Escolar Documentos
Profissional Documentos
Cultura Documentos
IOExercicios
IOExercicios
UNIVERSIDADE DO PORTO
DEPARTAMENTO DE ENGENHARIA E GESTÃO INDUSTRIAL
Investigação Operacional
Exercı́cios
6 de Dezembro de 2012
FEUP FACULDADE DE ENGENHARIA
UNIVERSIDADE DO PORTO
DEPARTAMENTO DE ENGENHARIA E GESTÃO INDUSTRIAL
Índice
1 Modelação 7
1.1 Problema da Mistura de Produtos . . . . . . . . . . . . . . . . 9
1.2 Publicações Polémicas . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Montagem duas peças . . . . . . . . . . . . . . . . . . . . . . 17
1.4 A companhia de aviação Benvoa . . . . . . . . . . . . . . . . . 20
1.5 Carga de navio . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6 Produção e Distribuição . . . . . . . . . . . . . . . . . . . . . 25
1.7 Refinaria Petróleo . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.8 Arrendamento de Espaço num Armazém (5M) . . . . . . . . . 30
1.9 Planeamento da Produção numa Fábrica de Papel . . . . . . . 33
1.10 Distribuição . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.11 Selecção de Eventos na UPorto . . . . . . . . . . . . . . . . . 39
1.12 Aeroporto ALETROP . . . . . . . . . . . . . . . . . . . . . . 41
1.13 Urbanização . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.14 Estaleiro do ShopShopping . . . . . . . . . . . . . . . . . . . . 48
1.15 Escalonamento de recursos humanos . . . . . . . . . . . . . . 56
1.16 SuperBoa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2 Programação Linear 67
2.1 Problema PL I . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.2 Problema PL II . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3 Problema PL1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.4 Problema PL2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.5 Problema PL3 . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.6 Problema PL4 . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6 de Dezembro de 2012
4 Índice
4 Método Simplex 87
4.1 Problema A . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.2 Problema B . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3 Problema C . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.4 Problema D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.5 Problema E . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.6 Problema F . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.7 Problema G . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.8 Problema H . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6 de Dezembro de 2012
Índice 5
12 Multicritério 281
12.1 Horta da Formiga . . . . . . . . . . . . . . . . . . . . . . . . . 283
12.2 VetProducts . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
12.3 Só Phtuere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
12.4 Abre Latas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
12.5 Designs Alternativos . . . . . . . . . . . . . . . . . . . . . . . 290
12.6 Processamento de Dados . . . . . . . . . . . . . . . . . . . . . 291
12.7 Localização de Laboratório de Investigação . . . . . . . . . . . 292
12.8 Sorinfacc & Amigos . . . . . . . . . . . . . . . . . . . . . . . . 293
12.9 KK’s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
12.10PATinho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
12.11Selecção de Estágios . . . . . . . . . . . . . . . . . . . . . . . 297
12.12Zé Playboy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
6 de Dezembro de 2012
6 Índice
14 Simulação 333
14.1 Avarias na rede eléctrica . . . . . . . . . . . . . . . . . . . . . 336
14.2 ValorSul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
14.3 Avistamento de Aves . . . . . . . . . . . . . . . . . . . . . . . 340
6 de Dezembro de 2012
Capı́tulo 1
Modelação
Objetivos de Aprendizagem
• Dado um enunciado com a descrição de um problema
6 de Dezembro de 2012
8 Modelação
Exercı́cios
6 de Dezembro de 2012
1.1 Problema da Mistura de Produtos 9
6 de Dezembro de 2012
10 Modelação
1.1.2 Resolução
Passo I O que se desconhece, e que se pretende determinar na fase de
resolução do modelo, são as quantidades a produzir diariamente de cada um
dos modelos — as variáveis de decisão.
Representando-as algebricamente:
Passo III O objetivo do problema é maximizar o lucro total, isto é, o lucro
obtido com os 3 modelos. Como cada unidade do modelo A dá um lucro de
4, do modelo B dá 2 e do modelo C dá 3, a função objetivo será:
6 de Dezembro de 2012
1.1 Problema da Mistura de Produtos 11
sujeito a:
6 de Dezembro de 2012
12 Modelação
1
Mı́nimo Luxo Pelo menos 4
do total dos exemplares deverá ser em versão
Luxo.
6 de Dezembro de 2012
1.2 Publicações Polémicas 13
6 de Dezembro de 2012
14 Modelação
1.2.2 Resolução
(a) Definam-se as seguintes variáveis de decisão:
Sujeito a:
xN + xL ≤ 10000 (1.2)
xN xL
+ ≤1 (1.3)
12000 8000
xN xL
+ ≤1 (1.4)
15000 9000
1
(xN + xL ) ≤ xL (1.5)
4
xN ≥ 2000 (1.6)
xL ≥ 1000 (1.7)
Sujeito a:
6 de Dezembro de 2012
1.2 Publicações Polémicas 15
xN + xL ≤ 10000 (1.9)
2xN + 3xL ≤ 24000 (1.10)
3xN + 5xL ≤ 45000 (1.11)
xN − 3xL ≤0 (1.12)
xN ≥ 2000 (1.13)
xL ≥ 1000 (1.14)
xL
(8)
Z crescente
Solução óptima
xN = 6000
xL = 4000 (12)
(14)
xN
(9) (11)
(10)
(13)
xN xL s 1 s 2 s 3
s1 1 1 1 0 0 10
s2 2 3 0 1 0 24 ⇒
s3 3 5 0 0 1 45
Z
− 10 60 72 0 0 0 0
6 de Dezembro de 2012
16 Modelação
xN xL s 1 s2 s3
1
s1 3
0 1 − 31 0 2⇒
2 1
xL 3
1 0 3
0 8
s3 − 13 0 0 − 35 1 5
Z
− 10 12 0 0 −24 0 −576
xN xL s 1 s2 s3
xN 1 0 3 −1 0 6
xL 0 1 −2 1 0 4
s3 0 0 1 −2 1 7
Z
− 10 0 0 −36 −12 0 −648
6 de Dezembro de 2012
1.3 Montagem duas peças 17
Peça M1 M2
A 3 20
B 5 15
Tabela 2: Tempo de produção das peças (em minutos por peça) A e B nas
máquinas M1 e M2
6 de Dezembro de 2012
18 Modelação
1.3.2 Resolução
(a) • Variáveis de decisão
xA1 quantidade de peças do tipo A a produzir na máquina M1;
xA2 quantidade de peças do tipo A a produzir na máquina M2;
xB1 quantidade de peças do tipo B a produzir na máquina M1;
xB2 quantidade de peças do tipo B a produzir na máquina M2.
• Função objectivo
Pretende-se maximizar o número de montagens completas:
max Z = Y
xA1 + xA2 ≥ Y
xB1 + xB2 ≥ Y
• Modelo
max Z = Y (1.15)
Sujeito a:
6 de Dezembro de 2012
1.3 Montagem duas peças 19
(b) A restrição (não linear) que modeliza a situação pretendida nesta alı́nea
é a seguinte:
(3xA1 + 5xB1 ) − 20x A2 + 15x B2
≤ 30
5
Simplificando obtém-se:
6 de Dezembro de 2012
20 Modelação
6 de Dezembro de 2012
1.4 A companhia de aviação Benvoa 21
1.4.2 Resolução
Variáveis de decisão
Restrições
Função objectivo
6 de Dezembro de 2012
22 Modelação
À empresa são oferecidas as cargas da tabela 4, cada uma das quais pode
ser aceite parcial ou totalmente:
6 de Dezembro de 2012
1.5 Carga de navio 23
1.5.2 Resolução
• Índices
i tipo de carga (A, B e C) i ∈ [1, 2, 3];
j tipo de porão (P, C, R) j ∈ [1, 2, 3].
• Variáveis de decisão
xij quantidade de carga i a transportar no porão j (em toneladas).
• Função objectivo
Pretende-se maximizar o lucro com o transporte das cargas i em todos
os porões j, o que corresponde à soma do lucro obtido com o transporte
da carga A, com o lucro com transporte da carga B e da carga C.
X X X
max Z = 20 x1j + 24 x2j + 16 x3j (1.24)
j j j
• Restrições
X
x1j ≤ 7000 (1.25)
j
X
x2j ≤ 6500 (1.26)
j
X
x3j ≤ 4000 (1.27)
j
X
xi1 ≤ 2000 (1.28)
i
X
xi2 ≤ 3200 (1.29)
i
X
xi3 ≤ 1800 (1.30)
i
60x11 + 50x21 + 25x31 ≤ 100000 (1.31)
60x12 + 50x22 + 25x32 ≤ 140000 (1.32)
60x13 + 50x23 + 25x33 ≤ 80000 (1.33)
60x11 +50x 100000
P 21 +25x31 = (1.34)
x
i i1 2000
60x12 +50x 140000
P 22 +25x32 = (1.35)
i xi2 3200
60x13 +50x 80000
P 23 +25x33 = (1.36)
i xi3 1800
∀i,j xij ≥0 (1.37)
6 de Dezembro de 2012
24 Modelação
• Modelo
O modelo apresentado (equações 1.24 a 1.37) pode ser reescrito da
seguinte forma:
X X X
max Z = 20 x1j + 24 x2j + 16 x3j
j j j
X
x1j ≤ 7000
j
X
x2j ≤ 6500
j
X
x3j ≤ 4000
j
X
xi1 ≤ 2000
i
X
xi2 ≤ 3200
i
X
xi3 ≤ 1800
i
60x11 + 50x21 + 25x31 ≤ 100000
60x12 + 50x22 + 25x32 ≤ 140000
60x13 + 50x23 + 25x33 ≤ 80000
10x11 − 25x31 =0
−65x12 + −25x22 + 75x32 =0
28x13 + 10x23 − 35x33 =0
∀i,j xij ≥0
6 de Dezembro de 2012
1.6 Produção e Distribuição 25
Fábrica A B
Máquina M1 M2 M3 M1 M2
Disponibilidade (dias) 30 28 24 26 28
Produto P1 P2 P1 P2 P1 P2 P1 P2 P1 P2
Produção por dia 40 35 42 38 40 37 41 37 42 40
Custo por dia 100 102 104 106 98 104 102 105 103 106
Produto P1 P2
Fábrica A B A B
Procura 1200 800 1500 1100
Custo de transporte A→ B = 4 B→ A = 4 A→ B = 3 B→ A = 4
por unidade
6 de Dezembro de 2012
26 Modelação
1.6.2 Resolução
(a) • Índices
i fábricas (A e B) i ∈ [1, 2];
j máquinas (M1 , M2 , M3 ) j ∈ [1, 2, 3];
k produtos (P1 e P2 ) k ∈ [1, 2].
• Variáveis de decisão
xijk número de dias de produção durante um mês do produto k,
na fábrica i, máquina j;
yik quantidade do produto k a transportar da fábrica i para a
outra fábrica.
• Coeficientes
cijk custo diário de produção do produto k, na fábrica i, máquina
j;
pijk produção diária do produto k, na fábrica i, máquina j;
mij disponibilidade (em dias) da máquina j da fábrica i;
dik procura na fábrica i do produto k;
sik custo de transporte, a partir da fábrica i, do produto k.
• Modelo
Objectivo
X X
min Custo = cijk × xijk + sik × yik (1.38)
i,j,k i,k
P
∀i,k pijk × xijk − yik + yi0 k
j ≥ dik (1.39)
P
∀i,j k xijk ≤ mij (1.40)
P
∀i,k j pijk × xijk − yik ≥0 (1.41)
∀i,j,k xijk , yik ≥0 (1.42)
(b) Concretize agora o modelo genérico apresentado, de tal forma que cor-
responda à situação descrita no enunciado.
6 de Dezembro de 2012
1.6 Produção e Distribuição 27
(c) Ao resolver a alı́nea anterior, teve com certeza que tratar o caso das
variáveis x231 e x232 , dado que essas variáveis foram definidas no modelo
genérico, mas na realidade não existe nenhuma máquina 3 na fábrica
2. Há várias formas de resolver esta questão:
6 de Dezembro de 2012
28 Modelação
6 de Dezembro de 2012
1.7 Refinaria Petróleo 29
1.7.2 Resolução
Variáveis de decisão
x1 , x 2 ≥ 0
Função objectivo
gasolina normal gasolina super
z }| { z }| {
max LUCRO = 6 × ( |{z}
9 x1 + 5x2 ) + 9 × (7x1 + 9x2 )
|{z} |{z}
no de unidade nova
no de
tanques ciclos
por ciclo
| {z }
unidade antiga
6 de Dezembro de 2012
30 Modelação
Mês Necessidade de
espaço (m2 )
1 1500
2 1000
3 2000
4 500
5 2500
6 de Dezembro de 2012
1.8 Arrendamento de Espaço num Armazém (5M) 31
1.8.2 Resolução
Variáveis de decisão
xij − espaço a arrendar no inı́cio do mês i por um perı́odo de j meses
Restrições Que em cada mês esteja arrendado pelo menos o espaço neces-
sário:
P5
(mês 1) x ≥ 1500
P5j=1 1j
+ 4j=1 x2j
P
(mês 2) x1j ≥ 1000
Pj=2
5
+ 4j=2 x2j + 3j=1 x3j
P P
(mês 3) x ≥ 2000
P5j=3 1j
+ 4j=3 x2j + 3j=2 x3j + 2j=1 x4j
P P P
(mês 4) j=4 x1j ≥ 500
(mês 5) x15 +x24 +x33 +x42 +x51 ≥ 2500
xij ≥ 0
1≤i≤5, 1≤j≤6−i
Função objectivo
espaço arrendado
por 1 mês
(no inı́cio do mês
custo de arrendar 1, 2, 3, 4 ou 5)
1 m2 por 1 mês z }| {
X5 4
X 3
X
z}|{
min CUSTO = 2800 xi1 + 4500 xi2 + 6000 xi3
i=1 i=1 i=1
2
X
+ 7300 xi4 + 8400 x15
i=1
Dados
Cj − custo de arrendar 1m2 por um perı́odo de j meses
Ni − necessidade de espaço no mês i
Variáveis de decisão
xij − espaço a arrendar no inı́cio do mês i por um perı́odo de j meses
6 de Dezembro de 2012
32 Modelação
Restrições Que em cada mês esteja arrendado pelo menos o espaço neces-
sário:
Função objectivo
5 6−j
X X
Cj × xij
j=1 i=1
Dados
Variáveis de decisão
Restrições Que em cada mês esteja arrendado pelo menos o espaço neces-
sário:
Função objectivo
5 6−j
X X
Cj × xij
j=1 i=1
6 de Dezembro de 2012
1.9 Planeamento da Produção numa Fábrica de Papel 33
Carretel n Bobinas
n Laminas
Como se pode ver nas figuras, o papel é fabricado em rolos grandes tanto
em largura como em diâmetro, conhecidos na indústria por jumbos. Os
jumbos são divididos em rolos mais pequenos que podem ser vendidos direc-
tamente a clientes ou que então podem ser usados para cortar em formatos.
Consideremos uma empresa em que o papel é produzido em jumbos com
6 metros de largura.
A partir destes jumbos de 6 metros é necessário produzir:
6 de Dezembro de 2012
34 Modelação
1.9.2 Resolução
O primeiro passo para a formulação deste problema passa por determinar de
quantas formas pode um jumbo ser cortado. Para além da forma sugerida no
enunciado (2 rolos de 200cm, sobrando 40cm de desperdı́cio) podem ainda
ser determinados 6 outros “padrões de corte” (ver tabela).
As variáveis de decisão (x1 a x7 ) correspondem ao número de vezes que
cada padrão de corte é aplicado no corte de um jumbo. A tabela seguinte
apresenta ainda as quantidades pedidas de cada rolo, assim como o desper-
dı́cio gerado por cada padrão de corte.
Largura No de rolos
dos rolos x1 x2 x3 x4 x5 x6 x7 pedidos
280 2 1 1 0 0 0 0 30
200 0 1 0 3 2 1 0 60
150 0 0 2 0 1 2 4 48
Desperdı́cio 40 120 20 0 50 100 0
2x1 + x2 + x3 ≥ 30
x2 + 3x4 + 2x5 + x6 ≥ 60
2x3 + x5 + 2x6 + 4x7 ≥ 48
xi ≥ 0 ∀1≤i≤7
6 de Dezembro de 2012
1.10 Distribuição 35
1.10 Distribuição
1.10.1 Enunciado
Uma empresa tem duas fábricas e quatro armazéns e vende produtos a seis
clientes que podem ser abastecidos a partir dos armazéns ou directamente a
partir das fábricas. A empresa suporta os custos de distribuição apresentados
nas tabelas 9 e 10. Os traços indicam que a entrega correspondente não se
realiza.
Origens
Destinos Bragança Évora
Armazéns (fábrica) (fábrica)
Coimbra 0.5 —
Faro 1.0 0.2
Lisboa 0.8 0.6
Porto 0.4 0.8
Origens
Destinos Bragança Évora Coimbra Faro Lisboa Porto
Clientes (fábrica) (fábrica) (armazém) (armazém) (armazém) (armazém)
C1 1.0 2.0 — 1.0 — —
C2 — — 1.5 0.5 1.5 —
C3 1.5 — 0.5 0.5 2.0 0.2
C4 2.0 — 1.5 1.0 — 1.5
C5 — — — 0.5 0.5 0.5
C6 1.0 — 1.0 — 1.5 1.5
6 de Dezembro de 2012
36 Modelação
Armazém Capacidade
(toneladas)
Coimbra 70 000
Faro 50 000
Lisboa 100 000
Porto 40 000
6 de Dezembro de 2012
1.10 Distribuição 37
1.10.2 Resolução
• Índices
• Variáveis de decisão
Como algumas das entregas não podem ser efectuadas (traços nas tabe-
las), as variáveis de decisão correspondentes não serão definidas. Uma
outra solução para o problema consistiria em definir as variáveis todas
e restringir o valor dessas variáveis a zero.
As variáveis em causa são então:
x21 , y12 , y15 , y22 , y23 , y24 , y25 , y26 , z11 , z15 , z26 , z31 , z34 , z41 , z42
• Função objectivo
O objetivo pretendido é a minimização do custo Z, isto é:
• Restrições
Cada fábrica tem uma capacidade máxima, o que quer dizer que a
soma de todos os xij com todos os yik para uma dada fábrica i não
pode exceder a capacidade da fábrica i.
Dado que existem duas fábricas, esse limite de capacidade resulta em
duas restrições.
6 de Dezembro de 2012
38 Modelação
x11 + x12 + x13 + x14 + y11 + y13 + y14 + y16 ≤ 150000 (1.43)
Os pedidos dos clientes também devem ser satisfeitos e como há 6 cli-
entes, há 6 restrições do mesmo tipo.
Para o cliente C1 (k = 1):
Por fim, é necessário garantir que todas as variáveis têm valores maiores
ou iguais a zero:
x11 , x12 , x13 , x14 , x22 , x23 , x24 , y11 , y13 , y14 , y16 , y21 , z12 , z13 ,
z14 , z16 , z21 , z22 , z23 , z24 , z25 , z32 , z33 , z35 , z36 , z43 , z44 , z45 , z46 ≥ 0 (1.47)
6 de Dezembro de 2012
1.11 Selecção de Eventos na UPorto 39
o Cortin U"".rsurio ntrill<nt. dispoolblzara 10M SOlJ.S thisr .. om C<W\jJnto .Io r~ <Ie
....m:;o. , 310m 00, ""ncirio' , corm .
_tin <Ie errve.trro. no. _ ' ' ' '' , 0 eontr<>kl
<Ie0= . <Iet~, r o _ • ~1JO""'"t .. <Ie _ " ' " """tont...
o Rei", <14 U~O:I_ <10 P<>rto, Prof"...,.. OootOf Jose Mar_, <los Santos, nicio" • SL>O ~ terv~ no """""'~ 011'"""""""" 0 ~ tere .... do
!!onoo ~ re~cioMm<nto oom. ~ ott">:;in o~ _ dI'9<. Oeotocoo ....t. sen!oo _ a ooabo<o;ao _ <Xist. iii 49um tefr4Ml • • ofn_
q"" so foi oonoItuI><Io ""tre5O "'I"ip " <1M _ NtM:;ii. . foram fsc!o<.. IT4><>rt>nt.,. ~. a "rWers_ "" """"""to <Ie es.coJ\<f 0 &ontor.der
lolt4 """" " " _ . _. <10 corti<> "rWersurio.
o Pres_'e do C<J.T· u i OfxecW; o 00 !!onoo Santo"""r lot:.. Or. N""" _ t""'*"'" • S,," ~ t<fV<1\"" Oil'"""""""" • ~ <14 re' orio 0
CMf,.n~ _ <Ie~,tor. m "" """co •• 1011'>_ 0 f.c!o <14 UrWersiI!ode do Porto ter q<>eIIfo<lo . tr&01i<;io, ""..". piooe" . m i>icior prolooolo' <Ie
colo"",.,..,
rom ~.tt">:;3es priv-' ~r. octi'liM<!es corm ",to: "po<Iem oontor "",,,,[,.00, _ oM tomt><m _torm, <Ie "" pione..... q<>eIIfor
com 0' """t""""
http://www.santandertotta.pt/pagina/content/0,1564,1042_29502_1_1_1041_6_0,00.html
Construa o modelo de programação Linear que permitiria encontrar o melhor conjunto de eventos a
organizar, considerando que o Reitor da U.Porto pretendia maximizar o número total de participantes.
