Uma heurística de localização-alocação (HLA) para problemas de localização de facilidades

A location-allocation heuristic (LAH) for facility location problems

Uma heurística de localização-alocação (HLA) para problemas de localização de facilidades

A location-allocation heuristic (LAH) for facility location problems

Reinaldo Gen Ichiro Arakaki; Luiz Antonio Nogueira Lorena

INPE

RESUMO

Neste trabalho, foi desenvolvida uma nova heurística de localização-alocação (HLA) para problemas de localização de facilidades (facility). Em tais problemas a questão central é localizar um objeto ou mais objetos, que são chamados de facilidades, e minimizar o custo de localizar estas facilidades. A HLA foi aplicada a dois problemas: o Problema de Localização de Máxima Cobertura (PLMC) e o Problema das P-Medianas Capacitado (PPMC) com o intuito de uma possível integração a Sistemas de Informações Geográficas (SIG). A HLA baseia-se na formação de agrupamentos (clusters) e na possibilidade de melhorá-los (em relação a algum objetivo). Uma bateria de problemas testes foi escolhida para validar a HLA. Bons resultados foram encontrados para o PLMC para instâncias (instance) pequenas e grandes, e para o PPMC em instâncias pequenas. Conclui-se que a HLA, sendo uma heurística de simples implementação, é rápida e bastante eficiente, portanto, indicada para ser integrada aos SIG.

Palavras-chave: Problema de localização de máxima cobertura, busca local, problema das p-medianas capacitado, heurística de localização-alocação.

ABSTRACT

This paper presents a new location-allocation heuristic (LAH) applied to facility location problems. Such approach is based on clustering and its main objective is to find out a facility (object) in a space by minimizing a function. The LAH developed throughout this work was employed in two problems: the Maximal Covering Location Problem (MCLP) and the Capacitated p-Median Problems (CPMP) with the purpose of a possible integration to Geographic Information Systems (GIS). A set of test problems (instances) was chosen to validate the LAH. Good computational results were obtained for small and large-scale MCLP instances and for small CPMP instances. These results demonstrate that LAH, being quick and fast, may be usefully applicable to GIS.

Key words: Location-allocation heuristic, capacitated p-median problems, maximal covering location problem, local search.

INTRODUÇÃO

Os problemas de localização podem ser classificadas como problemas de cobertura e problemas de localização de medianas. Em ambas, decisões são tomadas sobre onde localizar facilidades (facility) (centros que podem ser substituídos por fábricas, depósitos, escolas, antenas, etc.), considerando os outros centros como clientes que devem ser servidos, de forma a otimizar um dado critério. Dentre estes problemas podemos citar o Problema de Localização de Máxima Cobertura (PLMC) (CHURCH e REVELLE, 1974) que tem como objetivo localizar p facilidades de modo que a máxima população possível seja coberta dentro da distância de serviço. Uma área (ponto) de demanda é considerada coberta se está dentro da distância de serviço de pelo menos uma facilidade.

Em geral, várias facilidades serão localizadas, que por sua vez serão alocadas aos seus clientes. Desta forma tais problemas são também conhecidos como problemas de localização-alocação. A maioria dos problemas de localização de facilidades é considerada de difícil solução, alguns desses problemas pertencem à classe NP-hard.

Outro problema é o Problema das p-medianas Capacitado (PPMC). Dado um conjunto de objetos com diferentes pesos, deseja-se particionar este conjunto em p agrupamentos, de tal forma que o peso total dos objetos em cada agrupamento seja menor ou igual a um dado valor, e ainda minimizar a dispersão total dos objetos em relação a uma mediana definida como centro do agrupamento.

Nos países de grande dimensão existe uma carência de informações adequadas para tomada de decisões sobre problemas urbanos e ambientais. Os instrumentos computacionais do Geoprocessamento, chamados de Sistemas de Informações Geográficas (SIG), permitem a realização de análises complexas ao integrar dados de diversas fontes e criar bancos de dados georreferenciados (ASSAD e SANO, 1998).

