Este trabalho propõe uma otimização ao problema de roteirização do transporte escolar baseada em Otimização por colônias de formigas (ACO) que é um caso real do clássico Problema do caixeiro viajante (TSP). A criação de roteiros otimizados para economia de tempo se apresenta de forma bastante objetiva no transporte escolar, feito à base de conhecimento empírico, sem uma forma mais eficiente de percorrer estes caminhos. Desta forma, as meta-heurísticas se apresentam como uma forma eficiente para encontrar uma solução otimizada, pois a computação evolucionária (CE) e Algoritmos de otimização baseados em enxame (SOAs) para resolução de problemas vem se mostrando bastantes populares pois demonstram robustez e flexibilidade para problemas de otimização complexa. SOAs comportam-se de forma a imitar modelos da natureza para chegar a soluções próximas de uma solução ótima, Em termos gerais, é esperado que a população desses SOAs venha a convergir para este estado ótimo. Se um problema tem várias soluções ótimas, os SOAs obtem tais soluções a partir de sua população final. Um destes SOAs é o ACO, nome que se da a um grupo de algoritmos que seguem um padrão de funcionamento, semelhante ao de uma colônia de formigas reais quando em busca de comida, é um algoritmo de propósito geral que pode ser usado para resolver diferentes problemas de otimização combinatória. O transporte escolar é um caso do mundo real do TSP pois ambos tem um trajeto que passa em diversos pontos pré- determinados e tem que passar em cada um deles ao menos uma vez, retornando ao ponto de origem. A principal diferença do transporte escolar em relação ao TSP se deve ao fato que existem pelo menos dois tipos de pontos distintos que afetam a ordem da rota e as suas prioridades, sendo eles escola e aluno. Para suprir certas necessidades especiais do caso do transporte escolar, foram implementados operadores para alterar a prioridade de ordenação de pontos na rota. Através de experimentos foi identificado um conjunto de parâmetros padrão, o qual foi utilizado nos outros experimentos. As análises realizadas sobre resultados experimentais mostram que o ACO apresentou solução de qualidade e ganhos de performance no planejamento de rotas de forma mais inteligente.

1. UNIPAR - UNIVERSIDADE PARANAENSE - CÂMPUS FRANCISCO BELTRÃO
CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO
AntRouter - Ant Colony Optimization aplicado ao
transporte escolar
080083454 - Wellington de Souza Mitrut
Defesa de Monografia

2. 1 Motivação
● Otimizações são formulações de modelos matemáticos para
encontrar a melhor solução para o determinado problema.
● Dentre estes problemas, está roteirização, do transporte
escolar.
● Inteligência computacional para chegar à soluções
organizadas e eficientes

3. 2 Heurísticas e Meta-
Heurísticas
● HEURÍSTICA: É uma busca pela qual analisam-se várias
soluções de um problema afim de se escolher a que vem a
parecer a melhor de acordo com a função de avaliação.
● META-HEURÍSTICAS: Técnicas de busca e resolução de
problemas de forma genética, utilizando análise
combinatória.

4. 3 Swarm ‐ based optimisation
algorithms
● Algoritmos de otimização baseados em enxame comportam-se
de forma a imitar modelos da natureza para chegar a
soluções próximas de um modelo ótimo para uma
determinada solução.
● Darwinismo: A analogia entre seleção natural e os
algoritmos genéticos é bem evidente, onde o cruzamento de
genes de indivíduos anteriores influenciam num indivíduo
descendente.

5. 4 Ant-Colony Optimization
● Apresenta uma colônia de tamanho finito de formigas que
procuram coletivamente por melhores soluções na busca de
alimento.
● Cada formiga constrói uma solução a partir de um estado
inicial que é selecionado de acordo com critérios
reestabelecidos particulares de cada problema

6. ● Uma formiga dispersa feromônio no solo, formando uma
trilha.
● Ela começa esta trilha de forma aleatória, ao encontrar uma
trilha de feromônio
● Quanto mais formigas seguem esta trilha, maior peso de
atração a trilha terá devido a quantidade de feromônio.

8. ● Para o sistema não decorar ou tender a repetir e viciar em
pontos ótimos, existe um fator de evaporação constante.
● Uma vez que a formiga realizou seu trabalho, ela morre,
mas a trilha que deixou continua, de forma que contribui
para o sistema deixando sua memória.
● Os parâmetros então são definidos a cada iteração de forma
a minimizar a possibilidade de convergir para soluções locais
muito rapidamente, garantindo uma maior exploração do
espaço de busca.

9. 5 Travelling Salesman Problem
(TSP)
● Consiste em estabelecer um trajeto que passe por cada
ponto de uma rota pré-determinada, sendo necessário
que se passe por cada ponto obrigatoriamente uma vez
e também apenas uma única vez, retornando ao ponto
inicial no final do percurso de modo que a distância
total percorrida seja mínima.

10. TSP aplicado ao Transporte Escolar
O transporte escolar é um caso do mundo real do TSP pois
ambos tem um trajeto que passa em diversos pontos pré-determinados
e tem que passar em cada um deles ao menos
uma vez, retornando ao ponto de origem.

11. OPERADORES ESPECIAIS
• Existem três turnos em que serão feitas as rotas: Manhã,
Tarde e Noite;
• Para cada turno existe uma rota de ida e uma rota de volta;
• As escolas devem ser ordenadas conforme seu horário da ida
ou de volta:
Quando a rota for de ida, não se deve passar na escola sem antes ter
passado em pelo menos um dos seus alunos;
Quando a rota for de volta, deve-se passar antes nas respectivas
escolas antes de passar no endereço de um aluno da mesma.

12. Problemas Google API V3

13. Ant Router

14. Interfaces - Rails Admin

15. Interface - Mapa Personalizado

17. Caso Real

18. Rota Mapeada com aplicativo GPS
Endomondo Sports Tracker

19. Rota Gerada pela aplicação

20. Comparativo