia PADC04 o melhor valor encontrado em uma hora de
processamento foi pior que em quinze minutos de processamento. Isto se deve ao fato
de o otimizador utilizar uma heurstica para percorrer a rvore de branch-and-bound,
o que conduz a busca a ramicaes diferentes a cada execuo do mtodo.
4.2.3 Resultados do Modelo Exato para o PAEC
O modelo de programao matemtica relativo ao PAEC, descrito pelas equaes
(3.54)-(3.78), pgina 70, e implementado conforme o Anexo III, utiliza os seguintes
+
j
=
j
= 100 j S,
+
=
= 1.
A Tabela 4.5 mostra os resultados obtidos em cada uma das instncias teste
utilizadas no PAEC. Nela constam o nmero de variveis inteiras, coluna Nmero
de Inteiras e o total de restries, coluna Nmero de Restries. Nesta tabela
ainda so apresentados o melhor bound de programao linear da funo objetivo,
coluna fo
B
, bem como os valores da melhor funo objetivo encontrada em quinze
minutos de processamento, coluna fo
quinze
, e em uma hora de processamento, colu-
na fo
hora
.
94
Tabela 4.5: Resultados do modelo exato para o PAEC
Nmero de Nmero de
Instncia Inteiras Restries fo
B
fo
quinze
fo
hora
PAEC01 1.156 1.180 210,5 212,0 212,0
PAEC02 1.156 1.180 1.417,6 2.751,8 2.751,8
PAEC03 2.144 2.154 5,810
11
1.556,0 1.238,9
PAEC04 2.144 2.154 1.725,9 5.364,7 5.139,4
De forma semelhante ao PADC, o PAEC classicado como NP-difcil, sendo
o uso de tcnicas de programao matemtica restritos a problemas de baixas di-
menses. Pode-se observar pelos resultados apresentados na Tabela 4.5 que no foi
possvel obter a soluo tima do problema em nenhuma das instncias teste em um
tempo mximo de processamento de uma hora. Alm disso, as melhores solues
encontradas caram relativamente distantes do Bound, o qual corresponde ao valor
timo do problema considerando contnuas as variveis do modelo. Isto signica
que no houve tempo hbil para que o procedimento Branch and Bound pudesse
explorar totalmente o espao de busca.
4.3 Resultados dos Modelos Heursticos
Os algoritmos heursticos propostos no captulo 3, sees 3.1.3, 3.2.3 e 3.3.3, foram
implementados na linguagem C, utilizando o ambiente C++ Builder, verso 5.0, da
Borland.
Os testes foram realizados em microcomputador AMD-Durom, 1.0 GHz, de
256 MB de RAM, com sistema operacional Windows XP.
Cada algoritmo foi aplicado um determinado nmero de vezes a um conjunto
de instncias teste, utilizando sementes de nmeros aleatrios distintas para cada
execuo.
Os pesos associados a cada componente da funo de avaliao dos modelos
heursticos foram determinados de acordo com as caractersticas de cada instncia
teste.
Como a avaliao dos modelos heursticos apresenta diferenas em relao aos
modelos de programao matemtica, em funo da quantidade de requisitos con-
siderados em cada metodologia, foi adotada a expresso (4.1), comum aos dois mo-
95
delos, para avaliar e comparar os resultados.
fo
H
= INV
_
jS
j
d
j
+
jS
+
j
d
+
j
+
+
+
P
+
_
(4.1)
onde:
fo
H
: Funo de avaliao da soluo s;
d
j
d
+
j
P

P
+
: Desvio positivo do ritmo de lavra em relao ao recomendado (t/h);
INV : Representa a viabilidade da soluo.
sendo:
+
j
=
j
= 100 j S,
+
=
= 1,
INV =
_
1 se a soluo s for vivel;
2 caso contrrio.
Esta expresso considera somente o atendimento s metas de produo e qua-
lidade para o PADC e o PAEC, que so os requisitos comuns s metodologias de
programao matemtica e heursticas utilizadas. Questes como o atendimento s
metas de taxa de utilizao dos caminhes e de produtividade dos equipamentos de
carga no so considerados no modelo de programao matemtica.
Desta forma, realizada a anlise da ecincia dos mtodos heursticos por dois
procedimentos. O primeiro compara a metodologia heurstica com a de programao
matemtica, considerando os requisitos implementados e comuns s duas metodolo-
gias. O segundo procedimento compara apenas as heursticas entre si.
Em resumo, so considerados os seguintes procedimentos de anlise:
procedimento I : Considera somente os requisitos comuns s metodologias de
programao matemtica e heursticas utilizadas, sendo uma
soluo s avaliada pela expresso (4.1);
procedimento II : Considera os requisitos comuns s metodologias de
programao matemtica e heursticas utilizadas e ainda:
96
metas de taxa de utilizao dos caminhes;
metas de produtividade dos equipamentos de carga;
metas de relao estril/minrio;
nmero total de caminhes utilizados.
Uma soluo s avaliada conforme as sees 3.2.3.3 e 3.3.3.3.
4.3.1 Resultados dos Modelos Heursticos do PMM
Os algoritmos propostos na seo 3.1.3, a saber, SA (seo 3.1.3.5), VND (seo
3.1.3.6), VNS (seo 3.1.3.7), SA+VND (seo 3.1.3.8), foram implementados e uma
bateria de testes foi realizada de forma a calibrar os diversos parmetros existentes.
Aps determinado tais parmetros foram realizadas dez execues de cada um dos
quatro algoritmos propostos nas oito instncias teste consideradas.
No mtodo Simulated Annealing, o parmetro k relativo frmula (3.20), apre-
sentada na pgina 47, foi xado em 1 para todas as instncias.
97
A Tabela 4.6 apresenta os resultados obtidos pela aplicao dos mtodos de-
senvolvidos a cada instncia teste do PMM, considerando o procedimento I de
anlise.
Tabela 4.6: Resultados do PMM pelo procedimento I
Dp Tempo
Instncia fo
Mtodo fo
H
(%) (s)
SA 465,0 38,0 0,37
PMM01 453,0 VND 603,9 112,3 0,02
VNS 453,0 35,2 0,03
SA+VND 453,0 16,7 0,37
SA 117.779,3 0,1 0,38
PMM02 117.665,3 VND 117.665,4 0,0 0,04
VNS 117.665,4 0,0 0,04
SA+VND 117.665,4 0,1 0,38
SA 60.818,3 0,1 0,30
PMM03 60.818,3 VND 60.818,3 0,0 0,04
VNS 60.818,3 0,0 0,04
SA+VND 60.818,3 0,0 0,29
SA 158.609,9 1,0 0,30
PMM04 158.584,4 VND 158.609,9 0,0 0,05
VNS 158.584,7 0,0 0,06
SA+VND 158.609,9 0,0 0,29
SA 14.199,6 0,9 0,13
PMM05 invivel VND 14.169,0 0,0 0,04
VNS 14.169,0 0,0 0,04
SA+VND 14.169,0 0,0 0,14
SA 15.215,4 25,1 0,12
PMM06 12.860,3 VND 14.169,0 10,2 0,04
VNS 14.569,0 10,2 0,04
SA+VND 14.169,0 10,2 0,15
SA 16.198,6 13,2 0,12
PMM07 16.146,8 VND 16.157,7 5,8 0,03
VNS 16.157,7 5,7 0,03
SA+VND 16.183,3 13,1 0,12
SA 264.938,7 2,1 11,16
PMM08 260.735,6 VND 261.806,8 2,0 1,43
VNS 261.048,9 0,8 1,94
SA+VND 263.013,0 1,6 11,34
Nesta tabela, fo
representa o melhor valor da funo objetivo encontrado pelo

