Você está na página 1de 29

Pesquisa Operacional - Administrac ao de Empresas

Prof. Dr. Evandro Bittencourt


UNIVILLE
5 de marco de 2003
Sumario
1 Introducao 3
1.1 Denic ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Metodologia da Pesquisa Operacional . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Denic ao do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Desenvolvimento de um modelo matematico e aquisicao dos dados . . 3
1.2.3 Resoluc ao do modelo matematico . . . . . . . . . . . . . . . . . . . . 4
1.2.4 Valida cao, instrumentac ao e controle da solucao . . . . . . . . . . . . 4
1.3 Aplicac ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1

Areas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Ferramentas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Programacao Linear 4
2.1 Exemplos de problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Analise Graca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 Exerc

icios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 O problema de Programac ao linear . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Formulacao Generica . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Interpretac ao Economica . . . . . . . . . . . . . . . . . . . . . . . . . 12
3 O Metodo do Simplexo 13
3.1 Algoritmo Simplexo - Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Exerc

icios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Problemas Especiais de Formulacao . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.1 Formulacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.2 Diculdades Durante a Soluc ao pelo Metodo do Simplexo . . . . . . . 16
3.4 Metodo do Simplexo - Fase I/Fase II . . . . . . . . . . . . . . . . . . . . . . 16
3.4.1 Procedimento para a Fase I . . . . . . . . . . . . . . . . . . . . . . . 16
3.4.2 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4 Analise de Sensibilidade 18
4.1 Introduc ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.1 Varia cao na Func ao Objetivo . . . . . . . . . . . . . . . . . . . . . . 18
4.2.2 Varia cao na Quantidade de Recursos Escassos . . . . . . . . . . . . . 19
1
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 2
4.2.3 Preco Sombra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.3 Exerccio - Problema - Alocac ao de Recursos . . . . . . . . . . . . . . . . . . 21
5 Solver 23
5.1 Introduc ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6 Pert - Redes de Precedencia 25
6.1 Denic oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
6.2 Redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
6.3 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
6.4 Formac ao de Redes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
7 Otimimizacao Nao-Linear 29
7.1 Func ao de uma variavel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
7.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 3
1 Introducao
1.1 Denicao

E uma metodologia de estruturar processos aparentemente nao estruturados por meio da


construcao de modelos. Utiliza um conjunto de tecnicas quantitativsas com o intuito de
resolver os aspectos matematicos dos modelos. (Pierre Jacques Ehrlich)
Aplicacao do Metodo Cient

ico, por equipes interdisciplinares a problemas que dizem res-


peito ao controle de seistema organizados (homem-maquina), com a nalidade de obter as
solucoes que melhor satisfacam aos objetivos da organizacao, como um todo. (Joao Vitor
Moccelin)
1.2 Metodologia da Pesquisa Operacional
Denicao do
Problema
Desenvolvimento de um
modelo matematico e
aquisic ao dos dados
Resolucao do
modelo
matematico
Solucao
Modicacoes no
modelo
?

?
Soluc ao
valida?
Implementacao

nao
sim
6
?
- -
1.2.1 Denicao do Problema
Identicar;
Comprender;
Descrever.
1.2.2 Desenvolvimento de um modelo matematico e aquisicao dos dados
Denir as vari aveis de decisao (vari aveis);
Fun cao Objetivo;
Restric oes.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 4
1.2.3 Resolucao do modelo matematico
Metodos

Otimos;
Metodos Heursticos.
1.2.4 Validacao, instrumentacao e controle da solucao
1.3 Aplicacao
Aplica-se na selec ao de alternativas, buscando a maximizac ao do lucro ou minimizac ao de
custo (geralmente).
1.3.1

Areas
Processos de producao
Processos de Fluxo (transporte)
Financas
Marketing (participacao no mercado)
Misturas (alimentos, ligas, misturas qu

imicas)
1.3.2 Ferramentas
Matematica
Analise de sistemas
Estat

istica
2 Programacao Linear
2.1 Exemplos de problemas
1. Um fabricante deseja maximizar a receita bruta. A tabela ilustra as composicoes das
ligas metalicas, seus precos e as limitac oes na disponibilidade de materia prima.
Atividades Liga Tipo Liga Tipo Materia Prima
Itens A B Dispon

ivel
Cobre 2 1 16
Zinco 1 2 11
Chumbo 1 3 15
Preco unitario de R$30 R$50
venda
Decisoes: Quantidade de Liga A (x
a
)
Quantidade de Liga B (x
b
)
Receita = Z
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 5
Func ao Objetivo
Maximizar Z= 30.x
a
+ 50.x
b
Restric oes
Sujeito A 2x
a
+ x
b
16 (para o cobre)
x
a
+ 2.x
b
11 (para o zinco)
x
a
+ 3.x
b
15 (para o chumbo)
Restric oes de nao x
a
0
Negatividade x
b
0
(Nao podemos fabricar quantidade negativa de liga)
2. Um fazendeiro tem que decidir o quanto vai plantar de milho e de alfafa. Os lucros sao
de R$2.000 por alqueire de milho e de R$1.000 por alqueire de alfafa. Suponha que
suas limitac oes sejam: terra dispon

