XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

“A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”

Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.

OTIMIZAÇÃO DA MONTAGEM DE
CORTE DO TIPO SLITTER EM CHAPAS
DE AÇO: UMA PROPOSTA DE
APLICAÇÃO DA PROGRAMAÇÃO
LINEAR
Leonardo Lopes de Campos
leolopes.rio@gmail.com
Rosemberg Nunes Ferreira Filho
bergferreira96@hotmail.com

O presente trabalho busca evidenciar as vantagens da Pesquisa

Operacional como ferramenta de apoio na resolução de problemas
envolvendo recursos em operações industriais, tendo como ênfase
apresentar a Programação Linear, um dos principais tópicos da
Pesquisa Operacional. A estrutura do trabalho elenca conceitos da
Pesquisa Operacional e a da Programação Linear reunidos em
pesquisa sobre o tema, sendo esta norteada para embasar o
desenvolvimento de um modelo para preparação de uma máquina de
corte de chapas de aço do tipo slitter. Este equipamento está instalado
em uma indústria de beneficiamento de bobinas de aço, sendo este
processo de corte slitter o cenário do estudo. Seguindo as etapas
identificadas como necessárias para modelagem de um problema na
Programação Linear, construiu-se um modelo contendo 40 variáveis
de decisão, desenvolvido considerando os estoques de peças de
montagem como restrições de recursos disponíveis e as características
técnicas dos produtos de saída como objetivos observados na etapa de
análise do problema. As equações finais do modelo foram inseridas
como fórmulas matemáticas no software Microsoft Excel 2013,
tornando possível realizar simulações para otimização no suplemento
Solver. A realização destas simulações serviram como validação do
modelo e também para avaliação de resultados preliminares de uma
proposta de melhoria na operação de montagem do corte.

Palavras-chave: Pesquisa Operacional, Programação Linear, Solver,

método simplex, Empresa metalúrgica
1. Introdução
Tomadas de decisões, sejam nos níveis gerenciais ou estratégicos, são etapas comuns nos
processos produtivos. Em sua necessidade, se faz essencial a fundamentação da decisão
através da análise de dados envolvidos na questão, como exemplo, o impacto sobre todo o
sistema em que o processo está inserido, as variáveis que o influenciam, o ambiente e as
limitações do processo. A Pesquisa Operacional insere-se neste cenário com uma ciência que
utiliza de modelos matemáticos e ferramentas cientificas no auxílio da formulação de
problemas identificando assim a melhor alternativa de resolução.

Uma das formas de aplicação da Pesquisa Operacional é realizada a partir da modelagem do

problema em questão. Existem diversas técnicas de modelagem de problemas, que podem ser
utilizadas para simular ou otimizar uma situação, como uma operação ou um processo
produtivo. Para melhor ilustrar esta metodologia, este trabalho terá como objetivo apresentar
uma proposta de aplicação de uma programação matemática de modelagem na preparação de
uma máquina de corte de chapas de aço por slitter, instalada em uma indústria de
beneficiamento de bobinas de aço.

O modelo se caracterizou como uma programação linear, contendo 40 variáveis de decisão,

desenvolvido considerando os estoques de peças de montagem como restrições de recursos
disponíveis e as características técnicas dos produtos como objetivos observados na análise do
problema. As equações do modelo foram inseridas como fórmulas no software Microsoft
Excel 2013 e para validação realizaram-se três simulações no suplemento Solver utilizadas
para avaliação de resultados preliminares.

2. Pesquisa Operacional
A Pesquisa Operacional pode ser descrita como um “conjunto de técnicas que faz uso do
método científico para auxiliar as pessoas a tomarem decisões” (LONGARAY, 2013, p. 1).
Ela tem sua origem no período da Segunda Guerra Mundial. Nesse conflito, era comum que
os comandos dos exércitos tivessem que lidar com problemas que poderiam ter consequências
grandiosas, positivas ou negativas. Isto levava a necessidade de complexas análises para
tomadas de decisões nas campanhas (JAISWAL, 1997).

