Você está na página 1de 117

INVESTIGAÇÃO OPERACIONAL - LIBERTO

MODELAGEM E RESOLUÇÃO DE PROBLEMAS DE


INVESTIGAÇÃO OPERACIONAL USANDO O SOLVER
PROGRAMAÇÃO LINEAR

Observe que o seu desempenho se configura no empenho dos trabalhos e a prova


enviados (tudo feito computacionalmente, e por domínios próprios).

Prima-se pelo desempenho do uso do software e interpretação para a resolução de


problemas aplicados (ao seu curso).

São problemas para o trabalho em sala de aula e observando que tem que ser feito
na sua folha de trabalho/teste, logo facilmente encontramos a média final conforme
as regras da instituição e pelos acertos do aluno, levando muito em consideração a
participação em aula e interesse no aprendizado tendo em conta perceção do aluno.

EXEMPLOS E PROBLEMAS PARA AVALIAÇÃO.

Modelagem e resolução de Problemas reais de programação linear e


não linear para resolver usando o Solver.

1. A Blue Hot Tubes fabrica e vende dois modelos de banheiras: Aqua-Spa e a


Hydro-Lux. Você, proprietário e gerente da empresa precisa decidir quanto cada
tipo de banheira produzir em seu próximo ciclo de produção. Você compra cubas
de fibra de vidro pré-fabricadas de um fornecedor local e adiciona a elas a bomba
e a tubulação para criar suas banheiras. (esse fornecedor pode abastecer-te com
quantas cubas você precisar.) Você instala o mesmo tipo de bomba em ambos os
modelos. Você terá apenas 200 bombas disponíveis durante o seu próximo ciclo
de produção. Do ponto de vista da fabricação, a principal diferença entre os dois
modelos de banheira é a quantidade de tubulação e de trabalho necessários. Cada
Aqua-Spa requer nove horas de trabalho e 12 pés de tubulação. Cada Hydro-Lux
requer seis horas de trabalho e 16 pés de tubulação. Você espera ter 1566 horas
de trabalho de produção e 2880 pés de tubulação disponíveis durante o próximo
ciclo de produção. Você tem lucro de $ 350 em cada Aqua-Spa que vende e $300
em cada Hydro-Lux que comercializa. A pergunta é: quantas Aqua-Spas e Hydro-

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Luxes você de produzir se quiser maximizar seus lucros durante o próximo ciclo
de produção?

Resolução:

FIGURA: Um modelo de planilha para o problema de produção da Blue


Ridge Hot Tub
Função Objetivo = B6 × B5 + C6 × C5 (Objetivo algébrico: 350 X1 + 300 X2)
LHS da 1ª restrição = B9 × B5 + C9 × C5
LHS da 2ª restrição = B10 × B5 + C10 × C5
LHS da 3ª restrição = B11 × B5 + C11 × C5
Variáveis de Decisão: X1 X2
Células de Planilha: B5 C5
REPRESENTANDO AS RESTRIÇÕES
O próximo passo na construção do modelo de planilha envolve a
implementação das restrições do modelo LP. Anteriormente dissemos que
para cada restrição no modelo algébrico, você deve criar uma fórmula em
uma célula da planilha que corresponda ao LHS da restrição.
O LHS de cada restrição em nosso modelo é:
LHS da restrição da bomba: 1X1 + 1X2 ≤ 200

LHS da restrição de mão de obra: 9X1 + 6X2 ≤ 1,566

LHS da restrição de tubulação: 12X1 + 16X2 ≤ 2,880

Precisamos configurar três células na planilha para representar as fórmulas


LHS das três restrições. Novamente, fazemos isso referindo-nos às células
de dados que contêm os coeficientes dessas restrições e às células que
representam as variáveis de decisão. O LHS da primeira restrição é inserido
na célula D9 como:

Formula para célula D9: = B9*B5+C9*C5

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Da mesma forma, o LHS da segunda e terceira restrições são inseridos nas


células D10 e D11 como:

Formula para célula D10: = B10*B5+C10*C5


Formula for cell D11: = B11*B5+C11*C5

Essas fórmulas calculam o número de bombas, horas de trabalho e pés de


tubulação necessários para fabricar o número de banheiras de
hidromassagem representadas nas células B5 e C5. Observe que as células
D9 a D11 foram sombreadas e contornadas com bordas sólidas para
diferenciá-las dos outros elementos do modelo.

Definindo o conjunto (ou alvo) célula: Na caixa de diálogo Parâmetros do


Solver, especifique o local da célula que representa a função objetivo
digitando-a na caixa Configurar Célula, conforme mostrado na Figura.
Observe que a célula D6 contém uma fórmula representando a função
objetivo para o nosso problema e que nós instruímos Solver para tentar
maximizar este valor, conforme especificado pelo botão Max. Selecione o
LIBERTO – INVESTIGAÇÃO OPERACIONAL
INVESTIGAÇÃO OPERACIONAL - LIBERTO

botão Min quando quiser que o Solver encontre uma solução que minimiza
o valor do objetivo. O botão Valor pode ser usado para encontrar uma
solução para qual a função objetivo assume um valor específico.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

DEFININDO AS CÉLULAS VARIÁVEIS

Para resolver nosso problema de PL, também precisamos indicar quais


células representam as variáveis de decisão no modelo. Novamente, Solver
refere-se a essas células como células variáveis. As células variáveis para o
nosso problema de exemplo são especificadas como mostra a Figura abaixo.
As células B5 e C5 representam as variáveis de decisão para o modelo. O
Solver determinará os valores ideais para essas células. Se as variáveis de
decisão não estivessem em um intervalo contíguo, teríamos que listar as
células de variáveis de decisão individuais separadas por vírgulas na caixa
Alterando Células Variáveis. Sempre que possível, é melhor usar células
contíguas para representar as variáveis de decisão.

DEFININDO AS CÉLULAS DAS RESTRIÇÕES

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Em seguida, devemos definir as células de restrição na planilha e as


restrições que aplicar a estas células. Como mencionado anteriormente, as
células de restrição são as células nas quais implementamos as fórmulas LHS
para cada restrição em nosso modelo. Para definir as células de restrição,
clique no botão Add, mostrado na Figura, e preencha a caixa de diálogo Add
Constraint, mostrada na Figura. Na caixa de diálogo Adicionar Restrição,
clique no botão Adicionar novamente para definir restrições adicionais.
Clique no botão OK quando terminar de definir as restrições.

As células D9 a D11 representam células de restrição cujos valores devem


ser menores ou iguais aos valores nas células E9 a E11, respetivamente. Se
as células de restrição não estivessem em células contíguas na planilha,
teríamos que definir as células de restrição repetidamente. Assim como nas
células variáveis, geralmente é melhor escolher células contíguas em sua
planilha para implementar as fórmulas LHS de restrições em um modelo.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Se você quiser definir mais de uma restrição ao mesmo tempo, como na


Figura, todos as células de restrição selecionadas devem ser do mesmo tipo
(ou seja, todas devem ser ≤, ≥ ou =).

Portanto, é uma boa ideia manter as restrições de um determinado tipo


agrupadas em regiões contíguas.

células para que você possa selecioná-las ao mesmo tempo. Por exemplo, no
nosso caso, as três células de restrição que selecionamos são todas menores
que ou iguais a (≤) restrições. No entanto, essa consideração não deve ter
precedência sobre a configuração da planilha na maneira que comunica sua
finalidade mais claramente.

DEFINIÇÃO DAS CONDIÇÕES DE NÃO-NEGATIVIDADE

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

RESOLVENDO O MODELO

Depois de inserir todos os parâmetros apropriados e escolher quaisquer


opções necessárias para o nosso modelo, o próximo passo é resolver o
problema. Clique no botão Solve na caixa de diálogo Parâmetros do Solver
para resolver o problema. Quando o Solver encontra a solução ideal, exibe a
caixa de diálogo Resultados do Solver mostrada na Figura. Se os valores na
tela não corresponderem aos da Figura, clique no botão de opção Restaurar
valores originais, clique em OK e tente novamente. Essa caixa de diálogo
fornece opções para manter a solução encontrada pelo Solver ou restaurar a
planilha para sua condição original. Na maioria das vezes, você desejará
manter a solução do Solver, a menos que haja um problema óbvio com ela.
Observe que o diálogo Resultados do Solver

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

box também fornece opções para gerar relatórios de Resposta, Sensibilidade


e Limites. O Capítulo 4 discute essas opções.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Como mostrado na figura posterior, Solver determinou que o valor ótimo


para a célula B5 é 122 e o valor ótimo para a célula C5 é 78. Esses valores
correspondem aos valores ótimos para X1 e X2 que nós determinamos
graficamente em aulas anteriores. O valor da célula definida (D6) indica
agora que, se a Blue Ridge Hot Tubs produzir e vender 122 Aqua-Spas e 78
Hydro-Luxes, a empresa obterá um lucro de US $ 66.100. As células D9,
D10 e D11 indicam que esta solução usa todas as 200 bombas disponíveis,
todas as 1.566 horas de mão-de-obra disponíveis e 2.712 das 2.880 pés de
tubulação disponíveis.

RESUMINDO…
Modelo quantitativo do problema:
Maximizar 350 x1  300 x2 } lucro

Sujeito a: 1x1  1x2  200 } Restrição de bomba

9 x1  6 x2  1566 } Restrição de mão – de – obra

12 x1  16 x2  2880 } Restrição de tubulação

x1  0, x2  0 } Restrições de não negatividade

Modo da planilha inicial (padrão porém modificável)

Blue Ridge Hot Tubs

Aqua-Spas Hydro-Luxes
Number to Make 0 0 Total Profit
Unit Profits $350 $300 $0

Constraints Used Available


Pumps Req'd 1 1 0 200
Labor Req'd 9 6 0 1566
Tubing Req'd 12 16 0 2880

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

SOLUÇÃO FINAL
Aqua-Spas = 122
Hydro-Luxes = 78
Lucro total = $ 66100

Fabricar versus comprar

2. A Electro-Poly Corporation é a fabricante líder mundial de anel coletor. Um anel


coletor é um dispositivo de acoplamento que permite que a corrente passe através
de uma conexão giratória, como a de canhão de um navio, aeronave ou tanque.
Recentemente, a empresa recebeu um pedido de $ 750.000 para diversas
quantidades de três tipos de anéis coletores. Cada anel exige certa quantidade de
tempo para montar o enrolamento e o coletor. A tabela abaixo resume as
exigências para os três modelos de anéis coletores.

Modelo 1 Modelo 2 Modelo 3


Quantidade pedida 3000 2000 900
Horas necessárias 2 1,5 3
para fazer o
enrolamento (por
unidade)
Horas necessárias 1 2 1
para fazer o coletor
(por unidade)

Infelizmente, a Eletro-Poly não tem capacidade suficiente para fazer o enrolamento e o


coletor, de modo a concluir o pedido até a data de entrega. A empresa tem somente 10000
horas de capacidade de enrolamento e 5000 horas de capacidade para o coletor para alocar
para esse pedido. Entretanto, a empresa pode subcontratar qualquer parte desse pedido
com um de seus concorrentes. Os custos unitários para produzir internamente cada
modelo e o custo de compra de produtos fabricados por um concorrente estão resumidos
a seguir.

Modelo 1 Modelo 2 Modelo 3

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Custo para fabricar $50 $83 $130


Custo para comprar $61 $97 $145

A Eletro-Poly quer determinar o número de anéis coletores que deve fabricar e o número
que deve comprar, de modo a atender o pedido do cliente com o menor custo possível.

Resolução:

Definindo as variáveis de decisão.


M1 = quantidades de anéis coletores do modelo 1 a ser fabricada internamente
M2 = quantidade de anéis coletores do modelo 2 a ser fabricada internamente
M3 = quantidade de anéis coletores do modelo 3 a ser fabricada internamente
B1 = quantidade de anéis coletores do modelo 1 a ser comprada de concorrente
B2 = quantidade de anéis coletores do modelo 2 a ser comprada de concorrente
B3 = quantidade de anéis coletores do modelo 3 a ser comprada de concorrente
Definindo o modelo quantitativo

Minimizar 50M1  83M 2  130M 3  61B1  97B2  145B3

Sujeito a: 2M1  1,5M 2  3M 3  10000 } restrição para enrolamento

1M1  2M 2  1M 3  5000 } restrição para coletores

M 1  B1  3000 } demanda para o modelo 1

M 2  B2  2000 } demanda para o modelo 2

M 3  B3  900 } demanda para o modelo 3

M1 , M 2 , M 3 , B1 , B2 , B3  0 } condição de não negatividade

Modo da planilha inicial (padrão porém modificável)

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Célula Fórmula Copiado para

B13 = B6+B7 C13:D13


E11 = SUMPRODUCT(B10:D11,B6:D7) --
E17 = SUMPRODUCT(B17:D17,$B$6:$D$6) E18

ANALISANDO A SOLUÇÃO

A solução ideal mostrada na Figura 3.19 indica que a Electro-Poly deve produzir
(internamente) 3.000 anéis coletores modelo 1, 550 anéis coletores modelo 2 e anéis
deslizantes modelo 3 (isto é, M1 = 3.000, M2 = 550, M3 = 900). Além disso, deve
comprar 1.450 anéis deslizantes do modelo 2 de seu concorrente (ou seja, B1 = 0, B2 =
1.450, B3 = 0). Esta solução permite que a Electro-Poly para preencher o pedido do
cliente a um custo mínimo de US $ 453.300. Essa solução usa 9.525 das 10.000 horas de
capacidade de cabeamento disponível e todas as 5.000 horas de capacidade de
aproveitamento.
À primeira vista, essa solução pode parecer um pouco surpreendente. Electro-Poly tem
que pagar US $ 97 para cada modelo 2 anel deslizante que ele compra de seu concorrente.
Isso representa um $ 14 prêmio sobre seu custo interno de US $ 83. Por outro lado, a
Electro-Poly tem que pagar um prêmio de US $ 11 por seu custo interno para comprar
anéis deslizantes modelo 1 de seu concorrente. Parece que a solução ideal seria comprar
anéis deslizantes modelo 1 de seu concorrente, em vez de anéis coletores modelo 2,
porque o custo adicional para anéis deslizantes modelo 1 é menor. No entanto, este

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

argumento não leva em consideração o fato de que cada anel deslizante modelo 2
produzido internamente usa o dobro da capacidade de aproveitamento da empresa que
cada anel deslizante modelo 1. Fazer internamente mais anéis deslizantes modelo 2
esgotaria mais rapidamente a capacidade de aproveitamento da empresa e exigiria a
compra de um número excessivo de anéis coletores modelo 1 do concorrente. Felizmente,
a técnica LP considera automaticamente essas compensações para determinar a solução
ideal para o problema.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Electro-Poly Corporation

------- Slip Ring -------


Number to Model 1 Model 2 Model 3
Make 0 0 0
Buy 0 0 0

Cost to
Make $50 $83 $130 Total Cost
Buy $61 $97 $145 $0

# Available 0 0 0
# Needed 3 000 2 000 900

Hours Required Used Available


Wiring 2 1,5 3 0 10 000

Harnessing 1 2 1 0 5 000

SOLUÇÃO

A solução ótima mostra que a Eletro-Poly deve fabricar (internamente) M1 = 3000,


M2 = 550 e M3 = 900.

Adicionalmente deve comprar de seu concorrente B1 = 0, B2 = 1450, B3 = 0. Essa solução


permite a Eletro-Poly atender ao pedido a um custo de $453300 (valor da função
objetivo). Usando 9525 daas 10000 horas de mão de obra de capacidade de enrolamento
e todas as 5000 horas de capacidade do coletor.

Um problema de investimento

3. Você é um analista financeiro da Retirement Planing Services, Inc. que se


especializou em projetar portfólios de renda para aposentados usando “bonds”
corporativos. Você acabou de concluir uma consulta com um cliente que espera
ter $750000 em ativos líquidos para investir quando se aposentar no próximo mês.
Você e seu cliente concordaram em considerar obrigações futuras das seguintes
seis empresas:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Empresa Retorno Anos para o Classificação


vencimento
Acme Chemical 8,65% 11 1- Excelente
DynaStar 9,50% 10 3- Boa

Eagle Vision 10,00% 6 4- Satisfatória


MicroModeling 8,75% 10 1- Excelente
OptilPro 9,25% 7 3-Boa
Sabre Systems 9,00% 13 2- Muito boa

A coluna identificada como “retorno” nesta tabela representa a receita esperada


de cada obrigação, a coluna “anos para o vencimento” indica o prazo de
vencimento das obrigações e a coluna “classificação” indica a avaliação de um
segurador independente quanto à qualidade ou risco associado a cada título.
Você acredita que todas as empresas são investimentos relativamente seguros.
Entretanto, para proteger a renda, você e seu cliente concordaram que não mais
do que 25% do dinheiro deve ser investido em qualquer investimento de dez ou
mais anos. Além disso, mesmo sabendo que a DynaStar, a Eagle Vision e a
OptiPro oferecem os retornos mais altos, ambos concordaram que não mais do
que 35% do dinheiro deve ser investido nessas obrigações, porque elas também
representam os riscos mais altos (isto é, foram classificados com notas menores
do que “muito boa”).
Você precisa determinar como alocar os investimentos de seu cliente para
maximizar sua receita ao mesmo tempo que atende às restrições de investimentos
acordadas.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Modo da planilha inicial (padrão porém modificável)

Retirement Planning Services, Inc.

