Você está na página 1de 37

Programação Inteira

Assunto: Modelagem Matemática – Parte I

Ormeu Coelho da Silva Júnior, D.Sc.


Departamento de Engenharia de Produção

Revisão: Breno dos Santos de Assis, fev/2018.


MODELAGEM DE PPIs

Um modelo é uma representação simplificada de um sistema real, que preserva alguma


equivalência em determinadas situações e enfoques. Modelos são usados nas mais
diversas situações, tendo papel ímpar no processo de compreensão de um sistema sob
estudo. A partir de um modelo válido é possível tirar conclusões a serem usadas no
projeto e na operação destes sistemas. Experimentos podem ser realizados com o
modelo e hipóteses podem ser testadas, de modo a obter resultados que sejam
aplicáveis aos sistemas do mundo real.

Inúmeros são exemplos de modelos usados nas mais diversas áreas do conhecimento.
Maquetes, plantas baixas, fotografias, mapas, simuladores de direção usados em
autoescolas, e jogos de vídeo game são modelos com os quais frequentemente nos
deparamos. Cada qual a sua maneira procura representar uma dada realidade.

2
MODELAGEM DE PPIs

As vantagens no uso de um modelo residem na redução dos custos, dos riscos e do


tempo necessário para testar estas hipótese diretamente na realidade. Imagine se para
testar as estruturas de um prédio tivéssemos que construir e submetê-lo a testes
destrutivos até que o mesmo não mais suportasse. Por razões óbvias, esta não é uma
boa maneira de estudar o problema real.

O que se espera desta representação substitutiva é que ela incorpore todas as


características e propriedades relevantes para o tomador de decisão. Mas, deve-se ter
em mente que é praticamente impossível modelar todos os fatores intervenientes no
sistema e em seu comportamento. Portanto, devem-se considerar apenas os elementos
e características fundamentais, simplificando assim o posterior processo de resolução.

3
MODELAGEM DE PPIs

Antes de usar um modelo é preciso realizar um processo de verificação de sua


representatividade denominado validação do modelo. Nesta etapa do estudo, as equipes
responsáveis verificam a compatibilidade dos resultados obtidos pelo o modelo com a
observação do sistema real. Se no processo de validação foram identificadas
incorreções, o modelo é então reformulado e uma nova etapa de simulações e validação
é realizada.

A descrição e a análise de fenômenos naturais, sociais ou econômicos não raro recorre


à matemática. A partir da observação dos respectivos sistemas reais, buscam-se as
“leis” que os regem. Leis expressas na forma de relações matemáticas, caracterizando
então um modelo matemático do sistema em estudo.

4
MODELAGEM DE PPIs

Neste ponto da discussão é importante estabelecermos as diferenças entre dois


conceitos fundamentais: modelo e formulação. O modelo é resultado de um conjunto de
premissas e condições de contorno que refletem as características de interesse, ao
passo que a formulação é sua tradução através de um conjunto de equações,
inequações e outras estruturas matemáticas usadas na representação. Em muitos
trabalhos essa distinção entre formulação e modelo não está muito clara, mas neste ela
será sempre considerada.

Não raro dois modeladores produzem formulações diferentes para o mesmo modelo,
ambas válidas e capazes de oferecer as mesmas respostas. Entretanto, é natural que
alguns modelos sejam melhores que outros, segundo algum critério, como facilidade de
compreensão ou de resolução.

5
MODELAGEM DE PPIs

A modelagem de problemas quantitativos pode ser considerada uma arte, pois não há
regras objetivas sobre como representar um dado sistema real. Ela envolve intuição,
experiência, criatividade e poder de síntese. A multidisciplinaridade das equipes de
modeladores e tomadores de decisão também contribui para a qualidade da modelo
produzido.

Como se trata de uma atividade tipicamente subjetiva, é natural que algumas pessoas
tenham mais habilidade que outras. Mas, sempre é possível melhorar mediante treino e
leitura. Dicas gerais de modelagem podem ser encontradas em diversos livros textos de
Programação Inteira.

6
MODELAGEM DE PPIs

A Figura 1 ilustra, em linhas gerais, o processo de construção de modelos matemáticos.