Estas decisões eram desde natureza logística, como dimensionamento de comboios e

aprovisionamento de tropas, até problemas de movimentação de guerra, como escolha de
certo avião para determinada missão ou probabilidade de destruição de submarinos. Para
apoiar os comandos na resolução desses problemas e assim tomarem as decisões táticas
ideais, foram montados grupos multidisciplinares de engenheiros, matemáticos, físicos e
1
diversos profissionais das ciências exatas. Esses cientistas aplicavam o método científico aos
problemas apresentados, desenvolvendo então a ideia de criar modelos matemáticos,
sustentados por dados e fatos, que permitissem simular os resultados hipotéticos em função
das alternativas tomadas sobre os problemas apresentados e modelados.

Assim, a Pesquisa Operacional se tornou uma ciência que busca a resolução de problemas que
envolvam a tomada de decisões, a partir da análise de dados para formulação de modelos
matemáticos, sem desviar-se da importância dos elementos subjetivos que fazem parte do
processo. Sua aplicação envolve métodos científicos qualitativos de equipes
multidisciplinares, como matemática e estatística, na utilização desses modelos a fim de
realizar uma “experimentação” do processo e da tomada de decisão (ANDRADE, 2015).

Hillier e Lieberman (2013) destacam o crescente relacionamento da Pesquisa Operacional em

diferentes setores de negócios, como industrial, serviços, comércio, financeiro e agropecuário.
Quanto ao desenvolvimento de suas técnicas, Andrade (2015) salienta que a Pesquisa
Operacional teve um crescimento extraordinário devido, em grande parte, ao avanço
tecnológico dos computadores e suas ferramentas digitais. A velocidade de processamento das
informações, a capacidade de armazenamento de grandes volumes de dados e a fácil
recuperação de dados, faz dos computadores itens essenciais e ferramentas importantíssimas
na análise e modelagem de processos. O avanço tecnológico está levando ao desenvolvimento
de modelos cada vez mais dinâmicos, mais ágeis e sobretudo mais interativos, com a
possibilidade da interação do fator humano no desenrolar dos cálculos.

Num cenário empresarial atual, onde há um alto nível de competição nos ambientes de
negócios, empresas têm percebido que ao lado das forças de marketing e vendas, os
investimentos em tecnologia são cada vez mais importantes na busca pelo sucesso e eficácia
de seus processos. Nas indústrias, houve um crescimento na procura por técnicas que
modelam e simulam processos industriais (SECCHI, 1995).

Conforme um processo torna-se cada vez mais complexo, aumenta a necessidade do controle,
estruturação e análise de suas variáveis. Campos (2009, p. 59) destaca que “o objetivo geral
da análise e da síntese é, justamente, reduzir as incertezas na tomada de decisões”.

Quando nos deparamos com um problema e existe a necessidade de uma decisão significativa,
o processo que vai anteceder a decisão com a finalidade de gerar as soluções para este
problema, será tão importante quanto à própria situação problemática. Este processo anterior à
decisão é conhecido como processo decisório.

2
Debatendo o processo decisório, Chiavenato (2006, p. 277) conceitua decisão como “processo
de análise e escolha entre as alternativas disponíveis de cursos de ação que a pessoa deverá
seguir”. Para seguir um curso de ação (estratégia), é necessário abandonar outros cursos
alternativos. Ou seja, para caracterizar a situação de decisão é necessário pelo menos duas
opções excludentes entre si. A Pesquisa Operacional por sua vez, fornece meios para que a
análise e a tomada do curso de ação aconteçam da melhor forma possível.

