PROGRAMAÇÃO MATEMÁTICA FUZZY APLICADA AO PROBLEMA DE
MINIMIZAÇÃO DE RESÍDUOS DA COLHEITA DE
CANA-DE-AÇÚCAR
Luiza Amalia Pinto Cantão1 Departamento de Engenharia Ambiental Universidade Estadual Paulista – UNESP Av. Três de Março, 511, 18087-180, Sorocaba – SP
luiza@sorocaba.unesp.br
Maria Márcia Pereira Sartori Faculdade Eduvale de Avaré – EDUVALE
Av. Prefeito Misael Euphrásio Leal, 265 – Jardim América Cep 18.705-050 - Avaré - SP
msartori@btu.flash.tv.br
Renato Fernandes Cantão
Thorus Scisoft Tecnologia da Informação Ltda.
Estrada da Telebrás/UNICAMP, km 0,97 – Cidade Universitária. CEP 13081-970 – Campinas – SP
cantao@thorus-scisoft.com.br
Resumo
Um problema de grande interesse agronômico, econômico e ambiental é o do tratamento da biomassa residual resultante da colheita da cana-de-açúcar. Este problema pode ser formulado como um problema de Programação Linear, porém, devido às incertezas inerentes aos seus dados, propomos a utilização de técnicas de Programação Matemática Fuzzy que levam em conta estas incertezas na modelagem.
Palavras Chave: Programação Matemática Fuzzy, Biomassa Residual. Abstract
A problem of great environmental concern is the treatment of biomass residues resulting from the sugarcane crop. This problem can be formulated as a Linear Programming one, but, due to the inherent uncertainties of its data, we propose a new approach through Fuzzy Mathematical Programming techniques, that naturally take into account those uncertainties.
Keywords: Fuzzy Mathematical Programming, Biomass residues.
INTRODUÇÃO
A Programação Matemática Fuzzy (apresentada por [BZ-1970]) busca a resolução de problemas com dados imprecisos. Estas características podem ocorrer em diversas áreas de conhecimento que envolvam uma formulação matemática e pouco conhecimento sobre os dados estudados, incluindo naturalmente a de Problemas Ambientais. Neste sentido, será apresentado aqui o problema de Minimização de Resíduos da Colheita de Cana-de-Açúcar que possui incerteza nos dados do problema, uma vez que estes dados foram obtidos por uma média estatística de curto prazo.
Os resíduos da colheita de cana-de-açúcar crua, ponteiro, palha e folha, podem ser chamados de palhiço. Atualmente, devido à redução das queimadas, pesquisadores e produtores têm buscado a
1
maneira mais produtiva, econômica e eficaz para o aproveitamento desse material, uma vez que se estima uma produção de 54 a 108 milhões de toneladas por ano, vide [RIP-1991] e [SL-2000].
Com o aumento das exportações do açúcar, com a criação de veículos bicombustíveis e com a alta do petróleo, o álcool hidratado ganha espaço no mercado e amplia gradativamente a produção de cana e, por conseqüência, o aumento de palhiço nas lavouras.
Segundo [Cru-2002], mesmo com a prorrogação da lei do fim da queimada de cana para 2030, a mecanização da colheita de cana cresce a cada safra, propiciando também o aumento da biomassa residual de colheita da cana. Sem as queimadas e com o maior acúmulo de palhas sobre o solo criam-se condições favoráveis para o aparecimento da cigarrinha da raiz e também o atraso da brota da cana, comprometendo assim a próxima safra.
Conforme [SFBL-2001], na tentativa de minimizar o impacto ambiental e as influências causadas na produtividade e, conseqüentemente, na lucratividade das empresas sucroalcooleiras, pesquisadores têm persistido na escolha da variedade que derive palhiços com maior poder calorífico e com um menor custo de coleta e transporte, sem perder as características de produção.
A escolha certa da variedade de cana-de-açúcar para o plantio é uma tarefa difícil, pois depende de um conjunto de informações fundamentais sobre os fatores agronômicos e industriais, bem como da interação de todos os fatores bióticos, abióticos, administrativos e econômicos, vide [PGMC-1999]. Os dados do palhiço podem ser mais uma opção para escolha das variedades, porque possibilitam melhores resultados econômicos e auxiliam na implantação desse resíduo no sistema de produção.