Existem SIG que resolvem problemas de localização e integram alguns algoritmos, como por exemplo: o ARC/INFO (ESRI, 1996), que implementa heurísticas para resolver o PLMC e o Problema das p-medianas (PPM). Estas heurísticas foram desenvolvidas por Densham e Rushton (1992) e por Teitz e Bart (1968).

Dentro desta perspectiva, propomos neste trabalho uma nova heurística de localização-alocação para problemas de localização de facilidades, pois a combinação das funções de visualização e análise espacial de um SIG e um modelo de localização-alocação fornecerão uma poderosa ferramenta para suporte de decisão espacial.

A heurística de localização-alocação (HLA) é aplicada ao PLMC e ao PPMC e comparada com resultados de outros autores.

O trabalho, inicialmente, descreve de forma geral a heurística de localização-alocação HLA, particularizada em seguida aos problemas PLMC e PPMC. Continuando, são apresentados resultados computacionais para diversas instâncias, e por último são apresentadas algumas conclusões.

HEURÍSTICA DE LOCALIZAÇÃO-ALOCAÇÃO (HLA)

Nesta seção apresentaremos um algoritmo de localização-alocação simples e eficiente. Este algoritmo encontra soluções de qualidade para problemas de clustering (agrupamento). Para analisar a sua potencialidade foram feitas aplicações ao PLMC e ao PPMC. Para cada um destes problemas, adaptações tiveram que ser feitas. A aplicação desta heurística tem como objetivo a sua possível integração a SIG, como mencionado anteriormente.

A Heurística de Localização-Alocação (HLA) foi inicialmente inspirada nos trabalhos de Cooper (1963) e Taillard (1996). A heurística de Cooper (1963) alternava entre a alocação da população aos centros e localização destes centros numa seqüência até que houvesse uma convergência global. Na primeira iteração, uma região era subdividida em sub-regiões pela alocação dos pontos de demanda aos seus centros mais próximos, que eram escolhidos arbitrariamente. E a seguir, calculava-se a localização ótima de cada centro dentro da sub-região. Como exemplo de localização-alocação pode-se citar o artigo de Yeh e Chow (1996) que aplica um modelo de p-medianas numa área concreta em Hong Kong, integrando a um SIG.

Suponha um grafo G=(V,E) e uma instância típica tanto para o PLMC quanto para o PPMC, composto por n pontos de demanda (vértices) V = {1,...,n}. Destes, p vértices são eleitos como sementes, ou seja, vértices que irão iniciar os agrupamentos. Estas sementes serão as medianas para o PPMC ou facilidades no caso do PLMC. E uma vez localizados, teremos, portanto, associado a eles os agrupamentos, no caso p agrupamentos (clusters) C_k, k = {1,2,...,p} formados por eles próprios e os demais vértices alocados a estes (ou cobertos por estes).

Dada uma solução inicial com os seus respectivos agrupamentos, tenta-se melhorar a solução através de uma busca local de uma nova semente (localização) dentro de cada agrupamento (cluster), troca-se uma semente por um vértice não-semente e recalculam-se as alocações. Este processo se repete até que não seja mais possível obter melhorias no custo total das alocações.

O algoritmo da HLA está descrito a seguir em pseudo-código:

A troca entre vértices semente e não-semente em cada agrupamento C_k , k=1,...,p

pode ser executada para:

• Todos os vértices não-sementes do agrupamento

  C_k , ou

• Apenas para os vértices não-sementes localizados a uma certa distância (ou tempo) do vértice semente do agrupamento

  C_k.

HLA E PLMC

A HLA foi aplicada ao PLMC, sendo que inicialmente os agrupamentos foram formados escolhendo-se aleatoriamente os vértices sementes (facilidades), e através da distância crítica S foram construídos os agrupamentos. A troca entre vértices semente e não-semente foi feita para todos os vértices não-sementes do agrupamento.

A adaptação da HLA para o PLMC é apresentada no pseudocódigo a seguir. No PLMC queremos maximizar a cobertura do pontos de demanda.

Dados J conjunto dos vértices facilidades = {j₁,..., j_p},

C_k conjunto de vértices do agrupamento k = {v₁,...v_?Ck?} e

|C_k| cardinalidade de C_k

Na Figura 1 é mostrado como a HLA funciona. Ilustraremos com um exemplo prático.

