MQ2 1 1

Métodos Quantitativos 2
2020/2021
1. Programação linear
1.1. Introdução à otimização linear.
Slides elaborados por Eliana Costa e Silva.

Eliana Costa e Silva (Aulas PL, eos@estg.ipp.pt)
Sidonie Costa (Aulas TP, sfc@estg.ipp.pt)
Licenciatura em Ciências Empresariais
(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 1 / 31

Otimização Linear - Linear Optimization
O que é e para que serve?

Modelos de otimização servem de apoio à tomada de decisão;
Dentro dos modelos de otimização, existe um grupo especı́fico de modelos de

gestão, designados por modelos de Programação Matemática ou Inglês
Mathematical Programming, que permitem
determinar em que condições se pode maximizar ou minimizar um dado

objetivo dada a existência de um conjunto de limitações.

Otimização Linear - Linear Optimization
O que é e para que serve? (cont.)

Os modelos de Programação Matemática podem ser:
lineares ou não lineares;
determinı́sticos ou estocásticos
Os modelos de Programação Linear (PL) são:

os mais simples e constituem a base fundamental da Investigação Operacional;
os mais largamente usados em gestão.
modelos determinı́sticos
As informações relevantes são assumidas como conhecidas, i.e., sem incertezas!
I.e. traduzem uma realidade clara e única, não deixando margem para
aproximações, estimativas, valores esperados ou probabilidade de ocorrência!

Origem e natureza da Investigação Operacional (IO)
O que é a Investigação Operacional (IO)?
“A Investigação Operacional (IO) pode ser descrita como uma abordagem cientı́fica da
tomada de decisões que envolvem a operação de um sistema organizacional.”
Hillier, Lieberman, 1974
“A IO é uma abordagem cientı́fica de resolução de problemas de gestão.”
Wagner, 1975
“A IO no sentido mais lato pode ser caraterizada como sendo a aplicação de métodos,
técnicas e ferramentas cientı́ficas a problemas que envolvem a operação de sistemas, por
forma a prover os responsáveis pelo controlo da operação com soluções ótimas para os
problemas.”
Churchman, Acko, Arno, 1957
É também designada por Management Science (MS).

Apresenta representações matemáticas de problemas de gestão (e não só!).
Compreende o desenvolvimento de modelos de otimização mas também o
desenvolvimento
(LCE, ESTG-P. PORTO)
de algoritmos. Métodos Quantitativos 2 2020/2021 4 / 31
Origens da IO
II Guerra Mundial (1939 - 1945)

Necessidade de alocar escassos recursos às variadas operações militares e às
atividades a decorrer em cada operação de uma forma eficiente;
Cientistas britânicos e norte americanos foram chamados a aplicar o método
cientı́fico aos problemas táticos e estratégicos;
Research on military operations − > Operations Research (OR)
Depois da guerra ...

os mesmos problemas, diferentes contextos
o boom industrial, a crescente complexidade e especialização das organizações
George Dantzig, 1947: método simplex
Revolução dos computadores:
desenvolvimento dos computadores eletrónicos digitais
nos anos 1980, surge o computador pessoal!!!!

Domı́nios de aplicação da IO
Economia Telecomunicações
Engenharia Educação
Ciências da Computação Nutrição
Transportes Busca e Salvamento
Administração Pública Desenho de Redes
Militar ...
Recursos Naturais
A IO é caracterizada pela sua INTERDISCIPLINARIDADE,

é extremamente utilizada e
a natureza da organização é irrelevante!!!

