Otimização de Tripulações em Ônibus Urbano: Um Método

Híbrido Utilizando Programação com Restrições e Algoritmos

Genéticos
Me. João Ricardo Diniz Amaral
Universidade Estadual de Montes Claros - UNIMONTES
joao@qualitetecnologia.com.br

Prof. Dr. Nilton Alves Maia

Universidade Estadual de Montes Claros - UNIMONTES
nilton.maia@unimontes.com.br

Prof. Dr. Narciso Ferreira dos Santos Neto

Universidade Estadual de Montes Claros - UNIMONTES
narciso_santos1@yahoo.com.br

Abstract
The crew scheduling problem aims to generate workloads from a set of pre-established trips and to schedule a particular crew
to fulfill these trips. Solving the problem consists of the generation of scales with the lowest operational cost possible, taking
into account the different constraints of the problem. Finding the best scale by decreasing the amount of overtime, downtime,
and crew required to meet a planning horizon in an acceptable computational time is a difficult task. The present work had
the objective of proposing a Hybrid Method for Optimization of the Scale of Crews in Urban Bus, using Programming with
Restrictions and Genetic Algorithms. The tests were performed with real operational data from a public transport company in
the city of Montes Claros (MG). The proposed method obtained positive results, generating less costly time scales than those
used by the company.

Keywords: Computational Optimization in Public Transport. Crew Programming Problem. Hybrid Methods.

Resumo
O Problema da Programação de Tripulações objetiva gerar escalas de trabalho a partir de um conjunto de viagens pré-
estabelecidas e escalonar uma determinada tripulação para cumprir estas viagens. Solucionar o problema consiste na geração
de escalas com o menor custo operacional possível, atendendo as diversas restrições do problema. Encontrar a melhor escala,
diminuindo a quantidade de horas extras, tempo ocioso e tripulação necessária para cumprir um horizonte de planejamento
em um tempo computacional aceitável é uma tarefa de difícil solução. O presente trabalho teve por objetivo propor um
Método Híbrido para Otimização da Escala de Tripulações em Ônibus Urbano, utilizando Programação com Restrições e
Algoritmos Genéticos. Os testes foram realizados com dados operacionais reais de uma empresa de transporte público da
cidade de Montes Claros (MG). O método proposto obteve resultados positivos, gerando escalas de jornada menos custosas
do que as utilizadas pela empresa.

Palavras-chave: Métodos Híbridos. Problema da Programação de Tripulações. Otimização Computacional no Transporte

Público.

1. Introdução
O transporte público por ônibus urbano possui diversas Reestruturar uma rede de transporte de passageiros
restrições operacionais conflitantes, sendo uma tarefa considerando todas as variáveis é um problema complexo
difícil encontrar uma solução viável que satisfaça todas as justamente devido à quantidade de variáveis, dificultando
variáveis do cenário. Para analisar um sistema de a compreensão da realidade do sistema. Com a aplicação
transporte de passageiros é importante levar em do método proposto é possível analisar o comportamento
consideração os requisitos de atendimento aos horários destas variáveis, definindo parâmetros específicos e
programados, realização das paradas programadas nos acompanhando o seu comportamento de acordo com o
pontos e atendimento da demanda de passageiros da objetivo pretendido em um ambiente simulado, prevendo
melhor forma, respeitando as restrições de comportamentos e situações que poderiam ocorrer no
disponibilidade da tripulação (motorista e cobrador) e cenário real.
frota. Embora a excelência das redes de infra-estrutura Planejar um sistema de transporte público urbano exige
urbana para fluidez do transporte público seja um fator complexos processos de análise e coordenação tanto do
essencial, aplicar ferramentas de otimização poder público quanto de empresas prestadoras do serviço.
computacional pode possibilitar melhorias do uso dos da Esta metodologia pode ser dividida em fases, conforme
estrutura existente. proposto por CUNHA (2014) e apresentada na Figura 1:
 Figura 1 - Interações entre os subsistemas de transporte de passageiros CUNHA (2014).
Uma das fases do processo de planejamento do
transporte público trata do Problema da Programação de
Tripulações (PPT). Prates e Silva (2014) afirmam que
nesta etapa busca-se obter sequências de jornadas diárias,
compreendendo os dias úteis, sábados e domingos,
respeitando às restrições legais e trabalhistas dos
colaboradores. Neste trabalho pretendeu-se desenvolver
um Sistema de Informação para atacar o PPT através da
elaboração de um método de otimização híbrido,
utilizando Programação com Restrições (PR) e
algoritmos genéticos, testado com dados operacionais
reais de uma empresa de transporte público da cidade de
Montes Claros (MG).
2. Problema da Programação de
Tripulações
Programar tripulações consiste no processo de construir
escalas e jornadas de trabalho, satisfazendo necessidades
e restrições impostas por empresas e usuários do sistema.
CUNHA (2014) afirma que em várias organizações as
pessoas envolvidas no desenvolvimento de rodízios
precisam de ferramentas de suporte para prover os
funcionários corretos nos horários certos. Normalmente
utiliza-se planilhas, bancos de dados, possíveis
ferramentas de rodízios, modelos matemáticos e
algoritmos apropriados. Um dos sistemas de
planejamento de jornadas é o modelo de escala fixa, onde
tripulações realizam a mesma jornada de trabalho todos
os dias. Com este modelo algumas jornadas tendem a ser
mais atrativas para algumas tripulações. Este modelo é de
fácil construção porém além de ser custoso para as
empresas e parcial para os colaboradores, é dispendioso
pois não permite compensação de horas, além de gerar
mau estar entre os funcionários, alguns trabalhando mais
e outros menos.
O modelo de rodízio de tripulações busca sanar estas
questões, distribuindo a carga de trabalho de forma mais
equitativa, equilibrando as horas ociosas, dias de folga e
horas extras entre todas as tripulações. Neste modelo
costuma-se adotar também o padrão de folga variável (a
cada seis dias consecutivos de trabalho uma folga),
diferentemente do sistema de folga fixa (folgas sempre
nos mesmos dias), o qual gera sempre horas extras e
ociosas para as mesmas tripulações.
2.1 Programação de Tripulações em Ônibus
Urbano
Para o planejamento no transporte público urbano por
ônibus, as escalas são criadas com base nas tabelas de
horários. Diferentemente do setor aéreo, as escalas são
menores e também normalmente não se aplica o conceito
de início e fim da jornada ser obrigatório no mesmo
𝐶= 𝐶𝐹 + 𝑊 × ℎ_𝑒𝑥𝑡𝑟𝑎 + 𝑊 × ℎ_𝑜𝑐𝑖𝑜𝑠𝑎 + 𝑊 × 𝐷𝑢𝑝𝑙𝑎_𝑝𝑒𝑔
lugar. Objetiva encontrar um conjunto com uma
sequência de jornadas diárias com menor custo e atenda
as necessidades da tabela de horários em um horizonte de
planejamento (CUNHA, 2014). Estas sequências são
atribuídas a identificadores genéricos que posteriormente
são relacionados com funcionários dentro da empresa.
Cada viagem a ser cumprida por uma tripulação é
composta por horário de início e final, linha, carro e dia
de rodagem. Todas estas viagens agrupadas constituem
um bloco de viagens do ônibus ou jornadas. Assim pode-
se prever os horários de partida e chegada do veículo da
garagem bem como o fluxo de tripulação necessário para
a sua atividade diária.
Para cada veículo é feito um agrupamento de tarefas
denominadas sequências de viagens consecutivas, as
quais devem ser realizadas por um único condutor visto
que não há tempo para troca da tripulação entre elas. O
conjunto das tarefas que são realizadas por uma
determinada tripulação durante o período de operação
diário é denominado jornada. Estas precisam seguir as
restrições definidas pela empresa e leis trabalhistas que
regem os recursos humanos alocados. Dentro do fluxo
diário existem as jornadas simples e as jornadas dupla
pegada. Esta última se diferencia por ser realizada
quando ocorre com um intervalo entre duas horas ou mais
entre uma jornada e outra. Este tipo de jornada é
necessário para equilíbrio do sistema, aumentando o
fluxo de veículos que são utilizados em horários de pico,
normalmente no início da manhã e final da tarde. Neste
caso o intervalo entre os dois pedaços de jornada não é
contabilizado como hora trabalhada. Já nas jornadas
simples os intervalos entre as tarefas são menores do que
os valores definidos na dupla pegada. As horas extras irão
corresponder ao tempo trabalhado além do tempo normal
(normalmente sete horas e trinta minutos, CLT), mesmo
que sejam jornada simples ou dupla pegada.
O ideal é que todas as tripulações não fiquem ociosas e
trabalhem com um mínimo de horas extras possível. A
composição do custo de uma solução do PPT é obtida
através da combinação linear dos custos fixos e variáveis
das jornadas, onde os custos fixos decorrem da
remuneração dos tripulantes e os variáveis são
representados pelas horas extras trabalhadas, tempo
ocioso e quantidade de duplas pegadas na solução. Para
cada modelo há um limite de duplas pegadas a ser
atingido, visto que algumas tripulações folgam nos
domingos ou definições de restrições trabalhistas onde
somente um percentual da tripulação pode realizar estas
jornadas. Desta forma, este tipo de jornada deve ser
limitado e o modelo adaptado de acordo com as regras
impostas. A expressão a seguir representa um modelo de
função objetivo de uma solução para o PPT (SILVA e
SILVA, 2015):
(1)
 Onde:
𝑡𝑜𝑡_𝑗𝑜𝑟𝑛 = total de jornadas da solução.
𝐶𝐹 = remuneração fixa da jornada i.
𝑊 = peso de cada minuto de trabalho extra.
ℎ_𝑒𝑥𝑡𝑟𝑎 = quantidade de horas extras na jornada i em minutos.
𝑊 = peso de cada minuto de tempo ocioso.
ℎ_𝑜𝑐𝑖𝑜𝑠𝑎 = quantidade de horas ociosas na jornada i em minutos.
𝑊 = peso atribuído às duplas pegadas.
𝐷𝑢𝑝𝑙𝑎_𝑝𝑒𝑔 = 1 se a jornada i for do tipo dupla pegada e 0 caso contrário.