6 de Dezembro de 2012
40 Modelação
6 de Dezembro de 2012
1.12 Aeroporto ALETROP 41
1.12.1 Enunciado
6 de Dezembro de 2012
42 Modelação
Turno
Chefe de equipa Tipo de licença
Custo (M$)
1 1, 2
Licença Licença a tirar
1 2 1
anterior
3 2
1 2 3 4
4 3, 4
0 2 4 2 4
2 5 2
1 - 1 2 3
6 3
2 1 - 2 3
7 4
3 1 3 - 2
3 8 3, 4
4 1 2 1 -
9 3
Para poder oferecer serviços a outras companhias de aviação, a empresa
pretende que existam 4 licenças de cada tipo, no conjunto dos chefes de
manutenção. Isto pode ser conseguido enviando para formação actuais chefes
de equipa (portanto técnicos que já possuem 1 licença) ou outros técnicos que
ainda não possuem nenhuma licença. No entanto, de cada turno só poderá
sair, no máximo, 1 chefe de equipa para formação. Escreva um modelo de
programação matemática que permita determinar a polı́tica de obtenção de
licenças que minimiza os custos para a Aletrop.
6 de Dezembro de 2012
1.12 Aeroporto ALETROP 43
1.12.2 Resolução
Variáveis de decisão
1 se técnico i tira licença j
xij =
0 se não
De cada turno só poderá sair, no máximo, 1 chefe de equipa para forma-
ção:
P4 P3
xij ≤ 1
P4j=1 Pi=16
xij ≤ 1
Pj=1
4 Pi=4
9
j=1 i=7 xij ≤ 1
1
Esta restrição não vem referida explicitamente no enunciado, no entanto pode-se inferir
que não haverá disponibilidade de tempo para que um técnico novo obtenha duas licenças.
6 de Dezembro de 2012
44 Modelação
Função objectivo
X 13
4 X X X
min c0j xij + c3j xij + c2j xij + c1j x2j + c4j x7j
j=1 i=10 i∈{6,9} i∈{3,5}
6 de Dezembro de 2012
1.13 Urbanização 45
1.13 Urbanização
1.13.1 Enunciado
A empresa Latifúndios e Companhia pretende urbanizar uma das suas gran-
des propriedades. A propriedade divide-se em 3 zonas, Z1 , Z2 e Z3 , com
caracterı́sticas bastante diferentes em termos de relevo, localização e tipo de
subsolo, tal como se pode verificar nas fotografias apresentadas a seguir.
6 de Dezembro de 2012
46 Modelação
1.13.2 Resolução
(a)
Variáveis de decisão
Restrições -
(i)
P3
i=1 ARi ≥K (1.48)
AEi
∀i∈1,2,3 ARi
≥l (1.49)
AV i
∀i∈1,2,3 ARi
≥m (1.50)
∀i∈1,2,3 ARi , AV i , AEi ≥ 0 (1.51)
(ii)
P3
i=1 ARi ≥K (1.52)
P3
AEi
∀i∈1,2,3 Pi=1
3 ≥l (1.53)
i=1 ARi
P3
AV i
∀i∈1,2,3 Pi=1
3 ≥m (1.54)
i=1 ARi
Nota:
Poder-se-ia ainda introduzir uma restrição referente ao espaço total dis-
ponı́vel em cada zona i, AZi , e que não pode ser ultrapassado. Embora não
mencionada explicitamente no enunciado ela é inerente ao problema:
Função objectivo
P3
min i=1 (KRi ARi + KV i AV i + KEi AEi ) (1.57)
6 de Dezembro de 2012
1.13 Urbanização 47
(b)
O custo da solução óptima em (i) será sempre maior ou igual do que o
custo da solução óptima em (ii) pois a formulação em (i) é mais restritiva do
que a formulação em (ii).
(c)
Num Modelo de Programação Linear a região das soluções admissı́veis
é obtida pela conjunção das restrições formuladas no modelo. Nesta alı́nea
pretende-se modelizar a seguinte implicação de condições:
3
X 3
X
AEi > p ⇒ AV i ≥ q
i=1 i=1
3
X
AEi − p − δA ≤ 0 (1.58)
i=1
3
X
q− AV i − (1 − δ)A ≤ 0 (1.59)
i=1
δ ∈ {0, 1} (1.60)
6 de Dezembro de 2012
48 Modelação
G
B
A
H
F
E I
D
6 de Dezembro de 2012
1.14 Estaleiro do ShopShopping 49
Sector A B C D E F G H I
Est α 100 100 100 100 100 200 100 50 100
Est β 300 300 300 400 200 300 200 100 300
Sector A B C D E F G H I
Nec. materiais 1000 2000 5000 5000 1000 1500 2000 3000 4000
(a) Será que Feimiro vai gastar menos dinheiro neste caso? Porquê?
(b) Esta nova ideia de Feimiro irá implicar uma alteração realmente pe-
quena?
6 de Dezembro de 2012
50 Modelação
Variáveis de decisão
min CUSTO =
Custos de montagem
50000xαH
+ 100000(xαA + xαB + xαC + xαD + xαE + xαG + xαI + xβH )
+ 200000(xαF + xβE + xβG )
+ 300000(xβA + xβB + xβC + xβF + xβI )
+ 400000xβD
Custos de funcionamento =
Custos de movimentação dos materiais vindos do estaleiro do próprio sect
custos de movimentação dos materiais vindos dos estaleiro dos restantes s
+ 100 × (1000xαA + 1000xβA ) + 200 × [1000 − (1000xαA + 1000xβA )]
+ 100 × (1000xαB + 2000xβB ) + 200 × [2000 − (1000xαB + 2000xβB )]
+ 100 × (1000xαC + 5000xβC ) + 200 × [5000 − (1000xαC + 5000xβC )]
+ 100 × (1000xαD + 5000xβD ) + 200 × [5000 − (1000xαD + 5000xβD )]
+ 100 × (1000xαE + 1000xβE ) + 200 × [1000 − (1000xαE + 1000xβE )]
+ 100 × (1000xαF + 1500xβF ) + 200 × [1500 − (1000xαF + 1500xβF )]
+ 100 × (1000xαG + 2000xβG ) + 200 × [2000 − (1000xαG + 2000xβG )]
+ 100 × (1000xαH + 3000xβH ) + 200 × [3000 − (1000xαH + 3000xβH )]
+ 100 × (1000xαI + 4000xβI ) + 200 × [4000 − (1000xαI + 4000xβI )]
6 de Dezembro de 2012
1.14 Estaleiro do ShopShopping 51
xαA + xβA ≤ 1
xαB + xβB ≤ 1
xαC + xβC ≤ 1
xαD + xβD ≤ 1
xαE + xβE ≤ 1
xαF + xβF ≤ 1
xαG + xβG ≤ 1
xαH + xβH ≤ 1
xαI + xβI ≤ 1
Resolução compacta
Índices
6 de Dezembro de 2012
52 Modelação
Dados
Cape capacidade total durante a obra (em toneladas) do estaleiro tipo e.
Variáveis de decisão
1 se estaleiro tipo e é montado no sector s
xes (1.61)
0 se não
X
ces × xes (1.62)
e,s
Restrições
X
xes ≤ 1 ∀s (1.65)
e
X X P
xαs × min(Capα , Necs ) + xβs × Capβ ≥ s Necs (1.66)
s s
X
xes ≥ 7 (1.67)
e,s
6 de Dezembro de 2012
1.14 Estaleiro do ShopShopping 53
(b) A alteração ao modelo inicial é bastante grande, dado que vai ser neces-
sário que as variáveis de decisão passem a ter informação sobre quais
os estaleiros que alimentam um determinado sector.
(c) –
Índices
6 de Dezembro de 2012
54 Modelação
Dados
Variáveis de decisão
1 se estaleiro tipo e é montado no sector s
xes (1.69)
0 se não
1 se estaleiro montado no sector s alimenta o sector k
ysk (1.70)
0 se não
X
ces × xes (1.71)
e,s
6 de Dezembro de 2012
1.14 Estaleiro do ShopShopping 55
Restrições
X
xes ≤ 1 ∀s (1.74)
e
X
ysk ≤ 1 ∀k (1.75)
s
xαs × Capα ≥ yss × Necs ∀s (1.76)
P
xβs × Capβ ≥ k (ysk × Neck ) ∀s (1.77)
X
xes ≥ 7 (1.78)
e,s
xαB ≤ xβA + xαC (1.79)
6 de Dezembro de 2012
56 Modelação
No mı́nimo de funcionários
Segunda 17
Terça 13
Quarta 16
Quinta 19
Sexta 14
Sábado 16
Domingo 11
6 de Dezembro de 2012
1.15 Escalonamento de recursos humanos 57
6 de Dezembro de 2012
58 Modelação
x1 + x4 + x5 + x6 + x7 ≥ 17
x1 + x2 + x5 + x6 + x7 ≥ 13
x1 + x2 + x3 + x6 + x7 ≥ 16
x1 + x2 + x3 + x4 + x7 ≥ 19
x1 + x2 + x3 + x4 + x5 ≥ 14
x2 + x3 + x4 + x5 + x6 ≥ 16
x3 + x4 + x5 + x6 + x7 ≥ 11
x1 , x2 , x3 , x4 , x5 , x6 , x7 ≥ 0 e inteiros
Função objectivo
min x1 + x2 + x3 + x4 + x5 + x6 + x7
6 de Dezembro de 2012
1.15 Escalonamento de recursos humanos 59
7
X 7
X
8x1 + 8 xi + 4y1 + 4 yi ≥ 136
i=4 i=4
2
X 7
X 2
X X7
8 xi + 8 xi + 4 yi + 4 yi ≥ 104
i=1 i=5 i=1 i=5
X3 X7 X3 X7
8 xi + 8 xi + 4 yi + 4 yi ≥ 128
i=1 i=6 i=1 i=6
4
X 4
X
8 xi + 8x7 + 4 yi + 4y7 ≥ 152
i=1 i=1
5
X 5
X
8 xi + 4 yi ≥ 112
i=1 i=1
6
X 6
X
8 xi + 4 yi ≥ 128
i=2 i=2
7
X 7
X
8 xi + 4 yi ≥ 88
i=3 i=3
7
X 7
X
yi − 0.25 (xi + yi ) ≤ 0
i=1 i=1
xi , yi ≥ 0 e inteiros ∀i
6 de Dezembro de 2012
60 Modelação
Restrições
7
X 7
X
8(x1 + z1 ) + 8z3 + 8 (xi + zi ) + 4(y1 + w1 ) + 4w3 + 4 (yi + wi ) ≥ 136
i=4 i=4
2
X 7
X 2
X X7
8 (xi + zi ) + 8z4 + 8 (xi + zi ) + 4 (yi + wi ) + 4w4 + 4 (yi + wi ) ≥ 104
i=1 i=5 i=1 i=5
X3 X7 X3 X7
8 (xi + zi ) + 8z5 + 8 (xi + +zi )4 (yi + wi ) + 4w5 + 4 (yi + wi ) ≥ 128
i=1 i=6 i=1 i=6
4
X 4
X
8 (xi + zi ) + 8z6 + 8x7 + 4 (yi + wi ) + 4w6 + 4y7 ≥ 152
i=1 i=1
5
X 5
X
8 (xi + zi ) + 8z7 + 4 (yi + wi ) + 4w7 ≥ 112
i=1 i=1
6
X 6
X
8z1 + 8 (xi + zi ) + 4w1 + 4 (yi + wi ) ≥ 128
i=2 i=2
7
X 7
X
8z2 + 8 (xi + zi ) + 4w2 + 4 (yi + wi ) ≥ 88
i=3 i=3
7
X 7
X
yi − 0.25 (xi + yi ) ≤ 0
i=1 i=1
∀i xi , yi , zi , wi ≥ 0 e inteiros
Função objectivo
7
X 7
X 7
X 7
X
min 15∗8∗5∗ xi +10∗4∗5 yi +15∗8∗(5+1.5) zi +10∗4∗(5+1.5) wi
i=1 i=1 i=1 i=1
6 de Dezembro de 2012
1.15 Escalonamento de recursos humanos 61
x1 + x4 + x5 + x6 + x7 ≥ 17
x1 + x2 + x5 + x6 + x7 ≥ 13
x1 + x2 + x3 + x6 + x7 ≥ 16
x1 + x2 + x3 + x4 + x7 ≥ 19
x1 + x2 + x3 + x4 + x5 ≥ 14
x2 + x3 + x4 + x5 + x6 ≥ 16
x3 + x4 + x5 + x6 + x7 ≥ 11
x1 + x4 + x5 + x6 + x7 ≤ 25
x1 + x2 + x5 + x6 + x7 ≤ 25
x1 + x2 + x3 + x6 + x7 ≤ 25
x1 + x2 + x3 + x4 + x7 ≤ 25
x1 + x2 + x3 + x4 + x5 ≤ 25
x2 + x3 + x4 + x5 + x6 ≤ 25
x3 + x4 + x5 + x6 + x7 ≤ 25
x1 + x2 + x3 + x4 + x5 + x6 + x7 = 25
x1 , x 2 , x3 , x4 , x5 , x6 , x7 ≥ 0 e inteiros
6 de Dezembro de 2012
62 Modelação
6 de Dezembro de 2012
1.16 SuperBoa 63
1.16 SuperBoa
1.16.1 Enunciado
A SUPERBOA é uma cerveja produzida em 3 fábricas e é distribuı́da a
partir de 10 armazéns principais.
Recentemente pediram-nos para construir um modelo matemático para o
problema da determinação da estratégia óptima mensal de produção, trans-
porte e venda da SUPERBOA. Para tal foi necessário fazer o levantamento
de um conjunto alargado de informações necessárias para construir o modelo.
6 de Dezembro de 2012
64 Modelação
1.16.2 Resolução
Índices
Variáveis de decisão
Coeficientes
6 de Dezembro de 2012
1.16 SuperBoa 65
6 de Dezembro de 2012
66 Modelação
Restrições
∀i y1i ≤ ai (1.86)
∀i y2i ≤ bi (1.87)
P
∀i qij ≤ y1i + y2i (1.88)
P j
∀j i qij − dj = uj − vj (1.89)
∀i,j qij ≥0 (1.90)
∀j uj , vj ≥0 (1.91)
∀i y1i , y2i ≥0 (1.92)
6 de Dezembro de 2012
Capı́tulo 2
Programação Linear
Objetivos de Aprendizagem
• Resolver graficamente um problema de programação linear com duas
variáveis.
6 de Dezembro de 2012
68 Programação Linear
Exercı́cios
2.1 Problema PL I . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.2 Problema PL II . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3 Problema PL1 . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.4 Problema PL2 . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.5 Problema PL3 . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.6 Problema PL4 . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6 de Dezembro de 2012
2.1 Problema PL I 69
2.1 Problema PL I
2.1.1 Enunciado
Considere o problema de Programação Linear representado na figura se-
guinte, onde a função objetivo é F = x1 + x2 . O domı́nio das solução
admissı́veis é a zona a sombreado e a solução óptima está no ponto G.
" t---r--i---t---t---r--i---t---
4 ~-+~t--t--t--t--t--t---
-3 -2 7
"
6 de Dezembro de 2012
70 Programação Linear
2.1.2 Resolução
Na figura seguinte estão representadas as equações das duas restrições que se
intersectam no ponto G.
"
4
XI+7/3x2 = 7
xl-2x2 = 2
-2 -1 3 4 5 7
-2
"
4
F = Xl + 7/3x2
-3 -2 -1 3 4 5 6
"
-2
6 de Dezembro de 2012
2.1 Problema PL I 71
-3 6
"
-2
6 de Dezembro de 2012
72 Programação Linear
2.2 Problema PL II
2.2.1 Enunciado
Considere o problema de Programação Linear representado na figura se-
guinte, onde a função objetivo é F = 3x1 + 4x2 . O domı́nio das soluções
admissı́veis é a zona a sombreado e a solução óptima está no ponto P.
6 de Dezembro de 2012
2.2 Problema PL II 73
2.2.2 Resolução
Na figura seguinte estão representadas as equações das duas restrições que se
intersectam no ponto P, que foram escritas de forma que x2 tivesse coeficiente
4.
6 de Dezembro de 2012
74 Programação Linear
6 de Dezembro de 2012
2.3 Problema PL1 75
min X1 + X2
X2
6
5
!"#!$%&'
!$%('
3
% ('
#(!
2 $
)$! "
1
X1
0
-1 0 1 2 3 4 5 6
-1
(i) X2 ≤ 3;
(ii) −2X1 + 3X2 ≥ 3;
(iii) −2X1 + 3X2 ≤ 3;
(iv) X1 ≥ 0;
(v) X2 ≥ 0.
6 de Dezembro de 2012
76 Programação Linear
min X1 − X2
X2
6
5
#$!#"'(!"(
#"'&(
3
' &(
%&#
2 "
!"# $
1
X1
0
-1 0 1 2 3 4 5 6
-1
(i) X2 ≤ 3;
(ii) −2X1 + 3X2 ≥ 3;
(iii) −2X1 + 3X2 ≤ 3;
(iv) X1 ≥ 0;
(v) X2 ≥ 0.
6 de Dezembro de 2012
2.5 Problema PL3 77
max X1 + X2
X2
5
4
!"#!$%&'&
3
!$%$()&
2
$!
" #*
!"%"& !$ %
1 +&
0 X1
-1 0 1 2 3 4 5
-1
(i) X1 ≥ 0;
(ii) X2 ≥ 0;
(iii) X1 ≥ 1;
(iv) X2 ≤ 2.5;
(v) 2X1 + 3X2 ≤ 8.
6 de Dezembro de 2012
78 Programação Linear
max X1 − X2
X2
5
4
!"#!$%&#"&
3
!$%$'(&
2
$!
" )*
!"%"& !$ %
1 +&
0 X1
-1 0 1 2 3 4 5
-1
(i) X1 ≥ 0;
(ii) X2 ≥ 0;
(iii) X1 ≥ 1;
(iv) X2 ≤ 2.5;
(v) 2X1 + 3X2 ≤ 8.
6 de Dezembro de 2012
Capı́tulo 3
Objetivos de Aprendizagem
• Saber introduzir no Solver variáveis de decisão, restrições e função ob-
jectivo.
6 de Dezembro de 2012
80 Utilização do Solver do Excel
Exercı́cios
6 de Dezembro de 2012
3.1 Planeamento da produção na VW Autoeuropa 81
6 de Dezembro de 2012
82 Utilização do Solver do Excel
6 de Dezembro de 2012
3.1 Planeamento da produção na VW Autoeuropa 83
6 de Dezembro de 2012
84 Utilização do Solver do Excel
6 de Dezembro de 2012
3.1 Planeamento da produção na VW Autoeuropa 85
3.1.2 Resolução
(a) • A linha 2 contém as variáveis de decisão do problema, isto é,
quantas unidades de cada um dos modelos devem ser produzidas.
• A linha 4 contém os coeficientes da função objectivo, estando o
valor da função objetivo inscrito na célula F4.
• A linha 6 modeliza o limite máximo de produção da fábrica.
• As linhas 7 e 8 modelizam as restrições dos máximos de produ-
ção conjunta dos modelos Sharan e Alhambra e Scirocco e Eos,
respectivamente.
• As linhas 9 a 12 contêm as restrições que limitam a produção de
cada um dos modelos à quantidade dada pelo respetivo potencial
de vendas. A ideia é que não vale a pena produzir o que não se
consegue depois vender.
• A linha 13 apresenta a restrição relativa ao mix de produção res-
peitar uma média de emissões de CO2 de, no máximo, 150 g/Km.
• A linha 14 garante que a produção de monovolumes constitui, no
mı́nimo, 1,5 vezes a produção dos modelos Scirocco e Eos.
6 de Dezembro de 2012
86 Utilização do Solver do Excel
6 de Dezembro de 2012
Capı́tulo 4
Método Simplex
Objetivos de Aprendizagem
• Saber relacionar vértices da região admissı́vel, numa representação grá-
fica, e soluções básicas de um sistema de equações, numa representação
algébrica de um problema de programação linear.
6 de Dezembro de 2012
88 Método Simplex
Exercı́cios
4.1 Problema A . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.2 Problema B . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3 Problema C . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.4 Problema D . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.5 Problema E . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.6 Problema F . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.7 Problema G . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.8 Problema H . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6 de Dezembro de 2012
4.1 Problema A 89
4.1 Problema A
4.1.1 Enunciado
Resolva, pelo método Simplex, o seguinte problema de programação linear:
6 de Dezembro de 2012
90 Método Simplex
4.1.2 Resolução
O problema proposto é um problema de programação linear, dado que a
função objectivo e as restrições são funções lineares das variáveis de decisão
x1 e x2 . Este exemplo simples será usado para ilustrar a aplicação do método
Simplex para resolver problemas de programação linear. Embora a resolução
prática de problemas deste tipo seja (sempre) feita recorrendo a programas
de computador que permitem obter a solução de problemas com milhares
de restrições e variáveis, é conveniente a compreensão do funcionamento da
técnica de resolução para facilitar a interpretação dos resultados obtidos.
Para se aplicar o método Simplex, é necessário que o problema satisfaça
os requisitos seguintes (forma standard):
(a) Todas as variáveis são não negativas (só podem assumir valores positi-
vos ou nulos);
6 de Dezembro de 2012
4.1 Problema A 91
6 de Dezembro de 2012
92 Método Simplex
F = 10x1 + 7x2
pode ser representada como a equação seguinte:
−F + 10x1 + 7x2 + 0s1 + 0s2 = 0
Escrito desta forma, F aparece com o coeficiente -1; daı́ a razão de o
valor que aparece no 2o membro da linha F ser igual ao simétrico do valor da
6 de Dezembro de 2012
4.1 Problema A 93
6 de Dezembro de 2012
94 Método Simplex
aik > 0 xbi , a variável básica na equação i, decresce aik unidades por unidade
de crescimento de xk , impondo assim um limite superior a xk igual a
bi
aik
(bi é o termo independente da equação i).
aik = 0 xbi , a variável básica na equação i, não vê alterado o seu valor, quando
xk entra para a base. Isso significa que xbi nunca sairá da base pois
não limita de forma alguma o crescimento de xk .
aik < 0 xbi , a variável básica na equação i, cresce aik unidades por unidade de
crescimento de xk . Assim, do mesmo modo que para o caso anterior,
xbi não limita o crescimento de xk , logo nunca sairá da base.
variáveis básicas x1 · · · xk · · · xm b
↓
xb1 · · · · · · a1k ··· ··· b1
.. .. .. .. .. .. ..
