UNIVERSIDADE ESTADUAL PAULISTA

JLIO DE MESQUITA FILHO

Cmpus de Bauru - SP

EVER SANTORO

OTIMIZAO DA ROTA NA COLHEITA MECANIZADA

DA CANA-DE-ACAR

Bauru - SP
2016

EVER SANTORO

OTIMIZAO DA ROTA NA COLHEITA MECANIZADA

DA CANA-DE-ACAR

Dissertao de Mestrado apresentada ao

Programa de Ps-Graduao em Engenharia de Produo da Universidade Estadual Paulista "Jlio De Mesquita Filho",
UNESP, Cmpus de Bauru, como requisito
para obteno do ttulo de Mestre em Engenharia de Produo

Profa . Dra . Edilaine Martins Soler

Orientadora
Profa . Dra . Adriana Cristina Cherri Nicola
Co-orientadora

Bauru - SP
2016

Santoro, Ever.
Otimizao da rota na colheita mecanizada da canade-acar / Ever Santoro, 2016
58 f.
Orientadora: Edilaine Martins Soler
Dissertao (Mestrado)Universidade Estadual
Paulista. Faculdade de Engenharia, Bauru, 2016
1. Modelo matemtico. 2. Rota da colhedora. 3.
Mecanizao. I. Universidade Estadual Paulista.
Faculdade de Engenharia. II. Ttulo.

Dedico este trabalho ao meu filho Gustavo que de tamanha perfeio Deus o quis ao seu lado,
a minha filha Ana Vitria que a luz que vem iluminar meu corao e a Ana Rosa, minha
esposa, pilar que me sustenta e me d foras para seguir em frente.

AGRADECIMENTOS

A Deus, fonte de inspirao, que traz sentido minha vida e a tudo o que realizo.
Profa . Dra . Edilaine Martins Soler e Profa . Dra . Adriana Cristina Cherri Nicola,
pela orientao, incentivo e, principalmente, pela confiana depositada em mim. Agradeo a
amizade e disponibilidade em me acompanharem durante esta importante fase de minha vida.
A minha esposa Ana Rosa, que em sua inabalvel compreenso, pacincia e amor, sempre
me apoiou e me deu a fora necessria para seguir em frente quando tudo parecia no ter mais
sentido.
Aos meus pais, Walter e Zilda, por todo amor e ateno que sempre me dedicaram, tudo o
que sou e que realizo so respostas aos cuidados e pacincia que tiveram comigo. Espero retribuir um pouco desse amor e demonstrar o quanto sou grato por tudo o que vocs representam
em minha vida.
A meus irmos Junior e Andreza que servem de inspirao e so smbolos de dedicao e
estudo constante.
Ao Tio Marco e Tia Elza que em todo momento confiaram em mim e sempre tiveram
certeza que eu alcanaria meus objetivos.
Aos companheiros de trabalho, Adilson Giacomelli e Leonardo Vanzato que no mediram
esforos para que eu tivesse condies de concluir este projeto.
Aos colegas do Programa de Ps-graduao em Engenharia de Produo, que em sua riqueza e diversidade contriburam com o meu crescimento pessoal e profissional, e a todos que
porventura venha a esquecer de mencionar, mas que de alguma forma direta ou indiretamente
contriburam para a elaborao desta dissertao.

"Emprego fonte de renda e trabalho fonte de vida.

Meu trabalho minha obra.
A noo grega de obra poiesis.
De onde vem poesia, que o que voc elabora.
Eu gosto dessa idia.
Tanto que no h estresse no meu trabalho, s cansao.
Cansao resulta de um esforo intenso e estresse resulta
de um esforo para o qual voc no v sentido.
Cansao se cura descansando.
Estresse s se cura se houver mudana de rota."
Mario Sergio Cortella

RESUMO

A cultura da cana-de-acar muito importante para o agronegcio brasileiro, respondendo por

16% da matriz energtica do pas e sendo uma das fontes de energia mais limpas e renovveis
do mundo. A planta aproveitada na produo de acar, etanol, etanol de segunda gerao,
conhecido como bioetanol, fertilizante e bioeletricidade. Com o aumento constante da produo e a mudana de paradigma da colheita a partir da mecanizao, evidencia-se a necessidade
de otimizao do processo de colheita por tratar-se de uma das principais operaes agrcolas,
pois, deve atender a demanda de matria prima na usina com qualidade e a um custo competitivo. Sua representatividade em relao ao custo total da produo da cana-de-acar justifica
um estudo especfico na otimizao do processo da colheita mecanizada da cana-de-acar. Diante desta necessidade, este trabalho prope um modelo matemtico para otimizao da rota
na colheita mecanizada da cana-de-acar, buscando atravs da anlise do mapa de plantio e
considerando as variveis e restries existentes no processo, traar o melhor plano de colheita
a ser executado pela colhedora. O modelo proposto baseado no problema do carteiro rural,
que bastante estudado na literatura. Implementaes foram desenvolvidas e testes numricos
foram realizados com dados fornecidos por uma empresa do setor sucroenergtico da cidade de
Catanduva, So Paulo. Os resultados obtidos foram comparados com as rotas tradicionais de
colheita da empresa e confirmaram a eficincia do modelo em fornecer solues que minimizam
o tempo de manobra da colhedora, gerando ganhos econmicos e ambientais.

Palavras-chave: Cana-de-acar, Mecanizao, Otimizao, Modelo Matemtico, Rota da Colhedora

ABSTRACT

Sugarcane cultivation is very important in the Brazilian agricultural business, answering for
16% of the countrys energy matrix. It is also one of cleanest and most renewable energy sources in the world. Sugarcane is used in the production of sugar, ethanol, second generation
ethanol (known as bioethanol), fertilizer and bioelectricity. With the constant increase in production and the harvesting paradigm shift brought by mechanization, the need to optimize the
harvesting process is evidenced by the fact it is one of the most important agricultural operations and it must answer the demand for raw materials at the processing plant with quality and
competitive costs. Its representativeness in relation to the total cost of sugarcane production
justifies a specific study on the optimization of the process of mechanized sugarcane harvesting. In face of this need, this work proposes a mathematical model to route optimization in
mechanized sugarcane harvest, aiming to devise the best harvest plan to be executed by the
harvester based on the plantation map and considering variables and restrictions present in the
process. The proposed model is based on the rural postman problem, which is broadly studied
in the literature. Implementations were developed and numerical tests were carried out with
data given by a company of the sugar-energy sector in the city of Catanduva, So Paulo. The
results obtained were compared with the companys traditional harvesting routes and confirmed
the efficiency of the proposed model in providing solutions that minimize maneuvering time
with the harvester and, therefore, generate economic and environmental gains.

Keywords: Sugarcane, Mechanization, Optimization, Mathematical Model, Harvestering Route

LISTA DE FIGURAS

Figura 1

Percentual de rea total da cana-de-acar por regio - Estimativa em

dezembro/2015. Fonte: (CONAB, 2015) . . . . . . . . . . . . . . . .

Figura 2

16

Comparativo de rea e produo da cana safra 2014/2015 x 2015/2016

- Brasil. Fonte: (CONAB, 2015) . . . . . . . . . . . . . . . . . . . .

17

Figura 3

Pontes de Knigsberg. Fonte: (EULER, 1736) . . . . . . . . . . . . .

26

Figura 4

Grafo referente as pontes de Knigsberg . . . . . . . . . . . . . . . .

26

Figura 5

Grafo representando um talho . . . . . . . . . . . . . . . . . . . . .

27

Figura 6

Exibio das linhas de cana como grafo. . . . . . . . . . . . . . . . .

31

Figura 7

Sistema de Gerenciamento de Banco Dados. Fonte: (GREENWALD;

STACKWIAK; STERN, 2013) . . . . . . . . . . . . . . . . . . . . .

35

Figura 8

Esquema das tabelas para armazenamento dos dados . . . . . . . . . .

36

Figura 9

Fazenda utilizada para simulao . . . . . . . . . . . . . . . . . . . .

39

Figura 10

Instncia 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

Figura 11

Instncia 02 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

41

Figura 12

Instncia 03 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

Figura 13

Instncia 04 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

Figura 14

Comparativo de Tempo em Manobra Tradicional e Otimizada . . . . .

46

LISTA DE TABELAS

Tabela 1

Dados da fazenda utilizada para simulao . . . . . . . . . . . . . . .

39

Tabela 2

Comparao dos resultados . . . . . . . . . . . . . . . . . . . . . . .

43

Tabela 3

Instncias Reais . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

Tabela 4

Instncias geradas . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

LISTA DE ABREVIAES E SIGLAS

CARP
CONAB
COPERSUCAR
CTF
DBMS
DPRPP
IDE
JVM
LP
MAPA
OPL
PCC
PCR
PLI
PL/SQL
PRPP
PPRC
RPP
SGBD
SQL
UCTF
UNICA
URPP

Capacitated Arc Routing Problem

Companhia Nacional de Abastecimento
Cooperativa de Produtores de Acar e lcool
Controlled Traffic Farming
Database Management System
Directed Profitable Rural Postman Problem
Integrated Development Environment
Java Virtual Machine
Linear Programming
Ministrio da Agricultura, Pecuria e Abastecimento
Optimization Programming Language
Problema do Carteiro Chins
Problema do Carteiro Rural
Programao Linear Inteira
Procedural Language/Structured Query Language
Periodic Rural Postman Problem
Problema de Planejamento da Rota da Colhedora
Rural Postman Problem
Sistema Gerenciador de Banco de Dados
Structured Query Language
Un-Constrained Traffic Farming
Unio da Indstria de Cana-de-acar
Undirected Rural Postman Problem

SUMRIO

INTRODUO

16

REVISO BIBLIOGRFICA

19

2.1

Processo de Plantio e Colheita Mecanizada . . . . . . . . . . . . . . . . . . . .

19

2.2

Veculos e Mquinas Agrcolas . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

2.3

O Problema do Carteiro Rural . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

MODELO MATEMTICO PARA O PROBLEMA DE PLANEJAMENTO

DA ROTA DA COLHEDORA

30

3.1

Modelagem Matemtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

METODOLOGIA DE RESOLUO DO MODELO PROPOSTO

33

4.1

Linguagem de Programao Java . . . . . . . . . . . . . . . . . . . . . . . . . .

33

4.2

Oracle Database 11g Express Edition . . . . . . . . . . . . . . . . . . . . . . .

34

4.3

CPLEX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37

RESULTADOS NUMRICOS

38

5.1

Instncia 01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

5.2

Instncia 02 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

41

5.3

Instncia 03 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

41

5.4

Instncia 04 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

5.5

Instncia 05 54 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

5.6

Instncias 55 58 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

5.7

Discusso dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

45

CONCLUSO

47

REFERNCIAS

48

APNDICE A - CLASSE JAVA PRINCIPAL

52

16

INTRODUO

O Brasil o maior produtor e exportador mundial de acar e etanol, sendo o Estado de

So Paulo o maior produtor nacional (SILVA; CORREA; CORTEZ, 2008). A cana-de-acar
est entre as culturas mais importantes do agronegcio brasileiro.
Introduzida no pas em 1532, a cana-de-acar sempre teve importncia destacada na economia do pas, sendo o Brasil no s o maior produtor da cultura, seguido por ndia e China,
como tambm o maior produtor de acar e etanol. Responsvel por quantias equivalentes a
20% da produo global e 40% da exportao mundial do acar comercializado no mundo, s
na safra 2014/2015 o pas teve aumento na sua produo em 5% comparado a safra anterior.
Com 55% da produo concentrada no Estado de So Paulo, a cana-de-acar cultivada em
todas as regies do pas. A Figura 1 ilustra a distribuio da produo de cana-de-acar nas
regies do Brasil.

Figura 1 - Percentual de rea total da cana-de-acar por regio - Estimativa em

dezembro/2015. Fonte: (CONAB, 2015)

Esta cultura possui um papel ambiental extremamente importante, uma vez que o etanol, um
dos subprodutos da cana-de-acar, uma das melhores alternativas para reduo da emisso
de gases poluentes responsveis pelo efeito estufa. Um estudo realizado nos Estados Unidos,
pelo Conselho de Qualidade do Ar da Califrnia, apontou uma reduo de 72% na emisso
de gases-estufa associados ao consumo de gasolina quando substitudo pelo etanol de cana. O
mesmo estudo ainda indicou que a substituio da gasolina por etanol de milho aumentaria em
4% as emisses de carbono, comprovando cientificamente a vantagem do produto brasileiro em
substituio gasolina (CONAB, 2015).

