Ferramenta para suporte deciso de frentes de corte de cana-de-acar usando algoritmos genticos

Carlos Eduardo Rodrigues de Alencar 1, Renato Fernandes Corra 1, 2 1 Escola Politcnica, Universidade de Pernambuco Rua Benfica, 455, Madalena, Recife - PE, Brasil, 50.750-410 2 Centro de Informtica, Universidade Federal de Pernambuco P.O. Box 7851, Cidade Universitria, Recife - PE, Brasil, 50.732-970 cadualencar@yahoo.com.br, rfc@cin.ufpe.br Abstract
This work presents a solution for the decision problem of choose a set of lots of sugar cane to cut in a sugar cane plantation. For this, a software archetype was developed that uses Genetic Algorithms in the optimization of a function of agronomical return involving the variables: PCC (Apparent Percentage of sucrose in the broth of the sugar cane); TCH (Ton of sugar cane for hectare); and Fiber (Total of dry substance after the milling). The tool possess a friendly interface and supplies for an agricultural manager the capacity to adjust the function of agronomical return and to establish restrictions in order to get a set of optimized solutions capable to improve the agronomical and industrial return in the harvest. These solutions aim at to assist in a more efficient decision of which lots to cut, and thus to allow the increase of the agricultural and industrial performance of the activity of culture of the sugar cane. solo passa a acumular energia, acares, a fim de subsidiar o perodo seco. Aps a poca da maturao desencadeado o processo de reproduo onde as reservas de acares sero utilizadas, fazendo com que haja perda de produtividade na colheita.

1. Introduo
Dentre os muitos aspectos gerenciais, a escolha do momento ideal para colheita de lotes da cana-deacar uma das decises mais difceis de tomar numa usina canavieira. Esta deciso deve levar em considerao um conjunto de critrios relacionados a esta prtica agronmica, como tambm outros aspectos industriais, com o intuito de reduzir custos operacionais e de demandas energticas. O planejamento de colheita na cultura de cana-deacar busca otimizar o retorno agronmico, baseado no conceito que a cana tem uma poca, durante o ano, onde ocorre a mxima concentrao de sacarose nos colmos. Essa poca pode ser visualizada na Figura 1, na fase de maturao. Na fase de maturao, a cana-de-acar atinge seu tamanho mximo, quando se inicia o perodo seco. A cana quando estimulada pela diminuio de gua no Figura 1. Ciclo da cana-de-acar [2]. Dessa forma, a definio da melhor poca para o corte da cana de cada lote, isto do momento de acmulo mximo de acares, de grande importncia econmica. De acordo com Fernando Buarque [5] em sua dissertao, trs indicadores so utilizados para a avaliao do desempenho econmico em funo de suas efetivas contribuies para a deciso de colheita: TCH (Tonelada de Cana por Hectare) Para garantia de volumes de produo; PCC (Porcentagem aparente de acar no Caldo da Cana) Para medio da qualidade da matria prima (quantidade de acares);

Fibra Para medio da qualidade do potencial calorfico produzido pela queima do bagao da cana nas caldeiras aps sua moagem. O objetivo deste trabalho consiste na aplicao de Algoritmo Gentico (AG) na seleo dos melhores lotes de cana-de-acar de uma unidade produtora de acar ou lcool a cortar, de forma a maximizar uma funo de retorno agronmico que envolve os indicadores PCC, TCH e Fibra estimados para cada lote na pr-colheita. As solues obtidas pelo AG podem ser utilizadas pelo gerente agrcola como sugestes na elaborao do planejamento de corte, propiciando assim um resultado mais eficaz em tempo hbil.

codificados como uma cadeia de bits dentro dos indivduos. Cada bit seria uma aluso a um gene do cromossomo ou indivduo. As principais razes da escolha dos AGs Binrios para resolver o problema de deciso de lotes a cortar foram: facilidade em codificar os pontos do espao de soluo deste problema em cadeia de bits; por ter um bom desempenho garantido pelo Teorema dos Esquemas [3] na otimizao de funes.

3. Algoritmo Gentico para a escolha de lotes de cana-de-acar a cortar

Os seguintes tpicos esquematizam a especificao do algoritmo gentico proposto: Entrada do algoritmo; Codificao do problema; Espao de solues associados; Funo objetivo; Mtodo de Seleo e operadores genticos; Critrio de parada. Cada um destes tpicos apresentado nas subsees que se seguem.