7
MODELOS COM VARIÁVEIS INTEIRAS

Exemplo 3 (Problema de Corte para Estoque) - Uma loja especializada em


revestimentos em madeira recebeu um pedido de um construtor para tábuas em três
tamanhos 1,5; 2,5 e 3,5 metros de comprimento, todas com largura padrão de 0,2m.
Estas peças serão cortadas a partir de tábuas maiores, de 7,0x0,2m disponíveis no
estoque da empresa. São demandadas 200 tábuas de 1,5m, 250 de 2,5m e 130 de
3,5m. Como nem sempre é possível cortar sem evitar perdas, o que se deseja é
minimizar a perda total com os cortes. Elabore um modelo de programação linear inteira
para resolver este problema. Considere que a produção excedente, em qualquer um dos
tamanhos, pode ser vendida estocada e vendida nos meses subsequentes.

8
MODELOS COM VARIÁVEIS INTEIRAS

Exemplo 3 (Resolução): Antes de iniciarmos o desenvolvimento da formulação


matemática, temos que modelar os padrões de corte possíveis. Na Figura 2 são
ilustrados todas os possíveis padrões de corte da tábua maior em tábuas menores, com
os tamanhos requeridos.

(1) (4)

(2) (5)

(3) (6)

9
MODELOS COM VARIÁVEIS INTEIRAS

Na Tabela 1 estão sintetizados todos os dados de cada padrão de corte estudado na


Figura 2. Pode-se montar a formulação matemática do problema.

Tabela 1 – Produção de tábuas menores e desperdício por padrão de corte.

Padrão de Barras demandadas


Desperdício
corte 1,5m 2,5m 3,5m
1 4 0 0 1
2 3 1 0 0
3 2 0 1 0,5
4 1 2 0 0,5
5 0 1 1 1
6 0 0 2 0

10
MODELOS COM VARIÁVEIS INTEIRAS

Variáveis de Decisão

𝑥𝑖 =quantidade de bobinas cortadas no padrão 𝑖, 𝑖 = 1, 2, 3, 4, 5,6.

Função Objetivo: Minimizar a soma das perdas decorrentes dos seis padrões de corte.
min 𝑧 = 𝑥1 + 0,5𝑥3 + 0,5𝑥4 + 𝑥5

Restrição 1: Atendimento integral das demandas por bobinas menores


4𝑥1 + 3𝑥2 + 2𝑥3 + 𝑥4 ≥ 200
𝑥2 + 2𝑥4 + 𝑥5 ≥ 250
𝑥3 + 𝑥5 + 2𝑥6 ≥ 130

Restrição 2: Declaração de integralidade e não negatividade das variáveis.

𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 ≥ 0 e inteiras. □

11
MODELOS COM VARIÁVEIS INTEIRAS

Exemplo 4 (Problema de Corte para Estoque) – Resolva novamente o problema do


exemplo 3 considerando que o excedente de produção, qualquer uma das tábuas
menores, não possui garantia de venda para outros clientes, logo sendo uma perda.

Resolução: Não é necessário alterar as variáveis de decisão ou as restrições nesta


variante do problema, mas apenas somar estas perdas por excesso de produção as
perdas no corte. Com isso a fo fica:

min 𝑧 = 𝑥1 + 0,5𝑥3 + 0,5𝑥4 + 𝑥5 + 200 − 4𝑥1 − 3𝑥2 − 2𝑥3 − 𝑥4


+ 250 − 𝑥2 − 2𝑥4 − 𝑥5 + (130 − 𝑥3 − 𝑥5 − 2𝑥6 )

Ou simplesmente:
min 𝑧 = 580𝑥1 − 3𝑥1 − 4𝑥4 − 𝑥5 − 2𝑥6

12
MODELOS COM VARIÁVEIS INTEIRAS

A formulação matemática então fica:

min 𝑧 = 580𝑥1 − 3𝑥1 − 4𝑥4 − 𝑥5 − 2𝑥6


sujeito a:
4𝑥1 + 3𝑥2 + 2𝑥3 + 𝑥4 ≥ 200
𝑥2 + 2𝑥4 + 𝑥5 ≥ 250
𝑥3 + 𝑥5 + 2𝑥6 ≥ 130
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 ≥ 0 e inteiras.

