Você está na página 1de 16
Universidade Estadual do Oeste do Paraná - UNIOESTE Centro de Ciências Exatas e Tecnológicas -

Universidade Estadual do Oeste do Paraná - UNIOESTE

Centro de Ciências Exatas e Tecnológicas - CCET

Curso de Informática

PESQUISA OPERACIONAL

CASCAVEL - PR

2004

SUMÁRIO

UNIDADE 1 – INTRODUÇÃO À PESQUISA OPERACIONAL

1

1.1 CONCEITO DE PESQUISA OPERACIONAL

1

1.2 A NATUREZA DA PESQUISA OPERACIONAL

1

1.3 FASES DE UM ESTUDO DE PESQUISA OPERACIONAL

2

1.3.1 DEFINIÇÃO DO PROBLEMA

2

1.3.2 CONSTRUÇÃO DO MODELO

3

1.3.3 SOLUÇÃO DO MODELO

4

1.3.4 VALIDAÇÃO DO MODELO

4

1.3.5 IMPLEMENTAÇÃO DA SOLUÇÃO

4

1.3.6 AVALIAÇÃO FINAL

4

UNIDADE 2 – PROGRAMAÇÃO LINEAR

6

2.1 CARACTERÍSTICAS DO MODELO DE PROGRAMAÇÃO LINEAR

6

2.2 FORMULAÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR

7

2.2.1 ROTEIRO PARA MODELAGEM DE PROBLEMAS DE PROGRAMAÇÃO LINEAR

7

2.3 RESOLUÇÃO GRÁFICA DE PROBLEMAS DE PROGRAMAÇÃO LINEAR

11

1

UNIDADE 1 – INTRODUÇÃO À PESQUISA OPERACIONAL

1.1 CONCEITO DE PESQUISA OPERACIONAL

Pesquisa Operacional é um método científico de tomada de decisões. Em linhas gerais, consiste na descrição de um sistema organizado com o auxílio de um modelo, e através da experimentação com o modelo, na descoberta da melhor maneira de operar o sistema.

A Pesquisa Operacional como a conhecemos surgiu durante a Segunda

Guerra Mundial, resultado de estudos realizados por equipes interdisciplinares de cientistas contratados para resolver problemas militares de ordem estratégica e tática.

1.2 A NATUREZA DA PESQUISA OPERACIONAL

Um estudo de Pesquisa Operacional consiste, basicamente, em construir um modelo de um sistema real existente como meio de analisar e compreender o comportamento dessa situação, com o objetivo de levá-lo a apresentar o desempenho que se deseja. A complexidade de um sistema real resulta do fato de que seu comportamento é influenciado por um número muito grande de elementos variáveis.

Esta é a razão que leva à principal dificuldade em recomendar ações específicas de acompanhamento para cada variável. No entanto, mesmo numa situação real, que envolva um número muito grande de variáveis, tem seu comportamento fundamentalmente influenciado por uma quantidade reduzida de variáveis principais. Dessa forma, a simplificação do sistema real em termos de um modelo passa primeiramente pela identificação dessas variáveis principais.

A Figura 1.1 representa esta simplificação. O sistema real é um conjunto

complexo de variáveis, de forma não muito definida. O sistema real reduzido é o

núcleo do sistema existente que, basicamente, dita o comportamento deste e que pode ser modelado, para efeito de análise, por uma estrutura simplificada.

Sistema real existente Sistema reduzido às variáveis principais
Sistema real existente
Sistema reduzido às
variáveis principais

Modelo

Figura 1.1 – Representação simplificada do processo de modelagem

2

1.3 FASES DE UM ESTUDO DE PESQUISA OPERACIONAL

De

uma

forma

geral,

um

trabalho

de

Pesquisa

Operacional

deve

desenvolver-se segundo as fases indicadas no fluxograma da Figura 1.2

Percepção ou Demanda por Solução

Percepção ou Demanda por Solução Definição do Problema Avaliação Construção do Modelo Solução do Modelo
Percepção ou Demanda por Solução Definição do Problema Avaliação Construção do Modelo Solução do Modelo