Exemplos de aplicação da IO
Gestão de decisões de investimento.
Planeamento de uma cadeia de distribuição de produtos.
Escalonamento da tripulação de uma companhia aérea.
Planeamento do Ecossistema (plano de corte de árvores).
Problemas de distribuição de Produtos.
Problemas de transportes.
Planeamento de produção.
Otimização do corte de placas e outros materiais.
Optimal scheduling of aircrafts’ engines repair process.
Optimization of a shoes injection moulding machine.
...
Para mais aplicações ver, por exemplo, capı́tulo 1 de (Hillier & Lieberman, 2015)
Em Portugal ... ver a rubrica ”IO em Ação”do Boletim informativo da APDIO disponı́vel
em http://apdio.pt/boletim-informativo.
Mais Exemplos Práticos

Retirado de (Hillier & Lieberman, 2015)

Inı́cio da Programação Linear (PL)
George Dantzig
- Doutorado em Matemática, Cal Berkeley
(1946).
- Inventou o método “Simplex” para a
resolução de problemas de PL (1947).
Programação Linear (PL) – Linear Programming (LP)

Introdução à modelação e fases de estudo de IO
Introdução à Modelação
Um modelo é:
uma representação (não completa) da realidade de forma explı́cita.
Abordagem clássica de Modelação

Fases de um estudo de IO
1 Definir o problema.
2 Reunir os dados relevantes.
3 Formular um modelo matemático para representar o problema.
4 Desenvolver um procedimento baseado em computador para obter soluções do
problema através do modelo matemático.
5 Testar o modelo (e afinar, se necessário).
6 Preparar a aplicação do modelo.
7 Implementar o modelo.

Formulação do problema
É muito difı́cil encontrar uma solução correta para um problema mal formulado!!!!
Para formular corretamente é necessário definir corretamente:

o(s) objetivo(s) que se pretendem alcançar com a resolução do problema;
as restrições (limitações) existentes no sistema em geral.
Um modelo matemático é uma representação simplificada de uma situação real,

formalizada com sı́mbolos e expressões matemáticas – possibilita a melhor
compreensão da essência do problema.
Um modelo matemático de um Problema de Otimização é definido por:

decisões a serem tomadas – variáveis de decisão
uma função matemática, que representa a medida da vantagem (ou desvantagem)
da tomada de decisão – função objetivo
um conjunto de restrições (equações e/ou inequações) associadas às variáveis de
decisão – restrições
o conjunto de constantes (coeficientes) da função objetivo e das restrições –
parâmetros
Resolução do problema
Consiste na determinação de uma solução pela aplicação de métodos e

algoritmos.
Podem ser utilizados software e packages de computação disponı́veis para a
resolução de problemas de IO.
Se o modelo foi corretamente formulado, a solução obtida pode ser uma boa
aproximação da solução a implementar na situação real.
Qualquer modelo, como representação do problema, possui um certo grau de
incerteza, motivado fundamentalmente pelas simplificações efetuadas.
De facto, uma solução ótima do modelo pode estar longe de ser a solução ótima
na situação real!
A análise de sensibilidade e pós otimização

– aborda o comportamento da solução ótima quando são efetuadas pequenas
alterações nos parâmetros do modelo.
– possibilita um espectro mais alargado de soluções quando ocorrem alterações
nos parâmetros do modelo.

Avaliação das soluções
Se a avaliação é satisfatória
proceder à tomada de decisão, que prepara as condições para a implementação
da solução obtida na situação real.
Se a avaliação é não satisfatória

proceder à reformulação, remodelação e resolução do novo modelo, a partir dos
resultados obtidos no processo de avaliação e também na análise de pós
otimização.

Elementos dos Modelos de IO
Variáveis de Decisão
- O que queremos decidir?
- Representam quantidades desconhecidas.
Função Objetivo
- Como vamos decidir?
- Quantidade que se pretende maximizar ou minimizar, expressa como função das
variáveis de decisão.
Restrições
- O que limita a nossa decisão?
- Requisitos que as soluções devem satisfazer.
Parâmetros
- Que dados e factos temos? Ou que assumimos!!!
- Constantes conhecidas pela organização.

Exemplos de problemas de PL
Um exemplo introdutório simples
Uma empresa do sector do calçado possui duas fábricas, X e Y , nas quais se produzem
sapatos de 3 modelos: modelo 1, modelo 2 e modelo 3.
A empresa tem contratos de venda para cada um desses modelos, nas seguintes quantidades:
modelo 1 – 12 centenas de pares/semana;
modelo 2 – 8 centenas de pares/semana;
modelo 3 – 24 centenas de pares/semana.
As caracterı́sticas de operação de cada uma das fábricas são as seguintes:
Fábrica custo/dia produção diária (centenas de pares)
(milhares de euros) modelo 1 modelo 2 modelo 3
X 180 6 3 4
Y 160 1 1 6
Em cada dia da semana, a empresa pode enviar equipas de funcionários para uma fábrica ou
para a outra (mas nunca para as duas).
O problema consiste em saber quantos dias se deve trabalhar em cada fábrica

por forma a minimizar o custo diário de produção.

A empresa pode, por exemplo, trabalhar 1 dia na fábrica X e 4 dias em Y .
Será esta solução ótima?
Neste caso,
considerando uma semana de trabalho de 5 dias, o número de dias a trabalhar nas
duas fábricas não ultrapassa uma semana. Ok!
Seriam produzidas:
6 × 1 + 1 × 4 = 10 centenas de pares do modelo 1
3×1+1×4 = 5 centenas de pares do modelo 2
4 × 1 + 6 × 4 = 28 centenas de pares do modelo 3
Não é admissı́vel!!
De facto, é necessário cumprir com os contratos de venda, pelo que têm de ser
produzidos, no mı́nimo,
12, 8 e 24 centenas de pares dos modelos 1, 2 e 3, respetivamente.
Terı́amos um custo de 180 × 1 + 160 × 4 = 820 milhares de euros.

Definir as variáveis de decisão

x – o número de dias por semana que se opera na fábrica X
y – o número de dias por semana que se opera na fábrica Y
Note que:
as variáveis de decisão têm de ser maiores ou iguais do que zero.
Definir o objetivo
pretende-se minimizar o custo, i.e.
minimizar z = 180 x + 160 y
ou
min z = 180 x + 160 y

Definir as restrições
Para assegurar as encomendas dos clientes, as produções têm que ser:
6x + 1y ≥ 12 (modelo 1)
3x + 1y ≥ 8 (modelo 2)
4x + 6y ≥ 24 (modelo 3)
Pode trabalha-se até 5 dias por semana:
x+y ≤ 5
Restrições de não negatividade:

x, y ≥ 0

O modelo (matemático) de Programação Linear que traduz o problema real é:
min z = 180 x + 160 y

sujeito a
6x + 1y ≥ 12
3x + 1y ≥ 8
4x + 6y ≥ 24
x+y ≤ 5
x, y ≥ 0
A solução ótima é: z∗ ' 765, 7; x∗ ' 1, 7 e y∗ ' 2, 9.
Será desejável uma solução inteira?????

Um problema de PL
Problema de Produção
Um oleiro produz dois produtos: jarros e taças.
Demora cerca de 1 hora a produzir uma taça e são necessários 4 kg de barro.
Um jarro demora cerca de 2 horas e gasta 3 kg de barro.
Uma taça dá um lucro de 40 euros e um jarro tem um lucro de 50 euros.
Ele trabalha 40 horas por semana,

tem 120 kg de barro disponı́veis para cada semana
e pretende maximizar o seu lucro.

Um problema de PL
Problema de Produção
Um oleiro produz dois produtos: jarros e taças.
Demora cerca de 1 hora a produzir uma taça e são necessários 4 kg de barro.
Um jarro demora cerca de 2 horas e gasta 3 kg de barro.
Uma taça dá um lucro de 40 euros e um jarro tem um lucro de 50 euros.
Ele trabalha 40 horas por semana, tem 120 kg de barro disponı́veis para cada semana
e pretende maximizar o seu lucro.
Definir as variáveis de decisão

x – o número de taças a produzir
y – o número de jarros a produzir
são variáveis não negativas.
Definir o objetivo
pretende-se maximizar o lucro:
maximizar z = 40x + 50y

Um problema de PL
Definir as restrições
O número de horas de trabalho por semana não pode ultrapassar as 40:
x + 2y ≤ 40
Tem 120 kg de barro disponı́veis para cada semana:
4x + 3y ≤ 120
Obtemos assim o modelo matemático:
maximizar z = 40x + 50y

sujeito a x + 2y ≤ 40
4x + 3y ≤ 120
x, y ≥ 0

Exemplos de problemas de PL Conceitos básicos em otimização linear
Forma Geral dos Problemas de Otimização Linear
min z = f (x) (1)

x∈Rn
s.a. ci (x) = 0, i∈E (2)
ci (x) ≤ 0, i∈I (3)
x = (x1 , x2 , ..., xn )> ∈ Rn — vetor das n variáveis de decisão;
f : Rn → R função objetivo — função linear;
ci (x) = 0, i ∈ E — restrições de igualdade;

ci (x) ≤ 0, i ∈ I — restrições de desigualdade ;
E = {1, 2, ...,t} e I = {t + 1,t + 2, ...m} — dois conjuntos disjuntos de ı́ndices;
As restrições de igualdade e de desigualdade são vulgarmente conhecidas
por funções restrição do problema — Neste caso são funções lineares;
x deve ser admissı́vel, i.e., deve verificar as restrições (2-3) do problema.

Nesse caso, x dir-se-á um ponto admissı́vel do problema (1-3).
Forma Geral dos Problemas de Otimização Linear

Facilmente se transforma um problema de minimização num problema de
maximização.
De facto,
min f (x) = max(− f (x))
Assim, a solução do problema de minimização:
min z = f (x)
x∈Rn
s.a. ci (x) = 0, i∈E
ci (x) ≤ 0, i∈I
pode ser encontrado resolvendo o problema de maximização:
maxn z = − f (x)
x∈R
s.a. ci (x) = 0, i∈E
ci (x) ≤ 0, i∈I

Pressupostos da Programação Linear (PL)
Função Objetivo e Restrições Lineares

Proporcionalidade
Aditividade
Divisibilidade
Variáveis de Decisão Contı́nuas
Certeza
Parâmetros determinı́sticos

Exemplo - Problema de Produção

max z = 40x + 50y (Lucro)
s.a. x + 2y ≤ 40 (Horas)
4x + 3y ≤ 120 (Barro)
x, y ≥ 0 (Não Negatividade)
Formulação de um Problema de Programação Linear
max z = c1 x1 + c2 x2 + · · · + cn xn
s.a. a11 x1 + a12 x2 + · · · + a1n xn ≤ b1
a21 x1 + a22 x2 + · · · + a2n xn ≤ b2
..
.
am1 x1 + am2 x2 + · · · + amn xn ≤ bm
x j ≥ 0, j = 1, 2, . . . , n
Temos n variáveis de decisão (x1 , x2 , ..., xn ); m restrições;
c1 , c2 , ..., cn são os coeficientes da função objetivo;
ai j , para i = 1, .., m e j = 1, ..., n, são os coeficientes das funções de restrição.
Forma Matricial
max z = cx
s.a. Ax ≤ b
x j ≥ 0, j = 1, 2, . . . , n
onde,
z1×1
c1×n = (c1 , c2 , ..., cn )
xn×1 = (x1 , x2 , ..., xn )>
 
a11 ... a1n
Am×n =  ... 
am1 ... amn
bm×1 = (b1 , b2 , ..., bm )>

Exemplo - Problema de Produção

max z = 40x + 50y
sujeito a x + 2y ≤ 40
4x + 3y ≤ 120
x, y ≥ 0
Forma Matricial
max z = cx
s.a. Ax ≤ b
x j ≥ 0, j = 1, 2, . . . , n
Exercı́cio:
Indique as matrizes z, c, X, A e b.

Bibliografia
Apontamentos e Folhas Práticas disponibilizadas pela equipa docente

Carvalho, J. (2014). Programação Linear. Vida Económica. ISBN:
9789897680304
Santos, M. & Hill, M. (2015). Investigação Operacional - Programação Linear.
Volume I (3.a Edição). Edições Silabo. ISBN: 9789726188155
Tavares, L. V., Correia, F. N., Themido, I. H., & Oliveira, R. C. (1997) Investigação
Operacional, McGraw-Hill Portugal. ISBN: 9789728298081
Hillier, F. & Hillier, M. (2019). Introduction to Management Science - A Modelling
and Case Studies Approach with Spreadsheets (6th edition). McGraw-Hill. ISBN:
9781259918926
Hillier, F., & Lieberman, G. (2015). Introduction to Operations Research
(10th edition). McGraw-Hill [681.3.06-469]

Sidonie Costa
sfc@estg.ipp.pt
Eliana Costa e Silva

eos@estg.ipp.pt
skype: elianacostasilva
+351 91 6402687

MQ2 1 1

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

MQ2 1 1

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos Quantitativos 2

1.1. Introdução à otimização linear.

Slides elaborados por Eliana Costa e Silva.

Licenciatura em Ciências Empresariais

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 1 / 31

O que é e para que serve?

Dentro dos modelos de otimização, existe um grupo especı́fico de modelos de

determinar em que condições se pode maximizar ou minimizar um dado

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 2 / 31

O que é e para que serve? (cont.)

Os modelos de Programação Linear (PL) são:

os mais largamente usados em gestão.

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 3 / 31

O que é a Investigação Operacional (IO)?

Hillier, Lieberman, 1974

“A IO é uma abordagem cientı́fica de resolução de problemas de gestão.”

Churchman, Acko, Arno, 1957

É também designada por Management Science (MS).

II Guerra Mundial (1939 - 1945)

Depois da guerra ...

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 5 / 31

A IO é caracterizada pela sua INTERDISCIPLINARIDADE,

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 6 / 31

Mais Exemplos Práticos

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 8 / 31

Inı́cio da Programação Linear (PL)

Programação Linear (PL) – Linear Programming (LP)

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 9 / 31

Abordagem clássica de Modelação

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 10 / 31

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 11 / 31

Para formular corretamente é necessário definir corretamente:

Um modelo matemático é uma representação simplificada de uma situação real,

Um modelo matemático de um Problema de Otimização é definido por:

Consiste na determinação de uma solução pela aplicação de métodos e

A análise de sensibilidade e pós otimização

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 13 / 31

Avaliação das soluções

Se a avaliação é não satisfatória

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 14 / 31

Elementos dos Modelos de IO

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 15 / 31

Um exemplo introdutório simples

O problema consiste em saber quantos dias se deve trabalhar em cada fábrica

Um exemplo introdutório simples

Terı́amos um custo de 180 × 1 + 160 × 4 = 820 milhares de euros.

Um exemplo introdutório simples

Definir as variáveis de decisão

min z = 180 x + 160 y

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 18 / 31

Um exemplo introdutório simples

Pode trabalha-se até 5 dias por semana:

Restrições de não negatividade:

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 19 / 31

Um exemplo introdutório simples

O modelo (matemático) de Programação Linear que traduz o problema real é:

min z = 180 x + 160 y

A solução ótima é: z∗ ' 765, 7; x∗ ' 1, 7 e y∗ ' 2, 9.

Será desejável uma solução inteira?????

(LCE, ESTG-P. PORTO) Métodos Quantitativos 2 2020/2021 20 / 31

Demora cerca de 1 hora a produzir uma taça e são necessários 4 kg de barro.

Um jarro demora cerca de 2 horas e gasta 3 kg de barro.

Uma taça dá um lucro de 40 euros e um jarro tem um lucro de 50 euros.