Esta notação é a mais usada por autores de periódicos e livros texto da área. Deste
ponto em diante, os modelos serão apresentados neste formato, seguidos das
observações necessárias para interpretação da função objetivo e das restrições.
13
MODELOS COM VARIÁVEIS INTEIRAS

Exemplo 6 (Problema da Mochila) – Uma divisão militar precisa escolher os alimentos


que serão fornecidos aos soldados designados a uma determinada missão. Cada um
deles possui uma mochila na qual sua ração deverá ser carregada. Nesta mochila o
peso máximo que a ração do soldado pode atingir é 4,5 kg. Há 6 opções de alimentos,
cujos respectivos valores calóricos e massas são mostrados na Tabela 3.

Tabela 3 – Valor calórico e massa dos alimentos disponíveis

Alimentos Valor Calórico (kCal) Massa (kg)


1 3.500 0,6
2 5.200 0,7
3 2.800 0,9
4 6.500 1,5
5 3.900 0,8
6 4.500 1,0 14
MODELOS COM VARIÁVEIS INTEIRAS

Escreva um modelo de Programação Inteira para determinar a quantidade de cada


alimento a ser levado na mochila para que o valor calórico total seja o maior possível.

Resolução: A formulação deste problema é extremamente simples, consistindo na


maximização do valor calórico total, sujeita a uma única restrição para limitar a massa
total dos alimentos selecionados pela capacidade da mochila. Não há nada que impeça
o soldado de levar mais de uma unidade de cada alimento, e não é necessário que todos
os alimentos estejam presentes na mochila.

Variáveis de decisão:

𝑥𝑖 =Número de unidades do item 𝑖 alocado na mochila, 𝑖 = 1, … , 6.

15
MODELOS COM VARIÁVEIS INTEIRAS

Formulação matemática:
max 𝑧 = 3500𝑥1 + 5200𝑥2 + 2800𝑥3 + 6500𝑥4 + 3900𝑥5 + 4500𝑥6
sujeito a:
0,6𝑥1 + 0,7𝑥2 + 0,9𝑥3 + 1,5𝑥4 + 0,8𝑥5 + 1,0𝑥6 ≤ 4,5

𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 ∈ ℤ+

Neste exemplo, o objeto em questão era literalmente uma mochila, mas esse modelo,
pode ser usado em outras aplicações para representar objetos cuja escolha esta
associado a um benefício e ao consumo de capacidade de um recurso de
disponibilidade limitada.

16
MODELOS COM VARIÁVEIS INTEIRAS

Exemplo 7 (Problema da Mochila Binária) – Uma empresa dispõe de $4.000.000,00 e


quer selecionar dentre sete projetos, P = {1,2,...,7}, as melhores opções de investimento.
Os lucros esperados de cada um dos projetos são dados na Tabela 4.

Tabela 4 – Capital necessário e retorno esperado por projeto

Investimento Capital Necessário ($) Retorno Esperado ($)


1 800.000 1.200.000,00
2 950.000 1.500.000,00
3 680.000 900.000,00
4 1.500.000 2.000.000,00
5 1.700.000 2.500.000,00
6 1.100.00 1.800.000,00
7 780.000 1.400.000,00
17
MODELOS COM VARIÁVEIS INTEIRAS

Formule um problema de Programação Inteira para maximizar o retorno esperado total.

Resolução:

Variáveis de decisão

1, se o investimento 𝑖 for selecionado, 𝑖 = 1, … , 7;


𝑥𝑖 =
0, caso contrário.

