Apostila de GAMS

PESQUISA OPERACIONAL
DESENVOLVIMENTO E OTIMIZAO DE
MODELOS MATEMTICOS POR MEIO DA
LINGUAGEM GAMS
UNESP
Aneirson Francisco da Silva- Doutorando-UNESP
Fernando Augusto Silva Marins, Dr- UNESP
Guilherme Martin Silva
Paulo Roberto Marcondes de Andrade Lopes
O objetivo desta apostila fornecer conceitos matemticos sobre a estrutura da

linguagem de modelagem General Algebraic Modeling System GAMS. Aps a
leitura desta apostila o leitor estar apto a desenvolver e otimizar modelos lineares
e combinatrios utilizando a linguagem e o software GAMS.
A estrutura da apostila est definida primeiramente pela reviso da histria da

pesquisa operacional, e em seguida a explicao a respeito dos modelos lineares,
iniciando pelas particularidades desse modelo, teoria de redes DEA. Tambm so
abordados modelos de otimizao combinatria e problemas NP-HARD.
Captulo 1
1. A EVOLUO DA PESQUISA OPERACIONAL
O termo Pesquisa Operacional PO foi empregado pela primeira vez em 1939. A partir de
individualizada e batizada, tornou-se possvel fixar suas origens em pocas remotas da histria
da cincia e da sociedade.
1.1. O MTODO DA PESQUISA OPERACIONAL

A experimentao tomada no sentido restrito - isto , a manipulao fsica das variveis -
geralmente impossvel ou impraticvel quando se lida com organizaes governamentais,
militares ou industriais. Apesar disso, a experimentao s vezes possvel, particularmente no
caso de subsistemas, e desempenha papel importante na PO. Na maioria das vezes, entretanto, o
sistema global em estudo no pode ser submetido a um tratamento desta natureza. Quem
trabalha em pesquisa operacional geralmente obrigado a construir representaes do sistema e
do seu comportamento para se orientar durante a pesquisa. Os modelos em PO assumem a forma
de uma ou mais equaes ou inequaes para traduzir a condio de que algumas, ou todas as
variaes controladas s podem ser manipuladas dentro de limites. O conjunto destas equaes
constitui, ao mesmo tempo, um modelo de sistema e um modelo de deciso.
A soluo pode ser extrada do modelo mediante experimentao (isto , por simulao) ou
mediante anlise matemtica. Para alguns tipos de funo f (por exemplo, relaes algbricas
elementares), desde que as restries no sejam numerosas, a matemtica clssica fornece
instrumentos perfeitamente adequados para a determinao dos melhores valores das variveis
controladas. Por outro lado, a funo f pode consistir em um conjunto de regras de clculo (um
algoritmo) que nos permita medir a utilidade (U) do desempenho para qualquer conjunto de
valores das variveis controladas e no controladas.
Em alguns casos o comportamento do elemento humano que toma a deciso no pode ser
representado no modelo. Ocorre a necessidade do uso de simulaes que envolvero a
participao de seres humanos, sendo denominados jogos de operaes.
Introduo________________________________________________________________________ 4
A otimizao, portanto, produz a melhor soluo para o problema que foi modelado.
A correspondncia entre modelo e realidade ter de ser aferida (testada) e a soluo avaliada.
Isto , teremos de comparar seu desempenho com o da poltica ou procedimento que ela ir
substituir. Os resultados da pesquisa devem ser implantados. nesta fase que se faz o teste e a
avaliao final da pesquisa; proporcionando, pois, ao especialista as maiores e melhores
oportunidades de aprender.
Cinco fases num projeto de PO:
1. Formulao do problema
2. Construo do modelo
3. Obteno da soluo
4. Teste do modelo e avaliao da soluo
5. Implantao e acompanhamento da soluo (manuteno)
As vantagens e desvantagens da utilizao de modelos foram assim definidas:
Vantagens
a) Emerge sob a forma grfica, para representar a realidade aprendida em
determinado momento;
b) Simplifica a visualizao da amplitude das variveis sem alterar a essncia;
c) Ajuda a identificar vrias relaes possveis entre os elementos da realidade;
d) Possibilita compreender relaes complexas;
e) Serve como base para estabelecer e aprimorar parmetros.
Desvantagens
f) Limitaes na identificao de todas as variveis relevantes que influenciam em
determinada situao;
g) Problemas na definio das propriedades a serem mensuradas e na especificao
de procedimentos para tal;
h) Dificuldades no entendimento entre os provedores e os usurios da informao.
Introduo________________________________________________________________________ 5
A representao simplificada de um problema prtico por meio de um modelo matemtico

permite que sobre ele se aplique tcnicas e mtodos que facilitam a obteno de uma soluo.
1.2. O IMPACTO DA PESQUISA OPERACIONAL

A Pesquisa Operacional tem tido um grande impacto crescente na administrao de empresas
nos anos recentes. Tanto o nmero quanto a variedade de suas aplicaes continuam a crescer
rapidamente. Algumas de suas tcnicas envolvem idias sofisticadas em cincias polticas,
matemtica, economia, teoria da probabilidade e estatstica. Como tambm sendo usada
amplamente em outros tipos de organizaes, inclusive negcios e indstria.
Muitas indstrias, inclusive a de aviao e msseis, automveis, comunicaes, computadores,
energia eltrica, eletrnica, alimentos, metalrgica, minerao, papel, petrleo e transporte, tm
feito uso extensivo da pesquisa operacional. Mesmo instituies financeiras, agncias
governamentais e hospitais tm aumentado rapidamente o uso que fazem da pesquisa
operacional.
Vejamos alguns dos problemas que tm sido resolvidos por tcnicas particulares de pesquisa
operacional:
PROGRAMAO LINEAR: tem sido usada com sucesso na soluo de problemas relativos
alocao de pessoal, mistura de materiais, distribuio, transporte, carteira de
investimento, avaliao da eficincia;
PROGRAMAO DINMICA: tem sido aplicada tambm com sucesso a reas como
planejamento de despesas de publicidade, distribuio do esforo de vendas e
programao de produo;
TEORIA DAS FILAS: tem tido aplicao na soluo de problemas relativos a
congestionamento de trfego, mquinas de servios sujeitas quebra, determinao do
nvel de uma fora de servio, programao do trfego areo, projetos de represas,
programao de produo e operao de hospitais;
PROGRAMAO INTEIRA: que uma forma de programao linear onde as variveis
podem apenas apresentar nmeros inteiros. Tem sido utilizada na resoluo de
problemas de investimento dentre outros;
Introduo________________________________________________________________________ 6
PROGRAMAO MISTA: que uma forma de programao linear onde as variveis podem
assumir valores binrios, inteiros e contnuos, este modelo tambm definido como
otimizao combinatria, enquadrando-se em problemas de dificuldades no polinomiais
NP-HARD;
PROGRAMAO NO LINEAR: modelo matemtico onde a funo objetivo, as restries
ou ambas, apresentam no linearidade em seus coeficientes.
PROGRAMAO MULTIOBJETIVO: uma forma de programao linear e no linear onde
se analisa mltiplas funes objetivos;
GOAL PROGRAMMING: que uma extenso dos modelos de programao multiobjetivo,
contendo vrios modelos especficos para cada problema de deciso;
Outras tcnicas de pesquisa operacional, tais como teoria de estoque, teoria dos jogos,
teoria dos grafos e simulao, tambm tem sido aplicadas com sucesso a(em) diversos contextos.
Captulo 2
2. ESTRUTURAO E OTIMIZAO DE MODELOS LINEARES ESTACIONRIOS
O anexo A contempla a linguagem de modelagem GAMS. Abordando as principais funes e a
estrutura dessa linguagem de modelagem, mostrando suas principais vantagens. O anexo B
contempla as principais linguagens de modelagens, abordando as principais vantagens da
linguagem GAMS em relao s demais linguagens.
Vamos iniciar a modelagem do problema do Giapetto pela linguagem GAMS. A linguagem GAMS
requer que o problema seja traduzido na forma algortmica.
1- Giapetto fabrica dois tipos de brinquedos de madeira. Soldados e trens. Um soldado
vendido por R$ 27,00 e usa R$ 10,00 de matria prima. Cada soldado que fabricado
tem um custo adicional de R$ 14,00 relativo mo de obra. Um trem vendido por R$
21,00 e gasta R$ 90,00. O custo de mo de obra adicional para cada trem de R$
10,00. A fabricao destes brinquedos requer dois tipos de mo de obra: Carpintaria e
Acabamento. Um soldado necessita de 2 horas para acabamento e 1 para 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. Formular o modelo matemtico que poderia ser usado por Giapetto para
maximizar seu lucro semanal.
1 passo: Modelar o problema. Vamos descrever as variveis do problema, o que na linguagem
GAMS chamada de (SETS ) numa traduo pode-se chamar de ndices ou conjuntos.
ndices:
Xi,j: Quantidade a ser produzida do produto i utilizando os recursos j. O GAMS um software
orientado ao objeto, logo temos que declarar esses objetos que no caso so os i produtos e os j
recursos.
Estruturao e otimizao de modelos lineares estacionrios________________________________ 8
2 passo: Definir os parmetros (PARAMETER) do modelo: Neste caso sabemos a margem de

contribuio unitria por produto i. Portanto, necessrio esse parmetro que estar ligado ao
ndice i. Vamos chamar este parmetro de MCi. Outro parmetro com relao disponibilidade
dos recursos, sendo este parmetro ligado ao ndice j. Vamos chamar este parmetro de Aj.
Finalmente, devemos criar um parmetro que mostre o consumo unitrio de cada recurso por
produto, sendo este parmetro pertencente aos ndices i e j. Neste caso na linguagem GAMS deve
ser criado uma Tabela (TABLE), que vamos chamar de R i, j.
3 passo: Definir as variveis de deciso: Temos uma deciso que saber o valor da margem de
contribuio, vamos definir essa varivel de Xi. Na linguagem GAMS necessrio informar uma
varivel que vai definir a funo objetivo, neste caso chamaremos de Z, que vai definir os valores
timos de produo de cada produto.
4 passo: Definir as equaes (EQUATIONS): as equaes so definidas por meio do nmero de
restries mais a funo objetivo. A primeira equao vai definir o valor da margem de
contribuio, portanto chamaremos a mesma de margem. A segunda equao vai determinar o
quanto ser consumido por recurso
vamos chamar essa equao de consumo. E a ltima
equao definir o limite mximo de demanda do produto soldado. Agora podemos resolver o
problema do Amigo Giapetto.
2
Max Z MC i . X i
i
sujeito a :
n
i, j
.X i A j
X "SOLDADO " 40
X I ,J 0
A Tabela 2.1 mostra alguns comandos bsicos da linguagem GAMS
Tabela 2.1- Comandos bsicos em linguagem GAMS
Smbolo
Significado
Define uma inequao de sinal maior ou igual
Define uma inequao de sinal de menor ou igual
Define uma equao (X= n)
So fixadores de ndices
Tambm um fixador de ndices
PROD
Expresso para produto de uma srie
SUM
Expresso para somatrio
Model
Descreve o modelo estudado
Solve
Descreve a utilizao de um solver especfico
Display
Recurso utilizado para calcular o primal e o dual
A Tabela 2.2 mostra as funes padro de GAMS.

Tabela 2.2- Funes padro em GAMS
Nome
Descrio
Definio
Nmero de Argumentos
ABS
Valor absoluto
|ARG|
ARCTAN
Arco Tangente
Arctan
(arg);
resultado
em
radianos
CEIL
Funo teto
Maior inteiro arg
COS
Cosseno
Cos
(arg)
argumento
1
em
Integral de distribuio normal
radianos
ERRORF
Funo erro
padro
EXP
Exponencial
earg
FLOOR
Funo piso
Maior inteiro arg
Nome
Descrio
Definio
Nmero de Argumentos
LOG
Logaritmo
Log do arg na base e
Log de arg na base 10
natural
Log10
Logaritmo
comum
MAPVAL
Funo
Atribuiu
nmeros
mapeamento
especiais
MAX
Maior valor
Max (arg1, arg2,...,argn)
>1
MIN
Menor valor
Min (arg1, arg2,..,argn)
>1
MOD
Resto
arg1-trunc(arg1/arg2) x arg3
Normal
Randmica
Nmero
2*
normal
normalmente com argumento
aleatrio
valores
distribudo
arg1 e desvio padro arg2

POWER
Potncia inteira
ROUND
Arredondamento
SIGN
Sinal
SIN
Seno
Sem (arg); arg em radianos
SQR
Quadrado
arg x arg
SQRT
Raiz quadrada
TRUNC
Truncamento
Sign (arg) x floor (abs(arg))
UNIFORM
Randmica
Nmero
2*
uniforme
uniformemente entre arg1 e arg2
1
1
aleatrio
distribudo
A Figura 1.1 mostra os processos para obteno do modelo do Giapetto em linguagem GAMS.
Clicando em F9 obtido a soluo para este modelo. A soluo tima para este modelo seria.
Produzir 20 soldados e 60 trens gerando um lucro mximo de R$ 180,00 reais. O GAMS oferece
algumas estatsticas referentes ao tamanho do modelo, como se pode ver abaixo no caso do
modelo Giapetto. As contagens de BLOCKS se refere ao nmero de equaes genricas e

variveis. As contagens de SINGLE se refere as linhas e colunas individuais que esto sendo
geradas na instancia particular do modelo. Para os modelos no lineares, so fornecidas outras
estatsticas para descrever o grau de no linearidade do problema (BROOKE et al., 1997).
Figura 1.1- Modelo Giapetto em linguagem GAMS.

