Você está na página 1de 176

INTRODUO PESQUISA OPERACIONAL

Prefaciais.indd 1

27/08/2011 21:57:49

Universidade Estadual Paulista Vice-Reitor no exerccio da Reitoria Julio Cezar Durigan Pr-Reitora de Graduao Sheila Zambello de Pinho Pr-Reitora de Ps-Graduao Marilza Vieira Cunha Rudge Pr-Reitora de Pesquisa Maria Jos Soares Mendes Giannini Pr-Reitora de Extenso Universitria Maria Amlia Mximo de Arajo Pr-Reitor de Administrao Ricardo Samih Georges Abi Rached Secretria Geral Maria Dalva Silva Pagotto Chefe de Gabinete Carlos Antonio Gamero

Prefaciais.indd 2

27/08/2011 21:57:50

Cultura Acadmica

Fernando Augusto Silva Marins

INTRODUO PESQUISA OPERACIONAL

So Paulo 2011

Prefaciais.indd 3

27/08/2011 21:57:51

Pr-Reitoria de Graduao, Universidade Estadual Paulista, 2011.

Ficha catalogrfica elaborada pela Coordenadoria Geral de Bibliotecas da Unesp M339i Marins, Fernando Augusto Silva Introduo Pesquisa Operacional / Fernando Augusto Silva Marins. So Paulo : Cultura Acadmica : Universidade Estadual Paulista, Pr-Reitoria de Graduao, 2011. 176 p. ISBN 978-85-7983-167-6 1. Pesquisa Operacional. I. Ttulo. CDD 658.05

equipe

Pr-reitora Sheila Zambello de Pinho Secretria Silvia Regina Caro Assessoria Elizabeth Berwerth Stucchi Jos Brs Barreto de Oliveira Klaus Schlnzen Junior (Coordenador Geral NEaD) Maria de Lourdes Spazziani Tcnica Bambina Maria Migliori Camila Gomes da Silva Ceclia Specian Eduardo Luis Campos Lima Flvia Maria Pavan Anderlini Gisleide Alves Anhesim Portes Ivonette de Mattos Jos Welington Gonalves Vieira Maria Emlia Arajo Gonalves Maria Selma Souza Santos Renata Sampaio Alves de Souza Sergio Henrique Carregari Vitor Monteiro dos Santos

Prefaciais.indd 4

31/08/2011 21:19:41

PROGRAMA DE APOIO PRODUO DE MATERIAL DIDTICO

Considerando a importncia da produo de material didtico-pedaggico dedicado ao ensino de graduao e de ps-graduao, a Reitoria da UNESP, por meio da Pr-Reitoria de Graduao (PROGRAD) e em parceria com a Fundao Editora UNESP (FEU), mantm o Programa de Apoio Produo de Material Didtico de Docentes da UNESP, que contempla textos de apoio s aulas, material audiovisual, homepages, softwares, material artstico e outras mdias, sob o selo CULTURA ACADMICA da Editora da UNESP, disponibilizando aos alunos material didtico de qualidade com baixo custo e editado sob demanda. Assim, com satisfao que colocamos disposio da comunidade acadmica mais esta obra, Introduo Pesquisa Operacional, de autoria do Prof. Dr. Fernando Augusto Silva Marins, da Faculdade de Engenharia do Cmpus de Guaratinguet, esperando que ela traga contribuio no apenas para estudantes da UNESP, mas para todos aqueles interessados no assunto abordado.

Prefaciais.indd 5

27/08/2011 21:57:51

Prefaciais.indd 6

27/08/2011 21:57:51

SUMRIO

Apresentao

9 11 11

1 pesquisa operacional: origens, definies e reas


1.1. 1.2. 1.3. 1.4. 1.5.

A Pesquisa Operacional e o Processo de Tomada de Deciso O que a Pesquisa Operacional? Origens da Pesquisa Operacional Consideraes Importantes
21 23 12 13

Fases da Resoluo de um Problema pela Pesquisa Operacional


19

16

Referncias

2 programao linear
2.1. 2.2. 2.3. 2.4. 2.5. 2.6. 2.7. 2.8. 2.9.

Introduo Modelagem Limitaes

23 24 38 40

Resoluo Grfica Forma Padro


46

Definies e Teoremas Mtodo Simplex

49 54

Forma Cannica de um Sistema de Equaes Lineares


56 72

Mtodo Simplex com Duas Fases


80

Referncias

3 introduo teoria dos grafos e a otimizao em redes


3.1. 3.2. 3.3.

81

Introduo Algoritmos
102

81 84

Conceitos Bsicos
90

Referncias

4 o modelo de transporte simples


4.1. 4.2. 4.3.

103 103 108 115

Histrico e Formulao Matemtica Algoritmo do Stepping Stone Method

Resoluo pelo Mtodo Modificado (Modi)

Prefaciais.indd 7

27/08/2011 21:57:51

| INTRODUO PESQUISA OPERACIONAL 4.4.

Mtodos para Encontrar uma Soluo Bsica Vivel Inicial para o Stepping Stone Method 117 Ofertas e Demandas Desbalanceadas Degenerescncia
121 126 120

4.5. 4.6. 4.7.

Condies Proibidas de Embarque ou Recepo


127 129

Referncias

5 o modelo da designao
5.1. 5.2. 5.3. 5.4.

Introduo

129 130 131

Definies e Notaes Modelo Matemtico Mtodo Hngaro


150

131

Referncias

6 introduo teoria das filas: modelos markovianos


6.1. 6.2. 6.3. 6.4. 6.5.

151

Introduo

151 152

Estrutura Bsica de um Sistema de Filas Processos de Nascimento e Morte Modelos de Filas Markovianas Comentrios Gerais
172 176 169 156

160

Anexo

Referncias

Prefaciais.indd 8

27/08/2011 21:57:51

APRESENTAO

A Pesquisa Operacional (PO) uma rea da Engenharia de Produo que proporciona aos profissionais, que tm acesso ao seu escopo, um procedimento organizado e consistente que o auxiliar na difcil tarefa de gesto de recursos humanos, materiais e financeiros de uma organizao. De fato, a Pesquisa Operacional oferece um elenco interessante de reas, modelos e algoritmos que permitem ao gestor tomar deciso em problemas complexos, onde deve ser aplicada a tica cientfica. O material deste livro corresponde a um curso semestral introdutrio PO, abordando a Programao Linear, algoritmos para Modelos em Redes e modelos estocsticos da Teoria de Filas. O contedo vem sendo ministrado, h mais de 20 anos, no nvel de graduao para os cursos de Engenharia Mecnica e de Engenharia de Produo Mecnica da Faculdade de Engenharia do Campus de Guaratinguet (FEG) da Universidade Estadual Paulista (UNESP); e desde 2008, em cursos de ps-graduao, Lato Sensu e Stricto Sensu tem sido utilizado como apoio, principalmente pelos alunos que esto tendo acesso PO pela primeira vez. Entendendo a dificuldade dos professores em desenvolver o material didtico para suas aulas, ser disponibilizado, para os que adotarem o livro, na pgina na Internet do Autor (www.feg.unesp.br/~fmarins) os seguintes materiais de apoio: a) Conjunto de slides em PowerPoint com o contedo dos vrios captulos do livro; b) Arquivos com exerccios propostos sobre cada captulo do livro; c) Endereos na Internet para o download de verses livres de importantes e teis softwares (LINDO), e, ainda, o endereo para acesso de software livre desenvolvido em outra instituio (PROLIN Universidade Federal de Viosa UFV). Manuais de usurio do Solver do Excel e do LINDO desenvolvidos por professores de outra instituio (Universidade Federal de Ouro Preto UFOP).

Prefaciais.indd 9

27/08/2011 21:57:51

10

| INTRODUO PESQUISA OPERACIONAL

O autor agradece aos Professores Heleno do Nascimento Santos da UFV, Alosio de Castro Gomes Jnior e Marcone Jamilson Freitas Souza da UFOP, respectivamente, pela autorizao do uso do software PROLIN e dos manuais do Solver e do LINDO. Agradece, ainda, a aluna Monique de Medeiros Takenouchi do curso de Engenharia de Produo Mecnica da FEG UNESP pelo trabalho de adequao nos slides em PowerPoint, bem como ao mestrando Marco Aurlio Reis dos Santos pela reviso final do texto. Finalmente, o autor gostaria de agradecer ao revisor annimo, indicado pela Pr-Reitoria de Graduao da UNESP PROGRAD para avaliar o texto, pelas valiosas sugestes de melhoria, e a prpria PROGRAD, por meio do Programa de Apoio Produo de Material Didtico, ao viabilizar esta publicao.
Guaratinguet, agosto de 2011.

Fernando Augusto Silva Marins

Prefaciais.indd 10

27/08/2011 21:57:51

1
PESQUISA OPERACIONAL: ORIGENS, DEFINIES E REAS
1.1. A PESQUISA OPERACIONAL E O PROCESSO DE TOMADA DE DECISO

Um profissional que assume uma funo em uma empresa logo se depara com situaes onde dever tomar algum tipo de deciso. medida que este profissional vai ascendendo na carreira, os problemas e as decises vo se tornando mais complexas e de maior responsabilidade. De fato, tomar decises uma tarefa bsica da gesto, nos seus vrios nveis, estratgico, gerencial (ttico) ou operacional, devendo ser entendido que o ato de decidir significa fazer uma opo entre alternativas de soluo que sejam viveis de serem aplicadas situao. Apesar de cada gestor ter o seu prprio procedimento de anlise e soluo de problemas, pode-se, em geral, estabelecer algumas etapas que, necessariamente, devem ser observadas, configurando o que se denomina de papel do decisor: a) Identificar o problema talvez seja a etapa mais difcil, pois, diferentemente dos livros, os problemas na prtica no esto, inicialmente, claros, definidos e delimitados. Aqui importante perceber quais so os demais sistemas que interagem com o sistema onde se insere o problema a ser tratado. fundamental se ter uma equipe de analistas multidisciplinar para o problema seja visto de prismas diferentes e isso seja incorporado na sua soluo; b) Formular objetivo(s) nesta etapa devem ser identificados e formulados (muitas vezes matematicamente) quais so os objetivos que devero ser atingidos quando da soluo do problema. Em alguns casos, podem-se ter vrios objetivos que podem ser qualitativos (por exemplo, satisfao do cliente), quantitativos (custo ou lucros) ou ainda conflitantes; c) Analisar limitaes na seqncia deve-se levantar quais so as restries que limitaro as solues a serem propostas. Comumente, essas limitaes dizem respeito ao atendimento de tempo/prazo, oramento,

Cap_1.indd 11

27/08/2011 21:51:26

12

| INTRODUO PESQUISA OPERACIONAL

demandas, capacidades (transporte, produo e armazenamento), tecnologia (equipamentos e processos), inventrios (matria-prima, subconjuntos, work in process e produtos acabados), entre outros; d) Avaliar alternativas aqui, o decisor, aps identificar quais so suas alternativas de ao, dever, utilizando algum procedimento, escolher a melhor soluo que poder ser aplicada. Destaque-se que, muitas vezes a soluo tima pode no ter uma relao custo-benefcio que permita sua adoo pela empresa, e uma outra soluo que atende esses requisitos pode vir a ser a escolhida. Nesse processo de avaliao de alternativas, o decisor poder utilizar uma abordagem qualitativa ou quantitativa: A abordagem qualitativa se aplica em problemas simples, corriqueiros, repetitivos, com pouco impacto financeiro ou social, onde fundamental a experincia do decisor (ou de sua equipe de analistas) em situaes anteriores semelhantes. Nestes casos, adota-se uma soluo similar quela j utilizada com sucesso num problema semelhante; J a abordagem quantitativa a recomendada quando os problemas so complexos, novos, envolvem grande volume de recursos humanos, materiais e financeiros, tm alto impacto no ambiente onde se insere (empresa ou sociedade). Aqui, recomenda-se o uso dos preceitos da tica cientfica e os mtodos quantitativos (algoritmos) disponveis a obteno de uma soluo. Neste contexto que a Pesquisa Operacional se insere, colaborando na formao de um profissional que dever desenvolver um procedimento coerente e consistente de auxlio tomada de deciso a ser adotado no decorrer da sua carreira.

1.2. O QUE A PESQUISA OPERACIONAL?

Pode-se considerar que o nome Pesquisa Operacional (PO) de origem militar, tendo sido usado pela primeira vez na Gr-Bretanha durante a Segunda Guerra Mundial. Em termos cientficos, a PO caracterizada por um campo

Cap_1.indd 12

27/08/2011 21:51:27

Pesquisa Operacional: origens, denies e reas | 13

de aplicaes bastante amplo o que justifica a existncia de vrias definies, algumas to gerais que podem se aplicar a qualquer cincia, e outras to particulares que s so vlidas em determinadas reas de aplicao: o uso do mtodo cientfico com o objetivo de prover departamentos executivos de elementos quantitativos para a tomada de decises com relao a operaes sob seu controle; Prope uma abordagem cientfica na soluo de problemas: observao, formulao do problema, e construo de modelo cientfico (matemtico ou de simulao); a modelagem e tomada de deciso em sistemas reais, determinsticos ou probabilsticos, relativos necessidade de alocao de recursos escassos. A PO uma cincia aplicada que utiliza tcnicas cientficas conhecidas (ou as desenvolve quando necessrio), tendo como ponto de referncia a aplicao do mtodo cientfico. A PO tem a ver, portanto, com a pesquisa cientfica criativa em aspectos fundamentais das operaes de uma organizao. Pelo que foi dito antes, podem-se resumir os principais aspectos da PO como se segue: Possui um amplo espectro de utilizao, no governo e suas agncias, indstrias e empresas comerciais e de servio; aplicada a problemas associados conduo e a coordenao de operaes ou atividades numa organizao; Adota um enfoque sistmico para os problemas; Busca a soluo tima para o problema; Usa uma metodologia de trabalho em equipe (engenharia, computao, economia, estatstica, administrao, matemtica, cincias comportamentais).

1.3. ORIGENS DA PESQUISA OPERACIONAL

Como descrito por Lss (1981), desde o sculo III A.C. quando Hieron, Imperador da Siracusa, solicitou de Arquimedes a idealizao de meios para acabar com o cerco naval dos romanos, lideres polticos e militares tm consultado os cientistas para a soluo de problemas tticos e estratgicos. No

Cap_1.indd 13

27/08/2011 21:51:27

14

| INTRODUO PESQUISA OPERACIONAL

sculo XVII, Pascal e Fermat, inventores da noo de esperana matemtica, e mais recentemente, Frederick W. Taylor, Flix douard J. . Borel e Agner K. Erlang modelaram alguns problemas e forneceram solues para os respectivos modelos. No que diz respeito a aplicaes industriais, as sementes da PO foram lanadas h muitas dcadas, nas tentativas de usar o mtodo cientifico na gerncia de sistemas e organizaes de grande porte, logo em seguida 1a. Revoluo Industrial. O incio da PO , no Ocidente, geralmente atribudo s iniciativas dos servios militares no incio da Segunda Guerra Mundial. Tm-se, por exemplo, estudos relacionados com o desenvolvimento e uso do radar, problema de alocao eficiente de recursos escassos s vrias operaes militares, problema da dieta e outros mais. As equipes de analistas operacionais, como foram chamadas naquela poca, comearam a se expandir na Gr-Bretanha, no Canad, na Austrlia e nos Estados Unidos. O rpido crescimento da PO no ps-guerra deve-se ao desenvolvimento de tcnicas especficas, tais como o mtodo Simplex para a Programao Linear, e ao grande progresso alcanado no desenvolvimento dos computadores eletrnicos. A expanso da PO no mundo acadmico se deu inicialmente nos departamentos de Engenharia Industrial e de Engenharia de Produo, e nas escolas de Administrao das Universidades norte-americanas. Segundo Lss (1981), o incio da PO no Brasil se deu aproximadamente uma dcada aps sua implantao na Gr-Bretanha e nos Estados Unidos, sendo que as aplicaes economia que motivou os trabalhos pioneiros da PO. Em 1957 a Escola Politcnica da Universidade de So Paulo (EPUSP) criou o primeiro Curso de Engenharia de Produo, em nvel de graduao no Brasil nos moldes de cursos de Engenharia Industrial dos Estados Unidos. Em 1958 teve incio o Curso de Engenharia de Produo (em nvel de graduao) do Instituto Tecnolgico de Aeronutica (ITA). Foram criados os cursos de Programao Linear, Teoria dos Jogos, Simulao, Teoria das Filas e Estatstica, oferecidos aos alunos de Engenharia de Produo da USP e do ITA. No incio dos anos 60, como vrios professores atuavam tambm no setor privado, teve incio uma pequena interao entre a Universidade e a Empresa, resultando nas primeiras aplicaes de PO a problemas reais. No final dos

Cap_1.indd 14

27/08/2011 21:51:27

Pesquisa Operacional: origens, denies e reas | 15

anos 60 j existia uma tendncia de se formarem em algumas empresas grupos dedicados a PO voltados soluo de problemas tticos e estratgicos. O primeiro grupo formal de PO estabelecido no Brasil em uma empresa foi o da Petrobrs, criado em 1965. Em 1966 foi realizado no Rio o Primeiro Seminrio de PO no Brasil, promovido pela Petrobrs. Nesta poca foi fundada a SOBRAPO Sociedade Brasileira de Pesquisa Operacional, que congrega interessados no desenvolvimento e uso de tcnicas de PO. H vrias sociedades profissionais no mundo ligadas PO, bem como so publicados muitos peridicos, onde se publicam os trabalhos associados PO. Para conhecimento e referncias, citam-se a seguir algumas sociedades e peridicos mais relevantes: SOBRAPO Sociedade Brasileira de Pesquisa Operacional (www.sobrapo.org.br) INFORMS The Institute for Operations Research and the Management Sciences (www.informs.org) EURO European Operational Research Society (www.euro-online.org) IFORS The International Federation of Operational Research Societies (www.ifors.org) ABEPRO Associao Brasileira de Engenharia de Produo (www.abepro.org.br) Operations Research (or.pubs.informs.org) European Journal of Operational Research (www.elsevier.com/locate/ejor) Interfaces (interfaces.journal.informs.org) Management Sciences (mansci.pubs.informs.org) Revista da SOBRAPO (www.sobrapo.org.br) Gesto & Produo (www.scielo.br/gp) Produo (www.abepro.org.br) Brazilian Journal of Operations and Production Management (www.abepro.org.br)

Cap_1.indd 15

27/08/2011 21:51:27

16

| INTRODUO PESQUISA OPERACIONAL

1.4. FASES DA RESOLUO DE UM PROBLEMA PELA PESQUISA OPERACIONAL

Pode-se, de uma forma simplificada, subdividir a resoluo de um problema pela PO em cinco etapas: (a) Formulao do Problema (Identificao do Sistema) (b) Construo do Modelo Matemtico (c) Obteno da Soluo (d) Teste do Modelo e da Soluo Obtida (e) Implementao Estas etapas podem ser visualizadas na Figura 1.
Figura 1 Esquematizao das Fases de um Estudo aplicando a PO

Fomulao do Problema

Obteno do Modelo

Escolha do Mtodo de Obteno da Soluo

Obteno dos Dados

Resultados

Implementao da Soluo

Teste do Modelo e da sua Soluo

Experincia

(a) Formulao do Problema (Identificao do Sistema)

Diferentemente dos exemplos dos livros, os problemas reais surgem de uma forma bastante vaga e imprecisa. Este fato exige do analista de PO uma grande capacidade de assimilar e sistematizar as situaes reais. Para se formular corretamente um problema necessrio que o mesmo seja bem identificado. Portanto, as seguintes informaes bsicas se tornam necessrias: Quem tomar as decises? Quais so os seus objetivos?

Cap_1.indd 16

27/08/2011 21:51:27

Pesquisa Operacional: origens, denies e reas | 17

Que aspectos esto sujeitos ao controle de quem decide (variveis de deciso) e quais as limitaes a que esto sujeitas essas variveis (restries)? Quais os aspectos que esto envolvidos no processo e que fogem ao controle de quem decide? Uma vez formulado o problema, a etapa seguinte a construo do modelo.
(b) Construo do Modelo Matemtico

Modelos so representaes simplificadas da realidade. A qualidade de um modelo depende muito da imaginao e criao da equipe de PO requerendo uma certa dose de abstrao. impossvel construir um manual de instrues para a elaborao de modelos. A utilizao de modelos possui duas importantes caractersticas: Permite a anlise do problema modelado, indicando quais so as relaes importantes entre as variveis, quais os dados relevantes, e quais so as variveis de maior importncia; Possibilita a tentativa de vrias alternativas de ao sem interromper o funcionamento do sistema em estudo. Uma classificao possvel para os modelos seria: icnicos ou fsicos (por exemplo, maquetes), analgicos (por exemplo, organograma), e matemticos. Os modelos fsicos assemelham-se fisicamente aos sistemas que representam, enquanto os modelos abstratos tm apenas uma semelhana lgica com os sistemas representados. Os modelos matemticos podem ser de otimizao ou de simulao, sendo que este texto se concentrar nos modelos matemticos de otimizao. Um modelo matemtico de um problema real uma representao atravs de expresses matemticas que descrevem a essncia do problema. Se existirem n decises quantificveis, elas sero representadas por n variveis de deciso ou de controle. As relaes e limitaes a que esto sujeitas as variveis de deciso so expressas por meio de equaes e inequaes, denominadas restries. O objetivo que se pretende atingir formulado como uma funo (ou mais de uma), colocada em termos das variveis de deciso, denominada funo objetivo.

Cap_1.indd 17

27/08/2011 21:51:28

18

| INTRODUO PESQUISA OPERACIONAL

Normalmente na etapa de modelagem leva-se em conta a tcnica que poder vir a ser utilizada, uma vez que muitas vezes atravs de pequenas adaptaes nesta fase, que no comprometem os resultados obtidos, consegue-se uma simplificao na etapa de obteno da soluo.
(c) Obteno da Soluo

Uma vez construdo o modelo matemtico parte-se para a obteno de uma soluo. Diversos so os mtodos matemticos utilizados em PO, associados s vrias reas que compe a PO, entre estas se pode citar, a Programao Linear, a Programao em Redes, a Teoria dos Grafos e a Teoria das Filas que sero tratadas neste livro. Estes mtodos matemticos encontram-se em crescente evoluo, alm da descoberta de novas tcnicas. Foram desenvolvidos diversos softwares, que disponibilizam alguns mtodos importantes da Pesquisa Operacional tornando vivel e eficiente a soluo de problemas complexos. Como exemplos tm-se o Solver do Excel que atua com planilhas eletrnicas, o LINDO Linear Discrete Optimizer (www.lindo.com) e o CPLEX (www.ILOG.com), para problemas de Programao Linear e No Linear e variaes, para Simulao so muito usados o PROMODEL (www.belge.com.br/produtos_promodel. html) e o ARENA (www.paragon.com.br/).
(d) Teste do Modelo e da Soluo Obtida

Dada a complexidade dos problemas, e a dificuldade de comunicao e compreenso de todos os aspectos, existe a possibilidade que a equipe de analistas obtenha, ou interprete, de forma errnea alguns fatos, o que pode acarretar uma distoro elaborao do modelo. Essa distoro levar a solues que no se ajustaro realidade. Dessa forma, o modelo precisa ser testado. Em alguns casos o modelo pode ser testado atravs da reconstruo do passado (uso de dado histricos), verificando-se a adequao do modelo s informaes disponveis. Em cada situao especifica pode ser definida uma sistemtica para testar o modelo e sua soluo. O importante que se a soluo for usada repetidamente o modelo deve continuar a ser testado. A fase de teste pode indicar deficincias exigindo correes do modelo, seja pelo refinamento de algum

Cap_1.indd 18

27/08/2011 21:51:28

Pesquisa Operacional: origens, denies e reas | 19

aspecto, pela considerao de algum aspecto omitido ou possveis simplificaes do modelo.


(e) Implementao

A ltima fase de um estudo de PO implementar a soluo final, uma vez aprovada por quem decide. Esta uma fase crtica, pois somente nesta fase que os resultados do estudo sero obtidos. Por este motivo, muito importante a participao da equipe que trabalhou com o modelo de forma a garantir a sua correta implementao. Este contato estreito garantir tambm uma interveno no caso de ocorrer qualquer tipo de falha no prevista. A fase de implementao envolve um aspecto essencialmente tcnico e um aspecto pessoal. Como normalmente utilizado o computador para obteno dos resultados, toda documentao necessria deve ser muito bem organizada e detalhada, de forma a no suscitar dvidas quando de sua utilizao. Por outro lado, deve-se preparar a equipe que ir utilizar os resultados, procurando-se o entrosamento com a equipe de operao, bem antes da fase de implementao. A participao mais efetiva de quem ir utilizar os resultados, nas etapas de formulao e modelagem certamente contribuir para o sucesso da implementao dos resultados obtidos.

1.5. CONSIDERAES IMPORTANTES

O estudo da PO, tendo em vista a sua sistemtica, leva o tcnico a adquirir um raciocnio organizado. Essa formalizao do raciocnio facilita a anlise e interpretao dos problemas reais, levando a um exame detalhado dos aspectos envolvidos. No entanto, como o tcnico de PO na maioria das vezes no um profundo conhecedor da rea em que ser aplicado o modelo, fundamental um relacionamento constante com o usurio, principalmente nas etapas iniciais de formulao e modelagem. Esse relacionamento se torna ainda mais importante medida que o usurio precisa estar convencido da validade, e das vantagens, que essas tcnicas propiciam, para que esteja garantida a viabilidade de sua utilizao. Com relao aos dados utilizados nos modelos, muito importante que seja conhecida a sua qualidade, pois, s vezes, procura-se refinar um modelo

Cap_1.indd 19

27/08/2011 21:51:28

20

| INTRODUO PESQUISA OPERACIONAL

sem levar em conta que a qualidade das informaes necessrias a esse refinamento no o justificam. Um estudo utilizando a anlise de sensibilidade, em muitos casos, permite verificar a influncia de determinado dado (parmetro), o que poderia no justificar um maior detalhamento do modelo. O porte do modelo deve ser adequado as suas finalidades. Em muitos casos so utilizados modelos extremamente complexos, o que possvel com o grande desenvolvimento dos computadores, que no justificam a sua adoo. O custo da implementao e operao de alguns modelos pode superar os benefcios proporcionados inviabilizando-os. Modelos de grande porte devem ser utilizados somente quando possam ser justificados atravs de uma relao benefcio-custo desejvel. Recursos escassos devem ser utilizados racionalmente de maneira racional. Por outro lado as exigncias do desenvolvimento industrial brasileiro, e a globalizao da economia, foram a utilizao de ferramentas mais poderosas na soluo de problemas especficos ou gerais das empresas. Hoje se constata que, embora as tcnicas da PO j estejam bastante divulgadas no meio acadmico, nas Empresas ainda h vrias restries ao conhecimento e domnio desse ferramental. A falta de tradio no uso de tcnicas sofisticadas no mundo empresarial brasileiro, aliada a dificuldades de comunicao com as universidades, fazem com que o uso da PO por empresas esteja bem aqum do que seria desejvel. Nas universidades a tendncia uma diversificao muito grande de reas de aplicao. H pessoas trabalhando com problemas determinsticos, estocsticos e combinatrios; h desenvolvimentos importantes relacionados teoria da deciso, a mtodos computacionais aplicados Programao Matemtica e a outras reas mais contemporneas, como a Logstica e o Gerenciamento da Cadeia de Suprimentos (Supply Chain Management). A esta diversificao se alia um crescente intercmbio da universidade com a empresa, na forma de assessoria e participao em projetos. Pode-se afirmar que a PO tem tido um impacto crescente na administrao das empresas, tendo aumentado o nmero e a variedade de suas aplicaes. A seguir esto relacionadas reas tratadas neste texto e exemplos de problemas tpicos:

Cap_1.indd 20

27/08/2011 21:51:28

Pesquisa Operacional: origens, denies e reas | 21

Programao Linear mix de produo, mistura de matrias-primas, modelos de equilbrio econmico, carteiras de investimentos, roteamento de veculos; jogos entre empresas; Modelos em Redes rotas econmicas de transporte, distribuio e transporte de bens, alocao de pessoal, monitoramento de projetos; Teoria de Filas congestionamento de trfego, operaes de hospitais, dimensionamento de equipes de servio;

REFERNCIAS

LAWRENCE, J. A.; PASTERNACK, B. A. Applied Management Science: Modeling, Spreadsheet Analysis, and Communication for Decision Making. 2nd Edition. New York: John Wiley & Sons, 2002. LSS, Z. E. O Desenvolvimento da Pesquisa Operacional no Brasil. Tese de Mestrado, COPPE/UFRJ, 1981.

Cap_1.indd 21

27/08/2011 21:51:28

Cap_1.indd 22

27/08/2011 21:51:28

2
PROGRAMAO LINEAR
2.1. INTRODUO

Um aspecto importante de problemas envolvendo decises o de otimizao; quando se procura estabelecer quais as maneiras mais eficientes de utilizar os recursos disponveis para atingir certos objetivos. Em geral trata-se de recursos limitados e a sua utilizao criteriosa possibilita melhorar o rendimento ou produtividade do processo em estudo. A prpria continuidade do processo pode mesmo depender de tal utilizao criteriosa. Na prtica tais recursos so usualmente de natureza econmica, tais como capital, matria-prima, mo-de-obra, equipamentos, tempo e outros, mas em geral podem tomar os aspectos mais variados. A Programao Linear (PL) visa fundamentalmente encontrar a melhor soluo para problemas que tenham seus modelos representados por expresses lineares. A sua grande aplicabilidade e simplicidade devem-se a linearidade do modelo. A tarefa da PL consiste na maximizao ou minimizao de uma funo linear, denominada Funo objetivo, respeitando-se um sistema linear de igualdades ou desigualdades, que recebem o nome de Restries do Modelo. As restries determinam uma regio a qual se d o nome de Conjunto Vivel, a melhor das solues viveis (solues que pertencem ao Conjunto Vivel), ou seja, aquela que maximiza ou minimiza a funo objetivo, denomina-se Soluo tima. O objetivo da Programao Linear determinar a soluo tima. Para a resoluo de um Problema de Programao Linear (PPL) dois passos so necessrios. O primeiro a Modelagem do problema, seguindo-se o mtodo de soluo do modelo. No caso de um PPL o mtodo mais utilizado o Mtodo Simplex, que ser examinado adiante. No existem tcnicas precisas capazes de permitir o estabelecimento do modelo de um problema, pois a modelagem envolve aspectos de arte, ou seja, pode ser melhorada com a prtica e observao. Para modelar uma situao geral importante se ter experincia e capacidade de anlise e sntese.

