Escolar Documentos
Profissional Documentos
Cultura Documentos
OPERACIONAL
Denise Ost
Márcia Huppe Fávero
Tatielle Menolli Longhini
Presidente da Divisão de Ensino Prof. Paulo Arns da Cunha
Reitor Prof. José Pio Martins
Pró-Reitor de Graduação Prof. Carlos Longo
Pró-Reitor de Pós-Graduação e Pesquisa Prof. Ronaldo Vinicius Casagrande
Coordenação Geral de EAD Prof. Everton Renaud
Coordenação de Metodologia e Tecnologia Profa. Roberta Galon Silva
Autoria Profa. Denise Ost
Profa. Márcia Huppe Fávero
Profa. Tatielle Menolli Longhini
Parecer Técnico Profa. Denise Ost
Profa. Márcia Huppe Fávero
Supervisão Editorial Aline Scaliante Coelho Baggetti
Layout de Capa Valdir de Oliveira
DTCOM
DIRECT TO COMPANY S/A
Análise de Qualidade, Edição de Texto,
Design Instrucional, Edição de Arte,
Diagramação, Imagem de Capa,
Design Gráfico e Revisão Textual
*Todos os gráficos, tabelas e esquemas são creditados à autoria, salvo quando indicada a referência.
Imagens da capa: © painterr; Ellagrin // Shutterstock.
Informamos que é de inteira responsabilidade da autoria a emissão de conceitos. Nenhuma parte
desta publicação poderá ser reproduzida por qualquer meio ou forma sem autorização. A violação dos
direitos autorais é crime estabelecido pela Lei n.º 9.610/98 e punido pelo artigo 184 do Código Penal.
Copyright Universidade Positivo 2018
Rua Prof. Pedro Viriato Parigot de Souza, 5300 – Campo Comprido
Curitiba-PR – CEP 81280-330
Ícones
Afirmação Curiosidade
Assista
Dica
Biografia
Esclarecimento
Conceito
Contexto Exemplo
Sumário
Apresentação...................................................................................................................11
As autoras.........................................................................................................................12
Capítulo 1
Introdução à Pesquisa Operacional..................................................................................15
1.1 Histórico, conceito e objetivos....................................................................................16
1.1.1 Evolução do estudo de Pesquisa Operacional (PO)................................................................................................. 16
1.1.2 Definição e Objetivos da Pesquisa Operacional (PO)...............................................................................................18
1.2 Modelos de Pesquisa Operacional (PO).....................................................................20
1.2.1 Modelos físicos....................................................................................................................................................... 22
1.2.2 Modelos análogos.................................................................................................................................................. 23
1.2.3 Modelos simbólicos................................................................................................................................................ 23
1.2.4 Modelos matemáticos.............................................................................................................................................24
1.3 Definição das fases de um estudo em Pesquisa Operacional....................................25
1.3.1 Formulação do problema dos modelos matemáticos............................................................................................ 26
1.3.2 Cálculo da solução por meio do modelo matemático........................................................................................... 27
1.3.3 Teste do modelo e da solução................................................................................................................................ 28
1.3.4 Implantação e acompanhamento da solução........................................................................................................ 28
1.4 Problemas típicos.......................................................................................................29
1.4.1 Exemplos de aplicação da pesquisa operacional.................................................................................................... 30
Referências.......................................................................................................................34
Capítulo 2
Programação Linear (PL)..................................................................................................35
2.1 Conceitos básicos........................................................................................................35
2.1.1 Processo de formulação de programação linear .................................................................................................... 36
2.1.2 Proporcionalidade, aditividade, fracionamento e certeza...................................................................................... 39
2.1.3 Forma padrão do modelo de programação linear................................................................................................. 40
2.2 Definição do problema...............................................................................................42
2.2.1 Definição de variáveis de decisão, função objetivo e restrições do problema....................................................... 42
2.3 Formulação do modelo matemático..........................................................................44
2.3.1 Definição matemática de variáveis de decisão, função objetivo e restrições do problema................................... 44
2.4 Derivando soluções do modelo..................................................................................49
2.4.1 Análise da modelagem........................................................................................................................................... 49
2.4.2 Processo de tomada de decisão............................................................................................................................. 50
Referências.......................................................................................................................52
Capítulo 3
Aplicações da Programação Linear..................................................................................53
3.1 Resolução gráfica........................................................................................................53
3.1.1 Procedimento de resolução gráfica......................................................................................................................... 53
3.1.2 Casos especiais da solução gráfica......................................................................................................................... 59
3.2 Formulação e resolução de problemas lineares em solver.........................................60
3.2.1 Conhecendo o Solver...............................................................................................................................................61
3.2.2 Passos para o desenvolvimento do Solver............................................................................................................. 63
3.2.3 Interpretação de resultados do Solver................................................................................................................... 66
3.3 Estudo de caso...........................................................................................................67
3.3.1 Exemplo de programação linear............................................................................................................................ 67
3.3.2 Solução do exemplo por solução gráfica............................................................................................................... 69
3.3.3 Solução do exemplo por solver.............................................................................................................................. 71
3.4 Comparação de resultados da solução gráfica e do solver.........................................73
3.4.1 Vantagens e desvantagens dos métodos............................................................................................................... 73
Referências.......................................................................................................................74
Capítulo 4
Método Simplex...............................................................................................................75
4.1 Método algébrico do simplex......................................................................................75
4.1.1 Introdução ao método algébrico do simplex........................................................................................................... 75
4.1.2 Desenvolvimento de problema de programação linear a partir das variáveis básicas e não básicas.....................76
4.1.3 Procedimento do método algébrico....................................................................................................................... 77
4.2 Método simplex em tabela.........................................................................................79
4.2.1 Introdução ao método simplex em tabela............................................................................................................. 79
4.2.2. Procedimento do método simplex em tabela....................................................................................................... 80
4.2.3 Solução de exemplo pelo simplex em tabela......................................................................................................... 82
4.2.4 Interpretação de preço dual e custos reduzidos..................................................................................................... 89
4.3 Método Big M............................................................................................................90
4.3.1 Obtenção de solução inicial viável.......................................................................................................................... 92
4.3.2 Inclusão de variáveis artificiais............................................................................................................................... 95
4.4 Método 2 fases...........................................................................................................95
4.4.1 Obtenção da solução inicial viável.......................................................................................................................... 95
4.4.2 Inclusão de variáveis artificiais............................................................................................................................... 97
Referências.......................................................................................................................99
Capítulo 5
Modelos e aplicações em redes: fluxo de redes e árvore geradora mínima..................101
5.1 Problema de fluxo em redes.....................................................................................101
5.1.1 Problema de fluxo de custo mínimo (PFCM).........................................................................................................102
5.1.2 Problema do Caminho Mínimo............................................................................................................................ 104
5.1.3 Problema do fluxo máximo.................................................................................................................................. 106
5.2 Problema da Árvore Geradora Mínima....................................................................108
5.2.1 Aplicações............................................................................................................................................................. 109
5.2.2 Método Kruskal.....................................................................................................................................................110
5.2.3 Método Prim.........................................................................................................................................................111
Referências.....................................................................................................................113
Capítulo 6
Modelos e aplicações em redes: problemas de rede e problemas de grafos.................115
6.1 Introdução a modelos e aplicações em redes ..........................................................115
6.1.1 Definição de modelos e aplicações em rede..........................................................................................................115
6.1.2 Aplicação de modelos e aplicações em redes.......................................................................................................116
6.2 Problemas de rede x teoria dos grafos.....................................................................116
6.2.1 O que é um grafo?.................................................................................................................................................118
6.2.2 Problemas com grafo........................................................................................................................................... 120
6.2.3 Noções de problemas em redes........................................................................................................................... 122
6.3 Problema de transporte...........................................................................................122
6.3.1 Definição do problema e formulação do problema matemático......................................................................... 123
6.3.2 Solução por quadro de transporte........................................................................................................................124
6.3.3 Método do canto noroeste....................................................................................................................................124
6.3.4 Solução inicial pelo método do custo mínimo......................................................................................................124
6.4 Problema de designação .........................................................................................124
6.4.1 Definição do problema e formulação do problema matemático......................................................................... 125
6.4.2 Método húngaro...................................................................................................................................................126
Referências.....................................................................................................................127
Capítulo 7
Análise de sensibilidade, dualidade e interpretação econômica....................................129
7.1 Análise de sensibilidade............................................................................................129
7.1.1 Análise gráfica e interpretação econômica........................................................................................................... 130
7.1.2 Análise algébrica e interpretação econômica....................................................................................................... 134
7.1.3 Interpretação Econômica...................................................................................................................................... 140
7.1.4 Fórmulas custo reduzido........................................................................................................................................141
7.2 Teoria da dualidade...................................................................................................143
7.2.1 Introdução à teoria da dualidade...........................................................................................................................143
7.2.2 Propriedades......................................................................................................................................................... 144
7.2.3 Primal e Dual........................................................................................................................................................ 148
7.2.4 Interpretação econômica da dualidade.................................................................................................................149
Referências.....................................................................................................................151
Capítulo 8
Teoria da decisão............................................................................................................153
8.1 Estrutura dos problemas de decisão........................................................................153
8.1.1 Estratégias alternativas......................................................................................................................................... 154
8.1.2 Estados da natureza............................................................................................................................................. 154
8.1.3 Resultado.............................................................................................................................................................. 154
8.2 Decisão tomada sob certeza (DTSC)........................................................................157
8.2.1 Definição............................................................................................................................................................... 157
8.2.2 Exemplo............................................................................................................................................................... 158
8.3 Decisão Tomada Sob Risco (DTSR)...........................................................................160
8.3.1 Definição................................................................................................................................................................161
8.3.2 Montagem das matrizes.......................................................................................................................................161
8.3.3 Valor Esperado da alternativa (VEA) X Valor esperado da informação perfeita (VEIP)....................................... 163
8.4 Decisão Tomada Sob Incerteza (DTSI)......................................................................168
8.4.1 Critério maximin .................................................................................................................................................. 169
8.4.2 Critério de Maximax..............................................................................................................................................170
8.4.3 Critério de LaPlace.................................................................................................................................................171
8.4.4 Critério do mínimo arrependimento.....................................................................................................................172
Referências.....................................................................................................................174
Apresentação
Currículo Lattes:
<lattes.cnpq.br/4955480902023717>
Currículo Lattes:
<lattes.cnpq.br/1247640817034346>
Currículo Lattes:
<lattes.cnpq.br/5187395539638194>
O método Simplex é uma técnica usada para se determinar, numericamente, a solução ótima
de um modelo de Programação Linear.
Taha (2008) afirma que é fundamental que o problema seja bem definido para
que os demais passos sejam elaborados facilmente. Isso também implica na redução
de perda de recursos e minimização de retrabalho.
Para a resolução dos problemas é necessário percorrer cinco etapas consecuti-
vas. Estas devem se adaptar às situações estudadas, uma vez que cada uma delas pos-
sui particularidades. Assim, é necessário identificar o problema de modo que o modelo
seja formulado e testado em diferentes cenários e os resultados sejam plenamente
interpretados, implementados e monitorados. Veja na figura.
Pesquisa Operacional 19
Formação
do modelo
Análise dos
cenários
Interpretação
dos resultados
Implementação
© DTCOM
e monitoração
Mundo real
Mundo real
Modelo
considerado
© DTCOM
Fonte: TAHA, 2008, p. 3. (Adaptado).
© DTCOM
Fonte: LACHTERMACHER, 2007, p. 3. (Adaptado).
© Macrovector // Shutterstock
© Alexzel // Shutterstock
..
..
..
Percebe-se, de acordo com Lachtermacher (2007), que a partir das analogias pos-
sibilita-se a previsão de comportamentos dos fenômenos onde conceitos, processos,
concepções e relações causais são explicitadas. Tornando-se uma ferramenta interes-
sante para o melhor entendimento e abstração da realidade.
Portanto, o uso de modelos análogos visa à antecipação de interpretações. Isso
decorre do controle de comportamentos e processos inerentes à realidade analisada.
Destaca-se assim como uma modelagem aplicável à Pesquisa Operacional para enten-
dimento e abstração do problema que se propõe avaliar.
Modelo
© DTCOM
Parâmetro Consequências
Dado o nível de incerteza do sistema em análise, podemos dizer que os modelos são deter-
minísticos ou probabilísticos. O primeiro assume que todas as informações importantes foram
consideradas. Quanto ao segundo, assume-se que uma ou mais variáveis são desconhecidas.
