OMDSE

Optimização
O ti i ã e Métodos
Mét d de
d Decisão
D i ã em
Sistemas de Energia

Formulação
ç Matemática
Apontamentos de apoio às aulas teóricas

Compilados por:

Maria
M i Teresa
T Costa
C t
2009/2010
“Toda a teoria deve ser feita ppara ppoder ser pposta em pprática,, e toda
a prática deve obedecer a uma teoria. Só os espíritos superficiais
desligam a teoria da prática, não olhando a que a teoria não é
senão uma teoria da prática,
prática e a prática não é senão a prática de
uma teoria. Quem não sabe nada de um assunto, e consegue
alguma coisa nele por sorte ou acaso, chama “teórico” a quem
sabe mais e, por igual acaso, consegue menos. Quem sabe, mas
não sabe aplicar - isto é, quem afinal não sabe, porque não saber
aplicar é uma maneira de não saber -, tem rancor a quem aplica
por instinto, isto é, sem saber que realmente sabe. Mas, em
ambos os casos, para o homem são de espírito e equilibrado de
inteligência, não há uma separação abusiva. Na vida superior a
teoria e a prática complementam-se. Foram feitas uma para a
outra ”
outra.
Fernando Pessoa

OMDSE
Optimização e Métodos de Decisão em Sistemas de Energia

• Problemas
P bl de
d optimização
ti i ã
• Metodologia da resolução de problemas
• F
Formulação
l ã matemática
á i de
d problemas
bl
• Programação Linear
• Programação Não Linear
• Complexidade computacional
 Metodologia
g da Resolução
ç de Problemas
Fases
• Formulação do problema
• Construção do Modelo Matemático
• Obtenção da solução
• Validação do modelo e teste da solução
• Implementação da solução

Comentários:
• A sequência não é rígida, as fases interactuam entre elas e
durante o processo de modelização, frequentemente se
sobrepõem
b õ

Por
P que razão
ã se usam modelos?
d l ?
Sistema
Si t reall Modelo
M d l
• complexo • definição das variáveis de
• granded nºº dde variáveis
iá i decisão relevantes para o
• interacção entre variáveis problema que se quer
resolver ((optimizar)
p )
Si
Sistema a modelizar
d li
• identificação de restrições
• abstracção da realidade do problema
• concentração nas variáveis
i i • definição da interacção
principais (ou dominantes) entre variáveis que
• interacção
i t ã entret as englobe essas restrições
variáveis principais
 Quando
Q d há um problema
bl dde ddecisão?
iã ?
• Q
Quando
d existe
i t pelo
l menos um indivíduo
i di íd (agente
( t de
d
decisão) a quem é pedido que resolva um problema,
optimizando o
optimizando-o
• Quando existe pelo menos um objectivo a atingir (ex:
maximizar um lucro,, diminuir custos,, etc.))
• Quando existe mais de uma linha de acção que esse agente
de decisão pode seguir
• Quando as diferentes alternativas não correspondem todas
ao mesmo grau de satisfação do objectivo

M t d l i mais
Metodologias i utilizada
utilizadas
tili d s

• Modelos
M d l Estocásticos
E t á ti • Modelos
M d l Determinísticos
D t i í ti
– Simulação – Programação Linear
– Previsão – Programação Inteira
– Teoria das Filas de Espera – Programação Não-Linear
– Teoria da Decisão – Programação Separável
– Teoria dos Jogos – Programação Quadrática
– Programação Dinâmica – Programação Convexa
– etc. – Programação Dinâmica
– Optimização Multi-
Objectivo
– etc.
 Al
Alguns D
Domínios
í i dde aplicação
li ã
• Planeamento
Pl t da
d Produção
P d ã • P
Processos S
Sequenciais
i i
• Gestão de Stocks • Gestão de Recursos
• Di t ib i ã e Logística
Distribuição L í ti Humanos
• Manutenção • Escalonamento de tarefas
• C
Controlo
l de
d Processos
P • Recursos Hídricos
Industriais • Planeamento de Sistemas
• Transportes Energéticos
• Economia e Finanças