2.1. Os modelos na Pesquisa Operacional

A Pesquisa Operacional atua a partir do desenvolvimento de modelos com embasamento
lógico e cientifico a fim de estruturar uma tomada de decisões. Longaray (2013, p. 9) define
modelo como "a representação matemática, simbólica ou descritiva, de um conjunto de
eventos físicos, ou aspectos subjetivos, considerados importantes para o agente responsável
pela decisão em um contexto especifico". Lachtermacher (2014) destaca a importância da
modelagem de eventos com diferentes alternativas para auxiliar líderes responsáveis pelo
processo de decisão. Os modelos permitem que o indivíduo envolvido com o problema possa
visualizar a estrutura do sistema em análise, bem como analisar e avaliar os cenários possíveis
de cada alternativa.

Os modelos gerados com a utilização de uma programação matemática são os mais

corriqueiros na Pesquisa Operacional. Na sua forma mais comum e simplificada, esses
modelos são compostos por variáveis controláveis e não controláveis, restrições, e pelos
menos um objetivo.

As variáveis são fatores que “podem assumir valores diversos durante o desenvolvimento da
solução” (ANDRADE, 2015. p. 14). Variáveis controláveis são aquelas que o indivíduo
envolvido pode agir para chegar ao seu objetivo e as variáveis não controláveis são aquelas
em que não é possível agir, porém afetam os resultados do modelo.

As restrições são funções em fator das variáveis que expressam as relações e as limitações
entre as variáveis relevantes. Colin (2007. p. 6) expande esta ideia conceituando as restrições
como “regras que dizem o que podemos (ou não) fazer e/ou quais são as limitações dos
recursos ou das atividades que estão associadas ao modelo”.

As relações entre as variáveis e seus limites são formalizadas através de equações ou

inequações matemáticas (LACHTERMACHER, 2014). E, o objetivo é a função matemática
que indica a solução em que se deseja alcançar, o principal alvo do tomador de decisão.

3
Um exemplo para visualização da criação de um modelo seria o processo manufatureiro de
dois produtos. Os produtos “A” e “B” utilizam quantidades distintas da matéria prima P, e
também quantidades distintas de Mão de Obra (Hh), além de gerarem lucros também distintos
dentro de sua demanda própria.

Neste exemplo, as variáveis controláveis (ou de decisão) seriam as quantidades produzidas de

“A” e quantidades produzidas de “B”, pois estas poderiam ser alteradas pelo decisor em busca
de maximizar o lucro (função objetivo), conforme as limitações de matéria-prima, mão de
obra e demanda (restrições).

Pela grande diversidade de modelos matemáticos disponíveis, o responsável pela análise do

problema deve, antes da elaboração do modelo, analisar atentamente a situação a fim de
estruturar o escopo do modelo e suas características. Assim, garantindo a seleção do melhor
modelo para o problema analisado.

2.2. Programação Linear

A programação linear é um método utilizado na modelagem e solução de problemas lineares
determinísticos na Pesquisa Operacional (BÄURLE; STEIN, 2015). Colin (2007) trata a
aplicação dos modelos em programação linear como uma das principais técnicas utilizadas
para busca de soluções em problemas de otimização (maximização ou minimização).
Esta técnica é uma das mais empregadas na resolução de problemas de Pesquisa Operacional.
Segundo Longaray (2013), esta inclinação pelo uso da Programação Linear acontece por
conta de sua estrutura algébrica, que mais se aproxima da matemática dentre todos os
modelos de otimização, e também pela linearidade natural que de sua aplicação.
Para Milhomem et al. (2015), o entendimento dos modelos básicos de programação linear
possibilita uma maior compreensão de todos os outros modelos de programação matemática.
Sua característica básica é o fato de suas restrições e objetivos, serem unicamente
representados por equações e inequações de funções lineares (LACHTERMACHER, 2014).
É um modelo utilizado no auxílio de decisões estratégicas, buscando a maior eficiência
possível no resultado da simulação, contando apenas com os recursos disponíveis em cada
restrição do problema.
As sequências elaboradas nas equações e inequações lineares, ao receberem determinadas
entradas em suas variáveis, geram um resultado pela função objetivo. Como em outras
programações, estas soluções podem ser viáveis, inviáveis ou ótimas (ANDRADE, 2015)
Soluções viáveis são aquelas atendem a todas as restrições levantadas no escopo do problema.
Soluções inviáveis impactam em no mínimo uma restrição, fazendo com que esta restrição
4
não seja atendida. E a solução ótima é uma solução que atende todas as restrições gerando um
valor extremo na função-objetivo, que será o maior valor existente para maximização ou o ou
menor valor existente para minimização, dentro na área de soluções do modelo (COLIN,
2007).
Silva et al. (2009), destaca que apesar da grande complexidade para a formulação e
construção de um modelo, a partir do conhecimento do problema e suas características será
possível montar uma sequência de etapas para facilitar a modelação de um problema de
programação linear conforme visto na tabela 1:

Tabela 1 – Etapas para modelagem de um problema de Programação Linear

Fonte: Adaptado de Silva et al. (2009)

Existem diversos métodos de resolução para os problemas de programação linear. Um dos

métodos mais utilizado nos meios de pesquisa é algoritmo Simplex, processo que possui
mecanismos de cálculo estabelecidos e pode ser realizado com auxílio de ferramentas
computacionais (HILLIER; LIEBERMAN, 2013). Utilizado principalmente no caso de
funções com alto número de variáveis, o Simplex pode ser calculado com a ferramenta Solver,
suplemento da aplicação Microsoft Excel 2013.

3. Metodologia
O presente trabalho acadêmico trata-se de uma pesquisa-ação para utilização da programação
linear na modelagem de um problema decisório, desenvolvida a partir de uma pesquisa
descritiva com a reunião de publicações e outros materiais teóricos utilizando critérios de
seleção sobre o tema e a técnica abordada. Devido a extensão de conteúdos relacionados aos
fundamentos da Pesquisa Operacional, a pesquisa descritiva se delimitou na modelagem e
simulação de problemas pela Programação Linear e a otimização de um problema com auxílio
do aplicativo Solver, extensão do Microsoft Excel 2013.

5
3.1. Ambiente de estudo
O estudo ocorreu em uma indústria metalúrgica de beneficiamento de bobinas de aço. Esta
empresa realiza a industrialização de chapas de aço em linhas de corte longitudinal (Slitter),
transversal (Blanks), perfiladeiras, prensas e dobradeiras. A empresa ainda possui setores para
realização de solda MIG/MAG para montagem de estruturas. A linha escolhida para análise
neste estudo foi a de corte Slitter, selecionada por critérios quantitativos sobre os custos de
operacionalização e dificuldade de resolução manual.

3.2. Materiais e métodos

A montagem do corte slitter era realizada pela indústria com auxilio de uma função linear
simples, com preenchimento de variáveis de maneira rudimentar, manual e empírica. A
quantidade de resultados possíveis ao modelo, dependentes unicamente a percepção dos
responsáveis pela montagem, dava margem a erros e elevava custos desnecessários pela não
identificação de oportunidades melhores.

Assim, com orientação de produzir uma programação matemática da operação, realizou-se o

trabalho de otimizar a montagem do corte slitter da empresa através de ferramentas
científicas. As etapas do projeto foram realizadas seguindo o método indicado por Silva et al.
(2009). A seguir, estão resumidas as etapas ordenadas de montagem do modelo:

 Definição das quantidades que podem ser usadas de cada tipo de peça de montagem
como variáveis de decisão, compreendida através de observação do funcionamento da
máquina;
 Identificação e registro das larguras das peças de montagem e sua relação de
montagem como constantes do problema, já que estas informações não podem ser
alteradas;
 Como recursos, compreendeu-se que as quantidades de peças disponíveis limitavam as
montagens de corte com várias larguras, sendo estes os fatores limitantes do modelo;
 O objetivo do modelo foi selecionar as peças ideais para montagem do corte, de forma
que a soma de suas larguras atingisse a medida necessária para execução do processo,
sem margens de sobra e apenas com as peças disponíveis;
 Adaptação das informações de todas as etapas em células e fórmulas matemáticas de
uma planilha do software Microsoft Excel 2013 desenvolvendo um modelo em
planilha eletrônica, mas ainda com resolução manual;
 Por fim, utilizou-se o suplemento Solver do Microsoft Excel 2013 para selecionar as
informações do modelo compreendidas nas etapas anteriores, adicionando ainda as
6
 restrições de não negatividade e de variáveis inteiras (não é possível selecionar uma
quantidade negativa de peças ou a fração de uma peça).

