1

ESCALONAMENTO DE RECURSOS DA POLÍCIA MILITAR RODOVIÁRIA UTILIZANDO ALGORITMOS GENÉTICOS

Vinícius Pereira Idalino(1); Bruno Queiroz Pinto(2); Nélio Muniz Mendes Alves(3)

(1)Estudante; Instituto Federal do Triângulo Mineiro – Câmpus Uberlândia Centro; Rua Blanche Galassi, 150 CEP 38401-114 Uberlândia/MG, Brasil; vinnymoc@hotmail.com; (2)Professor; Instituto Federal do Triângulo Mineiro – Câmpus Uberlândia Centro; Rua Blanche Galassi, 150 CEP 38401-114 Uberlândia/MG, Brasil; bruno.queiro@iftm.edu.br;(3)Professor; Instituto Federal do Triângulo Mineiro – Câmpus Uberlândia Centro; Rua Blanche Galassi, 150 CEP 38401-114 Uberlândia/MG, Brasil; nelio@iftm.edu.br. RESUMO: A questão dos altos índices de ocorrência de acidentes de trânsito rodoviário é um fator alarmante e que preocupa toda a sociedade. A polícia militar rodoviária desenvolve ações preventivas e repressivas com a finalidade de minimizar esta questão, sendo o escalonamento de recursos essencial para realizar tal tarefa. O algoritmo genético (AG) é uma técnica capaz de gerar uma solução para este tipo de problema. Essa solução é a escala de ações que serão realizadas em um determinado período de tempo e em um trecho de rodovia específico. Para tanto, é necessário a criação de cromossomos, representados através de valores binários correspondentes à codificação dos trechos de rodovias e das ações de policiamento utilizadas na prevenção dos acidentes rodoviários, sendo a seleção da melhor solução feita através de uma função de aptidão, que utiliza regras relacionadas ao grau de perigo nos trechos/horários. A solução gerada deve auxiliar os gestores na tomada de decisão sobre o uso otimizado dos recursos disponíveis.

Palavras-chave: Inteligência artificial. Metaheurística. Timetabling.

INTRODUÇÃO

A inteligência Artificial (IA), conforme afirmam Franciscani e Queiroz (2012), é utilizada

para auxiliar no processo de obtenção de certas respostas complexas, apresentando opções para a tomada de decisões dos gestores das empresas. Desta forma, ao se imaginar um sistema computacional que apoie a tomada de decisões, principalmente sob condições de escassez de recursos para alocação, tornam-se necessários métodos de otimização destes processos. Segundo Souza (2008), estes métodos são aplicados tipicamente a roteirizações, programação de horários (timetabling), escala de motoristas e sequenciamento da produção.

Todavia, com o uso de tais métodos, é possível a criação de ferramentas que minimizem o índice de acidentes de trânsito rodoviário, uma vez que mesmo envolvendo fatores externos, ocorrem reiteração das suas causas. Estes fatores geram situações complexas para serem dirimidas por parte dos órgãos de segurança pública e, financeiramente, por parte dos órgãos governamentais. Segundo Marcos Filho (2012),através de um estudo desenvolvido pelo Instituto de Pesquisa Econômica Aplicada (IPEA) conjuntamente com a Associação Nacional de Transportes Públicos, constatou-se um gasto total de 5,3 bilhões de reais no tratamento dos acidentes ocorridos, isto apenas na abrangência de 49 aglomerados urbanos brasileiros.

Dessa forma, como tentativa de reduçãodo número de acidentes de trânsito rodoviário, são utilizadasmetodologias baseadas em roteamento de trechos de rodovias e aplicação de ações de policiamento rodoviário, respeitando janelas de tempo, distâncias quilométricas e ocorrência de acidentes num mesmo trecho.

1

2

Portanto, neste trabalho, um algoritmo genético é proposto para minimizar os índices de ocorrência de acidentes de trânsito rodoviário, tomando como base a padronização de trechos de rodovias e ações de policiamento. São analisados diversos critérios e ao final geradas soluções práticas e aplicáveis a resolução do problema em questão.