Escolha do
Formulação Obtenção método de Obtenção Implementação
Resultado
do problema do modelo obtenção dos dados da solução
da solução
Teste do modelo e
da sua solução
Experiência
© DTCOM
Por consequência, é importante a descrição de cada uma das fases para que o
analista tenha capacidade de desenvolver um estudo condizente com a realidade ava-
liada. Veremos nos próximos tópicos.
Pesquisa Operacional 26
=
<
Portanto, com o cálculo da solução são visualizadas as ações que podem ser
implementadas na realidade, sendo visada a otimização de recursos. Para isso, o
modelo deve ser testado para ser validado. É o que veremos no tópico a seguir.
Pesquisa Operacional 28
Números e fatos
Processamento
de dados
Dados
Sist. de informação
gerencial
Informações
Sistema de apoio
à decisão
Decisões
Sistemas
especialistas
© DTCOM
Conhecimento
Unidades de Unidades
suprimento
a2 2 2 b2 de demanda
...
...
am m n bn
© DTCOM
cmn : xmn
Destinação de matérias-primas
Tonelada de matéria-prima
Couro para Couro para Disponibilidade
sapato cinto diária máxima
M1 6 4 24
M2 1 2 6
Lucro por tonelada
5 4
(R$1000)
Pesquisa Operacional 31
• Restrições:
xc ≤ 2 (Resultado da pesquisa de mercado, que determinou a demanda máxima
por couro de cinto);
xc – x s ≤ 1 (Resultado da pesquisa de mercado que diz que a produção de couro
de cinto não pode ultrapassar a de couro de sapato em mais de um 1 tonelada.
6x s + 4xc ≤ 24 (Disponibilidade máxima de M1);
x s + 2xc ≤ 6 (Disponibilidade máxima de M2);
x s,xc ≥ 0 (Condição de não-nulidade, uma vez que não existe valores negativos
para produtos).
A partir da formulação dos problemas, podemos calcular soluções (valores de x s e
xc) que satisfazem todas as restrições. Elas são as chamadas soluções viáveis. Soluções
que não satisfazem as restrições são chamadas de soluções inviáveis. Já a solução
viável com melhor valor da função objetivo é chamada de solução ótima. No pro-
blema em questão, a solução ótima é obtida com a produção de 2 unidades de couro
para sapato e duas unidades de couro para cinto, sendo gerado um lucro máximo de
R$18.000,00.
Para que haja a validação do modelo, é importante que o gestor compare o resul-
tado calculado com dados históricos da fábrica de couro. Depois de validado o resul-
tado, parte-se para a implementação e monitoramento de resultados, de modo que
se assegure que as condições reais sejam similares ao que foi modelado, assim como
os resultados.
Perceba que no problema em análise, conseguimos formulá-lo, matematica-
mente. Essa é a etapa principal no processo de solução de uma programação linear em
um problema de pesquisa operacional. O desenvolvimento dos cálculos e dos testes
dos modelos dependem diretamente dele para completo êxito.
Vimos, assim, ao decorrer do capítulo, os aspectos introdutórios da Pesquisa
Operacional.
Pesquisa Operacional 33
Definição
Histórico, Modelos em das fases de
conceito e pesquisa estudo em Problemas
© DTCOM
evolução operacional pesquisa típicos
operacional
Referências
CHWIF, L.; MEDINA, A. C. Modelagem e simulação de eventos discretos: teoria e aplica-
ções. 2. ed. São Paulo: Ed. Dos Autores, 2006. 254p.
HILLIER, F. S.; LIEBERMAN, G. J. Introdução à Pesquisa Operacional. 9. ed. São Paulo:
Editora Bookman, 2013.
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões: modelagem em
Excel. Rio de Janeiro: Elsevier, 2007
LAWRENCE, J. A.; PASTERNACK, B. A. Applied Management Science: Modeling,
Spreadsheet Analysis, and Communication for Decision Making. 2. ed. New York: John
Wiley e Sons, 2002.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Person Prentice Hall, 2008.
YOUNG, H. D.; FREEDMAN, R. A. Física I: mecânica. 10. ed. São Paulo: Addison Wesley,
2003.
2 Programação Linear (PL)
Tatielle Menolli Longhini
g1 (x 1, x 2 , ..., x n) b1
g2 (x 1, x 2 , ..., x n) b2
≥
.
.
� = � .
.
≤
. .
gm (x 1, x 2 , ..., x n) bm
Onde:
f(x 1, x 2 , ..., xn) = c1x 1 + c2 x 2 + ... + cnxn.
gi(x 1, x 2 , ..., xn) = ai1x 1 + ai2 x 2 + ... + aijxn para i = 1, 2, ..., m.
n é o número de variáveis.
m é o número de restrições do problema.
j é o índice de determinada variável (j = 1, 2, ..., n).
ci coeficiente (constante) da variável xi da função objetivo.
aij é o coeficiente (constante) da variável xj da j-ésima restrição.
Otimizar é função de maximização ou minimização.
Com isso, parte-se para a solução do problema, com especificação qualquer de valo-
res às variáveis de decisão dentro das possibilidades contidas tanto na função objetivo,
quanto nas restrições delimitadas (LACHTERMACHER, 2009). A solução pode ser viável,
onde todas as restrições são atendidas, ou ótima, onde a função objetivo atinge seu valor
otimizado (minimizado ou maximizado) e pode ou não existir e ser única ou não.
A programação linear possui teoremas para as soluções. Inicialmente, é impor-
tante definir o que é um conjunto convexo, que se trata do conjunto de pontos em que
todos os segmentos de reta formado pelos pontos são internos ao conjunto original de
solução, como representado na figura (LACHTERMACHER, 2009).
Pesquisa Operacional 38
© DTCOM
Conjunto Conjunto
Convexo Não-convexo
X2
D
E (1,4)
(0,4) C
(3,3)
Soluções
viáveis
© DTCOM
(0,0) (3,0) X1
A B
Proporcionalidade
A contribuição na função objetivo e nas restrições deve ser diretamente proporcional ao valor
das variáveis de decisão. Ou seja, não se considera ganhos e descontos para diferentes valores/
níveis de atividade.
Aditividade
A contribuição total na função objetivo e nas restrições deve ser a soma das contribuições indi-
viduais das variáveis de decisão. Assim, não se permite interdependência entre elas, tanto na
função objetivo quanto nas restrições.
Fracionamento
Admite que as unidades da atividade são divisíveis, em qualquer unidade.
Certeza
Os coeficientes são valores determinísticos (constantes conhecidas). Na realidade, tais valores
têm uma distribuição de probabilidade. Em um modelo de programação linear usa-se um valor
constante. Ou seja, os coeficientes da programação linear são aproximações aceitáveis da rea-
lidade. Quando há grandes desvios, é importante fazer a avaliação por métodos aleatórios ou
pela análise de sensibilidade da solução ótima.
Pesquisa Operacional 40
x 1 – 2 x 2 ≤ –5 ↔ -x 1 + 2x 2 ≥ 5
–x 1 + 3 x 2 = –7 ↔ x 1 – 3x 2 = 7
Pesquisa Operacional 41
c. Restrições ≤ ou ≥
Para transformar as restrições do tipo maior ou igual ou menor ou igual (≤ ou ≥),
e transformar em equação do tipo igual (=), é acrescentada uma nova variável. A
variável será somada de a restrição for do tipo ≤ e diminuída se a restrição for ≥.
Em ambos os casos deve ser obedecida a restrição de não-negatividade. Ou seja:
Para a restrição do tipo ≤: x1 + 2x2 ≤ 10 ↔ x1 + 2x2 + f1 = 10.
Para a restrição do tipo ≥: 3x1 + 2x2 ≥ 20 ↔ 3x1 + 2x2 – f2 = 20.
Sendo que as variáveis acrescentadas devem ser maiores ou iguais a 0 (f1,f2 ≥ 0).
d. Variável de decisão ≤ 0
Se a variável de decisão for menor ou igual a zero (x’ ≤ 0), ela é substituída por
x ≥ 0, onde x’ = –x.
Min 2x – 3y Max 2x – 3y
x + y ≤ 20 x + y + f 1 = 20
3x – y ≥ 8 ↔ 3x – y – f 2 = 8
X ε R, y ≥ 0 X ε R, y, f 1, f 2 ≥ 0
Substituindo x = xa – xb, uma vez que se deseja que as variáveis de decisão sejam ≥ 0:
Então, nesse subtópico, vimos as propriedades que devem ser atendidas pela pro-
gramação linear para que a forma padrão seja assumida. Isso é o mesmo que dizer que
função objetivo da PL deve ser do tipo máx, além das restrições assumirem a igualdade
e os termos independentes devem ser, necessariamente, maiores ou iguais a zero.
De posse de todas as informações trabalhadas, podemos definir o problema,
com sua modelagem atendendo os requisitos da realidade, as propriedades e a forma
padrão. Isso é o que veremos no próximo tópico.
Variáveis de decisão
As variáveis de decisão representam a informação desejada do problema. Ou
seja, aquilo vai remeter a solução do modelo. De acordo com Marins (2011), a mode-
lagem requer, primeiramente, a identificação das variáveis de decisão. Para isso,
sugere-se três passos:
Lembre-se sempre que as variáveis de decisão são aquelas que podemos mudar livremente a
quantidade, enquanto os condicionantes do problema representam restrições impostas, não
mutáveis.
Função objetivo
Definidas as variáveis de decisão, agora falaremos sobre a função objetivo.
Basicamente, a pesquisa operacional busca o melhor, ou seja, otimizar (maximizando
ou minimizando), e é isso que construímos com a função objetivo.
É comum a busca pela maximização de lucros. Na programação linear é definido
apenas uma função objetivo.
Em problemas que envolvem lucro, é necessário fazer a relação entre receitas e custos, de
modo que lucro = receitas – custos. Em situações do tipo, é comum que os problemas forne-
çam os lucros unitários, ou o faça calculá-los a partir das informações de receitas e custos.
Restrições
Quanto às restrições, devem ser identificadas as limitações de recursos disponí-
veis (trabalhadores, equipamentos, dinheiro, matéria-prima), condições contratuais e
demanda de mercado. As restrições não podem assumir valores negativos, ou seja, só
Pesquisa Operacional 44
podem assumir valores inteiros, nulos ou positivos, como forma de atender condições
de não-negatividade e integridade (MARINS, 2011).
Há a possibilidade de as restrições assumirem valores positivos, negativos ou
nulos. Diante dessas situações, é comum desenvolver os seguintes passos:
• Desenvolva as restrições com palavras. Para isso, defina a quantidade requisi-
tada de um recurso e sua relação com a disponibilidade. É como o uso de igual-
dade (=) ou desigualdades (≥ e ≤);
• assegure que as unidades de medida usadas, tanto para lado esquerdo quanto
do lado direito da (des)igualdade sejam iguais;
• desenvolva a restrição em modelagem matemática, de modo que sejam usa-
dos e explicitados parâmetros para as variáveis de decisão;
• ao fazer a notação matemática, assegure que as incógnitas se encontrem ao
lado esquerdo, e a constante fique do lado direito da (des)igualdade.
Compreendidos os passos para a definição da programação linear, quando são
designadas as variáveis de decisão, a função objetivo e as restrições, o entendimento
dos problemas de pesquisa operacional se torna mais acessível. Para que o aprendi-
zado seja colocado em prática, é necessário trabalhar com exemplos. E é isso que fare-
mos no próximo tópico.
Variáveis de decisão
x 1: quantidade consumida de farinha de trigo
x 2: quantidade consumida de leite em pó
x 3: quantidade consumida de queijo
x4: quantidade consumida de fígado
x 5: quantidade consumida de batata
x6: quantidade consumida de feijão
Função objetivo
Sabemos que os custos unitários de farinha de trigo, leite em pó, queijo, fígado,
batata e feijão são, respectivamente, $10,8, $20,5, $22,5, $21,2, $16,1 e $15, e que o
custo total deve ser minimizado. Formalizando:
Restrições
Sabendo que a necessidade mínima diária de calorias, cálcio e vitamina B12 são,
respectivamente, de no mínimo, de 3, 0,8 e 2,7 e que, e mínimo remete à restrição do
tipo maior ou igual (≥), parte-se para a formalização.
• Necessidade de caloria: 44,7x 1 + 8,4x 2 + 7,4x 3 + 2,2x4 + 9,6x 5 + 26,9x6 ≥ 3.