Al
Alguns princípios
i í i de d Modelização
M d li ã
• Nã
Não criar
i um modelo d l muito
it complexo
l quando
d um simples
i l
é suficiente.
• Não tentar adaptar o problema à técnica de resolução que
se pretende utilizar.
• O modelo não deixa de ser uma interpretação da realidade.
realidade
• O modelo não deve ser forçado a fazer, ou criticado por
não fazer,, aquilo
q para
p queq não foi criado.
• Validar o modelo antes de o implementar.
• Um modelo não pode ser melhor do que a informação
usada na sua construção.
g
• O modelo NUNCA substitui o agente de decisão.
 Formulação
ç de Modelos Matemáticos
- passos a efectuar -
• P
Passo I - Distinguir,
Di ti i no problema
bl concreto,
t aquilo
il que não
ã
pode ser alterado daquilo que se pode decidir (variáveis de
decisão). Representar essas variáveis de forma algébrica

• Passo II - Identificar as restrições do problema

• Passo III - Identificar o objectivo do problema e

representá-lo como uma função das variáveis de decisão
j
definidas. A função objectivo deve ser maximizada ou
minimizada, de acordo com o contexto do problema.

Problema ggenérico de
Programação Matemática
min f(x)
sujeito a:
gi(x)  0  i  1,…,m
1 m
hi(x) = 0  i  1,…,p
X  S  Rn
Conceitos:
• Conjunto admissível
Todos os pontos de S  Rn que satisfazem as restrições
• Solução admissível
Qualquer X  S é solução admissível
• Solução óptima X X*  S
f(X*)  f(X) ,  XS
 P
Programação
ã Linear
Li
Problema na forma geral: onde:
d
• xj - valor da variável de
Max (min) Z =  cjxj decisão j
• cj - contribuição (peso) de cada
sujeito a: unidade da variável de decisão
 aij xj  bi ,  iI1 xj , para a função objectivo
 aij xj  bi ,  iI2 • Z - função objectivo a ser
 aij xj = bi ,  iI3 maximizada ou minimizada
xj  0,  jJ1 • aij - quantidade o recurso i
xj  0,
0  jJ
j J2 gasta por unidade da variável de
decisão, xj
xj qualquer ,  jJ3
• bi - disponibilidade do
recurso i

Programação
P ã Linear
Li (PL)
F
Forma “St d d”
“Standard”

Max Z =  cjxj Min Z Z=  cjxj

s.a.  aij xj  bi ,  iI s.a.  aij xj  bi ,  iI
xj  0 ,  jjJ xj  0 ,  jjJ

Forma canónica

Max (min) Z =  cjxj

s.a.  aij xj+ yi = bi,  iI
i
xj  0 ,  jJ

(As diferentes formas do problema de PL são equivalentes)

 P
Programação
ã Linear
Li
E i lê i entre
Equivalência t as diversas
di formas
f do
d problema
bl de
d PL:
PL

• i f(x)
min f( ) = - max [-f(x)]
[ f( )]
• x  0 => x=-y, y  0
• x  R => x=u-v, u  0, 0 v0
•  aij xj  bi =>  aij xj + si = bi, si  0 (variável de folga)
•  aij xj = bi =>  aij xj  bi e
 aij xj  bi <=> -  aij xj  -bi

P
Programação
ã Linear
Li - Exemplo
E l
O Sr. Victor Águas, fabricante de barcos a remos e de canoas, pretende
determinar as quantidades que deve produzir de cada um dos produtos por
forma a maximizar o lucro da sua actividade industrial. Depois de
analisado o problema, foi possível encontrar um modelo onde estivessem
reflectidas
fl id as restrições
i õ mensais i em termos de
d matéria-prima
éi i (2000Kg
(2000K dde
alumínio), de tempo de máquina (300 horas) e de mão-de-obra (200
horas). A função lucro está representada em 103€. As variáveis xBR e xC ,
correspondem,
d respectivamente
ti t ao número
ú de
d barcos
b a remos e ao número
ú
de canoas a serem fabricadas.
NOTA: Neste modelo não se exige que xBR e xC sejam inteiras.

