Escolar Documentos
Profissional Documentos
Cultura Documentos
Todos os direitos reservados e protegidos pela Lei 9.610/98. Nenhuma parte deste
livro, sem prévia autorização por escrito da detentora dos direitos, poderá ser
reproduzida ou transmitida, sejam quais forem os meios empregados: eletrônicos,
mecânicos, fotográficos, gravações ou quaisquer outros.
Diretoria EaD
Muriel Batista de Oliveira | Currículo lattes
Gerência EaD
Jamil Bussade Neto | Currículo lattes
Projeto Gráfico
Jaqueline de Souza Ferreira Batista | Currículo lattes
Revisão Ortográfica
Eliane Azevedo | Currículo lattes
Sobre a autora
Julliana
NomeAlmeida Piraciaba
do professor
.
.
.
Bons estudos!
Objetivos
AULA 16 – APLICAÇÕES DA PO II
16 INTRODUÇÃO ............................................................................................ 182
Iconografia
PARA
ATIVIDADE
REFLEXÃO
EXEMPLO VÍDEO
ANOTAÇÕES LEMBRETE
Aula 1
Revisão da Pesquisa Operacional
APRESENTAÇÃO DA AULA
Nesta aula veremos uma revisão do que foi visto em Pesquisa Operacional I.
Lembraremos como surgiu a Pesquisa Operacional e faremos alguns exercícios de
Modelagem, resolveremos alguns Programas Lineares pelo método gráfico e pelo
método simplex. Mãos às obras?!.
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
1 INTRODUÇÃO
ATENÇÃO
ATENÇÃO
ANOTAÇÕES
____________________________________________________________________________
__________________________________________________________________________________
__________________________________________________________________________________
__________________________________________________________________________________
P á g i n a | 15
ATENÇÃO
Problemas de modelagem
Terceiro, vamos as restrições, pelo problema podemos ver que o que restringe
a criação de vacas e carneiros são: os estábulos, os hectares e horas de trabalho por
ano. Assim, temos as seguintes restrições:
𝑥𝑉 ≤ 50 → 𝑟𝑒𝑠𝑡𝑟𝑖çã𝑜 𝑒𝑠𝑡á𝑏𝑢𝑙𝑜
𝑥𝑐 ≤ 200 → 𝑟𝑒𝑠𝑡𝑟𝑖çã𝑜 𝑒𝑠𝑡á𝑏𝑢𝑙𝑜
𝑥𝑉 + 0,2𝑥𝑐 ≤ 72 → 𝑟𝑒𝑠𝑡𝑟𝑖çã𝑜 ℎ𝑒𝑐𝑡𝑎𝑟𝑒𝑠
150𝑥𝑉 + 25𝑥𝑐 ≤ 110.000 → 𝑟𝑒𝑠𝑡𝑟𝑖çã𝑜 ℎ𝑜𝑟𝑎𝑠 𝑑𝑒 𝑡𝑟𝑎𝑏𝑎𝑙ℎ𝑜
ATIVIDADE
Tente resolvê-lo!
Uma indústria precisa que três tipos de peças-parte passem por três operações
diferentes: corte, perfuração e polimento, pois foram compradas inacabadas. O
custo por hora das três operações está na tabela a seguir, assim como a
capacidade/hora de cada máquina para cada operação.
Perfuração 40 20 40 100
Polimento 20 50 20 200
Fonte: autora.
restrições de capacidade das operações são (≤) pois se fossem do tipo (=), indicaria
P á g i n a | 19
Onde:
Representação Gráfica
3
x_2 2
0
0 1 2 3 4
x_1
Fonte: a autora.
Representação Gráfica
3
2
x_2
0
0 1 2 3 4
x_1
Fonte: a autora.
Representação Gráfica
3
2
B
C
x_2
0
A0 1 2 3 4
x_1
Fonte: a autora.
Tabela 4: Iteração 0.
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
𝑥3 -2 1 1 0 0 0
𝑥4 0 1 0 1 0 2
𝑥5 2/3 -1 0 0 1 0
-1 -6 0 0 0 𝑧
Fonte: a autora.
na outra variável, logo, a variável 𝑥2 é a que entra na base. A variável que sai da
base é aquela em que o cálculo da razão não negativa entre o lado direito da
equação e o coeficiente de restrição correspondente da variável que entra na base
é mínima. A Tabela 5 mostra os cálculos.
Tabela 7: Iteração 1.
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
𝑥3 -2 0 1 -1 0 -2
𝑥2 0 1 0 1 0 2
𝑥5 2/3 0 0 1 1 2
-1 0 0 6 0 𝑧 + 12
Fonte: a autora.
Tabela 8: Iteração 2.
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
𝑥1 1 0 -1/2 1/2 0 1
𝑥2 0 1 0 1 0 2
𝑥5 0 0 1/3 2/3 1 4/3
0 0 -1/2 13/2 0 𝑧 + 13
Fonte: a autora.
Tabela 9: Iteração 3.
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
𝑥1 1 0 0 3/2 3/2 3
𝑥2 0 1 0 1 0 2
𝑥3 0 0 1 2 3 4
0 0 0 15/2 3/2 𝑧 + 15
Fonte: a autora.
Não se tem mais nenhum coeficiente não negativo na linha de 𝑧, então para-
se e a solução ótima é 𝑥1 = 3, 𝑥2 = 2, 𝑥3 = 4 , 𝑥4 = 0, 𝑥5 = 0 e 𝑧 = 15.
Resumo
Básica:
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier Campus, 2007.
ATIVIDADE
APRESENTAÇÃO DA AULA
Nesta aula veremos uma breve introdução da Teoria dos Grafos, onde a
Pesquisa Operacional utiliza modelos de grafos na busca por melhores soluções dos
seus problemas. Veremos alguns conceitos e definições dessa Teoria e nas próximas
aulas veremos alguns exemplos, assim como alguns algoritmos.
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
2 INTRODUÇÃO
Breve histórico
ATENÇÃO
Um dos primeiros problemas que se tem registro sobre a Teoria dos Grafos tem
a data de 1736, na cidade de Königsberg, na Prússia Oriental (atualmente a cidade
se chama Kaliningrad). A cidade era cortada pelo rio Pregel e sobre ele havia duas
ilhas. As ilhas eram ligadas entre si por uma ponte e elas ainda se ligavam às margens
por mais seis pontes ao todo, conforme pode ser visto na figura 4.
PARA
REFLEXÃO
sobre circuitos elétricos, nos quais eram utilizados modelos de grafos (BOAVENTURA
NETTO; JURKIEWICZ, 2019, p. 3).