• Necessidade de cálcio: 2x 1 + 19,1x 2 + 16,4x 3 + 0,2x4 + 2,7x 5 + 11,4x6 ≥ 0,8.
• Necessidade de B12: 33,3x 1 + 23,5x 2 + 10,3x 3 + 50,8x4 + 5,4x 5 +24,7x6 ≥ 2,7.
• Restrição de não-negatividade: x 1,x 2 ,x 3 , x4, x 5, x6 ≥ 0.
Ao todo são três fábricas – em Curitiba, São Paulo e Aracaju – e quatro centros de
distribuição – Florianópolis, Rio de Janeiro, Salvador e Manaus. Assim, podemos defi-
nir que as variáveis de decisão são os custos entre as fábricas (i = 1, 2, 3) e os centros
de distribuição (j = 1, 2, 3, 4). A função objetivo busca a minimização dos custos de
transporte. Como restrições, temos as demandas de cada um dos centros de distribui-
ção e as produções de cada uma das fábricas.
Variáveis de decisão
xij =quantidade enviada da fábrica i (i = 1 (Curitiba), 2 (São Paulo), 3 (Aracaju))
ao centro de distribuição j (j = 1 (Florianópolis), 2 (Rio de Janeiro), 3 (Salvador) e 4
(Manaus)).
Ou seja:
x11: custo de transporte entre Curitiba (fábrica) e Florianópolis (centro de distribuição).
x12: custo de transporte entre Curitiba (fábrica) e Rio de Janeiro (centro de
distribuição).
x13: custo de transporte entre Curitiba (fábrica) e Salvador (centro de distribuição).
x14: custo de transporte entre Curitiba (fábrica) e Manaus (centro de distribuição).
x21: custo de transporte entre São Paulo (fábrica) e Florianópolis (centro de
distribuição).
x22: custo de transporte entre São Paulo (fábrica) e Rio de Janeiro (centro de
distribuição).
x23: custo de transporte entre São Paulo (fábrica) e Salvador (centro de distribuição).
x24: custo de transporte entre São Paulo (fábrica) e Manaus (centro de distribuição).
x31: custo de transporte entre Aracajú (fábrica) e Florianópolis (centro de distribuição).
Pesquisa Operacional 48
Ou seja:
Função objetivo
Sabemos que os custos unitários de transporte entre a fábrica e o centro de dis-
tribuição são definidos por:
cij = custo unitário de transporte da fábrica i (i = 1 (Curitiba), 2 (São Paulo),
3 (Aracaju)) ao centro de distribuição j (j = 1 (Florianópolis), 2 (Rio de Janeiro), 3
(Salvador) e 4 (Manaus)).
Como se deseja minimizar o custo, a função objetivo é dada por:
Restrições
As restrições do problema são produção das três fábricas e demandas dos quatro
centros de distribuição. Assim, formalizamos como:
Restrição de produção de Curitiba: x 11 + x 12 + x 13 + x 14 ≤ 470.
Restrição de produção de São Paulo: x 21 + x 22 + x 23 + x 24 ≤ 400.
Restrição de produção de Aracaju: x 31 + x 32 + x 33 + x 34 ≤ 400.
Restrição de demanda de Florianópolis: x 11 + x 21 + x 31 + x41 = 350.
Restrição de demanda de Rio de Janeiro: x 12 + x 22 + x 32 + x42 = 300.
Pesquisa Operacional 49
Restrições – sujeito à:
∑
n
Produção: j=1
Xij ≤ ai, i = 1, 2, ..., m (m = 3).
∑
m
Demanda: j=1
Xij = bj, j = 1, 2, ..., m (n = 4).
Não-negatividade: xij ≥ 0.
De acordo com Taha (2008), os valores da solução são obtidos quando, mediante
as restrições do problema original, o modelo é resolvido sem que nenhuma das con-
dições seja rompida. Consequentemente, é importante avaliar as soluções calculadas,
como consta na figura a seguir.
© DTCOM
Variável que sai
A solução analítica é aquela que é adotada pelo método Simplex, quando, ao longo das etapas
são visualizadas quais variáveis entram ou saem da solução do modelo de modo que o resulta-
do ótimo seja alcançado.
Quando feita uma avaliação superficial e rápida, é comum o uso de métodos inte-
rativos de solução e a solução gráfica. Em termos de simplificação, para a aprendiza-
gem, é comum o uso de modelos com apenas duas variáveis de decisão. Assim, para a
determinação da solução ótima deve haver relação entre os métodos.
Com os problemas resolvidos, as soluções indicam as ações a serem implementa-
das na realidade. Portanto, é essencial compreender o processo de tomada de decisão
para que as soluções sejam viabilizadas e monitoradas na realidade.
Referências
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões. 4. ed. Rio de
Janeiro: Elsevier, 2009.
______. Pesquisa operacional na tomada de decisões: modelagem em Excel. Rio de
Janeiro: Elsevier, 2007
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
TAHA, H. A. Pesquisa Operacional. Ed. 8. São Paulo: Person Prentice Hall, 2008.
3 Aplicações da Programação Linear
Tatielle Menolli Longhini
• desenhar o gráfico,
• descobrir a área viável,
• determinar a solução ótima.
Cada um dos passos tem atividades específicas a serem realizadas, conforme
exposto na figura a seguir.
(c) Restrições:
2x 1 + x 2 ≤ 1000 (Restrição de Plástico).
3x 1 + 4x 2 ≤ 2400 (Tempo de Produção em minutos).
x 1 + x 2 ≤ 700 (Produção Total).
x 1 – x 2 ≤ 350 (Mix de produção).
x 1, x 2 ≥ 0 (Condição de não-negatividade).
Perceba que no problema, a produção é determinada por duas variáveis: x1, x 2. Com
elas, todas as restrições do problema devem ser atendidas para a obtenção da solução
ótima, onde se deseja a maximização de recursos. Além disso, o problema tem como
restrições: restrição de plástico, tempo de produção, produção total e mix de produção.
O primeiro passo consiste em atender à condição de não negatividade em que se
determina que as variáveis de decisão são positivas, como mostra a figura a seguir.
A condição de não-negatividade deve ser atendida, pois, quando avaliamos problemas reais,
possuímos recursos. Estes, como existem, jamais podem assumir valores negativos.
Pesquisa Operacional 56
X2
X1
© DTCOM
Fonte: MARINS, 2011, p. 40.
Restrição de Plástico
2x 1 + x 2 = 1000
(i) Para x 1 = 0: (ii) Para x 2 = 0:
2 . 0 + x 2 = 1000 2x 1 + 0 = 1000
x 2 = 1000 x 1 = 1000/2
x 1 = 500
Restrição de plástico
1.000
X2 Restrição de plástico:
2 X1 + 1 X2 < 1000
500
X1
© DTCOM
700
Restrição de tempo Restrição produção Restrição de mix:
600 de produção: total: x1 - x2 < 350
3x1 + 4x2 < 2400 x1 + x2 < 700
© DTCOM
800 X1 X1 350 X1
700
Ao identificar a região varrida por cada uma das restrições, encontramos a região
viável, que é resultante da interseção de todas as restrições, conforme a próxima
figura. Perceba, ainda a partir da imagem, segundo Marins (2011), que existem três
tipos de soluções viáveis: pontos internos à Região Viável, Pontos na fronteira (seg-
mentos) e Pontos que são vértices cortes de segmentos de reta.
X2 Solução Viável
Interior
600
Solução Viável
na Fronteira
X1
© DTCOM
350
Fonte: MARINS, 2011, p. 43. (Adaptado).
As soluções viáveis, assim como a solução ótima, indicam soluções que atendem às restrições
do problema. No entanto, a função objetivo não possui um valor ótimo.
8x 1 + 5x 2 = 2.000
Veja que os cortes para a função objetivo igual a 2.000 são o x 1 = 250 e x 2 = 400.
O processo é repetido para diferentes valores arbitrários à função objetivo, até que a
reta se ligue ao último ponto possível da Região Viável, como mostra a próxima figura.
400 Melhoria do
objetivo
8X1 + 5X2 = 0
X1
© DTCOM
250
O último ponto possível da região viável a ser relacionado pela evolução da fun-
ção objetivo é resultante da interseção entre a restrição de tempo de produção (reta
azul) e a restrição de plástico (reta vermelha). Para calcular esse ponto, precisamos
fazer um sistema incluindo as retas das duas restrições:
O exemplo que acabamos de resolver é do tipo de solução única. Ou seja: apenas um ponto
representa o resultado de otimização.
cresce
conjunto viável vazio
X1 X1
(a) solução ilimitada (b) não há solução
X2 X2
Z*
cresce
cresce
Z*
X1
X1
© DTCOM
(c) mais de uma solução ótima (d) mais de uma solução ótima
A solução ilimitada é definida como aquela que não possui solução ótima, pois a
solução da função objetivo tende ao infinito, como demonstrado em (a). Já o caso de
problema inviável ocorre quando não existe solução viável, logo não há solução ótima,
pois todas as variáveis são inviáveis. Ou seja: não há solução que atenda todas as res-
trições simultaneamente, e está indicado em (b). Por último, existe o caso de múltiplas
soluções ótimas que indicam na verdade, que há infinitas soluções ótimas alternativas.
Qualquer combinação linear gera uma solução ótima, como mostrado em (c) e (d).
Aprendemos, portanto, os passos que devem ser seguidos para resolução de pro-
blemas de otimização por método gráfico. A partir dele, obtivemos a solução ótima do
problema – caso ele incorra em uma única solução. Se a resolução não se enquadrar
nesse perfil, dizemos que pode ser um caso especial de solução de programação linear,
requisitando um estudo mais detalhado para apontar se é uma situação de solução ili-
mitada, de não solução ou de múltiplas soluções.
Além do Solver, existem outros softwares para resolução de problemas de otimização, tais
como AMPL e o Lindo, suas versões podem ser baixadas sem custo, mas requisitam uma lingua-
gem algébrica de modelagem. São interessantes, pois ofertam maior flexibilidade aos modelos.
Feito isso, o conjunto de Opções do Excel será aberto, e você deve selecio-
nar Suplementos, presente na coluna à esquerda da tela. Depois, deve-se selecio-
nar Gerenciar: a opção Suplementos do Excel e pressionar o botão Ir, assim como
exposto na próxima figura.
Ao abrir a aba de Dados, você notará que no canto superior direito da tela, assim
como indicado pela seta vermelha, o Solver se encontra habilitado para uso, conforme
a imagem a seguir.
Você notou aqui que, o Solver é um a ferramenta de largo uso para a otimização
de problemas de programação linear. Além dele, outros softwares podem ser utiliza-
dos para tal finalidade. Para o uso do Solver, é necessário, inicialmente, ativá-lo. Mas,
quais são os passos a serem seguidos para programar a otimização de problemas no
Solver? Veremos no tópico a seguir.
(c) Restrições:
2x 1 + x 2 ≤ 1000 (Restrição de Plástico).
3x 1 + 4x 2 ≤ 2400 (Tempo de Produção em minutos).
x 1 + x 2 ≤ 700 (Produção Total).
x 1 – x 2 ≤ 350 (Mix de produção).
x 1, x 2 ≥ 0 (Condição de não-negatividade).
Pesquisa Operacional 64
Entenda que o resultado, tanto da função objetivo, quanto das restrições, pos-
suem seus coeficientes vinculados às variáveis de decisão. Isso se explica, a partir da
solução do problema, há a identificação dos valores ótimos de x 1 e x 2 , identificaremos
a função objetivo otimizada, assim como o nível de uso de recursos de cada restrição.
Com o modelo definido, programar o último passo do Solver. Para isso, você deve ir à
aba Dados e ir no canto direto superior da tela, onde há a opção Solver que deve ser
selecionada, aparecendo a tela da figura a seguir.
Pesquisa Operacional 65
Resultados do Solver
Perceba que somos informados que uma solução foi encontrada, de modo que
todas as restrições e condições do problema foram plenamente satisfeitas. Podemos
interpretar os resultados também a partir dos relatórios de resposta, sensibilidade e
limites. O relatório de sensibilidade é aquele que nos permite uma melhor abordagem
em termos de avaliação de resultados em caso de variação de valores das variáveis de
decisão outras situações.
Ao manter selecionado a opção Manter Solução do Solver, clicamos no botão
OK. Note, a partir da figura a seguir, que as Variáveis de decisão, antes vazias, assu-
miram valores indicativos da otimização, de modo que x 1 = 320, e x 2= 360, resultando
em um lucro maximizado de $4360. Ou seja, para a otimização do modelo é necessária
a produção de 320 unidades do brinquedo 1 e de 360 unidades do brinquedo 2, garan-
tindo um lucro máximo de $4.360. Além disso, note que todas as restrições foram
atendidas, de modo que o total não ultrapassa a Restrição.