Observa-se em [SFBL-2001] que a escolha de variedades para o plantio da cultura de cana-de-açúcar pode ser auxiliada por modelos matemáticos de otimização. Com o aproveitamento do palhiço, além do potencial energético desta biomassa, tem-se como vantagens as questões ambientais, a manutenção de empregos e a projeção de vida limitada para os recursos energéticos de fontes naturais [ECP-1998].
Neste trabalho apresentaremos a formulação do problema estudado, os recursos da programação matemática fuzzy usada para resolvê-lo e os resultados obtidos.
O
M
ODELO DEB
IOMASSAR
ESIDUAL DEC
OLHEITAO modelo apresentado aqui, segundo [SH-2002], tem por objetivo minimizar a biomassa residual em função da escolha de variedades (1.a) adaptáveis ao tipo de solo. A primeira restrição leva em consideração a área disponível para plantio (1.b); a segunda restrição a produção de sacarose que deve, no mínimo, ser igual à produção média entre as variedades pré-selecionadas (1.c); a terceira restrição, a média de produção de energia disponível nessa biomassa (1.d) e finalmente a restrição (1.e) exige a positividade das variáveis. O modelo segue abaixo:
Minimizar
a
1x
1+
a
2x
2+
L
+
a
nx
n (1.a) Sujeito ax
1+
x
2+
L
+
x
n = b (1.b)γ
1x
1+
γ
2x
2+
L
+
γ
nx
n≥
b
γ
(1.c) n nx
x
x
β
β
β
1 1+
2 2+
L
+
≥
b
β
(1.d) nx
x
x
1,
2,
K
,
≥
0 (1.e) onde:• n (
i
=
1
,
2
,
K
,
n
): variedades de cana-de-açúcar que fazem parte do sistema; •a
i: produtividade média do resíduo de colheita para a variedade i, em t.ha-1; •x
i: variável que determina a área para o plantio da variedade i, em hectare; ••
β
: produção média de energia, entre as variedades, em kj. ha-1; •β
i: produção média de energia para variedade i, kj. ha-1.Os dados para a aplicação do modelo da Biomassa Residual foram obtidos de [SFBL-2001], [SF-2002] e [SL-2000]. Eles foram tomados dos experimentos desenvolvidos no Departamento de Ciências Ambientais (FCA – UNESP – campus de Botucatu/SP), através da monitoração de uma área de 6000 ha reservada para o plantio em uma fazenda em Paraguaçú Paulista – SP. As variedades disponíveis da cana-de-açúcar seguem na Tabela 1. Os dados de biomassa residual foram determinados para quatro cortes da cana-de-açúcar (a energia dessa biomassa foi determinada sobre o PCU – poder calorífico útil).
Variedade
x
i Sacarose (pol.ha-1 ) Energia (kj. ha-1) Resíduo (t. ha-1) SP791011 71,32 42740948 96276,63 RB835486 69,20 37732451 83822,78 RB72454 76,96 44447978 94895,03 RB855113 77,00 53382634 119820,9 RB855536 69,28 49053767 107599,9
Tabela 1: Dados médios do teor de sacarose, energia média e quantidade de resíduo da cana-de-açúcar para cada variedade em quatro cortes.
