MODAL · UFMA · Laboratório
0%
Laboratório · COCOM/UFMA · São Luís

Modelagem matemática e algoritmos para problemas reais

Laboratório de Modelagem Matemática e Algoritmos. Pesquisa científica e tecnológica em Pesquisa Operacional e Otimização, com soluções computacionais para decisões de alta complexidade.

COCOM/UFMACiência da Computação
Campus do BacangaSão Luís, Maranhão
Básica e aplicadapesquisa e parcerias
Graduação e pósformação de pesquisadores

Laboratório MODALCOCOM · UFMA · São Luís

Missão

O que o laboratório faz

Modelamos problemas complexos em linguagem matemática e desenvolvemos algoritmos para resolvê-los. A âncora é a Pesquisa Operacional: decidir bem quando as opções são muitas, os recursos são finitos e o custo de errar é alto.

Nós, arestas e um núcleo de decisão.

1

Pesquisa básica e aplicada

Formulamos modelos, provamos propriedades e medimos desempenho, sempre com um problema real à vista: porto, hospital, contrato de energia, frota, rota.

2

Indústria, governo e academia

Os projetos nascem em parceria. Dados reais, restrições de operação e uma pergunta que alguém precisa responder na prática.

3

Formação de pessoas

Iniciação científica, TCC, mestrado e colaboração em doutorado. Quem entra no laboratório aprende a modelar, a implementar e a escrever.

4

Campus do Bacanga

Coordenação de Ciência da Computação (COCOM), Universidade Federal do Maranhão, São Luís.

Ferramentas e métodos
algoritmos em grafos programação linear programação inteira heurísticas metaheurísticas algoritmos genéticos colônia de formigas otimização estocástica otimização robusta simulação mineração de dados

O solver, a heurística e o simulador são meios. O trabalho do laboratório começa antes: traduzir o problema em conjuntos, parâmetros, variáveis e restrições que alguém consiga defender.

Domínios de aplicação
logística e transportes saúde computacional mercados de energia manufatura e portos agronegócio transporte público urbano
Quem pesquisa

Coordenação, orientandos e colaboradores

Coordenação

Prof. Dr. Francisco Glaubos Nunes Clímaco

Professor adjunto, COCOM/UFMA, desde 2017

Orientandos ativos (UFMA)

  • Mestrado
    Carlos Eduardo Veras Gomes
  • Mestrado
    João Augusto de Carvalho
  • Mestrado
    Ronald da Silva
  • Mestrado
    Victor Martinez
  • IC
    Eduardo Henrique
  • IC
    João Lobato
  • IC
    Marcelo Heluy
  • TCC
    Ellen Serra

Colaboradores externos

  • UFRJ
    Profa. Dra. Laura Bahiense
  • UFRJ
    Prof. Dr. Glaydston M. Ribeiro
  • UFRJ
    Prof. Dr. Luidi Simonetti
  • CEPEL
    Dra. Ana Lucia Saboia
  • HEC
    Prof. Dr. G. Laporte, HEC Montréal

A rede de colaboração é o que permite atacar problemas que não cabem em um laboratório só: energia com o CEPEL, logística com a COPPE, saúde com o hospital universitário.

Produção

Produção científica

  1. Carregando a lista viva.

Fonte: Google Scholar · ORCID.

Pesquisa

Cinco linhas, um mesmo ofício

Cada linha muda o recorte do problema. O ofício é o mesmo: modelar, resolver, medir e devolver uma ferramenta que sirva de suporte para o tomador de decisão.

Linha 1

Otimização combinatória

Objetivo organizar escolhas entre muitas possibilidades e encontrar a melhor solução em problemas de rota, distribuição e localização.

Na prática
  • Rotas
    encontrar trajetos mais curtos e eficientes
  • Recursos
    definir o melhor uso de frota, tempo e capacidade
  • Combinações
    escolher arranjos com maior benefício e menor custo

Das muitas rotas entre dois pontos, uma delas é a mais curta. O resto desta linha é uma variação disso, com mais restrições: reduzir custo, cumprir prazo e melhorar o serviço.

Exemplo
a b c d e f 2 1 5 2 5 caminho mínimo a → f · custo 15
Linha 2

Otimização estocástica e robusta

Objetivo tomar decisão sob incerteza, equilibrando resultado esperado e segurança, em vez de fingir que o futuro cabe em um único número.

Na prática
  • Etapas
    planejar agora, com o direito de reagir depois, à luz de cenários
  • Risco
    olhar o retorno e a cauda ruim da distribuição, não só a média
  • Resiliência
    segurar variação de demanda, preço ou geração sem quebrar o plano

O CVaR olha a média da cauda ruim, não só o limite. Em contratos de energia, isso vira uma restrição de risco que o modelo respeita.

Exemplo
Comparação entre VaR e CVaR: densidade dos retornos, VaR em 95 por cento na cauda esquerda e CVaR como média dos 5 por cento piores.
Linha 3

Mineração de dados híbrida

Objetivo usar análise de dados junto com técnicas de otimização para estreitar o espaço de busca e melhorar a decisão.

Na prática
  • Padrões
    extrair regularidades que guiem o modelo, em vez de enumerar o óbvio
  • Foco
    concentrar a busca nas alternativas mais promissoras
  • Fluxo
    ligar dados, mineração e heurística num único encadeamento

Dados não substituem o modelo. Eles alimentam a heurística e cortam ramos ruins antes de o solver gastar tempo neles.