Formulação Matemática
max 𝑧 = 1,2𝑥1 + 1,5𝑥2 + 0,9𝑥3 + 2,0𝑥4 + 2,5𝑥5 + 1,8𝑥6 + 1,4𝑥7
sujeito a:
0,8𝑥1 + 0,5𝑥2 + 0,68𝑥3 + 1,5𝑥4 + 1,7𝑥5 + 1,1𝑥6 + 0,78𝑥7 ≤ 4
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 , 𝑥7 ∈ 0,1 □
18
MODELOS COM VARIÁVEIS INTEIRAS

A grande novidade neste último exemplo são as variáveis de decisão, definidas como
binárias, pois só há duas decisões possíveis acerca de cada projeto: executá-lo ou não.
Diversos problemas envolvem a escolha entre duas alternativas mutuamente
excludentes como, por exemplo, construir ou não um empreendimento, produzir ou não
um determinado produto, processar o produto A antes de B ou B antes de A, etc. Todas
estas decisões são do tipo “sim ou não”, logo todas elas podem ser representadas pelos
elementos do conjunto {0,1}.

19
MODELOS COM VARIÁVEIS INTEIRAS

Exemplo 7 (Problema de Designação) – Uma escritório precisa alocar 5 casos a 5


advogados. Em função da experiência prévia, projetou-se o número esperado de horas
que cada advogado gastaria na condução de cada caso conforme se vê na Tabela 5.

Tabela 5 – Estimativa de tempo gasto por cada advogado em cada caso

Casos
Advogados
1 2 3 4 5

1 120 150 100 100 180

2 100 130 120 100 220

3 120 120 90 110 200

4 150 170 150 120 150

5 110 110 130 120 160

20
MODELOS COM VARIÁVEIS INTEIRAS

Escreva uma formulação de Programação Inteira para designar os casos à equipe,


minimizando o número total de horas gasto pela empresa.

Resolução: Mais uma vez é preciso recorrer a uma variável binária, pois a decisão de
designação de advogados a casos é do tipo “sim” ou “não”. A função objetivo consiste na
minimização do custo total de designação, sujeita à designação de cada caso a um
único advogado ,e vice-versa.

Variáveis de decisão:

1, se o advogado 𝑖 for designado para o caso 𝑗, 𝑖, 𝑗 = 1, … , 7;


𝑥𝑖 =
0, caso contrário.

21
MODELOS COM VARIÁVEIS INTEIRAS

Formulação Matemática:

max 𝑧 = 120𝑥11 + 150𝑥12 + ⋯ + 120𝑥54 + 160𝑥55


sujeito a:
𝑥11 + 𝑥12 + 𝑥13 + 𝑥14 + 𝑥15 = 1
𝑥21 + 𝑥22 + 𝑥23 + 𝑥24 + 𝑥25 = 1 Designação de cada
advogado a um único caso.

𝑥51 + 𝑥52 + 𝑥53 + 𝑥54 + 𝑥55 = 1
𝑥11 + 𝑥21 + 𝑥31 + 𝑥41 + 𝑥51 = 1
𝑥21 + 𝑥22 + 𝑥23 + 𝑥24 + 𝑥25 = 1 Designação de cada caso a
um único advogado.

𝑥51 + 𝑥52 + 𝑥53 + 𝑥54 + 𝑥55 = 1
𝑥11 , 𝑥12 , ⋯ , 𝑥45 , 𝑥55 ∈ 0,1
22
MODELOS COM VARIÁVEIS INTEIRAS

Como se verá mais tarde, o Problema de Designação é um problema de Otimização


Combinatória fácil de ser resolvido, ao contrário do que acontece com a maior parte dos
problemas de Programação Inteira. Em termos da Complexidade de Algoritmos, pode-se
dizer que ele pertence à classe P, para os quais existe um algoritmo de tempo
polinomial. Os Problemas do Transporte, da Árvore Geradora de Peso Mínimo, do
Caminho Mínimo e do Fluxo Máximo também pertencem a esta classe.

A triste notícia é que um grande número problemas de Programação Inteira


extremamente relevantes pertencem à classe NP-difícil. Estes problemas estão entre os
mais árduos, não existindo para os mesmos algoritmos capazes de resolvê-los num
número polinomial de iterações. Muitas vezes é possível, mesmo com as máquinas
atuais, resolver apenas casos de pequeno porte.