2.2 Abordagens Existentes na Literatura abordou o desenvolvimento do simulador de alocação de

O PPT é comumente abordado na literatura com modelos
de soluções tanto determinísticas quanto estocásticas.
Heurísticas também são aplicadas em casos onde a
quantidade de restrições consideradas é grande,
inviabilizando o tempo computacional para obtenção de
soluções exatas. MAYRINK E SILVA (2010) abordam o
problema construindo um sequenciamento de jornadas e a
partir dos dados do primeiro dia do horizonte de
planejamento é construída uma rede bipartida, resolvendo
um problema de designação para fazer a alocação do
segundo dia do horizonte. O modelo dos autores
minimiza o total de horas extras compensando-as com
horas ociosas, sendo que a definição do rodízio mensal,
sem as folgas, é dividida na geração de um rodízio
semanal e a criação do rodízio mensal é feita otimizando
estes rodízios semanais. O modelo nem sempre atinge o
ótimo porém obteve soluções melhores do que as
utilizadas pela empresa.
Já PRATES E SILVA (2014) utilizaram uma solução
estocástica com a heurística Variable Neighborhood
Search (VNS) para resolver o PPT de uma empresa de
transporte público de médio porte, focando em reduzir o
número de tripulações e a quantidade de horas extras ou
ociosas que eram pagas pela empresa aos colaboradores.
Eles aplicaram o padrão folga fixo 5/1. Os autores
obtiveram uma redução de até 56% na quantidade de
horas extras e também uma redução da metade do
número de motoristas. MARTINS E SILVA (2015)
objetivou solucionar o PPT minimizando o total de
tripulações e o equilíbrio da carga de trabalho,
compensando horas extras com horas ociosas das
jornadas diárias. Resolveu-se o problema dividindo-o em
duas etapas: na primeira foram definidos os dias de folga
das tripulações e na segunda realiza a alocação das
jornadas executadas pelas tripulações.
Ambas as etapas foram resolvidas utilizando um AG,
segundo os autores na época ainda inédita na literatura
brasileira. Os testes se deram com dados reais de uma
empresa de médio porte e gerou resultados melhores do
que a solução adotada pela empresa e muito próximos das
soluções exatas apresentadas em trabalhos relacionados.
Não foram encontrados na literatura trabalhos com o
método híbrido utilizado neste trabalho. A abordagem
com AG de MARTINS E SILVA (2015) difere do
método aplicado ao considerar cada indivíduo da sua
população um período completo de alocações enquanto o
método proposto usa um AG para refinar a solução
encontrada com a PR, buscando otimizar cada dia de
alocações antes de passar para o próximo.
3. Método Proposto
O desenvolvimento do modelo proposto passou pela
identificação das restrições gerais do problema e
posteriormente dividido em duas etapas. A primeira
tripulações com suas devidas restrições, parâmetros,
variáveis, funções e algoritmo, que será utilizado pelo
método proposto para obter os resultados pretendidos.
Trata-se na segunda etapa o método híbrido completo,
sua forma de funcionamento, restrições, parâmetros,
variáveis, funções e algoritmo.
3.1 Restrições Gerais
Devido à quantidade de restrições do problema, gerar
escalas válidas respeitando todas as restrições impostas é
um processo complexo e custoso. As restrições gerais do
problema foram respeitadas em ambas as etapas, sendo:
1) O horizonte de planejamento é iniciado em uma
segunda feira.
2) Todas as tripulações são alocadas com um intervalo de
descanso de 11 horas entre dias seguidos de jornadas.
3) Cada tripulação folga pelo menos 1 domingo durante o
horizonte de planejamento.
4) 6 é o número máximo de dias consecutivos de trabalho
sem folga (sistema de folga variável).
5) A tripulação que realiza dupla pegada corresponde a
no máximo 12% da tripulação total disponível.
6) As jornadas são apenas do tipo pegada simples
(principal) e dupla pegada (quando necessário).
7) A jornada semanal é de 44 horas.
8) A jornada diária máxima é de 7 horas e 20 minutos.
9) 2 horas é o máximo de horas extras por dia por
tripulação.
10) O intervalo mínimo entre jornadas diárias é de 11
horas
3.2 Primeira Etapa: Simulador de Alocação de
Tripulações (SAT)
O simulador de alocação de tripulações (SAT) foi
desenvolvido utilizando a Programação com Restrições e
Programação Linear, objetivando gerar escalas de
trabalho diárias válidas, alocando as tripulações para o
cumprimento total das jornadas pré-definidas segundo
uma tabela de horários, atendendo às restrições impostas.
Os objetivos do simulador consistem em:
 Gerar escalas diárias válidas utilizando o mínimo de
tripulações.
 Minimizar o tempo de processamento para gerar
uma escala válida para o dia.
 Minimizar a quantidade de horas extras geradas pela
tripulação.
 Maximizar o número de duplas pegadas, não
ultrapassando o limite permitido para o dia.
3.3 Parâmetros de Entrada do SAT funcionamento do Algoritmo 1, conforme demonstrado
no Quadro 1:
Os parâmetros de entrada foram abstraídos a partir do
estudo sobre o PPT, considerados necessários para o

Quadro 1 – Parâmetros de entrada para o SAT.

