Universidade Estadual de Campinas – Unicamp

Departamento de Computação e Automação Industrial – DCA

Disciplina: Introdução à Teoria de Agentes – IA009

Professor: Ricardo Gudwin

Aluno: Leandro Camara Ledel

RA: 950974

 

Relatório do Exercício Computacional 5 – EC5

 

Simulação de um Estabelecimento de Venda de Pães (Padaria) utilizando a Ferramenta SNTool

 

1. Introdução

 

A idéia de simular um estabelecimento comercial surgiu após a análise de casos reais onde houvessem fluxos a serem medidos e/ou analisados. Em um estabelecimento comercial, pode-se analisar diversos tipos de fluxos, como de mercadorias, moeda, ou até mesmo de clientes e funcionários. Tomou-se então como Caso de Estudo a simulação de uma Padaria, e analisou-se o fluxo de pessoas (clientes) que optam por cada uma das mercadorias disponíveis, e também a forma de pagamento pela qual tais clientes optam.

 

2. Desenvolvimento

 

Inicialmente, estudou-se a Ferramenta SNTool, verificando suas características e possibilidades de uso. A seguir, montou-se o cenário de simulação desejado.

 

A configuração da Padaria desenvolvida conta com onze locais distintos, sendo sete locais ativos (nos quais realiza-se alguma função) e quatro locais passivos. Os locais ativos são: balcão, fornecedor de pão, fornecedor de leite, fornecedor de doces, e fornecedor de frios. Os locais passivos são: fila de entrada, pedido de compras, sacola de compras e a saída da Padaria.

 

A variável analisada foi o número de pessoas, e os casos de análise foram: número de pessoas que compram cada um dos produtos oferecidos, e também a forma de pagamento que os clientes optam para cada compra.

 

            O cenário inicial está descrito na figura 1. Adicionou-se contadores às classes ativas dos fornecedores de pão, leite, doces e frios, e também às classes de Pagamento a Cartão e à Vista, a fim de obter-se estatísticas da operação do estabelecimento.

 

3. Casos Considerados

 

Caso 1

Número total de pessoas:          40

Porcentagem de pessoas que compram pão:      25%

Porcentagem de pessoas que compram leite:     25%

Porcentagem de pessoas que compram doces:   25%

Porcentagem de pessoas que compram frios:     25%

Porcentagem de pessoas que pagam à Vista:     50%

Porcentagem de pessoas que pagam à Prazo:    50%

 

Figura 1: Estado Inicial da Simulação do Caso 1

 

Figura 2: Estado Intermediário da Simulação do Caso 1

 

Figura 4: Estado Final da Simulação do Caso 1

 

Resultados do Caso 1:

 

Número total de pessoas:          40

Número de pessoas que compraram pão:           8          (20,0%)

Número de pessoas que compraram leite:          15        (37,5%)

Número de pessoas que compraram doces:       7          (17,5%)

Número de pessoas que compraram frios:         10        (25,0%)

Número de pessoas que pagaram à Vista:         23        (57,5%)

Número de pessoas que pagaram à Prazo:         17        (42,5%)

 

Caso 2

Número total de pessoas:          100

Porcentagem de pessoas que compram pão:      30%

Porcentagem de pessoas que compram leite:     30%

Porcentagem de pessoas que compram doces:   20%

Porcentagem de pessoas que compram frios:     20%

Porcentagem de pessoas que pagam à Vista:     60%

Porcentagem de pessoas que pagam à Prazo:    40%

 

Resultados do Caso 2:

 

Número total de pessoas:          100

Número de pessoas que compraram pão:           22        (22%)

Número de pessoas que compraram leite:          35        (35%)

Número de pessoas que compraram doces:       24        (24%)

Número de pessoas que compraram frios:         19        (19%)

Número de pessoas que pagaram à Vista:         60        (60%)

Número de pessoas que pagaram à Prazo:         40        (40%)

 

4. Conclusões

 

Observou-se que as simulações realizadas atendem às expectativas, uma vez que as porcentagens de clientes em cada caso aproximam-se bastante das porcentagens inicialmente atribuídas a cada classe ativa da simulação. No caso 1, o número de pessoas considerado foi de 40, enquanto que no caso 2 o número de pessoas foi de 100. Para um número maior de pessoas, como no caso 2, as porcentagens finais obtidas aproximam-se mais das porcentagens inicialmente atribuídas a cada classe do que no caso 1. Isto significa que a simulação é mais precisa com um número maior de elementos (no caso pessoas) de amostragem.

 

O exemplo da padaria é bastante simples, mas pode-se imaginar outros possíveis testes, como atribuição de valores a cada produto, decisões de compra por parte dos clientes, além de acrescentar novos lugares como fornecedores de salgados e refrigerantes.