Cap_2_equacoes corrigidas.indd 23

27/08/2011 21:52:07

24

| INTRODUO PESQUISA OPERACIONAL

2.2. MODELAGEM

Para identificar as variveis de deciso, recomenda-se as seguintes regras: a) Pergunte O decisor tem autoridade para escolher o valor numrico (quantidade) do item? Se a resposta for sim esta uma varivel de deciso; b) Seja bem preciso com respeito s unidades (moeda e quantidade, por exemplo) de cada varivel de deciso (incluindo o fator tempo, como horrio, dirio, semanal, mensal); c) Cuidado para no confundir as variveis de deciso com os parmetros do problema, como nmero de mquinas na fbrica, quantidade de cada recurso usado na fabricao de um produto, capacidade de produo da fbrica, custos de produo, custos de transporte, demandas pelos produtos e assim por diante. Com respeito funo objetivo, a PO busca encontrar o melhor que pode ser feito com o que se tem, isto , procura maximizar algo (como lucro ou eficincia) ou minimizar alguma coisa (como custo ou tempo). Talvez a busca pelo mximo valor do lucro total (= retornos custos) seja a funo objetivo mais comum nos modelos matemticos. Na PL, os modelos tm apenas um objetivo, mas possvel, em outras reas da PO, tratar modelos com mltiplos objetivos. Exemplos de restries tpicas incluem a existncia de limites sobre as quantidades de recursos disponveis (colaboradores, mquinas, oramento, matrias-primas, por exemplo) e requisitos contratuais para a produo e atendimento de demandas. As restries tambm podem ser de carter natural, como ocorre nos casos de estoques, onde razovel considerar que o estoque ao final de um ms igual ao estoque no incio daquele ms mais o que foi produzido e menos o que foi vendido no mesmo ms, desde que o produto no se deteriore ou se perca no perodo. Outro exemplo se refere ao fato de determinadas variveis de deciso (por exemplo, quantidades produzidas) no poderem ter valores negativos, ou ainda s poderem assumir valores inteiros nulos ou positivos. Essas ltimas restries so conhecidas como restries de no negatividade e restries de integridade, respectivamente.

Cap_2_equacoes corrigidas.indd 24

27/08/2011 21:52:09

Programao Linear | 25

possvel se ter alguma varivel de deciso que possa assumir qualquer valor, positivo, nulo ou negativo, como, por exemplo, a taxa de inflao num modelo de planejamento econmico, nesse caso a varivel de deciso denominada livre ou irrestrita em sinal. Um procedimento que ajuda na elaborao de restries o seguinte: a) Crie uma restrio com palavras inicialmente, da seguinte forma, (A quantidade requerida de um recurso) <Tem alguma relao com> (A disponibilidade do recurso), sendo que essas relaes podem ser expressas por meio de igualdades (=) ou desigualdades ( ou ); b) Assegure-se que a unidade do termo do lado esquerdo (Left Hand Side LHS) da restrio a mesma unidade do termo do lado direito (Right Hand Side RHS); c) Traduza a restrio em palavras para a notao matemtica utilizando valores conhecidos ou estimados para os parmetros e os smbolos matemticos adotados para as variveis de deciso; d) Reescreva a restrio, se necessrio, de modo que os termos envolvendo as variveis de deciso fiquem no lado esquerdo (LHS) da expresso matemtica, enquanto s o valor associado a uma constante fique no lado direito (RHS). Apresentam-se a seguir exemplos de modelagem em Programao Linear. Deve-se, inicialmente, definir de forma completa e inequvoca quais sero as variveis de deciso (ou de controle) do modelo e na seqncia a funo objetivo e as restries.
(1) Mix de Produo Adaptado de Ravindran, Phillips e Solberg (1987)

Uma Empresa deseja programar a produo de um utenslio de cozinha que requer o uso de dois tipos de recursos: mo-de-obra e material. Ela est considerando a fabricao de trs modelos e o seu Departamento de Engenharia forneceu os dados a seguir (Tabela 1). O suprimento de material de 200 quilos por dia. A disponibilidade diria de mo-deobra 150 horas. Formule um modelo de programao linear para determinar a produo diria de cada um dos modelos de modo a maximizar o lucro total da Empresa.

Cap_2_equacoes corrigidas.indd 25

27/08/2011 21:52:09

26

| INTRODUO PESQUISA OPERACIONAL

Tabela 1 Dados para o problema de mix de produo modelo

a
Mo-de-obra (horas por unidade) Material (quilos por unidade) Lucro ($ por unidade) 7 4 4

b
3 4 2

c
6 5 3

Modelagem:

Variveis de deciso: xa produo diria do modelo a xb produo diria do modelo b xc produo diria do modelo c Restries: (limitao de mo-de-obra) (limitao de material) (no-negatividade) 7xa + 3xb +6xc 150 4xa + 4xb +5xc 200 xa 0, xb 0, xc 0.

Funo objetivo: maximizao do lucro total Lucro total = L = 4xa + 2xb +3xc Max L = 4xa + 2xb +3xc Modelo final: Encontrar nmeros xa, xb, xc tais que: Max L = 4xa + 2xb +3xc sujeito as restries: 7xa + 3xb +6xc 150 4xa + 4xb +5xc 200 xa 0, xb 0, xc 0. Generalizando, suponha que existem m recursos usados na produo de n produtos, com os seguintes dados: cj: lucro na venda de uma unidade do produto j = 1,2,..., n; bi: quantidade disponvel do recurso i = 1,2,..., m; aij: quantidade do recurso i usada para produzir uma unidade do produto j. xj: quantidade a produzir do produto j (variveis de deciso).

Cap_2_equacoes corrigidas.indd 26

02/09/2011 23:09:17

Programao Linear | 27

O modelo geral ter: Funo objetivo - Max Z = Restries sujeito a: a11x1 + ...+ a1nxn b1 a21x1 + ...+a2nxn b2 .................................... am1x1 + ...+ amnxn bm xj 0, j = 1, 2, , n Em notao matricial, tem-se: AX b Max Z = C X sujeito a: X 0

c x
j =1 j

onde: X = (x1 x2 ... xn)t o vetor das variveis de deciso; C = (c1 c2 ... cn) o vetor de custos; b = (b1 b2 ... bm)t o vetor das quantidades dos recursos em cada restrio e A= a11 a12 ... a1n a21 a22 ... a2n ......................... am1 am2 ... amn a matriz dos coeficientes tecnolgicos.

(2)

Modelo da Dieta

O problema consiste em obter uma dieta de mnimo custo que satisfaa as necessidades bsicas do indivduo mdio, com respeito a Calorias (no mnimo 3,0), Clcio (no mnimo 0,8) e Vitamina B12 (no mnimo 2,7). A Tabela 2 relaciona trs substncias exigidas pelo organismo, a quantidade existente de cada uma delas de uma relao de seis alimentos, juntamente com os respectivos custos unitrios desses alimentos.

Cap_2_equacoes corrigidas.indd 27

02/09/2011 23:09:19

28

| INTRODUO PESQUISA OPERACIONAL

Tabela 2 Dados para o problema da dieta


alimento nutrientes

(1) farinha de trigo 44,7 2,0 33,3 10,8

(2) leite em p 8,4 19,1 23,5 20,5

(3) queijo 7,4 16,4 10,3 22,5

(4) fgado 2,2 0,2 50,8 21,2

(5) batata 9,6 2,7 5,4 16,1

(6) feijo 26,9 11,4 24,7 15

Calorias Clcio Vitamina B12 Custos

Modelagem:

Variveis de deciso Seja xj a quantidade do alimento j presente na dieta, j = 1,2,3,4,5,6. Funo objetivo -Min Z = 10,8x1 + 20,5x2 + 22,5x3 + 21,2x4 + 16,lx5 + + 15,0x6 Restries sujeito a: 44,7x1 + 8,4x2 + 7,4x3 + 2,2x4 + 9,6x5 + 26,9x6 3,0 2,0xl + 19,lx2 + 16,4x3 + 0,2x4 + 2,7x5 + 11,4x6 0,8 33,3x1 + 23,5x2 + 10,3x3 + 50,8x4 + 5,4x5 + 24,7x6 2,7 xj > 0, j = 1,2,3,4,5,6 Generalizando, sejam cj custo do alimento j = 1, 2,..., n; bi quantidade mnima do nutriente i = 1, 2,..., m na dieta; aij quantidade do nutriente i por unidade do alimento j. Em notao matricial o modelo ficar sendo: Funo-objetivo -Min Z = CX AX b Restries sujeito a: X 0.
(3) Modelo de Transporte Simples

Um dado produto produzido em diferentes fbricas no pas com capacidades de produo limitadas e deve ser levado a centros de distribuio (depsitos) onde h demandas a serem satisfeitas.

Cap_2_equacoes corrigidas.indd 28

02/09/2011 23:09:19

Programao Linear |

29

O custo de transporte de cada fbrica a cada depsito proporcional quantidade transportada e devem-se achar estas quantidades que minimizem o custo total de transporte (CT) do produto em questo. A Tabela 3 fornece os custos unitrios de transporte de cada fbrica para cada depsito, bem como as demandas em cada um dos depsitos e as produes de cada fbrica.
Tabela 3 Dados para o problema de transporte. Florianpolis 1 1,5 6 350 Rio de Janeiro 0,8 0,6 5 300 Salvador 3 2,5 1,2 300 Manaus 4,5 3 2,8 120 Produes 470 400 400

Depsitos Fbricas Curitiba So Paulo Aracaju Demanda

Modelagem:

Sejam xij quantidade enviada do produto da fbrica i (i = Curitiba, So Paulo, Aracaju) ao depsito j (j = Florianpolis, Rio de Janeiro, Salvador, Manaus) Funo objetivo Min CT = 1x11 + 0,8x12 + 3x13 + 4,5x14 + 1,5x21 + 0,6x22 + 2,5x23 + 3x24 + 6x31 + 5x32 + 1,2x33 + 2,8x34 Restries sujeito a: (Restries de produo) Curitiba So Paulo Aracaju x11 + x12 + x13 + x14 470 x21 + x22 + x23 + x24 400 x31 + x32 + x33 + x34 400 x12 + x22 + x32 + x42 = 300 x13 + x23 + x33 + x43 = 300 x14 + x24 + x34 + x44 = 120 xij 0, i = 1,2,3 e j = 1,2,3,4

Florianpolis x11 + x21 + x31 + x41 = 350 (Restries de demanda) RJ Salvador Manaus (No negatividade)

Generalizando, supondo um nico produto, n depsitos e m fbricas e: cij custos unitrios de transporte da fbrica i ao depsito j; bj demanda no depsito j com j = 1,2, ...,n ai produo da fbrica i com i = 1,2, ...,m;

Cap_2_equacoes corrigidas.indd 29

02/09/2011 23:09:19

30

| INTRODUO PESQUISA OPERACIONAL

O modelo geral ser: Variveis de deciso xij quantidade transportada da fbrica i ao depsito j. Funo objetivo Min Z =
n

c x
i =1 j =1 ij

ij ij

x
j =1 m

ai , i = 1,2,..., m = b j , j = 1,2,..., n

Restries sujeito a:

x
i =1

ij

xij 0, i = 1,2,..., m e j = 1,2,..., n

(4)

Seleo de mdia para propaganda Adaptado de Ravindran, Phillips e

Solberg (1987)

Uma companhia de propaganda deseja planejar uma campanha em 03 diferentes meios: tv, rdio e revistas. Pretende-se alcanar o maior nmero de clientes possvel. Um estudo de mercado resultou nos dados da Tabela 4, sendo os valores vlidos para cada veiculao da propaganda. A companhia no quer gastar mais de $ 800.000 e adicionalmente deseja: a) No mnimo 2 milhes de mulheres sejam atingidas; b) Gastar no mximo $ 500.000 com TV; c) No mnimo 03 veiculaes ocorram no horrio normal na TV; d) No mnimo 02 veiculaes ocorram no horrio nobre na TV; e) Nmero de veiculaes no rdio, e nas revistas, devem ficar entre 05 e 10, para cada meio de divulgao.
Tabela 4 Dados para o problema de seleo de mdia para propaganda TV horrio normal custo clientes atingidos mulheres atingidas 40.000 400.000 300.000 TV horrio nobre 75.000 900.000 400.000

Rdio 30.000 500.000 200.000

Revistas 15.000 200.000 100.000

Cap_2_equacoes corrigidas.indd 30

27/08/2011 21:52:09

Programao Linear | 31

Formular um modelo de PL que trate este problema, determinando o nmero de veiculaes a serem feitas em cada meio de comunicao, de modo a atingir o mximo possvel de clientes.
Modelagem:

Variveis de deciso: x1 = Nmero de exposies em horrio normal na tv. x2 = Nmero de exposies em horrio nobre na tv. x3 = Nmero de exposies feitas utilizando rdio. x4 = Nmero de exposies feitas utilizando revistas. Funo objetivo: maximizar nmero de clientes atingidos Max z = 400.000x1 + 900.000x2 + 500.000x3 + 200.000x4 Restries: sujeito a 40.000x1 + 75.000x2 + 30.000 x3 + 15.000x4 800.000 (oramento) 300.000x1 + 400.000x2 + 200.000 x3 + 100.000x4 2.000.000 (mulheres atingidas) 40.000x1 + 75.000x2 500.000 (gasto com TV) x1 3, x2 2, 5 x3 10, 5 x4 10 (nmero de veiculaes em TV, rdio e revistas) x1, x2, x3, x4 0. (no-negatividade)
(5) Um problema de treinamento Adaptado de Ravindran, Phillips e

Solberg (1987)

Uma empresa de mquinas ferramentas tem um programa de treinamento para operadores de mquinas. Alguns operadores j treinados podem trabalhar como instrutores neste programa ficando responsveis por 10 trainees cada. A empresa pretende aproveitar apenas 07 trainees de cada turma de 10. Estes operadores treinados tambm so necessrios na linha de fabricao, e sabe-se que sero necessrios para os prximos meses: 100 operadores em janeiro, 150 em fevereiro, 200 em maro, e 250 em abril. Atualmente h 130 operadores treinados disponveis na empresa. Os custos associados a cada situao so:

Cap_2_equacoes corrigidas.indd 31

27/08/2011 21:52:09

32

| INTRODUO PESQUISA OPERACIONAL

a) Trainee $ 400; b) Operador treinado trabalhando $ 700; c) Operador treinado ocioso $ 500. Um acordo firmado com o sindicato probe demisses de operadores treinados no perodo. Encontrar um modelo de PL que fornea um programa de treinamento de custo mnimo e satisfaa os requisitos da empresa em termos de nmero de operadores treinados disponveis a cada ms.
Modelagem:

Observe-se que, a cada ms, um operador treinado est operando mquina, trabalhando como instrutor, ou est ocioso. Alm disto, o nmero de operadores treinados, trabalhando nas mquinas fixo e conhecido: 100 em janeiro, 150 em fevereiro, 200 em maro e 250 em abril. Variveis de deciso: x1 = operadores trabalhando como instrutores em janeiro x2 = operadores ociosos em janeiro x3 = operadores trabalhando como instrutores em fevereiro x4 = operadores ociosos em fevereiro x5 = operadores trabalhando como instrutores em maro x6 = operadores ociosos em maro Funo objetivo: Custo Total = custo trainees + custo instrutores + custo ociosos + custo operadores trabalhando em mquinas Min CT = 400.(10x1 + 10x3 + 10x5) + 700.(x1 + x3 + x5) + 500.(x2 + x4 + + x6) + 700.(100 + 150 + 200) = 4700x1 + 500x2 + 4700x3 + 500x4 + 4700x5 + + 500x6 + 315.000. Restries: x1, x2, x3, x4, x5, x6 0 (no-negatividade) As demais restries devem representar as equaes de balano mensal: operadores treinados no incio do ms = operadores nas mquinas + instrutores + operadores ociosos. Janeiro 130 = 100 + x1 + x2 x1 + x2 = 30 Fevereiro 130 + 7x1 = 150 + x3 + x4 7x1 - x3 - x4 = 20

Cap_2_equacoes corrigidas.indd 32

27/08/2011 21:52:09

Programao Linear | 33

Maro 130 + 7x1 + 7x3 = 200 + x5 + x6 7x1 + 7x3 - x5 - x6 = 70 Abril 250 = 130 + 7x1 + 7x3 + 7x5 7x1 + 7x3 + 7x5 = 120.
(6) Problema de dimensionamento de equipes de inspeo Adaptado de

Ravindran, Phillips e Solberg (1987)

Uma companhia deseja determinar quantos inspetores alocar a uma dada tarefa do controle da qualidade. As informaes disponveis so: H 08 inspetores do nvel 1 que podem checar as peas a uma taxa de 25 peas por hora, com uma acuracidade de 98%, sendo o custo de cada inspetor deste nvel $4 por hora; H 10 inspetores do nvel 2 que podem checar as peas a uma taxa de 15 peas por hora, com uma acuracidade de 95%, sendo o custo de cada inspetor deste nvel $3 por hora; A companhia deseja que, no mnimo, 1800 peas sejam inspecionadas por dia (= 08 horas); Sabe-se, ainda, que cada erro cometido por inspetores no controle da qualidade das peas acarreta um prejuzo companhia de $2 por pea mal inspecionada. Formular um modelo de PL para possibilitar a designao tima do nmero de inspetores de cada nvel de modo a otimizar o custo da inspeo diria da companhia.
Modelagem:

Variveis de deciso - xi = nmero de inspetores do nvel i (= 1, 2) alocados inspeo. Funo objetivo: Minimizar CT = custo total dirio de inspeo ([$/dia]), onde Custo Total = custo do salrio dos inspetores + custo dos erros Min CT = 8.[(4 x1 + 3 x2) + 2.(25.0,02 x1 + 15.0,05 x2)] Min CT = 40 x1 + + 36 x2 Restries: Quanto ao nmero de inspetores: x1 8 (inspetores do nvel 1) e x2 10 (inspetores do nvel 2)

Cap_2_equacoes corrigidas.indd 33

27/08/2011 21:52:09

34

| INTRODUO PESQUISA OPERACIONAL

Quanto ao nmero de peas inspecionadas por dia: 8.(25 x1 + 15 x2) 1800 5 x1 + 3 x2 45 Restries implcitas de no negatividade: x1 0 e x2 0.
(7) Um problema de mistura

Deseja-se determinar as misturas de quatro derivados do petrleo, que sero os constituintes de trs tipos de gasolina (extra, super e comum). Na Tabela 5 esto as informaes acerca dos custos e disponibilidade dos constituintes.
Tabela 5 Dados sobre os constituintes Constituintes 1 2 3 4 Mximo disponvel (barris/dia) 3.000 2.000 4.000 1.000 Custo Por barril 3 6 4 5

Tabela 6 Dados sobre preos e especificaes de gasolinas Tipo de gasolina A Especificaes No mais que 30% de 1 No mais que 50% de 3 No menos que 40% de 2 B C No mais que 50% de 1 No menos que 10% de 2 No mais que 70% de 1 4,5 3,5 5,5 Preo de venda

A fim de manter a qualidade de cada tipo de gasolina, preciso manter as porcentagens dos diversos constituintes dentro dos limites especificados. Os preos de venda de cada tipo de gasolina por barril tambm esto indicados na Tabela 6. O objetivo maximizar o lucro.
Modelagem:

Variveis de deciso: xij = quantidade do constituinte i (1,2, 3, 4) na gasolina j (A, B, C).

Cap_2_equacoes corrigidas.indd 34

27/08/2011 21:52:09

Programao Linear | 35

Variveis auxiliares: xA = xiA, xB = xiB, xC = xiC, para i = 1, 2, 3, 4. x1 = x1j, x2 = x2j, x3 = x3j, x4 = x4j, para j = A, B, C. Funo objetivo: Max Lucro = (preo de venda de cada tipo de gasolina). (quantidade vendida) (custo de cada constituinte).(quantidade comprada) Max L = 5,50 xA + 4,50 xB + 3,50 xC 3 x1 6 x2 4 x3 5 x4 Restries: Quantidades mximas de constituintes x1j 3.000 x2j 2.000 x3j 4.000 x1j 1.000 Especificaes das gasolinas x1A 0,30 xA x3A 0,50 xA x2A 0,40 xA x1B 0,50 xB x2B 0,10 xB x1C 0,70 xC No negatividade xij 0, para todo i = 1, 2, 3, 4 e j = A, B, C. Deve-se, a seguir, substituir as variveis auxiliares pelas variveis de deciso e o modelo estar completo. Alguns modelos no so originalmente lineares, mas por meio de algum artifcio podem ser linearizados. Seguem alguns exemplos desses casos.

(8)

Uma indstria qumica

Dois produtos, a e b, so feitos a partir de duas operaes qumicas. Cada unidade do produto a requer 02 horas da operao 1 e 03 horas da operao 2. Cada unidade do produto b requer 03 horas da operao 1 e 04 horas da

Cap_2_equacoes corrigidas.indd 35

27/08/2011 21:52:09

36

| INTRODUO PESQUISA OPERACIONAL

operao 2. o tempo total disponvel para a realizao da operao 1 de 16 horas, e o tempo total para a operao 2 de 24 horas. A produo do produto b resulta, tambm, num subproduto c sem custos adicionais. Sabe-se que, parte do produto c pode ser vendida com lucro, mas o restante deve ser destrudo. Previses mostram que no mximo 05 unidades do produto c sero vendidas, e sabe-se que cada unidade do produto b fabricada gera 02 unidades do produto c. Alm disso: a) Produto a gera um lucro de $ 4 por unidade; b) Produto b gera um lucro de $ 10 por unidade; c) Produto c gera um lucro de $ 3 por unidade se for vendido; d) Produto c gera um custo de $ 2 por unidade se for destrudo. Determinar um modelo de PL para tratar este problema, e encontrar quanto produzir de cada produto, de modo a maximizar o lucro da indstria qumica.
Modelagem:

Observe-se na Figura 2 (a) que o lucro da venda dos produtos a e b uma funo linear, mas com respeito ao produto c, ver Figura 2 (b), isto no ocorre:
Figura 2 Lucros e custos para o modelo da indstria qumica Produto b

Lucro

Produto a

Lucro

+10 Produto c +4

+3 Quantidade (a) (b) 5 -2 Quantidade

Cap_2_equacoes corrigidas.indd 36

27/08/2011 21:52:10

Programao Linear | 37

Artifcio para linearizar o modelo: considerar as variveis de deciso como sendo x1 = quantidade produto a produzida x2 = quantidade produto b produzida x3 = quantidade produto c vendida x4 = quantidade produto c destruda Funo-objetivo: Lucro total = (lucro unitrio de cada produto a,b,c). (quantidade vendida de cada produto a,b,c) (custo para destruir Produto c). (quantidade destruda do Produto c) Max z = 4 x1 + 10 x2 + 3 x3 - 2 x4 Restries: 2 x1 + 3 x2 16 3 x1 + 4 x2 24 x3 + x4 = 2 x2 x3 5 x1, x2, x3, x4 0
(9)

(disponibilidade de tempo para operao 1) (disponibilidade de tempo para operao 2) (produo do produto c a partir do produto b) (previso de produto c que pode ser vendido) (no-negatividade)

Oficina mecnica Adaptado de Ravindran, Phillips e Solberg (1987)

Uma oficina mecnica tem uma furadeira vertical e cinco fresas que so usadas para a produo de conjuntos formados de duas partes. Na Tabela 7 est a produtividade de cada mquina na fabricao destas partes do conjunto. O encarregado pela oficina deseja manter uma carga balanceada nas mquinas de modo que nenhuma delas seja usada mais que 30 minutos por dia que qualquer outra, sendo o carregamento de fresamento dividido igualmente entre as 05 fresas.
Tabela 7 Dados para o problema da oficina mecnica. Furadeira Parte 1 Parte 2 03 05 Fresa 20 15

Obs: tempos para produzir as partes dados em minutos.

Cap_2_equacoes corrigidas.indd 37

27/08/2011 21:52:10

38

| INTRODUO PESQUISA OPERACIONAL

Achar um modelo de PL para dividir o tempo de trabalho entre as mquinas de modo a obter o mximo de conjuntos completos ao final de um dia, num total de 08 horas de trabalho.
Modelagem:

Variveis de deciso: x1 = nmero de partes 1 produzidas por dia x2 = nmero de partes 2 produzidas por dia Restries: 3 x1 + 5 x2 480 (minutos por dia disponveis para a furadeira) (20 x1 + 15 x2)/5 = 4 x1 + 3 x2 480 (minutos por dia disponveis para cada fresa) |(4 x1 + 3 x2) - (3 x1 + 5 x2)| = | x1 -2 x2| 30 (balanceamento de carga entre as mquinas) Observe-se que esta ltima restrio no linear, mas equivalente a duas equaes lineares que podem substitu-la: x1 - 2 x2 30 e - x1 + 2 x2 30 x1, x2 0 (no-negatividade). Funo objetivo: maximizao do nmero de conjuntos completos por dia Max Z = min (x1, x2) Observe-se que esta funo no linear, mas pode ser linearizada utilizando-se uma varivel auxiliar, da forma: y = min (x1, x2), y 0, assim tem-se duas novas restries dadas por y x1 e y x2. A funo objetivo linear fica sendo: Max z = y.

2.3. LIMITAES

Em situaes reais os modelos apresentam um nmero considervel de variveis e restries que inviabilizam uma resoluo manual. Recomenda-se a utilizao de softwares especficos para PL.

Cap_2_equacoes corrigidas.indd 38

27/08/2011 21:52:10

Programao Linear | 39

A seguir, so feitas consideraes sobre as limitaes da Programao Linear. muito importante observar as conseqncias da hiptese de linearidade. Intuitivamente, a linearidade implica que os produtos de variveis, 2 como x1 x2, potncias de variveis, como x3 , e combinao de variveis, como alxl+ a2log x2, no podem ser admitidas. Em termos mais gerais, a linearidade pode ser caracterizada por certas propriedades aditivas e multiplicativas. Exemplificando: se so necessrias t1 horas sobre uma mquina A para fazer o produto 1 e t2 horas para fazer o produto 2, o tempo sobre a maquina A destinado aos produtos 1 e 2 t1 + t2. Neste caso, a propriedade aditiva parece bastante razovel, se o tempo requerido para ajustar a mquina para uma operao diferente quando a produo troca de um produto para outro desprezvel. Contudo, nem todos os processos fsicos se comportam dessa maneira. Ao se misturar vrios lquidos de diferentes composies qumicas no verdade, em geral, que o volume total da mistura a soma dos volumes dos constituintes individuais. A propriedade multiplicativa requer que: (1) Se for necessrio uma hora de uma determinada mquina para fazer um nico item, sero necessrias dez horas para fazer dez itens; isto tambm parece bastante razovel; (2) O lucro total da venda de um dado nmero de unidades de um produto o lucro unitrio vezes o nmero de unidades vendidas; isso nem sempre verdade. De fato, em geral, o lucro no diretamente proporcional ao nmero de unidades vendidas, mesmo se o preo de venda constante (j que os preos tendem a baixar medida que o mercado vai se saturando), uma vez que os custos de fabricao por unidade podem variar com o nmero de unidades fabricadas (economia de escala). Assim a linearidade, implcita num PPL, no sempre esperada como uma representao absolutamente acurada do mundo real. Felizmente, a linearidade muitas vezes uma aproximao suficientemente precisa das condies reais, de modo que ela pode fornecer resultados bastante proveitosos. Nos modelos de PL os coeficientes aij, bi e cj so considerados como constantes conhecidas, porm, na realidade, esses valores podem variar. Contudo, atravs de tcnicas de Anlise de Sensibilidade em PL, possvel conseguir os intervalos desses coeficientes para os quais a soluo tima continua a mesma.

Cap_2_equacoes corrigidas.indd 39

27/08/2011 21:52:10

40

| INTRODUO PESQUISA OPERACIONAL

Outra limitao diz respeito divisibilidade das solues. Neste texto, as solues timas dos modelos podero apresentar valores fracionrios para qualquer de suas variveis. O arredondamento de valores fracionrios para valores inteiros mais prximos pode conduzir a erros grosseiros. Quando as variveis do modelo de PL s puderem tomar valores inteiros deve-se impor estas condies no prprio modelo. Passa-se ento a trabalhar com modelos de Programao Linear Inteira, que no sero tratados aqui. Deve-se, no entanto, dizer em defesa da PL que um vasto nmero de problemas prticos importantes tem sido satisfatoriamente enfocados e resolvidos com tcnicas e modelos lineares, e que o nmero e a diversidade de suas aplicaes continuam crescendo.

2.4. RESOLUO GRFICA

Para modelos com apenas duas variveis de deciso possvel resolv-los por meio de um procedimento grfico. Essa ferramenta, apesar de extremamente limitada, pois os modelos de PL normalmente tm muitas varveis e restries, propicia a apresentao de conceitos importantes, como Soluo Vivel, Regio Vivel, Valor timo da Funo objetivo e Soluo tima do modelo, que sero adiante definidos. Na sequncia ser mostrado como resolver graficamente um modelo de PL com duas variveis de deciso.
Exemplo 1: (Adaptado de Lawrence e Pasternack, 2002)

Uma empresa fabrica dois tipos de brinquedos, B1 e B2, que utilizam dois recursos: plstico (at 1.000 quilos esto disponveis) e horas de produo (at 40 horas esto disponveis). O Departamento de Marketing colocou algumas restries: no fabricar mais de 700 dzias do total de brinquedos (B1 e B2), o nmero de dzias de B1 fabricadas no deve exceder em 350 o nmero de dzias do brinquedo B2. A Manufatura passou as seguintes informaes: cada dzia do brinquedo B1 usa 2 quilos de plstico e 3 minutos de produo e cada dzia do brinquedo B2 usa 1 quilo de plstico e 4 minutos de produo. O lucro estimado na venda do B1 $8,00/dzia e para o B2 $5,00/dzia.

Cap_2_equacoes corrigidas.indd 40

27/08/2011 21:52:10

Programao Linear | 41

A empresa deseja determinar qual a quantidade a ser produzida de cada brinquedo de modo a maximizar o lucro total semanal.
Modelagem

Variveis de deciso: xi quantidade (em dzias) a serem fabricadas semanalmente do brinquedo Bi Max 8x1 + 5x2 Sujeito a 2 x1 + 1 x2 1000 3 x1 + 4 x2 2400 x1 + x2 700 x1 - x2 350 xj 0, j = 1,2
Resoluo Grfica

(Lucro semanal)

(Plstico) (Tempo de Produo - Minutos) (Produo Total) (Mix) (No-negatividade)

Usando um par de eixos coordenados, com x1 nas abcissas e x2 nas ordenadas, por exemplo, podem ser representadas graficamente as restries (observar que so semi-planos), a funo objetivo ( uma reta) e os tipos de solues viveis.
1a Etapa Encontrar a Regio Vivel, ou seja, o conjunto dos pares (x1, x2)

que satisfazem todas as restries. As restries de no negatividade correspondem ao 1o. Quadrante do espao de pontos (x1, x2), conforme Figura 3, onde as setas indicam a rea onde esto os pontos que satisfazem essas restries.
Figura 3 Restries de no negatividade x2

x1

Nas Figuras de 4 a 7 esto representadas, seqencialmente, as restries de plstico, tempo de produo, produo total e de mix, devendo ser identi-

Cap_2_equacoes corrigidas.indd 41

27/08/2011 21:52:10

42

| INTRODUO PESQUISA OPERACIONAL

ficados os pares (x1, x2) que satisfazem todas elas. Testar se (x1 = 0, x2 = 0) satisfaz a restrio analisada para descobrir qual o semi-plano que corresponde restrio.
Figura 4 Restrio de plstico 1.000 x2 x2 500 x1 Restrio de plstico: 2 x1 + 1 x2 < 1000

Figura 5 Restrio de tempo de produo x2

600

Restrio de tempo de produo: 3 x1 + 4 x2 < 2400

800

x1

Figura 6 Restrio de produo total x2

700

Restrio produo total (ela redundante): x1 + x2 < 700

x1 700

Cap_2_equacoes corrigidas.indd 42

27/08/2011 21:52:10

Programao Linear | 43

Figura 7 Restrio de mix x2 Restrio de mix: x1 - x2 < 350

350

x1

Figura 8 Regio vivel Soluo Vivel Interior 600 Soluo Vivel na Fronteira

Regio Vivel

Soluo Vivel um Vrtice

350

Na Figura 8 est o resultado das interseces de todas as restries, compondo a Regio Vivel do modelo. Podem ser identificados trs tipos de solues viveis (ver exemplos na Figura 8): Pontos Internos Regio Vivel, Pontos na fronteira (nos segmentos de reta) e Pontos que so vrtices (interseco dos segmentos de reta).
2a Etapa Encontrar a soluo tima. Deve-se perceber que a funo ob-

jetivo, 8x1 + 5x2, para cada um de seus valores possveis gera uma famlia de retas paralelas, e o que se est buscando qual delas est associado ao maior valor e ainda corta (tangenciando) a Regio Vivel da Figura 8.

