Você está na página 1de 194

INTRODU��O � PESQUISA

OPERACIONAL

Prefaciais.indd 1 27/08/2011 21:57:49


Universidade Estadual
Paulista

Vice-Reitor no exerc�cio da Reitoria Julio Cezar Durigan

Pr�-Reitora de Gradua��o Sheila Zambello de Pinho


Pr�-Reitora de P�s-Gradua��o Marilza Vieira Cunha Rudge
Pr�-Reitora de Pesquisa Maria Jos� Soares Mendes
Giannini
Pr�-Reitora de Extens�o Universit�ria Maria Am�lia M�ximo de
Ara�jo
Pr�-Reitor de Administra��o Ricardo Samih Georges Abi
Rached

Secret�ria Geral Maria Dalva Silva Pagotto


Chefe de Gabinete Carlos Antonio Gamero

Prefaciais.indd 2
27/08/2011 21:57:50
Acad�mica Fernando Augusto Silva Marins
Cultura

INTRODU��O � PESQUISA
OPERACIONAL

S�o Paulo
2011

Prefaciais.indd 3 27/08/2011 21:57:51


�Pr�-Reitoria de Gradua��o, Universidade Estadual Paulista, 2011.

Ficha catalogr�fica elaborada pela Coordenadoria Geral de


Bibliotecas da Unesp

M339i
Marins, Fernando Augusto Silva
Introdu��o � Pesquisa Operacional / Fernando Augusto
Silva Marins. �
S�o Paulo : Cultura Acad�mica : Universidade Estadual
Paulista, Pr�-Reitoria
de Gradua��o, 2011.

176 p.
ISBN 978-85-7983-167-6

1. Pesquisa Operacional. I. T�tulo.

CDD 658.05

equipe

Pr�-reitora Sheila Zambello de Pinho


Secret�ria Silvia Regina Car�o
Assessoria Elizabeth Berwerth Stucchi
Jos� Br�s Barreto de Oliveira
Klaus Schl�nzen Junior (Coordenador Geral � NEaD)
Maria de Lourdes Spazziani
T�cnica Bambina Maria Migliori
Camila Gomes da Silva
Cec�lia Specian
Eduardo Luis Campos Lima
F�lvia Maria Pavan Anderlini
Gisleide Alves Anhesim Portes
Ivonette de Mattos
Jos� Welington Gon�alves Vieira
Maria Em�lia Ara�jo Gon�alves
Maria Selma Souza Santos
Renata Sampaio Alves de Souza
Sergio Henrique Carregari
Vitor Monteiro dos Santos

Prefaciais.indd 4
31/08/2011 21:19:41
PROGRAMA DE APOIO
� PRODU��O DE MATERIAL DID�TICO

Considerando a import�ncia da produ��o de material did�tico-


peda-
g�gico dedicado ao ensino de gradua��o e de p�s-gradua��o, a
Reitoria da
UNESP, por meio da Pr�-Reitoria de Gradua��o (PROGRAD) e em
parceria
com a Funda��o Editora UNESP (FEU), mant�m o Programa de Apoio �
Pro-
du��o de Material Did�tico de Docentes da UNESP, que contempla
textos de
apoio �s aulas, material audiovisual, homepages, softwares,
material art�stico
e outras m�dias, sob o selo CULTURA ACAD�MICA da Editora da UNESP,
disponibilizando aos alunos material did�tico de qualidade com
baixo custo e
editado sob demanda.
Assim, � com satisfa��o que colocamos � disposi��o da
comunidade
acad�mica mais esta obra, "Introdu��o � Pesquisa Operacional", de
autoria
do Prof. Dr. Fernando Augusto Silva Marins, da Faculdade de
Engenharia
do C�mpus de Guaratinguet�, esperando que ela traga contribui��o
n�o ape-
nas para estudantes da UNESP, mas para todos aqueles interessados
no as-
sunto abordado.

Prefaciais.indd 5
27/08/2011 21:57:51
Prefaciais.indd 6 27/08/2011 21:57:51
SUM�RIO

Apresenta��o 9

1 pesquisa operacional: origens, defini��es e �reas


11

1.1. A Pesquisa Operacional e o Processo de Tomada de Decis�o


11

1.2. O que � a Pesquisa Operacional? 12

1.3. Origens da Pesquisa Operacional 13

1.4. Fases da Resolu��o de um Problema pela Pesquisa


Operacional 16

1.5. Considera��es Importantes 19

Refer�ncias 21

2 programa��o linear 23

2.1. Introdu��o 23

2.2. Modelagem 24

2.3. Limita��es 38

2.4. Resolu��o Gr�fica 40


2.5. Forma Padr�o 46

2.6. Defini��es e Teoremas 49

2.7. Forma Can�nica de um Sistema de Equa��es Lineares


54

2.8. M�todo Simplex 56

2.9. M�todo Simplex com Duas Fases 72

Refer�ncias 80

3 introdu��o � teoria dos grafos e a otimiza��o em redes


81

3.1. Introdu��o 81

3.2. Conceitos B�sicos 84

3.3. Algoritmos 90

Refer�ncias 102

4 o modelo de transporte simples 103

4.1. Hist�rico e Formula��o Matem�tica 103

4.2. Algoritmo do Stepping Stone Method 108

4.3. Resolu��o pelo M�todo Modificado (Modi)


115

Prefaciais.indd 7
27/08/2011 21:57:51
8 | INTRODU��O � PESQUISA OPERACIONAL

4.4. M�todos para Encontrar uma Solu��o B�sica Vi�vel Inicial


para o Stepping Stone Method 117
4.5. Ofertas e Demandas Desbalanceadas 120

4.6. Degeneresc�ncia 121

4.7. Condi��es Proibidas de Embarque ou Recep��o


126

Refer�ncias 127

5 o modelo da designa��o 129

5.1. Introdu��o 129


5.2. Defini��es e Nota��es 130

5.3. Modelo Matem�tico 131

5.4. M�todo H�ngaro 131

Refer�ncias 150

6 introdu��o � teoria das filas: modelos markovianos


151

6.1. Introdu��o 151

6.2. Estrutura B�sica de um Sistema de Filas 152

6.3. Processos de Nascimento e Morte 156

6.4. Modelos de Filas Markovianas 160

6.5. Coment�rios Gerais 169

Anexo 172

Refer�ncias 176

Prefaciais.indd 8
27/08/2011 21:57:51
APRESENTA��O

A Pesquisa Operacional (PO) � uma �rea da Engenharia de


Produ��o que
proporciona aos profissionais, que t�m acesso ao seu escopo, um
procedimento
organizado e consistente que o auxiliar� na dif�cil tarefa de
gest�o de recursos
humanos, materiais e financeiros de uma organiza��o. De fato, a
Pesquisa
Operacional oferece um elenco interessante de �reas, modelos e
algoritmos
que permitem ao gestor tomar decis�o em problemas complexos, onde
deve
ser aplicada a �tica cient�fica.
O material deste livro corresponde a um curso semestral
introdut�rio
� PO, abordando a Programa��o Linear, algoritmos para Modelos em
Redes e
modelos estoc�sticos da Teoria de Filas. O conte�do vem sendo
ministrado, h�
mais de 20 anos, no n�vel de gradua��o para os cursos de Engenharia
Mec�nica
e de Engenharia de Produ��o Mec�nica da Faculdade de Engenharia do
Cam-
pus de Guaratinguet� (FEG) da Universidade Estadual Paulista
(UNESP); e
desde 2008, em cursos de p�s-gradua��o, Lato Sensu e Stricto Sensu
tem sido
utilizado como apoio, principalmente pelos alunos que est�o tendo
acesso
� PO pela primeira vez.
Entendendo a dificuldade dos professores em desenvolver o
material did�-
tico para suas aulas, ser� disponibilizado, para os que adotarem o
livro, na
p�gina na Internet do Autor (www.feg.unesp.br/~fmarins) os
seguintes mate-
riais de apoio:

a) Conjunto de slides em PowerPoint com o conte�do dos v�rios


cap�tulos
do livro;
b) Arquivos com exerc�cios propostos sobre cada cap�tulo do
livro;
c) Endere�os na Internet para o download de vers�es livres de
impor-
tantes e �teis softwares (LINDO�), e, ainda, o endere�o para
acesso
de software livre desenvolvido em outra institui��o (PROLIN
� Uni-
versidade Federal de Vi�osa � UFV). Manuais de usu�rio do
Solver do
Excel� e do LINDO� desenvolvidos por professores de outra
insti-
tui��o (Universidade Federal de Ouro Preto � UFOP).

Prefaciais.indd 9
27/08/2011 21:57:51
10 | INTRODU��O � PESQUISA OPERACIONAL

O autor agradece aos Professores Heleno do Nascimento Santos


da UFV,
Alo�sio de Castro Gomes J�nior e Marcone Jamilson Freitas Souza da
UFOP,
respectivamente, pela autoriza��o do uso do software PROLIN e dos
manuais do
Solver e do LINDO. Agradece, ainda, a aluna Monique de Medeiros
Takenouchi
do curso de Engenharia de Produ��o Mec�nica da FEG � UNESP pelo
traba-
lho de adequa��o nos slides em PowerPoint, bem como ao mestrando
Marco
Aur�lio Reis dos Santos pela revis�o final do texto. Finalmente, o
autor gostaria
de agradecer ao revisor an�nimo, indicado pela Pr�-Reitoria de
Gradua��o da
UNESP � PROGRAD para avaliar o texto, pelas valiosas sugest�es de
melho-
ria, e a pr�pria PROGRAD, por meio do Programa de Apoio � Produ��o
de
Material Did�tico, ao viabilizar esta publica��o.

Guaratinguet�,
agosto de 2011.
Fernando Augusto
Silva Marins

Prefaciais.indd 10
27/08/2011 21:57:51
1
PESQUISA OPERACIONAL: ORIGENS, DEFINI��ES E �REAS

1.1. A PESQUISA OPERACIONAL E O PROCESSO DE TOMADA DE DECIS�O

Um profissional que assume uma fun��o em uma empresa logo se


depara
com situa��es onde dever� tomar algum tipo de decis�o. � medida que
este
profissional vai ascendendo na carreira, os problemas e as decis�es
v�o se
tornando mais complexas e de maior responsabilidade. De fato, tomar
deci-
s�es � uma tarefa b�sica da gest�o, nos seus v�rios n�veis,
estrat�gico, gerencial
(t�tico) ou operacional, devendo ser entendido que o ato de decidir
significa
fazer uma op��o entre alternativas de solu��o que sejam vi�veis de
serem apli-
cadas � situa��o.
Apesar de cada gestor ter o seu pr�prio procedimento de
an�lise e solu-
��o de problemas, pode-se, em geral, estabelecer algumas etapas
que, neces-
sariamente, devem ser observadas, configurando o que se denomina de
papel
do decisor:
a) Identificar o problema � talvez seja a etapa mais dif�cil,
pois, diferente-
mente dos livros, os problemas na pr�tica n�o est�o,
inicialmente, cla-
ros, definidos e delimitados. Aqui � importante perceber
quais s�o os
demais sistemas que interagem com o sistema onde se insere o
problema
a ser tratado. � fundamental se ter uma equipe de analistas
multidisci-
plinar para o problema seja visto de prismas diferentes e
isso seja incor-
porado na sua solu��o;
b) Formular objetivo(s) � nesta etapa devem ser identificados e
formulados
(muitas vezes matematicamente) quais s�o os objetivos que
dever�o ser
atingidos quando da solu��o do problema. Em alguns casos,
podem-se
ter v�rios objetivos que podem ser qualitativos (por
exemplo, satisfa��o
do cliente), quantitativos (custo ou lucros) ou ainda
conflitantes;
c) Analisar limita��es � na seq��ncia deve-se levantar quais
s�o as restri-
��es que limitar�o as solu��es a serem propostas. Comumente,
essas
limita��es dizem respeito ao atendimento de tempo/prazo,
or�amento,

Cap_1.indd 11
27/08/2011 21:51:26
12 | INTRODU��O � PESQUISA OPERACIONAL

demandas, capacidades (transporte, produ��o e


armazenamento),
tecnologia (equipamentos e processos), invent�rios (mat�ria-
prima,
subconjuntos, work in process e produtos acabados), entre
outros;
d) Avaliar alternativas � aqui, o decisor, ap�s identificar
quais s�o suas
alternativas de a��o, dever�, utilizando algum procedimento,
escolher
a "melhor solu��o" que poder� ser aplicada. Destaque-se que,
muitas
vezes a solu��o �tima pode n�o ter uma rela��o custo-
benef�cio que
permita sua ado��o pela empresa, e uma outra solu��o que
atende
esses requisitos pode vir a ser a escolhida. Nesse processo
de avalia��o
de alternativas, o decisor poder� utilizar uma abordagem
qualitativa
ou quantitativa:
� A abordagem qualitativa se aplica em problemas simples,
corriquei-
ros, repetitivos, com pouco impacto financeiro ou social,
onde �
fundamental a experi�ncia do decisor (ou de sua equipe de
analis-
tas) em situa��es anteriores semelhantes. Nestes casos,
adota-se
uma solu��o similar �quela j� utilizada com sucesso num
problema
semelhante;
� J� a abordagem quantitativa � a recomendada quando os
problemas
s�o complexos, novos, envolvem grande volume de recursos
huma-
nos, materiais e financeiros, t�m alto impacto no ambiente
onde se
insere (empresa ou sociedade). Aqui, recomenda-se o uso
dos pre-
ceitos da �tica cient�fica e os m�todos quantitativos
(algoritmos)
dispon�veis a obten��o de uma solu��o.

Neste contexto � que a Pesquisa Operacional se insere,


colaborando na
forma��o de um profissional que dever� desenvolver um procedimento
coe-
rente e consistente de aux�lio � tomada de decis�o a ser adotado no
decorrer da
sua carreira.

1.2. O QUE � A PESQUISA OPERACIONAL?

Pode-se considerar que o nome Pesquisa Operacional (PO) � de


origem
militar, tendo sido usado pela primeira vez na Gr�-Bretanha durante
a Segunda
Guerra Mundial. Em termos cient�ficos, a PO � caracterizada por um
campo

Cap_1.indd 12
27/08/2011 21:51:27
Pesquisa Operacional:
origens, defini��es e �reas | 13

de aplica��es bastante amplo o que justifica a exist�ncia de v�rias


defini��es,
algumas t�o gerais que podem se aplicar a qualquer ci�ncia, e
outras t�o parti-
culares que s� s�o v�lidas em determinadas �reas de aplica��o:

"� o uso do m�todo cient�fico com o objetivo de prover


departamentos
executivos de elementos quantitativos para a tomada de decis�es
com rela��o
a opera��es sob seu controle";
"Prop�e uma abordagem cient�fica na solu��o de problemas:
observa��o,
formula��o do problema, e constru��o de modelo cient�fico
(matem�tico ou
de simula��o)";
"� a modelagem e tomada de decis�o em sistemas reais,
determin�sticos
ou probabil�sticos, relativos � necessidade de aloca��o de
recursos escassos".

A PO � uma ci�ncia aplicada que utiliza t�cnicas cient�ficas


conhecidas (ou
as desenvolve quando necess�rio), tendo como ponto de refer�ncia a
aplica��o
do m�todo cient�fico. A PO tem a ver, portanto, com a pesquisa
cient�fica cria-
tiva em aspectos fundamentais das opera��es de uma organiza��o.
Pelo que foi
dito antes, podem-se resumir os principais aspectos da PO como se
segue:
� Possui um amplo espectro de utiliza��o, no governo e suas
ag�ncias,
ind�strias e empresas comerciais e de servi�o;
� � aplicada a problemas associados � condu��o e a coordena��o
de ope-
ra��es ou atividades numa organiza��o;
� Adota um enfoque sist�mico para os problemas;
� Busca a solu��o "�tima" para o problema;
� Usa uma metodologia de trabalho em equipe (engenharia, compu-
ta��o, economia, estat�stica, administra��o, matem�tica,
ci�ncias com-
portamentais).

1.3. ORIGENS DA PESQUISA OPERACIONAL

Como descrito por L�ss (1981), desde o s�culo III A.C. quando
Hieron,
Imperador da Siracusa, solicitou de Arquimedes a idealiza��o de
meios para
acabar com o cerco naval dos romanos, lideres pol�ticos e militares
t�m con-
sultado os cientistas para a solu��o de problemas t�ticos e
estrat�gicos. No

Cap_1.indd 13
27/08/2011 21:51:27
14 | INTRODU��O � PESQUISA OPERACIONAL

s�culo XVII, Pascal e Fermat, inventores da no��o de esperan�a


matem�tica,
e mais recentemente, Frederick W. Taylor, F�lix �douard J. �. Borel
e Agner K.
Erlang modelaram alguns problemas e forneceram solu��es para os
respec-
tivos modelos.
No que diz respeito a aplica��es industriais, as sementes da PO
foram lan-
�adas h� muitas d�cadas, nas tentativas de usar o m�todo cientifico
na ger�ncia
de sistemas e organiza��es de grande porte, logo em seguida � 1a.
Revolu��o
Industrial.
O in�cio da PO �, no Ocidente, geralmente atribu�do �s
iniciativas dos ser-
vi�os militares no in�cio da Segunda Guerra Mundial. T�m-se, por
exemplo,
estudos relacionados com o desenvolvimento e uso do radar, problema
de alo-
ca��o eficiente de recursos escassos �s v�rias opera��es militares,
problema da
dieta e outros mais. As equipes de "analistas operacionais", como
foram cha-
madas naquela �poca, come�aram a se expandir na Gr�-Bretanha, no
Canad�,
na Austr�lia e nos Estados Unidos.
O r�pido crescimento da PO no p�s-guerra deve-se ao
desenvolvimento de
t�cnicas espec�ficas, tais como o m�todo Simplex para a Programa��o
Linear,
e ao grande progresso alcan�ado no desenvolvimento dos computadores
ele-
tr�nicos. A expans�o da PO no mundo acad�mico se deu inicialmente
nos
departamentos de Engenharia Industrial e de Engenharia de Produ��o,
e nas
escolas de Administra��o das Universidades norte-americanas.
Segundo L�ss (1981), o in�cio da PO no Brasil se deu
aproximadamente
uma d�cada ap�s sua implanta��o na Gr�-Bretanha e nos Estados
Unidos,
sendo que as aplica��es � economia � que motivou os trabalhos
pioneiros da
PO. Em 1957 a Escola Polit�cnica da Universidade de S�o Paulo
(EPUSP) criou
o primeiro Curso de Engenharia de Produ��o, em n�vel de gradua��o
no Brasil
nos moldes de cursos de Engenharia Industrial dos Estados Unidos.
Em 1958
teve in�cio o Curso de Engenharia de Produ��o (em n�vel de
gradua��o) do
Instituto Tecnol�gico de Aeron�utica (ITA). Foram criados os cursos
de Pro-
grama��o Linear, Teoria dos Jogos, Simula��o, Teoria das Filas e
Estat�stica,
oferecidos aos alunos de Engenharia de Produ��o da USP e do ITA.
No in�cio dos anos 60, como v�rios professores atuavam tamb�m
no setor
privado, teve in�cio uma pequena intera��o entre a Universidade e a
Empresa,
resultando nas primeiras aplica��es de PO a problemas reais. No
final dos

Cap_1.indd 14
27/08/2011 21:51:27
Pesquisa Operacional:
origens, defini��es e �reas | 15

anos 60 j� existia uma tend�ncia de se formarem em algumas empresas


grupos
dedicados a PO voltados � solu��o de problemas t�ticos e
estrat�gicos. O pri-
meiro grupo formal de PO estabelecido no Brasil em uma empresa foi
o da
Petrobr�s, criado em 1965.
Em 1966 foi realizado no Rio o "Primeiro Semin�rio de PO no
Brasil",
promovido pela Petrobr�s. Nesta �poca foi fundada a SOBRAPO �
Sociedade
Brasileira de Pesquisa Operacional, que congrega interessados no
desenvolvi-
mento e uso de t�cnicas de PO. H� v�rias sociedades profissionais
no mundo
ligadas � PO, bem como s�o publicados muitos peri�dicos, onde se
publicam
os trabalhos associados � PO. Para conhecimento e refer�ncias,
citam-se a
seguir algumas sociedades e peri�dicos mais relevantes:

� SOBRAPO � Sociedade Brasileira de Pesquisa Operacional


(www.sobrapo.org.br)
� INFORMS � The Institute for Operations Research and the
Management Sciences (www.informs.org)
� EURO � European Operational Research Society
(www.euro-online.org)
� IFORS � The International Federation of Operational Research
Societies
(www.ifors.org)
� ABEPRO � Associa��o Brasileira de Engenharia de Produ��o
(www.abepro.org.br)
� Operations Research (or.pubs.informs.org)
� European Journal of Operational Research
(www.elsevier.com/locate/ejor)
� Interfaces (interfaces.journal.informs.org)
� Management Sciences (mansci.pubs.informs.org)
� Revista da SOBRAPO (www.sobrapo.org.br)
� Gest�o & Produ��o (www.scielo.br/gp)
� Produ��o (www.abepro.org.br)
� Brazilian Journal of Operations and Production Management
(www.abepro.org.br)

Cap_1.indd 15
27/08/2011 21:51:27
16 | INTRODU��O � PESQUISA OPERACIONAL

1.4. FASES DA RESOLU��O DE UM PROBLEMA PELA PESQUISA OPERACIONAL

Pode-se, de uma forma simplificada, subdividir a resolu��o de


um problema
pela PO em cinco etapas:

(a) Formula��o do Problema (Identifica��o do Sistema)


(b) Constru��o do Modelo Matem�tico
(c) Obten��o da Solu��o
(d) Teste do Modelo e da Solu��o Obtida
(e) Implementa��o

Estas etapas podem ser visualizadas na Figura 1.


Figura 1 Esquematiza��o das Fases de um Estudo aplicando a PO

Escolha do
Fomula��o Obten��o M�todo de Obten��o
Implementa��o

Resultados
do Problema do Modelo Obten��o dos Dados
da Solu��o
da Solu��o

Teste do
Modelo e
da sua
Solu��o

Experi�ncia

(a) Formula��o do Problema (Identifica��o do Sistema)

Diferentemente dos exemplos dos livros, os problemas reais


surgem de
uma forma bastante vaga e imprecisa. Este fato exige do analista de
PO uma
grande capacidade de assimilar e sistematizar as situa��es reais.
Para se formu-
lar corretamente um problema � necess�rio que o mesmo seja bem
identificado.
Portanto, as seguintes informa��es b�sicas se tornam necess�rias:
� Quem tomar� as decis�es?
� Quais s�o os seus objetivos?

Cap_1.indd 16
27/08/2011 21:51:27
Pesquisa Operacional:
origens, defini��es e �reas | 17

� Que aspectos est�o sujeitos ao controle de quem decide


(vari�veis de deci-
s�o) e quais as limita��es a que est�o sujeitas essas
vari�veis (restri��es)?
� Quais os aspectos que est�o envolvidos no processo e que
fogem ao
controle de quem decide?
� Uma vez formulado o problema, a etapa seguinte � a constru��o
do
modelo.

(b) Constru��o do Modelo Matem�tico

Modelos s�o representa��es simplificadas da realidade. A


qualidade de um
modelo depende muito da imagina��o e cria��o da equipe de PO
requerendo
uma certa dose de abstra��o. � imposs�vel construir um manual de
instru��es
para a elabora��o de modelos. A utiliza��o de modelos possui duas
importan-
tes caracter�sticas:
� Permite a an�lise do problema modelado, indicando quais s�o
as rela-
��es importantes entre as vari�veis, quais os dados
relevantes, e quais
s�o as vari�veis de maior import�ncia;
� Possibilita a tentativa de v�rias alternativas de a��o sem
interromper o
funcionamento do sistema em estudo.

Uma classifica��o poss�vel para os modelos seria: ic�nicos ou


f�sicos (por
exemplo, maquetes), anal�gicos (por exemplo, organograma), e
matem�ticos.
Os modelos f�sicos assemelham-se fisicamente aos sistemas que
representam,
enquanto os modelos abstratos t�m apenas uma semelhan�a l�gica com
os
sistemas representados. Os modelos matem�ticos podem ser de
otimiza��o
ou de simula��o, sendo que este texto se concentrar� nos modelos
matem�ti-
cos de otimiza��o.
Um modelo matem�tico de um problema real � uma representa��o
atrav�s
de express�es matem�ticas que descrevem a ess�ncia do problema. Se
exis-
tirem n decis�es quantific�veis, elas ser�o representadas por n
vari�veis de
decis�o ou de controle. As rela��es e limita��es a que est�o
sujeitas as vari�veis
de decis�o s�o expressas por meio de equa��es e inequa��es,
denominadas
restri��es. O objetivo que se pretende atingir � formulado como uma
fun��o
(ou mais de uma), colocada em termos das vari�veis de decis�o,
denominada
fun��o objetivo.

Cap_1.indd 17
27/08/2011 21:51:28
18 | INTRODU��O � PESQUISA OPERACIONAL
Normalmente na etapa de modelagem leva-se em conta a t�cnica
que
poder� vir a ser utilizada, uma vez que muitas vezes atrav�s de
pequenas adap-
ta��es nesta fase, que n�o comprometem os resultados obtidos,
consegue-se
uma simplifica��o na etapa de obten��o da solu��o.

(c) Obten��o da Solu��o

Uma vez constru�do o modelo matem�tico parte-se para a obten��o


de
uma solu��o. Diversos s�o os m�todos matem�ticos utilizados em PO,
associa-
dos �s v�rias �reas que comp�e a PO, entre estas se pode citar, a
Programa��o
Linear, a Programa��o em Redes, a Teoria dos Grafos e a Teoria das
Filas que
ser�o tratadas neste livro.
Estes m�todos matem�ticos encontram-se em crescente evolu��o,
al�m da
descoberta de novas t�cnicas. Foram desenvolvidos diversos
softwares, que
disponibilizam alguns m�todos importantes da Pesquisa Operacional
tornando
vi�vel e eficiente a solu��o de problemas complexos. Como exemplos
t�m-se o
Solver do Excel� que atua com planilhas eletr�nicas, o LINDO� �
Linear
Discrete Optimizer (www.lindo.com) e o CPLEX� (www.ILOG.com), para
problemas de Programa��o Linear e N�o Linear e varia��es, para
Simula��o
s�o muito usados o PROMODEL� (www.belge.com.br/produtos_promodel.
html) e o ARENA� (www.paragon.com.br/).

(d) Teste do Modelo e da Solu��o Obtida

Dada a complexidade dos problemas, e a dificuldade de


comunica��o e
compreens�o de todos os aspectos, existe a possibilidade que a
equipe de ana-
listas obtenha, ou interprete, de forma err�nea alguns fatos, o que
pode acar-
retar uma distor��o elabora��o do modelo. Essa distor��o levar� a
solu��es
que n�o se ajustar�o � realidade. Dessa forma, o modelo precisa ser
testado.
Em alguns casos o modelo pode ser testado atrav�s da reconstru��o
do passado
(uso de dado hist�ricos), verificando-se a adequa��o do modelo �s
informa-
��es dispon�veis.
Em cada situa��o especifica pode ser definida uma sistem�tica
para testar
o modelo e sua solu��o. O importante � que se a solu��o for usada
repeti-
damente o modelo deve continuar a ser testado. A fase de teste pode
indicar
defici�ncias exigindo corre��es do modelo, seja pelo refinamento de
algum

Cap_1.indd 18
27/08/2011 21:51:28
Pesquisa Operacional:
origens, defini��es e �reas | 19

aspecto, pela considera��o de algum aspecto omitido ou poss�veis


simplifi-
ca��es do modelo.

(e) Implementa��o

A �ltima fase de um estudo de PO � implementar a solu��o final,


uma vez
aprovada por quem decide. Esta � uma fase cr�tica, pois � somente
nesta fase
que os resultados do estudo ser�o obtidos. Por este motivo, � muito
importante
a participa��o da equipe que trabalhou com o modelo de forma a
garantir a
sua correta implementa��o. Este contato estreito garantir� tamb�m
uma inter-
ven��o no caso de ocorrer qualquer tipo de falha n�o prevista.
A fase de implementa��o envolve um aspecto essencialmente
t�cnico e um
aspecto pessoal. Como normalmente � utilizado o computador para
obten��o
dos resultados, toda documenta��o necess�ria deve ser muito bem
organizada
e detalhada, de forma a n�o suscitar d�vidas quando de sua
utiliza��o. Por ou-
tro lado, deve-se preparar a equipe que ir� utilizar os resultados,
procurando-se
o entrosamento com a equipe de opera��o, bem antes da fase de
implemen-
ta��o. A participa��o mais efetiva de quem ir� utilizar os
resultados, nas etapas
de formula��o e modelagem certamente contribuir� para o sucesso da
imple-
menta��o dos resultados obtidos.

1.5. CONSIDERA��ES IMPORTANTES

O estudo da PO, tendo em vista a sua sistem�tica, leva o


t�cnico a adquirir
um racioc�nio organizado. Essa formaliza��o do racioc�nio facilita
a an�lise e
interpreta��o dos problemas reais, levando a um exame detalhado dos
aspec-
tos envolvidos.
No entanto, como o t�cnico de PO na maioria das vezes n�o � um
profundo
conhecedor da �rea em que ser� aplicado o modelo, � fundamental um
relaciona-
mento constante com o usu�rio, principalmente nas etapas iniciais
de formula��o
e modelagem. Esse relacionamento se torna ainda mais importante �
medida
que o usu�rio precisa estar convencido da validade, e das
vantagens, que essas
t�cnicas propiciam, para que esteja garantida a viabilidade de sua
utiliza��o.
Com rela��o aos dados utilizados nos modelos, � muito
importante que
seja conhecida a sua qualidade, pois, �s vezes, procura-se refinar
um modelo

Cap_1.indd 19
27/08/2011 21:51:28
20 | INTRODU��O � PESQUISA OPERACIONAL

sem levar em conta que a qualidade das informa��es necess�rias a


esse refina-
mento n�o o justificam. Um estudo utilizando a an�lise de
sensibilidade, em
muitos casos, permite verificar a influ�ncia de determinado dado
(par�metro),
o que poderia n�o justificar um maior detalhamento do modelo.
O porte do modelo deve ser adequado as suas finalidades. Em
muitos ca-
sos s�o utilizados modelos extremamente complexos, o que � poss�vel
com o
grande desenvolvimento dos computadores, que n�o justificam a sua
ado��o.
O custo da implementa��o e opera��o de alguns modelos pode superar
os be-
nef�cios proporcionados inviabilizando-os. Modelos de grande porte
devem
ser utilizados somente quando possam ser justificados atrav�s de
uma rela��o
benef�cio-custo desej�vel.
Recursos escassos devem ser utilizados racionalmente de maneira
racio-
nal. Por outro lado as exig�ncias do desenvolvimento industrial
brasileiro, e a
globaliza��o da economia, for�am a utiliza��o de ferramentas mais
poderosas
na solu��o de problemas espec�ficos ou gerais das empresas.
Hoje se constata que, embora as t�cnicas da PO j� estejam
bastante divul-
gadas no meio acad�mico, nas Empresas ainda h� v�rias restri��es ao
conhe-
cimento e dom�nio desse ferramental. A falta de tradi��o no uso de
t�cnicas
sofisticadas no mundo empresarial brasileiro, aliada a dificuldades
de comuni-
ca��o com as universidades, fazem com que o uso da PO por empresas
esteja
bem aqu�m do que seria desej�vel.
Nas universidades a tend�ncia � uma diversifica��o muito grande
de �reas
de aplica��o. H� pessoas trabalhando com problemas determin�sticos,
estoc�s-
ticos e combinat�rios; h� desenvolvimentos importantes relacionados
� teoria
da decis�o, a m�todos computacionais aplicados � Programa��o
Matem�tica e
a outras �reas mais contempor�neas, como a Log�stica e o
Gerenciamento da
Cadeia de Suprimentos (Supply Chain Management).
A esta diversifica��o se alia um crescente interc�mbio da
universidade
com a empresa, na forma de assessoria e participa��o em projetos.
Pode-se afirmar que a PO tem tido um impacto crescente na
adminis-
tra��o das empresas, tendo aumentado o n�mero e a variedade de suas
apli-
ca��es. A seguir est�o relacionadas �reas tratadas neste texto e
exemplos de
problemas t�picos:

Cap_1.indd 20
27/08/2011 21:51:28
Pesquisa Operacional:
origens, defini��es e �reas | 21

� Programa��o Linear � mix de produ��o, mistura de mat�rias-


primas,
modelos de equil�brio econ�mico, carteiras de investimentos,
rotea-
mento de ve�culos; jogos entre empresas;
� Modelos em Redes � rotas econ�micas de transporte,
distribui��o e
transporte de bens, aloca��o de pessoal, monitoramento de
projetos;
� Teoria de Filas � congestionamento de tr�fego, opera��es de
hospitais,
dimensionamento de equipes de servi�o;

REFER�NCIAS

LAWRENCE, J. A.; PASTERNACK, B. A. Applied Management Science:


Modeling,
Spreadsheet Analysis, and Communication for Decision Making. 2nd
Edition. New York:
John Wiley & Sons, 2002.
L�SS, Z. E. O Desenvolvimento da Pesquisa Operacional no Brasil.
Tese de Mestrado,
COPPE/UFRJ, 1981.
Cap_1.indd 21
27/08/2011 21:51:28
Cap_1.indd 22 27/08/2011 21:51:28
2
PROGRAMA��O LINEAR

2.1. INTRODU��O

Um aspecto importante de problemas envolvendo decis�es � o de


otimiza-
��o; quando se procura estabelecer quais as maneiras mais eficientes
de utilizar
os recursos dispon�veis para atingir certos objetivos. Em geral
trata-se de re-
cursos limitados e a sua utiliza��o criteriosa possibilita melhorar
o rendimento
ou produtividade do processo em estudo.
A pr�pria continuidade do processo pode mesmo depender de tal
utiliza��o
criteriosa. Na pr�tica tais recursos s�o usualmente de natureza
econ�mica, tais
como capital, mat�ria-prima, m�o-de-obra, equipamentos, tempo e
outros,
mas em geral podem tomar os aspectos mais variados.
A Programa��o Linear (PL) visa fundamentalmente encontrar a
melhor so-
lu��o para problemas que tenham seus modelos representados por
express�es
lineares. A sua grande aplicabilidade e simplicidade devem-se a
linearidade do
modelo. A tarefa da PL consiste na maximiza��o ou minimiza��o de uma
fun-
��o linear, denominada Fun��o objetivo, respeitando-se um sistema
linear de
igualdades ou desigualdades, que recebem o nome de Restri��es do
Modelo.
As restri��es determinam uma regi�o a qual se d� o nome de
Conjunto Vi�-
vel, a melhor das solu��es vi�veis (solu��es que pertencem ao
Conjunto Vi�vel),
ou seja, aquela que maximiza ou minimiza a fun��o objetivo,
denomina-se So-
lu��o �tima. O objetivo da Programa��o Linear � determinar a solu��o
�tima.
Para a resolu��o de um Problema de Programa��o Linear (PPL)
dois pas-
sos s�o necess�rios. O primeiro � a Modelagem do problema, seguindo-
se o
m�todo de solu��o do modelo. No caso de um PPL o m�todo mais
utilizado �
o M�todo Simplex, que ser� examinado adiante. N�o existem t�cnicas
precisas
capazes de permitir o estabelecimento do modelo de um problema, pois
a mo-
delagem envolve aspectos de arte, ou seja, pode ser melhorada com a
pr�tica
e observa��o. Para modelar uma situa��o geral � importante se ter
experi�ncia
e capacidade de an�lise e s�ntese.