23
MODELOS COM VARIÁVEIS INTEIRAS

Um pequeno aumento porte do programa matemático que se deseja resolver produz um


aumento “explosivo” da capacidade de processamento e memória requeridos.
Dependendo da estrutura do problema, o tempo requerido em instâncias de médio porte
pode facilmente atingir várias horas inviabilizando a tomada de decisão dentro do tempo
disponível. Estão nesta classe diversos problemas que serão estudados neste curso,
como o Problema dos Padrões de Corte, diversos problemas de Localização de
Facilidades, os problemas de Roteamento de Veículos através dos vértices de uma rede,
diversos problemas de Sequenciamento de Tarefas, etc.

24
MODELOS COM VARIÁVEIS INTEIRAS

Exemplo 8 (Problema de Designação Generalizada) – Uma transportadora de cargas


precisa alocar 7 cargas distintas em 3 containers. Os dados do problema são
apresentados na Tabela 6. As posições vazias nesta tabela indicam alocações inviáveis,
dadas as características da carga.

Tabela 6 – Custos de designação (container x produto) em centenas de R$


Cargas
. Containers Capacidade (ton)
1 2 3 4 5 6 7
1 1,00 1,25 1,20 1,20 1,30 -- -- 24
2 0,90 0,95 1,10 1,10 1,20 1,30 1,40 25,4
3 -- -- -- -- 1,40 1,50 1,60 30,5
Massa (ton) 7,5 6,5 8 12 14 11,5 5,2 ----

25
MODELOS COM VARIÁVEIS INTEIRAS

Escreva um modelo de Programação Inteira para determinar a alocação de produtos aos


containers, assumindo que as todas as cargas devem ser transportadas.

Resolução: A designação das cargas aos containers tem respeitar apenas os limites de
capacidade destes, sendo possível que mais uma carga seja levada no mesmo
container. O formulação tem portanto um grupo de restrições para garantir que todas as
cargas serão levadas, e outro grupo para limitar a carga total embarcada pela
capacidade do container. A função objetivo minimiza os custos totais de alocação.

Variáveis de decisão:

1, se a carga 𝑗 for alocado ao 𝑐𝑜𝑛𝑡𝑒𝑖𝑛𝑒𝑟 𝑖, 𝑖 = 1,2,3, 𝑗 = 1, … , 7;


𝑥𝑖𝑗 =
0, caso contrário.

26
MODELOS COM VARIÁVEIS INTEIRAS

Formulação Matemática:

max 𝑧 = 𝑥11 + 1,25𝑥12 + ⋯ + 1,3𝑥15 + 0,9𝑥21 + 0,95𝑥22 + ⋯ + 1,4𝑥27


+1,4𝑥35 + 1,5𝑥36 + 1,6𝑥37
sujeito a:
𝑥11 + 𝑥21 = 1 7,5𝑥11 + 6,5𝑥12 + ⋯ + 14𝑥15 ≤ 24
𝑥12 + 𝑥22 = 1 7,5𝑥21 + 6,5𝑥22 + ⋯ + 5,2𝑥27 ≤ 25,4
𝑥13 + 𝑥23 = 1 14𝑥35 + 11,5𝑥36 + 5,2𝑥37 ≤ 30,5
𝑥14 + 𝑥24 = 1 𝑥11 , 𝑥12 , ⋯ , 𝑥15 , 𝑥21 , 𝑥22 , ⋯ , 𝑥27 , 𝑥35 , 𝑥36 , 𝑥37 ∈ 0,1
𝑥15 + 𝑥25 + 𝑥35 = 1
𝑥26 + 𝑥36 = 1
𝑥27 + x37 = 1

27
MODELOS COM VARIÁVEIS INTEIRAS

Ao contrário do Problemas de Designação, o Problema de Designação Generalizada é


NP-difícil. É interessante observar que as restrições presentes nesta formulação são
comuns a diversos problemas. Ou seja, não raro se tem um grupo de restrições para
designação/alocação e outro para limitar uma determinada capacidade. Isso acontece,
por exemplo, em Problemas de Balanceamento de Linha e Roteamento de Veículos.