17

O setor sucroenergtico do Brasil se diferencia dos outros pases por produzir em escala
industrial acar, etanol e energia eltrica, sendo a cana-de-acar aproveitada na produo
de acar, etanol, etanol de segunda gerao conhecido como bioetanol, fertilizante e bioeletricidade, reduzindo impactos ambientais e gerando crditos de carbono. Portanto, h uma
caracterstica de aproveitamento mltiplo da planta, cujos produtos intermedirios e finais so
dotados dessa cadeia produtiva. O grau de integrao entre agricultura e indstria, volume de
produo e da exportao, alm do poder poltico e econmico dos agentes envolvidos, do
peculiar caracterstica a este setor.
De acordo com a CONAB (Companhia Nacional de Abastecimento), empresa pblica vinculada ao MAPA (Ministrio da Agricultura, Pecuria e Abastecimento), a produo de cana
de acar no Brasil na safra 2014/2015 foi de 634,7 milhes de toneladas. Na safra 2015/2016
a produo foi de 665,6 milhes de toneladas. Com a rea plantada de 8,6 milhes de hectares,
a produo de acar atingiu 33,5 milhes de toneladas e a produo de etanol 30,5 bilhes de
litros. A Figura 2 apresenta um comparativo entre as safras 2014/2015 e 2015/2016 sobre a rea
plantada e a produo de cana.

Figura 2 - Comparativo de rea e produo da cana safra 2014/2015 x 2015/2016 - Brasil.

Fonte: (CONAB, 2015)

18

O setor sucroenergtico tem sofrido mudanas importantes, principalmente nos mtodos

de colheita. Com a promulgao da Lei 11.241/2002 (ESTADO DE SO PAULO, 2007), que
limita a queima da cana e favorece a mecanizao da colheita, de modo gradativo, a previso
inicial era de que a proibio fosse efetiva em 2031, posteriormente, um acordo entre governo
do Estado e Unio da Indstria de Cana-de-acar (Unica), estabeleceu reduo do prazo para
2017.
A colheita mecanizada traz benefcios ambientais e de sade pblica, uma vez que extinta
a queima de resduos, e benefcios econmicos por diminuir o custo de produo e, possibilidade de aproveitamento da palha da cana, anteriormente queimada na colheita manual, agora
este subproduto pode ser aproveitado tanto para gerao de energia nas usinas como para a produo de etanol de segunda gerao. Com o advento da colheita mecanizada, novas tecnologias
e aprimoramentos em todo o processo de plantio e colheita foram realizados. O controle de
qualidade focado no plantio devido ao preparo do solo, buscando uma maior rentabilidade na
colheita mecanizada, se tornou prioridade, assim como a criao de tcnicas para que a colheita
mecanizada seja realizada de forma mais econmica possvel e com maior rentabilidade.
Para obter mais eficincia durante o processo de colheita, faz-se necessrio o planejamento
da rota a ser percorrida pela mquina colhedora, a fim de reduzir o tempo gasto com manobras
e, consequentemente, os gastos com combustvel. Para colaborar nesse processo, esse trabalho
prope uma metodologia de validao do modelo matemtico de otimizao para o Problema
do Planejamento da Rota da Colhedora (PPRC), objetivando minimizar o tempo de manobra.
Esse modelo baseado no problema do carteiro rural, que um problema amplamente estudado
na literatura e um dos mais importantes problemas de otimizao, com aplicabilidade a vrias
situaes reais. Foi criada uma metodologia de validao do modelo matemtico, utilizando um
banco de dados para armazenamento dos pontos e aumento de velocidade na consulta e uma
linguagem de programao open source para integrao entre dados e o solver CPLEX. Testes
numricos foram realizados com 54 instncias reais fornecidas por um grupo sucroenergtico.
Os resultados obtidos demonstram que a abordagem proposta adequada para ser adotada pelo
setor sucroenergtico, fornecendo reduo de custos significativos no processo de colheita de
uma indstria do setor. Alm disso, 4 instncias com tamanhos aleatrios, porm muito maiores
comparadas s instncias reais, foram geradas para verificar o comportamento do modelo em
termos de limitaes.
A organizao deste trabalho se d em seis captulos, sendo o primeiro o captulo introdutrio. No Captulo 2 apresenta-se a reviso bibliogrfica dos principais trabalhos relacionados.
No Captulo 3 descrito o PPRC e apresentado o modelo matemtico de otimizao desenvolvido. Detalhes sobre a implementao do modelo proposto so apresentados no Captulo 4. O
Captulo 5 apresenta os resultados obtidos com as instncias reais e com as instncias geradas
aleatoriamente. A concluso do trabalho apresentada, finalizando esta dissertao.

19

REVISO BIBLIOGRFICA

Neste captulo inicialmente apresentada uma descrio do processo de plantio da canade-acar e da colheita mecanizada. Em seguida so descritos alguns trabalhos focados nas
atividades agrcolas aps a obrigatoriedade da mecanizao, com foco principal na otimizao
dos processos voltados a colheita da cana-de-acar. E, finalmente, uma reviso bibliogrfica
sobre o Problema do Carteiro Rural.
2.1

Processo de Plantio e Colheita Mecanizada

Na colheita mecanizada necessria a anlise de diversos fatores como: nivelamento do

solo, formato e comprimento dos talhes, produtividade, caractersticas das variedades de cana
plantada, qualidade da operao, treinamento do pessoal, entre outros. Alm destes pontos, o
sucesso da colheita mecanizada da cana-de-acar diretamente ligado a um plantio de qualidade, sem falhas nas linhas de cana, otimizando o rendimento da mquina e paralelismo entre
sulcos, proporcionando menores perdas quantitativas no processo. Consideraes se fazem
necessrias, visto que as atitudes tomadas na operao de plantio, sero determinantes na produtividade e na longevidade do canavial (RIPOLI; CASAGRANDI; IDE, 2006).
Segundo Margarido e Santos (2013), o planejamento agrcola est conectado ao planejamento industrial, garantindo desta forma o fornecimento de matria-prima para a indstria.
Nesta viso, esto relacionados todos os processos agrcolas necessrios para gerar o abastecimento da usina, com matria-prima durante o perodo de safra. Para obteno de sucesso
no abastecimento da indstria, necessrio aplicar conceitos de logstica em todo o canavial,
observando-se o dimensionamento de mquinas e a disponibilidade de mo de obra. Desta
forma, todo o sistema de colheita deve ser planejado, objetivando manter um fluxo constante de
matria-prima para atender a demanda da indstria.
Buscando um melhor entendimento do processo, necessrio o conhecimento de alguns
termos, descritos por Moraes (2007):
talhes - diviso do terreno efetuada em uma fazenda, influenciada pela sua topologia e
dependente da declividade;
sulcao - a operao de sulcao est relacionada com os seguintes aspectos: espaamento da cultura, profundidade e largura do sulco que so buracos abertos para o plantio
da cana;

20

carreadores e estradas - caminho por onde passaro os caminhes e maquinrio entre os

talhes. A definio das estradas/carreadores interfere diretamente no formato dos talhes
e posio de sulcao;
bate - local de transferncia de carga. Estes locais so dispostos, visando o maior aproveitamento do deslocamento do maquinrio e tem por objetivo proteger as margens do
canavial de pisoteio, evitando perdas maiores por rea danificada.
Segundo Marques (2009), as operaes realizadas no solo do canavial podem ser divididas
em:
Amostragem de solo: neste processo so realizadas coletas de solo em vrios pontos
do terreno. Em laboratrio, so realizadas anlises qumicas, determinando assim sua
fertilidade e tambm a necessidade de se corrigir com calcrio e gesso, e adubao de
plantio ou soqueira;
Dessecao: baseia-se na eliminao da soqueira, assim como restos e plantas daninhas
para a reforma do canavial, realizada atravs da aplicao de herbicidas. Favorece o
planejamento e reduo do nmero das operaes mecanizadas, por deixar uma camada
de material seco (palhio) sobre o solo at o seu preparo final. Este mtodo contribui para
evitar eroso;
Sistematizao de estradas e carreadores: esta etapa consiste em planejar as estradas e
carreadores, de forma a atender e facilitar o planejamento das reas, nas atividades de
corte e fluxo de escoamento da colheita, alm de promover a correta coleta da gua das
chuvas, protegendo o solo de eroses;
Conservao de solo ou terraceamento: trata-se da operao necessria para conservao
do solo de acordo com sua declividade, podendo ser em nveis e desnveis, possuindo
como principal finalidade, no deixar que guas da chuva arrastem a primeira camada do
solo, que a camada produtiva;
Calagem e gessagem: a aplicao de calcrio e gesso ao solo para corrigir sua acidez e
fornecer nutrientes, principalmente clcio, magnsio e enxofre no caso do gesso;
Gradagem: processo indicado para reas de expanso ou reforma, com a finalidade de
eliminar e incorporar restos de culturas e matria orgnica ao solo, podendo atingir at 30
cm de profundidade;
Arao: tem como objetivo revolver o solo invertendo-o, promovendo a incorporao de
corretivos (calcrio e gesso), em determinados tipos de solo, se no houver compactao,
esta operao pode substituir a subsolagem;

21

Subsolagem: indicada quando aps levantamento, constata-se que o solo est compactado. O objetivo desta operao promover o rompimento da camada compactada, proporcionando uma melhor aerao do solo, tendo como resultado, maior desenvolvimento
radicular das plantas e melhor absoro de gua, normalmente a profundidade de trabalho
pode variar de 40 a 50 cm;
Fosfatagem: indicada quando a anlise qumica do solo apresentar um teor de P2O5 (frmula de fertilizantes a base de fsforo), abaixo de 10mg/dm3 , a aplicao e incorporao
devem ser feitas antes da sulcao, mediante uma grade niveladora;
Grade niveladora: essa operao realizada com a finalidade de incorporar os ltimos
insumos utilizados (ex.: fosfatagem), nivelar e destorroar a superfcie do solo, com uma
profundidade de aproximadamente 15 cm, com isso proporcionar condies ideais para
o plantio, favorecendo a sulcao, cobrio e aplicao de herbicidas;
Prticas vegetativas: so as prticas que possibilitam fornecer ao solo proteo, matria
orgnica, ou ainda proporcionar ao produtor renda pelo seu uso, sendo que estas operaes no possuem um padro definido, podendo ser realizadas ou no de acordo com o
tipo de solo, declividade do terreno, chuvas do perodo, disponibilidade de implementos
agrcolas e suscetibilidade eroso.
Buscando cumprir os mtodos e normas que visam uma produo sustentvel e atender
a legislao em vigor, so necessrios que alguns processos sejam realizados na rea a ser
plantada, como: medio topogrfica (marcao da rea, obedecendo as reas de preservao
permanente, linhas de energia, mananciais, rodovias, estradas e cidades, etc.), marcao de
curvas e carreadores, mtodos de preparo de solo, plantio e mapa final (ASCANA, 2009).
Para realizao da sistematizao dos canaviais, necessrio o preparo do solo atravs do
nivelamento, com eliminao de sulcos de eroses, barrancos, pedras, tocos e razes, alm da
construo de terraos embutidos ou de base larga e sulcao. Destaca-se tambm, a necessidade de um espaamento mnimo de 1,50 metros entre as linhas de cana com sulcos regulares
e no muito profundos, evitando linhas desnecessrias dentro do talho e dimensionando os
talhes buscando evitar o excesso de manobras das mquinas. A sistematizao do talho de
cana-de-acar possibilita a otimizao do plantio e da colheita mecanizada, o que implica em
aumento no rendimento operacional e reduo de custos. Para alcanar esse alto rendimento
operacional e consequentemente um melhor ganho econmico, a orientao mudar o traado
dos talhes, diminuindo as linhas curtas e bicos. Para atender esse objetivo, o primeiro passo
conhecer muito bem a rea a ser sistematizada e, respeitando o perodo chuvoso, iniciar um
trabalho de substituio dos terraos, por outro tipo de controle de eroso (GAZON, 2009).
O sistema tradicional de plantio da cana-de-acar, apesar de ser eficiente no controle de
eroses, baseia-se em um formato antigo, o qual no previa mecanizao. Este sistema pre-

