[en] ALLOCATION OF SKILLED WORKFORCE ON INSPECTION MISSIONS OF A REGULATORY AGENCY

• Ano de defesa: 2022
• Autor(a) principal: FLAVIO ARAUJO LIM-APO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] JULIA; [pt] SAFETY OVERSIGHT; [pt] ALOCACAO DE COLABORADORES QUALIFICADOS; [pt] MILP; [en] JULIA; [en] SAFETY OVERSIGHT; [en] SKILLED WORKFORCE SCHEDULING; [en] MILP
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=57358&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=57358&idi=2; http://doi.org/10.17771/PUCRio.acad.57358

[pt] As atividades de transporte aéreo devem ser fiscalizadas para garantir a adequação dos níveis de segurança e procedimentos operacionais, no Brasil essa atividade é realizada pela Agência Nacional de Aviação Civil (ANAC). Diversos aeroportos devem ser fiscalizados e em cada um deles uma inspeção diferente pode ser necessária. Os inspetores estão alocados em centros da ANAC em diferentes estados e é importante que o custo dessa atividade de inspeção seja minimizado, respeitando as regras existentes. Nesse sentido, essa dissertação de mestrado propõe dois modelos matemáticos para alocação de agentes qualificados para a realização de missões de fiscalização no território brasileiro. O objetivo é a definição de quais colaboradores formarão cada equipe de fiscalização, minimizando o custo de deslocamento dos agentes. O modelo proposto nesse trabalho é multi-período, para o planejamento operacional quinzenal, com a definição do período que as atividades devem ocorrer, da equipe de inspetores multi-habilitados em atividades de inspeção, multi-origens e multi-destinos. A modelagem é feita no LINGO e em Julia com a utilização do pacote JuMP e dos solvers Gurobi e CPLEX. O Modelo 1 propõe uma reformulação de artigos da literatura e possui tempo de solução entre 2 e 25 vezes menor. O Modelo 2 leva em consideração aspectos não considerados até então no Modelo 1, além disso, dada a quantidade de variáveis de decisão, foi utilizada para resolução do modelo heurística baseada na geração de colunas com programação dinâmica, proposta pelo autor, capaz de reduzir em até 95 porcento a quantidade de variáveis de decisão. A heurística permitiu a obtenção de solução inteira em instâncias que não a obtiveram com o modelo completo.