Apostila

Pesquisa
Operacional

Professor Jos Arnaldo Barra Montevechi
montevechi@unifei.edu.br

Universidade Federal de Itajub
Instituto de Engenharia de Produo e Gesto

2007
Curso de Pesquisa Operacional 2
1. PESQUISA OPERACIONAL: HISTRIA E
CONCEITOS

1.1 Introduo
O objetivo do curso apresentar alguns MTODOS MATEMTICOS essenciais Pesquisa
Operacional (PO). Este captulo pretende dar a origem e as idias fundamentais da PO.
Infelizmente, um curso introdutrio de PO no pode responder completamente as perguntas:
a) O que deve (o aluno) aprender sobre PO se pretende ser um economista (dirigente,
gerente, administrador) mais que um especialista?
b) O que deve (o aluno) aprender sobre PO tendo em vista que deseja aplic-la a
problemas reais?

No contexto destas duas perguntas o objetivo principal do curso :
1) Introduzir as idias mais importantes em PO, as quais so fundamentais e
permanentes.
2) Dar o curso em nvel que o aluno possa entender e apreciar a fora e as limitaes
inerentes a PO.
3) Preparar e motivar futuros especialistas em PO.
4) Apresentar e aplicar alguns mtodos de PO (METODOLOGIA).

1.2 Notas Histricas
Desde o advento da primeira revoluo industrial o mundo tem apresentado um notvel
desenvolvimento e crescimento em tamanho e complexidade de suas organizaes.
Os caminhos da PO podem ser traados a muitas dcadas atrs, quando foi aplicada a
administrao cientifica s organizaes.
Como a tendncia natural aumentar a complexidade e a especializao das organizaes,
torna-se mais e mais difcil alocar seus recursos disponveis pelas suas vrias atividades de
maneira a obter a melhor eficincia para a organizao.
Entretanto, o termo PO geralmente atribudo aos servios militares durante a Segunda
Grande Guerra Mundial (1939). Os dirigentes militares chamaram equipes de cientistas para
estudar problemas estratgicos e tticos associados com a defesa area e terrestre do pas. Seu
objetivo era determinar a melhor utilizao efetiva dos recursos militares limitados.
l.3 Conceitos
Conceito 1: PO a aplicao do mtodo cientfico, por equipes interdisciplinares, a
problemas que dizem respeito ao controle de sistemas organizados (homem-mquina) com a
finalidade de obter as solues que melhor satisfazem aos objetivos da organizao, como
UM TODO.

Conceito 2: A PO se esfora ao mximo para compensar a incerteza, mas no a pode
eliminar. (Pois importante assinalar que como esto implicados fatores humanos e
mquinas, fornecida uma estimativa da incerteza no resultado previsto e nos valores, nas
eficincias e nos custos da ao proposta).

Conceito 3: A PO firmou-se como uma atividade que pode colocar a servio da gerncia - e
realmente o faz - novas atitudes, novos conceitos e novas tcnicas; ajudando-a a resolver
problemas complexos e tomar decises importantes.

ESTRATGIA - significa o dispositivo bsico de recursos disponveis ao dirigente.
TTICA - exprime a maneira de utilizar os recursos confiados a uma atividade determinada.
TECNOLOGIA - o termo que se aplica s coisas fsicas envolvidas na transformao de
"INPUTS" em "OUTPUTS" da atividade.
ORGANIZAO - quer dizer virtualmente qualquer complexo identificvel de homens e
mquinas trabalhando no sentido de um objetivo determinado, quer o complexo seja militar
ou civil, industrial ou comercial, governamental ou privado.

Conceito 4: PO a aplicao de anlises quantitativas dos problemas gerenciais. O objetivo
da anlise encontrar as melhores solues dos problemas, isto , escolher as boas decises.

Conceito 5: Pesquisa Operacional a preparao cientfica das decises, visando a
modificao do binmio "Experincia - Intuio" pela "Informao - Racionalidade".

Conceito 6: A PO o conjunto de mtodos que depois de haver analisado, recorrendo as
diversas disciplinas cientificas envolvidas, as relaes que unem os fatores de ordem tcnica
ou psicolgica que concorrem na formao de um fenmeno econmico ou humano se
propem, com a finalidade de preparar as decises que se devem tomar, determinar
racionalmente as solues mais eficientes (eficazes) ou as mais econmicas, recorrendo a
procedimentos estatsticos e/ou matemticos cuja aplicao exige na maioria das vezes o
emprego de computadores.
Em resumo, podemos concluir da PO:
1) Pesquisa sobre operaes;
2) Aplicao de mtodo cientifico por equipes interdisciplinares;
3) Apresenta novas atitudes, novos conceitos e novas tcnicas;
4) Aplicao de analises quantitativas aos problemas gerenciais;
5) Resolver problemas complexos;
6) Tomar decises importantes (ou escolher as boas decises);
7) Problemas que dizem respeito ao controle de sistemas organizados;
8) Compensar a incerteza.

2. MTODO DA PESQUISA OPERACIONAL

2.1 Introduo
Um estudo de PO consiste em construir um modelo da situao fsica. Um modelo de PO
definido como uma representao idealizada de um sistema organizacional. Este sistema pode
j ser existente ou pode ainda ser uma idia a espera de execuo.
No primeiro caso, o objetivo do modelo analisar as operaes do sistema para verificar sua
performance. No segundo, o objetivo e identificar a melhor estrutura do futuro sistema.
A complexidade de um sistema real resulta do grande nmero de variveis que comandam as
operaes do sistema, embora um sistema real possa envolver um nmero substancial de
variveis, geralmente uma pequena frao destas variveis domina as operaes do sistema.
Ento, a simplificao do sistema real em termos de um modelo condensado, identificando
apenas as variveis dominantes e as relaes entre elas, o empregado.

Exemplo 1: A fabricao de um produto experimenta certo nmero de operaes desde o
tempo de sua concepo pelo projetista, at chegar s mos do consumidor. Aps a aprovao
do projeto, a ordem de produo transmitida ao Departamento de Produo (DP), a qual
requisita o material necessrio do Departamento de Material (DM).

O Departamento de Material satisfaz a requisio do seu estoque ou entra em ligao com o
Departamento de Compras para comprar o material necessrio para atender requisio do
DP. Aps a fabricao do produto, o Departamento de Vendas, em conjuno com o
Departamento de Marketing, assume a responsabilidade para distribu-lo para os
consumidores.
Suponha que o objetivo determinar o nvel de PRODUO DA INDSTRIA. Observando
o sistema v-se que um grande nmero de variveis influi diretamente no nvel de produo.
Segue alguns exemplos destas variveis:
a) DEPARTAMENTO DE PRODUO: Avaliar mquinas - horas, homens - hora,
especificar a seqncia de operaes nas mquinas, nmeros de itens defeituosos,
razo de inspeo, etc.
b) DEPARTAMENTO DE MATERIAL: Avaliar o estoque de material, taxa mdia de
sada e entrada de material, limitaes de armazenagem.
c) DEPARTAMENTO DE MARKETING: Calcular as vendas, intensificar as
campanhas promocionais, capacidade de distribuio de produtos, efeito dos produtos
competitivos.

Cada uma das variveis acima afeta (direta ou indiretamente) o nvel da produo. uma
tarefa ingrata tentar estabelecer relaes explicitas entre estas variveis e o nvel de produo.
Definindo o sistema em funo de suas variveis dominantes, ele pode ser representado por
duas variveis:
1
a
- Uma, representando a taxa de produo do item;
2
a
- Uma, representando sua razo de consumo.

Para se determinar a taxa de produo, variveis tais como avaliao mquina - hora, homem-
hora, sequenciamento e avaliao do material devem ser consideradas no clculo da taxa de
produo.
A razo de consumo determinada em termos das variveis associadas com o Departamento
de Marketing.
fcil agora pensar em termos do sistema real adotado. Para a taxa de produo e consumo,
podem-se estabelecer medidas para o excesso ou falta em estoque para um dado nvel de
produo.
Um modelo abstrato do sistema pode ento ser construdo para balancear os custos do excesso
ou falta de estoque. Por exemplo, pode-se estar interessado em determinar o nvel de
produo para um mximo de itens em estoque abaixo de certo limite.
Em geral, no h regras fixas para determinar o nvel de abstrao citado. A validade do
modelo representando o sistema depende principalmente da criatividade, insight, e
imaginao dos analistas de PO e a equipe de trabalho no projeto.
Embora no seja possvel fixar regras acerca de como um modelo construdo, pode-se
socorrer das presentes idias sob os possveis tipos de modelos de PO, suas estruturas e
caractersticas gerais.
Em um estudo de PO ocorrem normalmente as seguintes fases:
1. Formulao (ou definio) do problema;
2. Construo do modelo matemtico;
3. Obteno de uma soluo a partir do modelo;
4. Teste do modelo e avaliao da soluo obtida;
5. Estabelecimento de controle sobre a soluo;
6. Implantao da soluo.

2.2 Formulao do Problema
Para se obter a soluo de um problema, necessitasse antes formul-lo de modo a tornar
possvel a pesquisa.
Ao contrario dos exemplos que sero apresentados no decorrer do curso, a maioria dos
problemas prticas so trazidos a uma equipe de pesquisa operacional de uma maneira vaga e
imprecisa.
Em conseqncia, o primeiro passo consiste em estudar o sistema e estabelecer de uma
maneira bem definida o problema a ser considerado. Para isto vrios elementos devem ser
determinados exatamente tais como, os objetivos a atingir, as restries que devem ser
consideradas, o inter-relacionamento entre o setor a ser estudado e outros setores da
organizao, as possveis linhas de ao alternativas, etc.
Como todas as concluses sero obtidas a partir desta formulao, esta fase tem importncia
capital para o estudo e a formulao inicial deve ser continuamente revista luz dos novos
dados obtidos durante as fases posteriores.
Para determinao dos objetivos apropriados necessrio identificar a pessoa (ou pessoas)
que toma as decises relativas ao sistema em estudo, investigar seus objetivos e analis-los a
fim de estabelecer precisamente os principais objetivos a atingir a fim de que no sejam
eliminadas metas ou alternativas de valor.
Por sua natureza a pesquisa operacional preocupa-se em resolver os problemas da organizao
considerada como um todo e no somente os de alguns de seus setores.
Por isto, os objetivos formulados devem ser aqueles de toda a organizao, no significando,
entretanto, que cada problema deva ser resolvido em um estudo de toda organizao. Na
realidade os objetivos fixados devem ser to especficos quanto possveis, desde que
englobem as principais metas de tomada de deciso e mantenham um grau razovel de
consistncia com os objetivos de nvel mais elevado da organizao. Os efeitos laterais em
outros setores da organizao devem, ento, ser considerados somente para verificar se esto
coerentes com estes objetivos de nvel mais elevado.
Para formular um problema precisa-se, pois, examinar os seguintes aspectos:
1. Quem toma a deciso?
2. Quais os objetivos? (A partir destas informaes e de outros dados estabelecemos uma
medida de desempenho, para avaliar as alternativas de ao).
3. Quais aspectos da situao esto sujeitos ao controle de quem toma a deciso (as
variveis controladas) e dentro de que limites essas variveis podem ser controladas
(restries).
4. Que outros aspectos do meio ambiente envolvam ou no seres humanos, podem afetar
os resultados das escolhas disponveis (as variveis no controladas)

Portanto, formular um problema para pesquisa consiste em identificar, definir e especificar as
medidas dos componentes de um modelo de deciso. A determinao da relao entre estes
componentes (a funo f) o objetivo da fase da pesquisa denominada construo do modelo.
Nesta primeira fase do estudo, portanto, requer a definio do problema. Do ponto de vista da
PO, isto indica trs aspectos principais:
a) Uma exata descrio dos objetivos do estudo;
b) Uma identificao das variveis de deciso do sistema;
c) Reconhecimento das limitaes, restries, as possveis linhas de ao alternativas, o
inter-relacionamento entre o setor a ser estudado e outros setores da organizao.

impossvel extrair respostas certas de um problema errado. No se devem esquecer as
principais partes que afetam os negcios de uma firma:
a) O proprietrio (acionistas) que deseja lucros (dividendos, aes, bonificaes,
valorizao do capital, etc.).
b) Os empregados, que desejam emprego estvel com razovel salrio.
c) Os clientes, que desejam um produto confivel a um preo mdico (razovel).
d) Os vendedores, que desejam integridade e uma boa remunerao pelas boas
qualidades de vendedor.
e) O governo e, consequentemente, a nao, que deseja o pagamento de taxas justas e
consideraes de interesses nacionais.

2.3 Construo do Modelo Matemtico
Conforme o exemplo dado, os modelos so representaes idealizadas (abstrata) dos
problemas; geralmente fazem-se aproximaes e hipteses simplificadoras para que sejam
resolvveis. Nesta fase do estudo faz-se a construo do modelo. Um modelo deve especificar
as expresses quantitativas para o objetivo e as restries do problema em termos de suas
variveis de deciso. Existem vrios tipos bsicos de modelo. O modelo matemtico o
modelo universal da PO. Sua 1inguagem so as equaes. Na formulao destes tipos admite-
se que todas as variveis relevantes so quantificveis.
Ento, os smbolos matemticos so usados para representar as variveis, as quais so ento
representadas por funes matemticas apropriadas para descrever as operaes do sistema. A
soluo do modelo ento procurada pela manipulao matemtica apropriada.
Em complementao dos modelos matemticos, modelos de simulao e heursticos so
usados.

A estrutura bsica dos modelos de PO assume a forma:
Z = f (x
1
, x
2
, x
3
, ......, x
n
; y
1
, y
2
, y
3
, ......, y
n
)
Onde:
Z = funo objetivo (medida de eficincia do sistema);
x
1
, x
2
, x
3
, ......, x
n
= sistemas de variveis que so sujeitas ao controle;
y
1
, y
2
, y
3
, ......, y
n
= sistemas de variveis que no so sujeitas ao controle.

Os modelos simulados e heursticos no tm nenhuma estrutura fixada, um modelo
matemtico incluiu trs conjuntos fundamentais de elementos, sendo eles:

a) VARIAVEIS DE DECISO E PARMETROS: As variveis de deciso so as
incgnitas para serem determinadas da soluo do modelo. Os parmetros representam as
variveis controladas do sistema. No exemplo, o nvel de produo representa a varivel
de deciso; os parmetros, neste exemplo, so: a taxa de produo e consumo. Os
parmetros podem ser determinsticos ou probabilsticos.

b) LIMITAES OU RESTRIES: Para considerar as limitaes fsicas do sistema, o
modelo deve incluir restries que limitam os valores possveis das variveis de deciso.
Isto , usualmente, expresso em forma de equaes e/ou inequaes matemticas. Por
exemplo, seja x1 e x2 o nmero de unidades produzidas de dois produtos (variveis de
deciso) e seja a1 e a2 a matria prima (recursos) por unidade (parmetros). Se o total dos
recursos disponveis (MP) A, a Funo restritiva dada por a
1
x
1
+a
2
x
2
= A.

c) FUNO OBJETIVO (FO): Define a medida de efetividade do sistema como uma
funo matemtica de suas variveis de deciso. Por exemplo, se o objetivo do sistema
maximizar o lucro total, a funo objetiva deve especificar o lucro em termos das
variveis de deciso. Em geral, a soluo tima do modelo obtida quando os melhores
valores correspondentes das variveis de deciso so substitudos na PO, enquanto
satisfazem as restries. Os modelos matemticos, em PO, podem ser especificados,
geralmente, como determinar os valores das variveis de deciso xj, j= 1, 2,..., n a qual
otimiza Z = f (x
1
, x
2
,..., x
n
) sujeito a uma srie de restries. Na maioria dos sistemas
reais, as restries de no - negatividade aparece como condio natural.

Antes da construo de um modelo matemtico deve-se responder a 4 perguntas:
1) Qual a medida de efetividade do objetivo? Isto , como ser expressa a soluo do
problema (em reais economizados, unidades vendidas, itens produzidos, etc.)
2) Quais so os fatores sob controle (variveis controladas)? Isto , quais aspectos do
problema podem-se fazer alguma coisa?
3) Quais so os fatores no controlados (as variveis no controladas)? Isto , quais
aspectos do problema tm-se de aceitar como dados?
4) Quais so as relaes entre estes fatores e os objetivos? Isto , pode esta relao ser
expressa em forma de relaes matemticas que constituiro um modelo do problema?

Otimizao geralmente tomada para significar a maximizao ou minimizao da FO.
Analistas trabalhando no mesmo problema independentemente podem chegar a modelos
diferentes e tambm a funes objetivo (FO) tambm diferentes. Por exemplo, o analista A
pode preferir maximizar os lucros, enquanto o analista B pode preferir minimizar os custos.
Os dois critrios no so equivalentes no sentido que com as mesmas restries os dois
modelos no devem produzir a mesma soluo tima. Isto pode ser mostrado claramente,
enquanto o custo deve estar sob o controle imediato da organizao no qual o estudo feito, o
lucro deve ser efetuado por fatores incontrolveis, tais como a situao de mercado ditada
pelos competidores.
No se deve pensar que a soluo tima do modelo a melhor soluo do problema. Ela a
melhor somente se o critrio adotado pode ser justificado como verdadeiro para toda
organizao.
Na prtica, torna-se muito difcil incluir todos os objetivos (possibilidades conflitantes) num
critrio simples (singular), pois isto pode resultar numa funo matemtica complexa para a
qual nenhuma soluo tcnica pode ser prontamente obtida, porque alguns objetivos so
tambm inatingveis para serem quantificados.
Por exemplo, na determinao da poltica do nvel timo de estoque, o verdadeiro objetivo
deve incluir os objetivos (metas) conflitantes dos departamentos de produo, material,
vendas e finanas.
Quando o critrio objetivo do modelo representa algum, mas no todos os aspectos
conflitantes, chamam de uma soluo sub - tima, e que pode no ser a melhor para a
organizao como um todo.
Aps o modelo matemtico ser construdo, pode ser necessrio simplific-lo para ser tratado
analiticamente. Algumas simplificaes comuns incluem:
a) Transformar variveis discretas em contnuas;
b) Linearizar funes no lineares;
c) Eliminar algumas das restries.