Cap_2_equacoes corrigidas.indd 23
27/08/2011 21:52:07
24 | INTRODU��O � PESQUISA OPERACIONAL

2.2. MODELAGEM

Para identificar as vari�veis de decis�o, recomenda-se as


seguintes regras:
a) Pergunte "O decisor tem autoridade para escolher o valor
num�rico
(quantidade) do item?" Se a resposta for "sim" esta � uma
vari�vel
de decis�o;
b) Seja bem preciso com respeito �s unidades (moeda e
quantidade, por
exemplo) de cada vari�vel de decis�o (incluindo o fator
tempo, como
hor�rio, di�rio, semanal, mensal);
c) Cuidado para n�o confundir as vari�veis de decis�o com os
par�metros
do problema, como n�mero de m�quinas na f�brica, quantidade
de
cada recurso usado na fabrica��o de um produto, capacidade
de pro-
du��o da f�brica, custos de produ��o, custos de transporte,
demandas
pelos produtos e assim por diante.
Com respeito � fun��o objetivo, a PO busca encontrar o melhor
que pode
ser feito com o que se tem, isto �, procura maximizar algo (como
lucro ou
efici�ncia) ou minimizar alguma coisa (como custo ou tempo). Talvez
a busca
pelo m�ximo valor do lucro total (= retornos � custos) seja a fun��o
objetivo
mais comum nos modelos matem�ticos. Na PL, os modelos t�m apenas um
objetivo, mas � poss�vel, em outras �reas da PO, tratar modelos com
m�lti-
plos objetivos.
Exemplos de restri��es t�picas incluem a exist�ncia de limites
sobre as
quantidades de recursos dispon�veis (colaboradores, m�quinas,
or�amento,
mat�rias-primas, por exemplo) e requisitos contratuais para a
produ��o e
atendimento de demandas. As restri��es tamb�m podem ser de car�ter
natu-
ral, como ocorre nos casos de estoques, onde � razo�vel considerar
que o es-
toque ao final de um m�s � igual ao estoque no in�cio daquele m�s
mais o que
foi produzido e menos o que foi vendido no mesmo m�s, desde que o
produto
n�o se deteriore ou se perca no per�odo.
Outro exemplo se refere ao fato de determinadas vari�veis de
decis�o (por
exemplo, quantidades produzidas) n�o poderem ter valores negativos,
ou ainda
s� poderem assumir valores inteiros nulos ou positivos. Essas
�ltimas restri-
��es s�o conhecidas como restri��es de n�o negatividade e restri��es
de inte-
gridade, respectivamente.

Cap_2_equacoes corrigidas.indd 24
27/08/2011 21:52:09

Programa��o Linear | 25

� poss�vel se ter alguma vari�vel de decis�o que possa assumir


qualquer
valor, positivo, nulo ou negativo, como, por exemplo, a taxa de
infla��o num
modelo de planejamento econ�mico, nesse caso a vari�vel de decis�o �
deno-
minada livre ou irrestrita em sinal.
Um procedimento que ajuda na elabora��o de restri��es � o
seguinte:

a) Crie uma restri��o com palavras inicialmente, da seguinte


forma,
(A quantidade requerida de um recurso) <Tem alguma rela��o
com>
(A disponibilidade do recurso), sendo que essas rela��es
podem ser
expressas por meio de igualdades (=) ou desigualdades
( ou );
b) Assegure-se que a unidade do termo do lado esquerdo (Left
Hand
Side � LHS) da restri��o � a mesma unidade do termo do lado
direito
(Right Hand Side � RHS);
c) Traduza a restri��o em palavras para a nota��o matem�tica
utilizando
valores conhecidos ou estimados para os par�metros e os
s�mbolos ma-
tem�ticos adotados para as vari�veis de decis�o;
d) Reescreva a restri��o, se necess�rio, de modo que os termos
envolvendo
as vari�veis de decis�o fiquem no lado esquerdo (LHS) da
express�o
matem�tica, enquanto s� o valor associado a uma constante
fique no
lado direito (RHS).

Apresentam-se a seguir exemplos de modelagem em Programa��o


Linear.
Deve-se, inicialmente, definir de forma completa e inequ�voca quais
ser�o as
vari�veis de decis�o (ou de controle) do modelo e na seq��ncia a
fun��o obje-
tivo e as restri��es.

(1) "Mix de Produ��o" � Adaptado de Ravindran, Phillips e Solberg


(1987)

Uma Empresa deseja programar a produ��o de um utens�lio de


cozinha
que requer o uso de dois tipos de recursos: m�o-de-obra e material.
Ela est�
considerando a fabrica��o de tr�s modelos e o seu Departamento de
Enge-
nharia forneceu os dados a seguir (Tabela 1). O suprimento de
material � de
200 quilos por dia. A disponibilidade di�ria de m�o-de�obra � 150
horas.
Formule um modelo de programa��o linear para determinar a
produ��o
di�ria de cada um dos modelos de modo a maximizar o lucro total da
Empresa.

Cap_2_equacoes corrigidas.indd 25
27/08/2011 21:52:09
26 | INTRODU��O � PESQUISA OPERACIONAL

Tabela 1 Dados para o problema de mix de produ��o

modelo
a b
c
M�o-de-obra (horas por unidade) 7 3
6
Material (quilos por unidade) 4 4
5
Lucro ($ por unidade) 4 2
3

Modelagem:
Vari�veis de decis�o:
xa � produ��o di�ria do modelo a
xb � produ��o di�ria do modelo b
xc � produ��o di�ria do modelo c

Restri��es:
(limita��o de m�o-de-obra) 7xa + 3xb +6xc 150
(limita��o de material) 4xa + 4xb +5xc 200
(n�o-negatividade) xa 0, xb 0, xc 0.

Fun��o objetivo: maximiza��o do lucro total


Lucro total = L = 4xa + 2xb +3xc
Max L = 4xa + 2xb +3xc

Modelo final: Encontrar n�meros xa, xb, xc tais que: Max L = 4xa
+ 2xb +3xc
sujeito as restri��es:

7xa + 3xb +6xc 150


4xa + 4xb +5xc 200
xa 0, xb 0, xc 0.

Generalizando, suponha que existem m recursos usados na produ��o


de n
produtos, com os seguintes dados:
cj: lucro na venda de uma unidade do produto j = 1,2,..., n;
bi: quantidade dispon�vel do recurso i = 1,2,..., m;
aij: quantidade do recurso i usada para produzir uma unidade
do produto j.
xj: quantidade a produzir do produto j (vari�veis de decis�o).

Cap_2_equacoes corrigidas.indd 26
02/09/2011 23:09:17

Programa��o Linear | 27

n
O modelo geral ter�: Fun��o objetivo - Max Z =
c x

j =1

j j

Restri��es � sujeito a:

a11x1 + ...+ a1nxn b1


a21x1 + ...+a2nxn b2
....................................
am1x1 + ...+ amnxn bm
xj 0, j = 1, 2, ..., n

Em nota��o matricial, tem-se:

AX b
Max Z = C' X sujeito a:
X 0

onde: X = (x1 x2 ... xn)t � o vetor das vari�veis de decis�o;


C = (c1 c2 ... cn) �
o vetor de custos; b = (b1 b2 ... bm)t � o vetor das
quantidades dos recursos
em cada restri��o e

A= a11 a12 ... a1n � a matriz dos


coeficientes tecnol�gicos.
a21 a22 ... a2n
.........................
am1 am2 ... amn

(2) "Modelo da Dieta"

O problema consiste em obter uma dieta de m�nimo custo que


satisfa�a as
necessidades b�sicas do indiv�duo m�dio, com respeito a Calorias (no
m�nimo
3,0), C�lcio (no m�nimo 0,8) e Vitamina B12 (no m�nimo 2,7). A
Tabela 2
relaciona tr�s subst�ncias exigidas pelo organismo, a quantidade
existente de
cada uma delas de uma rela��o de seis alimentos, juntamente com os
respectivos
custos unit�rios desses alimentos.

Cap_2_equacoes corrigidas.indd 27
02/09/2011 23:09:19
28 | INTRODU��O � PESQUISA OPERACIONAL

Tabela 2 Dados para o problema da dieta

alimento (1) (2)


(3) (4)
(5) (6)
farinha leite em
queijo f�gado
batata feij�o
nutrientes de trigo p�
Calorias 44,7 8,4 7,4 2,2
9,6 26,9
C�lcio 2,0 19,1 16,4 0,2
2,7 11,4
Vitamina B12 33,3 23,5 10,3 50,8
5,4 24,7
Custos 10,8 20,5 22,5 21,2
16,1 15

Modelagem:
Vari�veis de decis�o � Seja xj a quantidade do alimento j
presente na dieta,
j = 1,2,3,4,5,6.
Fun��o objetivo -Min Z = 10,8x1 + 20,5x2 + 22,5x3 + 21,2x4 +
16,lx5 +
+ 15,0x6

Restri��es � sujeito a:
44,7x1 + 8,4x2 + 7,4x3 + 2,2x4 + 9,6x5 + 26,9x6 3,0
2,0xl + 19,lx2 + 16,4x3 + 0,2x4 + 2,7x5 + 11,4x6 0,8
33,3x1 + 23,5x2 + 10,3x3 + 50,8x4 + 5,4x5 + 24,7x6 2,7
xj > 0, j = 1,2,3,4,5,6

Generalizando, sejam cj � custo do alimento j = 1, 2,..., n;


bi � quantidade m�nima do nutriente i = 1, 2,..., m na dieta;
aij � quantidade do nutriente i por unidade do alimento j.
Em nota��o matricial o modelo ficar� sendo:
Fun��o-objetivo -Min Z = C'X

AX b
Restri��es � sujeito a:
X 0.

(3) "Modelo de Transporte Simples"

Um dado produto � produzido em diferentes f�bricas no pa�s com


capaci-
dades de produ��o limitadas e deve ser levado a centros de
distribui��o (dep�-
sitos) onde h� demandas a serem satisfeitas.

Cap_2_equacoes corrigidas.indd 28
02/09/2011 23:09:19

Programa��o Linear | 29

O custo de transporte de cada f�brica a cada dep�sito �


proporcional �
quantidade transportada e devem-se achar estas quantidades que
minimizem
o custo total de transporte (CT) do produto em quest�o. A Tabela 3
fornece os
custos unit�rios de transporte de cada f�brica para cada dep�sito,
bem como
as demandas em cada um dos dep�sitos e as produ��es de cada f�brica.

Tabela 3 Dados para o problema de transporte.

Dep�sitos Rio de
Florian�polis Salvador
Manaus Produ��es
F�bricas Janeiro
Curitiba 1 0,8 3
4,5 470
S�o Paulo 1,5 0,6 2,5
3 400
Aracaju 6 5 1,2
2,8 400
Demanda 350 300 300
120

Modelagem:
Sejam xij � quantidade enviada do produto da f�brica i (i =
Curitiba, S�o Pau-
lo, Aracaju) ao dep�sito j (j = Florian�polis, Rio de Janeiro,
Salvador, Manaus)
Fun��o objetivo � Min CT = 1x11 + 0,8x12 + 3x13 + 4,5x14 +
1,5x21 + 0,6x22
+ 2,5x23 + 3x24 + 6x31 + 5x32 + 1,2x33 + 2,8x34

Restri��es � sujeito a:
Curitiba x11 + x12 +
x13 + x14 470
(Restri��es de produ��o) S�o Paulo x21 + x22 +
x23 + x24 400
Aracaju x31 + x32 +
x33 + x34 400
Florian�polis x11 + x21 + x31
+ x41 = 350
RJ x12 + x22 +
x32 + x42 = 300
(Restri��es de demanda)
Salvador x13 + x23 +
x33 + x43 = 300
Manaus x14 + x24 +
x34 + x44 = 120
(N�o � negatividade) xij 0, i =
1,2,3 e j = 1,2,3,4

Generalizando, supondo um �nico produto, n dep�sitos e m


f�bricas e:
cij � custos unit�rios de transporte da f�brica i ao dep�sito
j;
bj � demanda no dep�sito j com j = 1,2, ...,n
ai � produ��o da f�brica i com i = 1,2, ...,m;

Cap_2_equacoes corrigidas.indd 29
02/09/2011 23:09:19
30 | INTRODU��O � PESQUISA OPERACIONAL

O modelo geral ser�:


Vari�veis de decis�o � xij � quantidade transportada da f�brica i
ao de-
p�sito j.
m n
Fun��o objetivo � Min Z = c x
i =1 j =1
ij ij

n
x
j =1
ij ai , i =
1,2,..., m

m
Restri��es � sujeito a:
x
i =1
ij = b j , j =
1,2,..., n

xij 0, i = 1,2,..., m
e j = 1,2,..., n

(4) "Sele��o de m�dia para propaganda" � Adaptado de Ravindran,


Phillips e
Solberg (1987)

Uma companhia de propaganda deseja planejar uma campanha em 03


di-
ferentes meios: tv, r�dio e revistas. Pretende-se alcan�ar o maior
n�mero de
clientes poss�vel. Um estudo de mercado resultou nos dados da Tabela
4, sendo
os valores v�lidos para cada veicula��o da propaganda.
A companhia n�o quer gastar mais de $ 800.000 e adicionalmente
deseja:

a) No m�nimo 2 milh�es de mulheres sejam atingidas;


b) Gastar no m�ximo $ 500.000 com TV;
c) No m�nimo 03 veicula��es ocorram no hor�rio normal na TV;
d) No m�nimo 02 veicula��es ocorram no hor�rio nobre na TV;
e) N�mero de veicula��es no r�dio, e nas revistas, devem ficar
entre 05 e
10, para cada meio de divulga��o.

Tabela 4 Dados para o problema de sele��o de m�dia para propaganda

TV
TV hor�rio
hor�rio
R�dio Revistas
normal
nobre
custo 40.000 75.000
30.000 15.000
clientes atingidos 400.000 900.000
500.000 200.000
mulheres atingidas 300.000 400.000
200.000 100.000

Cap_2_equacoes corrigidas.indd 30
27/08/2011 21:52:09
Programa��o Linear | 31

Formular um modelo de PL que trate este problema, determinando o


n�-
mero de veicula��es a serem feitas em cada meio de comunica��o, de
modo a
atingir o m�ximo poss�vel de clientes.

Modelagem:

Vari�veis de decis�o:
x1 = N�mero de exposi��es em hor�rio normal na tv.
x2 = N�mero de exposi��es em hor�rio nobre na tv.
x3 = N�mero de exposi��es feitas utilizando r�dio.
x4 = N�mero de exposi��es feitas utilizando revistas.

Fun��o objetivo: "maximizar n�mero de clientes atingidos"


Max z = 400.000x1 + 900.000x2 + 500.000x3 + 200.000x4

Restri��es: sujeito a
40.000x1 + 75.000x2 + 30.000 x3 + 15.000x4 800.000
(or�amento)
300.000x1 + 400.000x2 + 200.000 x3 + 100.000x4 2.000.000
(mulheres

atingidas)
40.000x1 + 75.000x2 500.000 (gasto com TV)
x1 3, x2 2, 5 x3 10, 5 x4 10 (n�mero de veicula��es em
TV,
r�dio e revistas)
x1, x2, x3, x4 0. (n�o-negatividade)

(5) "Um problema de treinamento" � Adaptado de Ravindran,


Phillips e
Solberg (1987)

Uma empresa de m�quinas ferramentas tem um programa de


treinamento
para operadores de m�quinas. Alguns operadores j� treinados podem
traba-
lhar como instrutores neste programa ficando respons�veis por 10
trainees
cada. A empresa pretende aproveitar apenas 07 trainees de cada turma
de 10.
Estes operadores treinados tamb�m s�o necess�rios na linha de
fabrica-
��o, e sabe-se que ser�o necess�rios para os pr�ximos meses: 100
operadores
em janeiro, 150 em fevereiro, 200 em mar�o, e 250 em abril.
Atualmente h�
130 operadores treinados dispon�veis na empresa. Os custos
associados a cada
situa��o s�o:
Cap_2_equacoes corrigidas.indd 31
27/08/2011 21:52:09
32 | INTRODU��O � PESQUISA OPERACIONAL

a) Trainee � $ 400;
b) Operador treinado trabalhando � $ 700;
c) Operador treinado ocioso � $ 500. Um acordo firmado com o
sindicato
pro�be demiss�es de operadores treinados no per�odo.
Encontrar um modelo de PL que forne�a um programa de treinamento
de
custo m�nimo e satisfa�a os requisitos da empresa em termos de
n�mero
de operadores treinados dispon�veis a cada m�s.

Modelagem:
Observe-se que, a cada m�s, um operador treinado est� operando
m�quina,
trabalhando como instrutor, ou est� ocioso. Al�m disto, o n�mero de
operadores
treinados, trabalhando nas m�quinas � fixo e conhecido: 100 em
janeiro, 150
em fevereiro, 200 em mar�o e 250 em abril.

Vari�veis de decis�o:
x1 = operadores trabalhando como instrutores em janeiro
x2 = operadores ociosos em janeiro
x3 = operadores trabalhando como instrutores em fevereiro
x4 = operadores ociosos em fevereiro
x5 = operadores trabalhando como instrutores em mar�o
x6 = operadores ociosos em mar�o

Fun��o objetivo: Custo Total = custo trainees + custo


instrutores + custo
ociosos + custo operadores trabalhando em m�quinas
Min CT = 400.(10x1 + 10x3 + 10x5) + 700.(x1 + x3 + x5) + 500.
(x2 + x4 +
+ x6) + 700.(100 + 150 + 200) = 4700x1 + 500x2 + 4700x3 +
500x4 + 4700x5 +
+ 500x6 + 315.000.

Restri��es: x1, x2, x3, x4, x5, x6 0 (n�o-negatividade)


As demais restri��es devem representar as equa��es de balan�o
mensal:
operadores treinados no in�cio do m�s = operadores nas m�quinas +
instru-
tores + operadores ociosos.
Janeiro � 130 = 100 + x1 + x2 x1 + x2 = 30
Fevereiro � 130 + 7x1 = 150 + x3 + x4 7x1 - x3 - x4 = 20

Cap_2_equacoes corrigidas.indd 32
27/08/2011 21:52:09

Programa��o Linear | 33
Mar�o � 130 + 7x1 + 7x3 = 200 + x5 + x6 7x1 + 7x3 - x5 - x6 =
70
Abril � 250 = 130 + 7x1 + 7x3 + 7x5 7x1 + 7x3 + 7x5 = 120.

(6) "Problema de dimensionamento de equipes de inspe��o" �


Adaptado de
Ravindran, Phillips e Solberg (1987)

Uma companhia deseja determinar quantos inspetores alocar a uma


dada
tarefa do controle da qualidade. As informa��es dispon�veis s�o:

� H� 08 inspetores do n�vel 1 que podem checar as pe�as a uma


taxa de
25 pe�as por hora, com uma acuracidade de 98%, sendo o
custo de cada
inspetor deste n�vel $4 por hora;
� H� 10 inspetores do n�vel 2 que podem checar as pe�as a uma
taxa de
15 pe�as por hora, com uma acuracidade de 95%, sendo o custo
de cada
inspetor deste n�vel $3 por hora;
� A companhia deseja que, no m�nimo, 1800 pe�as sejam
inspecionadas
por dia (= 08 horas);
� Sabe-se, ainda, que cada erro cometido por inspetores no
controle da
qualidade das pe�as acarreta um preju�zo � companhia de $2
por pe�a
mal inspecionada.

Formular um modelo de PL para possibilitar a designa��o �tima do


n�-
mero de inspetores de cada n�vel de modo a otimizar o custo da
inspe��o di�ria
da companhia.

Modelagem:
Vari�veis de decis�o - xi = n�mero de inspetores do n�vel i (=
1, 2) alocados
� inspe��o.

Fun��o objetivo: Minimizar CT = custo total di�rio de inspe��o


([$/dia]),
onde Custo Total = custo do sal�rio dos inspetores + custo dos erros
Min CT = 8.[(4 x1 + 3 x2) + 2.(25.0,02 x1 + 15.0,05 x2)] Min
CT = 40 x1 +
+ 36 x2

Restri��es: Quanto ao n�mero de inspetores:


x1 8 (inspetores do n�vel 1) e x2 10 (inspetores do n�vel 2)

Cap_2_equacoes corrigidas.indd 33
27/08/2011 21:52:09
34 | INTRODU��O � PESQUISA OPERACIONAL

Quanto ao n�mero de pe�as inspecionadas por dia:


8.(25 x1 + 15 x2) 1800 5 x1 + 3 x2 45
Restri��es impl�citas de n�o negatividade: x1 0 e x2 0.

(7) "Um problema de mistura"

Deseja-se determinar as misturas de quatro derivados do


petr�leo, que ser�o
os constituintes de tr�s tipos de gasolina (extra, super e comum).
Na Tabela 5
est�o as informa��es acerca dos custos e disponibilidade dos
constituintes.

Tabela 5 Dados sobre os constituintes

M�ximo dispon�vel
Custo
Constituintes
(barris/dia) Por
barril
1 3.000 3
2 2.000 6
3 4.000 4
4 1.000 5

Tabela 6 Dados sobre pre�os e especifica��es de gasolinas

Tipo de gasolina Especifica��es Pre�o


de venda
N�o mais que 30% de 1
A N�o mais que 50% de 3
5,5
N�o menos que 40% de 2
N�o mais que 50% de 1
B
4,5
N�o menos que 10% de 2
C N�o mais que 70% de 1
3,5

A fim de manter a qualidade de cada tipo de gasolina, � preciso


manter as
porcentagens dos diversos constituintes dentro dos limites
especificados. Os
pre�os de venda de cada tipo de gasolina por barril tamb�m est�o
indicados
na Tabela 6. O objetivo � maximizar o lucro.

Modelagem:

Vari�veis de decis�o:
xij = quantidade do constituinte i (1,2, 3, 4) na gasolina j
(A, B, C).

Cap_2_equacoes corrigidas.indd 34
27/08/2011 21:52:09

Programa��o Linear | 35

Vari�veis auxiliares:
xA = xiA, xB = xiB, xC = xiC, para i = 1, 2, 3, 4.
x1 = x1j, x2 = x2j, x3 = x3j, x4 = x4j, para j = A, B, C.

Fun��o objetivo: Max Lucro = (pre�o de venda de cada tipo de


gasolina).
(quantidade vendida) � (custo de cada constituinte).(quantidade
comprada)
Max L = 5,50 xA + 4,50 xB + 3,50 xC � 3 x1 � 6 x2 � 4 x3 � 5
x4

Restri��es:
Quantidades m�ximas de constituintes
x1j 3.000
x2j 2.000
x3j 4.000
x1j 1.000
Especifica��es das gasolinas
x1A 0,30 xA
x3A 0,50 xA
x2A 0,40 xA
x1B 0,50 xB
x2B 0,10 xB
x1C 0,70 xC
N�o negatividade � xij 0, para todo i = 1, 2, 3, 4 e j = A,
B, C.

Deve-se, a seguir, substituir as vari�veis auxiliares pelas


vari�veis de deci-
s�o e o modelo estar� completo.
Alguns modelos n�o s�o originalmente lineares, mas por meio de
algum
artif�cio podem ser linearizados. Seguem alguns exemplos desses
casos.

(8) "Uma ind�stria qu�mica"

Dois produtos, a e b, s�o feitos a partir de duas opera��es


qu�micas. Cada
unidade do produto a requer 02 horas da opera��o 1 e 03 horas da
opera��o 2.
Cada unidade do produto b requer 03 horas da opera��o 1 e 04 horas
da
Cap_2_equacoes corrigidas.indd 35
27/08/2011 21:52:09
36 | INTRODU��O � PESQUISA OPERACIONAL

opera��o 2. o tempo total dispon�vel para a realiza��o da opera��o 1


� de 16
horas, e o tempo total para a opera��o 2 � de 24 horas.
A produ��o do produto b resulta, tamb�m, num subproduto c sem
custos
adicionais. Sabe-se que, parte do produto c pode ser vendida com
lucro, mas o
restante deve ser destru�do. Previs�es mostram que no m�ximo 05
unidades
do produto c ser�o vendidas, e sabe-se que cada unidade do produto b
fabricada
gera 02 unidades do produto c. Al�m disso:

a) Produto a gera um lucro de $ 4 por unidade;


b) Produto b gera um lucro de $ 10 por unidade;
c) Produto c gera um lucro de $ 3 por unidade se for vendido;
d) Produto c gera um custo de $ 2 por unidade se for
destru�do.

Determinar um modelo de PL para tratar este problema, e encontrar


quanto
produzir de cada produto, de modo a maximizar o lucro da ind�stria
qu�mica.

Modelagem:
Observe-se na Figura 2 (a) que o lucro da venda dos produtos a e
b � uma
fun��o linear, mas com respeito ao produto c, ver Figura 2 (b), isto
n�o ocorre:

Figura 2 Lucros e custos para o modelo da ind�stria qu�mica

Produto b
Lucro Produto a Lucro

+10
Produto c
+4

+3

-2
Quantidade
Quantidade
5
(a) (b)

Cap_2_equacoes corrigidas.indd 36
27/08/2011 21:52:10

Programa��o Linear | 37

Artif�cio para linearizar o modelo: considerar as vari�veis de


decis�o como
sendo
x1 = quantidade produto a produzida
x2 = quantidade produto b produzida
x3 = quantidade produto c vendida
x4 = quantidade produto c destru�da

Fun��o-objetivo: "Lucro total = (lucro unit�rio de cada produto


� a,b,c).
(quantidade vendida de cada produto � a,b,c) � (custo para destruir
Produ-
to c). (quantidade destru�da do Produto c)"
Max z = 4 x1 + 10 x2 + 3 x3 - 2 x4

Restri��es:
2 x1 + 3 x2 16 (disponibilidade de tempo para opera��o
1)
3 x1 + 4 x2 24 (disponibilidade de tempo para opera��o
2)
x3 + x4 = 2 x2 (produ��o do produto c a partir do
produto b)
x3 5 (previs�o de produto c que pode ser
vendido)
x1, x2, x3, x4 0 (n�o-negatividade)

(9) "Oficina mec�nica" � Adaptado de Ravindran, Phillips e


Solberg (1987)

Uma oficina mec�nica tem uma furadeira vertical e cinco fresas


que s�o
usadas para a produ��o de conjuntos formados de duas partes. Na
Tabela 7
est� a produtividade de cada m�quina na fabrica��o destas partes do
conjunto.
O encarregado pela oficina deseja manter uma carga balanceada nas
m�quinas
de modo que nenhuma delas seja usada mais que 30 minutos por dia que
qual-
quer outra, sendo o carregamento de fresamento dividido igualmente
entre as
05 fresas.

Tabela 7 Dados para o problema da oficina mec�nica.

Furadeira
Fresa
Parte 1 03 20
Parte 2 05 15
Obs: tempos para produzir as partes dados em
minutos.
Cap_2_equacoes corrigidas.indd 37
27/08/2011 21:52:10
38 | INTRODU��O � PESQUISA OPERACIONAL

Achar um modelo de PL para dividir o tempo de trabalho entre as


m�quinas
de modo a obter o m�ximo de conjuntos completos ao final de um dia,
num
total de 08 horas de trabalho.

Modelagem:

Vari�veis de decis�o:
x1 = n�mero de partes 1 produzidas por dia
x2 = n�mero de partes 2 produzidas por dia

Restri��es:
3 x1 + 5 x2 480 (minutos por dia dispon�veis para a
furadeira)
(20 x1 + 15 x2)/5 = 4 x1 + 3 x2 480 (minutos por dia
dispon�veis para cada
fresa)
|(4 x1 + 3 x2) - (3 x1 + 5 x2)| = | x1 -2 x2| 30
(balanceamento de carga entre
as m�quinas)
Observe-se que esta �ltima restri��o n�o � linear, mas �
equivalente a duas
equa��es lineares que podem substitu�-la:
x1 - 2 x2 30 e - x1 + 2 x2 30
x1, x2 0 (n�o-negatividade).

Fun��o objetivo: "maximiza��o do n�mero de conjuntos completos


por
dia"
Max Z = min (x1, x2)
Observe-se que esta fun��o n�o � linear, mas pode ser linearizada
utilizan-
do-se uma vari�vel auxiliar, da forma: y = min (x1, x2), y 0, assim
tem-se duas
novas restri��es dadas por y x1 e y x2. A fun��o objetivo linear
fica sendo:
Max z = y.

2.3. LIMITA��ES

Em situa��es reais os modelos apresentam um n�mero consider�vel


de
vari�veis e restri��es que inviabilizam uma resolu��o manual.
Recomenda-se
a utiliza��o de softwares espec�ficos para PL.
Cap_2_equacoes corrigidas.indd 38
27/08/2011 21:52:10

Programa��o Linear | 39

A seguir, s�o feitas considera��es sobre as limita��es da


Programa��o Li-
near. � muito importante observar as conseq��ncias da hip�tese de
linea-
ridade. Intuitivamente, a linearidade implica que os produtos de
vari�veis,
2
como x1 x2, pot�ncias de vari�veis, como x3 , e combina��o de
vari�veis, como
alxl+ a2log x2, n�o podem ser admitidas.
Em termos mais gerais, a linearidade pode ser caracterizada por
certas
propriedades aditivas e multiplicativas. Exemplificando: se s�o
necess�rias
t1 horas sobre uma m�quina A para fazer o produto 1 e t2 horas para
fazer o
produto 2, o tempo sobre a maquina A destinado aos produtos 1 e 2 �
t1 + t2.
Neste caso, a propriedade aditiva parece bastante razo�vel, se o
tempo reque-
rido para ajustar a m�quina para uma opera��o diferente quando a
produ��o
troca de um produto para outro � desprez�vel.
Contudo, nem todos os processos f�sicos se comportam dessa
maneira. Ao
se misturar v�rios l�quidos de diferentes composi��es qu�micas n�o �
verdade,
em geral, que o volume total da mistura � a soma dos volumes dos
consti-
tuintes individuais.
A propriedade multiplicativa requer que: (1) Se for necess�rio
uma hora de
uma determinada m�quina para fazer um �nico item, ser�o necess�rias
dez
horas para fazer dez itens; isto tamb�m parece bastante razo�vel;
(2) O lucro
total da venda de um dado n�mero de unidades de um produto � o lucro
uni-
t�rio vezes o n�mero de unidades vendidas; isso nem sempre �
verdade.
De fato, em geral, o lucro n�o � diretamente proporcional ao
n�mero de
unidades vendidas, mesmo se o pre�o de venda � constante (j� que os
pre�os
tendem a baixar � medida que o mercado vai se saturando), uma vez
que os
custos de fabrica��o por unidade podem variar com o n�mero de
unidades
fabricadas (economia de escala).
Assim a linearidade, impl�cita num PPL, n�o � sempre esperada
como uma
representa��o absolutamente acurada do mundo real. Felizmente, a
linearidade
� muitas vezes uma aproxima��o suficientemente precisa das condi��es
reais,
de modo que ela pode fornecer resultados bastante proveitosos.
Nos modelos de PL os coeficientes aij, bi e cj s�o considerados
como cons-
tantes conhecidas, por�m, na realidade, esses valores podem variar.
Contudo,
atrav�s de t�cnicas de An�lise de Sensibilidade em PL, � poss�vel
conseguir os
intervalos desses coeficientes para os quais a solu��o �tima
continua a mesma.

Cap_2_equacoes corrigidas.indd 39
27/08/2011 21:52:10
40 | INTRODU��O � PESQUISA OPERACIONAL

Outra limita��o diz respeito � divisibilidade das solu��es.


Neste texto, as
solu��es �timas dos modelos poder�o apresentar valores fracion�rios
para qual-
quer de suas vari�veis. O arredondamento de valores fracion�rios
para valores
inteiros mais pr�ximos pode conduzir a erros grosseiros. Quando as
vari�veis
do modelo de PL s� puderem tomar valores inteiros deve-se impor
estas con-
di��es no pr�prio modelo. Passa-se ent�o a trabalhar com modelos de
Progra-
ma��o Linear Inteira, que n�o ser�o tratados aqui.
Deve-se, no entanto, dizer em defesa da PL que um vasto n�mero
de pro-
blemas pr�ticos importantes tem sido satisfatoriamente enfocados e
resolvidos
com t�cnicas e modelos lineares, e que o n�mero e a diversidade de
suas apli-
ca��es continuam crescendo.

2.4. RESOLU��O GR�FICA

Para modelos com apenas duas vari�veis de decis�o � poss�vel


resolv�-los
por meio de um procedimento gr�fico. Essa ferramenta, apesar de
extrema-
mente limitada, pois os modelos de PL normalmente t�m muitas
var�veis e
restri��es, propicia a apresenta��o de conceitos importantes, como
Solu��o
Vi�vel, Regi�o Vi�vel, Valor �timo da Fun��o objetivo e Solu��o
�tima do
modelo, que ser�o adiante definidos.
Na sequ�ncia ser� mostrado como resolver graficamente um
modelo de
PL com duas vari�veis de decis�o.
Exemplo 1: (Adaptado de Lawrence e Pasternack, 2002)
Uma empresa fabrica dois tipos de brinquedos, B1 e B2, que
utilizam dois
recursos: pl�stico (at� 1.000 quilos est�o dispon�veis) e horas de
produ��o (at�
40 horas est�o dispon�veis).
O Departamento de Marketing colocou algumas restri��es: n�o
fabricar
mais de 700 d�zias do total de brinquedos (B1 e B2), o n�mero de
d�zias de B1
fabricadas n�o deve exceder em 350 o n�mero de d�zias do brinquedo
B2.
A Manufatura passou as seguintes informa��es: cada d�zia do
brinque-
do B1 usa 2 quilos de pl�stico e 3 minutos de produ��o e cada d�zia
do brin-
quedo B2 usa 1 quilo de pl�stico e 4 minutos de produ��o. O lucro
estimado
na venda do B1 � $8,00/d�zia e para o B2 � $5,00/d�zia.

Cap_2_equacoes corrigidas.indd 40
27/08/2011 21:52:10

Programa��o Linear | 41

A empresa deseja determinar qual a quantidade a ser produzida de


cada
brinquedo de modo a maximizar o lucro total semanal.

Modelagem
Vari�veis de decis�o: xi � quantidade (em d�zias) a serem
fabricadas sema-
nalmente do brinquedo Bi
Max 8x1 + 5x2 (Lucro semanal)

Sujeito a
2 x1 + 1 x2 1000 (Pl�stico)
3 x1 + 4 x2 2400 (Tempo de Produ��o - Minutos)
x1 + x2 700 (Produ��o Total)
x1 - x2 350 (Mix)
xj 0, j = 1,2 (N�o-negatividade)

Resolu��o Gr�fica

Usando um par de eixos coordenados, com x1 nas abcissas e x2 nas


orde-
nadas, por exemplo, podem ser representadas graficamente as
restri��es
(observar que s�o semi-planos), a fun��o objetivo (� uma reta) e os
tipos de
solu��es vi�veis.

1a Etapa � Encontrar a Regi�o Vi�vel, ou seja, o conjunto dos


pares (x1, x2)
que satisfazem todas as restri��es. As restri��es de n�o
negatividade correspon-
dem ao 1o. Quadrante do espa�o de pontos (x1, x2), conforme Figura
3, onde as
setas indicam a �rea onde est�o os pontos que satisfazem essas
restri��es.

Figura 3 Restri��es de n�o negatividade

x2

x1

Nas Figuras de 4 a 7 est�o representadas, seq�encialmente, as


restri��es
de pl�stico, tempo de produ��o, produ��o total e de mix, devendo ser
identi-

Cap_2_equacoes corrigidas.indd 41
27/08/2011 21:52:10
42 | INTRODU��O � PESQUISA OPERACIONAL

ficados os pares (x1, x2) que satisfazem todas elas. Testar se (x1 =
0, x2 = 0)
satisfaz a restri��o analisada para descobrir qual o semi-plano que
correspon-
de � restri��o.