2- O Senhor Martins dono de uma oficina muito movimentada na cidade de
Guaratinguet- SP. Ele querendo maximizar seus retornos e tambm, visando
realizao de novos investimentos na sua oficina. Resolveu procurar voc/SA, para
fazer um planejamento da sua produo, visando maximizao do lucro, e
identificar possveis reas para realizao de novos investimentos. Os dados da
empresa esto logo abaixo:
Tipo de Mquina
Produto
Produto 2
Produto 3
Tempo
disponvel
Torno
400
Fresa
500
Furadeira
300
Lucro
20
15
18
Demanda Semanal
40
50
20
mxima
Uma oficina mecnica deseja alocar o tempo ocioso disponvel em suas mquinas para a
produo de trs produtos. A Tabela abaixo mostra as informaes sobre as necessidades de
horas de mquina para produzir uma unidade de cada produto, assim como a
disponibilidade das mquinas, o lucro dos produtos e a demanda mxima existente no
mercado. Deseja-se o esquema semanal de produo de lucro mximo.
Resolvendo o exemplo do senhor Martins.
1 passo: Descrever os ndices.
i, j
Os objetos so os i produtos e j recursos
2 passo: Descrever os parmetros.
Ri, j: Consumo unitrios por produto i de cada recurso j.

Aj: Quantidade disponvel do recurso j.
Di: Demanda mxima por produto i.
Li: Lucro unitrio por produto i.
3 passo: Descrever as variveis de deciso.
Xi: Define a produo do produto i.
Z: Expresso da funo objetivo.
4 passo: Descrever as equaes.
Margem: Define o lucro mximo
Consumoj: Define o consumo por produto i do recurso j.
Dprodutosi: Define a demanda mxima por produto i.
5 passo: Construo do modelo matemtico.
n
Max Z L i .X i
i
sujeito a :
n
consumo j R i, j .X i A j
i
Dprodutos i X i D i
X I,J 0
Figura 1.2: Modelo matemtico exemplo 2 em linguagem GAMS.

Soluo tima: Produzir 40 unidades do produto 1, 32 unidades do produto 2 e 20 unidades do
produto 3. Gerando um lucro mximo de R$ 1.640,00.
Soluo Dual: Produto 1 R$ 14,00, produto 3 R$ 9,00 e Furadeira R$ 3,00. Interpretao
econmica do dual. Se a oficina aumentasse a demanda do produto 1 em uma unidade o lucro
aumentaria em R$ 14,00. Se a usina aumentasse a demanda em uma unidade do produto 2, o
lucro aumentaria em R$ 9,00. Se o tempo disponvel de utilizao da furadeira fosse aumentada
em uma hora o lucro aumentaria em R$ 3,00.
Desenvolva e otimize os modelos dos problemas descritos a seguir utilizando-se do
software GAMS.
1 Uma indstria fabrica dois tipos de papel e para isso utiliza somente uma mquina. Devido a
certas restries de matria prima, no se pode diariamente produzir mais do que 4 tons de
papel do tipo A, nem mais do que 6 tons do tipo B. Requer-se 1 hora da mquina para produzir 1
ton. de papel do tipo A e 1 hora para produzir 1 ton. de papel do tipo B. O lucro por ton.
produzida de R$ 2,00 para o papel do tipo A e de R$ 5,00 para o papel do tipo B. O tempo de
utilizao da mquina de 8 horas/dia. Elaborar o plano timo de produo.
2 Uma pequena indstria usa trs tipos de matrias primas, P, Q, R para a fabricao de dois
produtos A e B. As matrias primas em disponibilidade na fbrica so:
20 unidades de P;
12 unidades de Q; e
16 unidades de R.
Por razes tecnolgicas, uma unidade do produto A necessita respectivamente de 2, 2 e 4
unidades de matrias primas P, Q e R. Para o produto B esses coeficientes tcnicos so 4, 2 e 0,
respectivamente. O fabricante sabe que o lucro na produo de A de 0,5 unidades monetrias e
de B de 1 unidade monetria. Qual o lucro mximo e quais as quantidades produzidas das
mercadorias A e B para se obter o lucro mximo?
3 Uma companhia de investimento dispe de R$ 100.000,00 para investir em aes e letras

imobilirias.
Sua poltica de aplicao consiste em:
Empregar, no mximo, 50% do disponvel em aes; e
Empregar, no mximo, 60% do disponvel em letras imobilirias.
Atravs de uma pesquisa de mercado, a companhia verificou que deveria empregar, no mximo,
40% do disponvel, na diferena entre o dobro da quantidade investida em aes e a quantidade
investida em letras; e empregar, no mximo, 1% do disponvel na soma da oitava parte investida
em aes com a quinta parte investida em letras.
As aes produzem uma rentabilidade de 5% ao ms e as letras 4% ao ms. Qual o investimento
timo?
4 Uma fbrica de canetas quer saber do Departamento de Engenharia quantas canetas de cada
tipo (standard, luxo e esferogrfica) devero ser produzidas, para que o lucro da empresa seja
mximo.
INFORMAES:
a) Do departamento de Produo
Produes mximas mensais possveis para cada um dos tipos de canetas (isto ,
produzir-se s um tipo):
Standard
Luxo
Esferogrfica
15.000
10.000
20.000
b) Do Departamento de Vendas
Mximo de vendas mensais para cada um dos tipos:
Standard
12.000
Luxo
8.000
Esferogrfica
30.000
c) Do Departamento de Contabilidade
Lucro unitrio para cada tipo:
Standard
Luxo
R$ 0,70
R$ 0,50
Esferogrfica
R$ 0,30
5 Uma fbrica de automveis e caminhes possui os seguintes departamentos;

1. Estamparia de pranchas metlicas;
2. Montagem de motores;
3. Montagem de automveis; e
4. Montagem de caminhes.
O departamento 1 deve estampar, no mnimo por ms, as pranchas necessrias para 25.000
automveis ou 35.000 caminhes, ou as correspondentes combinaes de automveis e
caminhes.
O departamento 2 deve no mnimo por ms, montar 33.333 motores de automveis e 16.667
motores de caminhes ou as correspondentes combinaes de motores de automvel e
caminho.
O departamento 3 pode montar e terminar 40.000 automveis e o departamento 4, mensalmente
25.000 caminhes (ambos utilizando sua capacidade mxima).
Com o constante aumento do combustvel, a fbrica sabe que o prejuzo na fabricao de um
automvel de R$ 500,00 e na fabricao de um caminho de R$ 200,00. Qual a quantidade de
automveis e caminhes a ser produzida a fim de que a fbrica tenha o menor prejuzo possvel,
dadas as condies atuais do mercado?
6 Uma indstria de aparelhos eletrodomsticos tem equipamento para produzir geladeiras,
mquinas de lavar e foges.
O regime de operao da indstria de 45 horas semanais. Seu equipamento pode fabricar, por
hora, 50 geladeiras ou 25 mquinas de lavar ou 75 foges.
Uma pesquisa de mercado revelou que a demanda semanal de 1.000 geladeiras, 500 mquinas
de lavar e 1.500 foges.
A geladeira proporciona, por cada unidade vendida, um lucro de R$ 40,00; a mquina de lavar R$
120,00 e o fogo um lucro de R$ 30,00.
Qual seria o modelo matemtico da indstria que permitiria o lucro mximo semanal ?
7 Um sapateiro faz 6 sapatos por hora, se fizer somente sapatos, e 5 cintos por hora, se fizer
somente cintos. Ele gasta 2 unidades de couro para fabricar uma unidade de sapato e uma
unidade de couro para fabricar uma unidade de cinto. Sabendo-se que o total disponvel de couro
de 6 unidades e que o lucro unitrio por sapato de 5 unidades monetrias e o do cinto de 2
unidades monetrias, pede-se: o modelo do sistema de produo do sapateiro, se o objetivo
maximizar seu lucro por hora.
8 Um vendedor de frutas pode transportar 800 caixas de frutas para sua regio de vendas. Ele
necessita transportar 200 caixas com laranjas, tendo um lucro de 20 u.m. por caixa, pelo menos
100 caixas com pssegos a 10 u.m. de lucro por caixa e no mximo 200 caixas com tangerinas a
30 u.m de lucro por caixa. Construir o modelo matemtico que permita ao vendedor carregar o
caminho de modo a obter o lucro mximo.
9 Uma rede de televiso local tem o seguinte problema: foi descoberto que o programa A com
20 minutos de msica e 1 minuto de propaganda chama a ateno de 30.000 telespectadores,
enquanto o programa B com 10 minutos de msica e 1 minuto de propaganda chama a ateno
de 10.000 telespectadores. NO decorrer de uma semana, o patrocinador insiste no uso de no
mnimo, 5 minutos para sua propaganda e que no h verba para mais de 80 minutos de msica.
Quantas vezes por semana cada programa devem ser levadas ao ar para obter o nmero mximo
de telespectadores? Construa o modelo do sistema.
10 Um fazendeiro est estudando a diviso de sua propriedade nas seguintes atividades
produtivas.
A (Arrendamento) Destinar certa quantidade de alqueires para a plantao de cana de acar, a

uma usina local, que se encarrega da atividade e paga pelo aluguel da terra $ 300,00 por alqueire
por ano.
P (Pecuria) Usar outra parte para criao de gado de corte. A recuperao das pastagens
requer adubao (100 kg / Alq) e irrigao (100.000 l de gua / Alq) por ano. O lucro estimado
nessa atividade de $ 400,00 / Alq no ano.
S (Plantio de Soja) Usar uma terceira parte para o plantio de soja. Essa cultura requer 200 kg
por alqueire de adubos e 200.000 l de gua / Alq para irrigao por ano. O lucro estimado nessa
atividade de $ 500,00 por alqueire no ano.
Disponibilidade de recursos por ano:
12.750.000 l de gua;
14.000 kg de adubo; e
100 alqueires de terra.
Quanto alqueire dever destinar a cada atividade para proporcionar o melhor retorno?
Captulo 3
3. DESENVOLVIMENTO E OTIMIZAO DE MODELOS LINEARES PRTICOS POR MEIO DO GAMS
comum durante o desenvolvimento de modelos matemticos nos depararmos com problemas onde h
limites de demanda para determinados produtos. Como exemplo, iremos modelar um problema em
linguagem GAMS. Os dados esto dispostos abaixo. O Quadro 3.1 refere-se aos recursos disponveis na
fazenda para realizao das atividades leiteiras e de corte.
Quadro 3.1- Recursos disponveis
Abreviatura
AT
RESTRIES
rea total disponvel para a atividade leiteira ha/ano
TR
Custo da terra (devendo ser considerado o custo de oportunidade e o custo de manuteno

adubao, reforma de pasto, limpeza e destoca) R$/ano
BE
Custo e despesas com benfeitorias (considerando-se a depreciao, o custo de oportunidade e

o custo de manuteno) R$/ano
MI
Custo e despesas com mquinas e implementos (considerando-se a depreciao, o custo de

oportunidade e o custo de manuteno) R$/ano
EQ
Custo e despesas com equipamentos (considerando-se a depreciao, o custo de

oportunidade e o custo de manuteno) R$/ano
RE
Custo e despesas com reprodutores (considerando-se a depreciao e o custo de

oportunidade) R$/ano
AL
Custo e despesas com alimentao (considerando-se o gasto com concentrados, suplementos

e forrageiras e o custo alternativo) R$/ano
PV
Custo e despesas com produtos veterinrios (considerando-se o gasto e o custo alternativo)

R$/ano
IA
Custo e despesas com inseminao artificial (considerando-se o gasto e o custo alternativo)

R$/ano
TE
Custo e despesas com transferncia de embries (considerando-se o gasto e o custo

alternativo) R$/ano
DA
Gastos com despesas administrativas (considerando-se tambm o custo alternativo) R$/ano
MK
Gastos com marketing e propaganda (considerando-se tambm o custo alternativo) R$/ano
MO
Custo e despesas com mo-de-obra (considerando-se o gasto efetivo, os encargos pagos e o

custo alternativo) R$/ano
A Tabela 3.1 mostra os recursos disponveis e o consumo por categoria de animal para o ano de 2004.
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 21

Tabela 3.1- Consumo anual por animal.
Restries
RECURSOS
DISPONVEIS
RECURSOS CONSUMIDOS POR

CATEGORIA
Unidades
Bezerras
Bezerros
Novilhas
Vacas
Touro
AT
196,50
ha/ano
0,09
0,09
0,25
0,35
0,42
TR
39.493,39
R$/ano
43,37
32,81
66,12
88,78
1535,85
BE
9.894,38
R$/ano
4,07
3,08
3,16
68,26
10,99
MI
51.601,87
R$/ano
70,83
53,59
45,25
276,01
57,34
EQ
13.605,94
R$/ano
3,73
2,83
2,17
99,14
15,12
RE
2.432,04
R$/ano
10,35
7,83
6,59
0,94
0,00
AL
235.063,69
R$/ano
161,32
122,07
393,56
1239,10
261,18
PV
19.243,82
R$/ano
42,26
31,98
27,62
73,10
21,38
IA
3.923,65
R$/ano
16,69
12,63
10,64
1,52
0,00
TE
7.240,00
R$/ano
30,81
23,31
19,63
2,81
0,00
DA
35.535,30
R$/ano
34,14
25,83
19,83
214,86
78,97
MK
18.089,05
R$/ano
69,52
52,60
51,92
5,61
80,40
MO
RO
51.729,07
R$/ano
42,60
32,23
28,87
Oramento disponvel: R$ 487.852,20
316,79
114,95
Essa Tabela foi obtida por meio de rateio, considerando o consumo efetivo de recursos e o tempo de
permanncia de cada categoria animal na propriedade. Para garantir a sustentabilidade econmica da
produo de leite e da produo animais da Fazenda , foram inseridas restries adicionais as
quantidades mximas e mnimas que cada categoria animal deveria possuir, conforme apresentado na
Tabela 3,2. Esses valores so baseados na taxa de lotao histrica da fazenda no ano de 2003.
Tabela 3.2- Categorias de animais
Categoria
X1
X2
X3
X4
X5
Qtde Mxima
95
135
170
200
12
Qtde Mnima
39
53
60
100
-
O oramento disponvel de R$ 487.852,20. O objetivo maximizar a quantidade de animais. Formule o

modelo utilizando-se da linguagem GAMS.