O interesse de muitos matemáticos pelo estudo dos grafos cresceu ao longo
do século XX. A partir da década de 1950, a Pesquisa Operacional começou a utilizar
os modelos de grafos, na busca de melhores soluções para os seus problemas de
projeto, organização e distribuição. Dois acontecimentos motivaram o rápido
desenvolvimento da PO, um foi a criação do algoritmo simplex, conhecido de vocês,
e o outro foi a proliferação dos microcomputadores e o rápido aumento em sua
velocidade de processamento. Com a invenção do computador, essas aplicações
puderam promover grande divulgação do tipo de modelagem e o caminho foi
aberto para a aplicação dos conceitos desenvolvidos no período.
Hoje em dia, a teoria dos grafos é um campo de interesse crescente, cujas
aplicações são inúmeras e nos mais variados campos, vão desde problemas mais
simples, como sua rede de amigos, por exemplo, até mais complexos, como a rede
de Internet.
A Internet é um exemplo de uma rede complexa, que podemos definir
informalmente como uma grande coleção de nós interconectados. Um nó pode ser
qualquer coisa: uma pessoa, uma organização, um computador, uma célula
biológica, e assim por diante. Interconectado significa que dois nós podem ser
ligados, por exemplo, porque duas pessoas se conhecem, duas organizações trocam
bens, dois computadores têm um cabo que conecta os dois, ou porque dois
neurônios estão conectados por meio de sinapses para passar sinais. O que torna
essas redes complexas é que elas são geralmente tão grandes que é impossível
entender ou prever seu comportamento geral, olhando para o comportamento de
nós individuais ou links (STEEN, 2010).
Conceitos e definições
2.2.1 Modelo
ATENÇÃO
EXEMPLO
Podemos representar cada aluno por vértices e as setas por arestas, o que
podemos visualizar na figura 7.
Fonte: a autora.
Vamos ver alguns conceitos para poder desbravar mais sobre esse incrível
mundo dos Grafos!
P á g i n a | 36
ATENÇÃO
Fonte: a autora.
PARA
REFLEXÃO
orientação do arco (𝑖, 𝑗), podemos dizer que o arco é de saída (ou emergente) do
nó 𝑖 e de entrada no nó 𝑗. O nó inicial 𝑖 é chamado de nó cauda do arco (𝑖, 𝑗) e o nó
final 𝑗 é chamado de nó cabeça do arco (𝑖, 𝑗) (ARENALES et al., 2007, p. 290).
Pode existir um ou mais valores numéricos associados a cada aresta ou arco
(𝑖, 𝑗) ∈ 𝐸 representando parâmetros relativos à aresta ou ao arco, como custo ou
comprimento da aresta ou arco. Assim como pode existir também um ou mais valores
numéricos associados a cada nó 𝑖 ∈ 𝑁, que pode indicar a demanda ou suprimento,
a capacidade do nó etc. Em uma representação gráfica os valores associados às
arestas ou aos arcos podem ser indicados sobre eles, e os valores associados aos nós
podem ser indicados ao lado deles.
Por exemplo, considerando o conjunto de vértices 𝑁 = {1,2,3,4}, o conjunto de
arcos 𝐸 = {(1,2), (1,3), (2,4), (3,4)} e os valores associados a cada arco, 𝑡12 = 2, 𝑡13 = 4,
𝑡24 = 2 e 𝑡34 = 3. A figura 9 mostra a representação gráfica desta rede orientada.
Fonte: a autora.
ATENÇÃO
ATENÇÃO
Definição 6: Se existe pelo menos uma cadeia entre quaisquer dois dos nós de
um grafo, ele é dito fracamente conectado (ou simplesmente conectado), e ele é
fortemente conectado se existe pelo menos um caminho de cada nó a todos os
demais nós do grafo.
Definição 7: Uma árvore é um grafo conectado sem ciclos. Diz-se que um grafo
𝐺 ′ = (𝑁 ′ , 𝐸 ′ ) é um subgrafo de 𝐺 = (𝑁, 𝐸) se 𝑁 ′ ⊆ 𝑁 e 𝐸 ′ ⊆ 𝐸, com a condição de que,
se (𝑖, 𝑗) ∈ 𝐸 ′ , então 𝑖 e 𝑗 também devem pertencer a 𝑁 ′ . Uma árvore geradora de um
Grafo 𝐺 é um subgrafo de 𝐺 que é uma árvore e inclui todos os nós do grafo 𝐺.
(ARENALES et al., 2007, p. 292)
Árvores geradoras são de grande interesse no estudo de fluxos em redes e elas
possuem algumas propriedades que a caracterizam. Vamos ver algumas delas!
Propriedade 1: Considere um grafo 𝐺 = (𝑁, 𝐸), com |𝑁| = 𝑛 (isto é, 𝑁 tem
cardinalidade 𝑛, em outras palavras, 𝐺 tem 𝑛 nós), e um subgrafo de 𝐺 ′ = (𝑁, 𝐸 ′ ) de
𝐺. As seguintes afirmações são equivalentes:
i. 𝐺 ′ = (𝑁, 𝐸 ′ ) é uma árvore geradora de 𝐺;
ii. |𝐸 ′ | = 𝑛 − 1 (isto é, 𝐺 ′ tem 𝑛 − 1 arcos) e 𝐺 ′ é conectado;
iii. |𝐸 ′ | = 𝑛 − 1 e 𝐺 ′ não tem ciclos
ATENÇÃO
Fonte: a autora.
Fonte: a autora.
1 2 3 4
0 1 1 0 1
𝑴= 0 0 1 1] 2
[ 3
0 0 0 1
0 0 0 0 4
Caso o grafo não fosse orientado, a matriz 𝑴 seria simétrica, pois a matriz de
grafos não orientado é sempre simétrica (𝑴 = 𝑴𝑻 ). No caso de uma rede, onde cada
arco (𝑖, 𝑗) têm um valor associado 𝑐𝑖𝑗 ≠ 0, podemos colocar essa informação em 𝑴,
fazendo 𝑚𝑖𝑗 = 𝑐𝑖𝑗 para todo (𝑖, 𝑗) ∈ 𝐸 e 𝑚𝑖𝑗 = 0, caso contrário. A matriz de incidência
P á g i n a | 42
Definição 10: Seja 𝐺 = (𝑁, 𝐸) um grafo orientado em que |𝑁| = 𝑛 e |𝐸| = 𝑚, isto
é, o grafo possui 𝑛 nós e 𝑚 arestas. A matriz 𝑷 = [𝑝𝑖𝑘 ]𝑛×𝑚 é chamada matriz de
incidência nó-arco, tal que:
𝑝𝑖𝑘 = +1 se o arco 𝑘 é (𝑖, 𝑗)
𝑝𝑖𝑘 = −1 se o arco 𝑘 é (𝑗, 𝑖)
𝑝𝑖𝑘 = 0, caso contrário.
