1

Modelagem de Sistemas Logísticos

MSL_Tutoria
Material 1
ricardo.buneder@unilasalle.edu.br
12/08/2019
 2

Iniciamos nosso curso de

Management Modelagem apresentando o
Science conceito de Management
Science (MS).
Trata-se da área de estudos que
utiliza computadores, estatística e
matemática para resolver
problemas de negócios.
 3

▪ A Management Science pode

ser considerada uma subárea
da Pesquisa Operacional (PO),
Management por tratar da aplicação de
Science modelos matemáticos à área
de negócios.
 4

▪Mas o que se entende por

Pesquisa Operacional? A PO é
uma ferramenta matemática
que auxilia no processo de
Pesquisa tomada de decisão em
Operacional situações reais.
(PO) ▪Muitos autores definem a PO
como um método para a
tomada de decisões.
 5

A pesquisa operacional pode

Pesquisa ser definida como o conjunto
de técnicas que faz uso do
Operacional método científico para auxiliar
as pessoas a tomarem decisões.
 6

O que é método?
E modelo?
Qual a diferença
entre os dois?
 7

Método e
Modelo
 8

▪ Método pode ser definido como o

procedimento, a técnica ou meio de
fazer alguma coisa, especialmente de
acordo com um plano.

Método
 9

Método para Verificar se uma

Lâmpada está Queimada
 10

▪ Modelo pode ser definido como uma

representação simplificada do
comportamento da realidade expressa
na forma de equações matemáticas e
que serve para simular esta realidade.
▪ Exemplo: modelo de roteirização para
Modelo a distribuição física aos clientes de uma
empresa engarrafadora de bebidas.
 11

▪Para que serve a

modelagem? A modelagem
oferece diretrizes para a
tomada de decisões nos vários
âmbitos da organização, ou
Modelagem seja, a modelagem oferece
informações para chegarmos à
melhor decisão ou à melhor
solução para o problema.
 12

É importante salientar que,

conforme mostra a Figura 1,
mesmo utilizando modelos para
Tomada de auxiliar a tomada de decisões,
Decisão não devemos deixar de levar em
conta a intuição.
Figura 1 – Processo de tomada de decisão
13

Mundo Real

Mundo
Simbólico

Situação Modelo Resultado Decisões

Gerencial

Intuição
 14

▪ Cabe à intuição a função de

selecionar aspectos do modelo
Tomada de considerados pertinentes, bem
Decisão como validar resultados.
 15

Albert Einstein, ao ser indagado a

respeito de como utilizaria seu
tempo se dispusesse apenas 1 hora
para salvar o mundo, respondeu:
“[...] eu gastaria 55 minutos
O processo definindo o problema e então
decisório usaria os 5 minutos restantes para
resolvê-lo”.
 16

O processo
decisório ▪ Ou seja, tão importante quanto a tomada
de decisão é o processo que a antecede
e que gera as ações que podem promover
a melhoria da situação problemática. Esse
processo é chamado de processo
decisório.
 17

Processo Decisório é aquele

que antecede a tomada de
decisão e que gera as ações que
O processo podem promover a melhoria da
decisório situação problemática.
 18

Pesquisa Operacional é o ramo da

ciência que se dedica
Pesquisa exclusivamente ao desenvolvimento
Operacional de modelos para auxiliar as pessoas
(PO) e organizações em seus processos
decisórios.
 19

Figura 2 – Fatores e cenários que interferem na tomada de decisão

Fatores Cenários
Está relacionada ao impacto que a decisão pode
Importância provocar na organização (ganhos ou prejuízos);
O número de decisores (um ou grupo), simplifica
Agentes ou torna mais complexo o processo;

Risco O grau de incerteza influencia as decisões;

Aspectos sociais, políticos e culturais que

Ambiente interferem no processo decisório;
Choque de interesses entre setores de uma
Conflitos organização ou entre tomadores de decisão.
 20

▪ Existem diferentes tipos de

modelos:

Tipos de ▪ modelos conceituais;

