Capítulo I FCA 2016

Prof.
Antnio Moretti FCA UNICAMP
CAPTULO 1 MODELAGEM MATEMTICA pg

1.1 Introduo 03
1.2 Formulao Geral de um Modelo Matemtico 07
1.3 O Processo de Modelagem 08
1.4 A Importncia da Modelagem Matemtica 09
1.5 Exerccio de Fixao 16
1.6 Exerccios Propostos 17
1.7 Referncias 18
CAPTULO 2 LINGUAGENS ALGBRICAS SOLVERS MODELOS CLSSICOS
2.1 Introduo 19
2.2 Solvers Matemticos 20
2.3 Trs Modelos Clssicos 20
2.3.1 O Problema da Dieta 20
2.3.2 O Problema de Transporte 24
2.3.3 O Problema da Mochila 26
2.5 Implementando o Modelo no Solver do Excel 30
2.6 Exerccios de Fixao 40
2.8 Programao Linear VS. Programao Inteira 42
2.9 Truques de Modelagem 46
2.9.1 Varivel em Intervalo Descontnuo 46
2.9.2 Custos Fixos 46
2.9.3 Restries Either/Or 47
2.9.4 Restries Condicionais 47
2.9.5 Produtos de Variveis 48
2.9.6 Valores Absolutos 48
2.9.7 Funo Objetivo MiniMax 49
2.9.8 Funo Objetivo Fracionria 50
2.10 Referncias 50
CAPTULO 3 ANLISE DE SENSIBILIDADE
3.1 Introduo 51
3.2 Analisando um Problema de Produo 51
3.3 Soluo Geomtrica 55
3.4 Exerccios Propostos Soluo Geomtrica 60
3.5 Exerccios Propostos Anlise de Sensibilidade 61
antonio.moretti@fca.unicamp.br Page 1
Prof. Antnio Moretti FCA UNICAMP
3.6 Referncias 62
CAPTULO 4 ANLISE ENVOLTRIA DE DADOS
4.1 Introduo 63
4.2 Comparao de Eficincia com Input e Output nicos 63
4.3 Comparao de Eficincia com Inputs e Outputs Mltiplos 64
4.4 Quantificando a Eficincia relativa 64
4.5 Aumentando o Nmero de Inputs e Outputs 66
4.6 Mtodo de Charnes e Cooper 67
4.8 Referncias 69
CAPTULO 5 MTODOS HEURSTICOS
5.1 Introduo 70
5.2 Heursticas Construtivas e de Melhoria 71
5.3 Algoritmo Gentico 73
5.4 Busca Tabu 78
5.5 Referncias 80
CAPTULO 1 MODELAGEM MATEMTICA
1.1 - Introduo
Modelagem matemtica uma tcnica de representao quantitativa de processos e

problemas reais. Usualmente, classificam-se os modelos matemticos como prescritivos ou
descritivos :
Os modelos prescritivos baseiam-se na representao dos objetivos e restries de um

processo para o qual deseja-se descobrir solues otimizadas, ou seja, o modelo escrito segundo
uma tcnica que permite encontrar a melhor soluo ou poltica de ao para os condicionantes
representados. Tais modelos podem ser resolvidos de maneira exata ou aproximada. Na maneira
exata, a soluo obtida a melhor soluo, dentre todas as possveis, dados os condicionantes do
problema modelado. A soluo otimiza (maximiza ou minimiza) uma funo de mrito (por
exemplo, o custo total de produo) e ao mesmo tempo respeita (no viola) todas as restries do
problema (por exemplo, satisfazer a demanda). Mas, dependendo do tipo de problema a ser
resolvido, pode ser extremamente caro, computacionalmente falando, tentar resolv-lo de maneira
exata. Por exemplo, um problema de programao linear contnuo (isto , que no contenha
variveis inteiras em sua formulao) pode ser resolvido de maneira exata e eficientemente mesmo
que contenha milhares (e, s vezes, milhes) de variveis e restries, pois h mtodos
1
polinomiais (eficientes) para isso. J se o problema for de programao linear mista (contendo
variveis contnuas e inteiras), ento devemos analisar caso a caso e decidir se podemos resolv-
lo de maneira exata ou aproximada (heuristicamente). Resolver o problema de maneira aproximada
significa que o mtodo utilizado no pode garantir que obtenhamos a soluo tima em todos
cenrios resolvidos por ele. O que se pode garantir, uma soluo de boa qualidade com baixo
custo computacional. Isto no quer dizer absolutamente que devemos resolver todos os problemas
grandes e caros computacionalmente de maneira aproximada.
Os modelos descritivos so utilizados na representao de sistemas reais (ou propostos)