ivel = 8 alqueires; agua dispon

ivel para irrigac ao =


80.000 litros; deseja plantar no maximo 4 alqueires de milho; cada alqueire de milho
requerera 10.000 litros de agua para irrigac ao; cada alqueire de alfafa requerera 20.000
litros de agua para irrigac ao.
3. Sabe-se que os alimentos, leite, carne e ovos fornecem as quantidades de vitaminas
dadas pela tabela.
Vitaminas Leite (litro) Carne (kg) Ovos(d uzia) Quantidade
diaria m

inima
A 0,25 mg 2 mg 10 mg 1 mg
B 25 mg 20 mg 10 mg 50 mg
C 2,5 mg 200 mg 10 mg 10 mg
Custo unitario R$2,2 R$17,0 R$4,2
Deseja-se calcular quais as quantidades de leite, carne e ovos a m de satisfazer as
quantidades diarias m

inimas de nutrientes (vitaminas) a um custo m

inimo.
4. Uma fabrica utiliza dois tipos de insumo: - A a um custo unitario C
A
e com uma
quantidade maxima dispon

ivel N
A
.
- B a um custo unitario C
B
e com uma quantidade maxima dispon

ivel N
B
.
Estes insumos podem ser processados pelos Processos I, II ou III a um custo operacional
nulo. Serao produzidos os produtos , , , que alcancaram precos de venda P

,
P

, P

, respectivamente (precos unitarios).


- Uma unidade de A processada em I produz, simultaneamente 5 e 1;
- Uma unidade de A junto com duas unidades de B conjuntamente processadas em II
produz, simultaneamente 3, 9 e 8;
- Uma unidade de B processada em III produz simultaneamente 1, 4, 1.
Formule o problema como programac ao linear de modo a maximizar o lucro.
5. Um jovem estava sainda com duas namoradas: Maria e Lu

isa. Sabe, por experiencia,


que:
(a) Maria, elegante, gosta de freq uentar lugares sosticados, mais caros, de modo que
uma sa

ida de tres horas custara 80 reais;


Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 6
(b) Lu

isa, mais simples, prefere um divertimento mais popular, de modo que, uma
sa

ida de tres horas custara 55 reais;


(c) seu orcamento permite dispor de 330 reais mensais para divers ao;
(d) seus afazeres escolares lhe dao liberdade de, no maximo, 18 horas e 40.000 calorias
de sua energia para atividades sociais;
(e) cada sa

ida com Maria consome 5.000 calorias, mas com L

isa, mais alegre e extro-


vertida, gasta o dobro;
(f) ele gosta das duas com a mesma intensidade.
Como deve planejar sua vida social para obter o n umero maximo de sa

idas? Formule
o problema.
6. Devido ao n umero incostante de passageiros, uma companhia de onibus necessita um
n umero variado de motoristas dependendo do horario considerado. A tabela a seguir
especica a quantidade de motoristas necessarios.
Horario Quantidade de
motoristas
1 as 5 horas 15
5 as 9 horas 30
9 as 13 horas 26
13 as 17 horas 32
17 as 21 horas 30
21 as 1 horas 19
Considerando que cada motorista trabalha 8 horas seguidas e que o servico pode ser
iniciado as 1, 5, 9, 13, 17 ou 21 horas, elaborar um plano de trabalho para os motoristas,
de modo que o n umero destes seja m

inimo.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 7
7. A companhia ALT-M produz moveis de escritorio que, por questoes de marketing,
agrupou em tres conjuntos basicos cujos modelos sao: ALFA, BETA E GAMA.
O parque de produc ao da empresa e de porte medio e bem dimensionado para
o nvel de producao que ela tem conseguido colocar no mercado. Ultimamente, no en-
tanto, a demanda tem crescido, o que levou a gerencia a encomendar um planejamento
de produc ao mensal, com a nalidade de determinar os possveis estrangulamentos na
linha de produc ao e analisar algumas alternativas de correcao.
Inicialmente, o prossional encarregado do planejamento analisou o sistema de
producao e determinou que apemas mao-de-obra e a madeira poderiam ser os recursos
limitativos da produc ao. Os demais insumos que a empresa utiliza sao encontr aveis
com facilidade no mercado, ja que existem varios fornecedores, alem do fato de que
a empresa possui capacidade suciente de estocagem. Assim, a analise se concentrou
apenas nesses dois recursos.
A empresa possui a seguinte disponibilidade total desses dois recursos:
mao-de-obra: 3.520 H.h.
estoque de madeira: 10.000 m
2
por mes.
O processo de fabricacao de moveis requer 5 fases, realizadas em sec oes es-
peccas, conforme mostra o uxograma (a lista) que se segue. O uxograma (a lista)
tambem indica a capacidade de produc ao disponvel em cada fase, em func ao da mao-
de-obra e dos equipamentos e ferramentas existentes.
Essa capacidade de cada sec ao corresponde `a alocac ao anterior de mao-de-obra
e sera avaliada ao longo desse estudo de caso. Para simplicar o caso, vamos consi-
derar que, quando houver necessidade de transferir um funcionario de uma secao para
outra, isso correspondera a transferencia de modulos de 44 H.h (1 semana de trabalho).
PROCESSO DE FABRICAC