Figura 4 Restri��o de pl�stico

1.000
x2 Restri��o de pl�stico: 2 x1
+ 1 x2 < 1000

x2

500

x1

Figura 5 Restri��o de tempo de produ��o

x2
600 Restri��o de tempo de
produ��o:
3 x1 + 4 x2 < 2400

x1
800

Figura 6 Restri��o de produ��o total

x2

700 Restri��o produ��o total


(ela � redundante):
x1 + x2 < 700

x1
700

Cap_2_equacoes corrigidas.indd 42
27/08/2011 21:52:10

Programa��o Linear | 43

Figura 7 Restri��o de mix

x2

Restri��o de mix: x1 - x2 <


350

350

x1

Figura 8 Regi�o vi�vel


Solu��o Vi�vel
Interior
600
Solu��o
Vi�vel
na
Fronteira

Regi�o Solu��o
Vi�vel
Vi�vel � um
V�rtice

350

Na Figura 8 est� o resultado das intersec��es de todas as


restri��es,
compondo a Regi�o Vi�vel do modelo. Podem ser identificados tr�s
tipos de
solu��es vi�veis (ver exemplos na Figura 8): Pontos Internos �
Regi�o Vi�vel,
Pontos na fronteira (nos segmentos de reta) e Pontos que s�o
v�rtices (inter-
sec��o dos segmentos de reta).

2a Etapa � Encontrar a solu��o �tima. Deve-se perceber que a


fun��o ob-
jetivo, 8x1 + 5x2, para cada um de seus valores poss�veis gera uma
fam�lia de
retas paralelas, e o que se est� buscando � qual delas est�
associado ao maior
valor e ainda corta (tangenciando) a Regi�o Vi�vel da Figura 8.

Cap_2_equacoes corrigidas.indd 43
27/08/2011 21:52:10
44 | INTRODU��O � PESQUISA OPERACIONAL

O procedimento pr�tico � o seguinte:

a) Arbitrar um valor qualquer para 8x1 + 5x2, por exemplo,


2.000 e tra�ar
a reta associada, 8x1 + 5x2 = 2.000;
b) Verificar para qual sentido, em dire��o � regi�o Vi�vel,
deve-se pesqui-
sar, na fam�lia de retas paralelas � reta arbitrada, h�
melhoria no valor
da fun��o objetivo. Isso pode ser feito comparando-se o
valor arbitrado,
2.000, com o valor da fun��o objetivo obtido quando (x1 =
0, x2 = 0), ou
seja, comparar com uma reta paralela que passa pela origem
do sistema
de coordenadas. Neste caso tem-se que o valor � zero, ou
seja, menor
que 2.000 (ver Figura 9);

Figura 9 Obten��o da solu��o �tima

x2
8x1 + 5x2 = 4.360 -
lucro �timo
x1 = 320
8x1 + 5x2 = 2.000
x2 = 360
400 Melhoria do
objetivo

8x1 + 5x2 = 0

x1
250

c) Como se pretende achar o m�ximo valor para a fun��o


objetivo, deve-se
procurar por uma reta paralela � reta 8x1 + 5x2 = 2.000
que esteja mais
afastada da origem (ver na Figura 9 a seta a partir da
reta 8x1 + 5x2 = 2.000,
indicando para qual lado deve-se procurar a reta paralela
de modo que
haja melhoria do valor da fun��o objetivo) e ainda corte
(tangencie) a
Regi�o Vi�vel.

Cap_2_equacoes corrigidas.indd 44
27/08/2011 21:52:10

Programa��o Linear | 45

O ponto da Regi�o Vi�vel (x


1, x 2), tangenciado por essa reta
ser� a

solu��o �tima, com xi sendo a quantidade �tima (em d�zias) a ser


fabricada
semanalmente do brinquedo Bi, e o valor da fun��o objetivo ser� o
lucro total
semanal �timo. Uma ilustra��o desse procedimento est� na Figura 9,
obten-
do-se: $4.360 � lucro �timo, x
1 (�timo) = 320 e x 2 (�timo) = 360.

Assim, a programa��o �tima da produ��o de brinquedos �


produzir 320
d�zias do brinquedo B1 e 360 d�zias do brinquedo B2, gerando um
lucro total
semanal de $4.360.
Na Figura 10 apresenta-se uma visualiza��o gr�fica de casos
poss�veis num
PPL que seja de maximiza��o envolvendo duas vari�veis. Nesta Figura
10 est�o
indicados: a Regi�o Vi�vel (quando existe), h� uma reta obtida para
um valor
arbitr�rio da fun��o objetivo, o sentido de melhoria da fun��o
objetivo e o
valor �timo da fun��o objetivo, Z.
Na Figura 10 (a), apresenta-se uma situa��o em que a solu��o �
�nica e
corresponde a um v�rtice da Regi�o Vi�vel. Na Figura 10 (b), est�
ilustrado um
caso onde a Regi�o Vi�vel � aberta � direita e devido �s
caracter�sticas da fun-
��o objetivo que cresce exatamente para esta dire��o, a solu��o �
dita ser ilimi-
tada, para um problema de maximiza��o, com o valor de Z tendendo a .
Na
situa��o da Figura 10 (c), as restri��es n�o possuem pontos em comum
no 1o.
Quadrante, o que indica que o problema � invi�vel, ou seja, n�o tem
solu��es
vi�veis que satisfa�am, ao mesmo tempo, todas as suas restri��es.
Finalmente, nas Figuras 10 (d) e (e), est�o ilustrados os dois
casos pos-
s�veis onde h� mais de uma solu��o �tima. Observe-se que, na Figura
10 (d),
o valor �timo da fun��o objetivo (Z) ocorre para todos os pontos que
est�o
num segmento de reta na fronteira da Regi�o Vi�vel e, na Figura 10
(e), Z est�
associado aos pontos de uma semi-reta que comp�e uma das fronteiras
da
Regi�o Vi�vel.

Cap_2_equacoes corrigidas.indd 45
27/08/2011 21:52:10
46 | INTRODU��O � PESQUISA OPERACIONAL

Figura 10 Casos poss�veis em PL

x2 x2
cresce

cresce

x1
x1
(a) uma solu��o �tima
(b) solu��o ilimitada

x2 x2

cresce
conjunto vi�vel vazio

x1
x1
(c) n�o h� solu��o

(d) mais de uma solu��o �tima

x2

cresce

x1
(e) mais de uma solu��o
�tima

2.5. FORMA PADR�O

O desenvolvimento de um algoritmo que resolva um modelo de PL


exige
que se reduza o modelo original para uma forma equivalente, que
permita a
aplica��o direta deste algoritmo. Em PL, o algoritmo mais conhecido
� o M�-
todo Simplex para o qual � fundamental colocar os modelos na Forma-
Padr�o
definida a seguir.
Um modelo de minimiza��o de PL est� na forma-padr�o quando tiver
a
seguinte formula��o:
n
n

aij x j = bi
, bi 0 i = 1,2,..., m
Min Z = c x j j s.a. : j =1
j =1 x 0, j =
1,2,..., n
j

Cap_2_equacoes corrigidas.indd 46
27/08/2011 21:52:10

Programa��o Linear | 47

ou ainda, na forma matricial:

AX = b com b 0
Min Z = CX s.a. :
X 0.

onde, Xnx1 , Amxn , Cnx1 , bmx1.

Um modelo de minimiza��o de PL est� na forma-padr�o quando tiver


a
seguinte formula��o:
n
n
aij x j = bi com bi 0 i
= 1,2,..., m
Min Z = c x j j s.a. : j =1
j =1 x 0, j = 1,2,..., n
j

ou ainda, na forma matricial:

AX = b, b 0
Min Z = C X s.a. :
X 0.
onde, Xnx1 , Amxn , Cnx1 , bmx1.

Quando o modelo for de maximiza��o, as restri��es tamb�m devem


ser
na forma de igualdades, bem como as constantes e vari�veis devem ser
n�o
negativas tamb�m.
Artif�cios para redu��o de um modelo qualquer � Forma-Padr�o:

(a) Ocorr�ncia de desigualdades nas restri��es: qualquer


desigualdade
pode ser transformada numa igualdade equivalente, bastando adicionar
ou
subtrair novas vari�veis n�o negativas, denominadas Vari�veis de
Folga.
Exemplo 2: Sejam as restri��es:
2 x1 + x2 4
-3x1 + 2 x2 5

2 x1 + x2 + x3 = 4 com x3 0,
estas restri��es s�o equivalentes a
-3x1 + 2 x2 - x 4 = 5 com x 4
0.

(b) Na ocorr�ncia de bi < 0: basta multiplicar por (-l) a


restri��o i, pois os
coeficientes aij podem assumir qualquer sinal na forma padr�o.

Cap_2_equacoes corrigidas.indd 47
27/08/2011 21:52:10
48 | INTRODU��O � PESQUISA OPERACIONAL

(c) Ocorr�ncia de vari�veis livres, isto �, vari�veis que podem


ser positivas,
nulas ou negativas. Seja xk uma vari�vel livre, h� dois tipos de
opera��es para
elimin�-la:
(cl) substituir em todas as equa��es do modelo xk por x k = x k
- x k , onde
,
,,

,
xk 0 e xk ,,
0.
(c2) expressar xk , a partir de uma restri��o j� na forma de
igualdade, como
fun��o das demais vari�veis n�o-negativas e substituir xk nas outras
equa��es
por esta express�o. Ap�s a resolu��o do novo modelo, sem xk e a
equa��o de re-
corr�ncia utilizada, calcula-se o valor de xk atrav�s da equa��o de
recorr�ncia.
(d) Ocorr�ncia de vari�vel n�o positiva: se existe xk < 0,
basta substitu�-la
,
pela sua sim�trica x k = - x k 0 nas equa��es do modelo.

Exemplo 3: Colocar na forma-padr�o o modelo abaixo,

Max 2x1 � x2 + x3
s. a:

x1 + 2 x2 - x3 5

4 x1 + x3 0

- x1 - 2 x3 -7
x + x =8
1 2

1
x 0, x2 0, x3 livre.

Numa primeira etapa, ser�o tratadas as desigualdades e as


constantes das
restri��es, que devem ser respectivamente, em forma de igualdades e
n�o ne-
gativas. Assim, obt�m-se um novo modelo equivalente ao original dado
por:

Max Z = 2x1 � x2 + x3
s. a:
x1 + 2 x2 - x3 - x 4 = 5 (1)

4 x1 + x3 + x5 = 0 (2)

x1 + 2 x3 + x6 = 7 (3)
x +x =8 (4)
1 2
x1 0, x2 0, x3 livre, x 4 0 , x5 0, x6 0

onde x4, x5, x6 s�o vari�veis de folga.

Cap_2_equacoes corrigidas.indd 48
27/08/2011 21:52:11

Programa��o Linear | 49

Agora, adotando o procedimento (c2), visto anteriormente, pode-


se elimi-
nar a vari�vel x3, utilizando-se, por exemplo, a equa��o (2): x3 =
-4 x1 - x5 .
Substituindo esta express�o em (1), (3), (4) e na fun��o objetivo,
tem-se:

Max -2x1 - x2 - x5
s. a:
5x1 + 2 x2 - x 4 + x5 = 5

-7 x1 - 2 x5 + x6 = 7

x1 + x2 = 8
x2 0, x1 , x 4 , x5 , x6 0

'
Resta agora fazer x2 = -x em todas as equa��es do modelo,
resultando, fi-
2
nalmente, na forma padr�o procurada:

Max -2x1 - x2 - x5
s. a:
5x1 + 2 x2 '
- x 4 + x5 = 5

-7 x1 - 2 x5 + x6 = 7

x1 + x2 = 8
'

x , x' , x , x , x 0
1 2 4 5 6

2.6. DEFINI��ES E TEOREMAS

Aqui ser�o apresentados alguns conceitos, e resultados


importantes com
respeito � solu��o de um Modelo de PL na forma padr�o.

Defini��o 1: Solu��o Vi�vel

AX = b
0
O vetor X � solu��o vi�vel 0
0
, isto �, X0 satisfaz as
restri��es.
X 0

Exemplo 4: Seja o Modelo

x1 + x2 - x3 = 2

Min Z = x1 + 2 x2 + x3 s.a. : 2 x1 + 3x2 - x3 = 7


x 0, i = 1, 2, 3
i

Cap_2_equacoes corrigidas.indd 49
27/08/2011 21:52:11
50 | INTRODU��O � PESQUISA OPERACIONAL

1 3

Os vetores 0
X1 = 1 e 0
X2 = 0 s�o solu��es
vi�veis.
0 1

Defini��o 2: Solu��o �tima


O vetor X * � solu��o �tima X * � solu��o vi�vel e C ' X * =
Min Z = C ' X

No exemplo 4, como poder� ser verificado, posteriormente, pelo


uso do
1
0

M�todo Simplex, a solu��o �tima �: X * = X 1 = 1 e Z * = 3 � o


valor
0
�timo da fun��o objetivo.

Defini��o 3: Conjunto das Solu��es Vi�veis

{ }
Os vetores Xo tais que X 0 AX 0 = b e X 0 0 formam o conjunto
vi�vel
do modelo de minimiza��o na forma padr�o.

Observa��es:

(a) Se o conjunto vi�vel � vazio o modelo � invi�vel.

(b) Se existir uma seq��ncia de solu��es vi�veis X1


0
0 0
, X2 {
}
,...
de modo que
C' X i - quando i ent�o o modelo tem solu��o ilimitada.

Lema 1: O conjunto das solu��es vi�veis � convexo e fechado.

A demonstra��o desse Lema foge do escopo deste livro e os


interessados
poder�o consultar as refer�ncias ao final deste cap�tulo para
obterem maiores
detalhes.

Defini��o 4: Solu��o B�sica

AX = b , com Amxn = (aij) = (a1 a2


...an) onde
Seja o sistema de equa��es
(m
( m n) )
a1i

ai = .
a
mi
Cap_2_equacoes corrigidas.indd 50
27/08/2011 21:52:11

Programa��o Linear | 51

Assim: AX = b x1al + ... xmam + ... + xnan = b


(1)

Este sistema (1) apresenta solu��o indeterminada, pois h� mais


vari�veis
do que equa��es. Selecione na matriz A, m colunas linearmente
indepen-
dentes � LI, como por exemplo, al, a2, ..., am.
Fazendo iguais a zero as vari�veis n�o associadas a estas
colunas LI es-
colhidas, isto �, fazendo-se xm+l = xm+2 =...xn= 0, obt�m-se um
sistema de
equa��es que � poss�vel e determinado, dado por:

x1a1 + x2a2 + ... + xmam = b


(2)

A solu��o deste sistema (2) � chamada de uma solu��o b�sica do


sistema
original (1), as colunas a1, ..., am s�o chamadas colunas b�sicas e
x1, x2, ... xm
s�o as vari�veis b�sicas. As demais vari�veis e colunas s�o
denominadas
n�o-b�sicas.

Exemplo 5: Achar as solu��es b�sicas do sistema de equa��es

x1 + x2 - x3 = 12

- x1 + 2 x2 + 2 x3 = 6

Inicialmente, podem ser identificados:

x1
1 1 -1 12 1 1
-1
A= , X = x 2 ,b = , a1 = , a2 = , a3 =

-1 2 2 x3 6 -1 2
2

Deve-se selecionar de A duas colunas que sejam LI, dentre os


poss�veis
conjuntos de colunas {al, a2}, {al, a3} e {a2, a3}. Como estes
conjuntos definem
submatrizes de A, basta verificar se os determinantes destas
submatrizes s�o
nulos ou n�o, para saber se os conjuntos associados s�o ou n�o LI.
Se algum
determinante se anular indica que o conjunto associado � Linearmente
De-
pendente - LD, caso contr�rio, o conjunto � LI.

Cap_2_equacoes corrigidas.indd 51
27/08/2011 21:52:11
52 | INTRODU��O � PESQUISA OPERACIONAL

Verificando isto, tem-se no exemplo 5:

1 1
{a1, a2} � LI pois
-1 2
=3

1 -1
{a1, a3} � LI pois
-1 2
=1

1 -1
{a2, a3} � LI pois
2 2
=4

Portanto t�m-se tr�s solu��es b�sicas para o sistema em


estudo:

la solu��o b�sica fazer x3 = 0 (vari�vel n�o-b�sica) o que resulta


em:

x1 + x2 = 12 , cuja solu��o � x = 6 e x = 6 (vari�veis b�sicas)


1 2
- x1 + 2 x2 = 6

2a solu��o b�sica fazer x2 = 0 (vari�vel n�o-b�sica) o que resulta


em:

x1 + x2 = 12 , cuja solu��o � x = 30 e x = 18 (vari�veis b�sicas)


1 3
- x1 + 2 x2 = 6

3a solu��o b�sica fazer x1 = 0 (vari�vel n�o-b�sica) o que resulta


em:

x2 - x3 = 12
2x2+ 2x3 = 6, cuja solu��o � x2 = 7,5 e x3 = -4,5 (vari�veis
b�sicas)

Defini��o 5: Solu��o B�sica Vi�vel (S.B.V.)

O vetor XB � solu��o b�sica vi�vel (s.b.v.) XB 0 e AB XB = b,


onde AB
� a submatriz de A formada pelas colunas b�sicas associadas �s
vari�veis que
comp�em XB.

Exemplo 6: No exemplo 5 as solu��es b�sicas vi�veis s�o:

6 1 1
B =
X1 6 com AB = - 1 2
1
e as vari�veis b�sicas s�o x1 e x2;

Cap_2_equacoes corrigidas.indd 52
27/08/2011 21:52:11

Programa��o Linear | 53

30 1 -1
2
XB = com AB
2
= e as vari�veis b�sicas s�o x1 e x3.
18 -1 2
A seguir est�o dois importantes resultados da PL, cujas
demonstra��es fo-
gem do escopo deste livro e n�o ser�o, portanto apresentadas,
recomenda-se
aos interessados a consulta �s refer�ncias bibliogr�ficas do final
do cap�tulo.
O modelo original, citado nos Teoremas 1 e 2, se referem ao
modelo antes
de ser colocado na forma padr�o.

Teorema 1: As solu��es b�sicas vi�veis do modelo na forma padr�o


corres-
pondem a pontos extremos (v�rtices) do conjunto vi�vel do modelo
original.

Teorema 2: Se o modelo original tem solu��o �tima ent�o pelo


menos um
ponto extremo (v�rtice) do seu conjunto vi�vel � �timo, ou seja,
pelo menos
uma solu��o b�sica vi�vel do modelo equivalente na forma padr�o �
�tima.

Um exame superficial dos resultados desta se��o indicaria uma


t�cnica
simplista de resolu��o para o modelo de PL. Bastaria determinar
todas as so-
lu��es b�sicas vi�veis, isto �, os v�rtices da regi�o vi�vel,
calcular os respectivos
valores da fun��o objetivo, para cada uma destas solu��es, e
selecionar o menor
deles como sendo a solu��o �tima.
Assim, bastaria resolver um n�mero finito de sistemas de
equa��es linea-
res de ordem m x n, sendo m o n�mero de restri��es e n o n�mero de
vari�veis.
Mas, este procedimento � insuficiente, e o que � pior, incorreto, j�
que ele s� se
aplicaria a problemas com solu��o finita (ver os casos poss�veis
para um PPL
na Figura 10).
A impraticabilidade de tal t�cnica em problemas reais �
evidenciada pela
observa��o de que, mesmo para um modesto sistema com 7 vari�veis e 4
equa-
7
��es, tem-se que resolver 4 = 35 sistemas lineares de ordem
4x4!

Apresenta-se, neste texto, o M�todo Simplex, desenvolvido em


1947 por
George Dantzig, que supera estas dificuldades mediante o artif�cio
de ao inv�s de
se testar todos os v�rtices (s.b.v), iniciar com um v�rtice
qualquer, e passar, via
modifica��es simples e de f�cil controle, a outros v�rtices mais
eficientes do pon-
to de vista da otimiza��o (Max ou Min) desejada. Deste modo,
garante-se uma
melhoria passo a passo dos valores da fun��o objetivo na dire��o do
�timo Z.

Cap_2_equacoes corrigidas.indd 53
27/08/2011 21:52:11
54 | INTRODU��O � PESQUISA OPERACIONAL

2.7. FORMA CAN�NICA DE UM SISTEMA DE EQUA��ES LINEARES

Uma maneira pr�tica de se obter solu��es b�sicas de um sistema


de equa-
��es lineares (S), dado por AX = b, � colocar este sistema numa
forma conve-
niente denominada Forma Can�nica. Isto pode ser feito usando o
M�todo de
Elimina��o de Gauss-Jordan (MEGJ), que nos leva a seguinte
equival�ncia
entre os sistemas (S) e (S'):

x1 + a1m+1 xm+1 + + a1n xn = b1

x2 + a2m+1xm+1 + + a2n xn = b2
(S'):

xm + amm+1xm+1 + + amn xn = bm

O sistema (S') � denominado uma forma can�nica de (S). Deve-se


notar
que, em (S'), fica evidente a seguinte solu��o b�sica:

vari�veis b�sicas: x1 = b1 ,
x2 = b2 , , xm = bm

considerando como vari�veis n�o-b�sicas: x m +1 = x m + 2 =


= xn = 0

Naturalmente poderiam ter sido escolhidas outras vari�veis


para serem as
b�sicas, optou-se pelas m primeiras vari�veis, x1, x2, ..., xm,
apenas por facili-
dade de apresenta��o no texto.
O MEGJ pode ser aplicado como segue. Observe-se que h� uma
vari�vel
b�sica diferente em cada equa��o de (S'). Isso � obtido ap�s se
escolher uma
vari�vel xi de (S) para ser a vari�vel b�sica associada a equa��o j
de (S') e efe-
tuar-se uma opera��o denominada Pivoteamento a partir do coeficiente
aij em
(S), que recebe o nome de Piv�.
O pivoteamento corresponde a se utilizar em (S) opera��es
entre linhas
tais como: troca de equa��es, divis�o (ou multiplica��o) de uma
equa��o por
uma constante, ou ainda, adicionar a uma equa��o uma combina��o
linear das
demais. Estas opera��es n�o alteram a ess�ncia do sistema (S),
levando a um
sistema equivalente (S'). Esquematicamente, o pivoteamento est�
explicado na
Figura 11.

Cap_2_equacoes corrigidas.indd 54
27/08/2011 21:52:12

Programa��o Linear | 55

Figura 11 Pivoteamento

a1j 0
a2j Aplicando as 0
. opera��es de .
.
. .
.
aij 1
. pivoteamento .
.
. a partir de aij .
.
amj 0
Observe-se que, por meio do pivoteamento, o coeficiente aij �
transforma-
do em 1, e os demais coeficientes de xj s�o transformados em zeros.

2 x1 - 2 x2 + 6 x3 = 4 (1)
Exemplo 7: Dado o sistema (S) :
- x1 + 4 x2 - x3 = 2 (2)

Achar uma forma can�nica (S') associando x1 como vari�vel b�sica


da
equa��o (1) e x3 como vari�vel b�sica da equa��o (2).
Aplicando o MEGJ em (S), tem-se a seq��ncia de sistemas
equivalentes a
seguir.

2 x1 - 2 x2 + 6 x3 = 4 (1)
(ver 1o Quadro da
Figura 12)

- x1 + 4 x2 - x3 = 2 (2)

Dividindo a equa��o (1) por 2:

x1 - x2 + 3x3 = 2 (1)

- x1 + 4 x2 - x3 = 2 (2)

Substituindo a equa��o (2) por (2')=(2) + (1'):

x1 - x2 + 3x3 = 2 (1) (ver 2o Quadro da


Figura 12)

3x2 + 2 x3 = 4 (2')

Dividindo a equa��o (2') por 2:

x1 - x2 + 3x3 = 2 (1)

3
x2 + x3 = 2 (2)
2

Cap_2_equacoes corrigidas.indd 55
27/08/2011 21:52:12
56 | INTRODU��O � PESQUISA OPERACIONAL

Substituindo a equa��o (1') por (1") = (1') - 3.(2"):

11
x1 - x2 = -4 (1)
2
(S'): (ver 3o Quadro da Figura
12)
3
x + x = 2 (2)
2
2 3

Tem-se, assim, a Solu��o B�sica associada com (S'), com as


vari�veis
b�sicas sendo x1 = -4, x3 = 2; e vari�vel n�o-b�sica x2 = 0.
Pode-se utilizar um procedimento pr�tico para obter uma forma
can�ni-
ca de um sistema linear. Este m�todo � aplicado ao Exemplo 7 e
ilustrado na
Figura 12. Os elementos escolhidos como piv�s em cada itera��o est�o
desta-
cados com um c�rculo.

Figura 12 Etapas do pivoteamento do Exemplo 7

Vari�vel
B�sica x1 x2 x3 b

x1 2 -2 6 4 (1)
1o Quadro
x3 -1 4 -1 2 (2)

x1 1 -1 3 2 (1')
= (1) / 2
2o Quadro
x3 0 3 2 4 (2')
= (2) + (1')

x1 1 -11/2 0 -4 (1'')
= (1') - 3 (2'')
3o Quadro
x3 0 3/2 1 2 (2'')
= (2') / 2

No 3o Quadro est�o as vari�veis b�sicas x1 = -4, x3 = 2; a


vari�vel n�o-b�sica
� x2 = 0.

2.8. O M�TODO SIMPLEX

O M�todo Simplex � um procedimento iterativo que fornece a


solu��o de
qualquer modelo de PL em um n�mero finito de itera��es. Indica,
tamb�m,
se o modelo tem solu��o ilimitada, se n�o tem solu��o, ou se possui
infinitas
solu��es.
Cap_2_equacoes corrigidas.indd 56
27/08/2011 21:52:12

Programa��o Linear | 57

H� duas etapas na aplica��o do M�todo Simplex, ap�s colocar o


modelo de
PL na forma-padr�o:

Etapa (A) � Teste de Otimalidade da solu��o ou identifica��o


de uma so-
lu��o �tima;

Etapa (B) � Melhoria da solu��o ou obten��o de solu��o b�sica


vi�vel
(s.b.v.) melhor que a atual.
A seguir, est�o os detalhes sobre cada uma destas etapas.

Etapa (A) � Teste de Otimalidade

Sejam as restri��es do modelo geral de minimiza��o na forma


padr�o,
acrescentadas da fun��o objetivo:

a11 x1 + + a1m xm + a1m+1 xm+1 + + a1n xn = b1


(1)

a x + + a x + a
m1 1 mm m mm+1 x m+1 + + amn xn = bm (m)
- Z + c1 x1 + + cm xm + cm+1 xm+1 + + cn xn = 0 (m
+ 1)

Aplicando o MEGJ, considerando como vari�veis b�sicas, x1 ,...,


x m e -Z,
respectivamente para as equa��es 1,...,m e m+1, tem-se:

x1 + a1m+1 xm+1 + + a1n xn = b1

xm + amm+1 xm+1 + + amn xn = bm


- Z + c x + + c x = -Z
m+1 m+1 n n 0

onde, Z0 = c1 b1 + c2 b2 ... + cm bm � o valor da fun��o


objetivo (ver a
seguir) e os c j , j = m + 1,..., n s�o denominados
coeficientes de custo rela-
tivos (ou reduzidos). Considerando todos os bi 0, i = 1,... m
tem-se:

s.b.v.: vari�veis b�sicas x1 = b1 ,..., xm = bm


vari�veis n�o-b�sicas xm+1 = ... = xn = 0
O Valor da fun��o objetivo para esta solu��o b�sica vi�vel pode
ser obtido
da equa��o (m+1) modificada, pois:

Cap_2_equacoes corrigidas.indd 57
27/08/2011 21:52:12
58 | INTRODU��O � PESQUISA OPERACIONAL

n
Z = Z0 + c
j =m+1
j x j , e xj = 0, j = m + 1,..., n
Z = Z0.

Pergunta: Pode-se melhorar (diminuir) o valor de Z


considerando outras
s.b.v.?

An�lise: Se na equa��o (m+1) n�o h� c j < 0 ent�o qualquer


mudan�a no
valor da vari�vel n�o-b�sica xj (isto �, obter outra s.b.v. com xj
sendo vari�vel
b�sica) aumenta necessariamente Z a s.b.v. atual � �tima e Z * = Z
0 (n�o h�
Etapa (B)).
Se na equa��o (m+1) h� cs < 0 a vari�vel n�o-b�sica xs
correspondente
a este cs, se for transformada em vari�vel b�sica (em uma pr�xima
s.b.v.) faz
com que Z diminua a s.b.v. atual n�o � �tima. (H� Etapa (B)).

Visualiza��o da Etapa (A) do M�todo Simplex

Exemplo 8: Seja o modelo de minimiza��o com a fun��o objetivo (f.o.)


Z

2 x1 + x2 + 2 x3 = 4

Z = 4 x1 + x2 + x3 s.a. 3x1 + 3x2 + x3 = 3


x , x , x 0
1 2 3

Acrescentando a f.o. �s restri��es do PPLP, vem:

2 x1 + x2 + 2 x3 = 4 (1)

3x1 + 3x2 + x3 = 3 (2)


- Z + 4 x + x + x = 0 (3)
1 2 3

Aplicando-se o MEGJ, considerando x3 como vari�vel b�sica para a


a
1 equa��o, x1 para a 2a equa��o e -Z para a 3a equa��o:

3 3
- x2 + x3 =
4 2

5 1
x1 + x2 + =
4 2
- Z 13 - 7
- x2 = (I )
4 2

Cap_2_equacoes corrigidas.indd 58
27/08/2011 21:52:12

Programa��o Linear | 59

7 13
Da equa��o (I): Z = - x2, como x2 = 0 (� vari�vel n�o-b�sica)
2 4
1 7
Z = Z0 = , que � o valor da fun��o objetivo para esta primeira
s.b.v., que
2
tem x3 = 3/2, x1 = 1/2 e x2 = 0.

7 13
An�lise: Como Z = - x2 , se x 2 entao Z como se deseja.
Assim, a
2 4
s.b.v. atual n�o � �tima, pois tem-se x2 = 0 (ou seja, x2 est�
assumindo o seu

menor valor).
Procura-se tornar x2 vari�vel b�sica numa pr�xima s.b.v.
aplicando o
MEGJ, e considerando como vari�veis b�sicas, x3 para a 1a equa��o,
x2 para
a 2a equa��o, e -Z para a 3a equa��o. Obt�m-se, deste modo:

3 9
x1 + x3 =
5 5

4 2
x1 + x2 =
5 5
- + 13 -11
Z x1 = (II )
5 5

11 13
Da equa��o (II): Z = + x1, como x1 = 0 (� vari�vel n�o-
b�sica)
5 5
11
Z = Z0
2
= , que � o valor da fun��o objetivo. para a segunda
s.b.v., onde
5
9 2
x3 = , x2 = e x1 = 0 .
5 5

11 13
An�lise: Como Z = + x1 , se x1 ent�o Z o que n�o �
interessante,
5 5
11
pois deseja-se minimizar a fun��o objetivo. Logo o valor de Z =
n�o pode
5
ser melhorado.

Deste modo tem-se:


x1
*
0
11 *
Z= (valor �timo) e X= x2 = 2 / 5 (solu��o �tima).
5 *
x3 9 / 5

Cap_2_equacoes corrigidas.indd 59
27/08/2011 21:52:13
60 | INTRODU��O � PESQUISA OPERACIONAL

Fase (B) � Melhoria da Solu��o

Admitindo que j� foi realizada a etapa (A) do M�todo Simplex,


num mo-
delo de minimiza��o, e existe cs < 0; deve-se achar uma nova s.b.v.
com xs
tendo seu valor aumentado (era zero) at� que alguma restri��o do
modelo na
forma padr�o seja violada.

Problema: Nesta nova s.b.v., que outras vari�veis deve-se


alterar (e de quanto)
para compensar o aumento de xs?

Solu��o: Devem-se alterar apenas os valores das vari�veis


b�sicas da s.b.v.
atual, pois:

a) Cada vari�vel b�sica s� afeta uma equa��o, podendo ser


colocada como
uma fun��o de xs, facilitando descobrir qual a varia��o
poss�vel de xs,
sem que cada vari�vel b�sica se torne negativa;
b) As vari�veis b�sicas t�m coeficientes de custo relativo
nulos na equa��o
associada � fun��o objetivo (equa��o m+1); portanto,
altera��es nos
seus valores n�o afetam o valor de Z, assim pode-se
garantir que a fun-
��o objetivo diminuir� ao se aumentar xs.

Procedimento Geral para aplicar a Etapa (B):

a) Escolher xs tal que cs < 0 na equa��o (m+1);

{
}
b) Procurar equa��o i tal que bi / ais = Min b j / a js , a js
> 0 , onde a js � o
coeficiente da vari�vel xs na equa��o j.

b
O coeficiente ais correspondente ao quociente m�nimo i
� denominado

ais
Piv�. A vari�vel b�sica associada � equa��o i ser� substitu�da pela
vari�vel n�o-
b�sica xs atrav�s de opera��es de pivoteamento com ais.

Visualiza��o da Fase (B) do M�todo Simplex

Exemplo 9: (MACULAN FILHO e PEREIRA, 1980) Seja um modelo de mini-


miza��o, j� com a fun��o objetivo acrescentada ao conjunto das
restri��es:

Cap_2_equacoes corrigidas.indd 60
27/08/2011 21:52:13

Programa��o Linear | 61

x1 + 2 x3 - 3x 4 = 5 (1)

x2 + 2 x3 - 2 x 4 = 6 (2)
- Z - 4 x3 + 5x 4 = -4 (3)

A solu��o b�sica vi�vel atual tem as vari�veis b�sicas x1 = 5,


x2 = 6, as vari�-
veis n�o-b�sicas x3 = x4 = 0 e Z = 4.
A partir da Etapa (A) do M�todo Simplex sabe-se que o
coeficiente c3 = -4
da vari�vel n�o-b�sica x3, na equa��o (3), indica que a s.b.v. atual
n�o � �tima,
e x3 deve ser vari�vel b�sica numa pr�xima s.b.v..
Assim, o pr�ximo passo � determinar at� que valor x3 pode ser
aumentado
(seu valor atual � zero), sem que x1 e x2 se tornem negativos.
Na nova s.b.v. (com x3 como vari�vel b�sica) deve-se manter x1
0 e x 2 0,
e sabe-se tamb�m que:
de (1): x1 = 5 - 2 x3 + 3x 4 , como x 4 = 0 (permanece
vari�vel n�o-b�sica)
x1 = 5 - 2 x3
de (2): x2 = 6 - 2 x3 + 2 x 4 , como x 4 = 0 (permanece
vari�vel n�o-b�sica)
x2 = 6 - x3

6
Deste modo tem-se: x1 0 x3 5 / 2 e x2 0 x3 � o
maior valor
2
5 6
5
que x3 pode assumir, sem violar as restri��es deve ser ent�o Min ,
= .
2 2
2
Conclus�o: A nova s.b.v. tem como vari�veis b�sicas, x3 = 5
e

5
x2 = 6 - 2 x3 = 1; como vari�vel n�o-b�sicas, x1 = x4 = 0, e Z = 4 -
4. = -6 .

2
Pode ser utilizado um esquema de tabelas como artif�cio para
sistematizar a
obten��o de s.b.v., isso foi aplicado ao Exemplo 9 e est� ilustrado
na Figura 13.

Coment�rios Adicionais

(1) Ocorr�ncia de Empate na Entrada

Durante a aplica��o da Etapa (B), quando houver mais de um


coeficiente
de custo relativo negativo, pode-se optar por tornar vari�vel
b�sica, na pr�xi-
ma s.b.v., qualquer vari�vel n�o-b�sica associada a um destes
coeficientes.

