PESQUISA OPERACIONAL PARA A

ENGENHARIA DE PRODUÇÃO II

**Construção de Modelos de
Programação Linear II **

Profa. Vitória Pureza

1º Semestre
Aulas 3 e 4
 Roteiro
• Definindo objetivos
• Definindo restrições
• Lista de Exercícios
• Construção de modelos grandes combinando modelos
menores
– Modelos multi-instalações
– Modelos multi-produtos
– Modelos multi-períodos
Williams, capítulos 3 e 4
 Definindo Objetivos
• maximizar lucro
• minimizar custo/tempo
• maximizar retorno em investimento
• minimizar número de empregados
• maximizar número de empregados
• maximizar a satisfação do cliente

Objetivos múltiplos e conflitantes

Um único objetivo Objetivos irrelevantes

 Um Único Objetivo
• Normalmente inclui apenas termos variáveis - é
geralmente incorreto* adicionar custos fixos tais como
custos administrativos e de equipamentos

• No problema de Gepetto
– Deseja-se maximizar 3x1+ 2x2 (lucro)
– O valor da função objetivo é proporcional ao valor das
variáveis x1e x2 que indicam a quantidade de trens e
bonecos a serem produzidos (decisões)
 Objetivos Múltiplos e Conflitantes
Objetivo 1: Min h(x)=c1/x Objetivo 2: Min g(x)=c2x

• Combinação linear dos objetivos: Min f(x)=g(x) + h(x)

fo
f(x) g(x)

h(x)

x
• Programação Multiobjetivo

• Manter apenas o objetivo mais relevante e tranformar os demais em

restrições do modelo:
Min g(x)  g(x) ≤ M
 Definindo Restrições
• Capacidade produtiva
– Máximo de 100 horas de acabamento disponíveis por semana
2x1 + x2 ≤ 100 (horas/semana)
• Disponibilidade de matéria-prima
– Máximo de 4500 kgs de aço disponíveis por mês
3x1 + 4x2 ≤ 4500 (kgs/mês)
• Demanda mínima
– Mínimo de 10000 barris de gasolina 1 produzidas por mês
x1 ≥ 10000 (barris/mês)
• Limitações de mercado
– Máximo de 40 bonecos vendidos por semana
x2 ≤ 40 (unidades/semana)
• Balanço de material ou massa
– Balanço trimestral de estoque de barcos
Et-1 + xt = Dt + Et (unidades/trimestre)
• Especificações do produto
– Octanagem, resistência, condutividade, porcentagem de nutrientes
 redundantes

soft e hard Restrições conflitantes

pouco usuais

Restrições Soft e Hard

• limitações da capacidade produtiva e disponibilidade de mão-
de-obra : podem ser desobedecidas soft.
• restrições tecnológicas: não podem ser desobedecidas 
hard.
Restrições Redundantes
• restrições inativas, identificadas por métodos de detecção

Representação gráfica das restrições do problema de

Geppeto
100

80

60
x2
40

20

0
0 10 20 30 40 50 60 70 80

x1

Restrições Conflitantes
• o problema é infactível
• Programação por Metas : procura-se satisfazer ao máximo as
restrições  a função objetivo passa a ser “o custo”
resultante das violações das restrições, e que deve ser
minimizado
 Uma agência de publicidade quer determinar uma programação de anúncios na TV
para uma concessionária de carros. A concessionária tem 3 metas:
• (1 ) seus anúncios devem ser vistos por pelo menos 40 milhões de homens classe A
(H-A).
• (2) seus anúncios devem ser vistos por pelo menos 60 milhões de pessoas classe C
(P-C).
• (3) seus anúncios devem ser vistos por pelo menos 35 milhões de mulheres classe A
(M-A).

A agência pode comprar dois tipos de anúncios: os mostrados durante jogos de

futebol e os mostrados durante novelas. No máximo $600.000,00 podem ser gastos
em anúncios. Os custos de propaganda (em milhares de $) e suas audiências
potenciais (em milhões de pessoas) de um anúncio de 1 minuto são mostrados
abaixo. A agência precisa determinar quantos anúncios de cada tipo devem ser
comprados.

