Changement de phase

Em seu trabalho A Multi-Agent Simulation of Collaborative Air Traffic Flow Management, Shawn R. Wolfe e outros, em 2008, apresentam os resultados experi- mentais de um projeto de simulação de Gerenciamento de Fluxo de Tráfego Aéreo Colaborativo (Collaborative Traffic Flow Management - CATFM).

O trabalho apresentado utiliza algumas abordagens estratégicas simples de se- leção de rota e gerenciamento de fluxo de tráfego. Seu objetivo principal foi avaliar vantagens e desvantagens de simulações CATFM com uma abordagem mais sim- ples, no espaço aéreo americano.

Enquanto o ATFM geralmente possui um controle mais centralizado, compa- rado a outras formas de gerenciamento de tráfego, a abordagem CATFM aumenta a troca de informações e distribui alguns elementos tomadores de decisão.

A utilização do CATFM justifica-se pelos resultados presumidos de diminuição da carga de trabalho para os centros de controle, aumento da satisfação das com- panhias aéreas, e um gerenciamento de fluxo de tráfego aéreo mais eficiente.

Alguns desafios enfrentados são normais no contexto multiagentes, como o pla- nejamento de um sistema de regras robusto e eficiente, onde as ações dos partici- pantes trabalham de forma a maximizar o objetivo global desejado.

Em seu trabalho, (Wolfe et al., 2008) trabalha com dois tipos de participantes: • uma entidade de controle de tráfego, que procura maximizar algumas propri-

edades globais (como a performance do sistema, dada pela fluência segura de aeronaves), e;

• os operadores participantes, que procuram maximizar seus próprios objetivos (como uma aeronave que procura chegar o mais rápido possível ao seu destino, sem se importar com as demais aeronaves).

O sistema foi construído sobre a plataforma de simulação baseada em agentes, conhecida como Brahms.

Brahms é uma ferramenta utilizada para modelar e simular a forma como agen- tes trabalham e colaboram, descrevendo práticas e processos de trabalho atuais e futuros em organizações baseadas em seres humanos ou não.

A modelagem da simulação CATFM possui dois tipos principais de agentes: 1. Agente TMU (Traffic Management Unit - Unidade de Gerenciamento de Trá-

fego): este agente trabalha como um monitor do espaço aéreo, detectando des- balanceamento entre capacidade e demanda e distribuindo estas informações aos AOCs. Em uma variação simplificada da simulação, um agente TMU deve aceitar ou rejeitar requisições de rotas de vôo efetuadas pelo agente AOC. Em outras variações de simulação, o agente TMU tomará estratégias ótimas ou sub-ótimas.

2. Agente AOC (Airline Operations Center - Centro de Operações da Companhia Aérea): os agentes AOC são as interfaces entre as companhias aéreas e as unidades de controle de tráfego, comunicando informações de vôos, alocações, e o valor de vôo de cada aeronave. Também recebem qualquer informação transmitida de um agente TMU. Na variação mais simples da simulação, os agentes AOC selecionam rotas para seus vôos, re-planejando quando estas solicitações de rotas são rejeitadas pela TMU. Em outras variações, os agentes AOC não tem função direta na seleção da rota.

Na figura 3.4 podemos ver a arquitetura do trabalho (Wolfe et al., 2008).

Figura 3.4: Arquitetura dos agentes TMU e AOC (Wolfe et al., 2008)

Como função de avaliação para calcular as ações dos agentes, um valor métrico de vôo foi definido, indicando, para cada vôo F , as seguintes quantificações:

• pc= passageiros em vôos com conexão

• cc= membros da tripulação a bordo em vôos com conexão

• ta= o tempo de vôo atual de F , em minutos

• to= o tempo ótimo de vôo de F (na simulação Blue Sky), em minutos

Cada vôo é associado a um valor de vôo, que é uma medida heurística de um vôo para uma companhia aérea. Nós definimos vF, o valor de vôo de F , como:

vF = pu + 3pc + 5cc (3.4)

Quando F é associado a uma rota, nós calculamos dF, o atraso (delay) para o vôo

F , da seguinte forma:

dF = ta − to (3.5)

Neste modelo, a demanda de tráfego naturalmente aumenta e diminui no decor- rer do dia, então foi assumido que o nível de demanda diminui significativamente depois que a simulação termina. Existem outros fatores causadores de atrasos na prática, mas não foram estudados neste modelo.