Modelos ▪ modelos simbólicos ou
matemáticos;
▪ modelos heurísticos.
 21

▪ Os modelos conceituais relacionam

de maneira sequencial e lógica as
informações e fases do processo de
Modelos decisão.
Conceituais ▪ Um exemplo de modelo conceitual é
aquele mostrado na Figura 3 sobre
aplicação das técnicas de Pesquisa
Operacional.
 22

Figura 3 – Representação simplificada do processo de modelagem

Sistema real/Mundo
real

Sistema reduzido
às suas variáveis MODELO
principais
 23

▪ Os modelos simbólicos ou
matemáticos baseiam-se no
pressuposto que todas as
informações e variáveis relevantes do
Modelos problema podem ser quantificadas.
Simbólicos ou
▪ Isso conduz à utilização de símbolos e
Matemáticos
funções matemáticas para
representar essas variáveis a fim de
descrever as ligações entre elas e o
sistema real/mundo real.
 24

Modelos
Simbólicos ou
Matemáticos
 25

▪ Os modelos heurísticos são

utilizados quando a complexidade
do problema é de tal ordem que a
Modelos utilização de relações matemáticas
Heurísticos torna-se impraticável ou
extremamente dispendiosa.
 26

▪ Normalmente são compostos por

algoritmos exploratórios. Geralmente
não envolvem a implementação
computacional de um conhecimento
especializado (por exemplo, um
Modelos modelo heurístico, para resolver uma
Heurísticos equação de segundo grau, não usaria,
necessariamente, a fórmula de
Báskara, mas buscaria, por outros
métodos, uma solução que atendesse
à equação).
 27

Modelos
Heurísticos
 28

▪A metodologia de PO que
utilizaremos será baseada em
modelos matemáticos.
Pesquisa ▪ Os modelos matemáticos são
Operacional classificados em dois grandes
(PO) grupos: os modelos de
otimização e os modelos de
simulação.
 29

▪ Um modelo de otimização é a
representação matemática de uma
dada situação problemática, com o
objetivo de determinar o melhor
resultado possível, ou seja, a melhor
Modelos relação custo/benefício para a
Matemáticos organização.
de Otimização ▪ A estrutura básica de um modelo de
otimização é composta por sua
função objetivo, suas variáveis de
decisão, seus parâmetros e suas
restrições.
 30
Figura 4 – Representação de um modelo matemático de otimização

MODELOS DE OTIMIZAÇÃO

Modelos
Matemáticos
de Otimização
 31

▪ Em PO, otimizar significa

determinar os valores das
variáveis de decisão que
Modelos
satisfaçam todas as restrições
Matemáticos do modelo e produzam o
de Otimização máximo (ou o mínimo, conforme
o caso) valor para a função-
objetivo.
 32

▪ Exemplo: se a função-objetivo
do problema for a maximização
do lucro para uma dada
Modelos operação, então a otimização se
Matemáticos dará quando os valores obtidos
de Otimização para as variáveis de decisão
satisfizerem as restrições do
problema e, ao mesmo tempo,
alcançarem o valor máximo
para o lucro.
 33

▪ Um modelo de simulação é a
representação matemática de uma
dada realidade, com a finalidade de
verificar o comportamento da mesma
quando os valores ou o ordenamento
Modelos das variáveis que a compõem são
Matemáticos alterados. Ao contrário dos modelos de
de Simulação otimização, os modelos de simulação
não fornecem a melhor alternativa,
mas sim um conjunto de alternativas,
todas viáveis para a solução do
problema.
 34

▪ Os problemas de alocação de
recursos empresariais dizem
respeito à distribuição dos
mesmos entre as diversas
Modelos de atividades empresariais que
Otimização: devem ser realizadas.
alocação de ▪ Em geral, os recursos
recursos disponíveis não são suficientes
para que todas essas atividades
sejam executadas de forma a
alcançar-se o nível mais elevado
desejado pela organização.
 35