22

judica todas as operaes mecanizadas, devido construo de terraos (ou curvas de nvel).
Como no existe paralelismo entre os terraos e estes so guias da sulcao, as linhas de cana
tornam-se descontnuas, necessitando de manobras em mquinas e equipamentos, originando
desta forma as linhas mortas que prejudicam o sistema operacional. O objetivo principal de
uma maior anlise no plantio diminuir o terraceamento e racionalizar a sulcao da rea, diminuindo ao mximo o nmero de manobras dos equipamentos, sem perder a segurana no
controle de eroso.
Com o advento da mecanizao e a adoo das prticas de preparo conservacionista (preparo reduzido), possvel melhorar o planejamento da sulcao, aumentando a capacidade
operacional da mecanizao agrcola pela reduo de "sulcos mortos". Praticamente, todas as
operaes no canavial seguem as linhas de plantio da cultura. Quanto mais linhas (sulcos) houver, mais manobras sero necessrias e, com isso, maior ser o tempo para realizar as operaes.
No caso da colheita mecanizada, gasta-se em torno de 1,5 a 2,0 minutos por manobra da colhedora e veculo de transbordo ou caminho. Fazer uma anlise das linhas de canas que sero
colhidas, sulcando direto entre os talhes, atravessando o plantio entre os diversos carreadores
(processo conhecido como tiro longo ou tiro direto), facilitar a colheita em todo o comprimento
da rea, garantindo ganho de tempo e lucro ao setor (BENEDINI; CONDE, 2008). Na prxima
seo, so apresentados alguns trabalhos da literatura, que apresentam propostas para otimizar
os processos envolvidos na atividade sucroenergtica.
2.2

Veculos e Mquinas Agrcolas

No que tange ao setor agrcola, mais especificamente ao setor sucroenergtico, principalmente a partir da dcada de 1990 pela abertura do mercado de acar e etanol nacional,
encontra-se um aumento da competitividade do setor, surgindo assim, novas contribuies sobre a utilizao de mtodos quantitativos na indstria sucroenergtica. Dentre os trabalhos,
cita-se Barata (1992), que desenvolveu um modelo de avaliao tcnica e econmica aplicado
s questes relacionadas ao corte e reforma de canaviais utilizando programao linear.
Enquanto Grisotto (1995) apresentou um modelo de otimizao do transporte da cana-deacar por meio rodovirio, um modelo matemtico para distribuio de etanol no sudeste do
Brasil foi proposto por Yoshizaki, Muscat e Biazzi (1996). Utilizando o modelo de programao linear. Colin, Cipparrone e Shimizu (1999) buscaram a otimizao do sistema logstico
de distribuio e armazenamento de acar, considerando um depsito central e diversos depsitos secundrios. Iannoni e Morabito (2006) apresentaram um estudo quanto ao sistema de
recepo da cana-de-acar na indstria, utilizando simulao discreta para analisar a logstica.
Kawamura, Ronconi e Yoshizaki (2006) apresentaram um modelo de programao linear, multiperodo, que busca tratar as decises quanto ao transporte e estocagem dos produtos de uma
cooperativa de produtores de acar e etanol (COPERSUCAR).

23

Bochtis e Vougioukas (2008), publicaram um artigo, focado no tratamento de uma rea do

campo, utilizando equipamento agrcola, em que o campo normalmente atravessado por uma
srie de faixas paralelas, utilizando um padro estabelecido pela experincia do operador. O
final de cada faixa do processo limitado pela possibilidade do operador distinguir a prxima
faixa a ser trabalhada. Sistemas disponveis comercialmente, assim como sistemas de navegao para mquinas agrcolas, possibilitaram o envio do padro de trabalho no campo para que
as mquinas pudessem segui-los com preciso. Esta tecnologia tambm oferece uma nova perspectiva para melhorar a eficincia da mquina no campo, uma vez que, nem todas as sequncias
de passagem so semelhantes em termos de distncia. Este artigo apresenta uma abordagem
algortmica para a computao em sequncias de passagem para faixas paralelas de campo, que
melhoram a eficincia das mquinas atravs da minimizao total da distncia percorrida. O
problema foi formulado como um problema de programao inteira binria.
Devido a importncia do problema, Oksanen e Visala (2009) criaram duas novas abordagens para resolver o problema de planejamento de rota de cobertura dos campos por mquinas
agrcolas. No primeiro algoritmo, a viso realizada a partir de cima do campo, e o objetivo
dividir uma nica parcela de campo em subcampos, simplificando o trajeto. Este algoritmo
utiliza decomposio trapezoidal e, na pesquisa foi desenvolvida a melhor direo de conduo
e seleo de subcampos. O segundo algoritmo, um algoritmo incremental, mas o caminho est
previsto no local atual da mquina, e a pesquisa sobre a faixa seguinte a ser percorrida ou no,
no prximo subcampo. Foram encontradas vantagens e desvantagens em ambos algoritmos,
mas nenhum deles resolveu o problema de planejamento da rota de cobertura, de forma tima.
Bochtis et al. (2010) monitoraram e analisaram duas operaes de mquinas em dois campos diferentes. Estas operaes envolviam aplicaes por sistemas de mquinas em uma unidade de aplicao e uma unidade de recarga, sendo que os sistemas de aplicao, consistiram
em um sistema de trfego descontrolado (UCTF) e um sistema de trfego agrcola controlado
(CTF). Os resultados da operao experimental foram utilizados para estimar os parmetros
operacionais e a eficincia da modelagem no campo. No primeiro caso, a operao foi simulada
utilizando o sistema de CTF, enquanto no segundo caso, seguido o sistema UCTF. Os resultados mostram que a aplicao do sistema de CTF, em vez do sistema UCTF, aumenta a distncia
de transporte, dando assim, importncia ao planejamento logstico no campo.
Buscando a otimizao agrcola, diversos sistemas baseados em localizao via satlite, foram desenvolvidos e esto disponveis comercialmente, visando apoiar esforos de navegao,
chegando at a auto-direo das mquinas agrcolas. Hameed et al. (2010), a fim de aplicar
e implementar esses mtodos nos sistemas de controle de alto nvel para mquinas agrcolas,
utilizaram uma representao do campo como uma entidade geomtrica composta de tipos geomtricos primitivos discretos, como pontos, linhas, e polgonos, gerando em tempo real, os
dados de navegao, bem como o intervalo de tipos de operao e caractersticas de equipa-

24

mentos.
Florentino et al. (2013) propuseram um modelo matemtico para auxiliar no planejamento
do plantio e da colheita da cana-de-acar, visando aumentar a produtividade no perodo de
cinco anos.
Bochtis et al. (2013) determinaram os B patterns que so sequncias de faixas de campo
de trabalho para implementos agrcolas que cobrem completamente uma rea que no segue
qualquer padro pr-determinado, como padres de trabalho convencionais, buscando um resultado de otimizao sob um ou mais critrios selecionado. Uma abordagem inicial para a
avaliao dos benefcios derivados da aplicao de B patterns, apresentada, sendo que esta
abordagem baseia-se na comparao de B patterns contra padres convencionais de trabalho
de campo, atravs da simulao do desempenho operacional dos diferentes padres em campos
do modelo para combinaes diferentes de caractersticas de campo e mquinas.
Segundo Zhou et al. (2014), ao se planejar uma operao agrcola, existem certas condies
em que o planejamento humano pode levar a baixa eficincia, por exemplo, no caso de formas
irregulares do terreno e a presena de obstculos entre os espaos produtivos. Desta forma, foi
desenvolvido um trabalho, buscando um mtodo de planejamento responsvel por gerar uma
rea vivel para o plano de cobertura para que as mquinas agrcolas executem operaes antes no capacitadas em reas que continham mltiplos obstculos. A abordagem desenvolvida
consiste em trs etapas, sendo que as duas primeiras fases consideram a gerao da representao geomtrica do campo dividindo o mesmo em sub-campos (blocos) e cada sub-campo
est coberto por faixas paralelas, enquanto que a terceira fase, respeita a otimizao do bloco
sequencial, visando minimizar a distncia percorrida para ligar os blocos. Este problema de
otimizao, foi formulado e resolvido com uma abordagem algortmica de colnia de formigas.
Scheidl et al. (2015) analisaram os impactos ambientais causados pela mecanizao no setor sucroenergtico no Brasil. Um estudo de caso foi realizado em uma unidade de produo,
onde verificou-se que a mecanizao do corte, carregamento e transporte, trazem benefcios
imediatos em termos de produtividade e eliminao de atividades, que so potencialmente perigosos para os trabalhadores (corte manual). A mecanizao eleva o consumo de diesel, porm,
elimina a queima de lavouras da cana, o que reduz significativamente o total de emisso de
gases estufa.
Analisando estes trabalhos, percebe-se que existe um esforo crescente em desenvolver e
aplicar modelos e mtodos quantitativos para auxiliar nas principais operaes do setor sucroenergtico, destacando-se os modelos de planejamento da colheita, modelos de programao do
transporte da cana, de distribuio e armazenagem de acar e etanol, de seleo de variedades
e de programao da reforma do canavial.
Visando contribuir com o desenvolvimento do setor sucroenergtico, este trabalho prope

25

um modelo matemtico, para o Problema de Planejamento da Rota da Colhedora (PPRC), o

qual decorre do Problema do Carteiro Rural (PCR), que um problema de roteamento de arcos
bastante abordado na literatura. Na prxima seo apresentada uma descrio dos principais
trabalhos envolvendo o PCR.
2.3

O Problema do Carteiro Rural

A gerao de percursos englobada pelo problema de roteamento de veculos, um dos mais

importantes problemas de otimizao, podendo ser aplicado a vrias situaes reais. Por este
motivo, diversos trabalhos foram desenvolvidos nesta rea ao longo dos ltimos 50 anos, sendo
este problema considerado um dos de maior sucesso, do ponto de vista da aplicao da Pesquisa
Operacional (BODIN et al., 1983).
O roteamento de veculos consiste em descrever o percurso que um elemento deve seguir,
minimizando custos, melhorando performance, atendendo restries, passando por vrios locais
que podem ser obrigatrios ou no, e retornar origem ou seguir para um local de trmino
definido. O problema abordado nesta pesquisa reduz-se ao Problema do Carteiro Rural (PCR),
Rural Postman Problem (RPP), sendo que, este considera que o percurso deve ser garantido
sobre um subconjunto de ligaes do grafo, partindo e retornando de um vrtice origem dado.
A denominao adotada para este problema derivada da semelhana existente com o tipo
de percurso realizado por um carteiro em uma zona rural (CORBERAN; MOTA; SANCHIS,
2006).
O PCR, trata-se de um Problema de Roteamento de Arcos. Problemas de roteamento de
arcos modelam problemas de roteamento de veculos em que as tarefas a serem executadas
esto localizadas em alguns arcos ou arestas de uma rede. Por exemplo, espalhar sal em uma
estrada, ou a recolha de lixo municipal em uma rua.
Para Eiselt, Gendreau e Laporte (1995) grande parte dos problemas reais encontrados, podem ser modelados como PCR. Habitualmente, encontram-se diversas aplicaes que envolvem
vrios veculos, que devem percorrer determinados caminhos, obedecendo algumas restries.
O registro mais antigo documentado, relacionado com o roteamento de arcos, o enigma
das pontes de Knigsberg, cidade esta hoje denominada Kaliningrado. A cidade construda
em ambas as margens do rio Pregel e sobre duas ilhas situadas neste rio. As conexes das
margens e ilhas acontecem por sete pontes como demonstrado na Figura 3. O enigma consiste
em determinar um percurso, no qual seja possvel passar pelas sete pontes, mas apenas uma vez
em cada uma. Em 1736 o matemtico suo Leonhard Euler, demonstrou a inexistncia de tal
rota (EULER, 1736).