. . . . . . .
⇔ xbi · · · · · · aik ··· ··· bi
.. .. .. .. .. .. ..
. . . . . . .
xbn · · · · · ·ank · · · · · · bn
−F · · · · · · fk · · · · · · −F0
Com base no que se disse, podemos concluir o seguinte: se todos os coefi-
cientes da variável que se escolheu para entrar para a base forem negativos ou
nulos, isso significa que nenhuma das variáveis básicas decresce com o cres-
cimento da nova variável candidata a básica. Assim, se esta variável pode
crescer sem que qualquer das básicas se anule, então pode-se concluir que o
problema não tem uma solução óptima limitada. Situações destas ocorrem
quando a região de soluções admissı́veis é um domı́nio aberto no sentido de
crescimento da função objectivo.
Continuando com a resolução do exemplo dado:
base x1 x2 s1 s2 b
x1 1 12 1
2
0 2500 2500
1 = 5000
2
5000
⇔ s2 0 3 −2 1 5000 3
= 1666.7
−F 0 2 −5 0 −25000
base x1 x2 s1 s2 b
5 −1 5000
x1 1 0 6 6 3
−2 1 5000
x2 0 1 3 3 3
−11 −2 −85000
−F 0 0 3 3 3
6 de Dezembro de 2012
4.1 Problema A 95
6 de Dezembro de 2012
96 Método Simplex
4.2 Problema B
4.2.1 Enunciado
Considere o seguinte problema de Programação Linear:
suj. a:
5x1 + 20x2 ≤ 400
10x1 + 15x2 ≤ 450
x1 , x2 ≥ 0
6 de Dezembro de 2012
4.2 Problema B 97
4.2.2 Resolução
(a) Em primeiro lugar é necessário representar o problema na forma stan-
dard, introduzindo variáveis de folga, s1 e s2 para transformar as ine-
quações em equações.
x1 x 2 s1 s2
⇔ s1 5 20 1 0 400
s2 10 15 0 1 450
−z 45 80 0 0 0
x1 x2 s1 s2
5 1
x2 20
1 20
0 20
125 15
⇔ s2 20
0 − 20 1 150
−z 25 0 −4 0 −1600
x1 x2 s1 s2
2 1
x2 0 1 25
− 25
14
3 4
x1 1 0 − 25 25
24
−z 0 0 −1 −4 −2200
(b) Como a solução óptima terá que estar necessariamente num vértice da
região admissı́vel e como, analisando para a figura abaixo se constata
que apenas um vértice (o que corresponde à actual solução óptima) tem
x1 e x2 estritamente positivos, então para responder a esta pergunta
teremos apenas que ver entre que valores pode variar c1 de modo a que
a solução óptima continue no mesmo vértice. Como a solução óptima
saltará de vértice quando as linhas de nı́vel da função objectivo forem
c1 5
paralelas à restrição (R1) ou à restrição (R2), isto é, quando 80 = 20
c1 10
ou 80 = 15 , isso conduz-nos a:
6 de Dezembro de 2012
98 Método Simplex
160
20 ≤ c1 ≤
3
30
20
R1
(24,14)
R2
6 de Dezembro de 2012
4.3 Problema C 99
4.3 Problema C
4.3.1 Enunciado
Resolva, pelo método Simplex, o seguinte problema de programação linear:
max F = 2x1 + x2
suj. a:
x1 + x2 ≥ 2
x 1 + x2 ≤ 4
x1 , x 2 ≥ 0
6 de Dezembro de 2012
100 Método Simplex
4.3.2 Resolução
Em primeiro lugar é necessário representar o problema na forma standard,
introduzindo variáveis de folga para transformar as inequações em equações.
A variável de folga da primeira restrição tem coeficiente -1 porque a inequação
é do tipo ≥ (note-se que todas as variáveis são positivas).
max F = 2x1 + x2
suj. a:
x1 + x2 − s 1 = 2
x1 + x2 + s2 = 4
x1 , x 2 , s 1 , s 2 ≥ 0
Neste caso já não se obtém a solução básica inicial fazendo as variáveis de
folga iguais aos termos independentes. Apesar dessa ser uma solução básica,
não é admissı́vel e como tal não pode ser usada como ponto de partida para
o método Simplex.
É portanto necessário acrescentar outras variáveis, chamadas variáveis
artificiais, nas restrições que não têm variáveis básicas.
Introduzindo uma variável artificial na 1a equação:
x1 + x2 − s 1 + a1 = 2
x1 + x2 + + s2 = 4
x1 , x 2 , s 1 , s 2 , a 1 ≥ 0
6 de Dezembro de 2012
4.3 Problema C 101
x 1 + x 2 − s 1 + a1 = 2
pode-se escrever a1 em função de variáveis não básicas:
a1 = 2 − x 1 − x 2 + s 1
Assim, a função objectivo a maximizar será:
F = 2x1 + x2 − M a1
= 2x1 + x2 − M (2 − x1 − x2 + s1 )
= −2M + (2 + M )x1 + (1 + M )x2 − M s1
base x1 x2 s 1 s 2 a1 b
2
⇔ a1 1 1 −1 0 1 2 1
4
s2 1 1 0 1 0 4 1
−F 2 1 0 0 0 0
+M +M −M 0 +2M
base x1 x2 s1 s2 b
x1 1 1 −1 0 2
⇔ s2 0 0 1 1 2
−F 0 −1 2 0 −4
base x1 x2 s1 s2 b
x1 1 1 0 1 4
s1 0 0 1 1 2
−F 0 −1 0 −2 −8
Não existe nenhuma variável não básica (x2 ou s2 , neste caso) que tenha
um coeficiente positivo na linha F . O valor da solução óptima para este
1
A linha dos custos marginais está dividida em duas com a única finalidade de sim-
plificar os cálculos. A soma das duas linhas é que representa o custo marginal (p.ex.:
2 + M ).
6 de Dezembro de 2012
102 Método Simplex
x1 = 4, x2 = 0, s1 = 2, s2 = 0
6 de Dezembro de 2012
4.4 Problema D 103
4.4 Problema D
4.4.1 Enunciado
Considere o seguinte problema de Programação Linear:
6 de Dezembro de 2012
104 Método Simplex
4.4.2 Resolução
(a) Em primeiro lugar é necessário acrescentar outras variáveis, chamadas
variáveis artificiais, na primeira e na segunda restrição, que não têm
variáveis básicas:
x1 + 2x2 + 3x3 + a1 = 15
2x1 + x2 + 5x3 + a2 = 20
x1 + 2x2 + x3 + x4 = 10
x1 , x2 , x3 , x4 , a1 , a2 ≥ 0
x1 + 2x2 + 3x3 + a1 = 15
2x1 + x2 + 5x3 + a2 = 20
a1 = 15 − x1 − 2x2 − 3x3
a2 = 20 − 2x1 − x2 − 5x3
6 de Dezembro de 2012
4.4 Problema D 105
x1 x2 x3 x4 a1 a2
a1 1 2 3 0 1 0 15
a2 2 1 5 0 0 1 20
x4 1 2 1 1 0 0 10
−z 1 2 3 0 0 0 0
+3M +3M +8M +0 +0 +0 +35M
x1 x2 x3 x4 a1 a2
a1 − 51 7
5
0 0 1 − 35 3
2 1 1
x3 5 5
1 0 0 5
4
3 9
x4 5 5
0 1 0 − 15 6
−z − 51 7
5
0 0 0 − 35 −12
+ 15 M + 57 M 0 0 0 − 58 M +3M
x1 x2 x3 x4 a1 a2
x2 − 71 1 0 0 5
7
− 37 15
7
3
x3 7
0 1 0 − 17 2
7
25
7
6
x4 7
0 0 1 − 97 4
7
15
7
−z 0 0 0 0 −15
0 0 0 0 −M −M 0
2
A linha dos custos marginais está dividida em duas com a única finalidade de sim-
plificar os cálculos. A soma das duas linhas é que representa o custo marginal (p.ex.:
1 + 3M ).
6 de Dezembro de 2012
106 Método Simplex
Quadro óptimo
(b) Há soluções óptimas alternativas porque há uma variável não básica, a
variável x1 , com um custo marginal nulo no quadro óptimo.
Para obter outra solução óptima deveria ser feita uma outra iteração
na qual x1 entraria na base.
Pode-se obter o conjunto completo de soluções óptimas fazendo a com-
binação linear das duas soluções óptimas geradas nos quadros simplex.
Esta combinação linear representa a aresta do conjunto das soluções
admissı́veis que une os dois vértices óptimos.
6 de Dezembro de 2012
4.5 Problema E 107
4.5 Problema E
4.5.1 Enunciado
Resolva, pelo método Simplex, o seguinte problema de programação linear:
min z = 4x1 + x2 + x3
suj. a:
2x1 + x2 + 2x3 = 4
3x1 + 3x2 + x3 = 3
x1 , x2 , x3 ≥ 0
6 de Dezembro de 2012
108 Método Simplex
4.5.2 Resolução
Em primeiro lugar é necessário acrescentar outras variáveis, chamadas va-
riáveis artificiais, nas duas restrições que não têm variáveis básicas:
2x1 + x2 + 2x3 + a1 = 4
3x1 + 3x2 + x3 + a2 = 3
Seguidamente, o Método das Penalidades usa o método Simplex para
anular (retirar da base) essas variáveis artificiais. Quando isso acontece, a
solução obtida é uma solução básica admissı́vel do problema original, que é
usada como solução de partida para aplicar o método Simplex.
Para forçar as variáveis artificiais a serem nulas, a função objectivo min z =
4x1 + x2 + x3 deve ser substituı́da pela função objectivo min z = 4x1 + x2 +
x3 + M (a1 + a2 ), onde M tem um valor muito elevado. Dado que se trata
de um problema de minimização, a melhoria da função objectivo implica que
as variáveis artificiais passem a valer zero (sejam retiradas da base). A so-
lução básica assim obtida é uma solução básica admissı́vel para o problema
original.
Como nos interessa exprimir z apenas em função de variáveis não bási-
cas, vamos substituir cada variável artificial pela expressão que a representa
apenas em função de variáveis não básicas.
Das duas equações (onde a1 e a2 são variáveis básicas e as outras variáveis
são não básicas):
2x1 + x2 + 2x3 + a1 = 4
3x1 + 3x2 + x3 + a2 = 3
pode-se escrever a1 e a2 em função de variáveis não básicas:
a1 = 4 − 2x1 − x2 − 2x3
a2 = 3 − 3x1 − 3x2 − x3
Assim, a função objectivo a minimizar será:
z = 4x1 + x2 + x3 + M (a1 + a2 )
= 4x1 + x2 + x3 + M (4 − 2x1 − x2 − 2x3 + 3 − 3x1 − 3x2 − x3 )
= x1 (4 − 5M ) + x2 (1 − 4M ) + x3 (1 − 3M ) + 7M
6 de Dezembro de 2012
4.5 Problema E 109
x1 x2 x3 a1 a2
a1 2 1 2 1 0 4
a2 3 3 1 0 1 3
−z 4 1 1 0 0 0
−5M −4M −3M −0 −0 −7M
x1 x2 x3 a1 a2
4
a1 0 −1 3
1 − 23 2
1 1
x1 1 1 3
0 3
1
−z 0 −3 − 13 0 − 34 −4
0 1M − 34 M 0 5
3
M −2M
x1 x2 x3 a1 a2
x3 0 − 34 1 3
4
− 12 3
2
5
x1 1 4
0 − 14 1
2
1
2
13 1 3
−z 0 −4 0 4
−2 − 72
0 0 0 +1M +1M 0
Agora que as variáveis artificiais a1 e a2 já saı́ram da base já se podem
retirar do quadro Simplex e finalizar a resolução.
x 1 x2 x3
3 9
x3 5
0 1 5
4 2
x2 5
1 0 5
13
−z 5
0 0 − 11
5
6 de Dezembro de 2012
110 Método Simplex
4.6 Problema F
4.6.1 Enunciado
Resolva, pelo método Simplex, o seguinte problema de programação linear:
max F = x1 + 2x2
suj. a:
−4x1 + x2 ≤ 4
2x1 − 3x2 ≤ 6
x1 , x2 ≥ 0
6 de Dezembro de 2012
4.6 Problema F 111
4.6.2 Resolução
Começaremos por representar o problema na forma standard:
max F = x1 + 2x2
suj. a:
−4x1 + x2 + s1 = 4
2x1 − 3x2 + s2 = 6
x1 , x2 , s1 , s2 ≥ 0
base x1 x2 s1 s2 b
⇔ s1 −4 1 1 0 4
s2 2 −3 0 1 6
−F 1 2 0 0 0
base x1 x2 s 1 s 2 b
x2 −4 1 1 0 4
s2 −10 0 3 1 18
−F 9 0 −2 0 −8
Pode-se verificar neste último quadro que x1 pode entrar para a base
(i.e., crescer a partir de 0), conseguindo um ganho de 9 unidades em F por
unidade de crescimento de x1 . No entanto, nem x2 nem s2 decrescem com o
crescimento de x1 , logo não limitam o crescimento de x1 .
Isto significa que a região de soluções admissı́veis é um domı́nio aberto
no sentido de crescimento de F (solução não limitada).
6 de Dezembro de 2012
112 Método Simplex
4.7 Problema G
4.7.1 Enunciado
Resolva, pelo método Simplex, o seguinte problema de programação linear:
min z = x1 + x2 + x3
suj. a:
−x1 + x2 ≥ 1
2x1 − 2x2 − x3 = 2
x1 , x2 , x3 ≥ 0
6 de Dezembro de 2012
4.7 Problema G 113
4.7.2 Resolução
Começamos por representar o problema na forma standard:
−x1 + x2 − s 1 + a1 = 1
2x1 − 2x2 − x3 + a2 = 2
x1 , x2 , x3 , s1 , a1 , a2 ≥ 0
−x1 + x2 − s 1 + a1 = 1
2x1 − 2x2 − x3 + a2 = 2
a1 = 1 + x 1 − x 2 + s1
a2 = 2 − 2x1 + 2x2 + x3
F = x1 + x2 + x3 + M (a1 + a2 )
= 2x1 + x2 − M (1 + x1 − x2 + s1 + 2 − 2x1 + 2x2 + x3 )
= 3M + (1 − M )x1 + (1 + M )x2 + (1 + M )x3 + M s1
6 de Dezembro de 2012
114 Método Simplex
base x1 x2 x3 s 1 a1 a2 b
a1 −1 1 0 −1 1 0 1
⇔ a2 2 −2 −1 0 0 1 2
−F 1 1 1 0 0 0 0
−M +M +M +M 0 0 −3M
base x1 x2 x3 s 1 a1 a2 b
a1 0 0 − 21 −1 1 1
2
2
x1 1 −1 − 21 0 0 1
2
1
3
−F 0 2 2
0 0 − 12 −1
0 0 + 12 M +M 0 + 21 M −2M
Atingiu-se o valor mı́nimo de F (todos os custos marginais são ≥ zero)
sem que tenham saı́do da base todas as variáveis artificiais.
Isso significa que não é possı́vel encontrar uma solução básica admissı́vel
para o problema original, ou seja, a região de soluções admissı́veis é um
conjunto vazio.
4
A linha dos custos marginais está dividida em duas com a única finalidade de sim-
plificar os cálculos. A soma das duas linhas é que representa o custo marginal (p.ex.:
1 − M ).
6 de Dezembro de 2012
4.8 Problema H 115
4.8 Problema H
4.8.1 Enunciado
Resolva, pelo método Simplex, o seguinte problema de programação linear:
max F = x + 2y + 3z
suj. a:
x − y ≥ 0
y + z ≤ 2
−x + z = 0
x ∈ <
y , z ≥ 0
6 de Dezembro de 2012
116 Método Simplex
4.8.2 Resolução
Analisando o problema verifica-se que, como a variável x não é limitada
apenas a valores não negativos, é necessário substituı́-la pela diferença de
duas variáveis não negativas:
x = x1 − x2
x1 , x 2 ≥ 0
x1 − x2 − y − s1 + a1 = 0
y + z + s2 = 2
−x1 + x2 + z + a2 = 0
x1 , x 2 , y , z , s 1 , s 2 , a 1 , a 2 ≥ 0
x1 − x2 − y − s1 + a1 = 0
−x1 + x2 + z + a2 = 0
a1 = − x 1 + x 2 + y + s 1
a2 = + x 1 − x 2 − z
Assim, a função objectivo a maximizar será:
6 de Dezembro de 2012
4.8 Problema H 117
F = x1 − x2 + 2y + 3z − M (a1 + a2 )
= x1 − x2 + 2y + 3z − M (−x1 + x2 + y + s1 + x1 − x2 − z)
= x1 + x2 + (2 − M )y + (3 + M )z − M s1
base x1 x2 y z s 1 s2 a1 a2 b
a1 1 −1 −1 0 −1 0 1 0 0
s2 0 0 1 1 0 1 0 0 2
⇔ a2 −1 1 0 1 0 0 0 1 0
−F 1 −1 2 3 0 0 0 0 0
0 0 −M +M −M 0 0 0 0
base x1 x2 y z s 1 s2 a1 a2 b
⇔ a1 1 −1 −1 0 −1 0 1 0 0
s2 1 −1 1 0 0 1 0 −1 2
z −1 1 0 1 0 0 0 1 0
−F 4 −4 2 0 0 0 0 −3 0
+M −M −M 0 −M 0 0 −M 0
base x1 x2 y z s 1 s2 a1 a2 b
x1 1 −1 −1 0 −1 0 1 0 0
⇔ s2 0 0 2 0 1 1 −1 −1 2
z 0 0 −1 1 −1 0 1 1 0
−F 0 0 6 0 4 0 −4 −3 0
0 0 0 0 0 0 −M −M 0
Note-se que embora a solução actual representada no quadro acima seja
degenerada (x1 = 0 e z = 0), o processo iterativo não entra em ciclo, uma
vez que a próxima solução é necessariamente não degenerada. Com efeito,
entrando y para a base as variáveis x1 e z vão crescer (coeficientes a13 e a33
iguais a -1) uma unidade por unidade de crescimento de y, passando de zero
para um valor positivo.
5
A linha dos custos marginais está dividida em duas com a única finalidade de sim-
plificar os cálculos. A soma das duas linhas é que representa o custo marginal (p.ex.:
2 − M ).
6 de Dezembro de 2012
118 Método Simplex
base x1 x2 y z s1 s2 b
1 1
x1 1 −1 0 0 −2 2
1
1 1
⇔y 0 0 1 0 2 2
1
1 1
z 0 0 0 1 −2 2
1
−F 0 0 0 0 1 −3 −6
base x1 x2 y z s1 s2 b
x1 1 −1 1 0 0 1 2
s1 0 0 2 0 1 1 2
z 0 0 1 1 0 1 2
−F 0 0 −2 0 0 −4 −8
Quadro óptimo
x − y ≥ 0
y + z ≤ 2
−x + z = 0
x ∈ <
y , z ≥ 0
Da terceira equação pode-se retirar que z = x. Dado que z ≥ 0 então
x ≥ 0 e portanto não é necessário decompor a variável x nas variáveis x1 e
x2 , como foi feito na resolução anterior.
Podemos assim escrever o problema equivalente ao problema dado, mas
de resolução muito mais simples (já na forma standard):
max F = x + 2y + 3z = 4x + 2y
suj. a:
x − y − s1 + a1 = 0
x + y + s2 = 2
x , y , s1 , s2 , a1 ≥ 0
F = 4x + 2y − M (a1 )
= 4x + 2y − M (−x + y + s1 )
= (4 + M )x + (2 − M )y − M s1
6 de Dezembro de 2012
4.8 Problema H 119
base x y s 1 s 2 a1 b
⇔ a1 1 −1 −1 0 1 0
s2 1 1 0 1 0 2
−F 4 2 0 0 0 0
+M −M −M 0 0 0
A variável artificial foi retirada da base.
base x y s1 s2 b
x 1 −1 −1 0 0
⇔ s2 0 2 1 1 2
−F 0 6 4 0 0
base x y s1 s2 b
x 1 0 − 12 1
2
1
⇔y 0 1 12 1
2
1
−F 0 0 1 −3 −6
base x y s1 s2 b
x 1 1 0 1 2
s1 0 2 1 1 2
−F 0 −2 0 −4 −8
Quadro óptimo
6 de Dezembro de 2012
120 Método Simplex
6 de Dezembro de 2012
Capı́tulo 5
Programação Inteira
Objetivos de Aprendizagem
• Dado o conjunto desordenado de nós de uma árvore de pesquisa:
6 de Dezembro de 2012
122 Programação Inteira
Exercı́cios
6 de Dezembro de 2012
5.1 Problema PIA 123
Maximizar:
F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0 e inteiras
Resolva o problema graficamente, utilizando o algoritmo de “Branch-and-
Bound”.
6 de Dezembro de 2012
124 Programação Inteira
5.1.2 Resolução
O problema a resolver é de Programação Inteira (PI) com apenas duas va-
riáveis de decisão. Neste caso é possı́vel obter a solução óptima logo directa-
mente a partir do gráfico, tal como se pode ver na figura 1.
Neste caso especial também se pode usar o algoritmo Branch-and-Bound
graficamente, resolvendo os vários problemas de Programação Linear (PL).