e a experimentao de diferentes cenrios e polticas de ao nos mesmos . A grande motivao
para o uso dessas tcnicas a flexibilidade na representao de modelos complexos e a facilidade
1
Informalmente falando, um mtodo polinomial quando para quaisquer exemplares de uma mesma classe
de problema, se o tamanho do problema cresce (nmero de variveis e restries) o tempo de execuo cresce
segundo uma funo polinomial, ou seja, cresce de maneira suave.
de aplicao, possibilitando prever o comportamento de um sistema modelado em um horizonte de

planejamento escolhido. Os resultados dos experimentos apresentam um viso futura do sistema,
auxiliando no processo de tomada de decises no momento presente. Diferentemente dos mtodos
prescritivos, os modelos descritivos so utilizados para comparar polticas de ao j escolhidas
pelo decisor, no esperando que o modelo indique a melhor soluo possvel. Por exemplo,
suponha que buscamos testar duas polticas de filas em um banco: poltica 1 cada caixa tem sua
prpria fila e poltica 2 uma fila nica para todos os caixas. Neste caso, podemos supor que o
atendimento ser baseado em uma distribuio de Poisson e que os clientes chegam no banco
baseados em uma distribuio Exponencial Negativa. Depois, simulamos as duas polticas, levando
em conta as distribuies envolvidas para verificar qual das duas a melhor.
No processo de modelagem devemos levar em conta alguns elementos bsicos :
Parmetros do modelo: so todos os dados conhecidos do processo, utilizados como

valores de entradas do modelo. Por exemplo, em um planejamento de produo de uma indstria,
se queremos esquematizar as tarefas nas mquinas da linha de produo, precisamos saber o
tempo de processamento de cada tarefa em cada mquina, o tempo de setup, as capacidades das
mquinas, as disponibilidades de mo-de-obra, etc. Em um problema de distribuio, precisamos
das distncias entre os clientes e distribuidores, da demanda dos clientes, da disponibilidade de
estoque em cada centro de distribuio, etc. Em um problema de corte de materiais, precisamos
saber a quantidade dos itens em estoque, a dimenso dos itens em estoque, os dados da
demanda, etc.
Variveis de Deciso: so as incgnitas do modelo. Seus valores interferem na

performance do sistema e o modelo opera como um mecanismo de melhoria dentro de um intervalo
operacional. Utilizando os mesmos exemplos, a seqncia com que as tarefas sero executadas
nas mquinas uma varivel de deciso no modelo de esquematizao (note que se esta
seqncia sofrer alteraes, o tempo total do processo tambm sofrer). Para o modelo de
distribuio, uma varivel importante a associao de atendimento entre centros de distribuio e
clientes. Para o problema de corte, as dimenses dos objetos de estoque escolhidas para corte, os
padres de corte, as repeties e o seqenciamento dos padres so variveis de deciso.
Restries: estabelecem condicionantes entre as variveis de deciso e a dinmica do

sistema, indicando as limitaes fsicas, disponibilidades de material e as necessidades a serem
atendidas pelo processo a ser modelado. Por exemplo, o tempo disponvel de operao das
mquinas a serem seqenciadas; o nmero de caminhes disponveis a serem utilizados no plano
de distribuio; as caractersticas dos cortes possveis, etc.
Funo Objetivo: a representao matemtica do objetivo a ser atendido pelo modelo. A

funo objetivo mede a eficincia de cada soluo possvel. Pode-se citar como exemplos, o custo
ou tempo de produo; o custo de transporte na distribuio; o nvel de atendimento dos pedidos; a
perda de material ou a gerao de estoques intermedirios.
Funo Objetivo
Perda de Matria-Prima
Tempo de Setup
Estoque Intermedirio
Custos de Produo
Em conjunto com os elementos bsicos do modelo esto associados os conceitos de:
Soluo Factvel: uma soluo que respeita todas as restries do problema e portanto,
possvel ser implementada.
Regio Factvel: a regio formada por todas as solues factveis, isto , formada pela
interseo das restries do problema.
Soluo tima: a melhor soluo factvel encontrada, de acordo com a funo objetivo.
1.2 - Formulao Geral de um Modelo Matemtico
Formalmente, um modelo matemtico escrito da seguinte maneira:
Maximizar / Minimizar f ( x)
sujeito a :
g ( x) a
h( x ) b
s ( x) c
l xu
em que f(x) uma funo, linear ou no linear, a ser otimizada (maximizada ou minimizada) sujeito
s restries (lineares ou no lineares) que indicam uma necessidade a ser satisfeita (maior ou
igual), uma disponibilidade a ser respeitada (menor ou igual) ou um condicionante a ser satisfeito
de maneira exata (igual).
Pode-se classificar os modelos de acordo com:
(1) Existncia de restries:
(a) Otimizao Irrestrita: a funo a ser otimizada no est sujeita a nenhum

