Aula 3º

Modelos lineares de otimização

Prezados(as) alunos(as),
Nesta terceira aula, estudaremos os principais modelos
lineares de otimização. Esses modelos representam a maior
parte das aplicações de PL e consequentemente de PO que os
profissionais encontram no dia a dia.

Bons estudos!

Objetivos de aprendizagem

Ao término desta aula, vocês serão capazes de:

•  conhecer como aplicar a Pesquisa Operacional em problemas de planejamento urbano;

•  conhecer como aplicar a Pesquisa Operacional em problemas de investimento;
•  conhecer como aplicar a Pesquisa Operacional em problemas de planejamento de produção;
•  conhecer como aplicar a Pesquisa Operacional em problemas de indústria química, de alimentos ou de base, que
tenham problemas de mistura de matérias-primas.
 Pesquisa Operacional 26
Seções de estudo
1 - Modelagem em planejamento urbano
2 - Modelagem em investimento
3 - Programação linar e planejamento de produção
4 – Probelma da mistura e refinação
1 - Modelagem em planejamento
urbano
Planejamento urbano trata de três áreas gerais: 1)
construção de novos projetos habitacionais; 2) recuperação
de áreas habitacionais e recreacionais urbanas deterioradas;
e 3) planejamento de instalações públicas (como escolas e
aeroportos). As restrições associadas com esses projetos
são tanto econômicas (terreno, construção, financiamento)
quanto sociais (escolas, parques, nível de renda). Os objetivos
do planejamento urbano variam. No desenvolvimento de
projetos habitacionais, de modo geral o lucro é o motivo
para a consecução do projeto. Nas duas categorias restantes,
os objetivos envolvem considerações sociais, políticas,
econômicas e culturais. A seguir veremos um exemplo
de como modelar um problema de planejamento urbano,
adicionando as restrições e objetivos nas equações de PL.
1.1 – Exemplo de Modelo de
renovação urbana
A seguir, veremos um exemplo resolvido baseado
em Taha (2008). A cidade de Dourados enfrenta uma séria
carência orçamentária. Em busca de uma solução de longo
prazo, a câmara de vereadores da cidade aprova uma melhoria
da base de cobrança de impostos que prevê a condenação de
uma área habitacional do centro da cidade e sua substituição
por um conjunto habitacional moderno. O projeto envolve
duas fases: 1) demolição das casas que estão aquém do padrão
para liberar terreno para o novo projeto; e 2) construção do
novo conjunto urbano. A seguir daremos um resumo da
situação.
1. Um total de 300 casas aquém do padrão podem ser
demolidas. Cada casa ocupa um lote de 0,25 acres.
O custo da demolição de uma casa condenada é de
$ 2.000.
2. Os tamanhos de lotes para domicílios (unidades)
simples, duplos, triplos e quádruplos são de 0,18;
0,28; 0,4 e 0,5 acres, respectivamente. Ruas, espaços
abertos e instalações públicas ocupam 15% da área
disponível.
3. No novo conjunto habitacional, as unidades triplas
e quádruplas representam no mínimo 25% do total.
Unidades simples devem representar no mínimo
20% de todas as unidades, e unidades duplas, no
mínimo 10%.
4. O imposto cobrado por unidade para unidades
simples, duplas, triplas e quádruplas é de $ 1.000, $
1.900, $ 2.700 e $ 3.400, respectivamente.
5. O custo da construção por unidade domiciliar
simples, dupla, tripla e quádrupla é de $ 50.000, $
70.000. $ 130.000 6 $ 160.000, respectivamente. O
