Resumo Técnico: Otimização de Carga e Descarga de Contêineres através de Ciclo Duplo e Redução de Manobras no Pátio

1. Definição do Problema

O artigo aborda o problema NP-difícil de otimizar as operações de movimentação de contêineres em portos marítimos. Especificamente, foca na interdependência crítica entre dois desafios operacionais distintos, porém acoplados:

1. Ciclo Duplo de Guindaste de Cais (QCDC - Quay Crane Dual-Cycling): Maximizar o número de ciclos simultâneos de carga e descarga para reduzir o tempo de permanência do navio (turnaround time). Em um Ciclo Simples (SC) padrão, um guindaste descarrega uma pilha e retorna vazio antes de carregar. No Ciclo Duplo (DC), o guindaste descarrega uma pilha e imediatamente carrega um contêiner preparado, eliminando a viagem de retorno vazia.
2. Minimização de Manobras no Pátio (Dockyard Rehandle Minimization): Reduzir o número de vezes que os contêineres devem ser movimentados (manobrados/remanejados) no pátio para acessar um contêiner alvo que não está no topo de sua pilha.

O Conflito Central: O artigo identifica que esses dois objetivos são frequentemente otimizados isoladamente na literatura existente. Uma sequência de descarregamento projetada para maximizar os DCs pode, inadvertidamente, exigir contêineres do pátio em uma ordem que force manobras excessivas. Por outro lado, um layout de pátio otimizado para minimizar manobras pode não se alinhar com a sequência de descarregamento necessária para maximizar os DCs. Os autores argumentam que tratar essas etapas como processos sequenciais e separados cria um "gap de feedback", onde a otimização de uma métrica degrada a outra.

2. Metodologia: QCDC-DR-GA

Para resolver este conflito, os autores propõem o QCDC-DR-GA (Algoritmo Genético de Ciclo Duplo de Guindaste de Cais e Manobras no Pátio), um Algoritmo Genético (GA) híbrido que realiza a otimização conjunta tanto da sequência de descarregamento quanto da configuração do pátio dentro de um único loop de busca.

2.1. Formulação Matemática

O problema é modelado como um problema de escalonamento de fluxo de duas máquinas (two-machine flow-shop). O objetivo é minimizar o tempo total de conclusão ($T$), definido como uma soma ponderada de:

• $w_s$: O número de Ciclos Simples (Single Cycles).
• $w_d$: O número de Ciclos Duplos (Dual Cycles).
• $R$: O número total de manobras no pátio (rehandles).

$$T = \alpha w_s + \beta w_d + \gamma R$$

Onde $\alpha$, $\beta$ e $\gamma$ representam os custos de tempo (em segundos) para ciclos simples, ciclos duplos e manobras, respectivamente.

2.2. Estrutura do Algoritmo Genético Híbrido

O algoritmo emprega uma representação de cromossomo misto para lidar com a natureza distinta das duas variáveis de decisão:

• Componente A1 (Cromossomo 1D): Codifica a sequência de descarregamento das pilhas do navio (uma permutação de índices de pilhas).
• Componente A2 (Cromossomo 2D): Codifica o arranjo de contêineres no pátio (uma matriz representando as posições de pilha e níveis para os contêineres a serem carregados).

2.3. Operadores Genéticos Especializados

Para manter a viabilidade e a diversidade, o GA utiliza operadores adaptados para cada componente do cromossomo:

• Crossover (Cruzamento):
  • 1D (Descarregamento): Utiliza Crossover de Dois Pontos com um mecanismo de reparo para garantir permutações válidas (sem duplicidade de índices de pilha).
  • 2D (Pátio): Utiliza Crossover de Substring 2D, inspirado em problemas de atribuição de portões de aeronaves. Isso envolve trocas linha a linha e coluna a coluna, seguidas por uma etapa de reparo para garantir que cada contêiner seja atribuído exatamente uma vez e que os limites de altura da pilha sejam respeitados.
• Mutação:
  • 1D: Utiliza Mutação por Troca (Swap Mutation) (troca de dois genes).
  • 2D: Utiliza Mutação de Troca de Dois Pontos 2D, trocando genes em coordenadas específicas de linha/coluna para introduzir diversidade espacial no layout do pátio.
• Seleção e Terminação: O algoritmo utiliza Seleção por Roleta com uma estratégia de Preservação de Elites (20% da população). A terminação ocorre após um número máximo de gerações ou se a melhor solução permanecer inalterada por 100 iterações consecutivas.

2.4. Suposições Operacionais

O modelo assume que:

• Os contêineres para carregamento estão disponíveis no cais mediante solicitação.
• As operações são conduzidas linha por linha (o ciclo duplo é restrito a contêineres dentro da mesma linha do navio).
• As manobras no pátio seguem uma estratégia de "pilha mais baixa e próxima" para contêineres deslocados.
• Não são considerados atrasos externos (ex: indisponibilidade de veículos).