condicionante do sistema. Por exemplo, suponha que voc queira ir da sua casa para o trabalho
pelo menor caminho. Modelado matematicamente, uma soluo seria o menor entre todos os
caminhos possveis, saindo de sua casa e chegando ao seu trabalho (a funo objetivo poderia ser
a distncia dos percursos escolhidos ou uma ponderao entre distncia, nmero de semforos,
topografia das ruas percorridas, etc).
(b) Otimizao Restrita: suponha que o menor caminho que vai de sua casa at o
seu trabalho passe por uma regio da cidade onde h uma grande incidncia de assaltos. Portanto,
voc gostaria de saber o menor caminho de sua casa at o trabalho evitando passar por esta rea,
gerando uma restrio de regio indesejada.
(2) Natureza das Variveis:
(a) Modelos Discretos: a regio factvel formada por um conjunto discreto de

alternativas. Um bom exemplo a programao linear inteira (PLI) em que as variveis de deciso
devem ser inteiras ou binrias. H tambm casos em que as variveis devem pertencer a um
conjunto e os elementos no precisam ser necessariamente inteiros (considere, por exemplo, o
modelo para determinar a quantidade de latas de tintas {1/2, 1, 3/2, 2, ...} a serem compradas de tal
forma a minimizar o custo total de compra).
(b) Modelos Contnuos: neste caso, a regio factvel contnua, ou seja, no h

restries de integralidade sobre as variveis de deciso.
(3) Natureza das Restries e Funo Objetivo:
(a) Otimizao No-Linear : se a funo objetivo ou uma das restries no-

linear, ento o modelo no-linear e a resoluo computacional mais complexa. Se h alguma
informao sobre a funo (convexa/cncava, diferencivel ou no) e sobre as restries, ento os
mtodos podem ser mais eficientes, caso contrrio pode ser muito caro resolver modelos no-
lineares de maneira exata.
(b) Otimizao Linear : a funo objetivo e as restries so lineares. Neste caso,

h vrios algoritmos eficientes para resolver tais problemas. Por exemplo, o Mtodo Simplex,
desenvolvido por George Dantzig em 1947, continua ainda hoje sendo uma boa opo para
resolver problemas de programao linear. H tambm os mtodos de Pontos Interiores que deram
um grande impulso na resoluo de modelos lineares, fazendo com que problemas de grande porte
pudessem ser manipulados com mais agilidade.
(4) Nmero de Objetivos do Modelo:
(a) Otimizao Escalar: quando h apenas uma funo objetivo a ser otimizada.
(b) Otimizao Multi-Objetivo: quando h dois ou mais objetivos a serem

otimizados. Os objetivos podem ser conflitantes ou no-comensurveis e em geral, so tratados
por mtodos especficos de programao multi-objetivo. Existem tambm tcnicas de
escalarizao, que transformam os objetivos em um nico (com pesos diferentes para cada
objetivo, dependendo da prioridade de cada um), resultando em um problema de otimizao
escalar.
(5) Dinmica dos Dados de Entrada:
(a) Modelos Estticos: servem para se ter uma noo macro do sistema modelado.
Por exemplo, ao se fazer o planejamento para o prximo ano, o gerente de produo de uma
indstria deseja saber quantas caixas deve comprar para acondicionar o seu produto. Neste caso,
ele precisa apenas ter uma ordem de grandeza razovel do quanto ser sua produo, no sendo
necessrio ter o plano de produo que demandaria muito mais variveis e tempo de computao
para ser resolvido.
(b) Modelo Dinmico: quando o processo exige uma identificao mais precisa das
aes a serem tomadas no tempo. No exemplo acima, pode-se querer o plano de produo diria
da empresa. Neste caso, a varivel tempo deve guiar todo o conjunto de condicionantes do
sistema.
1.3 O Processo de Modelagem
O processo de modelagem envolve a observao do sistema real, a definio do problema

a ser modelado (deve-se fazer a coleta de dados de maneira precisa), a definio do objetivo a ser
otimizado e como as restries interagem com este objetivo. Uma vez definida a funo objetivo e
suas restries, o modelador escreve o modelo matemtico que dever ser validado atravs da
aplicao em cenrios reais. Aps o modelo ser validado, faz-se a implementao final do mesmo,
que poder ser usado com uma ferramenta de tomada de decises ou como uma ferramenta de
anlise de eficincia do sistema atual.
A modelagem um processo contnuo e todo modelo deve ser elaborado com perspectivas
de expanso. Neste caso, o modelador deve escolher ferramentas (linguagens algbricas e
solvers) que possibilitem e facilitem alteraes nas restries e objetivos do modelo.
A figura a seguir ilustra as vrias etapas do processo de modelagem:
1.4 A Importncia da Modelagem Matemtica
Nos exemplos abaixo, pretendemos motivar o leitor a trabalhar com modelos matemticos.
Para tanto, inicialmente vamos comparar o desempenho de um modelo com um mtodo de
enumerao de solues:
Vamos supor que temos 70 homens que devem ser designados a 70 tarefas distintas. Para
cada designao homem-tarefa h um valor que indica o desempenho daquele homem na
execuo daquela tarefa. O problema apresenta duas restries: (1) cada homem deve ser
designado a apenas uma tarefa e (2) cada tarefa deve ser alocada a um nico homem. O grafo
bipartito abaixo (duas parties: uma para representar o conjunto do homens e outra para
representar o conjunto das tarefas) representa a estrutura do problema:
O objetivo neste caso determinar uma alocao que maximize a performance total, ou
seja, descobrir qual homem designar qual tarefa (cada alocao tem uma performance envolvida)
de tal maneira que a soma total das performances envolvidas nesta designao seja a maior
possvel. Por exemplo, se a soluo fosse :
e considerando que Pij indica a performance do homem i ao executar a tarefa j, a soluo 1 teria
uma performance total de P1,1+P22,2+P5,3+...+P18,69+P47,70. J a soluo 2 abaixo:
apresenta performance total de P10,1+P69,2+P1,3+...+P50,69+P3,70. Portanto, se formos enumerar todas