financiamento acordado com um banco local será
de no máximo $ 15 milhões.
Quantas unidades de cada tipo devem ser construídas
para maximizar a arrecadação de impostos?
Modelo matemático. Além de determinar o número
de unidades de cada tipo a ser construído, precisamos também
decidir quantas casas devem ser demolidas para liberar espaço
para o novo projeto habitacional. Assim, as variáveis do
problema podem ser definidas da seguinte maneira:
x1 = número de unidades simples
x2 = número de unidades duplas
x3 = número de unidades triplas
x4 = número de unidades quádruplas
x5 = número de casas antigas a demolir
O objetivo é maximizar a arrecadação de impostos
de todos os quatro tipos de residências, isto é,
Maximizar z = 1.000x1 + 1.900x2 + 2.700x3 + 3.400x4
A primeira restrição do problema trata da disponibilidade
de terreno.
Área usada para construção de novas casa ≤ Área líquida
disponível
Pelos dados do problema, temos:
Área necessária para novas casas = 0,18x1 + 0,28x2 +
0,4x3 + 0,5x4
Para determinar a área disponível, cada casa demolida
ocupa um lote de 0,25 acres, o que resulta em um total de
0,25x5 acres. Deixando 15% para espaços abertos, ruas e
instalações públicas, a área líquida disponível é 0,85(0,25x5) =
0,2125x5. A restrição resultante é:
0,18x1 + 0,28x2 + 0,4x3 + 0,5x4 ≤ 0,2125x5
Ou:
0,18x1 + 0,28x2 + 0,4x3 + 0,5x4 - 0,2125x5 ≤ 0
O número de casas demolidas não pode exceder 300, o
que é expresso como:
x5 ≤ 300
Em seguida, adicionamos as restrições que limitam o
número de unidades de cada tipo de casa.
(Número de unidades simples) (20% do total de unidades)
(Número de unidades duplas) (10% do total de unidades)
(Número de unidades triplas e quádruplas) (25% do total
de unidades)
Essas restrições são expressas matematicamente como:
x1 ≥ 0,2(x1 + x2 + x3 + x4)
x2 ≥ 0,1(x1 + x2 + x3 + x4)
x3 + x4 ≥ 0.25(x1+ x2 + x3 + x4)
A única restrição restante trata de manter o custo de
demolição/construção dentro do orçamento permitido, isto
é,
(Custo de demolição e construção) ≤ (Orçamento
disponível)
Exprimindo todos os custos em milhares de dólares,
obtemos:
(50x1 + 70x2 + 130x3 + 160x4) + 2x5 ≤ 15.000
Assim, o modelo completo se torna:
 27
Maximizar z = l.000x1 + 1.900x2 + 2.700x3 + 3.400x4 A concorrência com outras instituições financeiras
sujeito a: requer que o banco destine no mínimo 40% dos fundos
0,18x1 + 0,28x2 + 0,4x3 + 0,5x4 - 0,2125x5 ≤ 0 a créditos agrícola e comercial. Para auxiliar o setor de
x5 ≤ 300 construção de residências da região, a quantia destinada
-0,8x1 + 0,2x2 + 0,2x3 + 0,2x4 ≤ 0 ao crédito habitacional deve ser igual a no mínimo 50%
0,1x1 – 0,9x2 + 0,1x1 + 0,1x4 ≤ 0 dos empréstimos pessoais para aquisição de automóveis e
0,25x1 + 0,25x2 - 0,75x3 - 0,75x4 ≤ 0 aquisição habitacional. O banco também estabeleceu uma
50x1 + 70x2 + 130x3 + 160x4 + 2x5 ≤ 15.000 política de não permitir que a taxa global de inadimplência
x1, x2, x3, x4, x5 ≥ 0 sobre todos os empréstimos exceda 4% (TAHA, 2008).
Modelo matemático. A situação procura determinar a
Solução: quantidade de empréstimos em cada categoria, o que resulta
A solução ótima (usando o solver), tendo: nas seguintes definições das variáveis:
Arrecadação total de impostos = z = $ 343.965 x1 = empréstimos pessoais (em milhões de dólares)