Cap_2_equacoes corrigidas.indd 61
27/08/2011 21:52:13
62 | INTRODU��O � PESQUISA OPERACIONAL
Normalmente, escolhe-se a vari�vel correspondente ao menor
deles, este
crit�rio � conhecido como a Regra de Dantzig.

Figura 13 Uso de tabelas na resolu��o do Exemplo 9

Vari�vel que
entra

Vari�veis
B�sicas x1 x2 x3 x4

5 Menor quociente
x1 1 0 2 3 5
= 2,5

2 (indica a linha
s.b.v. vari�vel
do Piv�)
atual que sai x2 0 1 2 -2 6

= 3,0
-Z 0 0 -4 5
-4 2

(valor negativo indica a


coluna do Piv�) Pivoteamento em

torno de a13 = 2

nova x3 1/2 0 1 3/2


5/2
s.b.v.
x2 -1 1 0 -5 1

-Z 2 0 0 11 6

0
1
A nova s.b.v.: X = , Z = -6
5/2
0

(2) Problema Inicial � Ilimitado

Se ao aplicar a Etapa (B), com xs escolhida para se tornar


vari�vel b�sica,
ocorrer que todos os a js 0 ent�o nenhuma vari�vel b�sica tem seu
valor dimi-
nu�do quando xs aumenta, o que leva a conclus�o que o modelo de
minimiza��o
apresenta solu��o ilimitada (Z -).
Considere o Exemplo 9 onde, agora, os coeficientes de x3 nas
restri��es (1)
e (2) s�o iguais a (-2), neste caso tem-se:

x1 - 2 x3 - 3x 4 = 5 (1')

x2 - 2 x3 - 2 x 4 = 6 (2')
-Z - 4 x3 + 5x 4 = -4
(3)

Como o coeficiente da vari�vel n�o-b�sica x3 na equa��o (3) � c3


= -4 ,
significa que deve-se aumentar x3 (seu valor atual � zero pois �
vari�vel n�o-
b�sica) para algum valor positivo (o maior poss�vel).

Cap_2_equacoes corrigidas.indd 62
27/08/2011 21:52:13

Programa��o Linear | 63

Como x4 = 0 (permanece como vari�vel n�o-b�sica) de (1') x1 = 5


+ 2 x3
e de (2') x 2 = 6 + 2 x3 . Notar que tem-se x1 > 0 e x2 > 0 quando
x3 � au-
mentado, ou seja, nenhuma restri��o de n�o-negatividade � violada, e
pode-se
aumentar indefinidamente x3. Como Z quando x3 tem-se que Z -
(Problema Ilimitado).

(3) Avalia��o da Melhoria no Valor da Fun��o objetivo.

Notar que, em cada itera��o do M�todo Simplex, ocorre uma


melhoria no
valor da fun��o objetivo avaliada por:

bi
Znovo = Zatual + cs para cs < 0, bi > 0 e ais > 0 (Piv�)
ais

Para ilustrar isto, considere o Exemplo 9, onde foram obtidas


duas s.b.v:

s.b.v.1 x1 = 5, x2 = 6, x3 = x 4 = 0, Z1 = 4
5
s.b.v.2 x1 = 0, x2 = 1, x3 = , x 4 = 0, Z2 = -6
2
bi
Notar que Z2 = Z1 + cs com, Z1 = 4, bi = 5, ais = 2
e c s = -4
ais
2
Z2 = 4 + (�4) = �6
5

(4) Interpreta��o Geom�trica do M�todo Simplex


Em cada itera��o o M�todo Simplex vai de um v�rtice (s.b.v.) do
conjunto
vi�vel para outro v�rtice adjacente a ele (outra s.b.v.) onde o
valor da fun��o
objetivo � melhor. Ver ilustra��o no Exemplo 10.

Exemplo 10: (MACULAN FILHO e PEREIRA, 1980)

Min Z = -3x1 - 5x2


s. a.:
x1 4

x2 6

3x1 + 2 x2 18
x1 , x2 0

Cap_2_equacoes corrigidas.indd 63
27/08/2011 21:52:13
64 | INTRODU��O � PESQUISA OPERACIONAL

Colocando na forma padr�o, tem-se: Min Z = -3x1 - 5x2


s. a:

x1 + x3 = 4

x2 + x4 = 6

3x1 + 2 x2 + x5 = 18
xi 0, i = 1,5

Aplicando o Simplex t�m-se as tabelas da Figura 14.

Figura 14 Resolu��o do Exemplo 10

VB x1 x2 x3 x4 x5 b

x3 1 0 1 0 0 4
Quadro 1
x1 =
x2 = 0
x4 0 1 0 1 0 6 x3 =
4, x4 = 6,
x5 =
8, Z = 0
x5 3 2 0 0 1 18
s.b.v. 1

-Z -3 -5 0 0 0 0
x3 1 0 1 0 0 4
Quadro 2
x1 =
x4 = 0
x2 0 1 0 1 0 6 x3 =
4, x5 = 6,
x2 =
6, Z = -30
x5 3 0 0 -2 1 6
s.b.v. 2

-Z -3 0 0 5 0 30

x3 0 0 1 2/3 -1/3 2
Quadro 3
x5 =
x4 = 0
x2 0 1 0 1 0 6 x3 =
2, x5 = 6,
x2 =
6, Z = -36
x1 1 0 0 -2/3 1/3 2
s.b.v.
3 � �tima

-Z 0 0 0 3 1 36

PARAR, pois cs > 0

Cap_2_equacoes corrigidas.indd 64
27/08/2011 21:52:14

Programa��o Linear | 65

Na Figura 15 h� seq��ncia de situa��es onde se procura mostrar a


evo-
lu��o do M�todo Simplex, indo de uma s.b.v. (v�rtice) para outra
adjacente no
Conjunto Vi�vel associado ao modelo original.

Figura 15 Evolu��o das itera��es do M�todo Simplex

x2 x2

(Z = -30, Quadro 2)
(0,6) (2,6) (0,6)
(2,6)

Regi�o
Vi�vel

(4,3)
(4,3)

0
x1
x1
(0,0) (4,0) (0,0)
(4,0)
(Z = 0, Quadro 1)

(a) Quadro 1 � s.b.v. 1


(b) Quadro 2 � s.b.v. 2

x2
(0,6) (2,6)
0
(Z = -36,
Quadro 3)

(4,3)

x1
(0,0) (4,0)

(c) Quadro 3 � solu��o


�tima

(5) Ocorr�ncia de mais de uma solu��o �tima

Quando o modelo tem mais de uma solu��o �tima, o M�todo Simplex



capaz de indicar isto.
Suponha que j� foi encontrada uma s.b.v. �tima para o modelo, ou
seja, cor-
respondentes a essa s.b.v. (1) todos os coeficientes de custo
relativos s�o maiores
ou iguais a zero ( c j 0), com o valor da fun��o objetivo dado por
Z1 = Z.

Cap_2_equacoes corrigidas.indd 65
31/08/2011 21:34:04
66 | INTRODU��O � PESQUISA OPERACIONAL
Devem-se analisar os coeficientes de custo relativo
cuidadosamente. Se h�
algum cs = 0, associado a alguma vari�vel n�o-b�sica xs, ent�o
existe outra
s.b.v. (2), onde xs � vari�vel b�sica, que tamb�m � �tima, pois
neste caso n�o
h� altera��o no Z, quando xs se torna vari�vel b�sica.
Isto pode ser verificado utilizando-se a express�o matem�tica do
coment�-
rio (3) onde:

bi
Z2 = Z1 + cs , como cs = 0 Z2 = Z1 = Z .
ais

Al�m disto, como se sabe que o M�todo Simplex se locomove, em


cada
itera��o, para v�rtices adjacentes do conjunto vi�vel, como visto no
coment�-
rio (4), pode-se concluir que todas as combina��es convexas da
s.b.v. (1) e
s.b.v. (2) ser�o tamb�m solu��es �timas. Assim X = XA + (1 � ) XB, 0
1,
com XA sendo a s.b.v. 1 e XB sendo a s.b.v. 2.
Isto pode ser visualizado para um problema de maximiza��o em duas
di-
mens�es, como sendo o caso de haver um segmento de reta �timo para o
pro-
blema, ver a Figura 16.

Figura 16 Modelo com mais de uma solu��o �tima � Segmento de reta


�timo

Z = Z
x2 s.b.v. 1 (�tima)
combina��es lineares de
s.b.v. 1 e s.b.v. 2

s.b.v. 2
(�tima)
Z=0

x1

Considere o Exemplo 11, onde ocorre a situa��o de mais de uma


solu��o
�tima.
Cap_2_equacoes corrigidas.indd 66
27/08/2011 21:52:14

Programa��o Linear | 67

Exemplo 11: Min Z = - x1 - 2 x2 s. a:

x1 + x3 =3

x2 + x4 =4

x1 + 2 x2 + x5 = 9
xi 0, i = 1,5.

Aplicando o M�todo Simplex, t�m-se a seq��ncia de quadros da


Figura 17.
Est�o indicados por c�rculos os coeficientes que s�o os piv�s.

Figura 17 Tabelas do Simplex do exemplo 11

VB x1 x2 x3 x4 x5 b

x3 1 0 1 0 0 3

x4 0 1 0 1 0 4 Q1

x5 1 2 0 0 1 9

-Z -1 -2 0 0 0 0

x3 1 0 1 0 0 3

x2 0 1 0 1 0 4 Q2

x5 1 0 0 -2 1 1

-Z -1 0 0 2 0 8

x3 0 0 1 2 -1 2 Q3

x2 0 1 0 1 0 4 (XA)

x1 1 0 0 -2 1 1

-Z 0 0 0 0 1 9

x4 0 0 1/2 1 -1/2 1 Q4

x2 0 1 -1/2 0 1/2 3 (XB)


x1 1 0 1 0 0 3

-Z 0 0 0 0 1 9

Cap_2_equacoes corrigidas.indd 67
02/09/2011 23:19:38
68 | INTRODU��O � PESQUISA OPERACIONAL

Todas as Combina��es Convexas de X * *


A e X B s�o solu��es
�timas, ou seja,

1 3

4 3

X = X A + (1 � )X B, 0 1, onde: X A = 2 , X B = 0 e Z * = -9.
* *

0 1

0 0

Graficamente isto pode ser visualizado na Figura 18.

Figura 18 Resolu��o gr�fica do Exemplo 11

x2

X = segmento de reta �timo

XA
4
x1
XB

Z = -9
Z=0

Cap_2_equacoes corrigidas.indd 68
05/09/2011 15:36:33

Programa��o Linear | 69
Ainda no Exemplo 11, observe-se que, no Quadro referente a
solu��o �tima
*
X se os coeficientes nas restri��es da vari�vel n�o-b�sica x4,
associada ao
A,
coeficiente de custo relativo c4 = 0, fossem todos nulos ou
negativos, ent�o n�o
haveria piv�, e a solu��o �tima m�ltipla seria dada por uma semi-
reta �tima:

X = X
A , 1, Z = �9

(6) Aplica��o do M�todo Simplex a um Modelo de Maximiza��o

Quando o modelo for de maximiza��o, pode-se aplicar diretamente


o
M�todo Simplex sem haver necessidade de transform�-lo em um modelo
de
minimiza��o.
Para isto basta considerar as seguintes altera��es nas Etapas
(A) e (B) v�li-
das, agora, para o caso de maximiza��o:

Etapa (A) Teste de Otimalidade � A s.b.v. atual ser� �tima


todos os coefi-
cientes de custos relativos forem n�o-positivos, isto �, se / cj > 0
.
Etapa (B) Melhoria da Solu��o � A vari�vel n�o-b�sica,
escolhida para ser
b�sica na pr�xima s.b.v., deve ser escolhida dentre aquelas com
coeficiente do
custo relativo positivo. Normalmente, escolhe-se para ser b�sica
aquela vari�-
vel n�o-b�sica correspondente ao maior coeficiente de custo relativo
(Regra de
Dantzig). O pivoteamento � realizado da mesma maneira que para um
modelo
de minimiza��o.

Exemplo 12: Max Z = 3x1 + 5x2


s. a:

x1 4

x2 6

3x1 + 2 x2 18

x1 , x2 0
Cap_2_equacoes corrigidas.indd 69
27/08/2011 21:52:15
70 | INTRODU��O � PESQUISA OPERACIONAL

Aplicando o M�todo Simplex, para maximiza��o, obt�m-se as


tabelas da
Figura 19. Est�o indicados com os c�rculos os coeficientes que s�o
os piv�s.

Figura 19 Tabela do Simplex para o Exemplo 12

VB x1 x2 x3 x4 x5
b

x3 1 0 1 0 0
4

x4 0 1 0 1 0
6

x5 3 2 0 0 1
18

-Z 3 5 0 0 0
0

x3 1 0 1 0 0
4

x2 0 1 0 1 0
6

x5 3 0 0 -2 1
6

-Z 3 0 0 -5 0
-30

x3 0 0 1 2/3 -1/3
2

x2 0 1 0 1 0
6

x1 1 0 0 -2/3 1/3
2

-Z 0 0 0 -3 -1
-36
Solu��o �tima, pois cs > 0

x1

2
6
x2
2
X = x3
= 0 , Z = 36
x
4 0
x5

Cap_2_equacoes corrigidas.indd 70
27/08/2011 21:52:15

Programa��o Linear | 71

Apresenta-se, na Figura 20, um fluxograma v�lido para


minimiza��o para
orientar a aplica��o das Etapas (A) e (B) do M�todo Simplex, ele
ser� denomi-
nado Fluxograma (1).

Figura 20 Fluxograma (1) para um PPL de minimiza��o

Achar solu��o
inicial

H�
Solu��o atual � N�o
Sim Escolher
Cj < 0
(X
�tima (X* ))
AA
Cs < 0 Xs entra
?

H�
H�
Solu��o �tima N�o Solu��o
N�o
Cj = 0
ais > 0
(X*
�nica (X =X
= X*A)
A) ilimitada
?
?

Sim
Sim

Fim Fim
Achar piv� ars
H� m�ltiplas

Xr sai
solu��es �timas

(Etapa (B))

Por Pivoteamento
xj entra
achar nova 1

solu��o

H�
x=
x* = x
x*A
A
N�o
aij > 0
>1 Observa��o:
?
Cj = Coeficiente de
custo relativo da vari�vel n�o-b�sicas Xj
Sim Xj, Xs = Vari�veis
n�o-b�sicas
Xr = Vari�vel b�sica
associada � equa��o r
Fim Achar piv� arj
aij, ais =
Coeficientes na equa��o i das vari�veis Xj e Xs,
Xr sai
(Etapa (B)) respectivamente
X = Solu��o �tima

Por Pivoteamento
achar nova

solu��o �tima (X
(X*
BB))

X = XA
+ (1 - ) XB
0<<1

Fim

Cap_2_equacoes corrigidas.indd 71
27/08/2011 21:52:15
72 | INTRODU��O � PESQUISA OPERACIONAL

2.9. M�TODO SIMPLEX COM DUAS FASES

Nos problemas estudados at� este ponto, ap�s colocar o PPL na


forma-
padr�o, imediatamente ficava evidente uma s.b.v. inicial necess�ria
para apli-
ca��o do M�todo Simplex.
Assim, o M�todo Simplex podia ser inicializado com uma s.b.v.
onde as
vari�veis b�sicas eram as vari�veis de folga e as vari�veis n�o-
b�sicas eram
as demais vari�veis naturais do modelo. Freq�entemente isto n�o
acontece, e
deste modo, o M�todo Simplex n�o pode ser inicializado
imediatamente, neces-
sitando da aplica��o de uma fase preliminar.
O que se faz nestas situa��es, em que n�o h� uma solu��o vi�vel
inicial evi-
dente para um dado modelo de PL, que receber� o nome de Modelo
Original, �
definir convenientemente um PPL auxiliar, denominado Modelo
Artificial,
cuja resolu��o fornecer�, ou uma s.b.v. inicial para esse Modelo
Original, ou
ent�o, indicar� a inexist�ncia de solu��o para esse Modelo Original
(ou seja, ele
� invi�vel).
Um procedimento que pode ser utilizado nestes casos � denominado
M�-
todo das Duas Fases onde:
� Criar o Modelo Artificial a partir das restri��es do
Modelo Ori-
Fase 1
ginal. Resolver pelo M�todo Simplex o Modelo Artificial;
Fase 2� Aplicar o M�todo Simplex ao PPL Original, a partir da
solu��o
b�sica vi�vel �tima obtida para o PPL Artificial na Fase 1.
Para entender como este m�todo funciona, considere-se um PPL, j�
colo-
cado na forma-padr�o � PPLO, mas que n�o apresenta uma s.b.v.
evidente, isto
�, n�o est� na forma can�nica, e n�o tem vari�vel b�sica
identificada para qual-
quer uma das equa��es do PPLO:

Modelo Original � PPLO

Min Z = c1 x1 + c2 x2 + ... + cn xn (fun��o objetivo original)


a11x1 + a12 x2 + ... + a1n xn = b1

a x + a x + ... + a2n xn = b2
s.a.: 21 1 22 2

am1x1 + am2 x2 + ... + amn xn = bm

com, b j 0, j = 1,2,..., m e xi 0 (vari�veis de decis�o e de


folga), i = 1, 2,... , n.

Cap_2_equacoes corrigidas.indd 72
31/08/2011 21:56:10

Programa��o Linear | 73

Define-se o seguinte problema auxiliar (In�cio da 1a Fase),


utilizando-se
vari�veis artificiais yj para cada uma das equa��o do PPLO:

Modelo Artificial � PPLA

Min W = y1 + y2 + ... + ym (fun��o objetivo artificial)

a11x1 + ... + a1n xn + y1 = b1

a x + ... + a2n xn + y2 = b2
s.a.: 21 1

am1x1 + ... + amn xn + ym = bm

com, b j 0, xi 0, y j 0 (vari�veis artificiais), j = 1, 2, ... ,


m; i = 1, 2, ... , n .

Notar que o PPLA est� na forma-padr�o e se forem adequados


para o valor
zero os coeficientes das vari�veis artificiais na fun��o objetivo
artificial, ficar�
dispon�vel uma s.b.v. inicial para o PPLA, dada por:

y1 = b1 , y 2 = b2 , ... , y m = bm e W = b1 + b2 + ... +
bm .

Ap�s a adequa��o para zero dos coeficientes das vari�veis


artificiais na
fun��o objetivo artificial, pode-se aplicar o M�todo Simplex para o
PPLA,
havendo possibilidade de ocorrer as seguintes situa��es:

Caso 1: Se o valor �timo da fun��o objetivo artificial for W >


0, isto indi-
car� que pelo menos uma vari�vel artificial, ys, permaneceu como
vari�vel
b�sica na s.b.v. �tima do PPLA. Deve-se observar que as restri��es
do PPLA
s�o exatamente as mesmas do PPLO, acrescentadas em cada equa��o de
uma
vari�vel artificial.
Assim pode-se concluir que � necess�rio que ys seja n�o
negativa (ys > 0)
para que as restri��es do PPLO sejam satisfeitas, evidenciando com
isto que o
PPLO � Invi�vel, isto �, apenas com as vari�veis originais (de
decis�o e de fol-
ga), x1 , x2 ,... , xn, n�o � poss�vel satisfazer conjuntamente
todas as suas restri-
��es. Assim o Conjunto Vi�vel do PPLO � vazio. (Fim da Fase 1 da
Resolu��o
do PPLO, n�o h� a Fase 2).

Cap_2_equacoes corrigidas.indd 73
31/08/2011 21:56:12
74 | INTRODU��O � PESQUISA OPERACIONAL

Caso 2: Se W = 0, isto indicar� que todas as vari�veis


artificiais s�o nulas
e assim o PPLO � Vi�vel.

Aqui, devem ser analisados dois subcasos:

a) Se todas as vari�veis artificiais s�o vari�veis n�o-


b�sicas, ent�o a s.b.v.
inicial para o PPLO ser� exatamente a s.b.v. �tima do
PPLA.
Ap�s eliminar as vari�veis artificiais do Quadro �timo da
resolu��o do
PPLA, e substituir a fun��o objetivo artificial pela
original, aplica-se o
M�todo Simplex. (In�cio da Fase 2 � Fluxograma (1)).
b) Quando houver yj = 0, sendo yj vari�vel b�sica da s.b.v.
�tima do PPLA,
a s.b.v � denominada degenerada, e requer o uso do
procedimento des-
crito a seguir.

No Quadro �timo da resolu��o do PPLA, para cada vari�vel yj


que � vari�-
vel b�sica associada a equa��o i do conjunto de restri��es, deve-se
procurar
uma vari�vel original, xk, com coeficiente na equa��o i sendo aik 0
(observe-
se que pode inclusive ser negativo). Podem ocorrer duas situa��es:

� Se esse coeficiente existir, basta fazer o pivoteamento a


partir desse
aik , substituindo a vari�vel yj por xk. Ap�s eliminar as
vari�veis arti-
ficiais n�o-b�sicas do Quadro �timo da resolu��o do PPLA,
por meio
desses pivoteamentos, substituir a fun��o objetivo
artificial pela
original, e aplicar o M�todo Simplex ao PPLO (In�cio da
Fase 2 �
Fluxograma (1)).
� Se na equa��o i n�o houver nenhuma vari�vel original xk, com
aik 0 ,
isto indicar� que esta equa��o i � combina��o linear das
demais equa-
��es, podendo, portanto, ser eliminada, bem como a
vari�vel b�sica
artificial correspondente. Ap�s a elimina��o de todas as
vari�veis
artificiais e equa��es redundantes do Quadro �timo da
resolu��o do
PPLA, substituir a fun��o objetivo artificial pela
original e aplicar
o M�todo Simplex do PPLO (In�cio da Fase 2 � Fluxograma
(1)).

Visando a facilita��o do uso do M�todo Simplex com Duas Fases,


foi ela-
borado o Fluxograma (2) apresentado na Figura 21.

Cap_2_equacoes corrigidas.indd 74
27/08/2011 21:52:15

Programa��o Linear | 75

Figura 21 Fluxograma (2) para aplica��o do M�todo das Duas Fases

Obter modelo na
forma padr�o

Observa��o:
W = Valor �timo da fun��o
objetivo artificial H�
Sim Iniciar
Fase 2 = Aplica��o do fluxograma 1 solu��o inicial

Fase 2
?

N�o
Iniciar Fase 1
Fim
definir modelo
artificial

Iniciar Fase 1
definir modelo
artificial

Iniciar Fase 1
Problema

definir modelo
orginal invi�vel

artificial

Eliminar vari�vel
Fim
H�
artificiais substituir N�o
vari�vel artificial
fun��o objetivo
b�sica?
artificial pela original
Sim


Iniciar poss�vel a
Fase 2 substitui��o
Sim Efetuar
por vari�vel
pivoteamento
original?

Fim N�o

Eliminar vari�vel
artificial b�sica e
equa��o associada

No Exemplo 13 h� uma aplica��o completa do M�todo das Duas Fases,


com o uso dos Fluxogramas (1) e (2).

Cap_2_equacoes corrigidas.indd 75
27/08/2011 21:52:15
76 | INTRODU��O � PESQUISA OPERACIONAL

Exemplo 13: (MACULAN FILHO e PEREIRA, 1980)

x1 4

x2 6
Min Z = -3x1 - 5x2 s.a.:
3x1 + 2 x2 18
x1 , x2 0.

Pelo Fluxograma (2), acha-se o PPLO (na forma-padr�o)

x1 + x3
=4

x2 + x4
=6
Min Z = -3x1 - 5x2 s.a.
3x1 + 2 x2 -
x5 = 18
xi 0, i = 1,5.

N�o h� uma solu��o b�sica vi�vel evidente no PPLO, pois as


vari�veis x3 e
x4 podem ser as vari�veis b�sicas, respectivamente, para as equa��es
1 e 2, mas
na equa��o 3 n�o h� vari�vel b�sica, pois o coeficiente da vari�vel
x5 nessa
equa��o � -1. Observe-se que n�o se pode simplesmente multiplicar os
dois
lados da 3a equa��o por (-1) para resolver essa situa��o de x5,
pois, nesse caso,
a constante que � 18 passaria a ser -18 e o modelo n�o ficaria na
forma padr�o
(onde todas as constantes devem ser n�o-negativas).
Na aplica��o do M�todo das Duas Fases, as vari�veis de folga
x3 e x4 podem
ser as vari�veis b�sicas referentes �s equa��es (1) e (2), e
bastaria acrescentar a
vari�vel artificial y1 � 3a equa��o e criar o Modelo Artificial
(PPLA):

x1 + x3
=4

x2 + x4
=6
Min W = y1 s.a.:
(PPLA)
3x1 + 2 x2 - x5 + y1 =
18
xi 0, i = 1,5, y1 0.

Na Figura 22, est� a aplica��o do M�todo Simplex ao PPLA (Fase


1). Os
c�rculos indicam os coeficientes piv�s.

Cap_2_equacoes corrigidas.indd 76
27/08/2011 21:52:15

Programa��o Linear | 77

Figura 22 Fase 1 � aplica��o do Simplex ao PPLA

VB x1 x2 x3 x4 x5 y1 b

x3 1 0 1 0 0 0 4

Quadro
x4 0 1 0 1 0 0 6
inicial

y1 3 2 0 0 -1 1 18

Adequar a f.o.
-W 0 0 0 0 0 1 0

x3 1 0 1 0 0 0 4

Q1 x2 0 1 0 1 0 0 6

y1 3 2 0 0 -1 1 18

-W -3 -2 0 0 1 0 -18

x1 1 0 1 0 0 0 4

Q2 x4 0 1 0 1 0 0 6

y1 0 2 -3 0 -1 1 6

-W 0 -2 3 0 1 0 -6

x1 1 0 1 0 0 0 4
Q3 x4 0 0 3/2 1 1/2 -1/2 3

x2 0 1 -3/2 0 -1/2 1/2 3

-W 0 0 0 0 0 1 0

Cap_2_equacoes corrigidas.indd 77
27/08/2011 21:52:16
78 | INTRODU��O � PESQUISA OPERACIONAL

Observe-se que, na seq��ncia de tabelas da Fase 1, o Quadro


Inicial �
id�ntico ao Quadro 1 e apenas os coeficientes na fun��o objetivo s�o
alterados
em fun��o do coeficiente da vari�vel y1 ser 1 e n�o 0, devendo,
portanto, se-
rem modificados adequadamente. Basta multiplicar a equa��o 3 por (-
1) e
som�-la � equa��o 4, associada � fun��o objetivo.
Agora, ap�s eliminar a coluna da vari�vel yj do Quadro 3 e
substituir a
equa��o correspondente a fun��o objetivo W pela equa��o - Z - 3 x1 -
5 x2 = 0
do PPLO, pode-se dar in�cio a Fase 2.
Antes de aplicar as etapas do Fluxograma (1), deve-se fazer
uma adequa-
��o nos coeficientes de x1 e x2 na fun��o objetivo, para se ter a
forma can�nica
completa, ou seja, os coeficientes de todas as vari�veis b�sicas
devem ser 0 na
equa��o 4 (fun��o objetivo).
Como a vari�vel x4 (que � uma vari�vel de folga no Modelo
Original) j�
satisfaz isso, basta multiplicar por 3 a equa��o 1, multiplicar por
5 a equa��o 3
e som�-las � equa��o 4, com o intuito de zerar nas posi��es dos
coeficientes de
x1 (que � �3) e de x2 (que � �5) nessa equa��o 4.
Ap�s essa adequa��o na tabela inicial, obt�m-se o Q'3 para o
Modelo Ori-
ginal que � id�ntico ao Q3 da resolu��o do Modelo Artificial com as
mudan�as
na equa��o 4.
A partir de Q'3 aplica-se a seq��ncia de etapas do Fluxograma
(1), confor-
me Figura 23, onde est�o indicados pelos c�rculos os coeficientes
que s�o os
piv�s. Na Figura 24 est� a visualiza��o gr�fica das tabelas da
aplica��o do Sim-
plex ao PPLO.

Cap_2_equacoes corrigidas.indd 78
27/08/2011 21:52:16

Programa��o Linear | 79

Figura 23 Fase 2 � aplica��o do Simplex ao PPLO

VB x1 x2 x3 x4 x5
b

x1 1 0 1 0 0
4
Adequar a
fun��o x4 0 0 3/2 1 1/2
3
objetivo

x2 0 1 -3/2 0 -1/2
3

-Z -3 -5 0 0 0
0

x1 1 0 1 0 0
4

Q'3 x4 0 0 3/2 1 1/2


3

x2 0 1 -3/2 0 -1/2
3

-Z 0 0 -9/2 0 -5/2
27

x1 1 0 0 0 0
4

Q4 x5 0 0 3 2 1
6

x2 0 1 0 1 0
6

-Z 0 0 3 5 0
42

PARAR!

X1 = 4, X 2 = 6, X 3 = 0,
X 4 = 0
A Solu��o �tima do PPLO est� em Q4:
X5 = 6, Z = -42.

Notar nas Figuras 24 (a), 24 (b) e 24 (c) que, na Fase 1, o


M�todo das Duas
Fases procura se aproximar do conjunto vi�vel do PPLO. Quando �
encon-
trada uma s.b.v. do Modelo Original (um v�rtice da Regi�o Vi�vel)
inicia-se a
Fase 2 (ver Q3).

Cap_2_equacoes corrigidas.indd 79
27/08/2011 21:52:16
80 | INTRODU��O � PESQUISA OPERACIONAL

Figura 24 Visualiza��o das etapas do M�todo das Duas Fases

x2 x2
(2,6) (4,6)
(2,6) (4,6)
(0,6) (0,6)
X = conjunto vi�vel

(4,3)
(4,3)

(W = 6, Z = -12,

Quadro 2)
0 x1
0 x1
(4,0) (0,0)
(4,0)
(W = 18, Z = 0, Quadro 1)

(a) Quadro 1 � Fase 1


(b) Quadro 2 � Fase 1

x2 x2
(2,6) (4,6)
(2,6) (4,6)

0 (Z = -42, �timo,

Quadro 4)

0 (Z = -27, Quadro 3 =
(4,3)
(4,3)
= Quadro 3')

x1
x1
(0,0) (4,0) (0,0)
(4,0)

(c) Quadro 3 � Fim da Fase 1


(d) Quadro 4 � Fase 2
e in�cio da Fase 2

REFER�NCIAS

BREGALDA, P. F.; OLIVEIRA, A. A. F.; BORNSTEIN, C. T. Introdu��o �


Programa-
��o Linear. Rio de Janeiro: Editora Campus, 1981.
MACULAN FILHO, N.; PEREIRA, M. V. F. Programa��o Linear. S�o Paulo:
Editora
Atlas, 1980.
LAWRENCE JR, J. A.; PASTERNACK, B. A. Applied Management Science �
Modeling,
Spreadsheet Analysis, and Communication for Decision Making. 2nd
edition. New York:
John Wiley & Sons, 2002.
RAVINDRAN, A.; PHILLIPS, D. T.; SOLBERG, J. J. Operations Reserch �
Principles
and Practice. New York: John Wiley & Sons, 1987.

Cap_2_equacoes corrigidas.indd 80
27/08/2011 21:52:16
3
INTRODU��O � TEORIA DOS GRAFOS E A OTIMIZA��O EM REDES

3.1. INTRODU��O

Considera��es Hist�ricas (ANDRADE, 1980)

Os habitantes da cidade de K�nigsberg, hoje denominada


Kaliningrado,
exclave russo entre a Pol�nia e a Litu�nia, � beira do Mar B�ltico,
estavam
muito intrigados com um problema que se apresentava em seus
costumeiros
passeios a duas ilhas do Rio Pregel. Essas ilhas ligavam-se �s
margens do rio
por interm�dio de 6 (seis) pontes, al�m de uma s�tima que
interligava as duas
ilhas. Tudo conforme aparece na Figura 1.

Figura 1 Rio Pregel e suas sete pontes


Ilha D
Rio Pregel

Ilha B
Margem A

A curiosidade surgiu, pois nenhum dos freq�entadores do local


era capaz
de percorrer essas sete pontes sem passar mais de uma vez por uma
delas.
O matem�tico Euler, em 1735, apresentou � Academia de S.
Petersburgo a
primeira demonstra��o de impossibilidade de resolu��o do referido
problema,
ele usou uma representa��o esquem�tica (modelo de grafo) onde cada
ponte
foi representada por um segmento de reta (aresta) e cada ilha ou
margem do

Cap_3.indd 81
27/08/2011 21:53:14
82 | INTRODU��O � PESQUISA OPERACIONAL

rio por um ponto (n� ou v�rtice); conforme Figura 2, onde as Ilhas


s�o os
pontos B e D e as Margens s�o os pontos A e C.

Figura 2 Modelo de Grafo para o Rio Pregel e suas sete pontes

D
B

Observe que a Figura 2 representa esquematicamente o mesmo que


se pas-
sava na Figura 1, sob o ponto de vista de ordem e continuidade.
Euler demons-
trou que era imposs�vel percorrer toda a Figura 2 sem levantar o
l�pis do papel
(o que equivaleria passar por todas as pontes) e sem percorrer mais
de uma vez
a mesma aresta.
Esta foi a primeira not�cia do emprego de um modelo de grafos,
na de-
monstra��o de uma propriedade geom�trica. Euler denominou de grau
de um
n� (ou v�rtice) o n�mero de arestas que tocam nesse n�. Por
exemplo, A � D
e C s�o n�s do terceiro grau, enquanto B � do quinto. Ele chegou �
conclus�o
de que somente os grafos onde todos os seus n�s t�m grau par podem
oferecer
a propriedade geom�trica de poderem ser desenhados de uma s� vez,
sem
levantar o l�pis do papel.
A seguir passa-se a descrever sucintamente algumas aplica��es
contempo-
r�neas de Teoria dos Grafos.

Um problema de montagem (ANDRADE, 1980)

Uma ind�stria disp�e de tr�s setores de montagem (A, B e C)


alimentados
por tr�s Departamentos (D1, D2 e D3). Como a alimenta��o � feita
por esteiras
m�veis, todas situadas num plano, � necess�rio estabelecer um
projeto de im-
planta��o de tal forma que uma esteira n�o intercepte a outra. Uma
solu��o em
estudo est� ilustrada na Figura 3, onde h� interfer�ncia da esteira
do Departa-
mento 2 que alimenta o setor de montagem B na esteira do
Departamento 3
que alimenta o setor A (indicado pela seta).

Cap_3.indd 82
27/08/2011 21:53:16
Introdu��o � Teoria dos Grafos e
a Otimiza��o em Redes | 83

Figura 3 Um problema de montagem

A D1

B D2

C D3
Verifica-se que o envio do abastecimento D3 para setor de
montagem A
intercepta o abastecimento D2 � B. Neste tipo de grafo, conhecido
como K3,3,
n�o h� solu��o, ou seja, qualquer outra tentativa levar� sempre a
esta intersec-
��o indesej�vel.
Em Teoria dos Grafos existe uma �rea denominada Grafos Planares
em
que se estuda esta situa��o. A detec��o desses pontos de cruzamento
planar
tem uma import�ncia fundamental em v�rios outros casos, como na
implan-
ta��o de viadutos em projetos vi�rios ou na fabrica��o de chips
para equipa-
mentos eletr�nicos.

Um Problema de Localiza��o

Uma ind�stria necessita instalar-se em qualquer uma das vinte


cidades
maiores consumidoras dos seus produtos. A escolha desta cidade deve
ser tal
que o custo de distribui��o dos seus produtos para os centros
consumidores
seja o menor poss�vel.
O problema � determinar qual a seq��ncia de cidades, a partir
daquela
onde foi instalada a ind�stria, cujo custo total de distribui��o
seja m�nimo.
Trata-se, pois, de analisar, entre todas as permuta��es
poss�veis entre essas
cidades, qual a mais econ�mica. H� um n�mero muito grande de
possibili-
dades (20!) o que inviabiliza um procedimento exaustivo de testar
todas as
possibilidades. A Teoria dos Grafos oferece uma importante ajuda na
solu��o
deste problema.