Cap_2_equacoes corrigidas.indd 43

27/08/2011 21:52:10

44

| INTRODUO PESQUISA OPERACIONAL

O procedimento prtico o seguinte: a) Arbitrar um valor qualquer para 8x1 + 5x2, por exemplo, 2.000 e traar a reta associada, 8x1 + 5x2 = 2.000; b) Verificar para qual sentido, em direo regio Vivel, deve-se pesquisar, na famlia de retas paralelas reta arbitrada, h melhoria no valor da funo objetivo. Isso pode ser feito comparando-se o valor arbitrado, 2.000, com o valor da funo objetivo obtido quando (x1 = 0, x2 = 0), ou seja, comparar com uma reta paralela que passa pela origem do sistema de coordenadas. Neste caso tem-se que o valor zero, ou seja, menor que 2.000 (ver Figura 9);

Figura 9 Obteno da soluo tima x2 8x1 + 5x2 = 2.000 400 Melhoria do objetivo 8x1 + 5x2 = 4.360 - lucro timo x = 320 1 x = 360 2

8x1 + 5x2 = 0

250

x1

c) Como se pretende achar o mximo valor para a funo objetivo, deve-se procurar por uma reta paralela reta 8x1 + 5x2 = 2.000 que esteja mais afastada da origem (ver na Figura 9 a seta a partir da reta 8x1 + 5x2 = 2.000, indicando para qual lado deve-se procurar a reta paralela de modo que haja melhoria do valor da funo objetivo) e ainda corte (tangencie) a Regio Vivel.

Cap_2_equacoes corrigidas.indd 44

27/08/2011 21:52:10

Programao Linear | 45

soluo tima, com x sendo a quantidade tima (em dzias) a ser fabricada i semanalmente do brinquedo Bi, e o valor da funo objetivo ser o lucro total semanal timo. Uma ilustrao desse procedimento est na Figura 9, obtendo-se: $4.360 lucro timo, x (timo) = 320 e x (timo) = 360. 1 2 Assim, a programao tima da produo de brinquedos produzir 320 dzias do brinquedo B1 e 360 dzias do brinquedo B2, gerando um lucro total semanal de $4.360. Na Figura 10 apresenta-se uma visualizao grfica de casos possveis num PPL que seja de maximizao envolvendo duas variveis. Nesta Figura 10 esto indicados: a Regio Vivel (quando existe), h uma reta obtida para um valor arbitrrio da funo objetivo, o sentido de melhoria da funo objetivo e o valor timo da funo objetivo, Z. Na Figura 10 (a), apresenta-se uma situao em que a soluo nica e corresponde a um vrtice da Regio Vivel. Na Figura 10 (b), est ilustrado um caso onde a Regio Vivel aberta direita e devido s caractersticas da funo objetivo que cresce exatamente para esta direo, a soluo dita ser ilimitada, para um problema de maximizao, com o valor de Z tendendo a . Na situao da Figura 10 (c), as restries no possuem pontos em comum no 1o. Quadrante, o que indica que o problema invivel, ou seja, no tem solues viveis que satisfaam, ao mesmo tempo, todas as suas restries. Finalmente, nas Figuras 10 (d) e (e), esto ilustrados os dois casos possveis onde h mais de uma soluo tima. Observe-se que, na Figura 10 (d), o valor timo da funo objetivo (Z) ocorre para todos os pontos que esto num segmento de reta na fronteira da Regio Vivel e, na Figura 10 (e), Z est associado aos pontos de uma semi-reta que compe uma das fronteiras da Regio Vivel.

O ponto da Regio Vivel (x, x), tangenciado por essa reta ser a 1 2

Cap_2_equacoes corrigidas.indd 45

27/08/2011 21:52:10

46

| INTRODUO PESQUISA OPERACIONAL

Figura 10 Casos possveis em PL x2 cresce z x1 (a) uma soluo tima x2 x2 (b) soluo ilimitada x1 x2 cresce

conjunto vivel vazio x1 (c) no h soluo

cresce z x1

(d) mais de uma soluo tima

x2 z cresce

x1 (e) mais de uma soluo tima

2.5. FORMA PADRO

O desenvolvimento de um algoritmo que resolva um modelo de PL exige que se reduza o modelo original para uma forma equivalente, que permita a aplicao direta deste algoritmo. Em PL, o algoritmo mais conhecido o Mtodo Simplex para o qual fundamental colocar os modelos na Forma-Padro definida a seguir. Um modelo de minimizao de PL est na forma-padro quando tiver a seguinte formulao: Min Z =

c x
j =1 j

n aij x j = bi , bi 0 i = 1,2,..., m s.a. : j =1 x 0, j = 1,2,..., n j

Cap_2_equacoes corrigidas.indd 46

27/08/2011 21:52:10

Programao Linear | 47

ou ainda, na forma matricial: Min Z = CX AX = b com b 0 s.a. : X 0.

onde, Xnx1 , Amxn , Cnx1 , bmx1. Um modelo de minimizao de PL est na forma-padro quando tiver a seguinte formulao: Min Z =

c x
j =1 j

n aij x j = bi com bi 0 i = 1,2,..., m s.a. : j =1 x 0, j = 1,2,..., n j

ou ainda, na forma matricial: Min Z = C X AX = b, b 0 s.a. : X 0.

onde, Xnx1 , Amxn , Cnx1 , bmx1. Quando o modelo for de maximizao, as restries tambm devem ser na forma de igualdades, bem como as constantes e variveis devem ser no negativas tambm. Artifcios para reduo de um modelo qualquer Forma-Padro: (a) Ocorrncia de desigualdades nas restries: qualquer desigualdade pode ser transformada numa igualdade equivalente, bastando adicionar ou subtrair novas variveis no negativas, denominadas Variveis de Folga. 2 x1 + x2 4 3x1 + 2 x2 5

Exemplo 2: Sejam as restries:

2 x + x2 + x3 = 4 com x3 0, estas restries so equivalentes a 1 3x1 + 2 x2 x 4 = 5 com x 4 0. (b) Na ocorrncia de bi < 0: basta multiplicar por (-l) a restrio i, pois os coeficientes aij podem assumir qualquer sinal na forma padro.

Cap_2_equacoes corrigidas.indd 47

27/08/2011 21:52:10

48

| INTRODUO PESQUISA OPERACIONAL

(c) Ocorrncia de variveis livres, isto , variveis que podem ser positivas, nulas ou negativas. Seja xk uma varivel livre, h dois tipos de operaes para elimin-la:
, ,, (cl) substituir em todas as equaes do modelo xk por x k = x k x k , onde , ,, xk 0 e xk 0 .

(c2) expressar xk , a partir de uma restrio j na forma de igualdade, como funo das demais variveis no-negativas e substituir xk nas outras equaes por esta expresso. Aps a resoluo do novo modelo, sem xk e a equao de recorrncia utilizada, calcula-se o valor de xk atravs da equao de recorrncia. (d) Ocorrncia de varivel no positiva: se existe xk < 0, basta substitu-la
, pela sua simtrica x k = x k 0 nas equaes do modelo.

Exemplo 3: Colocar na forma-padro o modelo abaixo,

Max 2x1 x2 + x3 s. a: x1 + 2 x2 x3 5 4 x1 + x3 0 x1 2 x3 7 x + x =8 2 1 x1 0, x2 0, x3 livre. Numa primeira etapa, sero tratadas as desigualdades e as constantes das restries, que devem ser respectivamente, em forma de igualdades e no negativas. Assim, obtm-se um novo modelo equivalente ao original dado por: Max Z = 2x1 x2 + x3 s. a: x1 + 2 x2 x3 x 4 = 5 4 x1 + x3 + x5 = 0 x1 + 2 x3 + x6 = 7 x +x =8 1 2 x1 0, x2 0, x3 livre, (1) (2) (3) (4) x 4 0 , x5 0, x6 0

onde x4, x5, x6 so variveis de folga.

Cap_2_equacoes corrigidas.indd 48

27/08/2011 21:52:11

Programao Linear | 49

Agora, adotando o procedimento (c2), visto anteriormente, pode-se eliminar a varivel x3, utilizando-se, por exemplo, a equao (2): x3 = 4 x1 x5 . Substituindo esta expresso em (1), (3), (4) e na funo objetivo, tem-se: Max -2x1 - x2 - x5 s. a: 5x1 + 2 x2 x 4 + x5 = 5 7 x1 2 x5 + x6 = 7 x1 + x2 = 8 x2 0, x1 , x 4 , x5 , x6 0
' Resta agora fazer x2 = -x em todas as equaes do modelo, resultando, fi2 nalmente, na forma padro procurada:

Max -2x1 - x2 - x5 s. a:
' 5x1 + 2 x2 x 4 + x5 = 5 7 x1 2 x5 + x6 = 7 ' x1 + x2 = 8 x , x' , x , x , x 0 1 2 4 5 6

2.6. DEFINIES E TEOREMAS

Aqui sero apresentados alguns conceitos, e resultados importantes com respeito soluo de um Modelo de PL na forma padro.
Definio 1: Soluo Vivel

AX 0 = b O vetor X soluo vivel 0 , isto , X0 satisfaz as restries. X 0


0

Exemplo 4: Seja o Modelo

Min Z = x1 + 2 x2 + x3

x1 + x2 x3 = 2 s.a. : 2 x1 + 3x2 x3 = 7 x 0, i = 1, 2, 3 i

Cap_2_equacoes corrigidas.indd 49

27/08/2011 21:52:11

50

| INTRODUO PESQUISA OPERACIONAL

Os vetores

0 X1

1 = 1 0

0 X2

3 = 0 so solues viveis. 1

Definio 2: Soluo tima

O vetor X * soluo tima X * soluo vivel e C ' X * = Min Z = C ' X No exemplo 4, como poder ser verificado, posteriormente, pelo uso do 1 0 Mtodo Simplex, a soluo tima : X * = X 1 = 1 e Z * = 3 o valor 0 timo da funo objetivo.
Definio 3: Conjunto das Solues Viveis

Os vetores Xo tais que X 0 AX 0 = b e X 0 0 formam o conjunto vivel do modelo de minimizao na forma padro.
Observaes:

(a) Se o conjunto vivel vazio o modelo invivel.


0 0 (b) Se existir uma seqncia de solues viveis X1 , X2 ,... de modo que C X i0 - quando i ento o modelo tem soluo ilimitada.

Lema 1: O conjunto das solues viveis convexo e fechado.

A demonstrao desse Lema foge do escopo deste livro e os interessados podero consultar as referncias ao final deste captulo para obterem maiores detalhes.

Definio 4: Soluo Bsica

AX = b , com Amxn = (aij) = (a1 a2 ...an) onde Seja o sistema de equaes (m n) (m n ) a1i ai = . a mi

Cap_2_equacoes corrigidas.indd 50

27/08/2011 21:52:11

Programao Linear | 51

Assim: AX = b x1al + ... xmam + ... + xnan = b

(1)

Este sistema (1) apresenta soluo indeterminada, pois h mais variveis do que equaes. Selecione na matriz A, m colunas linearmente independentes LI, como por exemplo, al, a2, ..., am. Fazendo iguais a zero as variveis no associadas a estas colunas LI escolhidas, isto , fazendo-se xm+l = xm+2 =...xn= 0, obtm-se um sistema de equaes que possvel e determinado, dado por: x1a1 + x2a2 + ... + xmam = b (2)

A soluo deste sistema (2) chamada de uma soluo bsica do sistema original (1), as colunas a1, ..., am so chamadas colunas bsicas e x1, x2, ... xm so as variveis bsicas. As demais variveis e colunas so denominadas no-bsicas.
Exemplo 5: Achar as solues bsicas do sistema de equaes

x1 + x2 x3 = 12 x1 + 2 x2 + 2 x3 = 6 Inicialmente, podem ser identificados: 1 1 -1 A= , X = -1 2 2 x1 x 2 ,b = x3 12 , a1 = 6 1 1 -1 , a2 = , a3 = -1 2 2

Deve-se selecionar de A duas colunas que sejam LI, dentre os possveis conjuntos de colunas {al, a2}, {al, a3} e {a2, a3}. Como estes conjuntos definem submatrizes de A, basta verificar se os determinantes destas submatrizes so nulos ou no, para saber se os conjuntos associados so ou no LI. Se algum determinante se anular indica que o conjunto associado Linearmente Dependente - LD, caso contrrio, o conjunto LI.

Cap_2_equacoes corrigidas.indd 51

27/08/2011 21:52:11

52

| INTRODUO PESQUISA OPERACIONAL

Verificando isto, tem-se no exemplo 5:

{a1, a2} {a1, a3} {a2, a3}

LI pois

1 1 -1 2 1 -1 -1 2 1 -1 2 2

=3

LI pois

=1

LI pois

=4

Portanto tm-se trs solues bsicas para o sistema em estudo:


la soluo bsica fazer x3 = 0 (varivel no-bsica) o que resulta em:

x1 + x2 = 12 , cuja soluo x1 = 6 e x 2 = 6 (variveis bsicas) x1 + 2 x2 = 6


2a soluo bsica fazer x2 = 0 (varivel no-bsica) o que resulta em:

x1 + x2 = 12 , cuja soluo x1 = 30 e x3 = 18 (variveis bsicas) x1 + 2 x2 = 6


3a soluo bsica fazer x1 = 0 (varivel no-bsica) o que resulta em:

x2 - x3 = 12 2x2+ 2x3 = 6, cuja soluo x2 = 7,5 e x3 = -4,5 (variveis bsicas)

Definio 5: Soluo Bsica Vivel (S.B.V.)

O vetor XB soluo bsica vivel (s.b.v.) XB 0 e AB XB = b, onde AB a submatriz de A formada pelas colunas bsicas associadas s variveis que compem XB.
Exemplo 6: No exemplo 5 as solues bsicas viveis so:

1 1 6 X 1 = com A1 = B B 1 2 e as variveis bsicas so x1 e x2; 6

Cap_2_equacoes corrigidas.indd 52

27/08/2011 21:52:11

Programao Linear | 53

30 1 1 2 2 X B = com AB = e as variveis bsicas so x1 e x3. 18 1 2 A seguir esto dois importantes resultados da PL, cujas demonstraes fogem do escopo deste livro e no sero, portanto apresentadas, recomenda-se aos interessados a consulta s referncias bibliogrficas do final do captulo. O modelo original, citado nos Teoremas 1 e 2, se referem ao modelo antes de ser colocado na forma padro. Teorema 1: As solues bsicas viveis do modelo na forma padro correspondem a pontos extremos (vrtices) do conjunto vivel do modelo original. Teorema 2: Se o modelo original tem soluo tima ento pelo menos um ponto extremo (vrtice) do seu conjunto vivel timo, ou seja, pelo menos uma soluo bsica vivel do modelo equivalente na forma padro tima. Um exame superficial dos resultados desta seo indicaria uma tcnica simplista de resoluo para o modelo de PL. Bastaria determinar todas as solues bsicas viveis, isto , os vrtices da regio vivel, calcular os respectivos valores da funo objetivo, para cada uma destas solues, e selecionar o menor deles como sendo a soluo tima. Assim, bastaria resolver um nmero finito de sistemas de equaes lineares de ordem m x n, sendo m o nmero de restries e n o nmero de variveis. Mas, este procedimento insuficiente, e o que pior, incorreto, j que ele s se aplicaria a problemas com soluo finita (ver os casos possveis para um PPL na Figura 10). A impraticabilidade de tal tcnica em problemas reais evidenciada pela observao de que, mesmo para um modesto sistema com 7 variveis e 4 equa7 es, tem-se que resolver = 35 sistemas lineares de ordem 4x4! 4 Apresenta-se, neste texto, o Mtodo Simplex, desenvolvido em 1947 por George Dantzig, que supera estas dificuldades mediante o artifcio de ao invs de se testar todos os vrtices (s.b.v), iniciar com um vrtice qualquer, e passar, via modificaes simples e de fcil controle, a outros vrtices mais eficientes do ponto de vista da otimizao (Max ou Min) desejada. Deste modo, garante-se uma melhoria passo a passo dos valores da funo objetivo na direo do timo Z.

Cap_2_equacoes corrigidas.indd 53

27/08/2011 21:52:11

54

| INTRODUO PESQUISA OPERACIONAL

2.7. FORMA CANNICA DE UM SISTEMA DE EQUAES LINEARES

Uma maneira prtica de se obter solues bsicas de um sistema de equaes lineares (S), dado por AX = b, colocar este sistema numa forma conveniente denominada Forma Cannica. Isto pode ser feito usando o Mtodo de Eliminao de Gauss-Jordan (MEGJ), que nos leva a seguinte equivalncia entre os sistemas (S) e (S): x1 x2 (S): + a1m+1 xm+1 + + a2m+1xm+1 + xm + amm+1xm+1 + + a1n xn = b1 + a2n xn = b2 + amn xn = bm

O sistema (S) denominado uma forma cannica de (S). Deve-se notar que, em (S), fica evidente a seguinte soluo bsica: variveis bsicas: x1 = b1 , x2 = b2 , , xm = bm

considerando como variveis no-bsicas: x m +1 = x m + 2 =

= xn = 0

Naturalmente poderiam ter sido escolhidas outras variveis para serem as bsicas, optou-se pelas m primeiras variveis, x1, x2, ..., xm, apenas por facilidade de apresentao no texto. O MEGJ pode ser aplicado como segue. Observe-se que h uma varivel bsica diferente em cada equao de (S). Isso obtido aps se escolher uma varivel xi de (S) para ser a varivel bsica associada a equao j de (S) e efetuar-se uma operao denominada Pivoteamento a partir do coeficiente aij em (S), que recebe o nome de Piv. O pivoteamento corresponde a se utilizar em (S) operaes entre linhas tais como: troca de equaes, diviso (ou multiplicao) de uma equao por uma constante, ou ainda, adicionar a uma equao uma combinao linear das demais. Estas operaes no alteram a essncia do sistema (S), levando a um sistema equivalente (S). Esquematicamente, o pivoteamento est explicado na Figura 11.

Cap_2_equacoes corrigidas.indd 54

27/08/2011 21:52:12

Programao Linear | 55

Figura 11 Pivoteamento a1j a2j . . . aij . . . amj pivoteamento a partir de aij Aplicando as operaes de 0 0 . . . 1 . . . 0

Observe-se que, por meio do pivoteamento, o coeficiente aij transformado em 1, e os demais coeficientes de xj so transformados em zeros.
Exemplo 7: Dado o sistema (S) :

2 x1 2 x2 + 6 x3 = 4 x1 + 4 x2 x3 = 2

(1) (2)

Achar uma forma cannica (S) associando x1 como varivel bsica da equao (1) e x3 como varivel bsica da equao (2). Aplicando o MEGJ em (S), tem-se a seqncia de sistemas equivalentes a seguir. 2 x1 2 x2 + 6 x3 = 4 x1 + 4 x2 x3 = 2 (1) (2) (ver 1o Quadro da Figura 12)

Dividindo a equao (1) por 2: x1 x2 + 3x3 = 2 (1) x1 + 4 x2 x3 = 2 (2) Substituindo a equao (2) por (2)=(2) + (1): x1 x2 + 3x3 = 2 (1) 3x2 + 2 x3 = 4 (2') Dividindo a equao (2) por 2: x1 x2 + 3x3 = 2 (1) 3 x2 + x3 = 2 (2) 2 (ver 2o Quadro da Figura 12)

Cap_2_equacoes corrigidas.indd 55

27/08/2011 21:52:12

56

| INTRODUO PESQUISA OPERACIONAL

Substituindo a equao (1) por (1) = (1) - 3.(2): 11 x1 2 x2 = 4 (1) (S): 3 x + x = 2 (2) 3 2 2

(ver 3o Quadro da Figura 12)

Tem-se, assim, a Soluo Bsica associada com (S), com as variveis bsicas sendo x1 = -4, x3 = 2; e varivel no-bsica x2 = 0. Pode-se utilizar um procedimento prtico para obter uma forma cannica de um sistema linear. Este mtodo aplicado ao Exemplo 7 e ilustrado na Figura 12. Os elementos escolhidos como pivs em cada iterao esto destacados com um crculo.
Figura 12 Etapas do pivoteamento do Exemplo 7 Varivel Bsica x1 1o Quadro x3 x1 2o Quadro x3 x1 3o Quadro x3 -1 1 0 1 0 4 -1 3 -11/2 3/2 -1 3 2 0 1 2 2 4 -4 2 (2) (1) = (1) / 2 (2) = (2) + (1) (1) = (1) - 3 (2) (2) = (2) / 2

x1 2

x2 -2

x3 6

b 4 (1)

No 3o Quadro esto as variveis bsicas x1 = -4, x3 = 2; a varivel no-bsica x2 = 0.

2.8. O MTODO SIMPLEX

O Mtodo Simplex um procedimento iterativo que fornece a soluo de qualquer modelo de PL em um nmero finito de iteraes. Indica, tambm, se o modelo tem soluo ilimitada, se no tem soluo, ou se possui infinitas solues.

Cap_2_equacoes corrigidas.indd 56

27/08/2011 21:52:12

Programao Linear | 57

H duas etapas na aplicao do Mtodo Simplex, aps colocar o modelo de PL na forma-padro:


Etapa (A) Teste de Otimalidade da soluo ou identificao de uma so-

luo tima; Melhoria da soluo ou obteno de soluo bsica vivel (s.b.v.) melhor que a atual.
Etapa (B)

A seguir, esto os detalhes sobre cada uma destas etapas.


Etapa (A) Teste de Otimalidade

Sejam as restries do modelo geral de minimizao na forma padro, acrescentadas da funo objetivo: a11 x1 + + a1m xm + a1m+1 xm+1 + a x + + a x + a mm m mm+1 x m+1 + m1 1 Z + c1 x1 + + cm xm + cm+1 xm+1 + + a1n xn = b1 (1)

+ amn xn = bm (m) (m + 1) + cn xn = 0

Aplicando o MEGJ, considerando como variveis bsicas, x1 ,..., x m e -Z, respectivamente para as equaes 1,,m e m+1, tem-se: x1 + a1m+1 xm+1 + + a1n xn = b1 xm + amm+1 xm+1 + + amn xn = bm Z + c x + + c x = Z m+1 m+1 n n 0 onde, Z0 = c1 b1 + c2 b2 ... + cm bm o valor da funo objetivo (ver a seguir) e os c j , j = m + 1,..., n so denominados coeficientes de custo relativos (ou reduzidos). Considerando todos os bi 0, i = 1,... m tem-se: s.b.v.: variveis bsicas variveis no-bsicas x1 = b1 ,..., xm = bm xm+1 = ... = xn = 0

O Valor da funo objetivo para esta soluo bsica vivel pode ser obtido da equao (m+1) modificada, pois:

Cap_2_equacoes corrigidas.indd 57

27/08/2011 21:52:12

58

| INTRODUO PESQUISA OPERACIONAL

Z = Z0 +

j =m+1

x j , e xj = 0, j = m + 1,..., n Z = Z0.

Pergunta: Pode-se melhorar (diminuir) o valor de Z considerando outras

s.b.v.?
Anlise: Se na equao (m+1) no h c j < 0 ento qualquer mudana no

valor da varivel no-bsica xj (isto , obter outra s.b.v. com xj sendo varivel bsica) aumenta necessariamente Z a s.b.v. atual tima e Z * = Z 0 (no h Etapa (B)). Se na equao (m+1) h cs < 0 a varivel no-bsica xs correspondente a este cs, se for transformada em varivel bsica (em uma prxima s.b.v.) faz com que Z diminua a s.b.v. atual no tima. (H Etapa (B)).
Visualizao da Etapa (A) do Mtodo Simplex Exemplo 8: Seja o modelo de minimizao com a funo objetivo (f.o.) Z

Z = 4 x1 + x2 + x3

2 x1 + x2 + 2 x3 = 4 s.a. 3x1 + 3x2 + x3 = 3 x , x , x 0 2 3 1

Acrescentando a f.o. s restries do PPLP, vem: 2 x1 + x2 + 2 x3 = 4 3x1 + 3x2 + x3 = 3 Z + 4 x + x + x = 0 1 2 3 (1) (2) (3)

Aplicando-se o MEGJ, considerando x3 como varivel bsica para a 1 equao, x1 para a 2a equao e -Z para a 3a equao:
a

3 3 x2 + x3 = 4 2 5 1 = x1 + x2 + 4 2 7 13 Z x2 = (I ) 4 2

Cap_2_equacoes corrigidas.indd 58

27/08/2011 21:52:12

Programao Linear | 59

7 13 Da equao (I): Z = x2, como x2 = 0 ( varivel no-bsica) 2 4 7 1 Z = Z 0 = , que o valor da funo objetivo para esta primeira s.b.v., que 2 tem x3 = 3/2, x1 = 1/2 e x2 = 0. 7 13 x2 , se x 2 entao Z como se deseja. Assim, a 2 4 s.b.v. atual no tima, pois tem-se x2 = 0 (ou seja, x2 est assumindo o seu
Anlise: Como Z =

menor valor). Procura-se tornar x2 varivel bsica numa prxima s.b.v. aplicando o MEGJ, e considerando como variveis bsicas, x3 para a 1a equao, x2 para a 2a equao, e -Z para a 3a equao. Obtm-se, deste modo: 3 9 x1 + x3 = 5 5 4 2 = x1 + x2 5 5 11 + 13 = (II ) Z 5 x1 5 Da equao (II): Z =
2 Z = Z0 =

11 13 + x1, como x1 = 0 ( varivel no-bsica) 5 5

11 , que o valor da funo objetivo. para a segunda s.b.v., onde 5 9 2 x3 = , x2 = e x1 = 0 . 5 5


Anlise: Como Z =

11 13 + x1 , se x1 ento Z o que no interessante, 5 5 11 pois deseja-se minimizar a funo objetivo. Logo o valor de Z = no pode 5 ser melhorado. Deste modo tem-se:
* x1 0 * 11 Z= (valor timo) e X= x2 = 2 / 5 (soluo tima). 5 * 9 / 5 x3

Cap_2_equacoes corrigidas.indd 59

27/08/2011 21:52:13

60

| INTRODUO PESQUISA OPERACIONAL

Fase (B) Melhoria da Soluo

Admitindo que j foi realizada a etapa (A) do Mtodo Simplex, num modelo de minimizao, e existe cs < 0; deve-se achar uma nova s.b.v. com xs tendo seu valor aumentado (era zero) at que alguma restrio do modelo na forma padro seja violada.
Problema: Nesta nova s.b.v., que outras variveis deve-se alterar (e de quanto)

para compensar o aumento de xs?


Soluo: Devem-se alterar apenas os valores das variveis bsicas da s.b.v.

atual, pois: a) Cada varivel bsica s afeta uma equao, podendo ser colocada como uma funo de xs, facilitando descobrir qual a variao possvel de xs, sem que cada varivel bsica se torne negativa; b) As variveis bsicas tm coeficientes de custo relativo nulos na equao associada funo objetivo (equao m+1); portanto, alteraes nos seus valores no afetam o valor de Z, assim pode-se garantir que a funo objetivo diminuir ao se aumentar xs.

Procedimento Geral para aplicar a Etapa (B):

a) Escolher xs tal que cs < 0 na equao (m+1); b) Procurar equao i tal que bi / ais = Min b j / a js , a js > 0 , onde a js o coeficiente da varivel xs na equao j. b O coeficiente ais correspondente ao quociente mnimo i ais denominado

Piv. A varivel bsica associada equao i ser substituda pela varivel nobsica xs atravs de operaes de pivoteamento com ais.
Visualizao da Fase (B) do Mtodo Simplex Exemplo 9: (MACULAN FILHO e PEREIRA, 1980) Seja um modelo de mini-

mizao, j com a funo objetivo acrescentada ao conjunto das restries:

Cap_2_equacoes corrigidas.indd 60

27/08/2011 21:52:13

Programao Linear | 61

x1 + 2 x3 3x 4 = 5 (1) x2 + 2 x3 2 x 4 = 6 (2) Z 4 x3 + 5x 4 = 4 (3) A soluo bsica vivel atual tem as variveis bsicas x1 = 5, x2 = 6, as variveis no-bsicas x3 = x4 = 0 e Z = 4. A partir da Etapa (A) do Mtodo Simplex sabe-se que o coeficiente c3 = 4 da varivel no-bsica x3, na equao (3), indica que a s.b.v. atual no tima, e x3 deve ser varivel bsica numa prxima s.b.v.. Assim, o prximo passo determinar at que valor x3 pode ser aumentado (seu valor atual zero), sem que x1 e x2 se tornem negativos. Na nova s.b.v. (com x3 como varivel bsica) deve-se manter x1 0 e x 2 0, e sabe-se tambm que: de (1): x1 = 5 2 x3 + 3x 4 , como x 4 = 0 (permanece varivel no-bsica) x1 = 5 2 x3 de (2): x2 = 6 2 x3 + 2 x 4 , como x 4 = 0 (permanece varivel no-bsica) x2 = 6 x3 6 o maior valor 2 5 6 5 que x3 pode assumir, sem violar as restries deve ser ento Min , = . 2 2 2 Deste modo tem-se: x1 0 x3 5 / 2 e x2 0 x3
Concluso: A nova s.b.v. tem como variveis bsicas, x3 = 5

5 x2 = 6 2 x3 = 1; como varivel no-bsicas, x1 = x4 = 0, e Z = 4 4. = 6 . 2 Pode ser utilizado um esquema de tabelas como artifcio para sistematizar a obteno de s.b.v., isso foi aplicado ao Exemplo 9 e est ilustrado na Figura 13.
Comentrios Adicionais

(1)

Ocorrncia de Empate na Entrada

Durante a aplicao da Etapa (B), quando houver mais de um coeficiente de custo relativo negativo, pode-se optar por tornar varivel bsica, na prxima s.b.v., qualquer varivel no-bsica associada a um destes coeficientes.

Cap_2_equacoes corrigidas.indd 61

27/08/2011 21:52:13

62

| INTRODUO PESQUISA OPERACIONAL

Normalmente, escolhe-se a varivel correspondente ao menor deles, este critrio conhecido como a Regra de Dantzig.
Figura 13 Uso de tabelas na resoluo do Exemplo 9
Varivel que entra Variveis Bsicas

x1 1 0 0

x2 0 1 0

x3 2 2 -4

x4 3 -2 5 5 6 -4 5 = 2,5 2 6 = 3,0 2
Pivoteamento em torno de a13 = 2 Menor quociente (indica a linha do Piv)

x1
s.b.v. atual varivel que sai

x2 -Z

(valor negativo indica a coluna do Piv) nova s.b.v.

x3 x2 -Z

1/2 -1 2

0 1 0

1 0 0

3/2 -5 11

5/2 1 6

A nova s.b.v.: X =

0 1 , Z = -6 5/2 0

(2)

Problema Inicial Ilimitado

Se ao aplicar a Etapa (B), com xs escolhida para se tornar varivel bsica, ocorrer que todos os a js 0 ento nenhuma varivel bsica tem seu valor diminudo quando xs aumenta, o que leva a concluso que o modelo de minimizao apresenta soluo ilimitada (Z -). Considere o Exemplo 9 onde, agora, os coeficientes de x3 nas restries (1) e (2) so iguais a (-2), neste caso tem-se:

x1 2 x3 3x 4 = 5 x2 2 x3 2 x 4 = 6 Z 4 x3 + 5x 4 = 4

(1) (2) (3)

Como o coeficiente da varivel no-bsica x3 na equao (3) c3 = 4 , significa que deve-se aumentar x3 (seu valor atual zero pois varivel nobsica) para algum valor positivo (o maior possvel).