Max Z = 50xBR + 60xC

sujeito a: Qual a produção
50xBR + 30xC  2000 óptima?
6xBR + 5xC  300
3xBR + 5xC  200
xBR , xC  0
PL - Exemplo
E l (Resolução
(R l ã Gráfica)
G áfi )
• Algumas considerações:
– a solução óptima (PL)
encontra-se necessariamente
num vértice
é ti
– f. objectivo com outro
declive: o óptimo pode saltar
para outro vértice
é i
– f. objectivo com o mesmo
declive que restrição activa:
temos um óptimo múltiplo
– restrição activa com um
declive diferente: valor
óptimo de Z altera-se mas
não muda de vértice

P
Programação
ã Linear
Li - Exemplo
E l 1
P
Programação
ã Linear
Li - Exemplo
E l 1

PL - Exemplo
E l (Resolução
(R l ã Gráfica)
G áfi )
• Algumas considerações:
– a solução óptima (PL)
encontra-se necessariamente
num vértice
é ti
– f. objectivo com outro
declive: o óptimo pode saltar
para outro vértice
é i
– f. objectivo com o mesmo
declive que restrição activa:
temos um óptimo múltiplo
– restrição activa com um
declive diferente: valor
óptimo de Z altera-se mas
não muda de vértice
P
Programação
ã Linear
Li - Exemplo
E l 1

PL - Exemplo
E l (Resolução
(R l ã Gráfica)
G áfi )
• Algumas considerações:
– a solução óptima (PL)
encontra-se necessariamente
num vértice
é ti
– f. objectivo com outro
declive: o óptimo pode saltar
para outro vértice
é i
– f. objectivo com o mesmo
declive que restrição activa:
temos um óptimo múltiplo
– restrição activa com um
declive diferente: valor
óptimo de Z altera-se mas
não muda de vértice
P
Programação
ã Linear
Li - Exemplo
E l 1

PL - Exemplo
E l (Resolução
(R l ã Gráfica)
G áfi )
• Algumas considerações:
– a solução óptima (PL)
encontra-se necessariamente
num vértice
é ti
– f. objectivo com outro
declive: o óptimo pode saltar
para outro vértice
é i
– f. objectivo com o mesmo
declive que restrição activa:
temos um óptimo múltiplo
– restrição activa com um
declive diferente: valor
óptimo de Z altera-se mas
não muda de vértice
 Programação Linear
Representação gráfica do problema com duas variáveis
FO
F.O
F.O F.O
r1
r2 r2
r1
1 r2
r1
S S S
r3
r3

r3 r1
r2 r1
r2 F.O
r2
r1 F.O.

Programação
g ç Linear -
PROPRIEDADES FUNDAMENTAIS
• O conjunto S das soluções admissíveis dum problema de PL é um poliedro
convexo.
• Um ponto  é solução básica admissível dum problema de PL sse é ponto
extremo do conjunto S das soluções admissíveis do problema.
– Ponto extremo de um conjunto convexo Q é todo o ponto de Q que não pertence a
nenhum segmento de recta que una dois outros pontos de Q
• Existe um nnº finito de soluções básicas admissíveis associadas a um problema
de PL, isto é, o conjunto S das soluções admissíveis tem um nº finito de pontos
extremos.
• O valor óptimo dum problema de PL, PL se existe e é finito,
finito é atingido num ponto
extremo do conjunto S das soluções admissíveis.
• A combinação linear convexa de soluções óptimas é ainda uma solução
óptima.
óptima
• Então, resolver um problema de PL resume-se a determinar todas as soluções
básicas admissíveis do sistema de equações formado pelas restrições do
problema e escolher aquela à qual corresponder o melhor valor da f. f objectivo.
objectivo
P
Programação
ã Não
Nã Linear
Li – Exemplos
E l