Podemos observar que caso o grafo da figura 10 fosse não orientado, a matriz
de incidência seria nó-aresta, e onde 𝑝𝑖𝑘 = −1 seria 𝑝𝑖𝑘 = 1.
Otimização em rede
LEMBRETE
VÍDEO
Vale muito apena conferir essa playlist sobre Introdução à Teoria dos Grafos do
Professor Marcos Paulo Ferreira de Araújo:1
1 Introdução à Teoria dos Grafos - Aula 1 - O que é um grafo?. [S. l.: s. n.], 2016. 1 vídeo (11
min). Publicado pelo canal Programa de Iniciação Cientifica da OBMEP. Disponível em:
https://www.youtube.com/watch?v=Frmwdter-vQ&list=PLrVGp617x0hAm90-
7zQzbRsSOnN2Vbr-I. Acesso em: 25 ago. 2019.
Referências
Básica:
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier Campus, 2007.
STEEN, M. VAN. Graph theory and complex networks: an introduction. S.l.: Maarten van
Steen, 2010.
Exercícios
AULA 2
ATIVIDADE
4. Defina caminho.
5. Defina cadeia.
8. Por que os subgrafos a seguir não são árvores geradoras do Grafo da figura
10?
P á g i n a | 48
Fonte: a autora.
APRESENTAÇÃO DA AULA
Nesta aula faremos juntos alguns exercícios sobre a Teoria dos Grafos,
apresentada na aula anterior, para melhor aprendizado e fixação dos conceitos.
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
Fazer exercícios;
Fixar o conteúdo da Teoria dos Grafos.
P á g i n a | 50
3 INTRODUÇÃO
Fonte: a autora.
Fonte: a autora.
P á g i n a | 51
Fonte: a autora.
𝑚𝑖𝑗 = 0, caso contrário, temos as seguintes matrizes de adjacências dos grafos das
figuras 13 a 16:
0 1 1 0 0 0 1 1 0
0 0 0 0 1 𝑀3𝑖𝑖 = [0 0 1 1]
𝑀3𝑖 = 0 0 0 1 1 0 0 0 1
0 1 0 0 1 0 0 0 0
[1 0 0 0 0]
Fonte: a autora.
Sendo matriz de incidência nó-aresta a matriz 𝑷 = [𝑝𝑖𝑘 ]𝑛×𝑚 , tal que 𝑝𝑖𝑘 = 1 se a
aresta 𝑘 é definida por (𝑖, 𝑗) ∈ 𝐸 ou (𝑗, 𝑖) ∈ 𝐸, ou seja, a aresta 𝑘 é incidente ao nó 𝑖, e
𝑝𝑖𝑘 = 0, caso contrário. Temos para os grafos das Figuras 13 e 16 as matrizes de
incidência nó-aresta 𝑃1 e 𝑃2 , respectivamente.
P á g i n a | 53
Sendo a matriz de incidência nó-arco a matriz 𝑷 = [𝑝𝑖𝑘 ]𝑛×𝑚 tal que 𝑝𝑖𝑘 = +1 se
o arco 𝑘 é (𝑖, 𝑗), 𝑝𝑖𝑘 = −1 se o arco 𝑘 é (𝑗, 𝑖) e 𝑝𝑖𝑘 = 0, caso contrário, temos as seguintes
matrizes nó-arco dos grafos da figura 15:
Nesta aula vimos alguns exercícios sobre a Teoria dos Grafos, desenhamos
grafos não orientado e orientado, assim como vimos a cardinalidade dos nós e
arestas. Encontramos um caminho, um ciclo e uma árvore geradora de grafos e
fizemos as matrizes de adjacências, incidência nó-aresta e nó-arco dos grafos dados.
Com isso, revisamos os conceitos dados na aula anterior e fixamos o conteúdo
dado. Nas próximas aulas veremos algumas aplicações desta Teoria.
Referências
Básica:
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier Campus, 2007.
BOAVENTURA NETTO, P. O.; JURKIEWICZ, S. Grafos: introdução e prática. São Paulo (SP):
Blucher, 2019.
STEEN, M. VAN. Graph theory and complex networks: an introduction. S.l.: Maarten van
Steen, 2010.
Exercícios
AULA 3
ATIVIDADE
horário).
Caso k impar e n par - primeiro construir 𝐻𝑘−1,𝑛 e adicionar as arestas, (0, 𝑛⁄2),
(1, (1 + 𝑛⁄2)), ⋯ , ( (𝑛 − 2)⁄2 , (𝑛 − 1))
Caso k impar e n ímpar - primeiro construir 𝐻𝑘−1,𝑛 e adicionar as arestas
APRESENTAÇÃO DA AULA
Até agora vimos teoria e alguns exercícios, nesta aula veremos uma aplicação
da Teoria dos Grafos. Iremos ver o problema do caminho mínimo e utilizaremos
algoritmo para resolvê-lo.
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
4 INTRODUÇÃO
ATENÇÃO
Algoritmo de Dijkstra
ATENÇÃO
O rótulo para o nó inicial é [0, −], o que indica que o nó não tem nenhum
predecessor, ou seja, nenhum nó anterior a ele.
Os rótulos dos nós nesse algoritmo são de dois tipos:
i. Temporários: pode ser modificado se for possível encontrar uma rota mais
curta até um nó;
ii. Permanente: se não for possível encontrar nenhuma rota melhor, o status do
rótulo temporário muda para permanente.
EXEMPLO
caminhos mais curtos entre a Cidade 1 e cada uma das quatro outras cidades
utilizando o algoritmo de Dijkstra.
Olhando os rótulos dos nós com status temporário podemos ver que o nó 3
resulta na menor distância 𝑢3 = 30, com isso, podemos mudar o status do nó 3 de
temporário para permanente.
ANOTAÇÕES
____________________________________________________________________________
__________________________________________________________________________________
__________________________________________________________________________________
__________________________________________________________________________________
Nesta aula vimos exemplos de problemas que podem ser modelados como
problema de otimização em redes. Vimos também como resolver tais problemas com
o algoritmo de Dijkstra.
Na próxima aula resolveremos mais exercício utilizando o algoritmo para
fixação da matéria.
Complementar
SAIBA MAIS
Básica:
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier Campus, 2007.