Número de unidades residenciais simples = x1 = 35,83 x2 = empréstimos para compra de automóveis
≅ 36 unidades x3 = empréstimos habitacionais
Número de unidades residenciais duplas = x2 = 98,53 ≅ x4 = empréstimos agrícolas
99 unidades x5 = empréstimos comerciais
Número de unidades residenciais triplas = x3 = 44,79 ≅
45 unidades O objetivo do Banco do Brasileiro é maximizar seu
Número de unidades residenciais quádruplas = x4 = 0 retorno líquido, que é a diferença entre receita de juros e
unidades créditos inadimplentes. A receita de juros é obtida somente
Número de casas demolidas = x5 = 244,49 ≅ 245 com base em empréstimos em boa posição. Portanto, como
unidades 10% dos empréstimos pessoais são créditos inadimplentes, o
banco receberá juros sobre apenas 90% do valor emprestado
— isto é, receberá 14% de juros sobre 0,9x1 do empréstimo
2 - Modelagem em investimento original, x1. O mesmo raciocínio é aplicado aos outros quatro
tipos de empréstimos. Assim,
Total de juros
Hoje, há inúmeras oportunidades de investimento = 0,14(0.9x1) + 0,13(0,93x2) + 0,12(0,97x3) +
disponíveis para os investidores. Exemplos de problemas 0,125(0,95x4) + 0,1 (0.98x5)
de investimento são orçamentos de capital para projetos, = 0,126x1 + 0,1209x2 + 0,1164x3 + 0,11875x4 + 0,098x5
estratégia de investimentos em títulos, seleção de carteira de Também temos:
ações e determinação da política de empréstimos bancários. Créditos inadimplentes = 0,1x1 + 0,07x2 + 0,03x3 +
Em muitas dessas situações, a programação linear pode ser 0,05x4 + 0,02x5
usada para selecionar o mix ótimo de oportunidades que Ainda seguindo a linha de Taha (2008), a função objetivo
maximizará o retorno, atendendo às condições estabelecidas é expressa como Maximizar z = Total de juros - Créditos
pelo investidor. inadimplentes:
2.1 - Modelo de política de = (0,126x1 + 0,1209x2 + 0,1164x3 + 0,11875x4 +
empréstimo 0,098x5) - (0,1x1 + 0,07x2 + 0,03x3 + 0,05x4 + 0,02x5)
= 0,026x1 + 0,0509x2 + 0,0864x3 + 0,06875x4 + 0,078x5
Nesse exemplo, adaptado de Taha (2008), temos o
Banco do Brasileiro, que está em processo de elaboração de O problema tem cinco restrições:
uma política de empréstimo que envolve um máximo de $ 12 1. O total de fundos não deve exceder $ 12 (milhões)
milhões. A Tabela 1 apresenta os dados pertinentes aos tipos x1 + x2 + x3 + x4 + x5 ≥ 12
de empréstimos disponíveis. 2. Os empréstimos agrícolas e comerciais são iguais a
no mínimo 40% de todos os empréstimos
Tabela 1: Empréstimos disponíveis no Banco do x4 + x5 ≤ 0,4(x1 + x2 + x3 + x4 + x5)
Brasileiro ou
0,43x1 + 0,4x2 + 0,4x3 - 0,6x4 - 0,6x5 ≥ 0
Tipo de empréstimo Taxa de juros Taxa de inadimplência
3. O crédito habitacional deve ser igual a no mínimo
Pessoal 0,140 0,10 50% dos empréstimos pessoais, para compra de
Automóvel 0,130 0,07 automóveis e habitacional
Habitacional 0,120 0,03 x3 ≥ 0,5(x1 + x2 + x3)
ou
Agrícola 0,125 0,05
0,5x1 + 0,5x2 - 0,5x3 ≤ 0
Comercial 0,100 0,02
4. Créditos inadimplentes não devem exceder 4% de
Fonte: adaptado de Taha (2008). todos os empréstimos
 Pesquisa Operacional 28
0,1x1 + 0,07x2 + 0,03x3 + 0,05x4 + 0,02x5 ≤ 0,04(x1 + x2 Demanda 800 750 600 500
+ x3 + x4 + x5)
Lucro por
ou
unidade ($) 30 40 20 10
0,06x1 + 0,03x2 - 0,01x3 + 0,01x4 - 0,02x5 ≤ 0
5. Não-negatividade Multa por
x1, x2, x3, x4, x5 ≥ 0 unidade ($) 15 20 10 8  