Cap_2_equacoes corrigidas.indd 62

27/08/2011 21:52:13

Programao Linear | 63

Como x4 = 0 (permanece como varivel no-bsica) de (1) x1 = 5 + 2 x3 e de (2) x 2 = 6 + 2 x3 . Notar que tem-se x1 > 0 e x2 > 0 quando x3 aumentado, ou seja, nenhuma restrio de no-negatividade violada, e pode-se aumentar indefinidamente x3. Como Z quando x3 tem-se que Z (Problema Ilimitado).
(3) Avaliao da Melhoria no Valor da Funo objetivo.

Notar que, em cada iterao do Mtodo Simplex, ocorre uma melhoria no valor da funo objetivo avaliada por: Znovo = Zatual + bi cs para cs < 0, bi > 0 e ais > 0 (Piv) ais

Para ilustrar isto, considere o Exemplo 9, onde foram obtidas duas s.b.v: s.b.v.1 x1 = 5, x2 = 6, x3 = x 4 = 0, Z1 = 4 5 s.b.v.2 x1 = 0, x2 = 1, x3 = , x 4 = 0, Z2 = 6 2 Notar que Z2 = Z1 + 2 Z2 = 4 + (4) = 6 5 bi cs com, Z1 = 4, bi = 5, ais = 2 e c s = 4 ais

(4) Interpretao Geomtrica do Mtodo Simplex

Em cada iterao o Mtodo Simplex vai de um vrtice (s.b.v.) do conjunto vivel para outro vrtice adjacente a ele (outra s.b.v.) onde o valor da funo objetivo melhor. Ver ilustrao no Exemplo 10.
Exemplo 10: (MACULAN FILHO e PEREIRA, 1980)

Min Z = 3x1 5x2 s. a.: x1 x2 3x1 + 2 x2 x1 , x2 4 6 18 0

Cap_2_equacoes corrigidas.indd 63

27/08/2011 21:52:13

64

| INTRODUO PESQUISA OPERACIONAL

Colocando na forma padro, tem-se: Min Z = 3x1 5x2 s. a: + x3 = 4 x1 + x4 = 6 x2 + x5 = 18 3x1 + 2 x2 xi 0, i = 1,5 Aplicando o Simplex tm-se as tabelas da Figura 14.
Figura 14 Resoluo do Exemplo 10 VB x3 x4 x5 -Z x3 x2 x5 -Z x 3 x 2 x 1 -Z x1 1 0 3 -3 1 0 3 -3 0 0 1 0 x2 0 1 2 -5 0 1 0 0 0 1 0 0 x3 1 0 0 0 1 0 0 0 1 0 0 0 x4 0 1 0 0 0 1 -2 5 2/3 1 -2/3 3 x5 0 0 1 0 0 0 1 0 -1/3 0 1/3 1 b 4 6 18 0 4 6 6 30 2 6 2 36 Quadro 3 x5 = x4 = 0 x3 = 2, x5 = 6, x2 = 6, Z = -36 s.b.v. 3 tima Quadro 2 x1 = x4 = 0 x3 = 4, x5 = 6, x2 = 6, Z = -30 s.b.v. 2 Quadro 1 x1 = x2 = 0 x3 = 4, x4 = 6, x5 = 8, Z = 0 s.b.v. 1

PARAR, pois cs > 0

Cap_2_equacoes corrigidas.indd 64

27/08/2011 21:52:14

Programao Linear | 65

Na Figura 15 h seqncia de situaes onde se procura mostrar a evoluo do Mtodo Simplex, indo de uma s.b.v. (vrtice) para outra adjacente no Conjunto Vivel associado ao modelo original.
Figura 15 Evoluo das iteraes do Mtodo Simplex x2 (0,6) (2,6) Regio Vivel (4,3) (4,3) x2 (0,6)
0

(Z = -30, Quadro 2) (2,6)

(0,0)

(4,0) (Z = 0, Quadro 1) (a) Quadro 1 s.b.v. 1 x2 (0,6)

x1

(0,0)

(4,0) (b) Quadro 2 s.b.v. 2

x1

(2,6)
0

(Z = -36, Quadro 3)

(4,3)

(0,0)

(4,0)

x1

(c) Quadro 3 soluo tima

(5)

Ocorrncia de mais de uma soluo tima

Quando o modelo tem mais de uma soluo tima, o Mtodo Simplex capaz de indicar isto. Suponha que j foi encontrada uma s.b.v. tima para o modelo, ou seja, correspondentes a essa s.b.v. (1) todos os coeficientes de custo relativos so maiores ou iguais a zero ( c j 0), com o valor da funo objetivo dado por Z1 = Z.

Cap_2_equacoes corrigidas.indd 65

31/08/2011 21:34:04

66

| INTRODUO PESQUISA OPERACIONAL

Devem-se analisar os coeficientes de custo relativo cuidadosamente. Se h algum cs = 0, associado a alguma varivel no-bsica xs, ento existe outra s.b.v. (2), onde xs varivel bsica, que tambm tima, pois neste caso no h alterao no Z, quando xs se torna varivel bsica. Isto pode ser verificado utilizando-se a expresso matemtica do comentrio (3) onde:
Z2 = Z1 +

bi cs , como cs = 0 Z2 = Z1 = Z . ais

Alm disto, como se sabe que o Mtodo Simplex se locomove, em cada iterao, para vrtices adjacentes do conjunto vivel, como visto no comentrio (4), pode-se concluir que todas as combinaes convexas da s.b.v. (1) e s.b.v. (2) sero tambm solues timas. Assim X = XA + (1 ) XB, 0 1, com XA sendo a s.b.v. 1 e XB sendo a s.b.v. 2. Isto pode ser visualizado para um problema de maximizao em duas dimenses, como sendo o caso de haver um segmento de reta timo para o problema, ver a Figura 16.
Figura 16 Modelo com mais de uma soluo tima Segmento de reta timo Z = Z x2 s.b.v. 1 (tima) combinaes lineares de s.b.v. 1 e s.b.v. 2

Z=0

s.b.v. 2 (tima)

x1

Considere o Exemplo 11, onde ocorre a situao de mais de uma soluo tima.

Cap_2_equacoes corrigidas.indd 66

27/08/2011 21:52:14

Programao Linear | 67

Exemplo 11: Min Z = x1 2 x2 s. a:

+ x3 =3 x1 x2 + x4 =4 + x5 = 9 x1 + 2 x2 xi 0, i = 1,5. Aplicando o Mtodo Simplex, tm-se a seqncia de quadros da Figura 17. Esto indicados por crculos os coeficientes que so os pivs.
Figura 17 Tabelas do Simplex do exemplo 11 VB x3 x4 x5 -Z x3 x2 x5 -Z x 3 x 2 x 1 -Z x 4 x 2 x 1 -Z x1 1 0 1 -1 1 0 1 -1 0 0 1 0 0 0 1 0 x2 0 1 2 -2 0 1 0 0 0 1 0 0 0 1 0 0 x3 1 0 0 0 1 0 0 0 1 0 0 0 1/2 -1/2 1 0 x4 0 1 0 0 0 1 -2 2 2 1 -2 0 1 0 0 0 x5 0 0 1 0 0 0 1 0 -1 0 1 1 -1/2 1/2 0 1 b 3 4 9 0 3 4 1 8 2 4 1 9 1 3 3 9 Q4 (X) B Q3 (X) A Q2 Q1

Cap_2_equacoes corrigidas.indd 67

02/09/2011 23:19:38

68

| INTRODUO PESQUISA OPERACIONAL


* Todas as Combinaes Convexas de X * e X B so solues timas, ou seja, A

1 3 4 3 * 2 , X * = 0 e Z * = 9. X = X A + (1 )X B, 0 1, onde: X A = B 0 1 0 0 Graficamente isto pode ser visualizado na Figura 18.

Figura 18 Resoluo grfica do Exemplo 11 x2

X = segmento de reta timo X A X B x1

Z = -9 Z=0

Cap_2_equacoes corrigidas.indd 68

05/09/2011 15:36:33

Programao Linear | 69

Ainda no Exemplo 11, observe-se que, no Quadro referente a soluo tima X se os coeficientes nas restries da varivel no-bsica x4, associada ao coeficiente de custo relativo c4 = 0, fossem todos nulos ou negativos, ento no haveria piv, e a soluo tima mltipla seria dada por uma semi-reta tima:
* A,

X = X , 1, Z = 9 A
(6) Aplicao do Mtodo Simplex a um Modelo de Maximizao

Quando o modelo for de maximizao, pode-se aplicar diretamente o Mtodo Simplex sem haver necessidade de transform-lo em um modelo de minimizao. Para isto basta considerar as seguintes alteraes nas Etapas (A) e (B) vlidas, agora, para o caso de maximizao:
Etapa (A) Teste de Otimalidade A s.b.v. atual ser tima todos os coefi-

/ cientes de custos relativos forem no-positivos, isto , se c j > 0 .


Etapa (B) Melhoria da Soluo A varivel no-bsica, escolhida para ser

bsica na prxima s.b.v., deve ser escolhida dentre aquelas com coeficiente do custo relativo positivo. Normalmente, escolhe-se para ser bsica aquela varivel no-bsica correspondente ao maior coeficiente de custo relativo (Regra de Dantzig). O pivoteamento realizado da mesma maneira que para um modelo de minimizao.
Exemplo 12: Max Z = 3x1 + 5x2

s. a: x1 4 x2 6 3x1 + 2 x2 18 x , x 0 1 2

Cap_2_equacoes corrigidas.indd 69

27/08/2011 21:52:15

70

| INTRODUO PESQUISA OPERACIONAL

Aplicando o Mtodo Simplex, para maximizao, obtm-se as tabelas da Figura 19. Esto indicados com os crculos os coeficientes que so os pivs.
Figura 19 Tabela do Simplex para o Exemplo 12 VB x3 x4 x5 -Z x3 x2 x5 -Z x 3 x 2 x 1 -Z x1 1 0 3 3 1 0 3 3 0 0 1 0 x2 0 1 2 5 0 1 0 0 0 1 0 0 x3 1 0 0 0 1 0 0 0 1 0 0 0 x4 0 1 0 0 0 1 -2 -5 2/3 1 -2/3 -3 x5 0 0 1 0 0 0 1 0 -1/3 0 1/3 -1 b 4 6 18 0 4 6 6 -30 2 6 2 -36

Soluo tima, pois cs > 0


x1 2 6 x2 2 X = x 3 = , Z = 36 0 x 4 0 x5

Cap_2_equacoes corrigidas.indd 70

27/08/2011 21:52:15

Programao Linear | 71

Apresenta-se, na Figura 20, um fluxograma vlido para minimizao para orientar a aplicao das Etapas (A) e (B) do Mtodo Simplex, ele ser denominado Fluxograma (1).
Figura 20 Fluxograma (1) para um PPL de minimizao
Achar soluo inicial 1

Soluo atual (X ) tima (X*A) A

No

H Cj < 0 ?

Sim

Escolher Cs < 0 Xs entra

Soluo tima nica (X = X )A) (X* = X* A

No

H Cj = 0 ? Sim

Soluo ilimitada

No

H ais > 0 ? Sim

Fim

H mltiplas solues timas

Fim

Achar piv ars Xr sai (Etapa (B))

xj entra

Por Pivoteamento achar nova soluo

x*= x*A x = xA >1

No

H aij > 0 ? Sim

Fim

Achar piv arj Xr sai (Etapa (B))

Observao: Cj = Coeficiente de custo relativo da varivel no-bsicas Xj Xj, Xs = Variveis no-bsicas Xr = Varivel bsica associada equao r aij, ais = Coeficientes na equao i das variveis Xj e Xs, respectivamente X = Soluo tima

Por Pivoteamento achar nova soluo tima (X B) (X* ) B

X = X + (1 - ) X B A 0<<1

Fim

Cap_2_equacoes corrigidas.indd 71

27/08/2011 21:52:15

72

| INTRODUO PESQUISA OPERACIONAL

2.9. MTODO SIMPLEX COM DUAS FASES

Nos problemas estudados at este ponto, aps colocar o PPL na formapadro, imediatamente ficava evidente uma s.b.v. inicial necessria para aplicao do Mtodo Simplex. Assim, o Mtodo Simplex podia ser inicializado com uma s.b.v. onde as variveis bsicas eram as variveis de folga e as variveis no-bsicas eram as demais variveis naturais do modelo. Freqentemente isto no acontece, e deste modo, o Mtodo Simplex no pode ser inicializado imediatamente, necessitando da aplicao de uma fase preliminar. O que se faz nestas situaes, em que no h uma soluo vivel inicial evidente para um dado modelo de PL, que receber o nome de Modelo Original, definir convenientemente um PPL auxiliar, denominado Modelo Artificial, cuja resoluo fornecer, ou uma s.b.v. inicial para esse Modelo Original, ou ento, indicar a inexistncia de soluo para esse Modelo Original (ou seja, ele invivel). Um procedimento que pode ser utilizado nestes casos denominado Mtodo das Duas Fases onde: Criar o Modelo Artificial a partir das restries do Modelo Original. Resolver pelo Mtodo Simplex o Modelo Artificial;
Fase 1

Aplicar o Mtodo Simplex ao PPL Original, a partir da soluo bsica vivel tima obtida para o PPL Artificial na Fase 1.
Fase 2

Para entender como este mtodo funciona, considere-se um PPL, j colocado na forma-padro PPLO, mas que no apresenta uma s.b.v. evidente, isto , no est na forma cannica, e no tem varivel bsica identificada para qualquer uma das equaes do PPLO:
Modelo Original PPLO

Min Z = c1 x1 + c2 x2 + + cn xn (funo objetivo original) a11x1 + a12 x2 + + a1n xn = b1 a x + a x + + a2n xn = b2 s.a.: 21 1 22 2 am1x1 + am2 x2 + + amn xn = bm com, b j 0, j = 1,2,..., m e xi 0 (variveis de deciso e de folga), i = 1, 2, , n.

Cap_2_equacoes corrigidas.indd 72

31/08/2011 21:56:10

Programao Linear | 73

Define-se o seguinte problema auxiliar (Incio da 1a Fase), utilizando-se variveis artificiais yj para cada uma das equao do PPLO:
Modelo Artificial PPLA

Min

W = y1 + y2 + + ym (funo objetivo artificial)

= b1 a11x1 + + a1n xn + y1 + y2 = b2 a x + + a2n xn s.a.: 21 1 am1x1 + + amn xn + ym = bm com, b j 0, xi 0, y j 0 (variveis artificiais), j = 1, 2, , m; i = 1, 2, , n . Notar que o PPLA est na forma-padro e se forem adequados para o valor zero os coeficientes das variveis artificiais na funo objetivo artificial, ficar disponvel uma s.b.v. inicial para o PPLA, dada por: y1 = b1 , y 2 = b2 , , y m = bm e W = b1 + b2 + + bm . Aps a adequao para zero dos coeficientes das variveis artificiais na funo objetivo artificial, pode-se aplicar o Mtodo Simplex para o PPLA, havendo possibilidade de ocorrer as seguintes situaes:
Caso 1:

Se o valor timo da funo objetivo artificial for W > 0, isto indi-

car que pelo menos uma varivel artificial, ys, permaneceu como varivel bsica na s.b.v. tima do PPLA. Deve-se observar que as restries do PPLA so exatamente as mesmas do PPLO, acrescentadas em cada equao de uma varivel artificial. Assim pode-se concluir que necessrio que ys seja no negativa (ys > 0) para que as restries do PPLO sejam satisfeitas, evidenciando com isto que o PPLO Invivel, isto , apenas com as variveis originais (de deciso e de folga), x1 , x2 , , xn, no possvel satisfazer conjuntamente todas as suas restries. Assim o Conjunto Vivel do PPLO vazio. (Fim da Fase 1 da Resoluo do PPLO, no h a Fase 2).

Cap_2_equacoes corrigidas.indd 73

31/08/2011 21:56:12

74

| INTRODUO PESQUISA OPERACIONAL

Caso 2:

Se W = 0, isto indicar que todas as variveis artificiais so nulas

e assim o PPLO Vivel. Aqui, devem ser analisados dois subcasos: a) Se todas as variveis artificiais so variveis no-bsicas, ento a s.b.v. inicial para o PPLO ser exatamente a s.b.v. tima do PPLA. Aps eliminar as variveis artificiais do Quadro timo da resoluo do PPLA, e substituir a funo objetivo artificial pela original, aplica-se o Mtodo Simplex. (Incio da Fase 2 Fluxograma (1)). b) Quando houver yj = 0, sendo yj varivel bsica da s.b.v. tima do PPLA, a s.b.v denominada degenerada, e requer o uso do procedimento descrito a seguir. No Quadro timo da resoluo do PPLA, para cada varivel yj que varivel bsica associada a equao i do conjunto de restries, deve-se procurar uma varivel original, xk, com coeficiente na equao i sendo aik 0 (observese que pode inclusive ser negativo). Podem ocorrer duas situaes: Se esse coeficiente existir, basta fazer o pivoteamento a partir desse aik , substituindo a varivel yj por xk. Aps eliminar as variveis artificiais no-bsicas do Quadro timo da resoluo do PPLA, por meio desses pivoteamentos, substituir a funo objetivo artificial pela original, e aplicar o Mtodo Simplex ao PPLO (Incio da Fase 2 Fluxograma (1)). Se na equao i no houver nenhuma varivel original xk, com aik 0 , isto indicar que esta equao i combinao linear das demais equaes, podendo, portanto, ser eliminada, bem como a varivel bsica artificial correspondente. Aps a eliminao de todas as variveis artificiais e equaes redundantes do Quadro timo da resoluo do PPLA, substituir a funo objetivo artificial pela original e aplicar o Mtodo Simplex do PPLO (Incio da Fase 2 Fluxograma (1)). Visando a facilitao do uso do Mtodo Simplex com Duas Fases, foi elaborado o Fluxograma (2) apresentado na Figura 21.

Cap_2_equacoes corrigidas.indd 74

27/08/2011 21:52:15

Programao Linear | 75

Figura 21 Fluxograma (2) para aplicao do Mtodo das Duas Fases

Obter modelo na forma padro

Observao: W = Valor timo da funo objetivo artificial Fase 2 = Aplicao do fluxograma 1

H soluo inicial ? No Iniciar Fase 1 definir modelo artificial

Sim

Iniciar Fase 2

Fim

Iniciar Fase 1 definir modelo artificial

Problema orginal invivel

Iniciar Fase 1 definir modelo artificial

Eliminar varivel artificiais substituir funo objetivo artificial pela original

No

H varivel artificial bsica? Sim possvel a substituio por varivel original? No Eliminar varivel artificial bsica e equao associada

Fim

Iniciar Fase 2

Sim

Efetuar pivoteamento

Fim

No Exemplo 13 h uma aplicao completa do Mtodo das Duas Fases, com o uso dos Fluxogramas (1) e (2).

Cap_2_equacoes corrigidas.indd 75

27/08/2011 21:52:15

76

| INTRODUO PESQUISA OPERACIONAL

Exemplo 13: (MACULAN FILHO e PEREIRA, 1980)

Min Z = 3x1 5x2

s.a.:

4 x1 x2 6 3x1 + 2 x2 18 x1 , x2 0.

Pelo Fluxograma (2), acha-se o PPLO (na forma-padro) + x3 =4 x1 x2 + x4 =6 x5 = 18 3x1 + 2 x2 xi 0, i = 1,5.

Min Z = 3x1 5x2

s.a.

No h uma soluo bsica vivel evidente no PPLO, pois as variveis x3 e x4 podem ser as variveis bsicas, respectivamente, para as equaes 1 e 2, mas na equao 3 no h varivel bsica, pois o coeficiente da varivel x5 nessa equao -1. Observe-se que no se pode simplesmente multiplicar os dois lados da 3a equao por (-1) para resolver essa situao de x5, pois, nesse caso, a constante que 18 passaria a ser -18 e o modelo no ficaria na forma padro (onde todas as constantes devem ser no-negativas). Na aplicao do Mtodo das Duas Fases, as variveis de folga x3 e x4 podem ser as variveis bsicas referentes s equaes (1) e (2), e bastaria acrescentar a varivel artificial y1 3a equao e criar o Modelo Artificial (PPLA): + x3 =4 x1 x2 + x4 =6 x5 + y1 = 18 3x1 + 2 x2 xi 0, i = 1,5, y1 0.

Min W = y1

s.a.:

(PPLA)

Na Figura 22, est a aplicao do Mtodo Simplex ao PPLA (Fase 1). Os crculos indicam os coeficientes pivs.

Cap_2_equacoes corrigidas.indd 76

27/08/2011 21:52:15

Programao Linear | 77

Figura 22 Fase 1 aplicao do Simplex ao PPLA VB x3 Quadro inicial x4 y1 -W x3 Q1 x2 y1 -W x1 Q2 x4 y1 -W x1 Q3 x4 x2 -W x1 1 0 3 0 1 0 3 -3 1 0 0 0 1 0 0 0 x2 0 1 2 0 0 1 2 -2 0 1 2 -2 0 0 1 0 x3 1 0 0 0 1 0 0 0 1 0 -3 3 1 3/2 -3/2 0 x4 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 x5 0 0 -1 0 0 0 -1 1 0 0 -1 1 0 1/2 -1/2 0 y1 0 0 1 1 0 0 1 0 0 0 1 0 0 -1/2 1/2 1 b 4 6 18 0 4 6 18 -18 4 6 6 -6 4 3 3 0
Adequar a f.o.

Cap_2_equacoes corrigidas.indd 77

27/08/2011 21:52:16

78

| INTRODUO PESQUISA OPERACIONAL

Observe-se que, na seqncia de tabelas da Fase 1, o Quadro Inicial idntico ao Quadro 1 e apenas os coeficientes na funo objetivo so alterados em funo do coeficiente da varivel y1 ser 1 e no 0, devendo, portanto, serem modificados adequadamente. Basta multiplicar a equao 3 por (-1) e som-la equao 4, associada funo objetivo. Agora, aps eliminar a coluna da varivel yj do Quadro 3 e substituir a equao correspondente a funo objetivo W pela equao Z 3 x1 5 x2 = 0 do PPLO, pode-se dar incio a Fase 2. Antes de aplicar as etapas do Fluxograma (1), deve-se fazer uma adequao nos coeficientes de x1 e x2 na funo objetivo, para se ter a forma cannica completa, ou seja, os coeficientes de todas as variveis bsicas devem ser 0 na equao 4 (funo objetivo). Como a varivel x4 (que uma varivel de folga no Modelo Original) j satisfaz isso, basta multiplicar por 3 a equao 1, multiplicar por 5 a equao 3 e som-las equao 4, com o intuito de zerar nas posies dos coeficientes de x1 (que 3) e de x2 (que 5) nessa equao 4. Aps essa adequao na tabela inicial, obtm-se o Q3 para o Modelo Original que idntico ao Q3 da resoluo do Modelo Artificial com as mudanas na equao 4. A partir de Q3 aplica-se a seqncia de etapas do Fluxograma (1), conforme Figura 23, onde esto indicados pelos crculos os coeficientes que so os pivs. Na Figura 24 est a visualizao grfica das tabelas da aplicao do Simplex ao PPLO.

Cap_2_equacoes corrigidas.indd 78

27/08/2011 21:52:16

Programao Linear | 79

Figura 23 Fase 2 aplicao do Simplex ao PPLO VB x1 Adequar a funo objetivo x4 x2 -Z x1 Q3 x4 x2 -Z x 1 Q4 x 5 x 2 -Z x1 1 0 0 -3 1 0 0 0 1 0 0 0 x2 0 0 1 -5 0 0 1 0 0 0 1 0 x3 1 3/2 -3/2 0 1 3/2 -3/2 -9/2 0 3 0 3 PARAR! x4 0 1 0 0 0 1 0 0 0 2 1 5 x5 0 1/2 -1/2 0 0 1/2 -1/2 -5/2 0 1 0 0 b 4 3 3 0 4 3 3 27 4 6 6 42

X1 = 4, X 2 = 6, X 3 = 0, X 4 = 0 A Soluo tima do PPLO est em Q4: X5 = 6, Z = 42.

Notar nas Figuras 24 (a), 24 (b) e 24 (c) que, na Fase 1, o Mtodo das Duas Fases procura se aproximar do conjunto vivel do PPLO. Quando encontrada uma s.b.v. do Modelo Original (um vrtice da Regio Vivel) inicia-se a Fase 2 (ver Q3).

Cap_2_equacoes corrigidas.indd 79

27/08/2011 21:52:16

80

| INTRODUO PESQUISA OPERACIONAL

Figura 24 Visualizao das etapas do Mtodo das Duas Fases x2 (0,6) (2,6) (4,6) X = conjunto vivel (4,3) x2 (0,6) (4,3) (W = 6, Z = -12, Quadro 2)
0

(2,6)

(4,6)

x1 (4,0) (W = 18, Z = 0, Quadro 1) (a) Quadro 1 Fase 1 (0,0)

x1

(4,0)

(b) Quadro 2 Fase 1

x2 (2,6) (4,6)

x2 (2,6) (4,6)
0

(Z = -42, timo, Quadro 4)

(4,3)

(Z = -27, Quadro 3 = = Quadro 3) x1

(4,3) x1

(0,0)

(4,0) (c) Quadro 3 Fim da Fase 1 e incio da Fase 2

(0,0)

(4,0) (d) Quadro 4 Fase 2

REFERNCIAS

BREGALDA, P. F.; OLIVEIRA, A. A. F.; BORNSTEIN, C. T. Introduo Programao Linear. Rio de Janeiro: Editora Campus, 1981. MACULAN FILHO, N.; PEREIRA, M. V. F. Programao Linear. So Paulo: Editora Atlas, 1980. LAWRENCE JR, J. A.; PASTERNACK, B. A. Applied Management Science Modeling, Spreadsheet Analysis, and Communication for Decision Making. 2nd edition. New York: John Wiley & Sons, 2002. RAVINDRAN, A.; PHILLIPS, D. T.; SOLBERG, J. J. Operations Reserch Principles and Practice. New York: John Wiley & Sons, 1987.

Cap_2_equacoes corrigidas.indd 80

27/08/2011 21:52:16

3
INTRODUO TEORIA DOS GRAFOS E A OTIMIZAO EM REDES
3.1. INTRODUO Consideraes Histricas (ANDRADE, 1980)

Os habitantes da cidade de Knigsberg, hoje denominada Kaliningrado, exclave russo entre a Polnia e a Litunia, beira do Mar Bltico, estavam muito intrigados com um problema que se apresentava em seus costumeiros passeios a duas ilhas do Rio Pregel. Essas ilhas ligavam-se s margens do rio por intermdio de 6 (seis) pontes, alm de uma stima que interligava as duas ilhas. Tudo conforme aparece na Figura 1.
Figura 1 Rio Pregel e suas sete pontes

Ilha D Rio Pregel

Margem A

Ilha B

A curiosidade surgiu, pois nenhum dos freqentadores do local era capaz de percorrer essas sete pontes sem passar mais de uma vez por uma delas. O matemtico Euler, em 1735, apresentou Academia de S. Petersburgo a primeira demonstrao de impossibilidade de resoluo do referido problema, ele usou uma representao esquemtica (modelo de grafo) onde cada ponte foi representada por um segmento de reta (aresta) e cada ilha ou margem do

Cap_3.indd 81

27/08/2011 21:53:14

82

| INTRODUO PESQUISA OPERACIONAL

rio por um ponto (n ou vrtice); conforme Figura 2, onde as Ilhas so os pontos B e D e as Margens so os pontos A e C.
Figura 2 Modelo de Grafo para o Rio Pregel e suas sete pontes A

Observe que a Figura 2 representa esquematicamente o mesmo que se passava na Figura 1, sob o ponto de vista de ordem e continuidade. Euler demonstrou que era impossvel percorrer toda a Figura 2 sem levantar o lpis do papel (o que equivaleria passar por todas as pontes) e sem percorrer mais de uma vez a mesma aresta. Esta foi a primeira notcia do emprego de um modelo de grafos, na demonstrao de uma propriedade geomtrica. Euler denominou de grau de um n (ou vrtice) o nmero de arestas que tocam nesse n. Por exemplo, A D e C so ns do terceiro grau, enquanto B do quinto. Ele chegou concluso de que somente os grafos onde todos os seus ns tm grau par podem oferecer a propriedade geomtrica de poderem ser desenhados de uma s vez, sem levantar o lpis do papel. A seguir passa-se a descrever sucintamente algumas aplicaes contemporneas de Teoria dos Grafos.
Um problema de montagem (ANDRADE, 1980)

Uma indstria dispe de trs setores de montagem (A, B e C) alimentados por trs Departamentos (D1, D2 e D3). Como a alimentao feita por esteiras mveis, todas situadas num plano, necessrio estabelecer um projeto de implantao de tal forma que uma esteira no intercepte a outra. Uma soluo em estudo est ilustrada na Figura 3, onde h interferncia da esteira do Departamento 2 que alimenta o setor de montagem B na esteira do Departamento 3 que alimenta o setor A (indicado pela seta).

Cap_3.indd 82

27/08/2011 21:53:16

Introduo Teoria dos Grafos e a Otimizao em Redes | 83

Figura 3 Um problema de montagem

D1

D2

D3

Verifica-se que o envio do abastecimento D3 para setor de montagem A intercepta o abastecimento D2 B. Neste tipo de grafo, conhecido como K3,3, no h soluo, ou seja, qualquer outra tentativa levar sempre a esta interseco indesejvel. Em Teoria dos Grafos existe uma rea denominada Grafos Planares em que se estuda esta situao. A deteco desses pontos de cruzamento planar tem uma importncia fundamental em vrios outros casos, como na implantao de viadutos em projetos virios ou na fabricao de chips para equipamentos eletrnicos.
Um Problema de Localizao

Uma indstria necessita instalar-se em qualquer uma das vinte cidades maiores consumidoras dos seus produtos. A escolha desta cidade deve ser tal que o custo de distribuio dos seus produtos para os centros consumidores seja o menor possvel. O problema determinar qual a seqncia de cidades, a partir daquela onde foi instalada a indstria, cujo custo total de distribuio seja mnimo. Trata-se, pois, de analisar, entre todas as permutaes possveis entre essas cidades, qual a mais econmica. H um nmero muito grande de possibilidades (20!) o que inviabiliza um procedimento exaustivo de testar todas as possibilidades. A Teoria dos Grafos oferece uma importante ajuda na soluo deste problema.