26

Figura 3 - Pontes de Knigsberg. Fonte: (EULER, 1736)

Euler criou, possivelmente, o primeiro grafo da histria. Como pode-se observar a Figura 3
referente s pontes de Knigsberg, pode ser sintetizada pelo grafo mostrado na Figura 4. Sendo
que, neste caso, os territrios marginais do rio e as ilhas, so representados pelos ns, e as pontes
pelas arestas. Segundo Euler (1736), em um roteiro vivel, ao entrar em um determinado n a
partir de qualquer aresta, seria necessrio sair pelo mesmo n, a partir de outra aresta. Desta
forma, todos os ns, devem ter um nmero par de arestas incidentes, ou somente dois com
nmero mpar de arestas incidentes, que se referem ao incio e fim do percurso.

Figura 4 - Grafo referente as pontes de Knigsberg

A partir do trabalho realizado por Euler, denomina-se caminho Euleriano um caminho em

um grafo que visita cada aresta apenas uma vez. Um circuito Euleriano um caminho Euleriano que comea e termina no mesmo vrtice. Um grafo que contiver um circuito Euleriano
chamado de Grafo Euleriano ou Grafo Unicursal.
Em 1962, um problema relacionado com o problema tratado por Euler, foi abordado pelo
chins Guan (1962), que, por ter trabalhado em uma agncia dos correios, interessou-se em
encontrar os melhores roteiros, buscando passar por todas as ruas na qual era responsvel para
distribuir as cartas, voltando aps percorrer as mesmas ao ponto de partida. Diferentemente

27

do problema proposto por Euler, no qual existe a preocupao da passagem apenas uma vez
em determinada aresta, Guan focou na otimizao, buscando o percurso mnimo, tendo como
restrio, a passagem em todas as arestas obrigatrias. Caso tenha-se um grafo unicursal (
possvel percorrer todas as arestas do grafo apenas 1 vez, sem retornar ao vrtice inicial), a rede
contm um circuito euleriano que atende assim necessidade do carteiro, caso isto no ocorra, o
problema se torna combinatorial. Mesmo no encontrando uma soluo tima para o problema,
Guan conseguiu chamar a ateno da comunidade cientfica com seu trabalho, fazendo com
que outros matemticos iniciassem o estudo do seu problema. Graas a seu pioneirismo este
problema passou a ser conhecido como Problema do Carteiro Chins (PCC).
Em 1974, Orloff (1974) sugeriu o Problema do Carteiro Rural (PCR), cuja diferena em
relao ao PCC, reside no fato de nem todos os segmentos de uma rede de atendimento terem
demanda por servio, o que no obriga seu percurso. Este faz parte da classe de problemas de
roteamento de arcos e possui diversas aplicaes nos problemas voltados a logstica e distribuio de bens e servios (CHRISTOFIDES et al., 1981). Pearn e Wu (1995) apresentaram duas
abordagens para obter solues prximas da soluo tima para este problema: o algoritmo
modificado e o algoritmo reverso. Vrias heursticas e mtodos para resolver o PCR, tm sido
apresentadas na literatura e muitas variantes do problema tm sido considerados. Por exemplo,
no PCR, com Classes Prazo, Letchford e Eglese (1998), em que o conjunto de arestas exigidos,
dividido em vrios subconjuntos, que por sua vez, so ordenados de forma que, todas as arestas
em um subconjunto anterior, devem ser percorridas antes do incio de um novo subconjunto.
Para o PPRC, consideraremos um grafo no orientado em que cada linha de cana corresponde a uma aresta limitada por dois vrtices do grafo (cada ponto de manobra um n do
grafo, sendo representado pelo incio e fim da linha de cana). As arestas do grafo possuem
custos associados, que representam o tempo de manobra da mquina colhedora. Assim, este
problema reduz-se ao PCR. A Figura 5 ilustra tal grafo.

Figura 5 - Grafo representando um talho

Buscando solues exatas para o PCR, Christofides et al. (1981) propuseram uma formulao baseada em programao linear inteira, permitido incorporar na funo objetivo, sob a
forma de relaxao lagrangeana, a restrio que garante a paridade do grau de cada n. Desta

28

forma, a soluo tima obtida atravs de um procedimento branch-and-bound. Ulusoy (1985)

tambm props um modelo de programao linear inteira, cujo objetivo era minimizar a distncia total percorrida. No problema tratado, tambm foram inseridos custos fixos dos veculos na
funo objetivo, assim, a funo objetivo definidida como uma combinao de custos fixos e
variveis. Neste trabalho alguns resultados computacionais so relatados.
Laporte e Osman (1995), publicaram um artigo contendo 500 referncias sobre quatro problemas clssicos de roteamento: o problema do caixeiro viajante, o problema de roteamento de
veculos, o problema do carteiro chins e o PCR. Mullaseril, Dror e Leung (1997) descrevem
um problema de distribuio de alimentao encontrado em uma fazenda de gado no Arizona.
O problema abordado como um PCR com janelas de tempo em arcos. Neste trabalho so
discutidos problemas genricos e vrias heursticas, sendo que as heursticas discutidas foram
testadas e comparadas favoravelmente com as prticas de trabalho na fazenda de gado.
Corberan, Mota e Sanchis (1998), propuseram uma formulao diferente em que foi realizado uma descrio parcial do poliedro de solues do PCR. Neste trabalho sugerida a
gerao de um conjunto de desigualdades vlidas, para serem usadas num algoritmo de planos
de corte, associado a uma rotina de branch-and-bound. Hertz, Laporte e Hugo (1999) descreveram uma nova formulao e heursticas para o Undirected Rural Postman Problem (URPP). Os
testes computacionais indicam que algumas combinaes destas heursticas produzem solues
timas ou de alta qualidade.
Ghiani e Laporte (2000) investigaram as propriedades do poliedro de soluo de URPP e
desenvolveram um algoritmo branch-and-cut para este problema. Os resultados computacionais obtidos, indicaram que o algoritmo capaz de resolver os casos muito maiores do que os
previamente descritos.
Em problemas de rotas, o objetivo determinar um corte transversal de menor custo em
um subconjunto de arestas, arcos e vrtices de um grafo. Segundo Blais e Laporte (2003) este
problema pode ser transformado em um problema do caixeiro viajante ou um PCR e resolvido
de forma otimizada.
So apresentados por Benavent et al. (2007) vrios algoritmos heursticos e um algoritmo
de corte de avio para o PCR com vento. Este problema tem inmeras aplicaes reais muito
interessantes. No trabalho tambm so apresentados experimentos computacionais com diferentes conjuntos de instncias.
Araoz, Fernandez e Meza (2009) apresentam um algoritmo para resolver o Prize-collecting
Rural Postman Problem. Este problema foi definido como uma generalizao de outros problemas de roteamento de arco, como, por exemplo, o PCR. A principal diferena que no existem
arestas necessrias, ao invs disso, existe uma funo de lucro sobre as arestas que devem ser
levadas em considerao, apenas a primeira vez que uma extremidade atravessada. Em 75%

29

dos casos, os problemas foram resolvidos de forma tima com a relaxao linear do modelo.
Os demais casos foram resolvidos de forma otimizada e, em uma segunda fase, a maioria deles
em baixos tempos computacionais.
Corberan e Prins (2010), apresentaram um levantamento dos resultados relacionados a problemas de roteamento de arcos, com exceo de algumas referncias. O perodo pesquisado comea a partir da publicao do livro "Arc routing: theory, solutions and applications", editado
por Dror em 2000. O trabalho composto de duas partes principais, sendo a primeira focando
em problemas com um nico veculo e a segunda em problemas com mltiplos veculos.
Segundo Archetti, Guastaroba e Speranza (2014), em servios de transporte de mercadorias, os custos so altamente dependentes da maneira de se atender a demanda. O problema
consiste em identificar o conjunto de clientes para se terceirizar o servio, com o objetivo de
minimizar as despesas de viagem (custos de roteamento). Este problema chamado de Directed Profitable Rural Postman Problem (DPRPP) e proposto um algoritmo que combina uma
busca refinada com um modelo de programao linear inteira. Experimentos computacionais
realizados com vrios conjuntos de amostras, demonstraram o bom desempenho do processo
de soluo proposto.
vila et al. (2016) disponibilizaram um estudo referente ao PCR com vento. Este problema
generaliza o PCR e outros problemas de roteamento de arco bem conhecidos e tem aplicaes
reais, principalmente nas operaes de remoo de neve. O PCR com vento possui um grau de
liberdade maior que o PCR, uma vez que cada aresta pode ser percorrida em ambos os sentidos
com custos desiguais. Esta situao pode ocorrer quando, por exemplo, um dos sentidos a
subida de uma ladeira, e o outro a descida no sentido contrrio, ou um dos sentidos a favor do
vento e o outro contra. Os resultados obtidos mostram que o algoritmo branch-and-cut capaz
de resolver casos de grande porte, de forma otimizada, em tempos computacionais razoveis.
No prximo captulo, descrito o PPRC juntamente com o modelo matemtico de otimizao e a metodologia de validao deste modelo matemtico, que utiliza um banco de dados
para armazenamento dos pontos e aumento de velocidade na consulta e, uma linguagem de
programao open source, para integrao entre dados e o solver CPLEX.

30

MODELO MATEMTICO PARA O PROBLEMA DE PLANEJAMENTO DA

ROTA DA COLHEDORA

apresentado neste captulo, um modelo matemtico proposto para auxiliar na resoluo

do problema de Planejamento da Rota da Colhedora (PPRC), que se trata de um problema de
roteamento de arcos e, basicamente consiste em decidir qual a melhor rota a ser realizada pela
mquina colhedora de cana-de-acar, visando a otimizao, visto que conhecido o layout do
canavial.
3.1

Modelagem Matemtica

destacado por Rodrigues e Saab (2007), que a mudana de corte manual da cana-deacar para o mecanizado, vai muito alm de uma substituio de tcnica. Esta alterao significa combinar e otimizar aspectos como: o preparo do solo na lavoura, o dimensionamento dos
equipamentos no campo, a equipe de manuteno e apoio, o treinamento do pessoal envolvido,
alm das alteraes no transporte e recepo da cana na indstria.
Neste contexto do setor sucroenergtico, este trabalho apresenta um modelo matemtico
para resolver o Problema de Planejamento da Rota da Colhedora (PPRC) que, conhecido o canavial, objetiva minimizar o tempo de manobra da colhedora, de modo que todas as linhas de
cana sejam colhidas. Com este modelo, busca-se otimizar o processo de colheita mecanizada
reduzindo seus custos e, consequentemente atendendo os principais requerimentos competitivos do setor sucroenergtico, para responder aos desafios estratgicos de reduo de custos e
melhoria da produtividade. Mesmo com o planejamento da sulcao, o setor sucroenergtico
busca constante melhoria no processo de colheita e, uma forma vivel de otimizao, est no
planejamento da rota da colhedora.
No processo de colheita mecanizada tem-se diversas mquinas trabalhando praticamente
ininterruptamente durante toda uma safra, na regio centro sul do Brasil normalmente compreende de abril a novembro de cada ano. Desta forma, nota-se que um planejamento que aumente
alguns segundos de trabalho de uma mquina por hectare (regio com uma rea de 10.000m2 ),
ter o impacto de horas de trabalho em uma safra e, consequentemente, de toneladas de cana.
Para que isto realmente ocorra, necessrio um mapeamento das linhas de cana existentes nos
talhes, assim como a informao de quais linhas de cana poderiam ser conectadas, quanto a
topografia. Apesar de possuir um carreador, se a colhedora dar continuidade na colheita sem
efetuar a manobra para trocar de linha de cana, processo este que despende grande tempo para
ocorrer, ganha com isso uma linha de cana de maior comprimento. Observa-se que a travessia

31

de uma colhedora sobre o carreador leva em mdia 10 segundos, enquanto uma manobra para
mudana de linha de cana levaria entre 1,5 a 2 minutos. Com esta tcnica, tambm chamada
de tiro direto ou tiro longo, podemos buscar a otimizao da colheita e a simulao de linhas
de cana maiores, correspondendo assim a um impacto direto na produtividade e economia da
empresa sucroenergtica (BENEDINI; CONDE, 2008).
A partir do panorama da mecanizao tem-se o PPRC, que consiste em decidir qual a melhor rota a ser realizada pela colhedora, visto que conhecido o layout do canavial. O modelo
matemtico proposto para descrever este problema, visa minimizar o tempo de manobra da colhedora, de modo que esta deve obrigatoriamente passar por todas as linhas de cana. Considerase como tempo de manobra, o tempo em que a colhedora est em funcionamento mas no est
colhendo.
Para modelar matematicamente o PPRC consideraremos um grafo no orientado em que
cada linha de cana corresponde a uma aresta limitada por dois vrtices do grafo (cada vrtice
do grafo representa incio ou fim de uma linha de cana), conforme ilustrado na Figura 6.