2.4 Obteno de uma Soluo a partir do Modelo
Em modelos matemticos, isto e, feito usando tcnicas de otimizao bem definidas, o
modelo dito de soluo tima.
Se modelos de simulao ou heursticos so usados, o conceito de soluo tima no bem
definido e a soluo neste caso usada para obter solues aproximadas do sistema.
Como um modelo mais uma representao ideal do que exata, s pode-se afirmar que a
soluo tima para o modelo ser provavelmente a melhor possvel para o problema real,
devido aos fatores imponderveis e as incertezas associadas ao problema.

2.5 Teste do Modelo e avaliao da Soluo obtida
Uma das primeiras lies da PO, que no geralmente suficiente confiar somente na
intuio. Isto se aplica no somente na obteno da soluo de um problema, como tambm
na avaliao do modelo que foi formulado para representar este problema.
O critrio indicado para julgar a validade de um modelo verificar se ele prediz ou no os
efeitos relativos das linhas de ao alternativas com suficiente preciso de maneira a permitir
uma satisfatria deciso. Devido dificuldade de comunicar e relacionar todos os aspectos e
sutilezas de um problema operacional complexo existe a possibilidade que a equipe de
pesquisas operacionais ou no tenha considerado todos os aspectos relevantes da situao ou
no os tenha interpretado apropriadamente.
Antes de aplicar testes mais elaborados conveniente verificar se o modelo no apresenta
erro. Um novo exame na formulao do problema e sua comparao com o modelo podem
revelar alguns desses erros. Outra verificao muito usada consiste em verificar se todas as
expresses matemticas esto dimensionalmente corretas.
Finalmente, ou a equipe de PO, ou o pessoal que dever tomar decises podem observar
detalhes na soluo obtida que surgiram particulares omisses ou erros no modelo. Outros
procedimentos mais sistemticos podem ainda ser empregados.

2.6 Estabelecimento de controle sobre a Soluo
Quando uma soluo for usada repetidamente, esta soluo s permanecer vlida para o
problema real enquanto o modelo respectivo permanecer vlido. Entretanto, as condies
variam constantemente no caso real. Em conseqncia, se essas variaes invalidarem o
modelo, vital que isto seja verificado to cedo quanto possvel de maneira que o modelo, sua
soluo e resultante linha de ao possam ser convenientemente modificados. Assim sendo,
sempre que uma soluo e resultante estratgia para uma ao futura so aplicadas
repetidamente, esta soluo deve ser mantida sob controle.
Este controle feito identificando-se os parmetros crticos, determinando-se estatisticamente
as variaes relevantes nesses parmetros e finalmente ajustando a soluo e conseqente
linha de ao sempre que uma variao observada.

2.7 Implantao da soluo
A ltima fase de um estudo de pesquisa operacional consiste em implantar a soluo final.
Esta fase critica porque aqui, porque aqui, os benefcios do estudo so obtidos. Em
conseqncia importante para a equipe de PO participar do desenvolvimento desta fase, no
s para assegurar-se que a soluo corretamente transformada em um procedimento
operacional como tambm para corrigir qualquer imperfeio descoberta na soluo.

2.8 Concluso
Os problemas de PO tm as seguintes caractersticas:
1) Compilao de dados anteriores, relativos a operaes de produo, vendas ou outros
setores da empresa;
2) Anlise dos dados colhidos atravs de tcnicas estatsticas;
3) Criao do modelo matemtico destinado a previso e deciso no tocante as mesmas
operaes no futuro.
O curso baseia-se na aplicao da PO a uma grande variedade de problemas que podem ser
representados por um pequeno nmero de problemas tpicos.

2.9 Mtodos e Modelos da PO:
Os mtodos mais comuns que so usados no mbito da PO so:
1. Teoria da deciso;
2. Modelos seqenciais (seqncia e coordenao);
3. Modelos de alocao;
4. Modelos de designao;
5. Modelos de competio;
6. Tcnicas clssicas de otimizao;
7. Modelos de substituio (reposio);
8. Modelos de estoque (teoria dos estoques);
9. Modelos de filas;
10. Tcnicas de simulao;
11. Modelos de programao dinmica;
12. Modelos de rotas;
13. Mtodos heursticos.

3. TIPOS BSICOS DE MODELO DE PO
3.1 Teoria da Deciso
A caracterstica essencial da Teoria da Deciso que as conseqncias dos cursos de ao so
geralmente desconhecidas. Nestes exemplos (casos), probabilidades so associadas com os
vrios estados do sistema. Dependendo das informaes que se sabe dos estados do sistema,
no se pode referir deciso fazendo-a sob certeza, risco, ou incerteza. A maioria dos
problemas de negcios trata com a ltima condio. Um caminho adicional de predizer o
futuro, embora somente um mnimo de informaes sejam estimadas atravs da estatstica
Bayesiana.

3.2 Modelo de Sequenciamento
Modelos seqenciais envolvem a determinao da seqncia tima para um conjunto de
tarefas ou eventos ou a melhor seqncia para atendimento de clientes com o objetivo de
minimizar o tempo total e custos. Esta tcnica aplicada pesquisa e desenvolvimento,
construo, planejamento de novos produtos. Por exemplo, o procedimento para uma rede de
anlise de PERT. Outros problemas seqenciais tais como programaes de mquinas so
resolvidas pela aplicao de tcnicas de simulao e heursticas.

3.3 Modelos de Alocao
Quando existe um nmero de atividades para serem realizadas, caminhos alternativos de faz-
las, e recursos limitados ou meios para executar cada atividade na melhor linha eficaz, h um
problema de alocao destes recursos escassos. O problema combinar as atividades e os
recursos de uma maneira tima para que toda eficincia seja maximizada, isto , o lucro
mximo e os custos so mnimos. Isto conhecido como "programao matemtica".
Quando as restries so expressas como equaes lineares, chamada "programao linear".
Se uma das restries no linear denominada "programao no linear". A Teoria da
Dualidade da programao linear estabelece a relao entre duas diferentes formulaes do
mesmo problema. Em adio aos programas lineares e no lineares, existem outros tipos de
programaes - inteira, quadrtica, convexa, estocstica, deciso, paramtrica e dinmica.
Elas diferem na espcie dos dados e podem ser manipulados de acordo com as suposies
feitas.

3.4 Modelos de Designao
O mais simples tipo de modelo de alocao envolve a distribuio de um numero de tarefas
para o mesmo numero de recursos (homens). Isto chamado um problema de designao
(atribuio).
Este tipo de problema torna-se mais complexo se alguma das tarefas requer mais que um
recurso e se os recursos podem ser usados para mais de uma tarefa. Um exemplo disto o
problema de transportes.

3.5 Modelos de Competio
A teoria dos jogos d um conceito estrutural dentro do qual a maioria dos problemas de
competio pode ser formulada. Ela tem sido usada efetivamente pelos negcios (transaes
comerciais) para desenvolver estratgias de publicidade, polticas de preos, e escolha do
momento oportuno (senso de oportunidade, timming) para introduo de novos produtos. As
teorias estatsticas da deciso e simulao tm sido empregadas com sucesso nos jogos.
O processo de Markov um mtodo de predizer variaes competitivas no tempo de clientes
fieis a uma marca (determinado produto) e cotas atuais de mercado so conhecidas.

3.6 Tcnicas de Otimizao Clssicas
s tcnicas de otimizao clssica ou tradicional so associadas com o procedimento de
clculo do mximo ou mnimo. Resumidamente, quando uma caracterstica pode ser
representada por uma equao a uma varivel que pode ser representada graficamente como
uma curva continua uniforme, os valores de mximo e mnimo da curva podem ser obtidos
pelo conjunto das primeiras derivadas iguais a zero. Ento, o sinal algbrico da segunda
derivada daquele conjunto de pontos examinado para a obteno de soluo do problema.
Quando dois parmetros esto envolvidos, por exemplo, x e y para determinar a varivel z, o
mximo e mnimo podem ser encontrados pela aplicao de derivadas parciais num processo
similar ao empregado para uma varivel. As reas de clculo necessrias so: diferenciao,
integrao, derivadas parciais, e os multiplicadores de Lagrange. Estas tcnicas matemticas
as quais so aplicadas para otimizao de problemas so capazes de diretamente selecionar a
melhor deciso sem a necessidade de muitos passos interativos.

3.7 Modelos de Reposio
Problemas de reposio so geralmente de dois tipos: aqueles envolvendo itens que
degeneram num perodo de tempo e aqueles que falham aps certo tempo de uso.
O primeiro grupo refere-se ao ativo fixo das empresas - mquinas, caminhes e equipamentos
- os quais so itens altamente custosos. Aqueles no segundo tipo so relativamente baratos
tubos de vcuo, pneumticos, vlvulas, tubos e itens semelhantes.
A programao dinmica usada para obteno das solues do primeiro tipo. A teoria
estatstica amostral e probabilidade podem ser empregadas na soluo do segundo tipo.

3.8 Modelos de Estoques
Modelos de estoques so os que dizem respeito com duas decises: quanto ordenar num
determinado tempo e quando ordenar esta quantidade para minimizar o custo total. Custo de
movimentao, custos de ordens de armazenamento (estocagens), e custo de dficits so
determinados assim como uma medida de efetividade dos custos (modelo) podendo ser
usados pelos gerentes para selecionar um balano apropriado entre custos e dficits. deciso
pelo critrio do mnimo custo pode tambm ser obtida pelo clculo, teoria de probabilidades,
programao dinmica e simulao pelo computador.

3.9 Modelos de Filas
Filas, algumas vezes referida como teoria das linhas de espera, trata (diz respeito) com
chegadas uniformes ou aleatrias num servio ou meios de processamento de capacidade
limitada.
O objetivo deste modelo permitir determinar se o nmero timo de pessoas ou meios
necessrios para servir clientes quando considerando o custo do servio e o custo de espera.
Um problema de estoque pode ser visto como um problema de filas. Itens em estoque podem
ser considerados como um meio de servio ocioso esperando por clientes. demanda pelo
estoque uma chegada para servio e a sada do estoque pode ser considerada como uma fila
de clientes A teoria das filas faz uso da teoria das probabilidades e clculo.

3.10 Tcnicas de Simulao
Simulao presta-se ao emprego dos computadores, gera fator como potencial de vendas ou
atrasos na expedio pelo exame de tabelas de nmeros aleatrios que so essenciais aos
programas.
O computador mostra a sada de resultados que (poderiam) teriam sido obtidos se o critrio de
deciso tivesse sido usado. Nmeros aleatrios so usados para simular chegadas e tempo de
servios.

3.11 Modelos de Programao Dinmica
A maioria dos problemas de programao dinmica requer o uso de um computador para
manipular a grande quantidade de dados (informaes). Os modelos de programao
dinmica so extremamente usados para processo que se estende por vrios perodos de tempo
ou eventos. Ao invs de otimizar cada deciso como ela ocorre programao dinmica leva
em considerao os efeitos da deciso de hoje nos futuros perodos de tempo.

3.12 Modelos de Rotas
Um dos mais famosos problemas de rota o do "Caixeiro Viajante". O objetivo selecionar o
caminho (itinerrio que parte de sua prpria cidade, passa atravs de cidades apenas uma vez,
e retorna para sua cidade, pela menor distncia em termos de tempo ou dinheiro. O modelo de
rotas tem sido aplicado produo onde o nmero de produtos ou itens produzidos
(fabricados) anlogo ao de cidades. Trocam-se os custos de produo correspondentes aos
custos de viagens entre cidades).

3.13 Mtodos heursticos
Mtodos heursticos indicam aprendizado ou avaliao de sistemas. Os mtodos heursticos
usam regras de manusear e avaliar, instrudos para explorar o caminho mais provvel para se
chegar a uma concluso. Isto recoloca em check todas as alternativas (tambm para muitas
quantidades aproximadas) para encontrar a melhor soluo.

4. INTRODUO A PROGRAMAO LINEAR
4.1 Generalidades
Sem dvida nenhuma a Programao Linear uma das tcnicas da Pesquisa Operacional das
mais utilizadas em se tratando de problemas de otimizao.
Os problemas de Programao Linear (PL) buscam a distribuio eficiente de recursos
limitados para atender um determinado objetivo, em geral, maximizar lucros ou minimizar
custos. Em se tratando de PL, esse objetivo expresso atravs de uma funo linear,
denominada de "Funo Objetivo".
necessrio tambm que se definam quais as atividades que consomem recursos e em que
propores os mesmos so consumidos. Essas informaes so apresentadas em forma de
equaes as inequaes lineares, uma para cada recurso. Ao conjunto dessas equaes e/ou
inequaes, denomina-se "Restries do Modelo".
Normalmente se tem inmeras maneiras de distribuir os recursos escassos entre as diversas
atividades em estudo, bastando para com isso que essas distribuies estejam coerentes com
as restries do modelo. No entanto, o que se busca, num problema PL a funo objetivo,
isto , a maximizao do lucro ou a minimizao dos custos. A essa soluo d-se o nome de
soluo tima.
Assim, a Programao linear se incube de achar a soluo tima de um problema, uma vez
definida o modelo linear, ou seja, a funo objetivo e as restries lineares.

4.2 Problemas de programao linear
Como foi dito anteriormente, est-se diante de um problema de PL quando os problemas
prticos que se pretende resolver podem ser escrito de forma de maximizao (ou
minimizao) de uma funo objetivo linear, sujeita a um conjunto de restries que podem
ser expressos sob a forma de inequaes ou equaes lineares.

Exemplos de problemas que podem ser resolvidos por
programao linear:
a) Um fabricante est iniciando a ltima semana de produo de quatro diferentes modelos de
consoles em madeira para aparelhos de televiso, designados respectivamente, I, II, III e IV.
Cada um deles deve ser montado e em seguida decorado. Os modelos necessitam
respectivamente de 4, 5, 3 e 5 horas para montagem e de 2, 1, 5 e 3 horas para decorao. Os
lucros sobre as vendas dos modelos so respectivamente 7, 7, 6 e 9 reais. O fabricante dispe
de 30.000 horas para a montagem destes produtos (750 montadores trabalhando 40 horas por
semana) e de 20.000 horas para decorao (500 decoradores trabalhando 40 horas por
semana). Quanto de cada um dos modelos deve ser produzido durante esta ltima semana a
fim de maximizar o lucro? Admita que todas as unidades possam ser vendidas.

b) Seja o caso de um investidor que, dispondo de $6000 esteja contemplando a possibilidade
de compra de dois seguintes tipos de aes:
Tipo 1 - preo unitrio de compra de $ 5,00 e rentabilidade anual esperada de 30%.
Tipo 2 - preo unitrio de compra de $ 3,00 e rentabilidade anual estimada em 35%.
Supondo que o investidor no deseje adquirir mais do que 1750 aes, e que seu corretor s
possa conseguir 1000 aes do tipo 1 e 1500 aes do tipo 2, que quantidades deve comprar
de cada tipo de ao, na hiptese de que seja seu objetivo maximizar o total de capital no fim
de um ano?

c) Uma empresa esta analisando um conjunto de alternativas de projetos de investimentos
disponveis e apresentados na tabela seguir.

Projeto Investimento no
ano 1
Investimento no
ano 2
Vida til Economia anual
nos prximos 3
anos
1 12 3 5 anos 9.29
2 54 7 5 anos 26.85
3 6 6 5 anos 9.88
4 6 2 5 anos 7.92
5 30 35 5 anos 35.33
6 6 6 5 anos 8.14
7 48 4 5 anos 22.78
8 36 3 5 anos 16.91
9 18 2 5 anos 11.04

O oramento para investimento de 50 para o primeiro ano e 20 para o segundo. Sabendo-se
que a TMA da empresa de 10% a.a., qual a combinao tima desses projetos.

4.3 Obtendo a funo objetivo e as restries
Antes de discutir as tcnicas possveis para obteno de resultados, atravs de um problema
ser discutido como obter a funo objetivo e as restries.

4.3.1 Exemplo para discutir a obteno da funo objetivo e
as restries:
Giapetto fabrica dois tipos de brinquedos de madeira: soldados e trens. Um soldado vendido
por $27 e usa $10 de matria prima. Cada soldado que fabricado tem um custo adicional de
$14 relativo mo de obra. Um trem vendido por $21 e gasta $9 de matria prima. O custo
de mo de obra adicional para cada trem de $10. A fabricao destes brinquedos requer dois
tipos de mo de obra: carpintaria e acabamento. Um soldado necessita de 2 horas para
acabamento e 1 de carpintaria. Um trem necessita de 1 hora para acabamento e 1 hora de
carpintaria. Cada semana, Giapetto pode obter qualquer quantidade de matria prima, mas tem
a disposio at 100 horas de acabamento e 80 de carpintaria. A demanda por trens
ilimitada, mas a venda de soldados de no mximo 40 por semana. Giapetto quer maximizar
seu lucro dirio (receitas-custo). Formular o modelo matemtico que poder ser usado por
Giapetto para maximizar seu lucro semanal.
Soluo:

Definindo o objetivo
Sabendo que a matria prima
necessria obtida sem problemas,
Giapetto tem como objetivo maximizar
o lucro semanal (receitas - custos).
Vamos ento formular
matematicamente a situao de
Giapetto com o objetivo de maximizar
o lucro semanal.