modelo de programao matemtica e fo
H
o melhor valor da funo de avaliao,
segundo a equao (4.1), encontrado pela aplicao do mtodo heurstico em 10
execues de cada instncia teste. A coluna Dp indica o desvio percentual, em
98
relao melhor soluo encontrada (fo
ou fo
H
), da mdia da funo de avaliao
da heurstica nessas 10 execues (calculado conforme a frmula (4.2)). A colu-
na Tempo mostra o tempo mdio de execuo em segundos. No caso de o modelo
de programao matemtica apresentar solues infactveis, o desvio Dp calcula-
do em relao fo
H
, uma vez que o otimizador no apresenta o valor de solues
inviveis.
Dp =
1
10
10
i=1
fo
i
minfo
, fo
minfo
, fo
(4.2)
onde fo
i
o valor da funo de avaliao da soluo gerada na isima execuo.
A baixa complexidade do PMM fez com que os resultados obtidos pelos mtodos
heursticos e exatos fossem bem prximos. De modo geral o algoritmo VNS foi o mais
eciente dentre os mtodos implementados, conseguindo atingir o valor da funo
objetivo do mtodo exato em grande parte dos experimentos. O algoritmo VNS
mostrou-se, ainda, robusto por apresentar um baixo desvio percentual em relao
melhor soluo encontrada e um tempo computacional mdio irrisrio.
Os mtodos baseados no algoritmo Simulated Annealing (SA e SA+VND) apre-
sentaram os piores resultados para o PMM. Este fato pode ser explicado pela es-
tratgia de utilizar somente a estrutura de vizinhana N
M1
(s), a qual mostrou-se
ineciente para escapar de mnimos locais uma vez atingida a meta de produo.
A Tabela 4.7 mostra, para cada parmetro de controle analisado, coluna Par-
metro, as metas de qualidade, coluna tr, e os limites de especicao mnimo e
mximo, respectivamente colunas tl e tu, bem como as caractersticas da melhor
soluo encontrada pelo modelo de programao matemtica, coluna PMat, e pelo
algoritmo heurstico de melhor desempenho, coluna VNS, considerando a instncia
PMM03.
Observa-se, nesta tabela, que o mtodo heurstico VNS alcana a soluo tima
do problema.
O Anexo IV, pgina 120, apresenta um relatrio detalhado informando os valores
da funo de avaliao, desvios de produo e qualidade, nmero de caambadas a
serem utilizadas de cada frente e a massa correspondente, alm dos valores esperados
para os parmetros de controle no produto nal desta instncia teste.
99
Tabela 4.7: Caractersticas das solues geradas relativas instncia PMM03
Parmetro tl - tr - tu PMat VNS
Fe 64,5000 - 65,0000 - 100,0000 65,6430 65,6430
SiO
2
4,8000 - 4,9000 - 5,0000 4,9023 4,9023
P 0,0000 - 0,0260 - 0,0300 0,0206 0,0206
Al
2
O
3
0,0000 - 0,9000 - 1,1000 0,7709 0,7709
Mn 0,0000 - 0,1500 - 0,3000 0,1413 0,1413
H
2
O 0,0000 - 6,0000 - 10,0000 6,7475 6,7475
+6.3 0,0000 - 6,5000 - 10,0000 8,5270 8,5270
+1.0 53,0000 - 55,0000 - 100,0000 58,9375 58,9375
-0.15 0,0000 - 25,7000 - 100,0000 25,3945 25,3945
-0.106 0,0000 - 23,7000 - 25,0000 21,3695 21,3695
4.3.2 Resultados dos Modelos Heursticos do PADC
Os algoritmos propostos na seo 3.2.3, mais precisamente os algoritmos VND (seo
3.2.3.5) e VNS (seo 3.2.3.6), foram testados considerando para cada um dez exe-
cues em quatro instncias teste.
A Tabela 4.8 mostra os resultados obtidos pela aplicao do procedimento I
aos mtodos desenvolvidos, coluna Mtodo, a cada instncia teste do PADC apre-
sentada na seo 4.1.2, coluna Instncia.
Tabela 4.8: Resultados do PADC pelo procedimento I
Dp
Instncia fo
Mtodo fo
H
(%)
PADC01 216,8 VND 212,0 899,2
VNS 212,0 0,0
PADC02 2.751,8 VND 2.731,7 73,7
VNS 2.731,7 12,4
PADC03 2.527,1 VND 3.294,5 1.050,5
VNS 556,5 113,4
PADC04 4.308,5 VND 6.791,2 274,3
VNS 3.734,5 36,7
Nesta tabela, fo
representa o melhor valor de funo objetivo encontrado pelo