ndices:
i associado s categorias de animais (Bezerras, Bezerros, Novilhas, Vacas e Touros).
j associado s categorias dos recursos (AT, TR, BE, MI, EQ, RE, AL, PV, IA, TE, DA, MK, MO,RO).
Parmetros:
Pj: associado ao ndice j define os limites mximos de cada recurso.
Ri, j: associado ao consumo unitrio do recurso j por categoria de animal i.
Variveis:
Xi: Quantidade por categoria de animal.
Z: Associada ao clculo da funo objetivo.
Equaes:
Animais define a funo objetivo
AJ: Calcula o quanto a ser utilizado do recurso j por categoria de animal i.
maxbezerrai: mximo de bezerras.
minbezerrai: mnimo de bezerras.
maxbezerrosi: mximo de bezerros.
minbezerrosi: mnimo de bezerros.
maxnovilhasi: mximo de novilhas.
minnovilhasi: mnimo de novilhas.
maxvacasi: mximo de vacas
minvacasi: mnimo de vacas.
mintouroi: mnimo de touro.
maxtouroi: mximo de touro.
Vamos introduzir outro comando na linguagem GAMS denominado SCALAR neste caso esse comando vai
representar uma constante que no est ligado a nenhum ndice.

n
animais Z X i
i
sujeito a :
n
i, j
. X i Pj
maxbezerra i X "bezerras " 95

minbezerra i X "bezerras " 39
maxbezerro i X "bezerros " 135
minbezerro i X "bezerros " 53
maxnovilhas i X "novilhas" 170
minnovilhas i X "novilhas" 60
maxvacasi X "vacas" 200
minvacas i X "vacas" 100
maxtouro i X "touro" 12
mintouro i X "touro" 9
X i, j 0
Para este modelo temos um problema de programao inteira. Este assunto ser discutido nos prximos
captulos. Portanto, resolveremos o mesmo por meio da otimizao linear contnua.
A Figura 3.1 mostra o modelo em linguagem GAMS. A soluo tima no inteira seria: bezerras= 39,
bezerros= 132,33, novilhas= 132,172, vacas= 127,773 e touro= 8,71. Utilizando 486.350,05 do
oramento.
Figura 3.1- Modelo agricultura em GAMS.

Os e as (estes pontos ) so indexadores de ndices na linguagem GAMS.
Exemplo 4: Alocao de tarefas.
Uma empresa de correios deseja estabelecer o nmero de funcionrios de horrios integral que deve
contratar para iniciar suas atividades. Para faz-lo, recebeu uma matriz da empresa com o nmero
mnimo de funcionrios por dia da semana. Estas informaes se encontram na Tabela 3.3. O

sindicato dos empregados de franqueadores dos correios mantm um acordo sindical que
determina que cada empregado deve trabalhar cinco dias consecutivos e folgar em seguida dois
dias, e que as franquias devem ter apenas empregados com horrio integral. Desenvolva e otimize o
modelo de maneira a determinar o nmero total de empregados que a franquia deve contratar e o
nmero de empregados por dia, utilizando a linguagem de modelagem GAMS.
Tabela 3.3- Dados do problema da empresa correios.
Dia da semana
Nmero de funcionrios
Domingo
11
Segunda-feira
18
Tera-feira
12
Quarta-feira
15
Quinta-feira
14
Sexta-feira
14
Sbado
16
ndices:
n: associado ao nmero de funcionrios
s: associado aos dias da semana.
Parmetros:
Alocaos,n: associado ao nmero de funcionrios n requeridos no dia da semana s.
Funcionriosn: associado ao nmero mnimo de funcionrios n para trabalhar no dia da semana s.
Variveis:
Z associada funo objetivo.
Xs: nmero de funcionrios i contratados no dia da semana s.
Equaes:
Func: calcula a funo objetivo.
Alocadosn: calcula o nmero de funcionrios alocados em cada dia da semana s.
A Figura 3.2 mostra o resumo do modelo no GAMS. A soluo tima para o problema contratar 22,6666
funcionrios no total, sendo que seria contratado 5 funcionrios no domingo, 1,666 na segunda, 4.667 na
tera, 7,667 na quinta e 3.667 no sbado. Os totais de empregados disponveis por dia da semana esto
dispostos abaixo, sendo N1 nmero de funcionrios que iniciam a atividade no domingo e N7 o nmero
de funcionrios que iniciam a atividade no sbado. N1= 16.333, N2= 18, N3= 15, N4= 15, N5= 19 e N6=14
e N7= 16

n
func. Z X s
s
sujeito a :
alocados n
alocacao
s, n
. X s funcionarios n
X s, n 0
Figura 3.2- Modelo correios pelo GAMS.

Exemplo de deciso entre fazer ou comprar:
A turbo motores LTDA, uma fbrica de motores especiais, recebeu recentemente R$ 100.000,00 em
pedidos de seus trs tipos de motores. Cada motor necessita de um determinado nmero de horas de
trabalho no setor de montagem e acabamento. A turbo motores deseja determinar quantos motores
devem ser produzidos em sua fbrica e quantos devem ser produzidos de forma terceirizada para

atender demanda de pedidos. A Tabela 3.4 mostra as informaes referentes a esta empresa.
Tabela 3.4- Dados da empresa turbo motores.
Modelo
Disponibilidade
Demanda
3000 unid
2500 unid
550 unid
Montagem
1 h/unid
2h/unid
0,5 h/unid
6000 h
Acabamento
2.5 h/unid
1h/unid
4h/unid
10000h
Custo de
R$ 50
R$ 90
R$ 120
R$ 65
R$ 92
R$ 140
produo
Terceirizao
ndices:
p: associado produo.
j: associado aos recursos.
Parmetros:
Aj: associado disponibilidade dos recursos j.
Produzirp,: associado ao consumo da recurso j pelo produto p.
Custop: associado ao custo de produo do produto p.
cust: associado ao custo de terceirizao t.
demandap,: associado a deciso unitria de produo e terceirizao.
demandasp: associado a demanda do produto p que pode ser fabricado ou terceirizado.
Variveis.
Z relacionado funo objetivo.
Mincp,: quantidade a ser produzida e terceirizada do produto p visando a obteno do menor custo.
Produzidop: quantidade a ser fabricada do produto p.
Terceirizadop: quantidade a ser terceirizada do produto p.
Equaes:
Customin: calcula o custo mnimo.
Consumop: calcula o consumo do recurso j pelo produto p.
Decisop,t: calcula a deciso entre produzir e terceirizar.

Modelo matemtico:
customin. Z produzido p .custo p terceirizado p .cus t

p
Sujeito a :
consumo j .. produzirp, j .produzido p A j
p
produzido p terceirzado p demandas p

minc, produzido, terceirizado 0
A figura 3.3 resume o desenvolvimento desse modelo em GAMS.
Figura 3.3- Modelo de deciso de compra ou terceirizao em GAMS

Soluo tima: Produzir P1=3.000; P2= 500; P3= 500, terceirizando a produo de P2= 2.000. Gerando um
lucro mximo= R$ 43.900,00.
Captulo 4
4.
DESENVOLVIMENTO E OTIMIZAO DE MODELOS DINMICOS
A maioria dos problemas de otimizao prticos so multiperodo ou dinmicos, e neste caso o

modelo matemtico torna-se mais complexo. Resolvamos o problema de estoque:
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 so 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 R$ 400,00 por veleiros.
Tendo de trabalhar com horas extras durante o trimestre, a empresa pode produzir veleiros
a mais a um custo total de R$ 450,00 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 R$ 20,00 por barco ocorre. Desenvolva o modelo matemtico por meio do
software GAMS.
Soluo:
ndices:
i: associado ao produto veleiro.
t: associado aos trimestres.
Na linguagem GAMS h outra funo chamada alias, esta funo permite a incluso de subndices
no modelo matemtico. Neste caso vamos criar 2 subndices, associados ao ndice principal t
t,textra: associado produo utilizando horas extras no trimestre t.
t,stoks: associado ao estoque do produto veleiro no trimestre t.
Desenvolvimento e Otimizao de Modelos Dinmicos____________________________________ 31
Parmetros:
Demandat: associado demanda requerida do produto i para cada trimestre t.
Producaot: associado produo mxima para o produto i para cada trimestre t.
Mt,i: associado produo do produto i usando a mo de obra normal no trimestre t.
Extratextra,i: associado produo do produto i utilizando horas extras no trimestre t.
Estocagemstoks,i: associado estocagem do produto i no trimestre t.
I0t,i,: associado ao estoque inicial do produto i no trimestre t.
Contrt: controle de estoque inicial.
Variveis:
Z funo objetivo.
produtoextrat,i: produo do produto i com mo de obra extra no trimestre t.
produtoestoquet,i: estoque do produto i no trimestre t.
Equaes:
Mincusto: calcula o custo mnimo da funo objetivo.
Limitet: calcula a produo do produto i no trimestre t.
fabricaot: calcula o limite fabricado em horas disponveis.
calculoestoquet: calcula a capacidade de estoque no trimestre t.
Z produto t,i .M t,i

t,i
produtoextra
textra,i
.extra textra,i
textra,i
produtoest0ques
stoks, i
.estocagem stoks,i
stoks, i
sujeito a :
limite t . produto t,i produtoextra t,i I0t ,i produtoestoque t -1,i demanda t
i
fabricacao t produto t,i producao t

i
calculoestoque t produtoestoque t,i produto t,i produtoextra t,i I0 t,i

i
produtoestoque
t -1,i
demanda t
produtos t,i , produtoextra t,i , produtoestoque t,i 0

A Figura 4.1 mostra este modelo em linguagem GAMS.
Figura 4.1- Modelo dinmico de estoque em linguagem GAMS.

Soluo tima: produo utilizando horas normais: t1=40; t2= 40; t3= 40 e t4= 25.
Produo utilizando horas extras: t2= 10; t3= 35.
Estoques: t1= 10. Custo mnimo R$ 7.840,00
Exemplo 2: Fluxo de caixa multiperodo.
Uma empresa est construindo um novo restaurante que integrar a sua cadeia no prximo
ano. Para tal, necessita de um total de R$ 500.000,00 que ser pago construtora em duas
parcelas de R$ 150.000,00 ao final do 2 e 5 meses, e uma parcela de R$ 200.000,00 ao
trmino da construo no fim do 7 ms. A empresa dispe de 4 tipos de investimentos que

podem ser utilizados a fim de gerar caixa para quitar a construo de maneira a reduzir a
necessidade total de caixa. Informaes:
Investimento
Aplicao
Meses de durao
Retorno ao final do
disponvel no
da aplicao
investimento
incio dos meses

Tipo A
1,2,3,4,5,6,7
1.5%
Tipo B
1,3,5
3.2%
Tipo C
1,4
4.5%
Tipo D
9%
Soluo:
ndices:
j: associado aos tipos de investimento.
m: associado aos meses.
a: associado s aplicaes disponveis.
Parmetros:
Investimentosj, a, m: associado a alocado do disponvel a no tipo de investimento j no ms m.
Dm: associado parcela a ser paga no ms m.
Variveis:
Z associada funo objetivo.
Utilizadoj, a: associada ao valor aplicado no tipo de investimento j do disponvel a.
Equaes:
Aplicaes: calcula a funo objetivo.
Clculom: calcula o valor aplicado em cada tipo de investimento.
Aplicaes.. Min Z UtilizadoA1 UtilizadoB1 UtilizadoC1 UtilizadoD1

sujeito a :
n
Investimentos
j, a,m
.Utilizado j,a D m
j, a
Utilizado j,a 0
A Figura 4.2 contempla o modelo fluxo de caixa em linguagem GAMS.
Figura 4.2- Modelo fluxo de caixa em linguagem GAMS.
Exerccios propostos
Uma fbrica produz refrigeradores, freezers e fornos. A demanda mensal mdia destes produtos
, respectivamente, de 115.000, 58.000 e 48.000 unidades, e segue um esquema de mdias
mveis com perodo de 4, isto , a demanda de quatro meses consecutivos e constantes ao longo
do tempo. A demanda registrada nos ltimos trs meses foi seguinte:
Demanda mensal por (unidades)
Produto
Julho
Agosto
Setembro
Refrigerador
125.000
108.000
136.000
Freezer
57.000
52.000
73.000
Forno
45.000
36.000
58.000
Para fabricar estes produtos, trs recursos bsicos so necessrios (MDO, MP e energia), cujos
consumos unitrios esto apresentados no quadro abaixo.
Consumo unitrio
Produto
MDO/ horas
Material Kg
Energia kWh
Refrigerador
1,4
17
25
Freezer
1,7
21
23
Forno
1,1
10
17
A fbrica dispe de 1.900 empregados na linha de produo, cada um dos quais trabalha 200
horas por ms. O custo de armazenamento mensal de uma unidade de cada produto R$ 10, R$ 13,
R$ 8, respectivamente. A disponibilidade mensal de energia 5,5 x 106 KW/h. A empresa poder
comprar at 3.850 ton/ ms de material, que poder ser armazenado a um custo mensal de R$
0,15kg. Desenvolva o modelo matemtico que permita determinar o plano timo de produomaterial-pessoal para os prximos 12 meses, de modo a garantir que todos os empregados
entrem em frias (1 ms) durante este perodo. Considere que no incio do ms de outubro no
existe estoque de produto acabado e que o estoque de matria-prima de 3.200 toneladas.
Captulo 5
5.
DESENVOLVIMENTO E OTIMIZAO DE MODELOS INTEIROS
Supondo que a empresa X, tenha uma disponibilidade mxima de R$ 650 reais para realizar
vrios investimentos. A taxa mnima de atratividade requerida por esta empresa 10%,
para cada um dos projetos. Os projetos 1 a 6 so mutuamente excludentes, ou seja, a escolha
de um elimina os outros 5.
Aps a realizao dos clculos obtiveram os seguintes resultados
Projeto
1
Investimento Inicial/
(UM 1.000,00)
R$ 150,00
Valor Presente p/ I=
10% p/UM 1.000,00
R$ 500,00
R$ 160,00
R$ 515,00
R$ 170,00
R$ 555,00
R$ 210,00
R$ 530,00
R$ 180,00
R$ 565,00
R$ 240,00
R$ 595,00
R$ 200,00
R$ 500,00
R$ 150,00
R$ 400,00
R$ 70,00
R$ 30,00
10
R$ 250,00
R$ 350,00
11
R$ 150,00
R$ 300,00
Selecionar o portflio de projetos que maximize o valor presente desta empresa. Os recursos
disponveis so de R$ 650.
Soluo:
ndices:
p: associado aos projetos disponveis.
Parmetros:
Investimentop: capital disponvel para investir no projeto p.
Desenvolvimento e Otimizao de Modelos Inteiros______________________________________ 38
VPLp: Valor presente do projeto p.

Variveis:
Z: Funo objetivo
MAXVPLp: associado escolha do projeto p.
Modelo matemtico:
n
Max Z MAXVPL p .VPL p

p
sujeito a :
6
MAXVPL
MAXVPL p .Investimento p 650

MaxVPL p 0, 1
Figura 5.1- Modelo MIP1 em GAMS.

Soluo tima: Investir nos projetos: P1, P7, P8 e P11. Gerando um VPL mximo R$ 1.700,00.
Exemplo 2:
Uma indstria quer se expandir, construindo nova Fbrica ou em Itajub ou em
Guaratinguet. Tambm ser considerada a construo de um novo Depsito na cidade que
for selecionada para receber a nova Fbrica. O Valor Presente Lquido de cada alternativa
est na Tabela 5.1. A ltima coluna d o Capital Requerido para os investimentos, sendo o
capital total disponvel $25 milhes.
Achar a combinao vivel de alternativas que
Maximize o Valor Presente Lquido Total.

Tabela 5.1- Dados para a construo da nova Fbrica.
Capital
Deciso
Sim ou No
VPL
Requerido
Fbrica em Itajub
7.000.000
20.000.000
Fbrica em Guaratinguet
5.000.000
15.000.000
Depsito em Itajub
4.000.000
12.000.000
Depsito em Guaratinguet
3.000.000
10.000.000
Soluo: Modelo Matemtico:

n
Max Z selecao i, j .VPL i, j

i, j
sujeito a :
n
selecao
i, j
.capital i, j 25.000.000 Restrio oramentria
i, j
selecao"itajuba", "fabrica" selecao"itajuba", "deposito"

selecao i, j 0, 1
A Figura 5.2 mostra este modelo em linguagem GAMS.
Figura 5.2- Modelo MIP2 em linguagem GAMS.

Soluo tima: Construir tudo em Guaratinguet. Gerando um VPL mximo de R$ 8.000.000,00.
Repare que utilizamos o solver MIP (CPLEX 12.1.0), sendo este solver o mais adequado para
resolver problemas mistos, binrios e inteiros.
Captulo 6
6. DESENVOLVIMENTO E OTIMIZAO DE MODELOS DE REDES
De forma geral, modelos de rede so utilizados em casos especiais de otimizao linear que so
mais bem analisados por meio de uma representao grfica.
Modelos de rede so diagramas compostos por uma coleo de vrtices ou ns ligados entre si
por um conjunto de arcos, conforme mostra a Figura 6.1. Os ns so os crculos e os arcos so as
retas de ligao.
Figura 6.1- Componentes de uma rede.

Os problemas modelados como redes geralmente apresentam nmeros associados aos ns e aos
arcos. Em problemas de transporte modelados como redes, por exemplo, os nmeros associados
aos ns podem representar a quantidade de produtos ofertados ou demanda pelo n, ao passo
que os valores dos arcos podem refletir os custos de transporte (ou tempo, ou distncia) entre
um n e o outro. Diversos problemas de tomada de deciso prticos esto categorizados como
problemas de Rede. Entre eles pode-se citar:
Problemas de transporte; Escala de Produo; Rede de Distribuio; Problemas de Menor
Caminho; Problemas de fluxo mximo; Problemas de caminho crtico; Problemas de
rvores geradoras mnimas.
A
Figura
6.2
contempla
um
exemplo
de
redes
em
problemas
de
transporte.
Desenvolvimento e Otimizao de modelos de redes______________________________________ 43
Figura 6.2- Exemplo de problemas de transporte.

Exemplo 1:
Uma empresa fabricante de bicicletas possui trs fbricas localizadas no Rio, em So Paulo e
em Belo Horizonte. A produo da empresa deve ser entregue em Recife, Salvador e Manaus.
Considerando os custos de transporte unitrios, a capacidade de produo das fbricas e a
demanda dos centros consumidores ilustrados na Tabela a seguir.
Determine quanto deve ser produzido e entregue por fbrica em cada centro consumidor, de
forma a minimizar os custos de transporte.
Fbrica/
Recife
Salvador
Manaus
Capacidade
Rio
25
20
30
2000
SP
30
25
25
3000
BH
20
15
23
1500
Demanda
2000
2000
1000
Consumidor
Soluo:
ndices:
i: associado s fbricas
j: associado aos destinos.
Parmetros:
Custoi, j: associado ao envio da fbrica i para o destino j.
Capacidadei: associado capacidade mxima de armazenagem da fbrica i.

Demandasj: associado demanda requerida pelo destino j.
Variveis:
Z: funo objetivo.
Mincustoi, j: associada quantidade enviada da fbrica i para o destino j ao menor custo.
MODELO MATEMTICO:
n
Z envio i, j .custo i, j
i, j
sujeito a :
envio
i, j
capacidade i
envio
i, j
Demanda j
envio i, j 0
A Figura 6.3 mostra este modelo em GAMS.
Figura 6.3: Modelo Rede 1.
Este modelo pode ser representado por um formato de rede conforme contemplado pela Figura
6.4.
Figura 6.4- Modelo de rede do exemplo 1.

Em modelos de transporte as equaes devem estar equilibradas, isto , oferta total= demanda
total. Entretanto, podemos adotar um fluxo de balanceamento.
Hiptese do Problema
Tipo de Restrio
Oferta > Demanda
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
Neste caso a oferta maior que a demanda.

A Figura 6.5 contempla este exemplo modelado em linguagem GAMS.
Figura 6.5- Exemplo de modelo de rede em transportes.
6.2 DESENVOLVIMENTO E OTIMIZAO DE MODELOS DE REDES EM PROBLEMAS

DE ESCALA DE PRODUO
Uma empresa fornece motores para um grande nmero de equipes de frmula 1. A
companhia detm uma srie de contratos de entregas futuras programadas para o prximo
ano. As entregas devero ocorrer trimestralmente, de acordo com as necessidades das
equipes. A Tabela a seguir resume por trimestre as entregas programadas, a capacidade
mxima de produo e o custo unitrio de produo. As entregas so feitas no final do
trimestre e os motores podem ser armazenados por quantos trimestres forem necessrios
ao custo de 0,015 milho de reais por trimestre. A diretoria deseja minimizar os custos
totais de produo (produo + armazenagem). Quantos e quando os motores pedidos
devem ser produzidos e entregues?
Pedidos
Capacidade de
Custos unitrios em milhares de
Contratados
Produo
reais
10
25
1,08
15
35
1,11
25
30
1,1
20
10
1,13
Trimestre
Para resolver este problema como um problema de transporte, precisamos primeiramente

determinar quais sero as fontes, os destinos e as variveis de deciso.
Soluo:
ndices:
i: associado produo dos motores.
j: associado entrega dos motores.
t: associado aos trimestres.
Parmetros:
Custoi, t: associado ao custo de produo.
Capacidadei: capacidade mxima de produo.
Contratosj, t: associado demanda dos motores em cada trimestre.
Demandasj,
i, t:
associado entrega do motor produzido no trimestre t a ser entregue nos
trimestres.
capacidadesp11i, t: associado entrega dos motores produzidos no trimestre t.
estoquest: associado ao custo de estoque no trimestre t.
estoquessi, t: associado ao estoque no trimestre t.
Variveis:
Z: funo objetivo.
Envioi, t: quantidade a ser enviada do motor produzido no trimestre t.
Stokt: associada ociosidade no trimestre t.
n
i ,t
Z envio i, t .custo i, t stok t .estoques t

sujeito a :
n
envio
i, t
envio
i, t
. capacidade i, t stok t .estoquess i, t capacidadei

t
.demandas j, i, t contratos j, t
stok
30
envio i, j 0
stok t 0
Figura 6.6 - Exemplo de modelos de produo.

6.3 DESENVOLVIMENTO E OTIMIZAO DE MODELOS DE REDE DE DISTRIBUIO
Problemas que consideram mltiplas fontes, centros consumidores e locais intermedirios por
onde os produtos simplesmente passam so denominados de problemas de rede de distribuio.
Os problemas de transporte podem ser vistos como uma simplificao do problema de rede de
distribuio de custo mnimo, onde as localizaes intermedirias no existem.
Exemplo 1:
Uma montadora de tratores est iniciando as suas operaes no pas, construindo duas
fbricas: uma na Bahia e outra em So Paulo. A montadora est estudando a forma de
distribuio de seus carros para as diversas revendas, localizadas nos estados de Gois, Rio
de Janeiro, Minas Gerais, Paran, Santa Catarina e Rio Grande do Sul, que minimize o custo
total de distribuio. As capacidades instaladas de cada uma das fbricas, as demandas das
revendas, bem como os custos unitrios de transporte entre fbricas e revendas esto
evidenciadas na rede abaixo:
Figura 6.7- Diagrama de Rede do exemplo 1.

Neste problema a oferta maior que a demanda e, portanto, adota-se que as entradas- sadas
oferta do n.
Soluo:
ndices:
i: associado aos ns de oferta.
j: associado aos ns de demanda.
Parmetros:
Capacidadei: associado capacidade mxima dos ns de oferta.
Demandaj: associado demanda mxima do destino j.
Custoi, j: associado ao custo de envio da origem i para o destino j.
Redei j: associado distribuio da origem i para o destino j.
Redesi, j: associado distribuio da rede.
Variveis:
Z: funo Objetivo.
Envioi, j: quantidade a ser enviada da origem i para o destino j.
Modelo:
n
i, j
sujeito a :
envio
i, j
. rede i, j capacidade
envio
i, j
. redes i, j Demanda
envio i, j 0
A Figura 6.8 mostra esse modelo em linguagem GAMS. Soluo tima:

Origem/Destino
SC
BA
SP
100
50
Custo mnimo
MG
GO
RJ
200
150
150
RS
200
300
250
R$ 28.000,00
PR
Figura 6.8- Modelo distribuio em GAMS.

A varivel D uma adio de uma origem fictcia, pois a demanda maior que a oferta e, em
modelos de transporte a oferta total = demanda total. A leitura a seguinte: no foram enviadas
50 e 250 unidades para SC e RS respectivamente.
6.4 DESENVOLVIMENTO E OTIMIZAO DE PROBLEMAS DO MENOR CAMINHO
O problema do menor caminho representa um caso especial de problemas de redes, em que os
arcos significam a distncia entre dois pontos (vrtices ou ns). Quando desejamos achar a rota
que une estes pontos com distncia mnima entre as possveis rotas, temos um problema do tipo
do menor caminho.
Em problemas do menor caminho haver sempre dois tipos de vrtices especiais chamados de
origem e destino. Entre estes ns h ns intermedirios, que podem representar cidades que
conectam rodovias, subestaes em problemas de distribuio de energia, e assim por diante.
Exemplo 2:
A fbrica de artigos e decorao guia, localizada em Lambari, Minas Gerais, deve entregar
uma grande quantidade de peas na cidade de Baependi, localizada no mesmo estado. A
empresa quer saber qual o caminho que seu caminho de entregas deve percorrer para
minimizar a distncia total percorrida. A Figura 6.9 mostra as cidades e as respectivas

distncias.
Figura 6.9- Mapa rodovirio que liga as cidades de Lambari a Baependi

Soluo:
ndices:
j: associado aos ns de demanda.
Parmetros:
Distnciai, j: associado distncia da origem i para o destino j.
Circuitoi, j: associado rede entre a origem i para o destino j.
Circuito2i, j: associado rede entre a origem i para o destino j.
Cicloi, j: associado rede entre a origem i=lambari para o destino j.
Ciclosi, j: associado rede para o destino final.
Nosi: associado ao n especial da origem.
Nosj: associado ao n especial do destino final.
Variveis:
Z: funo Objetivo.
Envioi, j: quantidade a ser enviada da origem i para o destino j.

Modelo:
n
Z envio i, j .distancia
i, j
i, j
sujeito a :
envio
i, j
. ciclo i, j Nos i
envio
i, j
. ciclo i, j Nos j
envio
i, j
. circuito i, j 0
envio
i, j
. circuito2 i, j 0
envio
i, j
. circuito3 i, j 0
envio
i, j
. circuito4 i, j 0
envio i, j 0;1
A Figura 6.10 mostra esse modelo em GAMS.
Figura 6.10- Problema do menor caminho em GAMS.
6.5 DESENVOLVIMENTO E OTIMIZAO DE PROBLEMAS DE FLUXO MXIMO

O tipo de problema de fluxo mximo utilizado quando queremos maximizar a quantidade de
fluxo de um ponto de origem para um ponto de destino, sujeitos a restries de capacidade de
fluxo nos arcos.
Estes problemas geralmente envolvem um fluxo de materiais como gua, leo, gs, energia por
meio de uma rede de tubos ou cabos, porm, tambm podem representar o fluxo mnimo de
carros em uma malha rodoviria, de produtos em linha de produo, e assim por diante.
Exemplo:
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, por meio da rede de gasodutos. A Figura 6.11 ilustra a
estrutura da rede de distribuio e apresenta a capacidade de fluxo mximo nos trechos em
metros cbicos por segundo.
Figura 6.11- Rede de gasodutos que ligam campos ao Rio de Janeiro.

Soluo:
ndices:
ii: associado aos ns de destino.
Parmetros:
Capacidadei, ii: associado capacidade mxima de fluxo de cada n.

Circuitoi,ii: associado ao circuito do n A.
Circuito2i,ii: associado ao circuito do n 1.
Circuito3i, ii associado ao circuito do n 2.
Circuito4i, ii: associado ao circuito do n 3.
Circuito5i, ii: associado ao circuito do n 4.
Circuito6i, ii: associado ao circuito do n B.
Variveis:
Z: funo Objetivo.
Envioi, ii: quantidade a ser enviada da origem i para o destino j.
Z envio "b", "a"
sujeito a :
envio i, ii capacidade
i, ii
envio
i, ii
.circuito i, ii 0
envio
i, ii
.circuito2 i,ii 0
envio
i, ii
.circuito3 i, ii 0
envio
i, ii
.circuito4 i,ii 0
envio
i, ii
.circuito5 i, ii 0
envio
i, ii
.circuito i, ii 0
i, ii
i, ii
i, ii
i, ii
i, ii
i, ii
envio i, ii
A Figura 6.12 contempla esse modelo em linguagem GAMS.
Figura 6.12: Modelo fluxo mximo em GAMS.

Soluo tima:
Origem/destino
A
1
2
40
20
20
20
20
20
40
60
Fluxo mximo BA= 60.

6.6 DESENVOLVIMENTO E OTIMIZAO DE PROBLEMAS DE ESCALA DE PRODUCAO COMO
MODELOS DE REDE POR MEIO DO GAMS
O caso dos problemas de escala de produo pode ser visto como problemas de transporte na
forma tradicional.
Exemplo:
A fbrica de eletrodomsticos Galctica deseja realizar o escalonamento de sua produo de
liquidificadores para os prximos quatro meses. A fbrica pode produzir mensalmente, em
jornada normal, 150.000 unidades a um custo unitrio de R$ 15. Por meio do pagamento de
horas extras, a capacidade mensal de produo da fbrica pode ser aumentada em 50.000
liquidificadores, a um custo de produo unitrio de R$ 22 (somente aos adicionais). Existe a
possibilidade de armazenagem ilimitada de unidades de um ms para o outro a um custo
unitrio mensal de R$ 3. Sabendo que as demandas de liquidificadores para os prximos
quatro meses so de 120.000, 200.000, 120.000 e 180.000, resolva o problema utilizando-se

da linguagem GAMS.
Do n
Para o n
Custo
15
22
15
22
15
22
15
22
Os ns mpares so os ns de produo sem horas extras. As letras a, b, c e d referem-se

demanda por ms, o n E um n fictcio utilizado para equilibrar a oferta com a demanda.
Soluo:
ndices:
j: associado aos ns de destino.
Parmetros:
Custoi ,j: associado ao custo entre os ns de sada com os ns de entrada.

Cicloi,j: associado ao circuito entre os ns com o n fictcio.
Circuitoi, j: associado ao circuito do n A.
Circuito2i, j: associado ao circuito do n 1.
Circuito3i, j associado ao circuito do n b.
Circuito4i, j: associado ao circuito do n c.
Circuito5i, j: associado ao circuito do n e.
Variveis:
Z: funo Objetivo.
Envioi, ii: quantidade a ser enviada da origem i para o destino j.
sujeito a :
envio i, j .ciclo i, j demanda
envio
i, j
.circuito i, j 120000
envio
i, j
.circuito2 i, j 200000
envio
i, j
envio
i, j
envio
i, j
envio i, j
A Figura 6.13 contempla este modelo em linguagem GAMS.
Figura 6.13: Modelo de escala de produo formulado em GAMS.

A Tabela abaixo apresenta um plano de manuteno de uma estufa dinmica da Pintura a
P LTDA. Uma das aplicaes desse tipo de estufa curar a tinta p (de alta resistncia) que
aplicada em peas metlicas. Por meio de um processo eletromagntico, o p de tinta fica
impregnado na pea, que levada para dentro da estufa. Quando a pea entra na estufa a
uma temperatura de aproximadamente 200 graus, a tinta derrete e fica impregnada na
pea, num processo denominado cura da tinta. Em casos de produo de alto volume de
peas pequenas e mdias, produtos so fixados em gancheiras, que so transportados por
trilhos que passam dentro da estufa aquecida.
Atividade
Descrio
Predecessor
Tempo [hs]
imediato
A
Desligar e desaquecer a estufa
Avaliar rolamentos danificados
Trocar rolamentos danificados
B, A
Avaliar e trocar resistncias danificadas
Limpar estufa internamente
10
Lubrificar trilho com grafite
Fazer inspeo final
E, F
Religar estufa
Figura 6.14- Atividades de um projeto de manuteno
As atividades A e B no possuem atividades precedentes e, portanto, no h arestas de entrada. A

atividade C possui arestas como predecessores imediatos, as atividades A e B. A atividade D
possui como predecessor apenas a atividade A. As outras atividades so introduzidas na rede da
mesma forma. Os nmeros na construo da rede, algumas regras so levadas em considerao.
O tamanho da aresta no tem associao com as atividades;
As atividades iniciadas no final da aresta no podem ser iniciadas antes das atividades que
so iniciadas no inicio da arestas;
As atividades so representadas exclusivamente pelo seu incio e trmino (evento inicial e
final);
Ns no podem ser duplicados;
Dois ns s podem ser conectados por uma nica aresta;
OBS: A funo objetivo neste caso o tempo total, logo definida por H+2, ou seja, o horrio de
trmino da ltima atividade. Com relao s atividades A e B, como no h nenhuma atividade
predecessora tem-se A=B= 0. Sobre a modelagem das atividades que possuem predecessoras,
como por exemplo, a atividade C, que tem a atividade A e B como predecessoras, tem-se:
C A 6 ou C A 6
C B 4 ou C B 4
A figura 6.15 mostra a modelagem em GAMS
Figura 6.15- Modelo CPM EM GAMS

Exerccios para diverso.
1) Anlise a rede abaixo e faa o que pedido.
Considere que os nmeros indicados em cada aresta significam o nmero de quilmetros

necessrios para um automvel percorrer a estrada entre duas cidades indicadas pelo ns
extremos das arestas observadas. Monte o modelo e determine a rota que um automvel deve
seguir para sair de Chapec e chegar a porto alegre, percorrendo a menor quantidade de
quilmetros possvel.
2) Considere a reconstruo de um armazm que ser feito. As atividades associadas so
apresentados na Tabela a seguir:
Atividad
Descrio
e
A
Demolir o armazm
Comprar materiais para atividade
Predecessor
Tempo
imediato
[dias]
de -
alvenaria
C
Separar material reutilizvel
Escavao de fundaes
Preparao do acesso ao depsito
Fazer lista de outros materiais necessrios
Fazer fundaes de concreto
B, D
Fazer acesso
Levantar paredes de alvenaria
B, G
Nivelar cho e fazer o contra piso
F, G
Instalar fiao e sistema eltrico
F, I
Acabar paredes
K, M, N
Fazer telhado
F, I
Acabar piso de concreto
Montar calhas e tubulaes de escoamento
F, M
Limpar
H, L, O
Crie a rede associada ao projeto de reconstruo e indique qual o menor tempo para realizao
do projeto. Qual o caminho crtico?
3) A pessoa responsvel pelo plano de atividade do armazm cometeu dois pequenos erros.
Ela introduziu duas relaes da precedncia imediata redundantes. Isso uma falha
conceitual e acontece nos planos de atividades mal feitos. Quais so as duas relaes de
precedncia que no deveriam ter sido colocadas no plano?
72
Captulo 7
7. DESENVOLVIMENTO E OTIMIZAO DE MODELOS DE OTIMIZAO COMBINATRIA
Neste tpico vamos comentar sobre problemas de dificuldade polinomial (P) e problemas de
dificuldade no polinomiais (NP).
Problemas polinomiais so problemas cujos algoritmos conhecidos fornecem solues que
podem ser obtidas por meio de uma funo polinomial de n tamanho de entrada, ou seja: f (n) =
O(nk) sendo que(k) uma constante. Problemas NP so problemas cujos algoritmos de soluo
conhecidos so baseados em enumerao, seja ela implcita ou no. De maneira geral, o nmero
de combinaes possveis assustadoramente grande, fazendo com que os algoritmos
enumerativos no consigam resolver problemas com grande nmero de entradas em tempo
hbil. So denominados algoritmos de tempo exponencial e, nestes contextos que se encaixam
os problemas de otimizao combinatria. Os problemas NP podem ser classificado, conforme
(COLIN, 2007):
Problemas NP - Completos: so problemas que possuem uma forte evidncia da no
existncia de um algoritmo cujo tempo de soluo seja uma funo polinomial do
tamanho da entrada. So considerados os mais difceis da classe NP, e, se algum deles for
resolvido em tempo polinomial, ento todos os problemas NP tambm sero.
Quando se sabe que um problema de otimizao NP - difcil, tem-se a certeza de que nem
sempre a soluo tima ser encontrada. Portanto, tem se aplicado mtodos heursticos, como
por exemplo, algoritmos genticos, colnias de formigas, busca tabu, dentre outras. Abaixo
encontra-se o modelo do problema do Caixeiro-Viajante (CV), sendo este modelo de otimizao
combinatria.
Desenvolvimento e Otimizao de Modelos de otimizao combinatria_______________________73
Min Z C i , j . X i , j
i 1 j 1
sujeito a :
n
X
i 1
i, j
Restrio de sada
i, j
Restrio de chegada
X
j 1
u i u j nx i, j n - 1 (i j; i 2, 3,..., n; j 2,3,..., n)
So subrotas
X i , j 0,1, u j 0
As restries de sada e de chegada so binrias, e garantem que cada um dos xij seja 0 ou 1. As
restries de sada garantem que para cada cidade haver apenas uma rota de sada e,
analogamente uma chegada para as restries de chegada.
As restries de subrotas ou subcircuitos garantem que a soluo tima no contenha
subcircuitos.
Exemplo1:
PARA
Sede
Sede
DE
P1
P2
5
P3
P4
3.8
2.2
2.4
2.6
3.1
5.1
1.6
2.8
P1
P2
3.8
2.6
P3
2.2
3.1
1.6
P4
2.4
5.1
2.8
2.3
2.3
A Figura 7.1 mostra a soluo deste problema por meio da linguagem GAMS.
Figura 7.1-Modelo caixeiro viajante em GAMS.

A Figura 7.2 mostra os caminhos a serem percorridos.
Figura 7.2-Modelo Caixeiro Viajante otimizado pelo GAMS.

OBS: com n vrtices h
( n 1)!
ciclos distintos.
2
Captulo 8
8. DESENVOLVIMENTO E OTIMIZAO DE MODELOS DE ANLISE POR ENVOLTRIA DE
DADOS
Em termos de programao matemtica, a anlise por envoltria de dados (DEA- Data
Envelopment Analysis), tambm chamada de anlise de fronteiras ou anlise de eficincia,
considerada uma tcnica relativamente nova. Ao mesmo tempo, tambm considerada um dos
sucessos recentes da programao linear. No DEA existem as chamadas DMU- Decision Making
Units, ou seja, as unidades tomadoras de deciso.
Em linhas gerais, a DEA avalia problemas com mltiplos recursos (usados para gerar produtos e
ou servios e mltiplas sadas para cada unidade) (COLIN, 2007). A capacidade com que as DMUs
conseguem gerar sadas para determinadas entradas define sua eficincia. Supe-se que as DMUs
menos eficientes podem melhorar sua eficincia at o limite das melhores unidades , cuja
eficincia de 100%. Mais especificamente, a DEA determina, segundo Colin (2007):
A melhor prtica- grupo das DMUs mais eficientes;
As DMUs menos eficientes comparadas com as melhores prticas;
A quantidade de recursos utilizados de forma improdutiva nas DMUs menos eficientes;
Para cada uma das DMUs menos eficientes, o grupo das unidades de melhor prtica que
so mais parecidas com elas e que poderiam ser usadas como benchmarks.
Antes de prosseguir com o DEA, vamos entender alguns significados.
Eficcia Capacidade da unidade produtiva atingir as metas previamente estabelecidas;
Produtividade Razo entre o que foi produzido e o que foi gasto para produzir. Ex.:
Peas/H.h;
Eficincia Conceito relativo que compara o que foi produzido com o que poderia ter sido
produzido. Pode ser entendida como uma comparao entre as produtividades
observadas;
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 81
Se uma unidade atingiu a meta, foi eficaz. Se conhecermos os recursos que a unidade dispunha
podemos avaliar se esta foi produtiva. Se soubermos quais foram os resultados da concorrncia
podemos avaliar a eficincia da unidade (SOARES DE MELLO, 2005)
O modelo DEA CCR (Charnes, Cooper e Rhodes, 1978) apresentado no modelo abaixo.
s
u y
j
jc
j 1
Max Ec
v x
i
ic
i 1
u y
j
jk
j 1
S.a.:
1, k 1,2, , c, , n
v x
i
ik
i 1
uj 0 , j,
vi 0 , i
Onde: c o ndice da unidade que est sendo avaliada. O problema acima envolve a procura de
valores para u e v, que so os pesos, de modo que maximize a soma ponderada dos outputs
(output virtual) dividida pela soma ponderada dos inputs (input virtual) da DMU em estudo,
sujeita restrio de que esse quociente seja menor ou igual a 1, para todas as DMUs.
Esta funo est sujeita restrio de que, quando o mesmo conjunto de coeficientes de entrada
e sada (vis e ujs) for aplicado a todas as outras unidades de servios que esto sendo
comparadas, nenhuma unidade de servio exceder 100% de eficincia ou uma razo de 1,00..
Porm, o modelo acima no linear e sim um problema de programao fracionria. Entretanto,
o modelo linearizado descrito abaixo.
s
Max Ec
yjc
j 1
S.a.:
v x
i
ic
i 1
s
j 1
i 1
uj yjk - vi xik 0 , k 1,2, ...,c,, n

uj, vi 0 , x, y.
Esta forma do problema conhecida como problema dos multiplicadores, como tambm so
chamados os pesos, uj e vi.
Exemplo 1:
Um hospital deseja avaliar sua eficincia em relao aos demais hospitais da cidade. A
Tabela abaixo contempla os dados de entrada e sada analisados
Hospital
Entradas (x)
Capital
Mo de
obra
Sadas (y)
Jovens
Adultos
Idosos
14
16
15
10
12
13
Neste caso so 3 problemas de programao linear, uma para cada DMU.

A Figura 8.1 mostra a soluo deste modelos por meio do GAMS. Lembrando-os que
Figura 8.1- Modelo DEA em GAMS

Basicamente o que muda de um modelo para o outro a funo objetivo e a equao 4 (calculo
4). Vamos interpretar a soluo tima para o ltimo modelo. W2= 0,9 ; W3= 7.1% e V2= 8.3%.
Neste caso as sadas adultos e jovens so importantes para manter a eficincia mxima do
hospital 3. Deve-se conservar a mo de obra. A Figura 8.2 contempla um exemplo de como
modelar o dual de um problema de DEA.
Figura 8.2- Modelo primal e Dual de problemas de DEA.

Pelo GAMS tambm possvel rodar vrios modelos continuamente. Vamos mostrar um exemplo
tomando como base o exemplo exposto acima. A Figura 8.3 mostra este exemplo.
Figura 8.3: Modelo DEA GLOBAL.
Repare que inseriu-se mais uma varivel e tambm algumas equaes e, ao rodar o modelo, deve
ser informado apenas as equaes pertencentes ao modelo desejado.
Outro tipo de modelo DEA que iremos ver nesta apostila conhecido por BCC (Banker, Charnes e
Cooper, 1984). No modelo DEA CCR h retornos de escalas constantes, vlido para unidades
operando em escala tima. No modelo BCC ou VRS, substitui o axioma da proporcionalidade pelo
axioma da convexidade linear, soma dos lambdas igual a 1. Fronteira cncava e linear por parte,
tambm chamado de retorno variveis de escala.
Max Eff 0
.y j0 u *
S.a.:
v x
i
ic
i 1
v x
i
j 1
ik
u j . y jk u * 0 ,k
j
uj, vi 0 , j, i.
u*
As eficincias no modelo DEA BCC so maiores ou iguais as eficincias do modelo CCR. No modelo
CCR as eficincias independem da orientao; os outros resultados de DEA dependem da
orientao
No modelo BCC todos os resultados de DEA dependem da orientao. A Figura 8.4 mostra as
diferenas entre estes modelos.
Figura 8.4- Modelos DEA
A figura 8.5 contempla a soluo deste exemplo pelo modelo BCC ou (VRS).
Figura 8.5- Modelagem em GAMS modelo DEA BCC ou VRS

Neste exemplo foi necessrio acrescentar outro objetivo (sets) chamado u que vai pertencer a
varivel do modelo BCC.
Resolva os exerccios abaixo utilizando-se da linguagem de modelagem GAMS.
Max Z 9w 1 4 w 2 16w3
sujeito a :
9w 1 4 w 2 16w3 - 5v1 14v 2 0
1)
5w 1 7 w 2 10w3 - 8v1 15v 2 0

4w 1 9w 2 13w3 - 7v1 12v 2 0
5v1 14 v 2 0
w j 0,001, v k 0,001
Formule o problema dual dos hospitais. E resolva-o pelos dois mtodos.

2) O banco S/A est analisando a eficincia de suas agncias a Tabela abaixo mostra os dados
de entrada e sada analisados.
Recursos empregados (Entrada)
Agncias
Despesas
menos
Caixa
Plataforma Gerente
(excl.
pessoal
produtivas [pessoas] [pessoas] [pessoas]
e aluguel) [$]
A1
10,0
5,0
1,0
652.566
A3
3,0
2,5
1,0
468.637
A4
4,0
2,5
1,0
350.477
A5
9,0
7,0
1,0
1.059.526
A6
3,0
2,5
1,0
235.974
A8
4,5
3,5
1,0
353.235
A9
3,5
2,0
1,0
341.994
A11
7,5
3,5
1,0
768.338
A12
2,5
2,0
1,0
269.998
A13
9,0
6,5
1,0
1.112.090
Economia potencial (Sada)

rea da
agncia
[p2]
3.818
1.728
1.941
5.640
2.200
1.350
2.346
3.243
1.422
5.400
Caixa
4,5
1,9
2,3
0,7
1,6
1,5
1,2
3,3
1,1
0,1
PlataGerente
forma
1,8
1,6
1,4
1,9
1,4
1,3
0,7
0,7
1,1
0,1
0,3
0,7
0,7
0,1
0,6
0,3
0,4
0,2
0,7
-
Despesas
222.928
295.989
189.745
367.020
122.474
10.526
116.716
329.403
122.433
131.389
rea
da
agncia
1.304
1.133
1.051
1.899
1.556
40
976
774
889
1.477
Recursos empregados (Entrada)

Agncias
Despesas
menos
Caixa
Plataforma Gerente
(excl.
pessoal
produtivas [pessoas] [pessoas] [pessoas]
e aluguel) [$]
A14
3,5
4,0
1,0
433.868
A15
2,0
2,0
1,0
253.902
A18
4,0
2,5
1,0
571.090
A20
7,0
4,0
1,0
666.133
A22
7,5
3,5
1,0
929.668
A26
3,5
3,0
1,0
411.922
A27
5,5
5,5
1,0
545.976
A28
6,0
5,0
1,0
914.990
A29
7,0
4,0
1,0
568.054
A30
15,0
13,0
1,0
1.402.615
A31
5,5
6,0
1,0
679.451
A32
3,0
2,0
1,0
367.828
A33
17,5
18,0
1,0
3.191.789
Total
143,0
109,5
23,0
16.550.121
Economia potencial (Sada)

rea da
agncia
[p2]
1.700
1.486
1.420
3.180
1.865
3.092
2.781
2.187
6.686
9.963
3.133
1.637
8.000
76.218
Caixa
0,7
1,1
2,0
3,0
5,2
1,0
1,9
1,8
1,7
4,0
0,8
0,9
3,3
45,6
PlataGerente
forma
2,0
1,3
0,8
1,5
1,5
1,0
3,1
1,6
0,9
6,1
2,7
0,6
10,6
45,7
0,4
0,7
0,4
0,4
0,3
0,3
0,3
0,2
0,3
0,1
0,5
0,2
8,1
rea
da
agncia
81.024
502
135.920
961
206.693
361
280.853
1.176
496.072
605
112.147
1.491
188.394
960
233.870
60
176.227
3.669
551.272
5.377
94.692
824
107.934
480
2.510.589 2.016
7.084.310 29.581
Despesas
Desenvolva e otimize os modelos desse problema. Avalie o dual e conclua quais so as melhores
agncias e o que deveria ser feito pelo banco para que as agncias no eficientes se tornem
eficientes.
3) Considere as 6 empresas do setor X listadas na Tabela a seguir
Empresa
A
B
C
D
E
F
Receita
800.331
780.880
1.582.624
1.977.624
3.105.444
2.349.306
Ativo
1.487.845
1.599.784
3.886.613
5.147.807
5.299.049
7.475.831
Empregados
4.478
3.320
4.176
5.988
6.646
11.748
a- Utilize a DEA para classificar as empresas em termos de eficincia. Considere que as

entradas so definidas pelos ativos e empregados e que a sada seja definida pela receita.
Captulo 9
9 Aplicaes Reais
O prximo exemplo foi adaptado de Silva (2009). Uma usina deseja programar sua produo para
as prximas 5 semanas. Abaixo esto algumas informaes sobre esta usina.
Matria-Prima:
Prpria: 150.000 toneladas
Comprada: 100.00 toneladas.
Estas matrias-primas devem ser consumidas totalmente nestas 5 semanas.
Porcentagem de MP comprada por semana.
Semana 1: 100%
Semana 2: 100%
Semana 3: 100%
Semana 4: 80%
Semana 5: 90%
Porcentagem de MP prpria por semana.
Semana 1: 80%
Semana 2: 80%
Semana 3: 80%
Semana 4: 80%
Semana 5: 90%
Capacidade de transporte da frota prpria em toneladas:
Semana 1: 47250
Semana 2: 47250
Semana 3: 51975
Semana 4: 51975
Aplicaes reais___________________________________________________________________ 91
Semana 5: 51975
Capacidade de transporte da frota terceirizada em toneladas:
Semana 1: 37250
Semana 2: 27250
Semana 3: 19750
Semana 4: 14000
Semana 5: 15.000
Capacidade de transporte da frota terceirizada em toneladas:
Semana 1: 37250
Semana 2: 27250
Semana 3: 19750
Semana 4: 14000
Semana 5: 15.000
Capacidade de transporte da frota condomnio em toneladas:
Semana 1: 2250
Semana 2: 3250
Semana 3: 8750
Semana 4: 1400
Semana 5: 1000
Estes transportes so alocados na parte agrcola, pois estas matrias primas so colhidas no
campo. A Tabela abaixo mostra os nveis de moagem semanal, logo o total colhido na semana no
deve ser maior que a capacidade mxima de moagem e nem menor que a capacidade mnima.
Semana
Moagem Mxima
Moagem Mnima
40.00
30.200
42.000
31.600
45.000
32.500
50.000
33.000
55.000
36.000
Aplicaes reais___________________________________________________________________ 92
A Tabela a seguir contempla a capacidade de estocagem em toneladas.

Produto
Estoque prprio
Estoque terceirizado
15.000
10.00
3000
14.000
3.000
A Tabela a seguir aborda o custo logstico agrcola em R$/toneladas.

Semana
Frota prpria
Frota terceirizada
Frota condomnio
10
12
10
11
11
12
10
10
8.7
A prxima tabela contempla o custo por processo. No caso desta usina somente um processo
pode ser utilizado por semana, logo essa uma restrio binria.
Processos
Semana 1 Semana 2 Semana 3 Semana 4 Semana 5
Processo 1
7.3
6.74
6.26
6.26
6.26
Processo 2
12
10
11
11
11
Processo 3
11
12
12
12
Processo 4
10
Processo 5
10
8.7
A prxima Tabela mostra o rendimento por processo, ou seja, qual o nvel de produo do
produto x utilizando o processo y na semana z.
Rendimento Semana 1 Semana 2 Semana 3 Semana 4 Semana 5
A.proc1
B.proc1
C.proc1
0,11
0,20
0,22
0,19
0,13
0,23
0,12
0,10
0,23
0,06
0,06
0,19
0,23
0,07
0,25
Aplicaes reais___________________________________________________________________ 93
A.proc2
B.proc2
C.proc2
A.proc3
B.proc3
C.proc3
A.proc4
B.pro4
C.proc4
A.proc5
B.proc5
0,13
0,20
0,20
0,20
0,17
0,13
0,17
0,20
0,14
0,11
0,14
0,21
0,12
0,13
0,25
0,18
0,05
0,14
0,21
0,20
0,21
0,13
0,11
0,07
0,19
0,22
0,09
0,05
0,16
0,22
0,14
0,10
0,12
0,12
0,07
0,19
0,14
0,14
0,25
0,08
0,14
0,11
0,07
0,13
0,22
0,21
0,19
0,06
0,13
0,10
0,25
0,06
0,13
0,12
0,11
C.proc5
0,19
0,11
0,06
0,12
0,21
A prxima Tabela aborda o custo de estocagem em R$/toneladas. Nesta tabela disposto o custo
por produto no estoque, ou seja, eprop (estoque prprio) e eterc(estoque terceirizado).
Estoque Semana 1 Semana 2 Semana 3 Semana 4 Semana 5
A.eprop
4,00
9,00
3,00
9,00
5,00
4,00
3,00
10,00
9,00
5,00
7,00
10,00
7,00
8,00
3,00
5,00
4,00
9,00
3,00
4,00
10,00
8,00
8,00
10,00
5,00
3,00
9,00
5,00
4,00
A prxima Tabela contempla o custo por fonte de matria-prima.
6,00
B.eprop
C.eprop
A.eterc
B. eterc
C. eterc
Matria-Prima Semana 1 Semana 2 Semana 3 Semana 4 Semana 5

Prpria
Comprada
8.4
8.55
9.6
10
20
22
25
30
27
A Tabela a seguir mostra o preo de venda desses produtos.
Aplicaes reais___________________________________________________________________ 94
Produtos Semana 1 Semana 2 Semana 3 Semana 4 Semana 5

A
B
C
530,00
745,00
510,00
680,00
579,00
527,00
726,00
567,00
892,00
359,00
690,00
585,00
998,00
977,00
1000,00
A demanda pelo produto A de 25.000 toneladas, B=2.000 e C=1.000, ambas as demandas so

referentes quinta semana.
Os produtos A e C possuem estoques iniciais no estoque prprio nas quantidades de 500 e 1000
respectivamente.
Formule o modelo que auxilie s decises agrcolas e industriais desta usina. Dica: ao todo so (
134 variveis e 155 restries e 25 variveis binrias).
4- Considere que no exemplo extrado de Silva (2009) essa usina exporte seus produtos e, para
tanto utiliza de frota prpria e terceirizada para realizao deste transporte. O transporte feito
para dois destinos. A Tabela abaixo mostra com mais detalhes.
A.Dest1
50
40
60
B.Dest1
40
20
A prxima Tabela aborda o preo de venda dos produtos exportados
50

A.Dest1
784,00
883,00
974,00
757,00
836,00
B.Dest1
944,00
918,00
929,00
785,00
742,00
A Tabela a seguir mostra o custo de transporte. Tterc= transporte terceirizado, Tprop=
transporte prprio.
Produtos
A.Dest1.tterc
B.Dest1.tprop
A.Dest1.tprop
A.Dest2.tterc
Semana 1 Semana 2 Semana 3 Semana 4 Semana 5

81,00
98,00
86,00
71,00
92,00
86,00
91,00
93,00
86,00
72,00
89,00
93,00
78,00
87,00
71,00
95,00
95,00
100,00
74,00
82,00
Aplicaes reais___________________________________________________________________ 95
Faa as anlises inserindo esses dados no modelo matemtico.

5- Resolva os problema abaixo utilizando-se dos modelos BCC e CCR.
Loja
Copacabana
Ilha do Governador
Ipanema
Jacarepagu
Tijca
Angra dos Reis
Miracema
Niteri
Nova Friburgo
Petrpolis
Resende
Faturamento [R$ M]
29,24
18,39
30,54
20,48
23,27
28,98
27,85
31,81
17,99
23,94
15,17
rea [m2]
1.002
1.192
1.087
1.183
1.245
1.357
1.127
1.291
1.169
1.603
1.303
Empregados
140
147
103
160
156
136
160
159
106
142
119
Renda regio [R$]

3.000
2.500
2.900
1.500
1.800
2.700
800
1.200
900
1.400
700
a) Analise os resultados duais dos modelos, e esboce um plano para tornar eficientes as
unidades que no forem eficientes.
6- Resolva este problema pelo modelos CCR e BCC e analise os resultados.
Empresa
Telerj
Telemig
CTBC Telecom MG
Telest
Telebahia
Telergipe
Telasa
Telpe
Telpa
Telern
Telecear
Telepisa
Telma
Telepar
Teleamap
Teleamazon
Telaima
Telesc
MN
66.715
104.585
17.858
25.006
93.584
8.366
6.268
33.575
16.296
13.949
3.233
6.971
176
20.711
4.379
447
1.898
92.233
Sadas
P
898.157
650.575
83.923
133.454
289.541
32.158
45.267
129.859
51.858
58.218
170.784
41.227
58.613
114.351
12.061
47.623
7.402
182.877
AS
3.348.768
2.746.105
362.485
50.388
1.302.615
159.206
227.226
714.117
293.823
294.634
761.737
236.549
299.971
513.635
69.287
301.052
46.024
1.049.553
L
13.707
10.947
2.373
1.837
4.785
314
256
2.821
686
556
303
649
868
105
220
1.039
183
3.461
Entradas
PT
99.951
73.407
7.465
1.669
54.439
6.776
11.681
41.304
13.519
12.607
34.874
10.554
15.296
23.521
2.055
1.042
1.602
25.623
AI
3.692.804
2.895.328
464.154
561.042
1.406.159
170.519
25.135
831.171
328.803
329.721
791.541
24.633
32.177
532.904
7.147
315.052
4.812
1.193.985
Aplicaes reais___________________________________________________________________ 96
Telepar
Sercomtel
Telems
CTBC Telecom MS
Telemat
Telegois
CTBC Telecom GO
Telebraslia
Teleron
Teleacre
CRT
CTMR
Telesp
Ceterp
CTBC Telecom SP
CTBCampo
99.189
7.281
9.766
165
1.802
71.272
1.194
20.617
9.766
1.815
222.006
3.492
487.631
6.483
10.429
15.537
Sadas
382.924
37.475
36.771
1.629
80.212
226.598
4.391
19.946
36.771
11.903
404.249
23.321
2.289.167
47.654
35.251
318.203
1.710.688
13.919
387.969
6.143
328.261
957
22.076
74.912
180.469
6.833
1.826.485
99.406
9.413.366
184.837
164.842
964.195
10.659
851
2.633
44
195
4.859
86
3.278
718
313
9.731
469
4.955
1.307
374
5.294
Entradas
46.327
2.227.874
2.203
154.499
1.055
472.702
163
7.788
13.745
451.478
38.487
1.155.173
588
30.402
20.175
884.852
6.345
253.011
2.924
93.604
53.347
2.101.056
2.015
120.935
223.445
11.185.983
3.017
217.837
2.784
209.829
21.577
1.081.897
REFERNCIAS BIBLIOGRFICAS
ANDRADE, E. L., 2004, Introduo Pesquisa Operacional, LTC, Rio de Janeiro,Brasil.
BERTRAND, J. W. M. & FRANSOO, J. C. Operations management research methodologies using
quantitative modeling. International Journal of Operations & Production Management, v.22, n2.
pp. 241-264, 2002.
BROOKE, A.; KENDRICK, D. & MEERAUS, A. GAMS: Sistema geral de modelagem algbrica.
So Paulo: Edgard Blcher, 1997.
BRUNETTA, M. R.
Avaliao da eficincia tcnica e de produtividade usando Anlise por
Envoltria de Dados: Um estudo de caso aplicado a produtores de leite. Curitiba: Programa de

Ps-graduao de Mtodos Numricos em Engenharia, Universidade Federal do Paran, 2004,
113p. Dissertao (Mestrado).
CAIXETA-FILHO, Jos Vicente . Pesquisa Operacional.:Tcnicas de otimizao em aplicadas a
sistemas agroindustriais. 2 .ed. So Paulo: Atlas, 2004.
COLIN, C.C. Pesquisa Operacional: 170 aplicaes em Estratgia, Finanas, Logstica, Produo,
Marketing e Vendas. Rio de Janeiro LTC, 2007.
COLIN, E. C.; CIPPARRONE, F. A. M.; SHIMIZU, T. Otimizao do custo de transporte na
distribuio-armazenagem de acar. Produo, v. 9. n1. pp. 23-30, 1999.
BATISTA, F. D. Metodologia para o uso da anlise por envoltria de dados no auxlio deciso.
Itajub: Programa de Ps-graduao em Engenharia de Produo, Universidade Federal de
Itajub, 2009, 107p. Dissertao de Mestrado
COOPER, W.W.; SEIFORD, L.M.; Tone, K. Introduction to Data Envelopment Analysis and its
uses. Springer 2006.
LACHTERMACHER, Gerson pesquisa operacional na tomada de deciso: Modelagem em Excel. 2
ed.- ed.- Rio de Janeiro: Elsevier, 2004.
LINS,M .P. E; CALBA, G.M. Programao Linear: com aplicaes em teoria dos jogos e avaliao
de desempenho (Data Envelopment Analysis). Rio de Janeiro; Intercincia - 2006.
GOLDBARG, M. C. & LUNA, H. P. L. Otimizao combinatria e programao linear: Modelos e
algoritmos. Rio de Janeiro: Campus, 2005.
NIEDERAUER, C. A. P. Avaliao dos bolsistas de produtividade em pesquisa da engenharia de

produo utilizando Data Envelopment Analysis. Florianpolis: Programa de Ps-Graduao em
Engenharia de Produo, Universidade Federal de Santa Catarina, 1998. Dissertao (Mestrado).
PAIVA, F. C. Eficincia produtiva de programas de ensino de ps-graduao em engenharias: uma
aplicao do mtodo Anlise Envoltria de Dados-DEA. Florianpolis: Programa de Psgraduao em Engenharia de Produo, Universidade Federal de Santa Catarina, 2000, 79p.
Dissertao (Mestrado).
PAIVA, R. P. O. MORABITO, R.. An optimization model for the aggregate production planning of a
Brazilian sugar and ethanol milling company. Annals Operations Research. 169 (2009) 117-130.
PRADO, Darci Santos do, Programao linear Belo Horizonte MG: Editora de Desenvolvimento
gerencial , 2003. ( Srie Pesquisa Operacional , Vol.1)
SOARES DE MELLO, J. C. C .B.; MEZZA, L.A.; GOMES E.G.; BLONDI NETO, L. Curso de Anlise de
Envoltria de Dados. Em: XXXVII Simpsio Brasileiro de Pesquisa Operacional, Gramado-RS,
2005.
SILVA, A. F. Modelagem do planejamento agregado da produo de uma usina sucroalcooleira.
Itajub: Programa de Ps-graduao em Engenharia de Produo, Universidade Federal de
Itajub, 2009, 92p. Dissertao de Mestrado.
SHIMIZU, T. Deciso nas organizaes: introduo aos problemas de deciso encontrados nas
organizaes e nos sistemas de apoio deciso. So Paulo: Atlas, 2010.
ANEXO A LINGUAGEM DE MODELAGEM GAMS

Durante as dcadas de 50 e 60 fez-se um progresso substancial no desenvolvimento de
algoritmos e cdigos computacionais para resolver grandes problemas de programao
matemtica (PAIVA, 2006). Sendo que, na dcada posterior, no surgiu um grande nmero de
aplicaes das ferramentas que foram desenvolvidas. Conforme Brooke et al (1997) comentou o
fato de que grande parte do tempo requerido para o desenvolvimento de um modelo era
despendido na preparao dos dados e dos relatrios de sada. Portanto, foram estudados os
meios para reduzir esse tempo, e nesse sentido desenvolveram-se os geradores de matrizes para
a programao linear, que faziam transformaes dos modelos matemticos para a forma
algortmica exigida pelos softwares. O percussor para adequao desses objetivos foi o
desenvolvimento das linguagens de modelagem (LMs). Dentre as LMs que se destacaram a
dcada de 80 e incio da dcada de 90, cita-se: CML(Conversational Modeling Language), a LPM
(System for Constructing Linear Programming System), a LAMP (Language for Interactive General
Optimization), LINGO (Language for Interactive General Optimization) e o GAMS (General
Algebraic Modeling System). Essas LMs vm adquirindo maiores significncias para os
modeladores, visto que os problemas analisados esto se tornando cada vez mais complexos, e as
LMs propiciam que os modeladores dediquem cada vez mais tempo para solucionar problemas
referentes ao modelo, e no a implementao computacional.
O GAMS uma LMs e foi projetada para o desenvolvimento e soluo de modelos de programao
matemtica complexa (BROOKE et al, 1997). As principais vantagens intrnsecas a utilizao do
GAMS so:
I. Fornecer uma linguagem de alto nvel para uma representao compacta de modelos
extensos e complexos;
II. Permitir mudanas na especificao dos modelos de forma simples e segura;
III. Permitir relaes algbricas enunciadas de forma no ambgua;
IV. Permitir descries de modelos independentes dos algoritmos de soluo;
Linguagem de Modelagem GAMS ___________________________________________________ 100
V. Simplificar a preparao de dados de entrada e relatrios de sada e transformar

automaticamente os dados para a forma requerida pelos pacotes de programao
matemtica.
Alm destas vantagens, o GAMS um compilador baseado na teoria de banco de dados (quando
se faz manipulao dos dados) e na teoria de programao matemtica ( para descrio e soluo
dos problemas). GAMS tambm disponibiliza um conjunto de Solvers, que so pacotes com opes
de vrias tcnicas de soluo de problemas de programao matemtica (p.ex: PL, PIM, PNL,
MIQCP, MINLP, DNPLP...), que podem ser utilizados conforme a escolha do modelador,
A UNESP-Guaratinguet-SP possuiu o GAMS [23.4.3]e o solver CPLEX [12.1.0], para a soluo do
problema programao inteira mista (PIM).
Solver CPLEX
A sigla CPLEX a combinao da letra C, em referncia linguagem de programao C utilizada
no desenvolvimento deste algoritmo, com a terminao PLEX, em referncia ao algoritmo
simplex de soluo de problemas de PL. Este solver foi desenvolvido pela CPLEX Optimization
Inc., empresa fundada em 1988 com a ideia de comercializar algoritmos de PL que pudessem
ser utilizados para solucionar, de forma rpida, problemas grandes e difceis de programao
linear. Atualmente o CPLEX um produto de propriedade da ILOG S.A. A primeira verso do
CPLEX (CPLEX 1.0) foi lanada em 1988 com suporte para solucionar problemas de PL por
meio do mtodo primal simplex. Posteriormente, este algoritmo incorporou o suporte
para utilizar o mtodo dual simplex; incorporou o algoritmo barrier, que uma alternativa ao
mtodo simplex para problemas de programao linear e programao quadrtica; incorporou
o algoritmo branch-and-bound, para solucionar problemas de PIM, programao inteira
mista quadrtica e programao inteira mista com restries quadrticas; incorporou
heursticas
de
pr-processamento de
dados, para
gerar boas
solues iniciais; e
incorporou tcnicas de programao por restries, para melhorar o desempenho de busca.

Alm disso, o CPLEX passou a utilizar um algoritmo branch-and-cut com cortes com famlias de
desigualdades vlidas e genricas. Atualmente, tambm possvel utilizar processamento
paralelo para solucionar grandes problemas prticos (ILOG,2008). A figura A1 mostra a
Linguagem de Modelagem GAMS ___________________________________________________ 101
estrutura geral da linguagem GAMS.
Dados de Entrada
Definio e declarao de sets e alias;
Definio e declarao de scalars, parameters, tables e equaes de
atribuio;
Determinao de displays de controle sobre as equaes de atribuio.
FiguraAnexo A1 - Estrutura geral do modelo GAMS
(Fonte: adaptada de Brooke et al., 1997
Elementos do modelo
Definio e declarao, designao do tipo, limitantes e valores iniciais de
variables;
Definio e declarao de equations (funo objetivo e restries).
Solues do modelo
Comandos: Models; Solve; Displays.
Figura anexo A1- Estrutura geral do modelo GAMS

(fonte: Adaptado de Brooke et al.,1997)
ANEXO B MODELAGEM E SIMULAO

Pesquisa Quantitativa baseada em modelos
Extrado de BATISTA (2009).
Bertrand e Fransoo (2002) apresentam uma classificao das metodologias de pesquisa em
Administrao da Produo que utilizam modelagem quantitativa. O trabalho de Bertrand e
Fransoo (2002) pode ser til para os pesquisadores que trabalham com modelagem quantitativa,
e ser abordado com profundidade nessa seo. Pesquisa quantitativa baseada em modelos a
pesquisa onde so desenvolvidos, analisados e testados modelos de relaes causais entre as
variveis de controle e desempenho. Estas partem do princpio que podemos construir modelos
objetivos que expliquem parte do comportamento dos processos reais, ou que podem capturar
parte dos problemas de tomada de deciso enfrentados pelos gestores na vida real. Os diferentes
tipos de pesquisa quantitativa so dados na Figura B.1.
Figura B.1 Classificao das metodologias de pesquisa quantitativa

Fonte: Bertrand e Fransoo (2002)
Ambas as classificaes, axiomtica e emprica, podem ser subdivididas em descritiva e
normativa. Normalmente a rea descritiva relaciona-se com o estudo de um processo e a
normativa est ligada ao estudo de um problema.
Pesquisa axiomtica:
A pesquisa axiomtica definida pelas seguintes caractersticas:
Modelagem e Simulao___________________________________________________________ 103
guiada pelo modelo idealizado (assume-se que alguns aspectos do problema no afetam
a soluo);
O objetivo primrio obter solues que forneam conhecimento acerca da estrutura do
problema;
So utilizados mtodos formais de reas cientficas como matemtica, estatstica e cincias
da computao;
Os pesquisadores olham para os processos ou problemas atravs dos modelos
matemticos que possam ser utilizados;
Necessita-se de um forte fundo matemtico;
Deve-se julgar quais formulaes de problemas cientficos so bons problemas, ou seja,
problemas onde podem ser obtidos resultados de qualidade.
Os passos para realizar uma pesquisa axiomtica so os seguintes:
1. Descrever as caractersticas dos processos ou problemas a serem estudados. A descrio
do modelo conceitual deve usar tanto quanto possvel conceitos e termos aceitos como padro na
literatura;
2. Especificar o modelo cientfico do processo ou problema. Este deve ser apresentado de
maneira formal, em termos matemticos.
Na pesquisa axiomtica descritiva, a modelagem do processo o centro. Busca-se analisar um
modelo para explicar suas caractersticas. O pesquisador parte de um modelo conceitual e deriva
um modelo cientfico. Depois so feitas algumas anlises do modelo cientfico para ganhar
conhecimento sobre o comportamento deste. Tipicamente no se passa fase de soluo do
modelo e a qualidade da pesquisa est ligada extenso na qual os resultados provam dar as
caractersticas exatas do processo. A extenso para a soluo do modelo feita na pesquisa
axiomtica normativa, onde a soluo a pesquisa central reportada. Em muitos artigos
axiomticos normativos, o processo de modelagem tambm est includo e os resultados
retornam ao modelo conceitual. Nesse caso a qualidade da pesquisa pertence extenso no qual
o resultado prova ser a melhor soluo possvel para o problema. Quase todos os artigos no
domnio da PO caem na rea normativa.
Pesquisa emprica:
A pesquisa emprica possui as seguintes caractersticas:

O objetivo principal assegurar que h um ajustamento das observaes e aes na
realidade e no modelo feito daquela realidade;
voltada a criar um modelo que descreva adequadamente as relaes causais que
possam existir na realidade e levem ao entendimento do processo;
Deve ser planejada para testar a validade de modelos tericos quantitativos e suas
solues;
A essncia validar o modelo conceitual ou a soluo da pesquisa axiomtica;
Como os processos operacionais so todos diferentes, premissas bsicas e caractersticas
dos problemas so validadas para classes definidas de processos, implcitas nos modelos
tericos e problemas;
Ao contrrio da pesquisa axiomtica quantitativa, a pesquisa emprica no tem sido muito
produtiva.
Os passos para aplicao de uma pesquisa emprica so os seguintes:
1. Identificar as premissas bsicas dos processos onde esto baseados os modelos ou
problemas tericos em questo. Na literatura existem diferentes linhas de pesquisa que
compartilham premissas comuns sobre processos ou problemas de deciso. H por exemplo uma
linha de pesquisa baseada na viso do processo produtivo como um modelo de filas. Essa
chamada de premissa bsica;
2. Identificar o tipo de processo ou problema no qual as premissas bsicas se apliquem;
3. Desenvolver um critrio objetivo para decidir se um processo da vida real pertence
classe de processos considerada e para identificar o sistema de deciso que representa o
problema em questo. Diferentes pesquisadores devem chegar ao mesmo resultado acerca
dessas classificaes;
4. Derivar das premissas bsicas, hipteses sobre o comportamento dos processos. Esse
comportamento se refere a variveis ou fenmenos que possam ser medidos;
5. Desenvolver uma maneira objetiva de medir ou fazer observaes. Como no existe uma
maneira geralmente aceita de medir as variveis, os pesquisadores devem desenvolver
maneiras prprias de medir e documentar essa etapa. Essa dificuldade ilustra a posio fraca da
pesquisa quantitativa emprica na administrao cientfica;
6. Aplicar os sistemas de medio, coletar e documentar os resultados;
7. Interpretar os dados, o que geralmente ir incluir o uso de anlise estatstica. Tcnicas
especiais so necessrias, pois os resultados no podem ser manipulados de maneira
arbitrria como num projeto experimental. As hipteses devem ser restritas ao
comportamento dentro de um perodo esperado;
8. Interpretar os resultados em relao aos modelos tericos ou problemas que deram
origem s hipteses testadas. Esse passo completa a fase de validao e pode resultar na
confirmao do modelo terico (ou partes) em relao ao problema de deciso e ao processo
considerado, ou levar a rejeio (parcial ou no) e sugestes para melhorar os modelos tericos.
A pesquisa emprica descritiva principalmente voltada a criar um modelo que descreva
adequadamente as relaes causais que possam existir na realidade e levem ao entendimento do
processo corrente.
A pesquisa emprica normativa busca desenvolver polticas, estratgias e aes que melhorem a
situao atual. Essa rea de pesquisa pequena. Houve tentativa em alguns artigos, mas o
procedimento de verificao normalmente no muito forte. Essa a forma mais completa de
pesquisa cientfica, onde conduzido o ciclo completo: Conceitualizao, modelagem, soluo do
modelo e implementao. Em muitos casos essa pesquisa construda em trabalhos publicados
na categoria axiomtica descritiva onde j foram desenvolvidos caminhos para os estgios de
modelagem e soluo do modelo.
No se deve confundir pesquisa emprica com uso dos resultados da pesquisa axiomtica para
melhorar os processos. Nesse caso, os resultados se baseiam na crena que as premissas
admitidas nos modelos so vlidas e as solues iro funcionar bem.
RESUMO ARTIGO Modelling and simulation: operations management research

methodologies using quantitative modeling (BERTRAND; FRANSOO, 2002)
O objetivo do artigo apresentar uma reviso de um modelo de pesquisa quantitativa em
gerenciamento de operaes com foco na metodologia de pesquisa. A modelagem quantitativa
em pesquisa operacional tem auxiliado no sentido de resolver problemas da vida real no
gerenciamento de operaes. O gerenciamento de operaes definido no artigo como o projeto
de projetar, planejar, controlar e executar operaes na indstria de manufatura de servios.
Para os pesquisadores os modelos quantitativos so baseados em um conjunto de variveis que
variam em um domnio especfico, enquanto relaes quantitativa e causal so definidas entre
estas variveis. Pesquisa de operaes considerada como parte de uma pesquisa quantitativa
em gerenciamento de operaes. Enquanto a abordagem de pesquisa operacional um outro
ramo da modelagem quantitativa que pretende incluir todos os aspectos do processo
operacional, incluindo conhecimento, opinies e atitudes das pessoas a nvel operacional e
gerencial.
Classifica as pesquisas sobre gerenciamento de operaes em duas classes distintas: 1) Pesquisa
axiomtica, onde a principal preocupao do pesquisador obter solues dentro do modelo
definido e certificar-se que estas solues forneam insights na estrutura do problema tal como
definido no modelo. Pesquisa axiomtica produz conhecimento sobre o comportamento de certas
variveis no modelo, baseado em pressupostos sobre o comportamento de outras variveis no
modelo. Normalmente, pesquisa axiomtica normativa, embora a pesquisa descritiva, com o
objetivo de compreender o processo que foi modelado, tambm esteja presente. Pesquisa
normativa est essencialmente interessada em desenvolver polticas, estratgias e aes para
melhorar ao longo dos resultados disponveis na literatura existente, para encontrar a soluo
tima para um problema definido recentemente ou para comparar vrias estratgias para
abordar um problema especfico. J a pesquisa descritiva est primeiramente interessada em
analisar um modelo, o que leva a entender e explanar as caractersticas do modelo. Pesquisas na
rea de teoria das filas e dos jogos, so normalmente descritivas por natureza e na maioria dos
modelos. 2) A segunda classe de pesquisas a emprica, onde a principal preocupao do
pesquisador garantir que existe um modelo de ajuste entre observao e ao na realidade e o
Bertrand e Fransoo________________________________________________________________ 107
modelo feito desta realidade. Este tipo de pesquisa pode ser tanto descritiva quanto normativa,
onde a pesquisa emprica descritiva est normalmente preocupada em criar um modelo que
descreve adequadamente as relaes causais que possam existir na realidade, o que leva
compreenso do processo em curso. Pesquisa quantitativa emprica normativa est
principalmente interessada no desenvolvimento de polticas, estratgias e aes para melhorar a
situao atual. Em contraste com pesquisas quantitativas axiomticas, modelos baseados em
pesquisas quantitativas empricas no so muito produtivos, visto que reportam a aplicao dos
resultados das pesquisas tericas nos processos operacionais da vida real. Na pesquisa
quantitativa axiomtica, a principal relevncia cientfica principalmente determinada pelo que
cada pesquisador pretende contribuir para a literatura existente, o que pode ser de dois tipos:
novas variaes de processo ou problema usando tcnicas de solues conhecidas. A outra seria
estudar um processo ou problema que j foi estudado antes, mas fornecendo novas ou melhores
solues para o problema, seja aplicando novos tipos de solues tcnicas, ou alcanando novos
resultados com as solues tcnicas aceitas. Na pesquisa quantitativa axiomtica usando
simulao, os resultados so obtidos via simulao computacional. Usada nos casos em que o
modelo ou problema muito complexo para uma anlise matemtica formal. Os passos para este
tipo de pesquisa so apresentados.
Na pesquisa quantitativa baseada em modelos empricos, a principal preocupao testar a
validade dos modelos cientficos usados em pesquisas tericas quantitativas ou testar o uso e
desempenho da soluo do problema obtido por meio da pesquisa terica quantitativa nos
processo operacionais da vida real.

Apostila de GAMS

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila de GAMS

Enviado por

Direitos autorais:

Formatos disponíveis

PESQUISA OPERACIONAL

O objetivo desta apostila fornecer conceitos matemticos sobre a estrutura da

A estrutura da apostila est definida primeiramente pela reviso da histria da

1.1. O MTODO DA PESQUISA OPERACIONAL

A representao simplificada de um problema prtico por meio de um modelo matemtico

1.2. O IMPACTO DA PESQUISA OPERACIONAL

Estruturao e otimizao de modelos lineares estacionrios________________________________ 8

2 passo: Definir os parmetros (PARAMETER) do modelo: Neste caso sabemos a margem de

vamos chamar essa equao de consumo. E a ltima

Estruturao e otimizao de modelos lineares estacionrios________________________________ 9

Define uma inequao de sinal maior ou igual

Define uma inequao de sinal de menor ou igual

Define uma equao (X= n)

Tambm um fixador de ndices

Expresso para produto de uma srie

Expresso para somatrio

Descreve o modelo estudado

Descreve a utilizao de um solver especfico

Recurso utilizado para calcular o primal e o dual

A Tabela 2.2 mostra as funes padro de GAMS.

Maior inteiro arg

Integral de distribuio normal

Maior inteiro arg

Estruturao e otimizao de modelos lineares estacionrios________________________________ 10

Log do arg na base e

Log de arg na base 10

Max (arg1, arg2,...,argn)

Min (arg1, arg2,..,argn)

normalmente com argumento

arg1 e desvio padro arg2

Sem (arg); arg em radianos

Sign (arg) x floor (abs(arg))

uniformemente entre arg1 e arg2

Estruturao e otimizao de modelos lineares estacionrios________________________________ 11

modelo Giapetto. As contagens de BLOCKS se refere ao nmero de equaes genricas e

Estruturao e otimizao de modelos lineares estacionrios________________________________ 12

Figura 1.1- Modelo Giapetto em linguagem GAMS.

Os objetos so os i produtos e j recursos

2 passo: Descrever os parmetros.

Estruturao e otimizao de modelos lineares estacionrios________________________________ 13

Ri, j: Consumo unitrios por produto i de cada recurso j.

Estruturao e otimizao de modelos lineares estacionrios________________________________ 14

Estruturao e otimizao de modelos lineares estacionrios________________________________ 15

Figura 1.2: Modelo matemtico exemplo 2 em linguagem GAMS.

Estruturao e otimizao de modelos lineares estacionrios________________________________ 16

3 Uma companhia de investimento dispe de R$ 100.000,00 para investir em aes e letras

Estruturao e otimizao de modelos lineares estacionrios________________________________ 17

5 Uma fbrica de automveis e caminhes possui os seguintes departamentos;

Estruturao e otimizao de modelos lineares estacionrios________________________________ 18

Estruturao e otimizao de modelos lineares estacionrios________________________________ 19

A (Arrendamento) Destinar certa quantidade de alqueires para a plantao de cana de acar, a

Custo da terra (devendo ser considerado o custo de oportunidade e o custo de manuteno

Custo e despesas com benfeitorias (considerando-se a depreciao, o custo de oportunidade e

Custo e despesas com mquinas e implementos (considerando-se a depreciao, o custo de

Custo e despesas com equipamentos (considerando-se a depreciao, o custo de

Custo e despesas com reprodutores (considerando-se a depreciao e o custo de

Custo e despesas com alimentao (considerando-se o gasto com concentrados, suplementos

Custo e despesas com produtos veterinrios (considerando-se o gasto e o custo alternativo)

Custo e despesas com inseminao artificial (considerando-se o gasto e o custo alternativo)

Custo e despesas com transferncia de embries (considerando-se o gasto e o custo

Gastos com despesas administrativas (considerando-se tambm o custo alternativo) R$/ano

Gastos com marketing e propaganda (considerando-se tambm o custo alternativo) R$/ano

Custo e despesas com mo-de-obra (considerando-se o gasto efetivo, os encargos pagos e o

Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 21