10+ Good or
Amount Maximum Years to years? worse?
(1-yes, 0-
Bond Invested 25,0% Return Maturity no) Rating (1-yes, 0-no)
ACME
Chemical $0 $187 500 8,65% 11 1 1-Excellent 0
DynaStar $0 $187 500 9,50% 10 1 3-Good 1
Eagle Vision $0 $187 500 10,00% 6 0 4-Fair 1
MicroModeling $0 $187 500 8,75% 10 1 1-Excellent 0
OptiPro $0 $187 500 9,25% 7 0 3-Good 1
2-Very
Sabre Systems $0 $187 500 9,00% 13 1 Good 0
Total Invested: $0 Total: $0 Total: $0 Total: $0
Total
Available: $750 000 Required: $375 000 Allowed: $262 500

Solução:
Definindo as variáveis de decisão.
Neste problema, você deve decidir quanto dinheiro deve investir em tipo de título.
Temos:

x1  quantia de dinheiro a investir na Acne Chemical

x2  quantia de dinheiro a investir na DynaStar

x3  quantia de dinheiro a investir na Eagle Vision

x4  quantia de dinheiro a investir na MicroModeling

x5  quantia de dinheiro a investir na OptiPro

x6  quantia de dinheiro a investir na Sabre Systems

Temos então o modelo:

Maximizar 0,0865x1  0,095x2  0,10x3  0,0875x4  0,0925x5  0,09x6 } retorno


anual total.
Sujeito a:

x1  187500 } 25% de restrição por investimento

x2  187500 } 25% de restrição por investimento

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

x3  187500 } 25% de restrição por investimento

x4  187500 } 25% de restrição por investimento

x5  187500 } 25% de restrição por investimento

x6  187500 } 25% de restrição por investimento

x1  x2  x3  x4  x5  x6  750000 } quantia total investida

x1  x2  x4  x6  375000 } investimento de longo prazo

x2  x3  x5  262500 } investimento de maior prazo

x1 , x2 , x3 , x4 , x5 , x6  0 } condições de não negatividade

Obtemos assim:

x1  $ 112500 quantia de dinheiro a investir na Acme Chemical

x2  $ 75000 quantia de dinheiro a investir na DynaStar

x3  $ 187500 quantia de dinheiro a investir na Eagle Vision

x4  $ 187500 quantia de dinheiro a investir na MicroModeling

x5  $ 0 quantia de dinheiro a investir na OptiPro

x6  $ 187500 quantia de dinheiro a investir na Sabre Systems

É interessante observar que mais dinheiro está sendo investido na Acme


Chemical do que na DynaStar e na OptiPro, mesmo sabendo-se que o retorno na
Acme Chemical é menor do que os retornos da DynaStar e da OptiPro. Isso
acontece porque tanto a DynaStar e a OptiPro representam investimentos de maior
risco, e o limite de 35% em um investimento de maior risco é uma restrição
obrigatória (ou atende à igualdade estrita na solução ótima). Dessa forma, a
solução ótima pode ser melhorada se pudermos colocar mais do que 35% do
dinheiro em investimentos de maior risco.
A implementação pode ser resumida assim:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Célula Fórmula Copiado


para

C12 = SUM(C6:C11) –
E12 = SUMPRODUCT(E6:E11,$C$6:$C$11) G12 e I12

Fórmula para a célula C12: = SUM (C6: C11)

Fórmula para a célula E12: = SUMPRODUCT (E6: E11, $ C $ 6: $ C $ 11)

Fórmula para a célula G12: = SUMPRODUCT (G6: G11, $ C $ 6: $ C $ 11)

Fórmula para a célula I12: = SUMPRODUCT (I6: I11, $ C $ 6: $ C $ 11)

Observe que o uso de zeros e uns nas colunas G e I para computar as somas de

As variáveis de decisão selecionadas são uma técnica de modelagem muito útil


que facilita ao usuário alterar as variáveis incluídas nas somas. Observe também
que a fórmula para o objetivo na célula E12 pode ser copiada para as células G12
e I12 para implementar fórmulas LHS para essas células de restrição.

RESOLVENDO O MODELO

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

ANALISANDO A SOLUÇÃO

A solução mostrada na Figura 3.22 indica que o plano ótimo de investimento

$ 112.500 em Acme Chemical (X1), $ 75.000 em DynaStar (X2), $ 187.500 em


Eagle Vision (X3), $ 187.500 em MicroModeling (X4), $ 0 em OptiPro (X5) e $
187.500 em Sabre Systems (X6). É interessante notar que mais dinheiro está sendo
investido na Acme Chemical do que na DynaStar e na OptiPro, embora o retorno
da Acme Chemical seja menor do que nos retornos da DynaStar e da OptiPro. Isso
ocorre porque a DynaStar e a OptiPro são investimentos de “alto risco” e o limite
de 35% em investimentos de “risco mais alto” é uma restrição de vinculação (ou
é atendida como uma igualdade estrita na solução ideal). Assim, a solução ótima
poderia ser melhorada se pudéssemos colocar mais de 35% do dinheiro em
investimentos de alto risco.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Muitos problemas de transporte e logística enfrentados pelas empresas se


enquadram em uma categoria de problemas conhecidos como problemas de fluxo
de rede. Vamos considerar um exemplo aqui e estudar essa área em mais detalhes
nos próximos tópicos.

Um problema de transporte (fluxo de redes)

4. A tropicsun é líder no cultivo e na distribuição de produtos cítricos frescos, com


três grandes pomares no centro da cidade da florida, espalhados nas cidades de
Mt. Dora, Eustis e Clermont, os quais produzem 275000, 400000 e 300000
alqueires de frutas, respetivamente. A empresa possui instalações de
processamento de frutas em Ocala, Orlando e Leesburg, com capacidades de
processamento para 200000, 600000, 225000 alqueires, respetivamente. A
Tropicsun tem contrato com uma empresa transportadora local para levar suas
frutas dos pomares para as instalações de processamento. A empresa de transporte
cobra um frete fixo para cada milha percorrida por cada alqueire de fruta. Cada
milha percorrida por alqueire de fruta é conhecida como alqueire-milha. A tabela
a seguir traz as distâncias entre os pomares e as instalações de processamento:

Distância entre os pomares e as instalações (em milhas)


Pomar Ocala Orlando Leesburg
Mt. Dora 21 50 40
Eustis 35 30 22
Clermont 55 20 25

A Tropicsun quer determinar quantos alqueires de cada pomar deve enviar para
cada instalação de processamento, de modo a minimizar o número total de
alqueires-milhas.

DEFINIÇÃO DAS VARIÁVEIS DE DECISÃO

Nesta situação, o problema é determinar quantos alqueires de fruta devem ser

enviado de cada bosque para cada usina de processamento. O problema é


resumido graficamente na Figura abaixo.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Os círculos (ou nós) na Figura correspondem aos diferentes bosques e plantas de


processamento no problema. Observe que um número foi atribuído a cada nó. As
setas (ou arcos) que conectam os vários pomares e plantas de processamento
representam diferentes rotas de embarque. O problema de decisão enfrentado pela
Tropicsun é determinar quantos alqueires de fruta enviar em cada uma dessas
rotas. Assim, uma variável de decisão é associada a cada um dos arcos na Figura.
Podemos definir essas variáveis em geral como:

Solução: Diagrama para o problema de transporte da Tropicsun – ver slides.

xij  número de alqueires a enviar do nó i para o nó j.

O modelo é resumido como:

Minimizar

21x14  50x15  40x16  35x24  30x25  22x26  55x34  20x35  25x36 } distância total
percorrida pelos suprimentos (em alqueires-milhas)

Sujeito a:

x14  x24  x34  200000 } restrição de capacidade para Ocala

x15  x25  x35  600000 } restrição de capacidade para Orlando

x16  x26  x36  225000 } restrição de capacidade para Leesburg

x14  x15  x16  275000 } fornecimento disponível em Mt. Dora

x24  x25  x26  400000 } fornecimento disponível em Eutis

x34  x35  x36  300000 } fornecimento disponível em Clermont

xij  0, i, j } condições de não negatividade

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Um modelo de planilha para o problema (porém modificável):

Tropicsun

Distances From
Groves to Plant at
Grove Ocala Orlando Leesburg
Mt. Dora 21 50 40
Eustis 35 30 22
Clermont 55 20 25

Bushels Shipped From


Groves to Plant at Bushels Bushels
Grove Ocala Orlando Leesburg Shipped Available
Mt. Dora 0 0 0 0 275 000
Eustis 0 0 0 0 400 000
Clermont 0 0 0 0 300 000
Received 0 0 0
Capacity 200 000 600 000 225 000

Total Distance (in bushel-miles) 0

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Cuja solução é:

x14  200000 ; x16  75000 ; x25  250000 ; x26  150000 , x35  300000 . Nenhuma das
outras possíveis rotas de envio será utilizada.
Distância mínima = 24000000 alqueires-milhas.
Observe a implementação Solver

Célula Fórmula Copiado para


C17 = SUM(C14:C16) D17:E17
F14 = SUM(C14:E14) F15:F16
E20 = SUMPRODUCT(C7:E9,C14:E16) ….

SOLUÇÃO HEURÍSTICA PARA O MODELO

Para avaliar o que o Solver está realizando, vamos considerar como podemos tentar
resolver esse problema manualmente usando uma heurística. Uma heurística é uma regra
prática para tomar decisões que podem funcionar bem em alguns casos, mas não é
garantida para produzir soluções ou decisões ótimas. Uma heurística que podemos aplicar
para resolver o problema da Tropicsun é sempre enviar o máximo possível ao longo do
próximo caminho disponível com a menor distância (ou menor custo). Usando esta
heurística, resolvemos o problema da seguinte forma:
LIBERTO – INVESTIGAÇÃO OPERACIONAL
INVESTIGAÇÃO OPERACIONAL - LIBERTO

1. Porque o caminho mais curto disponível entre qualquer alvoredo e planta de


processamento é entre Clermont e Orlando (20 milhas), nós primeiro enviamos o máximo
possível através desta rota. O máximo que podemos enviar através desta rota é o menor
da oferta em Clermont (300.000 alqueires) ou a capacidade em Orlando (600.000
alqueires). Então nós faríamos:

Envie 300.000 alqueires de Clermont para Orlando. Isso esgota o fornecimento em


Clermont.

2. A próxima rota mais curta disponível ocorre entre o Monte. Dora e Ocala (21 milhas).
O máximo que podemos enviar através desta rota é o menor da oferta no Monte. Dora
(275.000 alqueires) ou a capacidade em Ocala (200.000 alqueires). Então nós enviaríamos

200.000 alqueires do Monte. Dora para Ocala. Isso esgota a capacidade em Ocala.

3. A próxima rota mais curta disponível ocorre entre Eustis e Leesburg (22 milhas). O
máximo que podemos enviar através desta rota é o menor da oferta em Eustis (400.000
alqueires) ou a capacidade em Leesburg (225.000 alqueires). Então nós enviaríamos
225.000 alqueires de Eustis para Leesburg. Isso esgota a capacidade em Leesburg.

4. A próxima rota mais curta disponível ocorre entre Eustis e Orlando (30 milhas). O
máximo que podemos enviar através desta rota é o menor da oferta restante em Eustis
(175.000 alqueires) ou a capacidade restante em Orlando (300.000 alqueires). Então nós
enviaria 175.000 alqueires de Eustis para Orlando. Isso esgota o fornecimento no Eustis.

5. A única rota restante ocorre entre o Monte. Dora e Orlando (porque o capacidades de
processamento em Ocala e Leesburg foram esgotadas). Esta distância é de 50 milhas. O
máximo que podemos enviar através desta rota é o menor das ofertas restantes no Monte.
Dora (75.000 alqueires) e a capacidade restante em Orlando (125.000 alqueires). Então,
nós enviaríamos os 75.000 alqueires finais no Monte. Dora a Orlando Isso esgota a oferta
no Monte. Dora.

Conforme mostrado na Figura, a solução identificada com essa heurística envolve o envio
da fruta para um total de 24.150.000 alqueires-milhas. Todos os alqueires disponíveis em
cada arvoredo foram enviados para as plantas de processamento e nenhuma das
capacidades nas plantas de processamento foram excedidas. Portanto, esta é uma solução
viável para o problema. E a lógica usada para encontrar essa solução pode nos levar a
acreditar que é uma solução razoavelmente boa - mas é a solução ideal? Não há outra

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

solução viável para este problema que possa fazer com que a distância total que a fruta
percorra seja inferior a 24.150.000 alqueires-milhas?

RESOLVENDO O MODELO
Para encontrar a solução ideal para este modelo, devemos indicar ao Solver a célula
definida, as células variáveis e as células de restrição identificadas na Figura. A próxima
figura mostra os parâmetros do Solver necessários para resolver este problema. A solução
ótima é mostrada na figura:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

ANALISANDO A SOLUÇÃO

A solução ideal na Figura 3.27 indica que 200.000 alqueires devem ser enviados do monte
Dora para Ocala (X14 = 200.000) e 75.000 alqueires devem ser enviados do Monte. Dora
para Leesburg (X16 = 75.000). Dos 400.000 alqueires disponíveis no bosque em Eustis,
250.000 alqueires devem ser enviados para Orlando para processamento (X25 = 250.000)
e 150.000 alqueires devem ser enviados para Leesburg (X26 = 150.000). Finalmente,
todos os 300.000. Os alqueires disponíveis em Clermont devem ser enviados para
Orlando (X35 = 300.000). Nenhuma das outras rotas de envio possíveis será utilizada.

A solução mostrada na Figura 3.27 satisfaz todas as restrições do modelo e resulta em


uma distância mínima de envio de 24.000.000 de alqueire-milhas, o que é melhor do que
a solução heurística identificada anteriormente. Portanto, heurísticas simples podem
resolver problemas de LP algumas vezes, mas, como este exemplo ilustra, não há garantia
de que uma solução heurística seja a melhor solução possível.

Um problema de mistura

Muitos problemas de negócios envolvem a determinação de uma mistura ideal de


ingredientes. Por exemplo, as grandes empresas petrolíferas devem determinar a mistura
menos onerosa de diferentes óleos brutos e outros produtos químicos para se misturarem
para produzir um determinado grau de gasolina. As empresas de manutenção de relva
devem determinar a mistura menos dispendiosa de produtos químicos e outros produtos
para se misturarem para produzir diferentes tipos de fertilizantes. O seguinte é outro

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

exemplo de um problema comum de mistura enfrentado na indústria agrícola dos EUA,


que anualmente produz bens avaliados em aproximadamente US $ 200 bilhões.

5. A Agri-Pro é uma empresa que vende produtos agrícolas a fazendeiros de diversos


estados. Um serviço que ela oferece a seus clientes é uma mistura personalizada
de ração, em que um fazendeiro pode pedir uma quantidade específica de ração
para o gado e determinar a quantidade de milho, cereais e sais minerais que a ração
deve conter. Esse é um serviço importante porque a ração apropriada para os
diversos animais da fazenda muda regularmente, dependendo do clima, das
condições das pastagens e assim por diante.

A Agri-Pro armazena quantidades a granel de quatro tipos de rações que ela pode
misturar para atender às especificações de um determinado cliente. A tabela a
seguir mostra as quatro rações, suas percentagens de milho, cereais e sais minerais
e o custo por libra para cada tipo.

Nutriente Ração 1 Ração 2 Ração 3 Ração 4


Milho 30% 5% 20% 10%
Cereais 10% 30% 15% 10%
Sais minerais 20% 20% 20% 30%
Custo por $ 0,25 $ 0,30 $ 0,32 $ 0,15
libra

Na média, os cidadãos consomem quase 70 libras de carne de frango por ano. Para
continuar competitivos, os granjeiros devem se assegurar de que as suas criações recebam
os nutrientes necessários e da maneira mais efetiva em termos de custo. A Agri-Pro
acabou de receber um pedido de um granjeiro local para fornecer 8000 libras de ração. O
granjeiro solicitou que essa ração contenha pelo menos 20% de milho, 15% de cereais e
15% de sais minerais. O que a Agri-Pro precisa fazer para atender a esse pedido com um
custo mínimo?

Resolução:

Obs.: x1  libras de ração 1 a ser usada na mistura.

(o mesmo raciocínio para as demais variáveis de decisão.)

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

O modelo é:

Minimizar 0,25x1  0,30x2  0,32x3  0,15x4

Sujeito a:

x1  x2  x3  x4  8000

0,30 x1  0,05x2  0,20 x3  0,10 x4


 0,20
8000
0,10 x1  0,30 x2  0,15x3  0,10 x4
 0,15
8000
0,20 x1  0,20 x2  0,20 x3  0,30 x4
 0,15
8000
Você pode alternativamente mudar a escala do modelo:

Obs.: x1  libras de ração 1 a ser usada na mistura (por milhares de libras).

(o mesmo raciocínio para as demais variáveis de decisão.)


O modelo agora é:

Minimizar 250x1  300x2  320x3  150x4 } custo total

Sujeito a:

x1  x2  x3  x4  8 } libras de ração necessárias

0,30 x1  0,05x2  0,20 x3  0,10 x4


 0,20 } % mínima de milho necessária
8
0,10 x1  0,30 x2  0,15x3  0,10 x4
 0,15 } % mínima de cereais necessária
8
0,20 x1  0,20 x2  0,20 x3  0,30 x4
 0,15 }% mínima de sais minerais necessária
8
x1 , x2 , x3 , x4  0 } condição de não negatividade

Um modelo de planilha (porém modificável) é:

Agri-Pro

Feed 1 Feed 2 Feed 3 Feed 4 Total


Unit cost $250 $300 $320 $150 $0 Units Req'd
Units to mix 0,0 0,0 0,0 0,0 0 8
(Note: 1 unit = 1,000 pounds)

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Percent of Nutrient in Amount Minimum


Nutrient Feed 1 Feed 2 Feed 3 Feed 4 in Blend Req'd Amnt
Corn 0,30 0,05 0,20 0,10 0,00% 20,0%
Grain 0,10 0,30 0,15 0,10 0,00% 15,0%
Minerals 0,20 0,20 0,20 0,30 0,00% 15,0%

Solução: o pedido de 8000 libras de ração é produzido ao menor custo possível


misturando:

x1  4,5 (4500 libras de ração 1)

x2  2 (2000 libras de ração 2)

x4  1,5 (1500 libras de ração 4)

Com um custo total de produção dessa mistura de $1950.


Ou seja:
Uma maneira de implementar esse modelo em uma planilha é mostrada na Figura abaixo.
Nesta planilha, as células B5 a E5 contêm os custos dos diferentes tipos de alimentação.
A Porcentagem dos diferentes nutrientes encontrados em cada tipo de alimento é listada
nas células B10 a E12.

Célula Fórmula Copiado para

F5 = SUMPRODUCT(B5:E5,B6:E6) --
F6 = SUM(B6:E6) --
F10 = SUMPRODUCT(B10:E10,$B$6:$E$6)/$G$6 F11:F12

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Fórmula para a célula F5: = SUMPRODUCT (B5:E5,B6:E6)


A fórmula de LHS para a primeira restrição envolve o cálculo da soma da decisão
variáveis. Esse relacionamento é implementado na célula F6 como:

Fórmula para a célula F6: = SUM (B6: E6)

O RHS para essa restrição está na célula G6. As fórmulas LHS para as outras três
restrições são implementadas nas células F10, F11 e F12. Especificamente, a fórmula de
LHS para a segunda restrição (representando a proporção de milho na mistura) é
implementada na célula F10 como:

Fórmula para a célula F10: = SUMPRODUCT (B10: E10, $ B $ 6: $ E $ 6) / $ G $ 6

(Copie para F11 a F12.)

Essa fórmula é então copiada para as células F11 e F12 para implementar as fórmulas
LHS para as duas restrições restantes. Novamente, as células G10 a G12 contêm os
valores de RHS para essas restrições. Observe que esse modelo é implementado de
maneira amigável. Cada célula de restrição possui uma interpretação lógica que comunica
informações importantes. Para qualquer dado valor para as células variáveis (B6 a E6)
totalizando 8.000, as células de restrição (F10 a F12) indicam a porcentagem real de
milho, grãos e minerais na mistura.

RESOLVENDO O MODELO

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

ANALISANDO A SOLUÇÃO

A solução ideal mostrada na Figura 3.30 indica que a ordem de alimentação de 8.000
libras é produzida com o menor custo possível misturando 4.500 libras de alimentação 1
(X1 = 4.5) com 2.000 libras de alimentação 2 (X2 = 2) e 1.500 libras de alimentação 4
(X4 = 1,5). A célula F6 indica que isso produz exatamente 8.000 libras de alimentação.
Além disso, as células F10 a F12 indicam que esta mistura contém 20% de milho, 15%
de grão e 21,88% de minerais. O custo total de produção desse mix é de US $ 1.950,
conforme indicado pela célula F5.

