Você está na página 1de 47

PESQUISA OPERACIONAL PARA A

ENGENHARIA DE PRODUÇÃO II

**Apresentação da Disciplina**

Profa. Vitória Pureza


1º Semestre
Aula 1a
Este material refere-se às notas de aula do curso de Pesquisa
Operacional para Engenharia de Produção II do Depto. de
Engenharia da Produção da UFSCar. Não substitui as referências
de origem e nem as aulas expositivas. Este material não pode ser
reproduzido sem autorização prévia da autora. Quando
autorizado, seu uso é exclusivo para atividades de ensino e
pesquisa em instituições sem fins lucrativos.

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

• Abordagem CIENTÍFICA para tomada de decisões que


procura determinar COMO PROJETAR E OPERAR UM
SISTEMA, geralmente sob condições de RECURSOS
ESCASSOS (Winston,1992)

• O termo surgiu na II Guerra Mundial quando foram


aplicadas TÉCNICAS MATEMÁTICAS E MÉTODO
CIENTÍFICO a várias operações militares (em inglês:
Operational Research, Operations Research, Management
Science; em Portugal: Investigação Operacional; em
espanhol: Investigación Operativa)
• Após o final da guerra, a pesquisa operacional evoluiu
rapidamente na Inglaterra e nos Estados Unidos, sendo
aplicada a uma variedade de problemas dos setores
público e privado.

Algumas datas importantes


1952 1953 1957 1968

• Fundação da • Fundação da • Primeira • Fundação da


Sociedade Sociedade Conferência Sociedade
Científica Inglesa de Internacional de Brasileira de
Americana de Pesquisa Pesquisa Pesquisa
Pesquisa Operacional Operacional Operacional
Operacional (ORS) e da (Oxford, (SOBRAPO)
(ORSA) Sociedade Inglaterra)
Americana de
Ciências de
Administração
(TIMS)
6
Áreas gerais de aplicação

INÍCIO DEPOIS HOJE


Problemas logísticos, Armazenagem, alocação Bancos, hospitais, sistemas
dimensionamento de de recursos, reposição de jurídicos, bibliotecas,
frotas, detecção de equipamentos,programação agências governamentais,
submarinos inimigos e controle de processos... trânsito, turismo, energia,
... esportes, marketing,
portfólio de ações...
Alguns problemas clássicos de interesse
• Problema de Planejamento da Produção: Quanto, quando e como fabricar cada
produto de forma a maximizar o lucro total?
• Problema da Mistura: Quanto utilizar de cada matéria-prima disponível na produção
de produtos com diferentes especificações de forma a minimizar o custo total?
• Problema de Filas: Em um supermercado, quantos caixas devem estar em operação
simultaneamente de forma a garantir um intervalo de tempo máximo de permanência
em fila de uma certa porcentagem dos clientes?
• Problema de Portfolio de Investimentos: Em um fundo financeiro, quais
investimentos e valores de aplicação devem ser selecionados de forma a maximizar o
retorno esperado?
• Problema de Roteamento de Veículos: Como definir rotas de entrega de produtos
para uma frota de veículos de forma a minimizar o custo da distribuição?
• Problema de Corte: Como definir padrões de corte de peças em chapas de forma a
minimizar a perda total das chapas?
• Problema de Localização: Onde instalar novas plantas industriais de forma a
minimizar custos logísticos e atrair mais clientes?
A pesquisa operacional parte de um conceito
fundamental: a formulação e solução de
modelos matemáticos
O QUE É UM MODELO MATEMÁTICO?
Com a observação de fenômenos, processos ou sistemas, que
podem ser físicos, químicos, biológicos, econômicos, busca-se
leis que os regem. Essas leis, se passíveis de serem descritas por
relações matemáticas, dão origem a modelos matemáticos

O modelo matemático é uma representação simplificada


(abstração) do problema real: por um lado, ele deve ser
suficientemente detalhado para captar os elementos essenciais e
representar o sistema real; por outro lado, deve ser
suficientemente simplificado para ser tratável por métodos de
análise e resolução conhecidos. A validação do modelo depende
da solução ser coerente com o contexto original

