rota-inteligente--sabor-express
📌 Rota Inteligente: Otimização de Entregas (Sabor Express)
🛑1. Descrição do problema e objetivos
** Problema:** A Sabor Express faz entregas com rotas montadas manualmente. Em horários de picos causa atrasos, mais gasto de combustível e clientes insatisfeitos.
** Desafio:** Criar uma solução que sugira rotas melhores automaticamente e agrupe entregas próximas para reduzir tempo e custo das entregas.
** Objetivos:** (1) representar a cidade como um grafo; (2) calcular rotas curtas entre pontos; (3) agrupar entregas próximas em zonas; (4) documentar e apresentar os resultados
🎯 2. Abordagem adotada
- ** Modelagem:** transformei a cidade num grafo - cada local é um ponto do mapa (com coordenadas) e cada rua é uma aresta com peso( distância).
- ** Roteamento:** para achar o menor caminho entre dois pontos usei A*, e serve também para varias coisas, como mostra acidentes no caminho, pedágios.. um exemplo é o GPS do Google Maps.
- ** Agrupamento:** quando há muitos pedidos, uso K-Means para agrupar entregas próximas em zonas, assim um entregador cuida de um grupo por vez
- ** Visualização:** gerei um gráfico do grafo mostrando os nós, arestas, entregas e uma rota de exemplo para facilitar a apresentação.
## ⚙️3. Algoritmos usados
- A* - busca informada para obter rotas curtas rápido.
- ** BFS/ DFS** - usados para testar conectividade e percorrer o grafo
- ** K- Means** - agrupa entregas próximas para formar zonas eficientes, isso faz até com que economize combustível ja que vai ser mais em grupos de zonas.
🗺️ 4. Diagrama do grafo/ modelo
Inclui a imagem:
Ela mostra:
- pontos azuis= nós do mapa( locais);
- linhas cinza= arestas(ruas);
- pontos vermelhos = entregas;
- linhas em destaque = rota calculada(A*) Link que caso não queira a imagem, até para mexer com mouse para apliar o mapa. https://mariaeduarda1274.github.io/rota-inteligente–sabor-express/
📊 5. Análise dos resultados
Testes feitos com dados inexistentes(exemplo):
-
Nós: 3 Entregas: 3 - Rota sequencial exemplo: ~ 100.000 unidades de distância.
- K Means formou 3 agrupamentos, facilitando a divisão por entregador
6. Eficiência da solução
- A* costuma ser um pouco mais complexo visualmente, mas na prática é muito mais rápido
- K-Means depende do número de entregas para estipular seu custo
- Para um pequeno negócio( mapa pequeno e poucas entregas) o tempo de execução é baixo
7. Limitações
- Dados usados foram sintéticos
- Não foram consideradas janelas de horário, capacidade dos entregadores ou ruas com sentido único.
- Visualização estática, e um pouco com o web
🔨8. Sugestões de melhoria
- Integrar dados reais e tráfego em tempo real
- Implementar interface de web mais detalhada
- Teqstar em dados reais da Sabor Express e ajustar parâmetros segundo números de entregadores.
💡9. Conclusão:
- A solução mostrou que, mesmo com técnicas clássicas, é possivel automatizar e melhorar rotas de entrega, reduzindo deslocamento e organizando melhor as tarefas dos entregadores. Com dados reais e melhorias listadas, a ferramenta pode se tornar prática para uso diário, e com isso tendo muitas melhorias, economizando combustível, otimizando tempo..