ATIVIDADE
Fonte: a autora.
a) Cidades 1 e 8;
b) Cidades 1 e 6;
c) Cidades 4 e 8;
d) Cidades 2 e 6.
Aula 5
Exercícios de caminho mínimo
APRESENTAÇÃO DA AULA
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
5 INTRODUÇÃO
Olhando os rótulos dos nós com status temporário podemos ver que o nó 2
resulta no menor valor 𝑢2 = 0,0969, com isso, podemos mudar o status do nó 2 de
temporário para permanente.
P á g i n a | 74
ATENÇÃO
e) Cidades 1 e 8;
Iteração 0: o nó 1 recebe o rótulo [0, −] e status permanente.
Iteração 1: Do nó 1 pode-se ir aos nós 2 e 3. Assim, podemos fazer uma lista
com os nós rotulados (temporários e permanentes) como na Tabela 26.
Olhando os rótulos dos nós com status temporário podemos ver que o nó 2
resulta na menor distância 𝑢2 = 1, com isso, podemos mudar o status do nó 2 de
temporário para permanente.
Iteração 2: Os nós 3, 4 e 5 podem ser alcançados através do nó 2 e a lista de
nós fica como demostrado na Tabela 27.
Nesta aula vimos dois exercícios que pudemos aplicar o algoritmo de Dijkstra.
O primeiro exercício nós utilizamos a função logarítmica para transformar um
problema que a princípio não era de caminho mínimo em um que pudéssemos
aplicar o algoritmo de caminho mínimo.
Referências
Básica:
TAHA, H. A. Pesquisa operacional. São Paulo: Pearson Prentice Hall, 2008.
Aula 6
Introdução ao Algoritmo de Fluxo
Máximo
APRESENTAÇÃO DA AULA
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
6 INTRODUÇÃO
Consideremos uma rede de tubulações que transporte petróleo cru dos poços
a refinarias. Nesta rede também foram instaladas estações intermediárias de
impulsores auxiliares e de bombeamento a distâncias adequadas para o transporte
pela rede do petróleo cru. Cada segmento de tubulação tem uma taxa (ou
capacidade) de fluxo de petróleo cru. Na Figura 25 temos a representação de uma
rede de tubulações típica. Como faríamos para determinar a capacidade máxima
da rede entre os poços e as refinarias?
P á g i n a | 84
Figura 25: Rede capacitada que conecta poços e refinarias por meio de estações de
impulsores auxiliares.
A solução do problema requer que a rede seja equipada com uma única
origem e um único sorvedouro usando arcos unidirecionais com capacidade infinita
que estão representados na Figura 1 pelos arcos tracejados.
Seja o arco (𝑖, 𝑗) com 𝑖 < 𝑗, usaremos a notação (𝐶𝑖𝑗
̅ , 𝐶𝑗𝑖̅ ) para representar as
no arco próximo ao nó 𝑗.
Antes de prosseguirmos temos que conceituar o que é um corte e a sua
capacidade.
P á g i n a | 85
ATENÇÃO
A única informação que podemos tirar dos três cortes é que o fluxo máximo na
rede não pode ultrapassar 60 unidades, o que corresponde ao corte 1, mas será que
na rede não existe outro corte com uma capacidade menor?
ATIVIDADE
restantes do arco são atualizadas à medida que porções dessas capacidades são
comprometidas ao fluxo no arco. Usaremos a notação (𝑐𝑖𝑗 , 𝑐𝑗𝑖 ) para representar essas
capacidades restantes.
Para um nó 𝑗 que recebe fluxo do nó 𝑖, adicionamos um rótulo [𝑎𝑗 , 𝑖], no qual 𝑎𝑗
é o fluxo do nó 𝑖 ao nó 𝑗. Assim, podemos resumir as etapas do algoritmo da seguinte
maneira:
P á g i n a | 87
Etapa 1: Para todos os arcos (𝑖, 𝑗), iguale a capacidade restante à capacidade
inicial, isto é, (𝑐𝑖𝑗 , 𝑐𝑗𝑖 ) = (𝐶𝑖𝑗
̅ , 𝐶𝑗𝑖̅ ). Seja 𝑎𝑖 = ∞ e rotule o nó de origem com [∞, −].
𝑐𝑖𝑘 = 𝑚𝑎𝑥{𝑐𝑖𝑗 }
Etapa 6 (Solução):
a) Dado que foram determinadas 𝑚 rotas de passagem, o fluxo máximo na
rede é:
𝐹 = 𝑓1 + 𝑓2 + ⋯ + 𝑓𝑚
Básica:
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier Campus, 2007.
ATIVIDADE
1) Para a rede da Figura 26, determine mais três cortes e ache as respectivas
capacidades.
Aula 7
Exercícios de Fluxo de Máximo
APRESENTAÇÃO DA AULA
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
7 INTRODUÇÃO
Iteração 3: agora temos 𝑐12 = 10, 𝑐21 = 10, 𝑐23 = 30, 𝑐32 = 10, 𝑐34 = 0, 𝑐43 = 15,
𝑐45 = 10 e 𝑐54 = 10.
Etapa 1: Determine 𝑎1 = ∞, e rotule o nó 1 com [∞, −]. Determine 𝑖 = 1.
Etapa 2: 𝑆1 = {2,3,4}.
Etapa 3: 𝑘 = 2 e 𝑎2 = 𝑐12 = 𝑚𝑎𝑥{𝑐12 , 𝑐13 , 𝑐14 } = 𝑚𝑎𝑥{10,10,10} = 10. Temos um
empate, poderíamos escolher aleatoriamente, mas vamos escolher o nó
que está vinculado ao menor índice. Rotule o nó 2 com [10,1]. Determine 𝑖 =
2 e repita a etapa 2.
Etapa 2: 𝑆2 = {3,5}.
Etapa 3: 𝑘 = 3 e 𝑎3 = 𝑐23 = 𝑚𝑎𝑥{𝑐23 , 𝑐25 , } = 𝑚𝑎𝑥{30,30} = 30. Outro empate,
escolhemos o nó vinculado ao menor índice. Rotule o nó 3 com [30,2].
Determine 1 = 3 e repita a etapa 2.
Etapa 2: 𝑆3 = ∅, pois 𝑐34 = 𝑐35 = 0 e o nó 1 já está rotulado. Vamos para a
etapa 4 para percorrer a rota inversa.
P á g i n a | 97
Nesta aula vimos uma revisão do problema de fluxo máximo, visto na aula
passada. E resolvemos um exercício utilizando o algoritmo de fluxo máximo, também
visto na aula passada.
Estudem bem até aqui, na próxima aula estudaremos um outro tipo de
programação, a programação inteira.