Cap_3.indd 83

27/08/2011 21:53:16

84

| INTRODUO PESQUISA OPERACIONAL

3.2. CONCEITOS BSICOS Definio de Grafo

Um grafo uma estrutura que corresponde a um par de conjuntos G = (N, E), onde: (i) N um conjunto de entidades. Por exemplo, estas entidades podem estar associadas a pontos, locais, pessoas, reas geogrficas; (ii) E um conjunto, cujos elementos so ligaes ou inter-relaes entre os elementos de N. Por exemplo, as ligaes podem ser estradas, parentescos e fronteiras entre reas geogrficas.
Exemplo 1: Ilustrao da definio de Grafo.

(a) N = {So Paulo, Rio de Janeiro, Gois, Pernambuco, Rio Grande do Sul} E = {(x,y) / x, y N e x faz fronteira com y}; (b) N = {Fernando Silva, Jos Silva, Maria Silva, Jos Silva, Pedro Silva, Silvia Silva) E = {(x,y) /x,y N e x pai de y}. Observe-se que no Exemplo 1 (a), no se faz presente a idia de orientao, este seria um exemplo de grafo no orientado, enquanto o Exemplo 1(b), onde a orientao importante, seria um grafo orientado.
Representaes de um Grafo

Alm de representao geomtrica de um grafo, pelos diagramas j vistos nas Figuras 2 e 3, outras importantes representaes so dadas em forma matricial. Considere G = (N, E) um grafo (orientado ou no).
Definio de Matriz de Adjacncia

X = [ Xij ] a matriz (quadrada) de adjacncia de G se 1, se existe aresta do n i para j Xij = 0, caso contrrio.

Cap_3.indd 84

27/08/2011 21:53:16

Introduo Teoria dos Grafos e a Otimizao em Redes | 85

Exemplo 2: Um Grafo No Orientado com 4 ns e 5 arestas e a sua matriz de

adjacncia X esto ilustrados na Figura 4.


Figura 4 Grafo para o Exemplo 2 2 1 1 1 3 X = 2 3 4 4 0 1 0 1 2 1 0 1 1 3 0 1 0 1 4 1 1 1 0

Seja G = (N, E) um grafo orientado.


Definio de Matriz de Incidncia

A = [aij] a matriz (no necessariamente quadrada) de incidncia de G se 1, se o arco j tem origem no n i aij = -1, se o arco j aponta para o n i 0, se o arco j no incidente ao n i
Exemplo 3: Um Grafo orientado com 6 ns e 8 arcos est ilustrado na Figura 5.

Na seqncia est a sua Matriz de incidncia.


Figura 5 Grafo para o Exemplo 3 1 a h 2 e 4 g 6 b

3 d

Cap_3.indd 85

27/08/2011 21:53:16

86

| INTRODUO PESQUISA OPERACIONAL

a 1 2 A = 3 4 5 6 0 0 0 1 0 1

b 0 0 0 1 0 1

c 0 0 0 1 1 0

d 0 0 1 0 1 0

e 0 1 0 1 0 0

f 0 1 1 0 0 0

g 0 1 0 0 1 0

h 1 1 0 0 0 0

H, ainda, muitas outras formas de representao para grafos. Os interessados podem consultar as referncias bibliogrficas do final do captulo.
Definio de Grafos Valorados

A cada n de grafo e/ou a cada aresta (ou arco) pode estar associado um nmero (peso, custo ou valor). Neste caso, diz-se que G = (N, E) um grafo valorado (ver Figura 6).
Figura 6 Exemplo de Grafo valorado Rio 380 Km 400 Km So Paulo 600 Km

B. Horizonte

300 Km

Vitria

Definio de Cadeia num Grafo

Uma cadeia de um grafo uma seqncia de arcos, ou arestas, de modo que cada arco tenha uma das suas extremidades em comum com os arcos antecedente e subseqente, com exceo do arco inicial e do arco terminal da cadeia.
Definio de Caminho num Grafo

Um caminho uma cadeia na qual todos os arcos possuem a mesma orientao. Na Figura 7 exemplifica-se uma cadeia e um caminho num grafo com 7 ns e 9 arcos.

Cap_3.indd 86

27/08/2011 21:53:16

Introduo Teoria dos Grafos e a Otimizao em Redes | 87

Definio de Comprimento de uma Cadeia ou de um Caminho em Grafos no Valorados

Define-se por comprimento de uma cadeia ou caminho, em grafos no-valorados, como sendo o nmero de arestas ou arcos que a compe.
Figura 7 Exemplo de uma Cadeia (formada pelos arcos c, g, h) e um Caminho (formado pelos arcos a,d, e) entre os ns 1 e 7 d e a b 1 c g h h f 7

Definio de Comprimento de uma Cadeia ou de um Caminho em Grafos Valorados

Se o grafo valorado, o comprimento obtido atravs da soma dos valores associados aos arcos que compem a Cadeia ou o Caminho.
Definio de Ciclo num Grafo

Um ciclo uma cadeia fechada simples.


Definio de Circuito num Grafo

Um circuito um ciclo formado por arcos que tm a mesma orientao. Na Figura 8 tm-se uma ilustrao de um ciclo e de circuito num grafo com 4 ns e 5 arcos.

Cap_3.indd 87

27/08/2011 21:53:17

88

| INTRODUO PESQUISA OPERACIONAL

Figura 8 Exemplo de ciclo (formada pelos arcos a, e, d) e um circuito (formado pelos arcos a, b, c, d)

a e

Observaes:

(a) Um ciclo que passa por todas as arestas ou arcos de um grafo chamado Euleriano. Em problemas como coleta de lixo e vendas domiclio o interesse est em ciclos Eulerianos de comprimento mnimo; (b) Um circuito que passa por todos os ns de um grafo chamado Hamiltoniano. Um problema muito importante da Pesquisa Operacional, onde o interesse por um circuito Hamiltoniano de menor comprimento, Problema do Caixeiro Viajante.
Definio de Grafo Conexo e Grafo Desconexo

Um grafo G = (N,E) conexo, quando para qualquer par de ns (i, j) de N existe uma cadeia em G, cujas extremidades esto em i e j (ver Figura 9). De outra forma G dito ser desconexo. Todo grafo desconexo pode ser decomposto em componentes conexas (ver Figura 10).
Figura 9 O grafo G conexo

Cap_3.indd 88

27/08/2011 21:53:17

Introduo Teoria dos Grafos e a Otimizao em Redes | 89

Figura 10 O Grafo G desconexo com trs componentes conexas

Definio de Grafo Fortemente Conexo num Grafo Orientado

Em grafos orientados possvel caracterizar um tipo mais forte de conexidade. Um grafo orientado G = (N;E) fortemente conexo (f-conexo) par de ns (i, j) N existe um caminho cuja extremidade inicial i e extremidade final j, e existe outro caminho, com extremidade inicial em j e extremidade final em i (ver Figura 11).
Figura 11 Exemplo de um Grafo f-conexo 1 6 3 5 4 2

Definio de rvore, Floresta num Grafo

Uma rvore um grafo conexo sem ciclos, enquanto uma floresta um grafo cujas componentes conexas so rvores.
Fig. 12 Exemplo de uma rvore G

Cap_3.indd 89

27/08/2011 21:53:17

90

| INTRODUO PESQUISA OPERACIONAL

Teorema: Seja G = (N, E) um grafo, tal que se tem n = nmero de ns e n > 2.

As seguintes proposies so equivalentes: (i) (ii) G uma rvore; G conexo e sem ciclos;

(iii) G sem ciclos e tem n-1 arestas; (iv) G conexo e tem n-1 arestas; (v) G sem ciclos e por adio de uma aresta se cria um e somente um ciclo; (vi) G conexo, mas deixa de s-lo se uma aresta suprimida; (vii) Todo par de ns de G unido por uma e uma s cadeia simples. Para demonstrao deste teorema, consulte (BOAVENTURA NETTO, 2003).

3.3. ALGORITMOS 3.3.1.

rvore de Valor Mnimo

H diversos algoritmos importantes para a determinao de rvores de valor mnimo. Aqui ser apresentado apenas o algoritmo de Kruskal, dada a sua simplicidade.
Algoritmo de Kruskal

Dado um grafo G = (N,E) no orientado e valorado, constri-se uma / rvore de valor mnimo, partindo-se do grafo trivial G = (N, 0), que formado apenas pelos ns do grafo original G, e adicionando-se iterativamente a aresta de menor valor que no forma ciclo com as j escolhidas. O Comprimento mnimo ser obtido pela soma dos valores associados s arestas da rvore resultante do procedimento descrito acima. Na Figura 13, esto um Grafo, sua rvore Mnima e o valor do Comprimento Mnimo associado.

Cap_3.indd 90

27/08/2011 21:53:17

Introduo Teoria dos Grafos e a Otimizao em Redes | 91

Figura 13 Grafo e uma rvore Parcial Mnima


B 7 2 3 2 4 A 2 1 C 3 5 E 2 D 12 8 8 H F 4 G B 3 A 2 D 1 2 2 4 E 2 3 C F H G

Valor Total Mnimo = 16 = 2 + 1 + 2 + 2 + 4 + 2 + 3

3.3.2.

Caminho mais curto

A determinao de um caminho mais curto num Grafo, dada a sua aplicabilidade prtica, um problema importante em vrias reas, como por exemplo, na rea de Logstica. O comprimento de um caminho P definido como sendo a soma dos comprimentos de todos os arcos de P. O problema encontrar o caminho mais curto, de um n inicial s para um n terminal t. Aqui se considera um grafo valorado simples (isto , sem laos e arcos paralelos) G com n ns pode ser descrito por uma matriz Dnxn = [dij ], onde: dij = comprimento do arco que liga os ns i e j, d ij 0, dii = 0, d = , se no h um arco ligando os ns i e j. ij Em geral, dij d ji e a desigualdade do tringulo no precisa ser satisfeita, isto , dij + d jk pode ser menor que dik . De fato, se a desigualdade do tringulo satisfeita, para todo i, j e k, o problema seria trivial, pois o arco direto (x, y) seria o caminho mais curto do vrtice x ao y. Apresenta-se, a seguir o Algoritmo de Djisktra que foi um dos primeiros a serem propostos para resolver o problema do caminho mais curto.

Cap_3.indd 91

27/08/2011 21:53:17

92

| INTRODUO PESQUISA OPERACIONAL

Ele se aplica quando os comprimentos de cada arco so dij 0, se alguns dos comprimentos so negativos o algoritmo no se aplica.
Descrio do Algoritmo

O algoritmo usa uma tcnica de rotulao dos ns a partir de s, o n inicial do caminho, havendo dois tipos de rotulao: temporria e definitiva. O valor do nvel em que um n j rotulado definitivamente, a partir de s, exatamente o comprimento do caminho mais curto entre s e j. Em cada iterao do algoritmo, alguns ns so rotulados temporariamente e outros definitivamente, assim, aplica-se o algoritmo at se conseguir rotular definitivamente o n terminal do caminho, que o n t.
Regras para aplicao do Algoritmo de Djisktra

Passo 1 (Inicializao): Rotular definitivamente (RD) o n s a um nvel 0 e rotu-

lar temporariamente (RT) os demais ns a um nvel ;


Passo 2: Todo n j ainda no rotulado definitivamente deve receber uma nova

rotulao temporria cujo valor ser: min [valor da rotulao temporria atual de j, valor da rotulao definitiva de i + dij] onde i o n rotulado definitivamente na iterao anterior;
Passo 3: Rotular definitivamente o n i associado ao menor valor de rtulos

encontrados no Passo 1;
Passo 4: Repetir os Passos 1 e 2 at se conseguir rotular definitivamente o n

terminal do caminho t. O valor da rotulao definitiva do n t corresponder ao comprimento do caminho mais curto entre s e t.

Cap_3.indd 92

27/08/2011 21:53:17

Introduo Teoria dos Grafos e a Otimizao em Redes | 93

Para se determinar quais so os ns intermedirios do caminho mais curto entre s e t, deve-se trabalhar do final do caminho para o comeo (backtracking) da seguinte forma: (a) A partir do n t, procurar achar qual foi o primeiro n responsvel pelo seu valor de rtulo definitivo, suponha-se que tenha sido o n k. Este n denominado de n Pai do n t; (b) Deve-se procurar achar qual foi o primeiro n i, do Passo 2, responsvel pelo valor de rtulo definitivo de k; (c) Aplicar o mesmo procedimento para encontrar o n Pai do n k e repetir isto, sucessivamente, at se encontrar o n inicial s, como sendo o n Pai, responsvel pelo valor do rtulo definitivo de algum n intermedirio; (d) Os ns assim determinados comporo o caminho mais curto.
Figura 14 Rede do Exemplo 4 para a aplicao do algoritmo de Dijsktra 2 A 7 B 1 C 3 4 2 8 E 1 4 3 F 2 7 D 2 G 10

Exemplo 4: Seja o grafo da Figura 14, determine o caminho mais curto entre os

ns B (ser o n s) e G (ser o n t). Determine, tambm, o comprimento total mnimo do caminho.

Cap_3.indd 93

27/08/2011 21:53:17

94

| INTRODUO PESQUISA OPERACIONAL

Figura 15 Algoritmo de Djisktra aplicado ao Grafo da Figura 14 Vetores de rtulos A 8 B 0 0 0 0 0 0 0 0 0 0 0 C 8 D 8 E 8 F 8 G 8 Etapas do algoritmo P1 - RD B com 0, outros com P2 - RT com i = B P3 - menor valor: RD C P2 - RT com i = C P3 - menor valor: RD F P2 - RT com i = F P3 - menor valor: RD A P2 - RT com i = A P3 - menor valor: RD F P2 - RT com i = E P3 - menor valor: RD G PARAR! 8

7 7 4 4 4 4 4 4 4 4

1 1 1 1 1 1 1 1 1 1

8 8 4 4 4 4 4 4 4 4

5 5 5 5 5 5 5 5

14 14 12 12 12 12

Na resoluo adota-se um vetor de dimenso 1 x 7 para mostrar os nveis de rotulaes temporrias (RT) e definitivas (RD) dos ns, enquanto caminha-se para a soluo tima. Isto est na Figura 15. As rotulaes definitivas so colocadas dentro de um quadrado e o ltimo nvel de rotulao definitiva do vetor indicado por . Como soluo tima tem-se: O Comprimento total mnimo = valor do nvel de rotulao definitiva do n terminal G = 7 e o Caminho mais curto (obtido do fim para o comeo) G E C B.

Cap_3.indd 94

8 11 11 11 11 7 7

27/08/2011 21:53:17

Introduo Teoria dos Grafos e a Otimizao em Redes | 95

3.3.3.

Fluxo Mximo

Na anlise do desempenho de um grafo valorado freqentemente necessrio calcular o valor timo de uma funo do fluxo entre um vrtices, denominado fonte, e um vrtice t, conhecido como destino. Aqui se apresenta a situao em que existe apenas um tipo de fluxo no grafo, que pode ser exemplo, eletricidade, gua, informao, ou trfego. Na literatura especializada este caso conhecido como The One-Commodity Flow Problem, e o grafo denominado de uma Rede. Seja i o conjunto de ns ligados ao n i por arcos orientados no sentido de chegada em i, e i o conjunto de ns ligados ao n i por arcos orientados no sentido de sada de i.
Definio:

Uma funo fij definida em E com valores reais dita ser um fluxo para um grafo orientado G = (N, E) se:

ja i

fij

b ji

f
i

fij 0
ji

para todo arco (i,j) E

(1) (2) (3)

= 0 para i N, i s, i t para todo arco (i,j) E

fij uij

onde, uij a capacidade do arco (i,j), isto , a quantidade mxima de fluxo que pode ser remetida de i para j. A condio (2) representa a hiptese da conservao de fluxo na rede, porm existem estudos referentes a redes onde pode haver ganhos ou perdas de fluxo, os interessados podem consultar as referncias ao final do captulo.
Notao: F o valor do fluxo que pode ser enviado da fonte s ao destino t,

atravs da rede G = (N, E). Deve-se notar que o valor mximo de F limitado pelas capacidades associadas a cada arco da rede e determinado por uma propriedade fundamental de uma rede, denominada Corte, definido a seguir.
Definio:

Um Corte um conjunto de arcos que se forem removidos de uma rede, desconectam um conjunto de ns dos demais. Na Figura 16, percebe-se que o corte formado pelos arcos (2, 4) e (3, 4) desconectam o n 4 dos ns 1, 2 e 3.

Cap_3.indd 95

27/08/2011 21:53:17

96

| INTRODUO PESQUISA OPERACIONAL

Figura 16 Exemplo de um Corte 2


u12

u24

CORTE 4

u13

u34

Nos Problemas de Fluxo Mximo o interesse por cortes que separem n fonte do n destino. O Valor do Corte, ou Capacidade do Corte, a soma das capacidades dos arcos do corte (numa dada direo). Na Figura 16, o Valor do Corte igual a u24 + u34. O algoritmo descrito adiante se baseia num princpio muito simples. Seja X um subconjunto de N tal que s X e t X. O conjunto AX de arcos que tem orientao de chegada em ns de X e origem em ns que no pertencem a X, por definio, um Corte na rede G. Se c(AX) o valor desse Corte ento o valor mximo de fluxo F que pode ser enviado de s para t satisfaz F c (AX). Ou seja, o fluxo mximo numa rede limitado pelo Valor do Corte de menor capacidade, sendo que, na verdade, igual a essa capacidade. Isto estabelecido, de maneira mais rigorosa, num dos mais importantes resultados na Teoria de Fluxos em Redes, que o teorema a seguir. No se apresenta aqui a demonstrao, interessados podem consultar as referncias ao final do captulo.
Teorema do Fluxo Mximo e Corte Mnimo

Para uma rede com uma nica fonte e um nico destino, o fluxo vivel mximo que pode ser enviado da fonte ao destino t igual ao Valor do Corte Mnimo (Corte com menor capacidade) entre os Cortes da rede. Como ilustrao, pode ser verificado que o fluxo mximo na rede da Figura 17 3, os nmeros que aparecem ao lado dos arcos representam suas capacidades nas direes especificadas pelas setas. O Corte Mnimo consiste dos arcos (s,2) e (3,t) e tem valor igual a 3.

Cap_3.indd 96

27/08/2011 21:53:17

Introduo Teoria dos Grafos e a Otimizao em Redes | 97

Figura 17 Corte Mnimo 2 S 8 3 2 1 1 6 T

Deve ser observado que o Problema Fluxo Mximo numa Rede pode ser expresso como um Problema de Programao Linear: Seja o fluxo fij numa rede G = (N, E), onde N = {s, 2,...,t} e uij a capacidade do arco (i.j). O valor deste fluxo F se

f =f
sj j j

jt

= F.

Assim tem-se a seguinte formulao: F, i = s s.a. : fij f ji = 0, i s, i t j j F , i = t 0 fij uij , (i, j) E

Max F

Assim pode ser aplicado o Mtodo Simplex na resoluo de um Problema de Fluxo Mximo. Apresenta-se, a seguir, um algoritmo mais eficiente, que usa um procedimento de rotulao (descrito adiante) e gera uma seqncia de fluxos crescentes at atingir o mximo.
Observao: Usando o Teorema do Corte Mnimo e Fluxo Mximo pode-se

encontrar o Fluxo Mximo; basta determinar a capacidade de todos os cortes e escolher o de capacidade mnima. Embora isso nos d o valor mximo de F, no especifica como o fluxo circula pela rede.
Algoritmo do Fluxo Mximo

O mtodo baseado no Teorema de Ford e Fulkerson, e busca encontrar uma cadeia atravs da qual um fluxo positivo possa ser enviado da fonte s ao destino t. Estas cadeias so denominadas Cadeias de Fluxo Amplivel (Flow Augmenting Path) ou CFA.

Cap_3.indd 97

27/08/2011 21:53:17

98

| INTRODUO PESQUISA OPERACIONAL

As cadeias so usadas para remeter tanto fluxo quanto possvel de s para t. Repete-se o processo at no ser mais possvel encontrar alguma CFA, neste caso encontrou-se o fluxo mximo.
Rotina de Rotulao encontrar uma CFA

Inicia-se rotulando o n s. Um n j pode ser rotulado se um fluxo positivo pode ser enviado de s para j. No caso geral, do n i pode-se rotular um n j se uma das seguintes condies satisfeita: 1. O arco que liga o n i ao n j um arco que chega em j (arco forward) e o fluxo nele menor do que sua capacidade ( fij < uij). 2. O arco que liga o n i ao n j um arco que sai de j (arco backward) e o fluxo nele maior que zero ( fij > 0). Continua-se nesta rotina at rotular o destino t, obtendo assim uma CFA.
Fases do Algoritmo

1. Inicializao: obter um fluxo vivel em todos os arcos, isto , um fluxo que satisfaa as restries de capacidade nos arcos e de conservao de fluxo nos ns. 2. Obter uma CFA, iniciando em s e terminando em t. Ir Fase 3. Se no for possvel ento PARAR! O fluxo mximo foi encontrado. 3. Calcular o fluxo mximo , que pode ser enviado pela ltima CFA obtida. Aumentar de o fluxo nos arcos forward da cadeia e decrescer o fluxo de nos arcos backward. Voltar a Fase 2.
Exemplo 5: (Fonte: Ravindran; Phillips; Solberg, 1987)

Determinar o fluxo mximo F da fonte s ao destino t na rede a seguir, onde os nmeros ao lado dos arcos representam suas capacidades.

Cap_3.indd 98

27/08/2011 21:53:17

Introduo Teoria dos Grafos e a Otimizao em Redes | 99

Figura 18 Rede para o Exemplo 5 7 F S 9 2 1 3 9 8 T F

Inicializao: fazer fij = 0 em todos os arcos. Notao: Nas Figuras 19, 21, 23, 25 e 27, os nmeros ao lado dos arcos (i,j)

representam ( fij , uij) e nas Figuras 20, 22, 24 e 26, os nmeros ao lado dos arvos (i, j) representam fi.
Passo 1 (Figura 19). Vamos encontrar uma CFA de s para t. Assim, rotula-se

inicialmente s (rtulos so denotados por asteriscos). De s, pode-se rotular o n 1 pois (s, 1) um arco forward, levando um fluxo f s1 us1 = 7. Do n 1 pode-se rotular o n 2 pelo arco forward (1,2) e finalmente rotula-se o destino t.
Figura 19 Fluxo Inicial

*
(0,7) F=0

1 (0,3)

(0,9) T (0,8) F=0

*
S (0,9) 2

*
Desta forma, obtm-se a CFA, dada na Figura 20, formada apenas por arcos forward.
Figura 20 Primeira CFA e seus fluxos

*
7 S 1 3 2 8 T

Cap_3.indd 99

27/08/2011 21:53:18

100

| INTRODUO PESQUISA OPERACIONAL

Os nmeros nos arcos indicam o fluxo mximo permitido em cada um deles. Assim o mximo valor de fluxo por essa CFA 3, isso aumenta F de 3 unidades e o fluxo sobre todos os arcos (forward) da cadeia aumenta de 3 unidades tambm. A nova configurao de fluxo dada na Figura 21.
Figura 21 Primeira alterao de fluxo (3,7) F=3 S (0,9) 2 1 (3,3) (3,8) (0,9) T F=3

Passo 2 (Figura 21). Repetindo a Rotina de Rotulao obtm-se uma nova

CFA, dada na Figura 22.


Figura 22 Segunda CFA e seus fluxos

* *
4 I S

Agora o fluxo mximo permitido 4. Isso aumenta o fluxo F pela rede para 7 unidades. A nova configurao fica sendo aquela da Figura 23.
Figura 23 Segunda alterao de fluxo (7,7) F=7 S (0,9) 2 1 (3,3) (3,8) (4,9) T F=7

Passo 3 (Figura 23). O n 1 no pde ser rotulado a partir de s, pois o arco (s,1)

forward e fs1 = us1 = 7. Mas, uma nova CFA pode ser encontrada, como aquela da Figura 24.

Cap_3.indd 100

27/08/2011 21:53:18

Introduo Teoria dos Grafos e a Otimizao em Redes | 101

Figura 24 Terceira CFA e seus fluxos 5 2 T

Isto aumenta o fluxo total F de 5 unidades como mostra a Figura 25.


Figura 25 Terceira alterao de fluxo

*
(7,7) F = 12 S

1 (3,3)

(4,9)

*
T (8,8)

F = 12

(5,9)

*
Passo 4 (Figura 25). Partindo-se de s, o n 2 pode ser rotulado, mas no se

consegue rotular t a partir dele, pois o arco (2,t) j alcanou sua capacidade. Porm, o n 1 pode ser rotulado a partir de 2, pois o arco (1,2) backward contendo um fluxo positivo. E a partir do vrtice 1 pode-se rotular t. Agora tem-se uma CFA com dois arcos forward (s,2) e (1,t), e um backward (1,2), conforme a Figura 26.
Figura 26 Quarta CFA e seus fluxos

*
1 5 3 4 2 T S

Para aumentar o fluxo por essa cadeia, aumenta-se o fluxo nos arcos forward e decresce-se no arco backward. O mximo valor que se pode aumentar em F de 3 unidades e o novo fluxo na rede fornecido a seguir.

Cap_3.indd 101

27/08/2011 21:53:18

102

| INTRODUO PESQUISA OPERACIONAL

Figura 27 Quarta alterao de fluxo (tima)

(7,7) F = 15 S

1 (0,3)

(7,9) T F = 15

(8,9)

(8,8) Corte Mnimo

Passo 4 (Figura 27). Apesar do n 2 poder ser rotulado a partir de s, o destino

t nunca ser rotulado. Dessa forma nenhuma outra CFA pode ser encontrada e a Figura 27 representa a configurao tima de fluxo na rede, com fluxo mximo de 15 entre s e t.
Comentrios:

1. Pode-se usar o Teorema de Ford e Fulkerson para provar que o fluxo mximo realmente F = 15. Basta considerar o corte que separa os vrtices rotulados dos no-rotulados na Figura 27. Isso fornece os arcos (s,1) e (2,t) cuja capacidade (valor) 15. Observe-se que o arco (1,2) no pertence ao Corte. Como F no pode exceder a capacidade de nenhum corte que separe s de t, o valor de F = 15 o mximo fluxo possvel. O corte mostrado na Figura 27 o Corte Mnimo. 2. Para encontrar o fluxo mximo numa rede G = (N, E) no orientada, primeiro deve-se convert-la numa rede orientada equivalente e ento aplicar o algoritmo.

REFERNCIAS

ANDRADE, M.C.Q. Criao no Processo Decisrio. Rio de Janeiro: LTC, 1980. RAVINDRAN, A., PHILLIPS, D.T.; SOLBERG, J.J. Operations Research, Principles and Practice. 2nd edition. New York: John Wiley & Sons, 1987. BOAVENTURA Netto, P.O. Teoria e Modelos de Grafos. So Paulo: Editora Edgard Blucher Ltda, 2003.

Cap_3.indd 102

27/08/2011 21:53:18

4
O MODELO DE TRANSPORTE SIMPLES
4.1. HISTRICO E FORMULAO MATEMTICA

Historicamente, o desenvolvimento da Programao Matemtica (que inclui a Programao Linear, a Programao No-Linear, Programao Inteira, Programao Dinmica, Programao Geomtrica e a Programao Estocstica) comeou com o Problema de Transporte. Este problema um caso especfico de Programao Linear, e todo algoritmo desta rea (como o Mtodo Simplex) pode ser usado para resolv-lo. Contudo, quando um algoritmo geral aplicado a um modelo com uma estrutura especial, ele no utiliza os aspectos particulares do modelo e, portanto pode ser relativamente ineficiente. Neste texto apresenta-se um algoritmo especfico para o modelo em questo que explora suas caractersticas. O Problema de Transporte Simples pode ser descrito como sendo concernente ao transporte de um nico produto de vrias origens, onde fabricado, para muitos destinos, onde consumido. Cada origem tem uma capacidade de produo limitada e cada destino tem uma demanda conhecida. Admite-se que as funes de produo e vendas do produto so similares e os custos de produto, qualidade e vendas so os mesmos, independentemente das origens e destinos do produto. O nico fator que varia o custo de distribuio, que depende principalmente da distncia entre cada origem i e cada destino j. Objetiva-se minimizar o custo total de transporte, respeitando as restries de ofertas e demandas do produto. Em geral, o Modelo de Transporte pode ser formulado e modelado matematicamente como segue:
(a) Formulao

H m fbricas (ou origens), todas produzindo o mesmo produto, e que devem abastecer n depsitos (ou destinos). Supor que o custo de transporte entre cada fbrica e cada depsito seja proporcional quantidade transportada.

Cap_4.indd 103

27/08/2011 21:53:45

104

| INTRODUO PESQUISA OPERACIONAL

O problema consiste em minimizar o custo total de transporte necessrio para o abastecimento dos depsitos a partir das fbricas fornecedoras. Admitir que o total de oferta de produto nas origens se iguala ao valor da demanda total pelo produto nos destinos.
(b) Modelagem

Sejam Oi - fbrica i; Dj - depsito j, com i = 1,2,...,m e j = 1,2,...,n; Cij = custo unitrio de transporte entre a fbrica i e o depsito j; CT = custo total de transporte; ai = quantidade do produto disponvel na fbrica i; bj = quantidade do produto requerida no depsito j. Variveis de Deciso: xij a quantidade do produto a ser transportada da origem i para o destino j. Funo-objetivo min CT =

C
i =1 j =1

ij

xij

Restries

n xij = ai , i = 1,2,..., m (balano do produto nas origens) j =1 m s.a. xij = b j , j = 1,2,..., n (balano do produto nos destinos) i =1 (nao negatividade) xij 0, i, j

Observaes importantes:

(1)

Notar que

a = b , ou seja, o modelo est balanceado. Adiante se


i =1 i j =1 j

apresenta como tratar os demais casos:

i =1

ai <

j =1

bj e

i =1

ai >

b .
j =1 j

Cap_4.indd 104

27/08/2011 21:53:46

O Modelo de Transporte Simples | 105

O Modelo de Transporte, tal como foi apresentado, um modelo de Programao Linear e, portanto pode ser resolvido pelo Mtodo Simplex; porm, ele apresenta uma estrutura especial, que permite simplificar a sua soluo (ver Exemplo 1).
(2)
Exemplo 1:

Considere uma situao onde h 3 fbricas (F1, F2, F3) produzindo um mesmo produto, e 4 depsitos (D1, D2, D3, D4) onde este produto ficar estocado para posterior venda. As capacidades de produo das fbricas so: a1 = 40, a2 = 80, a3 = 110, respectivamente para F1, F2 e F3. Nos depsitos devem ser atendidas as seguintes demandas: b1 = 20, b2 = 30, b3 = 100 e b4 = 80, respectivamente para D1, D2, D3, D4. Os custos unitrios de transporte (Cij) do produto nos 12 trajetos possveis so dados na Tabela 1.
Tabela 1 Custos Unitrios de transportes para o Exemplo 1 D1 F1 F2 F3 10 2 13 D2 5 0 11 D3 12 1 14 D4 4 9 6

Formular um modelo da PL para determinar o programa de entregas do produto que leve a um custo total de transporte mnimo (CT).
Modelagem:

Variveis de deciso: xij = quantidade do produto a ser transportada da fbrica Fi (i = 1, 2, 3) ao depsito Dj (j = 1, 2, 3, 4). Funo objetivo: Min CT = 10 x11 + 5x12 + 12 x13 + 4 x14 + 2 x21 + 0 x22 +1x23 + 9 x24 +13x31 + 11x32 + 14 x33 + 6 x34

Cap_4.indd 105

02/09/2011 23:52:26

106

| INTRODUO PESQUISA OPERACIONAL

Restries: x11 + x12 + x13 + x14 = 40 x21 + x22 + x23 + x24 = 80 x31 + x32 + x33 + x34 = 110 x11 + x21 + x31 x12 + x22 + x32 x13 + x23 + x33 x14 + x24 + x34 xij 0 = 20 = 30 = 100 = 80 (Balano nas Fbricas)

(Balano nos Depsitos)

(No-negatividade)

Pode-se observar que a matriz de coeficientes das variveis de deciso nas restries do modelo tem estrutura tpica, que se repetir caso o modelo seja de maior porte (Ver Figura 1).
Figura 1 Estrutura especial no modelo do Exemplo 1 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 0 1 0 1 0 1 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 1 0 0 0 0 0 1 0 1 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 x11 x12 x13 x14 x21 x22 x23 x24 x31 x32 x33 x34 = 40 80 110 20 30 100 80

Todo modelo linear cuja matriz de restries tiver estas caractersticas poder ser resolvido pelo algoritmo especial que ser apresentado a seguir. Um resultado importante que pode ser provado que qualquer equao do sistema formado pelas restries do modelo de transporte pode ser obtida por uma combinao linear das demais.
(3)

Cap_4.indd 106

02/09/2011 23:32:05

O Modelo de Transporte Simples | 107

Isto indica que s existem m + n - 1 equaes independentes naquele sistema, o que implica que toda soluo bsica vivel para o modelo de transporte ter este nmero de variveis bsicas. Para o caso do Exemplo 1, onde m = 3 e n = 4, percebe-se que, por exemplo, tem-se que a 4a eq. = 1a eq. + 2a eq. + 3a eq. - 5a eq. - 6a eq. - 7a eq., ou seja, uma soluo bsica vivel ter m + n 1 = 3 + 4 1 = 6 variveis bsicas.
(4) Interpretao de Modelos de Transporte atravs de Modelos em Redes

Como foi visto no Captulo 2, uma Rede um grafo valorado, ou seja, h nmeros associados aos seus ns ou arcos. Estes nmeros podem representar custos, distncias ou outros tipos de parmetros. A otimizao de Modelos em Redes uma das reas mais relevantes da Pesquisa Operacional, possui muitas aplicaes, e a sua estrutura caracterstica tem sido explorada para o desenvolvimento de algoritmos especializados extremamente eficientes. Ao Exemplo 1 pode ser associada a rede da Figura 2.
Figura 2 Modelo em Redes para o Exemplo 1
D1 (b1 = 20)

(a1 = 40)

F1

(a2 = 80)

F2

C11 = 10 C12 = 5 C 13 = C 12 14 = 4 C21 = 2 C 22 = 0 C2 = C 3 1 24 = 9


C 32 1 =1

D2

(b2 = 30)

13

(a3 = 110)

F3

31

D3

(b3 = 100)

C3

C33 = 14 =6

D4

(b4 = 80)

Deve ser observado, ainda, que toda soluo bsica vivel para o modelo de transporte corresponde a uma estrutura de rvore com respeito a rede associada.

