Escola Politécnica da Universidade de São Paulo

TRABALHO DE CAMPO [TC]:

ESTUDO DE CASO SOBRE MODELAGEM
E OTIMIZAÇÃO

Arthur Pequeno Mota – 11832767

Carlos Gomes Pires Filho – 11279840
Pedro Abrão Helou – 11839437
Thiago Ortenzi Dias – 11806145

São Paulo – SP
2022
 Sumário

Introdução 3
Descrição do Problema 4
Problema 4
Técnica 5
Modelagem do Problema 6
Variáveis 7
Função objetivo 7
Restrições 8
Resultados Iniciais 10
Solução obtida 10
Análise dos resultados obtidos 11
Análise de Sensibilidade 11
Aplicação ao problema de programação linear inteira 11
Sensibilidade de limitante da produção 12
Sensibilidade de mínimo de produção para a frente de queijos em barra 14
Sensibilidade de restrição ativa, sem igualdade de restrição na capacidade de
produção 17
Considerações Finais 22
Referências bibliográficas 25
1. Introdução
O trabalho conduzido visa elencar a importância da aplicação das Pesquisas
Operacionais. Isso, por sua vez, será guia para a aplicação na empresa escolhida,
que, de um modo geral, responde coerentemente às exigências de mercado.
Tem-se verificado, portanto, uma tendência de aperfeiçoamento e refinamento nos
processos, tal que acarreta a necessidade de pesquisa e desenvolvimento para
maximizar a capacidade produtiva e que seja compatível com as demandas
mercadológicas, prezando a eficiência nas minúcias em cada etapa do processo.
Em primeira instância, o grupo havia optado por analisar um problema que
visava maximizar o lucro da LATICÍNIOS BELA VISTA Ltda. (Piracanjuba) por meio
da produção de inúmeros queijos. No entanto, dada a tamanha customização,
variedade e complexidade nos diferentes tipos de queijo, optou-se por restringir-se à
produção do queijo muçarela, uma vez que este é o queijo que é mais vendido pela
empresa, com uma significativa folga diante do segundo (queijo branco/fresco).
Sendo assim, acredita-se que, ao analisar especificamente o queijo muçarela,
pode-se ter uma boa noção dos fatores cruciais para a maximização do lucro
estendendo ao braço de queijos da fábrica de maneira holística.
Para tal, o grupo separou os principais insumos necessários para a
fabricação do queijo muçarela, elencando as quantidades e proporções necessárias
para cada unidade, além dos custos envolvidos. Em seguida, foi feita uma análise
com estimativas de preços de venda, para que se pudesse maximizar a margem de
contribuição dada pela diferença entre o preço de venda e os custos variáveis. Por
último, ressalta-se que, uma vez estruturadas as restrições condizentes com o
comportamento da demanda e da rentabilidade de cada item, usou-se o software
Gurobi para auxílio nos cálculos do problema de programação linear modelado por
meio do algoritmo Branch-and-Bound, já que a situação é para o caso discreto cujas
variáveis de decisão assumem apenas valores inteiros unitários.
Diante dos resultados preliminares obtidos e das conclusões iniciais para a
primeira formatação das restrições do problema, compilou-se, na sequência, uma
análise de sensibilidade para entendimento de possíveis incrementos à solução
inicial, mas que respeitassem as condições prévias de capacidade fabril e de
manutenção do objetivo de melhorar o lucro marginal. Assim, este estudo
concretizou-se em propostas para a companhia conforme o auxílio que o grupo se
dispôs a prestar no primeiro contato de escolha da empresa.
2. Descrição do Problema
2.1. Problema
A empresa envolvida neste trabalho de campo é a LATICÍNIOS BELA VISTA
Ltda., fundada em 1955, que é uma companhia de capital fechado produtora de leite
e derivados, como iogurtes, manteiga, doce de leite e creme de leite. Seu portfólio
conta com mais de 180 produtos, distribuídos nas marcas Piracanjuba, Pirakids,
LeitBom, ChocoBom e MeuBom. Mantém parcerias com a Blue Diamond
(cooperativa americana produtora de amêndoas), para produção e comercialização
da marca Almond Breeze, e com a Nestlé, para a produção e comercialização das
marcas Ninho e Molico, na modalidade leite UHT.
Em termos de plantas industriais, a companhia possui sete unidades fabris,
localizadas em Bela Vista de Goiás (GO), Governador Valadares (MG), Maravilha
(SC), Sulina (PR), Araraquara (SP), Três Rios (RJ) e Carazinho (RS). Juntas, as
fábricas têm capacidade de processar mais de 6 milhões de litros de leite por dia.
Em 2019, faturou 870 milhões de dólares. É considerada a 6ª marca com maior
aceitação dentro dos lares brasileiros, segundo os levantamentos da empresa de
consultoria Kantar, no ranking Brand Footprint.

● Contatos úteis para a condução do estudo de caso:

Marcos Helou – sócio-administrador majoritário

Devido à amplitude de operações da empresa e o tamanho desta,

escolhemos abordar somente uma das frentes de atuação da companhia, que é a
produção e venda de queijo muçarela. Em contato com o Sr. Marcos Helou,
foram-nos passados a quantidade produzida, os custos envolvidos (os quais diferem
para diferentes tipos de abordagem, podendo ser produzida na barra ou em fatias),
e o preço de venda, os quais estão listados a seguir e foram utilizados pelo grupo.

● Produção Diária de Muçarela: 20 toneladas por dia = 600 toneladas por

mês (limitante de produção).
● Custo de produção:
○ R$ 29 por kg na barra de queijo muçarela
○ R$ 35 por kg na muçarela fatiada
○ Porcentagem de produção de queijo muçarela fatiado em relação ao
total: 30%
● Produção segmentada por mês:
○ Barras de 4 kg: 380 toneladas
○ Barras de 2 kg: 30 toneladas
○ Bandeja de fatiados (150 gramas): 110 toneladas
○ Bandeja de fatiados (500 gramas): 110 toneladas
○ Bandeja de fatiados (1 kg): 30 toneladas
 ● Preço de venda:
○ Barra de 4 kg: R$ 126 = R$ 31,50 por kg
○ Barra de 2 kg: R$ 64 = R$ 32 por kg
○ Bandeja de fatiados (150 gramas): R$ 44 por kg
○ Bandeja de fatiados (500 gramas): R$ 42 por kg
○ Bandeja de fatiados (1 kg): R$ 41 por kg

2.2. Técnica
O Problema de Programação Linear (PPL) consiste em criar uma função
objetivo cujo resultado (lucro, custos etc.) deseja-se maximizar ou minimizar,
somado às restrições impostas a essa função. Em outras palavras, a função objetivo
é uma combinação de variáveis de decisão, que são expressas em valores
quantitativos. Já as restrições são as limitações de recursos expressas por
equações e inequações.
Na área de modelagem, problemas semelhantes podem ser resolvidos
usando métodos de programação linear a partir da formulação de uma função
objetivo com comportamento linear (variáveis com grau de expoente menor ou igual
a 1). Dado um conjunto de restrições na forma de igualdades ou desigualdades
matemáticas, pode ser limitada uma região de valores em um subespaço vetorial
possível, a serem calculadas pela função objetivo. Após essas condições, a função
tende a ser maximizada ou minimizada por algum tipo de algoritmo.
Para resolver um PPL, existem inúmeras formas de resolução. Por exemplo,
em um problema envolvendo somente duas variáveis, pode-se utilizar o método
gráfico, que consiste em plotar em um plano cartesiano as retas com as restrições,
encontrar a região factível, analisar os vértices da figura criada e concluir qual o
valor ótimo da função.
No caso do problema analisado neste relatório, lida-se com um número
significativo de variáveis, impossibilitando o uso do método gráfico. Por tal motivo, o
grupo decidiu apoiar-se no Método Simplex aprendido em sala, com o auxílio do
software Gurobi, sendo este fundamental, dada a quantidade de variáveis e a
quantidade de cálculos necessários. O Método Simplex de Dantzig consiste em uma
técnica matemática de resolução de sistemas lineares com equações e inequações
por artifício de inversão sucessiva de matrizes, o que, com as iterações do
procedimento, permite a modelagem matemática de destino à uma solução aplicável
a variáveis mensuráveis sujeitas a uma alocação de recursos predefinida.
Em particular, a tipologia de programação linear usada na concepção da
resolução é o Problema de Programação Linear Inteira (PPLI). Neste, todas as
variáveis de decisão só podem assumir valores discretos, e, para este caso, inteiros
não negativos. Por causa disso, resolve-se, na verdade, a relaxação do problema
(do PPLI, tomando a mesma função objetivo e as mesmas restrições, mas com o
requisito de que as variáveis ​inteiras substituídas por restrições contínuas
apropriadas que assumem esses mesmos valores discretos). Caso a solução obtida
seja inteira, então este é um dos resultados sondados. Do contrário, criam-se
subproblemas por branching de uma variável contínua. A esse mecanismo adaptado
de pesquisa de solução dá-se o nome Branch-and-Bound.
Como forma de espelhar a aplicação teórica desses conceitos ao problema
da Piracanjuba, recorreu-se à pesquisa acadêmica compatível com as mesmas
interações para solução da função objetivo. Diante disso, chegou-se a um trabalho
que foi realizado por ZILS et al. (2016) de modelagem e otimização dos processos
da produção de queijos e seus subprodutos para determinar um mix de produtos
que resultasse na maior margem de contribuição possível em uma indústria de
lácteos do interior do estado de Santa Catarina. ZILS et al. (2016) classificaram,
inicialmente, os gastos da empresa em custos e despesas e, em seguida,
determinaram o custo unitário de cada produto, para, assim, calcular a margem de
contribuição unitária de cada produto.
Tendo os dados de custo e contribuição unitária, bem como o histórico de
demanda de cada produto, foram definidas as restrições e a função objetivo do
problema da frente de queijo muçarela da Piracanjuba. O sistema resultante foi
resolvido por meio do método Simplex adaptado à análise de nós pela ferramenta
Branch-and-Bound, algoritmo utilizado para encontrar soluções ótimas de problemas
de programação linear inteira que também está integrado ao software Gurobi.
É importante ressaltar que, apesar de toda a base teórica por detrás, uma
parte significativa do projeto foi encontrar os valores quantitativos para as restrições,
isto é, primeiro, por meio dos conhecimentos obtidos na disciplina, montaram-se as
equações e inequações necessárias, junto com a formulação de todo o problema.
No entanto, foi necessário encontrar por meio de conversas com a empresa e
pesquisas na internet os valores que cada coeficiente iria assumir, algo
demandante. Em uma conversa com o sócio cofundador Marcos Helou,
conseguimos valores aproximados da capacidade máxima mensal da linha de queijo
muçarela. Ademais, foi nos informada a demanda máxima mensal aproximada de
cada produto no mercado atual. Fora isso, foi nos informado que, para a produção
de queijo fatiado e de queijo em barra ser viável, era necessário que fosse utilizada
no mínimo a capacidade de 50% de cada linha.

3. Modelagem do Problema
Inicialmente, pensamos em modelar o problema com a unidade das variáveis
em quilogramas vendidos, visto que as informações que recebemos da empresa
eram todas padronizadas em quilogramas. No entanto, como decidimos modelar um
Problema de Programação Linear Inteira (PPLI), os diferentes pesos nas
embalagens poderiam nos levar a um resultado incoerente. Por exemplo, caso o
ótimo do problema dependesse de que o número de quilos ideal do queijo fatiado de
150g fosse 301 quilogramas, isso resultaria em 2006,667 unidades, porém na
realidade isso não faz sentido. Por isso, decidimos alterar o dimensionamento das
variáveis para "unidade de produto", uma vez que os resultados sempre seriam
coerentes com os produtos ofertados nas gôndolas. Logo, modelamos um problema
de maximização, em que a função objetivo representa o lucro obtido. Portanto, os
coeficientes que foram usados na função objetivo foram calculados a partir da
conversão de lucro por quilograma vendido para lucro por unidade vendida.
Adicionalmente, as construções das restrições foram baseadas nas
limitações que nos foram fornecidas, sendo elas: capacidade máxima de produção
da fábrica em quilogramas, capacidade máxima de absorção do mercado em
quilogramas e o mínimo produzido de cada linha em quilogramas.

3.1. Variáveis
As variáveis de decisão envolvidas basearam-se na quantidade vendida para
cada abordagem de produto:
( )
● Variável 1 𝑥1 : Número de unidades vendidas do produto "Queijo Fatiado
150 gramas".
( )
● Variável 2 𝑥2 : Número de unidades vendidas do produto "Queijo Fatiado
500 gramas".
( )
● Variável 3 𝑥3 : Número de unidades vendidas do produto "Queijo Fatiado
1 quilograma".
( )
● Variável 4 𝑥4 : Número de unidades vendidas do produto "Queijo em
Barra 2 quilogramas".
( )
● Variável 5 𝑥5 : Número de unidades vendidas do produto "Queijo em
Barra 4 quilogramas".

3.2. Função objetivo

A meta estabelecida nesta modelagem da situação fabril da Piracanjuba está
ligada à maximização do lucro da companhia para o braço de queijos muçarela. A
fim de melhor explicitar essa situação, optou-se por analisar o problema mediante a
margem de contribuição de cada unidade de produto vendido ao mercado.
Dessa forma, os coeficientes associados a cada variável de decisão presente
na função objetivo foram obtidos, justamente, pela diferença entre a receita por
unidade vendida e o custo variável associado. A título de ilustração, para a
produção do queijo fatiado de 150 gramas, a sua venda é feita no mercado por
R$44/kg, mas o custo para essa modalidade fatiada (independente da gramatura da
embalagem vendida) é R$35. Como a variável de decisão 𝑥1 é dada pela ( )
quantidade dessa categoria, deve-se também normalizar a margem de contribuição
para cada 150 gramas (0.150 kg) ao invés de para cada 1 kg. Com isso, o lucro por
unidade vendida é calculado segundo:

𝑅$ 0.150 𝑘𝑔 𝑅$
𝑐𝑥 = (44 − 35) 𝑘𝑔
· 𝑢𝑛𝑖𝑑. 𝑑𝑒 𝑥1
∴ 𝑐𝑥 = 1. 35 𝑢𝑛𝑖𝑑. 𝑑𝑒 𝑥1
1 1
 Essa formulação para o lucro unitário se repete de maneira análoga para
cada frente de queijo vendida, o que se concretiza através da função objetivo:

𝑓. 𝑜.: 𝑚𝑎𝑥 (44 − 35) · 0. 150 · 𝑥1 + (42 − 35) · 0. 500 · 𝑥2 +

+ (41 − 35) · 1 · 𝑥3 + (32 − 29) · 2 · 𝑥4 + (31. 50 − 29) · 4 · 𝑥5

∴ 𝑓. 𝑜.: 𝑚𝑎𝑥 1. 35𝑥1 + 3. 50𝑥2 + 6𝑥3 + 6𝑥4 + 10𝑥5

3.3. Restrições
● Restrição 1 (c1): Está ligada à capacidade da fábrica. É possível produzir
até 600 mil quilogramas de queijo mensalmente. Mas, para esta situação
inicial, considerou-se que a fábrica admitiria exatamente essa produção
mensal (igualdade na restrição). Ainda, os coeficientes ligados às
variáveis correspondem aos pesos unitários em quilogramas de cada
categoria de muçarela vendida:

𝑐1: 0. 150𝑥1 + 0. 500𝑥2 + 𝑥3 + 2𝑥4 + 4𝑥5 = 600000

● Restrições 2-6 (c2-c6): Corresponde ao máximo que o mercado

consegue consumir, em média, de cada linha de produto, isto é, o
mercado, por exemplo, consegue consumir no máximo 110 mil
quilogramas por mês de 𝑥1. Esse raciocínio se segue para cada um dos
segmentos da produção de muçarela segundo as especificações da
seção 2.1 do relatório:

𝑐2: 0. 150𝑥1 ≤ 110000

𝑐3: 0. 500𝑥2 ≤ 110000
𝑐4: 1𝑥3 ≤ 30000
𝑐5: 2𝑥4 ≤ 30000
𝑐6: 4𝑥2 ≤ 380000

● Restrições 7-8 (c7-c8): Representa o mínimo que deve ser produzido de

cada grupo de produtos (Fatiado ou Barra) para que o processo seja
lucrativo segundo o guidance da empresa de se utilizar no mínimo 50% da
capacidade de cada linha, sabendo que 30% do total devem ser
destinados à categoria de muçarela fatiada. Por exemplo, devem ser
produzidos no mínimo 90 mil quilogramas da linha de fatiados para que
haja lucro.
 𝑐7: 0. 150𝑥1 + 0. 500𝑥2 + 𝑥3 ≥ 90000
𝑐8: 2𝑥4 + 4𝑥5 ≥ 210000

\ Model Producao_Mozzarella
\ LP format - for model browsing. Use MPS format to capture
full model detail.
Maximize
1.35 x1 + 3.5 x2 + 6 x3 + 6 x4 + 10 x5
Subject To
c1: 0.15 x1 + 0.5 x2 + x3 + 2 x4 + 4 x5 = 600000
c2: 0.15 x1 <= 110000
c3: 0.5 x2 <= 110000
c4: x3 <= 30000
c5: 2 x4 <= 30000
c6: 4 x5 <= 380000
c7: 0.15 x1 + 0.5 x2 + x3 >= 90000
c8: 2 x4 + 4 x5 >= 210000
Bounds
Generals
x1 x2 x3 x4 x5
End
Tabela 1 - Detalhes do Problema de Otimização

Imagem 1 - Formulação do Problema de Otimização no Software Gurobi

 Imagem 2 - Resultado de Aplicação do Algoritmo para Otimização da Função Objetivo

Imagem 3 - Estatísticas do Problema de Otimização

4. Resultados Iniciais
4.1. Solução obtida
Aplicando as restrições e todos os conceitos explicados no decorrer do
relatório, obtiveram-se os seguintes resultados, tanto para as variáveis como para o
valor ótimo.
# Solution for model Producao_Mozzarella
# Objective value = 2829979
x1 733330
x2 219993
x3 30000
x4 14998
x5 80002
Tabela 2 - Soluções Aplicáveis ao Problema

4.2. Análise dos resultados obtidos

Com base nos resultados obtidos, podem-se tirar algumas conclusões. A
primeira é que, para a empresa, não é interessante zerar a produção de nenhum
dos tipos de queijo; curiosamente indo na contramão de alguns exercícios
resolvidos em sala. Além disso, percebe-se que o queijo fatiado 150 gramas e o
queijo em barra 4 quilogramas foram os mais relevantes, em termos de unidade,
para a Piracanjuba. Dessa forma, somente com o braço de queijo muçarela, a
empresa, na solução ótima, é capaz de lucrar R$2.829.979,00 em um único mês,
evidenciando o seu tamanho.

5. Análise de Sensibilidade
5.1. Aplicação ao problema de programação linear inteira
Tendo em mente que o problema de maximização de lucro proposto para a
modelagem do problema assumiu a aplicação de valores discretos às variáveis de
decisão envolvidas, compreende-se que estas mudam conforme uma taxa também
discreta ao invés de contínua (como ocorreria, na verdade, em um problema de
programação linear tradicional).
Matematicamente, a análise de sensibilidade, então, segundo os conceitos
de shadow price (também conhecido como dual price) e custo reduzido, dá-se por:

● Shadow Price (dual price): valor associado a uma i-ésima restrição do

PPL para o qual o ótimo é melhorado (aumento no caso de um problema
de max, ou diminuição no caso de um prolbema de min) se o lado direito
da restrição correspondente (quantidade de recursos disponível) for
perturbado em 1 unidade.
● Custo reduzido: valor associado a uma i-ésima variável não básica para
o qual o ótimo seria alterado em determinada direção (aumento ou
diminuição) se a variável correspondente for perturbada em 1 unidade. Na
constituição da solução do PPL, indica quanto o coeficiente na função
objetivo de uma variável não básica deve ser melhorado até que esta
passe a fazer parte da base em alguma nova solução ótima do mesmo
PPL.
 No entanto, o estudo de uma análise de perturbações marginais no PPLI
mediante a aplicação da quantidade alterada pelo shadow price e pelo custo
reduzido não está tão bem desenvolvido para essa situação de soluções inteiras.
Isso se dá em razão de que a função objetivo não apresenta domínio nem côncavo
nem convexo quando ocorre a mudança em um ou mais recursos, ou na melhora do
valor do coeficiente de uma variável de decisão.
Existe, por sua vez, para essa impossibilidade de aplicação dos conceitos de
pequenas perturbações no modelo devido à característica discreta das variáveis de
decisão, a alternativa de relaxação do PPLI, que é gerada, por exemplo, quando há
a aplicação do algoritmo Branch-and-Bound. Para a programação linear inteira,
esses subproblemas relaxados exibem valores de shadow price e custo reduzido
inconclusivos, pois o valor respectivo no problema relaxado não atende à realidade
da sensibilidade desse caso particular discreto.
Com esse percalço sendo levado em consideração, optou-se por prosseguir
com a análise de sensibilidade do problema a partir da modificação coerente e
viável de parâmetros da função objetivo e das restrições que não comprometesse a
operação de produção básica mínima da companhia de acordo com as
especificações do sócio.

5.2. Sensibilidade de limitante da produção

Inicialmente, na modelagem do problema, consideramos que a fábrica
deveria estar obrigatoriamente produzindo 600 mil quilogramas mensais. Porém, ao
fazer a análise de sensibilidade, percebemos que se, ao invés de a fábrica
obrigatoriamente produzir esse valor, ela pudesse produzir qualquer valor abaixo de
600 mil (sendo o limitante da produção), o lucro iria aumentar. Isso acontece pelo
fato de que a soma dos pesos de todas as variáveis obrigatoriamente deveriam ser
um número inteiro (no caso, igual a 600 mil kg), porém os produtos que mais dão
lucro marginal têm pesagens fracionadas. Por isso, ao produzir obrigatoriamente
600 mil quilogramas, estaríamos limitando a produção de produtos mais lucrativos e
acabando por produzir mais de produtos menos lucrativos para que a pesagem se
adequasse a essa capacidade máxima da fábrica.
Dessa maneira, a mudança proposta para a restrição c1 (restrição na
igualdade alterada para limite superior) permite obter, de fato, conforme se analisou
qualitativamente no trecho supramencionado, uma melhoria no ótimo da função
objetivo, maximizando o lucro da produção para R$2.829.999,55. Esse aumento,
contudo, é desprezível em comparação ao porte da companhia.

\ Model Producao_Mozzarella
\ LP format - for model browsing. Use MPS format to capture
full model detail.
Maximize
1.35 x1 + 3.5 x2 + 6 x3 + 6 x4 + 10 x5
Subject To
 c1: 0.15 x1 + 0.5 x2 + x3 + 2 x4 + 4 x5 <= 600000
c2: 0.15 x1 <= 110000
c3: 0.5 x2 <= 110000
c4: x3 <= 30000
c5: 2 x4 <= 30000
c6: 4 x5 <= 380000
c7: 0.15 x1 + 0.5 x2 + x3 >= 90000
c8: 2 x4 + 4 x5 >= 210000
Bounds
Generals
x1 x2 x3 x4 x5
End
Tabela 3 - Detalhes do Problema de Otimização - Sensibilização 1

Imagem 4 - Resultado de Aplicação do Algoritmo para Otimização da Função Objetivo

 Imagem 5 - Estatísticas do Problema de Otimização

# Solution for model Producao_Mozzarella

# Objective value = 2829999.55
x1 733333
x2 220000
x3 30000
x4 15000
x5 80000
Tabela 4 - Soluções Aplicáveis ao Problema Sensibilizado 1

5.3. Sensibilidade de mínimo de produção para a frente de

queijos em barra
Durante a modelagem do problema, consideramos apenas as limitações de
produção da capacidade da fábrica para criar as restrições de mínimo (50% de cada
uma das linhas de muçarela). No entanto, devem ser levados em consideração os
clientes já existentes da empresa. Ou seja, mesmo que a fábrica de muçarela em
barra precise produzir no mínimo 210 mil quilogramas mensais para que a produção
seja viável (baseado na explicação no item 2.2), isso de nada adianta se esse valor
for menor do que a demanda dos clientes que deve ser obrigatoriamente atendida.
Logo, ao considerarmos que a Piracanjuba deve atender a uma demanda mínima
de seus clientes de 400 mil quilogramas mensais de muçarela em barra (o que é
maior que os 210 mil antes propostos), o resultado atual será infactível, e o novo
ótimo será um lucro menor. Esse valor de demanda mínima, que corresponde a ⅔
da capacidade máxima de produção, foi-nos fornecido após recentes reuniões com
o sócio cofundador.
Ante essa nova demanda, altera-se a restrição c8, que diz respeito à
produção mínima da linha de muçarela em barra, cujas formulação e aplicação no
software encontram-se descritas a seguir:

\ Model Producao_Mozzarella
\ LP format - for model browsing. Use MPS format to capture
full model detail.
Maximize
1.35 x1 + 3.5 x2 + 6 x3 + 6 x4 + 10 x5
Subject To
c1: 0.15 x1 + 0.5 x2 + x3 + 2 x4 + 4 x5 = 600000
c2: 0.15 x1 <= 110000
c3: 0.5 x2 <= 110000
c4: x3 <= 30000
c5: 2 x4 <= 30000
c6: 4 x5 <= 380000
c7: 0.15 x1 + 0.5 x2 + x3 >= 90000
c8: 2 x4 + 4 x5 >= 400000
Bounds
Generals
x1 x2 x3 x4 x5
End
Tabela 5 - Detalhes do Problema de Otimização - Sensibilização 2

Imagem 6 - Resultado de Aplicação do Algoritmo para Otimização da Função Objetivo

 Imagem 7 - Estatísticas do Problema de Otimização

É interessante notar, por consequência, que essa nova mínima exigência

para a produção do queijo em barra impacta diretamente outra frente de produção, a
de queijos fatiados de pesagem 1kg. De fato, como a demanda agora se voltou para
a produção de queijos da categoria de maior peso, excedendo significativamente a
necessidade dos fatiados (oferecidos em menor gramatura), não é viável que seja
vendida essa categoria de 1kg.
Pensando qualitativamente e com enfoque no cenário real mercadológico, os
clientes que adquirem os fatiados buscam por produtos que tenham consigo
maiores praticidade e conveniência (por isso o formato em fatias), satisfazendo
também ao menor peso, por se tratar da compra de clientes geralmente pessoa
física, que consomem quantidades menores e limitadas. Por outro lado, as frentes
de queijo em barra visam atender a clientes com consumo maior e que adquirem
essa quantidade maior a preços mais competitivos (como em atacado, por
exemplo). Dado que a nova demanda para essa modalidade seja igual a ⅔ da
capacidade máxima da unidade fabril, o produto fatiado de 1kg acaba não
atendendo satisfatoriamente a nenhum dos stakeholders (nem os que preferem
fatiados, nem os que preferem em barra, nem à empresa e o lucro almejado por
ela).
Diante dessa evidência, o modelo matemático comprovou, ao atingir o ótimo,
que a lucratividade marginal componente da nossa função objetivo é resultado de
uma solução cujo valor correspondente às unidades vendidas do produto de 1kg de
( )
muçarela fatiada 𝑥3 é nulo.

# Solution for model Producao_Mozzarella

# Objective value = 2634999
x1 733330
x2 180001
x3 0
x4 15000
x5 92500
Tabela 6 - Soluções Aplicáveis ao Problema Sensibilizado 2
 5.4. Sensibilidade de restrição ativa, sem igualdade de
restrição na capacidade de produção
Como pudemos constatar na resolução inicial do problema, quando houve a
limitação de produção obrigatória mensal de 600 mil quilogramas de queijo dentro
dessa unidade fabril da Piracanjuba, havia uma restrição que estava limitada em
sua igualdade, que era o caso da restrição c4, dizendo respeito à limitação da
produção de queijos fatiados de 1kg em, no máximo, 30 mil quilogramas. Isso
significa que, para um PPL, ela era uma restrição ativa.
Entretanto, com a alteração devido à análise de sensibilidade na limitação da
produção (conforme item 5.2), essa não obrigatoriedade fez com que o algoritmo
tivesse mais flexibilidade para maximizar o lucro, compensando a quantidade de
cada tipo de produto. Desse modo, a nova solução ótima tinha como
matematicamente ativas as restrições c3, c4 e c5. No entanto, visto que este é um
problema de PPLI, as restrições c1 e c2 também podem ser consideradas como
restrições ativas mesmo que elas não estejam no seus limites superiores. Isso
porque os valores obtidos como solução são discretos em quantidade de cada
produto (valores inteiros). Logo, quando se efetuam os cálculos para essas
restrições, não se chega até o valor máximo da desigualdade porque, justamente,
não é possível suprir as variáveis de folga (slack) com uma quantidade inteira de 𝑥1
(que varia de 150 em 150 gramas, ao passo que a folga é de 50g).

Imagem 8 - Valores de Folga por Restrição do Problema de Otimização

Diante dessa situação, optamos por variar a única restrição que era ativa
(restrição c4) no problema original (quando havia somente igualdade em c1), para
que, agora nesse novo cenário de que a capacidade da produção é um limitante, e
não uma obrigatoriedade (restrição c1 é de ‘≤’), sejam avaliados os impactos da
perturbação em uma dada restrição, enquanto as demais estão ativas (e, portanto,
usando de todos os recursos dispostos).
Para essa primeira perturbação, buscamos simular a alteração que seria a
mesma feita pelo cálculo do shadow price, que busca entender como a variação de
1 unidade dimensional no recurso disponível em uma dada restrição (neste caso,
1kg a mais na restrição c4) afeta o valor da função objetivo. Assim, aumentar em
1kg a capacidade de produção dos queijos fatiados de 1kg fornece a solução:

Imagem 9 - Resultado de Aplicação do Algoritmo para Otimização da Função Objetivo

\ Model Producao_Mozzarella
\ LP format - for model browsing. Use MPS format to capture
full model detail.
Maximize
1.35 x1 + 3.5 x2 + 6 x3 + 6 x4 + 10 x5
Subject To
c1: 0.15 x1 + 0.5 x2 + x3 + 2 x4 + 4 x5 <= 600000
c2: 0.15 x1 <= 110000
c3: 0.5 x2 <= 110000
c4: x3 <= 30001
 c5: 2 x4 <= 30000
c6: 4 x5 <= 380000
c7: 0.15 x1 + 0.5 x2 + x3 >= 90000
c8: 2 x4 + 4 x5 >= 210000
Bounds
Generals
x1 x2 x3 x4 x5
End
Tabela 7 - Detalhes do Problema de Otimização - Sensibilização 3-a)

# Solution for model Producao_Mozzarella

# Objective value = 2829999.55
x1 733333
x2 220000
x3 30001
x4 14999
x5 80000
Tabela 8 - Soluções Aplicáveis ao Problema Sensibilizado 3-a)

No entanto, percebe-se que o ótimo não mudou. Isso acontece em razão de

que o problema sendo lidado é um PPLI, ou seja, mesmo que o lucro por
quilograma de 𝑥3 seja maior do que o de 𝑥4 e o de 𝑥5, aumentar o limitante superior
da sua capacidade de produção em 1kg em sua restrição ativa não
necessariamente aumentará o ótimo, pois as variáveis de decisão são
dimensionadas em unidades de produto vendido. Dito isso, como os lucros por
unidade de 𝑥4 e de 𝑥5 são igual e maior que o de 𝑥3, respectivamente, o algoritmo
realoca a produção, mas surgem novas variáveis de folga na produção.
De forma clara, assim como havia, no problema inicial, uma folga para as
restrições c1 e c2, o mesmo ocorre quando há variação de somente 1kg no recurso
disponível em c4. Isso é evidente dada a condição de valores obtidos como solução
serem inteiros impossibilitar que existam novas quantidades unitárias 𝑥1 (queijo
fatiado 150g), 𝑥4 (queijo em barra 2kg) ou 𝑥5 (queijo em barra 4kg) que sejam
capazes de compensar esse aumento de recursos disponíveis para que mais
unidades de 𝑥3 (queijo fatiado de 1kg) sejam produzidas, alterando-se o ótimo e
fazendo uso da capacidade máxima da fábrica (restrição c1, que agora apresenta
slack maior).
 Imagem 10 - Valores de Folga por Restrição do Problema de Otimização

Portanto, o mínimo que se deve aumentar o limite superior da capacidade de

produção de 𝑥3 para que o ótimo melhore é em 2kg (o peso da unidade de 𝑥4).
Efetuando em sequência essa perturbação no modelo do recurso disponível,
obtém-se:

Imagem 11 - Resultado de Aplicação do Algoritmo para Otimização da Função Objetivo

\ Model Producao_Mozzarella
\ LP format - for model browsing. Use MPS format to capture
full model detail.
Maximize
1.35 x1 + 3.5 x2 + 6 x3 + 6 x4 + 10 x5
Subject To
c1: 0.15 x1 + 0.5 x2 + x3 + 2 x4 + 4 x5 <= 600000
c2: 0.15 x1 <= 110000
c3: 0.5 x2 <= 110000
c4: x3 <= 30002
c5: 2 x4 <= 30000
c6: 4 x5 <= 380000
c7: 0.15 x1 + 0.5 x2 + x3 >= 90000
c8: 2 x4 + 4 x5 >= 210000
Bounds
Generals
x1 x2 x3 x4 x5
End
Tabela 9 - Detalhes do Problema de Otimização - Sensibilização 3-b)

# Solution for model Producao_Mozzarella

# Objective value = 2830005.55
x1 733333
x2 220000
x3 30002
x4 14999
x5 80000
Tabela 10 - Soluções Aplicáveis ao Problema Sensibilizado 3-b)

Com essa mudança, agora sim houve alteração no ótimo da função objetivo,
por conta da compensação da folga presente na restrição c5 (referente à
capacidade de produção de queijo em barra 2kg), que foi convertida integralmente
na produção de 𝑥3 (queijo fatiado 1kg). Isso, por sua vez, fez com que a solução
relacionada à contribuição marginal de 𝑥3 na função objetivo maximizasse o valor do
lucro obtido, sem haver outras folgas na restrição c1 a não ser a de insuficiência de
𝑥1 em termos unitários para atingir o limitante de capacidade de produção da
fábrica. Essas constatações das folgas associadas às restrições do problema
otimizado estão dispostas abaixo:
 Imagem 12 - Valores de Folga por Restrição do Problema de Otimização Sensibilizado 3-b)

6. Considerações Finais
De acordo com o que havia sido anteriormente analisado na construção da
solução intermediária do problema de otimização do lucro da unidade fabril no que
concerne ao braço de queijos muçarela da Piracanjuba, haviam sido propostos
passos a serem seguidos de validação da solução junto ao cliente, com a intenção
de formular adequadamente as restrições condizentes à realidade mercadológica da
empresa.
Para satisfazer a tal propósito, no decorrer do processo de modelagem,
levantaram-se alguns parâmetros, em particular, na análise de sensibilidade, que se
demonstraram mais impactantes para a função objetivo. Apesar da manutenção dos
valores de margem de contribuição (devido às práticas da companhia já adequadas
para o cenário de oferta-demanda, que já em conta pressões inflacionárias de
custos), a análise resultou na importância da demanda de absorção, afetando
positivamente no crescimento do lucro da empresa, ao passo que, quando se
tratava da capacidade mínima necessária de operação de cada linha, houve efeito
negativo na maximização do lucro.
Nesse sentido, a solução final para esta linha de queijos muçarela em
diferentes categorias passará a envolver a nova demanda exigida para a principal
porção de clientes cuja preferência é a de queijo em barra (mínimo de 400 mil
quilogramas na restrição c8). Ademais, conforme a constatação de que a
capacidade média de produção de queijos da indústria analisada não deveria ser
exatamente cumprida, mas sim um limite superior ao manejo das unidades de
produtos de cada frente (alteração do tipo de restrição de c1, indo de ‘=’ para ‘≤’),
isso serviu de entendimento para a possibilidade de maximização dos lucros da
empresa, uma vez que, pelas exemplificações, foi possível obter maior lucro sem
necessariamente utilizar de toda a capacidade fabril de 600 mil quilogramas de
queijo.
 Observa-se, portanto, a seguinte modelagem final do problema de
programação linear inteira aplicada à meta de lucro da companhia à medida que
mais unidades de cada frente é vendida:

Imagem 13 - Resultado de Aplicação do Algoritmo para Otimização da Função

Objetivo - Solução Alternativa Final

\ Model Producao_Mozzarella
\ LP format - for model browsing. Use MPS format to capture
full model detail.
Maximize
1.35 x1 + 3.5 x2 + 6 x3 + 6 x4 + 10 x5
Subject To
c1: 0.15 x1 + 0.5 x2 + x3 + 2 x4 + 4 x5 <= 600000
c2: 0.15 x1 <= 110000
c3: 0.5 x2 <= 110000
c4: x3 <= 30000
c5: 2 x4 <= 30000
 c6: 4 x5 <= 380000
c7: 0.15 x1 + 0.5 x2 + x3 >= 90000
c8: 2 x4 + 4 x5 >= 400000
Bounds
Generals
x1 x2 x3 x4 x5
End
Tabela 11 - Detalhes do Problema de Otimização - Solução Alternativa Final

# Solution for model Producao_Mozzarella

# Objective value = 2634999.55
x1 733333
x2 180000
x3 0
x4 15000
x5 92500
Tabela 12 - Soluções Aplicáveis ao Problema - Solução Alternativa Final

Com o estudo realizado, ficou evidente a necessidade de agir frente a uma

oportunidade de ganho operacional, não só pela sua comprovação matemática, mas
também em termos de atender qualitativamente às necessidades do perfil de
consumidor envolvido para cada linha de produto. Assim, dedicar maior atenção da
produção às categorias de fatiado de menor gramatura e de queijo em barra voltado
para clientes de consumo maior e que buscam preços competitivos, dadas as
análises de demanda a ser respeitadas, faz-se fundamental para o propósito da
companhia. Apesar de, no curto prazo, poder haver uma demanda reprimida pela
descontinuidade de um dos produtos em uma das linhas vendidas, é interessante
que a empresa prossiga com a reformulação dessa categoria.
Ante o exposto, compreende-se que a finalidade deste estudo de campo em
uma das maiores empresas de laticínios e derivados do país servirá, consoante
outrora explicitado, de benchmark para a aplicação dos conceitos de pesquisa
operacional mediante problemas de programação linear, já que estes resolvem, de
forma simplificada e eficiente computacionalmente, cenários em que, semelhantes
ao desenvolvido para a Piracanjuba, busca-se um mix ideal dos produtos no que
tange à maximização da margem de contribuição, respeitando, concomitantemente,
as restrições operacionais e de mercado. Essa análise, por sua vez, justamente se
estende às demais categorias da indústria para além da de leite e derivados, visto
que constitui uma ferramenta de apoio para tomada de decisão, assim como a
proposta nesta alternativa final.
7. Referências bibliográficas
WINSTON, W. L., & GOLDBERG, J. B. Operations research: applications and
algorithms. 4. ed. Belmont, CA: Thomson/Brooks/Cole, 2004. Disponível em:
<https://itslearningakarmazyan.files.wordpress.com/2015/09/operation-research-apli
cations-and-algorithms.pdf>. Acesso em: 3 jul. 2022.

CAIXETA-FILHO, J.V. Pesquisa operacional: técnicas de otimização aplicadas a

sistemas agroindustriais. 2. ed. São Paulo: Atlas, 2010. 176 p.

ALMEIDA JÚNIOR, J.F.D. Planejamento da produção na indústria de laticínios:

práticas atuais e desenvolvimento de um protótipo de sistema de apoio à
decisão. 2004. 107 p. Dissertação (Magister Scientiae em Ciência e Tecnologia de
Alimentos) - Departamento de Tecnologia de Alimentos, Universidade Federal de
Viçosa, Viçosa, 2004.

MOREIRA, D.A. Pesquisa operacional: curso introdutório. 2. ed. São Paulo:

Cengage Learning, 2010. 3560p.

ZILS, J.; BORGERT, A.; DE SOUZA, F. R. Produção conjunta e maximização do

resultado em fábrica de queijos. Anais do Congresso Brasileiro de Custos - ABC,
[S. l.], Disponível em: <https://anaiscbc.emnuvens.com.br/anais/article/view/4219>.
Acesso em: 3 jul. 2022.

Lecture 2: Branch-and-Bound Method. [s.l: s.n.]. Disponível em:

<http://ocw.nctu.edu.tw/course/ip002/lecture_IP2.pdf>. Acesso em: 3 jul. 2022.

SILVA, R. A. B. DA et al. Optimizing the Profit of an Agricultural Company

through the Application of Genetic Algorithms. International Journal of Computer
Applications, v. 183, n. 24, p. 39–42, 18 set. 2021. Disponível em:
<https://www.researchgate.net/profile/Rodes-Batista/publication/354680933_Optimizi
ng_the_Profit_of_an_Agricultural_Company_through_the_Application_of_Genetic_Al
gorithms/links/6145f7a5a595d06017d5fb08/Optimizing-the-Profit-of-an-Agricultural-C
ompany-through-the-Application-of-Genetic-Algorithms.pdf>. Acesso em: 3 jul. 2022.