Modelos matemáticos são particularmente úteis para descrever


sistemas complexos
Decisões típicas no planejamento da
produção

QUANTO produzir ONDE produzir

COMO produzir QUANDO produzir

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:

• um método ótimo (ou exato) gera a melhor solução possível - solução


ótima - segundo a função objetivo que está sendo otimizada
o Programação Linear: Algoritmo simplex, algoritmos de pontos interiores
o Programação Linear Inteira: Branch-and-bound, algoritmos de planos de corte e
combinações destes métodos (branch-and-cut e cut-and-branch), métodos exatos
baseados em geração de colunas do modelo (métodos Dantzig-Wolfe e branch-and-price),
na decomposição do modelo (método de Benders) e em relaxações do modelo (relaxações
lagrangiana, surrogate e lagrangiana-surrogate)
• um método heurístico (ou aproximado) utiliza informações e intuição do
analista acerca do problema e de sua estrutura; quando bem projetados
geram soluções de alta qualidade, porém sem garantia de otimalidade
o Programação Inteira: heurísticas construtivas, busca local, e metaheurísticas (algoritmo
genético, busca tabu, simulated annealing, scatter search, colônia de formigas, GRASP),
matheuristics
PORQUE PESQUISA OPERACIONAL É
IMPORTANTE PARA A ENGENHARIA DE
PRODUÇÃO?
• O ambiente de empresas é repleto de problemas
tratáveis por técnicas de Pesquisa Operacional, cuja
aplicação geralmente resulta em ganhos substanciais em
redução de custos e/ou melhorias na eficiência de
processos produtivos

• Para ilustrar, são descritos alguns exemplos de aplicações


de sucesso de PO em grandes empresas e organizações
de diversos setores (mais detalhes destes exemplos
podem ser encontrados no site:
www.scienceofbetter.org)
Planejamento da produção, estocagem e
distribuição na Kellog
Utilizando modelos de programação linear multi-período para auxiliar no
processo de tomada de decisões de produção e distribuição dos seus
cereais, a Kellog desenvolveu:
1. Um modelo de planejamento operacional para determinar onde
produzir os produtos e como transportá-los entre as plantas e os
centros de distribuição nas próximas semanas.
2. Um modelo de planejamento tático para apoiar decisões de
expansão de capacidade de produção e de localização de centros de
distribuição nos próximos 12 a 24 meses

A Kellog estimou que:


• com o uso do modelo de otimização operacional, reduziu os custos de
produção, estocagem e distribuição em US$ 4,5 milhões por ano
• com o uso do modelo de otimização tático, passou a economizar cerca
de US$ 40 milhões por ano
Programação do patrulhamento policial na
cidade de São Francisco
Utilizando modelos de programação linear e programação
inteira, o Departamento de Polícia de São Francisco nos EUA
toma decisões de:
• programação, e
• escalonamento de policiais
para patrulhamento da cidade

O Departamento estimou que com o uso dos modelos:


• passou a economizar cerca de US$ 11 milhões por ano
• melhorou seus tempos de resposta em 20%
Programação de tripulação aérea da Air New
Zealand
Utilizando modelos de programação inteira, baseados em
modelos de partição de conjuntos, a companhia aérea Air New
Zealand toma decisões de
• como escalonar turnos de trabalho (roteiros de trabalho que
alternam sequências de vôos e períodos de descanso) para
cobrir todos os seus vôos programados (centenas de vôos
semanais) e
• como alocar os membros das tripulações (milhares de
tripulantes) a estes roteiros, com o menor custo possível

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?

• A Texaco estimou que, com o uso dos modelos, passou a


economizar cerca de US$ 30 milhões por ano
A METODOLOGIA DA PESQUISA
OPERACIONAL
 Coleta de
dados

 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

• Problema de Programação Linear (PL)


– Procura-se maximizar (ou minimizar) uma função linear das variáveis de
decisão
– Os valores das variáveis de decisão precisam satisfazer um conjunto de
restrições
– Cada restrição precisa ser uma igualdade linear ou uma desigualdade linear
– Uma restrição de sinal está associada a cada variável
Exemplo de PL
Um agricultor tem uma fazenda para a qual destinou 60 km2 para o cultivo
de trigo, arroz e milho. A produção estimada é de 1800 kg/km2 plantado
de trigo, 2100 kg/km2 de arroz e 2900 kg/km2 de milho, sendo que a
venda do trigo, arroz e milho produzido resulta em um lucro por km2
plantado de R$ 2160, R$ 1260 e R$ 870, respectivamente.