▪Assim, o que se procura nesses

casos é encontrar a melhor
distribuição possível dos recursos
escassos entre as diversas
Modelos de tarefas/atividades, de modo a atingir
Otimização: um valor ótimo para o objetivo
alocação de estabelecido.
recursos ▪Assim, os problemas de alocação
de recursos caracterizam-se pelos
seguintes fatos:
 36

▪ Os problemas de alocação de
recursos apresentam as seguintes
características:
- existência de uma função-
Modelos de objetivo que possa ser escrita em
Otimização: termos das variáveis de decisão
alocação de do problema;
recursos - existência de restrições à
aplicação dos recursos, tanto com
relação às quantidades
disponíveis quanto em relação à
forma de empregá-los;
 37

- são representados por um

modelo matemático de
Modelos de otimização, no qual todas as
Otimização: funções matemáticas são lineares;
alocação de - são resolvidos através da
recursos utilização da Programação
Linear.
 38

O que é uma função linear?

 39

▪ É aquela em que somente

constantes (números)
aparecem multiplicando
variáveis, as quais devem ser
de primeira ordem (expoente
Função Linear = 1).
Exemplo:
2x + 1: linear
xy² + 1: não linear, pois existem
duas variáveis multiplicando uma
à outra (x e y) e, além disso, a
variável y possui expoente ≠ 1.
 40

Uma função é linear quando a

variável x (ou qualquer outra)
possuir expoente = 1 e não
estiver multiplicando outra
variável.
 41

▪ E Programação Linear (PL),

o que é?
Trata-se de uma das
Programação ferramentas utilizadas em
Linear (PL) Pesquisa Operacional (PO)
para a solução de modelos
matemáticos de otimização.
 42

▪ A palavra programação não diz

Programação respeito à programação de
computadores e, sim,
Linear (PL) planejamento.
 43

▪ A Programação Linear tem

por objetivo encontrar a solução
Programação ótima para a alocação de
Linear (PL) recursos escassos na realização
de atividades.
 44

▪ Mas o que é uma solução

ótima? É aquela que melhor
serve aos objetivos das pessoas e
das organizações.
Solução Exemplo: encontrar o lucro
Ótima máximo ou o custo mínimo
decorrente de uma dada
atividade empresarial.
 45

Solução
Ótima
 46

▪ É importante salientar que não

existe uma solução melhor que a
Solução ótima.
Ótima ▪ Podem existir outras tão boas
quanto, mas não melhores.
 47

Programação Linear é o planejamento de

atividades para a obtenção de um resultado
ótimo, isto é, um resultado que atenda, da
melhor forma possível, a um determinado
objetivo.
 48
Figura 5 – Composição de um modelo matemático de otimização

Variáveis de
Decisão

MATEMÁTICOS
MODELOS
Parâmetros

Restrições

Função
Objetivo
 49

▪ As variáveis de decisão de um
modelo matemático de
otimização são aquelas que
podem ser controladas pelo
tomador de decisão.
Variáveis de ▪ Exemplo: o número de
Decisão caminhões que uma
engarrafadora de bebidas deve
despachar num determinado
dia para atender a seu mercado
consumidor.
 50

▪ Os parâmetros de um modelo
matemático de otimização são as
variáveis utilizadas no modelo
matemático que não podem ser
controladas pelo tomador de decisão.
A solução do problema é encontrada
admitindo que os parâmetros não
Parâmetros podem ter seus valores alterados pelo
tomador de decisão.
▪ Exemplo: a capacidade de carga de
cada caminhão que vai transportar as
bebidas. Os caminhões têm uma
capacidade especificada pelo
fabricante e uma carga total
transportada que é limitada pela
legislação de trânsito.
 51

▪ As restrições de um modelo
matemático de otimização são
regras que dizem o que o
tomador de decisão pode (ou
não) fazer e quais são as
limitações dos recursos ou das
Restrições atividades que estão associadas
ao modelo. Exemplo: o número
total de caminhões alocados
para cada turno tem que ser
menor ou igual ao número de
motoristas que a empresa tem à
disposição em cada turno.
 52
Mr. Bean motorista
 53

