Aplicação de Algoritmo Metaheurístico Híbrido com mecanismo de aceleração de convergência na otimização de processos do agronegócio

Resumo

A aplicação de técnicas metaheurísticas para a solução de problemas com grande quantidade de repostas possíveis (NP-Completos), se mostra mais eficiente que as técnicas determinísticas ou técnicas heurísticas consideradas de busca local. O Algoritmo Genético (GA) é uma destas técnicas metaheurísticas e é consagrada no meio acadêmico e, bastante usada tanto de forma isolada, quanto em algoritmos híbridos implementada em conjunto com outras técnicas. Este projeto implementou o algoritmo metaheurístico híbrido (SAGAC), composto pelas técnicas Simulated Annealing (SA) e Algoritmo Genético (GA) com a inclusão de um mecanismo de aceleração de convergência que torne mais eficiente o processo de busca dentro de conjuntos de soluções. Este algoritmo busca acelerar a convergência dos resultados obtidos a cada iteração (geração do GA) processada. O projeto abordou três processos do agronegócio, os quais têm em comum a criação animal para produção de carne. São eles: 1º. Controle ambiental em criadouros de frangos, 2º. Logística de gado de corte e 3º. Planejamento de produção de monogástricos (frangos e suínos) por meio de modelos matemáticos que descrevem suas curvas de crescimento. Para o primeiro processo, aplicou-se o algoritmo metaheurístico para pesquisar uma combinação dos parâmetros ambientais (Temperatura = Tbs (°C), Umidade Relativa do ar = UR (%), Velocidade do vento = Var (m/s), Concentração de Amônia = NH3 (ppm) e Concentração de gás carbônico = CO2 (ppm)). O processo de otimização considerou quatro faixas etárias das aves (21, 28, 35, 42 dias) e os resultados obtidos mostraram que houve aumento na taxa de melhoria da ambiência para as quatro faixas etárias, com a maior taxa de melhoria para as aves com 21 dias de idade. Para o segundo processo, aplicou-se o SAGAC para otimizar os parâmetros logísticos (frigorífico, rota, caminhão) do processo de transporte de gado de corte entre o produtor e o frigorífico. Neste caso, resultados obtidos por meio de um algoritmo determinístico (Branch-and-bound) foram comparados com os resultados obtidos pelo SAGAC. Nas 22 duas simulações realizadas, o SAGAC obteve um desempenho médio 0,14% melhor que o algoritmo Branch-and-bound. Para o terceiro processo, utilizou-se o SAGAC para otimizar a combinação dos parâmetros de três modelos de curvas de crescimento (Gompertz, Logistic e Von Bertalanffy) de monogástricos (frangos e suínos) com o intuito de obter o maior coeficiente de derminação (R2) que representa a probabilidade de acerto dos dados simulados em relação aos dados reais de crescimento dos animais, indicando, por consequencia, o grau de confiabilidade nos dados do planejamento do processo. Os resultados obtidos apresentaram percentuais de coeficiente de determinação acima de 99% para frangos, com destaque para o modelo Gompertzque apresentou a maior taxa (99,998%) e, acima de 93% para suínos, com destaque para o modelo Logistic que apresentou a maior taxa (97,380%). Ao final desta pesquisa, verificou-se que o algoritmo SAGAC obteve um melhor desempenho que o Algoritmo Genético (GA) tradicional e outros algoritmos, na otimização dos processos do agronegócio abordados.