PROGRAMAÇÃO MATEMÁTICA FUZZY –PARÂMETROS FUZZY
Um problema de Programação Matemática Fuzzy (PMF) pode apresentar incertezas em seus dados (ou coeficientes) e nos permite um tratamento mais próximo da realidade que o envolve. Neste trabalho estamos interessados no seguinte problema de PMF Linear:
Minimizar
a
x
a
x
a
nx
n~
~
~
2 2 1 1+
+
L
+
(2.a) Sujeito ax
1+
x
2+
L
+
x
n = b (2.b)γ
~
1x
1+
γ
~
2x
2+
L
+
γ
~
nx
n >~b
( )
γ
~
(2.c) n nx x xβ
β
β
~1 1 + ~2 2 +L+ ~ >~( )
β
~
b
(2.d) nx
x
x
1,
2,
K
,
≥
0 (2.e)O símbolo ‘~’ indica onde está a incerteza do problema. Note que
a
~
i,γ
~
i eβ
~i são números fuzzy,( )
γ
~
e( )
β
~
representam o valor médio dos númerosγ
~
i eβ
~i, respectivamente, paran
i
=
1
,
2
,
K
,
e >~ estabelece a relação entre os dois lados das restrições com números fuzzy.Cada número fuzzy está associado a uma função de pertinência. Uma função de pertinência é denotada por:
]
1
,
0
[
~=
ℜ
→
cμ
,onde c~representa o elemento (ou conjunto) fuzzy. A função de pertinência que usaremos aqui modela os números fuzzy do problema (2) como números fuzzy triangulares:
(
c c c)
c , ,
~ =
onde
~
c
∈ F
(
ℜ
)
é um número fuzzy,F
(ℜ
)
é o conjunto fuzzy sobre ℜ, c é o valor modal (valor máximo da função de pertinência associada), c é o espalhamento à esquerda do valor modal ec
o espalhamento à direita do valor modal. Assim a função de pertinência para o número fuzzy é dada por:⎪
⎪
⎪
⎩
⎪⎪
⎪
⎨
⎧
+
∈
+
+
−
−
∈
−
−
=
contrário
caso
0
)]
(
,
[
se
)
(
]
),
[(
se
)
(
)
(
~x
a
a
a
a
a
a
x
a
a
a
x
a
a
a
x
x
cμ
(3)Note que, um conjunto
α
-corte é denotado por:μ
c~α(
x
)
=
{
x
∈
F
(
ℜ
)
tal
que
μ
~c(
x
)
≥
α
}
, para]
1
,
0
[
∈
α
.Se escrevermos a função inversa de (3) na forma de intervalo e usando o conceito de
α
-corte, temos:[
(
),
(
)
]
[
,
]
(
)
~
2 1∈
ℜ
=
+
+
−
−
+
=
c
c
c
c
c
c
c
c
F
c
αα
α
α α (4) ondec
1α e α 2c
representam a parte crescente e decrescente deμ
~c(
⋅
)
, respectivamente,∀
α
∈
[
0
,
1
]
. O problema (2) apresenta a função objetivo (2.a) e as restrições (2.c) e (2.d) com coeficientes fuzzy. Uma maneira de tratar este problema de PMF é reescrevendo-o como:n n
x
a
x
a
x
a
~
1 1+
~
2 2+
L
+
~
>~ b~0 (4.a) nx
x
x
1+
2+
L
+
= b (4.b)γ
~
1x
1+
γ
~
2x
2+
L
+
γ
~
nx
n >~b
( )
γ
~
(4.c) n nx x xβ
β
β
~1 1 + ~2 2 +L+ ~ >~( )
β
~
b
(4.d) nx
x
x
1,
2,
K
,
≥
0 (4.e)onde a função objetivo (2.a) entra no conjunto de restrições (4.a), devendo ser pelo menos igual (aproximadamente) a um valor 0
~
b . As restrições (4.a), (4.c) e (4.d) apresentam desigualdades fuzzy que podem sofrer uma violação:
) 1 ( ~ ~ ~ ~ ~ ~ 0 0 2 2 1 1x +a x + +a x >b −t −
α
a L n n (4.a’) ) 1 ( ~ ) ~ ( ~ ~ ~ ~ 1 2 2 1 1γ
γ
γ
α
γ
x + x +L+ nxn > b − t − (4.c’))
1
(
~
)
~
(
~
~
~
~
2 2 2 1 1β
β
β
α
β
x
+
x
+
L
+
nx
n>
b
−
t
−
(4.d’) 0~
t
, 1 ~ t e 2 ~t são números fuzzy dados pelo decisor de acordo com seus interesses para a violação das restrições, para
α
∈
(
0
,
1
]
. Desta maneira, o problema (4) passa a ser tratado como:Maximizar
α
(5.a) Sujeito aa
x
a
x
a
nx
n~
~
~
2 2 1 1+
+
L