P
Programação
ã Não
Nã Linear
Li – Exemplos
E l
P
Programação
ã Não
Nã Linear
Li – Exemplos
E l

P
Programação
ã Não
Nã Linear
Li – Exemplos
E l
P
Programação
ã Não
Nã Linear
Li – Exemplos
E l

P
Programação
ã Não
Nã Linear
Li – Exemplos
E l
P
Programação
ã Não
Nã Linear
Li – Exemplos
E l

P
Programação
ã Não
Nã Linear
Li – Exemplos
E l
 P
Programação
ã Não
Nã Linear
Li – Exemplos
E l
F ã dde S
Função Schwefel:
h f l

Para n=2:

P
Programação
ã Não
Nã Linear
Li – Exemplos
E l
Função
F ã RRastrigins:
ti i
f(x1, x2) = 20 + x12 + x22 – 10[ cos(2x1) + cos(2x2) ]
 P bl
Problema dde ddeterminação
t i ã de d uma Dieta
Di t
Um nutricionista pretende estabelecer uma dieta contendo,
contendo pelo
menos, 10 unidades de vitamina A, 30 unidades de vitamina B e 18
unidades de vitamina C. Estas vitaminas encontram-se em
quantidades variadas em 5 alimentos - a1, a2, a3, a4 e a5. No quadro
seguinte representam-se as unidades de vitaminas por Kg de cada
alimento bem como os custos (em $) por Kg de cada um desses
alimento,
alimentos.
a1 a2 a3 a4 a5
A 0 1 5 4 3
B 2 1 0 3 2
C 3 1 0 9 0
Custo 400 200 100 1000 500

Formule o problema por forma a garantir o teor vitamínico com um

custo mínimo.

P bl
Problema dde ddeterminação
t i ã de d uma Dieta
Di t
Variáveis de decisão:
xi – Quantidade de alimento ai [i = a1, a2, a3, a4, a5] a incluir na dieta
a1 a2 a3 a4 a5
A 0 1 5 4 3
B 2 1 0 3 2
C 3 1 0 9 0
Custo/Kg 400
00 200
00 100
00 1000
000 500
Função Objectivo:
min Custo = 400 x1 + 200 x2 +100 x3 + 1000 x4 + 500 x5

Restrições:
(de teor vitamínico mínimo exigido na dieta)
• (vit. A) 0 x1 + 1 x2 + 5 x3 + 4 x4 + 3x5 ≥ 10
• (vit. B) 2 x1 + 1 x2 + 0 x3 + 3 x4 + 2x5 ≥ 30
• (vit.
(vit C) 3 x1 + 1 x2 + 0 x3 + 9 x4 + 0x5 ≥ 18
x1 , x2 , x3 , x4 , x5 ≥ 0
 P bl
Problema dde T
Transporte
t
• existem n origens onde há disponibilidade de um recurso
• existem m destinos onde há necessidade desse mesmo recurso
• existem e são conhecidos os custos unitários de transportar
p 1 un. do
recurso entre cada origem e cada destino
• o objectivo é determinar a política óptima de transporte, de forma a
satisfazer as necessidades,
necessidades minimizando o custo total de transporte
transporte.
Exemplo: DESTINOS
1 2 3 1 2 1
O 4
3
R 1 2 4 3 20 Origens Destinos
1
I 2 5 2
G 2 1 5 2 20
2
E 1
N 3 1 1 6 20 1 3
3
S 10 30 20 6