Cap_3.indd 83
27/08/2011 21:53:16
84 | INTRODU��O � PESQUISA OPERACIONAL

3.2. CONCEITOS B�SICOS

Defini��o de Grafo

Um grafo � uma estrutura que corresponde a um par de conjuntos


G =
(N, E), onde:

(i) N � um conjunto de entidades. Por exemplo, estas entidades


podem
estar associadas a pontos, locais, pessoas, �reas
geogr�ficas;
(ii) E � um conjunto, cujos elementos s�o liga��es ou inter-
rela��es entre
os elementos de N. Por exemplo, as liga��es podem ser
estradas,
parentescos e fronteiras entre �reas geogr�ficas.

Exemplo 1: Ilustra��o da defini��o de Grafo.

(a) N = {S�o Paulo, Rio de Janeiro, Goi�s, Pernambuco, Rio


Grande
do Sul}
E = {(x,y) / x, y N e x faz fronteira com y};
(b) N = {Fernando Silva, Jos� Silva, Maria Silva, Jos� Silva,
Pedro Silva,
Silvia Silva)
E = {(x,y) /x,y N e x � pai de y}.

Observe-se que no Exemplo 1 (a), n�o se faz presente a id�ia de


orienta��o,
este seria um exemplo de grafo n�o orientado, enquanto o Exemplo
1(b), onde
a orienta��o � importante, seria um grafo orientado.

Representa��es de um Grafo

Al�m de representa��o geom�trica de um grafo, pelos diagramas j�


vistos
nas Figuras 2 e 3, outras importantes representa��es s�o dadas em
forma
matricial.
Considere G = (N, E) um grafo (orientado ou n�o).

Defini��o de Matriz de Adjac�ncia

X = [ Xij ] � a matriz (quadrada) de adjac�ncia de G se

1, se existe aresta do n� i para j

Xij =
0, caso contr�rio.

Cap_3.indd 84
27/08/2011 21:53:16
Introdu��o � Teoria dos
Grafos e a Otimiza��o em Redes | 85

Exemplo 2: Um Grafo N�o Orientado com 4 n�s e 5 arestas e a sua


matriz de
adjac�ncia X est�o ilustrados na Figura 4.

Figura 4 Grafo para o Exemplo 2


2

1 2 3 4
1
0 1 0 1
2
1 0 1 1
1 3 X =
3
0 1 0 1
4
1 1 1 0

Seja G = (N, E) um grafo orientado.

Defini��o de Matriz de Incid�ncia

A = [aij] � a matriz (n�o necessariamente quadrada) de


incid�ncia de G se

1, se o arco j tem origem no n� i

aij = -1, se o arco j aponta para o n� i


0, se o arco j n�o � incidente ao n� i

Exemplo 3: Um Grafo orientado com 6 n�s e 8 arcos est� ilustrado na


Figura 5.
Na seq��ncia est� a sua Matriz de incid�ncia.

Figura 5 Grafo para o Exemplo 3

1
6
a
h 2 e
b
4

g
f
c

5
d
Cap_3.indd 85
27/08/2011 21:53:16
86 | INTRODU��O � PESQUISA OPERACIONAL

a b c d e f
g h
1 0 0 0 0 0 0
0 1
2 0 0 0 0 1 1
1 1
3 0 0 0 1 0 1
0 0
A =
4 1 1 1 0 1 0
0 0
5 0 0 1 1 0 0
1 0
6 1 1 0 0 0 0
0 0

H�, ainda, muitas outras formas de representa��o para grafos. Os


interes-
sados podem consultar as refer�ncias bibliogr�ficas do final do
cap�tulo.

Defini��o de Grafos Valorados

A cada n� de grafo e/ou a cada aresta (ou arco) pode estar


associado um
n�mero (peso, custo ou valor). Neste caso, diz-se que G = (N, E) �
um grafo
valorado (ver Figura 6).

Figura 6 Exemplo de Grafo valorado

Rio 400 Km S�o


Paulo

380 Km 600 Km

B. Horizonte 300 Km
Vit�ria

Defini��o de Cadeia num Grafo

Uma cadeia de um grafo � uma seq��ncia de arcos, ou arestas, de


modo
que cada arco tenha uma das suas extremidades em comum com os arcos
antecedente e subseq�ente, com exce��o do arco inicial e do arco
terminal
da cadeia.

Defini��o de Caminho num Grafo


Um caminho � uma cadeia na qual todos os arcos possuem a mesma
orien-
ta��o. Na Figura 7 exemplifica-se uma cadeia e um caminho num grafo
com
7 n�s e 9 arcos.

Cap_3.indd 86
27/08/2011 21:53:16
Introdu��o � Teoria dos Grafos e
a Otimiza��o em Redes | 87

Defini��o de Comprimento de uma Cadeia ou


de um Caminho em Grafos n�o Valorados

Define-se por comprimento de uma cadeia ou caminho, em grafos


n�o-
-valorados, como sendo o n�mero de arestas ou arcos que a comp�e.

Figura 7 Exemplo de uma Cadeia (formada pelos arcos c, g, h) e um


Caminho (formado
pelos arcos a,d, e) entre os n�s 1 e 7

e
a
b f
7
1
c h
h

Defini��o de Comprimento de uma Cadeia ou


de um Caminho em Grafos Valorados

Se o grafo � valorado, o comprimento � obtido atrav�s da soma


dos valores
associados aos arcos que comp�em a Cadeia ou o Caminho.

Defini��o de Ciclo num Grafo

Um ciclo � uma cadeia fechada simples.

Defini��o de Circuito num Grafo

Um circuito � um ciclo formado por arcos que t�m a mesma


orienta��o.
Na Figura 8 t�m-se uma ilustra��o de um ciclo e de circuito num
grafo
com 4 n�s e 5 arcos.

Cap_3.indd 87
27/08/2011 21:53:17
88 | INTRODU��O � PESQUISA OPERACIONAL

Figura 8 Exemplo de ciclo (formada pelos arcos a, e, d) e um


circuito (formado pelos
arcos a, b, c, d)

a b

d c

Observa��es:

(a) Um ciclo que passa por todas as arestas ou arcos de um


grafo � chama-
do Euleriano. Em problemas como coleta de lixo e vendas �
domic�lio
o interesse est� em ciclos Eulerianos de comprimento
m�nimo;
(b) Um circuito que passa por todos os n�s de um grafo �
chamado
Hamiltoniano. Um problema muito importante da Pesquisa
Opera-
cional, onde o interesse � por um circuito Hamiltoniano de
menor
comprimento, � Problema do Caixeiro Viajante.

Defini��o de Grafo Conexo e Grafo Desconexo

Um grafo G = (N,E) � conexo, quando para qualquer par de n�s (i,


j) de
N existe uma cadeia em G, cujas extremidades est�o em i e j (ver
Figura 9).
De outra forma G � dito ser desconexo. Todo grafo desconexo pode
ser
decomposto em componentes conexas (ver Figura 10).

Figura 9 O grafo G � conexo


G

Cap_3.indd 88
27/08/2011 21:53:17
Introdu��o � Teoria dos Grafos e
a Otimiza��o em Redes | 89

Figura 10 O Grafo G' � desconexo com tr�s componentes conexas

G'

Defini��o de Grafo Fortemente Conexo num Grafo Orientado

Em grafos orientados � poss�vel caracterizar um tipo mais forte


de cone-
xidade. Um grafo orientado G = (N;E) � fortemente conexo (f-conexo)

par de n�s (i, j) N existe um caminho cuja extremidade inicial � i


e extremi-
dade final � j, e existe outro caminho, com extremidade inicial em
j e extre-
midade final em i (ver Figura 11).

Figura 11 Exemplo de um Grafo f-conexo

1 2

6
3

5
4

Defini��o de �rvore, Floresta num Grafo

Uma �rvore � um grafo conexo sem ciclos, enquanto uma floresta


� um
grafo cujas componentes conexas s�o �rvores.

Fig. 12 Exemplo de uma �rvore G


G

Cap_3.indd 89
27/08/2011 21:53:17
90 | INTRODU��O � PESQUISA OPERACIONAL

Teorema: Seja G = (N, E) um grafo, tal que se tem n = n�mero de n�s


e n > 2.
As seguintes proposi��es s�o equivalentes:

(i) G � uma �rvore;


(ii) G � conexo e sem ciclos;
(iii) G � sem ciclos e tem n-1 arestas;
(iv) G � conexo e tem n-1 arestas;
(v) G � sem ciclos e por adi��o de uma aresta se cria um e
somente
um ciclo;
(vi) G � conexo, mas deixa de s�-lo se uma aresta � suprimida;
(vii) Todo par de n�s de G � unido por uma e uma s� cadeia
simples.

Para demonstra��o deste teorema, consulte (BOAVENTURA NETTO,


2003).

3.3. ALGORITMOS

3.3.1. �rvore de Valor M�nimo

H� diversos algoritmos importantes para a determina��o de


�rvores de
valor m�nimo. Aqui ser� apresentado apenas o algoritmo de Kruskal,
dada
a sua simplicidade.

Algoritmo de Kruskal

Dado um grafo G = (N,E) n�o orientado e valorado, constr�i-se


uma
�rvore de valor m�nimo, partindo-se do grafo trivial G = (N, 0)
/ ,
que � for-
mado apenas pelos n�s do grafo original G, e adicionando-se
iterativamente
a aresta de menor valor que n�o forma ciclo com as j� escolhidas.
O Comprimento m�nimo ser� obtido pela soma dos valores
associados
�s arestas da �rvore resultante do procedimento descrito acima. Na
Figu-
ra 13, est�o um Grafo, sua �rvore M�nima e o valor do Comprimento
M�nimo
associado.
Cap_3.indd 90
27/08/2011 21:53:17
Introdu��o �
Teoria dos Grafos e a Otimiza��o em Redes | 91

Figura 13 Grafo e uma �rvore Parcial M�nima

B 7 G
2

2
B G
3
F

A 2 2
4 3
4
3
8
2 1 4
A C 8
C F

H
3
E

D 2
2 1 H
5
E
2 12
D
Valor Total M�nimo = 16 = 2 + 1 + 2 +
2 + 4 + 2 + 3

3.3.2. Caminho mais curto

A determina��o de um caminho mais curto num Grafo, dada a sua


aplicabi-
lidade pr�tica, � um problema importante em v�rias �reas, como por
exemplo,
na �rea de Log�stica.
O comprimento de um caminho P � definido como sendo a soma dos
comprimentos de todos os arcos de P. O problema � encontrar o
caminho mais
curto, de um n� inicial s para um n� terminal t.
Aqui se considera um grafo valorado simples (isto �, sem la�os
e arcos pa-
ralelos) G com n n�s pode ser descrito por uma matriz Dnxn =
[dij ], onde:
dij = comprimento do arco que liga os n�s i e j, d ij 0,

dii = 0,
d = , se n�o h� um arco ligando os n�s i e j.
ij

Em geral, dij d ji e a desigualdade do tri�ngulo n�o precisa


ser satisfeita,
isto �, dij + d jk pode ser menor que dik .
De fato, se a desigualdade do tri�ngulo � satisfeita, para todo
i, j e k, o pro-
blema seria trivial, pois o arco direto (x, y) seria o caminho mais
curto do
v�rtice x ao y.
Apresenta-se, a seguir o Algoritmo de Djisktra que foi um dos
primeiros a
serem propostos para resolver o problema do caminho mais curto.

Cap_3.indd 91
27/08/2011 21:53:17
92 | INTRODU��O � PESQUISA OPERACIONAL

Ele se aplica quando os comprimentos de cada arco s�o dij 0,


se alguns
dos comprimentos s�o negativos o algoritmo n�o se aplica.

Descri��o do Algoritmo

O algoritmo usa uma t�cnica de rotula��o dos n�s a partir de s,


o n� inicial
do caminho, havendo dois tipos de rotula��o: tempor�ria e
definitiva. O valor
do n�vel em que um n� j � rotulado definitivamente, a partir de s,
� exatamente
o comprimento do caminho mais curto entre s e j.
Em cada itera��o do algoritmo, alguns n�s s�o rotulados
temporariamente
e outros definitivamente, assim, aplica-se o algoritmo at� se
conseguir rotular
definitivamente o n� terminal do caminho, que � o n� t.

Regras para aplica��o do Algoritmo de Djisktra

Passo 1 (Inicializa��o): Rotular definitivamente (RD) o n� s a um


n�vel 0 e rotu-
lar temporariamente (RT) os demais n�s a um n�vel ;

Passo 2: Todo n� j ainda n�o rotulado definitivamente deve receber


uma nova
rotula��o tempor�ria cujo valor ser�:
min [valor da rotula��o tempor�ria atual de j, valor da
rotula��o definitiva
de i + dij]
onde i � o n� rotulado definitivamente na itera��o anterior;

Passo 3: Rotular definitivamente o n� i associado ao menor valor de


r�tulos
encontrados no Passo 1;

Passo 4: Repetir os Passos 1 e 2 at� se conseguir rotular


definitivamente o n�
terminal do caminho t. O valor da rotula��o definitiva do n� t
corresponder�
ao comprimento do caminho mais curto entre s e t.

Cap_3.indd 92
27/08/2011 21:53:17
Introdu��o � Teoria dos Grafos
e a Otimiza��o em Redes | 93

Para se determinar quais s�o os n�s intermedi�rios do caminho


mais curto
entre s e t, deve-se trabalhar do final do caminho para o come�o
(backtracking)
da seguinte forma:

(a) A partir do n� t, procurar achar qual foi o primeiro n�


respons�vel
pelo seu valor de r�tulo definitivo, suponha-se que tenha
sido o n� k.
Este n� � denominado de n� Pai do n� t;
(b) Deve-se procurar achar qual foi o primeiro n� i, do Passo
2, respon-
s�vel pelo valor de r�tulo definitivo de k;
(c) Aplicar o mesmo procedimento para encontrar o n� Pai do n�
k e
repetir isto, sucessivamente, at� se encontrar o n� inicial
s, como
sendo o n� Pai, respons�vel pelo valor do r�tulo definitivo
de algum
n� intermedi�rio;
(d) Os n�s assim determinados compor�o o caminho mais curto.

Figura 14 Rede do Exemplo 4 � para a aplica��o do algoritmo de


Dijsktra

A D
8
7 2 2
1
E 2
B 3
G 10
4
1 4 7
3
C F

Exemplo 4: Seja o grafo da Figura 14, determine o caminho mais


curto entre os
n�s B (ser� o n� s) e G (ser� o n� t). Determine, tamb�m, o
comprimento total
m�nimo do caminho.

Cap_3.indd 93
27/08/2011 21:53:17
94 | INTRODU��O � PESQUISA OPERACIONAL

Figura 15 Algoritmo de Djisktra aplicado ao Grafo da Figura 14

Vetores de r�tulos Etapas do


A B C D E F G algoritmo
P1 - RD B
com 0,
0
8

8
outros com

8
7 0 1 P2 - RT com
i = B

8
8

8
7 0 1 P3 - menor
valor: RD C

8
4 0 1 5 4 P2 - RT com
i = C
8

8
4 0 1 5 4 P3 - menor
valor: RD F
8

8
4 0 1 14 5 4 11 P2 - RT com
i = F

4 0 1 14 5 4 11 P3 - menor
valor: RD A

4 0 1 12 5 4 11 P2 - RT com
i = A

4 0 1 12 5 4 11 P3 - menor
valor: RD F

4 0 1 12 5 4 7 P2 - RT com
i = E

4 0 1 12 5 4 7 P3 - menor
valor: RD G

PARAR!

Na resolu��o adota-se um vetor de dimens�o 1 x 7 para mostrar


os n�veis de
rotula��es tempor�rias (RT) e definitivas (RD) dos n�s, enquanto
caminha-se
para a solu��o �tima. Isto est� na Figura 15.
As rotula��es definitivas s�o colocadas dentro de um quadrado e
o �ltimo
n�vel de rotula��o definitiva do vetor � indicado por .
Como solu��o �tima tem-se:
O Comprimento total m�nimo = valor do n�vel de rotula��o
definitiva do
n� terminal G = 7 e o Caminho mais curto (obtido do fim para o
come�o)
� G E C B.

Cap_3.indd 94
27/08/2011 21:53:17
Introdu��o � Teoria
dos Grafos e a Otimiza��o em Redes | 95

3.3.3. Fluxo M�ximo

Na an�lise do desempenho de um grafo valorado � freq�entemente


neces-
s�rio calcular o valor �timo de uma fun��o do fluxo entre um
v�rtices, denomi-
nado fonte, e um v�rtice t, conhecido como destino.
Aqui se apresenta a situa��o em que existe apenas um tipo de
fluxo no
grafo, que pode ser exemplo, eletricidade, �gua, informa��o, ou
tr�fego. Na lite-
ratura especializada este caso � conhecido como The One-Commodity
Flow
Problem, e o grafo � denominado de uma Rede.
Seja i o conjunto de n�s ligados ao n� i por arcos orientados
no sentido
de chegada em i, e i o conjunto de n�s ligados ao n� i por arcos
orientados
no sentido de sa�da de i.

Defini��o:
Uma fun��o fij definida em E com valores reais � dita ser um
fluxo para um
grafo orientado G = (N, E) se:

fij 0 para todo arco (i,j) E


(1)
fij - f ji = 0 para i N, i s, i t
(2)
ja
i i jbii
fij uij para todo arco (i,j) E
(3)

onde, uij � a capacidade do arco (i,j), isto �, a quantidade m�xima


de fluxo que
pode ser remetida de i para j.
A condi��o (2) representa a hip�tese da conserva��o de fluxo na
rede, po-
r�m existem estudos referentes a redes onde pode haver ganhos ou
perdas de
fluxo, os interessados podem consultar as refer�ncias ao final do
cap�tulo.
Nota��o: F � o valor do fluxo que pode ser enviado da fonte s
ao destino t,
atrav�s da rede G = (N, E).
Deve-se notar que o valor m�ximo de F � limitado pelas
capacidades asso-
ciadas a cada arco da rede e determinado por uma propriedade
fundamental
de uma rede, denominada Corte, definido a seguir.

Defini��o:
Um Corte � um conjunto de arcos que se forem removidos de uma
rede,
desconectam um conjunto de n�s dos demais. Na Figura 16, percebe-se
que o
corte formado pelos arcos (2, 4) e (3, 4) desconectam o n� 4 dos
n�s 1, 2 e 3.

Cap_3.indd 95
27/08/2011 21:53:17
96 | INTRODU��O � PESQUISA OPERACIONAL

Figura 16 Exemplo de um Corte

2 u24 CORTE
u12
1 u13 4
u34
3

Nos Problemas de Fluxo M�ximo o interesse � por cortes que


separem n�
fonte do n� destino. O Valor do Corte, ou Capacidade do Corte, � a
soma das
capacidades dos arcos do corte (numa dada dire��o). Na Figura 16, o
Valor do
Corte � igual a u24 + u34.
O algoritmo descrito adiante se baseia num princ�pio muito
simples. Seja
X um subconjunto de N tal que s X e t X. O conjunto AX de arcos
que tem
orienta��o de chegada em n�s de X e origem em n�s que n�o pertencem
a X,
por defini��o, � um Corte na rede G.
Se c(AX) � o valor desse Corte ent�o o valor m�ximo de fluxo F
que pode
ser enviado de s para t satisfaz F c (AX). Ou seja, o fluxo m�ximo
numa rede
� limitado pelo Valor do Corte de menor capacidade, sendo que, na
verdade, �
igual a essa capacidade.
Isto � estabelecido, de maneira mais rigorosa, num dos mais
importantes
resultados na Teoria de Fluxos em Redes, que � o teorema a seguir.
N�o se
apresenta aqui a demonstra��o, interessados podem consultar as
refer�ncias
ao final do cap�tulo.

Teorema do Fluxo M�ximo e Corte M�nimo

Para uma rede com uma �nica fonte e um �nico destino, o fluxo
vi�vel
m�ximo que pode ser enviado da fonte ao destino t � igual ao Valor
do Corte
M�nimo (Corte com menor capacidade) entre os Cortes da rede. Como
ilustra-
��o, pode ser verificado que o fluxo m�ximo na rede da Figura 17 �
3, os n�me-
ros que aparecem ao lado dos arcos representam suas capacidades nas
dire��es
especificadas pelas setas. O Corte M�nimo consiste dos arcos (s,2)
e (3,t) e tem
valor igual a 3.

Cap_3.indd 96
27/08/2011 21:53:17
Introdu��o � Teoria
dos Grafos e a Otimiza��o em Redes | 97

Figura 17 Corte M�nimo

2
2 6

S 1
T

8 1
3

Deve ser observado que o Problema Fluxo M�ximo numa Rede pode
ser
expresso como um Problema de Programa��o Linear: Seja o fluxo fij
numa
rede G = (N, E), onde N = {s, 2,...,t} e uij � a capacidade do arco
(i.j). O valor
deste fluxo � F se f =f
j
sj
j
jt = F.

Assim tem-se a seguinte formula��o:


F, i = s

Max F s.a. : fij -

f ji = 0, i s, i t
j j -F , i = t

0 fij uij , (i, j) E

Assim pode ser aplicado o M�todo Simplex na resolu��o de um


Problema
de Fluxo M�ximo. Apresenta-se, a seguir, um algoritmo mais
eficiente, que usa
um procedimento de rotula��o (descrito adiante) e gera uma
seq��ncia de flu-
xos crescentes at� atingir o m�ximo.

Observa��o: Usando o Teorema do Corte M�nimo e Fluxo M�ximo pode-se


encontrar o Fluxo M�ximo; basta determinar a capacidade de todos os
cortes
e escolher o de capacidade m�nima. Embora isso nos d� o valor
m�ximo de F,
n�o especifica como o fluxo circula pela rede.

Algoritmo do Fluxo M�ximo


O m�todo � baseado no Teorema de Ford e Fulkerson, e busca
encontrar
uma cadeia atrav�s da qual um fluxo positivo possa ser enviado da
fonte s ao
destino t. Estas cadeias s�o denominadas Cadeias de Fluxo Ampli�vel
(Flow
Augmenting Path) ou CFA.

Cap_3.indd 97
27/08/2011 21:53:17
98 | INTRODU��O � PESQUISA OPERACIONAL

As cadeias s�o usadas para remeter tanto fluxo quanto poss�vel


de s para t.
Repete-se o processo at� n�o ser mais poss�vel encontrar alguma
CFA, neste
caso encontrou-se o fluxo m�ximo.

Rotina de Rotula��o � encontrar uma CFA

Inicia-se rotulando o n� s. Um n� j pode ser rotulado se um


fluxo positivo
pode ser enviado de s para j. No caso geral, do n� i pode-se
rotular um n� j se
uma das seguintes condi��es � satisfeita:

1. O arco que liga o n� i ao n� j � um arco que chega em j (arco


forward)
e o fluxo nele � menor do que sua capacidade ( fij < uij).
2. O arco que liga o n� i ao n� j � um arco que sai de j (arco
backward) e o
fluxo nele � maior que zero ( fij > 0).

Continua-se nesta rotina at� rotular o destino t, obtendo assim


uma CFA.

Fases do Algoritmo

1. Inicializa��o: obter um fluxo vi�vel em todos os arcos, isto


�, um fluxo
que satisfa�a as restri��es de capacidade nos arcos e de
conserva��o de
fluxo nos n�s.
2. Obter uma CFA, iniciando em s e terminando em t. Ir � Fase 3.
Se n�o for poss�vel ent�o PARAR! O fluxo m�ximo foi
encontrado.
3. Calcular o fluxo m�ximo , que pode ser enviado pela �ltima
CFA
obtida.
Aumentar de o fluxo nos arcos forward da cadeia e decrescer
o fluxo
de nos arcos backward.
Voltar a Fase 2.

Exemplo 5: (Fonte: Ravindran; Phillips; Solberg, 1987)


Determinar o fluxo m�ximo F da fonte s ao destino t na rede a
seguir, onde
os n�meros ao lado dos arcos representam suas capacidades.

Cap_3.indd 98
27/08/2011 21:53:17
Introdu��o � Teoria dos
Grafos e a Otimiza��o em Redes | 99

Figura 18 Rede para o Exemplo 5

7 1
9
F
S 3
T F
9
8
2

Inicializa��o: fazer fij = 0 em todos os arcos.

Nota��o: Nas Figuras 19, 21, 23, 25 e 27, os n�meros ao lado


dos arcos (i,j)
representam ( fij , uij) e nas Figuras 20, 22, 24 e 26, os n�meros
ao lado dos ar-
vos (i, j) representam fi.

Passo 1 (Figura 19). Vamos encontrar uma CFA de s para t. Assim,


rotula-se
inicialmente s (r�tulos s�o denotados por asteriscos).
De s, pode-se rotular o n� 1 pois (s, 1) � um arco forward,
levando um
fluxo f s1 us1 = 7. Do n� 1 pode-se rotular o n� 2 pelo arco
forward (1,2) e fi-
nalmente rotula-se o destino t.

Figura 19 Fluxo Inicial

*
(0,7) 1
(0,9)
F=0 * (0,3)
F=0
S
T

(0,9) 2
(0,8)

*
*

Desta forma, obt�m-se a CFA, dada na Figura 20, formada apenas


por
arcos forward.

Figura 20 Primeira CFA e seus fluxos

*
1
7
3
8 T
S
*
*
2
*

Cap_3.indd 99
27/08/2011 21:53:18
100 | INTRODU��O � PESQUISA OPERACIONAL

Os n�meros nos arcos indicam o fluxo m�ximo permitido em cada


um
deles. Assim o m�ximo valor de fluxo por essa CFA � 3, isso
aumenta F de
3 unidades e o fluxo sobre todos os arcos (forward) da cadeia
aumenta de 3 uni-
dades tamb�m. A nova configura��o de fluxo � dada na Figura 21.

Figura 21 Primeira altera��o de fluxo

(3,7) 1 (0,9)
F=3 (3,3)
F=3
S
T

(0,9) 2 (3,8)

Passo 2 (Figura 21). Repetindo a Rotina de Rotula��o obt�m-se uma


nova
CFA, dada na Figura 22.

Figura 22 Segunda CFA e seus fluxos

*
4 I 9 *
* T
S

Agora o fluxo m�ximo permitido � 4. Isso aumenta o fluxo F


pela rede para
7 unidades. A nova configura��o fica sendo aquela da Figura 23.

Figura 23 Segunda altera��o de fluxo

(7,7) 1 (4,9)
F=7 (3,3)
F=7
S
T

(0,9) 2 (3,8)

Passo 3 (Figura 23). O n� 1 n�o p�de ser rotulado a partir de s,


pois o arco (s,1)
� forward e fs1 = us1 = 7. Mas, uma nova CFA pode ser encontrada,
como aquela
da Figura 24.

Cap_3.indd 100
27/08/2011 21:53:18
Introdu��o � Teoria
dos Grafos e a Otimiza��o em Redes | 101

Figura 24 Terceira CFA e seus fluxos


*

5 T
S 9
* 2
*

Isto aumenta o fluxo total F de 5 unidades como mostra a


Figura 25.

Figura 25 Terceira altera��o de fluxo

*
(7,7) 1
(4,9)
F = 12 (3,3)

* F = 12
S
T
* (5,9) 2 (8,8)
*

Passo 4 (Figura 25). Partindo-se de s, o n� 2 pode ser rotulado,


mas n�o se
consegue rotular t a partir dele, pois o arco (2,t) j� alcan�ou
sua capacidade.
Por�m, o n� 1 pode ser rotulado a partir de 2, pois o arco
(1,2) � backward
contendo um fluxo positivo. E a partir do v�rtice 1 pode-se
rotular t.
Agora tem-se uma CFA com dois arcos forward (s,2) e (1,t), e
um backward
(1,2), conforme a Figura 26.

Figura 26 Quarta CFA e seus fluxos

*
1 5
3
T *
S
* 4 2
*

Para aumentar o fluxo por essa cadeia, aumenta-se o fluxo nos


arcos
forward e decresce-se no arco backward. O m�ximo valor que se pode
aumen-
tar em F � de 3 unidades e o novo fluxo na rede � fornecido a
seguir.

Cap_3.indd 101
27/08/2011 21:53:18
102 | INTRODU��O � PESQUISA OPERACIONAL
Figura 27 Quarta altera��o de fluxo (�tima)

1 (7,9)
(7,7)
F = 15 (0,3)
F = 15
S T
* (8,9)
2 (8,8)
* Corte M�nimo

Passo 4 (Figura 27). Apesar do n� 2 poder ser rotulado a partir de


s, o destino
t nunca ser� rotulado. Dessa forma nenhuma outra CFA pode ser
encontrada
e a Figura 27 representa a configura��o �tima de fluxo na rede,
com fluxo m�-
ximo de 15 entre s e t.

Coment�rios:

1. Pode-se usar o Teorema de Ford e Fulkerson para provar que


o fluxo
m�ximo � realmente F = 15.
Basta considerar o corte que separa os v�rtices rotulados
dos n�o-rotu-
lados na Figura 27. Isso fornece os arcos (s,1) e (2,t)
cuja capacidade
(valor) � 15. Observe-se que o arco (1,2) n�o pertence ao
Corte.
Como F n�o pode exceder a capacidade de nenhum corte que
separe s
de t, o valor de F = 15 � o m�ximo fluxo poss�vel. O corte
mostrado na
Figura 27 � o Corte M�nimo.
2. Para encontrar o fluxo m�ximo numa rede G = (N, E) n�o
orientada,
primeiro deve-se convert�-la numa rede orientada
equivalente e ent�o
aplicar o algoritmo.

REFER�NCIAS

ANDRADE, M.C.Q. Cria��o no Processo Decis�rio. Rio de Janeiro:


LTC, 1980.
RAVINDRAN, A., PHILLIPS, D.T.; SOLBERG, J.J. Operations Research,
Principles
and Practice. 2nd edition. New York: John Wiley & Sons, 1987.
BOAVENTURA Netto, P.O. Teoria e Modelos de Grafos. S�o Paulo:
Editora Edgard
Blucher Ltda, 2003.
Cap_3.indd 102
27/08/2011 21:53:18
4
O MODELO DE TRANSPORTE SIMPLES

4.1. HIST�RICO E FORMULA��O MATEM�TICA

Historicamente, o desenvolvimento da Programa��o Matem�tica


(que in-
clui a Programa��o Linear, a Programa��o N�o-Linear, Programa��o
Inteira,
Programa��o Din�mica, Programa��o Geom�trica e a Programa��o
Estoc�stica)
come�ou com o Problema de Transporte.
Este problema � um caso espec�fico de Programa��o Linear, e
todo algo-
ritmo desta �rea (como o M�todo Simplex) pode ser usado para
resolv�-lo.
Contudo, quando um algoritmo geral � aplicado a um modelo com uma
estru-
tura especial, ele n�o utiliza os aspectos particulares do modelo
e, portanto
pode ser relativamente ineficiente. Neste texto apresenta-se um
algoritmo
espec�fico para o modelo em quest�o que explora suas
caracter�sticas.
O Problema de Transporte Simples pode ser descrito como sendo
concer-
nente ao transporte de um �nico produto de v�rias origens, onde �
fabricado,
para muitos destinos, onde � consumido. Cada origem tem uma
capacidade de
produ��o limitada e cada destino tem uma demanda conhecida.
Admite-se que as fun��es de produ��o e vendas do produto s�o
similares
e os custos de produto, qualidade e vendas s�o os mesmos,
independentemente
das origens e destinos do produto.
O �nico fator que varia � o custo de distribui��o, que depende
principalmente
da dist�ncia entre cada origem i e cada destino j. Objetiva-se
minimizar o custo
total de transporte, respeitando as restri��es de ofertas e
demandas do produto.
Em geral, o Modelo de Transporte pode ser formulado e modelado
mate-
maticamente como segue:
(a) Formula��o
H� m f�bricas (ou origens), todas produzindo o mesmo produto, e
que de-
vem abastecer n dep�sitos (ou destinos). Supor que o custo de
transporte entre
cada f�brica e cada dep�sito seja proporcional � quantidade
transportada.
Cap_4.indd 103
27/08/2011 21:53:45
104 | INTRODU��O � PESQUISA OPERACIONAL

O problema consiste em minimizar o custo total de transporte


necess�rio
para o abastecimento dos dep�sitos a partir das f�bricas
fornecedoras. Admitir
que o total de oferta de produto nas origens se iguala ao valor da
demanda
total pelo produto nos destinos.

(b) Modelagem

Sejam Oi - f�brica i; Dj - dep�sito j, com i = 1,2,...,m e j


= 1,2,...,n;

Cij = custo unit�rio de transporte entre a f�brica i e o


dep�sito j;
CT = custo total de transporte;
ai = quantidade do produto dispon�vel na f�brica i;
bj = quantidade do produto requerida no dep�sito j.

Vari�veis de Decis�o:

xij � a quantidade do produto a ser transportada da origem i


para o destino j.

m n
Fun��o-objetivo � min CT =
C i =1 j =1

ij xij

xij = ai , i = 1,2,..., m
(balan�o do produto nas origens)
j =1

m
Restri��es
s.a. xij = b j , j = 1,2,..., n
(balan�o do produto nos destinos)
i =1

xij 0, i, j
- negatividade)

(nao
Observa��es importantes:
m n
(1) Notar que a = b , ou seja, o modelo est�
balanceado. Adiante se
i =1
i
j =1
j

apresenta como tratar os demais casos:

m n m n

i =1
ai <
j =1
bj e i =1
ai > b . j =1

Cap_4.indd 104
27/08/2011 21:53:46
O
Modelo de Transporte Simples | 105

(2) O Modelo de Transporte, tal como foi apresentado, � um


modelo de Pro-
grama��o Linear e, portanto pode ser resolvido pelo M�todo
Simplex; por�m,
ele apresenta uma estrutura especial, que permite simplificar a
sua solu��o
(ver Exemplo 1).

Exemplo 1:
Considere uma situa��o onde h� 3 f�bricas (F1, F2, F3)
produzindo um
mesmo produto, e 4 dep�sitos (D1, D2, D3, D4) onde este produto
ficar� estoca-
do para posterior venda.
As capacidades de produ��o das f�bricas s�o: a1 = 40, a2 = 80,
a3 = 110,
respectivamente para F1, F2 e F3.
Nos dep�sitos devem ser atendidas as seguintes demandas: b1
= 20, b2 = 30,
b3 = 100 e b4 = 80, respectivamente para D1, D2, D3, D4.
Os custos unit�rios de transporte (Cij) do produto nos 12
trajetos poss�veis
s�o dados na Tabela 1.

Tabela 1 Custos Unit�rios de transportes para o Exemplo 1


D1 D2 D3
D4
F1 10 5 12
4
F2 2 0 1
9
F3 13 11 14
6

Formular um modelo da PL para determinar o programa de entregas


do
produto que leve a um custo total de transporte m�nimo (CT).

Modelagem:

Vari�veis de decis�o: xij = quantidade do produto a ser


transportada da f�-
brica Fi (i = 1, 2, 3) ao dep�sito Dj (j = 1, 2, 3, 4).

Fun��o objetivo:
Min CT = 10 x11 + 5x12 + 12 x13 + 4 x14 + 2 x21 + 0 x22
+1x23
+ 9 x24 +13x31 + 11x32 + 14 x33 + 6 x34

Cap_4.indd 105
02/09/2011 23:52:26
106 | INTRODU��O � PESQUISA OPERACIONAL

Restri��es:
x11 + x12 + x13 + x14 = 40
x21 + x22 + x23 + x24 = 80 (Balan�o nas F�bricas)
x31 + x32 + x33 + x34 = 110

x11 + x21 + x31 = 20


x12 + x22 + x32 = 30
(Balan�o nos Dep�sitos)
x13 + x23 + x33 = 100
x14 + x24 + x34 = 80
xij 0 (N�o-negatividade)

Pode-se observar que a matriz de coeficientes das vari�veis de


decis�o nas
restri��es do modelo tem estrutura t�pica, que se repetir� caso o
modelo seja
de maior porte (Ver Figura 1).