Complementar
VÍDEO
2 Pesquisa Operacional - Fluxo Máximo. [S. l.: s. n.], 2014. 1 vídeo (32 min). Publicado pelo
canal Washington Lemos. Disponível em: https://www.youtube.com/watch?v=EfeEtlxTdQs.
Acesso em: 25 ago. 2019.
Referências
Básica:
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier Campus, 2007.
ATIVIDADE
APRESENTAÇÃO DA AULA
Nas aulas anteriores vimos a Teoria dos Grafos e como resolver problemas de
otimização em rede através do algoritmo de caminho mínimo, com o algoritmo de
Dijkstra, e do algoritmo de Fluxo Máximo. Nesta aula veremos um outro tipo de
programação, a Programação Inteira, em que algumas das variáveis pertencem ao
subconjunto dos números inteiros.
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
8 INTRODUÇÃO
apenas variáveis binárias podem ser chamadas de programação inteira binária (PIB)
(HILLIER; LIEBERMAN, 2006, p. 462–463).
Exemplos
Exemplo1
Uma empresa está estudando a possibilidade de se expandir com a
construção de uma nova fábrica na Cidade A ou então na Cidade B, ou até em
ambas. Ela também está estudando a possibilidade de construir pelo menos um novo
depósito, mas a escolha do local se restringe a uma cidade na qual a nova fábrica
será construída. O valor presente líquido de cada uma das alternativas é mostrado
na quarta coluna da Tabela 33. A última coluna fornece o capital necessário para
cada investimento. O objetivo é encontrar a combinação de alternativas que
maximize o valor presente líquido total.
A função objetivo deve ser igual ao valor presente líquido total dessas
decisões. Assim, se o investimento for feito para construir determinada instalação a
variável de decisão 𝑥𝑗 correspondente terá valor 1, caso contrário terá valor 0 e o seu
valor presente líquido não entrará no cálculo da função objetivo, pois será
multiplicada por 0. Então, usando unidade de milhões de reais, a função objetivo é:
A última coluna nos fornece que o volume de capital gasto nas quatro
instalações não pode exceder R$ 10 milhões. Portanto, uma restrição no modelo é:
𝑥3 + 𝑥4 ≤ 1 → 𝑟𝑒𝑠𝑡𝑟𝑖çã𝑜 𝐼𝐼
𝑥3 ≤ 𝑥1 → 𝑟𝑒𝑠𝑡𝑟𝑖çã𝑜 𝐼𝐼𝐼
Dessa forma garantimos que a decisão 3 não terá valor binário igual a 1 caso
a decisão 1 tenha valor 0.
Da mesma forma para 𝑥4 , temos a restrição:
𝑥4 ≤ 𝑥2 → 𝑟𝑒𝑠𝑡𝑟𝑖çã𝑜 𝐼𝑉
Exemplo 2
Cinco projetos estão sob avaliação dentro de uma projeção de planejamento
de três anos. A Tabela 34 registra os retornos esperados para cada projeto e os
desembolsos anuais associados.
O problema de PLI é:
Maximizar 𝑧 = 20𝑥1 + 40𝑥2 + 20𝑥3 + 15𝑥4 + 30𝑥5
Sujeito a 5𝑥1 + 4𝑥2 + 3𝑥3 + 7𝑥4 + 8𝑥5 ≤ 25
𝑥1 + 7𝑥2 + 9𝑥3 + 4𝑥4 + 6𝑥5 ≤ 25
8𝑥1 + 10𝑥2 + 2𝑥3 + 𝑥4 + 10𝑥5 ≤ 25
P á g i n a | 108
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 = (0,1)
Básica:
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier Campus, 2007.
ATIVIDADE
APRESENTAÇÃO DA AULA
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
9 INTRODUÇÃO
Solver do Excel
Fonte: a autora.
Fonte: a autora.
Fonte: a autora.
Fonte: a autora.
5. Também temos que inserir que as variáveis de decisão devem ser do tipo
binária, fazemos isso inserindo mais uma restrição. Da mesma forma que fizemos em
4, vamos abrir a caixa de Adicionar Restrição, em Referência de Célula vamos marcar
as nossa variáveis de decisão, ou seja B4:E4, em seguida vamos selecionar a opção
bin, o valor binário aparece automaticamente no campo Restrição e damos Ok. A
Figura 5 ilustra esse processo.
Fonte: a autora.
Fonte: a autora.
Só faça isso após conferir os valores das variáveis de decisão, caso não esteja
na forma Binária, algo está errado, então clique em Restaurar Valores Originais e em
Ok. Revise os valores inseridos e as opções selecionadas.
Feito tudo certo, temos o resultado, conforme podemos ver na Figura 7. Temos
que a solução ótima é 𝑥1 = 𝑥2 = 1, 𝑥3 = 𝑥4 = 0 e 𝑧 = 14.
Fonte: a autora.
P á g i n a | 119
Software Lingo
O problema de PLI é:
Maximizar 𝑧 = 20𝑥1 + 40𝑥2 + 20𝑥3 + 15𝑥4 + 30𝑥5
Sujeito a 5𝑥1 + 4𝑥2 + 3𝑥3 + 7𝑥4 + 8𝑥5 ≤ 25
𝑥1 + 7𝑥2 + 9𝑥3 + 4𝑥4 + 6𝑥5 ≤ 25
P á g i n a | 120
Fonte: a autora.
Fonte: a autora.
Fonte: a autora.
P á g i n a | 122
Por fim, temos a solução, que podemos ver na Figura 43. Conforme podemos
ver a solução ótima é 𝑥1 = 𝑥2 = 𝑥3 = 𝑥4 = 1, 𝑥5 = 0, com 𝑧 = 95 milhões, que é a
mesma solução dada na Aula 08.
Fonte: a autora.
Básica:
HILLIER, F. S.; LIEBERMAN, G. J. Introdução à pesquisa operacional. São Paulo:
McGraw-Hill, 2006.
ATIVIDADE
APRESENTAÇÃO DA AULA
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
10 INTRODUÇÃO
Formulação matemática
𝑚 𝑛
∑ ∑ 𝑐𝑖𝑗 𝑥𝑖𝑗
𝑖=1 𝑗=1
𝑚 𝑛
𝑧 = ∑ ∑ 𝑐𝑖𝑗 𝑥𝑖𝑗
𝑖=1 𝑗=1
∑ 𝑥𝑖𝑗 ≤ 𝑎𝑖
𝑗=1
𝑚
∑ 𝑥𝑖𝑗 = 𝑏𝑗
𝑖=1
𝑧 = ∑ ∑ 𝑐𝑖𝑗 𝑥𝑖𝑗
𝑖=1 𝑗=1
Sujeito a:
𝑛
∑ 𝑥𝑖𝑗 ≤ 𝑎𝑖 𝑖 = 1, ⋯ , 𝑚
𝑗=1
𝑚
∑ 𝑥𝑖𝑗 = 𝑏𝑗 𝑗 = 1, ⋯ , 𝑛
𝑖=1
𝑥𝑖𝑗 ≥ 0 𝑖 = 1, ⋯ , 𝑚 𝑒 𝑗 = 1, ⋯ , 𝑛
Básica:
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier Campus, 2007.