Cap_4.indd 107

27/08/2011 21:53:46

108

| INTRODUO PESQUISA OPERACIONAL

Para exemplificar, para o modelo do Exemplo 1 pode-se considerar a rvore (soluo bsica vivel) da Figura 3. Notar que a rvore possui m + n - 1 = 3 + 4 - 1 = 6 arcos (bsicos) correspondentes s variveis bsicas que compem a soluo bsica vivel associada; os demais arcos (no bsicos) da rede, que no esto na rvore, correspondem s variveis no-bsicas da soluo (todos com valores nulos).
Figura 3 rvore associada a uma Soluo Bsica Vivel Inicial para o Exemplo 1 X11 = 20 (40) F1 (80) F2 (110) F3 X12 = 20 X22 = 10 X23 = 70 X33 = 30 X34 = 80 D4 (80) D3 (100) D2 (30) D1 (20)

4.2. ALGORITMO DO STEPPING STONE METHOD

Inicialmente mostra-se a sistemtica de aplicao do algoritmo ao modelo do Exemplo 1 e, depois, sero identificados os passos gerais do Algoritmo do Stepping Stone Method. Para a resoluo do Exemplo 1, constri-se o Quadro 1, indicando no canto direito superior de cada clula do quadro o respectivo custo unitrio de transporte, e ao final de cada linha (associada s fbricas) e coluna (associada ao depsito), so colocados os valores das respectivas capacidades de produo e demandas. Observe-se que o modelo est balanceado, ou seja, o total de produo (40 + 80 + 110 = 230) igual ao total da demanda (20 + 30 + 100 + 80 = 230). Caso isso no ocorra haver necessidade de se usar um artifcio descrito na seo 5.

Cap_4.indd 108

27/08/2011 21:53:47

O Modelo de Transporte Simples | 109

Quadro 1 Dados para Aplicao do Stepping Stone Method ao Exemplo 1 D1 01 02 03 Total 20 10 2 13 D2 5 0 11 D3 12 1 14 D4 4 9 6 Total 40 80 110 230

30

100

80

No Quadro 1 tem-se 12 trajetos possveis entre fbricas e depsitos, mas sabe-se que a soluo tima (que uma soluo bsica) utilizar apenas m + n - 1 = 4 + 3 - 1 = 6 destes trajetos para transportar o produto. Casos em que h possibilidade de ocorrncia de degenerescncia, onde isto no se verifica, sero estudados adiante. Deve-se, pois, partir de uma soluo bsica vivel inicial que tenha apenas 6 valores de variveis de deciso diferentes de zero, como a que est apresentada no Quadro 2, onde foi utilizada a Regra do Canto Esquerdo, descrita adiante: x11 = 20, x12 = 20, x22 = 10, x23 = 70, x33 = 30 e x34 = 80. As demais variveis so no-bsicas e nulas.
Quadro 2 Soluo Inicial para o Exemplo 1 Regra do Canto Esquerdo

D1 01 02 03 Total 20 20 10 2

D2 20 10 13 11 5 0

D3 12 1 70 30 100 14

D4 4 9 6

Total 40 80 110 230

80 80

30

Cap_4.indd 109

27/08/2011 21:53:47

110

| INTRODUO PESQUISA OPERACIONAL

No Quadro 2 os valores das variveis bsicas esto dentro de um crculo nas respectivas clulas do quadro. O custo total de transporte referente a esta primeira soluo : CT1 = 10 x11 + 5x12 + 0 x22 + x23 + x33 + 6 x34 , ou ainda, CT1 = 20 .10 + 20 .5 + 10 . 0 + 70 .1 + 30 .14 + 80 . 6 = 1270 Passa-se a verificar se h possibilidade de diminuir esse custo total de transporte, utilizando-se outro plano de entrega do produto, por exemplo, testando-se o uso do trajeto O2D1 (associado a varivel no bsica x21), como desenvolvido a seguir: (a) Neste caso para enviar uma unidade do produto de O2 para D1, deve-se diminuir uma unidade no percurso O1D1, seno O1 receber mais que as 20 unidades do produto previstas; (b) Porm para diminuir uma unidade em O1D1, deve-se aumentar uma unidade em O1D2, para se manter o total de 40 unidades de produto produzidas em O1; (c) Aumentando uma unidade em O1D2 deve-se diminuir uma unidade em O2D2, o que ir compensar exatamente aquela unidade colocada inicialmente em O2D1. Tem-se, portanto, um ciclo de compensao da varivel no-bsica x21, referente a soluo bsica do Quadro 2, associada ao uso do trajeto O2D1, conforme Figura 4. Esta modificao na entrega do produto ocasiona um custo marginal da varivel no-bsica x21 dado por: C21 = +2 10 + 5 0 = 3 / unidade. Ou seja, cada unidade transportada de O2 para D1 diminuir o custo total de transporte de 3 unidades monetrias.

Cap_4.indd 110

27/08/2011 21:53:47

O Modelo de Transporte Simples | 111

Figura 4 Ciclo de Compensao da Varivel no-bsica x21 D1 01 02 10 -1 2 +1 -1 +1 0 D2 5

De forma idntica, pode-se analisar cada uma das outras variveis nobsicas, com outros ciclos de compensao, como por exemplo o do trajeto O3D1, ver Figura 5, resultando no custo marginal da varivel no-bsica x31: C31 = +13 10 + 5 0 + 1 14 = 5 / unidade .
Figura 5 Ciclo de Compensao da Varivel no-bsica x31 D1 01 02 03 +1 10 -1 2 -1 13 11 -1 +1 0 +1 14 1 D2 5 D3 12

Analogamente, para as outras variveis no-bsicas tem-se: C32 = 2; C13 = +6; C14 = +6; C2 4 = +16 .
Observaes:

1. importante observar que, para cada varivel no-bsica, em uma dada soluo bsica, h um nico ciclo compensao, o qual tem alternadamente sinais positivos e negativos e envolve um nmero mpar de variveis bsicas, sendo no mnimo 3; 2. Na prtica os custos marginais devem ser avaliados e colocados na respectiva clula, conforme mostrado no Quadro 3;

Cap_4.indd 111

27/08/2011 21:53:47

112

| INTRODUO PESQUISA OPERACIONAL

3. Observe-se que as variveis no-bsicas x13, x14 e x24 possuem custos marginais positivos, ou seja, cada unidade de produto transportada pelos trajetos associados a elas ocasiona um aumento no custo total de transporte. Assim estas variveis no devem se tornar variveis bsicas no momento.
Quadro 3 1a Soluo Bsica com Custos Marginais

D1 01 02 03 Total 20 -3 -5 20 10 2 13 20 10 -2

D2 5 0 11

D3 +16 70 30 100 12 1 14 +6

D4 4 9 6

Total 40 80

+16 80 80

110 230

30

Como no problema busca-se a minimizao do custo total de transporte, pode-se optar por uma das variveis x21, x31, x32 para se tornarem variveis bsicas numa prxima soluo bsica vivel, onde o custo total de transporte ser menor que CT1 = 1270. Para fazer isto, e continuar com uma soluo bsica vivel, deve-se substituir uma varivel bsica pertencente ao ciclo de compensao da varivel nobsica escolhida para se tornar bsica. Neste sentido, deve-se procurar, dentre as variveis bsicas que doaro unidades do produto (aquelas com sinal negativo no ciclo), a que possui a menor quantidade de produto associada e transferir esta quantidade para a varivel no-bsica que se tornar bsica; desta forma permanecero m + n - 1 = 6 variveis bsicas na nova soluo bsica vivel. A seguir, basta percorrer o ciclo e, dependendo do sinal associado a cada varivel bsica, somar ou subtrair esta quantidade de produto alocada a nova varivel bsica. Esta operao corresponde ao pivoteamento no Mtodo Simplex.

Cap_4.indd 112

27/08/2011 21:53:47

O Modelo de Transporte Simples | 113

No Exemplo 1, optando pela varivel no bsica x31, tem-se que deslocar para o trajeto O3D1 as 10 unidades que estavam em O2D2; ou seja a varivel bsica x22 ser substituda por x31. Observe-se que a tentativa de colocar em O3D1 mais de 10 unidades, acarreta em O2D2 o transporte de uma quantidade negativa do produto, o que no faz sentido. O custo total dessa nova soluo, com x31 no lugar de x22 e mantendo as demais variveis bsicas, ser dado por: CT2 = CT1 + C31 x31 = 1270 5 10 = 1220. O Quadro 4 apresenta a nova soluo bsica vivel. Na avaliao dos novos custos marginais das variveis no-bsicas foram obtidos somente custos marginais positivos, ou seja, qualquer alterao nesta soluo aumentar o custo total. Assim, essa soluo bsica a soluo tima e o custo total de transporte timo 1220.
Quadro 4 2a Soluo Bsica (tima)

D1 01 02 03 Total 10 +2 10 20 10 2 13 30 +5 +3

D2 5 0 11

D3 +1 80 20 100 12 1 14

D4 +1 +16 80 80 4 9 6

Total 40 80

110 230

30

A partir do Quadro 4 pode-se explicitar qual deve ser o programa timo de entregas do produto das fbricas Oi, i = 1,2,3, para os depsitos Dj, j = 1,2,3,4:

Cap_4.indd 113

27/08/2011 21:53:47

114

| INTRODUO PESQUISA OPERACIONAL

Programa de Entregas timo

x11 = 10 remeter 10 unidades do produto de O1 para D1 x12 = 30 remeter 30 unidades do produto de O1 para D2 x23 = 80 remeter 80 unidades do produto de O2 para D3 x31 = 10 remeter 10 unidades do produto de O3 para D1 x33 = 20 remeter 20 unidades do produto de O3 para D3 x34 = 80 remeter 80 unidades do produto de O3 para D4 o Custo timo 1220. Agora, passa-se a formalizar as etapas para aplicao do Stepping Stone Method a um modelo de transporte com m origens, n destinos e onde a funo objetivo de minimizao.
Passo 1: Inicializao

Determinar uma soluo bsica vivel (rvore bsica) inicial que tenha m + n - 1 variveis (arcos) bsicas. Ir Ao Passo 2.
Passo 2: Teste de Otimalidade

Calcular os custos marginais Cij das variveis no-bsicas: Caso no existam custos marginais negativos, a soluo atual tima (FIM). Caso existam custos marginais negativos, escolher varivel no-bsica xij, com Cij < 0, para ser uma nova varivel bsica (varivel que entra) na prxima soluo bsica vivel. Ir ao Passo 3.
Passo 3: Melhoria da Soluo (Pivoteamento)

Achar o ciclo de compensao da varivel no-bsica xij escolhida no Passo 2 para entrar no conjunto das variveis bsicas; No ciclo encontrado, aumentando-se o valor de xij, determinar a varivel bsica xks que se anula primeiro, esta varivel (varivel que sai) ser substituda na prxima soluo bsica vivel por xij; Transferir a quantidade de produto da varivel xks (que sai) para a varivel xij (que entra) e efetuar o balanceamento no ciclo de modo a respeitar as restries de oferta e demanda do produto. Voltar ao Passo 2.

Cap_4.indd 114

27/08/2011 21:53:47

O Modelo de Transporte Simples | 115

Observe-se que a funo objetivo pode ser de maximizao de lucro, lembrando que lucro = receita custos, considerando os preos de venda do produto aos clientes como sendo diferentes. Nesta situao, ou invs de custos unitrios em cada trajeto Origem Destino, deve-se calcular o lucro unitrio (Lij) para cada trajeto. Este lucro unitrio Lij, em cada clula dos Quadros do Modelo de Transporte Simples, ser a diferena entre o valor do preo de venda no Destino j e o custo de transporte associado ao trajeto da Origem i ao Destino j. As nicas alteraes no algoritmo Stepping Stone Method para uso em modelos de maximizao se referem ao Passo 2:
Passo 2: Teste de Otimalidade

Calcular lucros marginais (Lij) das variveis no-bsicas: Caso Lij > 0 soluo atual tima (FIM); / Caso contrrio, escolher xij no-bsica com Lij >0 para entrar. Ir ao Passo 3. A seguir apresentam-se outros aspectos relativos resoluo de um Modelo de Transporte Simples.

4.3. RESOLUO PELO MTODO MODIFICADO (MODI)

H uma maneira prtica para avaliao dos custos (lucros) marginais das variveis no-bsicas, associadas a uma dada soluo bsica vivel. Este mtodo conhecido como Mtodo Modificado ou Modi. Considere um quadro tpico de aplicao do Stepping Stone Method, onde h uma soluo bsica vivel identificada:
Etapa 1 No quadro, defina um custo marginal Li para linha i, e um custo mar-

ginal Kj para a coluna j, de tal forma que, para cada varivel bsica xij: Li + Kj = Cij. Ou seja, obtm-se um sistema de equaes que dependem de Li e Kj. Para ilustrar a Etapa 1, considere o Quadro 5, que aborda ainda o Exemplo 1. Observe que os custos marginais Li e Kj, esto na 1a coluna e na 1a linha, respectivamente.

Cap_4.indd 115

27/08/2011 21:53:47

116

| INTRODUO PESQUISA OPERACIONAL

Em geral, tem-se um sistema de equao com m + m variveis (so custos marginais Li e Kj) e m + n - 1 equaes (associadas s variveis bsicas), ou seja, um sistema indeterminado quanto a sua soluo.
Quadro 5 Custos Marginais Calculados pelo Modi

K1 = 10 D1 L1 = 0 L2 = -5 L3 = 8 Total 01 02 03 20 +3 -5 20 10 2 13

K2 = 5 D2 20 5 0 11

K3 = 6 D3 +6 12 1 14

K4 = -2 Total D4 +6 +16 4 9 6 40

10 -2 30

70 30 100

80 110 230

80 80

Para a situao do Quadro 5, tem-se o sistema de 6 equaes e 7 variveis, confirmando que ele , portanto, de soluo indeterminada: L1 + K1 = 10 L1 + K 2 = 5 L2 + K 2 = 0 L2 + K 3 = 1 L3 + K 3 = 14 L3 + K 4 = 6. Para resolver o sistema deve-se atribuir um valor qualquer a uma das variveis (por exemplo, L1 = 0) e calcular as demais por simples substituio. Na situao acima, com L1 = 0, tem-se: L1 = 0, L2 = 5, L3 = 8, K1 = 10, K 2 = 5, K 3 = 6, K 4 = 2 .

Cap_4.indd 116

27/08/2011 21:53:47

O Modelo de Transporte Simples | 117

Considere, agora um dos ciclos, por exemplo aquele formado pela adio do trajeto O3D1 (ver Figura 5). O custo marginal C31 para a varivel no bsica x31 pode ser calculado por: C31 = C31 C33 + C23 C22 + C12 C11.
Etapa 2

Substituindo os valores de Cij por (Li + KJ) quando pertinente, tem-se: C31 = C31 (L3 + K3) + (L2 + K3) (L2 + K2) + (L1 + K2) (L1 + K1) cancelando-se os termos semelhantes, tem-se C31 = C31 (L3 + K1). Ou seja, conclui-se que o custo marginal da varivel no-bsica x31 igual ao seu custo unitrio de transporte menos a soma dos custos marginais da linha 3 e coluna 1 correspondentes. De fato este resultado geral, ou seja: para cada varivel no-bsica xij, tem-se que Cij = Cij (Li + Kj). O Quadro 5, ainda, mostra os demais custos marginais pelo mtodo Modi para a soluo inicial do Exemplo 1, evidentemente os valores so coincidentes com aqueles dispostos no Quadro 3. As modificaes na soluo bsica com a introduo de nova varivel bsica so feitas da forma anteriormente descrita. Obtida uma nova soluo bsica vivel, podem-se calcular os custos marginais dessa soluo utilizando novamente o mtodo Modi, e assim por diante, at a obteno da soluo tima. Observe-se que o mesmo procedimento vale para o caso de maximizao da funo objetivo em que h lucros marginais, ao invs de custos marginais.

4.4. MTODOS PARA ENCONTRAR UMA SOLUO BSICA VIVEL INICIAL PARA O STEPPING STONE METHOD

Apresentam-se aqui, dois mtodos para a obteno de uma soluo bsica inicial para o Stepping Stone Method: Regra do Canto Esquerdo RCE. Mtodo do Menor Custo Associado MMC. Passa-se a descrio dos dois mtodos.

Cap_4.indd 117

27/08/2011 21:53:48

118

| INTRODUO PESQUISA OPERACIONAL

4.4.1.

Regra do Canto Esquerdo RCE

Foi o mtodo utilizado para se obter uma soluo bsica vivel inicial no Exemplo 1. A RCE consiste em atribuir o mximo valor transportvel do produto partindo-se da clula localizada no canto superior esquerdo do Quadro de resoluo pelo Stepping Stone Method, e continuar a distribuio do produto disponvel pelas demais clulas, atravs de deslocamentos sucessivos para a direita e para baixo, atendendo totalmente as demandas de cada destino e esgotando os recursos das origens, at atingir a clula localizada no canto inferior direito do Quadro. Uma linha (ou coluna) considerada satisfeita quando a quantidade de produto disponvel na origem associada j tiver se esgotado (ou o total da demanda pelo produto no destino associado tiver sido atendido).
Vantagem: simplicidade na obteno da soluo inicial. Desvantagem: pelo fato de no se levar em considerao o custo unitrio de

transporte associado a cada clula, geralmente h necessidade de diversas iteraes at se atingir a soluo tima.
4.4.2.

Mtodo do Menor Custo Associado MMC

O MMC consiste em atribuir o mximo valor transportvel do produto s clulas associadas aos menores custos unitrios de transporte. Estabelece-se uma hierarquia de escolha das clulas que pertencero soluo bsica inicial, escolhendo-se, em ordem crescente, aquelas associadas aos menores custos unitrios de transporte.
Vantagem: Estatisticamente, consegue-se uma soluo inicial mais prxi-

ma da soluo tima, exigindo, em mdia, um nmero menor de iteraes que a regra anterior.
Desvantagem: Pouco mais trabalhoso que a Regra do Canto Esquerdo.

No Quadro 6 est identificada uma soluo bsica vivel inicial do exemplo anterior atravs deste mtodo. A Tabela 2, mostra a ordem de escolha das clulas (variveis bsicas) feita. Observe-se que foram atribudas quantidades de produto s seis (m+n-1) variveis bsicas, o que forneceu uma soluo bsica vivel completa.

Cap_4.indd 118

27/08/2011 21:53:48

O Modelo de Transporte Simples | 119

Observe-se que, na ltima alocao, na clula 03D3, esgotou-se simultaneamente uma linha (a terceira) e satisfez-se uma coluna (a terceira); isto sempre ocorre. O Custo Total de Transporte associado a soluo do Quadro 6 : CT = 13x31 + 0.x22 + x23 + 14x33 + 4x14 + 6x34, ou ainda, CT = 20.13 + 0.30 + 50.1 + 14.50 + 4.40 + 6.40 = 1410.
Quadro 6 Soluo Bsica Vivel Inicial para o Stepping Stone Method pela regra do Custo Mnimo

D1 01 02 03 Total 10 2 13

D2 5 0 11

D3 12 1 14

D4 40 4 9 6

Total 40 80

30

50 50 100

20 20

40 80

110 230

30

Ou seja, apesar de utilizar-se uma regra de inicializao que leva em considerao os custos unitrios de transporte de cada clula, o custo resultante (1410) foi maior que aquele (1270) obtido ao se utilizar a Regra do Canto Esquerdo, a qual ignora os custos unitrios de transporte. De fato, no h como descobrir, a priori, qual das duas Regras de Inicializao (canto esquerdo ou mnimo custo) gerar uma soluo inicial melhor, no sentido de diminuir o nmero de iteraes necessrias para se atingir o valor timo do custo total. Assim, pode-se optar por qualquer das regras para inicializar o Stepping Stone Method.

Cap_4.indd 119

27/08/2011 21:53:48

120

| INTRODUO PESQUISA OPERACIONAL

Tabela 2 Detalhes sobre a ordem e quantidade alocada a cada clula pelo Mtodo do Menor Custo Associado Clula 01D1 01D2 01D3 01D4 02D1 02D2 02D3 02D4 03D1 03D2 03D3 03D4 Custo unitrio 10 5 12 4 2 0 1 9 13 11 14 6 Ordem de Escolha 3a 1a 2. 5a 6a 4a
a

Quantidade Atribuda 40 30 50 20 50 40

Status Esgotada Esgotada Esgotada Esgota linha 1 Esgotada Esgota coluna 2 Esgota linha 2 Esgotada Esgota linha 1 Esgotada Esgota linha 3 e coluna 3 Esgota coluna 4

4.5. OFERTAS E DEMANDAS DESBALANCEADAS

At aqui se tratou de modelos de transporte onde a quantidade de produto nas origens (fbricas) era igual a demanda nos destinos (depsitos). Porm, nem sempre isso acontece. Quando houver um desbalanceamento entre ofertas e demandas, h necessidade de se promover o balanceamento, antes da aplicao do Stepping Stone Method. Isto pode ser feito atravs da introduo de uma origem (ou destino, conforme a necessidade) fictcia, com nvel de produo (ou demanda se for destino fictcio) exatamente igual a diferena (em mdulo) existente entre o total de oferta e demanda. Os custos de transporte associados aos trajetos que ligam essa origem (ou destino) fictcia aos destinos (ou origem) reais sero evidentemente nulos, uma vez que no haver nada a transportar. Casos a considerar:

Cap_4.indd 120

27/08/2011 21:53:48

O Modelo de Transporte Simples | 121

1o Caso:

a > b ; isto , tem-se mais oferta do que demanda. Neste caso, cria-se um destino fictcio D com demanda b = a b , sendo atendido
i j
f

por todas as origens existentes. Na soluo final, as quantidades destinadas ao destino fictcio ficam estocadas nas respectivas origens. Em algumas situaes poderiam ser atribudos aos trajetos fictcios os custos de estoque em cada origem real, o que mudaria a funo objetivo para incorporar, alm dos custos de transportes, tambm os custos de estocagem.
2o Caso:

a < b ; isto , tem-se mais demanda que oferta. Neste caso, cria-se uma origem fictcia O , com capacidade a = b a , atendendo a
i j
f

todos os destinos existentes. Na soluo final, as quantidades do produto recebidas da origem fictcia correspondem a quanto faltar do produto em cada destino. Em alguns casos, poderiam ser atribudos aos trajetos fictcios os valores das multas por no atendimento s demandas dos clientes, o que mudaria a funo objetivo para incorporar, alm dos custos de transportes, tambm os valores das multas. Para ambos os casos, feito o balanceamento, com a incluso da origem ou destino fictcia, o problema se resolve exatamente da mesma forma j apresentada (ver Exemplo 1): adota-se um dos mtodos de inicializao e realizam-se as iteraes, utilizando o mtodo Modi, at a obteno da soluo tima. Isto ser ilustrado a partir do Exemplo 2 que apresenta tanto o desbalanceamento entre oferta e demanda, como a ocorrncia de soluo bsica vivel degenerada, fato este que ser explicado na seo seguinte.

4.6. DEGENERESCNCIA

A degenerescncia na aplicao do Stepping Stone Method ocorre quando, para uma dada soluo bsica vivel, o nmero de variveis bsicas no nulas menor que m + n - 1. Esta situao pode ocorrer em dois casos:

Cap_4.indd 121

27/08/2011 21:53:48

122

| INTRODUO PESQUISA OPERACIONAL

1o Caso: Na inicializao do mtodo

Aps a aplicao de algum dos mtodos de inicializao, pode ocorrer que o nmero de variveis bsicas seja menor que m + n 1. Neste caso, deve-se escolher uma clula qualquer, ainda no utilizada como varivel bsica, que no forme ciclo com as clulas j incorporadas soluo bsica, e alocar a ela a quantidade zero, pois, deve-se lembrar que as capacidades de produo j foram alocadas s variveis bsicas existentes e tambm as demandas j foram atendidas, pois o modelo j foi, previamente, balanceado. Procedimento para verificar se h ciclo. Partindo da clula associada varivel que se deseja incorporar ao conjunto das variveis bsicas: procurar se deslocar no quadro conforme o movimento de uma pea tipo Torre no jogo de xadrez: movimentos horizontais pelas linhas ou verticais pelas colunas; pode-se mudar cada movimento de direo (de horizontal para vertical e vice-versa) ao se encontrar alguma clula associada varivel bsica. a idia tentar retornar clula inicial. Se isto for possvel, h o ciclo e a varivel no deve ser incorporada s variveis bsicas. Caso contrrio, no h o ciclo e a varivel pode ser incorporada s variveis bsicas. Colocar o valor 0 (zero), para esta varivel; repetir para outras clulas no bsicas at se obter m + n 1 variveis bsicas.
2o caso: Durante uma iterao

Pode ocorrer, na etapa de determinao de qual varivel bsica ser substituda, que duas (ou mais) variveis bsicas empatem com respeito ao critrio de escolha da varivel que ser substituda (varivel que sai).

Cap_4.indd 122

27/08/2011 21:53:48

O Modelo de Transporte Simples | 123

Isto pode ocorrer se estas variveis bsicas, que empataram na sada, pertencem ao ciclo de compensao da varivel no-bsica que entrar, so doadoras de unidades e possuem o mesmo valor mnimo de quantidade de produto, para as variveis doadoras, do ciclo de compensao em questo. Neste caso, opta-se por substituir uma delas (das que empataram) da soluo bsica e mantm-se as outras (que empataram) como variveis bsicas na prxima soluo bsica vivel do problema, porm com valor zero associado. Isto ser ilustrado a partir do Exemplo 2 que apresenta tanto o desbalanceamento entre oferta e demanda, como ocorrncia de soluo bsica vivel degenerada.
Exemplo 2:

Seja um problema de transporte simples, onde se tem 3 origens e 4 destinos, cujas capacidades de produo, demandas e custos unitrios de transporte so dados na Tabela 3.
Tabela 3 Dados para o Exemplo 2 Destinos Origens 01 02 03 Demandas D1 10 2 13 20 D2 5 0 11 30 D3 12 1 14 80 D4 4 9 6 70 200 Capacidades 40 80 100 220

Como

= 200 <

a = 220 o problema desbalanceado. Para poder


i

aplicar o Stepping Stone Method, basta considerar o destino fictcio Df com demanda bf = 20 e custos de transporte nulos, conforme Figura 6.

Cap_4.indd 123

27/08/2011 21:53:48

124

| INTRODUO PESQUISA OPERACIONAL

Figura 6 Modelo em Rede para o problema do Exemplo 2


01 = 40 01 b1 = 20 D1

b3 = 80 D3

02 = 80 02

bf = 20 Df fictcio

b4 = 70 D4 b2 = 30 03 03 = 100 D2

Adotando a regra do canto esquerdo para identificar a soluo bsica vivel inicial e o mtodo Modi para clculo dos custos marginais das variveis no-bsicas, tem-se o Quadro 7. Se for escolhida para entrar a varivel no bsica x31, que possui custo marginal negativo dado por C31 = 5, no seu ciclo de compensao (ver Figura 7) doaro unidades (esto associadas aos valores de 1 no ciclo) as variveis bsicas x11 = 20; x12 = 10 e x33 = 10. O valor mnimo , portanto, de 10 unidades. Deve-se, portanto, deslocar 10 unidades para a varivel que entra x31, associada clula 03D1. Com isto, duas variveis bsicas (x22 e x33) ficaro com valor zero, empatando na sada, e surgindo a degenerescncia (2o caso).

Cap_4.indd 124

27/08/2011 21:53:48

O Modelo de Transporte Simples | 125

Quadro 7 Soluo inicial para o Exemplo 2


K1 = 10 D1 L1 = 0 01 20 -3 -5 20 10 2 13 20 K2 = 5 D2 5 0 11 K3 = 6 D3 +6 12 1 14 K4 = -2 D4 +6 +16 4 9 6 K5 = -8 Capacidades D5 +8 +13 0 0 0 40

L2 = -5 02 L3 = 8 03

10 -2 30

70 10 80

80 100 220

70 70

20 20

Demandas

Figura 7 Ciclo de Compensao da Varivel No-Bsica x31

D1 01 20 -1 02

D2 20

D3

+1 70 -1 +1 10 -1

10

03

+1

Deve-se ento, conservar uma delas como bsica com valor zero (por exemplo x33), e a outra dever se tornar varivel no bsica (neste caso x22). Na seqncia, resolve-se o problema como anteriormente, at se obter a soluo tima (ver Quadro 8), onde todos os custos marginais das variveis no bsicas so positivos, e como o problema de minimizao, tem-se a soluo tima.

