Manuel Francisco T Quetaneinvestigacao Operacional

Investigação Operacional
 Introdução e Histórico
 Durante a II Guerra Mundial, lideres militares da Inglaterra e dos
Estados Unidos requisitaram um grupo de cientistas de diversas
áreas de conhecimento para analisarem alguns problemas militares.
 Entre esses problemas citam-se: Desenvolvimento, operação e
localização de radares, gerenciamento e controle de navios de
apoio, planeamento de ataques aéreos, lançamento de bombas
contra submarinos, defesa das comunidades européias contra
ataques aéreos dos inimigos, abastecimento de tropas com munições
e alimentos, operações de mineração.
 A aplicação de métodos matemáticos e científicos para ajudar as
operações militares foi chamada Investigação Operacional.
 Definição
 “Investigação Operacional é o uso do método científico com o
objectivo de prover departamentos executivos de elementos
quantitativos para a tomada de decisões, com relação a operações
sob seu controle’’ (Kittel, 1947).
 “ Investigação Operacional é a aplicação do método científico, por
equipes multidisciplinares, a problemas envolvendo o controle de
sistemas organizados de forma a fornecer soluções que melhor
interessam a determinada organização” (Ackoff, 1968).
 “Investigação Operacional é uma metodologia de estruturar
processos aparentemente não estruturados por meio da construção
de modelos. Utiliza um conjunto de técnicas quantitativas com o
intuito de resolver os aspectos matemáticos dos modelos”
(Ehrlich, 1991).
 Definição
 Hoje, o termo Investigação Operacional, significa “um método
cientifico para tomada de decisão, que busca determinar como
melhor planear e operar um sistema, usualmente sob condições
que requerem alocação de recursos escassos”.
 Metodologia da Investigação Operacional
 Geralmente a actividade de uma equipa de Investigação
Operacional envolve as seguintes fases:
 Identificação do problema;
 Construção de um modelo;
 Obtenção da solução;
 Teste do modelo e avaliação da solução;
 Implantação e acompanhamento da solução.
Deve-se salientar que tais fases não são distintas, superpondo-se e
interagindo entre si, na tentativa de se obter uma melhor
identificação entre o modelo e o real.
 Quando a Investigação Operacional é usada para resolver um
problema de uma organização, o seguinte procedimento, poderá
ser seguido:
 Passo 1- Identificação e formulação do problema
 Em primeiro lugar deve ser definido claramente o problema da
organização, incluindo a especificação dos objectivos e as partes da
organização que devem ser estudadas antes que o problema possa
ser resolvido.
 Passo 2 – Observação do sistema
 Os dados devem ser colectados para estimar valores de parâmetros
que afectam o problema da organização. Estes valores são usados
para desenvolver e avaliar o modelo matemático para o problema.
 Passo 3 – Formulação do modelo matemático para o
problema
 Consiste no desenvolvimento do modelo matemático para o problema.
Geralmente, existem várias técnicas que podem ser aplicadas na
solução dos modelos matemáticos. A técnica adequarda é selecionada
em função das caracteristicas do modelo representativo do problema.
 Passo 4 – Verificação do modelo e uso do modelo para
predição
 Verifica-se se o modelo matemático proposto para o problema é uma
representação fidedigna da realidade. Os dados colectados durante a
observação do problema podem ser usados para a validação do modelo
na situação corrente.
 Passo 5 – Selecionar uma alternativa aceitável
 Dado o modelo do problema e um conjunto de alternativas
(soluções viáveis) deve-se escolher aquele (se existir) que melhor
atende aos objectivos da organização. Em alguns casos, a selecção
da melhor alternativa possivel é um problema de dificil solução e,
nesses casos, aceita-se uma “boa alternativa”
 Passo 6 – Apresentação dos resultados e conclusões
 A partir da definição do modelo e das alternativas determinadas
para o problema são feitas as recomendações para os gerentes das
organizações para que eles possam tomar as decisões que melhor
atendem os objectivos buscados.
 Passo 7 – Implementação e avaliação das recomendações
 Se a organização aceita o estudo realizado e as recomendações
feitas, parte-se para a fase de implementação da solução, a qual
deve ser constantemente monitorada, e actualizada
dinamicamente, fazendo-se mudanças quando necessárias.
 Áreas de aplicação
 Administração;
 Agropecuária;
 Economia e planeamento económico;
 Educação e saúde;
 Energia;
 Engenharia;
 Forças armadas;
 Investimentos e finanças;
 Localização – armazenamento – distribuição;
 Planeamento e controle da produção,
 Planeamento urbano e regional;
 Recursos hídricos;
 Siderurgia;
 Telecomunicações;
 Transporte.
 Programação Linear
 O significado da expressão
 “Programação” alocação de itens ou entidades
 “Linear” relativo a funções, equações ou inequações lineares
 O problema geral
Recursos escassos
Decisões são Demandas
devem ser
interligadas na competem entre si
repartidos entre
tomada de na procura dos
demandas
decisão recursos escassos
competitivas