Paralelamente à resolução dos problemas de PL construiu-se uma árvore
onde se representam as várias ramificações geradas durante a aplicação do
método.
O algoritmo Branch-and-Bound começa por resolver o problema de PL
associado ao problema de PI dado, ou seja, retirando as restrições de inte-
gralidade para as variáveis de decisão (problema usualmente designado por
problema relaxado), aqui identificado por PL0.
Problema PL0:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
6 de Dezembro de 2012
5.1 Problema PIA 125
PL0
(solução não inteira)
x = 3.5
y = 3.5
F = 35
x = 3.5
4
7
x + 2y = 9
Essa intersecção faz-se no ponto (x, y) = (3.5, 3.5). O valor da função
objetivo nesse ponto é F = 35. Na figura 3 está representado o nó inicial da
árvore de “Branch-and-Bound”.
Uma vez que a solução é não inteira, o algoritmo prossegue com a geração
de dois novos problemas, obtidos pela introdução de duas restrições numa das
variáveis cujo valor é não inteiro. Neste caso foi escolhida arbitrariamente
a variável x, tendo sido criados dois problemas, o problema PL01, com a
introdução da restrição x ≤ 3, e o problema PL02, com a introdução da
restrição x ≥ 4.
Deste modo é garantido que, a solução óptima inteira do problema ori-
ginal, que neste caso existe, está necessariamente num destes problemas.
6 de Dezembro de 2012
126 Programação Inteira
Note-se que a reunião das regiões admissı́veis de PL01 e PL02 contém todas
as soluções inteiras admissı́veis do problema dado, não sendo desta forma ex-
cluı́da qualquer solução inteira. Por outro lado, tratando-se de um problema
de maximização, o valor da função objetivo óptima de v é sempre menor ou
igual que o seu valor para o problema “pai”, PL0 (ou ≥, se se tratar de um
problema de minimização). Prosseguindo, resolvem-se os problemas PL01
e PL02. A ordem de resolução considera-se arbitrária, já que nada permite
concluir à priori qual dos problemas contém a solução inteira óptima.
Problema PL01:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
Na figura 4 pode-se verificar que a solução do problema PL01 se obtém
calculando a intersecção das rectas:
x = 3
4
7
x + 2y = 9
6 de Dezembro de 2012
5.1 Problema PIA 127
51
Essa intersecção faz-se no ponto (x, y) = (3, 14 ) ≈ (3, 3.6). O valor da
função objetivo nesse ponto é F = 34.5.
Analisemos agora o problema PL02, já que este pode eventualmente con-
duzir a uma solução inteira, com um valor para a função objetivo superior
ao obtido para PL01. Se isso acontecer, então não é necessário resolver
sub-problemas gerados por PL01, uma vez que qualquer solução desses pro-
blemas, tem necessariamente um valor da funcão objetivo não superior ao de
PL01. Esta operação de “corte”na geração e análise dos problemas de PL é
consequência de valores limite (Bound) impostos pelo algoritmo.
Problema PL02:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≥ 4
Para este problema pode concluir-se facilmente (ver figura 5) que não
existe qualquer solução admissı́vel. Com efeito, as regiões definidas por x ≤
3.5 e x ≥ 4 são disjuntas.
Na figura 6 está representada a árvore de “Branch-and-Bound” construı́da
até ao momento.
6 de Dezembro de 2012
128 Programação Inteira
PL0
(solução não inteira)
x = 3.5
y = 3.5
F = 35
x <= 3 x >= 4
PL01
(solução não inteira) PL02
x=3 (sem soluções)
y = 3.6
F = 34.5
Problema PL011:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≤ 3
Na figura 7 pode-se verificar que a solução do problema PL011 se obtém
calculando a intersecção das rectas:
x = 3
y = 3
Essa intersecção faz-se no ponto (x, y) = (3, 3). O valor da função objetivo
nesse ponto é F = 30. Apesar de ser a primeira solução inteira obtida até
6 de Dezembro de 2012
5.1 Problema PIA 129
então, não se pode contudo afirmar que ela é a solução óptima do problema
de PI, dado que ainda não se explorou a solução do problema PL012. Pode
no entanto registar-se esta solução inteira como a melhor obtida até aqui.
Dado que se trata de um problema de maximização, o valor correspon-
dente da função objetivo é considerado como um limite inferior para o valor
óptimo de F . Durante a aplicação do algoritmo, qualquer solução (inteira
ou não) que se obtenha com um valor para o objetivo inferior a 30 pode ser
imediatamente desprezada, pois existe já uma solução inteira com esse valor.
Prosseguindo, resolva-se o problema PL012:
max F = 3x + 7y
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4
6 de Dezembro de 2012
130 Programação Inteira
4
7
x + 2y = 9
y = 4
Problema PL0121:
max F = 3x + 7y
6 de Dezembro de 2012
5.1 Problema PIA 131
PL0
(solução não inteira)
x = 3.5
y = 3.5
F = 35
x <= 3 x >= 4
PL01
(solução não inteira) PL02
x=3 (sem soluções)
y = 3.6
F = 34.5
y <= 3 y >= 4
PL011 PL012
(solução inteira) (solução não inteira)
x=3 x = 1.7
y=3 y=4
F = 30 F = 33.2
6 de Dezembro de 2012
132 Programação Inteira
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4
x ≤ 1
4
7
x+ 2y = 9
x = 1
Problema PL0122:
max F = 3x + 7y
6 de Dezembro de 2012
5.1 Problema PIA 133
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4
x ≥ 2
Problema PL01211:
max F = 3x + 7y
6 de Dezembro de 2012
134 Programação Inteira
PL0
(solução não inteira)
x = 3.5
y = 3.5
F = 35
x <= 3 x >= 4
PL01
(solução não inteira) PL02
x=3 (sem soluções)
y = 3.6
F = 34.5
y <= 3 y >= 4
PL011 PL012
(solução inteira) (solução não inteira)
x=3 x = 1.7
y=3 y=4
F = 30 F = 33.2
x <= 1 x >= 2
PL0121
(solução não inteira)
PL0122
x=1
(sem soluções)
y = 4.2
F = 32.5
6 de Dezembro de 2012
5.1 Problema PIA 135
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4
x ≤ 1
y ≤ 4
x = 1
y = 4
Essa intersecção faz-se no ponto (x, y) = (1, 4). O valor da função objetivo
nesse ponto é F = 31.
Problema PL01212:
max F = 3x + 7y
6 de Dezembro de 2012
136 Programação Inteira
,
,
•
, -- - I ,- ,
h ; 4y - I O
/ ,-,
/
,
,
- - ;
/ 4Ih-2y - 9
,
/
,' , , , , • , •
/
,
suj. a:
x ≤ 3.5
5x − 4y ≤ 10
4
7
x + 2y ≤ 9
x , y ≥ 0
x ≤ 3
y ≥ 4
x ≤ 1
y ≥ 5
Analisando a figura 14, pode-se concluir facilmente que o problema PL01212
não tem qualquer solução admissı́vel. Assim, a solução do problema PL01211
é a solução óptima (inteira) do problema dado.
Na figura 15 está representada toda a árvore de “Branch-and-Bound”,
construı́da para resolução deste problema.
6 de Dezembro de 2012
5.1 Problema PIA 137
PL0
(solução não inteira)
x = 3.5
y = 3.5
F = 35
x <= 3 x >= 4
PL01
(solução não inteira) PL02
x=3 (sem soluções)
y = 3.6
F = 34.5
y <= 3 y >= 4
PL011 PL012
(solução inteira) (solução não inteira)
x=3 x = 1.7
y=3 y=4
F = 30 F = 33.2
x <= 1 x >= 2
PL0121
(solução não inteira)
PL0122
x=1
(sem soluções)
y = 4.2
F = 32.5
y <= 4 y >= 5
PL01211
(solução inteira óptima)
PL01212
x=1
(sem soluções)
y=4
F = 31
6 de Dezembro de 2012
138 Programação Inteira
A B C D E F G H I
13
x1 5 5 18 − 3 3 12 − 5 3 −
x2 2 2 49 − 3 3 − 2 85 3 18 −
6 de Dezembro de 2012
5.2 Problema PIB 139
B
Z = -23 2/3 Problema com
x1 = 5 13/18 menor valor de Z
x2 = 2 4/9
A ramificação só
x2 <= 2 x2 >= 3 pode ser em x 2 pois
x1 é inteiro O facto de não haver nenhum
subproblema com x 1>=6 implica que
A a introdução dessa restrição resultou
E
Z = -20 num problema sem solução
Z = -22
x1 = 5 admissível.
x1 = 3 1/2
x2 = 2
x2 = 3
solução inteira
x1 <= 3 x1 >= 4
Problema
com x 1<=3 e x 2>=3 H
e menor valor de Z Z = -21 5/8 F
x1 = 3 sem solução admissível
x2 = 3 1/8
5.2.2 Resolução
Para obtenção da árvore de problemas representada na figura 16, correspon-
dente aos subproblemas apresentados no enunciado, é necessário ter em conta
que o valor da função objetivo “piora” à medida que se desce na árvore (tem
um maior valor neste caso, dado que se trata de um problema de minimi-
zação), dado que a descida na árvore corresponde à introdução de restrições
adicionais.
A primeira ramificação teve que ser feita em x1 , dado que:
6 de Dezembro de 2012
140 Programação Inteira
6 de Dezembro de 2012
5.3 Problema PIC 141
PL1
(solução não inteira)
Z = 100
PL2 PL3
(solução não inteira) (solução não inteira)
Z = 85 Z = 91
PL8 PL9
(sem soluções) (solução não inteira)
Z = 65
(a) Qual é, nesta altura, o melhor limite superior sobre a solução inteira
óptima?
(b) Qual é, nesta altura, o melhor limite inferior sobre a solução inteira
óptima?
(d) Indique os nós que ainda não foram explorados e explique porquê.
6 de Dezembro de 2012
142 Programação Inteira
6 de Dezembro de 2012
5.3 Problema PIC 143
5.3.2 Resolução
(a) O melhor limite superior sobre a solução inteira óptima no momento
de resolução retratado na árvore é dado pela solução do problema P L5
e é igual a 75. Qualquer solução inteira que surja a partir da exploração
desse nó terá um valor da função objetivo ≤ 75
(b) Os limites inferiores são dados por valores de soluções admissı́veis (va-
riáveis já inteiras) que ainda se desconhece se são ou não óptimas. Neste
caso temos já 2 soluções inteiras, para PL6 e para PL4. A que tem o
maior valor da função objetivo fornece o melhor limite inferior, 70
neste caso.
(c) Já foram explorados os nós P L1, P L2, P L3 e P L7 porque já têm
ramos.
Os nós P L4 e P L6 já foram explorados porque deram origem a soluções
inteiras.
O nó P L8 já está explorado porque corresponde a um problema sem
solução admissı́vel.
O nó P L9 já foi explorado porque pode ser cortado. Corresponde a
um problema com solução óptima não inteira e com um valor para a
função objetivo inferior ao valor da solução inteira do problema P L6.
(d) O nó P L5 ainda não foi explorado, dado que corresponde a um pro-
blema com solução óptima não inteira, mas com um valor para a função
objetivo superior ao valor da melhor solução inteira obtida até ao mo-
mento (problema P L6).
(e) Ainda não é possı́vel saber se já foi obtida a solução óptima do problema
inteiro, porque ainda há nós por explorar (P L5). Só quando os melhores
limites inferiores e superiores coincidirem é que se pode afirmar que a
melhor solução inteira obtida é a óptima.
6 de Dezembro de 2012
144 Programação Inteira
Nó
0
93
Nó
1
Nó
2
84
82
Nó
3
Nó
4
Nó
9
Nó
10
79
76
64
81
Nó
5
Nó
6
Nó
11
Nó
12
52
29
71
69
Nó
7
Nó
8
Nó
13
Nó
14
Sem
49
47
38
solução
Solução
Solução
inteira
Inteira
6 de Dezembro de 2012
5.4 Problema PID 145
5.4.2 Resolução
(a) Pode-se extrair da árvore da figura 18 que:
6 de Dezembro de 2012
146 Programação Inteira
PL0
Max X1 + X2 Max X1 + X2
Solução
X2 X2
óptima
PL2
PL1 Solução
Solução óptima
óptima
X1 X1
Max X1 + X2 Max X1 + X2
X2 X2
PL3 PL5
Solução Solução
óptima óptima
X1 X1
6 de Dezembro de 2012
5.5 Problema Triângulo 147
PL 0
4
x1 <= 1 x1 >= 2
PL 1 PL 2
2.5 3.5
x2 <= 1 x2 >= 2
PL3 PL4
3.25 sem soluções
x1 <= 2 x1 >= 3
PL5 PL6
3 sem soluções
solução inteira
6 de Dezembro de 2012
148 Programação Inteira
A B C D E F G H I
X1 0.3 0 1 0 0 0 1.4 1
X2 3 3 2 2.7 3 3.6 0.8 1.6
X3 0.45 0.75 0 1 0 0.3 1 0.8
Z 25.8 24 24 22.7 21 26.4 SSA 23.6 24.4
6 de Dezembro de 2012
5.6 Problema PIE 149
Nó F
Z = 26.4
X1 = 0
X2 = 3.6
X3 = 0.3
X2 <= 3 X2 >= 4
Nó G
Nó A SSA
Z = 25.8
X1 = 0.3
X2 = 3
X3 = 0.45
X1 <= 0 X1 >= 1
Nó B Nó I
Z = 24 Z = 24.4
X1 = 0 X1 = 1
X2 = 3 X2 = 1.6
X3 = 0.75 X3 = 0.8
X3 <= 0 X3 >= 1
X3 <= 0 X3 >= 1
Nó E Nó D Nó C Nó H
Z = 21 Z = 22.7 Z = 24 Z = 23.6
X1 = 0 X1 = 0 X1 = 1 X1 = 1.4
X2 = 3 X2 = 2.7 X2 = 2 X2 = 0.8
X3 = 0 X3 = 1 X3 = 0 X3 = 1
5.6.2 Resolução
(a) Trata-se de um problema de maximização. Caso fosse um problema de
minimização, a raiz da árvore seria o subproblema com menor função
objectivo, que corresponde ao nó E. Como este nó possui solução inteira,
não seria necessário iniciar a ramificação.
6 de Dezembro de 2012
150 Programação Inteira
6 de Dezembro de 2012
Capı́tulo 6
Problemas de Transportes
Objetivos de Aprendizagem
• Formular um problema como um problema de transportes (formulação
num quadro de transportes) na forma standard, incluindo:
– a criação de origens ou destinos fictı́cios com as disponibilidades
ou as necessidades em falta;
– definição dos custos unitários de transporte apropriados.
• Determinar uma solução inicial:
– pela regra do canto NW;
– pela regra dos custos mı́nimos.
• Gerar uma solução básica inicial acrescentando variáveis básicas dege-
neradas (com valor zero) para tornar o grafo de soluções uma árvore
conexa.
• Fazer iterações do algoritmo de transportes pelo método u−v, incluindo
o cálculo das diferenças e dos custos marginais, a determinação da
variável que entra na base e da variável que sai da base. Atualização
do quadro através da soma e subtração de θ.
• Reconhecer num quadro de transportes:
– se a solução corresponde à solução ótima;
– se há mais soluções com o mesmo valor (ótimos alternativos).
• Calcular o valor (função objetivo) de uma solução.
6 de Dezembro de 2012
152 Problemas de Transportes
Exercı́cios
6 de Dezembro de 2012
6.1 Reservatórios 153
6.1 Reservatórios
6.1.1 Enunciado
Três reservatórios, com capacidades diárias de 15, 20 e 25 milhões de litros de
água, abastecem 4 cidades com consumos diários de 8, 10, 12 e 15 milhões de
litros de água. O custo de abastecimento, por milhão de litros, é apresentado
na tabela 1.
6 de Dezembro de 2012
154 Problemas de Transportes
6.1.2 Resolução
Solução inicial pela regra dos custos mı́nimos:
A B C D F
1 – – – – 15 15
2 3 4 5 0
2 5 – – 15 – 20
3 2 5 2 0
3 3 10 12 – – 25
4 1 2 3 0
8 10 12 15 15
0 -3 -2 -1 -2
2 0+θ – – – 15-θ
2 4 3 4 4 4 5 0
3 5 – – 15 –
3 2 2 4 5 2 -1 0
4 3-θ 10 12 – θ
4 1 2 0 3 -2 0
θ = min{3, 15} = 3
0 -1 0 -1 -2
2 3+θ – – – 12-θ
2 2 3 2 4 4 5 0
3 5-θ – – 15 θ
3 0 2 2 5 2 -1 0
2 – 10 12 – 3
2 4 1 2 2 3 0
θ = min{5, 12} = 5
6 de Dezembro de 2012
6.1 Reservatórios 155
0 -1 0 0 -2
2 8 – – – 7
2 2 3 2 4 3 5 0
2 – – – 15 5
1 3 1 2 3 5 2 0
2 – 10 12 – 3
2 4 1 2 1 3 0
Custo = 80
Solução ótima:
Reservatório 1 abastece a cidade A com 8 milhões de litros de água.
Reservatório 2 abastece a cidade D com 15 milhões de litros de água.
Reservatório 3 abastece a cidade B com 10 milhões de litros de água.
Reservatório 3 abastece a cidade C com 12 milhões de litros de água.
Custo total de abastecimento: 80 ke
6 de Dezembro de 2012
156 Problemas de Transportes
6.2 Transfronteira
6.2.1 Enunciado
Uma empresa possui duas fábricas (P1 e P2 ) onde produz um produto que
é exportado para 3 locais num paı́s vizinho (L1 , L2 e L3 ). O transporte é
feito através de duas fronteiras (F1 e F2 ) (não se impõem limites máximos
à quantidade que pode atravessar diariamente cada uma delas). Por outro
lado, cada fronteira cobra uma taxa por cada unidade do referido produto
que a atravessa (independentemente de vir de P1 ou P2 ) – Na Tabela 2 são
apresentados todos os dados deste problema.
São conhecidas as disponibilidades diárias em cada fábrica, que são sufici-
entes para satisfazer as necessidades diárias de cada local, também conhecidas
(Tabela 2). Sabe-se também quais são os custos para transportar uma uni-
dade do produto, de cada produtor para cada fronteira e de cada fronteira
para cada destino, indicados na Figura 1.
L1
50
23
P1
34
50
F1
120
40
40
L2
20
52
70
45
P2
55
F2
80
38
L3
60
6 de Dezembro de 2012
6.2 Transfronteira 157
6 de Dezembro de 2012
158 Problemas de Transportes
6.2.2 Resolução
(a) Formulação como problema de transportes:
L1 L2 L3 RP1 RP2 X
P1/F1 77 94 74 0 ∞ 0 120
P1/F2 77 95 81 0 ∞ 0 120
P2/F1 72 89 69 ∞ 0 0 80
P2/F2 92 110 96 ∞ 0 0 80
50 70 60 120 80 20 400
30 – 60 10 100 90 30 0
23 40 20 0
20 70 – – 90 70 0
34 52 38 0
50 70 60 10
20 0 0 0
0
0 18 -3 -23
23 30+θ – 60 10-θ
23 -1 40 20 0
34 20-θ 70 – θ
34 52 7 38 -11 0
θ = 10
6 de Dezembro de 2012
6.2 Transfronteira 159
0 18 -3 -34
23 40-θ θ 60 –
23 -1 40 20 11 0
34 10+θ 70-θ – 10
34 52 7 38 0
θ = 40
0 18 -2 -34
22 – 40 60 –
1 23 40 20 12 0
34 50 30 – 10
34 52 6 38 0
Quadro óptimo
Solução óptima:
De Para Quantidade
F1 L1 0
L2 40
L3 60
F2 L1 50
L2 30
L3 0
6 de Dezembro de 2012
160 Problemas de Transportes
6 de Dezembro de 2012
6.3 Construtora de Aviões 161
6.3.2 Resolução
A figura e a tabela seguintes representam os custos totais por unidade (soma
dos custos de produção com os custos de armazenamento) para aviões pro-
duzidos no mês i e entregues no mês j.
Produção Entrega
1.095
Mês
1.110
Mês
2
2
1.125
1.110
1.140
Mês
1.100
Mês
3
3
1.115
1.125
Mês de entrega
1 2 3 4 X
1 1.080 1.095 1.110 1.125 0 25
Mês de 2 ∞ 1.110 1.125 1.140 0 35
produção 3 ∞ ∞ 1.100 1.115 0 30
4 ∞ ∞ ∞ 1.130 0 10
10 15 25 20 30 100
6 de Dezembro de 2012
162 Problemas de Transportes
6 de Dezembro de 2012
6.4 Instituto de Altos Estudos 163
6.4.2 Resolução
• Formulação como problema de transportes:
Destinos
a a
2 3 4a 5a 6a X
Novos 10 10 10 10 10 0 60+50+80+40+50
Origens Usados na 2a ∞ ∞ 2 2 2 0 60
Usados na 3a ∞ ∞ ∞ 2 2 0 50
Usados na 4a ∞ ∞ ∞ ∞ 2 0 80
60 50 80 40 50 190
• ···
6 de Dezembro de 2012
164 Problemas de Transportes
Material
Areia Brita Cimento Terra
Estaleiro Norte 2,0 e 1,0 e 3,5 e 1,5 e
Estaleiro Sul 2,5 e 1,2 e 3,0 e 2,1 e
Pretende-se então saber que quantidade de cada tipo de material deve ser
armazenada em cada estaleiro de forma a minimizar os custos de armazena-
gem.
(b) Admita agora que o Estaleiro Norte não possui as condições de arma-
zenagem necessárias para garantir a manutenção das propriedades do
cimento e, como tal, não se poderá armazenar o cimento neste. Ad-
mita ainda que se deverá usar a capacidade máxima de armazenagem
do Estaleiro Sul.
