Escolar Documentos
Profissional Documentos
Cultura Documentos
OPERACIONAL
Prefaciais.indd 1
27/08/2011 21:57:49
Prefaciais.indd 2
27/08/2011 21:57:50
Cultura
Acadmica
INTRODUO PESQUISA
OPERACIONAL
So Paulo
2011
Prefaciais.indd 3
27/08/2011 21:57:51
equipe
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
11
1.1.
1.2.
1.3.
1.4.
1.5.
Consideraes Importantes
Referncias
12
13
19
23
2.1.
Introduo
2.2.
Modelagem
2.3.
Limitaes
2.4.
Resoluo Grfica
2.5.
Forma Padro
2.6.
Definies e Teoremas
2.7.
2.8.
Mtodo Simplex
2.9.
23
24
38
40
46
49
54
56
72
80
Introduo
3.2.
Conceitos Bsicos
3.3.
Algoritmos
Referncias
81
81
84
90
102
Prefaciais.indd 7
16
21
2 programao linear
Referncias
11
103
4.1.
4.2.
4.3.
103
108
115
27/08/2011 21:57:51
4.5.
4.6.
Degenerescncia
4.7.
Referncias
121
126
127
5 o modelo da designao
5.1.
Introduo
5.2.
Definies e Notaes
5.3.
Modelo Matemtico
5.4.
Mtodo Hngaro
Referncias
120
129
129
130
131
131
150
Introduo
6.2.
6.3.
6.4.
6.5.
Comentrios Gerais
Anexo
151
152
156
160
169
172
Referncias
Prefaciais.indd 8
151
176
27/08/2011 21:57:51
APRESENTAO
Prefaciais.indd 9
27/08/2011 21:57:51
10
Prefaciais.indd 10
27/08/2011 21:57:51
1
PESQUISA OPERACIONAL: ORIGENS, DEFINIES E REAS
Cap_1.indd 11
27/08/2011 21:51:26
12
Cap_1.indd 12
27/08/2011 21:51:27
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
Cap_1.indd 14
27/08/2011 21:51:27
Cap_1.indd 15
27/08/2011 21:51:27
16
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
Cap_1.indd 16
27/08/2011 21:51:27
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
Cap_1.indd 17
27/08/2011 21:51:28
18
Cap_1.indd 18
27/08/2011 21:51:28
Cap_1.indd 19
27/08/2011 21:51:28
20
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
REFERNCIAS
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
2.2. MODELAGEM
Cap_2_equacoes corrigidas.indd 24
27/08/2011 21:52:09
Programao Linear | 25
Cap_2_equacoes corrigidas.indd 25
27/08/2011 21:52:09
26
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)
xa 0, xb 0, xc 0.
Cap_2_equacoes corrigidas.indd 26
02/09/2011 23:09:17
Programao Linear | 27
c x
j =1
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
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=
(2)
Modelo da Dieta
Cap_2_equacoes corrigidas.indd 27
02/09/2011 23:09:19
28
(1)
farinha
de trigo
(2)
leite em
p
(3)
queijo
(4)
fgado
(5)
batata
(6)
feijo
Calorias
44,7
8,4
7,4
2,2
9,6
26,9
Clcio
2,0
19,1
16,4
0,2
2,7
11,4
Vitamina B12
33,3
23,5
10,3
50,8
5,4
24,7
Custos
10,8
20,5
22,5
21,2
16,1
15
Modelagem:
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
Depsitos
Fbricas
Curitiba
So Paulo
Aracaju
Demanda
Florianpolis
Rio de
Janeiro
Salvador
Manaus
Produes
0,8
4,5
470
1,5
0,6
2,5
400
1,2
2,8
400
350
300
300
120
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
RJ
Salvador
Manaus
(No negatividade)
Cap_2_equacoes corrigidas.indd 29
02/09/2011 23:09:19
30
c x
i =1 j =1
x
j =1
Restries sujeito a:
i =1
(4)
ij
ai , i = 1,2,..., m
ij
= b j , j = 1,2,..., n
ij ij
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
TV
horrio
nobre
Rdio
Revistas
custo
40.000
75.000
30.000
15.000
clientes atingidos
400.000
900.000
500.000
200.000
mulheres atingidas
300.000
400.000
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)
Solberg (1987)
Cap_2_equacoes corrigidas.indd 31
27/08/2011 21:52:09
32
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:
Cap_2_equacoes corrigidas.indd 32
27/08/2011 21:52:09
Programao Linear | 33
Cap_2_equacoes corrigidas.indd 33
27/08/2011 21:52:09
34
Um problema de mistura
Mximo disponvel
(barris/dia)
Custo
Por barril
3.000
2.000
4.000
1.000
Especificaes
Preo de venda
5,5
4,5
3,5
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)
Cap_2_equacoes corrigidas.indd 35
27/08/2011 21:52:09
36
Lucro
Produto a
Lucro
+10
Produto c
+4
+3
-2
Quantidade
(a)
Cap_2_equacoes corrigidas.indd 36
(b)
Quantidade
27/08/2011 21:52:10
Programao Linear | 37
(9)
2 x1 + 3 x2 16
3 x1 + 4 x2 24
x3 + x4 = 2 x2
x3 5
(no-negatividade)
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
Fresa
Parte 1
03
20
Parte 2
05
15
Cap_2_equacoes corrigidas.indd 37
27/08/2011 21:52:10
38
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
- 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
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
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
(Lucro semanal)
Sujeito a
2 x1 + 1 x2 1000
(Plstico)
3 x1 + 4 x2 2400
x1 + x2 700
(Produo Total)
x1 - x2 350
(Mix)
xj 0, j = 1,2
(No-negatividade)
Resoluo Grfica
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
Cap_2_equacoes corrigidas.indd 41
27/08/2011 21:52:10
42
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
600
800
x1
700
x1
700
Cap_2_equacoes corrigidas.indd 42
27/08/2011 21:52:10
Programao Linear | 43
350
x1
Soluo Vivel
na Fronteira
Regio
Vivel
Soluo Vivel
um Vrtice
350
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
Melhoria do
objetivo
8x1 + 5x2 = 0
250
x1
Cap_2_equacoes corrigidas.indd 44
27/08/2011 21:52:10
Programao Linear | 45
O ponto da Regio Vivel (x1, x2), tangenciado por essa reta ser a
soluo tima, com xi sendo a quantidade tima (em dzias) a ser fabricada
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, x1 (timo) = 320 e x2 (timo) = 360.
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.
Cap_2_equacoes corrigidas.indd 45
27/08/2011 21:52:10
46
x2
cresce
cresce
z
x1
x1
x2
x2
cresce
z
x1
(c) no h soluo
x1
x2
z
cresce
x1
(e) mais de uma soluo tima
c x
j =1
Cap_2_equacoes corrigidas.indd 46
n
aij x j = bi , bi 0 i = 1,2,..., m
s.a. : j =1
x 0, j = 1,2,..., n
j
27/08/2011 21:52:10
Programao Linear | 47
Min Z = CX
c x
j =1
n
aij x j = bi com bi 0 i = 1,2,..., m
s.a. : j =1
x 0, j = 1,2,..., n
j
AX = b, b 0
s.a. :
X 0.
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
(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
x k, 0 e x k,, 0 .
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
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
7 x1 2 x5 + x6 = 7
'
x1 + x2 = 8
x , x' , x , x , x 0
1
2
4
5
6
AX 0 = b
O vetor X soluo vivel 0
, isto , X0 satisfaz as restries.
X
Min Z = x1 + 2 x2 + x3
Cap_2_equacoes corrigidas.indd 49
x1 + x2 x3 = 2
s.a. : 2 x1 + 3x2 x3 = 7
x 0, i = 1, 2, 3
i
27/08/2011 21:52:11
50
Os vetores
X10
1
= 1
0
X20
3
= 0 so solues viveis.
1
(b) Se existir uma seqncia de solues viveis X10 , X20 ,... de modo que
C X i0 - quando i ento o modelo tem soluo ilimitada.
Lema 1: O conjunto das solues viveis convexo e fechado.
ai =
.
a
mi
Cap_2_equacoes corrigidas.indd 50
27/08/2011 21:52:11
Programao Linear | 51
(1)
(2)
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
Cap_2_equacoes corrigidas.indd 51
27/08/2011 21:52:11
52
{a1, a2}
LI pois
1 1
-1 2
=3
{a1, a3}
LI pois
1 -1
-1 2
=1
{a2, a3}
LI pois
1 -1
2 2
=4
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)
1 1
6
e as variveis bsicas so x1 e x2;
X 1B = com A1B =
1 2
6
Cap_2_equacoes corrigidas.indd 52
27/08/2011 21:52:11
Programao Linear | 53
30
1 1
X B2 = com AB2 =
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
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 +
+ a1n xn = b1
+ a2m+1xm+1 +
+ a2n xn = b2
xm + amm+1xm+1 +
+ amn xn = bm
x1 = b1 , x2 = b2 ,
, xm = bm
= xn = 0
Cap_2_equacoes corrigidas.indd 54
27/08/2011 21:52:12
Programao Linear | 55
Figura 11 Pivoteamento
a1j
0
Aplicando as
operaes de
a2j
..
.
aij
0
..
.
1
pivoteamento
a partir de aij
..
.
amj
..
.
0
Observe-se que, por meio do pivoteamento, o coeficiente aij transformado em 1, e os demais coeficientes de xj so transformados em zeros.
2 x1 2 x2 + 6 x3 = 4
x1 + 4 x2 x3 = 2
(1)
(2)
x1 + 4 x2 x3 = 2
(1)
(2)
x1 + 4 x2 x3 = 2 (2)
Substituindo a equao (2) por (2)=(2) + (1):
x1 x2 + 3x3 = 2 (1)
3x2 + 2 x3 = 4 (2')
3
x2 + x3 = 2 (2)
Cap_2_equacoes corrigidas.indd 55
27/08/2011 21:52:12
56
x1 2 x2 = 4 (1)
(S):
3 x + x = 2 (2)
3
2 2
x1
x2
x3
x1
-2
(1)
x3
-1
-1
(2)
x1
-1
(1) = (1) / 2
x3
x1
-11/2
-4
x3
3/2
1o Quadro
2o Quadro
3o Quadro
Cap_2_equacoes corrigidas.indd 56
27/08/2011 21:52:12
Programao Linear | 57
luo tima;
Melhoria da soluo ou obteno de soluo bsica vivel
(s.b.v.) melhor que a atual.
Etapa (B)
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
variveis bsicas
x1 = b1 ,..., xm = bm
variveis no-bsicas
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
Z = Z0 +
j =m+1
x j , e xj = 0, j = m + 1,..., n Z = Z0.
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
2 x1 + x2 + 2 x3 = 4
3x1 + 3x2 + x3 = 3
Z + 4 x + x + x = 0
1
2
3
(1)
(2)
(3)
3
3
x2 + x3 =
4
2
5
1
=
x1 + x2 +
4
2
13
7
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
Z = Z 01 = , 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 =
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
Z = Z02 =
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.
Anlise: Como Z =
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
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)
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.
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-
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)
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)
Cap_2_equacoes corrigidas.indd 61
27/08/2011 21:52:13
62
s.b.v.
atual
varivel
que sai
Variveis
Bsicas
x1
x2
x3
x4
x1
x2
-2
-Z
-4
-4
5
= 2,5
2
6
= 3,0
2
x3
1/2
3/2
5/2
x2
-1
-5
-Z
11
A nova s.b.v.: X =
(2)
Menor quociente
(indica a linha
do Piv)
Pivoteamento em
torno de a13 = 2
0
1
, Z = -6
5/2
0
x1 2 x3 3x 4 = 5
x2 2 x3 2 x 4 = 6
Z
4 x3 + 5x 4 = 4
(1)
(2)
(3)
Cap_2_equacoes corrigidas.indd 62
27/08/2011 21:52:13
Programao Linear | 63
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
x2
3x1 + 2 x2
x1 , x2
Cap_2_equacoes corrigidas.indd 63
4
6
18
0
27/08/2011 21:52:13
64
+ x4
= 6
x2
+ x5 = 18
3x1 + 2 x2
xi 0, i = 1,5
x1
x2
x3
x4
x5
x3
x4
x5
18
-Z
-3
-5
x3
x2
x5
-2
-Z
-3
30
x3
2/3
-1/3
x2
x1
-2/3
1/3
-Z
36
Quadro 1
x1 = x2 = 0
x3 = 4, x4 = 6,
x5 = 8, Z = 0
s.b.v. 1
Quadro 2
x1 = x4 = 0
x3 = 4, x5 = 6,
x2 = 6, Z = -30
s.b.v. 2
Quadro 3
x5 = x4 = 0
x3 = 2, x5 = 6,
x2 = 6, Z = -36
s.b.v. 3 tima
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
x2
(0,6)
(Z = -30, Quadro 2)
(0,6)
(2,6)
(2,6)
0
Regio
Vivel
(4,3)
(4,3)
(0,0)
(4,0)
(Z = 0, Quadro 1)
x1
(0,0)
(4,0)
x1
x2
(0,6)
(2,6)
0
(Z = -36, Quadro 3)
(4,3)
(0,0)
(4,0)
x1
(5)
Cap_2_equacoes corrigidas.indd 65
31/08/2011 21:34:04
66
bi
cs , como cs = 0 Z2 = Z1 = Z .
ais
Z=0
s.b.v. 1 (tima)
combinaes lineares de s.b.v. 1 e s.b.v. 2
s.b.v. 2 (tima)
x1
Cap_2_equacoes corrigidas.indd 66
27/08/2011 21:52:14
Programao Linear | 67
+ x3
=3
x1
x2
+ x4
=4
+ x5 = 9
x1 + 2 x2
xi 0, i = 1,5.
Cap_2_equacoes corrigidas.indd 67
VB
x1
x2
x3
x4
x5
x3
x4
x5
-Z
-1
-2
x3
x2
x5
-2
-Z
-1
x3
-1
Q3
x2
(XA)
x1
-2
-Z
x4
1/2
-1/2
Q4
x2
-1/2
1/2
(XB )
x1
-Z
Q1
Q2
02/09/2011 23:19:38
68
*
*
X = X A + (1 )X B, 0 1, onde: X A = 2 , X B = 0 e Z * = 9.
0
1
0
0
Graficamente isto pode ser visualizado na Figura 18.
XA
x1
XB
Z = -9
Z=0
Cap_2_equacoes corrigidas.indd 68
05/09/2011 15:36:33
Programao Linear | 69
X = X A , 1, Z = 9
(6)
/ cj > 0 .
cientes de custos relativos forem no-positivos, isto , se
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
x1 , x2 0
Cap_2_equacoes corrigidas.indd 69
27/08/2011 21:52:15
70
x1
x2
x3
x4
x5
x3
x4
x5
18
-Z
x3
x2
x5
-2
-Z
-5
-30
x3
2/3
-1/3
x2
x1
-2/3
1/3
-Z
-3
-1
-36
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
Soluo atual
(XAA) )
tima (X*
Soluo tima
nica (X
(X* ==XX*
A )A)
No
H
Cj = 0
?
No
H
Cj < 0
?
Soluo
ilimitada
H mltiplas
solues timas
xj entra
x*x==x*
xAA
>1
No
H
aij > 0
?
Sim
Fim
No
Escolher
Cs < 0 Xs entra
H
ais > 0
?
Sim
Sim
Fim
Sim
Fim
Por Pivoteamento
achar nova
soluo
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
(X*B B) )
X = XA+ (1 - ) XB
0<<1
Fim
Cap_2_equacoes corrigidas.indd 71
27/08/2011 21:52:15
72
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
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
a x + a x + + a2n xn = b2
s.a.: 21 1 22 2
Cap_2_equacoes corrigidas.indd 72
31/08/2011 21:56:10
Programao Linear | 73
Min
= b1
a11x1 + + a1n xn + y1
+ y2
= b2
a x + + a2n xn
s.a.: 21 1
am1x1 + + amn xn
+ ym = bm
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
Caso 2:
Cap_2_equacoes corrigidas.indd 74
27/08/2011 21:52:15
Programao Linear | 75
Obter modelo na
forma padro
Observao:
W = Valor timo da funo
objetivo artificial
Fase 2 = Aplicao do fluxograma 1
H
soluo inicial
?
Sim
Iniciar
Fase 2
No
Fim
Iniciar Fase 1
definir modelo
artificial
Iniciar Fase 1
definir modelo
artificial
Iniciar Fase 1
definir modelo
artificial
Problema
orginal invivel
Eliminar varivel
artificiais substituir
funo objetivo
artificial pela original
No
Fim
H
varivel artificial
bsica?
Sim
Iniciar
Fase 2
Fim
possvel a
substituio
por varivel
original?
Sim
Efetuar
pivoteamento
No
Eliminar varivel
artificial bsica e
equao associada
Cap_2_equacoes corrigidas.indd 75
27/08/2011 21:52:15
76
s.a.:
4
x1
x2 6
3x1 + 2 x2 18
x1 , x2 0.
s.a.
+ x3
=4
x1
x2
+ x4
=6
x5 = 18
3x1 + 2 x2
xi 0, i = 1,5.
Min W = y1
s.a.:
+ x3
=4
x1
x2
+ x4
=6
x5 + y1 = 18
3x1 + 2 x2
xi 0, i = 1,5, y1 0.
(PPLA)
Cap_2_equacoes corrigidas.indd 76
27/08/2011 21:52:15
Programao Linear | 77
x1
x2
x3
x4
x5
y1
x3
x4
y1
-1
18
-W
x3
x2
y1
-1
18
-W
-3
-2
-18
x1
x4
y1
-3
-1
-W
-2
-6
x1
x4
3/2
1/2
-1/2
x2
-3/2
-1/2
1/2
-W
Quadro
inicial
Q1
Q2
Q3
Cap_2_equacoes corrigidas.indd 77
Adequar a f.o.
27/08/2011 21:52:16
78
Cap_2_equacoes corrigidas.indd 78
27/08/2011 21:52:16
Programao Linear | 79
Adequar a
funo
objetivo
Q3
Q4
VB
x1
x2
x3
x4
x5
x1
x4
3/2
1/2
x2
-3/2
-1/2
-Z
-3
-5
x1
x4
3/2
1/2
x2
-3/2
-1/2
-Z
-9/2
-5/2
27
x1
x5
x2
-Z
42
PARAR!
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
(2,6)
x2
(4,6)
(0,6)
X = conjunto vivel
(2,6)
(4,6)
(0,6)
(4,3)
(4,3)
(W = 6, Z = -12,
Quadro 2)
x1
(4,0)
x1
(0,0)
(4,0)
(W = 18, Z = 0, Quadro 1)
(b) Quadro 2 Fase 1
x2
x2
(2,6)
(4,6)
(2,6)
(4,6)
(Z = -42, timo,
Quadro 4)
(4,3)
(0,0)
(Z = -27, Quadro 3 =
= Quadro 3)
(4,0)
(c) Quadro 3 Fim da Fase 1
e incio da Fase 2
x1
(4,3)
(0,0)
(4,0)
x1
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)
Ilha D
Rio Pregel
Margem A
Ilha B
Cap_3.indd 81
27/08/2011 21:53:14
82
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)
Cap_3.indd 82
27/08/2011 21:53:16
D1
D2
D3
Cap_3.indd 83
27/08/2011 21:53:16
84
Cap_3.indd 84
27/08/2011 21:53:16
X =
a
2
b
4
g
3
d
Cap_3.indd 85
27/08/2011 21:53:16
86
A =
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
400 Km
600 Km
380 Km
B. Horizonte
So Paulo
300 Km
Vitria
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
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
Cap_3.indd 87
27/08/2011 21:53:17
88
b
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
Cap_3.indd 88
27/08/2011 21:53:17
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
2
6
3
5
4
Cap_3.indd 89
27/08/2011 21:53:17
90
G uma rvore;
(ii)
3.3. ALGORITMOS
3.3.1.
Cap_3.indd 90
27/08/2011 21:53:17
7
2
4
A
C
2
2
3
1
D
C
2
4
E
5
E
2
12
3.3.2.
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
encontrados no Passo 1;
Passo 4: Repetir os Passos 1 e 2 at se conseguir rotular definitivamente o n
Cap_3.indd 92
27/08/2011 21:53:17
7
B
8
E
3
4
1
C
2
2
G 10
7
3
F
Exemplo 4: Seja o grafo da Figura 14, determine o caminho mais curto entre os
Cap_3.indd 93
27/08/2011 21:53:17
94
P2 - RT com i = C
P3 - menor valor: RD F
14
11
P2 - RT com i = F
14
11
P3 - menor valor: RD A
12
11
P2 - RT com i = A
12
11
P3 - menor valor: RD F
12
P2 - RT com i = E
12
P3 - menor valor: RD G
P3 - menor valor: RD C
P2 - RT com i = B
P1 - RD B com 0,
outros com
Etapas do
algoritmo
A
8
Vetores de rtulos
PARAR!
Cap_3.indd 94
27/08/2011 21:53:17
Fluxo Mximo
3.3.3.
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:
fij 0
fij
jai
ji
= 0 para i N, i s, i t
(1)
(2)
jbi
fij uij
(3)
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,
Cap_3.indd 95
27/08/2011 21:53:17
96
u24
CORTE
u12
u13
u34
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
6
1
S
8
T
1
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
jt
= F.
Max F
F, i = s
s.a. :
fij
f ji = 0, i s, i t
j
j
F , i = t
Cap_3.indd 97
27/08/2011 21:53:17
98
Cap_3.indd 98
27/08/2011 21:53:17
7
F
9
3
T F
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
(0,7)
F=0
(0,9)
(0,3)
(0,9)
(0,8)
F=0
*
Desta forma, obtm-se a CFA, dada na Figura 20, formada apenas por
arcos forward.
Figura 20 Primeira CFA e seus fluxos
*
7
Cap_3.indd 99
27/08/2011 21:53:18
100
(0,9)
(3,3)
S
(0,9)
F=3
(3,8)
*
*
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
(4,9)
(3,3)
S
(0,9)
F=7
(3,8)
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
*
(7,7)
F = 12
(4,9)
(3,3)
(5,9)
F = 12
(8,8)
*
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
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
(7,7)
F = 15
(7,9)
(0,3)
T
(8,9)
F = 15
(8,8)
Corte Mnimo
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:
REFERNCIAS
Cap_3.indd 102
27/08/2011 21:53:18
4
O MODELO DE TRANSPORTE SIMPLES
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
C
i =1 j =1
ij
xij
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
negatividade)
(nao
xij 0, i, j
Restries
Observaes importantes:
m
(1)
Notar que
j =1
i =1
Cap_4.indd 104
ai <
j =1
bj e
i =1
ai >
b .