A próxima vez que você estiver em sua mercearia local, faça uma viagem especial pelo
corredor onde a ração está localizada. Na parte de trás de qualquer saco de comida de
cachorro ou gato, você deve ver o seguinte tipo de rótulo (tirado diretamente da marca de
comida favorita do cão de autor):

Este produto contém:


• Pelo menos 21% de proteína bruta
• pelo menos 8% de gordura bruta
• no máximo 4,5% de fibra bruta
• no máximo 12% de umidade
Ao fazer tais declarações, o fabricante garante que esses requisitos nutricionais sejam
atendidos pelo produto. Vários ingredientes (como milho, soja, farinha de carne e ossos,
gordura animal, trigo e arroz) são misturados para fazer o produto. A maioria das
empresas está interessada em determinar a mistura de ingredientes que satisfaz esses

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

requisitos da maneira menos dispendiosa. Não é de surpreender que quase todas as


grandes empresas de fabricação de alimentos para animais de estimação usem LP
extensivamente em seu processo de produção para resolver esse tipo de problema de
mistura.

Um problema de planejamento de produção e estoque

Um dos problemas mais fundamentais enfrentados pelas empresas de manufatura é o


planejamento de seus níveis de produção e estoque. Esse processo considera as previsões
de demanda e as restrições de recursos para os próximos períodos de tempo e determina
os níveis de produção e estoque para cada um desses períodos de tempo, a fim de atender
à demanda antecipada da maneira mais econômica possível. Como o exemplo a seguir
ilustra, a natureza multiperiódica desses problemas pode ser tratada de maneira muito
conveniente em uma planilha para simplificar bastante o processo de planejamento da
produção.

A Upton Corporation fabrica compressores de ar para serviços pesados em casa e


mercados industriais leves. A Upton está atualmente tentando planejar seus níveis de
produção e estoque para os próximos seis meses. Devido às flutuações sazonais nos custos
de serviços públicos e de matérias-primas, o custo por unidade de produção de
compressores de ar varia de mês para mês, assim como a demanda por compressores de
ar. A capacidade de produção também varia de mês para mês devido às diferenças no
número de dias úteis, férias e manutenção e treinamento programados. A tabela a seguir
resume os custos mensais de produção, demandas e capacidade de produção que a
administração da Upton espera enfrentar nos próximos seis meses.

1 2 3 4 5 6
Custo unitário de produção $240 $250 $265 $285 $280 $260
Demanda em unidades 1.000 4.500 6.000 5.500 3.500 4.000
Produção máxima 4.000 3.500 4.000 4.500 4.000 3.500
Dado o tamanho do depósito da Upton, um máximo de 6.000 unidades podem ser
mantidas no estoque ao final de qualquer mês. O proprietário da empresa gosta de manter
pelo menos 1.500 unidades em estoque como estoque de segurança para atender a

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

contingências inesperadas de demanda. Para manter uma força de trabalho estável, a


empresa quer produzir, no mínimo, metade de sua capacidade máxima de produção a cada
mês. O controlador da Upton estima que o custo de transportar uma unidade em um
determinado mês é aproximadamente igual a 1,5% do custo unitário de produção no
mesmo mês. A Upton estima o número de unidades transportadas no estoque a cada mês,
calculando a média do estoque inicial e final de cada mês.

Existem 2.750 unidades atualmente em estoque. A Upton quer identificar o plano de


produção e estoque para os próximos seis meses que atenderão a demanda esperada a
cada mês, minimizando os custos de produção e estoque. Ou seja:

• Inventário inicial = 2.750 unidades

• Estoque de segurança = 1.500 unidades

• Custo unitário de produção = 1,5% do custo unitário de produção no mesmo mês

• Capacidade máxima = 6.000 unidades

DEFINIÇÃO DAS VARIÁVEIS DE DECISÃO

A decisão básica que a equipe administrativa da Upton enfrenta é quantas unidades


fabricar em cada um dos próximos seis meses. Vamos representar essas variáveis de
decisão da seguinte forma:

P1 = número de unidades a produzir no mês 1

P2 = número de unidades a produzir no mês 2

P3 = número de unidades a produzir no mês 3

P4 = número de unidades a produzir no mês 4

P5 = número de unidades a produzir no mês 5

P6 = número de unidades a produzir no mês 6

Pi = número de unidades a produzir no mês i, i=1 a 6

Bi = inventário inicial mês i, i=1 a 6

Definindo a Função Objetivo

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

O objetivo neste problema é minimizar os custos totais de produção e inventário.

O custo total de produção é calculado facilmente como:

Custo de produção = 240P1 + 250P2 + 265P3 + 285P4 + 280P5 + 260P6

O custo do inventário é um pouco mais complicado de calcular. O custo de manter uma


unidade em estoque, a cada mês é de 1,5% do custo de produção no mesmo mês. Portanto,
o custo unitário do estoque é de $ 3,60 no mês 1 (ou seja, 1,5% × $ 240 = $ 3,60), $ 3,75
no mês 2 (ou seja, 1,5% × $ 250 = $ 3,75) e assim por diante. O número de unidades
mantidas a cada mês deve ser calculado como a média do estoque inicial e final do mês.
É claro que o estoque inicial em qualquer mês é igual ao estoque final do mês anterior.
Então, se deixarmos Bi representar o estoque inicial para o mês i, o custo total do estoque
será dado por:

Custo do Inventário = 3,6 (B1 + B2) / 2 + 3,75 (B2 + B3) / 2 + 3,98 (B3 + B4) / 2 + 4,28
(B4 + B5) / 2 + 4,20 (B5 + B6) / 2 + 3,9 ( B6 + B7) / 2

Observe que o primeiro termo na fórmula anterior calcula o custo do estoque para o mês
1 usando B1 como estoque inicial para o mês 1 e B2 como o estoque final para o mês 1.
Assim, a função objetivo para esse problema é dada como:

Minimizando o custo total de produção e os custos do inventário

MIN: 240P1+250P2+265P3+285P4+280P5+260P6

+ 3,6(B1+B2)/2 + 3,75(B2+B3)/2 + 3,98(B3+B4)/2

+ 4,28(B4+B5)/2 + 4,20(B5+ B6)/2 + 3,9(B6+B7)/2

Observação: O estoque inicial em um dado mês equivale ao estoque final do mês anterior.

Existem dois conjuntos de restrições que se aplicam a esse problema. Primeiro, o número
de unidades produzido a cada mês não pode exceder os níveis máximos de produção
declarados no problema.

No entanto, também devemos nos certificar de que o número de unidades produzidas por
mês não seja inferior a metade da capacidade máxima de produção do mês. Essas
condições podem ser expressas de maneira concisa da seguinte forma:

Definindo as Restrições – I

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

 Níveis de produção

2.000 ≤ P1 ≤ 4.000 } mês 1

1.750 ≤ P2 ≤ 3.500 } mês 2

2.000 ≤ P3 ≤ 4.000 } mês 3

2.250 ≤ P4 ≤ 4.500 } mês 4

2.000 ≤ P5 ≤ 4.000 } mês 5

1.750 ≤ P6 ≤ 3.500 } mês 6

Essas restrições simplesmente colocam os limites inferior e superior apropriados nos


valores que cada uma das variáveis de decisão pode assumir. Da mesma forma, devemos
garantir que o estoque final de cada mês fique entre os níveis de estoque mínimo e
máximo permitidos de 1.500 e 6.000, respetivamente. Em geral, o estoque final de
qualquer mês é computado como:

Inventário final = estoque inicial + unidades produzidas - unidades vendidas

Assim, as seguintes restrições indicam que o estoque final em cada um dos próximos seis
meses (depois de atender à demanda do mês) deve ficar entre 1.500 e 6.000.

Definindo as Restrições – II

LEMBRE: Estoque final = inicial + produção - unidades vendidas)

1.500 < B1 + P1 - 1.000 < 6.000 } mês 1

1.500 < B2 + P2 - 4.500 < 6.000 } mês 2

1.500 < B3 + P3 - 6.000 < 6.000 } mês 3

1.500 < B4 + P4 - 5.500 < 6.000 } mês 4

1.500 < B5 + P5 - 3.500 < 6.000 } mês 5

1.500 < B6 + P6 - 4.000 < 6.000 } mês 6

Finalmente, para garantir que o saldo inicial em um mês seja igual ao saldo final

do mês anterior, temos as seguintes restrições adicionais:

Definindo as Restrições – III

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

 Balanço inicial

B1 = 2750

B2 = B1 + P1 – 1.000

B3 = B2 + P2 - 4.500

B4 = B3 + P3 - 6.000

B5 = B4 + P4 - 5.500

B6 = B5 + P5 - 3.500

B7 = B6 + P6 - 4.000

Implementando o Modelo

O problema de PL para o problema de planejamento de estoque e produção de Upton


pode ser resumido como:

MIN: 240P1 + 250P2 + 265P3 + 285P4 + 280P5 + 260P6


+ 3.6(B1 + B2)/2 + 3.75(B2 + B3)/2 + 3.98(B3 + B4)/2
+ 4.28(B4 + B5)/2 + 4.20(B5 + B6)/2 + 3.9(B6 + B7)/2
Sujeito a:
2,000 ≤ P1 ≤ 4,000} nível de produção para o mês 1
1,750 ≤ P2 ≤ 3,500} nível de produção para o mês 2
2,000 ≤ P3 ≤ 4,000} nível de produção para o mês 3
2,250 ≤ P4 ≤ 4,500} nível de produção para o mês 4
2,000 ≤ P5 ≤ 4,000} nível de produção para o mês 5
1,750 ≤ P6 ≤ 3,500} nível de produção para o mês 6
1,500 ≤ B1 + P1 − 1,000 ≤ 6,000} inventário final do mês 1
1,500 ≤ B2 + P2 − 4,500 ≤ 6,000} inventário final do mês 2
1,500 ≤ B3 + P3 − 6,000 ≤ 6,000} inventário final do mês 3
1,500 ≤ B4 + P4 − 5,500 ≤ 6,000} inventário final do mês 4
1,500 ≤ B5 + P5 − 3,500 ≤ 6,000} inventário final do mês 5
1,500 ≤ B6 + P6 − 4,000 ≤ 6,000} inventário final do mês 6
onde:
B2 = B1 + P1 − 1,000
B3 = B2 + P2 − 4,500

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

B4 = B3+ P3 − 6,000
B5 = B4 + P4− 5,500
B6 = B5 + P5 − 3,500
B7 = B6 + P6 − 4,000

Modelando e resolvendo problemas de LP em uma planilha

Modelo de planilha para o problema de produção da Upton

fórmulas das células chave:

Célula Fórmula Copiado para

C9 = C6+C7-C8 D9:H9
D6 = C9 E6:H6
C18 = $B$18*C17 D18:H18
C20 = C17*C7 D20:H20
C21 = C18*(C6+C9)/2 D21:H21
H23 = SUM(C20:H21) --

Uma maneira conveniente de implementar esse modelo é mostrada na Figura. As células


C7 a H7 nesta planilha representam o número de compressores de ar para produzir em
cada mês e, portanto, correspondem às variáveis de decisão (P1 a P6) em nosso modelo.
Colocaremos limites superiores e inferiores apropriados para reforçar as restrições
representadas pelas seis primeiras restrições em nosso modelo. As demandas estimadas
para cada período de tempo são listadas logo abaixo das variáveis de decisão nas células

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

C8 a H8. Com o nível de inventário inicial de 2.750 inserido na célula C6, o inventário
final, para o mês 1, é calculado na célula C9 da seguinte forma:

Fórmula para a célula C9: = C6 + C7 - C8

(Copiar para as células D9 a H9.)

Essa fórmula pode ser copiada para as células D9 a H9 para calcular os níveis de estoque
final de cada um dos meses restantes. Colocaremos limites inferiores e superiores
apropriados a essas células para impor as restrições indicadas pelo segundo conjunto de
seis restrições em nosso modelo.

Para garantir que o estoque inicial no mês 2 seja igual ao estoque final do mês 1,
colocamos a seguinte fórmula na célula D6:

Fórmula para a célula D6: = C9

(Copiar para as células E6 a H6.)

Essa fórmula pode ser copiada para as células E6 a H6 para garantir que os níveis de
estoque iniciais em cada mês sejam iguais aos níveis de estoque final do mês anterior. É
importante observar que, como os níveis de estoque iniciais podem ser calculados
diretamente dos níveis de estoque final, não é necessário especificar essas células como
células de restrição para o Solver.

Com os custos mensais de produção unitários inseridos nas células C17 a H17, os custos
unitários mensais são calculados nas células C18 a H18, como segue:

Fórmula para a célula C18: = $ B $ 18 * C17

(Copiar para as células D18 a H18.)

A produção total mensal e os custos de estoque são então calculados nas linhas 20 e 21
da seguinte forma:

Fórmula para a célula C20: = C17 * C7

(Copiar para as células D20 a H20.)

Fórmula para a célula C21: = C18 * (C6 + C9) / 2

(Copiar para as células D21 a H21.)

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Finalmente, a função objetivo que representa a produção total e os custos de estoque para
o problema é implementada na célula H23 como segue:

Fórmula para a célula H23: = SUM (C20: H21)

RESOLVENDO O MODELO

Na Figura abaixo mostra os parâmetros do Solver necessários para resolver este problema.
A solução ótima é mostrada na Figura posterior.

ANALISANDO A SOLUÇÃO

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

A solução ótima mostrada na Figura 3.33 indica que Upton deve produzir 4.000 unidades
no período 1, 3.500 unidades no período 2, 4.000 unidades no período 3, 4.250 unidades
no período 4, 4.000 unidades no período 5 e 3.500 unidades no período 6. Embora a
demanda por compressores de ar no mês 1 pode ser atendida pelo estoque inicial, a
produção no mês 1 é necessária para construir estoque para os meses futuros em que a
demanda excede a capacidade de produção disponível. Observe que este cronograma de
produção exige que a empresa opere em plena capacidade de produção em todos os meses,
com exceção do mês 4. Espera-se que o mês 4 tenha o maior custo unitário de produção.
Portanto, é mais econômico produzir unidades extras nos meses anteriores e mantê-las
em estoque para venda no mês 4.

É importante observar que, embora a solução para esse problema forneça um plano de
produção para os próximos seis meses, isso não compromete a equipe de gerenciamento
da Upton a implementar essa solução em particular nos próximos seis meses. No nível
operacional, a equipe de gerenciamento está mais preocupada com a decisão que deve ser
tomada agora - ou seja, o número de unidades a serem agendadas para produção no mês
1. No final do mês 1, a gerência da Upton deve atualizar o estoque, demanda, e estimativas
de custo, e re-resolver o modelo para identificar o plano de produção para os próximos
seis meses (atualmente nos meses 2 a 7). No final do mês 2, este processo deve ser
repetido.

Portanto, modelos de planejamento multiperiódicos como esse devem ser usados


repetidamente periodicamente como parte de um processo de planejamento contínuo.

Um problema de fluxo de caixa multiperíodo: Fundos Taco-Viva Sinking - I

Inúmeros problemas de negócios envolvem decisões que têm um efeito cascata em


decisões futuras.

No exemplo anterior, vimos como os planos de manufatura para um período de tempo


podem afetar a quantidade de recursos disponíveis e o inventário transportado em
períodos subsequentes. Da mesma forma, muitas decisões financeiras envolvem vários
períodos de tempo, porque a quantidade de dinheiro investido ou gasto em um
determinado momento afeta diretamente a quantidade de dinheiro disponível nos períodos
subsequentes. Nesses tipos de problemas de vários períodos, pode ser difícil contabilizar

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

as consequências de uma decisão atual sobre períodos de tempo futuros sem um modelo
PL. A formulação de tal modelo é ilustrada a seguir em um exemplo do mundo das
finanças.

O Taco-Viva é uma cadeia de restaurantes pequena, mas em crescimento, especializada


em fast food mexicano. A administração da empresa decidiu construir um novo local em
Wilmington, Carolina do Norte, e quer estabelecer um fundo de construção (ou fundo de
amortização) para pagar as novas instalações. A construção do restaurante deve levar seis
meses e custar US $ 800 mil. O contrato da Taco-Viva com a construtora exige que ela
faça pagamentos de US $ 250.000 no final do segundo e do quarto mês, e um pagamento
final de US $ 300.000 no final do sexto mês, quando o restaurante for concluído. A
empresa pode usar quatro oportunidades de investimento para estabelecer o fundo de
construção; esses investimentos estão resumidos na tabela a seguir:

 Taco-Viva deseja criar um fundo para construção de um novo restaurante. Espera-


se que a construção demore seismeses e custe $ 800.000.

 O contrato da Taco-Viva com a empresa de construção exige pagamentos de $


250.000 no fim do segundo e do quarto meses de construção e um pagamento de
$ 300.000 no fim do sexto mês.

Os seguintes investimentos devem ser utilizados:

Investimento Disponível no mês Meses até o vencto. Rendimento até o vencto.

A 1, 2, 3, 4, 5, 6 1 1,8%

B 1, 3, 5 2 3,5%

C 1, 4 3 5,8%

D 1 6 11,0%

A tabela indica que o investimento A estará disponível no início de cada um dos


próximos seis meses, e os fundos investidos dessa maneira vencem em um mês com um
rendimento de 1,8%. Os fundos podem ser colocados no investimento C apenas no início
dos meses 1 e / ou 4 e vencem no final de três meses com um rendimento de 5,8%. A
gestão do Taco-Viva precisa de determinar o plano de investimento que lhes permita
cumprir o cronograma de pagamentos requerido e, ao mesmo tempo, colocar a menor
quantia de dinheiro no fundo de construção.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Este é um problema de vários períodos porque um horizonte de planejamento de seis


meses deve ser considerado.

Ou seja, o Taco -Viva deve planejar quais alternativas de investimento usar em vários
momentos durante os próximos seis meses.

DEFINIÇÃO DAS VARIÁVEIS DE DECISÃO

A decisão básica enfrentada pela administração do Taco-Viva é quanto dinheiro colocar


em cada veículo de investimento durante cada período de tempo em que as oportunidades
de investimento estão disponíveis. Para modelar esse problema, precisamos de variáveis
diferentes para representar cada combinação de investimento / período de tempo. Isso
pode ser feito como:

A1, A2, A3, A4, A5, A6 = a quantia de dinheiro (em US $ 1.000) colocada no

investimento A no início dos meses 1, 2, 3, 4, 5 e 6,

respetivamente.

B1, B3, B5 = a quantia de dinheiro (em US $ 1.000,00) colocada no

investimento B no início dos meses 1, 3 e 5, respetivamente

C1, C4 = a quantia de dinheiro (em US$1.000) colocada no investimento

C no início dos meses 1 e 4, respetivamente

D1 = a quantia de dinheiro (em US $ 1.000) colocada no

investimento D no início do mês 1

Observe que todas as variáveis são expressas em unidades de milhares de dólares para
manter uma escala razoável para esse problema. Portanto, tenha em mente que, ao se
referir à quantidade de dinheiro representada por nossas variáveis, queremos dizer o valor
em milhares de dólares.

DEFININDO A FUNÇÃO OBJETIVA

A administração da Taco-Viva quer minimizar o montante de dinheiro que deve colocar


no fundo de construção inicialmente para cobrir os pagamentos que serão devidos nos
termos do contrato. No início do mês 1, a empresa quer investir uma quantia em dinheiro
que, juntamente com suas receitas de investimento, cobrirá os pagamentos necessários

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

sem uma injeção adicional de dinheiro da empresa. Como A1, B1, C1 e D1 representam
os valores iniciais investidos pela empresa no mês 1, a função objetiva para o problema
é: Minimizando total de dinheiro investido no início do mês 1.