Parâmetro Descrição Valor Padrão
Tempo de execução do algoritmo para geração de um dia
execTime -
de alocações válidas do horizonte de planejamento.
Tempo máximo de trabalho diário de uma tripulação (em
jDiaria 440
minutos).
Porcentagem máxima da tripulação que pode fazer dupla
limDuplaPegada 12%
pegada por dia.
Mínimo de tempo do intervalo entre jornadas em dias
minEntreJornadas 660
diferentes (em minutos).
Limite que falta na jornada para completar com hora extra
limHoraExtra 120
(em minutos).
Máximo de horas extras que uma tripulação pode fazer
maxHoraExtra 120
por dia (em minutos).
Tripulações disponíveis no horizonte de planejamento.
Este número é incrementado automaticamente pelo
qTrip 1
simulador até que atinja um valor válido pra fechamento
do planejamento diário.
Tempo do intervalo entre uma pegada e outra na dupla
tEntrePegadas 60
pegada diária (em minutos).
Tempo mínimo restante na jornada para finalizá-la com
tolerancia 395
uma pegada simples.
(elaborado pelo autor)

3.4 Restrições de Domínio do SAT
As restrições de domínio são utilizadas para definir se
uma tripulação candidata pode ou não ser alocada para
cumprir uma jornada da vez em um dia específico. São de
natureza chave do problema e não podem ser violadas,
devendo ser respeitadas a cada alocação de tripulação a
uma jornada. A Função 1 sintetiza todas as restrições de
domínio e será utilizada em cada função objetivo do
simulador:

𝑎𝑙𝑜𝑐(𝑡𝑟𝑖𝑝, 𝑗𝑜𝑟𝑛, 𝑑𝑖𝑎) (2)

Sujeito a:
𝑡𝑟𝑖𝑝 = 𝑗𝑜𝑟𝑛 (2.1)
𝑡𝑟𝑖𝑝 <> ø (2.2)
𝑡𝑟𝑖𝑝 > 𝑗𝑜𝑟𝑛 ∨ 𝑗𝑜𝑟𝑛 ≤ 𝑗𝑜𝑟𝑛 (2.3)
𝑡𝑟𝑖𝑝 𝐹𝑖𝑛 + 𝑚𝑖𝑛𝐸𝑛𝑡𝑟𝑒𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠 < 𝑗𝑜𝑟𝑛 (2.4)
𝑡𝑟𝑖𝑝 = 𝑓𝑎𝑙𝑠𝑒 (2.5)
𝑡𝑟𝑖𝑝 < 6 (2.6)
𝑡𝑟𝑖𝑝 > 𝑗𝑜𝑟𝑛 ∨ 𝑗𝑜𝑟𝑛 ≤ 𝑗𝑜𝑟𝑛 (2.7)
𝑗𝑜𝑟𝑛 ≤ 𝑡𝑟𝑖𝑝 − 𝑡𝐸𝑛𝑡𝑟𝑒𝑃𝑒𝑔𝑎𝑑𝑎𝑠 (2.8)
𝑗𝑜𝑟𝑛 ≥ 𝑡𝑟𝑖𝑝 + 𝑡𝐸𝑛𝑡𝑟𝑒𝑃𝑒𝑔𝑎𝑑𝑎𝑠 (2.9)
𝑡𝑟𝑖𝑝 > 𝑗𝑜𝑟𝑛 (2.10)
𝑞𝐷𝑢𝑝𝑙𝑎𝑃𝑒𝑔𝑎𝑑𝑎 ≤ 𝑙𝑖𝑚𝐷𝑢𝑝𝑙𝑎𝑃𝑒𝑔𝑎𝑑𝑎 (2.11)
𝑡𝑟𝑖𝑝 ≤ 𝑚𝑎𝑥𝐻𝑜𝑟𝑎𝐸𝑥𝑡𝑟𝑎 (2.12)

Em (1) é feita a alocação de uma tripulação a uma
jornada em um dia. A restrição (2.1) assegura que a
tripulação candidata seja alocada no mesmo dia que a
jornada da vez. Já a restrição (2.2) verifica se a tripulação
ainda possui espaço disponível para alocação. Na
restrição (2.3) certifica-se que o tempo disponível da
tripulação candidata seja maior que o tempo médio das
viagens da jornada da vez ou que o tempo restante da
jornada da vez seja menor que o tempo médio das duas
viagens. A restrição (2.4) garante que a última jornada
alocada da tripulação candidata no dia anterior somado ao
tempo mínimo entre jornadas seja inferior ao horário
inicial da jornada da vez.
A restrição (2.5) confirma se a tripulação candidata não
está de folga naquele dia e a (2.6) se a tripulação ainda
não trabalhou seis dias consecutivos para ganhar folga.
Trata-se na restrição (2.7) de assegurar que o tempo
ocupado de alocação da tripulação candidata na jornada
da vez seja maior que o tempo médio de viagens da
jornada ou que o tempo restante da jornada seja menor ou
igual ao tempo médio de viagens da mesma. Nas
condições (2.8) e (2.9), caso haja dupla pegada, garante-
se que não há conflitos entre a última alocação da
tripulação candidata mais tempo entre pegadas com o
início da jornada da vez.
Trata-se na restrição (2.10) caso haja dupla pegada, de
assegurar que o tempo ocupado pela segunda alocação da
tripulação candidata na jornada da vez seja maior que o extrapolando a quantidade de duplas pegadas permitida
tempo médio de viagens da jornada ou que o tempo por dia. Na restrição (2.12)
12) certifica-se
certifica que a tripulação
restante da jornada seja menor ou igual ao tempo médio candidata não
ão extrapolou o limite de horas extras fixado.
de viagens da mesma. Tem-se se na restrição ((2.11) caso A Figura 2 representa o método utilizado para realizar
haja dupla pegada, a garantia de que não se está a alocação de uma tripulação à uma jornada.

Figura 2 – Alocação de uma tripulação à uma jornada (elaborado pelo au

autor).
tor).

3.5 Restrições de Desempenho do SAT das jornadas, tendo efeito diretamente nas metas de
minimização pretendidas. O Quadro 2 define cada
As restrições de desempenho foram adicionadas restrição e o seu impacto no método.
objetivando otimizar o resultado do processamento diário

Quadro 2 – Restrições de desempenho

Restrição Descrição Objetivo
Pré-processar
processar o arquivo de jornadas, ordenando
ordenando-as em linhas / carros /
1. min(execTime)
duração (maior para menor).
Categorizar as jornadas sequencialmente em alocação normal / alocação
2. min(execTime)
invertida.
Preencher os tempos nas jornadas que são iguais ou maiores que o tempo
3. min(qTrip)
disponível de alocação diário de cada tr tripulação com pegada simples.
Preencher os tempos nas jornadas que são maiores que o tempo
4. disponível de alocação diário de cada tripulação menos o tempo de min(qTrip)
tolerância com pegada simples.
Finalizar as jornadas com tempo restante menor ou igual ao limite de
5. hora extra diário para cada tripulação com horas extra da tripulação já min(tExtra1+tExtra2)
alocada para esta jornada.
Trocar na tabela de alocações as tripulações que foram alocadas como
pegada simples e não tem eescalação no dia anterior por tripulações que
6. min(qTrip)
possuem escala no dia anterior e os horários não conflitam com a
escalação do dia atual pra facilitar as duplas pegadas.
Preencher o limite máximo de duplas pegadas com a mesma tripulação,
em uma jornada normal e outra invertida, fechando o tempo restante da max(qDupla)
7.
primeira jornada e deixando o mínimo possível de tempo restante na min(qTrip)
segunda jornada.
(elaborado pelo autor)

No procedimento de alocação invertida, ao invés da
jornada ser alocada em tempo sequencial crescente a
alocação é feita em tempo sequencial decrescente em
jornadas alternadas, diminuindo assim a quantidade de
conflitos entre horários de uma mesma tripulação e
facilitando a ocorrência
corrência das duplas pegadas, co
conforme
ilustrado na Figura 3.
Não foram encontrados métodos semelhantes a este na
literatura e mostrou-se
se funcional também para minimizar
o tempo de processamento do SAT, visto que prioriza o
preenchimento das jornadas com o tempo sequencial
completo das tripulações e posteriormente faz o
processamento das duplas pegadas apenas nos horários
fracionados pendentes para finalização de cada jornada.
 Figura 3 – Exemplo de alocação invertida (elaborado pelo autor).

3.6 Alocação de uma Tripulação com Pegada
Simples
Para alocar uma tripulação com pegada simples, o
algoritmo faz primeiramente o escalonamento das
jornadas que são caracterizadas com pegada simples,
buscando utilizar ao máximo o tempo de trabalho de uma
tripulação no dia.

𝑀𝑖𝑛 (𝑡𝑟𝑖𝑝 (𝑎𝑙𝑜𝑐(𝑡𝑟𝑖𝑝, 𝑗𝑜𝑟𝑛, 𝑑𝑖𝑎)) (3)

Sujeito a:
𝑡𝑟𝑖𝑝 =Ø (3.1)
𝑗𝑜𝑟𝑛 ≥ jDiaria (3.2)
𝑗𝑜𝑟𝑛 ≥ tolerancia (3.3)

Em (3) busca-se diminuir ao máximo o tempo ocioso
restante da tripulação candidata à alocação. (3.1)
certifica-se que a tripulação ainda não foi alocada para
nenhuma jornada. A restrição (3.2) garante que o tempo
de alocação na jornada seja igual ao tempo integral
disponível da tripulação candidata (pegada simples). Já
em (3.3) permite-se que seja feita a alocação daquela
jornada como pegada simples embora o tempo integral
disponível da tripulação não seja utilizado mediante a
variação de tolerância.
3.7 Alocação de uma Mesma Tripulação com
Pegada Dupla
Caso não consiga fechar o tempo integral da jornada com
alocações com pegada simples (Função 3), o SAT parte
para a alocação de uma mesma tripulação com pegada
dupla, lidando com o restante das jornadas ainda não
alocadas, que são fracionadas, onde os tempos são
menores que os períodos diários integrais das tripulações,
diminuindo ao máximo o tempo restante para alocação
em cada jornada.

