Docs: Translate math variables to English in Solver tab

APP.md

@@ -1,50 +0,0 @@
-Você é um especialista em UI/UX usando Streamlit.
-
-[OBJETIVO]
-
-- Construir uma interface gráfica para o arquivo main.py.
-
-[REGRAS]
-
-- A interface deve ser clean, moderna e intuitiva.
-- Não crie gráficos que não sejam úteis.
-
-[WORKSPACE]
-
-- Você está em um ambiente Linux;
-- O shell é fish;
-- Coloque 'rtk' antes de todos os comandos;
-- O ambiente venv foi criado usando 'uv';
-- Rode scripts python com 'uv run ...';
-- Adicione bibliotecas com 'uv add ...';
-
-[PROJETO]
-
-- Faça a interface toda em inglês;
-- Crie uma aba chamada 'Data' com uma tabela do csv após filtragem e tratamento das variáveis;
-- Crie uma aba chamada 'Fleet' com a tabela df_frota;
-- Crie uma aba chamada 'Demand' com a tabela tabela_pax;
-- Crie uma aba chamada 'Solver' com sliders para os parâmetros do problema:
-  - Frota de aeronaves;
-  - Período de operação;
-  - Local de origem;
-  - Local de destino;
-  - Número de aeronaves de cada tipo;
-  - Número de dias;
-  - Número de voos;
-  - Número de passageiros;
-  - Número de tripulantes;
-  - Número de bagagens;
-  - Número de aeronaves de cada tipo;
-- Dentro da aba Solver coloque também, antes dos slides, o problema em 'matematiques' usando latex;
-- No final da aba Solver, coloque um botão para resolver e uma caixa de texto com a saída do solver;
-- Crie uma aba chamada 'Mapa' com um mapa da localização dos aeroportos na solução, com um slider por dia do ano;
-- Crie uma aba chamada 'Resultados' com os resultados do solver, em tabelas. Coloque também o resultado não otimizado;
-- Eu preciso saber também a quantiade de pernoites de uma aeronave em cada aeroporto.
-- Desenhe a rota, ao selecionar a rota, um pop-up deve aparecer com informações sobre a rota (incluindo a aeronave e quantidade de pax e dias fora de sede);
-- Mude a cor da rota caso seja uma rota de algum dia fora de sede.
-- Crie um novo arquivo para este projeto, chamado main_app.py
-- Utilize somente o Modelo VII
-- Deixe o código bem documento usando doxygen
-- Programe como um programado Senior usando Lean Code
-- Antes de prosseguir, me mostre uma comparação para este projeto: Streamlit ou Shiny e eu decidirei qual o melhor.

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`
-* **Ubuntu/Debian (APT):** `sudo apt update && sudo apt install python3 python3-pip python3-venv`
-* **Fedora (DNF):** `sudo dnf install python3`
-* **Arch Linux (Pacman):** `sudo pacman -S python`
-* **macOS (Homebrew):** `brew install python`
+- **Windows (Winget):** `winget install Python.Python.3.12`
+- **Ubuntu/Debian (APT):** `sudo apt update && sudo apt install python3 python3-pip python3-venv`
+- **Fedora (DNF):** `sudo dnf install python3`
+- **Arch Linux (Pacman):** `sudo pacman -S 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):**

app/dashboard.py

@@ -97,7 +97,7 @@ df_results = load_results()
 def run_solver_subprocess(time_limit_sec, output_placeholder):
     """Spawns the optimization worker and streams logs to the UI."""
     process = subprocess.Popen(
-        ["uv", "run", "python", "-u", "solver_worker.py", str(time_limit_sec)],
+        ["uv", "run", "python", "-u", "src/fleet_assignment/optimizer.py", str(time_limit_sec)],
         stdout=subprocess.PIPE,
         stderr=subprocess.STDOUT,
         text=True,
@@ -207,20 +207,24 @@ with tab2:
 # --- TAB 3: SOLVER ---
 with tab3:
     st.header("Mathematical Formulation")
-    st.latex(r"\min \sum_{t} \sum_{r} (c_{r} \cdot x_{r,t}) + \sum_{t} \sum_{d} (M \cdot s_{d,t})")
-    st.latex(r"\text{s.t.} \quad \sum_{m,e} (\text{cap}_{m} \cdot x_{m,e,r,t}) + s_{r,t} \ge \text{PAX}_{r,t} \quad \forall r, t")
-    st.latex(r"\sum_{t_{start} \le T \le t_{start} + \text{pernoites}} x_{m,e,r,t_{start}} \le \text{MaxFleet}_{m,e} \quad \forall m, e, T")
+    st.latex(r"\min \sum_{m,e,r,t} (c_{m,e,r} \cdot x_{m,e,r,t})")
+    st.latex(r"\text{s.t.} \quad \sum_{m,e} (\text{cap}_{m} \cdot x_{m,e,r,t}) \ge \text{PAX}_{r,t} \quad \forall r, t")
+    st.latex(r"\sum_{t_{start} \le T \le t_{start} + \text{overnights}} x_{m,e,r,t_{start}} \le \text{MaxFleet}_{m,e} \quad \forall m, e, T")
+    st.latex(r"\text{FlightTime}_{m,r} \cdot x_{m,e,r,t} \le \text{MaxDailyHours} \quad \forall m,e,r,t")
+    st.latex(r"\text{MissionTime}_{m,r} \le \text{MaxDaysOut} \quad \forall m,r")
     