Fonte: Taha (2008).

Uma premissa sutil adotada na formulação precedente é
que todos os empréstimos são concedidos aproximadamente
ao mesmo tempo. Essa premissa nos permite ignorar
diferenças no valor tempo dos fundos alocados aos diferentes
empréstimos (TAHA, 2008).
Solução
A solução ótima é z = 0,99648; x1 = 0; x2 = 0; x3 = 7,2;
x4 = 0; x5 = 4,8
3 -Programação linar e planejamento
de produção
Há inúmeras aplicações de PL em controle da produção
e de estoque. Indo desde a simples alocação de capacidade de
máquina para atender à demanda até o caso mais complexo
da utilização de estoque para “atenuar” o efeito da mudança
imprevisível na demanda para determinada projeção de
planejamento e da utilização de contratação e demissão para
enfrentar as mudanças nas necessidades de mão de obra. Esta
aula apresenta dois exemplos. O primeiro trata da programação
de produtos usando as instalações normais de produção para
atender à demanda durante um único período; o segundo
trata da utilização do estoque em um sistema de produção
que abrange vários períodos para atender à demanda futura
(TAHA, 2008).
3.1 - Modelo de produção para um
único período
Como precaução para o inverno, uma empresa de
confecção está fabricando parcas e casacos com enchimento
de penas de ganso, calças com isolamento térmico e luvas.
Todos os produtos são fabricados em quatro departamentos
diferentes: corte, isolamento térmico, costura e embalagem.
A empresa recebeu pedidos fechados para seus produtos.
O contrato estipula uma multa para itens não entregues. A
Tabela 2 mostra os dados pertinentes à situação.
Tabela 2: Dados para a produção da confecção
Elabore um plano ótimo de produção para a empresa.
Modelo matemático. A definição das variáveis é direta. Seja
x1 = número de parcas
x2 = número de jaquetas com enchimento de penas de
ganso
x3 = número de calças
x4 = número de pares de luvas
Ainda seguindo a linha de raciocínio de Taha (2008), a
empresa é multada se não atender à demanda. O que significa
que o objetivo do problema e maximizar as receitas líquidas,
definidas como
Receitas líquidas = Lucro total - Multa total
O lucro total é expresso como 30x1 + 40x2 + 20x3 + 10x4.
A multa total é uma função das quantidades não fornecidas (=
Demanda — Unidades fornecidas de cada produto) (TAHA,
2008). Essas quantidades podem ser determinadas pelos
seguintes limites de demanda:
x1 ≤ 800, x2 ≤ 750, x3 ≤ 600, x4 ≤ 500
Uma demanda não é atendida se sua restrição for
satisfeita como uma desigualdade. Por exemplo, se forem
produzidas 650 parcas, então x1 = 650, o que resulta em 800
- 650 = 150 parcas a menos. Podemos expressar a falta de
qualquer produto algebricamente com a definição de uma
nova variável não negativa, ou seja,
sj = Número de unidades faltantes do produto j,j = 1,
2, 3, 4
Nesse caso, as restrições da demanda podem ser
expressas como
x1 + s1 = 800, x2 + s2 = 750, x3 + s3 = 600, x4 + s4
= 500
xj ≥ 0, sj ≥ 0, j = 1,2,3,4
Agora podemos calcular a multa por produto não
entregue como 15s1 + 20s2 + 10s3 + 8s4. Assim, a função
objetivo pode ser escrita como
Maximizar z = 30x1 + 40x2 + 20x3 + 10x4 - (15s1 + 20s2
+ 10s3 + 8s4)
Para completar o modelo, as restrições restantes tratam
das capacidades de produção, ou seja

  Tempo por unidade (h)   0,30x1 + 0,30x2 + 0,25x3 + 0,15x4 ≤ 1.000 (Corte)
Penas 0,25x1 + 0,35x2 + 0,30x3 + 0,10x4 ≤ 1.000 (Isolamento)
Capacidade
Parca de Calças Luvas 0.45x1 + 0,50x2 + 0,40x3 + 0.22x4 ≤ 1.000 (Costura)
(h)
Departamento ganso 0,15x1 + 0,5x2 + 0,10x3 + 0,05x4 ≤ 1.000 (Embalagem)
Corte 0,30 0,30 0,25 0,15 1000
Portanto, o modelo completo se torna
Isolamento 0,25 0,35 0,30 0,10 1000
Maximizar z = 30x1 + 40x2 + 20x3 + 10x4 - (15s1 + 20s2
Costura 0,45 0,50 0,40 0,22 1000 + 10s3 + 8s4)
Embalagem 0,15 0,15 0,10 0,05 1000 Sujeito a:

0,30x1 + 0,30x2 + 0,25x3 + 0,15x4 ≤ 1.000
0,25x1 + 0,35x2 + 0,30x3 + 0,10x4 ≤ 1.000
0.45x1 + 0,50x2 + 0,40x3 + 0.22x4 ≤ 1.000
0,15x1 + 0,5x2 + 0,10x3 + 0,05x4 ≤ 1.000
x1 + s1 = 800, x2 + s2 = 750, x3 + s3 = 600, x4 + s4 = 500
xj ≥ 0, sj ≥ 0, j = 1,2,3,4
Solução:
A solução ótima é z = $ 64.625, x1 = 850, x2 = 750, x3 =
387,5, x4 = 500, s1 = s2 = s4 = 0, s3 = 212,5. A solução satisfaz
toda a demanda por ambos os tipos de jaquetas (parcas e de
penas de ganso) e por luvas. A ausência de 213 (arredondada
de 212.5) calças resultará em um custo de multa de 213 x 10 =
$ 2.130 (TAHA, 2008).
3.2 - Modelo de produção e estoque
para vários períodos
Novamente usaremos os estudos de Taha (2008) para
exemplificar mais esse cenário de planejamento de produção.
A Esquadril CO firmou um contrato para entrega de janelas
de casa para os próximos seis meses. As demandas para
cada mês são de 100, 250. 190, 140, 220 e 110 unidades,
respectivamente. O custo de produção por janela varia de mês
para mês, dependendo do custo da mão de obra, do material e
de utilidades. A empresa estima que o custo de produção por
janela nos próximos seis meses seja $ 50, $ 45, $ 55, $ 48, $ 52
e $ 50, respectivamente.
Para aproveitar a vantagem das variações no custo
de fabricação, a Acme pode optar por produzir mais do
que o necessário em determinado mês e reter as unidades
excedentes para entregar em meses posteriores. Entretanto,
isso incorrerá em custos de armazenagem de $ 8 por janela,
por mês, considerando o estoque no final do mês.
Desenvolva um modelo de programação linear para
determinar a programação ótima de produção.
Modelo matemático. As variáveis do problema incluem a
quantidade de produção mensal e o estoque no final do mês.
Para i = 1, 2,..., 6,
Seja
xi = número de unidades produzidas no mês í
Ii = número de unidades deixadas no estoque no final
do mês i
A relação entre essas variáveis e a demanda mensal
para a projeção de seis meses é representada pelo gráfico
esquemático da Figura 1. O sistema começa vazio, o que
significa que I0 = 0.
Figura 1: Representação esquemática do sistema de
produção e estoque
Fonte: Taha (2008).
29
A função objetivo procura minimizar a soma dos custos
de produção e de estoque. Aqui temos
Custo total de produção = 50x1 + 45x2 + 55x3 + 48x4 +
52x5 + 50x6
Custo total de estoque = 8(I1 + I2 + I3 + I4 + I5 + I6)
Dessa maneira, a função objetivo é
Minimizar z = 50x1 + 45x2 + 55x3 + 48x4 + 52x5 + 50x6
+ 8(I1 + I2 + I3 + I4 + I5 + I6)
As restrições do problema podem ser determinadas
diretamente de acordo com a representação na Figura 2.5.
Para cada período, temos a seguinte equação de equilíbrio:
Estoque inicial + Quantia produzida — Estoque final:
Demanda
Essa relação é expressa matematicamente para cada um
dos meses como:
I0 + x1 – I1 = 100 (Mês 1)
I1 + x2 - I2 = 250 (Mês 2)
I2 + x3 - I3 = 190 (Mês 3)
I3 + x4 - I4 = 140 (Mês 4)
I4 + x5 - I5 = 220 (Mês 5)
I5 + x6 - I6 = 110 (Mês 6)
xi, li, ≥ 0, para todo i = 1,2,...,6
I0 = 0
Para o problema, I0 = 0 porque a situação parte de zero
de estoque inicial. Ademais, em qualquer solução ótima,
o estoque final 16 será zero, uma vez que não é lógico
terminar a projeção com estoque positivo, cujo único efeito
seria incorrer em custo adicional de estoque sem atender a
nenhuma finalidade.
Agora, o modelo completo é dado por:
Minimizar z = 50x1 + 45x2 + 55x3 + 48x4 + 52x5 + 50x6
+ 8(I1 + I2 + I3 + I4 + I5 + I6)
Sujeito a:
x1 – I1 = 100 (Mês 1)
I1 + x2 - I2 = 250 (Mês 2)
I2 + x3 - I3 = 190 (Mês 3)
I3 + x4 - I4 = 140 (Mês 4)
I4 + x5 - I5 = 220 (Mês 5)
I5 + x6 - I6 = 110 (Mês 6)
xi, li, ≥ 0, para todo i = 1,2,...,6
Solução:
A solução ótima está resumida na Figura 2. Ela mostra
que a demanda de cada mês é satisfeita diretamente pela
produção do mês, exceto no mês 2, cuja quantidade produzida
de 440 unidades abrange a demanda para ambos os meses, 2
e 3. O custo total associado e Z = $ 49.980 (TAHA, 2008).
Figura 2: Solução ótima para o problema de produção e
estoque
Fonte: Taha (2008).
 Pesquisa Operacional 30
misturar o produto final j, i = 1, 2; j = 1, 2, 3
4 - Probelma da mistura e refinação Usando essa definição, temos