𝑀𝑖𝑛 (𝑗𝑜𝑟𝑛𝐴 , 𝑗𝑜𝑟𝑛𝐵 (𝑎𝑙𝑜𝑐(𝑡𝑟𝑖𝑝, 𝑗𝑜𝑟𝑛𝐴, 𝑑𝑖𝑎)𝑎𝑙𝑜𝑐(𝑡𝑟𝑖𝑝, 𝑗𝑜𝑟𝑛𝐵, 𝑑𝑖𝑎)) (4)

Sujeito a:
𝑡𝑟𝑖𝑝 =Ø (4.1)
𝑡𝑟𝑖𝑝 =Ø (4.2)
𝑗𝑜𝑟𝑛𝐴 + 𝑗𝑜𝑟𝑛𝐵 ≤ jDiaria (4.3)

Em (4) ocorre a alocação de duas jornadas para uma
mesma tripulação, diminuindo ao máximo o tempo
restante para alocação em cada jornada. Em (4.1) e (4.2)
garante-se que a tripulação candidata ainda não foi
escalada para pegadas simples ou duplas. (4.3) busca
garantir que a soma dos tempos restantes das jornadas a
serem alocadas não seja superior ao limite diário de
trabalho possível para a tripulação candidata.
3.8 Alocação de Tripulações Distintas com
Pegada Dupla
Caso ainda não tenha sido possível finalizar a alocação da
jornada, ocorre a alocação de uma tripulação distinta com
pegada dupla, respeitando o limite de duplas pegadas
para o dia, maximizando a ocorrência de duplas pegadas
possível para o dia.
 𝑀𝑎𝑥 𝑞𝐷𝑢𝑝𝑙𝑎(𝑎𝑙𝑜𝑐(𝑡𝑟𝑖𝑝𝐴, 𝑗𝑜𝑟𝑛, 𝑑𝑖𝑎), 𝑎𝑙𝑜𝑐(𝑡𝑟𝑖𝑝𝐵, 𝑗𝑜𝑟𝑛, 𝑑𝑖𝑎)) (5)

Sujeito a:
𝑡𝑟𝑖𝑝 <> Ø (5.1)
𝑡𝑟𝑖𝑝 =Ø (5.2)
𝑗𝑜𝑟𝑛 ≤ 𝑡𝑟𝑖𝑝 (5.3)

Em (5) busca-se maximizar a quantidade de duplas
pegadas possível para o dia, dentro do limite permitido.
As restrições (5.1) e (5.2) garantem que a tripulação
candidata só foi escalada para uma pegada simples e
ainda possui espaço para uma pegada dupla. (5.3) busca
garantir que o tempo restante a ser alocado na jornada da
vez não seja superior ao tempo disponível para alocação
na tripulação candidata.
3.9 Alocação completa para Um Dia
Por fim, ocorre o processamento completo de um dia de
jornadas, o qual consiste em alocar todas as jornadas
daquele dia às tripulações candidatas, respeitando as
restrições de domínio do problema, até que não sobre
tempo restante nas jornadas para ser alocado, buscando
utilizar o mínimo de tripulações possível.

𝑀𝑖𝑛 𝑞𝑇𝑟𝑖𝑝 (𝑇, 𝐽, 𝑑𝑖𝑎) (6)

Sujeito a:
∀ 𝑗 ∈ 𝐽: 𝑎𝑙𝑜𝑐(𝑡𝑟𝑖𝑝, 𝑗, 𝑑𝑖𝑎) (6.1)
∀ 𝑗 ∈ 𝐽: 𝑗 > 0 (6.2)

Onde:
𝑇 = conjunto de tripulações disponível para o dia.
𝑗 = uma jornada.
𝐽 = conjunto de todas as jornadas a serem cumpridas no dia.

Em (6) busca-se cumprir integralmente um dia de
jornadas alocando o mínimo de tripulações necessário. Já
em (6.1) ocorre o procedimento de alocação de jornadas
para cada jornada do dia. Em (6.2) garante que todas as
jornadas do dia foram alocadas em sua totalidade, sem
tempo restante pendente.
3.10 Tempo de Execução para Um Dia
Após realizar a alocação completa para um dia de
jornadas, é possível avaliar o tempo de execução gasto
para gerar a escala do dia correspondente.

100
𝑡𝑝𝐷𝑖𝑎 = ∗ 𝑒𝑥𝑒𝑐𝑇𝑖𝑚𝑒(𝑇, 𝐽, 𝑑𝑖𝑎) (7)
𝑞𝑇𝑟𝑖𝑝

Sujeito a:
𝑞𝑇𝑟𝑖𝑝 ≥ 1 (7.1)
∀ 𝑗 ∈ 𝐽: 𝑎𝑙𝑜𝑐(𝑡𝑟𝑖𝑝, 𝑗, 𝑑𝑖𝑎) (7.2)
∀ 𝑗 ∈ 𝐽: 𝑗 > 0 (7.3)

Onde:
𝑡𝑝𝐷𝑖𝑎 = tempo de execução para alocar um dia de jornadas.
𝑇 = conjunto de tripulações disponível para o dia.
𝑞𝑇𝑟𝑖𝑝 = quantidade de tripulação utilizada para escalonar o dia.
𝑒𝑥𝑒𝑐𝑇𝑖𝑚𝑒 = tempo de processamento do algoritmo para geração da alocação completa
para o dia.
𝑗 = uma jornada.
𝐽 = conjunto de todas as jornadas a serem cumpridas no dia.

Em (7) avalia-se o tempo de execução necessário para
um dia de alocação de jornadas, avaliando o tempo gasto
para gerar um dia de planejamento completo. (7.1) exige
que a quantidade de tripulações seja maior que zero. Em
(7.2) realiza-se o procedimento de alocação de jornadas
para cada jornada do dia. (7.3) garante que todas as
jornadas do dia foram alocadas em sua totalidade, sem
tempo restante pendente.
3.11 Tempo de Execução para Um Horizonte de
Planejamento
A partir do resultado da Função 7, é possível calcular
para cada dia do horizonte de planejamento o tempo de
execução total do algoritmo, conforme a Função 8:
 𝑡𝑝𝑇𝑜𝑡𝑎𝑙 = 𝑡𝑝𝐷𝑖𝑎
(8)

Sujeito a:
𝑞𝐷𝑖𝑎𝑠 ≥ 1 (8.1)

Onde:
𝑡𝑝𝑇𝑜𝑡𝑎𝑙 = tempo de execução para alocar todas as jornadas em todos os dias no horizonte
de planejamento.
𝑡𝑝𝐷𝑖𝑎 = tempo de execução para alocar um dia de jornadas.

Em (8) busca-se avaliar o tempo gasto para gerar um
horizonte de planejamento completo válido. (8.1) exige
que a quantidade de dias do horizonte de planejamento
seja no mínimo 1.
3.12 Algoritmo da Primeira Etapa
Conforme a modelagem elucidada, foi criado o
Simulador de Alocação de Tripulações (SAT), como
pode ser conferido no Algoritmo 1:

Algoritmo 1: processaDia(trip,jDia,dia)
Retorno: uma matriz válida preenchida com horários de alocação de tripulações para um dia de jornadas, respeitando
as restrições de domínio e com todas as Restrições de Desempenho ativadas.