Figura 6 - Exibio das linhas de cana como grafo.

As arestas do grafo possuem custos associados que representam o tempo de manobra da

mquina colhedora. Assim, este problema reduz-se ao PCR (EISELT; GENDREAU; LAPORTE, 1995). Dado um grafo G = (V, A), em que V corresponde ao conjunto de vrtices, com
V = {v1 , v2 , ..., vn } , e A representa o conjunto de arestas entre os vrtices, A = {(i, j), i 6= j}.
Definimos um subconjunto Ar A , de arestas obrigatrias. O problema consiste em determinar
um caminho fechado de custo mnimo, partindo de um ponto de origem e passando por cada
aresta de Ar uma vez. As arestas obrigatrias Ar , correspondem as linhas de cana e, posteriormente a colhedora retorna ao ponto de origem.
Os parmetros utilizados na modelagem matemtica foram:

32

A: conjunto de arestas do grafo;

Ar : conjunto de arestas obrigatrias (correspondem s linhas de cana);
ti j : tempo de manobra da colhedora associado a aresta (i,j) A.
As variveis de deciso so:

1, se a aresta (i, j) percorrida pela colhedora

xi j :
0, caso contrrio
Assim, tem-se o modelo matemtico para o PPRC:
Min

ti j xi j + t ji x ji

(1)

(i, j)A

Sujeito a:
xi j

{ j:(i, j)A}

{ j:( j,i)A}

xi j + x ji = 1,
xi j |S| 1,
(iS) ( jS)

x ji = 0,

i=1,2,...,n;

(2)

para todo (i, j) Ar ,

(3)

para S v1 , v2 , ..., vn e S 6=

(4)

xo j 1

(5)

xio 1

(6)

(o, j)A

(i,o)A

xi j {0, 1},

para todo (i, j) A.

(7)

No modelo matemtico (1)-(7), a funo objetivo (1) representa o tempo de manobra da

colhedora, as restries (2) garantem a continuidade do percurso; as restries (3) garantem que
toda linha de cana (aresta obrigatria) seja percorrida uma vez pela colhedora. As restries
(4) probem a construo de sub-rotas ilegais, ou seja, pequenos roteiros desconexos do roteiro
principal; as restries (5) e (6) garantem que a colhedora inicie o percurso em um ponto de
origem e retorne para este mesmo local no final do percurso (nestas restries o representa o n
de origem) e as restries (7) indicam o domnio das variveis.
Embora o modelo (1)-(7) seja classificado como NP-difcil, devido s caractersticas do
grafo associado ao problema foi possvel utilizar um software comercial para sua resoluo em
um perodo de tempo aceitvel. No prximo captulo descrita a implementao desenvolvida
e as ferramentas computacionais utilizadas.

33

METODOLOGIA DE RESOLUO DO MODELO PROPOSTO

Este captulo relata a estrutura de dados desenvolvida para a realizao dos testes. Como a
abordagem relevante para a literatura no contexto sucroenergtico, sero detalhados os softwares utilizados e a forma de implementao de uma metodologia de validao do modelo (1)-(7).
Por tratar-se de um problema NP-difcil, desenvolveu-se a implementao computacional para
que o mesmo fosse resolvido por um software comercial de alto desempenho. Para tanto, os
testes foram executados no solver CPLEX 12.3 verso de 64 bits, utilizando como interface o
IBM ILOG CPLEX Optmization Studio acessado via linguagem de programao Java. Os dados utilizados foram armazenados no sistema gerenciador de banco de dados (SGBD) Oracle
Database 11g Express Edition Release 2, que se trata de uma verso gratuita do sistema gerenciador de banco de dados Oracle. Todos os testes foram realizados em um computador com
processador i7 2a gerao, com 16Gb de memria RAM e HD de 120Gb SSD.
4.1

Linguagem de Programao Java

Para implementao da metodologia de validao do modelo matemtico, foi utilizada a

linguagem de programao Java, pois trata-se de uma linguagem gratuita, de cdigo aberto, e
reconhecida pelo mercado. Segundo a pesquisa TIOBE (2016), de janeiro de 2016, Java atualmente a linguagem mais utilizada no mercado corporativo e no mercado de desenvolvimento
de aplicativos mveis, que continua a crescer a partir da plataforma de dispositivos mveis
Android.
Por ser uma linguagem extremamente poderosa conforme cita Costa (2008), o Java utilizado para o desenvolvimento de praticamente qualquer tipo de aplicao, pois, possui um
extenso grupo de utilizadores em todo o planeta, alm de possuir diversos recursos que possibilitam programao avanada, seja desenvolvendo sistemas para o ambiente corporativo, para
mquinas pessoais, para internet ou para dispositivos mveis.
Neste trabalho de pesquisa, a linguagem Java foi utilizada na interligao dos dados utilizados, vindos do sistema gerenciador de banco de dados Oracle Database Express Edition
11g, com o solver CPLEX, sendo tambm utilizada na captura da sada fornecida pelo solver
CPLEX.
No Apndice A, apresentada a classe principal Java responsvel pela execuo da implementao realizada. Demais classes utilizadas foram omitidas para facilitar a leitura do
algoritmo.

34

4.2 Oracle Database 11g Express Edition

O produto Oracle Database um Database Management System (DBMS) ou Sistema de
Gerenciamento de Banco Dados (SGBD), cuja primeira verso apareceu no fim dos anos 70,
criado pela empresa Oracle Corporation, primeira empresa a comercializar banco de dados
relacionais. A Oracle Corporation at o presente a maior empresa de software empresarial a
nvel de banco de dados e as suas aplicaes. Um banco de dados tem como principal funo
armazenar grandes quantidades de dados em um ambiente de multiutilizadores, de forma que a
informao nela guardada, possa ser acedida por vrias pessoas de forma fcil (GREENWALD;
STACKWIAK; STERN, 2013).
O Sistema de Gerenciamento de Banco Dados, tem por finalidade armazenar, manipular e
organizar as informaes utilizadas por um determinado negcio. A importncia de se manter
os dados em segurana, com confiabilidade e velocidade na utilizao justifica a utilizao, de
um sistema especialista para gerenciamento dos mesmos (ROCHA, 2007).
Para o desenvolvimento desse trabalho, o sistema gerenciador de banco de dados utiliza
o modelo de dados relacional, ou seja, modelo baseado na percepo do mundo real, mais
conhecido como modelo de dados entidade-relacionamento, em que um objeto, ou conjunto de
objetos, se relacionam entre si, proporcionando uma melhor representao da realidade. Para
consulta dos dados utilizada a Structured Query Language (SQL), possibilitando responder
questes sobre a localizao dos dados e a localizao de acordo com seus atributos (KORTH;
SILBERSCHATZ, 1995).
Para execuo dos comandos SQL, foi utilizado o software open source SQL Developer
de propriedade da Oracle Corporation, o qual ajuda os programadores de banco de dados a
realizarem tarefas simples. Este programa permite pesquisar, criar, editar e apagar objetos do
banco de dados, criar declaraes e scripts em SQL, manipular e exportar dados, ver e criar
relatrios (MURRAY, 2011).
Oracle Database 11g Express Edition (Oracle Database XE) uma verso gratuita do
banco de dados relacional mais utilizado do mundo, de fcil instalao, gerenciamento e desenvolvimento de scripts. Com o Oracle Database XE, possvel gerenciar e armazenar com
seguranas as informaes do negcio, assim como administrar o banco de dados, criar tabelas,
vises e outros objetos do banco de dados. Quanto as limitaes desta verso, ela permite um
armazenamento de 11Gb de dados, utilizao de um processador fsico e o mximo de 1 Gb de
memria exclusivo para o banco de dados (ORACLE, 2016). A Figura 7 refere-se a arquitetura
de um sistema gerenciador de banco de dados.

35

Figura 7 - Sistema de Gerenciamento de Banco Dados. Fonte: (GREENWALD;

STACKWIAK; STERN, 2013)

A Figura 8, esquematiza as tabelas desenvolvidas para armazenamento dos dados, referentes a implementao da validao do modelo matemtico. Visando maior velocidade na consulta
aos dados. Cada restrio do modelo matemtico, foi dividida em uma tabela do banco de dados, interligada com uma tabela central chamada CR_PONTOS, que contm todos os pontos
do modelo a ser testado. Ao criar a estrutura de leitura dos pontos no banco de dados, a implementao ganha maior robustez, integridade dos dados e performance, uma vez que, enquanto
uma leitura de pontos em arquivos textos sequencial e lenta, a leitura de pontos atravs de um
sistema gerenciador de banco de dados, utiliza diversos recursos para validao destes dados e
aumento da performance da consulta, como ndices para busca dos pontos atravs de pesquisa
em rvores, busca em memria, validaes impedindo que dados incorretos sejam inseridos e
facilidade no armazenamento das informaes.

36

Figura 8 - Esquema das tabelas para armazenamento dos dados

O esquema do banco de dados formado por sete tabelas com as seguintes funes:
CR_PONTOS: tabela responsvel pelo armazenamento de todos os pontos da instncia;

37

CR_PONTOS_PERCORRIDOS: dados que garantem que toda linha de cana (aresta obrigatria) seja percorrida uma vez pela colhedora
CR_PONTOS_CONTINUIDADE: dados para garantir a continuidade do percurso;
CR_PONTOS_DISTANCIA_PONTOS: armazenamento da distncia dos pontos seja por
manobra ou tiro direto;
CR_PONTOS_ELIMINACAO_CICLOS e CR_PONTOS_ELIMINACAO_CICLOS3: estas tabelas possuem dados que probem a construo de sub-rotas ilegais, ou seja, pequenos roteiros desconexos do roteiro principal;
CR_PONTOS_REGRAS_GERAIS: dados que garantem que a colhedora inicie o percurso em um ponto de origem e retorne para este mesmo local no final do percurso.
4.3

CPLEX

O IBM ILOG CPLEX Optimization Studio, um conjunto de ferramentas de suporte de

deciso analtica para o rpido desenvolvimento e implementao do mtodo de resoluo do
modelo matemtico. Combina um ambiente de desenvolvimento integrado (IDE, Integrated
Development Environment) com a robusta linguagem de programao de otimizao (OPL,
Optimization Programming Language), sendo que o IBM ILOG CPLEX Optimization Studio
permite: otimizar as decises de negcios com algoritmos de otimizao de elevado desempenho; desenvolver e implementar modelos de otimizao de forma rigorosa, utilizando interfaces
flexveis e cenrios de implementao pr-integrados; criar aplicaes adaptadas realidade que
podem melhorar significativamente os resultados de negcio. O CPLEX uma ferramenta para
resolver problemas de otimizao, possuindo a tecnologia ILOG Concert, permitindo que aplicativos externos interajam diretamente com o solver. A interface com a tecnologia Java, fornece
um rico meio para que aplicaes Java, resolvam atravs do solver, os modelos de otimizao
(CPLEX, 2016).
Neste trabalho, o solver CPLEX foi utilizado para a resoluo do PPRC e possibilitou a
obteno de bons resultados nos testes numricos realizados. Na implementao realizada, o
sistema desenvolvido com a linguagem de programao open source Java, se conecta ao banco
de dados, consultando o mesmo e efetuando a formulao matemtica do PPRC, enviando de
forma integrada estas informaes ao CPLEX, que, aps a resoluo, retorna o resultado obtido
ao sistema apresentando-os ao usurio.