P bl
Problema dde T
Transporte:
t formulação
f l ã
xij - quantidade
tid d a transportar
t t dad fábrica
fáb i i para o cliente
li t j
• min Z = 2x11 + 4x12 + 3x13 + x21 + 5x22 + 2x23 +x31 + x32 + 6x33
sa:
• x11 + x12 + x13  20 1 2 1
• x21 + x22 + x23  20 4
3
• x31 + x32 + x33  20
1
• x11 + x21 + x31  10 2 5 2
• x12 + x22 + x32  30 2
• x13 +x23 + x33  20 1
• xij  0 1 3
3
6
 P bl
Problema dde T
Transporte
t (modelo
( d l geral)
l)
xij - quantidade
tid d a transportar
t t da
d origem
i i para o destino
d ti j
cij - custo de transportar 1 unidade da origem i para o destino j
di - disponibilidade
di ibilid d na origem
i i
nj - necessidade no destino j

min Z =   cijxij
sujeito
j i a:
j xij  di ,  i (restrições da oferta: tantas, quantas as origens)
i xij  nj ,  j (restrições da procura: tantas, quantos os destinos)
xij  0

P bl
Problema dde Af
Afectação
t ã
• existem
i t m recursos
• existem m elementos a afectar aos m recursos
• existem
i t e sãoã conhecidos
h id os custos t inerentes
i t à afectação
f t ã ded
cada elemento a cada recurso
• o objectivo é determinar a política óptima de afectação,
afectação de
forma a que a cada elemento seja afecto um e um só recurso,
minimizando o custo total.
 P bl
Problema dde Af
Afectação
t ã
Numa disciplina há 4 trabalhos distintos e quatro alunos que os deverão
realizar. Nem todos os alunos têm a mesma preparação/motivação para
realizar todos os trabalhos. Como tal, encontram-se registados os tempos que
cada
d aluno
l demora
d a executar cada
d trabalho.
b lh Pretende-se
P d d
determinar
i a política
lí i
de afectação óptima, por forma a minimizar o tempo total de realização dos
trabalhos.
T1 T2 T3 T4
A1 10 9 8 7
A2 3 4 5 6
A3 2 1 1 2
A4 4 3 5 6

P bl
Problema dde Af
Afectação
t ã (modelo
( d l geral)
l)
1 , se a pessoa i executar a tarefa j

x  

ij 0 , se não



c  tempo que a pessoa i demora a executar a tarefa j

ij
n n
Modelo: min   c x
i1 j1 ij ij

n
sa:  xij 1, i 1,...,n (a cada pessoa só é atribuída uma tarefa)
j1
n NOTA:
 xij 1, j 1,...,n
i1 Caso particular de um PT em que:
x 0,1 d 1, i
ij i
n 1, j
j
 P bl
Problema dde Mi
Mistura
t de
d Produtos
P d t
Um determinado processo industrial usa três tipos de matéria-prima
matéria prima
(A,B e C) para produzir dois produtos diferentes (P1 e P2). O preço
de venda de uma tonelada de produto é de 350€ para P1 e 210€
para P2. O custo de produção estima-se que seja de 215€ por
tonelada de P1 e 137€ por tonelada de P2.

matéria- necessária ao necessária ao disponível /

prima fabrico de 1 fabrico de 1 mês (em ton)
ton de P1 ton de P2
A 2 1 1500
B 3 5 1200
C 4 0 500

Formule
o u e o problema
p ob e que permitiria
pe maximizar o lucro
uc o total.
o .

P bl
Problema dde Mi
Mistura
t de
d Produtos
P d t
Variáveis de decisão:
xi – Quantidade a produzir do Produto i [i = 1, 2]
matéria- necessária ao necessária ao disponível /
prima fabrico de 1 fabrico de 1 mês (em ton)
Função Objectivo: ton de P1 ton de P2
A 2 1 1500
Max Lucro = 350 x1 + 210 x2 B 3 5 1200
C 4 0 500