modelo de programao matemtica em quinze minutos de processamento e fo
H
o
melhor valor da funo de avaliao encontrado pela aplicao do mtodo heurstico
em 10 execues de cada instncia (calculado conforme a frmula (4.1)). No caso
do mtodo VNS, o critrio de parada adotado foi quinze minutos de processamento.
A coluna Dp indica o desvio percentual, em relao melhor soluo encontrada
100
(fo
ou fo
H
), da mdia da funo de avaliao da heurstica nessas 10 execues
(calculada conforme a frmula (4.2)).
O algoritmo VNS mostrou-se eciente nos testes realizados, encontrando solues
nais de qualidade melhor que as encontradas pelo mtodo de programao matemti-
ca em todas as instncias. Alm disso, o desvio encontrado baixo, indicando que
o mtodo robusto. O VND, apesar de ter superado o mtodo exato nas instn-
cias PADC01 e PADC02, de modo geral, no apresentou solues de boa qualidade,
manifestado pelo elevado desvio em relao melhor soluo obtida. Este compor-
tamento pode ser explicado pela capacidade limitado de o VND escapar de timos
locais.
A Tabela 4.9 mostra os resultados obtidos pela aplicao do procedimento II
aos mtodos desenvolvidos, coluna Mtodo, a cada instncia teste do PADC. Nes-
ta tabela fa
H
representa o melhor valor da funo de avaliao encontrado pela
aplicao do mtodo heurstico em 10 execues de cada instncia, considerando a
metodologia exposta na seo 3.2.3.3, pgina 55. No caso do mtodo VNS, o critrio
de parada utilizado foi de quinze minutos de processamento. A coluna Dp indica o
desvio percentual, em relao fa
H
, da mdia da funo de avaliao da heurstica
nessas 10 execues. A coluna Tempo mostra o tempo mdio, em segundos, em
que foi encontrada a melhor soluo.
Tabela 4.9: Comparao entre os mtodos heursticos para o PADC pelo procedi-
mento II
Dp Tempo
Instncia Mtodo fa
H
(%) (s)
PADC01 VND 7.958 2.367,4 3,8
VNS 6.343 11,5 302,2
PADC02 VND 18.663 902,2 4,0
VNS 16.963 4,3 268,7
PADC03 VND 4.185 278,9 18,2
VNS 1.568 33,1 292,9
PADC04 VND 4.452 180,9 19,1
VNS 1.939 17,5 193,4
Ao comparar os resultados obtidos considerando a funo de avaliao utilizada
pelas heursticas possvel vericar que o algoritmo VNS apresentou o melhor de-
sempenho. Este fato pode ser explicado por ser o algoritmo VND um mtodo de
101
renamento que no possui estratgias que possibilitem escapar de timos locais.
Isto comprovado em boa parte dos testes realizados, onde o algoritmo VND no
obteve xito em gerar sequer solues viveis, fazendo com que o desvio em relao
melhor soluo fosse alto. O tempo mdio de processamento do algoritmo VNS,
necessrio para encontrar a melhor soluo, maior pois utiliza o algoritmo VND
como mtodo de busca local a cada soluo gerada.
A Figura 4.1 mostra o comportamento tpico do algoritmo VNS aplicado ins-
tncia teste PADC03 durante quinze minutos de execuo. Nesta gura, a linha
contnua representa a funo de avaliao da melhor soluo encontrada ao longo
da busca e a linha tracejada representa o comportamento da funo de avaliao da
soluo corrente durante a explorao do espao de solues.
10
3
10
4
10
5
10
6
0 100 200 300 400 500 600 700 800 900
F
u
n
c
a
o

d
e

A
v
a
l
i
a
c
a
o
Tempo de Processamento(s)
Figura 4.1: Comportamento tpico do algoritmo VNS para o PADC
A Tabela 4.10 mostra, para cada parmetro de controle analisado, coluna Pa-
rmetro, as metas de qualidade, coluna tr, e os limites de especicao mnimos
e mximos, respectivamente colunas tl e tu, bem como as caractersticas da me-
lhor soluo encontrada pelo modelo de programao matemtica, coluna PMat,
e a melhor soluo obtida pelos modelo heurstico de melhor desempenho, colu-
na VNS, considerando a instncia PADC01. Nesta tabela, a soluo de progra-
mao matemtica foi obtida pela aplicao do procedimento I, enquanto a do
VNS foi obtida usando o procedimento II.
Os resultados da Tabela 4.10 mostram que a soluo heurstica atende as exign-
cias especicadas com relao qualidade do produto nal, mesmo tendo em vista
102
Tabela 4.10: Caractersticas das solues geradas relativas instncia PADC01
Parmetro tl - tr - tu PMat VNS
VAR01 2,4000 - 3,3000 - 4,2000 3,2959 3,2966
VAR02 3,4700 - 4,2400 - 5,0000 4,2315 4,2321
VAR03 0,5000 - 1,6300 - 2,7500 1,6302 1,6293
VAR04 2,7000 - 3,9200 - 5,1300 3,9206 3,9197
VAR05 0,9300 - 1,0700 - 1,2000 1,0644 1,0645
VAR06 2,8000 - 3,0300 - 3,2500 3,0260 3,0259
VAR07 0,8600 - 1,1300 - 1,4000 1,1288 1,1290
VAR08 1,1000 - 1,2400 - 1,3700 1,2356 1,2355
VAR09 1,0000 - 1,7700 - 2,5300 1,7685 1,7679
VAR10 1,2100 - 1,7100 - 2,2000 1,7027 1,7031
o nmero maior de requisitos de avaliao considerados no procedimento heurstico.
O Anexo V, pgina 122, apresenta um relatrio detalhado informando os valores
da produo de minrio e estril e a relao estril/minrio, os valores de cada
componente da funo de avaliao, a alocao e produo dos equipamentos de
carga. Este relatrio apresenta ainda um resumo sobre a situao dos parmetros
de controle e a utilizao dos caminhes.
4.3.3 Resultados dos Modelos Heursticos do PAEC
Para o PAEC foram implementados os algoritmos VND (seo 3.3.3.5) e VNS
(seo 3.3.3.6). Cada algoritmo foi testado a partir de dez execues, cada qual
partindo de uma semente diferente de nmeros aleatrios.
A Tabela 4.11 mostra os resultados obtidos pela aplicao do Procedimento I
aos mtodos heursticos, coluna Mtodo, desenvolvidos na seo 3.3.3 a cada ins-
tncia teste do PAEC apresentada na seo 4.1.2, coluna Instncias. Nesta tabela,
fo
representa o melhor valor de funo objetivo encontrado pelo modelo de pro-