Tipo de anúncio H-A P-C M-A Custo por anúncio

Jogos 7 10 5 100
Novelas 3 5 4 60
Variáveis de decisão: x1= no de anúncios de 1 minuto em jogos
x2= no de anúncios de 1 minuto em novelas
Min 100x1 + 60x2
s.a:
7x1 + 3x2 ≥ 40 Metas de mercado
10x1 + 5x2 ≥ 60
5x1 + 4x2 ≥ 35 Infactível !
100x1 + 60x2≤ 600 Orçamento
x1,x2 ≥ 0

NOVO MODELO
Variáveis de decisão adicionais: si- = montante a menos da meta i
si+ = montante a mais da meta i (i=1..3)
Min 200s1- + 100 s2- + 50 s3-
s.a:
7x1 + 3x2 + s1- - s1+= 40 Solução ótima:
10x1 + 5x2 + s2- - s2+= 60 x1=6 x2=0
5x1 + 4x2 + s3- - s3+= 35 s1+ =2 s1- =0
100x1 + 60x2 ≤ 600 s2+ =0 s2- =0
todas as variáveis ≥ 0 s + =0 s - =5
3 3
• Restrições Pouco Usuais
“Pode-se produzir produto 1 se o produto 2 for produzido mas
não se os produtos 3 e 4 forem produzidos”
 Lista 2
• No exercício 2 da lista 2, suponha que se tenha
decidido não fazer a alocação prévia de matéria-
prima para as fábricas. Quanto produzir para
maximizar o lucro total ?
• Modelo da Fábrica A
Max 15x1 + 20x2 (lucro da fábrica)
sujeito a:
4x1 + 2x2 ≤ 80 (lixamento)
2x1 + 5x2 ≤ 60 (polimento)
4x1 + 4x2 ≤ 75 (matéria-prima)
x1 ≥ 0 (sinal)
x2 ≥0

• Modelo da Fábrica B
Max 15x3 + 20x4 (lucro da fábrica)
sujeito a:
5x3 + 3x4 ≤ 60 (lixamento)
5x3 + 6x4 ≤ 75 (polimento)
4x3 + 4x4 ≤ 45 (matéria-prima)
x3 ≥0 (sinal)
x4 ≥0
• Modelo da Fábrica A
Max 15x1 + 20x2 (lucro da fábrica)
sujeito a:
4x1 + 2x2 ≤ 80 (lixamento) Solução ótima:
2x1 + 5x2 ≤ 60 (polimento) x*=(10,8) fo*=310
4x1 + 4x2 ≤ 75 (matéria-prima)
x1 ≥0 (sinal)
x2 ≥0

• Modelo da Fábrica B
Max 15x3 + 20x4 (lucro da fábrica)
sujeito a:
5x3 + 3x4 ≤ 60 (lixamento) Solução ótima:
5x3 + 6x4 ≤ 75 (polimento) x*=(0,11) fo*=220
4x3 + 4x4 ≤ 45 (matéria-prima)
x3 ≥0 (sinal)
x4 ≥0
Modelos de Programação Linear Estruturada

Multi-instalações
Max
15x1 + 20x2 + 15x3 + 20x4 (lucro de A e B)
sujeito a:
4x1 + 2x2 ≤ 80 (lixamento - A)
2x1 + 5x2 ≤ 60 (polimento - A)
5x3 + 3x4 ≤ 60 (lixamento - B)
5x3 + 6x4 ≤ 75 (polimento - B)
4x1 + 4x2 + 4x3 + 4x4 ≤ 120 (matéria-prima)
x1 ≥0 (sinal)
x2 ≥0 Solução ótima:
x3 ≥ 0 x=(10, 8, 0, 12) fo*=550
x4 ≥0