Apresente o novo quadro inicial de transporte que apresentou na alı́nea
anterior por forma a contemplar estas restrições.
1
Exame de 2009.01.15 de IO do MIEEC da FEUP
6 de Dezembro de 2012
6.5 UnEng5/FND/UNIFIL no Lı́bano 165
Atenção: deve só apresentar o quadro inicial e não deve fazer nenhuma
iteração.
6 de Dezembro de 2012
166 Problemas de Transportes
6.5.2 Resolução
(a) (i) Para formular este problema como um problema de transportes
vamos considerar como origens os materiais e como destinos os
estaleiros. É necessário para equilibrar a capacidade de armaze-
nagem com a quantidade a armazenar e acrescentar um material
fictı́cio que absorverá o excesso de capacidade.
(ii) Determinando uma solução inicial pela regra dos custos mı́nimos
tem-se:
2 2,5
0,0 18+θ 32-θ
2,0 2,5
-1,0 15-θ θ
1,0 1,2
0,5 - 20
3,5 3,0
-0,5 7 -
1,5 2,1
-2,5 - 13
0,0 0,0
6 de Dezembro de 2012
6.5 UnEng5/FND/UNIFIL no Lı́bano 167
2 2,5
0,0 33 17
2,0 2,5
-1,0 - 15
1,0 1,2
0,5 - 20
3,5 3,0
-0,5 7 -
1,5 2,1
-2,5 - 13
0,0 0,0
(iv) A solução obtida é óptima porque não existem diferenças ∆ij = cij − Ui − Vi
não-negativas, conforme apresentado no quadro abaixo.
6 de Dezembro de 2012
168 Problemas de Transportes
2 2,5
0,0 33 17
2,0 2,5
-1,3 - 15
0,3 1,0 1,2
0,5 - 20
1,0 3,5 3,0
-0,5 7 -
1,5 0,1 2,1
-2,5 - 13
0,5 0,0 0,0
6 de Dezembro de 2012
Capı́tulo 7
Problemas de Afetação
Objetivos de Aprendizagem
• Formular um problema como um problema de afetação (quadro de afe-
tação) na forma “standard” incluindo:
6 de Dezembro de 2012
170 Problemas de Afetação
Exercı́cios
6 de Dezembro de 2012
7.1 Desenhadores 171
7.1 Desenhadores
7.1.1 Enunciado
Existem quatro desenhadores para desenhar quatro projectos. Embora todos
possam cumprir essas tarefas, as suas eficiências relativas variam de trabalho
para trabalho.
Com base em desempenhos já conhecidos, produziu-se a seguinte tabela
de custos:
D1 D2 D3 D4
P1 8 7 9 9
P2 5 2 7 8
P3 6 1 4 9
P4 2 3 2 6
6 de Dezembro de 2012
172 Problemas de Afetação
7.1.2 Resolução
8 7 9 9
5 2 7 8
Primeiro quadro do problema
6 1 4 9
2 3 2 6
1 0 2 2
Subtracção em cada linha do me- 3 0 5 6
nor elemento dessa linha 5 0 3 8
0 1 0 4
1 0 2 0
Subtracção em cada coluna do me- 3 0 5 4
nor elemento dessa coluna 5 0 3 6
0 1 0 2
1 0 2 0
3 0 5 4
1a iteração (3 < 4) 5 0 3 6
0 1 0 2
0 0 1 0
2 0 4 4
2a iteração (3 < 4) 4 0 2 6
0 2 0 3
0 2 1 0
0 0 2 2
Solução óptima (4 = 4)
2 0 0 4
0 4 0 3
6 de Dezembro de 2012
7.2 Recrutamento 173
7.2 Recrutamento
7.2.1 Enunciado
Para o preenchimento de 5 lugares, foi pedido a 5 candidatos que manifes-
tassem as suas preferências. Estas foram expressas da seguinte forma:
Lugares
Candidatos 1 2 3 4 5
1 -5 +8 -1 ind +4
2 -4 +2 +2 +3 +2
3 ind ind -5 -1 +3
4 -3 +3 +2 -2 -1
5 -1 +5 ind +3 +5
6 de Dezembro de 2012
174 Problemas de Afetação
7.2.2 Resolução
(a) Atribuir os lugares aos candidatos por forma a maximizar a satisfação
global das preferências:
Lugares
Candidatos 1 2 3 4 5
Quadro inicial.
1 -5 +8 -1 0 +4
Associar um valor zero às afecta-
2 -4 +2 +2 +3 +2
ções ind .
3 0 0 -5 -1 +3
Problema de maximização.
4 -3 +3 +2 -2 -1
5 -1 +5 0 +3 +5
Lugares
Candidatos 1 2 3 4 5
Somar +5 a todos os elementos, 1 0 13 4 5 9
para que todos os elementos ≥ 0. 2 1 7 7 8 7
Problema de maximização. 3 5 5 0 4 8
4 2 8 7 3 4
5 4 10 5 8 10
13 0 9 8 4
Problema de minimização. 12 6 6 5 6
Complemento para o máximo 13 8 8 13 9 5
dos elementos da matriz. 11 5 6 10 9
9 3 8 5 3
10 0 8 8 4
Subtracção em cada linha do me- 4 1 0 0 1
nor elemento dessa linha
0 3 7 4 0
Subtracção em cada coluna do me-
3 0 0 5 4
nor elemento dessa coluna
3 0 4 2 0
10 0 8 8 4
4 1 0 0 1
1a iteração (5 = 5) 0 3 7 4 0
Solução óptima
3 0 0 5 4
3 0 4 2 0
6 de Dezembro de 2012
7.2 Recrutamento 175
• Candidato1 ⇐⇒ Lugar2
• Candidato2 ⇐⇒ Lugar4
• Candidato3 ⇐⇒ Lugar1
• Candidato4 ⇐⇒ Lugar3
• Candidato5 ⇐⇒ Lugar5
M in{0, 8, 2, 3, 5} = 0
1 0 1 1 0
Faça-se então a seguinte substitui-
1 0 0 0 0
ção:
1 1 1 1 0
• valores > 0 → 0 1 0 0 1 1
1 0 1 0 0
• valores ≤ 0 → 1
Dado que a primeira coluna do quadro só tem valores = 1, a afectação
óptima para o “Bottleneck Assignment Problem”é a obtida na alı́nea
(a).
6 de Dezembro de 2012
176 Problemas de Afetação
(b) Considere agora que, após uma negociação assaz difı́cil, Romeu conse-
guiu que a restrição das duas tarefas para cada um fosse levantada, isto
é, todas as combinações do número de tarefas atribuı́das a cada um são
possı́veis.
Reformule o problema atendendo a esta nova situação.
6 de Dezembro de 2012
7.3 Romeu e Julieta 177
7.3.2 Resolução
(a) Quadro inicial:
0 4 2 1
Subtracção em cada linha do me- 0 4 2 1
nor elemento dessa linha 0 7 4 2.5
0 7 4 2.5
0 0 0 0
Subtracção em cada coluna do me- 0 0 0 0
nor elemento dessa coluna 0 3 2 1.5
0 3 2 1.5
0 0 0 0
0 0 0 0
1a iteração (3 < 4) 0 3 2 1.5
0 3 2 1.5
1.5 0 0 0
1.5 0 0 0
Solução óptima (4 = 4)
0 1.5 0.5 0
0 1.5 0.5 0
• Romeu ⇐⇒ cozinha
• Romeu ⇐⇒ limpeza
• Julieta ⇐⇒ compras
• Julieta ⇐⇒ roupa
6 de Dezembro de 2012
178 Problemas de Afetação
6 de Dezembro de 2012
7.4 Companhia de Navegação Aérea 179
6 de Dezembro de 2012
180 Problemas de Afetação
7.4.2 Resolução
∞ ∞ ∞ ∞ ∞ 5 5 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 5 5 0 ∞ ∞
Subtracção em cada ∞ ∞ ∞ ∞ ∞ 0 0 19 ∞ ∞
coluna do menor ele- ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
mento dessa coluna ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
Subtracção em cada li- 0 0 7 12 12 ∞ ∞ ∞ ∞ ∞
nha do menor elemento 17 17 0 5 5 ∞ ∞ ∞ ∞ ∞
dessa linha 12 12 19 0 0 ∞ ∞ ∞ ∞ ∞
17 17 0 5 5 ∞ ∞ ∞ ∞ ∞
12 12 19 0 0 ∞ ∞ ∞ ∞ ∞
6 de Dezembro de 2012
7.4 Companhia de Navegação Aérea 181
∞ ∞ ∞ ∞ ∞ 5 5 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 5 5 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 19 ∞ ∞
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
1a iteração (8 < 10)
0 0 7 12 12 ∞ ∞ ∞ ∞ ∞
17 17 0 5 5 ∞ ∞ ∞ ∞ ∞
12 12 19 0 0 ∞ ∞ ∞ ∞ ∞
17 17 0 5 5 ∞ ∞ ∞ ∞ ∞
12 12 19 0 0 ∞ ∞ ∞ ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 24 ∞ ∞
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
2a iteração (9 < 10)
0 0 12 12 12 ∞ ∞ ∞ ∞ ∞
12 12 0 0 0 ∞ ∞ ∞ ∞ ∞
12 12 24 0 0 ∞ ∞ ∞ ∞ ∞
12 12 0 0 0 ∞ ∞ ∞ ∞ ∞
12 12 24 0 0 ∞ ∞ ∞ ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 0 ∞ ∞
∞ ∞ ∞ ∞ ∞ 0 0 24 ∞ ∞
∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
3a iteração (10 = 10) ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 0 0
Solução óptima. 0 0 24 24 24 ∞ ∞ ∞ ∞ ∞
0 0 0 0 0 ∞ ∞ ∞ ∞ ∞
0 0 24 0 0 ∞ ∞ ∞ ∞ ∞
0 0 0 0 0 ∞ ∞ ∞ ∞ ∞
0 0 24 0 0 ∞ ∞ ∞ ∞ ∞
Uma possı́vel solução óptima será:
• Voo de chegada 1 ⇐⇒ Voo de partida 8
• Voo de chegada 2 ⇐⇒ Voo de partida 7
• Voo de chegada 3 ⇐⇒ Voo de partida 6
• Voo de chegada 4 ⇐⇒ Voo de partida 9
6 de Dezembro de 2012
182 Problemas de Afetação
Voo
Turno 2 C A
9
Voo
Turno 3 A B
2
Voo Voo
Turno 4 B A B
7 3
Voo
X Y
z
6 de Dezembro de 2012
7.5 Asa de Luxo Lda 183
Destino A1 A2 A3
Monte Carlo 8 11 10
Ilhas Canárias 10 9 9
Biarritz 9 4 8
Ilhas Gregas 6 7 5
6 de Dezembro de 2012
184 Problemas de Afetação
7.5.2 Resolução
Quadro inicial. Destino A1 A2 A3 Fictı́cio
Problema de maximização. Monte Carlo 8 11 10 ?
Acrescentou-se um avião fictı́cio Ilhas Canárias 10 9 9 ?
para que número de aviões = nú- Biarritz 9 4 8 ?
mero de destinos. Ilhas Gregas 6 7 5 ?
Destino A1 A2 A3 Fictı́cio
Problema de minimização. Monte Carlo 3 0 1 ?
Complemento para o máximo 11 Ilhas Canárias 1 2 2 ?
dos elementos da matriz. Biarritz 2 7 3 ?
Ilhas Gregas 5 4 6 ?
Para evitar que A1 ou A3 sejam
afectos às Ilhas Gregas, coloca-se
∞ no custo dessa afectação. 3 0 1 0
Para obrigar que um dos aviões re- 1 2 2 0
ais vá para Biarritz, impede-se que 2 7 3 ∞
o avião fictı́cio seja afecto a Biar- ∞ 4 ∞ 0
ritz, colocando ∞ no custo dessa
afectação.
2 0 0 0
0 2 1 0
1a iteração (3 < 4) 0 6 1 ∞
∞ 4 ∞ 0
3 0 0 1
0 1 0 0
Solução óptima (4 = 4)
0 5 0 ∞
∞ 3 ∞ 0
• A1 ⇐⇒ Ilhas Canárias
6 de Dezembro de 2012
7.5 Asa de Luxo Lda 185
• A2 ⇐⇒ Monte Carlo
• A3 ⇐⇒ Biarritz
6 de Dezembro de 2012
186 Problemas de Afetação
6 de Dezembro de 2012
7.6 WFP na Costa da Somália 187
Z1 Z2 Z3 Z4
MV Semlow 20 22 24 23
HMS Northumberland 18 15 16 14
Bouvet 10 8 6 4
(a) Determine que navio deve patrulhar que zona, de forma a maximizar
o número total de ataques piratas evitados. Qual é esse número (o
gabinete de imprensa necessita dele com urgência)?
(b) O Bouvet não gostou da zona que lhe foi atribuı́da e pediu para ser
mudado para outra zona. É possı́vel fazer isso sem diminuir o número
total de ataques evitados?
6 de Dezembro de 2012
188 Problemas de Afetação
7.6.2 Resolução
(a) Este é um problema de afectação, de maximização e com uma matriz
não quadrada. Comecemos por transformar o problema de maximiza-
ção num problema de minimização, calculando o complemento para o
máximo da matriz:
Z1 Z2 Z3 Z4 Z1 Z2 Z3 Z4
S 20 22 24 23 S 4 2 0 1
−→
N 18 15 16 14 B 6 9 8 10
B 10 8 6 4 B 14 16 18 20
Agora será necessário acrescentar um barco fictı́cio F para transformar
a matriz num matriz quadrada. A zona que ficar atribuı́da a este barco
fictı́cio será a zona não patrulhada. Os “custos” atribuı́dos ao barco
fictı́cio podem ser quaisquer desde que iguais para todas zonas. Opta-
mos pelo valor 0 para originar menos quadros de resolução. A partir
daı́ aplica-se o método o húngaro nos seus passos habituais, sendo o
primeiro deles a subtracção, em cada linha, do menor elemento da li-
nha. A itálico representa-se o menor valor dos não riscados e a preto
carregado os elementos riscados.
Z1 Z2 Z3 Z4 Z1 Z2 Z3 Z4
S 4 2 0 1 S 4 2 0 1
B 6 9 8 10 −→ B 0 3 2 4
B 14 16 18 20 B 0 2 4 6
F 0 0 0 0 F 0 0 0 0
Z1 Z2 Z3 Z4 Z1 Z2 Z3 Z4
S 4 1 0 0 S 5 1 0 0
B 0 2 2 3 −→ B 0 1 1 2
B 0 1 4 5 B 0 0 3 4
F 1 0 1 0 F 2 0 1 0
Atingidos os 4 riscos obrigatórios estamos perante um conjunto de 4
zeros independentes, que representam a solução óptima do problema (a
preto carregado no quadro seguinte). Esta solução deve ser transposta
para a matriz original de forma a calcular-se o número total de ataques
evitados.
Z1 Z2 Z3 Z4
Z1 Z2 Z3 Z4
S 5 1 0 0
S 20 22 24 23
B 0 1 1 2 −→
N 18 15 16 14
B 0 0 3 4
B 10 8 6 4
F 2 0 1 0
A solução óptima será pois:
6 de Dezembro de 2012
7.6 WFP na Costa da Somália 189
6 de Dezembro de 2012
190 Problemas de Afetação
6 de Dezembro de 2012
Capı́tulo 8
Objetivos de Aprendizagem
• Formular um problema como uma rede de fluxos.
6 de Dezembro de 2012
192 Problemas de Fluxo Máximo
Exercı́cios
6 de Dezembro de 2012
8.1 Exercı́cio dos Depósitos 193
D E F
A 15 10 —
B 5 — 10
C 10 5 5
6 de Dezembro de 2012
194 Problemas de Fluxo Máximo
8.1.2 Resolução
O problema proposto é um problema de fluxo máximo. Seguindo a sugestão
do enunciado, acrescentou-se ao problema um nó fictı́cio (X) agregando a
oferta dos depósitos A, B e C e um nó fictı́cio (Y ) agregando a procura dos
destinos D, E e F . A rede inicial está representada na figura seguinte.
A (15,0) D
(10,0)
(20,0) (25,0)
(5,0)
f=0 X (10,0) B (10,0) E (20,0) Y f=0
(5,0)
(35,0) (20,0)
(10,0)
C (5,0) F
A (15,15) D
(10,0)
(20,15) (25,15)
(5,0)
f=15 X (10,0) B (10,0) E (20,0) Y f=15
(5,0)
(35,0) (20,0)
(10,0)
C (5,0) F
6 de Dezembro de 2012
8.1 Exercı́cio dos Depósitos 195
A (15,15) D
(10,0)
(20,15) (25,15)
(5,0)
f=25 X (10,10) B (10,0) E (20,0) Y f=25
(5,0)
(35,0) (20,10)
(10,10)
C (5,0) F
A (15,15) D
(10,5)
(20,20) (25,15)
(5,0)
f=30 X (10,10) B (10,0) E (20,5) Y f=30
(5,0)
(35,0) (20,10)
(10,10)
C (5,0) F
A (15,15) D
(10,5)
(20,20) (25,25)
(5,0)
f=40 X (10,10) B (10,10) E (20,5) Y f=40
(5,0)
(35,10) (20,10)
(10,10)
C (5,0) F
6 de Dezembro de 2012
196 Problemas de Fluxo Máximo
A (15,15) D
(10,5)
(20,20) (25,25)
(5,0)
f=45 X (10,10) B (10,10) E (20,10) Y f=45
(5,5)
(35,15) (20,10)
(10,10)
C (5,0) F
A (15,15) D
(10,5)
(20,20) (25,25)
(5,0)
f=50 X (10,10) B (10,10) E (20,10) Y f=50
(5,5)
(35,20) (20,15)
(10,10)
C (5,5) F
Corte mínimo
D E F
A 15 5 —
B 0 — 10
C 10 5 5
6 de Dezembro de 2012
8.1 Exercı́cio dos Depósitos 197
6 de Dezembro de 2012
198 Problemas de Fluxo Máximo
10 5 10
1 15 3 12 5 20 6
20 15 5
6 de Dezembro de 2012
8.2 Exercı́cio Nó 1 a Nó 6 199
8.2.2 Resolução
A rede inicial está representada na figura seguinte.
6 de Dezembro de 2012
200 Problemas de Fluxo Máximo
2
Corte mínimo
(10,10) (5,0) (10,10)
6 de Dezembro de 2012
8.3 Exercı́cio Nó 1 a Nó 7 201
2 2 5
15 4 15
5
1 20 3 15 7
3
10 5 10
4 4 6
6 de Dezembro de 2012
202 Problemas de Fluxo Máximo
8.3.2 Resolução
Corte mínimo
2 (2,2) 5
(3,3)
(10,9) (5,3) (10,10)
4 (4,4) 6
6 de Dezembro de 2012
8.4 Exercı́cio Nó 0 a Nó 4 203
4
1
2
2
2
3
3
0
1
1
4
1
2
3
6 de Dezembro de 2012
204 Problemas de Fluxo Máximo
1
Cúpula 2
Cúpula 1
3 1
1 1 2 1 3
Entrada 3 4 5 ? 2 2 Saída
2 2 2 1
3 4
6 de Dezembro de 2012
8.5 Exercı́cio Fluxo Máximo no ShopShopping 205
8.5.2 Resolução
Esta questão pode ser resolvida de duas maneiras diferentes:
(b) Considera-se uma rede só, em que o ramo que representa o corredor não
tem uma capacidade máxima pré-definida, e calcula-se o fluxo máximo
que pode atravessar essa rede. O fluxo que atravessar o ramo “corredor”
define a capacidade que lhe deve ser atribuı́da.
(1,1)
(1,1) (1,1)
(1,2) (2,3)
(0,1) (0,1) (2,3)
F=6 (4,5) (6,?)
(3,3) (3,4) (2,2) (2,2) F=6
(0,2) (0,1)
(2,2) (2,3) (2,2) (2,4)
(a)
(b)
6 de Dezembro de 2012
206 Problemas de Fluxo Máximo
Salalah Adam Boosaaso Bender Beila Moqdisho Chisimato Mombasa Dar es Salam
(1) (2) (3) (4) (5) (6) (7) (8)
(1) Salalah - 27 - 12 - - - -
(2) Adam - - 30 18 - - - -
(3) Boosaaso - - - - 36 - - -
(4) Bender Beila - - - - 50 - - -
(5) Moqdisho - - - - - - - -
(6) Chisimato - - - - 32 - - -
(7) Mombasa - - - - 34 31 - -
(8) Dar es Salam - - - 27 29 24 44 -
1
Exame de 2009.02.09 de MD do MIEA da FEUP
6 de Dezembro de 2012
8.6 WFP na Costa da Somália 207
6 de Dezembro de 2012
208 Problemas de Fluxo Máximo
8.6.2 Resolução
(a) Representando os dados constantes da figura 1 e da tabela 1 num grafo,
obtém-se a seguinte rede de fluxos. A cada arco (orientado) está asso-
ciado um par de valores que representam, respectivamente, o valor do
fluxo que atravessa o arco e a capacidade desse mesmo arco. A nume-
ração dos nós corresponde á da tabela 1, sendo o nó de entrada na rede
o nó 8 e o nó de saı́da o nó 5.