Definição do ProblemaPercepção ou Demanda por Solução Avaliação Construção do Modelo Solução do Modelo Validação do Modelo

Percepção ou Demanda por Solução Definição do Problema Avaliação Construção do Modelo Solução do Modelo
Avaliação
Avaliação
Avaliação

Avaliação

ou Demanda por Solução Definição do Problema Avaliação Construção do Modelo Solução do Modelo Validação do

Construção do Modeloou Demanda por Solução Definição do Problema Avaliação Solução do Modelo Validação do Modelo Implementação

Solução do Modelo

Avaliação Construção do Modelo Solução do Modelo Validação do Modelo Implementação dos Resultados

Validação do Modelo

Validação do Modelo
Validação do Modelo
Validação do Modelo

Implementação dos Resultados

Implementação dos Resultados
Implementação dos Resultados
Implementação dos Resultados

Experiência

Figura 1.2 – Fases de um estudo de Pesquisa Operacional

Logicamente que essa seqüência de passos não é rígida, mas indica as principais etapas que devem ser vencidas. Exceto a fase de Solução do Modelo, que se baseia em métodos e técnicas bem desenvolvidos, as demais não seguem regras fixas e definidas. Os procedimentos necessários para essas fases dependem do tipo do problema em análise e do ambiente que o envolve. Apesar das dificuldades aparentes de fixação de regras para a execução dessas fases, é conveniente que seja feita alguma discussão sobre elas de forma a servir de guia geral de procedimento. Os retornos de informação indicados na Figura 1.1 entre as diferentes etapas, representam revisões que as considerações derivadas da análise de uma etapa provocam em etapas precedentes.

1.3.1 DEFINIÇÃO DO PROBLEMA

A definição do problema, do ponto de vista da Pesquisa Operacional, baseia-se em três aspectos principais que devem ser discutidos:

descrição exata dos objetivos do estudo;

identificação das alternativas de decisão existentes;

reconhecimento das limitações, restrições e exigências do sistema.

3

A descrição dos objetivos é uma das atividades mais importantes em todo o processo do estudo, pois a partir dela é que o modelo é concebido. A equipe encarregada do estudo deve procurar captar e refletir, na formulação do problema, os desejos e necessidades dos executivos com relação ao problema de decisão. Da mesma forma, é essencial que as alternativas de decisão e as limitações existentes sejam todas explicitadas, para que as soluções obtidas no final do processo sejam válidas e aceitáveis.

1.3.2 CONSTRUÇÃO DO MODELO

O modelo mais apropriado para a representação do sistema deve ser escolhido com base na definição do problema. Esta é a fase que mais criatividade exige do analista, uma vez que a qualidade de todo o processo seguinte é conseqüência do grau de representação da realidade que o modelo venha a apresentar. Vários tipos de modelo podem ser utilizados para resolver problemas, desde um simples modelo conceitual que apenas representa a inter-relação entre as informações, até modelos matemáticos complexos que exigem uma força de trabalho muito grande para sua formulação e operação. Como veremos futuramente, se o modelo elaborado tem a forma de um modelo padrão, como por exemplo de Programação Linear, a solução pode ser obtida por métodos matemáticos convencionais. Por outro lado, se as relações matemáticas são muito complexas ou mesmo indefinidas, poderemos usar a técnica da simulação, e, em alguns casos, haverá necessidade de usarmos uma combinação de duas metodologias. Os modelos de maior interesse em Pesquisa Operacional são os modelos matemáticos, isto é, modelos formados por um conjunto de equações e inequações. Uma das equações do conjunto serve para medir a eficiência do sistema para cada solução proposta. É a função objetivo ou função de eficiência. As outras equações geralmente descrevem as limitações ou restrições técnicas do sistema. As variáveis que compõem as equações são de dois tipos:

Variáveis controladas ou de decisão: são as variáveis cujos valores estão sob controle. Decidir, neste caso, é atribuir um particular valor a cada uma dessas variáveis. Numa programação de produção, por exemplo, a variável de decisão é a quantidade a ser produzida num período, o que compete ao administrador controlar;

Variáveis não controladas: são as variáveis cujos valores são arbitrados por sistemas fora do controle do administrador. Custos de produção, demanda de produtos, preço de mercado são variáveis não controladas.