as possveis solues para este pequeno problema e depois escolher a melhor combinao,
100
teramos 70! possveis solues distintas. Mas, 70! maior do que 10 , que um nmero muito,
muito grande.
Suponha agora que um computador pudesse avaliar 1 bilho de designaes por segundo
(isto , uma vez dada uma designao do tipo soluo 1 ou soluo 2, somar e calcular a
performance daquela designao) e este computador estivesse trabalhando desde a poca do BIG-
BANG, aproximadamente 15 bilhes de anos atrs: hoje no teramos a melhor designao! Quer
ver por qu? s acompanhar os clculos:
1 dia = 24 x 60 x 60 = 86400 segundos

1 ano = 86400 x 365 = 31536000 segundos
o que significa que o nmero total de designaes que tal computador poderia executar durante um
16
ano da ordem de 3.1536x10 . Portanto, o nmero total de designaes desde o Big Bang da
25 100
ordem de 47.304x10 < 10 . Vamos ento supor que a Terra fosse preenchida com tais
computadores trabalhando em paralelo desde a poca do Big Bang. Para tanto, calculamos a rea
da base de um computador comum e depois calculamos quantos desses computadores caberiam
na superfcie da Terra:
Raio da Terra = 6370 km

8 2
rea da Superfcie Terrestre = 5.099x10 Km
2 -8 2
rea da Base do Computador (43 cm x 20 cm) = 860cm =8.6x10 Km
15
gerando um total de 5.9291x10 computadores trabalhando em paralelo. Portanto, o nmero total
25 15 42 100
de designaes desde o Big Bang seria da ordem de 47.304x10 x5.9291x10 =2.805x10 < 10 .
50
Vamos exagerar supondo que tenhamos 10 Terras, todas preenchidas com tais
computadores trabalhando em paralelo desde o Big Bang at hoje, ser que teramos a soluo
42 50 92 100
tima em mos? fcil conferir que no, pois 2.805x10 x10 =2.805x10 < 10 .
50
Mas, se houvessem 10 Terras preenchidas com tais computadores trabalhando em
paralelo desde o Big Bang at que o Sol se tornasse uma imensa pedra de gelo, talvez
obtivssemos a resposta (talvez).
O exemplo para mostrar que se atacarmos um problema de maneira errada (com um

procedimento aparentemente lgico e simples mas ineficiente), podemos gerar um custo
computacional absurdo e no obter a soluo do problema.
Antes do Mtodo Simplex no havia uma maneira sistemtica para resolver problemas de
programao linear. A tcnica de modelagem matemtica era conhecida, mas no existiam
ferramentas para a sua resoluo. Logicamente, aplicavam-se estratgias para a obteno de
solues (nada que garantisse solues timas). Com o Mtodo Simplex, os problemas de
programao linear comearam a ser resolvidos sem dificuldade (a memria dos computadores era
o nico obstculo).
Vejamos o que acontece com o tempo computacional para se obter a soluo tima do
problema de atribuio homem-tarefa ao model-lo matematicamente :
As variveis de deciso para este problema so :
1, se o homem i associado tarefa j

xi, j
0, caso contrrio
Como vemos, as variveis so binrias, ou seja, assumem apenas os valores 0 ou 1.
Os parmetros do nosso modelo so as medidas de performance Pij, indicando o

desempenho do homem i ao realizar a tarefa j.
O objetivo maximizar a performance total, dada pela frmula:
( P1,1 x1,1 P1,70 x1,70 ) ( P2,1 x 2,1 P2,70 x 2,70 ) ( P70,1 x 70,1 P70,70 x 70,70 )
70 70
p ij x ij
i 1 j 1
em que o primeiro parntesis corresponde a todas as possibilidades de alocao para o homem 1,

