Autômato celular no planejamento da colheita florestal

Abstract

A inteligência artificial oferece tomadas de decisão automatizadas ao fazer uso de informações tabuladas na forma de variáveis capazes de explicar padrões de comportamento a um determinado nível de assertividade. Essa tese apresenta o desenvolvimento de um algoritmo de inteligência artificial que utiliza o conhecimento em autômatos celulares, grafos, regressão, busca heurística e simulação com objetivo de gerar cenários para o agendamento da colheita florestal otimizado e de forma autônoma, em função de variáveis, como custos, demanda de madeira, relevo, produtividade de máquinas, características da floresta, distância entre unidades de manejo, distância até o pátio de estocagem, crescimento e produção florestal, taxa de desconto, dentre outros. A discussão dos resultados foi realizada ao analisar o atendimento da demanda de madeira e o valor presente líquido (VPL) para um horizonte de 365 dias. O estudo conclui que a aplicação de critérios e regras simples em autômatos celulares para o planejamento florestal de curto prazo é capaz de otimizar o agendamento da colheita e maximizar o lucro para períodos anuais, mensais e diários. O sistema desenvolvido, Harvest Scheduling System (HSS) permite simular cenários para atendimento da demanda de madeira e produz resultados otimizados para o agendamento da colheita em tempo hábil. Cada um dos 30 cenários foi submetido a 1.000 iterações, variando critérios de vizinhança e regras de sorteio. Como produto deste trabalho, obteve-se um sistema capaz de otimizar o planejamento operacional da colheita florestal denominado Harvest Scheduling System (HSS), que utiliza a linguagem de programação Java, IDE (Integrated Development Environment) Netbeans 8.2, e JDK 8 (Java Development Kit). A aplicação de critérios e regras simples aos autômatos celulares para o planejamento florestal de curto prazo é capaz de otimizar o agendamento da colheita e maximizar o lucro para períodos anuais, mensais e diários. O sistema desenvolvido, Harvest Scheduling System (HSS) permite simular cenários para atendimento da demanda de madeira e produz resultados otimizados para o agendamento da colheita em tempo hábil.

Artificial intelligence offers automated decision by using structured database with variables capable of explaining behavior patterns at a certain level of assertiveness. This study presents the development of an artificial intelligence algorithm that uses knowledge in cellular automata, graph theory, regression, metaheuristics and simulation in order to generate scenarios for optimized and autonomous forest harvesting scheduling by using variables such as costs, wood demand, terrain slope, machinery productivity, forest characteristics, distance between management units, distance to the stockyard, growth and yield, discount rate, among others. The discussion of the research was made by analyzing the wood supply and the net present value (NPV) in a time horizon of 365 days. The study concludes that the application of simple criteria and rules in cellular automata for short-term forest planning can optimize harvest scheduling and maximizing profit for annual, monthly and daily periods. The developed system “Harvest Scheduling System – HSS”, allows simulating scenarios to perform wood supply and optimized harvest scheduling in a timely manner. Each of the thirty scenarios was submitted to 1000 (one thousand) iterations with distinct neighborhood criteria and drawing rules. The “HSS” was developed based on Java programming language, Netbeans 8.2 Integrated Development Environment (IDE) and JDK 8 (Java Development Kit). Thirty scenarios were analyzed by applying six different co-evolution rules and five harvesting displacement costs (R$/km) between management units. Each scenario was submitted to 1000 (one thousand) iterations generating the same number of viable solutions (Net Present Value - NPV). The most profitable solution for each of the neighborhood and draws rules is associated with a schedule that seeks to combine the harvesting displacement costs and other variables of influence such as: age; discount rate; yield for initial state; periodic daily increment; planting and maintenance cost; harvesting cost, transporting cost; restrictions; among others. The planting and maintenance cost and harvesting displacement costs are the variables that most influence the best solution choice. The current increment over the one-year harvest horizon represents 6 to 10% of revenue.