gramao matemtica em quinze minutos de processamento e fo
H
o melhor valor
da funo de avaliao encontrado pela aplicao do mtodo heurstico em 10 exe-
cues de cada instncia (calculado conforme a frmula (4.1), pgina 96). No caso
do mtodo VNS, o critrio de parada adotado foi quinze minutos de processamento.
A coluna Dp indica o desvio percentual, em relao melhor soluo encontrada
(fo
ou fo
H
), da mdia da funo de avaliao da heurstica nessas 10 execues
(calculado conforme a frmula (4.2), pgina 99).
103
Tabela 4.11: Resultados do PAEC, utilizando o procedimento I
Dp
Instncia fo
Mtodo fo
H
(%)
PAEC01 212,0 VND 424,0 577,6
VNS 212,0 0,2
PAEC02 2.751,8 VND 5.463,4 127,8
VNS 2731,7 0,0
PAEC03 1.556,0 VND 3.399,7 846,0
VNS 684,5 94,9
PAEC04 5.364,7 VND 6.791,2 188,5
VNS 3.734,5 32,6
Os resultados da Tabela 4.11 demonstram a ecincia do mtodo VNS sobre
o mtodo de programao matemtica. Em todas as instncias o mtodo VNS
superou em muito o mtodo exato, em alguns casos, como na instncia PAEC03,
a reduo sobre o valor produzido pelo mtodo de programao matemtica foi
de 56%. Mesmo considerando o desvio inerente a uma metodologia heurstica, o
mtodo VNS supera em qualidade nal as solues produzidas pela metodologia de
programao matemtica.
A Tabela 4.12 apresenta os resultados obtidos pela aplicao do procedimen-
to II aos mtodos heursticos desenvolvidos, coluna Mtodo, a cada instncia teste
do PAEC. Nesta tabela fa
H
representa o melhor valor da funo de avaliao encon-
trado pela aplicao do mtodo heurstico em 10 execues de cada instncia. No
caso do mtodo VNS, o critrio de parada foi de quinze minutos de processamento.
A coluna Dp indica o desvio percentual, em relao melhor soluo heurstica
encontrada, da mdia da funo de avaliao da heurstica nessas 10 execues. A
coluna Tempo mostra o tempo mdio, em segundos, em que foi encontrada a melhor
soluo.
Observa-se que o mtodo VNS apresentou, conforme se esperava, as melhores
solues nais, alm de se mostrar robusto, manifestado pelo fato de apresentar um
desvio insignicante.
O maior tempo mdio de processamento para encontrar a melhor soluo se deve
pelo fato de o VNS utilizar o VND como mtodo de busca local, chamando-o a cada
soluo gerada durante a explorao do espao de solues.
104
Tabela 4.12: Comparao entre os mtodos heursticos para o PAEC pelo procedi-
mento II
Dp Tempo
Instncia Mtodo fo
H
(%) (s)
PAEC01 VND 10.355 3.586,1 4,2
VNS 9.352 0,6 382,5
PAEC02 VND 20.705 1.499,5 4,3
VNS 20.705 1,43 310,7
PAEC03 VND 3.717 913,8 19,3
VNS 2.461 1,5 443,4
PAEC04 VND 3.533 401,1 19,4
VNS 2.581 1,0 477,7
O desempenho po do mtodo VND se deve capacidade limitada que o mtodo
tem para superar as armadilhas dos timos locais.
A Tabela 4.13 mostra, para cada parmetro de controle analisado, coluna Pa-
rmetro, as metas de qualidade, coluna tr, bem como as caractersticas da melhor
soluo encontrada pelo modelo de programao matemtica, coluna Pmat, e a
melhor soluo obtida pelo modelo heurstico de melhor desempenho, coluna VNS,
considerando a instncia PAEC03. Esta instncia no apresenta limites de especi-
cao para os parmetros de controle. Nesta tabela, a soluo de programao
matemtica foi obtida pela aplicao do procedimento I, enquanto a do VNS foi
obtida usando o procedimento II
Tabela 4.13: Caractersticas das solues geradas relativas instncia PAE03
Parmetro tr Pmat VNS
Fe 47,9100 47,9271 47,5707
Al
2
O
3A
0,4700 0,4946 0,4988
Al
2
O
3B
0,2600 0,2710 0,2734
P
A
0,0350 0,0374 0,0435
P
B
0,0420 0,0430 0,0461
PPC
A
1,8800 1,8663 2,1580
PPC
C
2,1500 2,1017 2,3468
-325# 16,5000 16,3695 16,7532
RFe 80,9400 80,9351 80,8737
HEc 43,0000 43,0488 42,4634
Os resultados da Tabela 4.13 mostram que a soluo heurstica atende as exign-
cias especicadas com relao qualidade do produto nal, mesmo considerando
que o procedimento heurstico inclui outras restries no abordadas no modelo de
105
programao matemtica.
A Figura 4.2 mostra o comportamento tpico do algoritmo VNS aplicado ins-
tncia teste PADC03 durante quinze minutos de execuo. Nesta gura, a linha
contnua representa a evoluo da funo de avaliao da melhor soluo encontra-
da no processo de busca e a linha tracejada representa o comportamento da funo
de avaliao da soluo corrente, demonstrando o comportamento do mtodo na
explorao do espao de solues.
10
3
10
4
0 100 200 300 400 500 600 700 800 900
F
u
n
c
a
o