Figura 1 Estrutura especial no modelo do Exemplo 1

1 1 1 1 0 0 0 0 0 0 0 0
x11 40
x12 80
0 0 0 0 1 1 1 1 0 0 0 0
x13 110

x14 = 20
0 0 0 0 0 0 0 0 1 1 1 1
x21 30

x22 100
1 0 0 0 1 0 0 0 1 0 0 0

x23 80

0 1 0 0 0 1 0 0 0 1 0 0
x24

x31
0 0 1 0 0 0 1 0 0 0 1 0
x32

x33
0 0 0 1 0 0 0 1 0 0 0 1

x34

Todo modelo linear cuja matriz de restri��es tiver estas


caracter�sticas po-
der� ser resolvido pelo algoritmo especial que ser� apresentado a
seguir.

(3) Um resultado importante que pode ser provado � que "qualquer


equa��o
do sistema formado pelas restri��es do modelo de transporte pode
ser obtida
por uma combina��o linear das demais".

Cap_4.indd 106
02/09/2011 23:32:05
O Modelo
de Transporte Simples | 107

Isto indica que s� existem m + n - 1 equa��es independentes


naquele sis-
tema, o que implica que toda solu��o b�sica vi�vel para o modelo
de transporte
ter� este n�mero de vari�veis b�sicas.
Para o caso do Exemplo 1, onde m = 3 e n = 4, percebe-se que,
por exemplo,
tem-se que a 4a eq. = 1a eq. + 2a eq. + 3a eq. - 5a eq. - 6a eq. -
7a eq., ou seja, uma
solu��o b�sica vi�vel ter� m + n - 1 = 3 + 4 - 1 = 6 vari�veis
b�sicas.

(4) Interpreta��o de Modelos de Transporte atrav�s de Modelos em


Redes
Como foi visto no Cap�tulo 2, uma Rede � um grafo valorado, ou
seja, h�
n�meros associados aos seus n�s ou arcos. Estes n�meros podem
representar
custos, dist�ncias ou outros tipos de par�metros.
A otimiza��o de Modelos em Redes � uma das �reas mais
relevantes da
Pesquisa Operacional, possui muitas aplica��es, e a sua estrutura
caracter�stica
tem sido explorada para o desenvolvimento de algoritmos
especializados extre-
mamente eficientes. Ao Exemplo 1 pode ser associada a rede da
Figura 2.

Figura 2 Modelo em Redes para o Exemplo 1

D1 (b1 = 20)
C11 = 10
(a1 = 40) F1 C12 =
5
C
13 =
C 12
14
=
4
C21 = 2
D2 (b2 = 30)
C 22 = 0
(a2 = 80) F2 C2
=
C 3 1
24 =
9
1
=1
13

D3 (b3 = 100)
C 32
=
31
C

(a3 = 110) F3 C33 = 14


C3
4 =6
D4 (b4 = 80)

Deve ser observado, ainda, que toda solu��o b�sica vi�vel para
o modelo
de transporte corresponde a uma estrutura de �rvore com respeito a
rede
associada.

Cap_4.indd 107
27/08/2011 21:53:46
108 | INTRODU��O � PESQUISA OPERACIONAL

Para exemplificar, para o modelo do Exemplo 1 pode-se


considerar
a �rvore (solu��o b�sica vi�vel) da Figura 3. Notar que a �rvore
possui
m + n - 1 = 3 + 4 - 1 = 6 arcos (b�sicos) correspondentes �s
vari�veis b�sicas
que comp�em a solu��o b�sica vi�vel associada; os demais arcos
(n�o b�si-
cos) da rede, que n�o est�o na �rvore, correspondem �s vari�veis
n�o-b�sicas
da solu��o (todos com valores nulos).

Figura 3 �rvore associada a uma Solu��o B�sica Vi�vel Inicial para


o Exemplo 1

X11 = 20 D1 (20)
(40) F1 X12 = 20
X22 = 10 D2 (30)
(80) F2 X23 = 70
X33 = 30 D3 (100)
(110) F3 X34 = 80

D4 (80)

4.2. ALGORITMO DO STEPPING STONE METHOD

Inicialmente mostra-se a sistem�tica de aplica��o do algoritmo


ao modelo
do Exemplo 1 e, depois, ser�o identificados os passos gerais do
Algoritmo do
Stepping Stone Method.
Para a resolu��o do Exemplo 1, constr�i-se o Quadro 1,
indicando no
canto direito superior de cada c�lula do quadro o respectivo custo
unit�rio de
transporte, e ao final de cada linha (associada �s f�bricas) e
coluna (associada
ao dep�sito), s�o colocados os valores das respectivas capacidades
de produ-
��o e demandas.
Observe-se que o modelo est� balanceado, ou seja, o total de
produ��o
(40 + 80 + 110 = 230) � igual ao total da demanda (20 + 30 + 100 +
80 = 230).
Caso isso n�o ocorra haver� necessidade de se usar um artif�cio
descrito na
se��o 5.

Cap_4.indd 108
27/08/2011 21:53:47
O
Modelo de Transporte Simples | 109

Quadro 1 Dados para Aplica��o do Stepping Stone Method ao Exemplo


1

D1 D2 D3
D4 Total

01 10 5 12
4 40

2 0 1
9
02
80

13 11 14
6
03
110

Total 20 30 100
80 230

No Quadro 1 tem-se 12 trajetos poss�veis entre f�bricas e


dep�sitos, mas
sabe-se que a solu��o �tima (que � uma solu��o b�sica) utilizar�
apenas
m + n - 1 = 4 + 3 - 1 = 6 destes trajetos para transportar o
produto. Casos em
que h� possibilidade de ocorr�ncia de degeneresc�ncia, onde isto
n�o se veri-
fica, ser�o estudados adiante.
Deve-se, pois, partir de uma solu��o b�sica vi�vel inicial que
tenha apenas
6 valores de vari�veis de decis�o diferentes de zero, como a que
est� apresentada
no Quadro 2, onde foi utilizada a "Regra do Canto Esquerdo",
descrita adiante:
x11 = 20, x12 = 20, x22 = 10, x23 = 70, x33 = 30 e x34 = 80.
As demais vari�veis s�o n�o-b�sicas e nulas.

Quadro 2 Solu��o Inicial para o Exemplo 1 � Regra do Canto


Esquerdo

D1 D2 D3
D4 Total

10 5 12
4
01 20 20
40

2 0 1
9
02 10 70
80

13 11 14
6
03 30
80 110

Total 20 30 100
80 230

Cap_4.indd 109
27/08/2011 21:53:47
110 | INTRODU��O � PESQUISA OPERACIONAL

No Quadro 2 os valores das vari�veis b�sicas est�o dentro de


um c�rculo
nas respectivas c�lulas do quadro. O custo total de transporte
referente a esta
primeira solu��o �:

CT1 = 10 x11 + 5x12 + 0 x22 + x23 + x33 + 6 x34 , ou ainda,


CT1 = 20 .10 + 20 .5 + 10 . 0 + 70 .1 + 30 .14 + 80 . 6 = 1270

Passa-se a verificar se h� possibilidade de diminuir esse


custo total de
transporte, utilizando-se outro plano de entrega do produto, por
exemplo,
testando-se o uso do trajeto O2D1 (associado a vari�vel n�o b�sica
x21), como
desenvolvido a seguir:
(a) Neste caso para enviar uma unidade do produto de O2 para
D1, deve-se
diminuir uma unidade no percurso O1D1, sen�o O1 receber�
mais que
as 20 unidades do produto previstas;
(b) Por�m para diminuir uma unidade em O1D1, deve-se aumentar
uma
unidade em O1D2, para se manter o total de 40 unidades de
produto
produzidas em O1;
(c) Aumentando uma unidade em O1D2 deve-se diminuir uma unidade
em O2D2, o que ir� compensar exatamente aquela unidade
colocada
inicialmente em O2D1.

Tem-se, portanto, um ciclo de compensa��o da vari�vel n�o-


b�sica x21,
referente a solu��o b�sica do Quadro 2, associada ao uso do
trajeto O2D1,
conforme Figura 4. Esta modifica��o na entrega do produto ocasiona
um custo
marginal da vari�vel n�o-b�sica x21 dado por:

C21 = +2 - 10 + 5 - 0 = -3 / unidade.

Ou seja, cada unidade transportada de O2 para D1 diminuir� o


custo total
de transporte de 3 unidades monet�rias.

Cap_4.indd 110
27/08/2011 21:53:47
O
Modelo de Transporte Simples | 111

Figura 4 Ciclo de Compensa��o da Vari�vel n�o-b�sica x21

D1
D2

10
5
01
-1 +1
2
0
02
+1 -1

De forma id�ntica, pode-se analisar cada uma das outras


vari�veis n�o-
b�sicas, com outros ciclos de compensa��o, como por exemplo o do
trajeto
O3D1, ver Figura 5, resultando no custo marginal da vari�vel n�o-
b�sica x31:
C31 = +13 - 10 + 5 - 0 + 1 - 14 = -5 / unidade .

Figura 5 Ciclo de Compensa��o da Vari�vel n�o-b�sica x31

D1 D2
D3

10 5
12
01
-1 +1
2 0
1
02
-1
+1
13 11
14
03
+1
-1

Analogamente, para as outras vari�veis n�o-b�sicas tem-se:

C32 = -2; C13 = +6; C14 = +6; C2 4 = +16 .

Observa��es:

1. � importante observar que, para cada vari�vel n�o-b�sica,


em uma
dada solu��o b�sica, h� um �nico ciclo compensa��o, o qual
tem alter-
nadamente sinais positivos e negativos e envolve um n�mero
�mpar de
vari�veis b�sicas, sendo no m�nimo 3;
2. Na pr�tica os custos marginais devem ser avaliados e
colocados na res-
pectiva c�lula, conforme � mostrado no Quadro 3;

Cap_4.indd 111
27/08/2011 21:53:47
112 | INTRODU��O � PESQUISA OPERACIONAL

3. Observe-se que as vari�veis n�o-b�sicas x13, x14 e x24


possuem custos
marginais positivos, ou seja, cada unidade de produto
transportada
pelos trajetos associados a elas ocasiona um aumento no
custo total
de transporte. Assim estas vari�veis n�o devem se tornar
vari�veis b�si-
cas no momento.
Quadro 3 1a Solu��o B�sica com Custos Marginais

D1 D2 D3
D4 Total

10 5 12
4
01 20 20 +16 +6
40

2 0 1
9
02 -3 10 70 +16
80

13 11 14
6
03 -5 -2 30 80
110

Total 20 30 100
80 230

Como no problema busca-se a minimiza��o do custo total de


transporte,
pode-se optar por uma das vari�veis x21, x31, x32 para se tornarem
vari�veis
b�sicas numa pr�xima solu��o b�sica vi�vel, onde o custo total de
transporte
ser� menor que CT1 = 1270.
Para fazer isto, e continuar com uma solu��o b�sica vi�vel,
deve-se substi-
tuir uma vari�vel b�sica pertencente ao ciclo de compensa��o da
vari�vel n�o-
b�sica escolhida para se tornar b�sica.
Neste sentido, deve-se procurar, dentre as vari�veis b�sicas
que "doar�o"
unidades do produto (aquelas com sinal negativo no ciclo), a que
possui a
menor quantidade de produto associada e transferir esta quantidade
para
a vari�vel n�o-b�sica que se tornar� b�sica; desta forma
permanecer�o
m + n - 1 = 6 vari�veis b�sicas na nova solu��o b�sica vi�vel.
A seguir, basta percorrer o ciclo e, dependendo do sinal
associado a ca-
da vari�vel b�sica, somar ou subtrair esta quantidade de produto
alocada a
nova vari�vel b�sica. Esta opera��o corresponde ao pivoteamento no
M�todo
Simplex.
Cap_4.indd 112
27/08/2011 21:53:47
O
Modelo de Transporte Simples | 113

No Exemplo 1, optando pela vari�vel n�o b�sica x31, tem-se que


deslocar
para o trajeto O3D1 as 10 unidades que estavam em O2D2; ou seja a
vari�vel
b�sica x22 ser� substitu�da por x31.
Observe-se que a tentativa de colocar em O3D1 mais de 10
unidades, acar-
reta em O2D2 o transporte de uma quantidade negativa do produto, o
que n�o
faz sentido.
O custo total dessa nova solu��o, com x31 no lugar de x22 e
mantendo as
demais vari�veis b�sicas, ser� dado por:

CT2 = CT1 + C31 x31 = 1270 - 5 �10 = 1220.

O Quadro 4 apresenta a nova solu��o b�sica vi�vel. Na


avalia��o dos no-
vos custos marginais das vari�veis n�o-b�sicas foram obtidos
somente custos
marginais positivos, ou seja, qualquer altera��o nesta solu��o
aumentar� o
custo total.
Assim, essa solu��o b�sica � a solu��o �tima e o custo total
de transporte
�timo � 1220.

Quadro 4 2a Solu��o B�sica (�tima)

D1 D2 D3
D4 Total

10 5 12
4
01 10 30 +1 +1
40

2 0 1
9
02 +2 +5 80 +16
80

13 11 14
6
03 10 +3 20 80
110

Total 20 30 100
80 230
A partir do Quadro 4 pode-se explicitar qual deve ser o
programa �timo
de entregas do produto das f�bricas Oi, i = 1,2,3, para os
dep�sitos Dj, j =
1,2,3,4:

Cap_4.indd 113
27/08/2011 21:53:47
114 | INTRODU��O � PESQUISA OPERACIONAL

Programa de Entregas �timo

x11 = 10 remeter 10 unidades do produto de O1 para D1


x12 = 30 remeter 30 unidades do produto de O1 para D2
x23 = 80 remeter 80 unidades do produto de O2 para D3
x31 = 10 remeter 10 unidades do produto de O3 para D1
x33 = 20 remeter 20 unidades do produto de O3 para D3
x34 = 80 remeter 80 unidades do produto de O3 para D4
o Custo �timo � 1220.
Agora, passa-se a formalizar as etapas para aplica��o do
Stepping Stone
Method a um modelo de transporte com m origens, n destinos e onde
a fun��o
objetivo � de minimiza��o.

Passo 1: Inicializa��o

Determinar uma solu��o b�sica vi�vel (�rvore b�sica) inicial


que tenha
m + n - 1 vari�veis (arcos) b�sicas. Ir Ao Passo 2.

Passo 2: Teste de Otimalidade

� Calcular os custos marginais Cij das vari�veis n�o-b�sicas:


� Caso n�o existam custos marginais negativos, a solu��o
atual � �ti-
ma (FIM).
� Caso existam custos marginais negativos, escolher
vari�vel n�o-b�-
sica xij, com Cij < 0, para ser uma nova vari�vel b�sica
(vari�vel
que entra) na pr�xima solu��o b�sica vi�vel. Ir ao
Passo 3.

Passo 3: Melhoria da Solu��o (Pivoteamento)

� Achar o ciclo de compensa��o da vari�vel n�o-b�sica xij


escolhida no
Passo 2 para entrar no conjunto das vari�veis b�sicas;
� No ciclo encontrado, aumentando-se o valor de xij,
determinar a vari�-
vel b�sica xks que se anula primeiro, esta vari�vel
(vari�vel que sai) ser�
substitu�da na pr�xima solu��o b�sica vi�vel por xij;
� Transferir a quantidade de produto da vari�vel xks (que sai)
para a vari�-
vel xij (que entra) e efetuar o balanceamento no ciclo de
modo a respeitar
as restri��es de oferta e demanda do produto. Voltar ao
Passo 2.

Cap_4.indd 114
27/08/2011 21:53:47
O
Modelo de Transporte Simples | 115

Observe-se que a fun��o objetivo pode ser de maximiza��o de


lucro,
lembrando que lucro = receita � custos, considerando os pre�os de
venda do
produto aos clientes como sendo diferentes.
Nesta situa��o, ou inv�s de custos unit�rios em cada trajeto
Origem �
Destino, deve-se calcular o lucro unit�rio (Lij) para cada
trajeto. Este lucro
unit�rio Lij, em cada c�lula dos Quadros do Modelo de Transporte
Simples,
ser� a diferen�a entre o valor do pre�o de venda no Destino j e o
custo de
transporte associado ao trajeto da Origem i ao Destino j.
As �nicas altera��es no algoritmo Stepping Stone Method para
uso em mo-
delos de maximiza��o se referem ao Passo 2:

Passo 2: Teste de Otimalidade

� Calcular lucros marginais (Lij) das vari�veis n�o-b�sicas:


� Caso / Lij > 0 solu��o atual � �tima (FIM);
� Caso contr�rio, escolher xij n�o-b�sica com Lij >0 para
entrar. Ir ao
Passo 3.

A seguir apresentam-se outros aspectos relativos � resolu��o


de um Mode-
lo de Transporte Simples.

4.3. RESOLU��O PELO M�TODO MODIFICADO (MODI)

H� uma maneira pr�tica para avalia��o dos custos (lucros)


marginais das
vari�veis n�o-b�sicas, associadas a uma dada solu��o b�sica
vi�vel. Este m�todo
� conhecido como M�todo Modificado ou Modi.
Considere um quadro t�pico de aplica��o do Stepping Stone
Method, onde
h� uma solu��o b�sica vi�vel identificada:

Etapa 1 � No quadro, defina um custo marginal Li para linha i, e


um custo mar-
ginal Kj para a coluna j, de tal forma que, para cada vari�vel
b�sica xij: Li + Kj = Cij.
Ou seja, obt�m-se um sistema de equa��es que dependem de Li e Kj.
Para ilustrar a Etapa 1, considere o Quadro 5, que aborda
ainda o Exem-
plo 1. Observe que os custos marginais Li e Kj, est�o na 1a coluna
e na 1a linha,
respectivamente.

Cap_4.indd 115
27/08/2011 21:53:47
116 | INTRODU��O � PESQUISA OPERACIONAL

Em geral, tem-se um sistema de equa��o com m + m vari�veis (s�o


custos
marginais Li e Kj) e m + n - 1 equa��es (associadas �s vari�veis
b�sicas), ou seja,
� um sistema indeterminado quanto a sua solu��o.

Quadro 5 Custos Marginais Calculados pelo Modi

K1 = 10 K2 = 5 K3 = 6
K4 = -2

Total
D1 D2 D3
D4

10 5 12
4
L1 = 0 01 20 20 +6
+6 40

2 0 1
9
L2 = -5 02 +3 10 70
+16 80

13 11 14
6
L3 = 8 03 -5 -2 30
80 110

Total 20 30 100
80 230
Para a situa��o do Quadro 5, tem-se o sistema de 6 equa��es e 7
vari�veis,
confirmando que ele �, portanto, de solu��o indeterminada:

L1 + K1 = 10
L1 + K 2 = 5
L2 + K 2 = 0
L2 + K 3 = 1
L3 + K 3 = 14
L3 + K 4 = 6.

Para resolver o sistema deve-se atribuir um valor qualquer a


uma das vari�-
veis (por exemplo, L1 = 0) e calcular as demais por simples
substitui��o. Na
situa��o acima, com L1 = 0, tem-se:

L1 = 0, L2 = -5, L3 = 8,
K1 = 10, K 2 = 5, K 3 = 6, K 4 = -2 .

Cap_4.indd 116
27/08/2011 21:53:47
O Modelo de
Transporte Simples | 117

Etapa 2 � Considere, agora um dos ciclos, por exemplo aquele


formado pela
adi��o do trajeto O3D1 (ver Figura 5). O custo marginal C31 para a
vari�vel
n�o b�sica x31 pode ser calculado por: C31 = C31 - C33 + C23 - C22
+ C12 - C11.
Substituindo os valores de Cij por (Li + KJ) quando pertinente,
tem-se:
C31 = C31 � (L3 + K3) + (L2 + K3) � (L2 + K2) + (L1 + K2) � (L1 +
K1) cance-
lando-se os termos semelhantes, tem-se C31 = C31 � (L3 + K1).
Ou seja, conclui-se que o custo marginal da vari�vel n�o-b�sica
x31 � igual
ao seu custo unit�rio de transporte menos a soma dos custos
marginais da li-
nha 3 e coluna 1 correspondentes.
De fato este resultado � geral, ou seja: para cada vari�vel
n�o-b�sica xij,
tem-se que Cij = Cij -
� (Li + Kj).
O Quadro 5, ainda, mostra os demais custos marginais pelo
m�todo Modi
para a solu��o inicial do Exemplo 1, evidentemente os valores s�o
coincidentes
com aqueles dispostos no Quadro 3.
As modifica��es na solu��o b�sica com a introdu��o de nova
vari�vel b�-
sica s�o feitas da forma anteriormente descrita.
Obtida uma nova solu��o b�sica vi�vel, podem-se calcular os
custos mar-
ginais dessa solu��o utilizando novamente o m�todo Modi, e assim
por diante,
at� a obten��o da solu��o �tima.
Observe-se que o mesmo procedimento vale para o caso de
maximiza��o
da fun��o objetivo em que h� lucros marginais, ao inv�s de custos
marginais.

4.4. M�TODOS PARA ENCONTRAR UMA SOLU��O B�SICA VI�VEL INICIAL


PARA O STEPPING STONE METHOD

Apresentam-se aqui, dois m�todos para a obten��o de uma


solu��o b�sica
inicial para o Stepping Stone Method:

� Regra do Canto Esquerdo � RCE.


� M�todo do Menor Custo Associado � MMC.

Passa-se a descri��o dos dois m�todos.

Cap_4.indd 117
27/08/2011 21:53:48
118 | INTRODU��O � PESQUISA OPERACIONAL

4.4.1. Regra do Canto Esquerdo � RCE

Foi o m�todo utilizado para se obter uma solu��o b�sica vi�vel


inicial no
Exemplo 1.
A RCE consiste em atribuir o m�ximo valor transport�vel do
produto
partindo-se da c�lula localizada no canto superior esquerdo do
Quadro de
resolu��o pelo Stepping Stone Method, e continuar a distribui��o
do produto
dispon�vel pelas demais c�lulas, atrav�s de deslocamentos
sucessivos para a
direita e para baixo, atendendo totalmente as demandas de cada
destino
e esgotando os recursos das origens, at� atingir a c�lula
localizada no canto
inferior direito do Quadro.
Uma linha (ou coluna) � considerada satisfeita quando a
quantidade de
produto dispon�vel na origem associada j� tiver se esgotado (ou o
total da
demanda pelo produto no destino associado tiver sido atendido).
Vantagem: simplicidade na obten��o da solu��o inicial.

Desvantagem: pelo fato de n�o se levar em considera��o o custo


unit�rio de
transporte associado a cada c�lula, geralmente h� necessidade de
diversas ite-
ra��es at� se atingir a solu��o �tima.
4.4.2. M�todo do Menor Custo Associado � MMC

O MMC consiste em atribuir o m�ximo valor transport�vel do


produto �s
c�lulas associadas aos menores custos unit�rios de transporte.
Estabelece-se uma hierarquia de escolha das c�lulas que
pertencer�o � so-
lu��o b�sica inicial, escolhendo-se, em ordem crescente, aquelas
associadas
aos menores custos unit�rios de transporte.
Vantagem: Estatisticamente, consegue-se uma solu��o inicial
mais pr�xi-
ma da solu��o �tima, exigindo, em m�dia, um n�mero menor de
itera��es que
a regra anterior.
Desvantagem: Pouco mais trabalhoso que a Regra do Canto
Esquerdo.

No Quadro 6 est� identificada uma solu��o b�sica vi�vel


inicial do exem-
plo anterior atrav�s deste m�todo.
A Tabela 2, mostra a ordem de escolha das c�lulas (vari�veis
b�sicas) feita.
Observe-se que foram atribu�das quantidades de produto �s seis
(m+n-1)
vari�veis b�sicas, o que forneceu uma solu��o b�sica vi�vel
completa.

Cap_4.indd 118
27/08/2011 21:53:48
O
Modelo de Transporte Simples | 119

Observe-se que, na �ltima aloca��o, na c�lula 03D3, esgotou-se


simulta-
neamente uma linha (a terceira) e satisfez-se uma coluna (a
terceira); isto sem-
pre ocorre.
O Custo Total de Transporte associado a solu��o do Quadro 6 �:
CT = 13x31
+ 0.x22 + x23 + 14x33 + 4x14 + 6x34, ou ainda, CT = 20.13 + 0.30 +
50.1 + 14.50 +
4.40 + 6.40 = 1410.

Quadro 6 Solu��o B�sica Vi�vel Inicial para o Stepping Stone


Method pela regra do
Custo M�nimo

D1 D2 D3
D4 Total

10 5 12
4
01 40
40

2 0 1
9
02 30 50
80

13 11 14
6
03 20 50 40
110

Total 20 30 100
80 230

Ou seja, apesar de utilizar-se uma regra de inicializa��o que


leva em con-
sidera��o os custos unit�rios de transporte de cada c�lula, o
custo resultante
(1410) foi maior que aquele (1270) obtido ao se utilizar a Regra
do Canto Es-
querdo, a qual ignora os custos unit�rios de transporte.
De fato, n�o h� como descobrir, a priori, qual das duas Regras
de Iniciali-
za��o (canto esquerdo ou m�nimo custo) gerar� uma solu��o inicial
melhor,
no sentido de diminuir o n�mero de itera��es necess�rias para se
atingir o
valor �timo do custo total. Assim, pode-se optar por qualquer das
regras para
inicializar o Stepping Stone Method.

Cap_4.indd 119
27/08/2011 21:53:48
120 | INTRODU��O � PESQUISA OPERACIONAL

Tabela 2 Detalhes sobre a ordem e quantidade alocada a cada c�lula


pelo M�todo
do Menor Custo Associado

Custo Ordem de Quantidade


C�lula
Status
unit�rio Escolha Atribu�da

01D1 10 � �
Esgotada

01D2 5 � �
Esgotada
01D3 12 � �
Esgotada

01D4 4 3a 40
Esgota linha 1

02D1 2 � �
Esgotada

02D2 0 1a 30
Esgota coluna 2
a
02D3 1 2. 50
Esgota linha 2

02D4 9 � �
Esgotada

03D1 13 5a 20
Esgota linha 1

03D2 11 � �
Esgotada

Esgota linha 3
03D3 14 6a 50
e
coluna 3

03D4 6 4a 40
Esgota coluna 4

4.5. OFERTAS E DEMANDAS DESBALANCEADAS

At� aqui se tratou de modelos de transporte onde a quantidade


de produto
nas origens (f�bricas) era igual a demanda nos destinos
(dep�sitos). Por�m,
nem sempre isso acontece.
Quando houver um desbalanceamento entre ofertas e demandas, h�
ne-
cessidade de se promover o balanceamento, antes da aplica��o do
Stepping
Stone Method.
Isto pode ser feito atrav�s da introdu��o de uma origem (ou
destino,
conforme a necessidade) fict�cia, com n�vel de produ��o (ou
demanda se for
destino fict�cio) exatamente igual a diferen�a (em m�dulo)
existente entre o
total de oferta e demanda.
Os custos de transporte associados aos trajetos que ligam essa
origem (ou
destino) fict�cia aos destinos (ou origem) reais ser�o
evidentemente nulos,
uma vez que n�o haver� nada a transportar. Casos a considerar:

Cap_4.indd 120
27/08/2011 21:53:48
O Modelo
de Transporte Simples | 121

1o Caso: a > b ; isto �, tem-se mais oferta do que demanda. Neste


caso,
i j

cria-se um destino fict�cio D com demanda b = a - b , sendo


atendido
f f i j

por todas as origens existentes.


Na solu��o final, as quantidades destinadas ao destino
fict�cio ficam esto-
cadas nas respectivas origens.
Em algumas situa��es poderiam ser atribu�dos aos trajetos
fict�cios os
custos de estoque em cada origem real, o que mudaria a fun��o
objetivo para
incorporar, al�m dos custos de transportes, tamb�m os custos de
estocagem.

2o Caso: a < b ; isto �, tem-se mais demanda que oferta. Neste


caso,
i j

cria-se uma origem fict�cia O , com capacidade a = b - a ,


atendendo a
f f j
i

todos os destinos existentes.


Na solu��o final, as quantidades do produto recebidas da
origem fict�cia
correspondem a quanto faltar� do produto em cada destino.
Em alguns casos, poderiam ser atribu�dos aos trajetos
fict�cios os valores
das multas por n�o atendimento �s demandas dos clientes, o que
mudaria a
fun��o objetivo para incorporar, al�m dos custos de transportes,
tamb�m
os valores das multas.
Para ambos os casos, feito o balanceamento, com a inclus�o da
origem ou
destino fict�cia, o problema se resolve exatamente da mesma forma
j� apresen-
tada (ver Exemplo 1): adota-se um dos m�todos de inicializa��o e
realizam-se
as itera��es, utilizando o m�todo Modi, at� a obten��o da solu��o
�tima.
Isto ser� ilustrado a partir do Exemplo 2 que apresenta tanto
o desbalancea-
mento entre oferta e demanda, como a ocorr�ncia de solu��o b�sica
vi�vel
degenerada, fato este que ser� explicado na se��o seguinte.

4.6. DEGENERESC�NCIA

A degeneresc�ncia na aplica��o do Stepping Stone Method ocorre


quando,
para uma dada solu��o b�sica vi�vel, o n�mero de vari�veis b�sicas
n�o nulas
� menor que m + n - 1.
Esta situa��o pode ocorrer em dois casos:

Cap_4.indd 121
27/08/2011 21:53:48
122 | INTRODU��O � PESQUISA OPERACIONAL

1o Caso: Na inicializa��o do m�todo

Ap�s a aplica��o de algum dos m�todos de inicializa��o, pode


ocorrer que
o n�mero de vari�veis b�sicas seja menor que m + n � 1.
Neste caso, deve-se escolher uma c�lula qualquer, ainda n�o
utilizada como
vari�vel b�sica, que n�o forme ciclo com as c�lulas j�
incorporadas � solu��o
b�sica, e alocar a ela a quantidade zero, pois, deve-se lembrar
que as capacidades
de produ��o j� foram alocadas �s vari�veis b�sicas existentes e
tamb�m as
demandas j� foram atendidas, pois o modelo j� foi, previamente,
balanceado.
Procedimento para verificar se h� ciclo.
� Partindo da c�lula associada � vari�vel que se deseja
incorporar ao con-
junto das vari�veis b�sicas:
� procurar se deslocar no quadro conforme o movimento de
uma
pe�a tipo Torre no jogo de xadrez: movimentos
horizontais pelas
linhas ou verticais pelas colunas;
� pode-se mudar cada movimento de dire��o (de horizontal
para ver-
tical e vice-versa) ao se encontrar alguma c�lula
associada � vari�vel
b�sica.
� a id�ia � tentar retornar � c�lula inicial. Se isto for
poss�vel, h� o ciclo
e a vari�vel n�o deve ser incorporada �s vari�veis
b�sicas. Caso con-
tr�rio, n�o h� o ciclo e a vari�vel pode ser incorporada
�s vari�veis
b�sicas. Colocar o valor 0 (zero), para esta vari�vel;
� repetir para outras c�lulas n�o b�sicas at� se obter m +
n � 1 vari�-
veis b�sicas.

2o caso: Durante uma itera��o

Pode ocorrer, na etapa de determina��o de qual vari�vel b�sica


ser� subs-
titu�da, que duas (ou mais) vari�veis b�sicas "empatem" com
respeito ao crit�rio
de escolha da vari�vel que ser� substitu�da (vari�vel que sai).

Cap_4.indd 122
27/08/2011 21:53:48
O
Modelo de Transporte Simples | 123

Isto pode ocorrer se estas vari�veis b�sicas, que empataram" na


sa�da, per-
tencem ao ciclo de compensa��o da vari�vel n�o-b�sica que entrar�,
s�o "doa-
doras" de unidades e possuem o mesmo valor m�nimo de quantidade de
produto, para as vari�veis "doadoras", do ciclo de compensa��o em
quest�o.
Neste caso, opta-se por substituir uma delas (das que
"empataram") da solu-
��o b�sica e mant�m-se as outras (que "empataram") como vari�veis
b�sicas na
pr�xima solu��o b�sica vi�vel do problema, por�m com valor zero
associado.
Isto ser� ilustrado a partir do Exemplo 2 que apresenta tanto o
desbalan-
ceamento entre oferta e demanda, como ocorr�ncia de solu��o b�sica
vi�vel
degenerada.

Exemplo 2:

Seja um problema de transporte simples, onde se tem 3 origens e


4 desti-
nos, cujas capacidades de produ��o, demandas e custos unit�rios de
transporte
s�o dados na Tabela 3.

Tabela 3 Dados para o Exemplo 2

Destinos

Origens D1 D2 D3 D4
Capacidades
01 10 5 12 4
40

02 2 0 1 9
80

03 13 11 14 6
100

Demandas 20 30 80 70
220

200

Como b j = 200 < a = 220 o problema �


desbalanceado. Para poder
i

aplicar o Stepping Stone Method, basta considerar o destino


fict�cio Df com
demanda bf = 20 e custos de transporte nulos, conforme Figura 6.

Cap_4.indd 123
27/08/2011 21:53:48
124 | INTRODU��O � PESQUISA OPERACIONAL

Figura 6 Modelo em Rede para o problema do Exemplo 2

01 = 40
b1 = 20

01
D1

b3 = 80

D3

02 = 80
bf = 20

02
Df fict�cio
b4 = 70

D4

b2 = 30

03
D2

03 = 100

Adotando a regra do canto esquerdo para identificar a solu��o


b�sica vi�-
vel inicial e o m�todo Modi para c�lculo dos custos marginais das
vari�veis
n�o-b�sicas, tem-se o Quadro 7.
Se for escolhida para entrar a vari�vel n�o b�sica x31, que
possui custo mar-
ginal negativo dado por C31 = -5, no seu ciclo de compensa��o (ver
Figura 7)
doar�o unidades (est�o associadas aos valores de �1 no ciclo) as
vari�veis b�-
sicas x11 = 20; x12 = 10 e x33 = 10. O valor m�nimo �, portanto,
de 10 unidades.
Deve-se, portanto, deslocar 10 unidades para a vari�vel que
entra x31, asso-
ciada � c�lula 03D1. Com isto, duas vari�veis b�sicas (x22 e x33)
ficar�o com va-
lor zero, "empatando" na sa�da, e surgindo a degeneresc�ncia (2o
caso).

Cap_4.indd 124
27/08/2011 21:53:48

O Modelo de Transporte Simples | 125

Quadro 7 Solu��o inicial para o Exemplo 2

K1 = 10 K2 = 5 K3 = 6 K4
= -2 K5 = -8

Capacidades
D1 D2 D3
D4 D5

10 5 12
4 0
L1 = 0 01 20 20 +6
+6 +8 40

2 0 1
9 0
L2 = -5 02 -3 10 70
+16 +13 80

13 11 14
6 0
L3 = 8 03 -5 -2 10 70
20 100

Demandas 20 30 80
70 20 220

Figura 7 Ciclo de Compensa��o da Vari�vel N�o-B�sica x31

D1 D2
D3

01 20 20
+1
-1

02 10
70

+1
-1

03
10
+1

-1

Deve-se ent�o, conservar uma delas como b�sica com valor zero
(por
exemplo x33), e a outra dever� se tornar vari�vel n�o b�sica
(neste caso x22).
Na seq��ncia, resolve-se o problema como anteriormente, at� se
obter a
solu��o �tima (ver Quadro 8), onde todos os custos marginais das
vari�veis
n�o b�sicas s�o positivos, e como o problema � de minimiza��o,
tem-se a solu-
��o �tima.