Há 90.000 toneladas de água de irrigação disponível para a produção e


cada km2 de trigo, arroz e milho plantado requer 1000, 2000 e 500
toneladas de água, respectivamente. Há também disponíveis 1800
toneladas de uma mistura de fertilizantes e outros insumos, e cada km2
de trigo, arroz e milho plantado requer 100, 10, e 30 toneladas da mistura,
respectivamente.

O agricultor tem condições de armazenar no máximo 120.000 kg da


produção total. Além disso, um acordo com a cooperativa da qual o
agricultor é associado requer que em pelo menos 8 km2 da área seja
plantado milho.

Formule um modelo matemático para esta situação e que possa ser usado
para maximizar o lucro do agricultor. 28
Passos da modelagem

 Defina o objetivo do problema. Colete os dados


associados
 Defina os fatores que afetam o alcance do
objetivo do problema. Colete os dados
associados
 Elabore uma representação informal do problema
 Elabore um modelo de programação matemática
do problema

29
 Objetivo do problema
Maximizar o lucro com o cultivo e venda de trigo,
arroz e milho

Produto Trigo Arroz 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

Maximizar lucro com a produção de trigo, arroz e milho, sujeito às


seguintes restrições:
1. a área cultivada com os três produtos não pode exceder a área
total disponibilizada.
2. a quantidade de água utilizada no cultivo dos três produtos não
pode exceder a quantidade total disponibilizada.
3. a quantidade de fertilizante utilizada no cultivo dos três
produtos não pode exceder a quantidade total disponibilizada.
4. a quantidade produzida dos três produtos não pode exceder a
quantidade que pode ser estocada.
5. a área plantada com milho deve ser maior ou igual ao acordado
com a cooperativa.
32
 Formulação do modelo

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)

b) Função Objetivo (FO)


• Maximização do lucro ou minimização do custo escrito
como alguma função das variáveis de decisão.
Max f(x1,x2,x3) = 2160x1 + 1260x2 + 870x3 (R$) 33
 Formulação do modelo

c) Restrições
• Máximo de 60 km2 de área disponível para o cultivo dos
produtos.
x1 + x2 + x3 ≤ 60 (km2)

• Máximo de 90.000 toneladas de água a serem utilizadas no


cultivo dos produtos.

1000x1 + 2000x2 + 500x3 ≤ 90.000 (ton)


• Mínimo de 8 km2 de área disponível para o cultivo do milho.

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)

• Máximo de 120.000 kg de estoque dos produtos.

1800x1 + 2100x2 + 2900x3 ≤ 120.000 (kg)

35
 Formulação do modelo

d) Restrições de sinal
• Variáveis de decisão com valores não negativos.

x1, x2, x3 ≥ 0 (km2)

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)

Max 2160x1 + 1260x2 + 870x3 valores de x , x e x precisam


1 2 3
sujeito a: satisfazer todas as restrições
x1 + x2 + x3 ≤ 60 (área máxima para cultivo - km2)
1000x1 + 2000x2 + 500x3 ≤ 90.000 (água disponível - ton)
100x1 + 10x2 + 30x3 ≤ 1800 (fertilizante disponível - ton)
x3  8 (área mínima para cultivo com milho - km2)
1800x1 + 2100x2 + 2900x3 ≤ 120.000 (capacidade de estoque - ton)
x1, x2, x3 ≥ 0 (sinal)
Região factível de um PL
• Conjunto de todas as soluções que satisfazem todas as
restrições do modelo

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

Ou seja, o máximo lucro possível é R$778.022,50, obtido


cultivando-se 12,020833 km2 com trigo, 35,791668 km2 com
arroz e 8,000000 km2 com milho.
Casos de programação linear
1. PL com uma única solução ótima
2. PL com múltiplas soluções ótimas
3. PL infactível
4. PL ilimitado
Métodos de resolução de PLs