Na parte (a) da Figura 1 temos dois agrupamentos e uma solução inicial. Dentro do primeiro agrupamento faz-se a troca do vértice facilidade por um não-facilidade e obtém-se uma nova solução (parte (b) da Figura 1).

Caso esta nova solução seja melhor que a solução inicial, guarda-se esta nova solução e atualiza-se a solução inicial, e continua a busca no agrupamento até varrer todos os seus elementos (parte (c) da Figura 1).

Ao término da busca no agrupamento, atualiza-se a nova facilidade e segue-se a outro agrupamento, repetindo o processo até não encontrar melhora na solução.

Para testar a HLA para o PLMC, em termos de eficiência, foi organizado um conjunto de instâncias (instance) reais coletadas na área central da cidade de São José dos Campos (SP) através de um Sistema de Informações Geográficas chamado ArcView, dados do projeto ARSIG2 (http://www.lac.inpe.br/~lorena/instancias.html).

As instâncias foram denominadas LP324, LP402, LP500, onde os seus números representam o respectivo número de vértices. Cada ponto é localizado sobre um quarteirão que representa uma demanda de população e é também um possível lugar para posicionar as facilidades. Foi simulada a instalação de antenas de rádio para uso de Internet com alcance de 800 m, 1.200 m e 1.600 m. O número de facilidades variou para cada uma destas instâncias de 1 até que fossem completados 100% de cobertura.

Outro conjunto de testes utilizado são as matrizes de distância usadas por Galvão e Revelle (1996) e Galvão et al. (2000) para uma rede de 100 e 150 vértices. Os valores de demanda utilizados não são idênticos, mas gerados da mesma maneira: a demanda de cada nó (vértice) foi gerada a partir de uma distribuição uniforme em um intervalo [20,30] para a rede de 100 vértices (distância de serviço igual a 50, 65 e 80 m) e a partir de uma distribuição normal com média igual a 80 e desvio padrão igual a 15 para a rede de 150 vértices (distância de serviço igual a 70, 75, 80, 85 e 90 m). O algoritmo descrito está codificado em C e os testes foram feitos num PC Pentium II MMX 233 MHz e 128 MB de RAM.

Um sumário dos problemas testes utilizados é apresentado na Tabela 1.

HLA E PPMC

No caso do PPMC, o problema de alocação é mais difícil devido às capacidades dos clusters (agrupamentos).

Inicialmente, a escolha das medianas é feita de forma aleatória. Tendo o conjunto de medianas J={1,...,p} sido selecionado, o problema de alocar os vértices não-medianas aos vértices medianas torna-se um Problema Generalizado de Atribuição (PGA), que pode ser formulado da seguinte forma:

onde p_ij= -d_ij , i Î N; j Î J é o custo de atribuir o vértice i à mediana j e [d_ij] é a matriz de distâncias.

Utilizou-se o algoritmo MTHG de Martello e Toth (1990) para encontrar uma solução aproximada ao PGA proposto, construindo desta forma os agrupamentos. Uma vez tendo os agrupamentos utilizou-se a HLA.

Naturalmente que a implementação da HLA ao PPMC é um pouco diferente da implementada para o PLMC. A sua adaptação está apresentada no pseudocódigo que se segue.

Na Figura 2 mostramos como a HLA procede para um caso do PPMC. Uma vez construídos os agrupamentos, no caso três agrupamentos, cada um deles possui um custo inicial (a somatória da distância dos vértices não-mediana às medianas) e uma solução inicial (somatória de todos os custos) – parte (a) da Figura 2. Faz-se a troca do vértice não-mediana pela mediana dentro do agrupamento (1) e calcula-se um novo custo (parte b da Figura 2) no agrupamento (1). Ou seja, dentro do agrupamento (1) procura-se a melhor mediana de modo a minimizar o custo inicial. Guarda-se então esta mediana. Terminada a varredura no agrupamento (1), passa-se para outro agrupamento, e repete-se o procedimento anterior dentro do agrupamento (2). Varridos todos os agrupamentos, atualizam-se todas as novas medianas encontradas e a nova solução (parte (c) da Figura 2), se ela for melhor do que solução inicial atualiza-a e repete-se o processo inicial até quando não houver mais melhoramentos.