AO E ALOCAC

AO INICIAL DE M

AO-DE-
OBRA
(a) Corte 704 H.h.
(b) Preparac ao 1232 H.h.
(c) Montagem 704 H.h.
(d) Pintura 528 H.h.
(e) Embalagem 352 H.h.
O objetivo da gerencia e desenvolver um estudo de planejamento da producao
da empresa de forma a otimizar sua capacidade produtiva.
Para atingir esse objetivo, o encarregado do planejamento escolheu como tecnica
de trabalho o desenvolvimento de um modelo de Programac ao Linear de forma que ele
pudesse encontrar a alocac ao ideal de mao-de-obra e da madeira. Como criterio para
medir a idealidade da alocac ao, ele escolheu a margem de contribuic ao a cada pro-
duto para o lucro total.
Apos a escolha do criterio de decisao, ele passou a examinar o processo de
fabricac ao de cada um dos conjuntos que, em face das diferencas de design, exige
quantidades diferentes de cada recurso. Uma vez de posse do projeto do produto e,
apos medicoes in loco, foi facil obter os coecientes de utilizac ao unitaria de recurso,
conforme mostra a Tabela ??.
Alem disso, sao conhecidos os custos unitarios dos recursos, conforme mostra
a Tabela ??.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 8
Recursos Conjunto Conjunto Conjunto Alocac ao Inicial de
Alfa Beta Gama Recurso Por Sec ao
Corte 0,4 0,3 0,3 704 H.h.
Preparacao 0,8 0,4 0,6 1.232 H.h.
Montagem 0,25 0,4 0,4 704 H.h.
Pintura 0,2 0,2 0,2 528 H.h.
Embalagem 0,06 0,1 0,05 352 H.h.
Madeira 3 4,5 6 10.000 m
2
Tabela 1: Utilizacao unitaria de recursos para fabricac ao dos conjuntos
Recurso Custo Unitario
Corte 2,40
Preparacao 3,50
Montagem 2,20
Pintura 2,50
Embalagem 2,00
Madeira 6,50
Tabela 2: Custos Unitarios de Recursos
Obs.: Mao-de-Obra: Custo horario proprio, encargos e custo de operac ao das maquinas (R$/H.h).
Madeira: Custo por m
2
(R$/m
2
).
Conhecendo os precos de venda dos produtos, pode-se calcular a contribuic ao
unitaria (preco de venda menos custos vari aveis de producao) de cada um, conforme
mostra a Tabela ??.
Conjunto Contribui cao Unitaria (R$)
Alfa 21,00
Beta 19,50
Gama 22,00
Tabela 3: Contribui coes marginais dos conjuntos
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 9
8. Uma empresa tem tres tipos de maquinas na sua linha de producao, tendo cada uma
delas velocidade e precisao diferente. A maquina do tipo 1 produz 20 pecas por hora
com 99% de precisao. A maquina do tipo 2 produz 15 pecas por hora com 95% de
precisao. E a maquina do tipo 3 produz 10 pecas por hora com 100% de precisao.
A maquina do tipo 1 custa R$2,00 por hora de operacao, o tipo 2 custa R$1,75 por
hora de operacao e o tipo 3 custa R$1,50 por hora de operac ao. A empresa possui 15
operadores xos disponveis para as maquinas 1 e 2, e todos devem ser utilizados, os
outros serao contratados temporariamente. Devem ser processados por dia pelo menos
3.500 pecas (dia de 8 horas), mas so se dispoe de 8 maquinas do tipo 1, dez maquinas
do tipo 2 e 20 maquinas do tipo 3. Cada peca errada custa R$1,00.
Pergunta-se:
(a) Quantas maquinas de cada tipo devem ser usadas para minimizar o custo.
(b) Qual o benefcio marginal no custo no caso da:
aquisic ao de mais uma maquina do tipo 1.
aquisic ao de mais uma maquina do tipo 2.
aquisic ao de mais uma maquina do tipo 3.
diminuic ao na produc ao de 8 pecas por dia.
demissao de um operador xo.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 10
2.2 Analise Graca
2.2.1 Exemplo
Max. Z= 30.x
a
+ 50.x
b
Sujeito A 2x
a
+ x
b
16 (para o cobre)
x
a
+ 2.x
b
11 (para o zinco)
x
a
+ 3.x
b
15 (para o chumbo)
x
a
0
x
b
0
-
6
0 5 10 15 x
b
5
10
15
x
a
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
B
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H
H H
H
H
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A
A

chumbo

cobre
d
d
d
d
d
zinco

ponto otimo
d
d
d
d
d
regiao de
aceitacao
g
2.2.2 Exerc

icios
1. Resolva gracamente, mostrando a regiao de pontos viaveis (regiao de aceitac ao), in-
dicando o ponto otimo.
Max. Z= 10.x + 15.y
Sujeito A x + y 12
2.x + 5.y 40
x 2
x 8
y 1
2. Resolva gracamente o problema de Programacao Linear.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 11
Max. Z= 2.x
1
+ x
2
Sujeito A x
1
+ 4.x
2
24
x
1
+ 2.x
2
14
2.x
1
x
2
8
x
1
x
2
3
x
1
0
x
2
0
3. Resolva gracamente
Min. Z= x
1
+ 2.x
2
Sujeito A x
1
+ x
2
1
6.x
1
+ 4.x
2
24
x
1
0
x
2
2
4. Resolva gracamente
Min. Z= 2.x
1
+ x
2
Sujeito A 4.x
1
5.x
2
40
5.x
1
+ 8.x
2
40
9.x
1
6.x
2
0
x
1
0
x
2
2
2.3 O problema de Programacao linear
A representacao graca se aplica nos casos bem mais simples de apenas duas variaveis de
decisao (x
1
, x
2
), em geral o n umero de vari aveis e muito maior, o que impossibilita visuali-
zacoes gracas.
Ao estruturarmos um problema sob a forma de um modelo matematico, o intuito e o de
nos ajudar no processo de decisao: que atividade empreender e o quanto de cada uma, a m
de satisfazer de um dado objetivo.
Programacao Linear e uma ferramenta de planejamento que nos ajuda a selecionar que
atividades (vari aveis de decisao) empreender, dado que essas atividades (diversas alternati-
vas) competem entre si pela utilizacao de recursos escassos (restricoes) ou entao precisam
satisfazer certos requisitos m