INÍCIO
1 𝑎𝑙𝑜𝑐𝑎𝑐𝑜𝑒𝑠𝑆𝑖𝑚𝑝𝑙𝑒𝑠(𝑗𝐷𝑖𝑎, 𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎)
2 𝑡𝑟𝑜𝑐𝑎𝐴𝑙𝑜𝑐𝑎𝑐𝑜𝑒𝑠(𝑗𝐷𝑖𝑎, 𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎)
3 𝑎𝑙𝑜𝑐𝑎𝑐𝑜𝑒𝑠𝐷𝑢𝑝𝑙𝑎𝑠(𝑗𝐷𝑖𝑎, 𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎)
4 𝑆𝑒 𝑗𝑜𝑟𝑛𝑃𝑒𝑛𝑑𝑒𝑛𝑡𝑒(𝑗𝐷𝑖𝑎) ≥ 2) 𝑒 (𝑞𝐷𝑢𝑝𝑙𝑎(𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎) < 𝑙𝑖𝑚𝐷𝑢𝑝𝑙𝑎𝑃𝑒𝑔𝑎𝑑𝑎
5 𝑜𝑟𝑑𝑒𝑛𝑎𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠𝐶𝑜𝑑(𝑗𝐷𝑖𝑎)
6 𝑟𝑒𝑓𝑎𝑧𝐴𝑙𝑡𝑒𝑟𝑛𝑎𝑐𝑎𝑜(𝑗𝐷𝑖𝑎, 𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎)
7 𝑎𝑙𝑜𝑐𝑎𝑐𝑜𝑒𝑠𝑆𝑖𝑚𝑝𝑙𝑒𝑠(𝑗𝐷𝑖𝑎, 𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎);
8 𝑡𝑟𝑜𝑐𝑎𝐴𝑙𝑜𝑐𝑎𝑐𝑜𝑒𝑠(𝑗𝐷𝑖𝑎, 𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎)
9 𝑎𝑙𝑜𝑐𝑎𝑐𝑜𝑒𝑠𝐷𝑢𝑝𝑙𝑎𝑠(𝑗𝐷𝑖𝑎, 𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎)
11 𝑺𝒆 𝑗𝑜𝑟𝑛𝑃𝑒𝑛𝑑𝑒𝑛𝑡𝑒(𝑗𝐷𝑖𝑎) > 0
12 𝑓𝑖𝑛𝑎𝑙𝑖𝑧𝑎𝐷𝑖𝑎(𝑗𝐷𝑖𝑎, 𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎)
13 𝑺𝒆 𝑗𝑜𝑟𝑛𝑃𝑒𝑛𝑑𝑒𝑛𝑡𝑒(𝑗𝐷𝑖𝑎) > 0
14 𝑎𝑢𝑚𝑒𝑛𝑡𝑎𝑇𝑟𝑖𝑝(𝑞𝑇𝑟𝑖𝑝)
15 𝑟𝑒𝑖𝑛𝑖𝑐𝑖𝑎
16 𝑺𝒆𝒏ã𝒐
17 𝑹𝒆𝒕𝒐𝒓𝒏𝒂 𝑡𝑟𝑖𝑝
FIM
(elaborado pelo autor)

3.13 Segunda Etapa: Algoritmo Genético
Aplicado ao SAT (Método Híbrido)
O método utilizado na primeira etapa desta pesquisa
resulta em uma solução determinística, com um
Simulador de Alocação de Tripulações que gera uma
solução válida para um horizonte de planejamento, porém
a qualidade da solução obtida depende da ordem em que
as tripulações são processadas no SAT a cada dia, visto
que a posição em que cada tripulação é processada e
escalonada por dia resulta em diferentes soluções.
Explorar a quantidade total de combinações possíveis no
modelo com uma solução exata se mostrou
computacionalmente inviável. A Função 9 representa a
quantidade de combinações possíveis:

𝑞𝑇𝑟𝑖𝑝! (9)

De acordo com a quantidade de dias do horizonte de
planejamento e a quantidade de tripulações, o espaço de
busca de combinações possível cresce exponencialmente.
Para um horizonte de planejamento como a média
utilizada na literatura de 49 dias (7 semanas), dependendo
da quantidade de tripulações utilizada a quantidade de
combinações possível é absurda.
Sendo assim optou-se por complementar o método
acrescentando uma heurística de otimização estocástica,
aplicando um Algoritmo Genético utilizando codificação
por permutação e combinado com o simulador
desenvolvido. ZUBEN (2000) reforça que existem
diversos problemas que são naturalmente representados
por permutações. Sendo o Problema da Programação de
Tripulações um deles, o qual pode ser abordado como um
problema de sequenciamento de tarefas relacionadas. Os
objetivos desta etapa se aplicam a cada dia do horizonte
de planejamento completo, buscando otimizá-lo ainda
mais. São eles:
 Minimizar o tempo ocioso e quantidade de
tripulação necessários para cumprir o horizonte de
planejamento.
 Equilibrar a distribuição das horas extras, ociosas e correspondem a soluções válidas. Os indivíduos que não
dos dias trabalhados pelas tripulações. geram soluções válidas são automaticamente descartados.

No problema abordado é dada uma quantidade de 3.14 Operadores Genéticos

tripulações e uma rotina diária de horários que devem ser
cumpridos, sendo que dentre as diversas restrições estão
horários que não podem conflitar entre eles. De acordo
com a escala de trabalho de uma determinada tripulação
em um dia determinado, o seu comportamento durante o
restante do horizonte de planejamento irá variar, bem
como a quantidade de horas extras e ociosas geradas para
aquela tripulação e para o modelo em geral. Na
codificação por permutação, cada cromossomo é uma
série de números que representa uma sequência, neste
trabalho relacionada ao código identificador de cada
tripulação. Utilizou-se nesta pesquisa a abordagem de
Pittsburgh onde cada elemento da população corresponde
a uma solução do problema (ZUBEN, 2000). O autor
reforça que esta codificação é recomendada na solução de
problemas de permutação e ordenação.
Em alguns tipos de cruzamentos e mutações por
permutação, são necessárias correções para que os
cromossomos fiquem consistentes. Cada indivíduo
gerado é reprocessado no SAT, garantindo que
 Seleção: torneio modificado, escolhendo três
candidatos aleatórios na população para o torneio e
pegando os dois melhores para reprodução.
 Cruzamento: adaptado do modelo padrão de um
ponto de corte proposto, porém este ponto é gerado
aleatoriamente a cada cruzamento.
 Mutação: foi utilizada uma combinação de dois dos
operadores recomendados para problemas de
permutação, selecionando uma porção aleatória dos
genes e misturando-se a ordem da porção
selecionada.
3.15 Aptidão de uma Solução
O AG é aplicado a cada dia do horizonte de planejamento
gerado pelo SAT demonstrado no Algoritmo 1, antes do
processamento do próximo dia, testando
sistematicamente as opções de combinações possíveis e
mantendo o melhor resultado diário obtido, conforme a
Função 10:

100 100
𝑀𝑖𝑛 𝑔 = 𝑡𝑑𝑖𝑠𝑝 ∗ + 𝑡𝐸𝑥𝑡𝑟𝑎 ∗
𝑡𝑑𝑖𝑠𝑝𝑡𝑜𝑡 𝑡𝑒𝑥𝑡𝑟𝑎𝑡𝑜𝑡 (10)

Sujeito a:
g∈𝐺 (10.1)

Onde:
𝐺 = conjunto de soluções válidas para um dia de alocação.
𝑞𝑇𝑟𝑖𝑝 = quantidade de tripulação utilizada.
𝑡𝐷𝑖𝑠𝑝 = tempo disponível de cada tripulação.
𝑡𝐷𝑖𝑠𝑝𝑇𝑜𝑡 = tempo disponível total da tripulação.
𝑡𝐸𝑥𝑡𝑟𝑎 = horas extras realizadas por cada tripulação.
𝑡𝐸𝑥𝑡𝑟𝑎𝑇𝑜𝑡 = horas extras totais da tripulação.

O algoritmo genético também equilibra a quantidade
de dias trabalhados e folgas entre a tripulação no final do
processamento do horizonte de planejamento através da
realização do rodízio das tripulações escalonadas.
3.16 Algoritmo da Segunda Etapa: Método
Híbrido Completo
Conforme proposto nesta pesquisa, foi criado o método
híbrido completo, incorporando o algoritmo genético
proposto ao Algoritmo 1, como segue:

Algoritmo 2: otimizaEscala(trip,jDia,escala)
Retorno: a melhor matriz válida atingida para o dia, de acordo com a Função 10, preenchida com horários de
alocação de tripulações para um dia de jornadas, respeitando as restrições de domínio e com todas as Restrições de
Desempenho ativadas.