(0,18)
7 (0,34)
(0,27) 4 2
(0,44)
(0,50)
(0,12)
fin =0 (0,29)
8 5 (0,27)
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 0 3 1
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 34 3 1
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 63 3 1
6 de Dezembro de 2012
8.6 WFP na Costa da Somália 209
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 90 3 1
(0,31)
(24,24) (24,32) (0,36) (0,30)
6 fout = 114 3 1
(8,31)
(24,24) (32,32) (0,36) (0,30)
6 fout = 122 3 1
6 de Dezembro de 2012
210 Problemas de Fluxo Máximo
Neste momento não parece existir qualquer caminho não saturado entre
o nó 8 e o nó 5. Tal é confirmado pela existência de um corte mı́nimo,
que confirma a garante a optimalidade da solução obtida:
(0,18)
7 (34,34)
(27,27) 4 2
(42,44)
(27,50)
(0,12)
fin = 122 (29,29)
8 5 (0,27)
(8,31)
(24,24) (32,32) (0,36) (0,30)
6 fout = 122 3 1
Corte mínimo
(b) Nesta alı́nea passamos a ter dois nós de entrada, o nó 1 e o nó 8,
mantendo-se o nó 5 como o nó de saı́da da rede. A forma de resolver o
problema seria criando um nó artificial (nó I) que se ligaria aos nós 1
e 8 com uma capacidade suficientemente grande para poder funcionar
como infinita (nesta resolução usou-se o número 500) e resolver depois
o problema maximizando o fluxo entre o nó I e o nó 5, com o algo-
ritmo habitual. Determinar-sei-ia o corte mı́nimo, garantindo-se assim
a optimalidade da solução.
(0,18)
7 (0,34)
(0,27) 4 2
(0,44)
(0,50)
(0,12)
(0,29)
8 5 (0,27)
(0,31)
(0,24) (0,32) (0,36) (0,30)
6 fout = 0 3 1
(0,500) (0,500)
I
fin =0
6 de Dezembro de 2012
Capı́tulo 9
Objetivos de Aprendizagem
• Formular um problema como uma rede para a determinação do caminho
entre dois nós que tem “custo” mı́nimo.
6 de Dezembro de 2012
212 Problemas de Caminho Mı́nimo
Exercı́cios
6 de Dezembro de 2012
9.1 Rede Caminho Mı́nimo Nó 1 ao Nó 6 213
2 2 4
15 21
1 4 3 6 6
9 7
3 16 5
(b) Pode, apenas a partir dos cálculos feitos em (a), dizer qual é a distância
mı́nima do nó 1 ao nó 4? Justifique.
6 de Dezembro de 2012
214 Problemas de Caminho Mı́nimo
9.1.2 Resolução
(a) Usando o algoritmo de Dijkstra, obtém-se o seguinte quadro:
Nós
iter 1 2 3 4 5 6
0 0∗ ∞ ∞ ∞ ∞ ∞
1 0∗ 15 9∗ ∞ ∞ ∞
2 0∗ 13 9∗ 12∗ 25 ∞
3 0∗ 13∗ 9∗ 12∗ 18 33
4 0∗ 13∗ 9∗ 12∗ 18∗ 33
5 0∗ 13∗ 9∗ 12∗ 18∗ 25∗
2 2 4
15 21
1 4 6 6
3
9 7
3 16 5
(b) É possı́vel, apenas a partir dos cálculos feitos em (a), dizer qual é a
distância mı́nima do nó 1 ao nó 4, dado que essa distância seria igual
ao valor da etiqueta definitiva do nó 4 (12), uma vez que, por definição,
o valor da etiqueta definitiva do nó i é igual à distância mı́nima entre
o nó i e a origem.
(c) Não é possı́vel, apenas a partir dos cálculos feitos em (a), indicar qual
a distância mı́nima entre os nós 2 e 6, dado que a distância mı́nima
entre os dois nós não é igual à diferença entre as distâncias mı́nimas
desses nós à origem.
6 de Dezembro de 2012
9.2 Guerra Azuis e Verdes 215
α1
1 β1
2
3 1
4
2
α2 3
1
3 β2
5
α3 1 2
4 2
β3
6 de Dezembro de 2012
216 Problemas de Caminho Mı́nimo
6 de Dezembro de 2012
9.2 Guerra Azuis e Verdes 217
9.2.2 Resolução
Numa primeira fase, vai ser necessário determinar os caminhos mı́nimos entre
os αi e os βj , para depois usar esses valores tanto no algoritmo de afectação
sugerido pelo general Foj como no algoritmo de transportes sugerido pelo
general Jac.
Nós
iter α1 1 2 β1 β2 β3
0 0∗ ∞ ∞ ∞ ∞ ∞
1 0∗ 1∗ 3 ∞ ∞ ∞
2 0∗ 1∗ 2∗ 3 5 ∞
3 0∗ 1∗ 2∗
3 ∗
5 4
4 0∗ 1∗ 2∗ 3∗ 5 4∗
5 0∗ 1∗ 2∗ 3∗ 5∗ 4∗
Resultados:
Nós
iter α2 1 2 β1 β2 β3
0 0∗ ∞ ∞ ∞ ∞ ∞
1 0∗ 2∗ 3 ∞ ∞ ∞
2 0∗ 2∗ 3∗ 4 6 ∞
3 0∗ 2∗ 3∗
4 ∗
6 5
4 0∗ 2∗ 3∗
4 ∗
6 5∗
5 0∗ 2∗ 3∗
4 ∗
6∗ 5∗
Resultados:
6 de Dezembro de 2012
218 Problemas de Caminho Mı́nimo
Nós
iter α3 1 2 β1 β2 β3
0 0∗ ∞ ∞ ∞ ∞ ∞
1 0∗ ∞ 1∗ ∞ ∞ 4
2 0∗ ∞ 1∗ 4 6 3∗
3 0∗ ∞ 1∗
4 ∗
6 3∗
4 0∗ ∞ 1∗ 4∗ 6∗ 3∗
Resultados:
• caminho α3 → 2 → β1 , com “custo”4;
• caminho α3 → 2 → β2 , com “custo”6;
• caminho α3 → 2 → β3 , com “custo”3.
(d) Seguindo a sugestão do general Foj : “O perigo de bombardeamento
das divisões em movimento pode ser considerado como directamente
proporcional à distância entre cada α e cada β. Nesse caso devem-
se usar essas distâncias como o perigo que uma divisão corre ao ser
transportada de αi para βi e aplicar um algoritmo de afectação para
resolver o problema”.
Utilizem-se então os valores obtidos pelo algoritmo de caminho mı́nimo,
para o algoritmo de afectação. O destino X no quadro abaixo corres-
ponde à ordem do general Soj “A divisão que sobrar fica no aquartela-
mento respectivo”.
Divisões necessárias
Divisões β1 β1 β2 β3
disponı́veis 1 2 3 4 X
α1 1 3 3 5 4 0
α1 2 3 3 5 4 0
α2 3 4 4 6 5 0
α2 4 4 4 6 5 0
α3 5 4 4 6 3 0
1 2 3 4 X
1 0 0 0 1 0
2 0 0 0 1 0
3 1 1 1 2 0 4 traços < 5
4 1 1 1 2 0
5 1 1 1 0 0
6 de Dezembro de 2012
9.2 Guerra Azuis e Verdes 219
1 2 3 4 X
1 0 0 0 1 1
2 0 0 0 1 1 5 traços, solução óptima com custo
3 0 0 0 1 0 3 + 3 + 6 + 3 + 0 = 15.
4 0 0 0 1 0
5 1 1 1 0 1
β1 β2 β3 X
α1 3 5 4 0 2
α2 4 6 5 0 2
α3 4 6 3 0 1
2 1 1 1
6 de Dezembro de 2012
220 Problemas de Caminho Mı́nimo
1 -- -- 1 /2 /1 0
3 5 4 0
1 1 -- -- /2 /1 0
4 6 5 0
-- -- 1 0 /1 0
4 6 3 0
2/ /1 1/ 1/
1/ 0 0 0
0
0 2 0 -3
1+θ -- -- 1-θ
3 0 5 1 4 0
3
1-θ 1 -- θ
4 6 1 5 -1 0
4
-- -- 1 0
1 4 1 6 3 0
3
6 de Dezembro de 2012
9.2 Guerra Azuis e Verdes 221
0 2 -1 -4
2 -- -- --
3 3 0 5 1 4 1 0
0 1 -- 1
4 4 6 2 5 0
-- -- 1 0
4 0 4 0 6 3 0
6 de Dezembro de 2012
222 Problemas de Caminho Mı́nimo
i
0 1 2
1 800
j 2 1800 1000
3 3100 2100 1200
Assim, por exemplo, trocar o carro agora comprado (fim do ano 0) no fim
do ano 1 e depois manter o carro comprado no fim do ano 1 até ao fim do
ano 3, corresponde a um custo de 800 + 2100 = 2900.
O Sr. Ven de Dor tem que decidir quantas vezes deve trocar de carro (se
alguma) de forma a minimizar a sua despesa total com carros durante estes
3 anos.
6 de Dezembro de 2012
9.3 Ven de Dor 223
9.3.2 Resolução
(a) A representação do problema do Sr. Ven de Dor como um problema de
caminho mı́nimo está na figura seguinte.
2100
1800
3100
Nós
iter 0 1 2 3
0 0∗ ∞ ∞ ∞
1 0∗ 800∗ 1800 3100
2 0∗ 800∗ 1800∗ 2900
3 0∗ 800∗ 1800∗ 2900∗
6 de Dezembro de 2012
224 Problemas de Caminho Mı́nimo
9.4 Tabuleiro
9.4.1 Enunciado
Considere um tabuleiro com 3 × 4 quadrı́culas. Cada quadrı́cula contém um
número:
0 4 3 6
7 8 6 8
2 3 1 8
6 de Dezembro de 2012
9.4 Tabuleiro 225
9.4.2 Resolução
(a) A formulação do jogo descrito como um problema de caminho mı́nimo
passa por fazer corresponder a cada quadrı́cula um nó, que será nume-
rado de cima para baixo e da esquerda para a direita: 1, 2, 3, 4, 5, 6 . . .
Entre quadrı́culas adjacentes existirão ramos, orientados de acordo com
os movimentos no tabuleiro. A distância associada a cada ramo será o
número constante na quadrı́cula correspondente ao nó de chegada.
Na figura seguinte está representado o problema de caminho mı́nimo
associado ao jogo descrito.
1 4 2 3 3 6 4
7 8 6 8
5 8 6 6 7 8 8
2 3 1 8
9 3 10 1 11 8 12
Nós
iter 1 2 3 4 5 6 7 8 9 10 11 12
0 0∗ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞
1 0∗ 4∗ ∞ ∞ 7 ∞ ∞ ∞ ∞ ∞ ∞ ∞
2 0∗ 4∗ 7∗ ∞ 7 12 ∞ ∞ ∞ ∞ ∞ ∞
3 0∗ 4∗ 7∗ 13 7∗ 12 13 ∞ ∞ ∞ ∞ ∞
4 0∗ 4∗ 7∗ 13 7∗ 12 13 ∞ 9∗ ∞ ∞ ∞
5 0∗ 4∗ 7∗ 13 7∗ 12∗ 13 ∞ 9∗ 12 ∞ ∞
6 0∗ 4∗ 7∗ 13 7∗ 12∗ 13 ∞ 9∗ 12∗ ∞ ∞
7 0∗ 4∗ 7∗ 13∗ 7∗ 12∗ 13 ∞ 9∗ 12∗ 13 ∞
8 0∗ 4∗ 7∗ 13∗ 7∗ 12∗ 13∗ 21 9∗ 12∗ 13 ∞
9 0∗ 4∗ 7∗ 13∗ 7∗ 12∗ 13∗ 21 9∗ 12∗ 13∗ ∞
10 0∗ 4∗ 7∗ 13∗ 7∗ 12∗ 13∗ 21 9∗ 12∗ 13∗ 21∗
6 de Dezembro de 2012
226 Problemas de Caminho Mı́nimo
1 4 2 3 3 6 4
7 8 6 8
5 8 6 6 7 8 8
2 3 1 8
9 3 10 1 11 8 12
6 de Dezembro de 2012
9.5 Perseguição ao Ladrão 227
6 de Dezembro de 2012
228 Problemas de Caminho Mı́nimo
9.5.2 Resolução
1 10 13 13 12
8 6
2 7 14 8
10
3 11
11
12 16
4 14 8 10 Ourivesaria 9 9 4 10
10
11 4
13 21 11 16 9
10 6
1 14 9
8 7
2 46 Ourivesaria
6 de Dezembro de 2012
9.5 Perseguição ao Ladrão 229
Nós
iter 1 2 9 10 11 13 14 Our
0 0∗ ∞ ∞ ∞ ∞ ∞ ∞ ∞
1 0∗ 8∗ ∞ ∞ ∞ 10 ∞ ∞
2 0∗ 8∗ ∞ ∞ ∞ 10∗ 15 54
3 0∗ 8∗ ∞ ∞ 31 10∗ 15∗ 54
4 0∗ 8∗ ∞ ∞ 31∗ 10∗ 15∗ 54
5 0∗ 8∗ 47 42∗ 31∗ 10∗ 15∗ 54
6 0∗ 8∗ 46∗ 42∗ 31∗ 10∗ 15∗ 54
7 0∗ 8∗ 46∗ 42∗ 31∗ 10∗ 15∗ 54∗
6 de Dezembro de 2012
230 Problemas de Caminho Mı́nimo
6 de Dezembro de 2012
Capı́tulo 10
Planeamento e Controlo de
Projetos
Objetivos de Aprendizagem
• A partir da descrição de um projeto, incluindo a lista de atividades e as
respetivas precedências assim como a duração média e o desvio-padrão
de cada atividade:
6 de Dezembro de 2012
232 Planeamento e Controlo de Projetos
6 de Dezembro de 2012
233
Exercı́cios
6 de Dezembro de 2012
234 Planeamento e Controlo de Projetos
6 de Dezembro de 2012
10.1 Banco TTM 235
10.1.2 Resolução
(a) A rede está representada na figura seguinte.
OA
21
II
7
PAI
LO
24
5
ME
1
IM
1
PAM
10
RTF
M
21
2
5
OA
26
4
21
4
9
30
30
II
37
0
7
0
6
PAI
30
30
37
0
LO
5
0
24
0
0
5
0
5
ME
6
6
30
0
5
0
1
0
37
IM
38
5
6
0
1
0
6
PAM
16
37
38
21
10
21
5
RTF
26
27
37
38
M
40
12
21
12
0
2
0
17
38
38
40
(c) Duração total do projeto é igual à soma das durações das atividades
do caminho crı́tico:
DT = D1 + D2 + D3 + . . . + Dn = 40
µT = µ1 + µ2 + µ3 + . . . + µn = 40
6 de Dezembro de 2012
236 Planeamento e Controlo de Projetos
Duração total do projeto pode ser descrita por uma distribuição normal
com média µT e variância σT2 .
A probabilidade de o projeto se atrasar 2 semanas ou mais, corresponde
à probabilidade de a duração do projeto ser ≥ 42.
42−µT 42−40
P (D ≥ 42) = P Z ≥ σT
=P Z≥ √
3
= P (Z ≥ 1.15) ≈
0.1251 ≈ 12.5%
6 de Dezembro de 2012
10.2 Projeto A a I 237
10.2 Projeto A a I
10.2.1 Enunciado
No quadro seguinte estão representadas as atividades que constituem um de-
terminado projecto. Para cada uma é fornecida a sua duração e as atividades
que lhe são imediatamente posteriores:
6 de Dezembro de 2012
238 Planeamento e Controlo de Projetos
10.2.2 Resolução
Aa rede está representada na figura seguinte.
4
F
3 FIM
0
I H
C
9 5
7
INICIO
0 E
G
D 3
4
3
XX
10,00 B 10,00
3,00 3,00 6,00
17,00 21,00 21,00 0,00 21,00
1,00 F 1,00
5,00 A 7,00
10,00 12,00
EST D EFT
FL ID FT
LST LFT
6 de Dezembro de 2012
10.3 Projeto A a J 239
10.3 Projeto A a J
10.3.1 Enunciado
Considere o seguinte projecto:
(f ) Que data de conclusão do projecto deverá ser proposta, para que haja
apenas 5% de probabilidade de não a cumprir?
• atividades completas: C e D
• atividades em execução:
– E (valor esperado da duração restante: 1 semana)
– A (valor esperado da duração restante: 1 semana)
6 de Dezembro de 2012
240 Planeamento e Controlo de Projetos
6 de Dezembro de 2012
10.3 Projeto A a J 241
10.3.2 Resolução
(a) A rede está representada na figura seguinte.
D A J
G
8 8 2
4
INICIO
0 B FIM
C E H 1 0
5 10 5
F
XX
8 I 17
7 9 8
16 25
0 D 8 8 A 16 18 J 20
24 G 28
0 8 0 2 8 2 4 2 5
1 4 1
0 INICIO 0 0 8 10 18 23 25
25 29
0 0 0 23 B 24 29 FIM 29
0 0 0 C 5 8 E 18 18 H 23 0 1 1 0 0 0
3 5 3 0 10 0 0 5 0 24 25 29 29
23 F 29
3 8 8 18 18 23
0 6 0
23 29
EST XX EFT
FL D FT
LST LFT
(d) A duração total do projeto é igual à soma das durações das atividades
do caminho crı́tico:
DT = D1 + D2 + D3 + . . . + Dn = 29
6 de Dezembro de 2012
242 Planeamento e Controlo de Projetos
µT = µ1 + µ2 + µ3 + . . . + µn = 8 + 10 + 5 + 6 = 29
Duração total do projeto pode ser descrita por uma distribuição normal
com média µT e variância σT2 .
Neste caso teremos então:
P (D ≤ 27) = P Z ≤ 27−µ σT
T
= P (Z ≤ 27−29
4.24
) = P (Z ≤ −0.47) ≈
0.5 − 0.1808 ≈ 0.32
27−29
≤ Z ≤ 31−29
P (27 ≤ D ≤ 31) = P 4.24 4.24
= P (−0.47 ≤ Z ≤ 0.47) =
2 × 0.1808 ≈ 0.36
6 de Dezembro de 2012
10.3 Projeto A a J 243
d−29 d−29
P (D ≥ d) = 0.05 ≡ P Z ≥ = 0.05 ≡
4.24 4.24
= 1.645 ≡ d = 36
semanas
0 I 8
0 8 0
0 8
0 INICIO 0 0 A 1 1 J 3
8 G 12
0 0 0 0 1 0 5 2 5
0 4 0
0 0 0 1 6 8
8 12 12 FIM 12
6 B 7
0 E 1 1 H 6 0 0 0
1 1 1
0 1 0 0 5 0 12 12
7 8 6 F 12
0 1 1 6 0 6 0
6 12
EST XX EFT
FL D FT
LST LFT
6 de Dezembro de 2012
244 Planeamento e Controlo de Projetos
10.4 9 Atividades
10.4.1 Enunciado
Um dado projeto envolve as 9 atividades que se caracterizam na tabela se-
guinte:
6 de Dezembro de 2012
10.4 9 Atividades 245
10.4.2 Resolução
(a) A rede está representada na figura seguinte.
16
F FIM
INICIO B 12 0
0 7
H I
10 8
E
G
A
8
10 D XX
12 D
0 C 16
16
24 40
7 F 19 40 FIM 40
0 INICIO 0 0 B 7 12 0
0 7 10 22 40 40
22 H 32 32 I 40
0 0 3 10
10 8
7 E 12
22 32 32 40
5
17 22
22 G 30
0 A 10
8
10 10 D 22 EST XX EFT
24 32
0 10 12 D
10 22 LST LFT
6 de Dezembro de 2012
246 Planeamento e Controlo de Projetos
0 C 16
24 16 24
24 40
7 F 19 40 FIM 40
0 INICIO 0 0 B 7 3 12 3 0 0 0
0 0 0 0 7 3 10 22 40 40
22 H 32 32 I 40
0 0 3 10
0 10 0 0 8 0
7 E 12
22 32 32 40
10 5 10
17 22
22 G 30
0 A 10
2 8 2
0 10 0 10 D 22 EST XX EFT
24 32
0 10 0 12 0 FL D FT
10 22 LST LFT
(c) A duração total do projecto é igual à soma das durações das atividades
do caminho crı́tico:
DT = D1 + D2 + D3 + . . . + Dn = 40
µT = µ1 + µ2 + µ3 + . . . + µn = 10 + 12 + 10 + 8 = 40
Duração total do projecto pode ser descrita por uma distribuição nor-
mal com média µT e variância σT2 .
Neste caso teremos então:
51−µT
P (D ≥ 51) = P Z ≥ σT = P (Z ≥ 51−40
3.61
) = P (Z ≥ 3.05) ≈
1 − 0.5 − 0.4989 ≈ 0.0011
6 de Dezembro de 2012
10.5 Limpeza ShopShopping 247
1
Exame de 1999.02.11 de IO da LEEC da FEUP
6 de Dezembro de 2012
248 Planeamento e Controlo de Projetos
D
ES Act EF
5
FS µ TS
2
LS σ LF
(b) Indique todas as folgas (total e livre) de cada uma das atividades do
projeto.