O próximo capítulo demonstrará a aplicação prática do modelo possibilitando uma melhor

compreensão destas etapas.

4. Desenvolvimento do estudo de montagem do corte slitter

Como dissertado, a metodologia da programação linear pode ser aplicada em diversos
seguimentos de negócios. Este capítulo ilustrará a aplicação da programação linear na
definição de sepadores de eixo para montagem de cortes do tipo slitter.

4.1. Operação de corte slitter

Processo slitter é nome dado ao corte longitudinal realizado com o cruzamento de facas
rotatórias, semelhante ao movimento de guilhotina. Sendo um dos processos tradicionais no
corte de bobinas de aço carbono, inox e galvanizado, também pode ser encontrado no
processamento de bobinas de papel (HENN; WASCHER, 2013). O corte slitter é conhecido
por ser o meio mais prático, rápido e barato para a realização de cortes longitudinais. Em
bobinas de aço, a montagem correta do slitter produz tiras de aços em larguras ideais com
acabamento e precisão.

Figura 1 – Fotografia de tiras de aço cortadas pelo método slitter

Fonte: Repositório digital Dalleaço (2014)

O processo acontece pelo desenrolamento da bobina, que passa em seguida por facas ou
navalhas rotativas que são montadas de acordo com as medidas das tiras de aço a serem
obtidas. A quantidade de tiras a ser obtida em um corte é determinada na montagem do corte,
7
respeitando as tolerâncias de corte e de capacidades da máquina. A largura de cada corte é
preparada encaixando espaçadores no eixo até atingir a medida do produto programado.

Figura 2 – Ilustração da composição de montagem do corte slitter

Fonte: Fornecida pela empresa do estudo

Figura 3 – Fotografia de um corte slitter

Fonte: Fornecida pela empresa do estudo

4.2. Modelagem do problema

A análise da operação de corte slitter evidenciou a escolha dos espaçadores como problema
do modelo. A quantidade a ser utilizada de cada modelo de espaçador foi definida como
variável de decisão, onde o responsável pela montagem pode escolher o modelo e a
quantidade que melhor se adequar à montagem do corte. A tabela 2 contempla os 40 modelos
de separadores que podem ser selecionados:

8
 Tabela 2 – Variáveis de decisão

Fonte: Desenvolvida pelos autores

4.3. Restrições do problema

Foram identificadas quatro restrições para este problema. Primeiramente, os espaçadores têm
estoque limitado e variado. Sua escolha para montagem dos cortes deve ser menor ou igual ao
estoque disponível. Esta restrição está relacionada aos recursos disponíveis do modelo.

Tabela 3 – Definição da restrição por recursos disponíveis

Fonte: Desenvolvida pelos autores

Cabe ressaltar, que a fabricação de espaçadores novos para estoque tem um custo altíssimo
para a empresa e deve ser evitada. Isso reflete na importância de se utilizar montagens
inteligentes com os recursos disponíveis.

A segunda restrição está relacionada com o atendimento às especificações do produto. Os

espaçadores encaixados no eixo devem alcançar a mesma medida do corte que se deseja
realizar através da soma de suas larguras.

Figura 4 – Ilustração exemplo da montagem de espaçadores

Fonte: Desenvolvida pelos autores

9
A equação 1 representa esta segunda restrição:

(1)

A terceira e quarta restrições tratam do uso lógico das variáveis de decisão. Como as mesmas
representam as quantidades de calços que serão selecionados, seus valores obrigatoriamente
devem ser números inteiros e não negativos. Estas restrições tem grande importância na
modelagem através de softwares, já que sua não inclusão afetará a execução das simulações
para otimização.