o segundo parntesis contm todas as possibilidades para o homem 2 e assim por diante at o
homem 70. Observe que em cada parntesis apenas uma varivel xi,j assumir o valor 1 e as
demais dentro daquele parntesis sero iguais a zero. Isto faz com que dentro de cada parntesis
apenas um valor de performance seja considerado.
As restries so de dois tipos :
Um Homem deve ser designado a apenas uma tarefa : se as variveis so binrias e

sua definio indica que se xi,j=1, o homem i realiza a tarefa j; basta dizer que se
x1,1+x1,2+x1,3+...+x1,69+x1,70=1, ento apenas uma varivel ser igual a 1 e
consequentemente, o homem 1 ser designado a apenas uma tarefa (observe que se as
variveis no fossem binrias poderamos ter x1,4=0.5 e x1,58=0.5). O mesmo raciocnio se
aplica aos demais homens:
70
para i 1 , x
j 1
1,j x1,1 x1,2 ... x1,69 x1,70 1
70
para i 2, x j 1
2 ,j x 2 ,1 x 2 ,2 ... x 2 ,69 x 2 ,70 1
e assim at,
70
para i 70, x
j 1
70 ,j x 70,1 x 70,2 ... x 70,69 x 70,70 1
gerando o conjunto de restries :
70
x
j 1
ij 1 para todo i 1,...,70
Repare que o bloco de restries acima no evita que uma tarefa seja alocada a dois
homens diferentes. Logo, precisamos do seguinte um bloco de restries:
Uma tarefa deve ser associada a um nico homem:
70
x
i 1
ij 1 para todo j 1,...,70
Em resumo, o modelo para o problema da designao seria:
70 70
Maximizar pij xij
i 1 j1
70
sujeito a xij 1 para todo i 1,2,...,70
j 1
70
xij 1 para todo j 1,2,...,70
i 1
xij 0,1 para todo i, j 1,2,...,70
Ao resolver este modelo matemtico, utilizando um pacote computacional especfico para
problemas de programao linear (AIMMS Advanced Integrated Multidimensional Modeling
Software da empresa holandesa Paragon Decision Technology B.V), obtm-se a soluo tima em
0.25 segundos.
O leitor pode estar se perguntando se antes do Mtodo Simplex os modeladores tentavam

resolver os problemas atravs de enumerao explcita como feito no exemplo acima. A resposta
no. Os modeladores usavam mtodos baseados em regras (heursticas) para obteo de solues
sub-timas (no era possvel afirmar que a soluo encontrada era tima, sendo apenas possvel
checar sua qualidade atravs de sua implementao na prtica). Vamos utilizar um exemplo menor
e tentar uma heurstica:
Considere o problema de designao de 4 homens a 4 tarefas. A tabela abaixo fornece as

performances de cada homem em cada tarefa:
Desempenho Tarefa 1 Tarefa 2 Tarefa 3 Tarefa 4

Homem 1 1 2 9 3
Homem 2 1 5 8 3
Homem 3 4 6 7 5
Homem 4 2 5 6 4
Uma primeira idia seria escolher um homem ao acaso e designar a ele a tarefa que ele faz
melhor. Podemos tambm escolher uma soluo baseada em uma estratgia gulosa, que nos diria
para olhar a tabela e selecionar a melhor performance possvel. Neste caso, o valor 9 na interseo
da linha do homem 1 com a tarefa 3. Logo, o homem 1 fica alocado para a tarefa 3. Para garantir
que o homem 1 no seja alocado a mais de uma tarefa, devemos eliminar a linha do homem 1 e a
coluna da tarefa 3 da tabela.
Agora, olhando a tabela resultante e aplicando o mesmo raciocnio, percebe-se que a

melhor performance (valor 6) se encontra na interseo do homem 3 com a tarefa 2. Alocando o
homem 3 tarefa 2 e eliminando a linha e a coluna correspondentes, obtm-se a tabela resultante
abaixo:
A melhor performance agora est na interseo do homem 4 com a tarefa:
Agora, s nos resta alocar o homem 2 tarefa 1.
A performance total da soluo obtida por este procedimento P1,3+P2,1+P3,2+P4,4 = 20.
Ao resolver o modelo matemtico do problema de designao com estes dados obtm-se

uma performance de 22:
Voc pode observar que mesmo em um problema pequeno (4 homens e 4 tarefas), a

aplicao de uma heurstica razovel forneceu uma soluo inferior que aquela obtida pelo modelo
matemtico (soluo tima). Como j dissemos, uma heurstica no garante a obteno da soluo
tima e sim, solues de boa qualidade em um tempo computacional adequado. Logicamente, a
deciso de se aplicar uma heurstica ou um mtodo exato fica por conta do tipo de problema que
temos em mos:
(1) Considere o problema de esquematizar tarefas mquinas em que alm de restries

