APLICAÇÃO DE ALGORITMO METAHEURÍSTICO HÍBRIDO COM MECANISMO PARA 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, aplicouse 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, haviam resultados obtidos por meio de um algoritmo determinístico
(Branch-and-bound) os quais 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.