MIN: A1 + B1 + C1 + D1

DEFINIÇÃO DAS RESTRIÇÕES

Para formular as restrições de fluxo de caixa para esse problema, é importante identificar
claramente:

(1) quando os diferentes investimentos podem ser feitos, (2) quando os diferentes
investimentos irá amadurecer e (3) quanto dinheiro estará disponível quando cada
investimento amadurecer. A Figura abaixo resume essa informação.

Os valores negativos, representados por −1 na Figura abaixo, indicam quando os dólares


podem fluir em cada investimento. Os valores positivos indicam quanto esses mesmos
dólares valerão quando o investimento amadurecer ou quando os dólares fluírem de cada
investimento. Os símbolos de seta com duas pontas indicam períodos de tempo em que
os fundos permanecem em um determinado investimento. Por exemplo, a terceira linha
da tabela abaixo indica que cada dólar colocado no investimento C no início do mês 1
valerá $ 1.058 quando esse investimento vencer três meses depois - no início do mês 4.
(Observe que o início do mês 4 ocorre praticamente no mesmo instante do final do mês
3. Assim, não há diferença prática entre o início de um período de tempo e o final do
período anterior.) Assumindo que a empresa investe os montantes representados por A1,
B1, C1 e D1 no início do mês 1, quanto dinheiro estaria disponível para reinvestir ou fazer
os pagamentos necessários no início dos meses 2, 3, 4, 5, 6 e 7? A resposta a essa pergunta
nos permite gerar o conjunto de restrições de fluxo de caixa necessário para esse
problema. Como indicado pela segunda coluna da Figura abaixo, os únicos fundos que
vencem no início do mês 2 são aqueles colocados no investimento A no início do mês 1
(A1). O valor dos fundos com vencimento no início do mês 2 é de $ 1.018A1. Como
nenhum pagamento é necessário no início do mês 2, todos os fundos em vencimento
devem ser reinvestidos. Mas a única nova oportunidade de investimento disponível no
início do mês 2 é o investimento A (A2). Assim, a quantia de dinheiro colocada no
investimento A no início do mês 2 deve ser de $ 1.018A1. Isso é expresso pela restrição:

1,018A1 = A2 + 0} fluxo de caixa para o mês 2

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Sumário de Fluxo de Caixa para as Oportunidades de Investimentos

Esta restrição indica que o montante total em dinheiro com vencimento no início do mês
2 (1.018A1) deve ser igual ao montante reinvestido no início do mês 2 (A2) mais qualquer
pagamento devido no mês 2 ($ 0). Agora, considere os fluxos de caixa que ocorrerão
durante o mês 3. No início do mês 3, todos os fundos que foram colocados no
investimento B no início do mês 1 (B1) terão vencimento e valerão um total de $ 1.035B1.
Da mesma forma, quaisquer fundos colocados no investimento A no início do mês 2 (A2)
terão vencimento e valerão um total de $ 1.018A2. Como um pagamento de US $ 250.000
é devido no início do mês 3, devemos garantir que os fundos com vencimento no início
do mês 3 sejam suficientes para cobrir esse pagamento e que quaisquer fundos restantes
sejam colocados nas oportunidades de investimento disponíveis no início de mês 3 (A3 e
B3). Este requisito pode ser afirmado algebricamente como:

1,035B1 + 1,018A2 = A3 + B3 + 250} fluxo de caixa para o mês 3

Esta restrição indica que o montante total em dinheiro com vencimento no início do mês
3 (1.035B1 + 1.018A2) deve ser igual ao montante reinvestido no início do mês 3
(A3 + B3) mais o pagamento devido no início do mês. 3 (US $ 250.000).

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

A mesma lógica que aplicamos para gerar as restrições de fluxo de caixa para os meses 2
e 3 também pode ser usada para gerar restrições de fluxo de caixa para os meses restantes.
Fazer isso produz uma restrição de fluxo de caixa para cada mês que assume a forma
geral:

Valor total em $ que tem vencimento no início do mês = Valor total de $ reinvestido no
início do mês + Pagamento devido no início do mês.

Usando essa definição geral das relações de fluxo de caixa, as restrições para os meses
restantes são representadas por:

1.058C1 + 1.018A3 = A4 + C4} fluxo de caixa para o mês 4


1.035B3 + 1.018A4 = A5 + B5 + 250} fluxo de caixa para o mês 5
1.018A5 = A6} fluxo de caixa para o mês 6
1.11D1 + 1.058C4 + 1.035B5 + 1.018A6 = 300} fluxo de caixa para o mês 7

Para implementar essas restrições na planilha, devemos expressá-las de uma maneira um


pouco diferente (mas algebricamente equivalente). Especificamente, em conformidade
com nossa definição geral de uma restrição de igualdade (f (X1, X2,..., Xn) = b) precisamos
reescrever as restrições de fluxo de caixa para que todas as variáveis em cada restrição
apareçam no LHS de o sinal de igual e uma constante numérica aparece no RHS do sinal
de igual. Isso pode ser feito como:

Definindo as Restrições

 Restrições de fluxo de caixa

1.018A1 – 1A2 = 0 } mês 2

1.035B1 + 1.018A2 – 1A3 – 1B3 = 250 } mês 3

1.058C1 + 1.018A3 – 1A4 – 1C4 = 0 } mês 4

1.035B3 + 1.018A4 – 1A5 – 1B5 = 250 } mês 5

1.018A5 –1A6 = 0 } mês 6

1.11D1 + 1.058C4 + 1.035B5 + 1.018A6 = 300 } mês 7

 Condições de não negatividade

Ai, Bi, Ci, Di ≥ 0, para todas i

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Embora as restrições pareçam ligeiramente diferentes nessa forma, elas impõem os


mesmos relacionamentos entre as variáveis, conforme expressas pelas restrições
anteriores. Segundo, os coeficientes de LHS na expressão alternativa das restrições
correspondem diretamente aos valores listados na tabela de resumo de fluxo de caixa na
Figura acima. Ou seja, os coeficientes na restrição para o mês 2 correspondem aos valores
na coluna do mês 2 na Figura acima; os coeficientes do mês 3 correspondem aos valores
da coluna do mês 3 e assim por diante. Esse relacionamento é verdadeiro para todas as
restrições e será muito útil na implementação desse modelo na planilha.

IMPLEMENTANDO O MODELO

O modelo PL para o problema do fundo de construção da Taco-Viva é resumido como:

MIN: A1 + B1 + C1 + D1 Minimizando total de dinheiro investido no início do mês 1

Restrições de fluxo de caixa

1.018A1 – 1A2 = 0 } mês 2

1.035B1 + 1.018A2 – 1A3 – 1B3 = 250 } mês 3

1.058C1 + 1.018A3 – 1A4 – 1C4 = 0 } mês 4

1.035B3 + 1.018A4 – 1A5 – 1B5 = 250 } mês 5

1.018A5 –1A6 = 0 } mês 6

1.11D1 + 1.058C4 + 1.035B5 + 1.018A6 = 300 } mês 7

 Condições de não negatividade

Ai, Bi, Ci, Di ≥ 0, para todas i

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Célula Fórmula Copiado para

D18 =SUMIF(B6:B17,1,D6:D17) –

F6 =IF($B6=F$5,-1,IF($C6=F$5,1+$E6,IF(AND($B6<F$5,$C6>F$5),"<---->",""))) F6:L17

G18 =SUMPRODUCT(G6:G17,$D$6:$D$17) H18:L18

Uma abordagem para implementar esse modelo é mostrada na Figura acima. As três
primeiras colunas dessa planilha resumem as diferentes opções de investimento
disponíveis e os meses em que o dinheiro pode entrar e sair desses investimentos. As
células D6 a D17 representam as variáveis de decisão em nosso modelo e indicam a
quantidade de dinheiro (em US $ 1.000,00) a ser colocada em cada um dos possíveis
investimentos. A função objetiva para este problema requer que calculemos o montante
total de dinheiro investido no mês 1. Isso foi feito na célula D18 da seguinte forma:

Fórmula para a célula D18: = SUMIF(B6:B17,1,D6:D17)

Essa função SUMIF compara os valores nas células B6 a B17 com o valor 1 (seu segundo
argumento). Se qualquer um dos valores em B6 a B17 for igual a 1, soma os valores
correspondentes nas células D6 a D17. Nesse caso, os valores nas células B6 a B9 são
todos iguais a 1; portanto, a função retorna a soma dos valores nas células D6 a D9.
Observe que, embora pudéssemos ter implementado o objetivo usando a fórmula SUM

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

(D6: D9), a fórmula SUMIF anterior cria um modelo mais confiável e modificável. Se
qualquer um dos valores na coluna B for alterado para ou de 1, a função SUMIF
continuará representando a função de objetivo apropriada, enquanto a função SUM não.

Nosso próximo trabalho é implementar a tabela de entrada / saída de caixa descrita


anteriormente na Figura. Lembre-se de que cada linha na Figura corresponde aos fluxos
de caixa associados a uma alternativa de investimento específica. Esta tabela pode ser
implementada em nossa planilha usando a seguinte fórmula:

Fórmula para célula F6:

= IF($B6 = F$5,1,IF($C6 = F$5,1+$E6,IF(AND($B6 < F$5,$C6 > F$5)," <--->","")))

(Copiar para as células F6 a L17.)

Essa fórmula primeiro verifica se o valor do “mês de entrada de caixa” na coluna B


corresponde ao valor do indicador do mês na linha 5. Se sim, a fórmula retorna o valor -
1. Caso contrário, ele continuará verificando se “ mês da saída de saque ”o valor na coluna
C corresponde ao valor do indicador do mês na linha 5. Se sim, a fórmula retorna um
valor igual a 1 mais o retorno do investimento (da coluna E). Se nenhuma das duas
primeiras condições for atendida, a fórmula seguinte verifica se o indicador do mês atual
na linha 5 é maior que o valor do “mês de entrada de caixa” (coluna B) e menor que o
valor do “mês de saída de caixa” (coluna C). Nesse caso, a fórmula retorna os caracteres
"<->" para indicar períodos nos quais os fundos não entram ou saem de um determinado
investimento. Finalmente, se nenhuma das três condições anteriores forem atendidas, a
fórmula simplesmente retornará uma corda vazia “(ou nula)”. Embora esta fórmula pareça
um pouco intimidadora, é simplesmente um conjunto de três funções IF aninhadas. Mais
importante, atualiza automaticamente o resumo do fluxo de caixa se qualquer um dos
valores nas colunas B, C ou E for alterado, aumentando a confiabilidade e a
modificabilidade do modelo.

Anteriormente, notamos que os valores listados nas colunas 2 a 7 da tabela de entrada /


saída de caixa correspondem diretamente aos coeficientes que aparecem nas várias
restrições de fluxo de caixa. Essa propriedade nos permite implementar as restrições de
fluxo de caixa na planilha de forma conveniente. Por exemplo, a fórmula de LHS para a
restrição de fluxo de caixa para o mês 2 é implementada na célula G18 por meio da
fórmula:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Fórmula na célula G18: = SUMPRODUCT(G6:G17,$D$6:$D$17)

(Copie para H18 a L18.)

Esta fórmula multiplica cada entrada no intervalo G6 a G17 pela entrada correspondente
no intervalo D6 a D17 e, em seguida, soma esses produtos individuais. Esta fórmula é
copiada para as células H18 a L18. (Observe que a fórmula SUMPRODUCT () trata as
células contendo rótulos e cadeias nulas como se elas contivessem o valor zero.) Reserve
um momento agora para verificar se as fórmulas nas células G18 a L18 correspondem às
fórmulas LHS das restrições de fluxo de caixa em nosso modelo. As células G19 a L19
listam os valores de RHS para as restrições de fluxo de caixa.

RESOLVENDO O MODELO

Para encontrar a solução ideal para este modelo, devemos indicar ao Solver a célula do
conjunto, as células variáveis e as células de restrição identificadas nas Figuras anteriores
que mostram os parâmetros do Solver necessários para resolver este modelo. A solução
ótima é mostrada abaixo.

ANALISANDO A SOLUÇÃO

O valor da célula do conjunto (D18) na Figura abaixo indica que um total de US $ 741.363
deve ser investido para atender os pagamentos no projeto de construção da Taco-Viva.
As células D6 e D8 indicam que aproximadamente US $ 241.237 devem ser colocados
no investimento A no início do mês 1 (A1 = 241.237) e aproximadamente US $ 500.126
devem ser colocados no investimento C (C1 = 500.126). No início do mês 2, os fundos
colocados no investimento A no início do mês 1 terão vencimento e serão avaliados em
US $ 245.580 (241.237 ⨯ 1.018 = 245.580). O valor que

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

na célula D10 indica que esses fundos devem ser colocados de volta para o investimento
A no início do mês 2 (A2 = 245,580).

No início do mês 3, o primeiro pagamento de US $ 250.000 é devido. Naquela época, os


fundos colocados no investimento A no início do mês 2 amadurecerão e valerão $ 250.000
(1.018? 245.580 = 250.000) - permitindo-nos fazer este pagamento.

No início do mês 4, os fundos colocados no investimento C no início do mês 1 terão


vencimento e serão de $ 529.134. Nossa solução indica que US $ 245.580 desse valor
devem ser colocados no investimento A (A4 = 245,580) e que o restante deve ser
reinvestido no investimento C (C4 = 283,554).

Se você rastrear os fluxos de caixa para os meses restantes, descobrirá que nosso modelo
está fazendo exatamente o que foi projetado para fazer. A quantia de dinheiro programada
para vencer no início de cada mês é exatamente igual à quantia de dinheiro programada
para ser reinvestida após os pagamentos exigidos serem feitos. Assim, a partir de um
número infinito de possíveis programações de investimento, nosso modelo de PL
encontrou o único cronograma que requer o mínimo de adiantamento de dinheiro.

Modificando o Problema da Taco-Viva para Levar em Conta o Risco (Opcional)

Supondo que a Taco-Viva tenha atribuído as seguintes classificações de risco para cada
um dos possíveis investimentos, em uma escala de 1 a 10 (risco máximo=10). Ou ainda,

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Em problemas de investimento como esse, não é incomum que os tomadores de decisão


estabeleçam limites para a quantidade de risco que estão dispostos a assumir. Por
exemplo, suponha que o diretor financeiro (CFO) do Taco-Viva tenha atribuído as
seguintes classificações de risco a cada um dos possíveis investimentos em uma escala de
1 a 10 (onde 1 representa o menor risco e 10 o maior risco). Também assumiremos que o
CFO deseja determinar um plano de investimento em que o nível de risco médio
ponderado não exceda 5.

Investmento Classificação de risco

A 1
B 3
C 8
D 6

Precisamos formular uma restrição adicional para cada período de tempo para garantir
que o nível de risco médio ponderado nunca exceda 5. Para ver como isso pode ser feito,
vamos começar com o mês 1.

No mês 1, os fundos podem ser investidos em A1, B1, C1 e / ou D1, e cada investimento
está associado a um grau diferente de risco. Para calcular o risco médio ponderado durante
o mês 1, devemos multiplicar os fatores de risco para cada investimento pela proporção
de dinheiro nesse investimento. Isso é representado por:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Embora as restrições de risco listadas aqui tenham um significado muito claro, é mais
fácil implementar essas restrições na planilha se as declararmos de uma maneira diferente
(mas algebricamente equivalente). Em particular, é útil eliminar as frações no LHS das
desigualdades multiplicando cada restrição por seu denominador e recoletando as
variáveis no LHS da desigualdade.

As demais restrições de risco são simplificadas da mesma maneira, produzindo as


seguintes restrições:

1. Multiplique ambos os lados da desigualdade pelo denominador:

O conjunto de valores para A1, B1, C1 e D1 que satisfaz a primeira dessas restrições
também satisfaz a segunda restrição (isto é, essas restrições têm exatamente o mesmo
conjunto de valores viáveis). Portanto, não importa qual dessas restrições usamos para
encontrar a solução ideal para o problema.

OBSERVAÇÃO IMPORTANTE: IMPLEMENTANDO AS RESTRIÇÕES DE


RISCO

A figura abaixo mostra uma tela dividida que ilustra uma maneira fácil de implementar
as restrições de risco para esse modelo. Anteriormente, notamos que o coeficiente para
cada variável em cada restrição de risco é simplesmente o fator de risco para investimento

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

menos o valor máximo ponderado do risco admissível. Portanto, a estratégia na Figura é


gerar esses valores nas colunas apropriadas e linhas da planilha para que a função
SUMPRODUCT () possa implementar o LHS fórmulas para as restrições de risco.

Lembre-se de que a restrição de risco para cada mês envolve apenas as variáveis que
representam que realmente realizou fundos durante esse mês. Para qualquer mês, os
investimentos que realmente mantiveram fundos durante esse mês têm o valor 1 ou
contêm entrada de texto que começa com o símbolo "<" (o primeiro caractere das entradas
"<---->") na coluna correspondente da tabela de resumo de entrada / saída de caixa. Por
exemplo, durante o mês 2, os fundos podem ser investidos em B1, C1, D1 e / ou A2. As
células correspondentes para o mês 2 na Figura 3.38 (células G7, G8, G9 e G10,
respetivamente) contêm o valor 1 ou uma entrada de texto que começa com o símbolo
"<". Portanto, para gerar os coeficientes apropriados para as restrições de risco, podemos
instruir a planilha a verificar o resumo de entrada / saída de caixa das células contendo o
valor 1 ou entradas de texto iniciando com o símbolo "<" e retornar os coeficientes de
restrição de risco corretos. nas células apropriadas. Para fazer isso, inserimos a seguinte
fórmula na célula N6:

Célula Fórmula Copiado para

D18 = SUMIF(B6:B17,1,D6:D17) --

F = IF($B6=F$5,-1,IF($C6=F$5,1+$E6,IF(AND($B6<F$5,$C6>F$5),"<---->",""))) F6:L17

G18 = SUMPRODUCT(G6:G17,$D$6:$D$17) H18:L18 e N18:S18

N6 = IF(OR(F6 = -1,LEFT(F6)="<"), $M6-$Q$20,"") N6:S17

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Fórmula na célula N6: = se (ou (F6=-1,seja (F6) ="<"),$M6-$Q$20,"")


(Copiar para N6 a S17.)

Para gerar o valor apropriado na célula N6, a fórmula anterior verifica se a célula F6 é
igual a -1 ou contém uma entrada de texto que começa com o símbolo "<". Se qualquer
uma dessas condições for verdadeira, a função assume o fator de risco para o investimento
da célula M6 e subtrai o fator de risco máximo permitido encontrado na célula Q20; caso
contrário, a função retornará uma cadeia nula (com um valor de zero). Esta fórmula é
copiada para as células remanescentes no intervalo de N6 a S17, como mostra a Figura
abaixo. Os valores nas células N6 a S17 na Figura 3.38 correspondem aos coeficientes
nas fórmulas LHS para cada uma das restrições de risco formuladas anteriormente.
Assim, a fórmula de LHS para a restrição de risco para o mês 1 é implementada na célula
N18 como:

Fórmula na célula N18: = SUMPRODUCT (N6:N17,$D$6:$D$17)


(Copie para O18 a S18.)

As fórmulas LHS para as restrições de risco restantes são implementadas copiando essa
fórmula para as células O18 a S18. Vamos dizer ao Solver que essas células de restrição
devem ser menores ou iguais a zero.