ATIVIDADE
APRESENTAÇÃO DA AULA
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
11 INTRODUÇÃO
a célula não cancelada que tenha o menor custo unitário e repita o processo até
restar exatamente uma linha ou coluna não cancelada.
11.1.4 Exemplo
1 15
𝑥11 𝑥12 𝑥13 𝑥14
12 7 9 20
Canavial
2 25
𝑥21 𝑥22 𝑥23 𝑥24
4 14 16 18
3 10
𝑥31 𝑥32 𝑥33 𝑥34
Demanda 5 15 15 15
Fonte: adaptado de TAHA (2008, p. 91).
12 7 9 20
Canavial
2 5 15 5 25
4 14 16 18
3 10 10
Demanda 5 15 15 15
Fonte: Adaptado de TAHA (2008, p. 92).
Vamos ver qual a solução inicial que o método do menor custo dará para o
mesmo exemplo.
O método do menor custo é aplicado ao exemplo dado da seguinte maneira:
1. A célula (1,2) tem o menor custo unitário da tabela simplex (𝑐12 = 2). O
máximo que pode ser despachado do Canavial 1 para o Moinho 2 são 15 caminhões,
ou seja 𝑥12 = 15, o que satisfaz a linha 1 e coluna 2 simultaneamente. Vamos cancelar
arbitrariamente a coluna 2 e ajustamos a oferta na linha 1 para 0.
2. A célula (3,1) tem o menor custo unitário não cancelado, (𝑐31 = 4). Designe
𝑥31 = 5 e cancele a coluna 1 pois ela está satisfeita; após, ajuste a demanda da linha
3 para 10 − 5 = 5 caminhões.
3. Continuando da mesma maneira, designamos sucessivamente 15
caminhões à célula (2,3), 0 caminhões à célula (1,4), 5 caminhões à célula (3,4) e 10
caminhões à célula (2,4).
A solução inicial resultante está resumida na Tabela 3, onde as setas indicam
a ordem em que as alocações foram feitas. A solução inicial, que consiste em seis
variáveis básicas, é:
12 7 9 20
Canavial
2 15 10 25
4 14 16 18
3 5 5 10
Demanda 5 15 15 15
Fonte: Adaptado de TAHA (2008, p. 92).
Podemos ver que a solução inicial pelo método do menor custo é melhor do
que a dada pelo método do canto noroeste, pois temos um menor valor de 𝑧. 𝑧 =
520 pelo método do canto noroeste e 𝑧 = 475 pelo método do menor custo.
Vamos ver a resolução do método de aproximação de Vogel.
O método de aproximação de Vogel é aplicado ao nosso exemplo da
seguinte forma:
Na Tabela 41 temos calculado o primeiro conjunto de multas. Como temos
a maior valor de multa na linha 3 e a célula (3,1) tem o menor custo unitário
daquela linha, a quantidade 5 é designada à variável 𝑥31 . A coluna 1 está
satisfeita e é cancelada.
Novas multas são calculadas e os resultados estão na Tabela 5. A linha 1
agora tem a maior multa, com isso, designamos a máxima quantidade
possível à célula (1,2), isto é 𝑥12 = 15, o que faz com que tenhamos a linha 1
e a coluna 2 satisfeitas simultaneamente. Cancelamos arbitrariamente a
coluna 2 e ajustamos a oferta na linha 1 para zero.
Continuando da mesma maneira, a linha 2 produzirá a multa mais alta (=11),
e designamos 15 a variável 𝑥23 , o que cancela a coluna 3 e deixa 10
P á g i n a | 141
unidades na linha 2. Sobra apenas a coluna 4, e ela tem uma oferta positiva
de 15 unidade. Aplicando o método do menor custo a essa coluna,
designamos sucessivamente 𝑥14 = 0, 𝑥34 = 5, 𝑥24 = 10. E o valor associado
para a função objetivo para essa solução inicial é:
Podemos perceber que essa solução tem o mesmo valor para a função
objetivo que o método do menor custo.
12 7 9 20 9−7=2
2 25
4 14 16 18 14 − 4 = 10
3 10
𝟓
5 15 15 15
Multa de 10 − 4 7−2 16 − 9 18 − 11
coluna =6 =5 =7 =7
Fonte: Adaptado de TAHA (2008, p. 93).
P á g i n a | 142
Tabela 42: Primeira designação pelo Método de Aproximação de Vogel e novos valores das
multas.
Multa de
1 2 3 4
linha
10 2 20 11 11 − 2 = 9
1 15
𝟏𝟓
12 7 9 20 9−7=2
Canavial
2 25
4 14 16 18 14 − 16 = 2
3 10
𝟓
5 15 15 15
Multa de 7−2 16 − 9 18 − 11
−
coluna =5 =7 =7
Fonte: Adaptado de TAHA (2008, p. 93).
Resumo
Nesta aula vimos três métodos para calcular a solução básica inicial do
algoritmo do método de transporte.
Básica:
TAHA, H. A. Pesquisa operacional. São Paulo: Pearson Prentice Hall, 2008.
Exercícios
AULA 11
ATIVIDADE
APRESENTAÇÃO DA AULA
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
12 INTRODUÇÃO
Exemplos
1 15
𝑥11 𝑥12 𝑥13 𝑥14
12 7 9 20
Canavial
2 25
𝑥21 𝑥22 𝑥23 𝑥24
4 14 16 18
3 10
𝑥31 𝑥32 𝑥33 𝑥34
Demanda 5 15 15 15
Fonte: adaptado de TAHA (2008, p. 91).
1 15
5 10
12 7 9 20
Canavial
2 25
5 15 5
4 14 16 18
3 10
10
Demanda 5 15 15 15
Fonte: Adaptado de TAHA (2008, p. 92).
Como podemos ver na Tabela 45, a solução inicial para o nosso exemplo tem
seis variáveis básicas, o que irá resultar em seis equações com sete incógnitas. Para
resolver essas equações, o método dos multiplicadores recomenda estabelecer
qualquer 𝑢𝑖 = 0 e então resolver para as variáveis restantes.
