Escolar Documentos
Profissional Documentos
Cultura Documentos
Apostila de GAMS
Apostila de GAMS
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
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.
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
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.
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
So fixadores de ndices
PROD
SUM
Model
Solve
Display
Descrio
Definio
Nmero de Argumentos
ABS
Valor absoluto
|ARG|
ARCTAN
Arco Tangente
Arctan
(arg);
resultado
em
radianos
CEIL
Funo teto
COS
Cosseno
Cos
(arg)
argumento
1
em
radianos
ERRORF
Funo erro
padro
EXP
Exponencial
earg
FLOOR
Funo piso
Nome
Descrio
Definio
Nmero de Argumentos
LOG
Logaritmo
natural
Log10
Logaritmo
comum
MAPVAL
Funo
Atribuiu
nmeros
mapeamento
especiais
MAX
Maior valor
>1
MIN
Menor valor
>1
MOD
Resto
arg1-trunc(arg1/arg2) x arg3
Normal
Randmica
Nmero
2*
normal
aleatrio
valores
distribudo
Potncia inteira
ROUND
Arredondamento
SIGN
Sinal
SIN
Seno
SQR
Quadrado
arg x arg
SQRT
Raiz quadrada
TRUNC
Truncamento
UNIFORM
Randmica
Nmero
2*
uniforme
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
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
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
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
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.
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
BE
MI
EQ
RE
AL
PV
IA
TE
DA
MK
MO
A Tabela 3.1 mostra os recursos disponveis e o consumo por categoria de animal para o ano de 2004.
RECURSOS
DISPONVEIS
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
-
animais Z X i
i
sujeito a :
n
i, j
. X i Pj
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
func. Z X s
s
sujeito a :
alocados n
alocacao
s, n
. X s funcionarios n
X s, n 0
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.
Sujeito a :
consumo j .. produzirp, j .produzido p A j
p
Captulo 4
4.
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.
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
produtoestoque
t -1,i
demanda t
Aplicao
Meses de durao
Retorno ao final do
disponvel no
da aplicao
investimento
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.
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.
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.
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.
sujeito a :
6
MAXVPL
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
sujeito a :
n
selecao
i, j
i, j
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
6.2
contempla
um
exemplo
de
redes
em
problemas
de
transporte.
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.
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.
Este modelo pode ser representado por um formato de rede conforme contemplado pela Figura
6.4.
Tipo de Restrio
Oferta= Demanda
Capacidade de
Contratados
Produo
reais
10
25
1,08
15
35
1,11
25
30
1,1
20
10
1,13
Trimestre
Demandasj,
i, t:
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
envio
i, t
envio
i, t
.demandas j, i, t contratos j, t
stok
30
envio i, j 0
stok t 0
Modelo:
n
Z envio i, j .custo i, j
i, j
sujeito a :
envio
i, j
. rede i, j capacidade
envio
i, j
. redes i, j Demanda
envio i, j 0
SC
BA
SP
100
50
Custo mnimo
MG
GO
RJ
200
150
150
RS
200
300
250
R$ 28.000,00
PR
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
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
1
2
40
20
20
20
20
20
40
60
Para o n
Custo
15
22
15
22
15
22
15
22
envio
i, j
.circuito i, j 120000
envio
i, j
.circuito2 i, j 200000
envio
i, j
.circuito3 i, j 120000
envio
i, j
.circuito4 i, j 180000
envio
i, j
.circuito5 i, j 180000
envio i, j
Descrio
Predecessor
Tempo [hs]
imediato
A
B, A
10
E, F
Religar estufa
Descrio
e
A
Demolir o armazm
Predecessor
Tempo
imediato
[dias]
de -
alvenaria
C
Escavao de fundaes
B, D
Fazer acesso
B, G
F, G
F, I
Acabar paredes
K, M, N
Fazer telhado
F, I
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.
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.
( 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;
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
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
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.
A figura 8.5 contempla a soluo deste exemplo pelo modelo BCC ou (VRS).
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
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
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
Estoque prprio
Estoque terceirizado
15.000
10.00
3000
14.000
3.000
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
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$/toneladas. Nesta tabela disposto o custo
por produto no estoque, ou seja, eprop (estoque prprio) e eterc(estoque terceirizado).
Estoque Semana 1 Semana 2 Semana 3 Semana 4 Semana 5
A.eprop
4,00
9,00
3,00
9,00
5,00
4,00
3,00
10,00
9,00
5,00
7,00
10,00
7,00
8,00
3,00
5,00
4,00
9,00
3,00
4,00
10,00
8,00
8,00
10,00
5,00
3,00
9,00
5,00
4,00
A prxima Tabela contempla o custo por fonte de matria-prima.
6,00
B.eprop
C.eprop
A.eterc
B. eterc
C. eterc
8.4
8.55
9.6
10
20
22
25
30
27
Aplicaes reais___________________________________________________________________ 94
530,00
745,00
510,00
680,00
579,00
527,00
726,00
567,00
892,00
359,00
690,00
585,00
998,00
977,00
1000,00
50
40
60
B.Dest1
40
20
A prxima Tabela aborda o preo de venda dos produtos exportados
50
784,00
883,00
974,00
757,00
836,00
B.Dest1
944,00
918,00
929,00
785,00
742,00
A Tabela a seguir mostra o custo de transporte. Tterc= transporte terceirizado, Tprop=
transporte prprio.
Produtos
A.Dest1.tterc
B.Dest1.tprop
A.Dest1.tprop
A.Dest2.tterc
98,00
86,00
71,00
92,00
86,00
91,00
93,00
86,00
72,00
89,00
93,00
78,00
87,00
71,00
95,00
95,00
100,00
74,00
82,00
Aplicaes reais___________________________________________________________________ 95
Faturamento [R$ 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
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.
de
pr-processamento de
dados, para
gerar boas
solues iniciais; e
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.
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:
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.
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.