Pesquisa Operacional 67
kg por kg de ração
Ração Proteína Fibra Custo ($/kg)
Milho 0,09 0,02 0,3
Soja 0,6 0,06 0,9
Fonte: TAHA, 2008, p. 11. (Adaptado).
Variáveis de decisão:
x 1 = kg de milho na ração especial.
x 2 = kg de soja na ração especial.
Função objetivo:
mín 0,3x1 + 0,9x 2 (A empresa deseja minimizar os custos de produção).
Restrições:
x 1 + x 2 ≥ 800 (necessidade nutricional).
0,09x 1+ 0,6x 2 ≥ 0,3(x 1 +x 2) => 0,21x 1 – 0,3x 2 ≤ 0 (requisito de proteína na
mistura das rações).
0,02x 1 + 0,06x 2 ≤ 0,05(x 1 + x 2) => 0,03x 1 – 0,01x 2 ≥ 0 (requisito de fibra na
mistura das rações).
x 1,x 2 ≥ 0 (restrição de não-negatividade).
Note que, quando se fala de restrição do tipo mínimo, traduzimos matematicamente como re-
lação maior ou igual (≥). Já, quando dissemos que a restrição é do tipo máximo, expressamos
como menor ou igual (≤).
Restrições:
Necessidade nutricional
x 1 + x 2 = 800
(i) Para x 1 = 0 (ii) Para x 2 =0
0 + x 2 = 800 x 1 + 0 = 800
x 2 = 800 x 1 = 800
Requisito de proteína
0,21x 1 – 0,3x 2=0 (na mistura das rações)
(i) Para x 1 =0 (ii) Para x 2 = 0
0,21.(0) – 0,3x 2 = 0 0,21x 1 – 0,3.(0) = 0
x 2 = 0/(–0,3) = 0 x 1 = 0/0,21 = 0
Requisito de Fibras
0,03x 1 – 0,01x 2 = 0
(i) Para x 1 = 0 (ii) Para x 2 = 0
0,03.(0) – 0,01x 2 = 0 0,03x 1 – 0,01.(0) = 0
x 2 = 0/(–0,01) = 0 x 1 = 0/0,03 = 0
x2
1.500
Minim
izar z
= 0,3
x1 + 0
,9 x
0
,01 >
2
x1 - 0
1.000
0,03
<0
3 x 2
,
-0
1x1
0,2
500
Ótima: x1 = 470,6
x x2 = 329,4
1 +
x
2 > z = $437,64
80
0
© DTCOM
x1
0 500 1.000 1.500
x 1 + x 2 = 800
0,21x 1 – 0,3x 2 = 0
Com o modelo definido na planilha eletrônica, vamos na aba Dados para selecio-
nar opção ‘Solver’. Partiremos para a solução do problema, como mostra a próxima
figura. Perceba que em Definir Objetivo, selecionaremos o Resultado da função obje-
tivo, que havíamos programado anteriormente. Como desejamos minimizar a função
objetivo, selecionamos a opção Mín.
Em Alterando Células Variáveis, selecionaremos as células em branco em
variáveis de decisão. Lá que o resultado otimizado será retornado. Em Sujeito às
Restrições, devemos incluir as limitações de cada restrição, tal formulamos o modelo
matematicamente. Selecionada a opção Tornar Variáveis Irrestritas Não Negativas,
e em Selecionar um método de a LP Simplex, selecionamos Resolver.
Pesquisa Operacional 72
Referências
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões: modelagem em
Excel. Rio de Janeiro: Elsevier, 2007
LAWRENCE, J. A.; PASTERNACK, B. A. Applied Management Science: Modeling,
Spreadsheet Analysis, and Communication for Decision Making. 2ed. New York: John
Wiley e Sons, 2002.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
TAHA, H. A. Pesquisa Operacional. Ed. 8. São Paulo: Person Prentice Hall, 2008.
4 Método Simplex
Denise Ost
Tatielle Menolli Longhini
Variáveis básicas são aquelas que compõem a solução do problema, diferentemente das não-
-básicas, que são iguais a 0 e não influenciam o valor da função objetivo.
Max z = 2x 1 + 3x 2
x1 ≤ 4
2x 2 ≤ 12
3x 1 + 2x 2 ≤ 18
x 1, x 2 ≥ 0
Max z = 2x 1 + 3x 2
x1 + f1 = 4
2x 2 + f 2 = 12
3x 1 + 2x 2 + f 3 = 18
x 1, x 2 , f 1, f 2 , f 3 ≥ 0
Como possuímos essas três restrições, podemos dizer que existe uma solução
básica composta por três variáveis. Já as demais soluções são consideradas não-básicas.
Pesquisa Operacional 77
z = 2x 1 + 3x 2
f1 = 4 – x1
f 2 = 12 – 2x 2
f 3 = 18 – 3x 1 – 2x 2
x 1, x 2 ≥ 0
O fato acima permite concluir que enquanto houver variáveis não-básicas com
coeficientes negativos em a solução poderá ser melhorada. Uma vez que o objetivo
é maximizar Z, deve-se escolher dentre as variáveis não-básicas, aquela que possuir
maior taxa de variação (coeficiente mais negativo) para compor as variáveis básicas, no
caso x 2. Para isso, alguma variável básica terá que deixar a base para compor as variá-
veis não-básicas.
f 2 = 12 – 2x 2 ↔ x 2 = 6 –1/2 f 2
Assim, temos:
z = 2x 1 + 3x 2 = 2x 1 + 3 (6 –1/2 f 2) = 18 + 2x 1 –3/2f 2
f1 = 4 – x1
x 2 = 6 – 1/2 f 2
f 3 = 18 - 3x 1 – 2x 2 = 18 – 3x 1 – 2(6 – 1/2 f 2) = 6 – 3x 1 + f 2
x N = (x 1, f 2) = (0, 0)
x B = (f 1, x 2 , f 3) = (4, 6, 6)
z = 18
Ou seja, o valor de z foi melhorado. Assim, ele passou de zero para 18.
f 3 = 6 – 3x 1 + f 2 ↔ x 1 = 2 + 1/3f 2 –1/3f 3
Passamos a obter:
Obtemos, ao final:
x N = (f 2 , f 3) = (0, 0)
x B = (f 1, x 2 , x 1) = (2, 6, 2)
z = 22
Como não há na linha z nenhum valor que seja maior que zero para os coeficien-
tes das variáveis, então concluímos que não como aumentar o valor da função ótima.
Concluímos, portanto, que a solução ótima foi alcançada.
Apresentamos a forma algébrica do método simplex para transmitir sua lógica e, no
subtema seguinte vamos tratar o aperfeiçoamos para forma tabular, configurando-se a
inicialização do método com emprego de variáveis artificiais para se obter uma solução.
Maximizar z = x 1 + 2x 2
Sujeito a: x 1 ≤ 2
x2 ≤ 2
x1 + x2 ≤ 3
x 1, x 2 ≥ 0
Pesquisa Operacional 80
Maximizar z = x 1 + 2x 2
Sujeito a: 2x 1 + x 3 = 2
x 2 + x4 = 2
x1 + x2 + x5 = 3
xi ≥ 0, i = 1, . . ., 5
Para que seja mais compreensível o método, será usado um exemplo de Taha
(2008, p. 43).
Pesquisa Operacional 81
Max z = 5x 1 + 4x 2
Sujeito a:
6x 1 + 4x 2 ≤ 24(disponibilidade de matéria-prima 1 M1)
x 1 + 2x 2 ≤ 6 (disponibilidade de matéria-prima 2 M2)
–x 1 + x 2 ≤ 1 (restrição de mercado)
x 2 ≤ 2 (restrição de demanda)
x 1, x 2 ≥ 0
Z – 5x 1 – 4x 2 = 0
Z =0
S1 = 24
S2 = 6
S3 = 1
S4 = 2
A variável que sai é aquela que apresenta o valor mínimo, sendo desconsideradas
as razões negativas e infinitas.
6
s2 1 6 x1 = = 6
1
1
s3 –1 1 x1 = = –1 (ignorar)
–1
2
s4 0 2 x1 = = ∞ (ignorar)
0
Conclusão: x 1 entra e s1 sai
x2
Maximizar z = 5x1 + 4x2
6
sujeito a:
6x1 + 4x2 + s1 = 24 1
5
x1 + 2x2 + s2 = 6 2
S1
1
=0
-x1 + x2 + s3 = 1 3
4 3
=0 x2 + s4 = 2 4
S3 x1.x2 > 0
3 2
S =
2 0
4
2
C S4 = 0
A B x1
-2 -1 0 1 2 3 4 5 6
24 = 4
© DTCOM
1 = -1 6
6 =6
-1 1
Mas, como são calculadas as razões após o movimento de entrada e saída de variá-
veis da base? A figura mostra que as razões calculadas saem justamente das interseções
das restrições com o eixo x1. Caso haja um aumento que ultrapasse B, podemos dizer
que a solução é inviável. A regra dos cálculos das razões é definida como condição de
viabilidade, pois é justamente onde se analisa a viabilidade da nova solução.
O ponto B é obtido a partir de troca de variáveis que entram e saem da base.
Nesta nova tabela Simplex, podemos dizer que:
Quando B é o vetor coluna nulo, dizemos que o sistema linear é homogêneo. O método mais
eficiente para resolver o sistema é por intermédio das operações elementares, também cha-
mado de método de Gauss-Jordan.
–
2 5
Z 1 0 0 0 0 20
3 6
2 1
s1 0 1 0 0 0 4
3 6
4 –
1
← s2 0 0 1 0 0 2
3 6
5 1
s3 0 0 0 1 0 5
3 6
s4 0 0 1 0 0 0 1 2
Fonte: TAHA, 2008, p. 44. (Adaptado).
Note que a nova tabela simplex possui propriedades similares a da tabela inicial.
Ao igualar as novas variáveis não básicas x 2 e S1 a zero, a nova solução básica é x 1=4,
S2= 2, S3 = 5 e S 4 = 2. Com essa condição, após o cálculo de Gauss-Jordan, obteve-se o
novo valor da função objetivo como 20 (z = 20).
Observe ainda na figura que ainda há um valor negativo na linha z, em que x2 = –2/3.
O que indica que a função objetivo ainda pode ser melhorada a partir da entrada de x2 na
base.
Assim, a nova condição de viabilidade é apontada:
Pesquisa Operacional 87
2 2
x1 4 x2 = 4 ÷ =6
3 3
4 4
s2 2 x2 = 2 ÷ =1,5 mínimo
3 3
5 5
s3 5 x2 = 5 ÷ =3
3 3
s4 1 2 x2 = 2 ÷ 1 =2
Portanto, pelo cálculo de razões não negativas, determina-se que S2 deve sair da
base e o novo valor de x 2 é igual a 1,5. Ao substituir S2 na coluna Base por x 2 entrante,
os seguintes cálculos de Gauss-Jordan para as linhas são aplicados.
• Nova linha do pivô x 2 = Linha S2 atual ÷4/3.
• Nova linha z= Linha z atual – (–2/3) x (Nova linha do pivô x 2).
• Nova linha x 1= Linha x 1 atual – (2/3) x (Nova linha do pivô x 2).
• Nova linha s3 = Linha s3 atual – (5/3) x (Nova linha do pivô x 2).
• Nova linha s4 = Linha s4 atual – (1) x (Nova linha do pivô x 2).
Tais cálculos reproduzem a figura, em que consta a nova tabela Simplex resul-
tante da nova interação.
Pesquisa Operacional 88
Nova tabela simplex após a segunda interação, onde há a entrada de x2 e saída de S2 da base
Base z x1 x2 s1 s2 s3 s4 Solução
3 1
z 1 0 0 0 0 21
4 2
1 1
x1 0 1 0 – 0 0 3
4 2
1 3 3
x2 0 0 1 – 1 0
8 4 2
3 5 5
s3 0 0 0 – 0 0
8 4 2
1 3 1
s4 0 0 0 – 0 1
8 4 2
Fonte: TAHA, 2008, p. 44.
1
Limite de demanda s4 = Abundante
2
© Thinglass // Shutterstock
empresa. Ao final, fica bem evidenciada a opção
mais vantajosa.
