faltou um integrante no grupo

README.md

@@ -1,19 +1,23 @@
 # Fleet Assignment Optimization - Força Aérea Brasileira
 
 ## Integrantes do Grupo
+
+- 1T Willia
 - 1T Lago
 - 1T Figueiredo
 - 1T Fialho
 
 ## Sobre o Projeto
-O presente trabalho aborda o problema clássico de **Fleet Assignment** (Alocação de Frota) aplicado ao contexto do transporte logístico aéreo militar. 
 
-O sistema foi desenvolvido como uma aplicação interativa (Dashboard Web) acoplada a um modelo matemático avançado. O objetivo é designar de forma ótima os diferentes modelos de aeronaves de transporte (C-97, C-95M, C-105, KC-390, KC-30, C-99A, C-98 e C-98A) de seus respectivos Esquadrões para atender à matriz de passageiros solicitada. 
+O presente trabalho aborda o problema clássico de **Fleet Assignment** (Alocação de Frota) aplicado ao contexto do transporte logístico aéreo militar.
+
+O sistema foi desenvolvido como uma aplicação interativa (Dashboard Web) acoplada a um modelo matemático avançado. O objetivo é designar de forma ótima os diferentes modelos de aeronaves de transporte (C-97, C-95M, C-105, KC-390, KC-30, C-99A, C-98 e C-98A) de seus respectivos Esquadrões para atender à matriz de passageiros solicitada.
 
 A arquitetura equilibra a maximização do atendimento de passageiros com a **minimização dos custos logísticos** (consumo de combustível em litros e penalidades de pernoite em bases externas), tudo isso balizado por limites de alcance, velocidades, tamanho físico das frotas disponíveis nas bases (Emissores) e capacidade de passageiros de cada aeronave.
 
 ### O Modelo Matemático
-O núcleo de otimização foi construído utilizando Programação Linear Inteira Mista (MILP) processada pelo solver **SCIP** (implementado com *Google OR-Tools*). A modelagem contempla:
+
+O núcleo de otimização foi construído utilizando Programação Linear Inteira Mista (MILP) processada pelo solver **SCIP** (implementado com _Google OR-Tools_). A modelagem contempla:
 
 - **Função Objetivo:** $\min \sum_{t} \sum_{r} (c_{r} \cdot x_{r,t}) + \sum_{t} \sum_{d} (M \cdot s_{d,t})$
   O algoritmo minimiza o custo total de combustível das missões ($c_r$), somado à grande penalidade ($M$) associada às variáveis de folga ($s_{d,t}$), forçando a malha a alocar missões para não deixar passageiros para trás, sempre que exequível.
@@ -23,7 +27,9 @@ O núcleo de otimização foi construído utilizando Programação Linear Inteir
   - **Limites de Estoque:** As decolagens originadas de uma localidade jamais podem exceder a propriedade física do $\text{MaxFleet}$ distribuída para o esquadrão emissor.
 
 ### Resultados Obtidos
+
 A ferramenta é capaz de rodar a otimização global e extrair métricas gerenciais comparativas:
+
 - **Baseline Fuel (Não-Otimizado):** O sistema isola qual seria o consumo nominal caso as demandas fossem atendidas de modo bruto.
 - **Optimized Fuel Consumption:** Retorna o custo de combustível estrito gerado pelo motor SCIP.
 - **Total Savings:** Revela à chefia o percentual quantitativo de economia gerada pela roteirização matemática contra o plano base.
@@ -32,7 +38,9 @@ A ferramenta é capaz de rodar a otimização global e extrair métricas gerenci
 ---
 
 ## 📂 Arquitetura do Projeto
+
 O projeto foi estruturado utilizando padrões modernos de software:
+
 ```text
 /
 ├── app/
@@ -54,27 +62,30 @@ O projeto foi estruturado utilizando padrões modernos de software:
 ## 🛠️ Guia de Instalação e Execução
 
 ### 1. Instalar o Python (3.12+)
+
 Abra seu terminal/prompt e utilize o gerenciador de pacotes nativo do seu Sistema Operacional:
 
-* **Windows (Winget):** `winget install Python.Python.3.12`
+- **Windows (Winget):** `winget install Python.Python.3.12`
-* **Ubuntu/Debian (APT):** `sudo apt update && sudo apt install python3 python3-pip python3-venv`
+- **Ubuntu/Debian (APT):** `sudo apt update && sudo apt install python3 python3-pip python3-venv`
-* **Fedora (DNF):** `sudo dnf install python3`
+- **Fedora (DNF):** `sudo dnf install python3`
-* **Arch Linux (Pacman):** `sudo pacman -S python`
+- **Arch Linux (Pacman):** `sudo pacman -S python`
-* **macOS (Homebrew):** `brew install python`
+- **macOS (Homebrew):** `brew install python`
 
 ### 2. Instalar o Gerenciador `uv`
+
 O projeto adota o `uv` (gerenciador de ambiente e dependências ultrarrápido em Rust):
 
-* **macOS / Linux:**
+- **macOS / Linux:**
   ```bash
   curl -LsSf https://astral.sh/uv/install.sh | sh
   ```
-* **Windows (PowerShell):**
+- **Windows (PowerShell):**
   ```powershell
   powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
   ```
 
 ### 3. Configurar Ambiente e Executar
+
 Abra o terminal na pasta raiz deste projeto (onde este `README.md` e o arquivo `pyproject.toml` se encontram) e siga os passos abaixo:
 
 1. **Sincronizar Dependências (Instalar tudo e criar a VENV automaticamente):**