inimos. O objetivo sera maximizar (ou minimizar) uma funcao


das atividades, geralmente lucros (perdas).
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 12
2.3.1 Formulacao Generica
Fun cao Objetivo
Maximizar Z= c
1
.x
1
+ c
2
.x
2
+ + c
n
.x
n
Restric oes Principais
Sujeito A a
11
.x
1
+ a
12
.x
2
+ + a
1n
.x
n
_

b
1
a
21
.x
1
+ a
22
.x
2
+ + a
2n
.x
n
_

b
2
. . . . . . . . .
a
m1
.x
1
+ a
m2
.x
2
+ + a
mn
.x
n
_

b
m
onde b
i
0 para i=1,. . . , m
Restric oes de nao Negatividade
x
1
0, x
2
0, . . . . . . , x
n
0
O problema resume-se na maximizacao (ou minimizac ao) de uma func ao objetivo, sujeita a
restricoes tambem lineares.
2.3.2 Interpretacao Economica
n sao as atividades que competem sendo x
1
, . . . . . . , x
n
seus n

iveis de atividade.
c
j
e o aumento de Z por unidade de atividade j.
m sao os recursos escassos cujos n

iveis sao b
1
, . . . . . . , b
m
.
a
ij
e o quanto de recurso i e consumido pela atividade j.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 13
3 O Metodo do Simplexo
O Metodo do simplexo e um algoritmo iterativo convergente, que pesquisa os vertices do
poliedro de restric oes, passando, em cada iterac ao f de um vertice para outro vertice com
valor associada nao pior que o anterior. Em um n umero nito de iteracoes, o algoritmo
fornece.
- A solucao otima
- A indicacao da inexistencia da solucao
O Metodo do Simplexo explora o fato de o maximo, ou o m

inimo da func ao objetiva, ocorrer


num vertice do poliedro convexo de restric oes.
3.1 Algoritmo Simplexo - Exemplo
Max. Z= 30.x
1
+ 50.x
2
Sujeito A 2x
1
+ x
2
16
x
1
+ 2.x
2
11
x
1
+ 3.x
2
15
x
1
0
x
2
0
Forma padrao para escrever os dados
Atividades x Vari avel de Folgas b
A (coecientes das restric oes) I(matriz b(coecientes)
identidade) independentes)
-c (coecientes da funcao objetiva) 0 0
1
o
Tableau
Atividades Folgas
x
1
x
2
y
1
y
2
y
3
b
2 1 1 0 0 16
1 2 0 1 0 11
1 3 0 0 1 15
-30 -50 0 0 0 0

_
mais negativo d
ds
16
1
11
2
15
3
menor relacao
T
Procedimento:
1. Selecionar a coluna j com o valor mais negativo;
2. Ache, para todas as linha i, a menor relacao
b
i
a
ij
com a
ij
> 0: O valor de a
ij
assim
escolhido sera o pivo.
3. Agora proceda a operacao-piv o, que torna o coeciente da x
ij
igual a 1 e todos os
outros coecientes da coluna j nulos.
(a) divida a linha i por a
ij
.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 14
(b) em todas as outras linhas de r, para cada elemento da coluna k, calcular a
rk
=
a
rk

a
ij
a
ik
.a
rj
.
(c) fazer o calculo do item b tambem para a lilha c.
4. Repita as etapas 1,2,3 ate que nao haja mais valores negativos na ultima linha c.
2
o
Tableau
Atividades Folgas
x
1
x
2
y
1
y
2
y
3
b
5/3 0 1 0 1/3 11
1/3 0 0 1 2/3 1
1/3 1 0 0 1/3 5
40/3 0 0 0 50/3 250
`
_
3
o
Tableau
Atividades Folgas
x
1
x
2
y
1
y
2
y
3
b
0 0 1 -5 3 6
1 0 0 3 2 3
0 1 0 -1 1 4
0 0 0 40 10 290