3. Principais Contribuições

O artigo descreve sete contribuições específicas:

1. Validação Empírica: Estabelece uma correlação entre a sequência de descarregamento de pilhas e a ocorrência de manobras no pátio, especificamente dentro de estratégias de ciclo duplo.
2. Estrutura Integrada: Desenvolve um algoritmo abrangente que otimiza conjuntamente as operações de pátio e QCDC, indo além da otimização sequencial ou isolada.
3. Novo GA Híbrido: Introduz uma arquitetura de GA específica capaz de lidar simultaneamente com estruturas de cromossomos 1D e 2D.
4. Operadores Especializados: Propõe operadores de crossover e mutação customizados (Crossover de Substring 2D e Mutação de Troca 2D) projetados especificamente para as restrições de movimentação de contêineres.
5. Análise de Parâmetros: Realiza uma análise extensa para identificar os parâmetros computacionais mais influentes (ex: tamanho da população, taxas de mutação) dentro da estrutura do GA.
6. Racional Metodológico: Fornece justificativas claras para a seleção de estratégias em várias etapas do processo de otimização.
7. Benchmarking Estatístico: Valida a estratégia proposta contra quatro algoritmos de última geração usando testes t pareados rigorosos.

4. Resultados Experimentais

Os autores avaliaram o QCDC-DR-GA em seis cenários envolvendo navios de contêineres pequenos, médios e grandes (variando de 5 a 30 pilhas por linha). O algoritmo foi comparado com:

• Limite Superior Ganancioso (Greedy Upper Bound): Um heurístico que maximiza os DCs, mas ignora as manobras.
• QCDC-bi-level-GA: Otimiza o QCDC, mas trata as manobras separadamente.
• GA-ILSRS (Cenário 1): Otimiza os DCs, mas ignora as manobras.
• GA-ILSRS (Cenário 2): Otimiza as manobras, mas utiliza Ciclo Simples.

Métricas de Desempenho

• Tempo Total de Operação: O QCDC-DR-GA reduziu o tempo total de operação em até 30,1% em comparação com os métodos existentes. A melhoria média em cenários de navios grandes foi de 20,1%.
• Significância Estatística: Usando um teste t pareado de duas caudas ($\alpha = 0,05$), o método proposto mostrou melhorias estatisticamente significativas em 20 de 24 comparações par a par.
• Escalabilidade: A vantagem de desempenho da abordagem de otimização conjunta cresceu monotonicamente com o tamanho do navio. Para navios grandes (30 pilhas), as melhorias sobre as bases de objetivo único atingiram 20,1%, enquanto para navios pequenos, a vantagem era menor, mas ainda presente.
• Estudo de Ablação: Um experimento controlado onde o plano do pátio (A2) foi "congelado" (não otimizado) demonstrou que, embora a otimização da sequência de descarregamento sozinha forneça uma base competitiva, a co-otimização do layout do pátio proporciona um ganho adicional significativo, particularmente na redução de manobras (até 98% de redução em cenários pequenos).

5. Significância e Alegações

O artigo alega que sua principal significância reside em demonstrar a ineficiência da otimização isolada nas operações portuárias. Ao tratar a sequência de descarregamento e o layout do pátio como um problema de decisão único e acoplado, o algoritmo resolve o compromisso entre maximizar a produtividade do guindaste (DCs) e minimizar as ineficiências do pátio (manobras).

• Impacto Prático: A abordagem oferece uma solução de baixo custo para portos reduzirem os tempos de permanência dos navios sem a necessidade de novos investimentos em infraestrutura ou hardware avançado. É projetada para ser integrada aos Sistemas de Operação de Terminais (TOS) existentes como um módulo de planejamento pré-chegada.
• Contribuição Teórica: O artigo formaliza a otimização conjunta de QCDC e manobras no pátio como um problema combinatório NP-difícil unificado com um espaço de busca de $S! \times N!$ (onde $S$ é o número de pilhas e $N$ é o número de contêineres), argumentando que as abordagens "integradas" anteriores eram meramente sequenciais e não verdadeiramente conjuntas.
• Escalabilidade: Os autores afirmam que a decomposição do problema por linhas permite que o algoritmo escale para grandes embarcações (ex: 2.000+ contêineres) ao resolver subproblemas independentes para cada linha, tornando-o viável para implantação no mundo real em hardware padrão.

O artigo conclui que, embora dependa de suposições simplificadoras (ex: disponibilidade imediata de contêineres, ausência de interrupções dinâmicas), o proposto QCDC-DR-GA representa um passo significativo em direção à otimização portuária holística, oferecendo um método robusto para aumentar a utilização de recursos e a eficiência operacional.