Vamos aos cálculos!
Em resumo temos:
𝑢1 = 0, 𝑢2 = 5, 𝑢3 = 3
𝑣1 = 10, 𝑣2 = 2, 𝑣3 = 4, 𝑣4 = 15
Como queremos minimizar o custo, a variável que entra na base é a que tem
o coeficiente mais positivo na linha 𝑧, ou seja, 𝑥31 é a variável que entra na base.
Os cálculos para o problema de transporte costumam ser feitos diretamente
na tabela simplex, como mostrado na Tabela 48, isso significa que não é necessário
escrever as equações (𝑢, 𝑣) explicitamente.
solução básica, podemos escolher tanto 𝑥11 quanto 𝑥22 para ser a variável que sai da
base. Vamos escolher arbitrariamente a variável 𝑥11 .
Nesta aula vimos mais duas etapas do algoritmo para resolver problemas de
transporte. Com isso, completamos o assunto de Otimização do Método de
Transporte.
Referências
Básica:
TAHA, H. A. Pesquisa operacional. São Paulo: Pearson Prentice Hall, 2008.
Exercícios
AULA 12
ATIVIDADE
APRESENTAÇÃO DA AULA
Nesta aula será apresentada uma visão geral da análise multivariada, assim
como as técnicas utilizadas.
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
13 INTRODUÇÃO
Análise multivariada
em três julgamentos que nós devemos fazer sobre o objetivo da pesquisa e a natureza
dos dados (HAIR et al., 2009, p. 28–29):
1. As variáveis podem ser divididas em classificações independentes e
dependentes com base em alguma teoria?
2. Se podem, quantas variáveis são tratadas como dependentes em uma
única análise?
3. Como as variáveis, sejam dependentes ou independentes, são medidas?
Básica:
FREITAS, A. L. P. Uma abordagem multicritério para a classificação de hotéis. São
Paulo: s.a, 2007.
HAIR, JR. J. F. et al. Análise multivariada de dados. 6. ed. Porto Alegre (RS): Bookman,
2009.
ATIVIDADE
APRESENTAÇÃO DA AULA
Nesta aula iremos falar sobre um método de apoio à decisão multicritério, que
é o método de Análise Hierárquica (AHP).
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
14 INTRODUÇÃO
Construção de hierarquia
Definição de prioridades
Consistência lógica
|𝜆𝑚𝑎𝑥 − 𝑁|
𝐼𝐶 =
𝑁−1
𝐼𝐶
𝑅𝐶 =
𝐼𝑅
P á g i n a | 170
Básica:
MARINS, C. O Uso do Método de Análise Hierárquica (AHP) na Tomada de Decisões
Gerenciais - Um Estudo de Caso. p. 11, 2009.
Exercícios
AULA 14
ATIVIDADE
APRESENTAÇÃO DA AULA
Nesta aula veremos como baixar, instalar e utilizar o software Decisor que utiliza
o Método de Decisão Multicritério definido por AHP, que nós vimos na aula passada.
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
15 INTRODUÇÃO
Nesta aula iremos utilizar o software Decisor, que utiliza o Método de Decisão
Multicritério definido por Analytic Hierarchy Process (AHP).
Sabendo que esta técnica é amplamente utilizada por empresas,
organizações e tomadores de decisão do mundo inteiro, o software pode ser usado
para modelar problemas que apresentam múltiplos critérios, variáveis, alternativas e
pesos entre estes elementos.
Diversos problemas atuais podem ser modelados com o auxílio deste método,
desde a aquisição de máquinas em empresas, seleção de fornecedores e pode ser
usado até mesmo para tomar a decisão de trocar ou não de empresa.
Em problemas sociais sejam eles urbanos ou não, e que englobam a análise
de duas ou mais variáveis para a tomada de decisão, o software Decisor também
pode ser utilizado, auxiliando o tomador de decisão na escolha da melhor alternativa
(CZEKSTER et al., 2019).
Download e instalação
Básica:
CZEKSTER, R. M. et al. Decisor: A Software Tool to Drive Complex Decisions with Analytic
Hierarchy Process. International Journal of Information Technology & Decision Making,
v. 18, n. 01, p. 65–86, jan. 2019.
Aula 16
Aplicação da PO II
APRESENTAÇÃO DA AULA
Nesta aula faremos um resumo de todo o conteúdo que vimos ao longo das
últimas aulas. Ou seja, vamos resumir as aplicações da Pesquisa Operacional II.
OBJETIVOS DA AULA
Esperamos que, após o estudo do conteúdo desta aula, você seja capaz de:
16 INTRODUÇÃO
Básica:
ARENALES, M.; ARMENTANO, V.; MORABITO, R. et al. Pesquisa operacional. Rio de
Janeiro: Elsevier Campus, 2007.
ATIVIDADE
3) Defina caminho.
4) Defina cadeia.
horário).
Caso k impar e n par - primeiro construir 𝐻𝑘−1,𝑛 e adicionar as arestas, (0, 𝑛⁄2),
(1, (1 + 𝑛⁄2)), ⋯ , ( (𝑛 − 2)⁄2 , (𝑛 − 1))
Caso k impar e n ímpar - primeiro construir 𝐻𝑘−1,𝑛 e adicionar as arestas
P á g i n a | 187
a) Cidades 1 e 8;
b) Cidades 1 e 6;
c) Cidades 4 e 8;
d) Cidades 2 e 6.
Gabarito
AULA 1
1)
a) Sim, há aluno deslocado, que é o César, não tem nenhuma seta
apontando para ele, o que indica que nenhum aluno o indicou como amigo que
mais gostasse.
b) São formados dois grupos, um composto por Eduardo, João e Sérgio, as
setas entre eles apontam nas duas direções da ligação. O mesmo acontece com
Cristina, Ana e Amélia.
c) Amélia, que tem quatro ligações e que são recíprocas, ou seja, tem seta
nas duas extremidades da ligação.
2)
5) Uma cadeia é uma sequência de arcos de modo que cada arco tem
exatamente um nó em comum como o arco imediatamente anterior na sequência.