2. Algoritmos Genticos
Algoritmos Genticos (AGs) so mtodos de otimizao global, baseados nos mecanismos de seleo natural. Nos AGs, um indivduo ou cromossomo codifica um ponto num espao de solues. A cada indivduo associado um valor de uma funo objetivo a ser maximizada. De acordo com o valor da funo objetivo alcanado por cada indivduo, este avaliado com um nvel de aptido. Com base no mecanismo de seleo natural e operadores genticos de cruzamento e mutao, os AGs empregam uma estratgia de busca paralela e estruturada, mas aleatria, que refora a busca na vizinhana de pontos de alta aptido, ou seja, indivduos nos quais a funo a ser maximizada tem valores relativamente altos. Apesar de aleatrios, os AGs no utilizam passos aleatrios no direcionados, pois exploram informaes obtidas no processo de busca para encontrar novos indivduos onde so esperados melhores resultados. Isto feito atravs de processos iterativos, onde cada passo da iterao chamada de gerao. O conjunto de indivduos em uma dada gerao chamado populao. Em uma dada gerao, a populao obtida atravs dos indivduos da populao na gerao anterior, por meio da aplicao de operadores genticos. Os AGs so mtodos de otimizao eficientes por utilizaram duas tcnicas denominadas Exploration e Exploitation para encontrar o timo global da funo a ser maximizada [1]. Ambas as tcnicas tm a mesma traduo para o portugus, explorao. Entretanto, Exploitation significa explorao no sentido de absorver informaes presentes nas solues encontradas e Exploration diz respeito explorao de busca procura por novas solues. Neste presente trabalho utilizou-se Algoritmos Genticos Binrios. Trata-se de um tipo especial de AG onde os pontos do espao de soluo so

3.1. Entrada do algoritmo

O algoritmo proposto necessita de ter como entrada uma tabela onde se encontra especificado para cada lote da unidade agrcola: a rea; e as estimativas de TCC, TCH e Fibra no dia em que ser estabelecido o corte. Outra entrada para o algoritmo a tonelagem de cana a ser cortada. As estimativas dos indicadores PCC, TCH e Fibra para cada lote podem ser feitas atravs de modelos analticos de maturao da cana ou modelos obtidos atravs de algoritmos de aprendizagem de mquina treinados com dados de produo de safras anteriores. Redes neurais artificiais tem sido utilizadas com sucesso na criao automtica de modelos que estimam estes parmetros com base em dados histricos de produo [5].

3.2. Codificao do Problema

No AG proposto, cada indivduo representa uma provvel soluo do problema, contendo informaes sobre quais lotes sero selecionados para colheita. Cada cromossomo composto por N genes, onde N o nmero de lotes que compem a unidade agrcola em questo. Cada gene pode assumir valores 0 ou 1, indicando respectivamente lote no-selecionado ou lote selecionado.

3.3. Espao de Solues Associados

A populao inicial composta de 50 indivduos que so gerados obedecendo ao seguinte processo: A primeira metade gerada de forma aleatria e a segunda metade gerada invertendo-se os bits de cada indivduo da primeira metade, garantindo-se dessa forma, que boa parte do espao de busca da soluo seja representada. Na avaliao dos indivduos utilizado o mtodo de Ordenamento Linear, de modo a garantir que os valores da aptido no assumam valores muito prximos ou que alguns indivduos assumam valores muito elevados em relao ao restante da populao, incorrendo em problemas como busca aleatria e convergncia prematura .

soluo de acordo com o que o usurio achar mais importante maximizar: PCC ou Fibra. A funo (x,t ) uma restrio para a tonelagem que se deseja cortar, e especificada nas Equao 4 e 5.

( x, t ) =
(4)

100* | Min(0, (t Test )) | | t Areai * TCH i |

1 N

3.4. Funo Objetivo

A Equao 1 mostra a funo multiobjetivo que se deseja maximizar para a escolha dos lotes de cana-deacar para colheita:

Test = xi * Areai * TCH i

1

(5)