_
4
o
Tableau
Atividades Folgas
x
1
x
2
y
1
y
2
y
3
b
0 0 1/3 -5/3 1 2
1 0 2/3 -1/3 0 7
0 1 -1/3 2/3 0 2
0 0 10/3 70/3 0 310
Resultados
Z = 310
x
1
= 7
x
2
= 2
x
3
= 0
y
1
= 0
y
2
= 0
y
3
= 2
3.2 Exerc

icios
1. Resolva pelo Simplexo:
Max. Z= 2.x
1
+ x
2
Sujeito A x
1
+ x
2
5
x
1
+ 2.x
2
8
x
1
4
x
1
0
x
2
0
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 15
2. Resolva pelo Simplexo:
Max. Z = 7.x
1
+ 3.x
2
+ 2.x
3
Sujeito A 5.x
1
+ 2.x
2
+ 2.x
3
19
2.x
1
+ x
2
+ 2.x
3
8
x
1
0
x
2
0
x
3
0
3. Resolva pelo Simplexo:
Max. Z = 2.x
1
+ 5.x
2
+ 7.x
3
Sujeito A x
1
+ 3.x
2
+ 6.x
3
12
2.x
1
+ 3.x
2
9
x
3
2
x
1
0
x
2
0
x
3
0
4. Resolva pelo Simplexo:
Min. Z = x
1
+ 2x
2
x
3
Sujeito A x
1
+ x
2
4x
3
30
2x
1
x
2
+ 2x
3
10
x
1
0
x
2
0
x
3
0
3.3 Problemas Especiais de Formulacao
3.3.1 Formulacao
1. Conversao de M

inimizar para Maximizar na Funcao Objetivo:


O Simplexo, resolve apenas problemas de maximizac ao. Devemos converter os proble-
mas de minimizac ao, fazendo: Max(Z

) = Min(Z), onde Z

= Z
2. x
j
livre:
Uma variavel e livre quando nao tem condicoes de nao negatividade.
Resolve-se introduzindo as vari aveis x

j
e x

j
.
Com
x
j
= x

j
x

j
x

j
0
x

j
0
E resolvendo o problema nas novas variaveis.
Exemplo
Max. Z= 4.x
1
+ x
2
+ 3.x
3
Sujeito A x
1
2.x
2
+ x
3
= 20
x
1
+ 5.x
2
2.x
3
50
x
1
0
x
2
0
x
3
livre
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 16
3.3.2 Diculdades Durante a Solucao pelo Metodo do Simplexo
1. Empate para decidir qual a variavel que deve entrar na base, isto e c
j
= c
k
.
Escolha arbitrariamente qualquer um dos dois. De qualquer modo, o otimo sera atin-
gido. Nao podemos, entretanto, garantir, a priori, qual a melhor escolha do ponto de
vista de terminar o problema em um menor n umero de iteracoes.
2. Empate para sair da Base
A degenerescencia vai resultar em que uma vari avel basica sera nula no Tableau se-
guinte. Do ponto de vista geometrico, isto corresponde a ativar duas restric oes simul-
taneamente.
Decida arbitrariamente. O Tableau seguinte tera a outra variavel candidata a base
igual a zero. Se a variavel escolhida for a seguinte a deixar a base, o valor da funcao
objetiva nao mudara nesta iteracao. Pode resultar em circuito vicioso.
Exemplo: Caso de degenerescencia
Primeiro Tableau
x
1
x
2
x
3
x
4
x
5
b
1 0 1 0 0 4
0 1 0 1 0 6
3 2 0 0 1 12
-3 -5 0 0 0 0
No empate para sair da base, escolha a segunda linha
3.4 Metodo do Simplexo - Fase I/Fase II
O Metodo do Simplexo requer uma solucao basica ja no primeiro Tableau.
Quando existem restricoes do tipo = ou , nao teremos uma solucao inicial.
A resoluc ao pelo Simplexo e feita entao em duas fases.
A Fase I encontrar a (se poss

ivel) a soluc ao inicial e a Fase II termina de otimizar o va-


lor da funcao objetiva.
Se a Fase I nao encontrar uma soluc ao inicial, poderemos concluir que nao existe solucao.
A Fase II e exatamente aquela que nos ja estudamos.
3.4.1 Procedimento para a Fase I
1. Alem das variaveis de folga, serao introduzidas vari aveis articiais, da seguinte maneira:
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 17
sinal variavel de folga variavel articial
+
+
= +
2. Escreva o tableau inicial incluindo a linha Z.
3. Adicione mais uma linha no tableau inicial, a linha W.
Preencha a linha Z, somando os coecientes das linhas superiores que tenham variavel
articial e trocando o sinal do resultado. Faca isto nas colunas das variaveis normais,
de folga e na coluna b. Nas colunas das variaveis articiais inclua zero.
4. Aplique o algoritmo simplexo, tomando como base de decisao para quem deve entrar
na base a linha W.
5. Quando a Fase I terminar, ou seja, quando na linha W nao mais tiver n umeros nega-
tivos, e a coluna b estiver zerada, a Fase I teve sucesso.
6. Para a Fase II, elimine a linha W, e as colunas das vari aveis articiais.
7. O primeiro Tableau da Fase II, podera ja ser o Tableau Final.
3.4.2 Exemplo
Max. Z= x
1
6.x
2
+ 7.x
3
x
4
5.x
5
Sujeito A 5.x
1
4.x
2
+ 13.x
3
2.x
4
+ x
5
20
x
1
x
2
+ x
3
x
4
+ x
5
= 8
2.x
1
+ x
2
x
3
+ 4.x
4
15
x
1
0
x
2
0
x
3
0
x
4
0
x
5
0
Primeiro Tableau - Fase I
x
1
x
2
x
3
x
4
x
5
x
6
x
7
y
1
y
2
b
5 -4 +13 -2 1 -1 0 1 0 20
1 -1 1 -1 1 0 0 0 1 8
2 1 -1 4 0 0 1 0 0 15
1 6 -7 1 5 0 0 0 0 0
-6 5 -14 3 -2 1 0 0 0 -28
3.4.3 Exerccios
1. Resolva pelo Simplexo Fase I/Fase II:
Max. Z= 2.x
1
+ x
2
+ x
3
Sujeito A 3.x
1
+ 4.x
2
+ x
3
= 5
x
1
+ x
2
+ 2.x
3
= 3
x
1
0
x
2
0
x
3
0
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 18
4 Analise de Sensibilidade
4.1 Introducao
A resposta nal de um problema de Programacao Linear, muitas vezes, tem valor limitada.
Alem da simples resposta do valor das variaveis, devemos saber o que acontece com elas, se
existir variacoes nos coecientes dados no problema original.
Muitas vezes queremos saber, quanto podemos variar nos coecientes da func ao objetiva
e na quantidade de recursos escassos de maneira que aquela resposta nal otimizada (as
alternativas que devemos usar) nao sera modicada.
A analise de sensibilidade e feita de maneira muito facil, analisando os dados do primei-
ro e ultimo Tableau.
4.2 Exemplo
Primeiro Tableau
x
1
x
2
x
3
x
4
x
5
x
6
x
7
b
1 1 1 1 1 0 0 35
1 4 2 2 0 1 0 80
2 3 6 1 0 0 1 90
-5 -4 -6 8 0 0 0 0