d
e

A
v
a
l
i
a
c
a
o
Tempo de Processamento(s)
Figura 4.2: Comportamento tpico do algoritmo VNS para o PAEC
No Anexo VI, pgina 125, apresenta-se um relatrio semelhante ao do PADC,
diferenciando-se por apresentar os valores de cada componente da funo de avali-
ao relativos alocao esttica dos caminhes. Neste anexo consta um quadro
informando a frente qual cada caminho est alocado, bem como o nmero de
viagens ela realizada.
106
Captulo 5
Concluses e Perspectivas
Este trabalho trata de problemas de planejamento operacional de lavra em minas a
cu aberto. Mais precisamente, foram estudados os problemas de mistura de min-
rios (PMM), de mistura de minrios com alocao dinmica de caminhes (PADC)
e de mistura de minrios com alocao esttica de caminhes (PAEC), abordando
suas caractersticas bsicas.
Os modelos de programao matemtica propostos na literatura para resolver
estes problemas foram ampliados para incorporar outras restries e requisitos co-
muns realidade operacional da indstria mineral. No caso, foram propostos mo-
delos baseados em programao por metas (goal programming). Esta escolha foi
considerada por representar ecientemente a realidade na indstria mineral, na qual
atingir metas de produo e qualidade um fator essencial na tomada de deciso.
Alm dos modelos de programao matemtica por metas que foram propostos
para cada problema, tambm foram desenvolvidos modelos heursticos de otimiza-
o baseados em metaheursticas. No caso do PADC e do PAEC esta abordagem se
justica devido ao fato de que estes problemas se reduzem ao Problema da Mochila
Inteira Mltipla, o qual pertence classe de problemas NP-difceis. Isto signica
que no existem algoritmos que resolvam estes problemas em tempo polinomial.
Assim, modelos de programao matemtica s conseguem resolver ecientemente
problemas de pequeno porte. O tratamento heurstico para os problemas aborda-
dos tambm se justica em vista de apresentarem custos mais acessveis que os
requeridos pela aquisio de um aplicativo de otimizao para resolver os modelos
de programao matemtica.
Para a abordagem heurstica dos problemas, foram desenvolvidas representaes
107
de solues e movimentos especcos para explorar o espao de solues de cada um
desses problemas.
No caso do PMM, foram desenvolvidos trs tipos de movimentos: a) acrescer ou
decrescer em uma caambada a quantidade de minrio a ser usada de uma frente;
b)acrescer ou decrescer em duas caambadas a quantidade de minrio a ser usada
de uma frente e c) Realocar uma caambada de minrio a ser usada de uma frente
para outra frente. Os algoritmos implementados foram Simulated Annealing, VND,
VNS e um mtodo hbrido Simulated Annealing-VND.
No caso do PADC e do PAEC, foram desenvolvidos seis tipos de movimentos:
(a) Realocar equipamentos de carga; (b) Retomar ou parar a operao em uma
frente; (c) Acrescentar ou diminuir o nmero de viagens de um caminho em uma
frente; (d) Realocar o nmero de viagens de um caminho em frentes diferentes; (e)
Realocar o nmero de viagens realizadas em uma frente para caminhes diferentes e
(f) Retomar ou parar a operao de um caminho em uma frente. Dada a natureza
diversicada dos tipos de movimentos desenvolvidos, os mtodos mais naturais para
serem usados so aqueles baseados em explorao de vizinhana varivel. Desta
forma, foram aplicados a esses dois problemas os mtodos VND e VNS.
Para testar os modelos desenvolvidos foram utilizadas instncias existentes na
literatura e criadas instncias baseadas em situaes reais da indstria mineral.
Para cada instncia foram comparados os resultados obtidos pelos modelos de pro-
gramao matemtica e os modelos heursticos, tanto em relao qualidade da
soluo nal quanto ao tempo de execuo dos algoritmos. Os resultados computa-
cionais obtidos mostraram que os algoritmos heursticos desenvolvidos so capazes
de encontrar solues nais de qualidade rapidamente. Dentre os mtodos desen-
volvidos, o VNS se mostrou o mais eciente para tratar todos os problemas analisa-
dos, tendo conseguido superar as solues produzidas pelo mtodo de programao
matemtica.
Como contribuio deste trabalho, mostrou-se que possvel desenvolver meto-
dologias que atendam a necessidade de otimizao do planejamento operacional de
lavra na indstria mineral brasileira, substituindo os tradicionais mtodos de tenta-
tiva e erro. Dentre estas metodologias destaca-se a aplicao dos mtodos heursticos
de otimizao pela ecincia e exibilidade, incorporando restries particulares de
108
cada empresa.
Como trabalho futuro, aponta-se a necessidade de melhoria dos mtodos heurs-
ticos. Uma sugesto seria dividir a faixa de valores compreendida entre os limites
inferior e superior de cada parmetro em trs faixas: a) uma entre o limite inferior
e um valor prximo e abaixo da meta; b) uma entre esse valor prximo e abaixo da
meta e outro prximo e acima da meta e c) uma faixa entre esse valor prximo e
acima da meta e o limite superior. A faixa intermediria seria ento dividida em
partes menores que as outras duas faixas, resultando em intervalos de signicn-
cia menores. Com esta subdiviso seria possvel diferenciar ainda mais as solues
prximas s metas, capacitando o algoritmo a renar melhor as solues.
Uma outra possibilidade de melhora a utilizao de modelos heursticos hibri-
dizados com modelos de programao matemtica. Por exemplo, no PADC e no
PAEC um mtodo heurstico faria a alocao dos equipamentos de carga e trans-
porte e acionaria um mtodo de programao matemtica para resolver de forma
exata o problema da mistura relativo a essa congurao, haja vista que este ltimo
problema resolvido de forma eciente por um mtodo de programao matemtica.
A aplicao de outras metodologias heursticas, tais como GRASP, Busca Tabu
e Algoritmos Genticos, tambm uma das alternativas que podem ser testadas
visando a melhoria das solues nais produzidas.
109
Referncias Bibliogrcas
Alvarenga, G. B. (1997). Despacho timo de caminhes numa minerao de ferro uti-
lizando algoritmo gentico com processamento paralelo. Dissertao de mestrado,
Programa de Ps-Graduao em Engenharia Eltrica/UFMG, Belo Horizonte.
Bregalda, P. F.; Oliveira, A. A. F. e Bornstein, C. T. (1988). Introduo Progra-
mao Linear. Editora Campus, Rio de Janeiro, 3
a
edio.
Bueno, A. F. e Oliveira, M. C. (2004). Pesquisa Operacional para deciso em
contabilidade e administrao, Captulo 8, Goal Programing (Programao Mul-
tiobjetivo), p. 394438. Editora Atlas, So Paulo.
Chanda, E. K. C. e Dagdelen, Kadri. (1995). Optimal blending of mine production
using goal programming and interactive graphics systems. International Journal
of Surface Mining, Reclamation and Environment, v. 9, p. 203208.
Dowsland, K.A. (1993). Simulated Annealing. Reeves, C.R., editor, Modern Heuris-
tic Techniques for Combinatorial Problems, Advanced Topics in Computer Science
Series, Captulo 2, p. 2069. Blackwell Scientic Publications, London.
Ezawa, L. e Silva, K. S. (1995). Alocao dinmica de caminhes visando qualidade.
VI Congresso Brasileiro de Minerao, p. 1519, Salvador, Bahia.
Feo, T.A. e Resende, M.G.C. (1995). Greedy randomized adaptive search procedures.
Journal of Global Optimization, v. 6, p. 109133.
Gershon, M. (1982). A linear programming approach to mine scheduling optimiza-
tion. Proceedings of the 17th Application of computers and operations research in
the mineral industry, p. 483493, New York.