Aumentar a receita e também diminuir os
custos fixos, conforme as análises, ou seja, é pos-
sível fazer várias simulações, antes de decidir qual a melhor opção para negócio, por
isso a interpretação de preços e custos encontra-se tão ligada a análise de sensibilidade.
Temos, portanto, a interpretação de preço dual ou preços sombra, onde esses
equivalem a solução ótima do dual, onde as constantes das restrições são os coeficien-
tes da função – objetivo.
PRIMAL DUAL
Max Z = 5x 1 + 2x 2 Min 3y1 + 4y2 + 9y3
Sujeito a st
x1 < 3 y1 + y3 > 5
x2 < 4 y2 + 2y3 > 2
x 1 + 2x 2 < 9 y1, y2 , y3 > 0
x1 e x2 > 0
Fonte: UFMA – DEINF.
O preço- sombra mede o valor marginal deste recurso em relação ao lucro total.
Quanto aos custos-reduzidos cada variável do problema original possui um custo
reduzido o qual significa:
• O total que o seu coeficiente na função-objetivo deve melhorar para que ela
deixe de ser zero na solução ótima (ou seja, se tornar básica);
• Quanto a função-objetivo irá piorar para cada unidade que ela aumente a par-
tir de zero.
O custo reduzido só se aplica às variáveis que, na solução ótima são zero.
V x1 x2 s1 s2 a3
Z –3 –5 0 0 0 0
V x1 x2 s1 s2 a3
s1 1 0 1 0 0 4
Z – (3M + 3) –(2M + 5) 0 0 0 – 18M
s2 0 2 0 1 0 12
s1 1 0 1 0 0 4
a3 3 2 0 0 1 18
s2 0 2 0 1 0 12
a3 3 2 0 0 1 18
Temos a forma canônica, mas não uma solução viável !
V x1 x2 s1 s2 a3
Z 0 –(2M + 5) 3M + 3 0 0 – 6M+12
s1 1 0 1 0 0 4
s2 0 2 0 1 0 12
a3 0 2 –3 0 1 18
Fonte: MARINS, 2003.
V x1 x2 s1 s2 a3
Z 0 0 -4 1/2 0 M + 5/2 27
x1 1 0 1 0 0 4
s2 0 0 3 1 0 6
x2 0 1 –1 1/2 0 1/2 3
Fonte: MARINS, 2003.
Pesquisa Operacional 92
Ideia principal nesse método é acrescentar uma VARIÁVEL ARTIFICIAL nas equa-
ções (similar à “folga”), mas forçar essa variável artificial a anular-se no fim.
Porém, como as variáveis artificias não compõem o modelo original, as mesmas
são penalizadas fortemente na função objetivo. Isso força que elas tenham valor igual
a zero na solução ótima.
Min z = 4x 1 + x 2
Sujeito a:
3x 1 + x 2 = 3
4x 1 + 3x 2 ≥ 6
x 1 + 2x 2 ≤ 4
x 1, x 2 ≥ 0
Min z = 4x 1 + x 2
Sujeito a:
3x 1 + x 2 = 3
4x 1 + 3x 2 – x 3 = 6
x 1 + 2x 2 + x4 = 4
x 1 , x 2 , x 3 , x4 ≥ 0
Note que a terceira equação possui a variável de restrição x4, o que não ocorre na
primeira e segunda restrição. Consequentemente, são inclusas as variáveis artificiais
R1 e R2 nas suas primeiras equações, com a penalização de MR1 + MR2 na função obje-
tivo. Isso acontece (soma das variáveis artificiais multiplicadas por M em z) pois está
havendo a minimização da função objetivo é resulta na seguinte reorganização:
Pesquisa Operacional 93
Min z = 4x 1 + x 2 + MR1 + MR 2
Sujeito a:
3x 1 + x 2 + R1 = 3
4x 1 + 3x 2 – x 3 + R 2 = 6
x 1 + 2x 2 + x4 = 4
x 1 , x 2 , x 3 , x4 , R 1 , R 2 ≥ 0
Agora, a solução básica inicial é indicada por (R1, R2 , X4) = (3, 6, 4). No caso de
uma resolução computacional, M deveria assumir algum valor numérico adequado. É
comum que M seja manipulado de maneira algébrica, o que pode tornar o cálculo mais
complexo e pode ser simplificado pelo uso de um valor numérico adequado a M.
Mas, qual o valornumérico que deve ser utilizado em M? Para essa definição, é
importante observar os dados originais do problema. Recorde-se que M desenvolvi-
mento ser suficientemente grande em relaçãoaos demais coeficientes da função obje-
tivo original e agirá como uma penalização. M não pode ser grande em demasiado,
uma vez que pode dificultar sua manipulação no problema.
Voltando ao exemplo, usaremos aqui M = 100. Tendo isso assumido, desenvolve-
mos a tabela Simplex conforme consta na tabela a seguir.
Tabela simplex com a solução pelo método de M-grande após a manipulação aritmética
Base x1 x2 x3 R1 R2 x4 Solução
z 696 399 –100 0 0 0 0
R1 3 1 0 1 0 0 3
R2 4 3 –1 0 1 0 6
x4 1 2 0 0 0 1 4
Fonte: Taha, 2008, p. 48. (Adaptado).
Note que z permanece igual a 900. No entanto, agora é consistente com a solu-
ção básica inicial viável. A tabela a seguir encontra-se preparada para a aplicação das
condições de otimalidade e viabilidade. Como a função objetivo em questão é de mini-
mização, passa-se a selecionar a variável com o coeficiente mais positivo. Nesse caso,
x 1 que possui o valor de 696 entra na base.
Seguindo os passos do simplex, já discutidos, calcula-se a nova tabela:
1 1
x1 1 0 0 0 1
3 3
5 4
R2 0 –1 – 1 0 2
3 3
5 1
x4 0 0 – 0 1 3
3 3
Fonte: Taha, 2008, p. 48. (Adaptado).
Prosseguindo, note que x 2 possui valor positivo e deve entrar na base. Já pelo
cálculo das razões negativas, R2 deve sair da base. Com a continuidade do cálculo do
método simplex, pode-se verificar que há a necessidade de mais duas interações, até
que o seguinte resultado ótimo é obtido: x 1 = 2/5, x 2 = 9/5, z = 17/5, sendo que as variá-
veis artificiais R1 e R2 saem da solução básica.
Pesquisa Operacional 95
Min z = R1 + R 2
Sujeito a:
3x 1 + X 2 + R1 = 3
4x 1 + 3x 2 ,– x 3 + R 2 = 6
x 1 + 2x 2 + x4 = 4
x 1 , x 2 , x 3 , x4 , R 1 , R 2 ≥ 0
Como foi obtido que o mínimo r é igual a 0, então a Fase I produz a solução básica
viável de x 1 = 3/5, x 2 = 6/5 e x4 = 1. Até aí, as variáveis artificiais cumpriram o seu papel,
podendo ser excluídas totalmente da tabela para o prosseguimento da Fase II.
Min z = 4x 1 + x 2
x 1 + 1/5 x 3 = 3/5
x 2 – 3/5 x 3 = 6/5
x 3 + x4 = 1
x 1 , x 2 , x 3 , x4 ≥ 0
1 3
x1 1 0 0
5 5
6
x2 0 1 3 0
– 5
5
x4 0 0 1 1 1
Fonte: TAHA, 2008, p. 49. (Adaptado).
Pesquisa Operacional 98
1 18
z 0 0 0
5 5
1 3
x1 1 0 0
5 5
3 6
x2 0 1 – 0
5 5
x4 0 0 1 1 1
Fonte: TAHA, 2008, p. 50. (Adaptado).
Referências
EDUCAÇÃO, Portal. Análise de sensibilidade. 2012. Disponível em: <www.portaleduca-
cao.com.br/conteudo/artigos/contabilidade/analise-de-sensibilidade/25056>. Acesso em:
22/08/17.
GABRIEL, P. H. R. Métodos Simplex em Tabelas. Disponível em: <www.facom.ufu.br/
~phrg/files/gsi027/aula04.pdf>. Acesso em: 22/08/17.
HILLIER, F. S.; LIEBERMAN, G. J. Introdução à Pesquisa Operacional. 9. ed. São Paulo:
Editora Bookman, 2013.
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões: modelagem em
Excel. Rio de Janeiro: Elsevier, 2007.
LAWRENCE, J. A.; PASTERNACK, B. A. Applied Management Science: Modeling,
Spreadsheet Analysis, and Communication for Decision Making. 2. ed. New York: John Wiley
e Sons, 2002.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
______. Método do “Big M”. Análise de Sensibilidade. Técnico Lisboa, 2003. Disponível
em: <fenix.tecnico.ulisboa.pt/downloadFile/3779571243470/IO-PLinear2.pdf>. Acesso em :
23/08/17.
MONTEVECHI, J. A. B. O Método Simplex. Instituto de Engenharia de Produção e Gestão,
UNIFEI. Disponível em: <iepg.unifei.edu.br/arnaldo/ensino/pos/mba/po/aulas/aula_04/
Simplex.pdf>. Acesso em: 22/08/17.
NOGUEIRA. F. Programação Linear. Disponível em: <www.ufjf.br/epd015/files/2010/06/
programacao_linear2.pdf>. Acesso em: 22/08/17.
SILVA, E. M. Pesquisa Operacional: programação linear. São Paulo: Atlas, 3. ed., 1998.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Person Prentice Hall, 2008.
UFMA. Departamento de Informática. Análise de Sensibilidade. Solução Denegerada.
Disponível em: <www.deinf.ufma.br/~acmo/grad/PO_c03_v2005.pdf>. Acesso em: 22/08/17.
VIANNA. A. S. Programação Matemática Método Simplex. Disponível em: <slideplayer.
com.br/slide/2462325/>. Acesso em: 01/08/17.
5 Modelos e aplicações em redes:
fluxo de redes e árvore geradora mínima
Márcia Huppe Fávero
A teoria dos grafos é um ramo de estudo da matemática que visa estudar as relações entre
conjuntos de elementos que são conectados os vértices por pontos chamados de nós. Essas es-
truturas são chamadas de grafos.
Um grafo é uma estrutura que corresponde a um par de conjuntos G = (N, E), onde: (i) N
é um conjunto de entidades. Por exemplo, estas entidades podem estar associadas a pon-
tos, locais, pessoas, áreas geográficas; (ii) E é um conjunto, cujos elementos são ligações
ou inter-relações entre os elementos de N. Por exemplo, as ligações podem ser estradas,
parentescos e fronteiras entre áreas geográficas (MARINS, 2011, p. 84).
© Travel_Master // Shutterstock
Seja G = (N, A) uma rede direcionada com custo cij associado a cada unidade de fluxo xij
que percorre o arco (i, j) ∈ A, ∈ Aji.
Para cada arco (i, j) tem-se uma capacidade mínima lij e máxima uij de fluxo e para cada
nó tem-se um parâmetro bi, tal que:
• bi > 0, se i for um nó gerador (nó-origem);
• bi = 0, se i for um nó de transbordo; e
• bi se i for um nó consumidor (nó-destino) (HERNANDES; KATAYAMA; FORBECK, 2008,
p. 2594).
n n
min z = ∑∑ cij xij
=
i 1=
j 1
n n
s.a:
=j 1=
∑ xij − ∑ x ji =
j 1
bi i = 1, 2, ..., n
Já o Problema de Fluxo de Custo Mínimo com incertezas (PFCM) tem como obje-
tivo atender a demanda de uma rede com custo mínimo, dependo dos recursos dispo-
níveis e as restrições do problema. Segundo os autores Hernandes, Katayama e Forbeck
(2008) afirma que o PFCM com incertezas é representado pela seguinte fórmula:
n n
min z = ∑∑ c ij xij
=
i 1=
j 1
n n
s.a:
=j 1=
∑ xij − ∑ x ji =
j 1
bi i = 1, 2, ..., n
I ≤ x ≤ u (i, j) ∈ A
ij ij ij
Dnxn = [dij ]
Quando uma pessoa se desloca de uma cidade A para a cidade B, há diferentes opções de tra-
jetos para chegar a cidade B. Ao utilizar o algoritmo de Dijkstra, a essa pessoa irá encontrar o
caminho mais curto para chegar ao local destinado.
Quando você faz uma viagem de avião num percurso extenso, geralmente, são feitas conexões
ou escalas que são chamadas de pontos intermediários entre a origem e o seu ponto de desti-
no, ou para trocar de avião, ou buscar mais passageiros, entre outros motivos.