Cap_4.indd 125
27/08/2011 21:53:48
126 | INTRODU��O � PESQUISA OPERACIONAL
Quadro 8 Solu��o �tima

K1 = 10 K2 = 5 K3 = 11 K4 =
3 K5 = -3

Total
D1 D2 D3 D4
D5

10 5 12
4 0
L1 = 0 01 10 30 +1 +1
+3 40

2 0 1
9 0
L2 = -10 02 +2 +5 80 +16
+13 80

13 11 14
6 0
L3 = 3 03 10 +3 0 70
20 100

Total 20 30 80 70
20 220

Deve-se analisar no Quadro 8 que as 20 unidades que Df deveria


receber,
na verdade n�o ser�o enviadas, isto �, a f�brica que entregaria as
20 unidades
do produto para o Df ficar� com este valor em seu estoque.

4.7. CONDI��ES PROIBIDAS DE EMBARQUE OU RECEP��O

Em determinadas ocasi�es, trajetos entre origens e destinos


podem ser blo-
queados devido a exist�ncia de condi��es proibidas de embarque
(custos altos de
transporte, por exemplo) ou de recep��o (quest�es contratuais, por
exemplo).
Nestes casos basta bloquear no quadro de resolu��o pelo
Stepping Stone
Method os trajetos proibidos, n�o permitindo, assim, que as
c�lulas, que os
representam, sejam introduzidas como vari�veis b�sicas em qualquer
das solu-
��es obtidas pelo m�todo.
Isto equivale a se colocar na fun��o objetivo, para um modelo
de minimi-
za��o (maximiza��o), um coeficiente de custo unit�rio (lucro
unit�rio) muito
grande e positivo M (pequeno e negativo -M) para as vari�veis de
decis�o
associadas aos trajetos proibidos.
Para ilustrar esta situa��o, considere os mesmos dados do
Exemplo 1, onde
foi proibido o embarque de 01 para D2.

Cap_4.indd 126
27/08/2011 21:53:48
O
Modelo de Transporte Simples | 127

Neste caso, a fun��o objetivo ficaria sendo:


com M > > 0 (n�mero suficientemente grande)
MIN CT = 10 x11 + Mx12 + 12 x13 + 4 x14 + 2 x21 + 0 x22 +1x23
+ 9 x24 +
+13x31 +14 x33 + 6 x34
A solu��o b�sica inicial encontrada pela Regra do Canto
Esquerdo seria
aquela do Quadro 9.

Quadro 9 Solu��o B�sica Vi�vel para o Exemplo 1 Modificado

D1 D2 D3
D4 Total

10 12
4
01 20 20
40

2 0 1
9
02 30 50
80

13 11 14
6
03 30 80
110

Total 20 30 100
80 230

Observe-se que a vari�vel x12 associada ao trajeto proibido


O1D2 sempre
ser� uma vari�vel n�o-b�sica, portanto com valor nulo associado.
A solu��o �tima pode ser obtida atrav�s do procedimento j�
apresentado,
mantendo-se o bloqueio na c�lula O1D2.
REFER�NCIAS

TAHA, H. A. Pesquisa Operacional. 8�. Edi��o. S�o Paulo: Pearson


Prentice Hall,
2008.
COLIN, E. C. Pesquisa Operacional. Rio de Janeiro: LTC, 2007.
LACHTERMACHER, G. Pesquisa Operacional na Tomada de Decis�es. 3a.
edi��o re-
vista e ampliada. Rio de Janeiro: Elsevier, 2007.

Cap_4.indd 127
27/08/2011 21:53:48
Cap_4.indd 128 27/08/2011 21:53:48
5
O MODELO DA DESIGNA��O

5.1. INTRODU��O

O Modelo da Designa��o procura representar situa��es onde se


faz neces-
s�rio alocar os recursos (indivis�veis) dispon�veis para atender
de maneira ex-
clusiva �s atividades de interesse, de modo que alguma medida de
efetividade
(geralmente o custo total da designa��o) do sistema modelado seja
otimizada.
Alguns exemplos de aplica��es deste modelo s�o fornecidos no
Quadro 1.

Quadro 1 Aplica��es do Modelo da Designa��o

Medida
Recurso Atividade
de Efetividade

Oper�rios Trabalhos Tempo de execu��o

Caminh�es Rotas Custo de transporte

M�quinas Locais Operacionalidade

Tripula��es Avi�es Ociosidade dos


tripulantes

Vendedores �reas Volume de vendas


Neste modelo, em geral, h� o mesmo n�mero de recursos
dispon�veis e de
atividades a serem atendidas. Ou seja, neste tipo de problema,
deve ser alo-
cado um recurso para cada atividade, e toda atividade deve receber
apenas
um recurso.
Situa��es em que o n�mero de recursos � diferente do n�mero de
ativi-
dades requerem a aplica��o de um artif�cio simples, com a inclus�o
de recursos
ou atividades fict�cias conforme necess�rio, que ser� adiante
explicado.

Cap_5.indd 129
27/08/2011 21:54:18
130 | INTRODU��O � PESQUISA OPERACIONAL

Deve ser ressaltado que o Modelo da Designa��o � um caso


particular do
Modelo de Transporte da Programa��o Linear, e, deste modo, pode
ser resol-
vido pelo Stepping Stone Method, ou ainda pelo M�todo Simplex.
Por�m, existem algoritmos especiais que consideram a estrutura
especial
destes Modelos da Designa��o, e que, de um modo geral, s�o mais
eficientes
que os algoritmos gerais.
O algoritmo a ser aqui apresentado � conhecido como M�todo
H�ngaro,
foi desenvolvido por H.W. Kuhn e baseia-se no trabalho de dois
matem�ticos
h�ngaros, D. Konig e J. Egerv�ry.

5.2. DEFINI��ES E NOTA��ES

Considere a matriz de custos, ou de efici�ncias, C = (cij),


onde cij � o custo
(efici�ncia) da aloca��o do recurso i para a atividade j. Este
custo, como visto
na Tabela 1, pode ser tempo, custo de transporte ou volume de
vendas, depen-
dendo do contexto do problema.
Em geral i, j = 1, 2,..., m, onde m � o n�mero de atividades e
de recursos
envolvidos e t�m-se as vari�veis de decis�o do Modelo da
Designa��o como
sendo:

1,
se o recurso i � designado � atividade j.
xij =
0,
caso contr�rio.

Deste modo, uma solu��o b�sica vi�vel para este modelo pode
ser apresen-
tada na forma de uma Matriz das Vari�veis de Decis�o dada por X =
(xij),
como ilustrado no Exemplo 1.
No caso de um Modelo da Designa��o, com m recursos e m
atividades,
uma solu��o b�sica vi�vel corresponde a uma designa��o vi�vel,
sendo que
h� m! designa��es vi�veis, para um dado valor de m.
Observe-se que, como os recursos s�o indivis�veis, e cada
atividade neces-
sita de apenas um recurso, uma designa��o vi�vel � obtida quando
for selecio-
nado um e somente um elemento de cada linha e coluna da matriz X
para as-
sumir o valor 1.
Dada uma matriz C para um Modelo da Designa��o, � poss�vel
exibir uma
designa��o vi�vel, ou seja, atribuir um recurso para cada
atividade, de modo
que cada atividade receba um �nico recurso, colocando-se um
c�rculo ao redor

Cap_5.indd 130
27/08/2011 21:54:20

O Modelo da Designa��o | 131

dos custos correspondentes aos elementos da matriz X tais que xij


= 1. Ver
ilustra��o no Exemplo 1.

Exemplo 1: Identifica��o de uma Designa��o Vi�vel na Matriz de


Custos C e a
Matriz das Vari�veis de Decis�o X associada:

4 7 0 0
0 1

C = (cij) = 0 3 8 X = (xij) = 1
0 0

6 3 9 0
1 0

5.3. MODELO MATEM�TICO


Como j� citado, em geral, a fun��o objetivo do Modelo da
Designa��o
corresponde a minimiza��o do custo total das designa��es.
As restri��es podem ser agrupadas em dois grupos, o primeiro
assegura
que cada recurso � totalmente alocado exatamente uma vez e o
segundo grupo
assegura que cada atividade � totalmente satisfeita com um �nico
recurso.
A formula��o do modelo � a seguinte:
x = 1 j
{1,2,..., m}

i ij

MIN Z = c ij xij s.a.: xij = 1 i


{1,2,..., m}

i j j

xij 0 i e j
{1,2,..., m}

Pode-se verificar que este modelo � um caso especial do Modelo


do Trans-
porte Simples, em que h� o mesmo n�mero de origens e destinos e,
ai e bj
iguais a 1 para todo i e j.

5.4. M�TODO H�NGARO

Considere o Modelo da Designa��o formulado na se��o anterior


com
C = (cij), sendo a matriz de custos.

Cap_5.indd 131
27/08/2011 21:54:20
132 | INTRODU��O � PESQUISA OPERACIONAL

Suponha que todos os elementos da linha i s�o modificados pela


adi��o de
um n�mero real i , e todos os elementos da coluna j s�o
modificados pela adi-
��o de um n�mero real j.
Deste modo, uma matriz de custos modificada D = (dij) �
obtida, com
dij = cij + i + j ou ainda, cij = dij � i � j.
Portanto, cij xij = dij xij � i xij � j xij . Assim,

ci j
ij xij = di j
ij xij -
x - d

gx

jj ij

ij

i j

ij xij

= d i j
ij xij - g -
i
d = d
i
j

jj

i j

ij xij + constante

As opera��es acima mostram que, a menos de uma constante,


minimizar

ci j
ij xij � equivalente a minimizar
d i j

ij xij , mantendo-se as restri-

��es do Modelo de Designa��o.


O M�todo H�ngaro utiliza este resultado, subtraindo de toda
linha e co-
luna da matriz C o menor valor encontrado em cada uma delas, e
tentando
identificar uma designa��o vi�vel com custo total nulo, na matriz
de custos
modificada.
Se tal solu��o existe, ela ser� uma designa��o �tima; caso
contr�rio, o
m�todo altera a matriz de custos novamente visando a criar mais
op��es de
elementos nulos.
No Exemplo 2, h� uma ilustra��o deste procedimento de subtrair
o menor
elemento de cada linha e coluna, na Matriz de Custos, objetivando
identificar
as melhores op��es de aloca��o de recursos para atividades
(associadas aos
valores nulos na Matriz Modificada), de forma a se ter um custo
total nulo
das designa��es.

Exemplo 2: Sele��o de Homens para Tarefas

Deseja-se designar quatro oper�rios para quatro tarefas, de


maneira que o
n�mero total de homens-hora seja m�nimo. Cada homem desempenha
cada
tarefa em um determinado n�mero de horas, conforme indicam os
dados da
matriz de custos da Figura 1.

Cap_5.indd 132
27/08/2011 21:54:20

O Modelo da Designa��o | 133

Figura 1 Matriz de Custos do Exemplo 2

Oper�rios

Tarefas I II III
IV

A 5 24 13
7

B 10 25 3
23

C 28 9 8
5

D 10 17 15
3

Na seq��ncia, determinam-se os menores n�meros de cada linha,


indica-
dos ao lado da matriz de custos na Figura 2, e efetua-se a
subtra��o destes de
todos os elementos das linhas correspondentes, obtendo-se a Matriz
de Custos
Modificada da Figura 3.

Figura 2 Identifica��o dos Menores N�meros de cada Linha

Oper�rios

Tarefas I II III
IV Menor N�mero

A 5 24 13
7 (5)

B 10 25 3
23 (3)

C 28 9 8
5 (5)

D 10 17 15
3 (3)

Cap_5.indd 133
27/08/2011 21:54:20
134 | INTRODU��O � PESQUISA OPERACIONAL

Figura 3 1a Matriz de Custos Modificada

Oper�rios

Tarefas I II III
IV

A 0 19 8
2

B 7 22 0
20

C 23 4 3
5

D 7 14 12
0

Agora se deve identificar o menor n�mero em cada coluna,


conforme a
Figura 4, e pela subtra��o destes em cada coluna tem-se a nova
Matriz de Cus-
tos Modificada da Figura 5.

Figura 4 Identifica��o dos Menores N�meros de cada Coluna

Oper�rios

Tarefas I II
III IV

A 0 19 8
2

B 7 22 0
20

C 23 4 3
5

D 7 14
12 0

Menor N�mero (0) (4)


(0) (0)

Cap_5.indd 134
27/08/2011 21:54:20
O
Modelo da Designa��o | 135

Figura 5 2a Matriz de Custos Modificada

Oper�rios

Tarefas I II III
IV
A 0 15 8
2

B 7 18 0
20

C 23 0 3
5

D 7 10 12
0

Nesta 2a Matriz de Custos Modificada � poss�vel identificar,


por inspe��o,
uma designa��o vi�vel que utiliza as posi��es em que o custo
associado �
nulo, ou seja, � poss�vel achar a designa��o �tima dada na Figura
6.

Figura 6 Designa��o �tima do Exemplo 2

I II III
IV

A 0 15 8
2

B 7 18 0
20

C 23 0 3
0

D 7 10 12
0

Cap_5.indd 135
27/08/2011 21:54:20
136 | INTRODU��O � PESQUISA OPERACIONAL

Assim, a designa��o �tima a partir da matriz de custos


modificada da
Figura 6 �:
Homem Tarefa
I A
II C
III B
IV D

A Matriz das Vari�veis de Decis�o ser�:

1 0 0 0

0 0 1 0
X =
0 1 0 0
0

0 0 1

O tempo total a ser gasto � determinado pelo produto da matriz


de custos
inicial pela matriz X:

T = 5.1 + 3.1 + 9.1 + 3.1 = 20 horas.

O mesmo valor pode ser obtido somando-se as constantes que


foram sub-
tra�das de cada linha e cada coluna.
No Exemplo 2, a redu��o da matriz de custos inicial pela
subtra��o dos
elementos m�nimos de cada linha e coluna, forneceu uma solu��o
�tima �bvia.
Entretanto, em geral, isto � muito dif�cil de ocorrer. Tudo o
que se pode
assegurar � que, ap�s as subtra��es indicadas, se obtenha no
m�nimo um zero
em cada linha e em cada coluna, entretanto, estes zeros nem sempre
permitem
a obten��o da solu��o �tima.
Deve-se, portanto, ter um procedimento sistematizado que
permita identi-
ficar a designa��o �tima para uma situa��o geral. Assim, passa-se
a descrever as
fases de aplica��o do M�todo H�ngaro que consiste basicamente de
tr�s fases:

(1) Processo de Redu��o das Linhas e Colunas para obten��o da


Matriz
de Custos Modificada;
(2) Processo de Identifica��o de Designa��o �tima;
(3) Processo de Modifica��o Adicional da Matriz Modificada, se
necess�rio.

Cap_5.indd 136
27/08/2011 21:54:20
O
Modelo da Designa��o | 137
A seguir, est�o os detalhamentos operacionais de cada fase:

Fase (1) � Redu��o de Linhas e Colunas


O objetivo desta etapa � criar o maior n�mero poss�vel de
custos reduzidos
nulos. Para fazer isto, deve-se subtrair dos elementos de toda
linha e cada co-
luna o menor valor encontrado em cada uma delas, come�ando pelas
linhas.
Esta Matriz de Custos Modificada ser� usada no lugar da matriz
original
na procura das designa��es vi�veis;

Fase (2) � Identifica��o de Designa��o �tima


Examinar as linhas e colunas sucessivamente. Devem-se procurar
posi��es
em que haja Zeros.
Durante a aplica��o do m�todo pode haver tr�s tipos de Zeros:
zeros reser-
vados (aproveitados na designa��o), zeros eliminados (s�o
redundantes na de-
signa��o) e restantes (ainda n�o designados nem eliminados).
Para cada linha (coluna) com exatamente um zero restante,
reserve �quela
posi��o para uma designa��o, ou seja, coloque um c�rculo no zero
associado
�quela posi��o ( 0 ), e elimine os outros zeros da coluna (linha)
correspon-
dente, ou seja, coloque um xis sobre os demais zeros ( X ).
Repetir, se necess�rio, este procedimento para as linhas e
colunas sem posi-
��es reservadas at� que todos os zeros tenham sido reservados ou
eliminados:

� Se as posi��es reservadas correspondem a uma designa��o


completa �
um recurso para cada atividade e cada atividade recebendo um
recur-
so � a solu��o � �tima � FIM;
� Caso contr�rio, seguir para a Fase (3).

Fase (3) � Altera��es Adicionais na Matriz Modificada


Se n�o houve zeros suficientes na matriz modificada na Fase
(1) que per-
mitiram selecionar uma designa��o completa com custo total nulo na
Fase (2),
ent�o se devem criar mais zeros usando o procedimento descrito a
seguir.

(a) Marcar todas as linhas que n�o tenham designa��es ap�s a


Fase (2),
ou seja, colocar um asterisco ao lado da linha da Matriz de
Custos
Modificada na Fase (1);
Cap_5.indd 137
27/08/2011 21:54:20
138 | INTRODU��O � PESQUISA OPERACIONAL

(b) Para as linhas marcadas, marcar (colocar asterisco ao lado


Matriz de
Custos Modificada) todas as colunas que tenham zeros;
(c) Para as colunas marcadas, marcar (colocar asterisco ao lado
Matriz
de Custos Modificada) todas as linhas que tenham zeros
reservados
(designados);
(d) Repetir os passos (b) e (c) at� n�o ser mais poss�vel
marcar linhas ou
colunas;
(e) Tra�ar uma reta sobre cada linha n�o marcada e sobre cada
coluna
marcada da Matriz de Custos Modificada;
(f) Examinar todos os n�meros n�o cobertos por alguma reta na
Matriz
de Custos Modificada e identificar o m�nimo destes n�meros:
� Subtrair este valor m�nimo de todos os n�meros n�o
cobertos por
uma reta;
� Somar este valor m�nimo a cada n�mero situado no
cruzamento
de duas retas.
� Retornar � Fase (2).

Observa��es:

(1) Se h� um n�mero diferente de recursos e atividades, ou


seja, a matriz
de custos (lucros) original n�o � quadrada:
� Devem-se adicionar tantas linhas (recursos), ou colunas
(ativida-
des), fict�cias quantas forem necess�rias para igualar o
n�mero de
recursos dispon�veis ao das atividades existentes;
� Colocar os custos (lucros) correspondentes
convenientemente, de
acordo com o contexto do problema. Em geral os valores
destes
custos (lucros) das designa��es fict�cias s�o nulos.

(2) Se o problema for de maximiza��o:


� Multiplicar por (-1) todos os n�meros da matriz de
lucros;
� Identificar o menor n�mero (ser� o que tem o maior
m�dulo);
� Adicionar o m�dulo deste menor n�mero a todos os n�meros
da
matriz j� multiplicada por (-1), com isto todos os
n�meros resul-
tantes na nova matriz ficar�o n�o negativos ( 0);
Cap_5.indd 138
27/08/2011 21:54:20
O Modelo
da Designa��o | 139

� Resolver o problema com a nova matriz como se fosse de


minimiza��o.

(3) Na ocorr�ncia de designa��es imposs�veis, por exemplo, em


situa-
��es em que um determinado oper�rio n�o consegue executar
deter-
minada tarefa:
� Para problemas de minimiza��o, colocar na fun��o
objetivo,
como coeficiente para a vari�vel de decis�o associada,
um valor de
custo = M, ou seja, um n�mero positivo muito grande;
� Para problemas de maximiza��o, colocar na fun��o
objetivo,
como coeficiente para a vari�vel de decis�o associada,
um valor de
lucro = -M, ou seja, um n�mero negativo muito pequeno;

(4) Ocorr�ncia de M�ltiplas Solu��es �timas � Em alguns


problemas
pode ocorrer que, na aplica��o da Fase (2), o n�mero de
zeros existen-
tes em cada linha e coluna impedem que o procedimento,
indicado
anteriormente para esta fase, consiga examinar todos os
zeros, reser-
vando alguns e eliminando os demais.
Quando isto ocorrer significa que o problema tem m�ltiplas
solu��es
�timas. No momento em que o m�todo se mostrar ineficaz em
re-
servar ou eliminar zeros, deve-se escolher arbitrariamente
algum dos
zeros, que n�o foram ainda reservados ou eliminados, para
ser reser-
vado e dar continuidade ao procedimento padr�o desta fase.
Isto ser�
ilustrado no Exemplo 4.

Exemplo 3: Sele��o de Homens-Locais � Extra�do de Pizzolato e


Gandolpho (2009)

O presidente de uma empresa est� estudando a transfer�ncia de


quatro
diretores para quatro locais de trabalho diferentes. Foram feitas
estimativas
dos custos envolvidos na transfer�ncia de cada homem para cada
novo lo-
cal de trabalho. Estes custos (numa certa unidade monet�ria) s�o
dados na
Figura 7.
Determinar as designa��es de cada diretor para cada local de
trabalho de
modo a minimizar o custo da transfer�ncia, assumindo-se que os
diretores s�o
igualmente qualificados para os diversos servi�os.

Cap_5.indd 139
02/09/2011 23:56:28
140 | INTRODU��O � PESQUISA OPERACIONAL

Figura 7 Dados para o Exemplo 3

Locais

I II
III IV

A 2 1
4 2

B 3 4
1 6
Diretores

C 1 2
6 5

D 1 3
3 7

Aplicando as tr�s fases do M�todo H�ngaro tem-se:

Fase (1) � Redu��o da Matriz de Custos

Na identifica��o dos n�meros m�nimos associados a cada linha


obt�m-se
a Figura 8.

Figura 8 Identifica��o dos Menores N�meros nas Linhas

Locais
I II III
IV Menor N�mero

A 2 1 4
2 (1)

B 3 4 1
6 (1)
Diretores

C 1 2 6
5 (1)

D 1 3 3
7 (1)

Cap_5.indd 140
27/08/2011 21:54:20
O
Modelo da Designa��o | 141

Subtraindo-se os elementos m�nimos de cada linha de todos os


elementos
das linhas correspondentes, obt�m-se a Figura 9, onde j� est�o
identificados os
menores n�meros de cada coluna, para a etapa seguinte de
modifica��o da
matriz de custos.

Figura 9 Identifica��o dos Menores N�meros nas Colunas

I II III
IV

A 1 0 3
1

B 2 3 0
5

C 0 1 5
4
D 0 2 2
6

Menor N�mero (0) (0) (0)


(1)

Subtraindo-se os menores n�meros de cada coluna, tem-se a


matriz da
Figura 10.

Figura 10 Matriz de Custos Modificada para a Fase (2)

I II III
IV

A 1 0 3
0

B 2 3 0
4

C 0 1 5
3

D 0 2 2
5

Cap_5.indd 141
27/08/2011 21:54:21
142 | INTRODU��O � PESQUISA OPERACIONAL

Fase (2) � Identifica��o de Designa��o �tima � 1a Itera��o

Aplicando o procedimento desta fase, tem-se como resultado a


Figura 11,
a seq��ncia de etapas foi a seguinte:

� A 1a linha tem 2 zeros, assim n�o se faz designa��es ou


elimina��es; j�
como a 2a linha tem um �nico zero restante, ele ser�
reservado (desig-
nar B para III) e, se tivesse algum zero na 3a coluna ele
seria eliminado;
� A 3a linha tamb�m tem um �nico zero restante que ser�
reservado (de-
signar C para I) e deve-se eliminar o outro zero que est�
na 1a coluna;
� Terminou-se, assim, de examinar as linhas, passa-se ao exame
das
colunas;
� Na 1a coluna, os dois zeros existentes j� est�o reservados
ou eliminados,
assim passa-se a analisar a 2a coluna;
� Na 2a coluna h� apenas um zero restante que ser� reservado
(designar
A para II) e deve-se eliminar o zero da 1a linha;
� Com isto n�o restaram mais zeros para serem reservados ou
elimi-
nados, mas a designa��o obtida n�o foi completa, pois apenas
3 zeros
foram reservados. Deve-se ir para a Fase (3).

Figura 11 Etapas da Fase (2) ao Exemplo 3 � 1a Itera��o

1 2 3 4

A 1 0 3 X

B 2 3 0 4

C 0 1 5 3

D X 2 2 5

Fase (3) � Altera��es Adicionais na Matriz Modificada � 1a


Itera��o

Aplicando o procedimento desta fase, tem-se como resultado a


Figura 12,
a seq��ncia de etapas foi a seguinte:

Cap_5.indd 142
27/08/2011 21:54:21
O
Modelo da Designa��o | 143

� Marcar a 4a Linha com um asterisco, pois ela n�o possui


designa��o
(zeros reservados) na Fase (2);
� Marcar a 1a coluna, pois ela possui um zero na 4a Linha que
foi marcada
na etapa anterior;
� Marcar a 3a linha, pois ela tem um zero na 1a coluna que foi
marcada na
etapa anterior;
� Como a coluna que seria marcada � a 1a coluna, pois ela tem
um zero
na 3a linha que foi marcada na etapa anterior, mas que j�
foi marcada,
ent�o ficam finalizadas estas etapas de marcar linhas e
colunas;
� Na seq��ncia, deve-se cobrir com uma reta as linhas n�o
marcadas (1a
e 2a Linhas) e as colunas marcadas (1a Coluna), isto tamb�m
est� na
Figura 12.

Figura 12 Aplica��o Parcial da Fase (3) ao Exemplo 3

I II III IV

A 1 0 3 0

B 2 3 0 4

C 0 1 5 3

D 0 2 2 5

� Observando a Figura 12, identifica-se que o menor n�mero n�o


cober-
to por uma reta � o n�mero 1 na posi��o (C, 2);
� Deve-se subtrair o valor 1 de todos os custos n�o cobertos
pelas retas;
� Somar valor 1 aos custos das c�lulas que se encontram nos
cruzamentos
das retas, isto �, somar 1 aos custos das posi��es (A,1) e
(B,1). Ao se
realizar essas opera��es obt�m-se a Matriz da Figura 13.

Cap_5.indd 143
27/08/2011 21:54:21
144 | INTRODU��O � PESQUISA OPERACIONAL

Figura 13 Aplica��o Final da Fase (3) ao Exemplo 2

1 2 3 4

A 1 0 3 0
B 3 3 0 4

C 0 0 4 2

D 0 1 1 4

Pelo M�todo H�ngaro, deve-se retornar a Fase (2) para se


tentar identifi-
car, finalmente, uma designa��o completa que ser� a solu��o �tima.

Fase (2) � 2a Itera��o

Aplicando o procedimento desta fase, tem-se como resultado a


Figura 14,
a seq��ncia de etapas foi a seguinte:

� Como a 1a linha tem dois zeros, nada a fazer;


� Como a 2a linha tem um �nico zero restante, ele ser�
reservado (desig-
nar B para III) e n�o h� zeros na 3a coluna para eliminar;
� Como na 3a linha h� dois zeros, nada a fazer;
� Como na 4a linha h� apenas um zero restante, ele ser�
reservado (de-
signar D para I) e o zero da 1a coluna ser� eliminado;
� Passa-se a examinar as colunas, a 1a coluna n�o tem mais
zeros;
� Como a 2a coluna tem dois zeros, nada a fazer;
� A 3a coluna n�o tem mais zeros;
� Como a 4a coluna tem apenas um zero restante, ele ser�
reservado
(designar A para IV) e o zero da 1a linha ser� eliminado;
� Volta-se a examinar as linhas, a 1a e a 2a linha n�o t�m
mais zeros;
� Como a 3a linha tem apenas um zero restante, ele ser�
reservado (desig-
nar C para II) e o processo termina, pois n�o h� mais zeros
sem terem
sido reservados ou eliminados.

Cap_5.indd 144
27/08/2011 21:54:21
O
Modelo da Designa��o | 145

Chegou-se, assim, ao final da aplica��o do M�todo H�ngaro,


pois uma
designa��o completa foi obtida, isto est� na Figura 15. Como pode
ser verifi-
cado com os dados da Matriz de Custos Inicial, o custo m�nimo
envolvido
nesta distribui��o � de 6 unidades monet�rias.

Figura 14 Aplica��o da Fase (2) ao Exemplo 3 � 2a Itera��o

I II III IV

A 2 X 3 0

B 3 3 0 4

C X 0 4 2

D 0 1 1 4

Figura 15 Solu��o �tima do Exemplo 3

Diretor Local

A IV
B III
C II
D I

Na sequ�ncia est� resolvido o Exemplo 4 que apresenta


Desbalanceamen-
to, Trajetos Proibidos, bem como ocorrem mais de uma solu��o
�tima; neste
exemplo, ser� mostrado como proceder no caso de exist�ncia de mais
de uma
solu��o �tima.

Cap_5.indd 145
27/08/2011 21:54:21
146 | INTRODU��O � PESQUISA OPERACIONAL

Exemplo 4: Desbalanceamento, trajetos proibidos e m�ltiplas


solu��es

Uma f�brica possui quatro locais (I, II, III, IV) para receber
tr�s m�quinas
novas (A, B, C). O local IV n�o comporta a m�quina A por
restri��es f�sicas.
Os custos de manuseio de materiais, numa certa unidade monet�ria
por hora
(u.m./h), envolvendo cada m�quina com as posi��es poss�veis, est�o
na Fi-
gura 16.
O objetivo � designar as novas m�quinas aos locais dispon�veis
de modo a
minimizar o custo total de manuseio de materiais.
Assim como no problema do transporte, quando da ocorr�ncia de
desba-
lanceamento e trajetos proibidos, s�o necess�rios os seguintes
passos antes de
se aplicar o M�todo H�ngaro:

(a) Atribuir um custo muito grande (M) � posi��o (A,4) para se


evitar a
designa��o da m�quina A ao local 4;
(b) Criar uma m�quina fict�cia D, com todos os custos nulos,
para igualar
o n�mero de m�quinas com o n�mero de locais
dispon�veis.

Figura 16 Custos de Manuseio para o Exemplo 4

I II III IV

A 5 1 3 X

B 3 1 4 3

C 3 3 4 2

Isto feito tem-se Matriz de Efici�ncias da Figura 17, onde j�


foi identificado
o menor valor de custo em cada uma das linhas, para aplica��o da
Fase (1).

Cap_5.indd 146
27/08/2011 21:54:21
O
Modelo da Designa��o | 147

Figura 17 Matriz de Efici�ncias para o Problema Balanceado e com


Trajeto Proibido

I II III IV
Menos N�mero
A 5 1 3 M
(1)

B 3 1 4 3
(1)

C 3 3 4 2
(2)

D 0 0 0 0
(0)

Aplicando-se as Fases (1), (2) e as etapas de (a) at� (e) da


Fase (3) tem-se,
como resultado parcial, a Figura 18.

Figura 18 Resultado parcial para o Exemplo 4

I II III IV

A 4 0 2 M

B 2 0 3 2

C 1 1 2 0

D 0 0 0 0

O elemento m�nimo n�o coberto pelas retas, na Figura 18, �


igual a 2, que
aparece nas posi��es (B, I), (B, IV) e (A, III). Aplicando-se a
etapa restante (f)
da Fase (3) tem-se a Matriz da Figura 19, para a qual deve-se
aplicar a Fase (2),
numa 2a itera��o do M�todo H�ngaro.

Cap_5.indd 147
27/08/2011 21:54:21
148 | INTRODU��O � PESQUISA OPERACIONAL
Figura 19 Matriz para a Fase (2) � 2a Itera��o

I II III IV

A 2 0 0 M

B 0 0 1 0

C 1 3 2 0

D 0 2 0 0

Ao se aplicar novamente a Fase (2), agora na Matriz da Figura


19, chega-se
a um impasse no procedimento, pois n�o � poss�vel reservar ou
eliminar zeros,
pois h� pelo menos 2 zeros em cada linha e coluna n�o examinadas,
conforme
exposto na Figura 20.

Figura 20 Impasse na Aplica��o da Fase (2)

I II III IV

A 2 0 0 M

B 0 0 1 X

C 1 3 2 0

D 0 2 0 X

Isto indica a exist�ncia de mais de uma solu��o �tima.


Escolhendo, arbi-
trariamente, uma designa��o na posi��o (A,2) e reaplicando o
procedimento
visto anteriormente para esta fase, obt�m-se o resultado da Figura
21.

Cap_5.indd 148
27/08/2011 21:54:21
O Modelo
da Designa��o | 149

Figura 21 Uma Solu��o �tima do Exemplo 4

I II III IV

A 2 0 X M

B 0 X 1 X

C 1 3 2 0

D X 2 0 X

O resultado � uma das designa��es �timas do problema, cujo


custo total de
manuseio m�nimo � de 6 u.m./h, e est� descrita na Figura 22.
Observe-se que,
como a M�quina D � fict�cia, o local 3 ficar� sem ocupa��o.

Figura 22 Uma Designa��o �tima de M�quinas para Locais

M�quina Local

A II
B I
C IV

Caso haja interesse em se obter outra designa��o �tima, basta


escolher,
arbitrariamente, uma outra posi��o, por exemplo, (A, 3) e proceder
como
antes. A solu��o �tima alternativa, para esta segunda escolha,
est� exposta na
Figura 23, onde quem ficou sem m�quinas foi o Local I.
Naturalmente, o custo
desta solu��o tamb�m � de 6 u.m./h.

Cap_5.indd 149
27/08/2011 21:54:21
150 | INTRODU��O � PESQUISA OPERACIONAL
Figura 23 Outra Designa��o �tima de M�quinas para Locais

M�quina Local

A III
B II
C IV

REFER�NCIAS

PHILLIPS, D.T.; GARCIA-DIAZ, A. Fundamentals of Network Analysis.


Englewood
Cliffs-NJ: Prentice-Hall, 1981.
PIZZOLATO, N.D.; GANDOLPHO, A.A. T�cnicas de Otimiza��o. Rio de
Janeiro:
LTC, 2009.
SHAMBLIN, J.E.; STEVENS Jr., G.T. Pesquisa Operacional � Uma
abordagem b�sica.
1a edi��o. S�o Paulo: Editora Atlas, 1979.

Cap_5.indd 150
03/09/2011 00:00:49
6
INTRODU��O � TEORIA DE FILAS: MODELOS MARKOVIANOS

6.1. INTRODU��O

A Teoria das Filas tem como objetivo principal o


desenvolvimento de mo-
delos matem�ticos que permitam prever o comportamento de sistemas
de
presta��o de servi�os.
Admite-se, em geral, que as solicita��es ocorrem em instantes
aleat�rios
e que a dura��o do tempo de atendimento de cada pedido � tamb�m
uma
vari�vel aleat�ria.
Antes de se descrever as caracter�sticas de um sistema de
filas, deve-se
observar que, do ponto de vista pr�tico, o interesse em se estudar
estes siste-
mas est� na possibilidade de introduzir-se modifica��es, que
contribuam de
alguma forma para melhorar o seu rendimento.
Assim, por exemplo, em determinados per�odos, a procura pelos
servi�os
(demanda) de um determinado sistema pode ser muito intensa,
gerando longas
filas e um elevado tempo de espera para as pessoas interessadas.
Quando se
trata de uma opera��o comercial, esta situa��o deixa os clientes
insatisfeitos
e conduz � perda de neg�cios.
Por outro lado, � poss�vel que, em outros per�odos, a demanda
seja t�o
baixa que os atendentes, daquele sistema de presta��o de servi�os,
fiquem
desocupados durante boa parte do tempo.
Em ambas as situa��es, uma mudan�a seria recomend�vel do
ponto de vis-
ta econ�mico. No entanto, geralmente, o vulto das despesas
envolvidas � de tal
ordem que n�o permite a realiza��o de mudan�as em car�ter
experimental.
� interessante, portanto, dispor de um modelo que permita
prever o com-
portamento do sistema modificado e, em conseq��ncia, forne�a
subs�dios para
que se possa escolher a modifica��o mais adequada.
Alguns exemplos t�picos de aplica��o da Teoria das Filas s�o
relativos ao
dimensionamento de: postos de ped�gio, n�mero de ber�os de
atraca��o em
portos, n�mero de guich�s num banco, do n�mero de linhas de uma
Central
Telef�nica, e de equipes de manuten��o, entre outros.