j =1
27/08/2011 21:53:46
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:
D2
D3
D4
F1
10
12
F2
F3
13
11
14
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
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
(No-negatividade)
x11
40
x12
80
x13
110
x14
20
x21
30
x22
100
x23
80
x24
x31
x32
x33
x34
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
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)
(a1 = 40)
F2
13
(a2 = 80)
F1
C11 = 10
C12 =
5
C
13 =
C 12
14
=
4
C21 = 2
C 22 = 0
C2
=
C 3 1
24 =
9
31
C 32
(a3 = 110)
F3
C3
1
=1
D1
(b1 = 20)
D2
(b2 = 30)
D3
(b3 = 100)
D4
(b4 = 80)
C33 = 14
=6
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
X12 = 20
X22 = 10
(80) F2
D2 (30)
X23 = 70
X33 = 30
(110) F3
D1 (20)
D3 (100)
X34 = 80
D4 (80)
Cap_4.indd 108
27/08/2011 21:53:47
D1
01
12
13
11
14
20
Total
Total
10
02
03
D4
D3
30
100
40
80
110
230
80
D2
D1
01
10
20
02
Cap_4.indd 109
0
10
20
Total
12
70
13
03
Total
20
D4
D3
11
30
30
100
14
80
80
40
80
110
230
27/08/2011 21:53:47
110
Cap_4.indd 110
27/08/2011 21:53:47
D2
10
01
-1
+1
0
02
+1
-1
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
D2
D1
01
10
-1
12
+1
2
02
D3
-1
13
03
+1
+1
11
14
-1
Cap_4.indd 111
27/08/2011 21:53:47
112
D2
D1
01
20
02
-3
03
-5
Total
10
2
13
20
20
10
11
-2
30
D4
D3
+16
70
30
100
12
1
14
Total
4
+6
+16
80
80
9
6
40
80
110
230
Cap_4.indd 112
27/08/2011 21:53:47
D2
D1
01
10
02
+2
03
10
Total
10
2
13
20
30
+5
11
+3
30
D4
D3
+1
80
20
100
12
1
14
+1
+16
80
80
Total
4
9
6
40
80
110
230
Cap_4.indd 113
27/08/2011 21:53:47
114
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
Cap_4.indd 114
27/08/2011 21:53:47
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
K1 = 10
K2 = 5
K4 = -2
K3 = 6
Total
D1
L1 = 0
01
20
L2 = -5
02
+3
L3 = 8
03
-5
Total
D2
10
2
13
20
D3
5
20
10
11
-2
30
+6
70
30
100
D4
12
1
14
+6
+16
80
80
4
9
6
40
80
110
230
Cap_4.indd 116
27/08/2011 21:53:47
Cap_4.indd 117
27/08/2011 21:53:48
118
4.4.1.
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.
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
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
D2
D1
02
03
Total
10
01
30
13
20
20
11
30
D4
D3
12
50
50
100
40
1
14
Total
40
80
40
80
110
230
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
Tabela 2 Detalhes sobre a ordem e quantidade alocada a cada clula pelo Mtodo
do Menor Custo Associado
Clula
Custo
unitrio
Ordem de
Escolha
Quantidade
Atribuda
Status
01D1
10
Esgotada
01D2
Esgotada
01D3
12
Esgotada
01D4
3a
40
Esgota linha 1
02D1
Esgotada
02D2
1a
30
Esgota coluna 2
02D3
2.
50
Esgota linha 2
02D4
Esgotada
03D1
13
5a
20
Esgota linha 1
03D2
11
Esgotada
03D3
14
6a
50
Esgota linha 3
e coluna 3
03D4
4a
40
Esgota coluna 4
Cap_4.indd 120
27/08/2011 21:53:48
1o Caso:
2o Caso:
4.6. DEGENERESCNCIA
Cap_4.indd 121
27/08/2011 21:53:48
122
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
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
D1
D2
D3
D4
Capacidades
01
10
12
40
02
80
03
13
11
14
100
Demandas
20
30
80
70
Como
= 200 <
220
200
Cap_4.indd 123
27/08/2011 21:53:48
124
b1 = 20
01
D1
b3 = 80
D3
02 = 80
02
bf = 20
Df
fictcio
b4 = 70
D4
b2 = 30
03
D2
03 = 100
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
K2 = 5
K4 = -2
K3 = 6
K5 = -8
Capacidades
D2
D1
L1 = 0
01
20
L2 = -5 02
-3
03
-5
L3 = 8
Demandas
10
2
13
20
D3
5
20
+6
10
70
11
-2
10
D4
12
1
14
80
30
+6
+16
70
D5
4
9
+8
+13
0
0
20
70
20
40
80
100
220
D1
01
D2
20
20
-1
D3
+1
10
02
70
+1
-1
03
+1
10
-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
K2 = 5
K4 = 3
K3 = 11
K5 = -3
Total
D1
L1 = 0
01
10
L2 = -10
02
+2
L3 = 3
03
10
Total
D2
10
2
13
20
D3
5
30
+5
+3
30
0
11
+1
80
D4
12
1
14
0
80
+1
+16
70
D5
4
9
6
70
+3
+13
20
20
0
0
0
40
80
100
220
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
D2
D1
01
10
20
Total
12
20
2
02
30
11
13
03
Total
D4
D3
20
30
50
30
14
80
100
80
40
80
110
230
REFERNCIAS
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
Recurso
Atividade
Medida
de Efetividade
Operrios
Trabalhos
Tempo de execuo
Caminhes
Rotas
Custo de transporte
Mquinas
Locais
Operacionalidade
Tripulaes
Avies
Vendedores
reas
Volume de vendas
Cap_5.indd 129
27/08/2011 21:54:18
130
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
C = (cij) =
X = (xij) =
xij = 1 i {1,2,, m}
j
xij 0
i e j {1,2,, m}
MIN Z =
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.