RESOLVENDO O MODELO

Para encontrar a solução ideal para este modelo, devemos comunicar as informações
apropriadas sobre as novas restrições de risco para o Solver. A Figura abaixo mostra os
parâmetros do Solver necessários para resolver este modelo. A solução ideal é mostrada
na figura abaixo

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

ANALISANDO A SOLUÇÃO

A solução ideal para o problema revisado do Taco -Viva com restrições de risco é bem
diferente da solução obtida anteriormente. Em particular, a nova solução requer que os
fundos sejam colocados no investimento A em cada período de tempo. Isso não é muito
surpreendente, dado que o investimento tem a menor classificação de risco. Pode ser
surpreendente que dos investimentos restantes, B e D nunca sejam usados. Embora esses
investimentos tenham classificações de risco mais baixas do que o investimento C, a
combinação de fundos colocados nos investimentos A e C permite que o menor montante
de dinheiro seja investido no mês 1, ao mesmo tempo que os pagamentos ele ponderou o
risco médio em ou abaixo do nível especificado.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

As empresas raramente sabem com certeza quais custos serão incorridos, ou a quantidade
exata de recursos que serão consumidos ou disponíveis em uma determinada situação ou
período de tempo.

Assim, a administração pode ser cética quanto às soluções ótimas obtidas usando modelos
que pressupõem que todos os fatores relevantes são conhecidos com certeza. A análise de
sensibilidade pode ajudar a superar esse ceticismo e fornecer uma imagem melhor de
como a solução para um problema mudará se diferentes fatores no modelo mudarem. A
análise de sensibilidade também pode ajudar a responder a várias questões práticas de
gerenciamento que podem surgir sobre a solução de um problema de PL.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Todos os coeficientes neste modelo (cj, aij e bi) representam constantes numéricas. Então,
quando formulamos e resolvemos um problema de PL, assumimos implicitamente que
podemos especificar os valores exatos para esses coeficientes. No entanto, no mundo real,
esses coeficientes podem mudar de dia para dia ou de minuto a minuto. Por exemplo, o

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

preço que uma empresa cobra por seus produtos pode mudar em uma base diária, semanal
ou mensal.

O objetivo da análise de sensibilidade

O maquinista qualificado chama em doente, um fabricante pode ter menos capacidade de


produzir itens em uma dada máquina do que o planejado originalmente. Percebendo que
tais incertezas existem, um gerente deve considerar como a solução de um modelo LP é
sensível a mudanças ou erros de estimativa que possam ocorrer em: (1) os coeficientes da
função objetivo (cj), (2) os coeficientes de restrição (aij), e (3) os valores de RHS para as
restrições (o bi). Um gerente também pode perguntar um número de perguntas do tipo “E
se?” Sobre esses valores. Por exemplo, e se o custo de um produto aumentar em 7%? E
se uma redução no tempo de configuração permitir capacidade adicional em uma
determinada máquina?

E se a sugestão de um trabalhador resultar em um produto que requer apenas duas horas


de trabalho, em vez de três? A análise de sensibilidade aborda essas questões avaliando a
sensibilidade da solução a erros de incerteza ou estimativa nos coeficientes do modelo e
também a sensibilidade da solução a mudanças nos coeficientes do modelo que podem
ocorrer devido à intervenção humana.

Abordagens para a análise de sensibilidade

Você pode executar a análise de sensibilidade em um modelo de LP de várias maneiras.


Se você quiser determinar o efeito de alguma mudança no modelo, a abordagem mais
direta é simplesmente alterar o modelo e resolvê-lo novamente. Essa abordagem é
adequada se o modelo não precisar de muito tempo para mudar ou resolver. Além disso,
se você estiver interessado em estudar as consequências de alterar simultaneamente vários
coeficientes no modelo, essa pode ser a única abordagem prática para a análise de
sensibilidade. O Solver também fornece algumas informações de sensibilidade depois de
resolver um problema de PL. Como mencionado no Capítulo 3, um dos benefícios de usar
o método simplex para resolver problemas de LP é sua velocidade - é consideravelmente
mais rápida do que as outras técnicas de otimização oferecidas pelo Solver. No entanto,
outra vantagem de usar o método simplex é que ele fornece mais informações de análise
de sensibilidade do que as outras técnicas. Em particular, o método simplex nos fornece
informações sobre:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

 O intervalo de valores que os coeficientes da função objetivo podem assumir sem


alterar a solução ótima.
 O impacto no valor ótimo da função objetivo de aumentos ou diminuições na
disponibilidade de vários recursos restritos.
 O impacto no valor ótimo da função objetivo de forçar alterações nos valores de
certas variáveis de decisão, longe de seus valores ideais.
 O impacto que as mudanças nos coeficientes de restrição terão na solução ótima
para o problema.

Resumindo:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Célula Formula Copied to


D6 = SUMPRODUCT(B6:C6,$B$5:$C$5) D9:D11

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Este modelo é implementado na planilha mostrada na Figura acima. (Veja o Capítulo 3


para detalhes sobre o procedimento usado para criar e resolver este modelo de planilha.)

Depois de resolver o modelo PL, o Solver exibe a caixa de diálogo Resultados do Solver,
mostrada na Figura abaixo. Esta caixa de diálogo fornece três opções de relatório:
Resposta, Sensibilidade e Limites. Você pode selecionar qualquer um desses relatórios
depois que um modelo for resolvido. Para selecionar todos os três relatórios, destaque os
relatórios e clique em OK. Para acessar cada relatório, clique na guia apropriada na parte
inferior da tela.

O Relatório de Resposta

A Figura acima mostra o Relatório de Resposta do problema Blue Ridge Hot Tubs. Este
relatório resume a solução para o problema e é bastante autoexplicativo. A primeira seção
do relatório resume o valor original e final (ótimo) da célula definida. A próxima seção
resume os valores original e final (ótimo) das células ajustáveis (ou variáveis) que
representam as variáveis de decisão.

A seção final deste relatório fornece informações sobre as restrições. Em particular, a


coluna Cell Value mostra o valor final (ótimo) assumido por cada célula de restrição.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Observe que esses valores correspondem ao valor final assumido pela fórmula de LHS de
cada restrição. A coluna Fórmula indica os limites superior ou inferior que se aplicam a
cada célula de restrição. A coluna Status indica quais restrições estão sendo vinculadas e
quais não estão vinculadas. A restrição é obrigatória se for satisfeito como uma igualdade
estrita na solução ótima; caso contrário, não é obrigatório. Observe que as restrições para
o número de bombas e a quantidade de mão-de-obra utilizada são vinculativas, o que
significa que todas as bombas e horas de mão-de-obra disponíveis serão usadas se essa
solução for implementada. Portanto, essas restrições estão impedindo que a Blue Ridge
Hot Tubs atinja um nível mais alto de lucro.

Finalmente, os valores na coluna Slack indicam a diferença entre o LHS e o RHS de cada
restrição. Por definição, as restrições de ligação têm zero de folga e restrições não
vinculativas têm algum nível positivo de folga. Os valores na coluna Slack indicam que,
se esta solução for implementada, todas as bombas e horas de mão-de-obra disponíveis
serão usadas, mas restarão 168 pés de tubulação. Os valores de folga para as condições
de não-negatividade indicam os valores pelos quais as variáveis de decisão excedem seus
respetivos limites inferiores de zero.

O Relatório de Resposta não fornece nenhuma informação que não possa ser derivada da
solução mostrada no modelo de planilha. No entanto, o formato deste relatório fornece
um resumo conveniente da solução que pode ser facilmente incorporada em um
documento de processamento de texto como parte de um relatório por escrito para o
gerenciamento.

Modelagem de Rede

Introdução

Vários problemas de decisão prática nos negócios se enquadram em uma categoria


conhecida como problemas de fluxo de rede. Esses problemas compartilham uma
característica comum: podem ser descritos ou exibidos em uma forma gráfica conhecida
como rede. Este capítulo se concentra em vários tipos de problemas de fluxo de rede:
problemas de transbordo, problemas de caminho mais curto, problemas de fluxo máximo,
problemas de transporte / atribuição e problemas generalizados de fluxo de rede. Embora
existam procedimentos especializados de solução para resolver problemas de fluxo de
rede, consideraremos como formular e resolver esses problemas como problemas de LP.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Também vamos considerar um tipo diferente de problema de rede conhecido como o


problema da árvore geradora mínima.

 Nas empresas diversos problemas de decisão prática, podem ser representados


graficamente como problemas de fluxo de rede.

 Este capítulo enfoca diversos desses problemas:

– Problemas de transbordo;

– Problemas com caminho mais curto;

– Problemas de fluxo de rede;

– Problemas com transporte/escolha;

– Problemas de fluxos máximos

Características dos Problemas de Fluxo de Rede

 Problemas de fluxo de rede podem ser representados como um conjunto de nós


conectados por arcos.

 Existem três tipos de nós:

– Oferta

– Demanda

– Transbordo

 Números positivos representam a demanda de um dado nó e números negativos


representam a oferta disponível nesse nó.

O problema do transbordo

Vamos começar nosso estudo dos problemas de fluxo de rede considerando o problema
do transbordo.

Como você verá, a maioria dos outros tipos de problemas de fluxo de rede pode ser vista
como variações simples do problema de transbordo. Assim, uma vez que você entenda
como formular e resolver problemas de transbordo, os outros tipos de problemas serão
fáceis de resolver. O exemplo a seguir ilustra o problema do transbordo:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

A Bavarian Motor Company (BMC) fabrica carros de luxo caros em Hamburgo, na


Alemanha, e exporta carros para vender nos Estados Unidos. Os carros exportados são
enviados de Hamburgo para os portos de Newark, New Jersey, e Jacksonville, na Flórida.
Desses portos, os carros são transportados por trem ou caminhão para distribuidores
localizados em Boston, Massachusetts; Columbus, Ohio; Atlanta, Geórgia; Richmond,
Virgínia; e Mobile, Alabama. A Figura mostra as possíveis rotas de embarque disponíveis
para a empresa, juntamente com o custo de transporte para o envio de cada carro ao longo
do caminho indicado.

Atualmente, 200 carros estão disponíveis no porto de Newark e 300 estão disponíveis em
Jacksonville. O número de carros necessários para os distribuidores em Boston,
Columbus, Atlanta, Richmond e Mobile é de 100, 60, 170, 80 e 70, respetivamente. A
BMC quer determinar a maneira mais barata de transportar carros dos portos de Newark
e Jacksonville até as cidades onde eles são necessários.

CARACTERÍSTICAS DOS PROBLEMAS DE FLUXO DE REDE

A Figura abaixo ilustra várias características comuns a todos os problemas de fluxo de


rede.

Todos os problemas de fluxo de rede podem ser representados como uma coleção de nós
conectados por arcos. Os círculos na Figura abaixo são chamados de nós na terminologia
de problemas de fluxo de rede, e as linhas que conectam os nós são chamadas de arcos.
Os arcos em uma rede indicam os caminhos, rotas ou conexões válidos entre os nós em
um problema de fluxo de rede.

Quando as linhas que conectam os nós em uma rede são setas que indicam uma direção,
os arcos na rede são chamados de arcos direcionados. Este capítulo discute principalmente
os arcos direcionados, mas, por conveniência, refere-se a eles como arcos.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

A noção de nós de fornecimento (ou envio de nós) e nós de demanda (ou recebimento

nós) é outro elemento comum dos problemas de fluxo de rede ilustrado na Figura. Os nós
representando as cidades portuárias de Newark e Jacksonville são ambos nós de
fornecimento, porque cada um tem um suprimento de carros para enviar para outros nós
na rede. Richmond representa um nó de demanda porque exige receber carros dos outros
nós. Todos os outros nós desta rede são nós de transbordo. Os nós de transbordo podem
enviar e receber de outros nós na rede. Por exemplo, o nó que representa o Atlanta na
Figura é um nó de transbordo, porque pode receber carros de Jacksonville, Mobile e
Columbus e também pode enviar carros para Columbus, Mobile e Richmond. A oferta ou
demanda líquida de cada nó na rede é indicada por um número positivo ou negativo ao
lado de cada nó. Números positivos representam a demanda em um determinado nó, e
números negativos representam o fornecimento disponível em um nó. Por exemplo, o
valor +80 próximo ao nó de Richmond indica que o número de carros precisa aumentar
em 80 - ou que Richmond tem demanda para 80 carros. O valor de 200 ao lado do nó de
Newark indica que o número de carros pode ser reduzido em 200 - ou que Newark tem
um suprimento de 200 carros. Um nó de transbordo pode ter uma oferta ou demanda
líquida, mas não ambas. Neste problema em particular, todos os nós de transbordo têm

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

demandas. Por exemplo, o nó que representa o Mobile na Figura tem uma demanda para
70 carros.

AS VARIÁVEIS DE DECISÃO PARA PROBLEMAS DE FLUXO DE REDE

O objetivo em um modelo de fluxo de rede é determinar quantos itens devem ser movidos
(ou fluxo) em cada um dos arcos. Em nosso exemplo, a BMC precisa determinar o método
menos custoso de transportar carros ao longo dos vários arcos mostrados na Figura para
distribuir carros onde eles são necessários. Assim, cada um dos arcos em um modelo de
fluxo de rede representa uma variável de decisão. Determinar o fluxo ótimo para cada
arco é o equivalente a determinar o valor ótimo para a variável de decisão correspondente.

É costume usar números para identificar cada nó em um problema de fluxo de rede. Na


Figura, o número 1 identifica o nó para Newark, 2 identifica o nó para Boston e assim por
diante. Você pode atribuir números aos nós de qualquer maneira, mas é melhor usar uma
série de inteiros consecutivos. Os números dos nós fornecem uma maneira conveniente
de identificar as variáveis de decisão necessárias para formular o modelo LP para o
problema. Para cada arco, em um modelo de fluxo de rede, você precisa definir uma
variável de decisão como:

Ou seja:

X12 = o número de carros enviados do nó 1 (Newark) para o nó 2 (Boston)

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

X14 = o número de carros enviados do nó 1 (Newark) para o nó 4 (Richmond)

X23 = o número de carros enviados do nó 2 (Boston) para o nó 3 (Columbus)

X35 = o número de carros enviados do nó 3 (Columbus) para o nó 5 (Atlanta)

X53 = o número de carros enviados do nó 5 (Atlanta) para o nó 3 (Columbus)

X54 = o número de carros enviados do nó 5 (Atlanta) para o nó 4 (Richmond)

X56 = o número de carros enviados do nó 5 (Atlanta) para o nó 6 (mobile)

X65 = o número de carros enviados do nó 6 (mobile) para o nó 5 (Atlanta)

X74 = o número de carros enviados do nó 7 (Jacksonville) para o nó 4 (Richmond)

X75 = o número de carros enviados do nó 7 (Jacksonville) para o nó 5 (Atlanta)

X76 = o número de carros enviados do nó 7 (Jacksonville) para o nó 6 (mobile)

A FUNÇÃO OBJETIVA PARA PROBLEMAS DE FLUXO DE REDE

Cada unidade que flui do nó i para o nó j em um problema de fluxo de rede geralmente


incorre em algum custo, cij. Esse custo pode representar um pagamento monetário, uma
distância ou algum outro tipo de penalidade. O objetivo na maioria dos problemas de
fluxo de rede é minimizar o custo total, a distância ou a penalidade que deve ser incorrida
para resolver o problema. Tais problemas são conhecidos como problemas de fluxo de
rede de custo mínimo.

Em nosso problema de exemplo, custos monetários diferentes devem ser pagos para cada
carro enviado em um dado arco. Por exemplo, custa US $ 30 para enviar cada carro do
nó 1 (Newark) para o nó 2 (Boston). Como o X12 representa o número de carros
embarcados de Newark para Boston, o custo total incorrido pelos carros enviados ao
longo desse caminho é determinado por US $ 30,00. Cálculos similares podem ser feitos
para os outros arcos da rede. Como a BMC está interessada em minimizar os custos totais
de envio, a função objetiva para esse problema é expressa como:

MIN: +30X12 + 40X14+ 50X23 + 35X35 + 40X53 + 30X54


+ 35X56 + 25X65 + 50X74 + 45X75 + 50X76

AS RESTRIÇÕES DE PROBLEMAS DE FLUXO DE REDE

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Assim como o número de arcos na rede determina o número de variáveis na formulação


PL de um problema de fluxo de rede, o número de nós determina o número de restrições.
Em particular, deve haver uma restrição para cada nó. Um conjunto simples de regras,
conhecido como Regras de Balanço de Fluxo, aplica-se à construção de restrições para
problemas de fluxo de rede de custo mínimo. Essas regras são resumidas da seguinte
forma, ou seja, em cada nó, criaremos uma restrição do formulário:

Observe que, se a oferta total em um problema de fluxo de rede for menor que a demanda
total, será impossível satisfazer toda a demanda. A regra de balanceamento de fluxo
listada para este caso pressupõe que você deseje determinar a maneira menos onerosa de
distribuir o suprimento disponível - sabendo que é impossível satisfazer toda a demanda.

Portanto, para aplicar a regra correta de equilíbrio de fluxo, primeiro devemos comparar
o fornecimento total na rede com a demanda total. No nosso problema de exemplo, há
uma oferta total de 500 carros e uma demanda total para 480 carros. Como a oferta total
excede a demanda total, usaremos a primeira regra de balanço de fluxo para formular
nosso problema de exemplo.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

IMPLEMENTANDO O MODELO EM UMA PLANILHA

A formulação do problema de transbordo do BMC é resumida como:

MIN: +30X12 + 40X14+ 50X23 + 35X35 + 40X53


+30X54 + 35X56 + 25X65 + 50X74 + 45X75
+50X76
Sujeito a:
−X12 − X14 ≥ −200} restrição de fluxo para o nó 1
+X12 − X23 ≥ +100} restrição de fluxo para o nó 2
+X23 + X53 − X35 ≥ +60} restrição de fluxo para o nó 3
+X14 + X54 + X74 ≥ +80} restrição de fluxo para o nó 4
+X35 + X65 + X75 − X53 − X54 − X56 ≥ +170} restrição de fluxo para o nó 5
+X56 + X76 − X65 ≥+70} restrição de fluxo para o nó 6
−X74 − X75 − X76 ≥−300} restrição de fluxo para o nó 7
Xij ≥ 0 for all i and j} condições de não negatividade

Uma maneira conveniente de implementar esse tipo de problema é mostrada na figura


abaixo. Nesta planilha, as células B6 a B16 são usadas para representar as variáveis de
decisão do nosso modelo (ou o número de carros que devem fluir entre cada uma das
cidades listadas). O custo unitário do transporte de carros entre cada cidade é listado na
coluna G. A função objetivo do modelo é então implementada na célula G18 da seguinte
forma:

Fórmula para célula G18: = SUMPRODUCT (B6: B16, G6: G16)

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Para implementar as fórmulas do LHS para as restrições neste modelo, precisamos


calcular o fluxo total de entrada menos o fluxo total de saída para cada nó. Isso é feito nas
células K6 a K12 da seguinte maneira:

Fórmula para a celula K6: = SUMIF($E$6:$E$16,I6,$B$6:$B$16) -


(Copiar para as células K7 a K12.) SUMIF($C$6:$C$16,I6,$B$6:$B$16)

Célula Fórmula Copiado para

D6 = VLOOKUP(C6,$I$6:$J$12,2) D7:D16 e F6:F16


G18 = SUMPRODUCT (B6:B16, G6:G16) --
K6 = SUMIF($E$6:$E$16,I6,$B$6:$B$16) - SUMIF($C$6:$C$16,I6,$B$6:$B$16) K7:K12

A primeira função SUMIF nesta fórmula compara os valores no intervalo E6 a E16 com
o valor em I6 e, se ocorrer uma correspondência, soma o valor correspondente no
intervalo B6 a B16. Naturalmente, isso nos dá o número total de carros fluindo para
Newark (que, nesse caso, será sempre zero, porque nenhum dos valores de E6 a E16
corresponde ao valor de I6). A próxima função SUMIF compara os valores no intervalo
C6 a C16 com o valor em I6 e, se ocorrer uma correspondência, soma os valores
correspondentes no intervalo de B6 a B16. Isso nos dá o número total de carros saindo de
Newark (que nesse caso será sempre igual aos valores nas células B6 e B7, porque esses
são os únicos arcos fluindo para fora de Newark). Copiar esta fórmula para as células K7,
embora K12, nos permite calcular facilmente a entrada total menos o fluxo total de saída
para cada um dos nós do nosso problema. Os valores de RHS para essas células de
restrição são mostrados nas células L6, embora L12.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

A figura abaixo mostra os parâmetros e opções do Solver necessários para resolver este
modelo. A solução ótima para o problema é mostrada na figura abaixo.