Restrições:
(de disponibilidade de matéria-prima)
matéria prima)
• (A) 2 x1 + x2 ≤ 1500
• (B) 3 x1 + 5 x2 ≤ 1200
• (C) 4 x1 ≤ 500
x1 , x2 ≥ 0
 A empresa dde metalomecânica
t l â i
Uma empresa de metalomecânica fabrica 2 tipos de guardas de segurança:
perfil em W (mais corrente) e perfil em U (mais resistente). A empresa
compra ao exterior as peças em bruto que depois são sujeitas a três
operações:
õ corte, tratamento e galvanização.
l i ã As A taxas ded produção,
d ã em
metros de guardas de segurança por hora, assim como os preços em bruto
e os preços de venda, encontram-se na tabela:
Corte Tratam. Galvan. Preço em Preço de
bruto venda
Perfil W 30 28 30 2€ 5€
Perfil U 40 35 25 3€ 6€
As 3 máquinas têm custos de operação /h de, respectivamente, 20€, 14€ e
20€, desde que em funcionamento.
Formule o problema por forma a maximizar o lucro da empresa.

A empresa dde metalomecânica

t l â i
Variáveis de decisão:
xi – Quantidade de guardas de seg. com perfil em i [i = W, U] a produzir por hora
Corte Tratam. Galvan. Preço em Preço de
b
bruto venda
d
Restrições: Perfil W 30 28 30 2€ 5€
(de capacidade das máquinas) Perfil U 40 35 25 3€ 6€

• (corte)
( ) 1/30 xW + 1/40 xU ≤ 1 [h]
• (tratamento) 1/28 xW + 1/35 xU ≤ 1 [h]
• (galvanização) 1/30 xW + 1/25 xU ≤ 1 [h]
xW , xU ≥ 0
Função Objectivo:
Max Lucro/hora = receitas – custos = receitas – custos mat.prima – custos oper.
= (5xW + 6xU) – (2xW + 3xU) – 20(1/30 xW + 1/40 xU) –
– 14(1/28 xW + 1/35 xU) –
– 20(1/30 xW + 1/25 xU)
 P bl
Problema dde S
Selecção
l ã de d Projectos
P j t
Numa empresa E, E vários projectos aguardam aprovação (ex:
contrato com a empresa F, substituição do sistema informático,
contratação de expert na área A, etc.)
São previamente definidos e conhecidos:
cit – orçamento previsto para o projecto i (i=1, …, P) no período t
(t=Out2010, …, Mar2011)
dt - fundos disponíveis no período t
pi – proveito,
i a curto prazo, resultante
l da
d aprovaçãoã do
d projecto
j i

Formule o problema que lhe permita maximizar o proveito obtido.

obtido

P bl
Problema dde S
Selecção
l ã de d Projectos
P j t
Variáveis de decisão:

1 , se se decidir investir no Projecto i [i 1,..., P]
x  
i 0 , se não


Função objectivo:
P
Max Lucro   x p
i1 i i

Restrições:
P
 cit xi  dt , t  Out2010, , Mar2011
i1
x 0,1
i
 At
Aterros sanitários:
itá i onde?
d ?
Um município dispõe de 250 u.m.
u m Para proceder ao desenvolvimento de novos aterros
sanitários. Há 7 locais possíveis para a sua instalação, cada um dos quais apresentando uma
determinada capacidade de processamento e um determinado custo de implantação.
Local A B C D E F G
Capacidade (ton./semana) 20 17 15 15 10 8 5
Custo (u.m.) 145 92 70 70 84 14 47

Que locais deverão ser seleccionados pelo município, considerando:

a) A minimização do número de aterros implantados?
b) A minimização dos gastos totais com a implantação dos aterros?
c) A maximização da capacidade total dos aterros?