Primeiro ponto
importante: Variveis de
deciso
Em qualquer modelo de PL, as variveis
de deciso devem descrever
completamente as decises a serem
feitas.
Caso de Giapetto: quantos soldados e
trens devem ser feitos na semana?

Variveis de deciso
X1 = nmero de soldados produzidos
cada semana;
X2 = nmero de trens produzidos a cada
semana.

Segundo ponto
importante:
Funo objetivo
Em qualquer modelo de PL, o decisor
quer maximizar ou minimizar alguma
funo das variveis de deciso.
Caso de Giapetto: custos fixos (aluguel,
seguro) no depende dos valores de X1
e X2, assim ele pode se concentrar em
maximizar a venda da semana.

Receitas e custos: podem ser expressos em termos
das variveis X1 e X2.
Seria tolice Giapetto produzir mais soldados que ele
possa vender, assim assumimos que todos
brinquedos produzidos podem ser vendidos.
Receita da semana = receita dos soldados + receita
dos trens
Receita da semana = $/soldado * soldado/semana + $/trem * trem/semana
Receita por semana = 27*X1 + 21*X2
Funo objetivo

Tambm podemos escrever:
Custos de M.P. = 10*X1 + 9*X2
Custos de M.O. = 14*X1 + 10*X2
Ento Giapetto quer
maximizar:
(27X1 + 21X2) - (10X1 + 9X2) - (14X1 + 10 X2) = 3X1 + 2X2
Assim o objetivo de Giapetto escolher X1 e X2 para
maximizar 3X1 + 2X2

maximizar Z = 3X1 + 2X2
ou
max Z = 3X1 + 2X2
Varivel
usualmente
utilizada
Funo objetivo

Terceiro ponto importante:
restries
Se X1 e X2 aumentam, a funo objetivo de
Giapetto ser sempre maior. Mas infelizmente
X1 e X2 so limitados pelas seguintes
restries:
cada semana, no mais que 100 horas de
acabamento;
cada semana, no mais de 80 horas de
carpintaria;
limitao de demanda, no mais de 40 soldados
por semana.

M.P. ilimitada, portanto no h
restries.
Como, prximo passo, necessrio
expressar as restries 1, 2 e 3, em
termo das variveis de deciso: X1 e X2.
Restries

Restrio 1
no mais de 100 h de acabamento
Total de h de acab./semana = horas de aca./sold. * sold. feitos/semana +
horas de acab./trem * trens feitos/semana
Total de horas de acab./semana = 2*X1 + 1*X2
Restrio 1: 2X1 + X2 100

Restrio 2
no mais de 80 h de carpintaria
Total de h de carp./semana = horas de carp./sold. * sold. feitos/semana +
horas de carp./trem * trens feitos/semana
Total de horas de carp./semana = 1*X1 + 1*X2
Restrio 2: X1 + X2 80

Restrio 3
venda mxima de soldados: 40
Restrio 3: X1 40

Conjunto das restries:
1. 2X1 + X2 100
2. X1 + X2 80
3. X1 40
Restries para o
problema de PL
de Giapetto
Usualmente
representam a
quantidade de
recursos
disponveis.
Coeficientes
tecnolgicos:
refletem a quantia
usada para
diferentes produtos.

Quarto ponto importante:
Restries adicionais
Para completar a formulao do problema:
X1 0
X2 0

Resumindo
max Z = 3X1 + 2X2
sujeito a:
2X1 + X2 100
X1 + X2 80
X1 40
X1 0
X2 0
Significa que
X1 e X2
precisam satisfazer
todas as restries
P.L. - todos os
termos X so de
expoente 1 e as
restries so
inequaes
lineares
O problema de Giapetto
tpico de muitos outros,
onde precisa-se
maximizar lucros
sujeitos a recursos
limitados

4.3.2 Exerccios - Obter a formulao matemtica para alguns
casos

1) Uma determinada empresa automobilstica fabrica carros de luxos e caminhonetes. A
empresa acredita que os mais provveis clientes so homens e mulheres com altos
rendimentos. Para abordar estes grupos, a empresa decidiu por uma campanha de propagandas
na TV, e comprou 1 minuto do tempo de comercial de 2 tipos de programa: comdia e
transmisso de futebol. Cada comercial durante o programa de comdias visto por 7 milhes
de mulheres e 2 milhes de homens com grande poder aquisitivo. Cada comercial durante a
transmisso de futebol visto por 2 milhes de mulheres e 12 milhes de homens com grande
poder aquisitivo. Um minuto de comercial durante o programa de comdias custa $50000, e
durante a transmisso de futebol $100000. A empresa gostaria que pelo menos 28 milhes de
mulheres e 24 milhes de homens de grande poder aquisitivo assistissem sua propaganda.
Obter a programao matemtica que ir permitir a empresa atender as suas necessidades de
propaganda a um mnimo custo.

2) Uma empresa fabrica carros e caminhonetes. Cada veculo precisa ser trabalhado nas
sees de pintura e montagem. Se a seo de pintura trabalhar s com caminhonetes, 40 por
dia podem ser pintados. Se estiver trabalhando somente com carros, 60 por dia sua
capacidade. Se a seo de montagem estiver trabalhando somente com caminhonetes, 50
podem ser montados por dia. O mesmo nmero possvel para carros se este for o nico
produto na linha. Cada caminhonete contribui $300 para o lucro, e cada carro $200. Obter a
formulao matemtica que determinar a programao de produo que maximizar o lucro
da empresa.

3) Supondo que a empresa do exemplo anterior, por necessidades dos vendedores, tem de
produzir pelo menos 30 caminhonetes e 20 carros diariamente, qual ser a nova formulao
do problema?

4.4 Soluo de um problema de PL Mtodo grfico

Um problema de P.L. s pode ser resolvido graficamente desde que o modelo, em estudo,
apresentar duas variveis.
Implicaes implcitas da FO
em PL
A contribuio para a funo objetivo
de cada varivel de deciso
proporcional ao valor da varivel de
deciso;
A contribuio para a funo objetivo
para cada varivel independente dos
valores de outras variveis de deciso.
max Z = 3X1 + 2X2

Definio
Regio de soluo para um problema de
PL: o conjunto de todos os pontos que
satisfazem todas as restries do
problema.

Restries:
2X1 + X2 100 ok 2*40+20 100
X1 + X2 80 ok 40+20 80
X1 40 ok 40 40
X1 0 ok 40 0
X2 0 ok 20 0
Giapetto: X1 = 40 X2 = 20
regio de soluo
Regio de soluo

Giapetto: X1 = 15 X2 = 70
no regio de soluo
Restries:
2X1 + X2 100 ok 2*15+70 100
X1 + X2 80 no 15+70 > 80
X1 40 ok 15 40
X1 0 ok 15 0
X2 0 ok 70 0
Regio de soluo

regio de soluo
Pontos que atendem e onde ser procurada
a soluo tima
Soluo tima
Ponto da regio de soluo, que leva ao maior
valor da funo objetivo.
Regio de soluo

A maioria dos problemas de PL, tem
somente uma soluo tima;
Alguns no tem soluo tima;
Alguns tem infinitas solues.
Para o problema de Giapetto, soluo tima:
X1=20 e X2 = 60
Z = 3*20 +2*60 = 180
Soluo tima

Soluo grfica para o
problema de 2 variveis de
deciso
Um PL com 2 variveis pode ser
resolvido graficamente.
Ns sempre nomeamos as variveis
X1 e X2 e os eixos coordenados por
X1 e X2.

Como plotar uma inequao
2X1+3X2 6 (1)
3X2 6 - 2X1
X2 1/3*(6 - 2X1) = 2 - 2/3X1 (2)

O conjunto de pontos que
satisfaz (1) e (2) cai sobre a
reta ou abaixo dela
X2
X1
1
2
3
4
5
6
1 2 3 4 5 6
X2 = 2 - 2/3X1
Regio onde:
2X1+3X2 6
Regio onde:
2X1+3X2 6

Encontrando a regio de soluo
do problema de Giapetto:
2X1 + X2 100
X1 + X2 80
X1 40
X1 0
X2 0
Para um
ponto (X1, X2)
pertencer a regio de
soluo preciso
satisfazer todas
estas inequaes.
X1 e X2 0, indicam o primeiro quadrante

X2
X1
20
40
60
80
100
120
20 40 60 80 100 120
(2)
(3)
(4)
A
B
C
D
E
F
G
H
Polgono DGFEH - regio de soluo
Regio convexa simplex

Encontrando a soluo
tima
Aps a identificao da regio de soluo,
ns devemos procurar a soluo tima, que
ser o ponto da regio que leva ao maior
valor de:
Z = 3X1+2X2

Para encontrar a soluo tima, ns
precisamos desenhar uma linha sobre a
qual todos os pontos levem ao mesmo valor
de Z.
Escolhe-se qualquer ponto da regio de
soluo:
(20, 0): Z = 3X1+2X2 = 60
Assim (20, 0) cai sobre a reta:
Z = 3X1 + 2X2 = 60
X2 = 30 - 3/2X1
Encontrando a soluo
tima

3X1 + 2X2 = 60
tem coeficiente angular = -3/2
Assim todas as retas 3X1+2X2 = constante
tero o mesmo coeficiente angular.
Importante: uma vez desenhada a reta,
podemos encontrar
todas as outras pelo movimento paralelo da reta
que desenhamos.
Encontrando a soluo
tima

X2
X1
20
40
60
80
100
120
20 40 60 80 100 120
(4)
(2)
(3)
A
B
C
D
E
F
G
H
X2 = 30 - 3/2 X1
Indica o ponto timo - G (20, 60)
Retas iso-lucro

Lucro de Giapetto
Z = 3*20 + 2*60 = 180


4.4.1 Exemplos
Resolver graficamente os exerccios 1, 2 e 3, formulados anteriormente no item 4.3, e as
seguintes formulaes:
1) Max Z = 5X
1
+ 2X
2

Sujeito a:
X
1
3
X
2
4
X
1
+ 2X
2
9
X
1
0
X
2
0
2) Max Z = 2X
1
-1X
2

Sujeito a:
X
1
X
2
1
2X
1
+ X
2
6
X
1
0
X
2
0

4.4.2 Casos possveis
Pela discusso apresentada neste item, foi visto que um problema de PL com duas variveis,
necessariamente cairo em um dos 4 casos possveis, sendo eles:
1) Caso 1: a formulao tem soluo nica;
2) Caso 2: a formulao tem mltiplas solues;
3) Caso 3: a formulao no tem soluo;
4) Caso 4: a formulao no tem fronteira, a regio de soluo permite arbitrrios valores
para Z (grandes valores de Z, para problemas de max, e pequenos valores de Z, para
problemas de min).

E qualquer outra formulao, com maior nmero de variveis, tambm sempre se enquadrar
em um destes casos.

4.5 Problemas interessantes que podem ser
formulados para serem resolvidos por programao
linear

O que ser visto a seguir a formulao de vrios problemas complicados da Programao
Linear. O passo mais importante na formulao de um modelo a escolha apropriada das
variveis de deciso. Se as variveis de deciso forem selecionadas adequadamente, a funo
objetivo e as restries devem ser obtidas sem muita dificuldade. Problemas na determinao
da funo objetivo e restries normalmente so devido a uma escolha incorreta das variveis
de deciso.

4.5.1 Exemplo 1: Problema de programao do trabalho
Muitas aplicaes de programao linear envolvem determinar o mnimo custo e satisfazer as
necessidades de nmero de trabalhadores necessrios. O exemplo a seguir ilustra as
caractersticas comuns para muitas destas aplicaes.

Uma empresa de entregas necessita de diferentes nmeros de funcionrios durante os
diferentes dias da semana. O nmero de funcionrios necessrios mostrado na tabela a
seguir.
Nmero de funcionrios necessrios
Dia 1 = Segunda-feira 17
Dia 2 = Tera-feira 13
Dia 3 = Quarta-feira 15
Dia 4 = Quinta-feira 19
Dia 5 = Sexta-feira 14
Dia 6 = Sbado 16
Dia 7 = Domingo 11

As leis do sindicado asseguram que os funcionrios devem trabalhar 5 dias consecutivos e 2
de folga. Por exemplo, um funcionrio que trabalhou de Segunda a Sexta folga Sbado e
Domingo. O escritrio quer funcionar apenas com funcionrios de tempo integral. Formular o
problema de tal modo que a empresa possa minimizar o nmero de empregados de tempo
integral que precisam ser contratados.

4.5.2 Exemplo 2: Problema de oramento de capital
Uma empresa de petrleo esta considerando 5 diferentes oportunidades de investimento. O
fluxo de caixa e valor presente (em milhes de reais) dado na tabela a seguir.

Inv. 1 Inv. 2 Inv. 3 Inv. 4 Inv. 5
Desembolso
instante 0
11 53 5 5 29
Desembolso
instante 1
3 6 5 1 34
Valor
presente
13 16 16 14 39

A empresa tem no momento $ 40 milhes para investir; e estima-se que no primeiro ano
estaro disponveis $ 20 milhes para investimento. A empresa pode comprar qualquer frao
de cada investimento. Neste caso, o fluxo de caixa e valor presente ajustado de acordo com
a proporo do investimento realizado. Por exemplo, se a empresa comprar 1/5 do
investimento 3, ento o pagamento necessrio ser de 1/5 ($5) = $1 nos tempos 0 e 1. O valor
presente do investimento 3 ser de 1/5 (16) = $3.2 milhes. A empresa quer maximizar o
valor presente liquido que pode ser obtido pelos investimentos realizados entre as opes 1 a
5. Formular o problema para atingir este objetivo. Assumir que qualquer fundo no usado no
instante 0 no poder ser usado no primeiro ano (instante 1).

4.5.3 Exemplo 3: planejamento financeiro de curto prazo
Uma empresa eletrnica que fabrica gravador e rdio tm seus custos de mo de obra, matria
prima e preo de venda de cada produto discriminado na tabela a seguir.

Gravador Rdio
Preo de venda 100 90
Mo de obra 50 35
Custo matria prima 30 40

Em primeiro de dezembro de 06, a empresa ter matria prima que suficiente para fabricar
100 gravadores e 100 rdios. Na mesma data, o balancete previsto da empresa o mostrado a
seguir, e a razo entre ativo circulante e as suas obrigaes (dvida com banco) ser 2
(20000/10000).

Ativo circulante Obrigaes
Caixa 10000
Contas a receber 3000
Estoques 7000
Dvidas em bancos 10000

A empresa precisa determinar quantos gravadores e rdios devero produzidos em Dezembro.
A demanda alta o suficiente para garantir que todos os produtos fabricados sero vendidos.
Todas as vendas so feitas a crdito, pagamentos por produtos fabricados em Dezembro no
sero recebidos at primeiro de Fevereiro de 07. Durante Dezembro, a empresa ir receber
$2000 e precisar pagar $1000 devido ao emprstimo bancrio e $1000 referente ao seu
aluguel. Em primeiro de janeiro de 07, a empresa receber um carregamento de matria prima
no valor de $2000, que ser pago em Fevereiro de 07. A gerncia decidiu que em primeiro de
janeiro de 07 precisa ter pelo menos $4000 em caixa. Tambm o banco exige que a razo
entre dinheiro disponvel e financiamento seja de pelo menos 2. Para maximizar o lucro da
produo em Dezembro, o que deveria empresa produzir durante este ms?

4.5.4 Exemplo 4: problema de Blending (mistura)
Uma refinaria produz 3 tipos de gasolina (gasolina 1, gasolina 2 e gasolina 3). Cada tipo
produzido pela mistura de 3 tipos de petrleo (petrleo 1, petrleo 2 e petrleo 3). Os preos
de venda por barril da gasolina e da compra de petrleo so:
Preo de venda por barril Preo de compra por barril
Gasolina 1 70 Petrleo 1 45

A refinaria pode comprar at 5000 barris de cada tipo de petrleo por dia. Os 3 tipos de
gasolina se diferem na octanagem e no enxofre presente. O petrleo misturado para fabricar a
gasolina 1 precisa ter uma octanagem mdia de pelo menos 10 e conter quando muito 1% de
enxofre. O petrleo misturado para fabricar a gasolina 2 precisa ter uma octanagem mdia de
pelo menos 8 e conter quando muito 2% de enxofre. O petrleo misturado para fabricar a
gasolina 3 precisa ter uma octanagem mdia de pelo menos 6 e conter quando muito 1% de
enxofre. A taxa de octanagem e de enxofre que contm os 3 tipos de petrleo so as seguintes:

Octanagem Enxofre
Petrleo 1 12 0.5%
Petrleo 2 6 2%
Petrleo 3 8 3%

Custa $4 para transformar 1 barril de petrleo em 1 barril de gasolina, e a refinaria pode
produzir at 14000 barris por dia. Os clientes da refinaria necessitam das seguintes quantias
de cada tipo de gasolina: gasolina 1 3000 barris por dia; gasolina 2 2000 barris por dia;
gasolina 3 1000 barris por dia. A empresa considera sua obrigao atender a estas
demandas. A empresa tambm tem a opo de propagandas para estimular a demanda por
seus produtos. Cada 1$ gasto diariamente em propaganda de um tipo particular de gasolina
incrementa a demanda diria desta gasolina em 10 barris. Por exemplo, se a refinaria decide
gastar $20 diariamente para divulgar a gasolina 2, o aumento da demanda diria desta
gasolina ser de 200 barris. Formular o problema para que a refinaria maximize seu lucro
dirio.