ANALISANDO A SOLUÇÃO

A Figura 5.4 mostra a solução ideal para o problema de transbordo da BMC. A solução
indica que 120 carros devem ser embarcados de Newark para Boston (X12 = 120), 80
carros de Newark para Richmond (X14 = 80), 20 carros de Boston para Columbus (X23
= 20), 40 carros de Atlanta para Columbus ( X53 = 40), 210 carros de Jacksonville para
Atlanta (X75 = 210) e 70 carros de Jacksonville para Mobile (X76 = 70). A célula G18
indica que o custo total associado a este plano de envio é de US $ 22.350. Os valores das
células de restrição em K6 e K12 indicam, respetivamente, que todos os 200 carros
disponíveis em Newark estão sendo enviados e apenas 280 dos 300 carros disponíveis em
Jacksonville estão sendo enviados. Uma comparação das células restritivas
remanescentes em K7 a K11 com seus valores de RHS em L7 a L11 revela que a demanda
em cada uma dessas cidades está sendo atendida pelo fluxo líquido de carros em cada
cidade.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Esta solução é resumida graficamente, como mostra a Figura abaixo. Os valores nas
caixas ao lado de cada arco indicam os fluxos ideais para os arcos. O fluxo ótimo para
todos os outros arcos do problema, que não são mostrados na Figura, é 0. Observe que a
quantidade que flui para cada nó menos a quantidade que flui para fora de cada nó é igual
à oferta ou demanda no nó. Por exemplo, 210 carros estão sendo enviados de Jacksonville
para Atlanta. Atlanta manterá 170 dos carros (para satisfazer a demanda neste nó) e
enviará os 40 extras para Columbus.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

O problema do caminho mais curto

Em muitos problemas de decisão, precisamos determinar a rota ou caminho mais curto


(ou menos dispendioso) através de uma rede de um nó inicial para um nó final. Por
exemplo, muitas cidades estão desenvolvendo modelos computadorizados de suas
rodovias e ruas para ajudar os veículos de emergência a identificar a rota mais rápida para
um determinado local. Cada interseção de rua representa um nó potencial em uma rede,
e as ruas que conectam as interseções representam arcos.

Dependendo do dia da semana e da hora do dia, o tempo necessário para percorrer várias
ruas pode aumentar ou diminuir devido a alterações nos padrões de tráfego. A construção
e manutenção de estradas também afetam os padrões de fluxo de tráfego. Assim, a rota
mais rápida (ou caminho mais curto) para ir de um ponto da cidade para outro pode mudar
com frequência. Em situações de emergência, vidas ou propriedades podem ser perdidas
ou salvas dependendo da rapidez com que veículos de emergência chegam onde são
necessários. A capacidade de determinar rapidamente o caminho mais curto para o local
de uma situação de emergência é extremamente útil nessas situações. O exemplo a seguir
ilustra outra aplicação do problema do caminho mais curto.

Sintetizando…

 Em muitos problemas de decisão, precisamos determinar a rota ou o caminho mais


curto (ou menos custoso) em uma rede, do nó inicial até o nó final.

– Ex. Rotas de veículos de emergência

 Esse é um caso especial de problema de transbordo, onde:

– Existe um nó de oferta com a oferta de -1

– Existe um nó de demanda com a demanda de +1

– Todos os outros nós têm oferta/demanda de +0

Veja o exemplo a seguir:

A American Car Association (ACA) fornece uma variedade de serviços relacionados a


viagens para seus membros, incluindo informações sobre destinos de férias, reservas de
hotéis com desconto, assistência em estradas de emergência e planejamento de rotas de
viagens. Este último serviço, planejamento de rotas de viagens, é um dos serviços mais

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

populares. Quando os membros da ACA planejam fazer uma viagem de carro, ligam para
o número 800 gratuito da organização e indicam de quais cidades estão indo e voltam. A
ACA determina então uma rota ideal para viajar entre essas cidades. As bases de dados
informatizadas da ACA das principais rodovias e interestaduais são mantidas atualizadas
com informações sobre atrasos e desvios de construção e tempos estimados de viagem ao
longo de vários segmentos de rodovias.

Os membros da ACA costumam ter objetivos diferentes no planejamento de viagens de


condução. Alguns estão interessados em identificar rotas que minimizem os tempos de
viagem. Outros, com mais tempo de lazer em suas mãos, querem identificar a rota mais
cênica para o destino desejado. O ACA deseja desenvolver um sistema automatizado para
identificar um plano de viagem ideal para seus membros.

Para ver como a ACA poderia se beneficiar resolvendo problemas de caminho mais curto,
considere a rede simplificada mostrada na Figura acima para um membro de viagem que
queira dirigir de Birmingham, Alabama para Virginia Beach, Virgínia. Os nós neste
gráfico representam diferentes cidades e os arcos indicam as possíveis rotas de viagem
entre as cidades. Para cada arco, a Figura acima lista o tempo de condução estimado para
percorrer a estrada representada por cada arco e o número de pontos que a rota recebeu
no sistema da ACA para classificar a qualidade cênica das várias rotas.

Resolver este problema como um modelo de fluxo de rede requer que os vários nós
tenham algum suprimento ou demanda. Na Figura acima, o nó 1 (Birmingham) tem uma
oferta de 1, o nó 11 (Virginia Beach) tem uma demanda de 1 e todos os outros nós têm
uma demanda (ou oferta) de 0.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Se considerarmos este modelo como um problema de transbordo, queremos encontrar a


maneira mais rápida ou a maneira mais cênica de transportar 1 unidade de fluxo do nó 1
para o nó 11. A rota dessa unidade de suprimento corresponde ao caminho mais curto ou
o caminho mais cênico através da rede, dependendo de qual objetivo está sendo
perseguido.

UM MODELO PL PARA O PROBLEMA DO EXEMPLO

Usando a regra do balanço de fluxo, o modelo PL para minimizar o tempo de condução


neste problema é representado como:

MIN: +2.5X12 + 3X13 + 1.7X23 + 2.5X24 + 1.7X35 + 2.8X36 + 2X46+ 1.5X47 + 2X56 +
5X59 + 3X68 + 4.7X69 + 1.5X78+ 2.3X7,10+ 2X8,9+ 1.1X8,10+ 3.3X9,11 + 2.7X10,11

Sujeito a:
- X12 − X13 =−1} restrição de fluxo para o nó 1
+X12 − X23 − X24 = 0} restrição de fluxo para o nó 2
+X13 + X23 − X35 − X36 = 0} restrição de fluxo para o nó 3
+X24 − X46 − X47 = 0} restrição de fluxo para o nó 4
+X35 − X56 − X59 = 0} restrição de fluxo para o nó 5
+X36 + X46 + X56 − X68 − X69 = 0} restrição de fluxo para o nó 6

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

+X47 − X78 − X7,10 = 0} restrição de fluxo para o nó 7


+X68 + X78 − X89 − X8,10 = 0} restrição de fluxo para o nó 8
+X59 + X69 + X89 − X9,11 = 0} restrição de fluxo para o nó 9
+X7,10 + X8,10 − X10,11 = 0} restrição de fluxo para o nó 10
+X9,11 + X10,11 =+1} restrição de fluxo para o nó 11
Xij ≥ 0 for all i and j} condições de não negatividade

Como a oferta total é igual à demanda total desse problema, as restrições devem ser
declaradas como igualdades. A primeira restrição neste modelo garante que a 1 unidade
de suprimento disponível no nó 1 seja enviada para o nó 2 ou para o nó 3. As nove
restrições seguintes indicam que qualquer coisa fluindo para nós 2 através do nó 10
também deve fluir desses nós porque cada um possui uma demanda de 0. Por exemplo,
se a unidade de fornecimento deixar o nó 1 para o nó 2 (via X12), a segunda restrição
garantirá que ele deixará o nó 2 para o nó 3 ou nó 4 (via X23 ou X24). A última restrição
indica que a unidade deve finalmente fluir para o nó 11. Assim, a solução para esse
problema indica a rota mais rápida para ir do nó 1 (Birmingham) para o nó 11 (Virginia
Beach).

O MODELO E SOLUÇÃO DA PLANILHA

A solução ideal para este problema, mostrada na Figura abaixo, foi obtida usando os
parâmetros Solver e as opções mostradas na figura seguinte. Observe que este modelo
inclui cálculos do tempo de condução total esperado (célula G26) e dos pontos de
classificação cênica total (célula H26) associados a qualquer solução. Qualquer uma
dessas células pode ser escolhida como a função objetivo de acordo com os desejos do
cliente. No entanto, a solução mostrada na figura minimiza o tempo de condução
esperado.

A solução ótima mostrada na Figura indica que o plano de viagem mais rápido envolve
dirigir do nó 1 (Birmingham) para o nó 2 (Atlanta), depois para o nó 4 (Greenville), depois
para o nó 7 (Charlotte) e depois para o nó 10 (Raleigh) e, finalmente, para o nó 11
(Virginia Beach). O tempo total de condução esperado ao longo deste percurso é de 11,5
horas. Observe também que essa rota recebe uma classificação de 15 pontos na escala de
classificação cênica da ACA.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Célula Fórmula Copiado para

D7 =VLOOKUP(C7,$J$7:$K$17,2) D8:D24 and F7:F24


G26 =SUMPRODUCT(G7:G24,$B$7:$B$24) H26
L7 =SUMIF($E$7:$E$24,J7,$B$7:$B$24)-
SUMIF($C$7:$C$24,J7,$B$7:$B$24) L8:L17

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Usando essa planilha, também podemos determinar a rota mais cênica, instruindo o
Solver a maximizar o valor na célula H26. A Figura acima mostra a solução ótima obtida
neste caso. Este plano de viagem envolve a condução de Birmingham a Atlanta, a
Chattanooga, a Knoxville, a Asheville, a Lynchburg e, finalmente, a Virginia Beach. Este
itinerário recebe uma classificação de 35 pontos na escala de classificação cênica da
ACA, mas leva quase 16 horas de tempo de condução.

MODELOS DE FLUXO DE REDE E SOLUÇÕES INTEIRA

Até este ponto, cada um dos modelos de fluxo de rede que nós resolvemos gerou soluções
inteiras. Se você usar o método simplex para resolver qualquer modelo de fluxo de rede
de custo mínimo com valores RHS de restrição de número inteiro, a solução ótima
assumirá automaticamente valores inteiros. Essa propriedade é útil porque os itens que
passam pela maioria dos modelos de fluxo de rede representam unidades discretas (como
carros ou pessoas).

Às vezes, é tentador colocar restrições adicionais (ou restrições laterais) em um modelo


de rede. Por exemplo, no problema da ACA, suponha que o cliente queira chegar a
Virginia Beach da maneira mais cênica possível dentro de 14 horas do tempo de viagem.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Podemos facilmente adicionar uma restrição ao modelo para manter o tempo total de
condução G26 menor ou igual a 14 horas. Se, então, resolvermos novamente o modelo
para maximizar a classificação cênica na célula H26, obtemos a solução mostrada na
Figura abaixo.

Infelizmente, essa solução é inútil porque produz resultados fracionários. Assim, se


adicionarmos restrições laterais aos problemas de fluxo de rede que não obedecem à regra
de equilíbrio de fluxo, não podemos mais garantir que a solução para a formulação LP
dos problemas seja integral. Se soluções inteiras são necessárias para tais problemas, as
técnicas de programação de inteiros, que iremos discutir nas próximas aulas, devem ser
aplicadas.

O problema de substituição de equipamento


O problema de substituição de equipamento é um tipo comum de problema de negócios
que pode ser modelado como um problema de caminho mais curto. Esse tipo de problema
envolve determinar o cronograma de menor custo para substituir o equipamento em um
período de tempo especificado. Considere o seguinte exemplo.

José Maderos é o dono da Compu-Train, uma pequena empresa que oferece treinamento
prático em software e treinamento para empresas dentro e nos arredores de Boulder,
Colorado. Jose aluga o equipamento de informática usado em seu negócio e gosta de
manter o equipamento atualizado para que ele execute o mais recente e avançado software
de maneira eficiente. Por causa disso, José quer substituir seu equipamento pelo menos a
cada dois anos.

José está atualmente tentando decidir entre dois contratos diferentes de locação que seu
fornecedor de equipamentos propôs. Nos dois contratos, José teria que pagar US $ 62.000
inicialmente para obter o equipamento necessário. No entanto, os dois contratos diferem
em termos do valor que José teria que pagar nos anos seguintes para substituir seu
equipamento. Sob o primeiro contrato, o preço para adquirir novos equipamentos
aumentaria em 6% ao ano, mas ele receberia um crédito de 60% para qualquer
equipamento com um ano de idade e 15% para qualquer equipamento com dois anos de
idade.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Sob o segundo contrato, o preço para adquirir novos equipamentos aumentaria apenas 2%
ao ano, mas ele só receberia um crédito de 30% para qualquer equipamento com um ano
de idade e 10% para qualquer equipamento que seja dois anos de idade.

José percebe que não importa o que ele faça, ele terá que pagar US $ 62.000 para obter o
equipamento inicialmente. No entanto, ele quer determinar qual contrato permitiria que

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

ele minimizasse os custos restantes de leasing nos próximos cinco anos e quando deveria
substituir seu equipamento sob o contrato selecionado.

Cada um dos dois contratos que José está considerando pode ser modelado como um
problema de caminho mais curto. A Figura acima mostra como isso seria realizado para
o primeiro contrato em consideração. Cada nó corresponde a um ponto no tempo durante
os próximos cinco anos, quando José pode substituir seu equipamento. Cada arco nesta
rede representa uma escolha disponível para José. Por exemplo, o arco do nó 1 ao nó 2
indica que José pode manter o equipamento inicialmente adquirido por um ano e depois
substituí-lo (no início do ano 2) por um custo líquido de $ 28.520 ($ 62.000 × 1.06 - 0.6
× $ 62.000 = $ 28.520). Alternativamente, o arco do nó 1 ao nó 3 indica que José pode
manter seu equipamento inicial por dois anos e substituí-lo no início do ano 3 por um
custo líquido de $ 60.363 ($ 62.000 × 1.062 - 0.15 × $ 62.000 = $ 60.363).

O arco do nó 2 ao nó 3 indica que se José substituir seu equipamento inicial no início do


ano 2, ele poderá manter o novo equipamento por um ano e substituí-lo no início do ano
3 a um custo líquido de $ 30.231 ($ 62.000 × 1,062 - 0,60 × ($ 62.000 × 1.06) = $ 30.231).
Os arcos e custos restantes na rede podem ser interpretados da mesma maneira. O
problema de decisão de José é determinar a maneira menos onerosa (ou mais curta) de ir
do nó 1 para o nó 5 nessa rede.

O MODELO E SOLUÇÃO DA PLANILHA

A formulação LP do problema de decisão de José pode ser gerada a partir do gráfico na


Figura acima, usando a regra de balanço de fluxo da mesma maneira que os problemas
anteriores de fluxo de rede. O modelo de planilha para este problema foi implementado
como mostrado na figura abaixo e resolvido usando as configurações mostradas na figura
a seguir. Para ajudar José a comparar as duas alternativas diferentes que ele enfrenta,
observe que uma área da planilha na Figura abaixo foi reservada para representar
suposições sobre o aumento anual nos custos de arrendamento (célula G5) e os valores
de troca para um - e equipamento de dois anos de idade (células G6 e G7). O restante do
modelo de planilha usa esses valores assumidos para calcular os vários custos. Isso nos
permite alterar qualquer uma das suposições e resolver o modelo com muita facilidade.

A solução ideal para este problema mostra que, de acordo com as disposições do primeiro
contrato, José deveria substituir seu equipamento no início de cada ano a um custo total

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

de US $ 124.764. Este montante é adicional aos $ 62.000 que ele tem que pagar adiantado
no começo do ano 1.

Célula Fórmula Copiado para

E19 = SUMPRODUCT(E11:E17,B11:B17) ---


I11 = SUMIF($D$11:$D$17,G11,$B$11:$B$17)
-SUMIF($C$11:$C$17,G11,$B$11:$B$17) I12:I15
H12 = H11*(1+$G$5) H13:H15
E11 = VLOOKUP(D11,G$11:J$15,2)-(IF(D11-C11=1,G$6,G$7) E12:E17

*VLOOKUP(C11,G$11:J$15,2))

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Para determinar a estratégia de substituição ideal e os custos associados ao segundo


contrato, José poderia simplesmente alterar as suposições na parte superior da planilha e
resolver o modelo. Os resultados disso são mostrados na última figura.

A solução ideal para este problema mostra que sob as provisões do segundo contrato, José
deveria substituir seu equipamento no começo dos anos 3 e 5 a um custo total de
$ 118.965. Mais uma vez, este montante é adicional aos $ 62.000 que ele tem que pagar
adiantado no início do ano 1. Embora os custos totais sob o segundo contrato sejam
menores do que sob o primeiro, sob o segundo contrato José estaria trabalhando com
equipamentos mais antigos durante 2 e 4. Assim, embora a solução para esses dois
modelos torne claras as consequências financeiras das duas diferentes alternativas, José
ainda deve decidir por si mesmo se os benefícios da economia nos custos financeiros sob
o segundo contrato superam os custos não financeiros associados. com o uso de
equipamentos levemente desatualizados durante os anos 2 e 4. É claro que,
independentemente do contrato com o qual José decida ir, ele poderá reconsiderar se deve
ou não atualizar seu equipamento no início de cada um dos próximos 4 anos.

Resumo dos problemas de caminho mais curto

É possível modelar qualquer problema de caminho mais curto como um problema de


transbordo, atribuindo um fornecimento de 1 ao nó inicial, uma demanda de 1 ao nó final

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

e uma demanda de 0 a todos os outros nós da rede. Como os exemplos apresentados aqui
envolviam apenas um pequeno número de caminhos em cada uma das redes, poderia ter
sido mais fácil resolver esses problemas simplesmente enumerando os caminhos e
calculando a distância total de cada um deles. No entanto, em um problema com muitos
nós e arcos, um modelo de PL automatizado é preferível a uma abordagem de solução
manual.