TESTES COMPUTACIONAIS

HLA E PLMC

A HLA foi aplicada em todas estas instâncias e para cada uma foram feitas 100 rodadas, e avaliados a melhor solução encontrada (cobertura em %), a freqüência da melhor solução, a média das soluções encontradas e o tempo total das rodadas.

As Tabelas 2 e 3 mostram os resultados computacionais para problemas com 100 e 150 vértices. As melhores soluções encontradas para os problemas foram obtidas de Galvão et al. (2000) e Galvão e Revelle (1996) que chamaremos este conjunto de dados de GR e rodadas em estações de trabalho Digital Alpha 3000/300. A última linha apresenta a média de tempos da HLA e GR para cada grupo de problemas.

As Tabelas 4, 5, 6 apresentam resultados obtidos para os problemas LP324, LP402, LP500, respectivamente. Estas mostram a população máxima atendida, a cobertura (%), a média da população atendida, a freqüência da melhor solução e o tempo das cem rodadas.

Os resultados se encontram nas tabelas a seguir.

Os resultados computados nas Tabelas 4, 5 e 6 foram obtidos variando o número de facilidades até alcançarmos cobertura total.

Como podemos ver que a HLA, na Tabela 2, para o grupo de problemas GR100, não conseguiu chegar nos valores de GR. No grupo de problemas GR150 da tabela 3, em quatro instâncias a HLA gerou resultados melhores do que os apresentados por GR. Resultado bastante bom considerando sua simplicidade em relação às heurísticas Lagrangeana e surrogate utilizadas por Galvão, mesmo tendo em conta que em cem rodadas a HLA encontrou apenas uma vez esta solução, porém a encontra num tempo bastante bom para uma possível implementação em SIG. O que nos leva a crer que para instâncias pequenas (100 a 150 vértices) a HLA é bastante eficiente.

HLA E PPMC

Para testar o HLA para o PPMC foram utilizadas as instâncias fornecidas por Osman e Christofides (1994) referenciadas por pmc1 a pmc20. Estes conjuntos de problemas testes foram gerados de forma aleatória, sendo que um conjunto possui 10 problemas de dimensão 50 x 5 (50 vértices e 5 medianas) e o outro conjunto possui 10 problemas de dimensão 100 x 10 (100 vértices e 10 medianas). Todos os vértices estão localizados num plano e suas coordenadas foram geradas aleatoriamente dentro de uma distribuição uniforme [1;100] e portanto as distâncias são euclidianas. Os valores de demanda foram gerados a partir de uma distribuição uniforme [1;20]. A capacidade de um dado problema foi obtida através da expressão

onde t Î [0,82;0,96]. E todas as medianas têm capacidade total igual.

A heurística proposta por Osman e Christofides (1994) para o PPMC é um híbrido de Busca Tabu (Tabu Search) e recozimento simulado (Simulated Annealing), que implementa um critério de aceitação probabilístico juntamente com programação de esfriamento não-monotônico, uma busca na vizinhança sistemática e um critério de parada que está condicionado a quando a temperatura zera. Os resultados produzidos pela hibridização foram considerados muito bons. A máquina utilizada foi um VAX 8600 e em 85% dos problemas testes a heurística obteve as melhores soluções conhecidas, com uma média para os 20 problemas testes de 180,24 segundos.

Um segundo conjunto de dados reais, fornecidos por Lorena e Senne (2002) e utilizados também por Lorena e Pereira (2002), foi coletado utilizando um Sistema de Informações Geográficos (ArcView) relativo à área central da cidade de São José dos Campos. Seis instâncias foram criadas (100x10), (200x15), (300x25), (300x30), (402x30) e (402x40), referenciadas de sjc1 a sjc6 respectivamente. Cada ponto é localizado sobre um bloco que representa uma demanda, que foi estimada considerando o número de casas em cada bloco (um bloco vazio recebe valor 1). A capacidade foi estimada da mesma forma que a anterior, porém foi considerado 0,9 ou 0,8 (http://www.lac.inpe.br/~lorena/instancias.html).

