Escolar Documentos
Profissional Documentos
Cultura Documentos
ENGENHARIA DE PRODUÇÃO II
**Apresentação da Disciplina**
2
Agenda
• O que é pesquisa operacional?
• O que é um modelo matemático?
• Métodos de solução de modelos de programação
matemática
• Porque pesquisa operacional é importante para a
engenharia de produção?
• A metodologia da pesquisa operacional
• Passos da modelagem de problemas de programação
linear e sua resolução
• Objetivos da disciplina
• Bibliografia
• Avaliação
• Cronograma provável
• Atendimento
Winston, cap. 3
O QUE É PESQUISA OPERACIONAL?
• Ferramenta utilizada na resolução de problemas de
diferentes áreas do conhecimento
O QUE produzir
Clientes Fornecedores
Modelo de Programação Matemática (Otimização)
Em um processo decisório,
deseja-se tomar decisões VARIÁVEIS DE DECISÃO xi
de forma que
o sistema opere da
melhor forma possível FUNÇÃO OBJETIVO f(x)
considerando que a ser otimizada (max ou min)
as decisões estão
relacionadas e limitadas RESTRIÇÕES (≥ ≤ =)
por vários fatores
Exemplos de modelos de programação
matemática
Maximizar f(x1, x2, x3) = 60x1 + 35x2 + 20x3
8x1 + 6x2 + x3 48
4x1 + 2x2 + 1,5x3 20
2x1 + 1,5x2+ 0,5x3 8
x2 5
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
Maximizar f(x1, x2) = x1x2 Maximizar f(x1, x2) = 30x1 + 35x2 - 2x12 - 2x22
4x1 + x2 8 x13 + 2x22 250
x1 ≥ 0, x2 ≥ 0 x1 + x2 20
x1 ≥ 0, x2 ≥ 0
Tipos de modelos matemáticos
• LINEARES • Simulação
– Programação linear
– Programação dinâmica
– Fluxo em redes
– Programação linear inteira
• NÃO LINEARES
– Programação quadrática
– Programação não-linear restrita e irrestrita
• ESTOCÁSTICOS
– Teoria de jogos
– Programação dinâmica probabilística
– Cadeias de Markov
– Teoria de filas (descritivos)
Métodos de solução de modelos de
programação matemática
Modelos de programação matemática são resolvidos por meio de
diversas técnicas e métodos disponíveis na literatura:
A Air New Zealand estimou que, com o uso dos modelos passou
a economizar o equivalente a mais de 10% do seu lucro
operacional líquido
Dimensionamento e gerenciamento de testes de
veículos protótipos na Ford
Utilizando modelos de programação inteira, baseados em
modelos de cobertura de conjuntos, e modelos de simulação, a
Ford desenvolveu um modelo de otimização de protótipos para:
• orçar
• planejar e
• gerenciar a frota de veículos protótipos.
com o objetivo de minimizar o número de veículos construídos e
sujeito às restrições dos testes a serem realizados nos veículos
dentro dos prazos estabelecidos.
A Ford estimou que com os modelos:
• reduziu em cerca de 25% o tamanho da frota necessária de
protótipos.
• obteve economias estimadas de US$ 250 milhões por ano.
Planejamento da produção em refinarias de
petróleo da Texaco
Utilizando modelos de programação não-linear baseados em
modelos de mistura, a Texaco toma decisões de como refinar óleo
cru em suas refinarias para produzir:
• gasolina regular unleaded
• gasolina plus unleaded
• gasolina super unleaded
Os modelos permitiram a Texaco responder diversas questões do
tipo what-if, por exemplo, quanto um aumento de 0,01% do
conteúdo de enxofre na gasolina regular aumenta o custo de
produção desta gasolina?
Formulação de um
Definição e descrição modelo matemático
do problema
Contínua atualização
e exame do modelo
e dos resultados
Reportagem e
implementação Resolução do modelo
da solução
MODELAGEM DE PROBLEMAS DE
PROGRAMAÇÃO MATEMÁTICA E SUA
RESOLUÇÃO
Exemplo: Problemas de Programação Linear
• Função Linear
f(x1,x2,...,xn) é uma função linear se e somente se para algum conjunto de
constantes c1, c2, .., cn:
f(x1,x2,...,xn) = c1x1 + c2x2 + ... + cnxn
• Desigualdades Lineares
Para qualquer função linear f(x1,x2,...,xn) e qualquer número b, f(x1,x2,...,xn) ≥ b
e f(x1,x2,...,xn) ≤ b são desigualdades lineares
Formule um modelo matemático para esta situação e que possa ser usado
para maximizar o lucro do agricultor. 28
Passos da modelagem
29
Objetivo do problema
Maximizar o lucro com o cultivo e venda de trigo,
arroz e milho
Lucro (R$/km2
2160 1260 870
plantado)
30
Fatores que afetam o alcance do
objetivo
• Limitações de capacidade produtiva e estocagem
Terra Água Fertilizante
2 Estocagem
Produto (km / kg (ton/km
2 (ton/km 2
(kg)
produzido) plantado) plantado)
Trigo 1/1800 1000 100
Arroz 1/2100 2000 10
120.000
Milho 1/2900 500 30
Disponibilidade 60 90.000 1800
• Demanda mínima
– Deve-se plantar pelo menos 8 km2 de milho. 31
Representação informal do problema
Deseja-se
a) Variáveis de Decisão
• Descrevem completamente as decisões a serem feitas.
• Estão associadas ao objetivo do problema.
x1 = área cultivada com trigo (km2)
x2 = área cultivada com arroz (km2)
x3 = área cultivada com milho (km2)
c) Restrições
• Máximo de 60 km2 de área disponível para o cultivo dos
produtos.
x1 + x2 + x3 ≤ 60 (km2)
x3 8 (km2) 34
Formulação do modelo
c) Restrições (cont.)
• Máximo de 1800 toneladas da mistura de fertilizantes e
outros insumos a serem utilizadas no cultivo dos produtos.
100x1 + 10x2 + 30x3 ≤ 1800 (ton)
35
Formulação do modelo
d) Restrições de sinal
• Variáveis de decisão com valores não negativos.
36
Modelo de programação linear
Variáveis de Decisão:
x1 = área cultivada com trigo (km2)
x2 = área cultivada com arroz (km2)
x3 = área cultivada com milho (km2)
Solução ótima de um PL
• Solução na região factível com o maior valor de função
objetivo (problemas de maximização)
• Solução na região factível com o menor valor de função
objetivo (problemas minimização)
SOLUÇÃO ÓTIMA
ESPAÇO DE SOLUÇÕES
FACTÍVEIS
ESPAÇO DE SOLUÇÕES
38
Solução ótima do modelo do slide 37
f(x)=78.022,50
x1=12,020833
x2=35,791668
x3= 8,000000
x1 x2 x3 x4 x5 x1 x2 x3 x4 x5
VB 1 2 0 0 0 f VB 3 0 0 0 2 f+8
x3 1 1 1 0 0 6 x3 2 0 1 0 -1 2
x4 1 1 0 1 0 4 x4 0 0 0 1 1 8
x5 1 1 0 0 1 4 x2 1 1 0 0 1 4
Solução básica inicial 2ª solução básica
x1 x2 x3 x4 x5
VB 0 0 3/2 0 1/2 f+11
x1 1 0 1/2 0 -1/2 1 3ª solução básica e
ótima
x4 0 0 0 1 1 8
x2 0 1 1/2 0 1/2 5
Objetivos da disciplina