Investigação Operacional

Rafael Uaiene (ruaiene@gmail.com)

Curso de Economia Agraria, FAEF-
UEM (2020)
 Investigaçã Operacional
Programa

Tópicos: Introdução: histórico, objectivos, restrições e modelos. Condições

de optimalidade. Programação linear: modelos de programação linear,
método simplex, dualidade, análise de sensibilidade e pós-optimalidade.
Problemas lineares especiais. Programação não linear; otimização
multivariada; otimização sem restrições. Programação Inteira, binária e
mista: algoritmos e modelos. Programação dinâmica determinística e
estocástica.
 Investigação Operacional
Sumário

• Parte I – Introdução à Investigacao Operacional

• Parte II – Programação Linear

• Parte III – Problemas Lineares com estruturas especiais

• Parte IV – Programação Inteira

• Parte V – Programação Dinâmica

• Parte VI – Programação Não Linear

 Parte I

Introdução à Investigacao Operacional

Histórico
Definição
Abordagem da PO
Princípios de modelagem
Validação de modelos
Introdução à Investigacao Operacional
Histórico

• II Guerra Mundial
• Problemas complexos
• Envolvimento multidisciplinar de cientistas (UK)
• Desenvolvimento de técnicas matemáticas (USA)
• Eficiência e sucesso na área militar
• Transferência dos conhecimentos adquiridos para a área civil
• Retorno dos cientistas para as universidades
• Adaptação e aplicação das técnicas em atividades econômicas (empresas petrolíferas e
grandes coorporações)
• PO Vantagem Competitiva
• Padronização dos problemas generalização do uso da PO
• Década de 50
• 1952 - Operations Research Society of America (ORSA)
• 1953 - Institute of Management Sciences (TIMS)
• Operations Research e Management Sciences
Introdução à Investigacao Operacional
Histórico

• Década de 60
• computadores resolução de problemas grandes e complexos
• introdução da PO como disciplina nas universidades
• cursos de pós-graduação (M.Sc. e Ph.D.)
• Atualmente
• IFORS - International Federation of Operations Research Society
• ALAIO - Associación Latino Americana de Investigación Operativa
• SOBRAPO - Sociedade Brasileira de Investigacao Operacional
• Existem congressos, simpósios: "Production planning", "OR in community
health planning", "OR models of the criminal justice system", "Transportation
and mass transit studies", "Travel and tourism", "Energy", "Education models",
"OR applications in sports".
• Aplicações na indústrias, bancos, hospitais, instituições governamentais,
universidades, comércio, agricultura, informática
Introdução à Investigacao Operacional
Definição

• Definição histórica
• "É um conjunto de problemas, técnicas de resolução e soluções,
com características bem definidas, acumuladas sob o termo PO
desde a década de 40 do século passado".

• Definição filosófica
• "Investigacao Operacional é o conjunto de conhecimentos
relacionados com o processo científico de tomada de decisão,
aplicados no projeto e operação de sistemas homem-máquina,
em um ambiente com recursos restritos".
 Introdução à Investigacao Operacional
Abordagem da PO

Formulação: liberdade, Modelo é uma representação

arbitrariedade e coerência simplificada / idealizada, que
visa obter informações sobre o
sistema real com economia de
tempo e recursos

Sistema Formulação
Modelo
Real

Abordagem Direta Dedução

Solução Solução do Dedução: uso de

Interpretação técnicas dependentes
Real Modelo do modelo formulado,
rigor matemático e
precisão, uso de
computadores
Interpretação: julgamento humano,
reavaliação do modelo
Introdução à Investigacao Operacional
Princípios de Modelagem

1. Não construir modelos complicados quando um modelo simples é suficiente.

2. Evitar a construção de modelos de modo que estes se ajustem a uma técnica de
solução previamente definida.
3. Conduzir a fase de dedução com o máximo rigor possível.
4. Os modelos devem ser validados a priori em relação a implementação.
5. Não confiar cegamente no resultado do modelo, de modo a perder de vista a
realidade do problema.
6. Modelos não devem ser utilizados, nem tão pouco criticados por não resolver
situações para as quais não foram desenvolvidos.
7. Não sobrevalorizar o modelo diante do usuário.
8. Sempre envolver o usuário no processo de desenvolvimento e validação do modelo.
9. Os resultados de um modelo nunca podem ser melhores que os dados nele
introduzidos (garbage in garbage out)
10.Modelos não podem substituir tomadores de decisão.
 As 7 etapas do
processo de modelação
1. Definir o problema
2. Observar o sistema e recolher informação
3. Formular um modelo matemático
4. Validar o modelo.
5. Escolher uma decisão com base no modelo
6. Apresentar a análise
7. Implementar e monitorar continuamente

10
 As 7 etapas do processo de modelação

Observar o Formular Escolher Implementar

Definir o um Validar uma Apresentar
sistema, e monitorar
problema modelo o modelo decisão os
recolher continuamente
matemático alternativa resultados
informação