     st.markdown(r"""
-    **Dictionary of Variables:**
+    **Dictionary of Variables & Constraints:**
     - $x_{m,e,r,t}$: Decision Variable (Integer). Number of aircraft of model $m$, from squadron $e$, allocated to route $r$ on day $t$.
-    - $c_r$: Estimated total fuel cost for the route $r$ mission, including overnight stay penalties if applicable.
-    - $s_{r,t}$: Slack Variable. Represents the passenger demand that could **not** be met on that day due to fleet limitations.
-    - $M$: High Penalty (Big M). Imposed on the system for each unit of slack activated, forcing the solver to meet demand whenever possible.
+    - $c_{m,e,r}$: Total fuel cost function: $c_{m,e,r} = \left( \frac{\text{Dist}_r \cdot \text{RangePenalty}}{\text{FuelConsumption}_m} \right) + (\text{overnights} \cdot \text{DailyPenalty}_m)$.
+    - $\text{RangePenalty}$: Applies a **25% penalty** multiplier ($1.25$) to the fuel burn if any leg of the mission exceeds the aircraft's maximum range.
+    - $\text{DailyPenalty}_m$: Equivalent to an extra daily fuel expenditure quota for each day the aircraft spends out of its base.
     - $\text{cap}_m$: Maximum passenger capacity (seats) of aircraft $m$.
     - $\text{PAX}_{r,t}$: Actual number of Air Force passengers needing to fly on route $r$ on day $t$.
     - $\text{MaxFleet}_{m,e}$: Total physical aircraft available in squadron $e$ for model $m$.
     - $T$: Temporal inspection window. Ensures aircraft blockade during overnight stays, preventing fleet duplication.
+    - $\text{MaxDailyHours}$: Maximum allowed flight time per day per aircraft (typically $12$ hours).
+    - $\text{MaxDaysOut}$: Maximum allowable time for a mission before returning to base (hard limit of $96$ hours / 4 days).
     """)
     
     if st.button("🚀 Run Global Optimization", type="primary"):
@@ -229,7 +233,8 @@ with tab3:
         
         if run_solver_subprocess(300, log_placeholder):
             st.success("Solver Finished! Results saved to CSV.")
-            st.session_state['new_results'] = True
+            load_results.clear()
+            st.rerun()
         else:
             st.error("Solver Failed or was aborted.")
 
@@ -237,9 +242,6 @@ with tab3:
 with tab4:
     st.header("Interactive Flight Map")
     
-    if st.session_state.get('new_results'):
-        df_results = load_results()
-        
     view_state = pdk.ViewState(latitude=-15.78, longitude=-47.92, zoom=3.5, pitch=45)
     layers = []
         

src/fleet_assignment/optimizer.py

@@ -17,11 +17,10 @@ import sqlite3
 # Ensure src module is visible if run standalone
 sys.path.append(os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))))
 
-from src.fleet_assignment.config import DB_PATH, RESULTS_FILE, COST_FILE
+from src.fleet_assignment.config import DB_PATH, RESULTS_FILE, COST_FILE, JSON_AEROPORTOS, JSON_EMISSORES
 
 def run_solver(time_limit_sec=300):
     print(f"--- Starting Global Solver Worker (Limit: {time_limit_sec}s) ---")
-    JSON_AEROPORTOS = "airports.json"
     
     conn = sqlite3.connect(DB_PATH)
     df_frota_db = pd.read_sql_query("SELECT * FROM frota", conn)
@@ -34,7 +33,7 @@ def run_solver(time_limit_sec=300):
     pax_demanda_completa = demands_db.groupby(['Data Apenas', 'Localidade Decolagem', 'Localidade Pouso'])['PAX'].sum().reset_index()
     demands = pax_demanda_completa[pax_demanda_completa['PAX'] > 0].copy()
 
-    with open('emissores.json', 'r') as f:
+    with open(JSON_EMISSORES, 'r') as f:
         emissores_data = json.load(f)[0]
     icaos_emissores = list(emissores_data.values())