Um bom modelo é aquele que tem desempenho suficientemente próximo do desempenho da realidade e é de fácil experimentação. Essa proximidade desejada é variável, dependendo do objetivo proposto. Um bom modelo para um objetivo pode ser péssimo para outro. A fidelidade de um modelo é aumentada à medida que ele incorpora características da realidade, com a adição de novas variáveis. Isso aumenta sua complexidade, dificultando a experimentação, o que nos leva a considerar o fator custo-benefício quando pensamos em melhorar o desempenho de um modelo.

4

1.3.3 SOLUÇÃO DO MODELO

Esta terceira fase tem por objetivo encontrar uma solução para o modelo construído. No caso de modelos matemáticos, a solução é obtida pelo algoritmo mais adequado, em termos de rapidez de processamento e precisão da resposta. Isto exige do analista de Pesquisa Operacional um conhecimento profundo das principais técnicas. A solução obtida, neste caso, é dita “ótima”. Se modelos de simulação ou métodos heurísticos são utilizados, o conceito de “otimalidade” não é bem definido, e a solução obtida é uma avaliação aproximada das medidas do sistema ou do objetivo a ser atingido.

1.3.4 VALIDAÇÃO DO MODELO

Nessa altura do processo de solução do problema, é necessário verificar a validade do modelo. Um modelo é válido se, a despeito de sua inexatidão em representar o sistema, ele for capaz de fornecer uma previsão aceitável do

comportamento do sistema e uma resposta que possa contribuir para a qualidade da decisão a ser tomada. Um método comum para testar a validade do sistema é analisar seu desempenho com dados passados do sistema e verificar se ele consegue reproduzir o comportamento que o sistema manifestou.

importante observar que este processo de validação não se aplica a

sistemas inexistentes, ou seja, em projeto. Nesse caso, a validação é feita pela verificação da correspondência entre os resultados obtidos e algum comportamento

esperado do novo sistema.

É

1.3.5 IMPLEMENTAÇÃO DA SOLUÇÃO

Avaliadas as vantagens e a validade da solução obtida, esta deve ser convertida em regras operacionais. A implementação, por ser uma atividade que

altera uma situação existente, é uma das etapas críticas do estudo. É conveniente que seja controlada pela equipe responsável, pois, eventualmente, os valores da nova solução, quando levados à prática, podem demonstrar a necessidade de correções nas relações funcionais do modelo, exigindo a reformulação do modelo em algumas de suas partes.

A presença da equipe permite, também, superar mais facilmente as

resistências e oposições às alterações propostas na sistemática das operações e que, normalmente, aparecem nessa fase do trabalho.

1.3.6 AVALIAÇÃO FINAL

A avaliação dos resultados obtidos em qualquer etapa do processo é de fundamental importância, pois garantirá melhor adequação das decisões às necessidades do sistema e aceitação mais fácil dessas decisões por todos os setores envolvidos. Nesta avaliação, um fator que tem papel primordial é a experiência do pessoal envolvido no estudo. Não se deve esquecer que um modelo é apenas uma

5

representação simplificada, não conseguindo por isso captar todas as características e nuanças da realidade. Assim, é com experiência e visão crítica que conseguimos avaliar e determinar a aplicabilidade da decisão.

6

UNIDADE 2 – PROGRAMAÇÃO LINEAR

2.1 CARACTERÍSTICAS DO MODELO DE PROGRAMAÇÃO LINEAR

Os modelos de Programação Linear são básicos para a compreensão de todos os outros modelos de Programação Matemática. Os conceitos nele firmados serão estendidos aos demais, concedendo suporte a estudos mais avançados. Uma outra vantagem desse modelo está na extraordinária eficiência dos algoritmos de solução hoje existentes, disponibilizando alta capacidade de cálculo e podendo ser facilmente implementado até mesmo através de planilhas e com o auxílio de microcomputadores pessoais. Os modelos de Programação Linear são um tipo especial de modelos de otimização. Para que um determinado sistema possa ser representado por meio de um modelo de Programação Linear, ele deve possuir as seguintes características:

Proporcionalidade: a quantidade de recurso consumido por uma dada atividade deve ser proporcional ao nível dessa atividade na solução final do problema. Além disso, o custo de cada atividade é proporcional ao nível de operação da atividade;

Não Negatividade: deve ser sempre possível desenvolver dada atividade em qualquer nível não negativo e qualquer proporção de um dado recurso deve sempre ser utilizado;

Aditividade: o custo total é a soma das parcelas associadas a cada atividade;

Separabilidade: pode-se identificar de forma separada o custo (ou consumo de recursos) específico das operações de cada atividade.

Um modelo de Programação Linear é um modelo matemático de otimização no qual todas as funções são lineares. Estes modelos são compostos por uma função objetivo linear e por restrições técnicas representadas por um grupo de inequações também lineares.

Exemplo 2.1

Função objetivo a ser maximizada: Lucro = 2x 1 + 3x 2

Restrições:

técnicas

de não negatividade

4

6

x

x

x

x

1

2

1

1

+

0

3

x

0

x

2

2

10

20

As variáveis controladas ou variáveis de decisão são x 1 e x 2 . A função objetivo ou função de eficiência mede o desempenho do sistema, no caso a capacidade de gerar lucro, para cada solução apresentada. O objetivo é maximizar o lucro. As restrições garantem que essas solução estão de acordo com as limitações técnicas impostas pelo sistema.

7

2.2 FORMULAÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR

A construção do modelo matemático, no caso um modelo linear, é a parte menos simples de nosso estudo. Não há regra fixa para esse trabalho, mas podemos sugerir um roteiro que ajuda a ordenar o raciocínio.

2.2.1 ROTEIRO PARA MODELAGEM DE PROBLEMAS DE PROGRAMAÇÃO LINEAR

Quais são as variáveis de decisão?

Aqui o trabalho consiste em explicitar as decisões que dever ser tomadas e representar as possíveis decisões através de variáveis chamadas variáveis de decisão. Se o problema é de programação de produção, as variáveis de decisão são as quantidades a produzir no período; se for um problema de programação de investimento, as variáveis vão representar as decisões de investimento, e em que período.

Qual o objetivo?

Aqui devemos identificar o objetivo da tomada de decisão. Eles aparecem geralmente na forma de maximização de lucros ou receitas, minimização de custos, perdas, etc. A função objetivo é a expressão que calcula o valor do objetivo (lucro, custo, receita, perda, etc.), em função das variáveis de decisão.

Quais as restrições?

Cada restrição imposta na descrição do sistema deve ser expressa como uma relação linear (igualdade ou desigualdade), montadas com as variáveis de decisão.

Exemplo 2.2

i) Certa empresa fabrica dois produtos P 1 e P 2 . O lucro unitário do produto P 1 é de

1000 unidades monetárias e o lucro unitário de P 2 é de 1800 unidades monetárias. A

empresa precisa de 20 horas para fabricar uma unidade de P 1 e de 30 horas para

fabricar uma unidade de P 2 . O tempo anual de produção disponível para isso é de

1200 horas. A demanda esperada para cada produto é de 40 unidades anuais para

P 1 e 30 unidades anuais para P 2 . Qual é o plano de produção para que a empresa maximize seu lucro nesses itens? Construa o modelo de programação linear para esse caso.

Solução: a) Quais as variáveis de decisão?

O que deve ser decidido é o plano de produção, isto é, quais as quantidades anuais que devem ser produzidas de P 1 e P 2 . Portanto, as variáveis de decisão serão x 1 e x 2 , onde:

8

x

1 quantidade anual a produzir de P 1 ;

x

2 quantidade anual a produzir de P 2 .

b) Qual o objetivo?

O objetivo é maximizar o lucro, que pode ser calculado por:

Lucro devido a P 1 : 1000x 1 Lucro devido a P 2 : 1800x 2

Os

lucros

acima

são obtidos

multiplicando-se

o

lucro

unitário

pela

quantidade produzida (x i ). Assim, o lucro total será dado por:

Lucro total: L = 1000x 1 + 1800x 2

Portanto o objetivo será:

maximizar L = 1000x 1 + 1800x 2

c) Quais as restrições?