MATERIAL E MÉTODOS

Os algoritmos genéticos são metaheurísticas e segundo Linden (2008), são classificados como um ramo dos algoritmos evolucionários e como tal podem ser definidos como uma metáfora do processo biológico de evolução natural. Biondi Neto et al. (2009), define que uma metaheurística é como uma estratégia de busca que explora eficientemente um espaço das soluções viáveis de um determinado problema, baseando-se em população. Desta forma nos algoritmos genéticos são criadas populações de indivíduose consequentemente submetidas aos operadores genéticos: seleção, recombinação (crossover) e mutação. Com isso, ocorre o processo de qualificação destes indivíduos, avaliando suas características e disponibilizando as soluções encontradas, eventualmente gerando indivíduos que caracterizam uma boa solução para o problema e, caso esta solução não seja adequada, o processo se repete apresentando novas possibilidades.A representação do cromossomo torna-se fundamental neste trabalho, uma vez que simboliza a tradução do problema numa representação viável para ser tratada computacionalmente. Afirma ainda Soares (2007),que para efetuar operações como cruzamento e mutação, a codificação do indivíduo numa estrutura é necessária, sendo cada cromossomo representante de uma variável.

A Figura 1 mostra um exemplo de representação alfanumérica, onde cada gene pode possuir somente um caractere(PINTO; BÔAVENTURA, 2014).

a a a a t t t t t t

Figura 1: Representação binária do cromossomo.

Efetivamente, a definição do cromossomo depende de informações do problema abordado neste trabalho. Para resolver o problema dos acidentes de trânsito rodoviário, são analisados critérios que relacionam as ações a serem tomadas e os trechos rodoviários de abrangência da área da 9ª Companhia da Polícia Militar de Meio Ambiente e Trânsito Rodoviário, considerando também informações de acidentes ocorridos. A solução deve apresentar resultados que contemplem a melhor distribuição destes dois tópicos, de forma a contribuírem para a redução dos índices de acidentes nos trechos problemáticos. Na solução será contemplado que uma viatura policial poderá executar até 04 ações distintas, sendo uma por vez e aplicadas em até 63 trechos de rodovias, sendo também apenas um determinado trecho por vez de atuação. Além disso, como descrito por MINAS GERAIS(2010), no caderno doutrinário nº 03, o tempo ideal previsto para a execução da blitz policial poderá ser de 30 a 60 minutos. Considerando ainda que cada turno de serviço é composto de 12 horas e que uma parcela deste tempo é utilizada para deslocamentos e registros de ocorrências, definiu-se a quantidade de 04 soluções geradas para cada turno de serviço.

Portanto, o cromossomo utilizado possui uma cadeia de 80 genes. A representação deste cromossomo utiliza valores bináriosque iniciam da esquerda para direita, sendo que, a cada sequência de 10 genes, referem-se a ação a ser desenvolvida 04 destes genes, enquanto 06 genes referem-se ao trecho de rodovia onde a ação inerente a ele será aplicada. A Figura 2 mostra a representação de um cromossomo:

0 0 0 1 0 0 0 1 0 1 0 0 0 0 1 0 1 0 1 1 ...

Figura 2.: Representação do cromossomo.

As ações definidas para codificação dos 04 genes do cromossomo são as seguintes : 0000 – representa nenhuma ação. 0001 – representa blitz de trânsito.

Ação Trecho Ação Trecho

2

3

0010 – representa patrulhamento de trânsito. 0011 – representa viatura parada em ponto base. Enquanto nos 6 últimos genes, são determinados os trechos de rodovias que foram

delimitados pelo espaço de 20 quilômetros cada, sendo abaixo o exemplo da representação binária e descritiva de alguns destes trechos:

000000 – representa a BR-497 do trecho compreendido entre o Km 0 ao Km 20. 000001 – representa a BR-497 do trecho compreendido entre o Km 21 ao Km 40. 000100 – representa a LMG-503 do trecho compreendido entre o Km 0 ao Km 20. 000101 – representa a MGC-452 do trecho compreendido entre o Km 161 ao Km 177. 111100 – representa a MGC-154 do trecho compreendido entre o Km 21 ao Km 40. Para iniciar os trabalhos com o algoritmo genético conforme afirma Soares (1997),

define-se uma população fixa, cujas cadeias de caracteres estão binariamente codificadas. Tendo o problema a ser otimizado, deve-se definir qual a quantidade de indivíduos terá a população, a formação cromossômica do indivíduo e as probabilidades de aplicação dos operadores genéticos.