de disponibilidade de tempo de mquina tm-se restries de precedncia - o modelo matemtico
para este problema bem mais complexo que o primeiro e muito mais caro computacionalmente.
(2) Suponha que voc esteja trabalhando em um problema de alocar mdicos em salas de
emergncia, considerando alguns condicionantes pessoais dos mdicos. O chefe da emergncia
leva de dois a trs meses para preparar uma alocao para o prximo ano. Se voc prope um
modelo matemtico que fornece soluo exata em 15 horas de computao, seria mais do que
aceitvel.
Na prtica, ao visitarmos uma empresa para levantamento dos dados para modelagem,
realizamos um conjunto de entrevistas com os responsveis pelo processo, tentando identificar a
seqncia de aes nas solues manuais empregadas, o que gera subsdios para a construo
de heursticas ou modelos que resolvam os problemas identificados. Na maioria das ocasies, os
procedimentos das empresas so baseados em intuio, adquirida aps anos de experincia. O
exerccio de fixao a seguir mostra que nem sempre a intuio a melhor aliada na resoluo de
problemas de natureza combinatorial.
1.5 - Exerccio de Fixao
(Flow Shop): Considere uma estrutura de produo na qual cada tarefa necessita de m operaes
para a sua finalizao, realizada sequencialmente em cada uma das m mquinas disponveis.
Nessa estrutura, a tarefa t deve passar por todas as mquinas (da 1 4, nessa ordem) e s pode
ser processada na mquina i se antes passou pela mquina i-1. Considere o problema de
esquematizar 2 tarefas em 4 mquinas com o objetivo de completar as tarefas no menor tempo
total possvel. Os tempos necessrios de processamento de cada tarefa em cada mquina so
dados na tabela abaixo:
Mquina 1 Mquina 2 Mquina 3 Mquina 4

Tarefa 1 1 4 4 1
Tarefa 2 4 1 1 4
Propomos uma representao do problema usando um Grfico de Gantt, em que as linhas

correspondem s mquinas e as colunas s unidades de tempo:
Mquina 1
Mquina 2
Mquina 3
Mquina 4
Tempo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Vamos comear alocando a tarefa 1 na mquina 1, o que ocupa 1 unidade de tempo da

mquina (lembre-se que as tarefas devem passar primeiro pela mquina 1, depois pela mquina 2,
depois pela mquina 3 e finalmente pela mquina 4). Ao alocar a tarefa 1 na mquina 1, s
poderemos alocar a tarefa 2 nessa mquina aps o trmino da tarefa 1. Seguindo essa lgica, o
grfico de Gantt ficaria:
Mquina 1 T1 T2 T2 T2 T2
Tempo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
A soluo acima respeita as condies de Flow Shop e nos d um tempo total de 14