Produção diária de gasolina comum = x11 + x21 barris/

Várias aplicações de PL tratam da mistura de diferentes dia
materiais de entrada para produzir produtos que obedeçam a Produção diária de gasolina premium = x12 + x22 barris/
certas especificações e, ao mesmo tempo, minimizar o custo dia
ou maximizar o lucro. Os materiais de entrada podem ser Produção diária de gasolina super = x13 + x23 barris/dia
minérios, sucatas de metal, produtos químicos ou óleos crus,
e os produtos de saída podem ser lingotes de metal, tintas ou Tabela 3: equações auxiliares
gasolina de vários graus. Uma meta do modelo é determinar
o mix ótimo de produtos finais que maximizará uma função = produção diária da gasolina
lucro adequada. Em alguns casos, a meta pode ser minimizar Produção comum + produção diária da gasolina pre-
uma função custo. diária da unidade mium + produção diária da gasolina super
misturadora = (x11 + x21) + (x12 + x22) + (x13 + x23)
4.1 - Refinação de óleo cru e mistura barris/dia
de gasolinas Alimenta-
ção diária de fração
Para exemplificar, usaremos um exercício resolvido = x11 + x12 + x13 barris/dia
para a unidade
de Taha (2008). A Petrobrazuca tem uma capacidade de misturadora
1.500.000 barris de óleo cru por dia. Entre os produtos
Alimenta-
finais da refinaria estão três tipos de gasolina sem chumbo,
ção diária da unida-
com diferentes octanagens (ON) = normal com ON = 87,
de de craqueamen- = x21 + x22 + x23 barris/dia
premium com ON = 89 e super com ON = 92. O processo
to para a unidade
de refinação abrange três estágios= 1) uma torre de destilação
misturadora
que produz fração (ON = 82) à razão de 0,2 barris por barris
de óleo cru; 2) uma unidade de craqueamento que produz Alimenta-
frações de gasolina (ON = 98) usando uma porção da fração ção diária da fração
= 2(x21 + x22 + x23) barris/dia
produzida na torre de destilação à taxa de 0,5 barris por para a unidade de
barris de fração; e 3) uma unidade misturadora que mistura a craqueamento
fração de gasolina da unidade de craqueamento com a fração Quan-
da torre de destilação. A empresa estima o lucro líquido por tidade diária de = 5(x11 + x12 + x13) + 10(x21 + x22 +
barril dos três tipos de gasolina em $ 6,70, $ 7,20 e $ 8,10, óleo cru usado na x23) barris/dia
respectivamente. A capacidade de entrada da unidade de refinaria
craqueamento e 200.000 barris de fração por dia. Os limites da
demanda para gasolina comum, premium e super, são 50.000, Fonte: adaptado de Taha (2008).

30.000 e 40.000 barris por dia. Desenvolva um modelo para

determinar a programação ótima de produção para a refinaria.
A Figura 3 resume os elementos do modelo.
Figura 3: Representação matemática da fábrica da
Petrobrazuca.
O objetivo do modelo é maximizar o lucro total resultante
da venda de todos os três tipos de gasolina. Pelas definições
dadas, obtemos
Maximizar z = 6,70(x11+ x21) + 7,20(x12 + x22) + 8,10(x13
+ x23)

As restrições do problema são desenvolvidas da seguinte

maneira

1. Fornecimento diário de óleo em não deve exceder

1.500.000 barris/dia:

5(x11 + x12 + x13) + 10(x21 + x22 + x23) ≤ 1.500.000

Fonte: Taha (2008).
As variáveis podem ser definidas em termos das duas
correntes de entrada para a unidade de mistura (fração e
gasolina craqueada) e dos três produtos finais. Seja
2. Capacidade de entrada da unidade de craqueamento
não deve exceder 200. 000 barris/dia:
2(x21 + x22 + x23) ≤ 200.000

xij. = barris/dia da corrente de entrada i usada para 3.  Demanda diária para gasolina comum não deve
exceder 50.000 barris/dia:
 31
x11 + x21 ≤ 50.000 Quantidade diária de gasolina comum = 50.000 barris/
dia
4. Demanda diária para gasolina premium não deve Quantidade diária de gasolina premium = 30.000 barris/
exceder 30.000 barris/dia: dia
Quantidade diária de gasolina super = 40.000 barris/dia
x12 + x22 ≤ 30.000

5. Demanda diária para gasolina super não deve Retomando a aula

exceder 40.000 barris/dia=

x13 + x23 ≤ 40.000

6. Octanagem para gasolina comum é no mínimo 87:
“A octanagem de uma gasolina (ON) é a média ponderada
das octanagens das correntes de entrada usadas no processo
de mistura e pode ser calculada como (TAHA, 2008).”
(ON da fração x barris/dia de fração + ON da unidade
de craqueamento x barris/dia da unidade de craqueamento) /
Total de barris/dia de gasolina comum
(82x11 + 98x21) / (x11 + x21) ≥ 87
A restrição é linearizada como
82x11 + 98x21 ≥ 87(x11 + x21)
Ao chegar ao final da terceira aula, vamos recordar o
que aprendemos:
01 - Modelagem em planejamento urbano
Nesta seção, vimos quais são os desafios da área de
planejamento urbano e, na sequência, um exemplo resolvido
de uma aplicação de planejamento urbano. Esse exemplo
resolvido serve de base para podermos aplicar a pesquisa
operacional em situações similares, usando a programação
linear para encontro das soluções ótimas.
02 - Modelagem em investimento

7. Octanagem para premium é no mínimo 89:
(82x12 + 98x22) / (x12 + x22) ≥ 89
A restrição é linearizada como
Similar à seção 01, aqui estudamos um modelo de
programação linear em um problema de investimento.
Através desse exemplo temos uma base de como identificar
as restrições e a função-objetivo mais adequada na hora de
montar nosso modelo de programação linear.

82x12 + 98x22 ≥ 89(x12 + x22) 03 - Programação linar e planejamento de produção

Nesta seção, abordamos dois exemplos de aplicação de

8. Octanagem para super é no mínimo 92:
programação linear em planejamento de produção. Em um
dos casos, temos um planejamento da produção em um único
(82x13 + 98x23) / (x13 + x23) ≥ 92
período e no outro temos o planejamento da produção em
vários períodos.
A restrição é linearizada como
04 – Probelma da mistura e refinação
82x13 + 98x23 ≥ 92(x13 + x23)
Por fim, nesta última seção, vimos um exemplo de
Assim, o modelo completo é resumido como problema da mistura. Ainda, vimos como montar as restrições
Maximizar z = 6,70(x11+ x21) + 7,20(x12 + x22) + 8,10(x13 e função objetivo nesse tipo de problema tão comum nas
+ x23) indústrias químicas e de alimentos.
Sujeito a:
5(x11 + x12 + x13) + 10(x21 + x22 + x23) ≤ 1.500.000 Vale a pena
2(x21 + x22 + x23) ≤ 200.000
x11 + x21 ≤ 50.000
x12 + x22 ≤ 30.000
x13 + x23 ≤ 40.000
82x11 + 98x21 ≥ 87(x11 + x21) Vale a pena ler
82x12 + 98x22 ≥ 89(x12 + x22)
Hillier, F.S. e Lieberman G.J., Introdução à Pesquisa
82x13 + 98x23 ≥ 92(x13 + x23)
Operacional, 8ª. edição. São Paulo: McGraw-Hill, 2006.
x11, x12, x13, x21, x22, x23 ≥ 0
Lachtermacher, G. Pesquisa operacional na tomada de
decisões, 5ª. edição. São Paulo: Prentice Hall, 2016.
Solução:
Taha, H. A. Pesquisa Operacional. 8ª edição. São Paulo:
Pearson, 2008.
Lucro diário = $ 875.000,00