Usando Programao Linear para resolver problemas de
deciso multi perodos
At aqui, todas as formulaes discutidas so exemplos estticos, ou modelos de 1 perodo.
Nos modelos estticos, se assume que todas as decises so feitas em um simples instante do
tempo. Nos exemplos a seguir ser mostrado como a Programao Linear pode ser usada para
determinar decises timas em multi perodos, ou modelos dinmicos. Modelos dinmicos
aparecem quando o decisor toma decises em mais de um ponto do tempo. Em um modelo
dinmico, decises tomadas durante o perodo de tempo corrente influem em decises de
perodos futuros. Por exemplo, considere uma empresa que precisa determinar quantas
unidades de um produto devem ser fabricadas cada ms. Se ele produzir uma quantidade
grande no ms corrente, poderia reduzir o nmero de unidades a produzir nos meses futuros.
Os 3 prximos exemplos ilustram como decises iniciais afetam decises posteriores.

4.5.5 Exemplo 5: Um modelo de estoques
Uma empresa de barcos precisa determinar quantos veleiros devem ser produzidos durante
cada um dos 4 prximos trimestres. A demanda de cada um dos trimestres : primeiro
trimestre, 40 veleiros; segundo trimestre, 60 veleiros; terceiro trimestre, 75 veleiros; quarto
trimestre, 25 veleiros. A empresa quer atender a demanda prontamente. No incio do primeiro
trimestre, a empresa tem 10 veleiros em estoque. No incio de cada trimestre, a empresa
precisa decidir quantos veleiros devem ser produzidos durante o trimestre. Por simplicidade,
assume-se que os veleiros fabricados durante um trimestre podem ser usados para atender a
demanda deste trimestre. Durante cada trimestre, a empresa pode produzir at 40 veleiros com
sua mo de obra regular a um custo de $ 400 por veleiro. Tendo de trabalhar com horas extras
durante o trimestre, a empresa pode produzir veleiros a mais a um custo total de $ 450 por
barco.
No final de cada trimestre (aps ter ocorrido a produo e a demanda do trimestre ter sido
atendida), um custo de transporte ou armazenagem de $ 20 por barco ocorre. Usar a
programao linear para determinar a seqncia de produo para minimizar a soma dos
custos de produo e estoques durante os 4 prximos trimestres.

4.5.6 Exemplo 6: Modelos de financiamento multi perodo
O exemplo a seguir ilustra como a programao linear pode ser usada para problemas de
gerenciamento de fluxo de caixa. A chave determinar as relaes de dinheiro nas mos
durante diferentes perodos.

Uma empresa de investimentos precisa determinar a estratgia de investimento para os
prximos 3 anos. Atualmente a empresa tem $100.000 disponvel para investir. Os
investimentos A, B, C, D e E esto disponveis. O fluxo de caixa associado com investir $1
em cada opo dado na tabela a seguir.

0 1 2 3
A -$1 $0.50 $1 $0
B $0 -$1 $0.50 $1
C -$1 $1.2 $0 $0
D -$1 $0 $0 $1.9
E $0 $0 -$1 $1.5

Por exemplo, 1$ investido na opo B requer um pagamento de $1 no ano 1 e retorna $0.50
no ano 2 e $1 no ano 3. Para assegurar que o portflio da empresa seja diversificado, a
poltica da empresa a de aplicar at $ 75.000 em um nico investimento. Adicionalmente
aos investimentos A-E, a empresa pode obter taxas de 8% ao ano mantendo o dinheiro no
investido em fundos do mercado. Ganhos dos investimentos podem ser imediatamente
reinvestidos. Por exemplo, o dinheiro recebido no ano 1 do investimento C pode ser
imediatamente reinvestido na opo B. A empresa tem como diretriz no emprestar dinheiro
de fundos, assim o dinheiro disponvel para investimento a qualquer tempo limitado ao
disponvel. Formular a programao linear que maximiza o dinheiro em mos no ano 3.

4.5.7 Exemplo 7: Programao de trabalho multi perodo
Em exemplo anterior foi visto que a programao linear poderia ser usada para programar
funcionrios em um ambiente esttico onde a demanda no se altera. O exemplo a seguir,
mostra como a programao linear pode ser usada para programar treinamento para
funcionrios quando a empresa se depara com uma demanda que se altera.
CLS uma cadeia de lojas de servios voltados para computadores. O nmero de horas de
trabalho especializado que a CLS necessitar nos prximos 5 meses ser:
Ms 1 (janeiro): 6000 horas;
Ms 2 (fevereiro): 7000 horas;
Ms 3 (maro): 8000 horas;
Ms 4 (abril): 9500 horas;
Ms 5 (maio): 11000 horas.

No incio de Janeiro, 50 tcnicos faro parte do quadro de funcionrios da CLS. Cada tcnico
pode trabalhar at 160 horas por ms. Para atender futuras demandas, novos tcnicos precisam
ser treinados. necessrio um ms para se treinar um novo tcnico. Durante o ms de
treinamento, o novo funcionrio precisa ser supervisionado por um tcnico experiente por 50
horas. Cada tcnico com experincia recebe $ 2000 por ms (mesmo se ele no trabalhar s
160 horas). Durante o ms de treinamento, o novo funcionrio recebe $ 1000 por ms. No
final de cada ms, 5% dos tcnicos experientes saem para se juntar a outra empresa de
computadores. Formular o problema de tal modo que sua soluo permitir a CLS minimizar
os custos relativos a pagamento de salrios atendendo a programao prevista para os
prximos 5 meses.

Problemas extras (Usando Programao Linear)

4.5.8 Exemplo 8: Problema da fabricao de sorvete
Considerando o caso de um fabricante de sorvetes que deve produzir 100 kg de sorvete. A
receita considerada como a que resulta em um bom produto, a seguinte:

Exigncia Sigla Mnimo (%) Mximo (%)
Gordura Gord. 10 16
Slidos de leite (no-gordurosos) SLNG 10,5 13
Total de slidos do leite TSL 20,5 25
Acar 11 17
Total de slidos TS 37,5 41,5
gua 58,5 62,5
Estabilizador 0,37 0,37
Emulsificador 0,10 0,10

A disposio do fabricante, para aquisio encontra-se facilmente as seguintes matrias
primas:

Nome %
Gord
%
SLNG
%
TSL
%
Acar
%
TS
%
gua
Custo
1 Creme 40% 40 5,4 45,4 45,4 54,6 27
2 Creme 38% 38 5,6 43,6 43,6 56,4 26
3 Leite 3,2% 3,2 8,7 11,9 11,9 88,1 3
4 Leite 4,0% 4,0 8,6 12,6 12,6 87,4 3
5 Leite condensado gordo 8 20 28 28 72 7
6 Leite condensado
magro
28 28 28 72 3
7 Manteiga 5 92 97 97 3 15
8 Slidos secos Whey 95 95 95 5 10
9 Sacarose 100 100 10
10 Garapa 67 67 33 9
11 Estabilizador 80 20 55
12 Emulsificador 78
13 gua 100 0

Obter a formulao que permita ao fabricante obter um bom produto ao mnimo custo.

4.6 Soluo de problema de PL Mtodo SIMPLEX
Nas formulaes anteriores, problemas com mais de duas variveis no poderiam ser
solucionados com o mtodo grfico. Desta forma necessrio o estudo de outro procedimento
para a busca de solues.
Agora, ser apresentado mais um procedimento geral para resoluo de problemas de
programao linear, denominado "Mtodo Simplex" e que foi desenvolvido em1947 por
George B. Dantzig.
O mtodo simplex um mtodo interativo (algoritmo) utilizado para achar, algebricamente, a
soluo tima de um problema de P.L.

4.6.1 Teoremas Bsicos
Teorema 1 - O conjunto de todas as solues compatveis do modelo de programao linear
um conjunto convexo cujos vrtices (pontos extremos) correspondem a solues bsicas
viveis.
Teorema 2 - Se a funo objetiva possui um mximo (mnimo) finito, ento pelo menos uma
soluo tima um ponto extremo do conjunto convexo do teorema 1.

4.6.2 Procedimentos do Mtodo Simplex
Supondo o seguinte problema para maximizao:
Max z = 5X
1
+ 2X
2

Sujeito a:
X
1
3
X
2
4
X
1
+ 2X
2
9
X
1
, X
2
0

A soluo grfica do problema a seguinte:


Sabe-se que a soluo tima do modelo uma soluo compatvel bsica do sistema, ou seja,
um ponto extremo do polgono ABCDE.
O mtodo simplex, para ser iniciado, necessita conhecer uma soluo compatvel bsica
(soluo inicial) do sistema, isto , um dos pontos A, B, C, D ou E do trapzio. Suponha-se
que essa soluo seja o ponto A.
O mtodo simplex verifica se a presente soluo tima. Se for o processo est encerrado. Se
no for tima, porque um dos pontos adjacentes fornece um valor maior que o ponto A.
Neste caso, o mtodo simplex faz ento mudana do ponto A para o ponto extremo
adjacente que mais aumente o valor da funo objetivo. No caso o ponto B.
Agora, tudo que foi feito para o ponto extremo A feito para o ponto extremo B. O processo
finaliza quando se obtm um ponto extremo onde todos os pontos extremos a ele adjacentes,
fornecem valores menores que a funo objetivo.
Como fazer, algebricamente, a mudana de um ponto extremo para outro, a ele adjacente?
Achar, portanto, a prxima soluo bsica (ponto extremo adjacente) exige a escolha de uma
varivel bsica para deixar a base atual, tornando-se no bsica, e a escolha de uma varivel
no bsica para entrar na base em sua substituio.
O mtodo simplex compreender, portanto, os seguintes passos:
1. Achar uma soluo compatvel bsica inicial.
2. Verificar se a soluo atual tima. Se for, pare. Caso contrrio siga para o passo III.
3. Determinar a varivel no-bsica que deve entrar na base.
4. Determinar a varivel bsica que deve sair da base.
5. Achar a nova soluo compatvel bsica, e voltar ao passo II.

Pontos extremos
X
2
X
1
E (0, 4)

D (1, 4)

C (3, 3)

A (0, 0)

B (3, 0)

A

B C

D

E

Z

Z
B
= 15

Z
E
= 8

Z
D
= 13

Z
C
= 24

4.6.3 O Mtodo Simplex
A seguir ser mostrado passo a passo o mtodo simplex.

Definio Geral de Programao Linear:
Maximizar ou Minimizar Z = C
1
X
1
+ C
2
X
2
+ .... + C
n
X
n
sujeito a:
a
11
X
1
+ a
12
X
1
+ ..........+ a
1n
X
n
( ou = ou ) b
1
a
21
X
1
+ a
22
X
1
+ ..........+ a
2n
X
n
( ou = ou ) b
2
a
31
X
1
+ a
32
X
1
+ ..........+ a
3n
X
n
( ou = ou ) b
3

a
m1
X
1
+ a
m2
X
1
+ ..........+ a
mn
X
n
( ou = ou ) b
m

X
1
, X
2
, X
3
, X
n
0

O Mtodo Simplex aplicado diretamente quando:
1. Todas as restries so b
i

1. Todos os b
i
0
2. Se quiser maximizar Z

Quando uma dessas condies no atendida estamos em presena de um caso particular.
O Mtodo Simplex ser estudado, acompanhando a seguinte formulao:

Maximizar Z = 3x1 + 2x2 + 5x3
Sujeito a
x1+ 2x2 + x3 430
3x1 + 2x3 460
xl + 4x2 420
x1, x2, x3 0

Primeiro passo: Transformar o sistema de M desigualdades lineares restritivas em um
sistema de M equaes lineares.
Para isso adiciona-se a cada uma das desigualdades uma varivel no-negativa chamada
Varivel de Folga".
Obs: Tm-se tantas variveis de folga quantos forem s restries.

Representao das Folgas = x
n+1
, x
n+2
, ... , x
n+m
.
Assim temos:
x1+ 2x2 + x3 + x4 = 430
3x1 + 2x3 + x5 = 460
xl + 4x2 + x6 = 420

Segundo passo: Colocar as equaes em forma de tabela
Z - 3x1 - 2x2 - 5x3 = 0
x1+ 2x2 + x3 + x4 = 430
3x1 +2x3 + x5 = 460
xl + 4x2 + x6 = 420

Terceiro passo: Determinar uma soluo inicial vivel.
Pode ser demonstrado que a soluo tima de um problema de programao linear uma
soluo bsica. Uma soluo bsica para um sistema de M equaes e N incgnitas.
Possui M variveis diferentes de O (zero) e (N - M) variveis iguais a 0 (zero). As variveis
diferentes de 0 (zero) so chamadas "Variveis Bsicas" e aquelas iguais a 0 (zero) so as
"Variveis No Bsicas".
No Mtodo Simplex escolhem-se como variveis bsicas aquelas em cuja coluna aparece um
valor igual a 1 e os demais iguais a 0 (zero).

Quarto passo: verificar se a soluo tima.
Examinar os valores dos coeficientes das Variveis no bsicas na l
a
linha (no exemplo, linha
de Z) e concluir:
a. Se todos os valores forem positivos a soluo tima e nica.
b. Se aparecerem valores positivos e alguns nulos a soluo tima mas no nica.
c. Se aparecer algum valor negativo a soluo no tima. Deve-se, ento executar o
5
o
passo.
Como pode se verificar na tabela a seguir, existem nmeros negativos na primeira linha,
assim a soluo no tima, e precisam-se continuar os passos do mtodo.

Base z X
1
X
2
X
3
X
4
X
5
X
6
b bi/aie equac.
Z 1 -3 -2 -5 0 0 0 0 0
X
4
0 1 2 1 1 0 0 430 430 1
X
5
0 3 0 2 0 1 0 460 230 2
X
6
0 1 4 0 0 0 1 420 ind. 3

Quinto passo: Determinar a varivel que entra (x
e
)
A varivel que entra deve satisfazer as seguintes condies:
ser igual a 0 (zero) na soluo atual (ou seja deve ser no bsica);
ter coeficiente menor ou igual a 0 (zero) na linha de Z (na l
a
linha);
possuir em sua coluna, pelo menos um coeficiente positivo. Escolher para entrar na
base aquela que apresentar, na linha de Z, o coeficiente negativo de maior valor
absoluto. Marcar a coluna na tabela.

Sexto passo: Determinar a varivel que sai (x
s
).
Calcula-se o valor de bi/aie para cada linha da tabela e escolhe-se para sair a varivel para a
qual o quociente tiver o menor valor no negativo.
Marcar na matriz a linha de x
s
. O quinto e sexto passos podem ser vistos nesta tabela:

Base z X
1
X
2
X
3
X
4
X
5
X
6
b bi/aie equac.
Z 1 -3 -2 -5 0 0 0 0 0
X
4
0 1 2 1 1 0 0 430 430 1
X
5
0 3 0 2 0 1 0 460 230 2
X
6
0 1 4 0 0 0 1 420 ind. 3

Stimo passo: Calcular a nova matriz de coeficientes, executando as operaes convenientes
nas linhas da matriz.
Os coeficientes da nova matriz podem ser calculados da seguinte maneira:
1
0
- Dividir todos os elementos da linha marcada pelo piv (esta linha no muda mais).
2
0
- Multiplicar a linha marcada pelo fator Fi= a
ie
/ a
se
Subtrair a linha i da matriz, da linha marcada e multiplicada pelo fator Fi.
3
0
- Substituir na coluna base a varivel que sai pela varivel que entra.

O resultado destas operaes na tabela anterior resulta em:
entra
sai Piv

Base z X
1
X
2
X
3
X
4
X
5
X
6
b bi/aie equac.
Z 1 4.5 -2 0 0 2.5 0 1150 0
X
4
0 -0.5 2 0 1 -0.5 0 200 100 1
X
3
0 1.5 0 1 0 0.5 0 230 ind. 2
X
6
0 1 4 0 0 0 1 420 105 3

Como na primeira linha da coluna de X
2
aparece um nmero negativo, a soluo ainda no a
tima.
Oitavo passo: Repetir todos os passos, do 4
0
ao 7
0
, tantas vezes quanto forem necessrias, at
que a soluo tima seja encontrada. O resultado final da tabela anterior aparece na prxima
iterao, e como no existem mais nmeros negativos na primeira linha a soluo tima. O
resultado mostrado a seguir.
Base z X
1
X
2
X
3
X
4
X
5
X
6
b bi/aie equac.
Z 1 4 0 0 1 2 0 1350 0
X
2
0 -0.25 1 0 0.5 -0.25 0 100 1
X
3
0 1.5 0 1 0 0.5 0 230 2
X
6
0 2 0 0 -2 1 1 20 3

O mximo Z 1350, para X
2
= 100, X
3
= 230 e X
6
= 20.