•O modelo divide a matéria-prima disponível otimamente

• Lucro(Fábrica A) + Lucro(Fábrica B) < Lucro(Fábrica A + Fábrica B)
• O maior lucro total foi obtido, designando maior quantidade de matéria-
prima para a Fábrica B  complexidade de sistemas de grande porte
• Modelos Multi-produtos - Problema da Mistura
Uma refinaria produz três tipos de gasolina (G1, G2, G3) a partir de três tipos de óleo
cru (O1, O2, O3). Há 5.000 barris de óleo cru de cada tipo disponíveis diariamente, e a
refinaria pode produzir no máximo 14.000 barris diários de gasolina. Os produtos finais
devem ter a qualidade exigida.
Cada barril de gasolina produzida incorre em um custo de $4. Há uma demanda fixa
diária de 3.000 barris de G1, 2.000 barris de G2 e 1.000 barris de G3, e esta pode ser
estimulada através de propaganda. Cada $ gasto em propaganda em um dado tipo de
gasolina, aumenta a demanda diária por esse tipo em 10 barris. Faça um modelo de
programação matemática para determinar o quanto produzir de cada tipo de gasolina
com o maior lucro total.

ÓLEOS GASOLINA
Preço de Oct Enx Preço de OctMIN EnxMAX
compra ($) venda ($)
O1 45 12 0,5 G1 70 10 1
O2 35 6 2 G2 60 8 2
O3 25 8 3 G3 50 6 1
• Objetivo: Maximizar o lucro total diário = { receita de
vendas para clientes cativos e com demanda estimulada
por propaganda - custos de matéria-prima - custos de
produção - custos de propaganda } com as gasolinas G1,
G2, e G3

ÓLEOS GASOLINA
Preço de compra ($) Preço de Custo de Produção
venda ($) ($)
O1 45 G1 70 4
O2 35 G2 60 4
O3 25 G3 50 4

• Demanda estimulada: 10 barris/$

• Fatores que afetam o alcance do objetivo
– Capacidade de refinamento: 14.000 barris diários
– Disponibilidade (suprimento) dos óleos: 5.000 (O1, O2 e
O3) barris diários
– Demanda mínima das gasolinas: 3.000 (G1), 2.000 (G2) e
1.000 (G3) barris diários
– Qualidade das gasolinas
ÓLEOS GASOLINA
Oct Enx OctMIN EnxMAX

O1 12 0,5 G1 10 1
O2 6 2 G2 8 2
O3 8 3 G3 6 1
 • Representação informal do problema

Deseja-se

Maximizar lucro diário = { receita de vendas para clientes cativos e

com demanda estimulada por propaganda - custos de matéria-
prima - custos de produção – custos de propaganda } com as
gasolinas G1, G2, e G3}, sujeito às seguintes restrições:

1. a produção das gasolinas não pode exceder a capacidade diária

de refinamento
2. a produção das gasolinas não pode exceder a disponibilidade
diária de óleos crus
3. a produção das gasolinas deve atender a demanda diária de
clientes cativos
4. a qualidade das gasolinas produzidas deve ser satisfeita
 Restrições de qualidade
Suponha que misturássemos 1 barril de O1 e 1 barril de O2. Qual a octanagem
da gasolina resultante?

12 (octanas/barril)*1 barril + 6(octanas/barril)* 1 barril = 9 octanas

(1 + 1) barris

E se misturássemos:
• 1 barril de O1 e 0,5 barril de O2?
• 1 barril de O1, 1 barril de O2 e 1 barril de O3?
• x1 barris de O1, x2 barris de O2 e x3 barris de O3?

Note que para conhecermos a qualidade de uma determinada gasolina,

precisamos saber as quantidades de cada tipo de óleo utilizado na sua
produção. Mas como saber a quantidade de cada tipo de gasolina
produzida?Mas como saber a quantidade de
• Decisão: A refinaria precisa definir quanto de cada
óleo deve usar em cada gasolina e o quanto gastar
em propaganda com cada gasolina

xi j = número de barris de oleo cru i usado na producao

da gasolina j (i=1,2,3; j=1,2,3)

