Algoritmos aplicados ao Problema de Transporte Multimodal Algorithms for the Multimodal

85 Pages·2017·1.4 MB·Portuguese

UNIVERSIDADE ESTADUAL DE CAMPINAS
Faculdade de Engenharia Elétrica e de Computação
Julia Borges Correia Silva
Algoritmos aplicados ao Problema de
Transporte Multimodal
Algorithms for the Multimodal Transportation
Problem
Campinas
2018
Julia Borges Correia Silva
Algoritmos aplicados ao Problema de Transporte
Multimodal
Algorithms for the Multimodal Transportation Problem
Dissertação de Mestrado apresentada à Fac-
uldade de Engenharia Elétrica e de Com-
putação da Universidade Estadual de Camp-
inas como parte dos requisitos exigidos para
a obtenção do título de Mestra em Engen-
haria Elétrica, na Área de Automação.
Master’sDissertationpresentedtotheSchool
of Electrical and Computer Engineering of
the University of Campinas in partial fulfill-
ment of the requirements for the degree of
MasterinElectricalEngineering,inAutoma-
tion area.
Orientador: Prof. Dr. Akebo Yamakami
Coorientadora: Profa. Dra. Priscila Cristina Berbert Rampazzo
ESTE EXEMPLAR CORRESPONDE À VERSÃO FI-
NAL DA DISSERTAÇÃO DE MESTRADO DEFEN-
DIDA PELA ALUNA JULIA BORGES CORREIA
SILVAEORIENTADAPELOPROF.DR.AKEBOYA-
MAKAMI.
Campinas
2018
Agência(s) de fomento e nº(s) de processo(s): CNPq, 133528/2016-2
Ficha catalográfica
Universidade Estadual de Campinas
Biblioteca da Área de Engenharia e Arquitetura
Luciana Pietrosanto Milla - CRB 8/8129

Silva, Julia Borges Correia, 1994-
Si38a SilAlgoritmos aplicados ao problema de transporte multimodal / Julia Borges
Correia Silva. – Campinas, SP : [s.n.], 2018.

SilOrientador: Akebo Yamakami.
SilCoorientador: Priscila Cristina Berbert Rampazzo.
SilDissertação (mestrado) – Universidade Estadual de Campinas, Faculdade
de Engenharia Elétrica e de Computação.