4.6.4 O problema do GIAPETTO pelo simplex
Resolvendo o problema de
Giapetto pelo simplex
Max Z = 3X1 + 2X2
sujeito a:
2X1 + X2 100
X1 + X2 80
X1 40
X1 0
X2 0

Converter o problema de PL na
forma cannica
Max Z = 3X1 + 2X2
sujeito a:
2X1 + X2 + X3 = 100
X1 + X2 + X4 = 80
X1 + X5 = 40
X1, X2, X3, X4 e X5 0

Max Z = 3X1 + 2X2
sujeito a:
2X1 + X2 + X3 = 100
X1 + X2 + X4 = 80
X1 + X5 = 40
X1, X2, X3, X4 e X5 0
Variveis no bsicas: X1 = X2 = 0
Variveis bsicas: X3 = 100 X4 = 80 X5 = 40
Soluo bsica inicial

O problema pode ser
representado assim:
Z X1 X2 X3 X4 X5 b Razo
Base 1 -3 -2 0 0 0 0
X3 0 2 1 1 0 0 100
X4 0 1 1 0 1 0 80
X5 0 1 0 0 0 1 40

100/2=50
80/1=80
40/1=40
Indica que
X1 entra no
lugar de X5
Soluo parcial: (0, 0, 100, 80, 40)
Prximo quadro - Base: X3, X4 e X1
Devem se colocadas na forma cannica
Pivo
X1 entra na base

Base 1 0 -2 0 0 3 120
X3 0 0 1 1 0 -2 20
X4 0 0 1 0 1 -1 40
X1 0 1 0 0 0 1 40

Pivo
Ainda no a
soluo tima
20/1=20
40/1=40
40/0
Indica que
X2 entra no
lugar de X3
Soluo parcial: (40, 0, 20, 40, 0)
Segunda iterao

Base 1 0 0 2 0 -1 160
X2 0 0 1 1 0 -2 20
X4 0 0 0 -1 1 1 20
X1 0 1 0 0 0 1 40

Ainda no a
soluo tima
Pivo
-10
20
40
Indica que
X5 entra no
lugar de X4
Soluo parcial: (40, 20, 0, 20, 0)
Terceira iterao

soluo tima
Base 1 0 0 1 1 0 180
X2 0 0 1 -1 2 0 60
X5 0 0 0 -1 1 1 20
X1 0 1 0 1 -1 0 20

Valor mximo possvel
para a funo objetivo
Soluo tima: (20, 60, 0, 0, 20)
A restrio 4 tem um folga de 20
Quarta iterao

Max Z = 3X1 + 2X2
sujeito a:
2X1 + X2 + X3 = 100
X1 + X2 + X4 = 80
X1 + X5 = 40
X1, X2, X3, X4 e X5 0
Soluo do problema de
Giapetto pelo simplex
Soluo tima: (20, 60, 0, 0, 20)
Z = 3*20 + 2*60 = 180
A restrio 4 tem um folga de 20

4.6.5 Procedimento para minimizar Z
Se as variveis de deciso forem os custos, por exemplo, nosso objetivo ser minimiz-lo.
O mtodo empregado na minimizao converter o problema em um equivalente, envolvendo
maximizao, procedendo-se, ento da maneira usual do simplex. Esta converso consiste em
maximizar, negativamente, a funo objetivo original. Ento, se funo objetivo (FO) tratar
de minimizar Z, resolve-se o problema para mximo (-Z); isto , troca-se o sinal da FO e
mantm-se inalteradas as inequaes (e/ou equaes) resolvendo-se o problema de modo
convencional. Determinado (-Z) troca-se seu sinal.

4.6.6 Exerccios
Resolver pelo Simplex as seguintes formulaes:
1) Max Z = 5X
1
+2X
2

Sujeito a:
X
1
3
X
2
4
X
1
+ 2X
2
9
X
1
0
X
2
0

2) Min Z = 2X
1
- 3X
2

Sujeito a:
X
1
+ X
2
4
X
1
- X
2
6
X
1
0
X
2
0

3) Min Z = 4X
1
- X
2

Sujeito a:
2X
1
+ X
2
8
X
2
5
X
1
- X
2
4
X
1
0
X
2
0

4.7 O Mtodo Big M
O Mtodo simplex explicado diretamente quando:
1. Todas as restries so bi;
2. Todos os bi 0;
3. Se quer maximizar Z.

Quando uma dessas condies no satisfeita estamos em presena de um caso particular.

4.7.1 Procedimento a aplicar quando as restries so () ou
(=) bi, sendo todos os bi 0
Obs: Sempre que os bi de alguma restrio for negativo, multiplicar a respectiva restrio por
(-1). Exemplo:
x1 - 4x2 + 2x3 - 23 -x1 + 4x2 2x3 23

Quando as restries so () ou (=) a bi, no temos uma base, isto , uma soluo inicial,
conforme mostrado Simplex. Neste caso, usam-se as tcnicas (ou mtodos):
a) Mtodo "Big M" ou "Mtodo das penalidades";
b) Mtodo das duas fases ou Mtodo da funo objetivo artificial.

4.7.2 O procedimento do mtodo Big M
Para empregar o mtodo Big M, procede-se da seguinte maneira:
1. Acrescentam-se as variveis de folga as restries do tipo () ou () para torn-las
equaes. No caso () soma-se, no () subtra-se a varivel de folga.
2. No caso de restries () ou (=) a bi, bi 0; adiciona-se s restries mais uma varivel
no negativa, chamada varivel de artificial (X
1
a
), uma para cada restrio que for
necessria. A adio das variveis artificiais s equaes causa uma violao das
respectivas restries. Esta violao contornada, assegurando-se que estas variveis
artificiais sejam iguais zero na soluo final. Isto feito atribuindo-se uma penalidade
muito grande para estas variveis artificiais na funo objetivo. Tal penalidade ser
designada por (-M) para os problemas de maximizao, sendo M > 0.
3. Substituem-se as variveis artificiais da FO, pelo seu valor tirado das equaes restritivas
onde aparecem.
4. Procede-se da maneira usual do Simplex.

Obs: Se a varivel artificial for diferente de zero na soluo final, o problema no tem
soluo.
Resolver as seguintes formulaes:
1) Min Z = 2X
1
+ 3X
2

Sujeito a:
1/2X
1
+ 1/4X
2
4
X
1
+ 3X
2
20
X
1
+ X
2
= 10
X
1
0
X
2
0
2) Min Z = 2X
1
+3X
2

Sujeito a:
2X
1
+ X
2
4
X
1
- X
2
-1
X
1
0
X
2
0

4.7.3 O Mtodo das duas fases
Primeira fase: formular um novo problema, trocando a funo objetivo original por uma
artificial, representada pela soma das variveis artificiais. Como o objetivo tornar nulas
todas as variveis, devemos minimizar, primeiramente, a funo objetivo artificial W,
levando-se em conta os seguintes fatos, no algoritmo simplex:
a. A FO W;
b. A FO Z do problema principal tratada como qualquer outra varivel durante a
operao de pivotagem;
c. A deciso a respeito da varivel que sai da base no inclui a linha correspondente a Z.

Resolvido o simplex para o problema artificial e obtida a soluo tima, W = W, encerra-se a
primeira fase do processo.

Neste caso, tm-se duas hipteses:
1
a
) W> O : neste caso o problema principal no tem soluo;
2
a
) W= O : existe uma soluo inicial para o problema principal. Passa-se a segunda
fase.

Segunda Fase: Inicia-se a segunda fase tomando-se as seguintes providncias:
a. Suprimem-se todas as variveis artificiais;
b. Suprime-se a funo objetivo artificial e trabalha-se com a funo objetivo do
problema principal.

Resolver as formulaes do item anterior, e a proposta a seguir pelo mtodo das duas fases.

Max Z = -1X
1
+2X
2

Sujeito a:
X
1
+ X
2
2
-1X
1
+ X
2
1
X
2
3
X
1
0
X
2
0
5. SOFTWARES

A utilizao de programao linear recomendada para problemas de maior porte, em que
muitas variveis e restries devem ser consideradas. Por isso, o desenvolvimento de
algoritmos computacionais eficientes e precisos tem sido a maior preocupao entre os
pesquisadores. Programas adequados existem, virtualmente, para cada sistema computacional
comercial desenvolvido nos ltimos 20 anos.
Problemas de grande porte requerem sistemas computacionais potentes e, portanto, sistemas
paralelos tm sido utilizados nos ltimos anos. Entretanto, problemas menores podem ser
resolvidos em um computador pessoal utilizando um dos softwares desenvolvidos para
resoluo de problemas de programao linear, como por exemplo, XPress-MP LINDO e
MINOS.
Para problemas considerados mdios, recomendvel a utilizao de planilhas eletrnicas
com recursos para resoluo de problemas. Exemplos destas planilhas so o "What's Best?"
(LINDO Systems) para Lotus 1-2-3, o Microsoft Excel e Borland Quattro e ainda o solver
para microsoft Excel. Todos eles so ferramentas poderosas, apesar de sua aparncia simples.
O Solver do Excel ser utilizado em alguns exemplos apresentados. Outro programa que
tambm ser visto o LINDO.
O instituto de pesquisa operacional e cincias administrativas (INFOR-MS) publicam,
eventualmente, pesquisas sobre os softwares de programao matemtica em seu peridico
OR/MS Today. O relatrio de 1995 apresenta softwares que rodam em computadores pessoais
e destaca softwares capazes de atacar problemas maiores tanto quanto extenses de planilhas
eletrnicas.

5.1 Uma introduo ao uso do LINDO
LINDO (Linear Interactive and Discrete Optimizer) foi desenvolvido por Linus Schrage
(1986). Ele um programa de computador que pode ser usado para resolver problemas de
programao linear, inteira e quadrtica. Para ilustrar seu uso, vamos usar o exemplo de
Giapetto, discutido anteriormente, e que foi sintetizado na seguinte formulao:


O programa executvel tem o nome LINDO, apesar de ele ser originalmente desenvolvido
para o ambiente DOS, pode-se execut-lo pelo Windows em suas verses mais novas.
O programa assume que todas as variveis precisam ser no negativas. Assim, usando o
programa no necessrio digitar as variveis de no negatividade. Para entrar com ou ,
basta digitar > ou <. O problema de Giapetto no programa fica da maneira ilustrada na figura
abaixo.

Para resolver o problema de otimizao, basta clicar no boto assinalado na figura a seguir.

A resposta do problema apresentada em uma tela apropriada ilustrada a seguir.

Max Z = 3X1 + 2X2
Sujeito a:
2X1 + X2 100
X1 + X2 80
X1 40
X1 0
X2 0
Clicar

5.2 Utilizando o Solver do Excel
Como foi dito anteriormente, a aplicao de programao linear no mais limitada pela
necessidade de um software especialista. Planilhas eletrnicas geralmente possuem
ferramentas que podem ser utilizados para atacar problemas de programao linear de
tamanho considervel. Talvez as duas planilhas mais utilizadas sejam o Excel, que contm um
opcional conhecido como solver, e o Lotus 1-2-3, que possui o mdulo What's best. Ambos os
sistemas so muito simples de serem utilizados e, embora sejam um pouco mais lentos que os
softwares especialistas, podem resolver problemas de tamanho razovel. Existem, claro,
alguns perigos na sua facilidade de uso, assim como existem armadilhas que devem ser
evitadas quando modelos de programao linear so construdos e rodados, as quais podem
ser encobertas neste software amigvel. Entretanto, a disponibilidade deste software algo
passvel de ser elogiada.
A discusso apresentada a seguir baseada no Microsoft Excel v7. Verses mais recentes ou
mais antigas deste software podero apresentar pequenas diferenas na estrutura, mas as
idias bsicas so as mesmas.

5.2.1 Formulao para o Solver
Na base de qualquer modelo de programao linear existe um conjunto de restries s quais
uma funo objetivo a ser otimizada est submetida. O exemplo simples de Giapetto foi
formulado anteriormente, neste captulo, atravs das equaes algbricas representadas a
seguir:

Max Z = 3X1+ 2X2
Sujeita a:
2X1 + X2 100
X1 + X2 80
X1 40
Funo objetivo

Restrio quanto a tempo de acabamento
Restrio quanto a tempo de carpintaria
Restrio de venda mxima de soldados

Estas equaes podem ser representadas de maneira diferente, atravs da utilizao de
matrizes. Esta representao est exposta a seguir:

X1 = nmero
de soldados
X2 = nmero de
trens

maximizar 3 2
Sujeito as
restries
limite
2 1 100
1 1 80
1 0 40
Lucro bruto
Soluo 0 0 0

Com exceo da ltima linha, denominada soluo, as demais restries expostas nas matrizes
j eram conhecidas. A linha de soluo representa os valores atribudos a X1 e X2 antes de
qualquer otimizao. No estado atual, ambos X1 e X2 so definidos como zero o que resulta
em um lucro bruto de zero unidade.
O primeiro estgio de uso Solver escrever esta matriz na planilha, como apresentado na
Figura 5.1. Como em qualquer planilha, muito importante observar que algumas clulas
contm valores constantes, mas outras contm frmulas as quais assumem os valores que so
exibidos nas mesmas. Neste exemplo, as clulas D4, D5, D6 e E8 contm frmulas. As
demais contm textos, que so utilizados para deixar o exemplo mais claro, ou contm
valores.

Figura 5.1 - Formulao bsica do problema.

Uma rpida explicao da Figura 5.1 a seguinte:
1. Neste exemplo, as colunas B e C possuem os valores dos coeficientes das expresses
utilizadas na formulao algbrica e na tabela anteriormente.
2. A linha 2 contm os valores dos coeficientes da funo objetivo (2 e 1).
3. As linhas 4 a 6 apresentam os valores dos coeficientes das restries descritas
anteriormente.
4. A linha 8 contm os valores dados inicialmente para X1 e X2 antes de qualquer
otimizao.
5. A coluna D possui suas linhas com valor zero, porm suas clulas representam a
utilizao das trs restries. Assim, a clula D4 contm a frmula:

= $B$8*$B4 + $C$8*$C4

Observe que as referncias s clulas B10 e C10 so ambas absolutas. Assim, esta frmula
estendida da clula D4 a D6 dada por:

D4 = $B$8*$B4 + $C$8*$C4
D5 = $B$8*$B5 + $C$8*$C5
D6 = $B$8*$B6 + $C$8*$C6

A coluna E foi utilizada para que os limites mximos e mnimos das restries fossem
observados, a qual freqentemente conhecida como right-hand-sides (abreviada como RHS
por muitas pessoas). Assim, existe um limite de 100 horas para acabamento, de 80 horas para
carpintaria e venda mxima de 40 soldados. A coluna D, como mencionado anteriormente,
usada para armazenar a utilizao atual dos recursos. Assim, a clula D4 representa a
quantidade da restrio horas de acabamento que foi utilizada e seu valor zero, uma vez que
as clulas B8 e C8 contm valor zero antes de qualquer otimizao.
Finalmente, uma clula da planilha deve ser utilizada para armazenar o resultado da
otimizao (neste caso, o valor do lucro semanal obtido); nesta planilha, este valor est
contido na clula E8.

5.2.2 Janela de Parmetros do Solver
Utilizando os botes do mouse ou o teclado, devemos selecionar o Solver a partir do menu de
ferramentas do Microsoft Excel. A Figura 5.2 apresenta a janela que ir aparecer na tela. Esta
janela de parmetros do Solver utilizada quando o usurio fornece ao Solver as informaes
necessrias para que o mesmo busque a soluo otimizada.

Figura 5.2 Janela de parmetros do Solver.

Para chegarmos soluo tima do exemplo, o Solver precisa das seguintes informaes:
1. Onde o valor da funo objetivo ser armazenado? Este valor representa o resultado da
otimizao dado pela combinao de valores de X1 e X2 determinada. Neste caso, o
resultado ser armazenado na clula E8. Isto significa que a clula E8 deve conter a
frmula apropriada para a otimizao, a qual, neste caso, dada por: = $B$2*$B$8 +
$C$2*$C$8. Observe que as clulas de referncia so absolutas - o que recomendvel,
porm no necessrio.
2. Quais so as restries e que forma as mesmas possuem? Para fornecer estas informaes
para o Solver, clique no boto adicionar da subjanela de restries da janela dos
parmetros do Solver. Uma caixa de dilogo, como a apresentada na Figura 5.3, ir
aparecer. Neste caso, a caixa de dilogo corresponde primeira restrio, a restrio das
horas de acabamento, a qual possui seus coeficientes nas clulas B4 e C4 e sua expresso
est contida na clula D4. Assim, a clula $D$4 deve ser digitada na caixa referncia de
clula, uma vez que a mesma contm a expresso da restrio. Esta restrio do tipo
menor ou igual a, assim devemos selecionar este smbolo da caixa central da janela.
Finalmente, o valor mximo para esta restrio encontra-se na clula $E$4 e esta clula
deve ser indicada na caixa esquerda da janela. Aperte o boto OK e a caixa de dilogo
ir fechar-se retornando janela de parmetros do Solver. Cada uma das restries deve
ser descrita do mesmo modo como a anterior.

Figura 5.3 - Janela para entrada das restries.

3. Quais clulas iro conter os valores de X1 e X2, os quais sero modificados at que se
otimize a funo objetivo, e qual tipo de otimizao deve-se procurar? Esta informao
deve ser fornecida pelo usurio atravs da janela de parmetros do Solver. As clulas
cujos valores sero variados so a B8 e a C8 e, como mostra a Figura 5.4, devem ser
descritas como clulas de referncia na caixa clulas variveis. Como se busca a
maximizao destas variveis, a opo Max deve ser selecionada.


Figura 5.4 - Entrada das clulas que iro variar para que a soluo tima seja encontrada
(clulas variveis).

Antes de executar a otimizao, interessante informar ao Solver que todas as restries so
expresses lineares, assim como a funo objetivo. Estas informaes devem ser fornecidas,
pois estamos tratando de um problema de programao linear. Para entrar com esta
informao, clique o boto opes da janela dos parmetros do Solver. Uma nova janela ir
aparecer onde a opo presume modelo linear deve ser selecionada. Isto ir aumentar a
velocidade da otimizao e, tambm, far com que os relatrios fornecidos sejam adaptados
para o formato de problemas de programao linear (veja a seguir).
Para executar a otimizao, retorne janela de parmetros do Solver e aperte o boto resolver.
A Figura 5.5 apresenta o resultado da otimizao.

Figura 5.5 - Soluo do problema

importante observar que muitas outras informaes, alm do valor timo das variveis
estudadas, podem ser obtidas a partir da soluo fornecida para um problema de programao
linear. Um bom pacote computacional como o Solver fornece relatrios que ajudam o usurio
a entender muito mais sobre a soluo apresentada. O Solver fornece trs relatrios padro e
permite que sua soluo seja exportada para outro pacote se uma anlise mais detalhada for
necessria.