Glover, F. e Laguna, M. (1997). Tabu Search. Kluwer Academic Publishers, Boston.
Hansen, P. e Mladenovi, N. (1999). Variable Neighborhood Search: Methods
and Recent Applications. Proceedings of the Third Metaheuristics International
Conference, p. 275280, Angra dos Reis, Brazil.
Hansen, P. e Mlavenovi, N. (2001). Variable Neighborhood Search: Principles and
Applications. European Journal of Operational Research, v. 130, p. 449467.
Kirkpatrick, S.; Gellat, D.C. e Vecchi, M.P. (1983). Optimization by Simulated
Annealing. Science, v. 220, p. 671680.
110
Loesch, C. e Hein, N. (1999). Pesquisa Operacional: Fundamentos e Modelos.
Editora FURB, Blumenau.
Merschmann, L. H. C. (2002). Desenvolvimento de um sistema de otimizao e
simulao para anlise de cenrios de produo em minas a cu aberto. Disser-
tao de mestrado, Programa de Engenharia de Produo/COPPE/UFRJ, Rio
de Janeiro.
Mladenovi, N. e Hansen, P. (1997). Variable Neighborhood Search. Computers and
Operations Research, v. 24, p. 10971100.
Mutmansky, J. M. (1979). Computing and operations research techniques for pro-
duction scheduling. Computer methods for the 80s in the mineral industry, p.
615625, New York.
Papadimitriou, C. H. e Steiglitz, K. (1998). Combinatorial Optimization: Algorithms
and Complexity. Dover Publications, Inc., New York.
Pinto, L. R.; Biajoli, F. L. e Mine, O. M. (2003). Uso de otimizador em planilhas
eletrnicas para auxlio ao planejamento de lavra. Relatrio tcnico, Programa
de Ps-graduao em Engenharia Mineral, Universidade Federal de Ouro Preto,
Ouro Preto, Minas Gerais.
Pinto, L. R. e Merschmann, L. H. C. (2001). Planejamento operacional da lavra
de mina usando modelos matemticos. Revista Escola de Minas, v. 54, n. 3, p.
211214.
Romero, C. (2004). A general structure of achievement function for a goal program-
ming model. European Journal of Operational Research, v. 153, p. 675686.
Souza, M. J. F. (2000). Programao de horrios em escolas: uma aproximao
por metaheursticas. Tese de doutorado, Programa de Engenharia de Sistemas e
Computao, COPPE/UFRJ, Rio de Janeiro.
Torreo, J.R.A. (2004). Inteligncia Computacional. Notas de aula, Universidade
Federal Fluminense, Niteri.
White, J. W.; Arnold, M. J. e Clevenger, J. G. (1982). Automated open-pit truck
dispatching at Tyrone. Engineering and Mining Journal, v. 183, n. 6, p. 7684.
White, J. W. e Olson, J. P. (1986). Computer-based dispatching in mines with
concurrent operating objetives. Mining Engineering, v. 38, n. 11, p. 10451054.
111
Anexo I
Modelo LINGO para o PMM
Model:
Title PMM;
sets:
parametros: tl, tu, tr, dn, dp,wn,wp;
pilhas: Ql, Qu, x, N, Cc;
matriz(pilhas, parametros): teores;
endsets
data:
pilhas, parametros = @ole(PMM.xls,pilhas,parametros);
teores = @ole(PMM.xls,teores);
Ql, Qu, Cc = @ole(PMM.xls,Ql,Qu, Cc);
tl, tu, tr = @ole(PMM.xls,tl,tu,tr);
Pr, Pl, Pu = @ole(PMM.xls,Pr,Pl,Pu);
wn,wp,wpn,wpp = @ole(PMM.xls,wn,wp,wpn,wpp);
enddata
[fo] min = desvio_teor + desvio_producao;
desvio_teor = @sum(parametros(j): wn(j)*dn(j))
+ @sum(parametros(j): wp(j)*dp(j));
desvio_producao = wpn*dpn + wpp*dpp;
@for(parametros(j):
@sum(pilhas(i): (teores(i,j) - tu(j))*x(i)) <= 0
);
112
@for(parametros(j):
@sum(pilhas(i): (teores(i,j) - tl(j))*x(i)) >= 0
);
@for(parametros(j):
@sum(pilhas(i): (teores(i,j) - tr(j))*x(i)) + dn(j) - dp(j) = 0
);
@sum(pilhas(i): x(i)) <= Pu;
@sum(pilhas(i): x(i)) >= Pl;
@sum(pilhas(i): x(i)) + dPn - dPp - Pr = 0;
@for(pilhas(i):
@BND(Ql(i),x(i),Qu(i))
);
@for(pilhas(i):
x(i)= Cc(i)*N(i)
);
@for(pilhas(i):
@GIN(N(i))
);
Data:
@ole(PMM.xls,N,x,fo)= N,x,fo;
enddata
end
113
Anexo II
Modelo LINGO para o PADC
Model:
Title PADC;
sets:
parametros: tl, tu, tr, wn, wp, dn, dp;
frentes: x, Ql, Qu, mine;
carga: Cs, Cl;
caminhoes: cap;
matriz1(frentes, parametros): teores;
matriz2(frentes, carga): y;
matriz3(caminhoes,carga): g;
matriz4(frentes,caminhoes): nv, T;
endsets
data:
frentes, parametros = @ole(PADC.xls,frentes,parametros);
teores, mine = @ole(PADC.xls,teores,mine);
tl, tu, tr = @ole(PADC.xls,tl,tu,tr);
wn, wp, wpn, wpp = @ole(PADC.xls,wn,wp,wpn,wpp);
Pu, Pl, Pr, Ql, Qu= @ole(PADC.xls,Pu,Pl,Pr,Ql,Qu);
rem, carga, Cs, Cl = @ole(PADC.xls,rem,carga,Cs,Cl);
caminhoes, cap = @ole(PADC.XLS,caminhoes,cap);
g, T = @ole(PADC.XLS,g,T);
enddata
[fo]min = desvio_teor + desvio_producao;
114
desvio_producao = wpn*dPn + wpp*dPp;
@for(parametros(j):
@sum(frentes(i)|mine(i)#eq#1: (teores(i,j) - tu(j))*x(i)) <= 0
);
@for(parametros(j):
@sum(frentes(i)|mine(i)#eq#1: (teores(i,j) - tl(j))*x(i)) >= 0
);
@for(parametros(j):
@sum(frentes(i)|mine(i)#eq#1: (teores(i,j) - tr(j))*x(i))
+ dn(j) - dp(j) = 0
);
@sum(frentes(i)|mine(i)#eq#1:x(i)) - Pu <= 0;
@sum(frentes(i)|mine(i)#eq#1:x(i)) - Pl >= 0;
@sum(frentes(i)|mine(i)#eq#1:x(i)) + dPn - dPp - Pr = 0;
@for(frentes(i):
);
@sum(frentes(i)|mine(i)#eq#0: x(i)) -
rem*@sum(frentes(i)|mine(i)#eq#1: x(i)) >= 0;
@for(frentes(i):
@sum(carga(k):y(i,k))<=1
);
@for(carga(k):
@sum(frentes(i):y(i,k))<=1
);
@for(matriz2(i,k):
@BIN(y(i,k))
);
@for(frentes(i):
x(i) - @sum(carga(k):Cs(k)*y(i,k)) <= 0
);
115
@for(frentes(i):
x(i) - @sum(carga(k):Cl(k)*y(i,k))>= 0
);
@for(matriz4(i,l):
nv(i,l)*T(i,l) - 60*@sum(carga(k)|g(l,k)#ne#0:y(i,k)) <= 0
);
@for(caminhoes(l):
@sum(frentes(i):nv(i,l)*T(i,l)) - 60 <= 0
);
@for(frentes(i):
x(i) - @sum(caminhoes(l):nv(i,l)*cap(l)) = 0
);
@for(matriz4(i,l):
@GIN(nv(i,l))
);
Data:
@ole(PADC.xls,fo,x,nv)= fo,x,y,nv;
enddata
end
116
Anexo III
Modelo LINGO para o PAEC
Model:
Title PAEC;
sets:
parametros: tl, tu, tr, wn, wp, dn, dp;
frentes: x, Ql, Qu, Nu, u, mine;
carga: Cs, Cl;
caminhoes: cap;
matriz1(frentes, parametros): teores;
matriz2(frentes, carga): y;
matriz3(caminhoes,carga): g;
matriz4(frentes,caminhoes): z, nv;
endsets
data:
frentes, parametros = @ole(PAEC.xls,frentes,parametros);
teores, mine, Nu, u = @ole(PAEC.xls,teores,mine,Nu,u);
tl, tu, tr = @ole(PAEC.xls,tl,tu,tr);
wn, wp, wpn, wpp = @ole(PAEC.xls,wn,wp,wpn,wpp);
Pu, Pl, Pr, Ql, Qu = @ole(PAEC.xls,Pu,Pl,Pr,Ql,Qu);
rem, carga, Cs, Cl = @ole(PAEC.xls,rem,carga,Cs,Cl);
caminhoes, cap, g = @ole(PAEC.XLS,caminhoes,cap,g);
enddata
[fo]min = desvio_teor + desvio_producao;
desvio_producao = wpn*Pn + wpp*Pp;
117
@for(parametros(j):
@sum(frentes(i)|mine(i)#eq#1: (teores(i,j) - tu(j))*x(i)) <= 0
);
@for(parametros(j):
@sum(frentes(i)|mine(i)#eq#1: (teores(i,j) - tl(j))*x(i)) >= 0
);
@for(parametros(j):
@sum(frentes(i)|mine(i)#eq#1: (teores(i,j) - tr(j))*x(i))
+ dn(j) - dp(j) = 0
);
@sum(frentes(i)|mine(i)#eq#1:x(i)) - Pu <= 0;
@sum(frentes(i)|mine(i)#eq#1:x(i)) - Pl >= 0;
@sum(frentes(i)|(i)#eq#1:x(i)) + dPn - dPp - Pr = 0;
@for(frentes(i):
);
@sum(frentes(i)|mine(i)#eq#0: x(i)) -
rem*@sum(frentes(i)|mine(i)#eq#1: x(i)) >= 0;
@for(frentes(i):
@sum(carga(k):y(i,k))<=1
);
@for(carga(k):
@sum(frentes(i):y(i,k))<=1
);
@for(matriz2(i,k):
@BIN(y(i,k))
);
@for(frentes(i):
x(i) - @sum(carga(k):Cs(k)*y(i,k)) <= 0
);
118
@for(frentes(i):
x(i) - @sum(carga(k):Cl(k)*y(i,k)) >= 0
);
@for(caminhoes(l):
@sum(frentes(i):z(i,l)) - 1 <= 0
);
@for(matriz4(i,l):
z(i,l) - @sum(carga(k)|g(l,k)#NE#0:y(i,k)) <= 0
);
@for(frentes(i):
@sum(caminhoes(l):z(i,l)) - u(i) <= 0
);
@for(matriz4(i,l):
@BIN(z(i,l))
);
@for(matriz4(i,l):
nv(i,l) - Nu(i)*z(i,l) <= 0
);
@for(frentes(i):
x(i) - @sum(caminhoes(l):nv(i,l)*cap(l)) = 0
);
@for(matriz4(i,l):
@GIN(nv(i,l))
);
Data:
@ole(PAEC.xls,fo,x,y,nv)= fo, x, y, nv;
enddata
end
119
Anexo IV
Relatrio Gerado para o PMM
RELATORIO DO PMM
TESTE: PMM03_SAVND9999.rel
fo : 1013643
Desvio Producao: 0.00
Desvio teor : 60818.31
SEMENTE : 9999
TempoCPU(seg) : 0.300
Producao das Frentes
ID [MaxC] Cacambadas Producao
-----------------------------------
0 [ 21] 21 630.00
1 [ 21] 0 0.00
2 [ 18] 13 390.00
3 [ 12] 12 360.00
4 [ 42] 42 1260.00
5 [ 45] 45 1350.00
6 [ 30] 30 900.00
7 [ 37] 0 0.00
8 [ 33] 17 510.00
9 [ 20] 20 600.00
-----------------------------------
Total 200 6000.00
120
Parametros de Controle
ID [ Minimo - Meta - Maximo] Encontrado Dif. Pontuacao STATUS
------------------------------------------------------------------
0 [ 64.500 - 65.000 -100.000] 65.6429 0.6429 64295 ok!
1 [ 4.800 - 4.900 - 5.000] 4.9022 0.0022 225 ok!
2 [ 0.000 - 0.026 - 0.030] 0.0206 -0.0054 536 ok!
3 [ 0.000 - 0.900 - 1.100] 0.7709 -0.1291 12915 ok!
4 [ 0.000 - 0.150 - 0.300] 0.1413 -0.0087 868 ok!
5 [ 0.000 - 6.000 - 10.000] 6.7475 0.7475 74750 ok!
6 [ 0.000 - 6.500 - 10.000] 8.5270 2.0270 202701 ok!
7 [ 53.000 - 55.000 -100.000] 58.9375 3.9375 393751 ok!
8 [ 0.000 - 25.700 -100.000] 25.3945 -0.3055 30551 ok!
9 [ 0.000 - 23.700 - 25.000] 21.3695 -2.3305 233051 ok!
------------------------------------------------------------------
121
Anexo V
Relatrio Gerado para o PADC
Relatorio para a alocacao DINAMICA de caminhoes
TESTE: PADC01_VNS1111.rel
fo : 7469
SEMENTE : 1111
Producao de Minerio 5800.00 [ 4800.0 - 5800.0 - 6800.0]
Producao de Esteril 1800.00
REM 0.31 [ 0.30 - 0.31 - 0.40]
Componentes da Funcao de Avaliacao
Favaliacao 7469
--------------------------
fa_producao 0
fa_teor 1252
fa_rem 4
fa_produtcam 3230
fa_prodcarga 2960
fa_totalcam 23
--------------------------
122
Equipamentos de Carga
ID Frente [Prod Min - Prod Max] RitmoLavra Pontuacao STATUS
------------------------------------------------------------------
7 1 [ 400.0 - 1100.0] 1040.0 860 ok!
6 2 [ 400.0 - 1100.0] 1040.0 860 ok!
5 5 [ 350.0 - 1000.0] 960.0 620 ok!
3 7 [ 300.0 - 900.0] 900.0 0 ok!
4 8 [ 350.0 - 1000.0] 960.0 620 ok!
2 11 [ 300.0 - 900.0] 900.0 0 ok!
0 14 [ 300.0 - 900.0] 900.0 0 ok!
1 16 [ 300.0 - 900.0] 900.0 0 ok!
------------------------------------------------------------------
------------------------------------------------------------------
0 [ 2.400 - 3.300 - 4.200] 3.2966 -0.0034 39 ok!
1 [ 3.470 - 4.240 - 5.000] 4.2321 -0.0079 103 ok!
2 [ 0.500 - 1.630 - 2.750] 1.6293 -0.0007 7 ok!
3 [ 2.700 - 3.920 - 5.130] 3.9197 -0.0003 3 ok!
4 [ 0.930 - 1.070 - 1.200] 1.0645 -0.0055 395 ok!
5 [ 2.800 - 3.030 - 3.250] 3.0259 -0.0041 180 ok!
6 [ 0.860 - 1.130 - 1.400] 1.1290 -0.0010 39 ok!
7 [ 1.100 - 1.240 - 1.370] 1.2355 -0.0045 321 ok!
8 [ 1.000 - 1.770 - 2.530] 1.7679 -0.0021 27 ok!
9 [ 1.210 - 1.710 - 2.200] 1.7031 -0.0069 138 ok!
------------------------------------------------------------------
123
Nmero de viagens realizadas s frentes pelos caminhes
Caminhao | 1 2 5 7 8 11 14 16 | Util. Pontuacao STATUS
-------------------------------------------------------------
0 | . . . 3 . . 1 1 | 78.3 79 ok!
2 | . . . 2 . 2 1 . | 77.2 93 ok!
3 | . . . 1 . . 2 2 | 78.3 79 ok!
4 | . . . 1 . 4 . . | 77.7 87 ok!
5 | . . . 1 . 3 . 1 | 78.7 75 ok!
6 | . . . 3 . . 1 1 | 78.3 79 ok!
7 | . . . 1 . . 3 1 | 76.7 99 ok!
8 | . . . . . 3 3 . | 91.0 401 ok!
9 | . . . . . . 2 3 | 79.2 69 ok!
10 | . . . 2 . . . 3 | 80.8 50 ok!
11 | . . . . . 1 . 4 | 81.5 42 ok!
12 | . . . 3 . 2 . . | 78.0 83 ok!
13 | . . . . . 2 1 2 | 78.8 73 ok!
14 | . . . 1 . 1 4 . | 90.5 367 ok!
15 | 4 1 . . . . . . | 75.3 114 ok!
16 | 1 . 2 . 3 . . . | 88.0 200 ok!
17 | 3 . . . 2 . . . | 74.3 126 ok!
24 | . 5 . . . . . . | 76.7 99 ok!
25 | . . 2 . 4 . . . | 87.7 178 ok!
26 | 1 4 . . . . . . | 76.3 102 ok!
27 | 1 2 3 . . . . . | 89.2 278 ok!
28 | 1 1 4 . . . . . | 88.3 223 ok!
29 | 2 . 1 . 3 . . . | 88.5 234 ok!
-------------------------------------------------------------
Total de caminhoes: 23
124
Anexo VI
Relatrio Gerado para o PAEC
Relatorio para a alocacao ESTATICA de caminhes
TESTE: PAEC03_VNS1111.rel
fo : 2520
SEMENTE : 1111
Producao de Minerio 4100.00 [ 3100.0 - 4100.0 - 5100.0]
Producao de Esteril 0.00
REM 0.00 [ 0.00 - 0.00 - 0.00]
Componentes da Funcao de Avaliacao
Favaliacao 2520
--------------------------
fa_producao 0
fa_teor 293
fa_rem 0
fa_produtcam 2211
fa_prodcarga 0
fa_totalcam 16
fa_estatico 0
fa_numcamfre 0
--------------------------
125
Equipamentos de Carga
ID Frente [Prod Min - Prod Max] RitmoLavra Pontuacao STATUS
------------------------------------------------------------------
3 2 [ 300.0 - 500.0] 500.0 0 ok!
0 3 [ 300.0 - 500.0] 500.0 0 ok!
1 5 [ 300.0 - 400.0] 400.0 0 ok!
2 7 [ 300.0 - 400.0] 400.0 0 ok!
5 15 [ 350.0 - 900.0] 900.0 0 ok!
6 17 [ 400.0 - 600.0] 600.0 0 ok!
4 28 [ 350.0 - 800.0] 800.0 0 ok!
------------------------------------------------------------------
------------------------------------------------------------------
0 [ 0.000 - 47.910 -100.000] 47.5707 -0.3393 71 ok!
1 [ 0.000 - 0.470 -100.000] 0.4988 0.0288 3 ok!
2 [ 0.000 - 0.260 -100.000] 0.2734 0.0134 2 ok!
3 [ 0.000 - 0.035 -100.000] 0.0435 0.0085 1 ok!
4 [ 0.000 - 0.042 -100.000] 0.0461 0.0041 1 ok!
5 [ 0.000 - 1.880 -100.000] 2.1580 0.2780 29 ok!
6 [ 0.000 - 2.150 -100.000] 2.3468 0.1968 21 ok!
7 [ 0.000 - 16.500 -100.000] 16.7532 0.2532 31 ok!
8 [ 0.000 - 80.940 -100.000] 80.8737 -0.0663 9 ok!
9 [ 0.000 - 43.000 -100.000] 42.4634 -0.5366 125 ok!
------------------------------------------------------------------
126
Nmero de viagens realizadas s frentes pelos caminhes
Caminhao | 2 3 5 7 15 17 28 | Util. Pontuacao STATUS
-------------------------------------------------------------
0 | . . . . . . 5 | 75.8 108 ok!
1 | . . . . . . 5 | 75.8 108 ok!
2 | . . 3 . . . . | 46.0 459 ok!
3 | . . . . . 6 . | 87.0 134 ok!
4 | . . . . . 6 . | 87.0 134 ok!
5 | . . . . 6 . . | 85.0 0 ok!
6 | . . 5 . . . . | 76.7 99 ok!
7 | . . . . . . 6 | 91.0 401 ok!
8 | 5 . . . . . . | 78.3 79 ok!
9 | . 5 . . . . . | 80.8 50 ok!
11 | . 5 . . . . . | 80.8 50 ok!
12 | . . . 4 . . . | 63.3 255 ok!
13 | . . . . 6 . . | 85.0 0 ok!
18 | . . . . 6 . . | 85.0 0 ok!
24 | . . . 4 . . . | 63.3 255 ok!
29 | 5 . . . . . . | 78.3 79 ok!
--------------------------------------------------------------
Total de caminhoes: 16
127
Anexo VII
Publicaes
Lista-se a seguir os trabalhos oriundos desta pesquisa que foram submetidos a peri-
dicos de circulao nacional e internacional e/ou apresentados em eventos.
Trabalhos submetidos a peridicos internacionais
Ttulo: Variable Neighborhood Search applied to operational mining planning.
Co-autores: Marcone Jamilson Freitas Souza e Luiz Ricardo Pinto.
Peridico: International Journal of Surface Mining, Reclamation and Environment.
Data de Submisso: 14 de maro de 2005.
Trabalhos submetidos a peridicos nacionais
Ttulo: Um modelo de programao matemtica para alocao esttica de caminhes
visando ao atendimento de metas de produo e qualidade.
Peridico: Revista Escola de Minas.
Data de Submisso: 30 de junho de 2004.
Trabalhos apresentados em eventos nacionais
Ttulo: Um modelo de alocao dinmica de caminhes visando ao atendimento
de metas de produo e qualidade.
Evento: III Congresso Brasileiro de Mina a Cu aberto e III Congresso Brasileiro
de Mina Subterrnea.
Local: Belo Horizonte - MG.
Perodo: 9 e 10 de setembro de 2004.
128