INÍCIO
1 𝑒𝑠𝑐𝑎𝑙𝑎𝑠 ← 𝑖𝑛𝑖𝑐𝑖𝑎𝑙𝑖𝑧𝑎𝐸𝑠𝑐𝑎𝑙𝑎(𝑑𝑎𝑡𝑎𝐼𝑛𝑖𝑐𝑖𝑜, 𝑞𝐷𝑖𝑎𝑠)
2 𝑡𝑟𝑖𝑝 ← 𝑖𝑛𝑖𝑐𝑖𝑎𝑙𝑖𝑧𝑎𝑇𝑟𝑖𝑝(𝑒𝑠𝑐𝑎𝑙𝑎)
3 𝑡𝑜𝑑𝑎𝑠𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠 ← 𝑐𝑎𝑟𝑟𝑒𝑔𝑎𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠()
4 𝑡𝑜𝑑𝑎𝑠𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠 ← 𝑒𝑠𝑡𝑟𝑢𝑡𝑢𝑟𝑎𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠(𝑡𝑜𝑑𝑎𝑠𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠)
5 𝑡𝑜𝑑𝑎𝑠𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠 ← 𝑎𝑙𝑜𝑐𝑎𝑐𝑎𝑜𝐴𝑙𝑡𝑒𝑟𝑛𝑎𝑑𝑎(𝑡𝑜𝑑𝑎𝑠𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠)
6 𝒑𝒂𝒓𝒂 𝒄𝒂𝒅𝒂 𝑑𝑖𝑎 𝒆𝒎 𝑒𝑠𝑐𝑎𝑙𝑎𝑠 𝒇𝒂ç𝒂
7 𝑡𝑟𝑖𝑝 ← 𝑒𝑠𝑐𝑎𝑙𝑎𝐷𝑜𝐷𝑖𝑎(𝑡𝑟𝑖𝑝, 𝑑𝑖𝑎)
8 𝑗𝑜𝑟𝑛 ← 𝑔𝑒𝑡𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠(𝑡𝑜𝑑𝑎𝑠𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠, 𝑑𝑖𝑎)
9 𝒑𝒂𝒓𝒂 𝒄𝒂𝒅𝒂 𝑔𝑒𝑟𝑎𝑐𝑎𝑜 𝒆𝒎 𝑔𝑒𝑟𝑎𝑐𝑜𝑒𝑠 𝒇𝒂ç𝒂
10 𝑝𝑜𝑝[ ] ← Ø
11 𝑺𝒆 𝑒𝑙𝑖𝑡𝑖𝑠𝑚𝑜 𝒆 𝑚𝑒𝑙ℎ𝑜𝑟 <> Ø
12 𝑝𝑜𝑝[ ] ← 𝑚𝑒𝑙ℎ𝑜𝑟
13 𝒆𝒏𝒒𝒖𝒂𝒏𝒕𝒐 𝑝𝑜𝑝𝑢𝑙𝑎𝑐𝑎𝑜 < 𝑡𝑎𝑚𝑃𝑜𝑝𝑢𝑙𝑎𝑐𝑎𝑜 𝒇𝒂ç𝒂
14 𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝 ← 𝑔𝑒𝑟𝑎𝐼𝑛𝑑𝑖𝑣𝑖𝑑𝐴𝑙𝑒𝑎𝑡(𝑡𝑟𝑖𝑝, 𝑞𝑇𝑟𝑖𝑝)
15 𝑗𝐷𝑖𝑎𝑇𝑒𝑚𝑝 ← 𝑗𝑜𝑟𝑛
16 𝑺𝒆 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑎𝐷𝑖𝑎(𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝, 𝑗𝐷𝑖𝑎𝑇𝑒𝑚𝑝, 𝑑𝑖𝑎)
17 𝑖𝑛𝑑𝑖𝑣 ← Ø
18 𝑖𝑛𝑑𝑖𝑣[𝑓𝑖𝑡𝑛𝑒𝑠𝑠] ← 𝑎𝑣𝑎𝑙𝑖𝑎(𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝)
19 𝑖𝑛𝑑𝑖𝑣[𝑔𝑒𝑛𝑒𝑠] ← 𝑠𝑒𝑞(𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝)
20 𝑖𝑛𝑑𝑖𝑣[𝑡𝑟𝑖𝑝] ← 𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝
21 𝑖𝑛𝑑𝑖𝑣[𝑗𝐷𝑖𝑎] ← 𝑗𝐷𝑖𝑎𝑇𝑒𝑚𝑝
22 𝑝𝑜𝑝[ ] ← 𝑖𝑛𝑑𝑖𝑣
23 𝑝𝑎𝑖𝑠 ← 𝑠𝑒𝑙𝑒𝑐𝑎𝑜(𝑝𝑜𝑝)
24 𝑺𝒆 𝑟𝑎𝑛𝑑(0.1,100) ≤ 𝑡𝑥𝐶𝑟𝑢𝑧
25 𝑓𝑖𝑙ℎ𝑜 ← 𝑐𝑟𝑢𝑧𝑎𝑚𝑒𝑛𝑡𝑜(𝑝𝑎𝑖𝑠)
26 𝑺𝒆 𝑟𝑎𝑛𝑑(0.1,100) ≤ 𝑡𝑥𝑀𝑢𝑡
27 𝑓𝑖𝑙ℎ𝑜 ← 𝑚𝑢𝑡𝑎𝑐𝑎𝑜(𝑓𝑖𝑙ℎ𝑜, 𝑞𝑇𝑟𝑖𝑝)
28 𝑺𝒆 𝑓𝑖𝑙ℎ𝑜
29 𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝 ← 𝑓𝑖𝑙ℎ𝑜[𝑡𝑟𝑖𝑝]
30 𝑗𝐷𝑖𝑎𝑇𝑒𝑚𝑝 ← 𝑗𝑜𝑟𝑛
31 𝑺𝒆 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑎𝐷𝑖𝑎(𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝, 𝑗𝐷𝑖𝑎𝑇𝑒𝑚𝑝, 𝑑𝑖𝑎)
32 𝑖𝑛𝑑𝑖𝑣 ← Ø
33 𝑖𝑛𝑑𝑖𝑣[𝑓𝑖𝑡𝑛𝑒𝑠𝑠] ← 𝑎𝑣𝑎𝑙𝑖𝑎(𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝)
34 𝑖𝑛𝑑𝑖𝑣[𝑔𝑒𝑛𝑒𝑠] ← 𝑠𝑒𝑞(𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝)
35 𝑖𝑛𝑑𝑖𝑣[𝑡𝑟𝑖𝑝] ← 𝑡𝑟𝑖𝑝𝑇𝑒𝑚𝑝
36 𝑖𝑛𝑑𝑖𝑣[𝑗𝐷𝑖𝑎] ← 𝑗𝐷𝑖𝑎𝑇𝑒𝑚𝑝
37 𝑝𝑜𝑝[ ] ← 𝑖𝑛𝑑𝑖𝑣
38 𝑚𝑒𝑙ℎ𝑜𝑟 ← 𝑏𝑒𝑠𝑡(𝑝𝑜𝑝)
39 𝑡𝑟𝑖𝑝 ← 𝑚𝑒𝑙ℎ𝑜𝑟[𝑡𝑟𝑖𝑝]
40 𝑗𝐷𝑖𝑎 ← 𝑚𝑒𝑙ℎ𝑜𝑟(𝑗𝐷𝑖𝑎)
41 𝑡𝑟𝑖𝑝 ← 𝑎𝑡𝑢𝑎𝑙𝑖𝑧𝑎𝑇𝑟𝑖𝑝(𝑡𝑟𝑖𝑝)
42 𝑗𝐷𝑖𝑎 ← 𝑜𝑟𝑑𝑒𝑛𝑎𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠𝐶𝑜𝑑(𝑗𝐷𝑖𝑎)
43 𝑎𝑡𝑢𝑎𝑙𝑖𝑧𝑎𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠(𝑡𝑜𝑑𝑎𝑠𝐽𝑜𝑟𝑛𝑎𝑑𝑎𝑠)
44 𝒓𝒆𝒕𝒐𝒓𝒏𝒂 𝑡𝑟𝑖𝑝
FIM
(elaborado pelo autor)

4 Resultados Obtidos de Montes Claros (MG). Na Tabela 1 tem-se as

características do banco de dados de jornadas utilizado
Para o processamento e execução do método foi nos testes:
necessária uma base de dados funcional de jornadas,
cedida por uma empresa de Transporte Público da cidade

Tabela 1 – Quantidades totais de jornadas utilizadas nos testes.