Finalmente, buscou-se medir o atraso total de passageiros imputados por um vôo F , quer através de um atraso imediato ou por meio de atraso de conexões per- didas.

Foi assumido que quando um passageiro em um vôo com conexão está atrasado, na média, aquele passageiro terá uma penalidade de atraso em mais duas horas.

Quando membros da tripulação a bordo em vôos com conexão são atrasados, seu atraso pessoal não é contado (uma vez que eles não são considerados passageiros nesta simulação), mas eles podem atrasar a partida dos vôos de sua conexão, que por sua vez impacta muitos passageiros. Portanto, foi assumido que na média, qualquer atraso em um vôo de um membro de tripulação com conexão resulta em um total de cinco horas de atraso aos passageiros.

Combinando essas considerações com as fórmulas 3.4 e 3.5, calculamos o atraso total em passageiros causados por um vôo F , dT, em minutos, como :

dT = (pu ∗ dF) + (pc ∗ dF) + 120pc + 300cc (3.6)

Os autores indicam quem quando dT é igual ao resultado acima, então dF > 0. E

se dT = 0, então dF = 0.

De forma a simplificar o ambiente CATFM, os autores redefiniram capacidade para ser a propriedade de uma rota, e não de um setor, assumindo que as rotas são independentes.

Através da simulação, capacidade de rota, alocação de vôos e estratégias de agentes não são alteradas. Entretanto, a demanda pela rota é dinâmica em simu- lações onde agentes escolhem rotas.

Para a análise de resultados sobre a execução do conceito CATFM sobre um modelo tão simplificado, algumas abordagens foram definidas:

• Blue Sky: todas as capacidades são infinitas, de forma que cada vôo toma uma rota direta. Com esta abordagem, os autores determinaram um limite máximo no desempenho da simulação.

• Current Operations: o agente centro de controle (TMU) escolhe a rota, alo- cando aeronaves na melhor rota possível (com baixa ocupação) de forma alea- tória, sem verificar o valor de vôo.

• Global Optimum: o agente centro de controle (TMU) escolhe a rota, como na abordagem Current Operations, mas ordena os vôos conforme seus valores de vôo (do maior para o menor). Este algoritmo guloso (greedy algorithm) produz o melhor desempenho global para o sistema, de acordo com as métricas no trabalho. Entretanto, isso pode dar preferência em determinadas rotas, para uma companhia aérea, em relação a outras, devido as diferenças na distribui- ção do valor de vôo.

• Airline Planning: O agente companhia aérea (AOC) escolhe a rota, onde cada agente inicialmente solicita a melhor rota para cada vôo, independente da estratégia usada. Depois que o agente TMU distribui o status de todas as rotas, o agente AOC pode escolher uma nova rota para cada vôo. Para esta abordagem, foram definidas três estratégias:

1. Agressiva: um agente AOC configurado com uma estratégia agressiva sempre vai requisitar a melhor rota para cada vôo, a cada iteração da simulação;

2. Moderada: nesta estratégia, o agente AOC vai solicitar a melhor rota para alguns de seus vôos de acordo com a situação de ocupação, repetindo uma requisição prévia para os demais vôos;

3. Conservadora: o agente AOC que utiliza esta estratégia vai requerer a pior rota para alguns de seus vôos, de acordo com a situação de ocupação, repetindo uma requisição prévia para os demais vôos. A justificativa dessa estratégia é que a pior rota (mais longa, por exemplo) é a que possui a menor chance de congestionar, possuindo uma maior probabilidade de disponibilidade.

Através da análise dos resultados das diversas abordagens das simulações, os autores constataram a estratégia moderada possui o melhor desempenho global.

Entretanto, o desafio verificado é projetar um sistema que recompensa compor- tamentos que levam a um desempenho global desejado. Em termos de teoria dos jogos, isso significa re-modelar o próprio jogo, ao invés das estratégias dos jogadores (Wolfe et al., 2008).

Baseados em seus experimentos, os autores concluem que a abordagem equi- librada é a mais promissora, uma vez que ela produziu resultados semelhantes à abordagem ótima (quando aeronaves possuem vôos semelhantes), mas sem contar com uma função de avaliação de vôo global.