As heurísticas propostas por Lorena e Senne (2002) para o PPMC implementam uma busca em p agrupamentos em um processo de otimização Lagrangeano/surrogate, utilizando uma heurística de localização-alocação e uma heurística de troca entre agrupamentos. O enfoque Lagrangeano/surrogate foi capaz de gerar tão boas soluções aproximadas quanto as obtidas por meta-heurísticas, em menor tempo computacional.

Para cada uma destas instâncias dos dois conjuntos de dados foram feitas cem rodadas. No caso do PPMC queremos minimizar a distância das entidades (clientes) às medianas, mantendo a capacidade do agrupamento. Portanto, a média, o mínimo valor encontrado, a freqüência do mínimo valor encontrado e o tempo se referem a estas cem rodadas. Há ainda uma coluna que mostra a melhor solução conhecida (não foram encontradas as soluções ótimas) encontrada por Osman e Christofides (1994) (OC) na Tabela 7 e a melhor solução encontrada para os dados de São José dos Campos de Lorena e Senne (2002) (LS) na Tabela 8 (o primeiro dado é o dual e o segundo é o primal, que são os limites para a heurística de LS) e a última linha apresenta a média dos tempos para o grupo de problemas. Na Tabela 7 a diferença foi calculada da seguinte forma:

Considerando o tempo de processamento em torno de 2 segundos e a diferença chegando no máximo a 5%, concluímos que a HLA apresentou bons resultados

Na Tabela 8 os dados gerados por LS foram realizados numa estação de trabalho SUN ULTRA30, enquanto os dados da HLA foram gerados num Pentium II 233MHz e 128 MBytes, a diferença dual foi calculada da seguinte forma:

A HLA mostrou uma diferença em relação aos dados de Lorena e Senne (2002) de no máximo 5,5%, o desempenho foi considerado bom, considerando a sua simplicidade.

CONCLUSÕES

A localização de facilidades é um aspecto crítico no planejamento estratégico para um grande espectro de empresas públicas e privadas. Seja um empresário que quer construir um novo shopping, um industrial que deseja situar uma nova fábrica ou um administrador público que quer estabelecer postos de saúde, são freqüentemente desafiados pela dificuldade de decidir por um local adequado, pois antes de uma facilidade ser adquirida ou construída, boas localizações devem ser identificadas, especificações da capacidade da facilidade devem ser determinadas e grande quantidade de capital deve ser alocada. Por isso a determinação das melhores localizações para as novas facilidades é um importante desafio estratégico.

Neste trabalho apresentou-se uma heurística de localização-alocação para problemas de localização de facilidades. A Heurística de Localização-Alocação (HLA) apresenta-se como um método promissor na busca de soluções a problemas combinatoriais de localização de facilidades, e em particular para o PLMC e o PPMC. Para cada problema específico uma adaptação à HLA deve ser feita, trabalhando-se com a formação de agrupamentos (clusters). A extrema simplicidade da HLA e sua enorme rapidez e eficiência foram comprovadas para as instâncias aplicadas.

Para o PLMC, a HLA apresentou os seguintes resultados: para o grupo de problemas GR100 mostrou-se boa, apresentando uma diferença em relação às melhores soluções conhecidas de no máximo 3% e um tempo em média dez vezes mais rápido; para o grupo de problemas GR150 a HLA surpreendeu e obteve melhores resultados do que GR em quatro instâncias, com um tempo em média cinco vezes mais rápido. O que leva a crer que para instâncias pequenas a HLA é rápida e eficiente, conseguindo se aproximar e algumas vezes superar a heurística Lagrangeana utilizada por GR, que é mais complexa.

Para o PPMC a HLA produziu resultados diferentes para os dois grupos de problemas escolhidos. Para as instâncias de OC de 50 e 100 vértices e 5 e 10 medianas, os resultados foram bons e a diferença em relação à melhor solução conhecida foi de no máximo 5%, em um tempo não superior a 2 segundos.

Para as instâncias de LS que são problemas maiores (100 a 402 vértices e 10 a 40 medianas), a HLA mostrou bons resultados, apresentando uma diferença de no máximo 6% em relação aos de LS, porém em uma média de tempos 20 vezes inferior, ou seja, a HLA continua sendo rápida e mais simples que a implementação de LS, que utiliza uma heurística Lagrangeana/surrogate.

