📦 Algoritmo Genético para Localização de Centros de Distribuição

Bem-vindo ao projeto Algoritmo Genético para Localização de Centros de Distribuição! Este repositório contém um notebook em Python que implementa um algoritmo genético para resolver o problema de localização de centros de distribuição ou fábricas (Facility Location Problem). O objetivo é selecionar o melhor centro de distribuição para minimizar os custos totais de transporte, atendendo à demanda de todos os clientes. Vamos explorar o que este notebook faz e como utilizá-lo. 🚀

📚 Índice

• Visão Geral
• Descrição do Problema
• Estrutura dos Dados de Entrada
• Como Funciona o Algoritmo Genético
• Dependências
• Uso
• Saída

📋 Visão Geral

Este notebook utiliza um algoritmo genético para resolver o problema de localização de centros de distribuição, visando minimizar os custos totais de transporte, respeitando as capacidades dos centros e atendendo às demandas dos clientes.

🧬 Como Funciona o Algoritmo Genético

O algoritmo genético é uma técnica de otimização inspirada no processo de seleção natural. A seguir estão os passos gerais de como ele resolve o problema de localização de centros de distribuição:

1. Representação da Solução (Cromossomos): Cada solução possível é representada como um cromossomo, geralmente uma lista binária indicando se um centro de distribuição está ativo (1) ou não (0).

2. Inicialização da População: Uma população inicial de soluções é gerada aleatoriamente.

3. Avaliação de Fitness: Cada solução é avaliada com base em uma função de fitness, que neste caso é o custo total de transporte.

4. Seleção: Soluções são selecionadas para reprodução com base em sua fitness. Soluções melhores têm uma maior probabilidade de serem selecionadas.

5. Crossover (Recombinação): Combina duas soluções selecionadas para criar novas soluções (filhos), trocando partes dos cromossomos dos pais.

6. Mutação: Pequenas alterações aleatórias são feitas nas novas soluções para manter a diversidade genética.

7. Substituição: As novas soluções substituem algumas das soluções antigas na população, criando uma nova geração.

8. Critério de Parada: O processo continua até que um critério de parada seja atingido, como um número máximo de gerações ou uma melhoria mínima na fitness.

Este método é eficaz para explorar um grande espaço de soluções e encontrar uma solução próxima do ótimo global, evitando que o algoritmo fique preso em ótimos locais.

🔍 Descrição do Problema

O notebook visa:

1. Minimizar o Custo Total: Selecionar os centros de distribuição que minimizem o custo total de transporte.
2. Atender a Demanda: Garantir que a demanda de todos os clientes seja atendida.
3. Respeitar as Capacidades: Assegurar que as capacidades dos centros de distribuição não sejam excedidas.

🏭 Detalhes do Problema

Dados fictícios de exemplo:

• Clientes: Lista de clientes com suas respectivas demandas e coordenadas geográficas.
• Centros de Distribuição: Lista de centros com suas capacidades e coordenadas.
• Custos Unitários de Transporte: Matriz de custos unitários de transporte entre centros e clientes.

O notebook define o seguinte:

• Variáveis de Decisão: Seleção de centros de distribuição ativos.
• Função Objetivo: Minimizar o custo total de transporte.
• Restrições: Garantir atendimento da demanda e não exceder as capacidades dos centros.

🗂 Estrutura dos Dados de Entrada

1. Clientes: Arquivo Excel com colunas Nome, Demanda, Latitude, Longitude.
2. Centros de Distribuição: Arquivo Excel com colunas Nome, Capacidade, Latitude, Longitude.
3. Custos Unitários de Transporte: Arquivo Excel com uma matriz de custos onde linhas representam centros e colunas representam clientes.

🛠 Dependências

Certifique-se de ter as seguintes dependências instaladas:

• Python 3.x
• Pandas
• NumPy
• Geopy

Instale-as usando pip:

pip install requirements.txt

🚀 Uso

1. Clone este repositório e execute o notebook:

   git clone <https://github.com/vtatekawa/facility-location-problem-GA>
   cd <facility-location-problem-GA>
   jupyter notebook FacilityLocationGeneticAlgorithm.ipynb

2. Carregue seus dados de clientes e centros nos formatos adequados (exemplos estão na pasta input).

3. Execute todas as células do notebook para encontrar a melhor solução.

📈 Saída

Após executar o notebook, você obterá:

• Centro de Distribuição Selecionado: Nome do centro selecionado.
• Melhor Solução: Configuração dos centros de distribuição ativos.
• Custo Total: Custo total de transporte otimizado.

Exemplo de Saída

Centro de Distribuição Selecionado: Centro_X
Melhor solução: [0, 1, 0, 0]
Custo total: 123456.78

---

Feito com 🧠 por Vitor Tatekawa