Segundo Taha (2008) um problema de fluxo máximo pode ser modelado por uma
rede. Dessa forma, os pontos de origem, destino e as escalas são representados por
nós. E as rotas são representador por arcos orientados.
Pesquisa Operacional 107
∑ f −=
j∈α
∑f ij
j∈β
ji 0 para i ∈ N, i ≠ s, i ≠ t (2)
Segundo Marins (2011) quando uma rede possui uma única fonte e um único des-
tino t, o fluxo máximo igual é ao valor de corte mínimo. Mas o que seria esse valor
de corte mínimo? É um corte com menor capacidade, pois o esforço será menor entre
dois pontos simples. Ele separa um grafo em duas metades, como pode ser visualizado
na imagem a seguir.
Corte mínimo
2
2 6
S 1 T
8 1
3
© DTCOM
E quando há mais de uma fonte e/ou destinos, pode adicionar uma outra origem
e um outro destino, ligadas por arestas de capacidade infinita ligando todas as origens
aos destinos.
G
© DTCOM
De acordo com Goldbarg, Luna e Goldbarg (2015) a árvore geradora mínima pode
ser determinada por diversos algoritmos importantes. Os dois algoritmos que estu-
dam esse problema, são os métodos Kruskal e o Prim.
Por isso, é bastante utilizado na área de Pesquisa Operacional para otimizar os
problemas em redes. Pois uma árvore geradora ela interliga todos os nós de uma rede,
não deixando assim nenhum ponto isolado.
5.2.1 Aplicações
Os problemas de árvore geradora mínima são aplicados em diversas, como engenha-
ria, informática, produção, logística, entre outras. Mas que tem como objetivo solucionar
os problemas de otimização de redes através de uma estrutura mínima de recursos.
O problema da Árvore Geradora Mínima segundo Goldbarg, Luna e Goldbarg
(2015) visa encontrar o caminho mais curto para solucionar o problema de rede. Pois é
usado para buscar caminhos mais curtos para
os pontos de internet, visando a aumentar a
sua capacidade.
© Vasin Lee // Shutterstock
Geralmente, esse problema é aplicado
em redes de telecomunicações, redes de TV a
cabo, redes de computadores como as redes
de internet, redes de fibra óptica, entre outras.
É também aplicado em projetos de rodovias e ferrovias buscando o caminho mais
curto na construção das estradas e ferrovias, visando reduzir o tempo do trajeto entre
as cidades.
A seguir será abordado dois métodos utilizados para resolver o problema da
Árvore Geradora Mínima, que são o Kruskal e o Prim.
Pesquisa Operacional 110
Dado um grafo G = (N, E) não orientado e valorado, constrói-se uma árvore de valor míni-
mo, partindo-se do grafo trivial G (N, 0) = /, que é formado apenas pelos nós do grafo ori-
ginal G, e adicionando-se iterativamente a aresta de menor valor que não forma ciclo com
as já escolhidas. O Comprimento mínimo será obtido pela soma dos valores associados às
arestas da árvore resultante do procedimento descrito acima (MARINS, 2011, p. 90).
D
Valor total mínimo = 16 = 2 + 1 +2 + 2 + 4 + 2 + 3
Como pode ser visualizado na imagem acima, este algoritmo de Kruskal, consi-
dera tanto o conjunto de nós conectados como o conjunto de nós não conectados. No
subtópico a seguir será abordado outro método para solução dos problemas da Árvore
Geradora Mínima, conhecido como método Prim.
2 2 4 2 2 4
1 3 1 3
1 1 3 -3 6 1 1 3 -3 6
3 2 3 2
3 2 5 3 2 5
1º Inclusão de aresta 2º Inclusão de aresta
2 2 4 2 2 4
1 3 1 3
1 1 3 -3 6 1 1 3 -3 6
3 2 3 2
3 2 5 3 2 5
3º Inclusão de aresta 4º Inclusão de aresta
2 2 4
1 3
1 1 3 -3 6
3 2
3 2 5
© DTCOM
Goodrich e Tamassia (2013) afirma que o método Prim é um algoritmo que com-
preende a junção de nós de uma rede. Dessa forma, este método busca a cada passo
de construção da árvore o nós mais próximo. Assim como no algoritmo de Kruskal, o
Prim considera um conjunto de nós conectados e um conjunto de nós não conectados.
Pesquisa Operacional 112
Referências
GOLDBARG, M. C. LUNA, H. L; GOLDABARG, E. F. G. Programação linear e fluxos em
redes. 1 ed. Rio de Janeiro: Elsevier, 2015.
GOODRICH, M. T.; TAMASSIA, R. Estruturas de Dados & Algoritmos em Java. 5 ed.
Porto Alegre: Bookman, 2013.
HERNANDES, F.; KATAYAMA, J. P. M.; KOBAYASHI; FORBECK, F. R. Um algoritmo para
o problema de fluxo de custo mínimo com incertezas. Anais do XL Simpósio Brasileiro
de Pesquisa Operacional (SBPO): João Pessoa, 2008. Disponível em: <www.din.uem.br/
sbpo/sbpo2008/pdf/arq0300.pdf>. Acesso em: 05/08/2017.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró - Reitoria de Graduação, 2011.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Pearson, 2008.
6 Modelos e aplicações em redes: problemas
de rede e problemas de grafos
Márcia Huppe Fávero
O estudo dos modelos e aplicações em redes é uma das áreas mais relevantes de
pesquisa operacional. Além de compreender a teoria dos grafos e o estudo dos algo-
ritmos para a otimização dos problemas em rede e grafos.
O mundo dos negócios cada vez mais necessita de que o gestor passe a utili-
zar modelos precisos para orientá-los na tomada de decisão da empresa. E com isso,
tem se intensificado a utilização de modelos e aplicações em redes em diversas áreas,
como informática, logística, produção, transporte, entre outras.
A cidade de Konigsberg localizada na Prússia Oriental, foi anexada no fim da Segunda Guerra
Mundial à União Soviética e é denominada, atualmente, de Kaliningrado, localizada entre a
Polónia e a Lituânia.
Pesquisa Operacional 117
O Rio Pregel, tinha duas ilhas que eram ligadas por uma ponte, e mais seis pontes
que ligavam as duas ilhas às margens do rio.
m1
i2
© DTCOM
m2
Problema de Euler
m1
i2
© DTCOM
m2
Nesse sentido, a conclusão que cada margem deveria ser ligada por um número
par de pontes definiu o problema de Euler que consiste em determinar um grafo
conectado G só existe se o grau de cada vértice de G é par.
Pesquisa Operacional 118
Estruturas de grafos
1 2 1 2 1 2 1 2
4 3 4 3
4 3 4 3
2 – Hiporgrafo 1 – Hiporgrafo Multigrafo Hiporgrafo
não orientado orientado simples
1 2 1 2 1 2 1 2
4 3 4 3 4 3
4 3 © DTCOM
Grafo Grafo 3 – Grafo não orientado 2 – Grafo orientado
orientado simples
Um grafo pode ser orientado ou não, sendo definido pelo universo do conjunto.
Quando o grafo é orientado, o universo é composto por todos os arcos. Em que os vér-
tices sãos representados por círculos e as arestas por setas. Para Cormen et al. (2002):
Um grafo orientado G é um par (V, E), onde V é um conjunto finito, e E é uma relação bi-
nária em V. O conjunto V é chamado de conjunto de vértices de G, e seus elementos são
chamados de vértices. O conjunto E é chamado conjunto de arestas de G, e seus elemen-
tos são chamados de arestas (CORMEN et al., 2002, p. 853).
Pesquisa Operacional 119
Em um grafo não orientado G = (V, E), o conjunto de todas as arestas E consiste em pares
de vértices não ordenados, em lugares de pares ordenados. Isto é, uma aresta é um con-
junto (u,v), onde u . v � V e u ≠ v (CORMEN et al., 2002 p.853).
Seja um grafo G orientado ou não: diremos que o seu grafo complementar G (ou Gz) é o
grafo que contém as ligações que não estão em G. A ideia é a mesma da complementari-
dade de conjuntos, o que é natural, visto que um grafo é definido por um par de conjuntos
(NETTO; JURKJEWICZ, 2009, p. 21).
Grafo complementar
© DTCOM
G G G G
Sendo assim, um grafo pode ser chamado de trivial quando o seu valor for 0 ou 1.
Por exemplo, quando o vértice V for 1 e a aresta E for 0. E pode ser chamado de vazio
quando não possui valor, sendo representado pelo símbolo do vazio Ø. Então, o grafo
vazio será G = (Ø, Ø).
O grafo laço é outro tipo que se refere quando a aresta E do grafo G possui o
mesmo vértice como extremos. Então, o grafo é formado como um laço. Como por
exemplo, quando E = 1 e o V = 1.
Segundo Marins (2011), “um grafo G = (N, E) é conexo, quando para qualquer par
de nós (i, j) de N existe uma cadeia em G, cujas extremidades estão em i e j. De outra
forma G é dito ser desconexo” (MARINS, 2011, p. 88).
De acordo com os autores Netto e Jurkiewicz (2009) um grafo que cabe dentro de
outro grafo é chamado de subgrafo. O subgrafo pode ser classificado em dois tipos:
Subgrafo abrangente
é aquele em que o grafo contém todos os vértices de outro grafo. Porém, não obrigatoriamente
todas as ligações da estrutura do grafo.
Subgrafo induzido
é aquele que possui apenas um subconjunto dos vértices e todas as ligações de outro grafo.
Nesse sentido, compreende-se que existe vários tipos de grafos que possuem
estruturas diferentes um dos outros. Sendo assim, cada tipo de acordo com a abran-
gência de um problema a ser otimizado.
Problema de Euler
Um grafo G é conectado se o grau do vértice for par, que foi aprofundado anteriormente.
Problema Hamiltoniano
Um grafo G é conectado se existir um ciclo em G que contenha todos os seus vértices, sendo
que cada vértice só aparecerá uma vez no ciclo.
Ambos os problemas são parecidos, pois visam encontrar o menor caminho para
se chegar ao destino final, porém o hamiltoniano é mais complexo. De acordo com
Marins (2011), no problema euleriano, um ciclo passa por todas as arestas e arcos. Já
o hamiltoniano criado por Hamilton, matemático irlandês, um ciclo passa por todos os
nós de um grafo.
a b
d c
© DTCOM
© Aunging // Shutterstock
se obter melhor visualização das relações de
uma estrutura e os seus resultados. Problemas
de transporte, por exemplo, são melhor identi-
ficados por problemas de redes.
Variáveis de decisão:
xij é a quantidade do produto a ser transportada da origem i para o destino j.
m n
Função-objetivo – min CT = ∑ ∑ Cij xij
f=1 j=1
n
∑x ij
= ai, i = 1,2,...,m (balanço do produto nas origens)
j=1
m
Restrições s.a. ∑x ij
= bj, f = 1,2,...,n (balanço do produto nos destinos)
i=1
Alocar pessoas para desempenhar uma atividade de produção de sapatos, que inicia com a sua
fabricação até a distribuição do produto, até chegar ao consumidor final.
O modelo da designação pode ser solucionado pelo método Simplex, mas a sua
estrutura permite a utilização de outros métodos como o Stepping Stone Method que
visa otimizar a solução numa aplicação em uma matriz de custos e o método Húngaro,
que será aprofundado a seguir.
As empresas utilizam softwares para realizar os problemas matemáticos como Microsoft Excel,
AIMMS, GAMS, LINGO, Solver, entre outros. Por meio desses softwares, a empresa possui cál-
culos mais precisos e rápidos.
Pesquisa Operacional 126
Referências
CORMEN, T. H. et al. Algoritmos: teoria e prática. Tradução da 2ª edição americana. Rio
de Janeiro: Elsevier, 2002.
GOLDBARG, M. C; LUNA, H. L.; GOLDABARG, E. F. G. Programação linear e fluxos em
redes. 1 ed. Rio de Janeiro: Elsevier, 2015.
MARINS, F. A. S. Introdução à Pesquisa Operacional. São Paulo: Cultura Acadêmica:
Universidade Estadual Paulista, Pró-Reitoria de Graduação, 2011.
NETTO, P. O. B. Grafos: Teorias, Modelos, Algoritmos. 5. ed. revista e ampliada. Blucher:
Rio de Janeiro, 2012.
NETTO, P. O. B; JURKIEWICZ, S. Grafos: introdução e prática. Edição revista e ampliada.
Blucher: Rio de Janeiro, 2009.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Pearson, 2008.