11
 1. Definir o problema
• Identificar:
– o agente de decisão (quem exerce controle)
– os seus objectivos (e.g. minimizar custos)
– as decisões alternativas com que são confrontados (i.e., as
variáveis controláveis)
– os parâmetros que, não sendo controláveis, influenciam o
resultado das decisões (as variáveis incontroláveis).
• Discutir:
– o tempo disponível para o estudo
– o involvimento do agente de decisão (e organização) no
estudo

12
 2. Observar o sistema e
recolher informação
• Estabelecer o diagnóstico inicial:
– observar e analisar a forma como o sistema real opera:
– recolher informação
– conceber um sistema idealizado.
• Elaboração de um relatório que:
– estrutura o conhecimento que se adquiriu do sistema
– co-responsabiliza os elementos da organização

13
 3. Formular um modelo matemático
• Objectivo:
– Reproduzir as relações entre as componentes do problema
(objectivo, variáveis de decisão, variáveis incontroláveis,
restrições).

• Passos essenciais:
– Identificar a estrutura de relações causa-efeito.
– Quantificar essas relações de forma determinística ou
probabilística.

14
3. Formular um modelo matemático
3.1 Identificar as relações causa-efeito

• Identificação de todas as relações entre variáveis,

controláveis ou não, e a medida (ou medidas) de
utilidade.
“A  B” significa “A contribui para a definição de B”
• Identificação de variáveis auxiliares que agregam
informação de diversas variáveis.
• Obriga a formular as primeiras hipóteses no
sentido da simplificação do problema através da
inclusão de apenas as relações relevantes.

15
3. Formular um modelo matemático
3.2 Quantificar as relações causa-efeito

• Três abordagens distintas:

– método dedutivo
– método de simulação
– método de inferência estatística

16
 4. Validar o modelo

• Validar o modelo significa averiguar se o

impacto das decisões previsto pelo modelo
corresponde ao impacto real das mesmas
decisões.

17
 4. Validar o modelo
• Objectivo: detectar insuficiências que são apenas
detectáveis no contexto da definição global do
modelo.
• Métodos de validação (sem ser exaustivo):
– análise de sensibilidade
– simulação.
• Nota: o modelo pode ser adequado ou inadequado
conforme os valores das variáveis incontroláveis,
estimados ou conhecidos no momento da decisão.
18
 Validação de Modelos

• Aspectos a considerar
• não existe modelo perfeito
• não existe um critério absoluto de verificação de modelos
• não se pode "provar" ou "verificar" o modelo

• Validar o modelo
• adquirir a convicção de que o modelo é útil para aquilo a que foi
proposto
• convencer o usuário de que os resultados são úteis dentro de um
determinado contexto
 4. Validar o modelo

Análise de sensibilidade
• Averiguar como é que a alteração de valores das
variáveis incontroláveis influencia a solução proposta
pelo modelo.
• Averiguar como é que desvios à solução proposta pelo
modelo influencia a utilidade (eficiência) do sistema
representado.

20
4. Validar o modelo

Recurso à simulação
• Retomemos o exemplo da mercearia. Uma forma de
validar o modelo descritivo que se utilizou seria
simular (pode-se simular quase tudo) a entrada de
clientes, os seus tempos de espera e as desistências.
• Após diversas simulações, registar valores médios
de: comprimento médio da fila, tempo de espera
médio e percentagem de desistentes.
• Os valores obtidos devem ser muito semelhantes
aos obtidos com o modelo.

21
 5. Escolher uma decisão
com base no modelo
• Determinar os valores das variáveis controláveis que,
satisfazendo as restrições do modelo, conduzem ao
valor máximo da medida de utilidade ou eficiência.
• Em geral há três formas de busca de soluções
óptimas:
– métodos analíticos
– métodos de optimização
– métodos heurísticos

22
 6. Apresentar os resultados
• Os elementos da organização a quem se destina a
análise devem ser envolvidos desde o início e não
apenas nesta fase.
• A esses elementos deve ser facultado um atractivo e
sistema de apoio à decisão e simples de manipular
que lhes permita averiguar o comportamento do
modelo em diversas circunstâncias (“what if ...”).
• Preferencialmente, o benefício da adopção do modelo
deve ser demonstrado de forma prospectiva ou
retrospectiva.

23
 7. Implementar e
monitorar continuamente

• Os elementos da organização que vão utilizar o

modelo devem também ser envolvidos desde o início e
não apenas nesta fase.
• O analista é responsável:
– pela implementação do novo sistema até que este se torne
rotina.
– pela monitorização do sistema de forma que o modelo
permaneça válido e eficaz ao longo do tempo.
• Um caso de sucesso, mesmo que de pequena
dimensão, é chave para a análise de outros problemas.

24