38

RESULTADOS NUMRICOS

Para validao do modelo proposto (1)-(7), foram realizados testes computacionais com
os dados fornecidos por um grupo sucroenergtico, formado por quatro unidades produtoras, o
qual possui sua matriz na regio de Catanduva, interior do Estado de So Paulo. Para realizao
dos testes foi utilizada a linguagem de programao Java, integrada ao solver CPLEX, conforme
descrito no Captulo 4.
A regio de Catanduva tradicional na cultura da cana-de-acar, pois apresenta vantagens
devido a sua infra-estrutura de transporte, terras aptas, com condies climticas (regime de
chuvas, solo, luminosidade, temperatura e umidade) favorveis ao cultivo da cana-de-acar,
declividade baixa e ausncia de solos rochosos, de tal forma, que permite 100% de mecanizao
de todas as operaes agrcolas, desde o preparo do solo colheita. A matriz do grupo, possui
uma planta industrial flexvel ao mix de produo, de acordo com as variaes de mercado. E
possui uma operao moderna de fermentao, com sua planta 100% automatizada.
Os gestores da usina em estudo, no autorizaram a divulgao da marca comercial, razo
social e imagens da empresa. Contudo, foi autorizada a coleta e utilizao dos dados para a
execuo deste trabalho. Assim, foram conduzidas pesquisas documentais sobre os apontamentos de campo da rea estudada, os quais estavam dispostos nos bancos de dados de sistemas
integrados de gesto da empresa. Os experimentos numricos realizados so descritos a seguir.
Primeiramente foram realizados testes com uma fazenda pertencente ao grupo sucroenergtico a qual dividida em 10 talhes, que totalizam 190,54ha (hectares). A fazenda possui 4
pontos de bate, agrupando assim as reas a serem colhidas. A Figura 9 ilustra o mapa dessa
fazenda e a Tabela 1 apresenta a rea em hectares de cada talho, o espaamento entre as linhas
de cana e a estimativa de colheita em toneladas por hectare. Posteriormente, foram realizados
testes em 50 instncias reais, fornecidas pelo grupo sucroenergtico e 4 instncias geradas de
forma aleatrias, visando analisar o comportamento do modelo proposto.

39

Figura 9 - Fazenda utilizada para simulao

Tabela 1 - Dados da fazenda utilizada para simulao

Talho

Bate

rea (ha)

Espaamento(m)

Estimativa (ton.ha1 )

0004
0005
0006
0007
0008
0009
0010
0011
0012
0013

2
2
3
3
3
3
4
4
4
1

24,74
36,27
14,17
5,69
5,07
7,47
11,97
11,67
41,01
32,48

1,5
1,5
1,5
1,5
1,5
1,5
1,5
1,5
1,5
1,5

88,34
88,34
88,34
88,34
88,34
88,34
88,34
88,34
76,16
76,16

Devido a topologia de cada fazenda, o processo de colheita realizado por frentes de colheita. Esta fazenda dividida em quatro frentes de colheita, sendo a frente 01 responsvel pelo
talho 13, a frente 02 responsvel pelos talhes 4 e 5, a frente 03 responsvel pelos talhes 6,

40

7, 8 e 9 e por fim a frente 04 responsvel pelos talhes 10, 11 e 12. As instncias 01 04

representam cada uma destas frentes de colheita.
Em todos os testes realizados, foram considerados os tempos de manobra da colhedora, de
120 segundos (2 minutos) para mudana de linha de cana, tempo de manobra de 10 segundos
para travessia da colhedora sobre o carreador (tiro direto), e tempo de deslocamento do bate at
o ponto inicial e do ponto final at o bate de 20 segundos.
5.1

Instncia 01

A Instncia 01 composta pela frente 01, a qual responsvel apenas pela colheita do
talho 13 da fazenda avaliada, devido ao tamanho do mesmo e sua topologia, como pode ser
visto na Figura 10. A soluo para o PPRC para esta frente, trivial, pois no h opo de tiro
direto. Na soluo fornecida pelo modelo matemtico para este caso, o tempo de manobra foi
de 22340 segundos.

Figura 10 - Instncia 01

41

5.2

Instncia 02

A Instncia 02 formada pelos talhes 4 e 5 (Figura 11), que juntos somam 61,01ha e 379
linhas de cana. Na soluo fornecida utilizando o modelo matemtico (1)-(7) para este caso, o
tempo total de manobra da colhedora foi de 30440 segundos.

Figura 11 - Instncia 02

5.3

Instncia 03

A Instncia 03 formada pelos talhes 6, 7, 8 e 9 (Figura 12), que juntos somam 32,40ha
e 479 linhas de cana. Na soluo fornecida utilizando o modelo matemtico (1)-(7) para este
caso, o tempo total de manobra da colhedora foi de 37160 segundos.

42

Figura 12 - Instncia 03

5.4

Instncia 04

A Instncia 04 formada pelos talhes 10, 11 e 12 (Figura 13), que juntos somam 64,74ha
e 405 linhas de cana. Na soluo fornecida utilizando o modelo matemtico (1)-(7) para este
caso, o tempo total de manobra da colhedora foi de 35760 segundos.

Figura 13 - Instncia 04

43

A Tabela 2, apresenta o tempo de manobra da colhedora pelo mtodo tradicional, o tempo

de manobra da colhedora utilizando o modelo matemtico (1)-(7), e o tempo de processamento.
O tempo de processamento, refere-se ao tempo usado pelo sistema desde o incio do processo
computacional, sendo este, a consulta ao banco de dados, montagem do modelo matemtico,
resoluo pelo CPLEX e apresentao dos resultados.
Tabela 2 - Comparao dos resultados

Frente de Colheita
Instncia 01
Instncia 02
Instncia 03
Instncia 04

5.5

Tempo de Manobra
Trad./s
Otim./s
22340
45400
57400
48520

Tempo de Processamento/s

22340
30440
37160
35760

4,153
4,797
5,812
7,158

Instncia 05 54

Com o propsito de avaliar a eficcia do modelo proposto e da implementao realizada,

foram realizados testes com mais 50 instncias fornecidas pelo grupo sucroenergtico considerado. Estas instncias, referem-se a 50 frentes de colheitas em fundos agrcolas distintos, cujo
nmero de talhes, rea em hectares, linhas de cana por frente de colheita, tempos de manobras
e tempo de processamento so detalhados na Tabela 3.
Tabela 3 - Instncias Reais
Instncia

No de Talhes

rea (ha)

Linhas

05
06
07
08
09
10
11
12
13
14
15
16
17

3
5
4
4
2
2
3
2
2
3
2
4
2

6,6
35,8
45,4
16,7
25,3
10,4
10,9
17,5
7,7
26,7
21,8
28
11,9

95
232
295
242
164
150
158
253
111
173
141
182
172

Tempo de Manobra
Trad./s
Otim./s
11320
27760
35320
28960
19600
17920
18880
30280
13240
20680
16840
21760
20560

9120
21930
20250
22690
15750
14520
15250
17520
7960
11880
10020
17260
16280

Tempo de Proc./s
3,559
10,500
3,554
3,943
5,268
4,917
12,332
3,320
2,545
2,831
2,660
5,879
5,133

44

18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54

2
2
2
2
4
3
2
2
2
2
5
2
6
2
2
2
2
2
5
2
2
4
6
5
2
2
2
2
2
5
4
2
4
2
3
4
4

5,2
5,6
12,2
5,2
24,1
4,5
14,4
10,7
2,1
4,7
36,2
4,7
26,3
28,2
6,7
19,1
30,9
15
44,3
14,6
13,7
52,8
42,7
23,5
6,7
16,2
7,6
1,2
28,9
57,9
30,6
15,4
21,2
10,9
57,8
27,1
29,7

75
81
176
75
156
65
208
155
30
68
235
68
170
183
97
276
200
217
287
211
198
343
277
152
97
234
110
45
187
287
198
223
137
158
312
176
193

8920
9640
21040
8920
18640
7720
24880
18520
3520
8080
28120
8080
20320
21880
11560
33040
23920
25960
34360
25240
23680
41080
33160
18160
11560
28000
13120
5320
22360
34360
23680
26680
16360
18880
37360
21040
23080

5070
5460
16530
4960
15240
4310
19490
10600
2750
6660
17010
6440
16249
13190
6940
26990
18970
14630
19730
14790
18510
18510
19740
14530
6720
21950
10370
2240
12900
21160
18950
16010
9320
14810
31310
16750
12960

2,335
2,321
19,443
2,402
4,484
2,242
7,435
2,723
2,105
3,137
3,317
3,165
19,965
2,922
2,478
4,689
9,362
3,543
3,628
3,081
5,472
7,233
3,582
4,511
2,404
3,159
4,405
1,971
2,961
3,690
10,922
3,285
2,645
6,638
28,116
4,657
3,073

45

5.6

Instncias 55 58

As instncias 55 58 foram geradas aleatoriamente, com nmero de linhas muito superior

ao das frentes de colheitas reais. O propsito dos testes com estas instncias verificar o
comportamento do modelo em instncias com maior quantidade de linhas de cana. Observouse neste caso que o limitante na execuo de instncias maiores, o hardware utilizado no
experimento, testes com 20000 linhas de cana, demonstram erro na execuo, devido a falta de
memria no computador utilizado na execuo da implementao.
Tabela 4 - Instncias geradas

5.7

Instncia

Linhas

Tempo de Manobra
Trad./s
Otim./s

55
56
57
58

500
2500
5000
15000

59920
299920
299920
1799920

35420
165420
327920
977920

Discusso dos Resultados

Os testes computacionais realizados com os dados fornecidos por uma indstria sucroenergtica, confirmam a eficcia do modelo, que obtm solues timas por meio do solver CPLEX.
A partir dos resultados obtidos, para as quatro primeiras frentes de colheitas otimizadas,
temos uma rea total de 158,15ha, composta por 1263 linhas de cana, em que, de forma tradicional seriam necessrios 151320 segundos para a manobra da colhedora, enquanto que com o
processo de otimizao realizado pelo modelo PPRC, este demonstrou ser possvel percorrer as
mesmas linhas de cana, reduzindo o tempo de manobra para 103360 segundos, denotando assim
uma economia de 47960 segundos, ou seja 31,69% de economia aps otimizao do processo.
Aponta-se na Figura 14, a somatria do tempo de manobra tradicional e a somatria do
tempo de manobra otimizado, conforme dados apresentados na Tabela 3. Nota-se um ganho de
31,64% com a otimizao do percurso, na somatria das 50 instncias apresentadas.

46

Figura 14 - Comparativo de Tempo em Manobra Tradicional e Otimizada

As instncias 55 58, demonstram o comportamento da implementao do modelo em instncias com maior quantidade de linhas de cana, observou-se neste caso, que o limitante na
execuo de instncias maiores, o hardware utilizado no experimento. O PPRC enquadra-se
em um problema de roteamento de arcos, o grafo relacionado ao problema, possui um circuito
euleriano, pois a colhedora sair de um ponto inicial, passar apenas uma vez pelas arestas
obrigatrias e retornar ao ponto inicial. Esta caracterstica bastante especial permitindo que,
mesmo tratando-se de um problema np-difcil, seu processamento seja efetuado em tempo polinomial. Em todos esses testes realizados, pode-se destacar que, alm do ganho com o tempo
de manobra, houve tambm ganho com o consumo de combustvel, com toda a mo de obra da
frente de colheita e com o desgaste da mquina. Alm disso, pode-se destacar um grande ganho
para o meio ambiente, devido a reduo de CO2 .