7 Análise de sensibilidade, dualidade
e interpretação econômica
Denise Ost
Os autores Oda, Graça e Paes Leme (2001) relatam em seus estudos que, na prá-
tica, a análise de sensibilidade deve ser feita para as variáveis que apresentem maior
impacto nos custos, prazos ou outros resultados do projeto, ou seja, aquelas às quais o
projeto é mais sensível.
De maneira generalizada, sabe-se que os parâmetros de um modelo não são
estáticos, nem exatos, assim, a análise de sensibilidade nos permite uma avaliação
em situações de incertezas sem implicar diretamente no resultado ótimo.
Sujeito a
2x 1 + x 2 ≤ 8 (máquina 1)
x 1 + 3x 2 ≤ 8 (máquina 2)
7
Má quina
Má
qui
6
na 1 : 2x 1
1:2
5
x 1 + + x 2<
x 2< 8
4
z = 128
3,2, x 2 = 1,6,
9
Ótima: x 1 =
3 z = 142
3,8, x 2 = 1,4,
B Ótima: x 1 =
2
C GM
áqui
na 2
1 :x +
1 3x <
2 8 F
A D
0 1 2 3 4 5 6 7 8 x1 9
© DTCOM
© DTCOM
(ponto C para ponto G)
Ou seja: a taxa obtida é uma relação direta entre os parâmetros de entrada (dis-
ponibilidade de recursos) e as saídas do problema (receita maximizada), que implica no
“valor unitário equivalente de um recurso” em R$/hora. O qual também chamamos de
preço dual ou preço sombra. Isso demostra que a cada unidade variada (para mais ou
para menos) de unidade produzida na máquina 1, há mudança na receita (para mais ou
para menos) de R$14.
Ainda em relação à figura, percebe-se que qualquer variação ocorrida paralela-
mente sobre qualquer ponto do segmento BF resulta em um preço dual de R$14. Com
essa informação, podemos calcular a faixa em que o preço dual permanece inalterado.
A faixa de aplicabilidade de preço dual é representada a seguir:
7
Má
z=
6
qui
3x 1
na 1
+2
: 2x 1
x3
5
+
x 2<
8
3
B
1,6, z = 128
2 Ótima: x1 = 3,2, x2 =
C Máq
uina
2: x
1 1 + 3x
2 <8
F
A D
0 1 2 3 4 5 6 7 8 x1 9
© DTCOM
Max z = c1x 1 + c2 x 2
Podemos afirmar que a solução em C (3,2; 1,6) continuará ótima pois c1/c2 = 35/25
= 1,4. Ou seja, a relação entre c1/c2 manteve-se na faixa de variabilidade de 0,33 a 2, cal-
culada anteriormente. Observe ainda que os valores das variáveis no ponto ótimo não
variaram, mas da função objetivo sim, pois z passa a ser igual a 35 × 3,2 + 25 × 1,6 = $152.
Perceba, portanto, que a análise de sensibilidade, via gráfico, é importante para a
definição dos preços duais e da faixa de viabilidade. Para isso, é imprescindível avaliar a
variação das restrições e dos coeficientes da função objetivo. Outro método interessante
para a análise de sensibilidade é a análise algébrica, que veremos no próximo subtópico.
Max z = 3x 1 + 2x 2 + 5x 3
Sujeito a
x 1 + 2x 2 + x 3 ≤ 430 (Operação 1)
3x 1 + 2x 3 ≤ 460 (Operação 2)
x 1 + 4x 2 ≤ 420 (Operação 3)
x 1, x 2 , x 3 ≥ 0
1 1 1
x2 – 1 0 – 0 100
4 2 4
3 1
x3 0 1 0 0 230
2 2
x6 2 0 0 –2 1 1 20
Para a determinação dos preços duais, é necessário inserir as folgas (x4, x 5 e x6) às
restrições do modelo:
x 1 + 2x 2 + x 3 + x4 = 430 (Operação 1)
3x 1 + 2x 3 + x 5 = 460 (Operação 2)
x 1 + 4x 2 + x6 = 420 (Operação 3)
ou
x 1 + 2x 2 + x 3 = 430 – x4 (Operação 1)
3x 1 + 2x 3 = 460 – x 5 (Operação 2)
x 1 + 4x 2 = 420 – x6 (Operação 3)
Operação 2 x5 2 2
Operação 3 x6 0 0
Max z = 3x 1 + 2x 2 + 5x 3
Sujeito a
x 1 + 2x 2 + x 3 ≤ 430 + D1 (Operação 1)
3x 1 + 2x 3 ≤ 460 + D2 (Operação 2)
x 1 + 4x 2 ≤ 420 + D3 (Operação 3)
x 1, x 2 , x 3 ≥ 0
1 1 1 1 1
x2 – 1 0 – 0 100 – 0
4 2 4 2 4
3 1 1
x3 0 1 0 0 230 0 0
2 2 2
x6 2 0 0 –2 1 1 20 –2 1 1
z = 1350 + D1 + 2D2
x 2 = 100 + ½ D1 – 1/4 D2
x 3 = 230 + ½ D2
x6 = 20 – 2 D1 + D2 + D3
x 2 = 100 + ½ D1 – 1/4 D2 ≥ 0
x 3 = 230 + ½ D2 ≥ 0
x6 = 20 – 2 D1 + D2 + D3 ≥ 0
Para essa nova situação, tem-se que os preços duais se mantem aplicáveis. O
novo valor ótimo da função objetivo é dado por z = 1.350 + 1(30) + 2(–12) + 0(100) =
$1.356.
Em resumo, pode-se dizer que, para a análise algébrica, os preços duais são man-
tidos quando as variações dos lados direitos das restrições respeitem a faixa de viabi-
lidade do problema. Sendo respeitados, o novo valor da função objetivo é obtido ao
considerar as variações das restrições e os seus respectivos preços duais. Caso a faixa
de viabilidade seja violada, busca-se uma nova solução do problema, de modo que as
faixas sejam respeitadas, ou é necessário partir para um novo cálculo de solução ótima.
VLA significa valor atualizado liquido enquanto o TIR refere-se a Taxa Interna de Rentabilidade
Para a fabricação dos produtos PDQ (P) e BISC (B), temos que usar FARINHA
(F), OVOS (V), ÓLEO (O) e QUEIJO (Q). Nosso estoque tem: F = 1.750 gramas, V = 55
unidades, O = 30 litros e Q = 10.000 gramas. Para cada unidade de PDQ fabricada nós
precisamos de 10 gramas de F, 0,3 unidades de V, 0,2 litros de O e 12 gramas de Q. Para
cada unidade de BISC, utiliza-se 12 gramas de farinha, 0,5 unidades de V, 0,2 litros de O
e 17 gramas de Q.
Abaixo segue o programa linear para o problema:
Sujeito às restrições:
F: 10 P + 12 B ≤ 1.750
V: 0,3 P + 0,5 B ≤ 55
O: 0,2 P + 0,2 B ≤ 30
Q: 12 P + 17 B ≤ 10.000
P≥0eB≥0
Em um problema do tipo:
Max z = 5x 1 + 2x 2
Sujeito a
x1 ≤ 3
x2 ≤ 4
x1 + 2 x2 ≤ 9
x 1, x 2 ≥ 0
Assumimos que essa é a sua forma primal, uma vez que se trata de um problema
de maximização, onde suas restrições são do tipo menor ou igual (≤) e as variáveis são
não negativas. Trata-se de um problema que pode ser transformado para o dual, como
mostrado a seguir.
Mas, como essa relação entre primal e dual foi estabelecida? Quais as condições
e propriedades que devem ser atendidas e respeitadas para a transformação? Todas
essas questões, veremos o passo a passo ao longo do próximo subtópico.
7.2.2 Propriedades
Há uma relação indissociável entre o problema primal e o dual, assuntos que
serão explorados nos subtemas a seguir.
Tais problemas são definidos por sete teoremas distintos, eles são responsáveis
por expor as condições para construção do primal e do dual, assim como garantir a sua
aplicabilidade. Neste livro não desdobraremos as deduções dos mesmos.
Pesquisa Operacional 145
i Z*=
i
=j 1 =i 1
∑ C ⋅ x *= ∑ b ⋅ y *=
i i D*
Onde:
x*j = valor da variável j do primal na solução ótima
y*i = valor da variável i do dual na solução ótima
n = número de variáveis originais do Primal
m = número de restrições do Primal
Z* = Valor ótimo do Primal
D* = Valor ótimo do Dual
∑a y
i=1
ij
*
i
= c j ou x*j = 0 ou ambos (j = 1, 2, ...,n) e
∑a x
i=1
ij
*
j
= bi ou y *i = 0 ou ambos (i = 1, 2, ...,m)
Onde:
n Número de variáveis originais do primal
m Número de restrições do primal
i Índice das restrições do primal (i = 1,2,...,m)
© DTCOM
j Índice das variáveis originais do primal (i = 1,2,..., n)
Note que não foi definido na figura quem é o primal, nem o dual. Pois, o que
importa é o sentido da otimização. Ou seja: se o primal for de minimização, então o
dual será de maximização, e vice-versa.
Pesquisa Operacional 148
Assim, a transformação de primal para dual possui sua importância e deve seguir
condições. Para isso, são firmadas as propriedades a serem respeitadas para que os
resultados ótimos e/ou viáveis sejam obtidos simultaneamente por ambos os proble-
mas. Consequentemente, torna-se possível a interpretação econômica da dualidade.
Além disso, as restrições dos primal são do tipo menor ou igual, enquanto do pri-
mal é maior ou igual. A quantidade de variáveis do dual é igual ao número de restrições
do primal e a quantidade de restrições do dual é número de variáveis do primal.
Por fim, a matriz de coeficientes do dual é a transposta da do primal. As relações,
do exemplo exposto, são diretas e requisitam a definição de propriedades, de modo
que os resultados de otimização sejam obtidos simultaneamente pelo primal e dual.
∑a x
j=1
ij j ≤ bi , i =
1, 2, ..., m ∑a y ≥ c , j =
ij i 1, 2, ..., n
j
i=1
x j ≥ 0, j =
1, 2, ..., m yi ≥ 0, i =
1, 2, ..., m
Isso indica que a variável dual (yi) equivale o valor de cada unidade do recurso i.
Ou seja: o preço dual do recurso i é capaz de substituir o valor equivalente de cada
unidade. De maneira análoga pode-se interpretar a relação z < w, de modo que se
pode assumir que Receita é menor que o valor equivalente de recursos (Receita < Valor
equivalente de recursos).
Assim, podemos dizer que as variáveis originais do problema dual relacionam-se
com variáveis de folga/excesso das restrições do problema primal. Estas representam
o valor marginal do recurso de cada restrição i relacionado à função objetivo.
Pesquisa Operacional 151
Referências
FRANK, P. K. Introduction to system sensitivity theory. New York: Academic Press, 1978.
HAMBY, D. M. A Review for Parameter Sensitivity Analysis of Environmental Models,
Environmental Monitoring and Assessment, vol. 32, 1994.
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões: modelagem em
Excel. Rio de Janeiro: Elsevier, 2007
MACIEL, P. et al. Análise de Sensibilidade – UFPE. Disponível em: <slideplayer.com.br/
slide/1255260>. Acesso em: 23/08/17.
ODA, A. L.; GRAÇA, C. T.; PAES LEME, M. F. Análise de riscos de projetos agropecuários:
um exemplo de como fundamentar a escolha entre projetos alternativos e excludentes.
IV Congresso Internacional de Economia e Gestão de Redes Agroalimentares. FEA-USP –
Campus Ribeirão Preto, 2001.
PARDINI, D. Análise de Sensibilidade Solver do Excel. 2016. Disponível em:
<otimizacaonapratica.wordpress.com/2016/01/02/analise-de-sensibilidade-no-solver-do-
excel/>. Acesso em : 11/08/2017.
TAHA, H. A. Pesquisa Operacional. Ed. 8. São Paulo: Person Prentice Hall, 2008.
WIKIPÉDIA. Análise de Sensibilidade. Disponível em: <pt.wikipedia.org/wiki/An%C3%
A1lise_de_sensibilidade>. Acessado em: 23/08/17.
8 Teoria da decisão
Denise Ost
8.1.3 Resultado
Trata-se da consequência em se optar por uma alternativa de decisão em um
dado estado da natureza, implicando em resultados possíveis. A partir dessas defini-
ções, é possível montar a matriz de decisão, também chamada de matriz de payoff.