Além disso, como descrito porLinden (2008), o funcionamento dos algoritmos genéticos podem ser resumidos algoritmicamente em inicialização da população de cromossomos, avaliação de cada cromossomo da população, seleção dos pais para geração de novos cromossomos, aplicação de operadores de recombinação e mutação a estes pais de forma a gerar os indivíduos da nova geração, exclusão dos velhos membros da população, avaliação dos novos cromossomos e inserção deles na população e, por fim, a análise da satisfação dos requisitos e desempenhos, tomando como base o melhor cromossomo e, caso o contrário, o processo reinicializaria ao ponto de seleção dos pais.

De fato afirma Filitto (2008), que a escolha da solução deve ser feita de tal forma que os membros da população mais adaptados ao meio ambiente, tenham maior chance de reprodução, isto é, àqueles que apresentam um valor da função fitness(Função de aptidão) mais elevado.

Dessa forma, uma função de cálculo da aptidão foi gerada a partir de informações coletadas junto à 9ª Companhia da Policia Militar de Trânsito Rodoviário e Meio Ambiente situada em Uberlândia-MG. Nessa versão, são consideradas 4 regras básicas que combinadas geram o resultado da função de aptidão. A função de aptidão é definida pela fórmula abaixo, onde: r: indica a regra considerada. n: indica a quantidade de regras. s: uma solução gerada. S: o conjunto de soluções.

( ) ( ) SssrSF

n

i

i∈∀

= ∑

=

,min1

Cada uma das regras pode ser desativada ou ativada pelo usuário. Sendo abaixo a descrição de cada uma das regras:

Regra 1: penaliza a solução, quando ela não respeita o limite de ações ou trechos. A cada ação ou trecho não respeitado, a solução indicada terá sua probabilidade de seleção diminuída e uma nova é gerada. Regra 2: penaliza a solução, quando ela permite que um determinado trecho de rodovia tenha baixa relevância relacionada ao fluxo de veículos (FLUXO DE VEÍCULOS: ALTO, MÉDIO, BAIXO, INEXISTENTE). A cada trecho que não atenda o critério desta regra, é acrescido o valor da penalidade. Regra 3: penaliza a solução, quando ela permite indicação de trechos de rodovia que tenham baixa relevância, relacionada à constância de problemas apontados naquele trecho (TRECHO:

3

4

CRÍTICO ou NORMAL). A cada trecho que não atenda o critério desta regra, é acrescido o valor da penalidade. Regra 4: penaliza a solução, quando ela não permite a indicação de trechos de rodovia e ações, em locais de índice elevado de acidentes registrados em períodos de 2 dias. A cada ocorrência é acrescido o valor da penalidade da regra.

Por exemplo, na figura 3 são demonstradas as classes do sistema, sendo elas, a de acidentes, trechos e ações, que são as responsáveis pelo gerenciamento das informações relacionadas ao emprego operacional do policiamento e ocorrências de acidentes registrados, enquanto a classe cromossomo é a precursora do processo que culmina na criação da população de indivíduos, sendo nela também realizados os cálculos da função de aptidão de cada indivíduo gerado.

Desta forma, após executado todo o processo da geração de soluções, os resultados são apresentados ao usuário, sendo que, caso haja solicitação do usuário ou após o ciclo de 24 horas, uma nova solução é gerada e a anterior terá sua probabilidade de seleção diminuída. Tal característica se faz necessária, em virtude da definição da quantidade de soluções aplicadas por turno de serviço dos militares.

Por sua vez, a figura4 expressa a interação entre os módulos do sistema, no qual o módulo IA (sistema) automaticamente gera uma solução para o módulo UI (usuário), que por sua vez emprega estes resultados ou solicita ao sistema a geração de uma nova solução.

Figura 3: Diagrama de classes do sistema gestão de acidentes

4

5

Figura 4: Representação da arquitetura do sistema.

RESULTADOS E DISCUSSÃO

As regras propostas apresentam um resultado adequado que permite definir ações de policiamento de trânsito rodoviário em determinados trechos de rodovias historicamente problemáticos. Contudo, poderão ser implementadas outras, com enfoque a analisar a historicidade anual da quantidade de acidentes ocorridos, definir datas relevantes ao aumento do número de acidentes, definir dias da semana e horários relevantes ao aumento do número de acidentes, restringir aplicação de resultados por período semanal e definir também recursos logísticos e humanos na geração das soluções. Acrescenta-se também, que a solução proposta além de poder ser utilizada para programação do emprego dos militares em trechos das rodovias, pode ser implementada também no planejamento das ações de atuação.