2
Exame de 2009.01.15 de IO do MIEEC da FEUP
6 de Dezembro de 2012
10.6 UNIFIL no Lı́bano 249
10.6.2 Resolução
(a) A rede do projecto está desenhada na figura seguinte:
3 B 6 7 E 12 12 H 14
0 A 3 1 3 1 0 5 0 2 2 2
0 3 0 4 1 7 7 1 12 14 1 16
0 1 3
3 C 7 8 F 11 12 G 16 16 I 18
0 4 0 1 3 1 0 4 0 0 2 0
3 1 7 9 1 12 12 2 16 16 1 18
3 D 8
0 5 1
4 2 9
µT = µA + µC + µE + µG + µI = 18
6 de Dezembro de 2012
250 Planeamento e Controlo de Projetos
6 de Dezembro de 2012
10.7 Estorninhos em Evoramonte 251
0 Y 15
0 15 0
0 15
0 X 0
e Z 30
0 0 0
f 15 0
0 0
0 U 10 10 K 13 15 30 30 T 30
a 10 2 2 3 2 0 0 0
b c 12 d 30 30
ES X EF 10 W 27
FS d TS g 17 3
LS LF h 30
6 de Dezembro de 2012
252 Planeamento e Controlo de Projetos
10.7.2 Resolução
(a) e = ESZ = max(EFY ; EFK ) = max(15; 13) = 15
f = F LZ = LSZ − ESZ = 15 − 15 = 0
d = LFK = EFK + F TK = 13 + 2 = ESZ = 15
c = LFU = EFU + F TU = 10 + 2 = 12
b = LSU = LFU − dU = 12 − 10 = 2
a = F LU = min(ESK ; ESW ) − dU = min(10; 10) − 10 = 0
h = LSW = EST − dW = 30 − 17 = 13
g = F LW = LSW − ESW = 13 − 10 = 3
ES X EF
FS d TS
LS LF
0 Y 15
0 15 0
0 15
0 X 0
15 Z 30
0 0 0
0 15 0
0 0
0 U 10 10 K 13 15 30 30 T 30
0 10 2 2 3 2 0 0 0
2 12 12 15 30 30
10 W 27
3 17 3
13 30
6 de Dezembro de 2012
10.7 Estorninhos em Evoramonte 253
0 X 0 0 Y 15 15 U 25 25 K 28 28 Z 43
0 0 0 0 15 0 0 10 0 0 3 0 0 15 0
0 0 0 10 15 15 8 25 25 28 28 43
43 T 43
25 W 42 0 0 0
1 17 1 43 43
26 43
10 Y 25
0 15 0
0 X 0 10 10 25
0 0 0
25 Z 40
0 0
0 U 10 10 K 13 0 15 0 40 T 40
0 10 0 12 3 12 25 40 0 0 0
0 8 10 22 25 40 40
10 W 27
13 17 13
23 40
0 Y 15
0 15 0
0 15
0 X 0
15 Z 30
0 0 0
0 15 0
0 0
0 U 10 10 K 13 15 30 30 T 30
0 10 2 2 3 2 0 0 0
2 12 12 15 30 30
10 W 27
3 17 3
13 30
6 de Dezembro de 2012
254 Planeamento e Controlo de Projetos
(d) Repetindo os cálculos para o caminho crı́tico, mas agora para uma
duração inferior a 27 semanas:
P rob(DT <= 27) = P rob(DT0 < 27−30
√ )
2
= P rob(DT0 < −2.121) ≈
1 − 0.9830 ≈ 1.7%
No entanto, há ainda outro caminho que tem uma duração de 28 dias,
maior portanto que os 27 dias. Esse caminho está representado na
figura seguinte a traço grosso.
0 Y 15
0 15 0
0 15
0 X 0
15 Z 30
0 0 0
0 15 0
0 0
0 U 10 10 K 13 15 30 30 T 30
0 10 2 2 3 2 0 0 0
2 12 12 15 30 30
10 W 27
3 17 3
13 30
A duração média desse caminho será igual à soma das durações médias
das atividades que pertencem ao caminho:
µU + µK + µZ = 10 + 3 + 15 = 28
A variância da duração desse caminho será a soma das variâncias das
durações das atividades que pertencem ao caminho:
τU2 + τK2 + τZ2 = 1 + 1 + 1 = 3
P rob(DT <= 27) = P rob(DT0 < 27−28
√ )
3
= P rob(DT0 < −0.577) ≈
1 − 0.7190 ≈ 28, 1%
A probabilidade de o projecto ter uma duração inferior a 27 dias será
pois a probabilidade de o primeiro caminho ter uma duração inferior
a 27 dias e o segundo caminho ter uma duração inferior a 27 dias. Se
os dois acontecimentos fossem estatisticamente independentes, a pro-
babilidade da intersecção seria o produto das duas probabilidades. Mas
6 de Dezembro de 2012
10.7 Estorninhos em Evoramonte 255
6 de Dezembro de 2012
256 Planeamento e Controlo de Projetos
6 de Dezembro de 2012
Capı́tulo 11
Teoria da Decisão
Objetivos de Aprendizagem
Dado um problema de decisão:
• Identificar o decisor, as acções alternativas, os estados da natureza e a
sequência de decisões.
• Reconhecer acções alternativas que não sejam mutuamente exclusivas.
• Calcular a consequência de cada par (acção alternativa, estado da na-
tureza).
• Reconhecer acções (decisões) dominadas.
• Representar um problema de decisão por meio de uma Árvore de De-
cisão.
• Identificar a decisão a tomar:
– caso o decisor tenha informação perfeita;
– pelo critério de Laplace;
– pelo critério MaxiMin (ou MiniMax);
– pelo critério de Savage;
– pelo critério de Hurwicz;
– pelo critério do Máximo Valor Esperado;
– pelo critério da mı́nima Perda de Oportunidade Esperada
• Determinar o VEIP (aumento do Valor Esperado se a informação for
perfeita).
6 de Dezembro de 2012
258 Teoria da Decisão
Exercı́cios
6 de Dezembro de 2012
11.1 Xpt0 Textil 259
(b) Suponha que a instabilidade dos últimos anos torna muito difı́cil definir
as probabilidades de ocorrência dos estados da natureza. Determine
que tipo de investimento deve fazer a XptO com base nos seguintes
critérios:
(i) MaxiMax
(ii) MaxiMin
(iii) Laplace
(iv) Hurwicz (α=0.8)
(v) Savage
6 de Dezembro de 2012
260 Teoria da Decisão
6 de Dezembro de 2012
11.1 Xpt0 Textil 261
11.1.2 Resolução
(a) O agente de decisão é o Eng. Leopoldo, gestor da empresa XptO; as
acções são: fazer um grande investimento, um investimento mediano e
um pequeno investimento; os estados da natureza são: Inverno rigoroso,
Inverno ameno, Inverno quente.
(b) (i) A decisão a tomar será a de fazer um grande investimento.
(Ke) Inverno rigoroso Inverno ameno Inverno quente MaxiMax
Grande inv. 5.000 2.000 -2.000 5.000
Inv. mediano 4.600 1.000 -50 4.600
Pequeno inv. 800 200 0 800
6 de Dezembro de 2012
262 Teoria da Decisão
6 de Dezembro de 2012
11.2 Nova peça automóvel 263
11.2.2 Resolução
(a) Como se pode ver na figura seguinte, a decisão que corresponde ao
máximo valor esperado (MVE) é a decisão D (fazer o desenvolvimento
próprio). Nesse caso o valor do MVE = 52Me.
(b)
GS SM SS M in
D 300 40 −60 −60
C 200 30 −20 −20
M aximin −20
6 de Dezembro de 2012
264 Teoria da Decisão
6 de Dezembro de 2012
11.3 Aquisição de máquinas 265
6 de Dezembro de 2012
266 Teoria da Decisão
11.3.2 Resolução
(a) A árvore de decisão para o problema está representada na figura se-
guinte:
6 de Dezembro de 2012
11.4 Exploração de Gás Natural 267
S1 S2
D1 60 660
D2 -100 2000
6 de Dezembro de 2012
268 Teoria da Decisão
(b) Laplace
6 de Dezembro de 2012
11.4 Exploração de Gás Natural 269
11.4.2 Resolução
(a)
S1 S2 M in
D1 60 660 60
D2 −100 2000 −100
M aximin 60
(b)
S1 S2
D1 60 660 360
D2 −100 2000 950
Laplace 950
(c)
. 60
51 (n30 existe gas na propriedadef
0.4
420 2 (existe gas na propricdade)
0.6 ---_ 660
D,
aceilar ofen a da
___ multi nacional
1160
D2
Explorar • -100
por conta propria S [ (mio cx istc gas na propricdade)
~,
0.4
11 60 2 (exisle gas na propricdade)
0.6 - -_ _ 2000
6 de Dezembro de 2012
270 Teoria da Decisão
6 de Dezembro de 2012
11.5 Polido Guapo e a Lavandaria Asseada 271
6 de Dezembro de 2012
272 Teoria da Decisão
11.5.2 Resolução
(a)
(c)
P robabilidade 0.3 0.5 0.2
Aumento do negócio 0% 3% 6%
2transportadores −13 15 55
1transportador −9 10 50
0transportadores −1 −1 −1
Valor Esperado com Informação Perfeita, V EIP = [0.3 × (−1) + 0.5 × 15 + 0.2 × 55]−
14.6 = 18.2 − 14.6 = 3.6 Ke.
6 de Dezembro de 2012
11.6 LEST O, um novo produto 273
6 de Dezembro de 2012
274 Teoria da Decisão
11.6.2 Resolução
(a) MVE = 364 Ke
(c) A partir de 1375 Ke, comercializar desde já, sem teste (ver equação
abaixo).
[(x − 50) × 0.7 − 550 × 0.3] × 0.6 − 0.4 × 50 ≤ x × 0.5 − 500 × 0.5
(0.42 − 0.5)x ≤ 21 + 99 + 20 − 250
x ≥ 1375
6 de Dezembro de 2012
11.7 A História de Chicofredo 275
6 de Dezembro de 2012
276 Teoria da Decisão
6 de Dezembro de 2012
11.7 A História de Chicofredo 277
Faça uma análise completa das decisões que Chicofredo tem que tomar.
Desenhe uma árvore de decisão e calcule o valor de todas as soluções al-
ternativas. O que acha que Chicofredo deve fazer? Porquê? Diga em que
pressupostos se tem que basear para recomendar essa solução a Chicofredo.
6 de Dezembro de 2012
278 Teoria da Decisão
11.8 To be or not to be
11.8.1 Enunciado
2
Ser ou n~ao ser... Eis a quest~ao. To be, or not to be: that is the question:
Que é mais nobre para a alma Whether ’tis nobler in the mind to suffer
Suportar os dardos e arremessos do fado sempre adverso, The slings and arrows of outrageous fortune,
Ou armar-se contra um mar de desventuras Or to take arms against a sea of troubles,
E dar-lhes fim tentando resistir-lhes? Morrer--dormir-- And by opposing end them? To die: to sleep;
Mais nada; imaginar que um sono p~ oe remate No more; and by a sleep to say we end
Aos sofrimentos do coraç~ao e aos golpes infinitos The heart-ache and the thousand natural shocks
Que s~ao a natural herança da carne. Essa é a soluç~
ao That flesh is heir to, ’tis a consummation
Para se almejar. Morrer--dormir. Devoutly to be wish’d. To die, to sleep;
Dormir--talvez sonhar: É esse o dilema! To sleep: perchance to dream: ay, there’s the rub;
O n~
ao sabermos que sonhos poderá trazer o sono da morte For in that sleep of death what dreams may come
Quando alfim desenrolarmos toda a meada mortal, When we have shuffled off this mortal coil,
Nos p~oe suspensos. É isso Must give us pause: there’s the respect
Que torna verdadeira calamidade a vida assim t~ ao longa. That makes calamity of so long life;
Pois quem suportaria o escárnio e os golpes do mundo, For who would bear the whips and scorns of time,
As injustiças dos opressores, a insol^encia dos orgulhosos, The oppressor’s wrong, the proud man’s contumely,
A agonia do amor n~ao retribuı́do, a demora da justiça, The pangs of despised love, the law’s delay,
A soberba dos chefes e o desprezo The insolence of office and the spurns
Da inépcia contra o mérito perseverante, That patient merit of the unworthy takes,
Se estivesse em suas m~ aos obter sossego When he himself might his quietus make
Com um punhal? Que fardos suportaria, With a bare bodkin? who would fardels bear,
Gemendo e suando nesta penosa vida, To grunt and sweat under a weary life,
Se n~ao por temer algo após a morte-- But that the dread of something after death,
A terra desconhecida de cujos limites The undiscover’d country from whose bourn
Nenhum viajante regressou--é um enigma para a vontade, No traveller returns, puzzles the will
Fazendo-nos aceitar os males que já temos, And makes us rather bear those ills we have
Do que correr para outros que desconhecemos? Than fly to others that we know not of?
William Shakespeare William Shakespeare
Ser ou n~
ao ser (Hamlet acto 3 cena 1) To be, or not to be (Hamlet act 3, scene 1)
Descreva as decisões de Hamlet. Que opções tem ele? Que riscos prevê?
Construa uma árvore de decisão para Hamlet.
2
Exercı́cio retirado de Clemen, Robert T., Making Hard Decisions, An Introduction to
Decision Analysis, Duxbury Press, 1996
6 de Dezembro de 2012
11.9 Vincennes 279
11.9 Vincennes
11.9.1 Enunciado
http://en.wikipedia.org/wiki/USS_Vincennes_(CG-49)
3
In 1988 the USS Vincennes was dispatched to the Persian Gulf to help Iraq, under
Saddam Hussein, in its war against Iran. The warship was equipped with AEGIS, the most
3
Exercı́cio retirado de Clemen, Robert T., Making Hard Decisions, An Introduction to
Decision Analysis, Duxbury Press, 1996
6 de Dezembro de 2012
280 Teoria da Decisão
sophisticated weapon control system yet developed. It uses 16 mainframe computers and
12 minicomputers to control up to 122 ship-to-air missiles and two six-ton, six-barrelled
automatic machine guns capable of firing 3,000 rounds per minute. On July 3rd the
Vincennes shot down Iranian Airbus Flight 655, killing all 290 on board (more than died in
the Lockerbie bombing). While widely reported in the Third World, the incident received
little coverage in the Western media. The crew of the Vincennes had undergone nine
months of simulated scenarios prior to leaving for the Gulf, all of which were predicated
on hostile encounters. During the crucial minutes in which the airbus was flagged as a
hostile F14, the crew ignored indicators that cast doubt onto the AEGIS interpretation
of events. Because the AEGIS automatically analyses incoming data, there was no way
to directly evaluate the radar blips. The commander of the nearby USS Sides ”wondered
aloud in disbelief”as the Vincennes prepared to fire but did not intervene with the vessel
equipped with AEGIS.
On return to the US, Captain. William Rogers - commander of the Vincennes - recei-
ved the Legion of Merit award for “exceptionally meritorious conduct in the performance
of outstanding service” in the Gulf.
6 de Dezembro de 2012
Capı́tulo 12
Multicritério
Objetivos de Aprendizagem
• Dado um problema de decisão multicritério, identificar as alternativas
e os critérios de decisão.
• Saber usar o método AHP para determinar pesos relativos dos atributos
e obter uma ordenação das alternativas.
6 de Dezembro de 2012
282 Multicritério
Exercı́cios
6 de Dezembro de 2012
12.1 Horta da Formiga 283
M1 50e Média
M2 70e Grande
M3 100e Grande
1
Exame de 2008.01.07 de MD do MIEA da FEUP
6 de Dezembro de 2012
284 Multicritério
(b) Defina uma escala única para representar cada um dos três critérios e
adapte as avaliações de cada um dos critérios a essa escala. Justifique
detalhadamente todas as suas decisões.
12.1.2 Resolução
Folha de Cálculo com Resolução
6 de Dezembro de 2012
12.2 VetProducts 285
12.2 VetProducts
12.2.1 Enunciado
2
A administração da empresa “VetProducts”, responsável pela produção e
distribuição de diversos produtos/medicamentos nos parques naturais, in-
cumbiu um grupo de trabalho de realizar uma análise das várias unidades
da empresa. O grupo verificou então que a unidade logı́stica concentrava o
maior número de problemas da empresa.
A “VetProducts” tem cinco rotas de distribuição dos produtos veteriná-
rios, quatro delas com cerca de 300 km cada e uma quinta com 600 km. Essa
rota deve-se fundamentalmente ao Parque Natural do Vale do Guadiana, o
primeiro parque a ser servido pela “VetProducts”, numa parceria com mais de
20 anos. Essa quinta rota dava muito prejuı́zo, pois os custos de transporte
(gasóleo, desgaste das carrinhas, etc. . . ), bem como os custos do pessoal (ho-
ras extra, horas nocturnas, alojamentos, etc. . . ) eram muito elevados. Para
além disso a motivação do pessoal, essencialmente muito jovem, era baixa,
pois não gostavam de fazer essa rota, por implicar muitas horas de trabalho
seguidas e, na maioria das vezes, pernoitar fora.
No seu relatório, o grupo de trabalho indicou como objectivo prioritário
aumentar a rentabilidade (proveitos-custos) dessa quinta rota:
6 de Dezembro de 2012
286 Multicritério
• Uma outra solução passaria por expedir a mercadoria via correio ou au-
tocarro para os clientes desta rota e estes iriam levantar a mercadoria
aos locais de chegada da mesma. Esta solução iria trazer algum descon-
tentamento aos clientes, pois para além do inconveniente de os obrigar
a deslocar para levantar a mercadoria, muitos dos produtos fabrica-
dos e distribuı́dos pela “VetProducts” são armazenados em garrafas e
garrafões de vidro que, pelo caminho e com muitas mãos a manusear,
poderiam partir facilmente causando custos elevados. Esta é no en-
tanto também uma excelente alternativa no que concerne à motivação
do pessoal.
6 de Dezembro de 2012
12.2 VetProducts 287
12.2.2 Resolução
Folha de Cálculo com Resolução
6 de Dezembro de 2012
288 Multicritério
Com base nos CVs apresentados, nas cartas de referência e nas entrevis-
tas realizadas, e segundo os critérios indicados, a administração conseguiu
comparar adequadamente os dois candidatos, estabelecendo que:
12.3.2 Resolução
Folha de Cálculo com Resolução
3
Retirado de “Exercı́cios de Análise Multi-critério” do Prof. Jorge Pinho de Sousa
6 de Dezembro de 2012
12.4 Abre Latas 289
12.4.2 Resolução
Folha de Cálculo com Resolução
4
Retirado de “Exercı́cios de Análise Multi-critério” do Prof. Jorge Pinho de Sousa
6 de Dezembro de 2012
290 Multicritério
12.5.2 Resolução
Folha de Cálculo com Resolução
5
Retirado de “Exercı́cios de Análise Multi-critério” do Prof. Jorge Pinho de Sousa
6 de Dezembro de 2012
12.6 Processamento de Dados 291
12.6.2 Resolução
Folha de Cálculo com Resolução
6
Retirado de “Exercı́cios de Análise Multi-critério” do Prof. Jorge Pinho de Sousa
6 de Dezembro de 2012
292 Multicritério
(a) Com base na informação do quadro, que resume a apreciação feita sobre
as diferentes alternativas, qual a decisão a tomar?
12.7.2 Resolução
Folha de Cálculo com Resolução
7
Retirado de “Exercı́cios de Análise Multi-critério” do Prof. Jorge Pinho de Sousa
6 de Dezembro de 2012
12.8 Sorinfacc & Amigos 293
6 de Dezembro de 2012
294 Multicritério
12.8.2 Resolução
Folha de Cálculo com Resolução
6 de Dezembro de 2012
12.9 KK’s 295
12.9 KK’s
12.9.1 Enunciado
9
Considere o problema de decisão caracterizado pela matriz de resultados
junta, onde, para todos os atributos excepto K1 , os valores mais altos são os
preferidos. Os atributos K2 e K3 são medidos numa escala de 1 a 10.
Atributos K1 K2 K3 K4
⇓ ⇑ ⇑ ⇑
X1 10 000e 7 8 bom
X2 12 000e 7 7 muito bom
X3 8 000e 6 5 suficiente
X4 15 000e 9 8 excelente
12.9.2 Resolução
Folha de Cálculo com Resolução
9
Retirado de “Exercı́cios de Análise Multi-critério” do Prof. Jorge Pinho de Sousa
6 de Dezembro de 2012
296 Multicritério
12.10 PATinho
12.10.1 Enunciado
A companhia de aviação PATinho pretende criar uma nova rota, para além
da muito procurada rota Corvo ⇔ Berlengas. O seu principal objectivo é
manter o actual nicho de mercado: passageiros do Corvo que pretendem
usufruir de ligações para outras pequenas ilhas. Foi portanto com isso em
mente que foram escolhidos os seguintes quatro destinos alternativos:
• Alt 1 – Selvagens;
12.10.2 Resolução
Folha de Cálculo com Resolução
6 de Dezembro de 2012
12.11 Selecção de Estágios 297
(b) Use o método AHP para atribuir importâncias relativas aos critérios.
Apresente todos os cálculos.
(c) Com base nas importâncias relativas dos critérios obtidas na alı́nea
anterior indique, justificando, qual a alternativa mais atractiva.
12.11.2 Resolução
Folha de Cálculo com Resolução
6 de Dezembro de 2012
298 Multicritério
12.12.1 Enunciado
10
10
Baseado num problema elaborado por Pedro Serra - SAD 2005/2006
6 de Dezembro de 2012
12.12 Zé Playboy 299
6 de Dezembro de 2012
300 Multicritério
6 de Dezembro de 2012
Capı́tulo 13
Filas de Espera
Objetivos de Aprendizagem
• A partir da descrição de um problema, verificar se se trata de um
problema de filas de espera M/M/1 ou M/M/S.
6 de Dezembro de 2012
302 Filas de Espera
Exercı́cios
6 de Dezembro de 2012
13.1 Limpeza de autocarros 303
6 de Dezembro de 2012
304 Filas de Espera
13.1.2 Resolução
Este é um sistema determinı́stico, com autocarros como “clientes” e a equipa
de limpeza como servidor unitário. As chegadas ocorrem uma vez por hora,
mas em grupos, sendo o tempo de atendimento de 11 minutos. Um autocarro
é atendido quando está em serviço de limpeza.
A tabela mostra a história do sistema ao longo do perı́odo de 1 hora, nos
instantes das chegadas e partidas. Como o atendimento é feito em ordem
aleatória, a sequência particular apresentada é uma das muitas possı́veis para
processamento dos autocarros dentro da garagem. As estatı́sticas requeridas,
no entanto, são independentes da sequência. Além disso, como o sistema se
renova a cada hora, as estatı́sticas que caracterizam o sistema ao longo da
primeira hora são também válidas ao longo das seguintes.