Sil1. Transporte. 2. Algoritmos. 3. Tomada de decisão. I. Yamakami, Akebo,
1947-. II. Rampazzo, Priscila Cristina Berbert, 1984-. III. Universidade Estadual
de Campinas. Faculdade de Engenharia Elétrica e de Computação. IV. Título.
Informações para Biblioteca Digital
Título em outro idioma: Algorithms for the multimodal transportation problem
Palavras-chave em inglês:
Transportation
Algorithms
Decision-making
Área de concentração: Automação
Titulação: Mestra em Engenharia Elétrica
Banca examinadora:
Akebo Yamakami [Orientador]
Romis Ribeiro de Faissol Attux
Washington Alves de Oliveira
Data de defesa: 05-03-2018
Programa de Pós-Graduação: Engenharia Elétrica
Powered by TCPDF (www.tcpdf.org)
COMISSÃO JULGADORA — DISSERTAÇÃO DE MESTRADO
Candidata: Julia Borges Correia Silva RA: 163864
Data da Defesa: 05 de março de 2018
Título da Dissertação: “Algoritmos aplicados ao Problema de Transporte
Multimodal”
Prof. Dr. Akebo Yamakami (presidente, FEEC/UNICAMP)
Prof. Dr. Romis Ribeiro de Faissol Attux (FEEC/UNICAMP)
Prof. Dr. Washington Alves de Oliveira (FCA/UNICAMP)
A ata de defesa, com as respectivas assinaturas dos membros da Comissão Julgadora,
encontra-se no processo de vida acadêmica da aluna.
Dedico esta dissertação aos meus pais, Márcia e Madsom, que são meus maiores
incentivadores desta caminhada.
Agradecimentos
Agradeço à Deus pelas bênçãos concedidas ao longo desta caminhada.
Agradeço ao meu orientador Akebo pela oportunidade de trabalhar junto e
dividir um pouco de sua experiência e sabedoria.
Agradeço à minha co-orientadora Priscila que me acolheu, me ensinou e me
apoiou em todos os momentos desde o primeiro dia.
Agradeço aos meu pais, meus maiores incentivadores e inspiração para a real-
ização dos meus sonhos.
Agradeço à toda minha família que sempre apoiou e dignificou meu trabalho.
Agradeço à todos os colegas e amigos do laboratório LE16 pelas conversas no
café e momentos felizes.
Agradeço à todos os meus amigos pelo apoio e companheirismo.
Agradeço à comunidade da FEEC que se dispuseram a realizar esse nobre tra-
balho.
Agradeço aos membros da banca pela aceitação do convite.
Agradeço ao CNPq pelo apoio financeiro.
“Se pude enxergar mais longe, é porque me apoiei nos ombros de gigantes”
(Isaac Newton)
Resumo
Neste trabalho, foi explorado o problema de encontrar rotas mínimas em uma rede de
transporte multimodal. Condições reais de roteirização incluem múltiplos modais (carro,
bicicleta, metrô, ônibus, trem etc.) e múltiplos tomadores de decisão, cada um com difer-
entes objetivos. Esta consideração nos remete a uma proposta multiobjetivo, pois inter-
esses bastante comuns como custo financeiro e tempo de viagem podem ser conflitantes.
Foram implementados quatro propostas de resolução do Problema de Transporte Multi-
modalcomOtimizaçãoMultiobjetivo.Trêsdelasconsideramosmúltiplosobjetivosatravés
do Método das Ponderações: uma utiliza um solver de Programação Linear e as outras
duas são adaptações de algoritmos clássicos de Caminho Mínimo para redes multimodais.
A quarta proposta trata-se de um Algoritmo Genético Multiobjetivo que manipula si-
multânea e explicitamente os múltiplos objetivos. Todas as propostas elaboradas têm
como solução um conjunto de caminhos possíveis, e a escolha do melhor caminho deve
ser feita pelo usuário de acordo com suas preferências. Para auxiliar na tomada de de-
cisão do usuário, foi implementado um Modelo de Otimização Multi-critério baseado na
metodologia de Análise Envoltória de Dados. Ele avalia a eficiência das soluções obtidas
na abordagem multiobjetivo, com a inserção de novos critérios de avaliação do caminho
como sustentabilidade, conforto e segurança.
Palavras-chaves: Transporte Multimodal; Algoritmo Genético Multiobjetivo; Tomada
de Decisão Multi-critério.
Abstract
This study aims to explore the Shortest Path Problem between two points in a multi-
modal network. In real routing conditions, it includes many means of transportation
(car, bicycle, subway, train, etc) and many decision makers. This situation forward to
an multi-objective approach. The most common objectives to find a best route are the
time travel and the financial cost and they are often conflicting. This work implements
four proposals to solve the Multi-modal Transportation Problem with a Multi-objective
Optimization. Three of them consider the multiple objectives with Weighted Sum Model:
one uses a Linear Programming solver and two others uses an adaptation of classical
Shortest Path Problem algorithms for a multi-modal network. The last proposal is a
Multi-objectiveGeneticAlgorithmthattakesintoaccountmanyobjectivesoftheproblem
simultaneously. All the implementations give as result a set of solutions. The decision
maker needs to choose the best route that fits with her/his preference. Therefore, we
developed a Multi-criteria Optimization Model based on Data Envelopment Analysis to
help the costumer. This model allows measure the efficiency of the solutions with new
criteria such as sustainability, well-being and safety of the route.
Keywords:Multi-modalTransportation;Multi-ObjectiveGeneticAlgorithm;Multi-criteria
Analysis.
Lista de ilustrações
Figura 1 – Diferença de grafo direcionado para grafo não-direcionado . . . . . . . . 18
Figura 2 – Estruturas de representação de um grafo . . . . . . . . . . . . . . . . . . 19
Figura 3 – Representação gráfica de um grafo colorido . . . . . . . . . . . . . . . . . 21
Figura 4 – Representação da estrutura heap como árvore binária e vetor de dados 24
Figura 5 – Conceito de dominância em uma região de espaço bi-dimensional, com
funções de minimização. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Figura 6 – Fronteira de Pareto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Figura 7 – Fluxograma de um AG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figura 8 – Fluxograma NSGA-II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Figura 9 – Representação gráfica do caminho . . . . . . . . . . . . . . . . . . . . . . 51
Figura 10 – Representação da codificação do caminho . . . . . . . . . . . . . . . . . . 51
Figura 11 – Estrutura de dados que representa o grafo no algoritmo de Dijkstra . . 52
Figura 12 – Representação do Indivíduo . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Figura 13 – Método do crossover de ligação . . . . . . . . . . . . . . . . . . . . . . . . 55
Figura 14 – Crossover utilizando Dijkstra . . . . . . . . . . . . . . . . . . . . . . . . . 56
Figura 15 – Crossover de um ponto com nó em comum . . . . . . . . . . . . . . . . . 56
Figura 16 – Mutação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Figura 17 – GráficodospontosencontradospelaabordagemDeterminísticaeHeurís-
tica, instância 𝑟𝑑400. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Figura 18 – GráficodospontosencontradospelaabordagemDeterminísticaeHeurís-
tica, instância 𝑝𝑟264 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
1
Figura 19 – GráficodospontosencontradospelaabordagemDeterminísticaeHeurís-
tica, instância 𝑝𝑟264 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2