47

CONCLUSO

Este trabalho abordou um problema real de planejamento da rota da mquina colhedora utilizada no processo de colheita da cana-de-acar. Um modelo matemtico de otimizao para
o planejamento do percurso a ser realizado pela colhedora em um processo de colheita mecanizada da cana-de-acar foi proposto, objetivando reduzir o tempo necessrio de manobra. Esse
modelo foi baseado no problema do carteiro rural, que bastante estudado na literatura.
Para execuo dos testes, foi desenvolvido um algoritmo que utiliza a linguagem de programao Java, que acessa os dados em um sistema gerenciador de banco de dados Oracle
Database Express Edition 11g e integra ao solver CPLEX. Testes computacionais foram realizados com dados reais fornecidos por uma indstria sucroenergtica, e confirmaram a eficincia
do modelo em fornecer solues que minimizam o tempo de manobra da colhedora. Nas solues obtidas, o tempo de manobra total da colhedora, foi cerca de 31% menor do que o tempo
de manobra total em um processo de colheita tradicional.
Visto a importncia do setor sucroenergtico para a economia nacional e o constante esforo empregado pelo mesmo na busca de otimizao do processo da colheita mecanizada, este
trabalho vem de encontro resoluo de um problema prtico, que envolve um dos principais
processos de um setor fundamental na economia nacional. Este mostra mais uma vez, a importncia da integrao do meio acadmico com as empresas e os ganhos que ambos podem obter
com estudos que possuem impacto quanto a pesquisa, e trazendo solues que viabilizam ainda
mais grandes setores econmicos no pais.
Alm dos ganhos com o tempo da colheita, devido a diminuio das manobras, onde se tem
um alto consumo de combustvel, tem-se tambm o tempo improdutivo da colhedora, elevando
desta forma o custo operacional em relao a todo o processo de colheita mecanizada. Existe
tambm a economia direta com toda mo de obra da frente de colheita, e o aumento da canade-acar enviada a indstria. Destaca-se tambm o fator do ganho para o meio ambiente e a
sade pblica, devido a menor emisso de CO2 .

48

REFERNCIAS
ARAOZ, J.; FERNANDEZ, E.; MEZA, O. Solving the prize-collecting rural postman problem.
European Journal of Operational Research, v. 196, n. 3, p. 886896, 2009.
ARCHETTI, C.; GUASTAROBA, G.; SPERANZA, M. An ilp-refined tabu search for the directed profitable rural postman problem. Discrete Applied Mathematics, v. 163, n. PART 1, p.
316, 2014.
ASCANA.
Plano
de
Ao
ASCANA
Associao
dos
Plantadores
de
Cana
do
Medio
Tiete.
[S.l.],
2009.
Disponvel
em:
<http://ascana.com.br:8090/QueimaPalha/PLANO%20DE%20A%C3%87%C3%83O%20
ASCANA.pdf>. Acesso em: 22 Jan. 2016.
VILA, T.; CORBERAN, A.; PLANA, I.; SANCHIS, J. M. A branch-and-cut algorithm for the
profitable windy rural postman problem. European Journal of Operational Research, v. 249,
n. 3, p. 10921101, 2016.
BARATA, M. Q. F. Otimizao econmica do corte e reforma de canaviais. Agricultural Engineering Dissertation, 1992.
BENAVENT, E.; CARROTTA, A.; CORBERAN, A.; SANCHIS, J. M.; VIGO, D. Lower
bounds and heuristics for the windy rural postman problem. European Journal of Operational Research, v. 176, n. 2, p. 855869, 2007.
BENEDINI, S. M.; CONDE, J. Sistematizao da rea para colheita mecanizada da cana-deacar. Revista Coplana, v. 23, p. 23 25, 2008.
BLAIS, M.; LAPORTE, G. Exact solution of the generalized routing problem through graph
transformations. Journal of the Operational Research Society, v. 54, n. 8, p. 906910, 2003.
BOCHTIS, D. D.; SORENSEN, C. G.; GREEN, O.; MOSHOU, D.; OLESEN, J. Effect of
controlled traffic on field efficiency. Biosystems Engineering, n. 106, p. 14 25, 2010.
BOCHTIS, D. D.; SORENSEN, G. C.; BUSATO, P.; BERRUTO, R. Benefits from optimal
route planning based on b-patterns. Biosystems Engineering, n. 115, p. 389 395, 2013.
BOCHTIS, D. D.; VOUGIOUKAS, S. G. Minimising the non-working distance travelled by
machines operating in a headland field pattern. Biosystems Engineering, n. 101, p. 1 12, 2008.
BODIN, L.; GOLDEN, B.; ASSAD, A.; BALL, M. The state of the art in the routing and
scheduling of vehicles and crews. Computers and Operations Research, v. 10, p. 63 211,
1983.
CHRISTOFIDES, N.; CAMPOS, V.; CORBERAN, A.; MOTA, E. An algorithm for the rural
postman problem. Imperial College Report ICOR, London, v. 815, 1981.

49

COLIN, E. C.; CIPPARRONE, F. A. M.; SHIMIZU, T. Otimizao do custo de transporte na

distribuio-armazenagem de acar. Produo, v. 9, p. 23 30, 1999.
CONAB. Acompanhamento da safra brasileira - cana-de-acar, 2015/2016. Brasilia, v. 2, n. 1,
p. 1 33, Abril 2015.
CORBERAN, A.; MOTA, E.; SANCHIS, J. M. The general routing problem polyhedron: Facets from the rpp and gtsp. European Journal of Operational Research, v. 108, p. 538 550,
1998.
CORBERAN, A.; MOTA, E.; SANCHIS, J. M. A comparison of two different formulations for
arc routing problems on mixed graphs. Computers and Operations Research, v. 33, p. 3384
3402, 2006.
CORBERAN, A.; PRINS, C. Recent results on arc routing problems: An annotated bibliography. Networks, v. 56, n. 1, p. 5069, 2010.
COSTA, R. G. P. Universo Java. So Paulo: [s.n.], 2008.
CPLEX. ILOG CPLEX Optimization Studio welcome page. [S.l.], 2016. Disponvel em:
<http://www-01.ibm.com/support/knowledgecenter/SSSA5P/welcome?lang=en>. Acesso em:
22 Jan. 2016.
EISELT, H. A.; GENDREAU, M.; LAPORTE, G. Arc routing problems, part ii: The rural
postman problem. Operations Research, v. 43, p. 399 414, 1995.
ESTADO DE SO PAULO. Resoluo SMA n. 33, de 21 de junho de 2007. Disposio sobre aplicao da Lei 11.241/2002, com respeito a limitao gradativa da queima
de palha de cana-de-acar no Estado de So Paulo. [S.l.], 2007. Disponvel em:
<http://www.al.sp.gov.br/norma/?id=217>. Acesso em: 01 Jul. 2015.
EULER, L. Solutio problematis ad geometrian situs pertinentis. Commentarii academiae scientarum petropolitanae, n. 8, p. 128 140, 1736.
FLORENTINO, O. H.; ISLER, R. P.; RAMOS, P. R.; NERVIS, J. J.; T., H. D. P. Modelo
matemtico para plantio e colheita da cana-de-acar. CMAC, p. 21 26, 2013.
GAZON,
A.
L.
Canavial
Mecanizado.
[S.l.],
2009.
Disponvel
em:
<http://assets.cnhindustrial.com/caseih/LATAM/LATAMASSETS/FarmForum/Revista%20N%
2026.pdf>. Acesso em: 24 Jan. 2016.
GHIANI, G.; LAPORTE, G. A branch-and-cut algorithm for the undirected rural postman problem. Mathematical Programming, Series B, v. 87, n. 3, p. 467481, 2000.
GREENWALD, R. S.; STACKWIAK, R.; STERN, J. Oracle Essentials. 5th. ed. [S.l.: s.n.],
2013.
GRISOTTO, M. Otimizao do transporte de cana-de-acar por caminhes. Applied Mathematics Dissertation, University of Campinas, Campinas, 1995.
GUAN, M. K. Graphic programming using odd or even points. Chinese Math, n. 1, p. 237
277, 1962.

50

HAMEED, I. A.; BOCHTIS, D. D.; SORENSEN, C. G.; NOREMARK, M. Automated generation of guidance lines for operational field planning. Biosystems Engineering, n. 110, p. 294
306, 2010.
HERTZ, A.; LAPORTE, G.; HUGO, P. N. Improvement procedures for the undirected rural
postman problem. INFORMS Journal on Computing, v. 11, n. 1, p. 5362, 1999.
IANNONI, A. P.; MORABITO, R. A discrete simulation analysis of a logistics supply system.
Transportation Research Part E: Logistics and Transportation Review, v. 42, n. 3, p. 191 210,
2006.
KAWAMURA, J. S.; RONCONI, D. P.; YOSHIZAKI, H. Optimizing transportation and storage
of final products in the sugar and ethanol industry. International Transactions in Operational
Research, v. 13, n. 5, p. 425 439, 2006.
KORTH, H. F.; SILBERSCHATZ, A. Sistema de banco de dados. 2. ed. So Paulo: Markron
Books, 1995.
LAPORTE, G.; OSMAN, I. Routing problems: A bibliography. Annals of Operations Research,
v. 61, n. 1, p. 227262, 1995.
LETCHFORD, A.; EGLESE, R. The rural postman problem with deadline classes. European
Journal of Operational Research, n. 105, p. 390 400, 1998.
MARGARIDO, F. B.; SANTOS, F. Planejamento da lavoura. cana-de-acar: do plantio
colheita. Edio dos editores, Viosa, p. 9 23, 2013.
MARQUES, P. V. Custo de produo agrcola e industrial de cana-de-acar e alcool no brasil
na safra 2007/2008. ESALQ/USP, Piracicaba, p. 194, 2009.
MORAES, M. A. F. D. O mercado de trabalho da agroindstria canavieira: desafios e oportunidades. v. 4, p. 605 619, 2007.
MULLASERIL, P.; DROR, M.; LEUNG, J. b. Split-delivery routeing heuristics in livestock
feed distribution. Journal of the Operational Research Society, v. 48, n. 2, p. 107116, 1997.
MURRAY, C. Oracle SQL Developer Users Guide, Release 3.1. Redwood: Oracle Press, 2011.
OKSANEN, T.; VISALA, A. Coverage path planning algorithms for agricultural field machines. Journal of Field Robotics, v. 8, n. 26, p. 651 668, 2009.
ORACLE. Oracle Database Express Edition Documentation 11g Release 2. [S.l.], 2016. Disponvel em: <http://docs.oracle.com/cd/E17781_01/>. Acesso em: 27 Jan. 2016.
ORLOFF, C. S. A fundamental problem in vehicle routing. Networks, v. 4, n. 1, p. 35 64,
1974.
PEARN, W. L.; WU, T. C. Algorithms for the rural postman problem. Computers and Operations Research, n. 22, p. 819 828, 1995.
RIPOLI, M. L. C.; CASAGRANDI, D. V.; IDE, B. Plantio de cana-de-acar: estado da arte.
Piracicaba, v. 1, p. 80 91, 2006.

51

ROCHA, C. H. B. Geoprocessamento: tecnologia transdisciplinar. 2. ed. Juiz de Fora: Sermograf, 2007.

RODRIGUES, E. B.; SAAB, O. J. G. A. Avaliao tcnico-econmica da colheita manual e mecanizada da cana-de-acar (saccharum spp.) na regio de bandeirantes/pr. Cincias Agrarias,
Londrina, v. 28, n. 4, p. 581 588, dez 2007.
SCHEIDL, H. A.; SIMON, A. T.; PACAGNELLA, A. C. J.; SALGADO, A. P. J. Environmental
impacts of mechanization in brazils sugar and ethanol industry: The cutting, loading, and
transportation process case. Environmental Progress & Sustainable Energy, v. 34, n. 6, p. 1748
1755, 2015.
SILVA, P. R.; CORREA, F. C.; CORTEZ, W. J. Controle estatstico aplicado ao processo de
colheita mecanizada de cana-de-acar. Engenharia Agrcola, Jaboticabal, v. 28, n. 2, p. 292
304, 2008.
TIOBE. January Headline: Java is TIOBEs Programming Language of 2015! [S.l.], 2016.
Disponvel em: <http://www.tiobe.com/index.php/content/paperinfo/tpci/index.html>. Acesso
em: 27 Jan. 2016.
ULUSOY, G. The fleet size and mix problem for capacitated arc routing. European Journal of
Operational Research, v. 22, n. 3, p. 329337, 1985.
YOSHIZAKI, H.; MUSCAT, A.; BIAZZI, J. Decentralizing ethanol distribution in southeastern
brazil. Interfaces, n. 26, p. 24 34, 1996.
ZHOU, K.; LECK, J. A.; SORENSEN, C.; BUSATO, P.; BOTHTIS, D. D. Agricultural operations planning in fields with multiple obstacle areas. Computers and Electronics in Agriculture,
n. 109, p. 12 22, 2014.