Concluímos que a HLA é bastante eficiente, de simples implementação e rápida, portanto, indicada para ser integrada aos SIG.

Agradecimentos

Os autores agradecem ao Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq (processos: 506840/2004-2 e 300837/89-5) pelo apoio financeiro parcial.

Artigo recebido em 15/06/2005

Aprovado para publicação em 05/05/2006

Sobre os autores

Reinaldo Gen Ichiro Arakaki

Pesquisador Visitante

Laboratório Associado de Computação e Matemática Aplicada - LAC

Instituto Nacional de Pesquisas Espaciais – INPE – Caixa Postal 515

12.245-970 – São José dos Campos – SP

Tel.: [phone] – Fax:[phone]

Email: [e-mail]

Luiz Antonio Nogueira Lorena

Pesquisador Titular

Laboratório Associado de Computação e Matemática Aplicada - LAC

Instituto Nacional de Pesquisas Espaciais – INPE – Caixa Postal 515

12.245-970 – São José dos Campos – SP

Tel.: [phone] – Fax:[phone]

E-mail: [e-mail]

• ASSAD, E. D.; SANO, E. E. Sistema de informações geográficas aplicações na agricultura Brasília: Embrapa-SPI/Embrapa-CPAC, 1998. 434 p.
• CHURCH, R.; REVELLE, C. The maximal covering location problem. Papers of the Regional Science Association, v. 32, p. 101118, 1974.
• COOPER, L. Location-allocation problems. Operations Research, v. 11, p. 331343, 1963.
• DENSHAM, P.; RUSHTON, G. A more efficient heuristic for solving large p-median problems. Papers of the Regional Science Association, v. 71, p. 307329, 1992.
• ESRI. Avenue customization and application development for arcview Environmental System Research Institute,Inc., 1996. 239 p.
• GALVÃO, R. D.; ESPEJO, L. G. A.; BOFFEY, B. A comparison of lagrangean and surrogate relaxations for the maximal covering location problem. European Journal of Operational Research, v. 124, n. 2, p. 377-389, 2000.
• GALVÃO, R. D.; REVELLE, C. A lagrangean heuristic for the maximal covering location problem. European Journal of Operational Research, v. 88, n. 1, p. 114-123, 1996.
• LORENA, L. A. N.; PEREIRA, M. A. A Lagrangean/surrogate heuristic for the maximal covering location problem using Hillsman's edition. International Journal of Industrial Engineering,  v. 9 n.1, p. 57-67, 2002. Special Issue on Facility Location and Layout.
• LORENA, L. A. N.; SENNE, E. L. F. Local search heuristics for capacitated p-median problems. Networks and Spatial Economics, v . 3, n. 4, p. 407-419,  2003.
• MARTELLO, S.; Toth, P. Knapsack problems, algorithms and computer implementations John Wiley, 1990. 296 p.
• SCHILLING, D. A.; JAYARAMAN, V.; BARKHI, R. A review of covering problems in facility location. Location Science, v. 1, n. 1, p. 25-55, Aug. 1993.
• OSMAN, I. H.; CHRISTOFIDES, N. Capacitated clustering problems by hybrid simulated annealing and tabu search. International Transactions in Operational Research, v. 1, n. 3, p. 317-336, 1994.
• TAILLARD, E. D. Heuristic methods for large centroid clustering problems. Journal of Heuristics , v . 9, n. 1, p. 51-73, 2003.
• TEITZ, M.; BART, P. Heuristics methods for estimating the generalized vertex median of a weighted graph. Operations Research, v. 16, p. 955-961, 1968.
• YEH, A. G.; CHOW, M. H. An integrated GIS and location-allocation approach to public facilities planning an example of open space planning. Comput., Environ. and Urban Systems, v. 20, n. 4/5, p. 339-350, 1996.

Datas de Publicação

• Publicação nesta coleção
  04 Out 2006
• Data do Fascículo
  Ago 2006

Histórico

• Recebido
  15 Jun 2005
• Aceito
  05 Maio 2006