Problemas de transporte / atribuição

Antes apresentamos um exemplo de outro tipo de problema de fluxo de rede conhecido


como problema de transporte / atribuição. O exemplo envolveu a Tropicsun Company -
uma cultivadora e distribuidora de produtos cítricos frescos. A empresa queria determinar
a maneira mais barata de transportar frutas recém-colhidas de três pomares de frutas
cítricas para três plantas de processamento. A representação da rede do problema é
repetida na figura abaixo.

A rede mostrada na figura difere dos problemas anteriores de fluxo de rede neste capítulo
porque não contém nós de transbordo. Cada nó na figura é um nó de envio ou um nó de
recebimento. A falta de nós de transbordo é a característica chave que distingue
problemas de transporte / atribuição de outros tipos de problemas de fluxo de rede. Como
você viu nas lições anteriores, essa propriedade permite configurar e resolver problemas
de transporte / atribuição convenientemente em um formato de matriz na planilha.
Embora seja possível resolver problemas de transporte / atribuição da mesma forma que
resolvemos problemas de transbordo, é muito mais fácil implementar e resolver esses
problemas usando a abordagem matricial descrita anteriormente.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Às vezes, os problemas de transporte / atribuição são esparsos ou não totalmente


interconectados (significando que nem todos os nós de fornecimento possuem arcos
conectando-os a todos os nós de demanda). Esses arcos “ausentes” podem ser
manipulados convenientemente na abordagem matricial à implementação, atribuindo-se
custos arbitrariamente grandes às células variáveis que representam esses arcos, de modo
que o fluxo nesses arcos se torne proibitivamente caro. No entanto, à medida que o
número de arcos perdidos aumenta, a abordagem matricial para implementação torna-se
cada vez menos eficiente computacionalmente, em comparação com o procedimento
descrito neste capítulo.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Problemas generalizados de fluxo de rede


Em todos os problemas de rede que consideramos até agora, a quantidade de fluxo que
saiu de um arco foi sempre a mesma que a quantidade que entrou no arco. Por exemplo,
se colocarmos 40 carros em um trem em Jacksonville e os enviarmos para Atlanta, os
mesmos 40 carros saíram do trem em Atlanta. No entanto, existem numerosos exemplos
de problemas de fluxo de rede nos quais um ganho ou perda ocorre nos fluxos através dos
arcos. Por exemplo, se o petróleo ou gás for enviado através de um gasoduto com
vazamento, a quantidade de petróleo ou gás que chegar ao destino pretendido será menor
do que a quantidade originalmente colocada no gasoduto. Exemplos semelhantes de perda
de fluxo ocorrem como resultado da evaporação de líquidos, deterioração de alimentos e
outros itens perecíveis, ou imperfeições nas matérias-primas que entram nos processos de
produção que resultam em uma certa quantidade de sucata. Muitos problemas financeiros
de fluxo de caixa podem ser modelados como problemas de fluxo de rede nos quais os
ganhos de fluxo (ou aumentos) ocorrem na forma de juros ou dividendos, à medida que
o dinheiro flui através de vários investimentos. O exemplo a seguir ilustra as mudanças
de modelagem necessárias para acomodar esses tipos de problemas.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Exemplo:

Nancy Grant é proprietária da Coal Bank Hollow Recycling, uma empresa especializada
em coleta e reciclagem de produtos de papel. A empresa de Nancy usa dois processos de
reciclagem diferentes para converter jornal, papel misto, papel branco de escritório e
papelão em polpa de papel. A quantidade de polpa de papel extraída dos materiais
recicláveis e o custo de extração da polpa difere dependendo de qual processo de
reciclagem é usado. A tabela a seguir resume os processos de reciclagem:

Processo de Reciclagem 1 Processo de Reciclagem 2

Material Custo por tonelada Rendimento Custo por tonelada Rendimento


Jornal $13 90% $12 85%
Papéis diversos $11 80% $13 85%
Papel sulfite de escritório $9 95% $10 90%
Papelão $13 75% $14 85%

Por exemplo, cada tonelada de papel jornal submetida ao processo de reciclagem 1 custa
US $ 13 e rende 0,9 toneladas de polpa de papel. A polpa de papel produzida pelos dois
diferentes processos de reciclagem passa por outras operações para ser transformada em
celulose para papel de jornal, papel para embalagem ou papel de qualidade para
impressão. Os rendimentos associados à transformação da polpa reciclada em celulose
para os produtos finais são resumidos na tabela a seguir:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Polpa para papel de jornal Polpa para Papel de embalagem Polpa para papel de qualidade de impressão

Origem da polpa Custo por Ton. rendimento Cost per Ton. Rendimento Custo por Ton. rendimento
Processo de Reciclagem 1 $5 95% $6 90% $8 90%
Processo de Reciclagem 2 $6 90% $8 95% $7 95%

Por exemplo, uma tonelada de celulose saindo do processo de reciclagem 2 pode ser
transformada em 0,95 toneladas de papel para embalagem a um custo de US $ 8.

Nancy atualmente tem 70 toneladas de jornal, 50 toneladas de papel misto, 30 toneladas


de papel branco de escritório e 40 toneladas de papelão. Ela quer determinar a maneira
mais eficiente de converter esses materiais em 60 toneladas de celulose de papel de jornal,
40 toneladas de celulose de papel de embalagem e 50 toneladas de celulose ou papel de
qualidade para impressão.

A figura acima mostra como o problema de reciclagem de Nancy pode ser visto como um
problema generalizado de fluxo de rede. Os arcos neste gráfico indicam o possível fluxo
de material de reciclagem através do processo de produção. Em cada arco, listamos o
custo do fluxo ao longo do arco e o fator de redução que se aplica ao fluxo ao longo do
arco. Por exemplo, o arco do nó 1 ao nó 5 indica que cada tonelada de jornal que vai para
o processo de reciclagem 1 custa US $ 13 e produz 0,90 toneladas de celulose.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

FORMULANDO UM MODELO LP PARA O PROBLEMA DE RECICLAGEM

Para formular algebricamente o modelo PL para este problema, definimos a variável de


decisão Xij para representar as toneladas de produto fluindo do nó i para o nó j. O objetivo
é então declarado da maneira usual da seguinte forma:

MIN: 13X15 + 12X16 + 11X25 + 13X26 + 9X35 + 10X36 + 13X45 + 14X46 + 5X57
+ 6X58 + 8X59 + 6X67 + 8X68 + 7X69

As restrições para esse problema podem ser geradas usando a regra de balanceamento de
fluxo para cada nó. As restrições para os quatro primeiros nós (representando o
suprimento de jornal, papel misto, papel branco de escritório e papelão, respetivamente)
são dadas por:

−X15 – X16 ≥ −70} restrição de fluxo para o nó 1


−X25 – X26 ≥ −50} restrição de fluxo para o nó 2
−X35 – X36 ≥ −30} restrição de fluxo para o nó 3
−X45 – X46 ≥ −40} restrição de fluxo para o nó 4

Essas restrições indicam simplesmente que a quantidade de produto que flui de cada um
desses nós não pode exceder o suprimento disponível em cada nó. (Lembre-se de que a
restrição dada para o nó 1 é equivalente a + X15 + X16 ≤ + 70.)

Aplicando a regra do balanço de fluxo nos nós 5 e 6 (representando os dois processos de


reciclagem) obtemos:
+ 0.9X15 + 0.8X25 + 0.95X35 + 0.75X45 – X57 – X58 – X59 ≥ 0} restrição de fluxo para o
nó 5
+ 0.85X16 + 0.85X26 + 0.9X36 + 0.85X46 – X67 – X68 – X69 ≥ 0} restrição de fluxo para o
nó 6
Para entender melhor a lógica dessas restrições, vamos reescrevê-las da seguinte maneira
algebricamente equivalente:

+ 0.9X15 + 0.8X25 + 0.95X35 + 0.75X45 ≥ + X57 + X58 + X59} restrição de fluxo equivalente
para o nó 5

+ 0.85X16 + 0.85X26 + 0.9X36 + 0.85X46 ≥ + X67 + X68 + X69} restrição de fluxo


equivalente para o nó 6

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Observe que a restrição para o nó 5 requer que a quantia enviada do nó 5 (dada por X57 +
X58 + X59) não possa exceder o valor líquido que estaria disponível no nó 5 (dado por
0,9X15 + 0,8X25 + 0,95X35 + 0,75 X45). Assim, aqui os fatores de rendimento entram em
jogo na determinação da quantidade de produto que estaria disponível a partir dos
processos de reciclagem. Uma interpretação semelhante aplica-se à restrição para o nó 6.

Finalmente, aplicando a regra do balanço de fluxo nos nós 7, 8 e 9, obtemos as restrições:

+0.95X57 + 0.90X67 ≥ 60} restrição de fluxo para o nó 7


+0.9X58 + 0.95X68 ≥ 40} restrição de fluxo para o nó 8
+0.9X59 + 0.95X69 ≥ 50} restrição de fluxo para o nó 9

A restrição para o nó 7 garante que a quantidade final do produto fluindo para o nó 7


(0,95X57 + 0,90X67) seja suficiente para atender à demanda de celulose nesse nó.
Novamente, interpretações semelhantes se aplicam às restrições para os nós 8 e 9.

IMPLEMENTANDO O MODELO

O modelo para o problema generalizado de fluxo de rede do Coal Bank Hollow Recycling
é resumido como:

MIN: 13X15 + 12X15 + 11X25 + 13X26 + 9X35 + 10X36 + 13X45 + 14X46 + 5X57
+ 6X58 + 8X59 + 6X67 + 8X68 + 7X69
Sujeito a:
−X15 – X16 ≥ −70} restrição de fluxo para o nó 1
−X25 – X26 ≥ −50} restrição de fluxo para o nó 2
−X35 – X36 ≥ −30} restrição de fluxo para o nó 3
−X45 – X46 ≥ −40} restrição de fluxo para o nó 4
+0.9X15 + 0.8X25 + 0.95X35 + 0.75X45 – X57 –X58–X59 ≥ 0}restrição de fluxo para o nó 5
+0.85X16 + 0.85X26 + 0.9X36 + 0.85X46–X67–X68–X69 ≥ 0} restrição de fluxo para o nó 6
+0.95X57 + 0.90X67 ≥ 60} restrição de fluxo para o nó 7
+0.9X58 + 0.95X687 ≥ 40} restrição de fluxo para o nó 8
+0.9X59 + 0.95X69 ≥ 50} restrição de fluxo para o nó 9
Xij ≥ 0 for all i and j} condições de não negatividade

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Célula Formula Copiado para

C6 =VLOOKUP(B6,$J$6:$K$14,2) C7:C19 and G6:G19

E6 =D6*A6 E7:E19

H21 =SUMPRODUCT(H6:H19,A6:A19) …

L6 =SUMIF($F$6:$F$19,J6,$E$6:$E$19) L7:L14
-SUMIF($B$6:$B$19,J6,$A$6:$A$19)

Em todos os outros modelos de fluxo de rede que vimos até este ponto, todos os
coeficientes em todas as restrições foram implicitamente sempre +1 ou -1. Isso não é
verdade no modelo acima. Assim, devemos dar atenção especial aos coeficientes nas
restrições à medida que implementamos este modelo na planilha. Uma abordagem para
implementar esse problema é mostrada na Figura acima.

A planilha na Figura é muito semelhante àquelas dos outros problemas de fluxo de rede
que resolvemos. As células A6 a A19 representam as variáveis de decisão (arcos) do
nosso modelo, e o custo unitário correspondente associado a cada variável é listado na
faixa de H6 a H19. A função objetivo é implementada na célula H21 como:

Fórmula para célula H21: = SUMPRODUCT(H6:H19,A6:A19)

Para implementar as fórmulas do LHS para nossas restrições, não podemos mais
simplesmente somar as variáveis que fluem em cada nó e subtrair as variáveis que fluem
dos nós. Em vez disso, primeiro precisamos multiplicar as variáveis que fluem em um nó

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

pelo fator de rendimento apropriado. Com os fatores de rendimento entrados na coluna


D, o fluxo ajustado para cada arco é computado na coluna E como segue:

Formula for célula E6: =A6*D6


(Copiar para as células E7 a E19.)

Agora, para implementar as fórmulas LHS para cada nó nas células L6 a L14, somaremos
os fluxos ajustados por rendimento em cada nó e subtrairemos o fluxo bruto de cada nó.
Isso pode ser feito da seguinte maneira:

Fórmula para célula L6: = SUMIF($F$6:$F$19,J6,$E$6:$E$19) –


(Copiar para as células L7 a L14.) SUMIF($B$6:$B$19,J6,$A$6:$A$19)

Observe que a primeira função SUMIF nesta fórmula soma os fluxos adequados de
rendimento ajustado na coluna E, enquanto o segundo SUMIF soma o fluxo bruta
apropriado valores da coluna A. Assim, embora esta fórmula seja muito similar àquelas
usadas em modelos anteriores, há aqui uma diferença crítica que deve ser cuidadosamente
anotada e, entendida. Os valores de RHS para essas células de restrição são listados nas
células M6 a M14.

ANALISANDO A SOLUÇÃO

Os parâmetros do Solver usados para resolver esse problema são mostrados na Figura
5.18 e a solução ótima é mostrada na Figura 5.19. Nesta solução, 43,4 toneladas de jornal,
50 toneladas de papel misto e 30 toneladas de papel de escritório branco são atribuídos
ao processo de reciclagem 1 (ou seja, X15 = 43,4, X25 = 50, X35 = 30). Esse processo
de reciclagem gera um total de 107,6 toneladas de celulose (ou seja, 0,9 × 43,3 + 0,8 ×
50 + 0,95 x 30 = 107,6), das quais 63,2 toneladas são alocadas para a produção de papel

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

de jornal (X57 = 63,2) e 44,4 toneladas são alocados para a produção de celulose para
papel de embalagem (X58 = 44,4). Isso nos permite atender a demanda de 60 toneladas
de celulose de papel de jornal (0,95 × 63,2 = 60) e 40 toneladas de papel de embalagem
(0,90 × 44,4 = 40).

As 26,6 toneladas restantes de jornal são combinadas com 35,4 toneladas de papelão no
processo de reciclagem 2 (ou seja, X16 = 26,6, X46 = 35,4). Isto resulta num rendimento
de 52,6 toneladas de polpa (isto é, 0,85 x 26,6 + 0,85 x 35,4 = 52,6), que é todo dedicado
à produção de 50 toneladas de polpa de qualidade de impressão (0,95 x 52,6 = 50).

É importante para Nancy notar que este plano de produção exige o uso de todo o
suprimento de jornal, papel misto e papel branco de escritório, mas deixa cerca de 4,6

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

toneladas de papelão sobrando. Assim, ela deve ser capaz de reduzir ainda mais seus
custos totais adquirindo mais jornal, papel misto ou papel de escritório branco. Seria
sensato para ela ver se poderia trocar seu excesso de papelão por outro reciclador pelo
material que lhe falta.

PROBLEMAS GENERALIZADOS DE FLUXO DE REDE E VIABILIDADE

Em problemas generalizados de fluxo de rede, os ganhos e / ou perdas associados aos


fluxos em cada arco aumentam efetivamente e / ou diminuem o fornecimento disponível
na rede.

Por exemplo, considere o que acontece na Figura de fluxo do problema da reciclagem, se


a oferta de jornal for reduzida para 55 toneladas. Embora pareça que a oferta total na rede
(175 toneladas) ainda exceda a demanda total (150 toneladas), se tentarmos resolver o
problema modificado, o Solver nos dirá que o problema não tem solução viável. (Você
pode verificar isso sozinho.) Portanto, não podemos satisfazer toda a demanda devido à
perda de material que ocorre no processo de produção.

O ponto aqui é que, com problemas generalizados de fluxo de rede, nem sempre é possível
dizer antes de resolver o problema se a oferta total é adequada para atender à demanda
total. Como resultado, você nem sempre sabe qual regra de equilíbrio de fluxo aplicar.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Quando o problema não é claro, é mais seguro assumir primeiro que toda a demanda pode
ser atendida e (de acordo com a regra do balanço de fluxo) usar restrições do formulário:
Fluxo de entrada - Saída ≥ Oferta ou Demanda. Se o problema resultante é inviável (e não
há erros no modelo!), Então sabemos que toda a demanda não pode ser satisfeita e (de
acordo com a regra do balanço de fluxo) usar restrições do formulário:

Entrada - Saída ≤ Suprimento ou Demanda. Neste último caso, a solução identificará a


maneira menos onerosa de usar o suprimento disponível para atender o máximo possível
da demanda.

As duas Figuras abaixo mostram, respetivamente, os parâmetros do Solver e a solução


ótima para este problema revisado de reciclagem, com 55 toneladas de jornal. Observe
que essa solução usa todo o suprimento disponível de cada um dos materiais de
reciclagem. Embora a solução satisfaça toda a demanda por celulose e papel para celulose,
ela cai quase 15 toneladas abaixo da demanda total por celulose de impressão.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Ponto importante de modelagem


Para problemas generalizados de fluxo de rede, os ganhos e / ou perdas associados aos
fluxos em cada arco aumentam efetivamente e / ou diminuem o fornecimento disponível
na rede. Como resultado, às vezes é difícil dizer antecipadamente se a oferta total é
adequada para atender à demanda total em um problema de fluxo de rede generalizado.
Em caso de dúvida, é melhor assumir que a oferta total é capaz de satisfazer a demanda
total e usar o Solver para provar (ou refutar) essa suposição.

Sintetizando:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Problemas de fluxos máximos

O problema de fluxo máximo (ou problema de fluxo máximo) é um tipo de problema de


fluxo de rede no qual o objetivo é determinar a quantidade máxima de fluxo que pode
ocorrer na rede. Em um problema de fluxo máximo, a quantidade de fluxo que pode
ocorrer sobre cada arco é limitada por alguma restrição de capacidade. Esse tipo de rede
pode ser usado para modelar o fluxo de óleo em uma tubulação (na qual a quantidade de
óleo que pode fluir através de um tubo em uma unidade de tempo é limitada pelo diâmetro
do tubo). Engenheiros de tráfego também usam esse tipo de rede para determinar o
número máximo de carros que podem viajar através de uma coleção de ruas com
diferentes capacidades impostas pelo número de faixas nas ruas e limites de velocidade.
O exemplo a seguir ilustra um problema de fluxo máximo.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

UM EXEMPLO DE UM PROBLEMA DE FLUXO MÁXIMO

A Northwest Petroleum Company opera um campo de petróleo e refinaria no Alasca. O


petróleo bruto obtido do campo de petróleo é bombeado através da rede de subestações
de bombeamento mostrada na Figura abaixo para a refinaria da empresa localizada a 500
milhas do campo de petróleo. A quantidade de óleo que pode fluir através de cada um dos
dutos, representada pelos arcos da rede, varia devido a diferentes diâmetros de tubulação.
Os números próximos aos arcos da rede indicam a quantidade máxima de óleo que pode
fluir pelos vários dutos (medidos em milhares de barris por hora). A empresa quer
determinar o número máximo de barris por hora que pode fluir do campo de petróleo para
a refinaria.