yj = custo de propaganda com demanda estimulada da

gasolina j (j=1,2,3)
 Modelo
Variáveis de decisão
xi j = número de barris de oleo cru i usado na producao da gasolina j (i=1,2,3;
j=1,2,3)
yj = custo de propaganda com demanda estimulada da gasolina j (j=1,2,3)
Função objetivo
Max 70(x11 + x21 + x31) (receita da venda de G1)
+ 60(x12 + x22 + x32) (receita da venda de G2)
+ 50(x13 + x23 + x33) (receita da venda de G3)
- 45(x11 + x12 + x13) (custo de compra de O1)
- 35(x21 + x22 + x23) (custo de compra de O2)
- 25(x31 + x32 + x33) (custo de compra de O3)
- 4(x11 + x21 + x31 + x12 + x22 + x32 + x13 + x23 + x33) (custos de produção)
- y1 – y2 – y3 (custo de propaganda com G1, G2 e G3)
x11 + x12 + x13 ≤ 5.000 (restrições de suprimento dos óleos)
x21 + x22 + x23 ≤ 5.000
x31 + x32 + x33 ≤ 5.000
x11 + x21 + x31 ≥ 3.000 (restrições de demanda das gasolina)
x12 + x22 + x32 ≥ 2.000
x13 + x23 + x33 ≥ 1.000
x11 + x21 + x31 + x12 + x22 + x32 + x13 + x23 + x33 ≤ 14.000 (restrição de capacidade de refinamento)
x11 + x21 + x31 = 3.000 + 10*y1 (restrições de demanda estimulada)
x12 + x22 + x32 = 2.000 + 10*y2
x13 + x23 + x33 = 1.000 + 10*y3
(restrições de qualidade)
12x11 + 6x21 + 8x31 ≥ 10 12x12 + 6x22 + 8x32 ≥ 8 12x13 + 6x23 + 8x33 ≥ 6
(x11 + x21 + x31) (x12 + x22 + x32) (x13 + x23 + x33)

0,5 x11 + 2x21 + 3x31 ≤ 1 0,5x12 + 2x22 + 3x32 ≤ 2 0,5x13 + 2x23 + 3x33 ≤ 1
(x11 + x21 + x31) (x12 + x22 + x32) (x13 + x23 + x33)

xij ≥ 0 , yj ≥ 0 (i=1,2,3; j=1,2,3) (restrições de sinal)

• Modelos Multi-períodos

Uma empresa precisa determinar quantos barcos produzir durante

cada um dos próximos 4 trimestres. A demanda de cada trimestre é
40, 60, 75 e 25. Deve-se atender a demanda sem atrasos.

No início, a empresa tem em estoque 10 barcos. Assume-se que os

barcos produzidos durante um período podem ser usados para
atender a demanda daquele período. Durante cada período, a
empresa pode produzir 40 barcos com mão-de -obra regular a um
custo total de $400/barco. Se utilizadas horas extras, pode-se
produzir barcos extras a um custo total de $450 por barco. No fim
de cada período (depois da produção ter ocorrido e a demanda do
período corrente ter sido satisfeita), incorre-se em um custo de
estoque de $20 por barco.

Como minimizar a soma de custos de estoque e produção?

• Restrições de balanço
Seja it o estoque de barcos advindo do período t, xt a
produção de barcos no período t e dt a demanda de barcos no
período t.
barcos em estoque em t-1 + barcos produzidos em t = barcos
vendidos em t + barcos em estoque em t

it-1+ xt =dt + it

xt xt+1
It-1 It It+1

dt dt+1

t t+1
Solução: fo=$78.450
PRODUÇÃO ESTOQUE
PERÍODO HORA REGULAR HORA EXTRA
1 40 0 10
2 40 10 0
3 40 35 0
4 25 0 0

• Utilização de modelos multi-períodos na prática (horizonte

rolante)
Seja T, o número de períodos do horizonte de planejamento
1. Resolução do modelo para t=1 a T
2. Implementação das decisões do(s) primeiro(s) período(s), por
exemplo dos períodos 1 e 2. Decisões de períodos posteriores são
consideradas provisórias
3. Após um ou mais períodos (por exemplo, após período 2), o
modelo é novamente resolvido com dados atualizados, por
exemplo, para 3 a T+3