(2)

(3)

4.4. Definindo a função objetivo relacionando vários cortes

Objetivando minimizar a quantidade de calços usados, programou-se a função objetivo do
modelo para descobrir qual a menor combinação de espaçadores possível para o corte da
largura desejada, conforme a equação 4:

(4)

Até esta etapa, foi possível modelar a montagem de espaçadores entre facas rotativas para
apenas um corte de tira de aço. Contudo, o corte de bobinas pode ser mesclado com diferentes
larguras, aproveitando a matéria prima e um único processamento para cortar produtos de
diferentes pedidos e clientes.

Para passagem do modelo às planilhas eletrônicas onde será realizada a simulação, a etapa
seguinte se consistiu em repetir o modelo de forma sequencial, considerando as tiras seguintes
na mesma bobina mesmo quando os espaçadores devem ser usados na montagem no eixo de
oposto.

A relação final entre os modelos se baseou na primeira restrição, que trata do estoque de
espaçadores: o estoque disponível para a montagem seguinte será sempre o que restar das
montagens anteriores. Logo, o modelo completo de montagem de cortes formou-se pela
relação em cascata de “n” modelos individuais - onde “n” é número de tiras que serão

10
cortadas - cada um com sua largura de corte própria (segunda restrição) e com restrição de
recursos da simulação seguinte condicionada aos recursos subtraídos da simulação anterior.
Ressalta-se, que foi ordenada a possibilidade de até 11 tiras no modelo, considerando a
capacidade de produtos na mesma bobina e na tração da máquina.

4.5. Modelagem no Microsoft Excel 2013

Com o planejamento do modelo completo, sua inserção no Microsoft Excel 2013 foi realizada
através do uso de fórmulas matemáticas na representação de todas as relações. Incluindo a
subtração de recursos das células de variáveis de decisão entre modelos e o somatório de
todas as funções objetivo em uma única função, a fim de possibilitar a programação no
suplemento Solver.

A figura 5 contém uma montagem de capturas de tela da planilha onde um dos modelos
menores - que juntos formam o modelo geral - foi programado.

Figura 5 – Caracterização do modelo contendo campos de input e restrições

Fonte: Desenvolvida pelos autores

O preenchimento dos campos de entrada com as larguras desejadas alteram automaticamente

os limites da segunda restrição, estando uma restrição de largura em cada modelo menor. A
linha contendo os saldos de espaçadores também é informada no Solver como restrições
relacionadas ao preenchimento da linha de solução. Esta linha por sua vez foi identificada na
programação do Solver como “células variáveis”, ou seja, as variáveis de decisão do modelo.
A função objetivo ficou programada para minimizar a quantidade de peças selecionadas para
atingir o limite de cada largura.

11
5. Simulação e resultados
Para avaliação de funcionamento do modelo, realizaram-se três simulações de modelagem de
corte diferentes. Como o modelo final trata de um problema de programação linear, utilizou-
se em todas as simulações a opção “LP Simplex” do Solver para cálculo dos resultados.

A primeira simulação foi a montagem de corte para 8 tiras de aço, sendo 2 tiras com 100
milímetros (mm) e as outras 6 com 147mm. O relatório de respostas apresentou resultados em
12,1 segundos, com utilização de 20 espaçadores.

Tabela 4 – Resolução do primeiro modelo

Fonte: Relatório de resultados do modelo

A segunda simulação foi a montagem para atendimento de um único pedido, um corte pleno
de 5 tiras de aço com 233mm. O relatório de respostas apresentou resultados em 2,2
segundos, com utilização de 15 espaçadores, sendo 2 espaçadores do tipo x36 e 1 do tipo x37
em cada modelo (10 do tipo x36 e 5 do tipo x37, no total).

