Simulação multiagentes aplicada ao planejamento da produção florestal sustentável

Abstract

O presente trabalho objetivou avaliar a aplicação do paradigma da Inteligência Artificial Distribuída em problemas de manejo florestal. Para isso, foram desenvolvidos dois Sistemas Multiagentes: um para o planejamento de longo prazo de um empreendimento florestal (i) e outro para seqüenciamento da colheita no intervalo de um ano (ii). Para o SMA i, foram modelados três tipos de agentes: agente de colheita, agente de inventário e agente de controladoria. O ambiente considerado foi uma empresa florestal com 120 talhões em área igual a 4.269,29 ha. Os agentes atuaram de maneira sincronizada no ambiente buscando atingir o objetivo global do sistema que foi determinar a sequência de colheita anual que retornasse maior valor presente líquido. Foram consideradas restrições de integridade dos talhões, demandas mínima e máxima, áreas mínima e máxima manejadas anualmente e colheita com prioridade para florestas mais velhas. O SMA foi capaz de gerar cenários viáveis e avaliar qual destes era a melhor solução. O SMA ii considerou a modelagem de três tipos de agentes: agente de cadastro, agente de colheita e agente de controle. O foco do SMA ii foi gerar planos que indicassem os talhões a serem colhidos em cada mês no horizonte de planejamento de um ano. Foram consideradas as restrições de variação na produção mensal menor que 10% e variação na densidade média da madeira entregue na unidade de processamento inferior a 5%. Para este SMA avaliou-se o comportamento do mesmo em duas situações. Na primeira situação o agente de colheita possuía um direcionamento para seqüenciamento de fazendas a serem manejadas e na segunda situação esse conhecimento foi-lhe retirado. O SMA ii foi capaz de gerar cenários de corte que atendessem às restrições estabelecidas. O aumento do grau de conhecimento do agente de colheita em relação à sequência de fazendas para deslocamento da frente de colheita melhorou o desempenho do sistema. Concluiu-se que Sistemas Multiagentes podem ser utilizados como ferramenta para o ordenamento da produção florestal de longo e curto prazos.

This study aimed to evaluate the application of the paradigm of Distributed Artificial Intelligence in forest management problems. For this, we developed two Multi-Agent Systems: one for the long-term planning of a forest schedule (i) and other for the harvester planning in one year (ii). For the MAS (i) were modeled three types of agents: harvest agent, inventory agent and control agent. The environment was a forest company with 120 stands in area equal to 4.269,29 ha. The agents acted in synchrony in the environment trying to achieve the overall goal of the system, that was to determine the sequence of annual harvest to return higher net present value. We considered constraints about integrity of stands, minimum and maximum wood’s demands, minimum and maximum areas managed and harvested annually with priority given to older forests. The MAS was able to generate feasible scenarios and evaluate which of these was the best solution. The MAS (ii) considered the modeling of three kinds of agents: registration agent, harvest agent and control agent. The focus of MAS (ii) was to generate plans that indicate the stands to be harvested in each month in the planning horizon of one year. Were consider the restrictions of variation in monthly production that were less than 10% and variation in the average density of the wood delivered to the processing unit less than 5%. For this MAS was assessed the behavior of the same in both situations. In the first case the agent had a collection drive for sequencing of farms to be managed and in the second situation this knowledge was stripped. The MAS was able to generate cutting scenarios that met the restrictions. Increasing the degree of knowledge of the agent in relation to farms sequence for moving the harvest module increased the system performance. It was concluded that Multiagent Systems can be used as a tool to plan the production of forest in long and medium term.