+
>~ (1 ) ~ ~ 0 0 − t −α
b (5.a’) nx
x
x
1+
2+
L
+
= b (5.b)γ
x
γ
x
γ
nx
~
~
~
2 2 1 1+
+
L
+
>~( )
(
1
)
~
~
1α
γ
− t
−
b
(5.c) n nx x xβ
β
β
~1 1+ ~2 2 +L+ ~ >~( )
~
(
1
)
~
2α
β
− t
−
b
(5.d) nx
x
x
1,
2,
K
,
≥
0 (5.e)]
1
,
0
(
∈
α
(5.f)Note que minimizávamos a função objetivo (2.a) e esta foi incorporada ao conjunto de restrições, desde que obtivesse um valor aproximadamente igual a 0
~
b (restrição (4.a)). Agora esta função é dada por (5.a’) e desejamos maximizar a pertinência
α
. Ou seja, desejamos obter o seguinte conjunto deonde
μ
0(
⋅
)
,μ
1(⋅) eμ
2(⋅) são as funções de pertinência associadas as restrições (5.a’), (5.c) e (5.d), respectivamente. Este tratamento é baseado em [BZ-1970].De [CV-1989], para estabelecer uma relação entre o lado esquerdo e direito de cada desigualdade fuzzy podemos deffuzzificar os números fuzzy através de uma função
g
(⋅
)
de maneira a obter um valor ordinário correspondente, ou seja,g
: F
(
ℜ)
→
ℜ
. Ou ainda, através de uma função que nos garanta:) ~ ( ) ~ ( ~ ~ ~ 2 1 2 1 c g c g c c > ⇒ ≥ (7)
A função utilizada para resolver o problema aqui apresentado utiliza um parâmetro
k
∈
[
0
,
1
]
, tal que :}
)
(
que
tal
max{
)
~
(
c
x
~x
k
g
k=
μ
c≥
(8)De acordo com esta função, se o decisor estabelecer um valor para k, então:
2 1 ~
~
~ c
c > , com
k
∈
[
0
,
1
]
fixo, implicag
k(
c
~
1)
≥
g
k(
c
~
2)
(9) Em particular, se os números fuzzy c~1 e ~c2 estão associados a uma função de pertinência triangular,então (8) pode ser dado por:
2 2
1
1 (1 k)c kc (1 k)c
kc + − ≥ + − (10)
De (10), o problema (5) é reescrito como um problema de Programação Matemática clássico:
Maximizar
α
(11.a) Sujeito a(
)
i n i ika
x
a
k
∑
=+
−
1 1)
1
(
≥
(
1
−
k
)
b
0+
kb
0−
(
(
1
−
k
)
t
0+
kt
0)(
1
−
α
)
(11.a’) nx
x
x
1+
2+
L
+
= b (11.b)(
)
n i i ik
x
k
∑
=+
−
1)
1
(
γ
γ
>~(
1
−
k
)
b
( )
γ
+
kb
( ) (
γ
−
(
1
−
k
)
t
1+
kt
1)(
1
−
α
)
(11.c)(
)
i n i i ik
x
k
∑
=+
−
1)
1
(
β
β
>~ (1−k)b( )
β
+kb( ) (
β
− (1−k)t2 +kt2)(
1−α
)
(11.d) nx
x
x
1,
2,
K
,
≥
0 (11.e)]
1
,
0
(
∈
α
(11.f)para algum
k
∈
[
0
,
1
]
fixo.I
MPLEMENTAÇÃO ER
ESULTADOSC
OMPUTACIONAISA implementação do problema foi feita usando-se uma combinação de softwares livres. Escolhemos o GNU/Octave2 como linguagem de alto nível e o lp_solve3 como biblioteca para solução de problemas lineares. Ambos foram escolhidos por sua robustez e por já possuírem uma interface de comunicação bem definida.
O problema (1) teve os seus coeficientes da função objetivo (1.a) e das restrições (1.c) e (1.d) denotados por números fuzzy triangulares, e uma variação simétrica para c e
c
(em relação ao valor modal) em 1%, 1.5% e 2%, como seguem nas tabelas abaixo, ~t0 =~t1 =~t2 =1~0=(10,0.1,0.1)(variação de 1%), transformando-o em um problema como em (5). Para o resolvermos, tomamos o problema (11), para k= 0.7, 0.8 e 0.9.
A solução do problema ordinário, apresentado por [SFBL-2001], [SF-2002] e [SL-2000] é dada abaixo:
2http://www.octave.org
1
x x2
x
3 x4 x5 Função ObjetivoVariedade 0 0 4666.58 0 1333.42
5
.