O problema de fluxo máximo parece ser muito diferente dos modelos de fluxo de rede
descritos anteriormente porque não inclui suprimentos ou demandas específicas para os
nós.

No entanto, você pode resolver o problema do fluxo máximo da mesma maneira que um
transbordo problema se você adicionar um arco de retorno do nó final ao nó inicial,
atribuir uma demanda de 0 a todos os nós na rede e tentar maximizar o fluxo sobre o arco
de retorno. A figura mostra essas modificações no problema.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Para entender a rede na figura, suponha que k unidades sejam enviadas do nó 6 para o nó
1 (onde k representa algum inteiro). Como o nó 6 tem um fornecimento de 0, ele pode
enviar k unidades para o nó 1 somente se essas unidades puderem ser retornadas pela rede
para o nó 6 (para balancear o fluxo no nó 6). As capacidades nos arcos limitam quantas
unidades podem ser retornadas ao nó 6. Portanto, o fluxo máximo através da rede
corresponde ao maior número de unidades que podem ser enviadas do nó 6 para o nó 1 e,
em seguida, retornadas através da rede para o nó 6 (para equilibrar o fluxo neste nó).
Podemos resolver um modelo PL para determinar o fluxo máximo maximizando o fluxo
do nó 6 para o nó 1, dados os limites superiores apropriados em cada arco e as restrições
usuais de balanço de fluxo. Este modelo é representado como:

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

MAX: X61

Sujeito a: +X61 − X12 − X13 = 0


+X12 − X24 − X25 = 0
+X13 − X34 − X35 = 0
+X24 + X34 − X46 = 0
+X25 + X35 − X56 = 0
+X46 + X56 − X61 = 0

com os seguintes limites nas variáveis de decisão:

0 ≤ X12 ≤ 6 0 ≤ X25 ≤ 2 0 ≤ X46 ≤ 6


0 ≤ X13 ≤ 4 0 ≤ X34 ≤ 2 0 ≤ X56 ≤ 4
0 ≤ X24 ≤ 3 0 ≤ X35 ≤ 5 0 ≤ X61 ≤ ∞

O MODELO E SOLUÇÃO DA PLANILHA


Este modelo é implementado na planilha mostrada na Figura abaixo. Esse modelo de
planilha difere dos modelos de rede anteriores de maneiras menores, mas importantes.
Primeiro, a coluna G na figura abaixo representa os limites superiores para cada arco. Em
segundo lugar, a função objetivo (ou célula de conjunto) é representada pela célula B16,
que contém a fórmula:

Fórmula na célula B16: = B14


A célula B14 representa o fluxo do nó 6 para o nó 1 (ou X61). Essa célula corresponde à
variável que queremos maximizar na função objetivo do modelo PL. Os parâmetros e
opções do Solver mostrados na Figura abaixo são usados para obter a solução ótima
LIBERTO – INVESTIGAÇÃO OPERACIONAL
INVESTIGAÇÃO OPERACIONAL - LIBERTO

mostrada na Figura abaixo Como os arcos que levam ao nó 6 (X46 e X56) têm uma
capacidade total de 10 unidades de fluxo, pode ser surpreendente saber que apenas 9
unidades podem fluir pela rede. No entanto, a solução ótima mostrada na Figura abaixo
indica que o fluxo máximo através da rede é de apenas 9 unidades. Os fluxos ótimos
identificados na Figura abaixo para cada arco são mostrados nas caixas próximas às
capacidades de cada arco na Figura abaixo. Na Figura abaixo, o arco do nó 5 ao nó 6 está
em sua capacidade total de 4 unidades, enquanto o arco do nó 4 ao nó 6 é 1 unidade abaixo
de sua capacidade total de 6 unidades. Embora o arco do nó 4 ao nó 6 possa transportar 1
unidade adicional de fluxo, é impedido de fazê-lo porque todos os arcos que fluem para
o nó 4 (X24 e X34) estão com capacidade total.

Célula Fórmula Copiado para

B16 = B14 —

D6 = VLOOKUP(C6,$I$6:$J$11,2) D7:D14 e F6:F14

K6 =SUMIF($E$6:$E$14,I6,$B$6:$B$14) - K7:K11
SUMIF($C$6:$C$14,I6,$B$6:$B$14)

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Um gráfico como o da figura acima, que resume os fluxos ideais em um problema de


fluxo máximo, é útil para identificar onde o aumento na capacidade de fluxo seria mais
eficaz.

Por exemplo, a partir desse gráfico, podemos ver que, apesar de X24 e X34 estarem em
capacidade total, aumentar sua capacidade não aumentará necessariamente o fluxo
através da rede.

Aumentar a capacidade de X24 permitiria um aumento de fluxo através da rede, pois uma
unidade adicional poderia fluir do nó 1 para o nó 2 para o nó 4 para o nó 6. No entanto,

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

aumentar a capacidade do X34 não permitiria um aumento no total fluxo porque o arco do
nó 1 ao nó 3 já está na capacidade total.

Considerações Especiais de Modelagem

Várias condições especiais podem surgir em problemas de fluxo de rede que exigem um
pouco de criatividade para modelar com precisão. Por exemplo, é fácil impor restrições
de fluxo mínimas ou máximas em arcos individuais nas redes, colocando os limites
inferior e superior apropriados nas variáveis de decisão correspondentes. No entanto, em
alguns problemas de fluxo de rede, requisitos mínimos ou máximos de fluxo podem se
aplicar ao fluxo total que emana de um determinado nó. Por exemplo, considere o
problema de fluxo de rede mostrado na figura abaixo. Agora suponha que o fluxo total
no nó 3 deva ser pelo menos 50 e o fluxo total no nó 4 deve ser pelo menos 60. Poderíamos
impor essas condições facilmente com as seguintes restrições:

X13 + X23 ≥ 50

X14 + X24 ≥ 60

Infelizmente, essas restrições não estão de acordo com a regra do balanço de fluxo e
exigiriam que impusemos restrições laterais ao modelo. Uma abordagem alternativa para
modelar esse problema é mostrada nas Figuras abaixo.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Dois nós e arcos adicionais foram inseridos na Figura 5.28. Observe que o arco do nó 30
para o nó 3 tem um limite inferior (LB) de 50. Isso garantirá que pelo menos 50 unidades
fluam para o nó 3. O nó 3 deve então distribuir esse fluxo para os nós 5 e 6. Similarmente,
o arco conectar o nó 40 ao nó 4 garante que pelo menos 60 unidades fluirão para o nó 4.
Os nós e arcos adicionais adicionados à Figura 5.28 às vezes são chamados de nós
simulados e arcos fictícios.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Como outro exemplo, considere a rede na parte superior da Figura acima, na qual o fluxo
entre dois nós pode ocorrer a dois custos diferentes. Um arco tem um custo de US $ 6 por
unidade de fluxo e um limite superior (U.B.) de 35. O outro arco tem um custo de US $
8 por unidade de fluxo sem limite superior na quantidade de fluxo permitida. Observe que
a solução de custo mínimo é enviar 35 unidades de fluxo do nó 1 para o nó 2 no arco de
US $ 6 e 15 unidades do nó 1 para o nó 2 no arco de US $ 8.

Para modelar este problema matematicamente, gostaríamos de ter dois arcos chamados
X12, porque ambos os arcos vão do nó 1 ao nó 2. No entanto, se ambos os arcos forem
chamados de X12, não há como diferenciar um do outro! A solução para esse dilema é
mostrada na parte inferior da Figura abaixo, na qual inserimos um nó fictício e um arco
fictício. Assim, existem agora dois arcos distintos fluindo para o nó 2: X12 e X10,2. O fluxo
do nó 1 para o nó 2 no arco de US $ 8 agora deve passar primeiro pelo nó 10.

Como último exemplo, observe que os limites superiores (ou restrições de capacidade)
nos arcos de um fluxo de rede podem limitar efetivamente a quantidade de suprimento
que pode ser enviada pela rede para atender à demanda. Como resultado, em um problema
de fluxo de rede com restrições de fluxo (limites superiores) nos arcos, às vezes é difícil
dizer antecipadamente se a demanda total pode ser atendida - mesmo que a oferta total
disponível exceda a demanda total.

Isso novamente cria um problema em potencial para saber qual regra de equilíbrio de
fluxo usar. Considere o exemplo na Figura abaixo.

A parte superior da Figura 5.30 mostra uma rede com um fornecimento total de 200 e
uma demanda total de 155. Como a oferta total parece exceder a demanda total, estamos
inclinados a aplicar a regra do balanço de fluxo que geraria restrições da demanda total.
formulário: Entrada - Saída ≥ Oferta ou Demanda. Esta regra de balanço de fluxo requer
que o fluxo total para os nós 3 e 4 seja maior ou igual às suas demandas de 75 e 80,
respectivamente. No entanto, os limites superiores nos arcos que levam ao nó 3 limitam
o fluxo total para esse nó a 70 unidades. Da mesma forma, o fluxo total no nó 4 é limitado
a 70. Como resultado, não há solução viável para o problema. Neste caso, não podemos
resolver a inviabilidade invertendo as restrições para que sejam da forma: Fluxo de saída
- Suprimento ou demanda. Embora isso permita menos do que a quantidade total exigida
para ser enviada para os nós 3 e 4, agora exige que todo o suprimento seja enviado dos
nós 1 e 2. Claramente, algumas das 200 unidades de fornecimento disponíveis dos nós 1

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

e 2 não terá para onde ir se o fluxo total nos nós 3 e 4 não puder exceder 140 unidades
(conforme exigido pelos limites superiores nos arcos). Uma solução para essa situação é
mostrada na metade inferior da Figura 5.30. Aqui, adicionamos um nó de demanda
fictício (nó 0) que é conectado diretamente aos nós 1 e 2 com arcos que impõem custos
muito grandes nos fluxos para o nó simulado. Observe que a demanda nesse nó simulado
é igual à oferta total na rede. Agora, a demanda total excede a oferta total, de modo que
a regra de equilíbrio de fluxo exige que utilizemos as restrições do formulário: Inflow -
Outflow ≤ Supply ou Demand. Novamente, isso permite que menos que a quantidade
total demandada seja enviada para os nós 0, 3 e 4, mas requer que todo o fornecimento
seja enviado dos nós 1 e 2. Devido aos grandes custos associados aos fluxos dos nós 1 e
2 para o nó de demanda fictício, o Solver garantirá que o máximo possível de
fornecimento seja enviado primeiro para os nós 3 e 4. Qualquer suprimento restante nos
nós 1 e 2 será enviado para o nó simulado. Naturalmente, os fluxos para o nó simulado
representam, na verdade, excesso de estoque ou estoque nos nós 1 e 2 que, na verdade,
não seriam enviados para nenhum lugar nem incorreriam em nenhum custo. Mas usar um
nó simulado dessa maneira nos permite modelar e resolver o problema com precisão.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

entrada para os nós 3 e 4 para ser maior ou igual às suas demandas de 75 e 80,
respetivamente. No entanto, os limites superiores nos arcos que levam ao nó 3 limitam o
fluxo total para esse nó a 70 unidades. Da mesma forma, o fluxo total no nó 4 é limitado
a 70. Como resultado, não há solução viável para o problema. Neste caso, não podemos
resolver a inviabilidade invertendo as restrições para que sejam da forma: Fluxo de saída
- Suprimento ou demanda. Embora isso permita menos do que a quantidade total exigida
para ser enviada para os nós 3 e 4, agora exige que todo o suprimento seja enviado dos
nós 1 e 2. Claramente, algumas das 200 unidades de fornecimento disponíveis dos nós 1
e 2 não terá para onde ir se o fluxo total nos nós 3 e 4 não puder exceder 140 unidades
(conforme exigido pelos limites superiores nos arcos).

Uma solução para essa situação é mostrada na metade inferior da Figura 5.30. Aqui,
adicionamos um nó de demanda fictício (nó 0) que é conectado diretamente aos nós 1 e
2 com arcos que impõem custos muito grandes nos fluxos para o nó simulado. Observe
que a demanda nesse nó simulado é igual à oferta total na rede. Agora, a demanda total
excede a oferta total, de modo que a regra de equilíbrio de fluxo exige que utilizemos as
restrições do formulário: Inflow - Outflow ≤ Supply ou Demand. Novamente, isso
permite que menos que a quantidade total demandada seja enviada para os nós 0, 3 e 4,
mas requer que todo o fornecimento seja enviado dos nós 1 e 2. Devido aos grandes custos
associados aos fluxos dos nós 1 e 2 para o nó de demanda fictício, o Solver garantirá que
o máximo possível de fornecimento seja enviado primeiro para os nós 3 e 4. Qualquer

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

suprimento restante nos nós 1 e 2 será enviado para o nó simulado. Naturalmente, os


fluxos para o nó simulado representam, na verdade, excesso de estoque ou estoque nos
nós 1 e 2 que, na verdade, não seriam enviados para nenhum lugar nem incorreriam em
nenhum custo. Mas usar um nó simulado dessa maneira nos permite modelar e resolver o
problema com precisão.

Nós e arcos fictícios podem ser úteis na modelagem de várias situações que ocorrem
naturalmente em problemas de rede. As técnicas ilustradas aqui são três “truques do
comércio” na modelagem de redes e podem ser úteis em alguns dos problemas no final
deste capítulo.

Problemas de árvore de expansão mínima

Outro tipo de problema de rede é conhecido como o problema da árvore de abrangência


mínima. Esse tipo de problema não pode ser resolvido como um problema de PL, mas é
resolvido facilmente usando um algoritmo manual simples. Para uma rede com n nós,
uma árvore de abrangência é um conjunto de n - 1 arcos que conecta todos os nós e não
contém loops. Um problema de spanning tree mínimo envolve a determinação do
conjunto de arcos que conecta todos os nós em uma rede enquanto minimiza o
comprimento total (ou custo) dos arcos selecionados. Considere o seguinte exemplo:

Jon Fleming é responsável pela criação de uma rede local (LAN) no departamento de
engenharia de projetos da Windstar Aerospace Company. Uma LAN consiste em vários
computadores individuais conectados a um computador centralizado ou servidor de
arquivos. Cada computador na LAN pode acessar informações do servidor de arquivos e
se comunicar com os outros computadores na LAN.

Instalar uma LAN envolve conectar todos os computadores junto com os cabos de
comunicação. Nem todo computador precisa estar conectado diretamente ao servidor de
arquivos, mas deve haver algum link entre cada computador na rede. A figura abaixo
resume todas as conexões possíveis que Jon poderia fazer. Cada nó nesta figura representa
um dos computadores a serem incluídos na LAN. Cada linha que conecta os nós
representa uma conexão possível entre pares de computadores. O valor em dólar em cada
linha representa o custo de fazer a conexão.

Os arcos na figura abaixo não têm orientação direcional específica, indicando que a
informação pode se mover em qualquer direção através dos arcos. Observe também que

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

os links de comunicação representados pelos arcos ainda não existem. O desafio de Jon é
determinar quais links estabelecer. Como a rede envolve n = 6 nós, uma árvore geradora
para esse problema consiste em n - 1 = 5 arcos que resulta em um caminho existente entre
qualquer par de nós. O objetivo é encontrar a árvore de abrangência mínima (menos
onerosa) para esse problema.

Representação de rede para o problema de árvore de expansão mínima da Windstar Aerospace Company .

UM ALGORITMO PARA O PROBLEMA DA ÁRVORE DE ESPANSÃO MÍNIMA

Você pode aplicar um algoritmo simples para resolver problemas de árvore de expansão
mínima. Os passos para este algoritmo são:

1. Selecione qualquer nó. Chame isso de sub-rede atual.

2. Adicione à sub-rede atual o arco mais barato que conecta qualquer nó dentro da sub-
rede atual a qualquer nó que não esteja na sub-rede atual. (Os laços para o arco mais
barato podem ser quebrados arbitrariamente.) Chame isso de sub-rede atual.

3. Se todos os nós estiverem na sub-rede, pare; esta é a solução ideal. Caso contrário,
retorne ao passo 2.

RESOLVENDO O PROBLEMA DO EXEMPLO

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Você pode programar este algoritmo facilmente ou, para problemas simples, executá-lo
manualmente. As etapas a seguir ilustram como executar o algoritmo manualmente para
o problema de exemplo mostrado na figura acima.

Etapa 1. Se selecionarmos o nó 1 na Figura, o nó 1 será a sub-rede atual.

Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-

rede atual é o arco de US $ 80 que conecta os nós 1 e 5. Esse arco e o nó 5 são

adicionados à sub-rede atual.

Etapa 3. Quatro nós (nós 2, 3, 4 e 6) permanecem desconectados - portanto, retorne ao

passo 2.

Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-

rede atual é o arco de US $ 50 conectando os nós 5 e 6. Esse arco e o nó 6 são

adicionados à sub-rede atual.

Etapa 3. Três nós (nós 2, 3 e 4) permanecem desconectados - portanto, retorne à etapa 2.

Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-

rede atual é o arco de US $ 65 que conecta os nós 6 e 3. Esse arco e o nó 3 são

adicionados à sub-rede atual.

Etapa 3. Dois nós (nós 2 e 4) permanecem desconectados - portanto, retorne para a etapa

2.

Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-

rede atual é o arco de US $ 40 que conecta os nós 3 e 2. Esse arco e o nó 2 são

adicionados à sub-rede atual.

Etapa 3. Um nó (nó 4) permanece desconectado - portanto, retorne à etapa 2.

Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-

rede atual é o arco de US $ 75 que conecta os nós 5 e 4. Esse arco e o nó 4 são

adicionados à sub-rede atual.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Etapa 3. Todos os nós agora estão conectados. Pare; a sub-rede atual é ótima.

As figuras abaixo mostram a árvore de expansão ótima (mínima) gerada por esse
algoritmo.

O algoritmo descrito aqui produz a árvore de abrangência ótima (mínima),


independentemente de qual nó é selecionado inicialmente na etapa 1. Você pode verificar
isso resolvendo o problema de exemplo novamente, iniciando com um nó diferente
na etapa 1.

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

LIBERTO – INVESTIGAÇÃO OPERACIONAL


INVESTIGAÇÃO OPERACIONAL - LIBERTO

Resumo

Este capítulo apresentou vários problemas de negócios modelados como problemas de


fluxo de rede, incluindo problemas de transbordo, problemas de caminho mais curto,
problemas de fluxo máximo, problemas de transporte / atribuição e modelos
generalizados de fluxo de rede. Ele também introduziu o problema da árvore de
abrangência mínima e apresentou um algoritmo simples para resolver esse tipo de
problema manualmente.

Embora existam algoritmos especiais para resolver problemas de fluxo de rede, você
também pode formular e resolvê-los como problemas de PL. As restrições em uma
formulação PL de um problema de fluxo de rede têm uma estrutura especial que permite
implementar e resolver esses modelos facilmente em uma planilha. Embora possa haver
maneiras mais eficientes de resolver problemas de fluxo de rede, os métodos discutidos
neste capítulo são geralmente os mais práticos. Para problemas extremamente complexos
de fluxo de rede, talvez seja necessário usar um algoritmo especializado. Infelizmente, é
improvável que você encontre esse tipo de software em sua loja de software local. No
entanto, vários pacotes de otimização de rede podem ser encontrados nos diretórios
técnico / científicos na Internet.

BONS ESTUDOS - Liberto.

LIBERTO – INVESTIGAÇÃO OPERACIONAL