(x,t ) corresponde ao mnimo do mdulo da diferena entre a tonelagem desejada t (fornecida pelo usurio) e a tonelagem estimada Test, dividido por constante de normalizao que corresponde ao h( x, t ) = c( x) + (1 ) f ( x) ( x, t ) ( x) do mdulo da diferena possvel entre as mximo variveis t e Test. Test calculada como o somatrio (1) das estimativas de tonelagem dos lotes selecionados. Esta funo far com que o algoritmo encontre uma As Funes c(x) e f(x), especificadas nas Equaes soluo com a tonelagem total o mais prximo 2 e 3, determinam respectivamente os valores do PCC possvel da tonelagem desejada. total e Fibra total que se pretende maximizar, a fim de A funo (x) uma restrio quanto o nmero de maximizar a quantidade de acar obtida (produto lotes selecionados para o corte, veja a Equao 6. Esta almejado) e a quantidade de matria seca aps a funo ajuda o algoritmo a cortar um nmero mnimo moagem (combustvel para as caldeiras das usinas) de lotes. dos lotes selecionados para colheita.

c( x) =
(2)

100 xi * PCC i

PCC
1
N

1 N

( x ) =
(6)

100 * xi
1

f ( x) =
(3)

100 x i * Fibra i

Fibra
1

1 N

As funes c(x), f(x), (x,t ), (x) esto normalizadas para uma escala de 0 a 100. As variveis e so constantes de pnalti utilizadas para controlar a intensidade da penalidade. Foram utilizadas igual a 10-2 e igual a 1. Estes valores foram encontrados experimentalmente em testes preliminares.

3.5. Mtodo de Seleo e Operadores Genticos

A seleo por amostragem estocstica universal utilizada para determinar os indivduos mais aptos a gerar novos descendentes na prxima gerao. Logo aps a seleo e cruzamento, os indivduos gerados passam pelo processo de mutao. Foram utilizados 3 tipos de mtodos de cruzamento, permitindo ao usurio troc-los livremente:

As funes c(x) e f(x) obedecem a um critrio de ponderao que fornecido pelo usurio determinando o grau de relevncia de cada uma das funes. Este critrio de ponderao fornecido far com que o algoritmo faa uma busca pela melhor

 Um ponto; Dois pontos; Uniforme. Os operadores de cruzamento e mutao so dependentes de probabilidades predefinidas pelo usurio. Essas probabilidades foram definidas como padro: 80% para cruzamento e 3% para mutao. A presso seleo utilizada foi definida como 0,5. Estes valores foram obtidos atravs de experimentos preliminares. Alm dos operadores bsicos, um esquema de elitismo foi tambm incorporado ao Algoritmo Gentico. A funo do elitismo preservar as melhores solues encontradas, para que essas no se percam durante o processo de evoluo. Toda a populao substituda em cada gerao, ou seja, so criados N filhos para substituir N pais. Os k melhores pais nunca so substitudos por filhos piores. Quanto maior for o valor de k, maior o risco de convergncia prematura. No AG proposto o valor de k foi definido como 1.

planilha de dados fornecida como entrada, e para os critrios e restries determinados. Neste presente trabalho, as planilhas contm estimativas de TCC, TCH e Fibra, para um conjunto de lotes candidatos, advindas de uma rede neural treinada com dados de produo de safras anteriores de uma usina de acar situada no noroeste do estado de So Paulo [5].

5. Resultados
Sero apresentados trs testes com as trs melhores solues conhecidas para cada conjunto de critrios e restries determinados em cada teste. Em cada teste ser exposto o resultado encontrado pelo AG. A tabela 1 exibe as informaes sobre a Tonelagem desejada, as ponderaes de TCC e Fibra para cada teste. Tabela 1. Testes Teste Tonelagem Ponderao Ponderao Desejada TCC Fibra 1 2000 50% 50% 2 4800 30% 70% 3 9000 0 100% As tabelas 2, 3 e 4 exibem respectivamente as melhores solues conhecidas para os testes 1, 2 e 3 respectivamente. Tabela 2. Melhores Solues para o Teste 1. Tonelagem PCC Total Fibra Total Lotes a Cortar
2036,446766 2243,356471 2348,654966 28,4107018 26,8144727 28,0030077 32,0660165 32,9566895 36,0104255 10, 14 6, 14 4, 14

3.6. Critrio de Parada

Foram adotados dois tipos possveis de critrios de parada do AG, os quais tambm so parmetros possveis de serem determinados pelo usurio: Nmero de Geraes: o AG ir evoluir a populao de solues at o nmero de geraes fornecido; Convergncia do AG: passada a quantidade de geraes fornecida pelo usurio sem que o melhor indivduo sofra alguma modificao o AG ter convergido e ir parar a evoluo.