Ultimo Tableau
x
1
x
2
x
3
x
4
x
5
x
6
x
7
b
1 3/4 0 5/4 3/2 0 -1/4 30
0 11/4 0 5/4 -1/2 1 -1/4 40
0 1/4 1 -1/4 -1/2 0 1/4 5
0 5/4 0 51/4 9/2 0 1/4 180
4.2.1 Variacao na Funcao Objetivo
a) Decrescimo em c
j
para x
j
nao basico
Se a vari avel x
j
nao e basica, diminuir o coeciente da funcao objetiva c
j
torna a
atividade menos atrativa ainda. Ent ao nao temos limite para este decrescimo.
Decrescimo em c
j
para x
j
nao basico sem limite
No exemplo dado, o decrescimo nao tem limite em 4, coeciente de x
2
e em 8, coeciente
de x
4
.
b) Acrescimo em c
j
para x
j
nao basico
No ultimo Tableau, na linha de custo reduzido, podemos notar valores positivos para
as vari aveis nao basicas (x
2
e x
4
). Se estes valores fossem negativos, o processo de
otimizac ao continuaria, e estas variaveis seriam candidatas a entrar na base.
Para que isto aconte ca, basta aumentar o valor inicial do coeciente c
j
, exatamente no
valor encontrado no ultimo Tableau.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 19
Acrescimo em c
j
para x
j
nao basico limite no ultimo Tableau
No exemplo dado, o limite para acrescimo de 4, coeciente de x
2
e 5/4, e para o 8,
coeciente de x
4
e 51/4.
c) Acrescimo e Decrescimo cm c
j
para x
j
basico
Para conhecer estes limites, vamos acrescer o coeciente da funcao objetiva de um
valor generico . A partir disso vamos simular a ultima linha de custo reduzido do
ultimo Tableau, fazendo:
Z

= Z + .x
1
Da ultima linha do ultimo Tableau
Z = 180 5/4.x
2
51/4.x
4
9/2.x
5
1/4.x
7
Da primeira linha do ultimo Tableau
x
1
= 30 3/4.x
2
5/4.x
4
3/2.x
5
+ 1/4.x
7
Z

= (180 + 30.) (5/4 + 3/4.).x


2
(51/4 + 5/4.).x
4
(9/2 + 3/2.).x
5
(1/4 1/4.).x
7
Os coecientes que acompanham as vari aveis na func ao Z devem permanecer positivos.
Portanto o limite da variacao do coeciente que acompanham as vari aveis e zero. Ent ao
fazemos:
5/4 + 3/4. 0 5/3
51/4 + 5/4. 0 51/5
9/2 + 3/2. 0 3
1/4 1/4. 0 1
Os limites, para acrescimo e decrescimo sao os mais apertados. Portanto:
Limite para acrescimo em c
1
1
Limite para decrescimo em c
1
5/3
Para obter os limites para c
3
procedemos de maneira similar.
4.2.2 Variacao na Quantidade de Recursos Escassos
a) Acrescimo em b
i
para restric ao com folga
Se o recurso escasso tem folga, um aumento na sua quantidade so vai aumentar o
valor nal da folga. Portanto, nao existe limite para acrescimo.
Acrescimo em b
i
para restric ao com folga sem limite
No exemplo, nao existe limite para acrescimo para b
2
.
b) Decrescimo em b
i
para restric ao com folga
Se o recurso escasso tem folga, o limite para decrescimo na sua quantidade e a propria
folga.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 20
Decrescimo em b
i
para restric ao com folga o limite e o valor da folga
No exemplo, o limite para decrescimo para b
2
e 40.
c) Acrescimo e decrescimo em b
i
para restric ao sem folga
Vamos simular um acrescimo generico no valor de b
i
estudado.
No exemplo vamos simular b
1
igual a 35+.
Ent ao temos a coluna b como sendo:
_
_
_
_
35 +
80
90
_
_
_
_
Que pode ser reescrita como:
_
_
_
_
35
80
90
_
_
_
_
+
_
_
_
_
1
0
0
_
_
_
_
.
No ultimo Tableau as colunas se transformam em:
_
_
_
_
30
40
5
_
_
_
_
+
_
_
_
_
3/2
1/2
1/2
_
_
_
_
.
Os valores das vari aveis basicas passam a ser:
_