 Exemplos de modelos para alguns problemas clássicos de
programação linear
 Escolha da mistura para rações



 Problema de Produção
 Uma pesquisa de mercado indica que a demanda diária de tintas para
interiores não pode ultrapassar a de tintas para exteriores por mais de 1
tonelada. Além disso, a demanda máxima diária de tinta para interiores é
2 toneladas. A Reddy Mikks quer determinar o mix óptimo (o melhor)
de produtos de tintas para interiores e exteriores que maximize o lucro
total diário. Os lucros por toneladas de tintas para interiores e exteriores
e são de 5 e 4 (mil) meticais. A utilização por dia da matéria-prima M1 é
de 6 tonelada de tinta para exteriores e de 4 tonelada de tinta para
interiores e a utilização por dia da matéria-prima M2 é de 1 tonelada de
tinta para exteriores e de 2 tonelada de tinta para interiores. As
disponibilidades diárias das matérias-primas M1 e M2 estão limitadas a
24 e 6 toneladas respectivamente


 Propriedade do modelo de PL
 O objectivo e as restrições serem todas funções lineares. Linearidade
implica que a programação linear deve satisfazer três propriedades
básicas:
 1. Proporcionalidade: essa propriedade requer que a contribuição de
cada variável de decisão, tanto na função objectivo quando nas restrições
seja directamente proporcional ao valor da variável.
 2. Aditividade: essa propriedade requer que a contribuição total de
todas as variáveis da função objectivo e das restrições seja a soma direta
das contribuições individuais de cada variável.
 3. Certeza: todos os coeficientes da função objectivo e das restrições
do modelo de PL são determinísticos, o que significa que são constantes
conhecidas – uma ocorrência rara na vida real, na qual o mais provável é
que os dados sejam representados por distribuição de probabilidade.

 Forma Estandar
 2x1 + x2 + s1 = 18
 2x1 + 3x2 + s2 = 42
 3x1 + x2 + s3 = 24
 2. Igualar a função objectivo a zero e depois agregar as

variáveis de folga do sistema anterior
 Z – 3x1 – 2x2 = 0
 3. Escrever a tabela inicial Simplex
 Nas colunas aparecem todas as variáveis do problema e nas filas os
coeficientes das igualidades obtidas, uma fila para cada restrição e
na ultima fila com os coeficientes da função objectivo.
 4. Encontrar a variável de decisão que entra na base e a
variável de folga que sai da base.
 A) Para escolher a variável de decisão que entra na base, observamos
na última fila, a qual mostra os coeficientes da função objectivo e
escolhemos a variável com o coeficiente mas negativo (em valor
absoluto).
 Neste caso, o coeficiente (-3) da variável x1
 Se existisse dois o mais coeficientes iguais, que satisfazem a condição
anterior, então se escolhe qualquer deles.
 Se na última fila não existir nenhum coeficiente negativo, significa
que já alcançamos a solução optima
Portanto, o que vai determinar o final do processo de aplicação do
metodo Simplex, é que na última fila não haja elementos negativos. A
coluna da variável que entra na base se chama de coluna Pivote.
B) Para encontrar a variável de folga que tem que sair da

base.
Se divide cada elemento da última coluna (valores da solução) por
cada elemento correspondente da coluna pivote. Sempre estes últimos
seja maiores que zero.
A linha pivote será aquela que tiver menor valor absoluto depois de
dividirmos os elementos da coluna de solução com os
correspondentes elementos da coluna pivote.
C) A interação da fila pivote e coluna pivote temos o elemento pivote
(3) este indica que a variável de decisão x1 entra e a variável de folga
s3 sai.
5. Encontrar os coeficientes para a nova tabela simplex

Os novos coeficientes da fila pivote se obtem dividido todos os
coeficientes da fila por elemento pivo operacional “3” de modo que
este se converta em 1
A continuação será mediante a redução gaussiana