A terceira simulação foi a montagem de corte para 4 tiras de aço, sendo 1 tira com 355mm e
as outras 3 com 277mm. O relatório de respostas apresentou resultados em 15,2 segundos,
com utilização de 17 espaçadores.

Tabela 5 – Resolução do terceiro modelo

Fonte: Relatório de resultados do modelo

6. Considerações finais
Considera-se que o objetivo principal deste estudo foi atingido ao realizar a modelagem do
problema apresentado seguindo as etapas apresentadas método para modelagem de problemas

12
lineares. O modelo desenvolvido pode ser testado em simulações com pedidos de corte reais
da empresa, expondo a eficiência na seleção de espaçadores para as melhores montagens do
slitter de maneira dinâmica e otimizada. A relação para repetição das restrições com desconto
de estoque tornou-o mais robusto ao permitir realizar as simulações para o corte de várias
tiras em uma única bobina.

Dada a delimitação deste trabalho em observar a montagem de cortes em uma bobina,

recomenda-se a expansão do estudo para analisar a montagem de um modelo que envolva as
necessidades de tiras com a matéria-prima disponível, considerando as possibilidades de
encaixe de tiras em várias bobinas sequenciadas. Também se sugere a pesquisa de outros
softwares voltados para programação matemática que apresentem ferramentas adicionais ao
modelo.

A boa execução das técnicas dissertadas comprovou os benefícios que podem ser alcançados
na aplicação da Pesquisa Operacional na produção de bens. A atenção à análise do problema e
determinação clara das premissas de modelagem através metodologias estabelecidas, permitiu
o desenvolvimento de uma solução bem fundamentada para o apoio na tomada de decisões do
processo estudado.

REFERÊNCIAS
ANDRADE, E. L. Introdução à pesquisa operacional: Métodos e modelos para análise de decisões. 5. ed. Rio
de Janeiro: LTC, 2015. 220 p.

BÄUERLE, N.; STEIN, O. Operations Research: Mathematical Methods. Wiley StatsRef: Statistics Reference
Online. p. 1-8. Doi: 10.1002/9781118445112.stat04584.pub2, 2015. Disponível em
<https://www.researchgate.net/publication/300483978_Operations_Research_Mathematical_Methods> . Acesso
em 20 jan 2018.

CAMPOS, V. F. O verdadeiro poder. Nova Lima (MG): INDG Tecnologia e Serviços, 2009. 159 p.

CHIAVENATO, I. Introdução à Teoria Geral da Administração. 3. ed. rev. Rio de Janeiro: Elsevier, 2006.
503p.

COLIN, E. C. Pesquisa Operacional: 170 aplicações em Estratégia, Finanças, Logística, Produção, Marketing e
Vendas. Rio de Janeiro: LTC, 2007. 488 p.

DALLEAÇO. Slitter: Fitas de aço. 2014. Disponível em <http://www.dalleaco.com.br/slitter.php>. Acesso em

03 abr 2018.

HENN, S.; WASCHER, G. Extensions of cutting problems: setups. Pesq. Oper., Rio de Janeiro , v. 33, n. 2,
p. 133-162, 2013.

HILLIER, F. S.; LIEBERMAN, G. J. Introdução à Pesquisa Operacional. 9. ed. São Paulo: Bookman, 2013.

JAISWAL, N. K. Military Operations Research: Quantitative Decision Making. Springer Science Business
Media: New York/US. 1997

LONGARAY, A. A. Introdução à pesquisa operacional. São Paulo: Saraiva, 2013. 212 p.

13
MILHOMEM, D. A. et al. Utilização da programação linear e do método simplex para otimização da
produção de pães em uma empresa de panificação. Anais... XXXV Encontro Nacional de Engenharia de
Produção. Fortaleza, 2015.

SECCHI, A. R. Modelagem e Simulação de Processos. Porto Alegre (RS): UFRGS, 1995. 199 p.

SILVA, E. M. et al. Pesquisa Operacional: Para curso de Economia, Administração, Ciências Contábeis. São
Paulo (SP): Altas, 2009. 184 p.

14