Cap_6.indd 151
27/08/2011 21:54:43
152 | INTRODU��O � PESQUISA OPERACIONAL

6.2. ESTRUTURA B�SICA DE UM SISTEMA DE FILAS

A Figura 1 ilustra os elementos importantes para a an�lise de


um sistema
de filas: popula��o, processo de chegadas de clientes, organiza��o
da fila, dis-
ciplina de atendimento e processo de atendimento de clientes.
Estes elementos caracter�sticos ser�o discutidos na seq��ncia:

(a) Processo de Chegada: Uma informa��o relevante na an�lise de um


sistema
de filas � saber, para t > 0, o n�mero de indiv�duos que
solicitaram servi�o no
intervalo (0, t).
Trata-se, portanto, de um processo de contagem e ele poder�
ser caracteri-
zado atrav�s da distribui��o dos Intervalos de Tempo entre
Chegadas Suces-
sivas, ou atrav�s da distribui��o do N�mero de Chegadas em
intervalos
disjuntos.
Figura 1 Estrutura de um Sistema de Filas

Sistema

FONTE unidades
Esta��o unidades
Fila de
que chegam
Servi�o servidas
(popula��o)

Disciplina de
Atendimento

Em sistemas industriais automatizados, por exemplo, numa


f�brica de be-
bidas, as garrafas chegam nos pontos de envasamentos, ou coloca��o
de tampas
e r�tulos em intervalos constantes, o que caracteriza que o n�mero
de chegadas

Cap_6.indd 152
27/08/2011 21:54:45
Introdu��o � Teoria de
Filas: Modelos Markovianos | 153

(garrafas) nos postos de atendimento (envazador) tem um


comportamento
determin�stico. Mas, em geral, estes intervalos de tempo s�o
vari�veis aleat�-
rias, como o que ocorre, por exemplo, no caso de chegadas de
clientes em
caixas de um banco, ou o n�mero de carros que chegam a um posto de
ped�-
gio. Neste texto, estas vari�veis ser�o consideradas independentes
e identi-
camente distribu�das.
Um caso particular importante � onde a vari�vel aleat�ria
associada ao
N�mero de Chegadas tem Distribui��o de Poisson com m�dia . Sabe-se
que,
nesta situa��o particular, a distribui��o de probabilidades da
vari�vel aleat�ria
Intervalo de Tempo entre Chegadas Sucessivas ser� dada pela
Distribui��o
Exponencial Negativa com m�dia 1/.
Outro aspecto importante, considerado em modelos mais
avan�ados, � a
possibilidade de chegadas em grupos, sendo que o n�mero de
indiv�duos em
cada grupo � uma vari�vel aleat�ria com distribui��o conhecida. Um
exemplo
deste caso seria uma partida de futebol, com os espectadores sendo
transpor-
tados em �nibus, que chegar�o em instantes aleat�rios, com o
n�mero de pas-
sageiros em cada �nibus sendo tamb�m uma vari�vel aleat�ria.

(b) Processo de Atendimento: Da mesma forma que no processo de


chegadas,
o atendimento pode ser individual ou em grupo. Exemplos de
atendimento
individual s�o encontrados em bancos, postos de ped�gio, entre
outros. Os
atendimentos em grupo ocorrem em filas de �nibus, ferry-boats e
elevadores,
entre outros casos.
A principal caracter�stica do atendimento � a Dura��o do
Atendimento,
ou ainda, o N�mero de Atendimentos. A Dura��o do Atendimento pode
ser
constante, como seria em sistemas industriais automatizados, por
exemplo, a
dura��o do envaze, ou a rotula��o, de uma garrafa numa f�brica de
bebidas.
Em geral, a Dura��o do Atendimento, ou ainda, o N�mero de
Atendimen-
tos � uma vari�vel aleat�ria com distribui��o conhecida, que pode,
tamb�m,
depender do tamanho da fila, como ocorre num Banco, por exemplo,
quando
se colocam mais caixas quando a fila de clientes fica longa.
Nos modelos mais comuns sup�e-se que os tempos de atendimento,
dado
que existem pessoas sendo atendidas, s�o vari�veis aleat�rias
independentes e
identicamente distribu�das.

Cap_6.indd 153
27/08/2011 21:54:45
154 | INTRODU��O � PESQUISA OPERACIONAL

O caso particular, mais importante, � onde a dura��o do


atendimento
(tempo de servi�o) tem distribui��o de probabilidades do tipo
Exponencial
Negativa com m�dia 1/, e, similarmente ao que ocorre para o
processo de
chegadas, nesta situa��o, o N�mero de Atendimentos ter� uma
distribui��o de
probabilidades do tipo Poisson com m�dia .
(c) Disciplina de Atendimento: Num modelo de filas a Disciplina de
Atendi-
mento se refere � maneira segundo a qual os indiv�duos, que est�o
requerendo
atendimento no sistema, s�o selecionados para receber o servi�o.
Ela � definida
em fun��o das caracter�sticas do sistema e existem v�rias
disciplinas poss�veis;
sendo o tipo mais comum onde o atendimento � feito segundo a ordem
de che-
gada, conhecida como PEPS � Primeiro a Entrar, Primeiro a ser
Servido (em
ingl�s FIFO).
Outra Disciplina de Atendimento muito comum � conhecida como
UEPS
� �ltimo a Entrar, Primeiro a ser Servido (em ingl�s LIFO), que
ocorre, por
exemplo, em alguns sistemas de estoques e em elevadores lotados.
Outra possibilidade � a exist�ncia de prioridades, isto �, h�
um tipo de
cliente que pode passar � frente dos demais e vai para o 1o lugar
da fila (por
exemplo, consultas m�dicas com hora marcada), um caso extremo de
priori-
dade � aquele no qual o servi�o que est� sendo executado �
interrompido para
atendimento do cliente priorit�rio, como ocorre em casos de
emerg�ncia em
hospitais. A Disciplina de Atendimento pode ser tamb�m do tipo
aleat�ria,
como ocorre, por exemplo, numa prova oral nas escolas.

(d) Capacidade do Sistema: Em muitos modelos de filas existe uma


limita��o
f�sica para o n�mero de pessoas que podem fazer parte do sistema.
Enquanto
esta capacidade n�o for atingida, o funcionamento do sistema �
normal,
no sentido de que, os indiv�duos que chegam aguardam na fila at�
serem
atendidos, e os indiv�duos que chegam em instantes nos quais a
capacidade
est� esgotada s�o recusados.
Antes de se iniciar o estudo dos modelos de filas mais
importantes, deve-se
apresentar uma nota��o para modelos de filas, devida a Kendall,
que � univer-
salmente adotada e est� ilustrada no Exemplo 1.
Segundo a nota��o de Kendall, um modelo de filas � descrito
por uma su-
cess�o de s�mbolos, colocados em campos delimitados por barras
inclinadas.

Cap_6.indd 154
27/08/2011 21:54:45
Introdu��o � Teoria de
Filas: Modelos Markovianos | 155

O primeiro campo fornece informa��es da distribui��o dos


intervalos entre
chegadas; o segundo se refere � distribui��o dos tempos de
servi�o; o terceiro
se refere ao n�mero de guich�s de atendimento dispon�veis; o
quarto indica
a restri��o sobre a capacidade do sistema; o quinto fornece a
informa��o so-
bre o tamanho da popula��o e finalmente o sexto informa sobre a
disciplina
de atendimento.
Nos casos em que a capacidade � ilimitada, a popula��o muito
grande e a
disciplina � a PEPS, os tr�s �ltimos s�mbolos podem ser omitidos.
Os s�mbolos comumente usados s�o:

M � Para o Processo de Chegadas com distribui��o de


probabilidades
Poisson, e para o Processo de Atendimento com distribui��o de
probabi-
lidades Exponencial para os tempos de servi�o;
GI � Para Processo de Chegadas independentes, diferente do de
Poisson;
Ek � Para distribui��o de probabilidades de Erlang de ordem k;
D � Para tempo de servi�o constante (caso determin�stico);
G � Para distribui��o geral de tempos de atendimento.

Exemplo 1: Ilustra��o da nota��o de Kendall

M/M/3 � Modelo de filas com chegadas segundo um Processo de


Poisson,
tempos de atendimento dado por uma distribui��o Exponencial e com
3 aten-
dentes, tipo esquema de fila �nica, para atendimento da fila. A
capacidade e a
popula��o s�o consideradas infinitas e o atendimento segue a
disciplina FIFO.
H� v�rias Vari�veis de Decis�o importantes para a an�lise do
desempenho
do sistema:

(1) Tempo que um cliente permanece na fila;


(2) N�mero de clientes na fila;
(3) Tempo que um cliente permanece no sistema;
(4) N�mero de clientes no sistema;
(5) Ociosidade dos atendentes.

Como, em geral, estas vari�veis s�o aleat�rias, pois dependem


do compor-
tamento das chegadas e dos atendimentos, uma maneira de conseguir
medir o
Cap_6.indd 155
27/08/2011 21:54:45
156 | INTRODU��O � PESQUISA OPERACIONAL

desempenho de um sistema de filas � introduzir medidas de


efici�ncia que
sejam fun��es dos valores m�dios destas vari�veis aleat�rias.
Para tanto, considera-se o sistema de filas quando ele entra em
regime
estacion�rio, isto �, ap�s um prolongado per�odo de funcionamento
(diz-se,
tamb�m, que o sistema est� em equil�brio). Neste caso, denota-se
por:

L (ou Ls) � Valor m�dio do n�mero de clientes no sistema


(inclui os que
est�o sendo servidos);
Lq � Valor m�dio do n�mero de clientes na fila (exclui os que
est�o sendo
servidos);
W (ou Ws) � Valor m�dio do tempo que um cliente gasta no
sistema;
Wq � Valor m�dio do tempo que um cliente gasta na fila;
Pn � Probabilidade de que o n�mero de clientes no sistema seja
n.

6.3. PROCESSOS DE NASCIMENTO E MORTE (P � N � M)

Uma �rea importante da Pesquisa Operacional, que trata de


situa��es em
que ocorrem vari�veis aleat�rias � a dos Processos Estoc�sticos.
Com respeito aos modelos de filas aqui apresentados, eles podem
ser clas-
sificados numa sub�rea conhecida por Processos de Nascimento e
Morte. A
seguir, passa-se, resumidamente, a descrever aspectos relevantes
desta �rea
para o contexto deste cap�tulo.

Defini��o:

O Estado do sistema corresponder� ao n�mero de clientes no


sistema, ou
seja, o n�mero de clientes esperando na fila adicionado do n�mero
de clientes
que est�o sendo atendidos.

Observa��o: Em regime estacion�rio, as probabilidades de cada


estado tor-
nam-se independentes do tempo, isto �,

lim Pn (t ) = Pn , onde Pn(t) = probabilidade de ter n


clientes no sistema, no
t
instante t.

Cap_6.indd 156
27/08/2011 21:54:45
Introdu��o � Teoria de
Filas: Modelos Markovianos | 157

Defini��es:

(a) Um Nascimento representa a entrada de um cliente no


sistema;
(b) Uma Morte representa a sa�da de um cliente no sistema;
(c) n = Taxa M�dia de Chegada quando h� n clientes no
sistema;
(d) n = Taxa M�dia de Servi�o quando h� n clientes no
sistema.

Observa��o: Num P-N-M, as chegadas e partidas s�o aleat�rias e


suas taxas
m�dias dependem apenas do estado atual do sistema.

Postulados: Sejam n = o n�mero de clientes no sistema e fun��o


nulo
0 (t )
lim = 0 com:
t 0 t
(I) Postulado de Nascimento

Dado que o sistema est� no estado En (n = 0, 1, 2,...) no


instante t, a proba-
bilidade que ocorra exatamente um nascimento no intervalo (t, t+t)
� dado

por n t + 0(t) com n > 0 (constante);

(II) Postulado de Morte

Dado que o sistema est� no estado En (n = 0,1,2,...) no


instante t, a proba-
bilidade que ocorra exatamente uma morte no intervalo (t, t + t) �
dado por,

n t + 0(t) onde 0 = 0 e n > 0 (constante) para n > 0;

(III) Postulado do Salto M�ltiplo

Dado que no instante t, o sistema est� no estado En (n = 0,


1, 2,...), a proba-
bilidade que o n�mero de nascimentos e mortes exceda 1 durante o
intervalo
(t, t + t) � dado por 0(t).
Como conseq��ncia dos Postulados, pode-se encontrar a
Probabilidade
do Estado do Sistema, no instante t, ser n como fun��o das Taxas
M�dias de
Chegadas (n) e de Servi�o (n).
De fato, para n > 0, o estado En no instante (t, t + t) pode
ter sido alcan-
�ado a partir de quatro situa��es mutuamente exclusivas, conforme
Quadro 1.

Cap_6.indd 157
27/08/2011 21:54:45
158 | INTRODU��O � PESQUISA OPERACIONAL

Quadro 1 Transi��es Poss�veis de Estado

Eventos em
Estado em t
Probabilidade correspondente
(t, t +t)

En-1 1 nascimento [
Pn-1 (t). n-1.t +
0(t) ] (1)

En+1 1 morte [
Pn+1 (t). n+1.t +
0(t) ] (2)

En Nenhum evento [
Pn (t). 1 � n.t �
n.t + 0(t) ] (3)

Outro Eventos m�ltiplos 0(t)


(4)

Pn (t + t) = (1) +
(2) + (3) + (4)

O que resulta em:


Pn (t + t ) = Pn-1 (t ).n-1 .t + Pn+1 (t ).n+1 .t +
+ Pn (t ). 1 - n .t - n .t + 0(t ) + 0(t ),
0 (t )
com lim =0
t 0 t
Ou ainda:
Pn (t + t ) - Pn (t )
= n-1 .Pn-1 (t ) + n+1.Pn+1 (t ) - (n
+ n ).Pn (t ) (1)
t
Pn (t ).0 (t ) + 0 (t )
+
t

Considerando-se o limite quando t tende a zero, para ambos os


lados da
equa��o (1), resulta na equa��o (2):

Pn (t + t )- Pn (t )
lim = n-1 .Pn-1 (t ) + n+1 .Pn+1
(t ) - (n + n )Pn (t ) (2)
t 0 t
Como o termo do lado direito da equa��o (2) � a derivada da
derivada da
Probabilidade do Estado do Sistema, no instante t, ser n, tem-se
as equa��es
(3) e (4):

Cap_6.indd 158
27/08/2011 21:54:45
Introdu��o �
Teoria de Filas: Modelos Markovianos | 159

dPn (t )
Para n > 0, = n-1 .Pn-1 (t ) + n+1 .Pn+1 (t ) -
(n + n )Pn (t ) (3)
dt

d Po (t )
Para n = 0 : 0 = 0; P-1 (t ) = 0 = 1P1
(t ) - 0 P0 (t ) (4)
dt

As Solu��es em Regime Estacion�rio para as equa��es (3) e (4),


ou seja,
d P (t )
quando o lim Pn (t) = Pn ou seja, n = 0, s�o:
t dt

Para n > 0 : n-1 .Pn-1 + n+1 .Pn+1 - (n + n ).Pn = 0


(5)

0
Para n = 0, 1P1 - 0 P0 P1 = P0
(6)
1

Ap�s alguns ajustes, tem-se:

n Pn n-1 Pn-1 n-1 n-2


n-1 ... 0
Pn+1 = Pn = = Pn-2
= ... = P0
n+1 n n n-1
n ...1

n-1
(i )
i =0
ou ainda Pn = P0 n>0
(7)
n
(i )
i =1

Como sabe-se que


n =0
Pn = 1, tem-se que P0 +

n=1

Pn = , ou ainda:

n-1
(i )

i =0

1
P0 + n
P0 = 1 P0 = n-
1

(8)
n=1
(i )
(i )
i =1
i
=0
1+
n=1

(i )

i =1

Cap_6.indd 159
27/08/2011 21:54:45
160 | INTRODU��O � PESQUISA OPERACIONAL
Lembrando que P0 � a propor��o do tempo em que o sistema fica
vazio,
ou seja, os atendentes ficam ociosos, com a express�o (7) �
poss�vel calcular os
valores de probabilidade de ter n clientes no sistema, ou seja, o
valor de Pn.
Apresentam-se, na seq��ncia, alguns modelos de filas
importantes:

6.4. MODELOS DE FILAS MARKOVIANAS

Nesta se��o est�o alguns dos principais modelos de filas


conhecidas como
Markovianas, ou seja, t�m as chegadas e os atendimentos seguindo
as distri-
bui��es de Poisson e Exponencial.

(1) FILA M/M/1

Processo de Chegadas: Poisson, taxa n


Tempo de Servi�o: Exponencial, par�metro n
No de Atendentes: 1
Disciplina de Atendimento: PEPS

Observa��o: Como n�o h� limita��es (na fila ou na fonte) as taxas


de che-
gada e servi�o independem do estado do sistema, isto �, n = e n =
,
n = 0, 1, 2,...
Usando as express�es (6) e (7), deduzidas anteriormente, para
P0 e Pn,

tem-se: se < 1

1 1 1

P0 =
= = =1-
, (9)
n

n 1

1+ n
1-

n=1 n =0

n-1
i n
i =0
Pn = P0 = P0 para n > 0.
(10)
n
i
i =1

Cap_6.indd 160
27/08/2011 21:54:45

Introdu��o � Teoria de Filas: Modelos Markovianos | 161

Aqui = � denominado fator de utiliza��o e assim:

Pn = (1 - )n , com n = 0, 1, 2...
(11)

Com as express�es de P0 e Pn pode-se obter:

dn
L= n =0
n Pn =

n =0
n (1 - ) n = (1 - )

(
n
=0

n n-1 = (1 - ) n =0 d

d n d (1 - )
-1

= (1 - ) n =0

= (1 - )
� = =
d d 1- -

assim, L =
(12)
-
Lq = (n - 1)P = n P -
n=1
n
n=1

n
n=1
Pn =
n P -

n =0

n=1

Pn

2
= L - (1 - P0 ) =
( - )
2
assim, Lq =
(13)
( - )

1
como, L = W (F�rmula de Little) tem-se W =
(14)

e como Lq = Wq (F�rmula de Little) tem-se Wq =


(15)

( - )

(2) FILA M/M/1/N*

Processo de Chegadas: Poisson, taxa n


Tempo de Servi�o: Exponencial, par�metro n
N�mero de Atendentes: 1
Disciplina de Atendimento: PEPS
Capacidade do Sistema: N

Cap_6.indd 161
27/08/2011 21:54:45
162 | INTRODU��O � PESQUISA OPERACIONAL
Observa��es:

a) Essa restri��o de capacidade pode surgir ou por uma


restri��o f�sica do
sistema ou por iniciativa do cliente.
b) Como existe essa restri��o de capacidade, neste caso tem-se:

, se n = 0,1,...,(N -1) e = , n = 1,2,...


n =
n
0, se n N
c) N�o ser� preciso a restri��o < .

Seguindo a mesma seq��ncia do caso anterior, tem-se:

1 1 1-
P0 = = =
(16)
N*

N * +1
1 - N *+1
1-
n =0

1-

1- n
Para n = 0, 1, 2, ... pode-se obter Pn = N * +1

1-

N*
De L = n Pn tem-se:
n=0

L=

-
(N * +1) N * +1
e Lq = L - (1 - P0 ) .
(17)
1- 1 - N *+1

Para este modelo de filas, o tempo m�dio que um usu�rio passa


no sistema
pode ser de dois tipos:

� W 1 � o tempo m�dio, levando em conta todos os usu�rios,


atribuindo-se
tempo zero aos usu�rios que foram recusados;
L
W1 =
(18)
� W 2 � o tempo m�dio, considerando-se apenas os usu�rios que
se juntam
ao sistema; para seu c�culo deve-se tomar algum cuidado.
Neste caso, o
processo de chegadas n�o possui mais taxa , pois toda vez
que um
consumidor encontra N usu�rios no sistema, ele � perdido.
Pode-se

Cap_6.indd 162
27/08/2011 21:54:45
Introdu��o � Teoria de
Filas: Modelos Markovianos | 163

mostrar que a taxa de chegadas � agora igual a (1 - PN * )


e, portanto:
L w1
w2 = =
(19)
(1 - PN * ) (1 - PN * )

(3) FILA M/M/1/N/N

An�logo ao anterior com o Tamanho da Popula��o sendo N.

Hip�tese: O padr�o de chegadas � proporcional ao no de clientes


que est�o
fora do sistema.

Observa��o: agora se tem

(N - n ), se n = 0,1,..., N
n =
0
, se n N ; n = 0 para n = 1,2...

1
P0 =
(20)
N N ! n

n=0 (N - n )!

n
N!
Pn = P0 , para n = 1,2,..., N
(N - n )!

(21)

N
+
(1 - P0 )
N
Lq = (n - 1)Pn Lq = N -

(22)
n=1

L = n Pn L = Lq + (1 - P0 ) L = N - (1 - P0 )
N

(23)
n=1

(4) FILA M/M/1, com taxas de atendimento dependentes do estado

Observa��es:

a) Isso corresponderia ao atendimento feito com maior rapidez


devido a
exist�ncia de filas longas.
b) Aqui: n = nc . 1 , n = 1,2,... e n = , n = 0, 1, 2,...
onde c = coeficiente de press�o.
c) Nos modelos precedentes, c = 0.

Cap_6.indd 163
27/08/2011 21:54:46
164 | INTRODU��O � PESQUISA OPERACIONAL

Tem-se:
n

Pn = 1

1
P0 , n = 0, 1, 2,... (24) ; P0 =
(25);
(n !)
c
n

8
n=0
(n !)

Lq
L
L = n Pn (26); Lq = L - (1 - P0 ) (27); W =
8

(28); Wq = (29)
n =0

(5) FILA M/M/S

Observa��o:
Neste caso, h� S atendentes em paralelo (modelo de fila �nica)
para a mes-
ma fila, assim:

n , se 0nS
=
n S , se nS

onde = taxa de servi�o m�dia por atendente ocupado,


n = , para n = 0, 1, 2,...
Aqui tem-se:
-1

n S

S -1
. 1
P0 = + . com < S
(30)
n -0 n! S ! (1 - S )

. P , se 0 n S
n!
0
Pn = n
(31)
n-S . P0 , se n > S
S !S

Cap_6.indd 164
27/08/2011 21:54:46
Introdu��o � Teoria de
Filas: Modelos Markovianos | 165

P0

Lq = (n - S )Pn Lq = 2 , com =
(32)
n=S S ! (1 - ) S

Lq 1
Wq = (33); W = Wq + (34); L = Lq +
(35).

Uma probabilidade interessante de se analisar � a


probabilidade de um
usu�rio, ao chegar no sistema de filas, encontrar todas as
esta��es de servi�o
atendentes e seja, portanto, obrigado a esperar na fila:
k

P (de ter que esperar na fila) = Pk = k P


-S 0

(36)
k =S k =S S ! S

Substituindo o valor de P0, vem:


S
S 1
S! 1 -
P (de ter que esperar na fila) =
, (37)
S S 1
k k
+
k =0 k ! k ! 1 -

que � uma probabilidade importante em telefonia. Ela � a


probabilidade de que
nenhum tronco esteja livre, em um sistema de S troncos, ela �
conhecida como
F�rmula C de Erlang.

Nota��o: C S,

(6) FILA M/M/S/N

Observa��o: para N S

, se 0 n N - 1
Aqui: n =
0, se n N
n , se 0 n S
n =
S , se S + 1 n N

Cap_6.indd 165
27/08/2011 21:54:46
166 | INTRODU��O � PESQUISA OPERACIONAL

Tem-se ainda,

n ! P0 , se n = 0,1,..., S - 1

Pn =
(38)
S n
S P0 , se n = S,..., N
S!
0, se n > N

-1

(S )
S
1(- N -S +1
) S -1
( ) ,
S
n

S ! (1 - )
+
n =0
n!
se 1
P0 =
(39)
S -1
S -1
S n
S (N - S + 1) +
, se
=1
S ! n =0 n !

(S )S P
0

S ! (1 - )2
( )
1 - N -S +1 - (N - S + 1)N -S (1 - ) , se
1
Lq =
(40)
S S P0 (N - S + 1)(N - S )
, se
=1
S! 2
1
= (1 - PN ), W = Wq + , Wq = = Lq /

S -1
(
(S ) 1 - N -S+1 P0
S
)
L +
q n=1 nPn +
( S - 1)! (1 - )
, se 1
L=
(41)
S -1
S S (N - S + 1)
Lq + nPn +
(S - 1)! 0
P, se =
1
n=1

(7) FILA M/M/1, com chegadas em grupos de tamanho K

Neste caso, n�o ser� seguido o mesmo racioc�nio dos estudos


anteriores,
obtendo-se primeiro:

W = [tempo total gasto no sistema por um usu�rio/h� n usu�rios


no
n=0
instante da sua chegada]. Pn.
Cap_6.indd 166
27/08/2011 21:54:46
Introdu��o � Teoria de
Filas: Modelos Markovianos | 167

Qual ser� o tempo esperado de perman�ncia de um usu�rio se


quando ele
chega j� existem n clientes no sistema? Certamente para que estes
n clientes
sejam atendidos, ele deve passar no sistema (na fila) um tempo
esperado de n .

Quando o �ltimo dos n clientes acabar de ser atendido, o grupo


em que
o usu�rio, em observa��o, chegou ser� servido, um a um.
Entretanto, n�o se
sabe se ele � o 1o, 2o, ou k�simo deste grupo. Admitindo que o
posicionamento no
grupo � aleat�rio, com probabilidade 1/k o usu�rio ocupa qualquer
uma das
poss�veis k posi��es. Logo, o tempo esperado de perman�ncia devido
ao grupo
ser� igual a:

1 1 k k +1
+ ... + ou seja
k 2

Portanto:
[tempo de perman�ncia no sistema / h� n clientes no instante de
chegada]
k +1 1
= n + ,e
2
1 k +1 1 k +1
W= n + P = n P + Pn
n=0 2 n=0 2 n = 0
n n

Mas, como: Pn = 1 e n Pn = L :
n=0 n=0

1 k +1
W= L+
(42)
2

Por outro lado, usando a rela��o L = W , com = k , pois cada


chegada

k +1
consiste de k novos usu�rios para o sistema, tem-se que: W = kW +
ou
2
k +1
W=
(43)
2 ( - k )

k (k + 1)
L = kW =
(44)
2 ( - k )

1 k +1 1
Wq = W - = -
(45)
2 ( - k )

Cap_6.indd 167
27/08/2011 21:54:46
168 | INTRODU��O � PESQUISA OPERACIONAL

Lq = kWq = 2k
(k + 1) - k
(46)
2 ( - k )

(8) FILA M/M/1, com popula��o finita p

Observa��o:
Em alguns casos o n�mero de clientes em potencial para a
esta��o de ser-
vi�os � pequeno. Se este valor for t�o pequeno que a chegada de um
cliente
para ser atendido ou um atendimento afeta a probabilidade de
futuras chega-
das, n�o ser� mais v�lido o pressuposto de uma popula��o infinita.
Assim,
teremos:

(p - n ), se 0 n p
n =
0,
se n p
n = , se n = 1,2,...,

Podem-se obter as seguintes express�es:

1
P0 = ,
(47)
p ! n

n=0 ( p - n )!
n
p!
Pn = P0 , para n = 1, 2,..., p
(p - n )!

(48)

( + )
L = nPn = p - (1 - P0 ) (49); Lq = p -
(1 - P0 ) (50)
n =0

L Lq
W= (51); Wq = com = (p -
L ) (52)

(9) FILA M/M/S, com popula��o finita p

Aqui tem-se: para 1 < S p

(p - n ), se n = 0,1,..., p
n =
0, se n p

Cap_6.indd 168
27/08/2011 21:54:46
Introdu��o �
Teoria de Filas: Modelos Markovianos | 169

n, se n = 1, 2,..., S - 1
n =
S, se n = S, S + 1,..., p

Podem-se obter:
1
P0 =
(53)
S -1 p!
n
p p!

+
n-S

n = 0 ( p - n )! n !
(p - n )! S ! S
n=S

p!
n

P0 , se 0 n S
(p - n )!n !
n
p!
Pn = n-S
, se S n p
(54)
(p - n )! S ! S
0, se n > p

S -1 p
S -1
L = nPn + (n - S )Pn + S 1 -
Pn =
n =0 n=S n =0

(55)
S -1 p 1 p
n
p n!
n

n + n n-S P0
n =0 n S ! n = S n S

p S -1 p
n

Lq = ( ) n
n - S P = L - S + ( )n
S - n
P0 (56)
n=S
n =0

L Lq
W= (57); Wq = , com = (p
- L ) (58)

6.5. COMENT�RIOS GERAIS

Na se��o 4 foram apresentados Modelos de Filas com base em


hip�teses
feitas sobre os processos de chegadas, sobre a distribui��o dos
tempos de servi-
�o, a disciplina de atendimento, a capacidade do sistema e n�mero
de esta��es
de servi�o.

Cap_6.indd 169
27/08/2011 21:54:46
170 | INTRODU��O � PESQUISA OPERACIONAL

Os modelos que permitem um estudo mais completo s�o os modelos


de-
nominados Markovianos, do tipo M/M/1, M/M/S e suas varia��es.
Nas aplica��es, contudo, coloca-se o problema de se saber que
modelo se
adapta a uma dada situa��o. Em primeiro lugar, deve-se perguntar
se o pro-
cesso de chegadas � realmente de Poisson? Caso a resposta seja
afirmativa h�
necessidade de se conhecer o valor da taxa de chegadas .
A seguir � natural verificar se os tempos de servi�os t�m
distribui��o ex-
ponencial e, em caso afirmativo, deve-se estimar o valor da m�dia
desta
distribui��o.
Os dois problemas b�sicos de infer�ncia estat�stica em filas
s�o:

(a) Testes de ader�ncia para verificar a hip�tese que as


distribui��es de
probabilidades em estudo (dos intervalos de tempo entre
chegadas
ou dos tempos de servi�o) pertencem a uma dada fam�lia de
distri-
bui��es de probabilidade;
(b) Estima��o dos par�metros das distribui��es dos intervalos
entre che-
gadas e das distribui��es dos tempos de servi�o.

Cabe ainda mencionar os testes para verificar se o processo de


chegadas,
sendo de Poisson, � homog�neo, isto �, seu par�metro independe do
tempo, e
testes para verificar se os intervalos de tempo entre chegadas s�o
indepen-
dentes (quando o processo n�o � de Poisson).
N�o se apresentam aqui, os diversos procedimentos estat�sticos
existentes
que possibilitam levar a efeito os testes e as estima��es citadas
anteriormente,
pois n�o � o objetivo chegar a este n�vel de detalhamento neste
texto.
Deve-se notar que, muitas vezes, n�o � poss�vel desenvolver
modelos anal�-
ticos para Sistemas de Filas, devido complexidade das chegadas ou
dos servi�os;
� o caso de sistemas de v�rias esta��es de servi�o e alguma
reciclagem, clientes
com certa prioridade de atendimento e Modelos n�o Markovianos,
onde a in-
forma��o do que ocorreu no passado � importante, al�m do
conhecimento do
estado atual do sistema.
Na resolu��o destes problemas pode ser necess�rio passar das
t�cnicas ana-
l�ticas para as de Simula��o, embora deva ser destacado que as
t�cnicas anal�ticas,
sendo vi�veis, sempre fornecer�o melhores resultados que as de
Simula��o.

Cap_6.indd 170
27/08/2011 21:54:46
Introdu��o � Teoria de Filas:
Modelos Markovianos | 171

A Simula��o oferece uma alternativa para problemas n�o


resol�veis anali-
ticamente. A simula��o, embora sendo uma arma poderosa e bastante
pr�tica,
apresenta dois grandes inconvenientes:

� Em primeiro lugar, n�o permite o conhecimento mais preciso da


estru-
tura do fen�meno, sendo geralmente v�lida apenas para o caso
particular
analisado;
� Em segundo lugar, pode consumir tempo excessivo de
computa��o,
visto que exige a an�lise de v�rias configura��es, consumindo
cada
configura��o per�odos relativamente extensos de
processamento.

Para finalizar, a melhor abordagem parece ser aquela que


permite uma
an�lise preliminar, atrav�s de um modelo matem�tico, seguida de
uma simu-
la��o (quando necess�ria), que leve em conta aspectos n�o
considerados, uma
vez que nem sempre os Modelos de Filas conseguem representar as
situa��es
reais com grande precis�o.
Mesmo assim, h� vantagem em desenvolver tais modelos,
principalmente
porque eles levam a um melhor entendimento das principais
condicionantes
do processo.
Cap_6.indd 171
27/08/2011 21:54:46
172 | INTRODU��O � PESQUISA OPERACIONAL

ANEXO

Aqui est�o alguns diagramas, para determinados Modelos de


Filas, que
permitem reduzir enormemente o tempo de c�lculo necess�rio para
achar os
valores de determinadas medidas de efici�ncia (HILLIER; LIEBERMAN,
2006).

Diagrama 1 Valores de P0 para a Fila M/M/S

Po

1.0

s=1

s=2
0.1

s=3

s=4

s=5

s=7
0.01

s = 10
s = 15

s = 20
s = 25
0.001
0 0.1 0.2 0.3 0.4 0.5 0.6
0.7 0.8 0.9 1.0

=
s
Cap_6.indd 172
27/08/2011 21:54:47
Introdu��o
� Teoria de Filas: Modelos Markovianos | 173

Diagrama 2 Valores de L para a Fila M/M/S

100

5
s=2
10
s = 20
15
s=
1 0
s=

s =7
5
s=
4
1.0 s=
3
s=

2
s=
1
s=

0.1
0 0.1 0.2 0.3 0.4 0.5 0.6
0.7 0.8 0.9 1.0

=
s

Cap_6.indd 173
27/08/2011 21:54:47
174 | INTRODU��O � PESQUISA OPERACIONAL

Diagrama 3 Valores de P0 para a Fila M/M/1 com taxa de atendimento


dependente
do estado

1.0

0.9

0.8

0.7

0.6

0.5
c=

0.4
c=

0.2
0.0

c=
0.4

c=
0.3 0.6

0.2

0.1

0.0
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4
1.6 1.8 2.0

0
s1

Cap_6.indd 174
27/08/2011 21:54:47
Introdu��o � Teoria de Filas:
Modelos Markovianos | 175

Diagrama 4 Valores de L para a Fila M/M/1 com taxa de atendimento


dependente
do estado

100

10
0.2
c=

c=0

.6
.4
c=0
c =0

1.0

0.1
0 0.2 0.4 0.6 0.8 1.0 1.2 1.4
1.6 1.8 2.0

0
s1

Cap_6.indd 175
27/08/2011 21:54:47
176 | INTRODU��O � PESQUISA OPERACIONAL

REFER�NCIAS

HILLIER, F.S. e LIEBERMAN G.J. Introdu��o � Pesquisa Operacional.


8a edi��o. S�o
Paulo: McGraw-Hill, 2006.
NOVAES, A.G. Pesquisa Operacional e Transportes � Modelos
Probabil�sticos. McGraw-
Hill, 1975.
SHAMBLIN, J.E. e STEVENS JR., G.T. Pesquisa Operacional � uma
abordagem b�sica.
S�o Paulo: Atlas, 1979.
MARTINS, G. de A. Estat�stica Geral e Aplicada. S�o Paulo: Editora
Atlas, 2001.

Cap_6.indd 176
27/08/2011 21:54:47