4. Metodologia
A linguagem escolhida para o desenvolvimento do prottipo foi C# que uma linguagem de programao orientada a objetos elaborada pela Microsoft Corporation. Foi utilizada a IDE ( Integrated Development Evironment Ambiente de Desenvolvimento Integrado) Microsoft Visual Studio .NET 2003 para desenvolver este prottipo por agilizar a criao, execuo, teste e depurao de programas em C#. A entrada de dados do prottipo se d atravs de uma planilha eletrnica MS-Excel compatvel com verses superiores verso 97. A planilha deve conter informaes sobre Identificador de cada lote, rea de plantio do lote e respectivas estimativas de PCC, TCH e Fibra. Foram realizados testes para verificar a efetividade do software desenvolvido neste trabalho comparandose as solues obtidas, com as melhores solues previamente conhecidas para uma determinada

Soluo encontrada pelo AG: Soluo 1.

Tabela 3. Melhores Solues para o Teste 2. Tonelagem PCC Total Fibra Total Lotes a Cortar
4756,668367 4870,244566 4912,326882 55,2931235 43,3291355 53,9942667 65,6387165 51,618665 61,995031 4, 6, 10, 14 4, 11, 14 7, 9, 10, 14

Soluo encontrada pelo AG: Soluo 1. Tabela 4. Melhores Solues para o Teste 3. Tonelagem PCC Total Fibra Total Lotes a Cortar
9052,049118 85,7529842 96,661782 4, 6, 10, 11, 14, 15

9066,122411 9243,856797

71,3684082 74,1707322

83,2809915 78,652609

4, 8, 10, 11, 14 3, 10, 11, 14, 15

Soluo encontrada pelo AG: Soluo 1.

6. Concluso
Neste trabalho evidenciou-se a possibilidade de se utilizar algoritmos genticos para dar suporte deciso de frentes de corte de cana-de-acar. Para isso foi desenvolvido um prottipo de software que implementa o AG proposto e experimentados vrios valores de parmetros, onde foi observado um melhor desempenho para os valores padronizados nesse trabalho: populao de 50 cromossomos, com taxa de cruzamento de 80%, taxa de mutao de 3% e presso de seleo 0,5. A variao desses parmetros resulta em pequenas oscilaes no desempenho do AG. O prottipo desenvolvido mostrou-se capaz de auxiliar o gerente agrcola no processo de deciso do corte de lotes de cana-de-acar, j que ofereceu nos testes realizados solues com valores mximos de PCC e Fibra, dado um valor de Tonelagem desejada. Assim, com a utilizao do prottipo desenvolvido pelo gerente agrcola possvel vislumbrar um aumento do retorno da produo agrcola. Como trabalhos futuros pretende-se investigar: incorporao na funo objetivo de outras variveis ou fatores que influenciem na produtividade ou retorno econmico da cultura, como por exemplo, a distncia

entre lotes a cortar; teste do sistema por gerentes de uma usina; uso de algoritmos hbridos que mesclem AGs com outros mtodos de otimizao, como Simulated Annealing e Subida de Encosta, afim de diminuir o custo computacional para a obteno de boas solues em unidades agrcolas com centenas de lotes.

Referncias
[1] Beasley, D.;Bull, D. R., Martin, R. R. An Overview of Genetic Algorithms : Part 1, Fundamentals. Part 2, Research Topics. University Computing, 1993. [2] Castro, P. R. C. Maturadores Qumicos em cana-deacar . In: Semana da Cana-de-acar de Piracicaba, 4, Piracicaba, 1999. Anais. Saccharum, v. 1, p.12-16, 1999. [3] Goldberg, D. E. Genetic algorithms in search, optimization and machine learning . Addison Wesley, 1989. [4] Lacerda, E.G.M., Carvalho, A.C.P.L. Introduo aos algoritmos genticos. In: Galvo, C.O., Valena, M.J.S. (orgs.) Sistemas inteligentes: aplicaes a recursos hdricos e cincias ambientais . Porto Alegre: Editora da Universidade/UFRGS/ABRH, 1999. p. 87-150. [5] Neto, F. B. de L. Suporte a Deciso Gerencial Baseado em Redes Neurais Artificiais nDSS . Dissertao de Mestrado apresentada ao Departamento de Informtica da Universidade Federal de Pernambuco Recife,PE, Brasil, 1998.