Método Simplex e Métodos de Pontos Interiores

Visita pontos extremos (soluções Gera pontos interiores da


• X um a um até que condições
básicas) região factível buscando a
de otimalidade sejam satisfeitas convergência a uma solução ótima

• Pacotes computacionais: CPLEX, OSL, LINDO, LINGO,


GAMS, AMPL, AIMMS,...
Exemplo de aplicação do método Simplex (com tabelas) :
Minimizar f =  x1  2x2
x1 + x2 + x3 = 6
x1 - x2 + x4 = 4
- x1 + x2 + x5 = 4
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0

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

• Treinamento em modelagem matemática


(programação matemática e de teoria de filas) de
problemas em engenharia de produção
• Aprendizagem e uso de software comercial para
resolução de modelos de programação matemática
em engenharia de produção
• Compreensão e análise de artigos científicos sobre
aplicações reais de pesquisa operacional em
engenharia de produção
Bibliografia
BÁSICA
• ARENALES, M. et al. Pesquisa Operacional, 1a edição, Editora Campus, 2008
• WILLIAMS, H.P., "Model building in mathematical programming", 3a. edicao, John Wiley &
Sons, 1993
• WINSTON, Wayne L. Operations research: applications and algorithms. 4th ed. Ottawa:
Thomson Learning, 2004
COMPLEMENTAR
• CAIXETA-FILHO, José Vicente. Pesquisa operacional: técnicas de otimização aplicadas a
sistemas agroindustriais. 2a ed. São Paulo: Atlas, 2010
• LACHTERMACHER, Gerson. Pesquisa operacional na tomada de decisões. 3a ed. Rio de
Janeiro: Elsevier, 2007
• HILLIER, Frederick S.; LIEBERMAN,Gerald J. Introdução à pesquisa operacional. 8a ed. São
Paulo: McGraw Hill, 2006
• SCHRAGE, L., "Linear, integer and quadratic programming with Lindo", 3a. edicao, The
Scientific Press, 1986
• WAGNER, Harvey M. Pesquisa operacional. Rio de Janeiro: Prentice-Hall, Brasil, 1986

• Slides das aulas no AVA


Avaliação
• Critérios de Aprovação: Nota final ≥ 6 e Presença em aula ≥ 75%.
– Projeto (Pj) de modelagem e implementação computacional apresentado
em classe: em grupos de alunos com notas individuais.

– Seminário (S) sobre artigo científico apresentado em classe: em grupo de


alunos com notas individuais.

– Provinha (P) em teoria de filas.

NotaR = 0,3(Nota de Pj) + 0,4(Nota de S) + 0,3 (Nota de P)

• Avaliação complementar: uma prova individual PR (nos primeiros 30 dias do


semestre letivo seguinte para alunos com 5 ≤ Nota < 6 e 75% de presença)

Nota Final = Min{NotaR, 6}


Cronograma Provável
1 15/03 Apresentação da disciplina/Construção de modelos de programação linear (Aulas 1a e 1b)
2 22/03 Construção de modelos de programação linear (Aula 2a) e Introdução ao GAMS (Aula 2b)
3 29/03 Exercícios em GAMS em laboratório /Construção de modelos de programação linear (Aula 3)
4 05/04 Introdução ao GAMS (Aula 4)
5 12/04 Designação de projetos/Classes de modelos de PL e suas formulações (Aula 5)
6 19/04 Classes de modelos de PL e suas formulações (Aula 6)
7 26/04 Apresentação do projeto
8 03/05 Apresentação do projeto
Modelagem de problemas de programação linear Inteira (Aula 7)
9 10/05
e Designação de artigos
10 17/05 Modelagem de problemas de programação linear Inteira (Aula 8)
11 24/05 Teoria de filas (Aula 9)/Palestra de pesquisador convidado
12 07/06 Teoria de filas (Aula 10)
13 14/06 Prova

14 21/06 Apresentação do artigo

15 27/06 Apresentação do artigo


Atendimento
• Quarta-feira das 10:30 às 12:30