_
x
1
= 30 +
3
2
.
x
6
= 40
1
2
.
x
3
= 5
1
2
.
Como os valores da coluna b nunca podem assumir valores negativos, temos os limites
para sendo impostos desta maneira:
_

_
30 +
3
2
. 0
40
1
2
. 0
5
1
2
. 0

20
80
10
Os limites, para acrescimo e decrescimo sao os mais apertados. Portanto:
Limite para acrescimo em b
1
10
Limite para decrescimo em b
1
20
Para obter os limites para b
3
procedemos de maneira similar.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 21
4.2.3 Pre co Sombra
Quanto efetuamos um acrescimo de uma unidade numa quantidade de Recurso Escasso que
nao tenha folga, vamos ter um acrescimo correspondente no valor do Z maximo. Este valor
e chamado de preco Sombra ou benef

icio marginal deste recurso escasso.


Podemos identicar o preco sombra para cada quantidade de recurso escasso diretamente no
ultimo Tableau, na linha linha de custo reduzido, na coluna da vari avel de folga correspon-
dente.
Preco Sombra para b
i
ultimo Tableau
No exemplo temos, o preco sombra para b
1
igual a 9/2, o preco sombra para b
3
igual a 1/4
e o preco sombra para b
2
igual a 0 pois o recurso escasso tem folga e nao obtemos nenhum
benef

icio aumentando a sua quantidade.