▪ A função-objetivo de um modelo
matemático de otimização é aquela
que representa o principal objetivo
do tomador de decisão. Ela pode
ser de dois tipos: de minimização
(de custos, erros, chance de perda,
Função desvio do objetivo etc.) ou de
objetivo maximização (de lucro, receita,
utilidade, bem estar, riqueza,
chance de sobrevivência etc.).
▪ Exemplo: minimizar os custos de
transporte relativos à distribuição
de bebidas.
 54

▪ Para uma melhor compreensão

entender dos conceitos de Modelos
Matemáticos de Otimização,
vamos a um exemplo.
▪ Uma empresa produz 2 tipos de
Exemplo 1 de produtos, P1 e P2, em uma de suas
fábricas. Para a fabricação desses
aplicação de dois produtos, 3 insumos são críticos:
modelos as quantidades de matérias-primas
matemáticos de (tipos A e B) utilizadas e a mão de
otimização obra disponível. O departamento de
produção sabe que, para o próximo
mês, 4.900 kg da matéria-prima A e
4.500 kg da matéria-prima B estarão
disponíveis.
 55

▪ Cada unidade do produto P1

consome 70 kg da matéria-prima
A e 90 kg da matéria-prima B. Por
sua vez, cada unidade do produto
Exemplo 1 de P2 utiliza em sua produção 70 kg
da matéria-prima A e 50 kg da
aplicação de matéria-prima B. Como a
modelos produção dos dois produtos utiliza
matemáticos de processos diferentes, a mão de
otimização obra é especializada e diferente
para cada produto, ou seja, não se
pode utilizar a mão de obra
disponível para a produção de um
dos produtos na produção do
outro.
 56

▪ Assim, para a produção do

produto P1 a empresa terá
disponível, no próximo mês, 80
H.h (homens-hora). Já para a
Exemplo 1 de produção de P2, terá 180 H.h.
aplicação de Cada unidade de P1, para ser
produzida, utiliza 2 H.h,
modelos enquanto cada unidade de P2
matemáticos de utiliza 3 H.h.
otimização ▪ A comercialização de cada
unidade de P1 gera um lucro de
$ 20 e a de cada unidade de P2
gera um lucro de $ 60.
 57

▪ Dada a grande demanda, toda

a produção de P1 e P2 é
vendida. O objetivo da
Exemplo 1 de empresa é obter o maior lucro
aplicação de possível a partir da venda de
modelos P1 e P2. Quantas unidades de
matemáticos de cada produto deverão ser
otimização produzidas a fim de atingir
esse objetivo?
 58

▪ As variáveis de decisão do
problema (aquilo que está sob
controle do tomador de
decisão) são:
X1 = nº de unidades de P1 a
Solução serem produzidas no próximo
mês;
X2 = nº de unidades de P2 a
serem produzidas no próximo
mês.
 59

▪ O próximo passo é identificar

a função-objetivo que se
deseja alcançar e expressá-la
Solução através de uma função
matemática linear contendo as
variáveis de decisão (X1 e X2).
 60

▪ O objetivo do modelo é maximizar

o lucro total com a venda dos dois
produtos. Assim, produzindo e
comercializando X1 unidades de P1,
teremos um lucro de 20X1. Da
mesma forma, para P2, o lucro será
Solução de 60X2 para cada unidade
comercializada. Desta forma, a
função lucro que queremos
maximizar, será expressa da
seguinte forma: 20x1 + 60x2.
▪ Essa função é chamada de função-
objetivo e é representada pela letra
Z.
 61

▪ Assim, a função-objetivo do modelo

em questão é:
Solução MAX Z = 20X1 + 60X2
 62

▪ Nosso modelo não se restringe

à função-objetivo, pois se
assim o fosse bastaria produzir
infinitas unidades de P1 e P2
para obter o maior lucro
Solução possível. No entanto, isso é
impossível dadas à
disponibilidade de matérias-
primas e mão de obra. Assim,
temos que representar as
restrições do modelo.
 63