Cap_5.indd 131
27/08/2011 21:54:20
132
ij
xij =
ij
ij
xij
xij
g xx d
ij
jj ijij
g d = d
jj
xij + constante
ij
xij
ij
ij
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
Cap_5.indd 132
27/08/2011 21:54:20
O Modelo da Designao |
133
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
Cap_5.indd 133
Tarefas
II
III
IV
Menor Nmero
24
13
(5)
10
25
23
(3)
28
(5)
10
17
15
(3)
27/08/2011 21:54:20
134
Operrios
Tarefas
II
III
IV
19
22
20
23
14
12
Operrios
Cap_5.indd 134
Tarefas
II
III
IV
19
22
20
23
14
12
Menor Nmero
(0)
(4)
(0)
(0)
27/08/2011 21:54:20
O Modelo da Designao |
135
Operrios
Tarefas
II
III
IV
15
18
20
23
10
12
Cap_5.indd 135
II
III
IV
15
18
20
23
10
12
27/08/2011 21:54:20
136
Tarefa
II
III
IV
0
X =
0
0
0
1
0
0
1
0
0
0
0
Cap_5.indd 136
27/08/2011 21:54:20
O Modelo da Designao |
137
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
Cap_5.indd 138
27/08/2011 21:54:20
O Modelo da Designao |
139
Cap_5.indd 139
02/09/2011 23:56:28
140
Diretores
Locais
I
II
III
IV
Diretores
Locais
Cap_5.indd 140
II
III
IV
Menor Nmero
(1)
(1)
(1)
(1)
27/08/2011 21:54:20
O Modelo da Designao |
141
II
III
IV
Menor Nmero
(0)
(0)
(0)
(1)
Cap_5.indd 141
II
III
IV
27/08/2011 21:54:21
142
Cap_5.indd 142
27/08/2011 21:54:21
O Modelo da Designao |
143
II
III
IV
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
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
Cap_5.indd 144
27/08/2011 21:54:21
O Modelo da Designao |
145
II
III
IV
Diretor
Local
IV
III
II
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
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
II
III
IV
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
II
III
IV
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
IV
Cap_5.indd 147
27/08/2011 21:54:21
148
II
III
IV
II
III
IV
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
II
III
IV
Mquina
Local
II
IV
Cap_5.indd 149
27/08/2011 21:54:21
150
Mquina
Local
III
II
IV
REFERNCIAS
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
FONTE
Estao
de
Servio
unidades
Fila
(populao)
que chegam
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
Cap_6.indd 153
27/08/2011 21:54:45
154
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
Cap_6.indd 155
27/08/2011 21:54:45
156
instante t.
Cap_6.indd 156
27/08/2011 21:54:45
Definies:
lim
0 (t )
t 0
= 0 com:
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
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;
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
Estado em t
Probabilidade correspondente
En-1
1 nascimento
En+1
1 morte
En
Nenhum evento
Outro
Eventos mltiplos
0(t)
(1)
(2)
(3)
(4)
0 (t )
t
t 0
=0
Ou ainda:
Pn (t + t ) Pn (t )
t
(1)
Pn (t ).0 (t ) + 0 (t )
t
t 0
Pn (t + t ) Pn (t )
t
(2)
Cap_6.indd 158
27/08/2011 21:54:45
Para n > 0,
dPn (t )
= n1 .Pn1 (t ) + n+1 .Pn+1 (t ) (n + n )Pn (t )
dt
Para n = 0 : 0 = 0; P1 (t ) = 0
d Po (t )
dt
= 1P1 (t ) 0 P0 (t )
(3)
(4)
(5)
0
P0
1
(6)
n Pn
n+1
Pn =
n1 Pn1
n
n1 ... 0
n1 n2
Pn2 = ... =
P0
n n1
n ...1
n1
(i )
ou ainda
i =0
Pn =
n>0
P0
(7)
(i )
i =1
n =0
Pn = 1, tem-se que P0 +
n=1
Pn = , ou ainda:
n1
P0 +
n=1
(i )
i =0
n
P0 = 1
P0 =
n1
(i )
i =1
1+
n=1
(8)
(i )
i =0
n
(i )
i =1
Cap_6.indd 159
27/08/2011 21:54:45
160
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
tem-se: se < 1
P0 =
1+
n=1
n
n
n =0
1
1
1
=1
(9)
n1
Pn = P0
i =0
n
i =1
Cap_6.indd 160
i
i
= P0 para n > 0.
(10)
27/08/2011 21:54:45
Aqui
Pn = (1 )n , com n = 0, 1, 2...