28
MODELOS COM VARIÁVEIS INTEIRAS

Exemplo 9 (Problema de Capacitado de Dimensionamento de Lotes) – Uma empresa


produz dois tipos ração para atender às demandas semanais de seus clientes. Estas
rações são produzidas em lotes, e cada vez que um lote é produzido há um custo fixo
(isto é, que não depende da quantidade produzida) associado às tarefas de preparação
da máquina. Lotes produzidos em uma semana podem ser utilizados para atender às
demandas de semanas posteriores, porém com o pagamento de um custo de
estocagem por unidade estocada de uma semana para outra. A Tabelas 7 informa os
custos de preparação e estocagem de cada produto, assim como os tempos de
preparação e processamento de cada ração. A Tabela 8 apresenta as demandas por
produto ao longo do próximo mês. Considere que os estoques nulos no início da primeira
semana, e que há uma capacidade de produção semanal de 80h.

29
MODELOS COM VARIÁVEIS INTEIRAS

Tabela 7 – Custos associados de estocagem e preparação por produto (R$)


Custo de Custo Fixo de Tempo de
Tempo de
Produto Estocagem Preparação processamento
preparação (h)
(R$/ton.semana) (R$) (h/ton)

1 2 250 1,75 0,15

2 1,5 350 2,5 0,20

Tabela 8 – Demandas semanais por produto (ton.)


Produto Semana 1 Semana 2 Semana 3 Semana 4

1 100 250 50 50

2 200 0 50 300
MODELOS COM VARIÁVEIS INTEIRAS

Resolução: A função objetivo é escrita apenas como a soma dos custos fixos de
preparação e dos variáveis de estocagem. Assume-se que os custos unitários de
produção são constantes para cada produto ao longo de todo horizonte de
planejamento. Logo, como a demanda é conhecida a priori, o custo total de produção
independe dos períodos nos quais os lotes são produzidos, sendo portanto uma
constante somada à função objetivo, que pode ser ignorada para fins de otimização.

Três grupos de restrições devem ser construídos: o primeiro para garantir o atendimento
das demandas a partir da produção na semana mais os estoques herdados da semana
anterior; outro grupo para limitar o consumo de capacidade produtiva; e um terceiro e
menos evidente grupo de restrições que tem o papel de “conectar” as decisões de
preparação e produção de tal maneira que, havendo produção, em qualquer quantidade,
obrigatoriamente haja preparação.
31
MODELOS COM VARIÁVEIS INTEIRAS

Variáveis de Decisão:

1, se há preparação para o produto 𝑗 no período 𝑡, 𝑗 = 1,2, 𝑡 = 1, 2, 3, 4.


𝑦𝑗𝑡 =
0, c. c.

𝑥𝑗𝑡 = quant. produzida do produto 𝑗 ao longo do período 𝑡, 𝑡, 𝑗 = 1,2, 𝑡 = 1, 2, 3, 4.

ℎ𝑗𝑡 = quantidade estocada do produto 𝑗 ao final do período 𝑡, 𝑡, 𝑗 = 1,2, 𝑡 = 1, 2, 3.

Formulação Matemática:

min 𝑧 = 250 𝑦11 + 𝑦12 + 𝑦13 + 𝑦14 + 350 𝑦21 + 𝑦22 + 𝑦23 + 𝑦24
+2(ℎ11 +ℎ12 + ℎ13 ) + 1,5(ℎ21 + ℎ22 + ℎ23 )

sujeito a:

32
MODELOS COM VARIÁVEIS INTEIRAS

𝑥11 − ℎ11 = 100 1,75𝑦13 + 2,5𝑦23 + 0,15𝑥13 + 0,2𝑥23 ≤ 80

𝑥12 + ℎ11 − ℎ12 = 250 1,75𝑦13 + 2,5𝑦23 + 0,15𝑥13 + 0,2𝑥23 ≤ 80

𝑥13 + ℎ12 − ℎ13 = 50 𝑥11 ≤ 𝑀11 𝑦11


𝑥14 + ℎ13 − ℎ14 = 50 𝑥12 ≤ 𝑀12 𝑦12

𝑥21 − ℎ21 = 200 ⋮

𝑥22 + ℎ21 − ℎ22 = 0 𝑥24 ≤ 𝑀24 𝑦24

𝑥23 + ℎ22 − ℎ23 = 50 𝑥𝑗𝑡 ≥ 0, 𝑗 = 1,2, 𝑡 = 1,2,3,4


𝑥24 + ℎ23 − ℎ24 = 300 ℎ𝑗𝑡 ≥ 0, 𝑗 = 1,2, 𝑡 = 1,2,3

1,75𝑦11 + 2,5𝑦21 + 0,15𝑥11 + 0,2𝑥21 ≤ 80 𝑦𝑗𝑡 ∈ 0,1 , 𝑗 = 1,2, 𝑡 = 1,2,3,4

1,75𝑦12 + 2,5𝑦22 + 0,15𝑥12 + 0,2𝑥22 ≤ 80 □

33
MODELOS COM VARIÁVEIS INTEIRAS

As constantes 𝑀𝑗𝑡 que aparecem no terceiro grupo de restrições impõem um limite


superior à quantidade produzida de cada produto em cada período, 𝑥𝑗𝑡 . Seu valor deve
ser adequadamente escolhido de modo a não “cortar” nenhuma solução. A escolha de
um valor consideravelmente alto (algumas ordens de grandeza acima dos demais
dados) resolveria esta questão, mas criaria dificuldades desnecessárias para as técnicas
de solução, como, por exemplo, o método Branch-and-Bound baseado em
Programação Linear.

Por isso, o ideal é se use o menor valor possível que não descarte soluções viáveis
indevidamente. Boa parte dos programas computacionais para Otimização contém
procedimentos de pré-processamento capazes de reduzir o domínio das variáveis, ou
até mesmo fixar aquelas para quais se pode demonstrar seu valor ótimo.

34
MODELOS COM VARIÁVEIS INTEIRAS

Apesar do caráter generalista destes procedimentos (isto é, eles podem ser aplicados
em qualquer problema de Otimização), há sempre a possibilidade de usar informação
sobre o problema em questão para produzir um limitante ainda mais justo. Neste caso
específico, pode-se usar as demandas previstas e os dados de tempos e capacidades
para estimar 𝑀𝑗𝑡 .

Uma vez que não existe demanda após o quarto período, não há porque a produção do
item 𝑗 no período 𝑡 superar a soma das demandas de 𝑡 até o último período 𝑇. Ou seja,
𝑇
𝑀𝑗𝑡 ≤ 𝜏=𝑡 𝐷𝑗𝑡 . Por outro lado, se toda a capacidade disponível no período 𝑡 fosse usada
integralmente na produção do produto 𝑗, a quantidade total produzida seria igual a razão
da capacidade líquida (capacidade no período menos o tempo de preparação para o
produto 𝑗) pelo seu tempo de processamento. Ou seja, 𝑀𝑗𝑡 ≤ (𝐶𝑡 − 𝑃𝑗 ) 𝑇𝑗 .

35
MODELOS COM VARIÁVEIS INTEIRAS

Resumindo, pode-se dimensionar 𝑀𝑗𝑡 como:

𝑇
𝑀𝑗𝑡 = min 𝐷𝑗𝑡 ; (𝐶𝑡 − 𝑃𝑗 ) 𝑇𝑗 ,
𝜏=𝑡

onde:

𝐶𝑡 : capacidade de produção no período t.

𝑃𝑗 : tempo de preparação para o produto j.

𝑇𝑗 : tempo de preparação para o produto j.

𝐷𝑗𝑡 : demanda para o produto j no período t.

36
BIBLIOGRAFIA

 ARENALES, M. et al., Pesquisa Operacional para Cursos de Engenharia. Rio de


Janeiro: Elsevier, 2007.

 GOLDBARG, M.C. e LUNA, H.P., Otimização Combinatória e Programação Linear.


Rio de Janeiro: Elsevier, 2005.

 TAHA, H.A., Pesquisa Operacional, 8. ed.. São Paulo: Pearson Prentice Hall, 2008.

 WOLSEY, L.A., Integer Programming. New York: John Wiley & Sons, 1998.

37

Você também pode gostar