Exemplo
Branch-and-bound guiado por um padrão extraído da mineração de dados: o ramo x1 igual a 1 é explorado e os ramos ruins são podados.
Linha 4

Logística e transportes

Objetivo localizar facilidades, rotear veículos, definir frequência de ônibus, organizar operações portuárias e contar tráfego, equilibrando custo, serviço e equidade.

Na prática
  • Tático
    onde abrir, com que capacidade, para que demanda
  • Operacional
    quem vai aonde, em que ordem, com que janela de tempo
  • Contexto
    cidade, estrada e porto, com restrições que só aparecem no chão

Abrir um hub é uma decisão. Ligá-lo à demanda é roteamento. Os dois juntos são o tipo de modelo que o laboratório escreve para logística.

Exemplo
Problema de roteamento de veículos: depósito no centro e duas rotas que visitam seis clientes e voltam ao depósito.
Linha 5

Otimização em saúde

Objetivo apoiar a decisão na alocação de leitos, na distribuição de suprimentos e na organização de recursos hospitalares, inclusive nas filas do SUS.

Na prática
  • Prioridade
    atender com restrições reais de equipe, leito e tempo
  • Fila
    reduzir espera e ociosidade ao mesmo tempo
  • Dados
    integrar o modelo ao que o hospital já registra no cotidiano

O modelo não substitui o clínico. Ele organiza a restrição que o clínico já conhece: quem entra agora, com equipe, leito e tempo finitos.

Exemplo
Sistema de filas M/M/C: chegadas de pacientes, fila de espera e três leitos, dois ocupados e um ocioso, com saída por alta.
Em andamento e recentes

Três projetos que mostram o recorte

Energia, porto e transporte de longa distância. Em todos, o modelo precisa conviver com incerteza, operação real e uma restrição que não aparece no livro-texto.

Projeto 1

Mercado de energia elétrica

Objetivo ajudar comercializadores a decidir quanto e quando comprar ou vender energia, como numa carteira de investimentos: equilibrar retorno e risco ao longo do tempo.

O problema
  • Mercado
    contratos livres no sistema brasileiro, com geração e preços que variam
  • Incerteza
    dois mil cenários para avaliar contextos distintos de compra e venda
  • Saída
    uma estratégia prática de contratação, não um número isolado
O que o modelo apoia
  • Agora
    vender já ou esperar um preço melhor
  • Depois
    comprar para proteção futura
  • Risco
    balancear ganho esperado e segurança da cauda
Parceiros CEPEL (Centro de Pesquisas de Energia Elétrica), Dra. Laura Bahiense e Profa. Dra. Ana Lucia Saboia.
Projeto 2

Porto do Itaqui

Objetivo organizar o fluxo de caminhões no carregamento e no descarregamento de navios graneleiros, reduzindo fila, ociosidade e custo operacional.

Contribuições
  • Modelo
    priorização matemática de veículos no pátio
  • Simulação
    fluxo de caminhões em tempo real, com dados do porto
  • Caso
    estudo com operação real do Porto do Itaqui, no Maranhão
Resultados
  • Prêmio
    Best Paper Award, ICEIS 2025
  • Artigos
    três em conferência (ICEIS 2025 e CIDESPORT) e dois em periódico
  • Formação
    dois TCCs defendidos em 2025
  • Fomento
    FAPEMA
Parceiros Porto do Itaqui, FAPEMA e UFMA/COCOM.
Projeto 3 · em andamento

Localização de carregadores com roteamento e jornada dos motoristas

Objetivo localizar carregadores para caminhões elétricos de longa distância respeitando a jornada de trabalho dos motoristas, de modo que recarga, descanso e atraso deixem de ser três problemas separados.

Contexto
  • Bateria
    maior necessidade de recarga em trechos longos
  • Jornada
    motoristas vários dias na estrada, com legislação própria (JTM)
  • Atraso
    compatibilizar parada obrigatória, ponto de carga e prazo de entrega
Abordagem
  • Modelo
    localização de carregadores com roteamento, no mesmo programa
  • Restrição
    jornada de trabalho dos motoristas escrita como restrição, não como nota de rodapé
  • Desafio
    equilíbrio entre autonomia elétrica e limite legal de direção
Sigla PLCR-JTM: Problema de Localização de Carregadores com Roteamento e Jornada de Trabalho dos Motoristas.
Indústria, governo e fomento

Com quem o laboratório trabalha

As parcerias definem o recorte dos problemas. Sem dado de operação, o modelo fica no exemplo. Com dado de operação, ele vira decisão.

Entrar no laboratório

Como a formação começa

Há uma trilha de quatro semanas, em linguagem Python, feita para a iniciação científica do grupo. Nessa trilha, o aluno aprende a modelar e resolver problemas de Pesquisa Operacional.

Iniciação científica (IC)

Depois da trilha, escolhe-se um artigo com o orientador. Esse artigo define o recorte da IC: problema, modelo, método e o que ficou em aberto.

TCC e mestrado

Os trabalhos de conclusão e as dissertações nascem dos projetos do laboratório, com dado real sempre que a parceria permitir.

Escrita

Preferencialmente em LaTeX, com tabelas que se defendem sozinhas e submissão a eventos da área, em especial o SBPO. Escrever faz parte de pesquisar, não é o passo final.

Contato

francisco.glaubos@ufma.br. Coordenação de Ciência da Computação, São Luís, MA.