8631
×
10
8Tabela 2: Solução do problema ordinário.
7 . 0 = k 1% 1.5% 2% SP791011 – x1 0 2736.36635 2643.18908 RB835486 – x2 297.51826 0 0 RB72454 –
x
3 0 0 0 RB855113 – x4 5702.48174 1974.97087 2000.1597 RB855536 – x5 0 1288.66278 1356.65122 Função Objetivo 810
000
.
5
×
4
.
500
×
10
84
.
500
×
10
8Tabela 3 Solução do problema fuzzy com k = 0.7.
8 . 0 = k 1% 1.5% 2% SP791011 – x1 3894.99654 0 0 RB835486 – x2 0 2941.73243 2941.89532 RB72454 –
x
3 0 0 0 RB855113 – x4 1668.86975 2728.43079 2728.8568 RB855536 – x5 436.13371 329.83679 329.14413 Função Objetivo 810
000
.
5
×
4
.
8903
×
10
84
.
8842
×
10
8Tabela 4 Solução do problema fuzzy com k = 0.8.
9 . 0 = k 1% 1.5% 2% SP791011 – x1 0 0 0 RB835486 – x2 2942.01267 2941.83868 2941.91124 RB72454 –
x
3 0 0 0 RB855113 – x4 2729.16371 2728.70868 2728.89845 RB855536 – x5 328.82362 329.45264 329.19031 Função Objetivo 810
4932
.
5
×
5
.
4901
×
10
85
.
4871
×
10
8Tabela 5 Solução do problema fuzzy com k = 0.9.
Na Tabela 2 temos a solução ordinária do problema fuzzificado, e nas Tabelas 3, 4 e 5 a solução para o problema fuzzificado. Em todos os casos, houve um ganho em relação a função objetivo, ou seja, obtemos uma solução que mais minimiza o problema ordinário. Porém, devemos destacar que a variedade relativa a variável
x
3, em nenhum caso foi selecionada. Para k ≤0.6 houve divergência na resolução do problema.A
GRADECIMENTOSOs autores agradecem ao Prof. Dr. Akebo Yamakami (DT – FEEC – UNICAMP) pelas sugestões que contribuíram para a execução deste trabalho, e à Profa. Dra. Helenice de Oliveira Florentino (IB – UNESP – campus de Botucatu) pelas sugestões na modelagem do problema.
R
EFERÊNCIASB
IBLIOGRÁFICAS[BZ-1970] R. E. Bellman e L. A. Zadeh. Decision-making in a fuzzy environment. Management
Science, 17(4):B141
–
B164, 1970.[CV-1989] L. Campos e J. L. Verdegay. Linear programming problems and ranking of fuzzy numbers.
Fuzzy Sets and Systems, 32(1989), 1
–
11.[Cru-2002] D. M. Cruz. Fim da queimada é prorrogada até 2003. Jornal da Cana, Dezembro de 2002. P. 44.
[ECP-1998] F. Eid, K. Chan e S. S. Pinto. Tecnologia e co-geração de energia na indústria sucoalcooeira paulista: uma análise de experiência e dificuldades de difusão. Informações Econômicas, 28(5), 1998.
[PGMC-1999] Programa de melhoramento genético de cana-de-açúcar. Universidade Federal de São Carlos – Departamento de Biotecnologia Vegetal, 1999.
[Rip-1991] T. C. Ripoli. Utilização do material remanescente da colheita de cana-de-açúcar
(Saccharum ssp) – Equacionamento dos balanços energético e econômico. PhD Thesis, USP – ESALQ, 1991. 148 p.
[SFBL-2001] M. M. P. Sartori, H. de O. Florentino, C. Basta e A. L. Leão. Determination of the optimal quantity of crop residues for energy in sugarcane crop management using linear programming in variety selection and planting strategy. Energy, 26:1031–1040, 2001.
[SF-2002] M. M. P. Sartori e H. de O. Florentino. Metodologia e Técnicas Experimentais – Modelo de Minimização de Biomassa Residual. Bragantia, Campinas, v. 61, n. 3, 297–303, 2002.
[SL-2000] M. M. P. Sartori e A. L. Leão. Available energy from sugar-cane post harvest residues. In