Como nos elementos da última fila há um número negativo (-1),
significa que ainda não chegamos a solução optima. Temos que repetir
o processo.
A) A variável que entra na base é x2 por ser a coluna pivote que

corresponde o coeficiente (-1)
B) Para calcular a variável que sai da fila pivote, dividimos os
elementos da coluna solução com os elementos da nova coluna
pivote.
E como o menor coeficiente positivo é 6 temos na fila pivote a
variável de folga que sai é s1


Como todos os coeficientes da linha da função objectivo são positivo ,
vamos alegar que a nossa solução é óptima.
Um recurso é designado como escasso se as actividades (variáveis)

do modelo o usarem totalmente. Caso contrário, o recurso é
donominado abudante.
Qualquer Problema de Programação Linear (PPL) pode ser escrito
nas formas Canônica, Padrão e Matricial por meio das seguintes
operações:
Operação 1: Mudança de critério de optimização
Maximizar Minimizar
Q (x) - Q (x)
Minimizar Maximizar
Q (x) - Q (x)

Variável de
folga

Variável de
excesso





Este quadro não é óptimo pois existem variáveis com coeficientes

negativos na linha da função objectiva
Como encontrar uma solução básica admissivel
Resposta:
Fazendo uma mudança de base.
Para isso precisamos definir que entra e quem sai da base.
Quem Entra?
Qual, entre as variáveis não básicas, deve entrar para a base
Resposta:
Deve entrar a base a variável que possuir o coeficiente mais negativo
na linha da função objectiva.
Se duas ou mais variáveis tem o mesmo coeficiente negativo, nos
podemos escolher qualquer uma delas.
Se todas as variáveis tiverem coeficientes positivos então atingimos o

ponto óptimo da função objectivo e, consequentemente, o processo
do método simplex chega ao seu fim.
Os valores assumidos pelas variáveis são os que corresponderão ao

óptimo da função objectivo.
Quem entra na base?
x1 entra na base pois é a que tem o coeficiente mais negativo na

linha da função objectivo.
Quem sai da base?
Resposta:
Deve sair da base a variável cujo coeficiente RHS (termo
independente), em relação à variável que está entrando para a base,
for mínimo.



Para conseguir tal objectivo, irão ser estudados 2 métodod diferentes,
que são 2 variantes do método simplex: método do M-Grande
(Penalidades) e método das Duas-Fases.
Método do M-Grande (ou das Penalidades)

Neste método, as variáveis artificiais são “ fortemente” penalizadas na
função objectivo, de modo a “provocar” rapidamente o seu
anulamento. O método Simplex, tenderá “ naturalmente” a eliminar
da base as variáveis artificiais, como se pretende, dado que aquelas
estão penalizadas com coeficientes arbitrariamente grandes: (-M) na
maximização e (+M) na minimização
Exemplo
Uma pequena empresa fabrica 3 tipos de Kits electrónicos: A, B e C. O
lucro unitário liquido de cada um é 5 (A), 10 (B) e 15 u.m. (C). O tempo
disponível limita o número total de kits que podem ser fabricados, a 500.
Estudos de mercado indicam que o total de kits tipos A e B deve ser pelo
menos 100. O total de kits A deve exceder exactamente em 120 o total
de kits tipos B e C.
Quantas unidades de A, B e C devem ser fabricadas de modo a maximizar
o lucro?
Formalização do problema
X1 = quantidade de unidades do kit A
X2 = quantidade de unidades do kit B
X3 = quantidade de unidades do kit C
Max Z=5x1 + 10x2 + 15x3 (lucro)
s.a x1 + x2 + x3 ≤ 500 (capacidade)
x1 + x2 ≥ 100 (procura de A e B)
x1 – x2 – x3 =120 (excedente de A)
x1, x2, x3 ≥ 0
Passar o problema para sua forma padrão:
Max Z=5x1 + 10x2 + 15x3
s.a x1 + x2 + x3 + x5 = 500
x1 + x2 - x4 = 100
x1 – x2 – x3 = 120
xi ≥0, i=1,…,5