▪ A primeira restrição diz respeito à

quantidade de matéria-prima A,
que para o próximo mês é de 4.900
kg. Sabe-se que a produção de 1
unidade de P1 necessita de 70 kg
de A e que a produção de 1
Solução unidade de P2 necessita também
de 70 kg de A. Como só há 4.900 kg
de A disponíveis, temos que a
primeira restrição pode ser escrita
da seguinte forma:
R1: 70X1 + 70X2 ≤ 4.900 (restrição
de MP A);
 64

▪ Utilizando-se do mesmo
raciocínio para a matéria-prima
B, teremos a segunda restrição:
Solução R2: 90x1 + 50x2 ≤ 4.500 (restrição
MP B)
 65

▪ Agora temos que representar a

restrição relativa à mão de
obra. Para a produção de P1,
temos 80 H.h disponíveis,
sendo que cada unidade de P1
Solução utiliza 2 H.h, logo a terceira
restrição será:
R3: 2x1 ≤ 80, que de forma
simplificada pode ser expressa
como
R3: x1 ≤ 40 (restrição de MO P1)
 66

▪ Já para P2, a restrição relativa à

mão de obra é escrita da
seguinte forma:
Solução R4: 3x2 ≤ 180, ou, de forma
simplificada:
R4: x2 ≤ 60 (restrição de MO P2)
 67

▪ Há ainda a restrição de não

negatividade. Qual seu
significado? Como X1 e X2
representam o número de
unidades de P1 e P2 a serem
fabricadas, não é possível que
tais números sejam negativos, ou
Solução seja, não existe a fabricação de
um número negativo de unidades
de um produto. Assim, a última
restrição do modelo é escrita da
seguinte forma:
R5: x1, x2 ≥ 0 (restrição de não-
negatividade).
 68

▪ Escrevendo o modelo de PL
completo (também chamada de
forma canônica):
MAX Z = 20x1 + 60x2 (função
objetivo)
s.a. (sujeito a)
Solução Restrições
R1: 70x1 + 70x2 ≤ 4.900
R2: 90x1 + 50x2 ≤ 4.500
R3: 2x1 ≤ 80
R4: 3x2 ≤ 180
R5: x1, x2 ≥ 0
 69

▪ Uma fábrica de rádios possui

duas linhas de produção: rádios
Standard e rádios Luxo. Com
relação aos rádios Standard
Exemplo 2 de temos as seguintes informações:
aplicação de a linha de produção comporta
modelos um máximo de 24 pessoas; cada
matemáticos de rádio utiliza 1 H.h para ser
otimização produzido e sua comercialização
fornece um lucro de R$ 30,00.
 70

Para os rádios Luxo, a linha de

produção comporta um máximo de
32 pessoas; cada rádio demanda 2
H.h para ser produzido; além disso,
Exemplo 2 de a comercialização desse tipo de
rádio fornece um lucro unitário de
aplicação de R$ 40,00. Além disso, sabe-se que a
modelos fábrica possui um total de 40
matemáticos de funcionários para serem alocados
otimização nas duas linhas de produção. Qual o
número de rádios de cada modelo a
serem produzidos por hora a fim de
maximizar o lucro diário da fábrica?
 71

Variáveis de decisão
X1 = nº de rádios standard a ser
produzido por hora;
X2 = nº de rádios luxo a ser
produzido por hora.
Solução Lucro: 30x1 + 40x2
Função-objetivo: MAX Z = 30x1 +
40x2
 72

Restrições
R1: x1 ≤ 24 (restrição de MO para
rádios standard)
R2: 2x2 ≤ 32, ou, x2 ≤ 16 (restrição
de MO para rádios luxo)
Solução R3: x1 + 2x2 ≤ 40 (restrição de MO
para ambos os modelos)
R4: x1, x2 ≥ 0 (restrição de não-
negatividade)
 73

Forma Canônica
MAX Z = 30x1 + 40x2
s.a.
R1: x1 ≤ 24
Solução R2: x2 ≤ 16
R3: x1 + 2x2 ≤ 40
R4: x1, x2 ≥ 0