5.2.3 O Relatrio de Resultados do Solver
O relatrio resume os resultados da pasta de trabalho e tambm fornece algumas informaes
a mais. Estas informaes extras podem ser calculadas pelo usurio, mas importante guard-
las em algum lugar. O relatrio da otimizao para o problema apresentado mostrado na
Figura 5.6 e possui trs partes, como descrito abaixo:
Clula de destino (Mximo): apresenta o mximo lucro obtido pelo Solver. Se este
fosse um problema de minimizao, esta seo iria conter o valor mnimo.
Clulas ajustveis: mostram as variveis de entrada, seus valores aps a soluo tima
e seus valores iniciais (zero, neste caso).

Restries: indica a utilizao de cada um dos recursos ao final da otimizao. A coluna de
status classifica as restries como obrigatria (restrio com utilizao mxima) ou no-
obrigatria estas ltimas so as que apresentam algum recurso que no foi utilizado - indicado
pelo valor diferente de zero na coluna diferencial (slacks - folgas).
Os outros dois relatrios fornecem mais informaes sobre a sensibilidade da soluo tima,
informaes que podem ser importantes por vrias razes. Primeiro, porque so raros os casos
de programao matemtica em cincias administrativas nos quais todos os coeficientes ou
valores do modelo so conhecidos com preciso. Geralmente, alguns coeficientes so
conhecidos e vrias sero aproximaes, estimativas ou at mesmo hipteses. O que fazer, se
os valores tomados forem errados? Qual ser o efeito destes erros na soluo? Assim, uma
soluo alternativa no to tima pode ser algumas vezes, melhor que uma soluo tima que
se toma sensvel aos valores atribudos aos coeficientes. A segunda razo que torna
importante a anlise de sensibilidade est relacionada idia de que o mundo dinmico e,
por isso, as coisas esto mudando constantemente. Por exemplo, pode ser verdade que esta
semana a matria-prima tenha certo custo, porm, se o perodo observado for um ms, este
custo pode ser diferente. Assim, importante conhecer quais so os efeitos que as mudanas
nos coeficientes podem gerar na soluo tima.

Figura 5.6 - Relatrio de resposta para o problema
6. CASOS PARTICULARES NO SIMPLEX

6.1 Caso de mltiplas solues
Se um problema de PL (programao linear) tem mais de uma soluo, ns dissemos que o
problema tem mltiplas solues alternativas. Vejamos como identificar isto no Simplex.
A anlise ser feita atravs do seguinte problema: Um fabricante de mveis fornece os
seguintes produtos: mesas, armrios e cadeiras. A fabricao de cada tipo de produto requer
chapas de mogno e dois tipos de mo de obra, uma para acabamento e outra para carpintaria.
A quantidade de recursos para cada tipo de produto dada na tabela abaixo.

Recurso armrio mesa cadeira
Mogno 8 m
2
6 m
2
1 m
2
Horas de
acabamento
4 2 1.5
Horas de
carpintaria
2 1.5 0.5

No momento, 48 m
2
de chapas de mogno, 20 horas de acabamento e 8 horas de carpintaria
esto disponveis. O armrio vendido por $60, a mesa por $35 e a cadeira por $20. A
empresa acredita que a demanda por armrios e cadeiras seja ilimitada, mas que o mercado
adquire no mximo 5 mesas. Uma vez que os recursos estejam disponveis, a empresa deseja
maximizar o seu lucro. A formulao do problema a seguinte:

Variveis de deciso:
X1 = nmero de armrios a serem produzidos
X2 = nmero de mesas a serem produzidas
X3 = nmero de cadeiras a serem produzidas

Max Z = 60X1 + 35X2 + 20X3
Sujeito a:
8X1 + 6X2 + X3 48 (restrio de mogno)
4X1 + 2X2 + 1.5X3 20 (restrio de acabamento)
2X1 + 1.5X2 + 0.5X3 8 (restrio de carpintaria)
X2 5 (limitao de demanda de mesas)
X1, X2, X3 0

A tabela inicial, a intermediria e a de soluo mostrada abaixo.

Z X1 X2 X3 X4 X5 X6 X7 b razo
base 1 -60 -35 -20 0 0 0 0 0
X4 0 8 6 1 1 0 0 0 48 6
X5 0 4 2 1.5 0 1 0 0 20 5
X6 0 2 1.5 0.5 0 0 1 0 8 4
X7 0 0 1 0 0 0 0 1 5 no

base 1 0 -10 -5 0 0 30 0 240
X4 0 0 0 -1 1 0 -4 0 16 no
X5 0 0 -1 0.5 0 1 -2 0 4 8
X1 0 1 0.75 0.25 0 0 0.5 0 4 16
X7 0 0 1 0 0 0 0 1 5 no

base 1 0 0 0 0 10 10 0 280
X4 0 0 -2 0 1 2 -8 0 24 24
X3 0 0 -2 1 0 2 -4 0 8 8
X1 0 1 1.25 0 0 -0.5 1.5 0 2 2
X7 0 0 1 0 0 0 0 1 5 5

Lembra-se que todas as variveis bsicas precisam ter coeficiente 0 (zero) na primeira linha
(de outra forma elas no seriam bsicas). Entretanto na ltima tabela (tima), existe uma
varivel no bsica, X2, que tem o coeficiente na primeira linha igual zero. Vejamos o que
ocorre se X2 entrar na base. O teste de razo mostra que X2 deveria entrar no lugar de X1. A
tabela com o resultado mostrada o a seguir.

base 1 0 0 0 0 10 10 0 280
X4 0 1.6 0 0 1 1.2 -5.6 0 27.2 27.2
X3 0 1.6 0 1 0 1.2 -1.6 0 11.2 11.2
X2 0 0.8 1 0 0 -0.4 1.2 0 1.6 1.6
X7 0 -0.8 0 0 0 0.4 -1.2 1 3.4 3.4

Uma importante observao que devido a X2 ter coeficiente 0 (zero) na primeira linha da
tabela de resultado timo, o fato de X2 entrar na base no muda a primeira linha. Isto significa
que todas as variveis na nova primeira linha continuam com coeficientes positivos. Assim, a
nova tabela tambm tima. Uma vez que o piv no mudou o valor de Z, uma soluo
alternativa para o exemplo Z = 280, X4 = 27.2, X3 = 11.2, X2 = 1.6 e X1 = X5 = X6 = 0.
Em resumo, a empresa pode obter um lucro de $280 fabricando 2 armrios e 8 cadeiras ou
fabricando 1.6 mesas e 11.2 cadeiras. Assim, o problema tem mais de um ponto timo
extremo. Cada ponto entre a linha que liga estes pontos tambm soluo.
Quando a formulao tem apenas 2 variveis, como a formulao abaixo, esta situao
facilmente identificada na soluo grfica, como mostra a figura do QM for Windows a
seguir.
Max Z = 3X1 + 2X2
Sujeito a:
1/40X1 + 1/60X2 1
1/50X1 + 1/50X2 1
X1, X2 0


6.2 Caso de soluo ilimitada

Este caso ocorre quando a varivel que entra na base no possui em sua coluna nenhum
coeficiente positivo. Os programas de computador apresentam a ltima soluo bsica antes
que a soluo se torne ilimitada.
Um caso de soluo ilimitada o seguinte:
Max Z = 2X1 X2
Sujeito a:
X1 X2 1
2X1 + X2 6
X1, X2 0

O grfico e soluo do problema pelo QM for Windows visto na figura a seguir.
Na outra figura mostra-se que a varivel que vai entrar na base a X3, mas todos os
coeficientes so negativos, configurando o caso de soluo ilimitada.

6.3 Problema da degenerao
No desenvolvimento do simplex, a linha piv a restrio que apresenta o menor quociente
no negativo, na diviso dos termos independentes pelos coeficientes positivos da varivel
que entra.
Pode ocorrer que haja mais de um resultado nessas condies. Deve-se escolher
arbitrariamente um deles para calcular a soluo. Entretanto, essa soluo apresentar
variveis bsicas com valor nulo. A sada de uma varivel bsica nula provoca o aparecimento
de outra varivel bsica nula na soluo seguinte, sem alterao do valor do objetivo.
Neste caso, a soluo chamada degenerada. Se os coeficientes da funo objetivo retornam
no negativos em alguma iterao, o caso no apresenta dificuldade. O problema aparece
quando a iterao leva a longos circuitos, sem caracterizar a soluo tima. Embora o caso
seja raro, h maneiras de solucion-lo. Entretanto, a discusso deste caso no relevante a
nvel deste curso.

7. ANLISE ECONMICA

7.1 O conceito da anlise econmica

A anlise econmica baseia-se nos coeficientes das variveis, na funo objetivo final. Este
tpico ser explicado atravs da anlise dos coeficientes do problema de Giapetto.
Reconsiderando o problema de Giapetto.

Max Z = 3X1 + 2X2
Sujeito a:
2X1 + X2 100 (Restrio de acabamento)
X1 + X2 80 (Restrio de carpintaria)
X1 40 (Restrio de demanda)
X1, X2 0

Onde:
X1 = Nmero de soldados
X2 = Nmero de trens

Para aplicar o Simplex a formulao fica:
Max Z = 3X1 + 2X2
Sujeito a:
2X1 + X2 + X3 = 100 (Restrio de acabamento)
X1 + X2 + X4 = 80 (Restrio de carpintaria)
X1 + X5 = 40 (Restrio de demanda)
X1, X2 0

Onde:
X3 = sobra de horas de acabamento;
X4 = sobra de horas de carpintaria;
X5 = sobra de demanda.

Soluo do problema: Z = 180, X1 = 20; X2 = 60 e X5 = 20. X1 e X2 significam a ordem de
produo, 20 soldados e 60 trens devero ser produzidos. A ltima tabela (soluo tima)
pode ser vista novamente a seguir.

Z X1 X2 X3 X4 X5 b
Base
1 0 0 1 1 0 180
X2 0 0 1 -1 2 0 60
X5 0 0 0 -1 1 1 20
X1 0 1 0 1 1 0 20

As interpretaes do resultado sero feitas a seguir.

1. X5 = 20 (varivel bsica) significa que Giapetto vai deixar de atender o mercado em 20
unidades de soldados;
2. X3 = 0 (varivel no bsica), mas seu coeficiente na tabela igual a 1. Esta varivel
representa a folga da restrio de acabamento. O valor 1 do coeficiente significa que para
cada 1 hora a mais de acabamento, o lucro de Giapetto aumentar de 1. Este valor
significa o adicional mximo que se pode pagar por hora adicional de acabamento.
Analogamente 1 hora a menos, significa que o lucro diminuir de 1. O zero como
resultado da varivel no bsica tambm significa que o recurso escasso, ou seja, toda a
disponibilidade dele necessria para que o resultado seja atendido;
3. X4 = 0 (varivel no bsica), mas seu coeficiente na tabela igual a 1. Esta varivel
representa a folga da restrio de carpintaria. O valor 1 do coeficiente, significa que para
cada 1 hora a mais de acabamento, o lucro de Giapetto tambm aumentar de 1. Este valor
significa o adicional mximo que se pode pagar por hora adicional de carpintaria.
Analogamente 1 hora a menos de carpintaria, significa que o lucro diminuir de 1. O zero
como resultado da varivel no bsica tambm significa que o recurso escasso, ou seja,
toda a disponibilidade dele necessria para que o resultado seja atendido;
4. X5 = 20 (varivel bsica), mas seu coeficiente na tabela igual a 0 (zero). O fato de o
coeficiente ser igual a 0, significa que o recurso no escasso (produo abaixo do
mercado). Este resultado poderia Giapetto rever seus possveis investimentos em
marketing para soldados. Tambm poderia fazer pens-lo em aumentar o preo do
soldado, uma vez que a demanda maior que a oferta.

7.2 Exerccio
Fazer anlise semelhante para o problema a seguir.
No programa de produo do prximo perodo, uma determinada empresa escolheu 3
produtos P1, P2 e P3. O quadro abaixo mostra os montantes solicitados por unidade na
produo.

Produto Lucro por
unidade
Horas de
trabalho
Horas de uso de
mquina
Demanda
mxima
P1 2100 6 12 800
P2 1200 4 6 600
P3 600 6 2 600

Os preos de venda foram fixados por deciso poltica e as demandas foram estimadas tendo
em vista estes preos. A empresa pode obter um suprimento de 4800 horas de trabalho
durante o perodo de processamento e pressupe-se usar trs mquinas que podem prover
7200 horas de trabalho. Estabelecer um programa timo de produo para o perodo. Analisar
os coeficientes das variveis de folga da soluo final.

8. DUALIDADE
8.1 Fundamento da dualidade
Em determinadas situaes, a quantidade de clculos necessria para resolver um modelo
linear pelo mtodo Simplex pode ser reduzida. O modelo inicial chamado Primal, pode ser
substitudo por outro modelo chamado Dual, cuja soluo mais rpida. Ser mostrado que
uma vez conhecida soluo do Dual, conhece-se em conseqncia a soluo do Primal, o
que resolve o problema.
Seja o seguinte problema, que ser chamado de Primal:
Max Z = 2X1 + 3X2 + X3
Sujeito a:
3X1 + 4X2 + 2X3 10
2X1 + 6X2 + X3 20
X1 X2 X3 30
X1, X2, X3 0

A obteno do Dual se processa da seguinte maneira: para cada restrio ser atribuda uma
varivel de deciso (Yi). A funo objetivo do Dual ser de minimizao e cada uma de suas
parcelas ser o produto da varivel Yi pelo termo da direita da restrio correspondente. Cada
varivel de deciso do Primal gera uma restrio no Dual. Neste caso o sinal ser , e o termo
da direita ser o coeficiente da varivel Primal na funo objetivo. Todas as variveis do Dual
sero no negativas. O quadro a seguir sintetiza as regras bsicas para obteno do Dual.

Assim, o Dual ser formulado da seguinte maneira:
Min W = 10Y1 + 20Y2 + 30Y3
Sujeito a:
3Y1 + 2Y2 + Y3 2
4Y1 + 6Y2 - Y3 3
2Y1 + Y2 Y3 1
Y1, Y2, Y3 0

De modo anlogo, para o problema de minimizao e sinais de no Primal, o Dual obtido
como mostrado no exemplo a seguir.

Primal:
Min Z = 10X1 + 20X2 + 30X3
Sujeito a:
Varivel Dual
3X1 + 2X2 + X3 2 Y1
4X1 + 6X2 - X3 3 Y2
2X1 + X2 X3 1 Y3
X1, X2, X3 0

Dual:
Max W = 2Y1 + 3Y2 + Y3
Sujeito a:
Termos da direita
3Y1 + 4Y2 + 2Y3 10 Coeficiente de X1
2Y1 + 6Y2 + Y3 20 Coeficiente de X2
Y1 - Y2 - Y3 30 Coeficiente de X3
Y1, Y2, Y3 0

A soluo tima Primal corresponde soluo tima Dual com Z = W. O coeficiente da
varivel de deciso na funo objetivo Primal o valor da varivel de folga correspondente na
soluo Dual. O coeficiente da varivel de folga da funo objetivo Primal o valor da
varivel de deciso correspondente na soluo Dual. Como o Primal o Dual do prprio
Dual, vale o raciocnio no sentido Dual para o Primal.

8.2 Exerccios sobre obteno da formulao dual
Achar o Dual das seguintes formulaes:
1) Max Z = 3x1 + 4x2 + x3
Sujeito a:
2x1 + 5x2 + 3x3 10
3x1 + 6x2 + x3 20
x1 x2 x3 30
2x1 x2 + 5x3 40
x1, x2, x3 0

2) Max Z = 2x1 + 3x2 + x3
Sujeito a:
x1 + x2 10
2x1 + 4x2 x3 = 20
x1, x2, x3 0

8.3 O dual de Giapetto e sua interpretao econmica
O Dual do problema do Giapetto obtido como se mostra a seguir.
Primal:
Max Z = 3X1 + 2X2
Sujeito a:
Varivel
Dual
2X1 + X2 100 Y1
X1 + X2 80 Y2
X1 40 Y3
X1, X2 0

Dual:

Min W = 100Y1 + 80Y2 + 40Y3
Sujeito a:
Termos da direita
2Y1 + Y2 + Y3 3 Coeficiente de X1
Y1 + Y2 2 Coeficiente de X2
Y1, Y2, Y3 0

A ltima tabela do Primal, com a soluo tima vista a seguir.

Z X1 X2 X3 X4 X5 b
Base
1 0 0 1 1 0 180
X2 0 0 1 -1 2 0 60
X5 0 0 0 -1 1 1 20
X1 0 1 0 1 1 0 20

A ltima tabela do Dual, com a soluo tima vista a seguir.

Z Y1 Y2 Y3 Y4 Y5 Y
a
1
Y
a
2
b
Base
-1 0 0 20 20 60 M-20 M-60 -180
Y1 0 1 0 1 -1 1 1 -1 1
Y2 0 0 1 -1 1 -2 -1 2 1

Correspondncia:

Coeficiente de X1 = 0 (var. deciso) Valor de Y4 = 0 (var. folga)
Coeficiente de X2 = 0 (var. deciso) Valor de Y5 = 0 (var. folga)
Coeficiente de X3 = 1 (var. folga) Valor de Y1 = 1 (var. deciso)
Coeficiente de Y1 = 0 (var. deciso) Valor de X3 = 0 (var. folga)
Coeficiente de Y4 = 20 (var. folga) Valor de X1 = 20 (var. deciso)
Coeficiente de Y5 = 60 (var. folga) Valor de X2 = 60 (var. deciso)
Valor de Z = 180 Valor de W = 180

As variveis de deciso do Dual representam os recursos do Primal. Assim Y1 = 1, esta
varivel de deciso representa a primeira restrio (acabamento) e seu valor o mesmo do
coeficiente da varivel de folga X3 do Primal. Seu significado , portanto que para cada
unidade adicional do recurso acabamento o lucro ser incrementado de 1.
Y2 = 1, esta varivel de deciso representa a segunda restrio (carpintaria) e seu valor o
mesmo do coeficiente da varivel de folga X4 do Primal. Seu significado , portanto que para
cada unidade adicional do recurso carpintaria o lucro ser incrementado de 1.
A funo objetivo Dual mede, ento, a capacidade do estoque de recursos gerarem lucros.