Dia Jornadas Linhas Carros Duração (horas)
Dias úteis 325 18 64 5.160
Sábado 53 17 50 724
Domingo 30 18 30 453
TOTAL 408 53 144 6337
Arquivo de jornadas (empresa de transporte público urbano de Montes Claros, 2017).

4.1 Desempenho do Simulador de Alocação de
Tripulações SAT (Algoritmo 1)
Os testes foram realizados baseando-se nas restrições de
desempenho, descritas no Quadro 2, avaliando o
desempenho do Algoritmo 1 de acordo com a retirada de
cada restrição, denotando a sua importância para a
qualidade dos resultados obtidos.
O horizonte de planejamento utilizado nos testes
conforme os trabalhos relacionados na área foi de 49 dias.
Foi utilizada a Função Objetivo 8 (tempo de execução
para um horizonte de planejamento). Ao remover cada
uma das restrições foi possível analisar o comportamento
dos resultados obtidos e comprovado que todas as
restrições ativadas são importantes para se obter o melhor
valor da função objetivo.
Nota-se na Tabela 2 que a medida que cada restrição de
desempenho do Quadro 2 foi sendo desativada os
resultados obtidos variaram, piorando cada vez mais com
a retirada de cada restrição e melhorando
significativamente com todas as restrições ativadas, com
o melhor resultado na primeira linha.
 Tabela 2 – Desempenho do Simulador de Alocação de Tripulações
Restrição Média de
F.O.
de Q. Horas Horas Dupla trip. não Tempo de
Q. escalas. (Função
desempenho trip. extras ociosas pegada utilizada process.
8)
desativada p/ dia
Nenhuma 161 650h04 973h06 847/931 6048/6762 38/161 24,69s 9,62
6 186 650h04 1154h26 847/1078 6048/7812 63/186 23,32s 12,54
3 202 263h05 6744h07 0/1176 6874/8484 62/202 35,31s 17,48
1 162 645h03 969h35 833/931 6048/6804 39/162 29,65s 18,30
5 175 0h 2983h02 945/1029 6405/7350 44/175 52,98s 30,27
7 162 567h35 1318h27 854/931 6104/6804 37/162 94,39s 58,26
4 171 813h10 2655h52 959/1029 6048/7182 44/171 164,30s 96,08
2 - - - - - - 1655,77s -
(elaborado pelo autor)

4.2 Tempo de Processamento planejamento durou menos de 1 segundo, cumprindo com

o objetivo de gerar escalas válidas de alocação em um
É possível perceber conforme
nforme demonstrado na Figura 4 tempo computacional aceitável.
que a geração de cada dia válido do horizonte de

Figura 4 – Tempo de processam

processamento em cada dia no Algoritmo 1 (elaborado pelo autor).

4.3 Ocupação das Tripulações tripulações necessária

Visualiza-se na Figura 5 a variação da quantidade de
tripulação necessária para cumprir cada dia do hhorizonte
de planejamento no SAT. A utilização das tripulações na
sua capacidade máxima de trabalho diária permitiu
cumprir o objetivo de minimizar a quantidade de
ssária para fechar as escalas de cada dia.
Note que a utilização total das tripulações está sempre
acima da utilização parcial. Nos finais de semana devido
à quantidade de jornadas ser menor consequentemente
tem-se
se uma diminuição da força de trabalho nestes
neste dias e
consequente aumento das tripulações com folga.

Figura 5 – Ocupação das tripula

tripulações em cada dia no Algoritmo 1 (elaborado pelo autor).

4.4 Ocorrência de Duplas Pegadas Atribui-se à queda da ocorrência nos sábados e

Percebe-se na Figura 6 que o limite de 19 duplas pegadas
foi atingido em todos os dias úteis, cumprindo com o
objetivo de maximizar a ocorrência de duplas pegadas,
porém aos sábados e domingos estes valores não foram
totalmente satisfeitos.
domingos a Restrição de Domínio que trata da garantia
de folgas para as tripulações (seção 3.4, restrição 6),
ocorrendo a maioria destas folgas aos finais de semana,
diminuindo as possibilidades de combinações para dupla
pegada.
 Figura 6 – Ocorrência de duplas pegadas em cada dia no Algoritmo 1 (elaborado pelo autor).

4.5 Desempenho do Método Híbrido Completo
(Algoritmo 2)
Nesta fase foram geradas variações no algoritmo
analisando o seu comportamento, também em um
horizonte de planejamento de 49 dias, com os parâmetros
que geraram o melhor resultado do Simulador de
Alocação de Tripulações (Tabela 2, primeira linha) ou
seja, sem a desativação de nenhuma restrição.
O Algoritmo 2 trabalhou variando a ordem de entrada
das tripulações para processamento em dia de alocação
do horizonte de planejamento no simulador, mantendo a
solução de melhor da aptidão encontrada para o dia
(Função 10). Na Tabela 3 são exibidos resultados
aplicando o método Híbrido Completo, sintetizado no
Algoritmo 2.

Tabela 3 – Desempenho do Método Híbrido Completo

Média de trip.
Q. Horas Horas Dupla Tempo de
Parâm. Q. escalas. não utilizada
trip. extras ociosas pegada process.
p/ dia
Pop: 10
Ger: 5
Cruz: 70%
156 650h04 817h16 847/931 6048/6594 33/156 1442,63s
Mut: 2%
Elit: Não
Exec: 10
Pop: 10
Ger: 5
Cruz: 70%
157 650h04 839h06 847/931 6048/6594 34/157 1595,35
Mut: 2%
Elit: Sim
Exec: 10
(elaborado pelo autor)

Os resultados mostrados na Tabela 3 foram os tripulações em dias distintos do horizonte de

melhores colhidos após diversos experimentos com a
variação dos parâmetros do algoritmo genético. O
aumento da quantidade da população ou gerações inflou
em até 30% o tempo de processamento, não impactando
na qualidade dos resultados finais. A diminuição das
taxas de cruzamento aumentou a quantidade de
tripulações necessária para cumprir o horizonte de
planejamento em até 10%, devido à baixa rotatividade
das tripulações e acúmulo de tripulações com folga no
mesmo dia. O aumento da taxa de mutação influenciou
também o tempo de execução, aumentando em até 25% a
convergência do algoritmo. Uma observação pertinente é
a aplicação do elitismo. Embora na maioria dos modelos
este parâmetro costuma possuir impacto positivo quando
ativado, no modelo proposto ele diminuiu a qualidade da
solução, aumentando a quantidade de tripulação
necessária, o número de horas ociosas e tempo de
processamento do resultado final. Atribuiu-se a isto o fato
de uma solução de qualidade ser perpetuada para as
próximas gerações gerar um posicionamento fixo de
planejamento, não permitindo a variação de alguns
horários para outras tripulações e aumentando o tempo
ocioso destas no planejamento como um todo.
A significativa diminuição da tripulação em
comparação com a aplicação do Algoritmo 1 pôde ser
observada. A rotatividade de alocação da tripulação
permitiu a ocorrência desta diminuição. Partindo do
melhor horizonte de planejamento obtido no Algoritmo 1
(Tabela 2, primeira linha) e Algoritmo 2 (Tabela 3,
primeira linha), seguiu-se com a analise detalhada e
comparativos em cada dia do processamento do horizonte
de planejamento.
4.6 Tempo de Processamento
A Figura 7 exibe o tempo de processamento de cada dia
do horizonte de planejamento no melhor cenário do
Algoritmo 2 (Tabela 3, primeira linha).
 Figura 7 – Tempo de processamento de cada dia no Algoritmo 2 (elaborado pelo autor).