Dissertacao Felippe PPGEM

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

Dissertacao Felippe PPGEM

Uploaded by

Copyright:

Available Formats

UNIVERSIDADE FEDERAL DE OURO PRETO

, que esteja em sua vizinhana. Representa-se essa operao

s m. A ecincia da busca local depende da qualidade da soluo

) f(s), o mtodo aceita o movimento,

s; {Melhor soluo obtida at ento}

da vizinhana N(s) da soluo corrente s. Independentemente de

) ser melhor ou pior que f(s), s

ser sempre a nova soluo corrente. Entretanto,

s; {Melhor soluo obtida at ento}

s m o melhor elemento de V N(s) tal que

atenda a condio de aspirao (f(s

, for melhor que a soluo s corrente, a busca continua

recomeando da primeira estrutura de vizinhana N

e dos desvios de qualidade d

em relao meta Pr. Desvios positivos d

: Penalidade por desvio negativo da produo;

: Desvio negativo da produo requerida (t);

de uma soluo s encontrado aplicando-se trs tipos de

para o qual o nmero de caambadas

: Penalidade por desvio negativo da produo;

: Desvio negativo do ritmo de lavra em relao ao recomendado (t/h);

: Penalidade por desvio negativo da produo;

: Desvio negativo do ritmo de lavra em relao ao recomendado (t/h);

: Desvio negativo do ritmo de lavra em relao ao recomendado (t/h);

representa o melhor valor da funo objetivo encontrado pelo

representa o melhor valor de funo objetivo encontrado pelo

representa o melhor valor de funo objetivo encontrado pelo modelo de pro-

You might also like