As restrições impostas pelo sistema são:

- Disponibilidade de horas para a produção: 1200 horas horas ocupadas com P 1 : 20x 1 horas ocupadas com P 2 : 30x 2

As horas acima são obtidas multiplicando-se o número de horas utilizadas na produção de uma unidade do produto P i pela quantidade produzida x i . Assim, o total de horas utilizadas na produção será dada por:

20x 1 + 30x 2

Como a disponibilidade é de 1200 horas, temos a primeira restrição:

20x 1 + 30x 2 1200

- Disponibilidade de mercado para os produtos (demanda):

Disponibilidade de P 1 : 40 unidades

Sendo x 1 a quantidade a produzir de P 1 , temos a seguinte restrição:

x 1 40

Disponibilidade de P 2 : 30 unidades

Sendo x 2 a quantidade a produzir de P 2 , temos a seguinte restrição:

x 2 30

Resumindo, o modelo de Programação Linear para o problema proposto

9

é:

Max L = 1000x 1 + 1800x 2

Restrições técnicas

20

x

x

1

+

30

x 1 40

2 30

x

2

Restrições de não negatividade

x

x

1

2

1200

0

0

ii) Para uma boa alimentação, o corpo necessita de vitaminas e proteínas. A necessidade mínima de vitaminas é de 32 unidades por dia e a de proteínas de 36 unidades por dia. Uma pessoa tem disponível carne e ovos para se alimentar. Cada unidade de carne contém 4 unidades de vitaminas e 6 unidades de proteínas. Cada unidade de ovo contém 8 unidades de vitaminas e 6 unidades de proteínas. Qual a quantidade diária de carne e ovos que deve ser consumida para suprir as necessidades de vitaminas e proteínas com o menor custo possível? Cada unidade de carne custa 3 unidades monetárias e cada unidade de ovo custa 2,5 unidades monetárias.

Solução: a) Quais as variáveis de decisão?

Devemos decidir quais as quantidades de carne e ovos a pessoa deve consumir no dia. As variáveis de decisão serão, portanto:

x

1 quantidade de carne a consumir no dia;

x

2 quantidade de ovos a consumir no dia.

b) Qual o objetivo?

O objetivo é minimizar o custo, que pode ser calculado por:

Custo devido à carne: 3x 1 Custo devido aos ovos: 2,5x 2

Os custos acima são obtidos multiplicando-se o custo unitário de cada produto pela quantidade do produto a ser consumida (x i ). Assim, o custo total será dado por:

Custo total: C = 3x 1 + 2,5x 2

Portanto o objetivo será:

minimizar C = 3x 1 + 2,5x 2

c) Quais as restrições?

As restrições impostas pelo sistema são:

10

- necessidade mínima de vitamina: 32 unidades vitamina de carne: 4x 1 vitamina de ovos: 8x 2

As quantidades de vitamina são obtidas multiplicando-se quantidade de vitamina fornecida por cada alimento pela quantidade a ser consumida x i . Assim, o total de vitaminas consumido será dado por:

4x 1 + 8x 2

Como a necessidade mínima é de 32 unidades, temos a primeira

restrição:

4x 1 + 8x 2 32

- necessidade mínima de proteína: 36 unidades proteína de carne: 6x 1 proteína de ovos: 6x 2

As quantidades de proteína são obtidas multiplicando-se quantidade de proteína fornecida por cada alimento pela quantidade a ser consumida x i . Assim, o total de proteínas consumido será dado por:

6x 1 + 6x 2

Como a necessidade mínima é de 36 unidades, temos a segunda

restrição:

6x 1 + 6x 2 36

Resumindo, o modelo de Programação Linear para o problema proposto

é:

Min C = 3x 1 + 2,5x 2

Restrições técnicas

4 x

6

x

1

1

+

+

8

6

x

x

2

2

32

36

Restrições de não negatividade

x

x

1

2

Exercícios Propostos:

0

0

1) Um sapateiro faz 6 sapatos por hora, se fizer somente sapatos, e 5 cintos por hora, se fizer somente cintos. Ele gasta 2 unidades de couro para fabricar 1 unidade de sapato e 1 unidade de couro para fabricar uma unidade de cinto. Sabendo-se que o total disponível de couro é de 6 unidade e que o lucro unitário por sapato é de 4 unidades monetárias e o cinto é de 2 unidades monetárias, pede-se: o modelo do sistema de produção do sapateiro, se o objetivo é maximizar seu lucro por hora.