unidades para completar a ltima tarefa do sistema. Como queremos minimizar o tempo total de
sada da ltima tarefa, temos que, pela nossa intuio, as mquinas no devem ficar ociosas em
nenhum perodo. Agora repare o que acontece se a mquina 3 ficar ociosa 1 unidade de tempo
para que a tarefa 2 possa ser iniciada no lugar da tarefa 1:
Tempo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Seriam necessrias 12 unidades de tempo (soluo tima para o problema), indicando que
a intuio falharia nesse problema to simples. Imagine em problemas reais!
1.6 - Exerccios Propostos
Problema 1.6.1. [Winston,pg 54] Um fazendeiro deseja determinar quantos acres de milho e trigo
deve plantar neste ano. Um acre de trigo rende 25 toneladas por ano e requer 10 horas de trabalho
por semana. Um acre de milho rende 10 toneladas por ano e requer 4 horas de trabalho por
semana. O trigo pode ser vendido a R$ 4,00/Kg e o milho pode ser vendido a R$ 3,00/Kg. O
fazendeiro planeja alocar 7 acres de terra para estes plantios e 40 horas por semana de trabalho.
Leis governamentais requerem que seja produzido pelo menos 30 toneladas de milho por ano. D
uma soluo de plantio para nosso amigo fazendeiro que obedea os condicionantes do problema:
(a) No ultrapasse 7 acres e (b) no use mais do que 40 horas de trabalho por semana. Qual seria
o lucro do fazendeiro se ele decidisse implementar a sua soluo?
Problema 1.6.2. [Winston,pg 54] Uma fbrica produz dois tipos de caminhes: Caminho 1 e
Caminho 2. Cada caminho deve passar pelo setor de pintura e pelo setor de montagem. Se o
setor de pinturas fosse dedicado apenas a pintar caminhes do tipo 1, ento poderiam pintar 800
caminhes do tipo 1 por dia. Por outro lado, se fosse dedicado pintura apenas de caminhes do
tipo 2, ento 700 caminhes do tipo 2 seriam pintados por dia. No caso de dedicao exclusiva do
setor de montagens, teramos 1500 caminhes do tipo 1 montados por dia, e 1200 caminhes do
tipo 2 seriam montados por dia. Cada caminho do tipo 1 d um lucro de R$ 300,00 e do tipo 2 d
um lucro de R$ 500,00. D uma soluo para o problema acima e calcule o seu custo.
Problema 1.6.3. Uma empresa de artigos esportivos precisa decidir quantas bolas de futebol
produzir em um horizonte de planejamento de 6 meses. As demandas previstas a serem atendidas
so de 10000, 15000, 30000, 35000, 25000 e 10000 unidades para os prximos 6 meses. A
empresa conta com 5000 bolas em estoque e pode utilizar a produo mensal para o atendimento
da demanda daquele ms (por simplicidade, assume-se que a produo ocorre durante o ms e o
atendimento da demanda ocorre no final do ms). A capacidade de produo mensal da empresa
de 30000 bolas e a estocagem de produtos limitada a 10000 unidades (no final do ms, aps o
atendimento da demanda). Os custos previstos de produo por unidade nos prximos 6 meses
so de $12.50, $12.55, $12.70, $12.80, $12.85 e $12.95, respectivamente. O custo por bola
mantida em estoque no final do ms de 5% do custo de produo da bola naquele ms. O preo
de venda das bolas no relevante nas decises de produo porque a empresa deve satisfazer
as demandas exatamente como esto estabelecidas. O objetivo minimizar os custos de produo
e estoque.
Problema 1.6.4. [Winston,pg 73] Uma agncia de correios ser aberta. Ela necessita de um nmero
diferente de empregados em diferentes dias da semana. O nmero de empregados necessrios em
cada dia da semana so: (segunda: 17), (tera: 13), (quarta: 15), (quinta: 19), (sexta: 14), (sbado:
16) e (domingo: 11). Devido a regras impostas pelo sindicato do setor, cada empregado deve
trabalhar 5 dias consecutivos e folgar 2 dias consecutivos. Por exemplo, um empregado que
trabalha de segunda sexta deve folgar sbado e domingo. A agncia quer satisfazer sua
demanda diria e minimizar o nmero de empregados que a contratar. Proponha uma soluo e
calcule o nmero de empregados a serem contratados.
Problema 1.6.5. [Goldbarg e Luna,pg 189] O Problema da auditoria bancria
Fase 1: Um banco deve decidir quantos auditores sero necessrios contratar em um horizonte de
6 meses de operao, maro a agosto. As necessidades do esforo de auditoria so contabilizadas
em termos de mo-de-obra de auditores experientes da seguinte forma:
Ms Necessidade (Horas/ms)
Maro 7000
Abril 8000
Maio 10000
Junho 11000
Julho 7000
Agosto 11000
Cada auditor contratado como funcionrio do banco, apesar de formado e aprovado em

concurso, tem que ser treinado por um ms antes de poder atuar plenamente em sua funo.
Nesse treinamento, so utilizados auditores experientes do prprio banco que, deixando de
trabalhar na auditoria normal, dedicam 100 horas para cada auditor a ser treinado. Um auditor
trabalha 150 horas por ms. Em 1 de fevereiro, o banco dispe de 60 auditores experientes. O
programa de contratao ter incio em 1 de maro.
Sabe-se tambm que o mercado de trabalho para auditores est muito instvel, de forma
que 10% da fora de trabalho destes profissionais experientes deixa o banco a cada ms em busca
de melhores salrios. Um auditor experiente recebe do banco cerca de R$2000,00 por ms,
enquanto o auditor em treinamento s recebe uma ajuda de R$150,00. Quando o nmero de
auditores excede as necessidades, a carga de trabalho reduzida, mas no so feitas demisses
devido ao elevado custo do processo de acordo na justia. Quando isto acontece, novos auditores
no so contratados e a evaso normal equilibra a fora de trabalho.
Proponha uma soluo objetivando minimizar os custos de operao do sistema de auditoria.
Fase 2: Utilizando o processo de terceirizao
Paralelamente ao sistema de contratao formal para auditores existe a possibilidade de se

obter mo-de-obra para auditorias via uma empresa de terceirizao: a 3Part Consulting. Essa
organizao oferece auditores experientes (possivelmente evadidos do sistema normal) e
licenciados pela Cmara de Auditores Juramentados. Esse profissional custa R$ 2500,00 ao ms e
pode ser includo e retirado da folha a qualquer ms sem qualquer custo de admisso ou demisso.
A 3Part s exige a garantia mnima de um ms de trabalho para o profissional e que ele no
trabalhe em treinamentos, at porque a empresa promove o curso para licenciar auditores
juramentados como um servio adicional. Reformular o problema levando em conta essa nova
possibilidade.
Problema 1.6.6. [Goldbarg e Luna,pg 253] O problemas das Damas - Em um tabuleiro de xadrez
(8x8) vazio, define-se que a alocao de uma dama em uma casa preta vale o dobro do que em
casa branca. Determine a alocao das damas no tabuleiro, de modo que nenhuma delas seja
ameaada pelas demais e obtendo o maior valor possvel.
1.7 - Referncias
Operations Research Deterministic Optimization Models, Katta Murty, Prentice Hall.
Practical Management Science, Wayne Winston, S. Christian Albright e Mark Broadie, Duxbury -
Thomson Learning.
Otimizao Combinatria e Programao Linear - Modelos e Algoritmos, Marco Cesar Goldbarg e

Henrique Pacca L. Luna, Campus.