Aplicando o algoritmo simplex a este problema, tem-se:
Passo inicial:
Processo para construir uma nova linha Z
1ª Iteração
2ª Iteração
Método das Duas-Faeses
Nesta variante, o problema de PL é resolvido em duas fases distintas:
na primeira, procura-se determinar se existem soluções admissíveis
para o problema inicial e, caso existam, obtém-se uma solução básica
admissivel (SBA) que será a solução de partida (inicial), da fase
seguinte; a segunda, consiste simplesmente na aplicação do algoritmo
do simplex, tal como foi descrito inicialmente.
A 1ª fase consiste em remover da base todas as variáveis artificiais, de
forma a obter uma solução básica (SB) apenas com variáveis não
artificiais do problema. Para tal, resolve-se o seguinte problema de PL
(problema auxiliar), começando com (X, Xa) = (0,b) como SBA
Minimizar Z = ∑ Xa
Sujeito a AX = b
X≥0
Em que Xa é o vector das variaveis artificiais e o objectivo consiste, nesta
fase, em minimizar a sua soma (função objectivo artificial), quer o problema
inicial seja de maximização quer seja de minimização.
Portanto, obtida uma solução para o problema auxiliar com as variáveis
artificiais nulas, fica determinada a SBA de partida para o problema inicial.
É evidente que uma solução nestas condições só se verifica com o valor da
FO artificial igual a zero (Z=0).
No entanto, outras situações podem acontecer. Portanto, no fim da 1ª fase,
em que se atingiu a solução óptima do problema auxiliar, está-se numa das
seguintes situações:
Z > 0 – existe pelo menos uma variável artificial básica com valor
estritamente positivo 0 problema inicial é impossível (região
admissível vazia)
Z = 0 com todas as variáveis artificiais não básicas – a solução em
presença é uma uma SBA de partida para o problema inicial passar
directamente à 2ª fase.
Z = 0 com pelo menos uma variável artificial básica (nula) – a
solução encontrada é uma solução admissivel para o problema inicial.
Se existir algum vector não artificial for a da base em condições de
substituir um vector artificial procede-se à substituição, sendo a
solução obtida degenerada; caso contrário, tira-se do quadro simplex
a linha respectiva (e a variável artificial associada). Em qualquer dos
casos, após estas operações, passar à 2ª fase.


1º Teste

Começamos com a solucao gráfica, mais concreta, para explicar os
fundamentos da análise de sensibilidade. Em seguida, esses
fundamentos da análise de sensibilidade. Em seguida, esses
fundamentos serão estendidos ao problema geral de PL usando os
resultados da tabela simplex.
Analise de sensibilidade gráfica

Serão considerados dois casos
1. Sensibilidade da solução óptima às variações na disponibilidade
dos recursos (lado direito das restrições)
2. Sensibilidade da solução óptima às variações no lucro unitário ou
custos unitário (Coeficiente da função objectivo)
Variações no lado direito
Exemplo
A Amaflo produz dois produtos em duas máquinas. Uma unidade do
produto 1 requer duas horas na máquina 1 e uma hora na máquina 2.
Para o produto 2, uma unidade requer uma hora na máquina 1 e três
horas na máquina 2. As receitas por unidade dos produtos 1 e 2 são
30Mt e 20Mt, respectivamente. O tempo de processamento diário
disponível para cada máquina é oito horas. Como a Amaflo pode
maximizar o lucro.
Variáveis de decisão
X1 - número diário de unidades do produto 1
X2 - número diário de unidades do produto 2

Se forem feitas alterações na capacidade da máquina 1. Se a capacidade
diária for aumentada de oito horas para nove horas, aonde ocorrera a
nova solução óptimo





Manuel Francisco T Quetaneinvestigacao Operacional

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Manuel Francisco T Quetaneinvestigacao Operacional

Enviado por

Direitos autorais:

Formatos disponíveis

Investigação Operacional

 Escolha da mistura para rações

 2. Igualar a função objectivo a zero e depois agregar as

B) Para encontrar a variável de folga que tem que sair da

5. Encontrar os coeficientes para a nova tabela simplex

A continuação será mediante a redução gaussiana

A) A variável que entra na base é x2 por ser a coluna pivote que

Um recurso é designado como escasso se as actividades (variáveis)

Operação 1: Mudança de critério de optimização

Este quadro não é óptimo pois existem variáveis com coeficientes

Se todas as variáveis tiverem coeficientes positivos então atingimos o

Os valores assumidos pelas variáveis são os que corresponderão ao

x1 entra na base pois é a que tem o coeficiente mais negativo na

Método do M-Grande (ou das Penalidades)

Analise de sensibilidade gráfica

Você também pode gostar