6 de Dezembro de 2012
13.2 Pastelaria 305
13.2 Pastelaria
13.2.1 Enunciado
Numa pequena pastelaria, apenas uma empregada atende os clientes ao Sá-
bado. O modelo de chegada de clientes nesse dia segue aproximadamente
uma distribuição de Poisson, com uma taxa média de chegada de 10 pessoas
por hora. Os clientes, que são muitos dada a qualidade dos pasteis, são aten-
didos segundo o esquema FIFO. O tempo gasto para atender um cliente é
estimado como sendo exponencialmente distribuı́do, como um tempo médio
de atendimento de 4 minutos. Determine:
6 de Dezembro de 2012
306 Filas de Espera
13.2.2 Resolução
Taxa de chegada:
clientes
λ = 10
hora
Tempo médio de serviço:
1 minutos
=4
µ cliente
Taxa de atendimento:
clientes clientes
µ = 0.25 = 15
minuto hora
λ 2
ρ= =
µ 3
Número de servidores:
6 de Dezembro de 2012
13.3 Junta Autónoma das Estradas 307
6 de Dezembro de 2012
308 Filas de Espera
13.3.2 Resolução
Taxa de chegada:
acidentes 300 acidentes
λ = 300 =
ano 365 dia
Tempo médio de serviço:
1 dias
=2
µ acidente
Taxa de serviço:
acidentes
µ = 0.5
dia
300
λ 365 600
= = ≈ 1.65
µ 0.5 365
Número de servidores:
S=3 ⇒ Fila M/M/3
λ 1.65
ρ= = = 0.55
Sµ 3
λ
P0 (retirado da tabela para µ
= 1.65 e S = 3):
0.1872 − 0.1460
0.1872 − = 0.1769
4
S
λ
P0 µ
ρ 0.1769(1.65)3 0.55
Lq = = = 0.3597
S!(1 − ρ)2 3!(1 − 0.55)2
acidentes em fila de espera.
λ
L = Lq + = 0.3597 + 1.65 = 2.00
µ
acidentes em fila de espera e a serem investigados.
Lq 0.3597
Wq = = 300 = 0.4376
λ 365
dias por acidente (espera).
L 2 365
W = = 300 = = 2.43
λ 365
150
dias por acidente (espera e investigação).
6 de Dezembro de 2012
13.4 Cabina telefónica 309
(a) Qual a probabilidade de uma pessoa que chegue à cabina ter de esperar?
6 de Dezembro de 2012
310 Filas de Espera
13.4.2 Resolução
Tempo médio entre chegadas:
1 minutos
= 10
λ chegada
Taxa de chegada:
chegadas
λ=6
hora
Tempo médio de serviço:
1 minutos
=3
µ chamada
Taxa de atendimento:
chamadas
µ = 20
hora
λ 6
ρ= =
µ 20
Número de servidores:
1 − P0 = 1 − (1 − ρ) = ρ = 0.3 = 30%
λ2 36
Lq = = = 0.129 pessoas.
µ(µ − λ) 20 × (20 − 6)
6 de Dezembro de 2012
13.5 Boeingavela 311
13.5 Boeingavela
13.5.1 Enunciado
O Boeingavela, um pronto-a-comer de um aeroporto, tem atualmente ape-
nas uma empregada ao balcão que atende em média 10 clientes por hora.
Verificou-se que os clientes chegam à razão de 7 por hora, seguindo este pro-
cesso de chegada uma distribuição de Poisson. O tempo de atendimento
segue uma distribuição exponencial.
A gerência admite a hipótese de contratar mais uma empregada de bal-
cão o que permitirá, ao duplicar a razão média de atendimento, melhorar a
qualidade de serviço.
(b) Se as pessoas desistem sempre que já há 3 clientes (no sistema), qual é
a percentagem de potenciais clientes perdidos?
Faça alguns comentários, que ache oportunos, sobre as situações que es-
tudou nas várias alı́neas.
6 de Dezembro de 2012
312 Filas de Espera
13.5.2 Resolução
Taxa de chegada:
clientes
λ=7
hora
Taxa de atendimento:
clientes
µ = 10
hora
λ
= 0.7
µ
λ
ρ= = 0.7
µ
P0 = 1 − ρ = 0.3
(obs: para S = 1 P0 é a probabilidade de o sistema estar desocupado)
Número médio de clientes na fila:
λ2 49
Lq = = = 1.63 clientes.
µ(µ − λ) 10 × 3
Lq 1.63
Wq = = = 0.2329 horas.
λ 7
L 2.33
W = = = 0.3328 horas.
λ 7
6 de Dezembro de 2012
13.5 Boeingavela 313
(b) Se os clientes desistem quando já há 3 pessoas no sistema, este passa a
comportar-se como M/M/1/3. Então convirá calcular P3, a probabili-
dade do sistema se encontrar no estado 3.
Probabilidade de (exactamente) 0 clientes no sistema:
1−ρ
P0 = (se ρ 6= 1)
1 − ρk+1
Virá então P0 = 0.3948
Probabilidade de (exactamente) n clientes no sistema:
n
ρ P0 , se n = 1, . . . , k
Pn =
0, se n > k
λ
ρ= = 0.35
S×µ
P0 = 0.4815
λ
(retirado da tabela para µ
= 0.7 e S = 2).
Número médio de clientes na fila:
S
P0 µλ ρ 0.4815(0.7)2 0.35
Lq = = = 0.0977 clientes.
S!(1 − ρ)2 2!(1 − 0.35)2
Número médio de clientes no sistema:
λ
L = Lq + = 0.7977 clientes.
µ
Tempo médio de espera na fila:
Lq 0.0977
Wq = = = 0.0139 horas.
λ 7
Tempo médio de espera no sistema:
L 0.0977
W = = = 0.1139 horas.
λ 7
6 de Dezembro de 2012
314 Filas de Espera
(b) Em média, quanto deverá esperar um doente até ser atendido pelo
médico?
(e) Quanto, em média, deverá um doente esperar até ser visto por um
médico, numa situação em que um médico e um assistente façam parte
dum sistema do tipo M/M/1, com razão de serviço de 6 doentes por
hora, mantendo a razão de chegada em 2.4 doentes por hora?
6 de Dezembro de 2012
13.6 Serviço de emergência 315
13.6.2 Resolução
Taxa de chegada:
doentes
λ = 2.4
hora
Taxa de atendimento:
doentes
µ=3
hora
λ
= 0.8
µ
λ
ρ= = 0.8
µ
1 − P0 = ρ = 0.8
λ 2.4 4
Wq = = = = 1.3333 horas
µ(µ − λ) 3(3 − 2.4) 3
λ
ρ= = 0.40
S×µ
1 − ρ = 0.6
6 de Dezembro de 2012
316 Filas de Espera
(d)
S
λ
P0 µ
ρ 0.4286(0.8)2 0.40
Lq = = = 0.1524 doentes.
S!(1 − ρ)2 2!(1 − 0.40)2
Tempo médio de espera de um doente até ser atendido:
Lq 0.1524
Wq = = = 0.0635 horas.
λ 2.4
λ
= 0.4
µ
Número de servidores:
6 de Dezembro de 2012
13.7 Serviço de veterinária 317
http://www.aasm-cua.com.pt/srv7.html
6 de Dezembro de 2012
318 Filas de Espera
13.7.2 Resolução
Taxa de chegada:
chamadas
λ=9
dia
Taxa de atendimento:
chamadas
µ=5
dia
λ 9
= = 1.8
µ 5
Objecto do estudo: pretende-se verificar se a afirmação:
“sempre que chama um veterinário ele nunca vem no mesmo dia”
é verdadeira ou não.
Número de servidores:
λ 1.8
ρ= = = 0.9
S×µ 2
P0 = 0.0528
Número médio de chamadas na fila:
S
P0 µλ ρ 0.0528(1.8)2 0.9 0.1540
Lq = 2
= 2
= = 7.7 chamadas.
S!(1 − ρ) 2!(1 − 0.9) 0.02
6 de Dezembro de 2012
13.8 Secção de fotocópias 319
(a) Determine:
(b) O custo horário médio, para a empresa, do pessoal que recorre ao serviço
3 escudos
de fotocopias é de 1, 8 10 semana , incluindo overheads. Será conveniente
aumentar o número de fotocopiadoras arrendadas? E para que número?
6 de Dezembro de 2012
320 Filas de Espera
13.8.2 Resolução
Taxa de chegada:
utilizadores
λ = 33
hora
Tempo médio de serviço:
1 minutos 1 horas
=3 =
µ utilizador 20 utilizador
Taxa de atendimento:
utilizadores
µ = 20
hora
Custo de cada servidor (fotocopiadora) por hora:
12 103 escudos 103 escudos
= 0.3
40 hora hora
(a) Número de servidores:
S=2 ⇒ Fila M/M/2
λ 33
= = 1.65
µ 20
0.1111 − 0.0526
P0 = 0.1111 − = 0.0965
4
λ 33
ρ= = = 0.825
2µ 2 × 20
No médio de pessoas aguardando a utilização duma fotocopiadora:
S
P0 µλ ρ 0.0965(1.65)2 0.825
Lq = = = 3.5387 pessoas.
S!(1 − ρ)2 2!(1 − 0.825)2
6 de Dezembro de 2012
13.8 Secção de fotocópias 321
λ 33
= = 1.65
µ 20
0.1872 − 0.1460
P0 = 0.1872 − = 0.1769
4
λ 33
ρ= = = 0.55
3µ 3 × 20
No médio de pessoas aguardando a utilização duma fotocopiadora:
S
P0 µλ ρ 0.1769(1.65)3 0.55
Lq = = = 0.3597 pessoas.
S!(1 − ρ)2 3!(1 − 0.55)2
6 de Dezembro de 2012
322 Filas de Espera
λ 33
= = 1.65
µ 20
0.1953 − 0.1616
P0 = 0.1953 − = 0.1899
4
λ 33
ρ= = = 0.4125
4µ 4 × 20
No médio de pessoas aguardando a utilização duma fotocopiadora:
S
P0 µλ ρ 0.1899(1.65)4 0.4125
Lq = = = 0.0701 pessoas.
S!(1 − ρ)2 4!(1 − 0.4125)2
λ 33
= = 1.65
µ 20
0.2014 − 0.1646
P0 = 0.2014 − = 0.1922
4
λ 33
ρ= = = 0.33
5µ 4 × 20
6 de Dezembro de 2012
13.8 Secção de fotocópias 323
6 de Dezembro de 2012
324 Filas de Espera
13.9 Manutenção
13.9.1 Enunciado
O supervisor operacional duma empresa de máquinas eléctricas verificou que
o serviço de manutenção corrente de equipamento sofria atrasos, devido à
espera na secção de ferramentas. Como qualquer atraso na produção obriga
a uma alteração das ordens de fabrico ou mesmo ao recurso a horas extraor-
dinárias, o supervisor requereu um estudo sobre a viabilidade de acrescentar
mais funcionários à secção em questão, para melhorar a resposta às necessi-
dades do serviço de manutenção.
O assunto foi estudado, concluindo-se que o tempo médio entre chega-
das é de 80 segundos e que o tempo médio de atendimento, por parte dum
funcionário, é de 60 segundos.
O custo total dum funcionário na secção de ferramentas é de $8.50 por
hora, enquanto que o custo relativo à espera (equipamento parado) é de
$15.00 por hora. Considera-se que o dia de trabalho tem 8 horas.
A tabela seguinte, parcialmente completa, informa sobre o efeito na fila de
espera de acrescentar mais funcionários (fila tipo M/M/S, S = 2, 3) à secção,
incluindo a análise dos custos diários totais envolvidos nas várias opções.
Complete a tabela. Na perspectiva dos custos totais tabelados, qual é a
melhor opção?
Número de funcionários
1 2 3
Número médio de equipamentos na fila de espera (Lq ) 2.25
Número médio de equipamentos no sistema (L) 3.00
Tempo médio de um equipamento na fila de espera, em min. (Wq ) 3.00
Tempo médio de um equipamento no sistema, em min.(W ) 4.00
Percentagem de tempo de desocupação do serviço 0.25
Custo ($)/dia (funcionários) 68.00
Custo ($)/dia (esperas) 360.00
Custo total diário 428.00
6 de Dezembro de 2012
13.9 Manutenção 325
13.9.2 Resolução
Taxa de chegada:
60 chegadas 602 chegadas maquinas
λ= = = 45
80 minuto 80 hora hora
Taxa de atendimento:
atendimento atendimentos
µ=1 = 60
minuto hora
• Verificação das contas apresentadas no quadro:
Número médio de máquinas na fila:
λ2
Lq = = 2.25 maquinas.
µ(µ − λ)
λ 45
= = 0.75
µ 60
6 de Dezembro de 2012
326 Filas de Espera
P0 = 0.4545
λ
ρ= = 0.375
2µ
Lq 0.1227
Wq = = = 0.0027 horas.
λ 45
1 1
W = Wq + = 0.0027 + = 0.0194 horas.
µ 60
λ 45
= = 0.75
µ 60
P0 = 0.4706
λ
ρ= = 0.25
3µ
6 de Dezembro de 2012
13.9 Manutenção 327
6 de Dezembro de 2012
328 Filas de Espera
1
Exame de 2008.02.08 de MD do MIEA da FEUP
6 de Dezembro de 2012
13.10 Uma horta na escola 329
13.10.2 Resolução
(a) .
6 de Dezembro de 2012
330 Filas de Espera
13.11 DouryKayak
13.11.1 Enunciado
O Rio Douro, com os seus 928 km de extensão, constitui uma das maiores
bacias hidrográficas da Europa Ocidental, que se destaca pelos notáveis va-
lores histórico-culturais, artı́sticos e ambientais. Após o seu lento percurso
pelas planı́cies cerealı́feras da meseta, o Douro forma a fronteira natural entre
Portugal e Espanha. Nesta zona, conhecida como “Douro Internacional” no
nosso paı́s e “Arribes del Duero” em Espanha a natureza foi pródiga na beleza
paisagı́stica e na biodiversidade. [. . . ] O relevo desta zona caracteriza-se pelo
encaixe da sua rede fluvial, onde os vales formam, frequentemente, vertentes
escarpadas e falésias, com até 400 m de altura, produzindo uma paisagem de
beleza impressionante.
in http://dourointernacional.no.sapo.pt/arribasdodouro.html 2007.02.04
Para aproveitar todos estes recursos e partilhá-los com a população inte-
ressada, a empresa DouryKayak proporciona descidas pelo Rio Douro, entre
Miranda do Douro e Freixo de Espada à Cinta em kayaks. A DouryKayak
realiza viagens para grupos de 12 pessoas (obrigatoriamente), sendo que cada
grupo é atendido individualmente (quando um grupo chegar ao destino é en-
viada a informação para que o próximo grupo possa partir). O horário de
funcionamento da empresa é das 7h00 às 17h00, podendo a última partida
ocorrer na hora limite, às 17h00. A chegada dos grupos ao embarcadouro de
partida é aleatória e o número de grupos que chega por dia pode ser descrito
por uma distribuição de Poisson, sendo o seu valor médio de 4.8 grupos/dia.
O problema da empresa é decidir qual a melhor escolha de kayaks, dado
que existem kayaks de 2 lugares, que têm um preço de 95e cada, kayaks de
4 lugares (170e cada) e kayaks de 6 lugares (210e cada). Depois de vários
testes concluiu-se que o tempo de viagem por grupo (12 pessoas), incluindo
o tempo de retorno ao ponto de partida, é aleatório e segue uma distribuição
exponencial negativa. Com 6 kayaks de 2 lugares o tempo médio de viagem
é de 1h30, com 3 kayaks de 4 lugares a viagem demora em média 2h00 e a
viagem de 2 kayaks de 6 lugares demora em média 2h30.
O objetivo da DouryKayak é decidir que tipo de kayaks comprar (2 luga-
res, 4 lugares ou 6 lugares), de forma a gastar o mı́nimo de dinheiro possı́vel
mas com a restrição de os kayaks estarem ocupados um máximo de 80% do
tempo, de forma a poderem contemplar um futuro aumento da procura. Para
a configuração escolhida, calcule o número médio de grupos que estarão na
fila de espera.
Baseado num problema elaborado por Ana Vanessa Duque - 2005/2006
6 de Dezembro de 2012
13.11 DouryKayak 331
13.11.2 Resolução
Neste problema pretende-se analisar um sistema de fila de espera M/M/1.
Quer as chegadas quer o atendimento seguem processos de Poisson (ou ex-
ponencial negativos), os “clientes” são os grupos e o que está em causa é
determinar a configuração do serviço, que tem impacto no custo do mesmo e
no tempo médio de atendimento. Usaremos como unidade de tempo a hora.
Como temos três configurações diferentes e alternativas para o atendimento,
distinguiremos os três casos apondo o ı́ndice A, B e C às variáveis habituais,
representando, respectivamente, as situações de comprar kayaks de 2 lugares,
4 lugares e 6 lugares.
Usando então a nomenclatura habitual das filas de espera:
4.8
λ = = 0.48
10
1 2
µA = =
1.5 3
1
µB = = 0.5
2
1
µC = = 0.4
2.5
λ ×0.48
P0A = 1 − = 1 − 2 = 1 − 0.72 = 0.28
µA 3
λ 0.48
P0B =1− = 1− = 1 − 0.96 = 0.04
µB 0.5
λ 0.48
P0C =1− = 1− = 1 − 1.2
µB 0.4
λ2 0.482
LA
q = = 2 = 1.851
µA (µA − λ) 3
× ( 23 − 0.48)
6 de Dezembro de 2012
332 Filas de Espera
6 de Dezembro de 2012
Capı́tulo 14
Simulação
Objetivos de Aprendizagem
• Dada a descrição de um sistema a simular:
6 de Dezembro de 2012
334 Simulação
6 de Dezembro de 2012
335
Exercı́cios
6 de Dezembro de 2012
336 Simulação
1 1
Recorde que E(X) = λ, quando x segue uma distribuição exponencial negativa de
parâmetro λ.
6 de Dezembro de 2012
14.1 Avarias na rede eléctrica 337
14.1.2 Resolução
.
(A) (B) (C) (D) (E) (F) (G)
Tempo entre acidentes (min) Tempo de reposição do serviço (min) Tempo de ciclo (min) Nº de ciclos Tempo total
Nº aleatório Nº aleatório Nº aleatório Nº aleatório acidente/reposição sem serviço
U[0,1] EXP(1/60) U[0,1] U[1,5] num dia (24*60 min) num dia
-LN(1 - (A)) / (1/60) (5-1) * (C) + 1 (B) + (D) (24*60)/(E) (D) * (F)
0.2032 13.6277 0.0980 1.3918 15.0195 95.8752 133.4433
0.5163 43.5727 0.6415 3.5658 47.1385 30.5483 108.9305
0.5160 43.5408 0.5301 3.1203 46.6610 30.8609 96.2941
0.0409 2.5048 0.0555 1.2221 3.7269 386.3780 472.1974
0.5993 54.8715 0.4963 2.9851 57.8567 24.8891 74.2975
Média 177.0326
6 de Dezembro de 2012
338 Simulação
14.2 ValorSul
14.2.1 Enunciado
A Valorsul, S.A. é a empresa responsável pelo tratamento e valori-
zação das cerca de 750 mil toneladas de Resı́duos Sólidos Urbanos
produzidas, por ano, nos municı́pios de Amadora, Lisboa, Loures,
Odivelas e Vila Franca de Xira. A sua área de intervenção corres-
ponde a menos de 1% da área total do paı́s, mas valoriza quase
um sexto de todo o lixo doméstico produzido em Portugal. Esta
imensa quantidade de resı́duos é tratada e valorizada pela Valor-
sul através de um moderno Sistema de Gestão Integrada de RSU
adequado ao crescimento e à composição do nosso lixo urbano.
in http://www.valorsul.pt
6 de Dezembro de 2012
14.2 ValorSul 339
14.2.2 Resolução
Este é um problema de simulação discreta, em que o tempo entre eventos
(chegada de uma camião) é regido por uma distribuição exponencial negativa
com média 5 minutos (o tempo médio entre chegadas é de 5 minutos). Assim,
λ = 0, 2.
Para cada chegada é ainda necessário determinar o tipo de camião (tonela-
gem). Para isso utiliza-se a distribuição de probabilidade dada no enunciado.
Obervações
Números Números aleatórios Números aleatórias com Histograma
aleatórios com distribuição aleatórios distribuição (a 3ª coluna está desalinhada por causa das
lambda histograma
0,2
0,4819 3,287614 0,4981 26 p(X=x) P(X<=x) X
0,2286 1,297662 0,4875 26 0 10
0,1714 0,939995 0,8864 32 0,25 0,25 18
0,3777 2,371985 0,9390 32 0,15 0,40 26
0,7221 6,403310 0,6201 26 0,40 0,80 32
0,7221 6,403310 0,9512 32 0,20 1,00
0,6721 5,574601 0,9260 32
6 de Dezembro de 2012
340 Simulação
6 de Dezembro de 2012
14.3 Avistamento de Aves 341
6 de Dezembro de 2012
342 Simulação
14.3.2 Resolução
Este é um problema de simulação discreta, em que o tempo entre eventos
(avistamento de uma ave) é regido por uma distribuição exponencial negativa
com média 2 horas (o tempo médio entre avistamentos é de 2 horas). Assim,
λ = 0, 5.
Para cada avistamento é ainda necessário determinar o tipo de ave que
é avistado. Para isso utiliza-se o número de aves que vive no parque, isto
é, como existem 30 abutres do Egipto, num total de 172 aves de rapina, a
30
probabilidade de a árvore observada ser um abutre do Egipto é de 172 = 0, 17.
6 de Dezembro de 2012