At
Aterros sanitários:
itá i onde?
d ?
Consideração de diferentes funções objectivo
objectivo, consoante aquilo que se pretende atingir.
atingir
Local A B C D E F G
ki - Capacidade (ton./semana) 20 17 15 15 10 8 5
ci - Custo (u.m.) 145 92 70 70 84 14 47

1, se o local i [i  A,...,G] for escolhido



Variáveis de decisão: x 

i 0, 
 se não
Que locais deverão ser seleccionados ppelo município,
Q p considerando:
G
min NUM   x
a) A minimização do número de aterros implantados? iA i
G
min CUSTO   c x
b) A minimização dos gastos totais com a implantação dos aterros? iA i i

G
c) A maximização da capacidade total dos aterros? Max CAPACIDADE   k x
iA i i
G
Restrições:  c x  250
iA i i

Outras restrições poderiam ter sido acrescentadas ao problema, como por exemplo .... ?
 D t
Determinação
i ã do d Plano
Pl de
d Produção
P d ã Óptimo
Ó ti
Uma empresa produz três produtos,
produtos A,
A B e C cujos lucros por unidade são
são, respectivamente
respectivamente,
20, 30 e 40 u.m. As suas capacidades diárias são actualmente 180 horas.máquina para o
fabrico e 130 horas.máquina para a embalagem.
q
Cada unidade de A necessita de 1 hora.máquina na fase de fabrico e de 2 horas.máquina
q na
fase de embalagem. Cada unidade de B necessita de 2 horas.máquina na fase de fabrico e de
1.5 horas.máquina na fase de embalagem. Cada unidade de C necessita de 2.5 horas.máquina
na fase de fabrico e de 0.5 horas.máquina na fase de embalagem.
A quantidade a produzir de A não deve ser inferior à quantidade a produzir de C.
a) Formule o problema que determina qual o plano de produção que maximiza o lucro.
b) Admita que a empresa pretende proceder à expansão da sua capacidade produtiva
di
dispondod para o efeito d 15*103 u.m.. Admita
f it de Ad it ainda
i d que cadad hora-máquina
h á i diária
diá i adicional
di i l
3 3
exige um investimento de 2*10 u.m. se for de fabrico e 10 u.m. se for de embalagem.
Formule o problema cuja solução indica a expansão óptima considerando:
(i) que a empresa pretende expandir apenas uma das secções;
(ii) que é possível expandir simultaneamente a capacidade de fabrico e de embalagem.
... Para resolver na aula ...

E l
Escalonamento
t de
d horários
h ái
Um dos convidados das palestras da Porto2010 é o Dalai Lama,
Lama o qual obrigará a
rigorosas medidas de segurança. Uma delas tem a ver com o local onde esta
individualidade ficará hospedada. Estão já reservados quartos num hotel da cidade
para o convidado
convidado, comitiva e segurança e definido o número mínimo de
funcionários necessários ao longo do dia (ver tabela) para tratar de todos os
aspectos associados à estadia deste hóspede.
Período
P í d horas
h Nº funcion.
f i P í d
Período H
Horas Nº funcion.
f i
1 06 – 10 30 4 18 – 22 70
2 10 – 14 60 5 22 – 02 30
3 14 - 18 40 6 02 - 06 20

Os funcionários entrarão ao serviço

ç no início de cada período,
p , trabalhando 8h
seguidas (2 períodos). Os períodos 1 e 5 serão pagos 20% acima do valor base e o
6º período 40% acima do valor base.
Apresente o modelo de Programação Matemática que permite determinar o
número de funcionários que estarão de serviço em cada período do dia, tendo
como objectivo minimizar as despesas inerentes ao seu trabalho.
 E l
Escalonamento
t de
d horários
h ái
Variáveis de decisão: Período horas Nº funcion.
N funcion
xi – Número de funcionários que deverão entrar ao serviço no 1 06 – 10 30
início do Período i [i = 1, 2] 2 10 – 14 60
3 14 – 18 40
Função Objectivo: 4 18 – 22 70

Min Custo = (x1 + x6 +x5 + x4)*1.2 + (x6 + x5)*1.4+ 5 22 – 02 30

6 02 – 06 20
(x2 + x1 + x3 + x2 + x4 + x3))*1
1
Restrições:
(de necessidades de funcionários em cada Período)
(1) x1 + x6 ≥ 30
(2) x2 + x1 ≥ 60
(3) x3 + x2 ≥ 40
(4) x4 + x3 ≥ 70
(5) x5 + x4 ≥ 30
(6) x6 + x5 ≥ 20
xi ≥ 0 e inteiros
i t i