Ela é responsável por sumarizar os
resultados associados a cada alternativa,
envolta por cada estado da natureza. Para
© Carlos Castilla // Shutterstock
Decisão é o ato de determinar o que será feito. Já o resultado é uma consequência da decisão.
©amalia19 // Shutterstock
humanos complexos. Nesse sentido, as variáveis são
conhecidas e os efeitos de cada alternativa de deci-
são é determinístico, sendo as informações suficien-
tes, dimensionáveis e confiáveis.
Nos subtemas seguintes abordaremos de forma mais aprofundada a definição de
DTSC bem como exemplos desta teoria da decisão.
8.2.1 Definição
A Decisão Tomada sob Certeza (DTSC) acontece quando há certeza de que algo
irá ocorrer no período de tomada de decisão. Os modelos de programação linear
exemplificam a tomada de decisão sob condições de certeza. Isso porque todas as fun-
ções são devidamente definidas, em conformidade com a situação analisada.
A Análise Hierárquica de Processos (AHP) projeta situações em que aspectos
comportamentais influenciam a tomada de decisão. Eles podem ser quantificados a
partir de escalas numéricas que apontem as alternativas a ser priorizadas.
Mas, como os melhores critérios são considerados? Pode-se dizer que um critério
não é capaz de trabalhar com todas as situações ao mesmo tempo, de modo que sem-
pre vão possuir pontos a serem melhorados. Cada critério se torna subjetivo dada as
considerações levantadas para um dado evento. E são fundamentais para uma análise
completa da situação verificada.
Para que fique mais clara a definição de DTSC, assim como sua aplicabilidade,
será apresentado um exemplo de Taha (2008, p. 219). Nele, temos uma ideia geral
sobre a análise hierárquica de processos.
Pesquisa Operacional 158
8.2.2 Exemplo
Para exemplificar o uso da AHP e o processo de tomada decisão sob certeza, Taha
(2008, p. 219) apresenta o exemplo no qual introduz a situação de um aluno, chamado
Martin, que recebeu bolsas de estudo integrais em três universidades: A, B e C. Para
optar pela universidade, o estudante prioriza dois critérios: localização e reputação.
Como ele se trata de um bom estudante, ele define que a reputação acadêmica
é cinco vezes mais importante que localização, gerando um peso de 17% para locali-
zação e 83% para reputação. Com base nesses critérios, ele realiza uma análise sis-
temática para classificação das três instituições. Ele distribui os pesos assim como
apresentado no quadro a seguir.
Note que o somatório de pesos de localização resulta em cem por cento (12,9% +
27,7% + 59,4% = 100%), assim como para reputação acadêmica (54,5% + 27,3% + 18,2% =
100%). A estrutura do problema é resumida pela figura em que se faz demonstrado a
interação entre pesos dos critérios.
Resumo dos cálculos da AHP para escolha da universidade segundo os critérios do aluno
Selecionar uma
Decisão:
universidade
0,17 x 0,129 + 0,83 x 0,545 = 0,4743 0,17 x 0,277 + 0,83 x 0,273 = 0,2737 0,17 x 0,594 + 0,83 x 0,182 = 0,2520
Perceba que o problema se resume em uma única hierarquia, com dois critérios
(localização e reputação) e três alternativas (Universidades A, B e C). Obtém-se a clas-
sificação de cada universidade do seguinte modo:
A partir dos cálculos, o aluno escolhe a Universidade A, uma vez que se obteve o
peso composto mais alto.
Digamos agora que a irmã gêmea de Martin, que se chama Jane, também foi
aceita pelas mesmas três universidades. Seus pais determinaram que ambos devem
estudar na mesma universidade para que usem o mesmo carro. Agora, o problema ao
invés de ter apenas uma hierarquia, tem duas.
Novamente, cada universidade, frente a cada critério, terá um determinado peso
de seleção. Cada um atribui seus pesos. Assim, os valores p e q, que assumimos como
iguais, são os pesos de Martin e Jane sobre os processos de seleção (primeira hierar-
quia). Na segunda hierarquia, são usados os pesos (p1, p2) e (q1, q2) para indicar as pre-
ferências de Martin e Jane sobre localização e reputação. A figura a seguir apresenta a
nova configuração do problema.
Note que p + q = 1, p1 + p2 = 1, q1 + q2 = 1, p11 + p13 + p13 = 1, p21 + p22 + p23 = 1, q11+ q12 + q13 = 1 e
q21 + q22 + q23 = 1. Assim, determina-se um peso composto para a escolha da universidade.
Pesquisa Operacional 160
Alternatives:
Uni. A Uni. C Uni. A Uni. C Uni. A Uni. C Uni. A Uni. C
(p11) (p12) (p21) (p23) (q11) (q13) (q21) (q23)
© DTCOM
Universidade A = p(p1 x p11 + p2 x p21) + q(q1 x q11 + q2 x q21)
Note que, mesmo com a nova configuração, com diferentes níveis, a aborda-
gem mantém-se a mesma. Isso mostra que, com todo nível de complexidade, pode-se
estruturar o problema para a tomada de decisão. E essa premissa é válida para a deci-
são sob condição de certeza. Para tomar decisões sob risco ou incerteza, há variações.
8.3.1 Definição
É comum que a disponibilidade limitada de informação implica em maior risco
para a tomada de decisão. Isso justifica o porquê de a maioria das decisões ser tomada
a partir de previsões e planejamentos.
Em situações de risco, geralmente faz-se uso de distribuições de probabilidade para
a determinação de cada alternativa. Em função disso, a tomada de decisão sob risco
também é definida como critério do valor esperado, em que as alternativas são confron-
tadas a partir da maximização do lucro ou minimização de custos esperados. Tal aborda-
gem não é limitada, e o critério do valor alterado pode ser modificado a cada situação.
Frequentemente, faz-se o uso de dados históricos para mensurar as probabilida-
des. O que torna possível a determinação das probabilidades de cada um dos estados
da natureza. Para a tomada de decisão sob risco, são usados os métodos de critério
do valor esperado baseado em árvore de decisão, valor monetário esperado, perda de
oportunidade esperada e valor esperado de informação perfeita.
Sabe-se que as ações da Empresa A são mais voláteis (possuem maior risco) e que,
por isso, pode render 50% sobre o valor aplicado ao longo do próximo ano. Mas, se as
condições de mercado não forem favoráveis, há a possibilidade de se perder 20% do valor.
Já a Empresa B oferta investimentos seguros, com um retorno de 15% quando
o mercado está em alta, e de 5% quando em baixa. Pelas informações de mercado,
prevê-se 60% de possibilidade de alta e 40% de baixa. Diante dessa situação, per-
gunta-se em qual empresa o dinheiro deve ser aplicado. Repare que as informações do
problema podem ser resumidas no quadro a seguir.
Assim conclui-se que vale mais a vela investir na ação da Empresa A, pois vai
gerar maior retorno. Note que os mercados em alta e em baixa podem ser considera-
dos estados da natureza, onde suas probabilidades associadas são expressas.
Na teoria de decisão pode-se definir um problema com n estados da natureza e m
alternativas. Define-se que o retorno esperado é dado por:
Dados:
EVi : retorno esperado de cada alternativa i;
i : cada alternativa (i=1, 2, ...,m);
j : cada estado da natureza (j=1,2,...,n);
pj : probabilidade de ocorrência a cada ij;
aij : retorno da alternativa i dado o estado da natureza j.
Pode-se dizer, conclusivamente, que a melhor alternativa é aquela que maximiza
ou minimiza o retorno esperado – EV* = máx{EVi} ou EV* = mín{EVi}. O retorno do
problema geralmente representa ou lucro (receita) ou custos (prejuízos).
Alternativa 1 – Contratação de gestor de projetos para a auditoria por VME = 0,8 × 240.000 +
0,2 × 5.000 = 193.000
Alternativa 2 – Contratação de gestor de projetos para a consultoria por VME = 0,8 × 360.000
+ 0,2 × (–50.000) = 278.000
O decisor deve optar pela alternativa que retorna o maior VME. No caso, a deci-
são deve ser a de contratação de gestor de projetos para a área de consultoria. Mas
pode-se resolver o problema pelo critério de Perda de Oportunidade Esperado, que
veremos agora.
Alternativa 1 – Contratação de gestor de projetos para a auditoria por VME = 0,8 × 120.000 +
0,2 × 0 = 96.000
Alternativa 2 – Contratação de gestor de projetos para a consultoria por VME = 0,8 × 0 + 0,2 ×
(55.000) = 11.000
Pelo POE, o gestor deve optar pela alternativa que resultado em menor valor. No
caso, a decisão deve ser a de contratação de gestor de projetos para consultoria. Ainda
é possível analisar a situação a partir do Valor Esperado da Informação Perfeita (VEIP),
conforme vamos aprender a seguir.
Alternativa 1 – Contratação de gestor de projetos para a auditoria por VME = 0,8 × 240.000 +
0,2 × 5.000 = 193.000
Alternativa 2 – Contratação de gestor de projetos para a consultoria por VME = 0,8 × 360.000
+ 0,2 × (–50.000) = 278.000
Em que se optou pela alternativa 2, por representar maior valor. Assim, calcula-
mos o VEIP:
decisão de risco para certeza. Se o valor para obter a informação perfeita for superior
a este, não se compensa o custo em obtê-la.
© Style-photography // Shutterstock
vez que as informações para determinar a
probabilidade não são disponíveis. Porém,
mesmo diante da impossibilidade de
determinar a probabilidade de ocorrência
dos eventos, pode-se determinar os cená-
rios futuros em que ocorrerão as decisões.
Há casos em que a variedade é justificável e necessária, uma vez que demonstra
as atitudes dos gestores frente situações de risco. Em outros não, uma vez que requer
ações com prudência.
Sabe-se que em situações com Insuficiência de dados e informações, a tomada
de decisão requer um posicionamento extremo. Para isso, é melhor associar o conheci-
mento do problema com inferências subjetivas da situação. Taha (2008, p. 230) define
a matriz de retorno de um problema de decisão como mostrado na imagem a seguir.
...
...
...
...
© DTCOM
a2 $0 $ 9.910 $ 9.910
Estados da natureza
Vender 50 Vender 100 Vender 150 Melhores
Alternativas
melões melões melões resultados
Comprar 50 melões 100 100 100 100
Comprar 100 melões 0 200 200 200
Comprar 150 melões –100 100 100 300
n
max x
1
∑ v(a .s )
n j -1
i j
ai
Caso os retornos obtidos sejam negativos, deve-se buscar o resultado que traz o
mínimo retorno. Portanto, é importante que os problemas sejam devidamente analisa-
dos para que os resultados obtidos sejam condizentes. Quanto ao critério de Laplace,
a facilidade de cálculo e interpretação é o principal ponto positivo. Ao mesmo tempo
em que a simplicidade de cálculo é um fator crítico, pois pode não condizer com a reali-
dade em estudo.
Então, alfa (α) é definido como o índice de otimismo. Caso seja igual a zero,
admite-se que o decisor é conservador e há a adoção do critério minimax. Agora, se
alfa é igual a 1, então diz-se que ha a procura por resultados otimistas. Então, a depen-
der da seleção, alfa vai oscilar de 0 a 1.
Caso v (ai, sj) aponte prejuízo, então o critério adotado é o da figura:
Referências
ANDRADE, E. L. Introdução à pesquisa operacional: métodos e modelos para análise de
decisões. 3. ed. Rio de Janeiro: LTC, 2004.
CORRAR, L. J.; THEÓPHILO, C. R. Pesquisa Operacional: para decisão em contabilidade e
administração. São Paulo: Editora Atlas, 2007.
GALESNE, A.; FENSTERSEIFER, J. E.; LAMB, R. Decisões de investimento da empresa.
São Paulo: Editora Atlas, 1999.
MOREIRA, D. A. Administração da produção e operações. São Paulo: Pioneira Thomson
Learning, 2004.
PESSANHA. J. F. Pesquisa Operacional Teoria da Decisão. UERJ. Disponível em: <www.
academia.edu/11571815/Pesquisa_Operacional_Teoria_da_Decis%C3%A3o>. Acesso em :
15/08/2017.
TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Person Prentice Hall, 2008.
WANKE, P. Gerência de operações: Uma abordagem logística. São Paulo: Editoras Atlas,
2010.
YBARRA. L A. C. Pesquisa Operacional. Disponível em: <www.facom.ufms.br/~ricardo/
Courses/OR-2009/Materials/Programacao%20linear%2027-09.pdf>. Acesso em: 15/08/2017