11

2) Uma rede de televisão local tem o seguinte problema: foi descoberto que o programa “A” com 20 minutos de música e 1 minuto de propaganda chama a atenção de 30000 telespectadores, enquanto o programa “B”, com 10 minutos de música e 1 minuto de propaganda chama a atenção de 10000 telespectadores. No decorrer de uma semana, o patrocinador insiste no uso de no mínimo, 5 minutos para sua propaganda e que não há verba para mais de 80 minutos de música. Quantas vezes por semana cada programa deve ser levado ao ar para obter o número máximo de telespectadores? Construa o modelo do sistema.

3) Um fazendeiro está estudando a divisão de sua propriedade nas seguintes atividades produtivas:

- A (arrendamento) – Destinar certa quantidade de alqueires para a plantação de cana-de-açúcar, a uma usina local, que se encarrega da atividade e paga pelo aluguel da terra $300,00 por alqueire por ano;

- P (pecuária) – usar outra parte para a criação de gado de corte. A recuperação das pastagens requer adubação (100 kg/alqueire/ano) e irrigação (100000 l de água/alqueire/ano). O lucro estimado nessa atividade é de $400,00 por alqueire por ano;

- S (plantio de soja) – usar uma terceira parte para o plantio de soja. Essa cultura requer 200 kg por alqueire de adubos e 200000 l de água por alqueire para irrigação por ano. O lucro estimado nessa atividade é de

$500,00/alqueire/ano.

A disponibilidade de recursos por ano é:

- 12750000 l de água;

- 10000 kg de adubo;

- 100 alqueires de terra.

Quantos alqueires deverá destinar a cada atividade para proporcionar o melhor retorno? Construa o modelo de decisão.

2.3 RESOLUÇÃO GRÁFICA DE PROBLEMAS DE PROGRAMAÇÃO LINEAR

Os problemas de programação linear que envolvem apenas duas variáveis de decisão podem facilmente ser resolvidos por método gráfico. Um problema com três variáveis também pode ser resolvido graficamente, embora, na maioria das vezes, isso não seja fácil. A partir de quatro variáveis, a resolução gráfica não é mais possível. Exemplificaremos a aplicação deste método através da resolução de um problema de alocação de recursos apresentado a seguir.

Exemplo 2.3

Suponhamos que uma pequena indústria produz artigos A 1 e A 2 que são vendidos por R$ 200,00 e R$ 300,00 respectivamente. Na sua produção são utilizados três tipos de matérias-primas, P 1 , P 2 e P 3 , que são gastos da seguinte forma:

- 2 unidades de P1 para fabricar 1 unidade de A1;

- 4 unidades de P2 para fabricar 1 unidade de A1;

12

- 1 unidade de P1 para fabricar 1 unidade de A2;

- 1 unidade de P3 para fabricar 1 unidade de A2.

Por razões econômicas, as matérias-primas P 1 , P 2 e P 3 estão disponíveis em 20, 32 e 10 unidades, respectivamente.

O dono da empresa deseja saber as quantidades dos produtos A 1 e A 2

que devem ser produzidas para que a receita bruta seja a maior possível.

Solução:

Vamos formular um modelo, baseado nas seguintes suposições:

- quantidade do produto a ser vendido é igual à quantidade do produto

a

a

ser fabricado, isto é, não há estoque;

- receita bruta é proporcional à quantidade vendida;

proporcionais

- as

a

matérias-primas

gastas

são

às

quantidades

produzidas;

- quantidades negativas de produtos A 1 e A 2 não terão significado algum.