Em resumo, as soluções apresentaram resultados adequados para aplicação. No entanto, uma análise mais detalhada mostra que, em geral, estes resultados poderiam ser mais refinados a medida que haja inclusão de outras novas regras e delimitações.

CONCLUSÕES Técnicas de algoritmo genético podem ser aplicadas com eficiência na solução da

minimização de índices de acidentes de trânsito rodoviário. Além disso, é uma solução que apresenta baixo custo de desenvolvimento e implantação, se comparado aos benefícios de retorno. Contudo, é proposto como trabalho futuro a inserção das demais regras propostas e não implementadas nesta primeira versão, como meio de otimização dos resultados atualmente gerados, aumentando a abrangência das soluções; O estudo e a implantação de outras técnicas computacionais que permitam um maior refinamento das soluções geradas; A aplicação de técnicas de redes neurais poderia gerar ótimas soluções para resolução do problema, tendo como base o reconhecimento de padrões, classificação e previsão, uma vez que comumente os fatores que dão causa ao problema são reincidentes.

AGRADECIMENTOS

Agradeço à minha esposa Gislane Andrade e a minha filha Maria Fernanda pelo apoio

incondicional e paciência ao longo do período deste curso, ao meu orientador Bruno Queiroz pela dedicação em guiar-me por áreas de conhecimento antes por mim inexploradas, ao meu coorientador Nélio Alves pelo apoio na estruturação e desenvolvimento da aplicação, ao Comandante da 9ª RPM Coronel PM Volney Halan Marques por autorizar a utilização da 9ª Companhia da Policia Militar de Meio Ambiente e Trânsito Rodoviário (9ª Cia MAT) como objeto de estudo deste trabalho, ao Comandante da 9ª Cia MAT Major PM Conrado Damasceno pelo apoio e adequações funcionais e de horários, que permitiram o desenvolvimento do projeto e continuidade no curso de pós-graduação, a toda equipe da seção

Módulo IA

Módulo UI

Solução

5

6

de planejamento e operações da unidade pelas informações prestadas e agilidade no atendimento as minhas solicitações.

REFERÊNCIAS

BIONDI NETO, L.; BECCENERI J. C.; DEMISIO J. S. S.; FÁVERO E. P. L.; SILVA NETO, ANTÔNIO JOSÉ DA. Fundamentos de Otimização e Inteligência Artificial. In: Antônio J. Silva Neto; José Carlos Becceneri. (Org.). Técnicas de Inteligência Computacional inspiradas na Natureza - Aplicação em Problemas Inversos de Transferência Radiativa. São Paulo: SBMAC, 2009, v. 41, p. 35-42. FILITTO, D. Algoritmos genéticos: uma visão explanatória, Saber Acadêmico - v. 06, p. 136-143, 2008, ISSN 1980-5950. FRANCISCANI, J. DE F.; QUEIROZ, D. M. de Inteligência Artificial: Uma Abordagem sobre Algoritmos Genéticos.Revista Rumos, v. 06, p. 60-80, 2012, ISSN 1982-0763. MARCOS FILHO, M. Acidentes de trânsito: as conseqüências visíveis e invisíveis à saúde da população. Revista Espaço Acadêmico, v. 128, p. 148-157, 2012, ISSN 1519-6186. LINDEN, R. Algoritmos genéticos: uma importante ferramenta da inteligência computacional. São Paulo: Brasport, 2ª Edição, 2012. MINAS GERAIS. Polícia Militar. Blitz policial. Belo Horizonte: Academia de Polícia Militar, 2010. (Prática Policial Básica. Caderno Doutrinário 3). PINTO, B. Q. AND BÔAVENTURA, R. S.Utilizando técnicas de algoritmo genético para resolução do problema de geração de grade horária para enfermarias, 2013 8 f. CONFERÊNCIA IADIS IBERO-AMERICANA EM COMPUTAÇÃO APLICADA, São Leopoldo, RS, 2013. SOARES, G. L. Algoritmos Genéticos: Estudo, Novas Técnicas e Aplicações. 1997. 148 f. Dissertação de Pós-Graduação em Engenharia Elétrica. Universidade Federal de Minas Gerais. Centro de Pesquisa e Desenvolvimento em Engenharia Elétrica, Belo Horizonte, 1997. SOUZA, M. J. F.Inteligência computacional para otimização. Notas de Aula. Ouro Preto: UFOP, 2008. Disponível em <www.decom.ufop.br/prof/marcone/inteligenciacomputacional.htm>. Acesso em 20 jul. 2014.