(11)
n =0
n Pn =
n (1 ) n = (1 )
n =0
n =0
n n1 = (1 )
n =0
dn
=
d
d
n
1
d (1 )
n =0
= (1 )
= (1 )
=
=
d
d
1
assim, L =
Lq =
(12)
(n 1)P = n P
n
n=1
= L (1 P0 ) =
assim, Lq =
n=1
2
n=1
Pn =
n P
n =0
n=1
Pn
( )
2
( )
(13)
1
( )
(14)
(15)
Cap_6.indd 161
27/08/2011 21:54:45
162
Observaes:
se
n
N
0,
1
n
N*
n =0
N * +1
1
1 N *+1
(16)
1 n
N*
De L = n Pn tem-se:
n=0
(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 =
(18)
Cap_6.indd 162
27/08/2011 21:54:45
L
w1
=
(1 PN * ) (1 PN * )
(19)
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 =
(20)
N ! n
n=0 (N n )!
Pn =
N!
P , para n = 1,2,..., N
(N n )! 0
N
N
Lq =
n=1
(n 1)Pn
Lq = N
(21)
+
(1 P0 )
N
N
L = n Pn L = Lq + (1 P0 ) L = N
n=1
(1 P0 )
(22)
(23)
Cap_6.indd 163
27/08/2011 21:54:46
164
Tem-se:
n
P0 =
(24) ;
1
n
c
n=0 (n !)
(25);
Pn = 1 c P0 , n = 0, 1, 2,...
(n !)
L = n Pn (26); Lq = L (1 P0 ) (27); W =
n =0
Lq
L
(28); Wq =
(29)
Neste caso, h S atendentes em paralelo (modelo de fila nica) para a mesma fila, assim:
n , se
=
n S , se
0nS
nS
Cap_6.indd 164
n
S
S 1
.
1
+
.
P0 =
com < S
n 0
n!
S ! (1 S )
(30)
n
. P
0
n !
Pn =
n
nS . P0
S ! S
(31)
se 0 n S
se n > S
27/08/2011 21:54:46
P0
Lq = (n S )Pn Lq = 2 , com =
n=S
S
S ! (1 )
Wq =
Lq
(33);
W = Wq +
(34);
L = Lq +
(32)
(35).
(36)
S 1
S! 1
k =0 k ! k ! 1
Notao: C S,
Aqui:
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
Cap_6.indd 165
27/08/2011 21:54:46
166
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
(38)
1
S
N S +1
n
S 1
S
1
(
)
S
( ) ,
S ! (1 )
n!
n =0
P0 =
1
S
S 1
n
S
S (N S + 1) +
,
S !
n =0 n !
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!
1
= (1 PN ), W = Wq + ,
Wq = = Lq /
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
(40)
se 1
(41)
se = 1
Cap_6.indd 166
27/08/2011 21:54:46
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
P
=
n
P
+
n +
Pn
n
n
n=0
2
n=0
2 n = 0
n=0
n=0
Mas, como: Pn = 1 e n Pn = L :
W=
1
k +1
L+
(42)
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
Cap_6.indd 167
k (k + 1)
2 ( k )
1
k +1
1
=
2 ( k )
(44)
(45)
27/08/2011 21:54:46
168
(k + 1) k
2 ( k )
Lq = kWq = 2k
(46)
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:
1
P0 =
p ! n
n=0 ( p n )!
(47)
p!
P , para n = 1, 2,..., p
(p n )! 0
Pn =
L = nPn = p
n =0
W=
(1 P0 )
(51);
Lq = p
(49);
Wq =
(48)
Lq
( + )
com = (p L )
(1 P0 )
(50)
(52)
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
n,
n =
S,
se n = 1, 2,..., S 1
se n = S, S + 1,..., p
Podem-se obter:
P0 =
p!
n = 0 ( p n )! n !
S 1
p
+
n=S
p!
nS
(p n )! S ! S
p!
P0 , se 0 n S
(p n )!n !
p!
Pn =
, se S n p
nS
(p n )! S ! S
0,
se n > p
Lq =
n=S
W=
(54)
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
S 1
(n S )Pn + S 1 n=0
n=S
L = nPn +
n
S 1
p
n
S
P
L
S
S
n
( ) n
( )n
n =0
(57);
Wq =
(53)
Lq
(55)
P0
, com = (p L )
(56)
(58)
Cap_6.indd 169
27/08/2011 21:54:46
170
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
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
ANEXO
s=1
s=2
0.1
s=3
s=4
s=5
s=7
0.01
s = 10
s = 15
s = 20
s = 25
0.001
0
0.1
0.2
0.3
0.4
0.5
Cap_6.indd 172
0.6
0.7
0.8
0.9
1.0
27/08/2011 21:54:47
s=2
= 20
10
s
15
s=
0
1
s=
=7
5
s=
s=
3
s=
1.0
s=
s=
0.1
0
0.1
0.2
0.3
0.4
0.5
Cap_6.indd 173
0.6
0.7
0.8
0.9
1.0
27/08/2011 21:54:47
174
0.9
0.8
0.7
0.6
0.5
c=
0.0
0.2
c=
c=
0.4
0.4
0.3
c=
0.6
0.2
0.1
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
10
c=
0.2
c=0
.6
c=0
.4
=0
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
REFERNCIAS
Cap_6.indd 176
27/08/2011 21:54:47