As informações de processamento do Algoritmo 1 Nota-se também que picos de processamento são

(Figura 4) foram omitidas, visto que o tempo para cada
dia de processamento foi inferior a 1 segundo, porém é
possível perceber que no primeiro dia o tempo de
processamento do Algoritmo 1 é idêntico ao do
Algoritmo 2 (menos de 1 segundo), pois não há restrições
dos dias anteriores que impactem na melhor solução do
dia atual e independente da ordem de processamento das
tripulações o resultado seria o mesmo. Nos outros dias,
comparando o cenário com o tempo de processamento do
Algoritmo 1 ocorreu um aumento significativo em cada
dia no Algoritmo 2, já esperado, relacionado ao
processamento do algoritmo genético buscando a melhor
solução para o dia.
percebidos a cada sete dias do horizonte de planejamento.
Isto se deve ao fato da distribuição das folgas da
tripulação ocorrer nestes dias, sendo que cada tripulação
tem pelo menos uma folga aos domingos durante o
período, além da necessidade de folgas a cada seis dias
consecutivos de trabalho, conforme as restrições de
domínio do problema (seção 3.4).
4.7 Ocupação das Tripulações
Nota-se na Figura 8 que o objetivo de equilibrar os dias
trabalhados de cada tripulação foi alcançado.

Figura 8 – Equilíbrio dos dias trabalhados da tripulação (elaborado pelo autor).

É possível perceber que o Algoritmo 1 ao fazer a 4.8 Horas Extras da Tripulação

alocação sempre com a mesma sequência da tripulação
utiliza as últimas tripulações apenas ao final do horizonte,
quando necessário para gerar uma escala válida. Já o
Algoritmo 2 mantém essa variação durante todo os dias,
equilibrando a carga diária de cada tripulação.
A quantidade das horas extras por tripulação foi
minimizada pelo Algoritmo 1 e se manteve igual no
Algoritmo 2, porém percebe-se na Figura 9 que no
Algoritmo 2 equilibrou-se a quantidade de horas extras da
tripulação.

Figura 9 – Minimização e equilíbrio das horas extras da tripulação (elaborado pelo autor).
 Enquanto que no Algoritmo 1 algumas tripulações
tiveram uma alta quantidade de horas extras, no
Algoritmo 2 os resultados para cada tripulação tiveram
pouca variação.
Figura 10 – Minimização e equilíbrio das horas ociosas da tripulação (elaborado pelo autor).
Também pode-se notar na Figura 10 que no Algoritmo
2 equilibrou-se a quantidade de horas ociosas da
tripulação.
4.10 Comparativo com um cenário real
Na Tabela 4 é possível avaliar os resultados obtidos
comparando com um cenário real de alocação utilizado
na empresa que cedeu os dados das jornadas (Tabela 1)
Tabela 4: Comparação dos resultados com um cenário real.
Q. Horas
Fonte Dias
Trip extras
Método Proposto 30 156 398h19
Somente o SAT 30 171 398h19
Relatório
operacional da 30 173 1863h44
empresa
(elaborado pelo autor)
Nota-se comparando o desempenho somente do
Simulador de Alocação de Tripulações com o Método
Híbrido a diferença na quantidade de tripulações
necessária para cumprir o horizonte de planejamento,
sendo que o Método Híbrido embora tenha necessitado de
um tempo de processamento bem maior conseguiu
diminuir 15 tripulações da quantidade total de
colaboradores. Já em comparação somente do SAT com o
relatório operacional da empresa é possível perceber que
o SAT sozinho sem a aplicação do Algoritmo Genético
conseguiu um resultado melhor que o utilizado
atualmente.
O melhor resultado pode ser constatado comparando o
Método Híbrido com o relatório operacional da empresa,
com uma diminuição de 10% no número de tripulações
necessário para cumprir as jornadas do período. Ainda
considerando a compensação entre horas extras e ociosas
(banco de horas) entre os modelos, no final do
planejamento o Método Híbrido proposto ficou com
saldo positivo, diminuindo em mais de 100% a
quantidade de horas extras, enquanto o cenário real ficou
com um saldo negativo de horas extras a pagar.
4.9 Horas Ociosas da Tripulação
A quantidade das horas ociosas por tripulação foi
minimizada no Algoritmo 2, conseqüência também da
minimização da quantidade de tripulações necessária para
cumprir o horizonte de planejamento, como pode ser
conferido na Figura 10:
para esta pesquisa. O horizonte de planejamento foi de 30
dias de acordo com o relatório cedido pela empresa.
Nestes testes foram utilizadas as configurações que
obtiveram o melhor desempenho do Simulador Alocação
de Tripulações (Tabela 2, primeira linha) e do Método
Híbrido (Tabela 3, primeira linha). Foi considerada
também pelo menos uma folga no domingo dentro do
horizonte de planejamento.
Horas Compensação Tempo de
ociosas (HO – HE) processamento
724h21 + 326h02 1388,98s
704h51 + 306h32 15,90s
1492h04 - 371h40 -
Conclusões
Este documento teve como principal objetivo propor um
método híbrido para otimização da escala de tripulações
em ônibus urbano, realizando o escalonamento da
tripulação, atendendo as restrições do problema da
programação de tripulações, com os objetivos de
minimizar o número de tripulações necessária para
cumprir todas as jornadas, minimizar a quantidade total
de horas extras e ociosas da tripulação, maximizar o
número de duplas pegadas possível, equilibrar a carga de
trabalho entre a tripulação e minimizar o tempo de
processamento do horizonte de planejamento.
Neste processo percebeu-se que a otimização do tempo
computacional gasto para execução do método seria
fundamental para a sua aplicabilidade prática, tendo tanta
importância quanto à otimização das variáveis do
problema. Embora fosse desejável que o modelo inicial
fornecesse uma solução determinística ótima, notou-se
que seria necessário o refinamento das soluções geradas e
este refinamento deveria ser estocástico, levando ao
método híbrido completo.
O modelo apresentado pode ser utilizado em diversos
problemas de análise combinatória com restrições de
horários conflitantes, pois as suas variáveis são maleáveis
e podem ser modificadas de acordo com as restrições do
problema a ser atacado. É importante ressaltar que no
cenário real as tripulações já vem com um acúmulo de
dias consecutivos de trabalho, gerando a necessidade de
folgas antes dos primeiros seis dias de processamento do
algoritmo, além de férias e uma série de situações
adversas que não permitem a utilização integral da
quantidade de tripulação. Estas situações não foram
abordadas neste trabalho, assim como a maioria dos
trabalhos na literatura.

Referências
CUNHA, C. B. Aspectos práticos da aplicação de
modelos de roteirização de veículos a problemas reais.
Revista Transportes da ANPET – Associação Nacional
de Pesquisa e Ensino em Transportes, v. 8, p. 51-74,
nov. 2014.
MARTINS, L. C.; SILVA, G.P. Algoritmos genéticos
aplicados ao problema do rodízio de tripulações. 47º
Simpósio Brasileiro de Pesquisa Operacional, Porto de
Galinhas (PE), 2015.
MAURI, G.R. & LORENA, L.A.N. A new hybrid
heuristic for driver scheduling. International Journal
of Hybrid Intelligent Systems, v. 4, p. 39-47, 2007.
MAYRINK, V. T. M. & SILVA, G. P. Otimização da
escala mensal de tripulações do sistema de transporte
público. Panorama Nacional da Pesquisa em
Transportes, v. 1, p. 185-197, 2010.
PRATES, R. F. C., SILVA, G. P. Otimização da Escala
Mensal de Motoristas de Ônibus Urbano Utilizando a
Heurística Variable Neighborhood Search. Revista
Transportes, v. 22, nº1, (2014), p. 31–43.
SILVA, T. A.; SILVA, G. Resolvendo o problema de
programação de tripulações de ônibus urbano com a
metaheurística guided local search. Congresso
Nacional de Pesquisa em Transporte da ANPET,
Universidade Federal de Ouro Preto, 2015.
SOUZA, C. C., MOURA, A. V., & YUNES, T. H.
(2005). Hybrid Column Generation Approaches for
Urban Transit Crew Management. Transportation
Science, v. 39, p. 273‐288.
VIEIRA, A. B. Roteirização de Ônibus Urbano: escolha
de um método para as grandes cidades brasileiras.
Dissertação de Mestrado em Engenharia de
Transportes. Universidade de São Paulo, 1999.
ZUBEN, F. J. V. Computação evolutiva: Uma
abordagem pragmática. In: Anais da I Jornada de
Estudos em Computação de Piracicaba e Região (1a.
JECOMP), Piracicaba, SP, 2000, p. 25–45.