# Fleet Assignment Optimization - Força Aérea Brasileira

## Integrantes do Grupo
- 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. 

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:

- **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.
- **Restrições Principais:**
  - **Atendimento de Demanda:** $\sum (\text{cap}_{m} \cdot x) + s \ge \text{PAX}$
  - **Bloqueio Temporal de Frota:** Se uma aeronave realizar uma missão que exige pernoite fora de sua base, o modelo garante o "bloqueio" desse ativo nos dias subsequentes da janela temporal ($T$), impossibilitando a clonagem da aeronave.
  - **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.
- **Visão Tática:** A malha de voos diária pode ser "escrutinada" visualmente por meio de um Mapa Interativo renderizado sobre CartoDB / OpenStreetMap, evidenciando as decisões de despacho por código ICAO.

---

## 📂 Arquitetura do Projeto (Arara OARMP)
O projeto foi estruturado utilizando padrões modernos de software:
```text
/
├── app/
│   └── dashboard.py          # Interface Streamlit Interativa
├── raw/                      # Dados brutos fixos e mapas geo-referenciados
├── src/
│   └── fleet_assignment/     # Cérebro Matemático
│       ├── config.py         # Constantes Globais
│       ├── ingest.py         # Leitura, tratamento e merge
│       └── optimizer.py      # Motor MILP (SCIP / OR-Tools)
├── outputs/                  # Banco de dados temporário e CSVs finais
├── README.md
├── pyproject.toml
└── uv.lock
```

---

## 🛠️ 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`

### 2. Instalar o Gerenciador `uv`
O projeto adota o `uv` (gerenciador de ambiente e dependências ultrarrápido em Rust):

* **macOS / Linux:**
  ```bash
  curl -LsSf https://astral.sh/uv/install.sh | sh
  ```
* **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):**
   ```bash
   rtk uv sync
   ```
2. **Ligar o Servidor Web e a Interface:**
   ```bash
   rtk uv run streamlit run app/dashboard.py
   ```

> **Acesso:** Assim que o servidor subir, o Python acionará automaticamente a abertura de uma nova guia no seu **navegador web padrão** acessando o painel de operações (normalmente via `http://localhost:8501`).