8.4 Exerccio
Suponha que um problema de produo tenha como modelo:
Max L = X1 + 0,3X2 + 3X3
Sujeito a:
X1 + X2 + X3 10
2X1 + X2 + 4X3 12
X1 3X2 X3 9
X1, X2 e X3 0

e que o quadro final de soluo pelo Simplex seja:
L X1 X2 X3 XF1 XF2 XF3 b
1 0.5 0.45 0 0 0.75 0 9
0 0.5 0.75 0 1 -0.25 0 7
0 0.5 0.25 1 0 0.25 0 3
0 1.5 3.25 0 0 0.25 1 12

Onde Xi so as decises de fabricao dos produtos Pi e XFi as sobras dos recursos Ri no
programa. O objetivo maximizar o lucro devido produo e comercializao dos produtos.
Responder as seguintes perguntas:
1. Qual a soluo mostrada no quadro?
2. Quais os recursos escassos?
3. O que ocorreria se por um motivo de fora maior tivesse que fabricar uma unidade de
P1?
4. Se algum quisesse adquirir uma unidade do recurso R1, voc estaria disposto a
vender? Qual o preo que compensa a venda?
5. Se algum insistir em comprar uma unidade do recurso R2, que preo de venda
compensaria o fato dele ser escasso?
6. Construa o modelo Dual do problema?
7. Obter a soluo do Dual.
8. O que significa a varivel dual Y1?
9. O que mede a funo objetivo Dual?
10. O que mede o lado esquerdo da Segunda restrio Dual? E o lado direito?
11. Em termos de valores interno e externo, como podemos justificar a no fabricao de
P2 no programa?
12. Em termos de valores interno e externo, como podemos justificar a fabricao de P3?
13. Quanto voc pagaria por uma unidade adicional do recurso R2? Por qu?
14. Quanto voc pagaria por uma unidade adicional do recurso R3? Por qu?
9. ANLISE DE SENSIBILIDADE
Anlise de sensibilidade se refere a como mudana na formulao de um problema de
programao linear, afeta a soluo tima. Reconsiderando o problema de Giapetto.
Max Z = 3X1 + 2X2
Sujeito a:
2X1 + X2 100 (Restrio de acabamento)
X1 + X2 80 (Restrio de carpintaria)
X1 40 (Restrio de demanda)
X1, X2 0

Onde:
X1 = Nmero de soldados
X2 = Nmero de trens

Soluo tima Z = 180, X1 = 20, X2 = 60, ponto identificado no grfico abaixo. As
variveis bsicas so X1, X2 e X5 (varivel de folga da restrio de demanda). A questo que
se coloca em anlise de sensibilidade como alteraes nos coeficientes da funo objetivo e
no lado direito das inequaes que representam as restries afetam a soluo tima.

9.1 Mudana nos coeficientes da funo objetivo

Se a contribuio para o lucro de cada soldado crescer, parece lgico que a deciso tima para
o problema seria produzir mais soldados (o que faria X3 se tornar no bsica). De forma
anloga se a contribuio decrescer a deciso lgica seria a produo de apenas trens (X1 se
tornaria no bsica). Ser mostrado a seguir como o valor de contribuio para o lucro pode
variar e a soluo tima ainda permanecer.
Seja C
1
a contribuio para o lucro de cada soldado. Para quais valores de C
1
a corrente
soluo permanece tima?
Na formulao C
1
= 3 e cada linha reta que representa a funo objetivo igual a uma constante
tem a seguinte equao: 3X1 + 2X2 = constante, ou X2 = -3/2 X1 + constante/2. Cada linha
paralela tem o coeficiente angular igual a 3/2. Da figura anterior pode-se ver que uma
mudana em C
1
causa uma mudana na inclinao desta linha. Se esta inclinao for menor
que a da restrio de carpintaria, a soluo tima passar a ser a do ponto A. Se a contribuio
para o lucro de cada soldado C
1
, o coeficiente angular da reta ser - C
1
/2. Uma vez que o
coeficiente angular da restrio de carpintaria 1, a reta que representa a funo objetivo
ser menos inclinada que a d restrio de carpintaria se C
1
/2> -1, ou C
1
< 2, e a nova
soluo tima ser (0, 80), ponto A da figura anterior.
Se a inclinao da reta for maior que a da restrio de acabamento a soluo ira do ponto B
para o ponto C. O coeficiente angular da restrio de acabamento 2. Se C
1
/2 < -2, ou C
1

> 4, a soluo corrente deixa de ser tima e o ponto C (40, 20) passar a ser timo.
Em resumo, foi mostrado que (se todos outros parmetros permanecerem inalterados) a
soluo corrente permanece tima para 2 < C
1
< 4, e Giapetto deveria continuar fabricando 20
soldados e 60 trens. claro que com a alterao a funo objetivo tem seu valor modificado..

9.2 Mudana no lado direito das inequaes
Atravs da anlise grfica fcil identificar se uma variao no valor do lado direito de uma
inequao faz com que a base deixe de ser tima. Fazendo b1 o nmero de horas disponveis
de acabamento. Na formulao atual b1 igual a 100. Para que valores de b1 a base corrente
deixa de ser tima? Pela anlise da figura a seguir identifica-se que uma variao em b1 a reta
da restrio de acabamento se desloca paralelamente reta inicial.
Nota-se que para b1 > 120, a corrente base deixa de ser tima. O mesmo ocorre para b1 < 80.
Assim, a base corrente permanece para 80 < b1 < 120. Nota-se que embora a base permanea
a mesma, os valores das variveis de deciso e funo objetivo mudam. Por exemplo, se 80 <
b1 < 100, a soluo tima ser entre o ponto B e outro no segmento AB. De forma anloga, se
100 < b1 < 120, a soluo tima mudar para algum ponto do segmento BC.


Se um problema de programao linear tiver mais de 2 variveis de deciso, as variaes
possveis dos coeficientes da funo objetivo e dos valores do lado direito das inequaes que
no mudam a soluo, no pode ser identificadas graficamente. O clculo das faixas de
variao de forma manual normalmente tedioso. Para evitar este problema, normalmente se
usa programas de computadores. O resultado de sensibilidade no LINDO para o problema do
Giapetto pode ser visto a seguir. Para se obter este resultado, basta responder com Y (yes)
para a obteno das faixas de variao, logo aps a otimizao da formulao ser obtida.

Como exemplo, o coeficiente de X1 na funo objetivo pode alterar entre 2 e 4, que a soluo
continuaria sendo X1 = 20, X2 = 60 e X5 = 20. J X2 pode variar entre 1, 5 e 3. J os valores
de bi, por exemplo, b2, pode variar entre 60 e 100, que a base continuaria sendo X1, X2 e X5.
Na figura a seguir encontram-se os resultados destas variaes possveis apresentadas pelo
programa QM for Windows. Esta janela acessada no menu WINDOW opo Ranging.

Na figura a seguir esta o relatrio que se obtm atravs do Excel, selecionando quando
utilizado o Solver a emisso do relatrio de sensibilidade.

9.3 Exerccio
Suponha que um problema de produo tenha como modelo:
Max Z = 2100X1 +1200X2 + 600X3
Sujeito a:
1) 6X1 + 4X2 + 6X3 4800
2) 12X1 + 16X2 + 2X3 7200
3) X1 800
4) X2 600
5) X3 600

X1, X2 e X3 0

Onde: Xi so as decises de produo dos bens Pi. O objetivo maximizar o lucro pela venda
desses produtos.
Restries:
1. Horas de mquina para a produo dos bens;
2. Horas de mo de obra para a produo;
3. Demanda de P1;
4. Demanda de P2;
5. Demanda de P3.

O quadro final de soluo pelo Simplex o seguinte:

Z X1 X2 X3 XF1 XF2 XF3 XF4 XF5 b
1 0 1.4 0 50 150 0 0 0 1320000
0 0 -0.8 1 0.2 -0.1 0 0 0 240
0 1 1.467 0 -0.033 0.1 0 0 0 560
0 0 -1.467 0 0.033 -0.1 1 0 0 240
0 0 1 0 0 0 0 1 0 600
0 0 0.8 0 -0.2 0.1 0 0 1 360

Questes:
1. Qual o coeficiente de estabilidade para o coeficiente de X1? O que isto significa?
2. Qual o coeficiente de estabilidade para o coeficiente de X3? O que isto significa?
3. Qual o coeficiente de estabilidade para o coeficiente de XF3? O que isto significa?
4. Qual o coeficiente de estabilidade para o coeficiente de XF1? O que isto significa?
5. Um novo produto, que use 3 horas de mquina, 5 horas de mo de obra e com
demanda garantida de 200 unidades para um lucro mximo de $ 800, teria interesse no
programa?
6. Qual o limite para aquisio do recurso R1, aos custos correntes, que mantm a
informao contida em seu custo de oportunidade?
7. Idem para o recurso R2.
8. O que significa a informao contida no custo de oportunidade do recurso R5?

10. PROGRAMAO INTEIRA
10.1 Objetivo da Programao Inteira
Se um determinado problema de otimizao puder ser representado pela formulao
representada em (10.1), a sua soluo tima dada por (10.2).
Max Z = 20X1 + 10X2
ST:
X1 + 0,45X2 5
X1 + 1,7X2 12
X1, X2 0
(10.1)

X1 = 2,48
X2 = 5,60
Z = 105,60
(10.2)

A soluo deste problema tambm pode ser vista na anlise do grfico da figura 10.1.

Figura 10.1 Soluo grfica

Figura 10.1 Soluo grfica do problema

O resultado apresentado em (10.2) so o que se denominam valores contnuos ou variveis
contnuas. Estas Variveis contnuas so diferentes das variveis inteiras e o arredondamento
pode no levar a soluo tima!
O problema resolvido por tcnica de Programao Inteira, pode levar a resultados bastante
diferentes do arredondamento. A figura 10.2 ilustra que o arredondamento para este caso faz
com que a soluo fique fora da regio de soluo, e assim no se constituindo em uma
resposta para o problema. Se o resultado implicar em valores grandes, o arredondamento
normalmente pode ser utilizado.

Figura 10.2 Arredondamento da soluo

A Programao Inteira possui uma tcnica particular de soluo, chamada de Mtodo Branch
and Bound, que se baseia na montagem de um diagrama tipo rvore, em que cada ramo
uma opo de soluo inteira. Apenas alguns ramos so testados e para cada tentativa, o
Mtodo Simplex utilizado. O computador indispensvel!
O que acontece a busca nos pontos identificados na figura 10.3


Figura 10.3 Pontos candidatos soluo do problema

10.2 Por que programao inteira?
Vantagens de restringir variveis para obter valores inteiros:
1. Mais realista
2. Maior flexibilidade
Desvantagens:
1. Mais difcil de modelar
2. Pode ser bem mais difcil de solucionar

O mistrio da programao inteira:
Alguns programas de inteiros so fceis ( possvel resolver os problemas com
milhes de variveis);
Alguns programas de inteiros so difceis (at mesmo 100 variveis podem ser
difceis);
Expertise e experincia so essenciais para saber o que o que!
uma rea de pesquisa ativa em vrias Universidades.

Todos os programas de inteiros possuem igualdades e desigualdades lineares e algumas ou
todas as variveis devem ser inteiras. Tipos de programao inteira:
Se todas as variveis devem ser inteiras, ento esse programa pode ser chamado de
programa puro de inteiros.
Se todas as variveis devem ser 0 ou 1, o programa chamado de programa binrio de
inteiros ou um programa de inteiros 0 -1.
Se algumas variveis forem nmeros fracionrios e outros nmeros inteiros, ento o
problema chamado programao inteira mista (PIM).

10.3 Como modelar restries lgicas
Exemplos:
1. So selecionados exatamente 3 estoques.
2. Se o estoque 2 for selecionado, o estoque 1 tambm o ser.
3. Se o estoque 1 for selecionado, ento o estoque 3 no ser selecionado.
4. O estoque 4 ou 5 selecionado, mas no os dois.

So selecionados exatamente 3 estoques: Imaginando um exemplo com 6 variveis de
deciso, e todas binrias, a restrio pode ser a mostrada em 10.3.

(10.3)

Se o estoque 2 for selecionado, o estoque 1 tambm o ser: A restrio da programao inteira
mostrada em (10.4).

(10.4)

3
6 5 4 3 2 1
= + + + + + x x x x x x
2 1
x x
11. PROBLEMA DO TRANSPORTE
11.1 Objetivo do Problema do Transporte
Minimizar o custo de todo o volume de transporte, obedecendo s necessidades de
recebimento do destino e capacidade de envio da fonte.
Conhecemos os custos unitrios de transporte de cada origem para cada destino (Cij). Deseja-
se decidir quanto transportar de cada origem para cada destino (Xij).
Este problema pode ser melhor analisado pela representao apresentada na figura 11.1

Figura 11.1 Exemplo do problema de transporte

Primeiro passo: Variveis de deciso
Para este caso: a empresa precisa determinar a quantidade a ser transportada de cada origem
para cada destino. Assim:
X
ij
= quantidade a ser transportada da origem i para o destino j;
i = 1; 2; 3; 4;
j = 1; 2; 3;

Segundo passo: Funo objetivo
Objetivo: Minimizar o custo de transporte, que dado por:

Min C = 6X
11
+ 5X
12
+ 8X
13
+ 13X
21
+ 12X
22
+ 1X
23
+ 7X
31
+ 9X
32
+ 5X
33
+ 10X
41
+
6X
42
+ 4X
43

Terceiro passo: restries
Origens: retiradas = disponibilidades
O1 retirada = X
11
+ X
12
+ X
13
= 10 (disponibilidade O1)
O2 retirada = X
21
+ X
22
+ X
23
O3 retirada = X
31
+ X
32
+ X
33
O4 retirada = X
41
+ X
42
+ X
43

Destinos: transportes = necessidades
D1 chegada = X
11
+ X
21
+ X
31
+ X
41
= 8 (necessidade D1)
D2 chegada = X
12
+ X
22
+ X
32
+ X
42
D3 chegada = X
13
+ X
23
+ X
33
+ X
43

Quarto passo: Restries adicionais
Para completar a formulao do problema:
X
ij
>= 0;
i = 1; 2; 3; 4;
j = 1; 2; 3;

Resumindo
min C = 6X
11
+ 5X
12
+ 8X
13
+ 13X
21
+ 12X
22
+ 1X
23
+ 7X
31
+ 9X
32
+ 5X
33
+ 10X
41
+
6X
42
+ 4X
43
Sujeito a:
X
11
+ X
12
+ X
13
= 10
X
21
+ X
22
+ X
23
= 20
X
31
+ X
32
+ X
33
= 12
X
41
+ X
42
+ X
43
= 13
X
11
+ X
21
+ X
31
+ X
41
= 8
X
12
+ X
22
+ X
32
+ X
42
= 32
X
13
+ X
23
+ X
33
+ X
43
= 15
Xij >= 0

11.2 Maneira simples de representar o problema
O problema apresentado no item anterior comumente representado como ilustrado na figura
11.2.

Figura 11.2 Representao do problema de transporte

A soluo do problema de transporte, como todo problema de programao linear, pode ser
obtida pelo mtodo Simplex. Entretanto, devido a suas caractersticas especiais, podemos
descrever um mtodo que, embora mantenha fases e critrios do Simplex, tem os clculos
simplificados. Este exemplo ser mais bem trabalhado em sala de aula, mostrando como usar
o Excel para a sua soluo.

11.3 Exerccios
Exerccio 1
Determinar a melhor programao de transporte de maneira a se ter o menor custo.

Exerccio 2
Determinar a melhor programao de transporte. Os lucros unitrios e as disponibilidades e
necessidades do produto esto no quadro abaixo.

Exerccio 3
Determinar a melhor programao de transporte de maneira a se ter o menor custo. No
possvel abastecer D3 a partir de O1.

12. REDES
2
Problemas de rede
Casos especiais de problemas de programao
linear que so mais bem analisados atravs de
uma representao grfica.
Importantes problemas de otimizao, tais como
problemas de logstica e de energia, produo e
outros, so eficientemente resolvidos e
modelados como problemas de rede.

3
Problemas de rede
Modelos de rede facilitam a visualizao das
relaes entre os componentes do sistema,
aumentando o entendimento do problema e de
seus possveis resultados.
uma modelagem muita usada.

4
Terminologia
Redes, ns e arcos:
Ns
Arcos

5
Problemas de rede
(Classificao usual)
Problemas de transporte e rede de
distribuio;
Problemas de menor caminho;
Problemas de fluxo mximo.

12.1 Problemas de distribuio

6
Problemas de
Distribuio
Problemas que consideram mltiplas fontes,
centros consumidores e locais intermedirios
por onde os produtos simplesmente passam so
denominados problemas de distribuio.
O problema de transporte j estudado uma
simplificao do problema de rede de
distribuio.

7
Problemas de
Distribuio exemplo
Uma montadora de carros esta iniciando as
suas operaes no Brasil, construindo 2
fbricas: uma na Bahia e outra em So Paulo. A
montadora esta estudando a forma de
distribuio de seus carros para as diversas
revendas, localizadas nos estados: Gois, Rio de
Janeiro, Minas Gerais, Paran, Santa Catarina e
Rio Grande do Sul, que minimize o custo total
de distribuio.

8
Problemas de
Distribuio exemplo
As capacidades instaladas de cada uma das
fbricas, as demandas das revendas, bem como
os custos unitrios de transporte entre fbricas
e revendas esto evidenciados no diagrama a
seguir.