Cap_4.indd 125

27/08/2011 21:53:48

126

| INTRODUO PESQUISA OPERACIONAL

Quadro 8 Soluo tima


K1 = 10 D1 L1 = 0 L2 = -10 L3 = 3 Total 01 02 03 10 +2 10 2 13 10 20 30 +5 +3 30 K2 = 5 D2 5 0 11 K3 = 11 D3 +1 12 1 14 K4 = 3 D4 +1 +16 4 9 6 K5 = -3 Total D5 +3 +13 0 0 0 40

80 0 80

80 100 220

70 70

20 20

Deve-se analisar no Quadro 8 que as 20 unidades que Df deveria receber, na verdade no sero enviadas, isto , a fbrica que entregaria as 20 unidades do produto para o Df ficar com este valor em seu estoque.

4.7. CONDIES PROIBIDAS DE EMBARQUE OU RECEPO

Em determinadas ocasies, trajetos entre origens e destinos podem ser bloqueados devido a existncia de condies proibidas de embarque (custos altos de transporte, por exemplo) ou de recepo (questes contratuais, por exemplo). Nestes casos basta bloquear no quadro de resoluo pelo Stepping Stone Method os trajetos proibidos, no permitindo, assim, que as clulas, que os representam, sejam introduzidas como variveis bsicas em qualquer das solues obtidas pelo mtodo. Isto equivale a se colocar na funo objetivo, para um modelo de minimizao (maximizao), um coeficiente de custo unitrio (lucro unitrio) muito grande e positivo M (pequeno e negativo -M) para as variveis de deciso associadas aos trajetos proibidos. Para ilustrar esta situao, considere os mesmos dados do Exemplo 1, onde foi proibido o embarque de 01 para D2.

Cap_4.indd 126

27/08/2011 21:53:48

O Modelo de Transporte Simples | 127

Neste caso, a funo objetivo ficaria sendo: com M > > 0 (nmero suficientemente grande) MIN CT = 10 x11 + Mx12 + 12 x13 + 4 x14 + 2 x21 + 0 x22 +1x23 + 9 x24 + +13x31 +14 x33 + 6 x34 A soluo bsica inicial encontrada pela Regra do Canto Esquerdo seria aquela do Quadro 9.
Quadro 9 Soluo Bsica Vivel para o Exemplo 1 Modificado

D1 01 02 03 Total 20 20 10

D2

D3 12 20 0 11 1 14

D4 4 9 6

Total 40 80

2 13

30

50 30 100

80 80

110 230

30

Observe-se que a varivel x12 associada ao trajeto proibido O1D2 sempre ser uma varivel no-bsica, portanto com valor nulo associado. A soluo tima pode ser obtida atravs do procedimento j apresentado, mantendo-se o bloqueio na clula O1D2.

REFERNCIAS

TAHA, H. A. Pesquisa Operacional. 8. Edio. So Paulo: Pearson Prentice Hall, 2008. COLIN, E. C. Pesquisa Operacional. Rio de Janeiro: LTC, 2007. LACHTERMACHER, G. Pesquisa Operacional na Tomada de Decises. 3a. edio revista e ampliada. Rio de Janeiro: Elsevier, 2007.

Cap_4.indd 127

27/08/2011 21:53:48

Cap_4.indd 128

27/08/2011 21:53:48

5
O MODELO DA DESIGNAO
5.1. INTRODUO

O Modelo da Designao procura representar situaes onde se faz necessrio alocar os recursos (indivisveis) disponveis para atender de maneira exclusiva s atividades de interesse, de modo que alguma medida de efetividade (geralmente o custo total da designao) do sistema modelado seja otimizada. Alguns exemplos de aplicaes deste modelo so fornecidos no Quadro 1.
Quadro 1 Aplicaes do Modelo da Designao Medida de Efetividade Tempo de execuo Custo de transporte Operacionalidade Ociosidade dos tripulantes Volume de vendas

Recurso

Atividade

Operrios Caminhes Mquinas Tripulaes Vendedores

Trabalhos Rotas Locais Avies reas

Neste modelo, em geral, h o mesmo nmero de recursos disponveis e de atividades a serem atendidas. Ou seja, neste tipo de problema, deve ser alocado um recurso para cada atividade, e toda atividade deve receber apenas um recurso. Situaes em que o nmero de recursos diferente do nmero de atividades requerem a aplicao de um artifcio simples, com a incluso de recursos ou atividades fictcias conforme necessrio, que ser adiante explicado.

Cap_5.indd 129

27/08/2011 21:54:18

130

| INTRODUO PESQUISA OPERACIONAL

Deve ser ressaltado que o Modelo da Designao um caso particular do Modelo de Transporte da Programao Linear, e, deste modo, pode ser resolvido pelo Stepping Stone Method, ou ainda pelo Mtodo Simplex. Porm, existem algoritmos especiais que consideram a estrutura especial destes Modelos da Designao, e que, de um modo geral, so mais eficientes que os algoritmos gerais. O algoritmo a ser aqui apresentado conhecido como Mtodo Hngaro, foi desenvolvido por H.W. Kuhn e baseia-se no trabalho de dois matemticos hngaros, D. Konig e J. Egervry.

5.2. DEFINIES E NOTAES

Considere a matriz de custos, ou de eficincias, C = (cij), onde cij o custo (eficincia) da alocao do recurso i para a atividade j. Este custo, como visto na Tabela 1, pode ser tempo, custo de transporte ou volume de vendas, dependendo do contexto do problema. Em geral i, j = 1, 2,..., m, onde m o nmero de atividades e de recursos envolvidos e tm-se as variveis de deciso do Modelo da Designao como sendo: 1, xij = 0, se o recurso i designado atividade j. caso contrrio.

Deste modo, uma soluo bsica vivel para este modelo pode ser apresentada na forma de uma Matriz das Variveis de Deciso dada por X = (xij), como ilustrado no Exemplo 1. No caso de um Modelo da Designao, com m recursos e m atividades, uma soluo bsica vivel corresponde a uma designao vivel, sendo que h m! designaes viveis, para um dado valor de m. Observe-se que, como os recursos so indivisveis, e cada atividade necessita de apenas um recurso, uma designao vivel obtida quando for selecionado um e somente um elemento de cada linha e coluna da matriz X para assumir o valor 1. Dada uma matriz C para um Modelo da Designao, possvel exibir uma designao vivel, ou seja, atribuir um recurso para cada atividade, de modo que cada atividade receba um nico recurso, colocando-se um crculo ao redor

Cap_5.indd 130

27/08/2011 21:54:20

O Modelo da Designao |

131

dos custos correspondentes aos elementos da matriz X tais que xij = 1. Ver ilustrao no Exemplo 1.
Exemplo 1: Identificao de uma Designao Vivel na Matriz de Custos C e a

Matriz das Variveis de Deciso X associada:


4 C = (cij) = 0 6 7 3 3 0 8 9 X = (xij) = 0 1 0 0 0 1 1 0 0

5.3. MODELO MATEMTICO

Como j citado, em geral, a funo objetivo do Modelo da Designao corresponde a minimizao do custo total das designaes. As restries podem ser agrupadas em dois grupos, o primeiro assegura que cada recurso totalmente alocado exatamente uma vez e o segundo grupo assegura que cada atividade totalmente satisfeita com um nico recurso. A formulao do modelo a seguinte: x = 1 j {1,2,, m} i ij xij = 1 i {1,2,, m} j xij 0 i e j {1,2,, m}

MIN Z =

c
i j

ij

xij

s.a.:

Pode-se verificar que este modelo um caso especial do Modelo do Transporte Simples, em que h o mesmo nmero de origens e destinos e, ai e bj iguais a 1 para todo i e j.

5.4. MTODO HNGARO

Considere o Modelo da Designao formulado na seo anterior com C = (cij), sendo a matriz de custos.

Cap_5.indd 131

27/08/2011 21:54:20

132

| INTRODUO PESQUISA OPERACIONAL

Suponha que todos os elementos da linha i so modificados pela adio de um nmero real i , e todos os elementos da coluna j so modificados pela adio de um nmero real j. Deste modo, uma matriz de custos modificada D = (dij) obtida, com dij = cij + i + j ou ainda, cij = dij i j. Portanto, cij xij = dij xij i xij j xij . Assim,

c
i j

ij

xij =
ij

d
i j
i

ij

xij

g xx d
jj ij ij

ij

xij

d
i j

xij

g d = d
jj

ij

xij + constante

As operaes acima mostram que, a menos de uma constante, minimizar

c
i j

ij

xij equivalente a minimizar

d
i j

ij

xij , mantendo-se as restri-

es do Modelo de Designao. O Mtodo Hngaro utiliza este resultado, subtraindo de toda linha e coluna da matriz C o menor valor encontrado em cada uma delas, e tentando identificar uma designao vivel com custo total nulo, na matriz de custos modificada. Se tal soluo existe, ela ser uma designao tima; caso contrrio, o mtodo altera a matriz de custos novamente visando a criar mais opes de elementos nulos. No Exemplo 2, h uma ilustrao deste procedimento de subtrair o menor elemento de cada linha e coluna, na Matriz de Custos, objetivando identificar as melhores opes de alocao de recursos para atividades (associadas aos valores nulos na Matriz Modificada), de forma a se ter um custo total nulo das designaes.
Exemplo 2: Seleo de Homens para Tarefas

Deseja-se designar quatro operrios para quatro tarefas, de maneira que o nmero total de homens-hora seja mnimo. Cada homem desempenha cada tarefa em um determinado nmero de horas, conforme indicam os dados da matriz de custos da Figura 1.

Cap_5.indd 132

27/08/2011 21:54:20

O Modelo da Designao |

133

Figura 1 Matriz de Custos do Exemplo 2

Operrios

Tarefas

II

III

IV

24

13

10

25

23

28

10

17

15

Na seqncia, determinam-se os menores nmeros de cada linha, indicados ao lado da matriz de custos na Figura 2, e efetua-se a subtrao destes de todos os elementos das linhas correspondentes, obtendo-se a Matriz de Custos Modificada da Figura 3.
Figura 2 Identificao dos Menores Nmeros de cada Linha

Operrios

Tarefas

II

III

IV

Menor Nmero

24

13

(5)

10

25

23

(3)

28

(5)

10

17

15

(3)

Cap_5.indd 133

27/08/2011 21:54:20

134

| INTRODUO PESQUISA OPERACIONAL

Figura 3 1a Matriz de Custos Modificada

Operrios Tarefas A B C D I 0 7 23 7 II 19 22 4 14 III 8 0 3 12 IV 2 20 5 0

Agora se deve identificar o menor nmero em cada coluna, conforme a Figura 4, e pela subtrao destes em cada coluna tem-se a nova Matriz de Custos Modificada da Figura 5.
Figura 4 Identificao dos Menores Nmeros de cada Coluna

Operrios Tarefas A B C D Menor Nmero I 0 7 23 7 (0) II 19 22 4 14 (4) III 8 0 3 12 (0) IV 2 20 5 0 (0)

Cap_5.indd 134

27/08/2011 21:54:20

O Modelo da Designao |

135

Figura 5 2a Matriz de Custos Modificada

Operrios Tarefas A B C D I 0 7 23 7 II 15 18 0 10 III 8 0 3 12 IV 2 20 5 0

Nesta 2a Matriz de Custos Modificada possvel identificar, por inspeo, uma designao vivel que utiliza as posies em que o custo associado nulo, ou seja, possvel achar a designao tima dada na Figura 6.
Figura 6 Designao tima do Exemplo 2

I A B C D 0 7 23 7

II 15 18 0 10

III 8 0 3 12

IV 2 20 0 0

Cap_5.indd 135

27/08/2011 21:54:20

136

| INTRODUO PESQUISA OPERACIONAL

Assim, a designao tima a partir da matriz de custos modificada da Figura 6 : Homem I II III IV Tarefa A C B D

A Matriz das Variveis de Deciso ser: 1 0 X = 0 0 0 0 1 0 0 1 0 0 0 0 0 1

O tempo total a ser gasto determinado pelo produto da matriz de custos inicial pela matriz X: T = 5.1 + 3.1 + 9.1 + 3.1 = 20 horas. O mesmo valor pode ser obtido somando-se as constantes que foram subtradas de cada linha e cada coluna. No Exemplo 2, a reduo da matriz de custos inicial pela subtrao dos elementos mnimos de cada linha e coluna, forneceu uma soluo tima bvia. Entretanto, em geral, isto muito difcil de ocorrer. Tudo o que se pode assegurar que, aps as subtraes indicadas, se obtenha no mnimo um zero em cada linha e em cada coluna, entretanto, estes zeros nem sempre permitem a obteno da soluo tima. Deve-se, portanto, ter um procedimento sistematizado que permita identificar a designao tima para uma situao geral. Assim, passa-se a descrever as fases de aplicao do Mtodo Hngaro que consiste basicamente de trs fases: (1) Processo de Reduo das Linhas e Colunas para obteno da Matriz de Custos Modificada; (2) Processo de Identificao de Designao tima; (3) Processo de Modificao Adicional da Matriz Modificada, se necessrio.

Cap_5.indd 136

27/08/2011 21:54:20

O Modelo da Designao |

137

A seguir, esto os detalhamentos operacionais de cada fase:


Fase (1) Reduo de Linhas e Colunas

O objetivo desta etapa criar o maior nmero possvel de custos reduzidos nulos. Para fazer isto, deve-se subtrair dos elementos de toda linha e cada coluna o menor valor encontrado em cada uma delas, comeando pelas linhas. Esta Matriz de Custos Modificada ser usada no lugar da matriz original na procura das designaes viveis;
Fase (2) Identificao de Designao tima

Examinar as linhas e colunas sucessivamente. Devem-se procurar posies em que haja Zeros. Durante a aplicao do mtodo pode haver trs tipos de Zeros: zeros reservados (aproveitados na designao), zeros eliminados (so redundantes na designao) e restantes (ainda no designados nem eliminados). Para cada linha (coluna) com exatamente um zero restante, reserve quela posio para uma designao, ou seja, coloque um crculo no zero associado quela posio ( 0 ), e elimine os outros zeros da coluna (linha) correspondente, ou seja, coloque um xis sobre os demais zeros ( X ). Repetir, se necessrio, este procedimento para as linhas e colunas sem posies reservadas at que todos os zeros tenham sido reservados ou eliminados: Se as posies reservadas correspondem a uma designao completa um recurso para cada atividade e cada atividade recebendo um recurso a soluo tima FIM; Caso contrrio, seguir para a Fase (3).
Fase (3) Alteraes Adicionais na Matriz Modificada

Se no houve zeros suficientes na matriz modificada na Fase (1) que permitiram selecionar uma designao completa com custo total nulo na Fase (2), ento se devem criar mais zeros usando o procedimento descrito a seguir. (a) Marcar todas as linhas que no tenham designaes aps a Fase (2), ou seja, colocar um asterisco ao lado da linha da Matriz de Custos Modificada na Fase (1);

Cap_5.indd 137

27/08/2011 21:54:20

138

| INTRODUO PESQUISA OPERACIONAL

(b) Para as linhas marcadas, marcar (colocar asterisco ao lado Matriz de Custos Modificada) todas as colunas que tenham zeros; (c) Para as colunas marcadas, marcar (colocar asterisco ao lado Matriz de Custos Modificada) todas as linhas que tenham zeros reservados (designados); (d) Repetir os passos (b) e (c) at no ser mais possvel marcar linhas ou colunas; (e) Traar uma reta sobre cada linha no marcada e sobre cada coluna marcada da Matriz de Custos Modificada; (f) Examinar todos os nmeros no cobertos por alguma reta na Matriz de Custos Modificada e identificar o mnimo destes nmeros: Subtrair este valor mnimo de todos os nmeros no cobertos por uma reta; Somar este valor mnimo a cada nmero situado no cruzamento de duas retas. Retornar Fase (2).
Observaes:

(1) Se h um nmero diferente de recursos e atividades, ou seja, a matriz de custos (lucros) original no quadrada: Devem-se adicionar tantas linhas (recursos), ou colunas (atividades), fictcias quantas forem necessrias para igualar o nmero de recursos disponveis ao das atividades existentes; Colocar os custos (lucros) correspondentes convenientemente, de acordo com o contexto do problema. Em geral os valores destes custos (lucros) das designaes fictcias so nulos. (2) Se o problema for de maximizao: Multiplicar por (-1) todos os nmeros da matriz de lucros; Identificar o menor nmero (ser o que tem o maior mdulo); Adicionar o mdulo deste menor nmero a todos os nmeros da matriz j multiplicada por (-1), com isto todos os nmeros resultantes na nova matriz ficaro no negativos ( 0);

Cap_5.indd 138

27/08/2011 21:54:20

O Modelo da Designao |

139

Resolver o problema com a nova matriz como se fosse de minimizao. (3) Na ocorrncia de designaes impossveis, por exemplo, em situaes em que um determinado operrio no consegue executar determinada tarefa: Para problemas de minimizao, colocar na funo objetivo, como coeficiente para a varivel de deciso associada, um valor de custo = M, ou seja, um nmero positivo muito grande; Para problemas de maximizao, colocar na funo objetivo, como coeficiente para a varivel de deciso associada, um valor de lucro = -M, ou seja, um nmero negativo muito pequeno; (4) Ocorrncia de Mltiplas Solues timas Em alguns problemas pode ocorrer que, na aplicao da Fase (2), o nmero de zeros existentes em cada linha e coluna impedem que o procedimento, indicado anteriormente para esta fase, consiga examinar todos os zeros, reservando alguns e eliminando os demais. Quando isto ocorrer significa que o problema tem mltiplas solues timas. No momento em que o mtodo se mostrar ineficaz em reservar ou eliminar zeros, deve-se escolher arbitrariamente algum dos zeros, que no foram ainda reservados ou eliminados, para ser reservado e dar continuidade ao procedimento padro desta fase. Isto ser ilustrado no Exemplo 4.
Exemplo 3: Seleo de Homens-Locais Extrado de Pizzolato e Gandolpho (2009)

O presidente de uma empresa est estudando a transferncia de quatro diretores para quatro locais de trabalho diferentes. Foram feitas estimativas dos custos envolvidos na transferncia de cada homem para cada novo local de trabalho. Estes custos (numa certa unidade monetria) so dados na Figura 7. Determinar as designaes de cada diretor para cada local de trabalho de modo a minimizar o custo da transferncia, assumindo-se que os diretores so igualmente qualificados para os diversos servios.

Cap_5.indd 139

02/09/2011 23:56:28

140

| INTRODUO PESQUISA OPERACIONAL

Figura 7 Dados para o Exemplo 3 Locais I A B C D 2 3 1 1 II 1 4 2 3 III 4 1 6 3 IV 2 6 5 7

Aplicando as trs fases do Mtodo Hngaro tem-se:


Fase (1) Reduo da Matriz de Custos

Na identificao dos nmeros mnimos associados a cada linha obtm-se a Figura 8.


Figura 8 Identificao dos Menores Nmeros nas Linhas Locais I A B C D 2 3 1 1 II 1 4 2 3 III 4 1 6 3 IV 2 6 5 7 Menor Nmero (1) (1) (1) (1)

Cap_5.indd 140

Diretores

Diretores

27/08/2011 21:54:20

O Modelo da Designao |

141

Subtraindo-se os elementos mnimos de cada linha de todos os elementos das linhas correspondentes, obtm-se a Figura 9, onde j esto identificados os menores nmeros de cada coluna, para a etapa seguinte de modificao da matriz de custos.
Figura 9 Identificao dos Menores Nmeros nas Colunas

I A B C D Menor Nmero 1 2 0 0 (0)

II 0 3 1 2 (0)

III 3 0 5 2 (0)

IV 1 5 4 6 (1)

Subtraindo-se os menores nmeros de cada coluna, tem-se a matriz da Figura 10.


Figura 10 Matriz de Custos Modificada para a Fase (2) I A B C D 1 2 0 0 II 0 3 1 2 III 3 0 5 2 IV 0 4 3 5

Cap_5.indd 141

27/08/2011 21:54:21

142

| INTRODUO PESQUISA OPERACIONAL

Fase (2) Identificao de Designao tima 1a Iterao

Aplicando o procedimento desta fase, tem-se como resultado a Figura 11, a seqncia de etapas foi a seguinte: A 1a linha tem 2 zeros, assim no se faz designaes ou eliminaes; j como a 2a linha tem um nico zero restante, ele ser reservado (designar B para III) e, se tivesse algum zero na 3a coluna ele seria eliminado; A 3a linha tambm tem um nico zero restante que ser reservado (designar C para I) e deve-se eliminar o outro zero que est na 1a coluna; Terminou-se, assim, de examinar as linhas, passa-se ao exame das colunas; Na 1a coluna, os dois zeros existentes j esto reservados ou eliminados, assim passa-se a analisar a 2a coluna; Na 2a coluna h apenas um zero restante que ser reservado (designar A para II) e deve-se eliminar o zero da 1a linha; Com isto no restaram mais zeros para serem reservados ou eliminados, mas a designao obtida no foi completa, pois apenas 3 zeros foram reservados. Deve-se ir para a Fase (3).
Figura 11 Etapas da Fase (2) ao Exemplo 3 1a Iterao 1 A B C D 1 2 0 X 2 0 3 1 2 3 3 0 5 2 4 X 4 3 5

Fase (3) Alteraes Adicionais na Matriz Modificada 1a Iterao

Aplicando o procedimento desta fase, tem-se como resultado a Figura 12, a seqncia de etapas foi a seguinte:

Cap_5.indd 142

27/08/2011 21:54:21

O Modelo da Designao |

143

Marcar a 4a Linha com um asterisco, pois ela no possui designao (zeros reservados) na Fase (2); Marcar a 1a coluna, pois ela possui um zero na 4a Linha que foi marcada na etapa anterior; Marcar a 3a linha, pois ela tem um zero na 1a coluna que foi marcada na etapa anterior; Como a coluna que seria marcada a 1a coluna, pois ela tem um zero na 3a linha que foi marcada na etapa anterior, mas que j foi marcada, ento ficam finalizadas estas etapas de marcar linhas e colunas; Na seqncia, deve-se cobrir com uma reta as linhas no marcadas (1a e 2a Linhas) e as colunas marcadas (1a Coluna), isto tambm est na Figura 12.
Figura 12 Aplicao Parcial da Fase (3) ao Exemplo 3

II 0 3 1 2

III 3 0 5 2

IV 0 4 3 5

A B

1 2 0 0

Observando a Figura 12, identifica-se que o menor nmero no coberto por uma reta o nmero 1 na posio (C, 2); Deve-se subtrair o valor 1 de todos os custos no cobertos pelas retas; Somar valor 1 aos custos das clulas que se encontram nos cruzamentos das retas, isto , somar 1 aos custos das posies (A,1) e (B,1). Ao se realizar essas operaes obtm-se a Matriz da Figura 13.

Cap_5.indd 143

27/08/2011 21:54:21

144

| INTRODUO PESQUISA OPERACIONAL

Figura 13 Aplicao Final da Fase (3) ao Exemplo 2 1 A B C D 1 3 0 0 2 0 3 0 1 3 3 0 4 1 4 0 4 2 4

Pelo Mtodo Hngaro, deve-se retornar a Fase (2) para se tentar identificar, finalmente, uma designao completa que ser a soluo tima.
Fase (2) 2a Iterao

Aplicando o procedimento desta fase, tem-se como resultado a Figura 14, a seqncia de etapas foi a seguinte: Como a 1a linha tem dois zeros, nada a fazer; Como a 2a linha tem um nico zero restante, ele ser reservado (designar B para III) e no h zeros na 3a coluna para eliminar; Como na 3a linha h dois zeros, nada a fazer; Como na 4a linha h apenas um zero restante, ele ser reservado (designar D para I) e o zero da 1a coluna ser eliminado; Passa-se a examinar as colunas, a 1a coluna no tem mais zeros; Como a 2a coluna tem dois zeros, nada a fazer; A 3a coluna no tem mais zeros; Como a 4a coluna tem apenas um zero restante, ele ser reservado (designar A para IV) e o zero da 1a linha ser eliminado; Volta-se a examinar as linhas, a 1a e a 2a linha no tm mais zeros; Como a 3a linha tem apenas um zero restante, ele ser reservado (designar C para II) e o processo termina, pois no h mais zeros sem terem sido reservados ou eliminados.

Cap_5.indd 144

27/08/2011 21:54:21

O Modelo da Designao |

145

Chegou-se, assim, ao final da aplicao do Mtodo Hngaro, pois uma designao completa foi obtida, isto est na Figura 15. Como pode ser verificado com os dados da Matriz de Custos Inicial, o custo mnimo envolvido nesta distribuio de 6 unidades monetrias.
Figura 14 Aplicao da Fase (2) ao Exemplo 3 2a Iterao I A B C D 2 3 X 0 II X 3 0 1 III 3 0 4 1 IV 0 4 2 4

Figura 15 Soluo tima do Exemplo 3

Diretor A B C D

Local IV III II I

Na sequncia est resolvido o Exemplo 4 que apresenta Desbalanceamento, Trajetos Proibidos, bem como ocorrem mais de uma soluo tima; neste exemplo, ser mostrado como proceder no caso de existncia de mais de uma soluo tima.

Cap_5.indd 145

27/08/2011 21:54:21

146

| INTRODUO PESQUISA OPERACIONAL

Exemplo 4: Desbalanceamento, trajetos proibidos e mltiplas solues

Uma fbrica possui quatro locais (I, II, III, IV) para receber trs mquinas novas (A, B, C). O local IV no comporta a mquina A por restries fsicas. Os custos de manuseio de materiais, numa certa unidade monetria por hora (u.m./h), envolvendo cada mquina com as posies possveis, esto na Figura 16. O objetivo designar as novas mquinas aos locais disponveis de modo a minimizar o custo total de manuseio de materiais. Assim como no problema do transporte, quando da ocorrncia de desbalanceamento e trajetos proibidos, so necessrios os seguintes passos antes de se aplicar o Mtodo Hngaro: (a) Atribuir um custo muito grande (M) posio (A,4) para se evitar a designao da mquina A ao local 4; (b) Criar uma mquina fictcia D, com todos os custos nulos, para igualar o nmero de mquinas com o nmero de locais disponveis.
Figura 16 Custos de Manuseio para o Exemplo 4 I A B C 5 3 3 II 1 1 3 III 3 4 4 IV X 3 2

Isto feito tem-se Matriz de Eficincias da Figura 17, onde j foi identificado o menor valor de custo em cada uma das linhas, para aplicao da Fase (1).

Cap_5.indd 146

27/08/2011 21:54:21

O Modelo da Designao |

147

Figura 17 Matriz de Eficincias para o Problema Balanceado e com Trajeto Proibido I A B C D 5 3 3 0 II 1 1 3 0 III 3 4 4 0 IV M 3 2 0 Menos Nmero (1) (1) (2) (0)

Aplicando-se as Fases (1), (2) e as etapas de (a) at (e) da Fase (3) tem-se, como resultado parcial, a Figura 18.
Figura 18 Resultado parcial para o Exemplo 4 I

II

III 2 3 2 0

IV M 2 0 0

A B

4 2 1 0

0 0 1 0

C D

O elemento mnimo no coberto pelas retas, na Figura 18, igual a 2, que aparece nas posies (B, I), (B, IV) e (A, III). Aplicando-se a etapa restante (f) da Fase (3) tem-se a Matriz da Figura 19, para a qual deve-se aplicar a Fase (2), numa 2a iterao do Mtodo Hngaro.

Cap_5.indd 147

27/08/2011 21:54:21

148

| INTRODUO PESQUISA OPERACIONAL

Figura 19 Matriz para a Fase (2) 2a Iterao I A B C D 2 0 1 0 II 0 0 3 2 III 0 1 2 0 IV M 0 0 0

Ao se aplicar novamente a Fase (2), agora na Matriz da Figura 19, chega-se a um impasse no procedimento, pois no possvel reservar ou eliminar zeros, pois h pelo menos 2 zeros em cada linha e coluna no examinadas, conforme exposto na Figura 20.
Figura 20 Impasse na Aplicao da Fase (2) I A B C D 2 0 1 0 II 0 0 3 2 III 0 1 2 0 IV M X 0 X

Isto indica a existncia de mais de uma soluo tima. Escolhendo, arbitrariamente, uma designao na posio (A,2) e reaplicando o procedimento visto anteriormente para esta fase, obtm-se o resultado da Figura 21.

Cap_5.indd 148

27/08/2011 21:54:21

O Modelo da Designao |

149

Figura 21 Uma Soluo tima do Exemplo 4 I A B C D 2 0 1 X II 0 X 3 2 III X 1 2 0 IV M X 0 X

O resultado uma das designaes timas do problema, cujo custo total de manuseio mnimo de 6 u.m./h, e est descrita na Figura 22. Observe-se que, como a Mquina D fictcia, o local 3 ficar sem ocupao.
Figura 22 Uma Designao tima de Mquinas para Locais

Mquina A B C

Local II I IV

Caso haja interesse em se obter outra designao tima, basta escolher, arbitrariamente, uma outra posio, por exemplo, (A, 3) e proceder como antes. A soluo tima alternativa, para esta segunda escolha, est exposta na Figura 23, onde quem ficou sem mquinas foi o Local I. Naturalmente, o custo desta soluo tambm de 6 u.m./h.

Cap_5.indd 149

27/08/2011 21:54:21

150

| INTRODUO PESQUISA OPERACIONAL

Figura 23 Outra Designao tima de Mquinas para Locais

Mquina A B C

Local III II IV

REFERNCIAS

PHILLIPS, D.T.; GARCIA-DIAZ, A. Fundamentals of Network Analysis. Englewood Cliffs-NJ: Prentice-Hall, 1981. PIZZOLATO, N.D.; GANDOLPHO, A.A. Tcnicas de Otimizao. Rio de Janeiro: LTC, 2009. SHAMBLIN, J.E.; STEVENS Jr., G.T. Pesquisa Operacional Uma abordagem bsica. 1a edio. So Paulo: Editora Atlas, 1979.

Cap_5.indd 150

03/09/2011 00:00:49

6
INTRODUO TEORIA DE FILAS: MODELOS MARKOVIANOS
6.1. INTRODUO

A Teoria das Filas tem como objetivo principal o desenvolvimento de modelos matemticos que permitam prever o comportamento de sistemas de prestao de servios. Admite-se, em geral, que as solicitaes ocorrem em instantes aleatrios e que a durao do tempo de atendimento de cada pedido tambm uma varivel aleatria. Antes de se descrever as caractersticas de um sistema de filas, deve-se observar que, do ponto de vista prtico, o interesse em se estudar estes sistemas est na possibilidade de introduzir-se modificaes, que contribuam de alguma forma para melhorar o seu rendimento. Assim, por exemplo, em determinados perodos, a procura pelos servios (demanda) de um determinado sistema pode ser muito intensa, gerando longas filas e um elevado tempo de espera para as pessoas interessadas. Quando se trata de uma operao comercial, esta situao deixa os clientes insatisfeitos e conduz perda de negcios. Por outro lado, possvel que, em outros perodos, a demanda seja to baixa que os atendentes, daquele sistema de prestao de servios, fiquem desocupados durante boa parte do tempo. Em ambas as situaes, uma mudana seria recomendvel do ponto de vista econmico. No entanto, geralmente, o vulto das despesas envolvidas de tal ordem que no permite a realizao de mudanas em carter experimental. interessante, portanto, dispor de um modelo que permita prever o comportamento do sistema modificado e, em conseqncia, fornea subsdios para que se possa escolher a modificao mais adequada. Alguns exemplos tpicos de aplicao da Teoria das Filas so relativos ao dimensionamento de: postos de pedgio, nmero de beros de atracao em portos, nmero de guichs num banco, do nmero de linhas de uma Central Telefnica, e de equipes de manuteno, entre outros.