52

APNDICE A - CLASSE JAVA PRINCIPAL

1

// imports foram emitidos

2
3

public class CarteiroRural {

4
5

6
7
8
9

public static void main ( String args []) throws Excecoes ,

IloException {
Set < String > lista = new HashSet < String >() ;
String inicio = " X1 ";
String pontoAtual = "" ;
List < String > listaFinal = new ArrayList < String >() ;

10
11
12
13

14

System . out . println (" INICIO DO PROCESSO DE OTIMIZAO ") ;

Date now = new Date () ;
String format1 = new SimpleDateFormat (" DD / mm / yyyy HH : mm : ss . SSS
") . format ( now );
System . out . println (" INICIO : " + format1 );

15
16
17
18
19
20

21
22

23
24

IloCplex cplex = new IloCplex () ;

cplex . setOut ( System . out );
// otimizacao do cplex
cplex . setParam ( IloCplex . DoubleParam . WorkMem , 14000) ; // in MB
cplex . setParam ( IloCplex . IntParam . NodeFileInd , 3) ; // nodes
compressed on disk
cplex . setParam ( IloCplex . DoubleParam . TreLim , 10000) ;
cplex . setParam ( IloCplex . BooleanParam . MemoryEmphasis , true ); //
reduce storage where possible
cplex . setParam ( IloCplex . IntParam . Threads , 6) ;
cplex . setParam ( IloCplex . IntParam . ParallelMode , 1) ;

25
26
27

// Buscar variaveis do problema no banco de dados

List < CRPontos > variaveis = new CRPontosDao () . getTodos (" ponto ")
;

28
29
30
31

// Montar lista de variaveis

IloNumVar [] vars = new IloNumVar [ variaveis . size () ];

53

32
33
34

35

// Inicializar as variaveis declaradas

for ( int i =0; i < vars . length ; i ++) {
vars [ i] = cplex . numVar (0 , Double . MAX_VALUE , IloNumVarType . Bool
, variaveis . get (i) . getPonto () );
}

36
37
38
39

40
41

42
43

// Criar colecao das distancias entre pontos

double distancias [] = new double [ vars . length ];
// Buscar lista de distancias no banco de dados de acordo com
as variaveis
for ( int i =0; i < distancias . length ; i ++) {
BigDecimal distancia = new CRDistanciaPontosDao () . getDistancia
( variaveis . get (i)) ;
distancias [i ] = distancia . doubleValue () ;
}

44
45
46

// declaracao da funcao objetivo

cplex . addMinimize ( cplex . scalProd ( distancias , vars ) , " Obj ") ;

47
48
49
50

51

// *********************
// Inicio das regras
// pega todas as opcoes de percurso de continuidade do banco
de dados
List < CRPontosContinuidade > listaContinuidade = new
CRPontosContinuidadeDao () . getTodos (" id ");

52
53
54
55
56
57
58

// Percorre a lista para pegar o numero de regras

int maiorRegra = 0;
for ( CRPontosContinuidade obj : listaContinuidade ) {
if ( obj . getRegra () > maiorRegra )
maiorRegra = obj . getRegra () ;
}

59
60
61
62
63

64

65

// montando as regras de continuidade

// a variavel i vai representar cada regra
for ( int i = 1; i <= maiorRegra ; i ++) {
double valorRegraContinuidade [] = new double [ vars . length ]; //
cria um array dos valores para as variaveis
for ( CRPontosContinuidade obj : listaContinuidade ) { //
percorre a lista de continuidade
if ( obj . getRegra () == i) { // verifica regra a regra

54

66

67
68
69
70
71
72

for ( int j =0; j < valorRegraContinuidade . length ; j ++) { //

insere o valor na posicao
if ( vars [j ]. getName () . equals ( obj . getPonto () ) ){
valorRegraContinuidade [j ] = obj . getValor () . doubleValue () ;
}
}
}
}

73
74
75

76

// insere as regras de continuidade

cplex . addEq ( cplex . scalProd ( valorRegraContinuidade , vars ) , 0, "
REGRA_2_ " + i) ;
}

77
78

79

80

81

82

83

84

85
86
87
88
89

90

// RESTRICOES (3) GARANTEM QUE TODA LINHA DE CANA SEJA

PERCORRIDA PELA COLHEDORA
List < CRPontosPercorridos > listaCRPontosPercorridos = new
CRPontosPercorridosDao () . getTodos ( " id ");
for ( int i= 0; i < listaCRPontosPercorridos . size () ; i ++) { //
cada registro sera uma restricao
double valorRegraPontosPercorridos [] = new double [ vars . length
]; // cria um array dos valores para as variaveis
for ( int j = 0; j < valorRegraPontosPercorridos . length ; j ++) {
// percorre o array de valores para seta - lo
if (( vars [ j ]. getName () . equals ( listaCRPontosPercorridos . get (i ).
getPonto1 () ) ) ||
( vars [j ]. getName () . equals ( listaCRPontosPercorridos . get ( i).
getPonto2 () ) )){
valorRegraPontosPercorridos [j] = 1;
}
}
// insere as regras de caminho percorrido
cplex . addEq ( cplex . scalProd ( valorRegraPontosPercorridos , vars ) ,
1, " REGRA_3_ "+ i );
}

91
92
93

94

// RESTRICOES (4) ELIMINACAO DE SUB - ROTAS ILEGAIS ( CICLOS )

// pega todas as opcoes de eliminacao de ciclos do banco de
dados
List < CRPontosEliminacaoCiclos3 > listaEliminacaoCiclos3 = new
CRPontosEliminacaoCiclos3Dao () . getTodos ( " id ");

55

95
96
97
98
99
100
101

// Percorre a lista para pegar o numero de regras

maiorRegra = 0;
for ( CRPontosEliminacaoCiclos3 obj : listaEliminacaoCiclos3 ) {
if ( obj . getRegra () > maiorRegra )
maiorRegra = obj . getRegra () ;
}

102
103
104
105
106

107

108
109

110
111
112
113
114
115

// montando as regras de continuidade

// a variavel i vai representar cada regra
for ( int i = 1; i <= maiorRegra ; i ++) {
double valorRegraEliminacaoCiclos3 [] = new double [ vars . length
]; // cria um array dos valores para as variaveis
for ( CRPontosEliminacaoCiclos3 obj : listaEliminacaoCiclos3 ) {
// percorre a lista de eliminacao de ciclos
if ( obj . getRegra () == i) { // verifica regra a regra
for ( int j =0; j < valorRegraEliminacaoCiclos3 . length ; j ++) {
// insere o valor na posicao
if ( vars [j ]. getName () . equals ( obj . getPonto () ) ){
valorRegraEliminacaoCiclos3 [j] = 1;
}
}
}
}

116
117
118

119

// insere as regras de continuidade

cplex . addLe ( cplex . scalProd ( valorRegraEliminacaoCiclos3 , vars ) ,
3, " REGRA_4_3_ " + i) ;
}

120
121
122

123

// RESTRICOES (4) ELIMINACAO DE SUB - ROTAS ILEGAIS ( CICLOS )

// pega todas as opcoes de eliminacao de ciclos do banco de
dados
List < CRPontosEliminacaoCiclos > listaEliminacaoCiclos = new
CRPontosEliminacaoCiclosDao () . getTodos (" id " );

124
125
126
127
128
129

// Percorre a lista para pegar o numero de regras

maiorRegra = 0;
for ( CRPontosEliminacaoCiclos obj : listaEliminacaoCiclos ) {
if ( obj . getRegra () > maiorRegra )
maiorRegra = obj . getRegra () ;

56

130
131
132
133

134

135
136

137
138
139
140
141
142

}
// a variavel i vai representar cada regra
for ( int i = 1; i <= maiorRegra ; i ++) {
double valorRegraEliminacaoCiclos [] = new double [ vars . length
]; // cria um array dos valores para as variaveis
for ( CRPontosEliminacaoCiclos obj : listaEliminacaoCiclos ) {
// percorre a lista de eliminacao de ciclos
if ( obj . getRegra () == i) { // verifica regra a regra
for ( int j =0; j < valorRegraEliminacaoCiclos . length ; j ++) {
// insere o valor na posicao
if ( vars [j ]. getName () . equals ( obj . getPonto () ) ){
valorRegraEliminacaoCiclos [ j] = obj . getValor () . doubleValue () ;
}
}
}
}

143
144
145

146

// insere as regras de eliminacao de ciclos

cplex . addLe ( cplex . scalProd ( valorRegraEliminacaoCiclos , vars ) ,
7, " REGRA_4_7_ " + i) ;
}

147
148
149

// RESTRICOES (5/6) REGRAS GERAIS

List < CRPontosRegrasGerais > listaCRPontosRegrasGerais = new
CRPontosRegrasGeraisDao () . getTodos (" id ");

150
151
152
153
154
155
156
157
158
159

160

161
162

// Percorre a lista para pegar o numero de regras

maiorRegra = 0;
for ( CRPontosRegrasGerais obj : listaCRPontosRegrasGerais ) {
if ( obj . getRegra () > maiorRegra )
maiorRegra = obj . getRegra () ;
}
// a variavel i vai representar cada regra
for ( int i = 1; i <= maiorRegra ; i ++) {
double valorRegraGerais [] = new double [ vars . length ]; // cria
um array dos valores para as variaveis
for ( CRPontosRegrasGerais obj : listaCRPontosRegrasGerais ) {
// percorre a lista de regras gerais
if ( obj . getRegra () == i) { // verifica regra a regra
for ( int j =0; j < valorRegraGerais . length ; j ++) { // insere o
valor na posicao

57

163
164
165
166
167
168

if ( vars [j ]. getName () . equals ( obj . getPonto () ) ){

valorRegraGerais [j] = obj . getValor () . doubleValue () ;
}
}
}
}

169
170
171

172

// insere as regras de eliminacao de ciclos

cplex . addGe ( cplex . scalProd ( valorRegraGerais , vars ) , 1, "
REGRASGERAIS_ "+ i);
}

173
174
175

boolean resolveu = cplex . solve () ;

System . out . println (" Conseguiu Resolver o problema ( cplex . solve
() ) = " + resolveu );

176
177
178

179

180
181
182

183
184
185
186

if ( resolveu ) {
System . out . println (" Status da Solucao = " + cplex . getStatus () )
;
System . out . println (" Valor da Solucao = " + cplex . getObjValue
() ) ;
double [] valoresResultado = cplex . getValues ( vars );
for ( int variavel =0; variavel < vars . length ; variavel ++) {
System . out . println ( vars [ variavel ]. getName () + " = " +
valoresResultado [ variavel ]) ;
if ( valoresResultado [ variavel ] == 1.0) {
lista . add ( vars [ variavel ]. getName () ) ;
}
}

187
188
189
190
191
192
193
194
195
196

// pegar primeiro pronto

for ( String ponto : lista ) {
String pontos [] = ponto . split ("_ ");
if ( pontos [0]. equals ( inicio ) ) {
listaFinal . add ( ponto );
pontoAtual = pontos [1];
break ;
}
}

197
198

while ( listaFinal . size () < lista . size () ) {

58

199
200
201
202
203
204
205
206
207

for ( String ponto : lista ) {

String pontos [] = ponto . split ("_ ");
if ( pontos [0]. equals ( pontoAtual ) ) {
listaFinal . add ( ponto );
pontoAtual = pontos [1];
break ;
}
}
}

208
209
210
211

for ( String ponto : listaFinal ) {

System . out . println ( ponto );
}

212
213
214
215
216
217
218

219
220
221

}
cplex . exportModel (" modelo . lp " );
cplex . exportModel (" modelo . mps ");
cplex . end () ;
now = new Date () ;
format1 = new SimpleDateFormat (" DD / mm / yyyy HH : mm : ss . SSS ") .
format ( now ) ;
System . out . println (" FIM : " + format1 );
}
}