4.3 Exerccio - Problema - Alocacao de Recursos
Dados Iniciais
Itens em Producao
Conjunto ALFA Conjunto BETA Conjunto GAMA
Disponibilidade de Recursos
mao-de-obra: 3520 H.h. por mes
estoque de madeira: 10.000 m
2
por mes
Processo de Fabricacao
e Alocacao Inicial de Mao-De-Obra
a) Corte 704 H.h.
b) Preparacao 1232 H.h.
c) Montagem 704 H.h.
d) Pintura 528 H.h.
e) Embalagem 352 H.h.
Utilizacao Unitaria dos Recursos
Recursos Conjunto Conjunto Conjunto Alocacao Inicial Realocac ao
Alfa Beta Gama Recurso/Sec ao de Recurso
Corte 0,4 0,3 0,3 704 H.h. 704 H.h.
Preparacao 0,8 0,4 0,6 1.232 H.h. 1.364 H.h.
Montagem 0,25 0,4 0,4 704 H.h. 704 H.h.
Pintura 0,2 0,2 0,2 528 H.h. 484 H.h.
Embalagem 0,06 0,1 0,05 352 H.h. 264 H.h.
Madeira 3 4,5 6 10.000 m
2
Contribuicao Unitaria
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 22
Conjunto Contribui cao Unitaria (R$)
Alfa 21,00
Beta 19,50
Gama 22,00
Modelagem
Variaveis de Decisao
x
1
= n umero de conjuntos ALFA
x
2
= n umero de conjuntos BETA
x
3
= n umero de conjuntos GAMA
Funcao Objetivo (maximizar o lucro)
Max. Z = 21.x
1
+ 19, 5.x
2
+ 22.x
3
Restricoes (condicoes devido aos recursos escassos)
0, 4.x
1
+0, 3.x
2
+0, 3.x
3
704 (corte)
0, 8.x
1
+0, 4.x
2
+0, 6.x
3
1.232 (preparac ao)
0, 25.x
1
+0, 4.x
2
+0, 4.x
3
704 (montagem)
0, 2.x
1
+0, 2.x
2
+0, 2.x
3
528 (pintura)
0, 06.x
1
+0, 1.x
2
+0, 05.x
3
352 (embalagem)
3.x
1
+4, 5.x
2
+6.x
3
10.000 (madeira)
x
1
0 x
2
0 x
3
0
Primeiro Tableau
1 0.350 0.400 0.300 1.000 0.000 0.000 0.000 0.000 0.000 704.000
2 0.450 0.300 0.400 0.000 1.000 0.000 0.000 0.000 0.000 1232.000
3 0.350 0.350 0.400 0.000 0.000 1.000 0.000 0.000 0.000 704.000
4 0.350 0.450 0.200 0.000 0.000 0.000 1.000 0.000 0.000 528.000
5 0.070 0.110 0.040 0.000 0.000 0.000 0.000 1.000 0.000 352.000
6 3.000 4.500 6.000 0.000 0.000 0.000 0.000 0.000 1.000 10000.000
Z -19.000 -20.000 -23.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Ultimo Tableau
1 0.000 0.000 0.000 1.000 0.000 -0.500 -0.500 0.000 -0.000 88.000
2 0.000 0.000 0.000 0.000 1.000 -2.308 0.385 0.000 0.074 554.051
3 1.000 0.000 0.000 0.000 0.000 9.231 -1.539 0.000 -0.564 45.129
4 0.000 1.000 0.000 0.000 0.000 -7.692 4.615 0.000 0.359 611.282
5 0.000 0.000 0.000 0.000 0.000 0.154 -0.292 1.000 -0.007 234.174
6 0.000 0.000 1.000 0.000 0.000 1.154 -2.692 0.000 0.179 1185.641
Z 0.000 0.000 0.000 0.000 0.000 48.077 1.154 0.000 0.590 40352.820
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 23
5 Solver
5.1 Introducao
O Solver e um modulo do Excel que permite-nos de uma forma muito simples e rapida
obter soluc oes para problemas de programacao linear.
5.2 Exemplo
Como exemplo, vamos resolver o exerccio envolvendo a companhia ALT-M que produz
moveis de escritorio que, por questoes de marketing, agrupou em tres conjuntos basicos
cujos modelos sao: ALFA, BETA E GAMA. Exerccio resolvido e analisado em sala.
Em geral o modulo Solver nao esta disponvel no arranque do Excel. Devemos ativa-lo
no menu Ferramentas - Suplementos. Para rodar o modulo Solver selecione a func ao
Solver no menu Ferramentas.
Organize as informac oes pertinentes da melhor forma possvel em uma planilha.
(Exemplo: ultima folha).
reserve uma celula para a formula do calculo de Z (E17)(=B18*B5+C18*C5+D18*D5)
calcule os recursos escassos consumidos (coluna E linhas 9 a 14)
(E9 =B9*B5+C9*C5+D9*D5)
(E10 =B10*B5+C10*C5+D10*D5)
(E11 =B11*B5+C11*C5+D11*D5)
(E12 =B12*B5+C12*C5+D12*D5)
(E13 =B13*B5+C13*C5+D13*D5)
(E14 =B14*B5+C14*C5+D14*D5)
rode o Solver
no parametro Denir celula destino (conforme gura acima) coloque a celula reser-
vada para o Z ($E$18).
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 24
no parametro Celulas variaveis coloque as celulas das variaveis de decisao ($B$5:$D$5)
no parametro Submeter `as restricoes coloque as restric oes usando Adicionar.
no parametro Opc oes marque conforme Figura abaixo.
aplique Resolver
aplique Continuar ate
marque Resposta, Sensibilidade, Limites e OK.
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 25
6 Pert - Redes de Precedencia
6.1 Denicoes
Redes de Precedencia:
atividades do projeto
sequencia temporal
obedecer restricoes
Redes de Precedencia: Uma vez denidas as atividades do projeto e suas respectivas
durac oes deve-se empreender a montagem destas atividades em um sequencia temporal,
de maneira racional, exeq uvel e efeciente, de forma a dispo-las na melhor ordem para
o projeto. Esta montagem deve obedecer `a restricoes de precedencia, conitos de
recursos, uxos de recursos e janelas de oportunidades. Existem diversas tecnicas para
elaboracao destas redes como PERT, P-PERT, PERT-Custo, GERT, CPM, PDM e
Corrente Crtica.
CPM - Critical Path Method.
PERT - Program Evaluation and Review Technique.
6.2 Redes
Atividade = tarefa que consome tempo
Evento = termino de uma ou mais atividades
&%
'$
&%
'$
1 2
A
4 h
-
evento evento atividade
?
?
?
tempo
6
6.3 Exemplos
a) Prov ao 1999
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 26
b) Prov ao 2000
6.4 Formacao de Redes
Exemplo 1:
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 27
Atividades Durac ao da
Atividade antecessoras tarefa -
imediatas (Dias)
A -.- 3
B A 2
C B 2
D C 2
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 28
Exemplo 2:
Atividades Durac ao da
Atividade antecessoras tarefa -
imediatas (Dias)
A -.- 3
B -.- 2
C A e B 2
Exemplo 3:
Atividades Durac ao da
Atividade antecessoras tarefa -
imediatas (Dias)
A -.- 3
B A 2
C A 2
D B 2
E C 1
F D e E 2
Exemplo 4:
Atividades Durac ao da
Atividade antecessoras tarefa -
imediatas (Dias)
A -.- 3
B A 2
C A 2
D B 2
E B 1
F D 2
G E 2
H C 2
I H e G 2
J I e F 2
Prof. Evandro Bittencourt - Pesquisa Operacional - 2003 29
7 Otimimizacao Nao-Linear
7.1 Fun cao de uma variavel
a) Derivada primeira da Funcao Objetiva (Z)
b) Pontos Extremos: razes da primeira derivada (Z=0) (x
1
, x
2
, ...)
c) Derivada Segunda da Funcao Objetiva (Z)
d) Teste das razes da Derivada Primeira na Derivada Segunda.
(a) Z

(x
1
) > 0 a func ao passa por um mnimo em x
1
(b) Z

(x
1
) < 0 a func ao passa por um maximo em x
1
e) Testa os pontos extremos das restricoes
f) Verica a Func ao Objetiva nos extremos das restric oes
7.2 Exerccios
a) Exemplo 1
Max. Z = 32x 2x
2
Sujeito A: x 2
x 10
(a) Z

= 32 4x
(b) Z

= 0; 32 4x = 0; x = 8
(c) Z

= 4
(d) Z

(8) = 4 < 0
A func ao passa por um maximo em x=8 (Z=128)
(e) 8 2 ok
8 10 ok
(f) Z(2) = 56
Z(10) = 120
Resposta: Ponto otimo : x=8
Z maximo = 128
b) Exemplo 2
Min. Z = x
2
8x
Sujeito A: x 0
x 3
c) Exemplo 3
Min. Z =
1
3
x
3
3x
2
+ 5x + 3
Sujeito A: x 0
x 4