P
Programação
ã Não
Nã Linear
Li -1
A Futura é uma companhia que produz 2 tipos de fertilizantes: “Normal”
Normal e
“Plus”. O “Normal” é composto por 25% de componentes activos e 75%
de componentes inertes, enquanto o “Plus” é 40% e 60%, respectivamente.
Os armazéns limitam os stocks a um máximo de 500ton de componentes
activos e 1200ton de componentes inertes, sendo feito o seu completo
reabastecimento 1 vez ppor semana.
O “Normal” é semelhante a outros fertilizantes no mercado, e o seu preço
competitivo é de 250u.m./ton. A este preço. A Futura não tem qualquer
dificuldade em vender todo o “Normal”
Normal produzido.
produzido Contudo,
Contudo o “Plus”
Plus é
um produto invulgar, pelo que não há limitações ao seu preço. No entanto,
sabe-se que a procura deste fertilizante depende do preço de venda e a
experiência
iê i da d companhia
hi permite
it avançar com a relação
l ã P=600-D,
P 600 D sendo
d
P o preço(em u.m./ton) e D a procura (em ton).
Sabendo qque se pretende
p maximizar a receita,, que
q quantidade
q de cada um
dos 2 fertilizantes deverá ser produzida por semana?
 P
Programação
ã Não
Nã Linear
Li -1
A Futura é uma companhia que produz 2 tipos de fertilizantes: “Normal”
Normal e “Plus”.
Plus . O “Normal”
Normal é composto por 25% de
componentes activos e 75% de componentes inertes, enquanto o “Plus” é 40% e 60%, respectivamente.
Os armazéns limitam os stocks a um máximo de 500ton de componentes activos e 1200ton de componentes inertes, sendo feito
o seu completo reabastecimento 1 vez por semana.
O “Normal” é semelhante a outros fertilizantes no mercado, e o seu preço competitivo é de 250u.m./ton. A este preço. A Futura
não tem qualquer dificuldade em vender todo o “Normal” produzido. Contudo, o “Plus” é um produto invulgar, pelo que não há
limitações ao seu preço. No entanto, sabe-se que a procura deste fertilizante depende do preço de venda e a experiência da
companhia permite avançar com a relação P=600-D, sendo P o preço(em u.m./ton) e D a procura (em ton).
Sabendo que se pretende maximizar a receita, que quantidade de cada um dos 2 fertilizantes deverá ser produzida por semana?

Variáveis de decisão:
xi – Quantidade a produzir, por semana, do fertilizante i [i = N, P]
ç Objectivo:
Função j Max RECEITA = 250 xN + ((600 - D ) xP  p produto de variáveis!!!
Restrições:
(de disponibilidade de matéria-prima)
• ((Comp.
p activos)) 0.25 xN + 0.4 xP ≤ 500
• (Comp. inertes) 0.75 xN + 0.6 xP ≤ 1200
(de procura máxima)
• xP ≤ D
• xN , xP ≥ 0

P
Programação
ã Não
Nã Linear
Li -2
Uma importante companhia petrolífera pretende construir uma refinaria que será
abastecida por três cidades portuárias (A, B e C). Representando as três cidades
num sistema de eixos cartesianos, se o ponto A for a origem dos eixos, teremos o
ponto B com as coordenadas (300,
(300 400) e o ponto C com as coordenadas (700,
(700
300). Determine a localização da refinaria que minimize o comprimento total das
condutas necessárias para ligar a refinaria aos três portos.

Variáveis de decisão:
x, y – coordenadas da refinaria

Função Objectivo:

min di tâ i 
 distâncias ( 0) 2  ( y 0) 2  (x
(x ( 300) 2  ( y  400) 2  (x
( 700) 2  ( y 300) 2

Restrições: (sem restrições, ie, x , y  )