Para representar o modelo em linguagem matemática denotamos por x 1 a quantidade do produto A 1 a ser produzido e por x 2 a quantidade do produto A 2 a ser produzido. Assim, a função objetivo que expressa a receita bruta é:

Z = 200x 1 + 300x 2

Como existe limite na disponibilidade das matérias-primas, elas formam as restrições do problema. Portanto, para cada matéria-prima temos uma restrição, que pode ser expressa da seguinte forma:

- para a matéria-prima P 1 : 2x 1 + x 2 20;

- para a matéria-prima P 2 : 4x 1 32;

- para a matéria-prima P 3 : x 2 10.

Assim é possível escrever o problema da seguinte forma:

Max Z = 200x 1 + 300x 2

Sujeito a:

2x 1 + x 2 20 4x 1 32 x 2 10 x 1 , x 2 0

Vamos resolver graficamente este problema de programação linear.

Primeiro, esboçamos no plano cartesiano o conjunto de ponto que satisfazem às restrições do problema.

O conjunto de pontos que satisfazem a todas as restrições é chamado de

região viável ou conjunto de pontos viáveis.

13

20 10 8 10
20
10
8 10

Devemos, então, encontrar o ponto da região viável para o qual a função objetivo seja maximizada. Para isso calculamos as componentes do vetor gradiente da função objetivo.

f =

f

x

1

i ˆ +

f

x

2

ˆ j =

(200

x

1

+

300

x

2

)

x

1

ˆ

i +

(200

x

1

+

300

x

2

)

x

2

ˆ

j

=

200

ˆ

i

+ 300

ˆ

j

Sendo a função objetivo uma função linear de duas variáveis, as curvas de nível são retas paralelas. O vetor gradiente, além de nos indicar a direção em que a função varia mais rapidamente, nos fornece também o sentido de crescimento da

função. Para achar a solução ótima deslocamos uma curva de nível na direção e sentido do gradiente, até abandonar a região viável; o último ponto por onde passa a curva de nível é a solução ótima.

20 Vetor gradiente 10 8 10
20
Vetor gradiente
10
8 10

Solução Ótima x 1 = 5 x 2 = 10

z = R$ 4000

14

Em programação linear podem ocorrer 4 diferentes tipos de problemas, de acordo com suas respostas:

- problemas com uma única solução ótima: como no exemplo anterior;

- problemas com soluções múltiplas: este caso ocorrerá quando a região viável for fechada e a última reta que delimita esta região for perpendicular ao vetor gradiente;

- problemas com solução infinita: este caso ocorrerá quando a região viável for aberta e quanto maior for o valor assumido por uma das variáveis x i , maior será o valor da função objetivo;

- problemas sem solução: este caso ocorrerá quando não há região viável, ou seja, não é possível atender a todas as restrições simultaneamente.

Exercícios Propostos:

1) Uma propriedade apresenta dois talhões florestais aptos para corte: talhão 1 com 40 ha e 84 m /ha de madeira disponíveis; e talhão 2 com 18 ha e uma produtividade de 112 m 3 /ha. O custo por ha para a administração da venda de madeira é de $300,00 e a disponibilidade de capital é de $15.000,00. Ambos os talhões permitem o desenvolvimento de atividades recreacionistas. Anualmente, o talhão 1 é capaz de sustentar 480 visitantes por hectare e o talhão 2 apresenta capacidade para 1.920 visitantes por hectare. A propriedade deve ser capaz de receber no mínimo 10.000 visitantes/ano. Naturalmente, cada hectare cortado fica inutilizado para atividades de recreação. O problema é determinar quantos hectares explorar em cada talhão de forma a maximizar o volume de madeira cortada.

3

2) Ache a solução gráfica para o seguinte problema de maximização:

Maximizar Z = 3x 1 + 2x 2

Sujeito a:

x 1 + x 2 20 x 1 15 x 1 + 3x 2 45 -3x 1 + 5x 2 60

3) Dadas as restrições abaixo, resolva as funções-objetivo que seguem:

-x + 2y 16

x + y 24

x + 3y 44

a) Maximizar Z = 2x + 2y – 4

b) Minimizar Z = 6x – 2y + 120

c) Maximizar Z = 4x + 4y

-4x + 10y 20