90 lines
4.9 KiB
Markdown
90 lines
4.9 KiB
Markdown
# 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`).
|