Cap_6.indd 151

27/08/2011 21:54:43

152

| INTRODUO PESQUISA OPERACIONAL

6.2. ESTRUTURA BSICA DE UM SISTEMA DE FILAS

A Figura 1 ilustra os elementos importantes para a anlise de um sistema de filas: populao, processo de chegadas de clientes, organizao da fila, disciplina de atendimento e processo de atendimento de clientes. Estes elementos caractersticos sero discutidos na seqncia:
(a) Processo de Chegada: Uma informao relevante na anlise de um sistema

de filas saber, para t > 0, o nmero de indivduos que solicitaram servio no intervalo (0, t). Trata-se, portanto, de um processo de contagem e ele poder ser caracterizado atravs da distribuio dos Intervalos de Tempo entre Chegadas Sucessivas, ou atravs da distribuio do Nmero de Chegadas em intervalos disjuntos.
Figura 1 Estrutura de um Sistema de Filas Sistema

FONTE (populao)

unidades Fila que chegam

Estao de Servio

unidades servidas

Disciplina de Atendimento

Em sistemas industriais automatizados, por exemplo, numa fbrica de bebidas, as garrafas chegam nos pontos de envasamentos, ou colocao de tampas e rtulos em intervalos constantes, o que caracteriza que o nmero de chegadas

Cap_6.indd 152

27/08/2011 21:54:45

Introduo Teoria de Filas: Modelos Markovianos | 153

(garrafas) nos postos de atendimento (envazador) tem um comportamento determinstico. Mas, em geral, estes intervalos de tempo so variveis aleatrias, como o que ocorre, por exemplo, no caso de chegadas de clientes em caixas de um banco, ou o nmero de carros que chegam a um posto de pedgio. Neste texto, estas variveis sero consideradas independentes e identicamente distribudas. Um caso particular importante onde a varivel aleatria associada ao Nmero de Chegadas tem Distribuio de Poisson com mdia . Sabe-se que, nesta situao particular, a distribuio de probabilidades da varivel aleatria Intervalo de Tempo entre Chegadas Sucessivas ser dada pela Distribuio Exponencial Negativa com mdia 1/. Outro aspecto importante, considerado em modelos mais avanados, a possibilidade de chegadas em grupos, sendo que o nmero de indivduos em cada grupo uma varivel aleatria com distribuio conhecida. Um exemplo deste caso seria uma partida de futebol, com os espectadores sendo transportados em nibus, que chegaro em instantes aleatrios, com o nmero de passageiros em cada nibus sendo tambm uma varivel aleatria.
(b) Processo de Atendimento: Da mesma forma que no processo de chegadas,

o atendimento pode ser individual ou em grupo. Exemplos de atendimento individual so encontrados em bancos, postos de pedgio, entre outros. Os atendimentos em grupo ocorrem em filas de nibus, ferry-boats e elevadores, entre outros casos. A principal caracterstica do atendimento a Durao do Atendimento, ou ainda, o Nmero de Atendimentos. A Durao do Atendimento pode ser constante, como seria em sistemas industriais automatizados, por exemplo, a durao do envaze, ou a rotulao, de uma garrafa numa fbrica de bebidas. Em geral, a Durao do Atendimento, ou ainda, o Nmero de Atendimentos uma varivel aleatria com distribuio conhecida, que pode, tambm, depender do tamanho da fila, como ocorre num Banco, por exemplo, quando se colocam mais caixas quando a fila de clientes fica longa. Nos modelos mais comuns supe-se que os tempos de atendimento, dado que existem pessoas sendo atendidas, so variveis aleatrias independentes e identicamente distribudas.

Cap_6.indd 153

27/08/2011 21:54:45

154

| INTRODUO PESQUISA OPERACIONAL

O caso particular, mais importante, onde a durao do atendimento (tempo de servio) tem distribuio de probabilidades do tipo Exponencial Negativa com mdia 1/, e, similarmente ao que ocorre para o processo de chegadas, nesta situao, o Nmero de Atendimentos ter uma distribuio de probabilidades do tipo Poisson com mdia .
(c) Disciplina de Atendimento: Num modelo de filas a Disciplina de Atendi-

mento se refere maneira segundo a qual os indivduos, que esto requerendo atendimento no sistema, so selecionados para receber o servio. Ela definida em funo das caractersticas do sistema e existem vrias disciplinas possveis; sendo o tipo mais comum onde o atendimento feito segundo a ordem de chegada, conhecida como PEPS Primeiro a Entrar, Primeiro a ser Servido (em ingls FIFO). Outra Disciplina de Atendimento muito comum conhecida como UEPS ltimo a Entrar, Primeiro a ser Servido (em ingls LIFO), que ocorre, por exemplo, em alguns sistemas de estoques e em elevadores lotados. Outra possibilidade a existncia de prioridades, isto , h um tipo de cliente que pode passar frente dos demais e vai para o 1o lugar da fila (por exemplo, consultas mdicas com hora marcada), um caso extremo de prioridade aquele no qual o servio que est sendo executado interrompido para atendimento do cliente prioritrio, como ocorre em casos de emergncia em hospitais. A Disciplina de Atendimento pode ser tambm do tipo aleatria, como ocorre, por exemplo, numa prova oral nas escolas.
(d) Capacidade do Sistema: Em muitos modelos de filas existe uma limitao

fsica para o nmero de pessoas que podem fazer parte do sistema. Enquanto esta capacidade no for atingida, o funcionamento do sistema normal, no sentido de que, os indivduos que chegam aguardam na fila at serem atendidos, e os indivduos que chegam em instantes nos quais a capacidade est esgotada so recusados. Antes de se iniciar o estudo dos modelos de filas mais importantes, deve-se apresentar uma notao para modelos de filas, devida a Kendall, que universalmente adotada e est ilustrada no Exemplo 1. Segundo a notao de Kendall, um modelo de filas descrito por uma sucesso de smbolos, colocados em campos delimitados por barras inclinadas.

Cap_6.indd 154

27/08/2011 21:54:45

Introduo Teoria de Filas: Modelos Markovianos | 155

O primeiro campo fornece informaes da distribuio dos intervalos entre chegadas; o segundo se refere distribuio dos tempos de servio; o terceiro se refere ao nmero de guichs de atendimento disponveis; o quarto indica a restrio sobre a capacidade do sistema; o quinto fornece a informao sobre o tamanho da populao e finalmente o sexto informa sobre a disciplina de atendimento. Nos casos em que a capacidade ilimitada, a populao muito grande e a disciplina a PEPS, os trs ltimos smbolos podem ser omitidos. Os smbolos comumente usados so: M Para o Processo de Chegadas com distribuio de probabilidades Poisson, e para o Processo de Atendimento com distribuio de probabilidades Exponencial para os tempos de servio; GI Para Processo de Chegadas independentes, diferente do de Poisson; Ek Para distribuio de probabilidades de Erlang de ordem k; D Para tempo de servio constante (caso determinstico); G Para distribuio geral de tempos de atendimento.
Exemplo 1: Ilustrao da notao de Kendall

M/M/3 Modelo de filas com chegadas segundo um Processo de Poisson, tempos de atendimento dado por uma distribuio Exponencial e com 3 atendentes, tipo esquema de fila nica, para atendimento da fila. A capacidade e a populao so consideradas infinitas e o atendimento segue a disciplina FIFO. H vrias Variveis de Deciso importantes para a anlise do desempenho do sistema: (1) Tempo que um cliente permanece na fila; (2) Nmero de clientes na fila; (3) Tempo que um cliente permanece no sistema; (4) Nmero de clientes no sistema; (5) Ociosidade dos atendentes. Como, em geral, estas variveis so aleatrias, pois dependem do comportamento das chegadas e dos atendimentos, uma maneira de conseguir medir o

Cap_6.indd 155

27/08/2011 21:54:45

156

| INTRODUO PESQUISA OPERACIONAL

desempenho de um sistema de filas introduzir medidas de eficincia que sejam funes dos valores mdios destas variveis aleatrias. Para tanto, considera-se o sistema de filas quando ele entra em regime estacionrio, isto , aps um prolongado perodo de funcionamento (diz-se, tambm, que o sistema est em equilbrio). Neste caso, denota-se por: L (ou Ls) Valor mdio do nmero de clientes no sistema (inclui os que esto sendo servidos); Lq Valor mdio do nmero de clientes na fila (exclui os que esto sendo servidos); W (ou Ws) Valor mdio do tempo que um cliente gasta no sistema; Wq Valor mdio do tempo que um cliente gasta na fila; Pn Probabilidade de que o nmero de clientes no sistema seja n.

6.3. PROCESSOS DE NASCIMENTO E MORTE (P N M)

Uma rea importante da Pesquisa Operacional, que trata de situaes em que ocorrem variveis aleatrias a dos Processos Estocsticos. Com respeito aos modelos de filas aqui apresentados, eles podem ser classificados numa subrea conhecida por Processos de Nascimento e Morte. A seguir, passa-se, resumidamente, a descrever aspectos relevantes desta rea para o contexto deste captulo.
Definio:

O Estado do sistema corresponder ao nmero de clientes no sistema, ou seja, o nmero de clientes esperando na fila adicionado do nmero de clientes que esto sendo atendidos.
Observao: Em regime estacionrio, as probabilidades de cada estado tor-

nam-se independentes do tempo, isto ,


t

lim Pn (t ) = Pn , onde Pn(t) = probabilidade de ter n clientes no sistema, no

instante t.

Cap_6.indd 156

27/08/2011 21:54:45

Introduo Teoria de Filas: Modelos Markovianos | 157

Definies:

(a) Um Nascimento representa a entrada de um cliente no sistema; (b) Uma Morte representa a sada de um cliente no sistema; (c) n = Taxa Mdia de Chegada quando h n clientes no sistema; (d) n = Taxa Mdia de Servio quando h n clientes no sistema.
Observao: Num P-N-M, as chegadas e partidas so aleatrias e suas taxas

mdias dependem apenas do estado atual do sistema.


Postulados:

Sejam n = o nmero de clientes no sistema e funo nulo

t 0

lim

0 (t ) t

= 0 com:

(I) Postulado de Nascimento

Dado que o sistema est no estado En (n = 0, 1, 2,...) no instante t, a probabilidade que ocorra exatamente um nascimento no intervalo (t, t+t) dado por n t + 0(t) com n > 0 (constante);
(II) Postulado de Morte

Dado que o sistema est no estado En (n = 0,1,2,...) no instante t, a probabilidade que ocorra exatamente uma morte no intervalo (t, t + t) dado por, n t + 0(t) onde 0 = 0 e n > 0 (constante) para n > 0;
(III) Postulado do Salto Mltiplo

Dado que no instante t, o sistema est no estado En (n = 0, 1, 2,...), a probabilidade que o nmero de nascimentos e mortes exceda 1 durante o intervalo (t, t + t) dado por 0(t). Como conseqncia dos Postulados, pode-se encontrar a Probabilidade do Estado do Sistema, no instante t, ser n como funo das Taxas Mdias de Chegadas (n) e de Servio (n). De fato, para n > 0, o estado En no instante (t, t + t) pode ter sido alcanado a partir de quatro situaes mutuamente exclusivas, conforme Quadro 1.

Cap_6.indd 157

27/08/2011 21:54:45

158

| INTRODUO PESQUISA OPERACIONAL

Quadro 1 Transies Possveis de Estado Eventos em (t, t +t)

Estado em t

Probabilidade correspondente

En-1

1 nascimento

Pn-1 (t). n-1.t + 0(t)

] ] ]

(1)

En+1

1 morte

Pn+1 (t). n+1.t + 0(t)

(2)

En

Nenhum evento

Pn (t). 1 n.t n.t + 0(t)


0(t)

(3)

Outro

Eventos mltiplos

(4)

Pn (t + t) = (1) + (2) + (3) + (4) O que resulta em: Pn (t + t ) = Pn1 (t ).n1 .t + Pn+1 (t ).n+1 .t + + Pn (t ). 1 n .t n .t + 0(t ) + 0(t ), com lim Ou ainda: Pn (t + t ) Pn (t ) t = n1 .Pn1 (t ) + n+1.Pn+1 (t ) (n + n ).Pn (t ) + Pn (t ).0 (t ) + 0 (t ) t (1) 0 (t ) t
t 0

=0

Considerando-se o limite quando t tende a zero, para ambos os lados da equao (1), resulta na equao (2): lim Pn (t + t ) Pn (t ) t = n1 .Pn1 (t ) + n+1 .Pn+1 (t ) (n + n )Pn (t ) (2)

t 0

Como o termo do lado direito da equao (2) a derivada da derivada da Probabilidade do Estado do Sistema, no instante t, ser n, tem-se as equaes (3) e (4):

Cap_6.indd 158

27/08/2011 21:54:45

Introduo Teoria de Filas: Modelos Markovianos | 159

Para n > 0,

dPn (t ) = n1 .Pn1 (t ) + n+1 .Pn+1 (t ) (n + n )Pn (t ) dt d Po (t ) dt = 1P1 (t ) 0 P0 (t )

(3)

Para n = 0 : 0 = 0; P1 (t ) = 0

(4)

As Solues em Regime Estacionrio para as equaes (3) e (4), ou seja, d P (t ) quando o lim Pn (t) = Pn ou seja, n = 0, so: t dt Para n > 0 : n1 .Pn1 + n+1 .Pn+1 (n + n ).Pn = 0 Para n = 0, 1P1 0 P0 P1 = Aps alguns ajustes, tem-se: Pn+1 = n Pn n+1 Pn = n1 Pn1 n
n1 i =0 n i =1

(5)

0 P0 1

(6)

n1 ... 0 n1 n2 Pn2 = ... = P0 n n1 n ...1

(i ) P0 n>0 (7)

ou ainda

Pn =

(i )

Como sabe-se que

n =0

Pn = 1, tem-se que P0 +

n=1

Pn = , ou ainda:

n1

P0 +

n=1

i =0 n i =1

(i ) P0 = 1 P0 = 1+ (i )

1
n1

(8)

n=1

i =0 n

(i ) (i )

i =1

Cap_6.indd 159

27/08/2011 21:54:45

160

| INTRODUO PESQUISA OPERACIONAL

Lembrando que P0 a proporo do tempo em que o sistema fica vazio, ou seja, os atendentes ficam ociosos, com a expresso (7) possvel calcular os valores de probabilidade de ter n clientes no sistema, ou seja, o valor de Pn. Apresentam-se, na seqncia, alguns modelos de filas importantes:

6.4. MODELOS DE FILAS MARKOVIANAS

Nesta seo esto alguns dos principais modelos de filas conhecidas como Markovianas, ou seja, tm as chegadas e os atendimentos seguindo as distribuies de Poisson e Exponencial.
(1) FILA M/M/1

Processo de Chegadas: Poisson, taxa n Tempo de Servio: Exponencial, parmetro n No de Atendentes: 1 Disciplina de Atendimento: PEPS
Observao: Como no h limitaes (na fila ou na fonte) as taxas de che-

gada e servio independem do estado do sistema, isto , n = e n = , n = 0, 1, 2,... Usando as expresses (6) e (7), deduzidas anteriormente, para P0 e Pn, tem-se: se < 1 P0 = 1+ 1 = 1 = 1 1 1 =1 ,

n=1 n1

n n

n =0

(9)

Pn = P0
i =0 n

i i

i =1

= P0 para n > 0.

(10)

Cap_6.indd 160

27/08/2011 21:54:45

Introduo Teoria de Filas: Modelos Markovianos | 161

Aqui

= denominado fator de utilizao e assim: (11)

Pn = (1 )n , com n = 0, 1, 2... Com as expresses de P0 e Pn pode-se obter: L=

n =0

n Pn =

n =0

n (1 ) n = (1 )

(
n =0

n n1 = (1 )

n =0

dn = d

d n 1 n=0 = 1 d (1 ) = = = (1 ) ( ) d d 1

assim, L =

(12)

Lq =

(n 1)P = n P
n=1 n

= L (1 P0 ) = assim, Lq =

( ) (13) 1 ( )

n=1 2

n=1

Pn =

n P

n =0

n=1

Pn

2 ( )

como, L = W (Frmula de Little) tem-se W =

(14)

e como Lq = Wq (Frmula de Little) tem-se Wq =


(2) FILA M/M/1/N*

(15)

Processo de Chegadas: Poisson, taxa n Tempo de Servio: Exponencial, parmetro n Nmero de Atendentes: 1 Disciplina de Atendimento: PEPS Capacidade do Sistema: N

Cap_6.indd 161

27/08/2011 21:54:45

162

| INTRODUO PESQUISA OPERACIONAL

Observaes:

a) Essa restrio de capacidade pode surgir ou por uma restrio fsica do sistema ou por iniciativa do cliente. b) Como existe essa restrio de capacidade, neste caso tem-se: , se n = 0,1,...,(N -1) e n = , n = 1,2,... n = 0, se n N c) No ser preciso a restrio < . Seguindo a mesma seqncia do caso anterior, tem-se: P0 = 1

N* n =0 n

1 1 1
N * +1

1 1 N *+1

(16)

1 n Para n = 0, 1, 2, ... pode-se obter Pn = N * +1 1 De L = n Pn tem-se:


n=0 N*

(N * +1) L= 1 1 N *+1

N * +1

e Lq = L (1 P0 ) .

(17)

Para este modelo de filas, o tempo mdio que um usurio passa no sistema pode ser de dois tipos: W 1 o tempo mdio, levando em conta todos os usurios, atribuindo-se tempo zero aos usurios que foram recusados; W1 = L (18)

W 2 o tempo mdio, considerando-se apenas os usurios que se juntam ao sistema; para seu cculo deve-se tomar algum cuidado. Neste caso, o processo de chegadas no possui mais taxa , pois toda vez que um consumidor encontra N usurios no sistema, ele perdido. Pode-se

Cap_6.indd 162

27/08/2011 21:54:45

Introduo Teoria de Filas: Modelos Markovianos | 163

mostrar que a taxa de chegadas agora igual a (1 PN * ) e, portanto: w2 = L w1 = (1 PN * ) (1 PN * ) (19)

(3) FILA M/M/1/N/N

Anlogo ao anterior com o Tamanho da Populao sendo N.


Hiptese: O padro de chegadas proporcional ao no de clientes que esto

fora do sistema.
Observao: agora se tem

(N n ), se n = 0,1,..., N n = , se n N ; n = 0 para n = 1,2... 0 P0 = 1 N ! n n=0 (N n )!


N

(20)

Pn =

N! P , para n = 1,2,..., N (N n )! 0
N N

(21)

Lq =
N N

n=1

(n 1)Pn

Lq = N

+ (1 P0 ) (1 P0 )

(22)

L = n Pn L = Lq + (1 P0 ) L = N
n=1

(23)

(4) FILA M/M/1, com taxas de atendimento dependentes do estado


Observaes:

a) Isso corresponderia ao atendimento feito com maior rapidez devido a existncia de filas longas. b) Aqui: n = nc . 1 , n = 1,2,... e n = , n = 0, 1, 2,... onde c = coeficiente de presso. c) Nos modelos precedentes, c = 0.

Cap_6.indd 163

27/08/2011 21:54:46

164

| INTRODUO PESQUISA OPERACIONAL

Tem-se: Pn = 1 P0 , n = 0, 1, 2,... c (n !)
n

(24) ;

P0 =

1 1 c n=0 (n !)
8

(25);

L = n Pn (26); Lq = L (1 P0 ) (27); W =
8

n =0

Lq L (28); Wq =

(29)

(5) FILA M/M/S


Observao:

Neste caso, h S atendentes em paralelo (modelo de fila nica) para a mesma fila, assim: n , se = n S , se 0nS nS

onde = taxa de servio mdia por atendente ocupado, n = , para n = 0, 1, 2,... Aqui tem-se:
n S S 1 1 + . . P0 = com < S n 0 n! S ! (1 S ) 1

(30)

n . P 0 n! Pn = n nS . P0 S !S

se 0 n S (31)

se n > S

Cap_6.indd 164

27/08/2011 21:54:46

Introduo Teoria de Filas: Modelos Markovianos | 165


S

P0 Lq = (n S )Pn Lq = 2 , com = n=S S S ! (1 ) Wq = Lq (33); W = Wq + 1 (34); L = Lq + (35).

(32)

Uma probabilidade interessante de se analisar a probabilidade de um usurio, ao chegar no sistema de filas, encontrar todas as estaes de servio atendentes e seja, portanto, obrigado a esperar na fila: P (de ter que esperar na fila) = Pk = k S P0 k =S k =S S ! S Substituindo o valor de P0, vem: S 1 S! 1 P (de ter que esperar na fila) = , (37) k k S S 1 + k =0 k ! k ! 1 que uma probabilidade importante em telefonia. Ela a probabilidade de que nenhum tronco esteja livre, em um sistema de S troncos, ela conhecida como Frmula C de Erlang.
Notao: C S,
S k

(36)

(6) FILA M/M/S/N


Observao:

para N S , se 0 n N 1 n = 0, se n N n , se 0 n S n = S , se S + 1 n N

Aqui:

Cap_6.indd 165

27/08/2011 21:54:46

166

| INTRODUO PESQUISA OPERACIONAL

Tem-se ainda, n n ! P0 , se n = 0,1,..., S 1 Pn = S n S P0 , se n = S,..., N S! 0, se n > N


1 S (S ) 1 N S+1 S1 (S )n + , S ! (1 ) n! n =0 P0 = 1 S S 1 n S S (N S + 1) + , S ! n =0 n !

(38)

se

1 (39)

se

=1

(S )S P 0 1 N S +1 (N S + 1)N S (1 ) , se 1 S ! (1 )2 Lq = S S P0 (N S + 1)(N S ) se =1 , 2 S!

(40)

1 = (1 PN ), W = Wq + ,

Wq = = Lq /

S S 1 (S ) 1 N S+1 P0 L + nPn + , q n=1 (S 1)! (1 ) L= S 1 S S (N S + 1) nPn + P, Lq + (S 1)! 0 n=1

se 1 (41) se = 1

(7) FILA M/M/1, com chegadas em grupos de tamanho K

Neste caso, no ser seguido o mesmo raciocnio dos estudos anteriores, obtendo-se primeiro: W = [tempo total gasto no sistema por um usurio/h n usurios no
n=0

instante da sua chegada]. Pn.

Cap_6.indd 166

27/08/2011 21:54:46

Introduo Teoria de Filas: Modelos Markovianos | 167

Qual ser o tempo esperado de permanncia de um usurio se quando ele chega j existem n clientes no sistema? Certamente para que estes n clientes sejam atendidos, ele deve passar no sistema (na fila) um tempo esperado de n . Quando o ltimo dos n clientes acabar de ser atendido, o grupo em que o usurio, em observao, chegou ser servido, um a um. Entretanto, no se sabe se ele o 1o, 2o, ou ksimo deste grupo. Admitindo que o posicionamento no grupo aleatrio, com probabilidade 1/k o usurio ocupa qualquer uma das possveis k posies. Logo, o tempo esperado de permanncia devido ao grupo ser igual a: 1 1 k k +1 + ... + ou seja k 2 Portanto: [tempo de permanncia no sistema / h n clientes no instante de chegada] k +1 1 ,e = n + 2 W= 1 k +1 1 k +1 Pn = n Pn + n + Pn n=0 2 n=0 2 n = 0

Mas, como: Pn = 1 e n Pn = L :
n=0 n=0

W=

1 k +1 L+ 2

(42)

Por outro lado, usando a relao L = W , com = k, pois cada chegada k +1 ou consiste de k novos usurios para o sistema, tem-se que: W = kW + 2 k +1 W= (43) 2 ( k ) L = kW = Wq = W 2 ( k ) k (k + 1) (44)

1 k +1 1 = 2 ( k )

(45)

Cap_6.indd 167

27/08/2011 21:54:46

168

| INTRODUO PESQUISA OPERACIONAL

Lq = kWq = 2k

(k + 1) k 2 ( k )

(46)

(8) FILA M/M/1, com populao finita p


Observao:

Em alguns casos o nmero de clientes em potencial para a estao de servios pequeno. Se este valor for to pequeno que a chegada de um cliente para ser atendido ou um atendimento afeta a probabilidade de futuras chegadas, no ser mais vlido o pressuposto de uma populao infinita. Assim, teremos: (p n ), se 0 n p n = se n p 0, n = , se n = 1,2,..., Podem-se obter as seguintes expresses: P0 = 1 p ! n n=0 ( p n )!
n

(47)

Pn =

p! P , para n = 1, 2,..., p (p n )! 0

(48)

L = nPn = p
n =0

(1 P0 )

(49); Lq

Lq = p

( + )

(1 P0 )

(50)

W=

(51);

Wq =

com = (p L )

(52)

(9) FILA M/M/S, com populao finita p

Aqui tem-se:

para 1 < S p

(p n ), se n = 0,1,..., p n = se n p 0,

Cap_6.indd 168

27/08/2011 21:54:46

Introduo Teoria de Filas: Modelos Markovianos | 169

n, n = S, Podem-se obter: P0 =

se n = 1, 2,..., S 1 se n = S, S + 1,..., p

1 p! n = 0 ( p n )! n !
S 1 n

p + n=S

n p! nS (p n )! S ! S

(53)

n p! P0 , se 0 n S (p n )!n ! n p! Pn = , se S n p nS (p n )! S ! S 0, se n > p

(54)

L = nPn +

Pn = n =0 n n S 1 p 1 p p n! n + n nS P0 n =0 n S ! n = S n S
S 1

(n S )Pn + S 1 =0 n=S n

S 1

(55)

Lq =

n=S

n S 1 p n S ) Pn = L S + (S n ) ( n =0 n

P0

(56)

W=

(57);

Wq =

Lq

, com = (p L )

(58)

6.5. COMENTRIOS GERAIS

Na seo 4 foram apresentados Modelos de Filas com base em hipteses feitas sobre os processos de chegadas, sobre a distribuio dos tempos de servio, a disciplina de atendimento, a capacidade do sistema e nmero de estaes de servio.

Cap_6.indd 169

27/08/2011 21:54:46

170

| INTRODUO PESQUISA OPERACIONAL

Os modelos que permitem um estudo mais completo so os modelos denominados Markovianos, do tipo M/M/1, M/M/S e suas variaes. Nas aplicaes, contudo, coloca-se o problema de se saber que modelo se adapta a uma dada situao. Em primeiro lugar, deve-se perguntar se o processo de chegadas realmente de Poisson? Caso a resposta seja afirmativa h necessidade de se conhecer o valor da taxa de chegadas . A seguir natural verificar se os tempos de servios tm distribuio exponencial e, em caso afirmativo, deve-se estimar o valor da mdia desta distribuio. Os dois problemas bsicos de inferncia estatstica em filas so: (a) Testes de aderncia para verificar a hiptese que as distribuies de probabilidades em estudo (dos intervalos de tempo entre chegadas ou dos tempos de servio) pertencem a uma dada famlia de distribuies de probabilidade; (b) Estimao dos parmetros das distribuies dos intervalos entre chegadas e das distribuies dos tempos de servio. Cabe ainda mencionar os testes para verificar se o processo de chegadas, sendo de Poisson, homogneo, isto , seu parmetro independe do tempo, e testes para verificar se os intervalos de tempo entre chegadas so independentes (quando o processo no de Poisson). No se apresentam aqui, os diversos procedimentos estatsticos existentes que possibilitam levar a efeito os testes e as estimaes citadas anteriormente, pois no o objetivo chegar a este nvel de detalhamento neste texto. Deve-se notar que, muitas vezes, no possvel desenvolver modelos analticos para Sistemas de Filas, devido complexidade das chegadas ou dos servios; o caso de sistemas de vrias estaes de servio e alguma reciclagem, clientes com certa prioridade de atendimento e Modelos no Markovianos, onde a informao do que ocorreu no passado importante, alm do conhecimento do estado atual do sistema. Na resoluo destes problemas pode ser necessrio passar das tcnicas analticas para as de Simulao, embora deva ser destacado que as tcnicas analticas, sendo viveis, sempre fornecero melhores resultados que as de Simulao.

Cap_6.indd 170

27/08/2011 21:54:46

Introduo Teoria de Filas: Modelos Markovianos | 171

A Simulao oferece uma alternativa para problemas no resolveis analiticamente. A simulao, embora sendo uma arma poderosa e bastante prtica, apresenta dois grandes inconvenientes: Em primeiro lugar, no permite o conhecimento mais preciso da estrutura do fenmeno, sendo geralmente vlida apenas para o caso particular analisado; Em segundo lugar, pode consumir tempo excessivo de computao, visto que exige a anlise de vrias configuraes, consumindo cada configurao perodos relativamente extensos de processamento. Para finalizar, a melhor abordagem parece ser aquela que permite uma anlise preliminar, atravs de um modelo matemtico, seguida de uma simulao (quando necessria), que leve em conta aspectos no considerados, uma vez que nem sempre os Modelos de Filas conseguem representar as situaes reais com grande preciso. Mesmo assim, h vantagem em desenvolver tais modelos, principalmente porque eles levam a um melhor entendimento das principais condicionantes do processo.

Cap_6.indd 171

27/08/2011 21:54:46

172

| INTRODUO PESQUISA OPERACIONAL

ANEXO

Aqui esto alguns diagramas, para determinados Modelos de Filas, que permitem reduzir enormemente o tempo de clculo necessrio para achar os valores de determinadas medidas de eficincia (HILLIER; LIEBERMAN, 2006).
Diagrama 1 Valores de P0 para a Fila M/M/S Po 1.0

s=1 s=2

0.1

s=3 s=4 s=5 s=7 s = 10 s = 15 s = 20 s = 25

0.01

0.001 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Cap_6.indd 172

27/08/2011 21:54:47

Introduo Teoria de Filas: Modelos Markovianos | 173

Diagrama 2 Valores de L para a Fila M/M/S L 100

10

s 15 s= 10 s= 7 =

s=2 = 20

5 s=

1.0

s= 3 s=
s= 2

0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

s=

Cap_6.indd 173

27/08/2011 21:54:47

174

| INTRODUO PESQUISA OPERACIONAL

Diagrama 3 Valores de P0 para a Fila M/M/1 com taxa de atendimento dependente do estado
1.0

0.9 0.8 0.7 0.6

0.5
c=

0.4

c=

0.2
c= 0.4
c=

0.0

0.3 0.2 0.1

0.6

0.0 0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0

0 s1

Cap_6.indd 174

27/08/2011 21:54:47

Introduo Teoria de Filas: Modelos Markovianos | 175

Diagrama 4 Valores de L para a Fila M/M/1 com taxa de atendimento dependente do estado
L 100

10

c=

0.2

c=0

.4 =0

c=0

.6

1.0

0.1 0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0

0 s1

Cap_6.indd 175

27/08/2011 21:54:47

176

| INTRODUO PESQUISA OPERACIONAL

REFERNCIAS

HILLIER, F.S. e LIEBERMAN G.J. Introduo Pesquisa Operacional. 8a edio. So Paulo: McGraw-Hill, 2006. NOVAES, A.G. Pesquisa Operacional e Transportes Modelos Probabilsticos. McGrawHill, 1975. SHAMBLIN, J.E. e STEVENS JR., G.T. Pesquisa Operacional uma abordagem bsica. So Paulo: Atlas, 1979. MARTINS, G. de A. Estatstica Geral e Aplicada. So Paulo: Editora Atlas, 2001.

Cap_6.indd 176

27/08/2011 21:54:47