9
Problemas de
Distribuio exemplo
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20
Oferta (capacidade das fbricas)
(1100)
Demandas
(1400)


10
Existem 2 maneiras bsicas de resolver este
problema. A primeira consiste em inserir uma
unidade dummy que iguale a oferta a demanda.
A segunda forma de resolver seguir a Regra do
Fluxo Balanceado para cada n da rede. Este
mtodo dispensa o uso de unidades dummys. O
desequilbrio entre oferta e demanda total
tratado atravs de restries maior ou igual ou
de menor ou igual.
Problemas de
Distribuio

11
Problemas de
Distribuio
Regra do fluxo balanceado:
Entradas Sadas = Oferta ou Demanda do
N
Oferta = Demanda
Entradas Sadas Oferta ou Demanda do
N
Oferta < Demanda
Entradas Sadas Oferta ou Demanda do
N
Oferta > Demanda
Tipo de Restrio: Hiptese:
Situao
do
exemplo

12
Quantidades
de veculos
enviados de
cada fbrica
para cada
distribuidor
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20


13
X13 nmero de carros enviados
de BA para MG.
de BA para RJ.
de BA para GO.
de SP para MG.
de SP para RJ.
de SP para PR.
de SP para SC.
de SP para RS.
de MG para RJ.
de MG para GO.
de SC para RS.
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20

14
Segundo passo: funo objetivo
Objetivo: Minimizar os custos de distribuio
min Z = 25X13 + 30X14 + 40X15 + 20X23 + 15X24 + 20X26 +
35X27 + 50X28 + 20X34 + 20X35 + 20X78
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20
X13 BA para MG.
X14 BA para RJ.
X15 BA para GO.
X23 SP para MG.
X24 SP para RJ.
X26 SP para PR.
X27 SP para SC.
X28 SP para RS.
X34 MG para RJ.
X35 MG para GO.
X78 SC para RS.

15
Restrio 01 n 01
- X13 - X14 - X15 - 500
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20
Entradas Sadas = Oferta ou Demanda do N Oferta = Demanda
Entradas Sadas Oferta ou Demanda do N Oferta < Demanda
Entradas Sadas Oferta ou Demanda do N Oferta > Demanda
Situao do
exemplo


16
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20
Restrio 02 n 02
X23 X24 X26 X27 X28 - 600

17
Restrio 03 n 03
X13 + X23 X34 X35 200
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20

18
Restrio 04 n 04
X14 + X24 + X34 350
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20


19
Restrio 05 n 05
X15 + X35 150
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20

20
Restrio 06 n 06
X26 300
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20

21
Restrio 07 n 07
X27 X78 150
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20

22
Restrio 08 n 08
X28 + X78 250
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20

23
Quarto passo: Restries
adicionais
Para completar a formulao do
problema:
Xij >= 0
i = 1; 2; ....

24
Soluo pelo Solver
Probl emas de rede de di stri bui o
Distribuio de carros
De Para Custo Uni dades N Fl uxo l i qui do Oferta/Demanda
1 3 25 0 1 0 -500
1 4 30 0 2 0 -600
1 5 40 0 3 0 200
2 3 20 0 4 0 350
2 4 15 0 5 0 150
2 6 20 0 6 0 300
2 7 35 0 7 0 150
2 8 50 0 8 0 250
3 4 20 0
3 5 20 0
7 8 20 0
Custo Total = 0
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20
Variveis de
deciso
Informaes conhecidas

25
Soluo pelo Solver
Probl emas de rede de di stri bui o
Distribuio de carros
De Para Custo Uni dades N Fl uxo l i qui do Oferta/Demanda
1 3 25 0 1 0 -500
1 4 30 0 2 0 -600
1 5 40 0 3 0 200
2 3 20 0 4 0 350
2 4 15 0 5 0 150
2 6 20 0 6 0 300
2 7 35 0 7 0 150
2 8 50 0 8 0 250
3 4 20 0
3 5 20 0
7 8 20 0
Custo Total = 0
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20
Frmula *

26
Soluo pelo Solver
(Funo Objetivo)

27
Soluo pelo Solver
(Restries)
Restrio 01 n 01
- X13 - X14 - X15 - 500
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20

28
Soluo pelo Solver
(Restries)
Restrio 01 n 01
- X13 - X14 - X15 - 500
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20
Entradas Sadas

29
Soluo pelo Solver
(Todas as Restries)

30
Soluo pelo
Solver
(Soluo)
350
50
35
20
15
20
30
25
20
20
BA
1
SP
2
MG
3
RJ
4
PR
6
SC
7
RS
8
GO
5 -500
-600
200
150
300
150
250
40
20

12.2 Problemas do menor caminho
31
Problema do Menor
Caminho
Problema que representa um outro caso
especial de problemas de redes, em que
os arcos significam a distncia entre 2
pontos (ns).
Quando deseja-se achar a rota que une
estes pontos com a distncia mnima
possvel, tem-se um problema de menor
caminho.

32
Problema do Menor
Caminho
Nestes problema existem sempre 2 ns
especiais chamados de origem e destino.
Entre um n de origem e um n de
destino geralmente existem ns
intermedirios, que podem representar
cidades que conectam rodovias,
subestaes em problemas de
distribuio de energia, etc...

33
Um fabrica de artigos de decorao,
localizada em Lambari, deve entregar
uma grande quantidade de peas na
cidade de Baependi. A empresa quer
saber qual o caminho que seu caminho
deve fazer para minimizar a distncia
percorrida.
Problema do Menor
Caminho - Exemplo


34
Problemas de Menor
Caminho exemplo
1 6
4
5
3
2
50
Km
Lambari Baependi
Trs Coraes S. Thom das Letras
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km

35
A modelagem do problema ter variveis
binrias do tipo Xij, indicando o sentido
da cidade i para a cidade j. Se o valor da
varivel for igual a 1 significa que aquele
trecho deve ser percorrido. De forma
inversa, se o valor da varivel for igual a
zero, significa que aquele trecho no deve
ser percorrido.
Problemas de Menor
Caminho

36
X12 trecho Lambari Trs Coraes.
X13 trecho Lambari So Loureno.
X15 trecho Lambari Caxambu.
X24 trecho Trs Coraes So Thom das
Letras.
X35 trecho So Loureno Caxambu.
X46 trecho So Thom das Letras Baependi.
X56 trecho Caxambu Baependi.
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km

37
Objetivo: Minimizar a distncia percorrida pelo
caminho
Min Z = 41X12 + 44X13 + 50X15 + 37X24 +
27X35 + 45X46 + 4X56
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km
X12 Lambari Trs
Coraes.
X13 Lambari So
Loureno.
X15 Lambari Caxambu.
X24 Trs Coraes So
Thom das Letras.
X35 So Loureno
Caxambu.
X46 So Thom das Letras
Baependi.
X56 Caxambu Baependi.

38
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km
Situao
do
exemplo
Oferta = -1
Demanda = 1

39
Restrio 01:
- X12 - X13 - X15 = - 1
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km
Situao
do
exemplo


40
Restrio 02:
X12 X24 = 0
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km
Situao
do
exemplo

41
Restrio 03:
X13 X35 = 0
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km

42
Restrio 04:
X24 X46 = 0
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km


43
Restrio 05:
X15 + X35 X56 = 0
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km

44
Restrio 06:
X46 + X56 = 1
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km

45
adicionais
problema:
Xij = 0 ou 1
i = 1; 2; ....


46
Soluo pelo Solver
Variveis de
deciso
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km

47
Soluo pelo Solver
Frmula
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km

48
Soluo pelo Solver
(Funo Objetivo)
Frmula
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km
*


49
Soluo pelo Solver
(Restries)
Restrio 01:
- X12 - X13 - X15 = - 1

50
Soluo pelo Solver
(Restries)
Entradas Sadas
Situao
do
exemplo

51
Soluo pelo Solver
(Restries)
Situao
do
exemplo


52
Soluo pelo Solver
(Soluo)
1 6
4
5
3
2
50
Km
Lambari Baependi
Caxambu
So Loureno
44
Km
27
Km
4
Km
45
Km
37
Km
41
Km

12.2 Problemas do Fluxo mximo

53
Problema do Fluxo
Mximo
Quando se quer maximizar a quantidade de um
fluxo de um ponto de origem para um ponto de
destino e estamos sujeitos a restries de
capacidade de fluxo nos arcos.
Estes problemas geralmente envolvem fluxo de
materiais como gua, leo, gs, energia atravs
de uma rede de tubos ou canos. Podem
representar fluxo de carros em malhas virias,
produtos em linha de produo, etc....

54
Uma empresa distribuidora de gs deseja
determinar a quantidade mxima de metros
cbicos por segundo de gs que pode bombear
da estao de Campos para o centro
consumidor do Rio de Janeiro, atravs da rede
de gasodutos existentes. A figura a seguir
ilustra o caso.
Problema do Fluxo
Mximo - Exemplo

55
Problema do Fluxo
Mximo - Exemplo
,
A B
3
4 2
1
Campos Rio de Janeiro
40 m3/s
20 m3/s
30 m3/s
30 m3/s
20 m3/s
30 m3/s
40 m3/s

56
Problema do Fluxo
Mximo
Para resolvermos este problema, utilizaremos
um pequeno artifcio: adicionaremos um arco
virtual ligando o n B ao n A.
A FO ser portanto a maximizao do fluxo de
gs que passa de B para A.
Como o fluxo do Rio de Janeiro para Campus
no existe, o valor do fluxo no arco artificial
representar o total de gs que pode chegar ao
Rio de Janeiro vindo de Campus por mais de
um caminho simultaneamente.

57
A B
3
4 2
1
40 m3/s
20 m3/s
30 m3/s
30 m3/s
20 m3/s
30 m3/s
40 m3/s
Problema do Fluxo
Mximo - Exemplo

58
XA1 m3/s que saem de Campus e chegam a estao 01.
XA2 m3/s que saem de Campus e chegam a estao 02.
X13 m3/s que saem da estao 01 e chegam a estao 03.
X3B m3/s que saem da estao 03 e chegam no Rio de Janeiro.
X4B m3/s que saem da estao 04 e chegam no Rio de Janeiro.
XBA m3/s que saem do Rio de Janeiro e chegam em Campus.
(artificial)
A B
3
4 2
1
40 m3/s
20 m3/s
30 m3/s
30 m3/s
20 m3/s
30 m3/s
40 m3/s

59
Objetivo: Maximizar o fluxo de gs
Max Z = XBA
A B
3
4 2
1
40 m3/s
20 m3/s
30 m3/s
30 m3/s
20 m3/s
30 m3/s
40 m3/s

60
Restries:
O fluxo de cada arco dever ser maior ou igual a zero;
O fluxo de cada arco dever ser menor ou igual a capacidade
do arco;
O fluxo que chega em cada n dever ser igual ao fluxo do
que sai do mesmo;
O fluxo do arco artificial (desconhecido) deve ser grande o
bastante para assumir qualquer valor possvel, j que este
ser maximizado.
A B
3
4 2
1
40 m3/s
20 m3/s
30 m3/s
30 m3/s
20 m3/s
30 m3/s
40 m3/s

61
Restries de capacidade:
XA1 40; XA2 30;
X13 30; X14 20;
X24 30; X3B 20;
X4B 40; XBA 9999;
A B
3
4 2
1
40 m3/s
20 m3/s
30 m3/s
30 m3/s
20 m3/s
30 m3/s
40 m3/s

62
Restries de fluxo:
XBA (XA1 + XA2) = 0
XA1 (X13 + X14) = 0
XA2 X24 = 0
X13 X3B = 0
X14 + X24 X4B = 0
X3B + X4B XBA = 0
A B
3
4 2
1
40 m3/s
20 m3/s
30 m3/s
30 m3/s
20 m3/s
30 m3/s
40 m3/s
Situao do
exemplo

63
adicionais
problema:
Xij >= 0
i = A; B; 1; 2; ....

64
A B
3
4 2
1
40
m3/s
20
m3/s
30
m3/s
30
m3/s
20
m3/s
30
m3/s
40
m3/s
Soluo pelo Solver
Variveis de
deciso

65
Frmula
Soluo pelo Solver
(Funo Objetivo)

66
Soluo pelo Solver
(Restries)
Entradas
Sadas

67
Soluo pelo Solver
(Restries)

68
Soluo pelo Solver
(Soluo)
A B
3
4 2
1
40 m3/s
20 m3/s
30 m3/s
30 m3/s
20 m3/s
30 m3/s
40 m3/s

ESTUDOS DE CASOS
Assunto: Programao Linear

PROBLEMA DE ORAMENTO DE CAPITAL
Uma empresa do setor eltrico esta considerando sua participao em seis novas
possibilidades de investimento. Estes projetos esto sendo elaborados atravs de Project
Finance. Como os acionistas da empresa querem participar de novos investimentos no setor,
buscando melhorar seus dividendos e permitir o crescimento da empresa, eles pediram ao
Diretor Financeiro uma avaliao e sugestes de quais projetos deveriam investir e com qual
participao. O Diretor Financeiro montou uma equipe de analistas para lhe ajudar.
As informaes preliminares, de cada alternativa de investimento, foram s apresentadas na
tabela a seguir.

Data Investimento
1
Investimento
2
Investimento
3
Investimento
4
Investimento
5
Investimento
6
0 -5 -8 -15 -15 -40 -25
1 -10 -6 -13 -7 -2 -30
2 15 15 30 20 30 55
3 15 15 30 20 30 55
4 15 15 30 20 30 55
5 15 15 30 20 30 55

O conselho de acionistas reservou para investimento os seguintes valores:

Ano $
0 45
1 30

A TMA da empresa de 15% ao ano. O Diretor Financeiro fez aos seus analistas uma srie de
perguntas, para que na prxima reunio de acionistas pudesse informar e esclarecer melhor
sobre o assunto. As perguntas foram:
1. Os investimentos so atrativos? Sendo vocs a equipe de analistas de investimentos,
qual seria a opinio quanto a cada um dos investimentos?
2. Qual o melhor investimento?
3. Para que fosse possvel maximizar a rentabilidade destes investimentos, qual a
sugesto de quanto investir em cada uma das alternativas? Qual o VPL desta
combinao de investimentos? Observao: O VPL, investimentos e receitas so
ajustados de acordo com a participao em cada um dos investimentos.
4. Vai sobrar algum recurso que os acionistas alocaram para as datas 0 e 1?
5. Depois do resultado obtido na carteira que maximiza o VPL (item 3), se a houver a
deciso de no investir na alternativa 03 (retir-la da carteira e manter os outros
investimentos nos nveis obtidos na resposta do item 3), qual o valor esperado do VPL
do conjunto de investimentos realizados? Qual recurso do solver ajuda a responder a
esta pergunta?
6. Se os acionistas estiverem dispostos a aumentar o valor reservado para os
investimentos, mas em apenas uma das datas, qual melhor para incrementar a
rentabilidade? Qual recurso do solver ajuda a responder a esta pergunta?
7. Qual o valor mximo que voc recomenda ser acrescido no oramento para a data do
item anterior que mantm o investimento na carteira determinada no item 02? Por
qu? Qual recurso do solver ajuda a responder a esta pergunta?
8. Se os acionistas alocarem o recurso mximo permitido, qual o VPL esperado do
conjunto de investimentos?
9. Qual a quantidade mnima de recursos que pode ser alocada a esta data que mantm
na carteira de investimentos as mesmas alternativas encontradas no item 2? Qual
recurso do solver ajuda a responder a esta pergunta?
10. Se os acionistas resolverem que desejam investir 10% a menos do que o calculado
como ideal para o investimento 4, que comentrio poderia ser feito sobre o VPL
esperado da carteira? Qual recurso do solver ajuda a responder a esta pergunta?
11. Qual investimento contribui mais para a maximizao do VPL?
12. Qual valor de VPL faria o investimento que no estava previsto inicialmente no item
03, fazer parte da carteira?
13. Se for realizado o investimento 1, que observao poderia ser feita?
14. Se o desejo dos acionistas selecionar alternativas que o oramento permita investir,
mas que para estes investimentos empresa tenha propriedade de 100% deles, quais
so os investimentos que deveriam ser adquiridos?
15. Qual o VPL esperado para esta nova carteira?
16. Com esta carteira sobraro recursos previstos para investimento? Quais so estes
valores?
ANEXOS
Tabela:
Z X1 X2 X3 X4 X5 b razo
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

Tabela:
Base

Variveis bsicas:
Variveis no bsicas:
Funo Z:

FORMULAO E SOLUO TIMA DO
EXEMPLO DE ANLISE ECONMICA (ITEM 7)

Formulao:

ltima tabela:

Z X1 X2 X3 XF1 XF2 XF3 XF4 XF5 b
1 0 0 0 50 150 0 100 0 1380000
0 0 0 1 0.2 -0.1 0 -0.2 0 120
0 1 0 0 -0.03 0.1 0 -0.47 0 280
0 0 0 0 0.03 -0.1 1 0.47 0 520
0 0 1 0 0 0 0 1 0 600
0 0 0 0 0.2 0.1 0 0.2 1 480

Max Z = 2100X1 + 1200X2 + 600X3
Sujeito a:
6X1 + 4X2 + 6X3 4800
12X1 + 6X2 + 2X3 7200
X1 800
X2 600
X3 600
X1; X2; X3 0.
ANLISE DE SENSIBILIDADE PROBLEMA 9.3
Tela para anlise de sensibilidade do QM for Windows

Tela para anlise de sensibilidade do LINDO for Windows

Pasta para anlise de sensibilidade do Solver do Excel

Apostila

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Apostila

Încărcat de

Drepturi de autor:

Formate disponibile

Pesquisa

S-ar putea să vă placă și