Capítulo I FCA 2016

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Capítulo I FCA 2016

Enviado por

Direitos autorais:

Formatos disponíveis

Prof.

Antnio Moretti FCA UNICAMP

CAPTULO 1 MODELAGEM MATEMTICA pg

CAPTULO 1 MODELAGEM MATEMTICA

Modelagem matemtica uma tcnica de representao quantitativa de processos e

Os modelos prescritivos baseiam-se na representao dos objetivos e restries de um

Os modelos descritivos so utilizados na representao de sistemas reais (ou propostos)

de aplicao, possibilitando prever o comportamento de um sistema modelado em um horizonte de

No processo de modelagem devemos levar em conta alguns elementos bsicos :

Parmetros do modelo: so todos os dados conhecidos do processo, utilizados como

Variveis de Deciso: so as incgnitas do modelo. Seus valores interferem na

Restries: estabelecem condicionantes entre as variveis de deciso e a dinmica do

Funo Objetivo: a representao matemtica do objetivo a ser atendido pelo modelo. A

Em conjunto com os elementos bsicos do modelo esto associados os conceitos de:

1.2 - Formulao Geral de um Modelo Matemtico

Formalmente, um modelo matemtico escrito da seguinte maneira:

Pode-se classificar os modelos de acordo com:

(1) Existncia de restries:

(a) Otimizao Irrestrita: a funo a ser otimizada no est sujeita a nenhum

(2) Natureza das Variveis:

(a) Modelos Discretos: a regio factvel formada por um conjunto discreto de

(b) Modelos Contnuos: neste caso, a regio factvel contnua, ou seja, no h

(3) Natureza das Restries e Funo Objetivo:

(a) Otimizao No-Linear : se a funo objetivo ou uma das restries no-

(b) Otimizao Linear : a funo objetivo e as restries so lineares. Neste caso,

(4) Nmero de Objetivos do Modelo:

(b) Otimizao Multi-Objetivo: quando h dois ou mais objetivos a serem

(5) Dinmica dos Dados de Entrada:

1.3 O Processo de Modelagem

O processo de modelagem envolve a observao do sistema real, a definio do problema

A figura a seguir ilustra as vrias etapas do processo de modelagem:

1.4 A Importncia da Modelagem Matemtica

apresenta performance total de P10,1+P69,2+P1,3+...+P50,69+P3,70. Portanto, se formos enumerar todas

1 dia = 24 x 60 x 60 = 86400 segundos

Raio da Terra = 6370 km

O exemplo para mostrar que se atacarmos um problema de maneira errada (com um

As variveis de deciso para este problema so :

1, se o homem i associado tarefa j

Os parmetros do nosso modelo so as medidas de performance Pij, indicando o

O objetivo maximizar a performance total, dada pela frmula:

em que o primeiro parntesis corresponde a todas as possibilidades de alocao para o homem 1,

As restries so de dois tipos :

Um Homem deve ser designado a apenas uma tarefa : se as variveis so binrias e

gerando o conjunto de restries :

Uma tarefa deve ser associada a um nico homem:

Em resumo, o modelo para o problema da designao seria:

O leitor pode estar se perguntando se antes do Mtodo Simplex os modeladores tentavam

Considere o problema de designao de 4 homens a 4 tarefas. A tabela abaixo fornece as

Desempenho Tarefa 1 Tarefa 2 Tarefa 3 Tarefa 4

Agora, olhando a tabela resultante e aplicando o mesmo raciocnio, percebe-se que a

A melhor performance agora est na interseo do homem 4 com a tarefa:

Agora, s nos resta alocar o homem 2 tarefa 1.

A performance total da soluo obtida por este procedimento P1,3+P2,1+P3,2+P4,4 = 20.

Ao resolver o modelo matemtico do problema de designao com estes dados obtm-se

Voc pode observar que mesmo em um problema pequeno (4 homens e 4 tarefas), a

(1) Considere o problema de esquematizar tarefas mquinas em que alm de restries

1.5 - Exerccio de Fixao

Mquina 1 Mquina 2 Mquina 3 Mquina 4

Propomos uma representao do problema usando um Grfico de Gantt, em que as linhas

Vamos comear alocando a tarefa 1 na mquina 1, o que ocupa 1 unidade de tempo da

A soluo acima respeita as condies de Flow Shop e nos d um tempo total de 14

1.6 - Exerccios Propostos

Problema 1.6.5. [Goldbarg e Luna,pg 189] O Problema da auditoria bancria

Cada auditor contratado como funcionrio do banco, apesar de formado e aprovado em