P á g i n a | 190
1 2 3 4
0 1 1 0 1
9) 𝑴 = 1 0 1 1] 2
[ 3
1 1 0 1
0 1 1 0 4
0 1 1 0 0 0 0 0 0
1 0 1 0 0 0 0 0 0
1 1 0 1 0 0 0 0 0
0 0 0 0 1 0 0 1 0
10) 𝑴= 0 0 1 1 0 0 0 1 1
0 1 0 0 1 0 0 0 1
1 0 0 1 0 0 0 1 0
0 0 0 1 1 0 1 0 1
[0 0 0 0 0 0 0 1 0]
Gabarito
AULA 3
1)
a) Em (𝑖) temos:
𝑁 = {1,2,3,4,5}
𝐸 = {(1,2), (1,3), (2,5), (3,4), (4,2), (4,5), (5,1)}
Em (𝑖𝑖) temos:
𝑁 = {1,2,3,4}
𝐸 = {(1,2), (1,3), (2,3), (2,4), (3,4)}
2)
1) Rede do Exercício 1
2)
a) Cidade 1 e 8:
b) Cidades 1 e 6:
c) Cidades 4 e 8:
d) Cidades 2 e 6:
1) Cortes
1)
Iteração 4: agora temos 𝑐12 = 0, 𝑐21 = 20, 𝑐25 = 20 e 𝑐52 = 10.
Etapa 1: Determine 𝑎1 = ∞, e rotule o nó 1 com [∞, −]. Determine 𝑖 = 1.
Etapa 2: 𝑆1 = {3,4}. 𝑐12 = 0.
Etapa 3: 𝑘 = 3 e 𝑎3 = 𝑐13 = 𝑚𝑎𝑥{𝑐13 , 𝑐14 } = 𝑚𝑎𝑥{10,10} = 10. Temos mais um
empate, vamos escolher o nó que está vinculado ao menor índice. Rotule
o nó 3 com [10,1]. Determine 𝑖 = 3 e repita a etapa 2.
Etapa 2: 𝑆3 = {2}. 𝑐34 = 𝑐35 = 0 e o nó 1 já está rotulado.
Etapa 3: 𝑘 = 2 e 𝑎2 = 𝑐32 = 𝑚𝑎𝑥{𝑐32 } = 𝑚𝑎𝑥{10} = 10. Rotule o nó 2 com [10,3].
Determine 𝑖 = 2 e repita a etapa 2.
Etapa 2: 𝑆2 = {5}. Os nós 1 e 2 já estão rotulados.
Etapa 3: 𝑘 = 5 e 𝑎5 = 𝑐25 = 𝑚𝑎𝑥{𝑐25 } = 𝑚𝑎𝑥{20} = 20. Rotule o nó 5 com [20,2].
Achamos uma rota de passagem, vamos para etapa 5.
Etapa 5: 𝑁4 = {1,3,2,5} e 𝑓4 = 𝑚𝑖𝑛{𝑎1 , 𝑎3 , 𝑎2 , 𝑎5 } = {∞, 10,10,20} = 10. As residuais
ao longo da rota de 𝑁4 são:
Iteração 5: agora temos 𝑐13 = 0, 𝑐31 = 30, 𝑐32 = 0, 𝑐23 = 40, 𝑐25 = 10 e 𝑐52 = 20.
Etapa 1: Determine 𝑎1 = ∞, e rotule o nó 1 com [∞, −]. Determine 𝑖 = 1.
Etapa 2: 𝑆1 = {4}. 𝑐12 = 𝑐13 = 0.
Etapa 3: 𝑘 = 4 e 𝑎4 = 𝑐14 = 𝑚𝑎𝑥{𝑐14 } = 𝑚𝑎𝑥{10} = 10. Rotule o nó 4 com [10,1].
Determine 𝑖 = 4 e repita a etapa 2.
Etapa 2: 𝑆4 = {3,5}.
Etapa 3: 𝑘 = 3 e 𝑎3 = 𝑐43 = 𝑚𝑎𝑥{𝑐43 , 𝑐45 } = 𝑚𝑎𝑥{15, 10} = 15. Rotule o nó 3 com
[15,4]. Determine 𝑖 = 3 e repita a etapa 2.
Etapa 2: 𝑆3 = ∅, pois 𝑐32 = 𝑐35 = 0 e o nó 1 já está rotulado. Vamos para a
etapa 4 para percorrer a rota inversa.
Etapa 4: Rota Inversa: O rótulo [15,4] no nó 3 nos dá que 𝑟 = 4, ou seja, 4 é o
nó imediatamente precedente. O nó 3 é eliminado do conjunto de nós
adjacentes a 4. Determine 𝑖 = 4 e repita a etapa 2.
Etapa 2: 𝑆4 = {5}.
P á g i n a | 198
1)
2)
1) Minimizar
𝑧 = 80𝑥11 + 215𝑥12 + 100𝑥21 + 108𝑥22 + 102𝑥31 + 68𝑥32
Sujeito a
𝑥11 + 𝑥12 = 1.000 𝐶𝑖𝑑𝑎𝑑𝑒 𝐴
𝑥21 + 𝑥22 = 1.500 𝐶𝑖𝑑𝑎𝑑𝑒 𝐵
𝑥31 + 𝑥32 = 1.200 𝐶𝑖𝑑𝑎𝑑𝑒 𝐶
𝑥11 + 𝑥21 + 𝑥31 = 2.300 𝐶𝑖𝑑𝑎𝑑𝑒 1
𝑥12 + 𝑥22 + 𝑥32 = 1.400 𝐶𝑖𝑑𝑎𝑑𝑒 2
𝑥𝑖𝑗 ≥ 0 𝑖 = 1,2,3; 𝑗 = 1,2
Gabarito
AULA 11
1)
a.
Canto Noroeste Menor Custo Aproximação de Vogel
05 21 1 6 05 2 11 6 05 2 11 6
2 14 53 7 2 15 52 7 2 15 5 7
2
2 4 37 7 2 4 37 7 2 4 37 7
5 5 10 5 5 10 5 5 10
𝑧𝐶𝑁 = (5 ∗ 0) + (1 ∗ 2) + (4 ∗ 1) + (3 ∗ 5) + (7 ∗ 3) = 0 + 2 + 4 + 15 + 21 = 42
𝑧𝑀𝐶 = (5 ∗ 0) + (1 ∗ 1) + (5 ∗ 1) + (7 ∗ 3) + (2 ∗ 5) = 0 + 1 + 5 + 21 + 10 = 37
𝑧𝐴𝑉 = (5 ∗ 0) + (1 ∗ 1) + (7 ∗ 3) + (5 ∗ 1) + (2 ∗ 5) = 0 + 1 + 21 + 5 + 10 = 37
Gabarito
AULA 13
4) Uma cadeia é uma sequência de arcos de modo que cada arco tem
exatamente um nó em comum como o arco imediatamente anterior na sequência.
7)
8)
e) Cidade 1 e 8:
f) Cidades 1 e 6:
g) Cidades 4 e 8:
h) Cidades 2 e 6: