Universidade Estadual de Santa Cruz – UESC

Pesquisa Operacional

Aula 1

Sara Meira Moutta

1
Introdução
Pesquisa Operacional é o nome dado a
um conjunto de modelos e algoritmos
destinados a determinar o melhor curso
das ações que visam garantir o
funcionamento ótimo de sistemas, sob
restrições de recursos escassos.
É uma ciência que objetiva fornecer
ferramentas quantitativas ao processo de
tomada de decisões.

2
É difícil prescrever cursos de ação
específicos, mas podemos oferecer
diretrizes gerais para a implementação da
Pesquisa Operacional na prática.
As principais fases de implementação da
PO na prática incluem:
Definição do problema;
Construção do modelo;
Solução do modelo;
Validação do modelo;
Implementação da solução.
3
Programação Linear
É um tópico da Pesquisa Operacional, a
qual contém outros tópicos tais como
análise de decisão, otimização em redes,
teoria de filas, simulação, etc.
É uma ferramenta usada para encontrar o
lucro máximo ou o custo mínimo em
situações nas quais temos diversas opções
de escolha sujeitas a algum tipo de
restrição ou regulamentação.

4
Na prática, a PL tem sido aplicada em
áreas diversas como: alimentação, rotas
de transporte, manufatura, siderurgia,
petróleo, agricultura, carteira de
investimentos, localização industrial, etc.

O modelo geral de PO pode ser

organizado no seguinte formato geral:

5
 Maximizar ou minimizar função objetivo
Sujeito a
restrições

Exemplo: Considere a montagem de um

retângulo de área máxima com um pedaço
de fio de comprimento L polegadas. Qual
deveria ser a largura e altura do
retângulo, sabendo que a soma das duas
medidas equivale a metade do
comprimento do fio?
6
Primeiro identificamos as variáveis do
problema:
w= largura do retângulo em polegadas
h = altura do retângulo em polegadas
Então o modelo será da forma:

Maximizar z=wh
Sujeito a
2(w+h)=L
w,h≥0
7
A solução ótima desse modelo é
w=h=L/4, o que significa a construção de
um quadrado.
Uma solução do modelo é viável se
satisfizer todas as retrições. É ótima se,
além de ser viável, resultar no melhor
valor da função objetivo.
Embora modelos de PO sejam elaborados
para otimizar um critério objetivo
específico sujeito a um conjunto de
restrições, a qualidade da solução depende
de quanto o modelo representa o sistema
real. 8
Solução do modelo de PO
Em PO, não temos uma única técnica para
resolver todos os modelos matemáticos
que podem surgir na prática.
O tipo e a complexibilidade do modelo
matemático é que determinam a natureza
do método de solução.
A técnica mais utilizada de PO é a
programação linear. Ela é aplicada a
modelos cujas funções objetivo e restrição
são lineares.
9
 Outras técnicas são:
 a programação inteira (na qual as variáveis
assumem valores inteiros);
 a programação dinâmica (na qual o modelo
original pode ser decomposto em
subproblemas mais fáceis de tratar);
A otimização em redes (na qual o problema
pode ser modelado como uma rede);
A programação não linear (na qual as
funções do modelo são não lineares).

10
Uma peculiaridade da maior parte das
técnicas de PO é que as soluções não são
obtidas em formas fechadas (semelhantes
a fórmulas).
Em vez disso, são determinadas por
algoritmos que fornecem regras de cálculo
fixas que são aplicadas repetidas vezes ao
problema, sendo que a cada repetição
(iteração) a solução fica mais próxima de
se tornar ótima.

11
Modelagem com programação linear
O modelo de PL, como qualquer modelo
de PO, tem três componentes básicos:
Variáveis de decisão que procuramos
determinar;
Objetivo (meta) que precisamos otimizar
(maximizar ou minimizar);
Restrições que a solução deve satisfazer.

Vejamos alguns exemplos:

12
 1) A companhia Reddy Mikks produz tintas
para interiores e exteriores com base em duas
matérias primas, M1 e M2. A tabela abaixo
apresenta os dados básicos do problema:
Toneladas de matéria-
prima por tonelada de
Tinta para Tinta para Disponibilid
interiores exteriores ade máxima
diária
M1 6 4 24
M2 1 2 6
Lucro por 5 4
tonelada ($1.000)
13
Uma pesquisa de mercado indica que a
demanda diária de tintas para exteriores
não pode ultrapassar a de tintas para
interiores por mais de 1 tonelada.
Além disso, a demanda máxima diária de
tinta para exteriores é 2t.
A reddy Mikks quer determinar o mix
ótimo de produtos de tintas para interiores
e exteriores que maximize o lucro total
diário.

14
As variáveis do modelo são definidas como:
x1 = toneladas de tinta para interiores
produzidas diariamente;
x2 = toneladas de tinta para exteriores
produzidas diariamente;
Para construir a função objetivo,observe que
a empresa quer maximizar o lucro total
diário para as duas tintas.
Dado que os lucros por tonelada de tintas
para exteriores e interiores são de 5 e 4 (mil)
dólares, respectivamente, decorre que:

15
Lucro da tinta para exteriores = 5x1 (mil) dólares;
Lucro da tinta para interiores = 4x2 (mil) dólares;
Representando o lucro total diário (em
milhares de dólares) por z, o objetivo da
empresa é:

Maximizar z = 5x1 + 4x2

Em seguida, construímos as restrições que

limitam a utilização da matéria-prima e a
demanda do produto.
16
A utilização por dia da matéria-prima M1 é
de 6t por tonelada de tinta para exteriores, e
de 4t por tonelada de tinta para interiores.
Assim,
Utilização de M1para exteriores = 6x 1 t/dia
Utilização de M1para interiores = 4x2 t/dia
Então temos que a utilização de M1 para
ambas as tintas = 6x1 + 4x2 t/dia.
De maneira semelhante, temos que a
utilização de M2 para ambas as tintas = 1x 1
+ 2x2 t/dia.
17
Como as disponibilidades diárias de M1 e
M2 estão limitadas a 24 e 6t,
respectivamente, as restrições relacionadas
são dadas como:
6x1 + 4x2 ≤ 24
x1 + 2x2 ≤ 6
A primeira restrição relacionada à demanda
estipula que o excesso de produção diária de
tinta para interiores em relação à de tinta para
exteriores não deve ultrapassar1t, o que
poderia ser traduzido para:
x2 – x 1 ≤ 1 18
A segunda restrição relacionada à demanda
estipula que a demanda diária máxima de
tinta para interiores está limitada a 2t, o que
poderia ser traduzido para:
x2 ≤ 2

Uma restrição implícita é que as variáveis não

podem assumir valores negativos. Desta
forma, temos:
x1 ≥ 0
x2 ≥ 0
19
 O modelo completo da Reddy Mikks é:

Maximizar z = 5 x1 +4 x2
sujeito a
6 x1 +4 x2 ≤ 24 (1)
x1 +2 x2 ≤ 6 (2)
-x1 + x2 ≤ 1 (3)
x2 ≤ 2 (4)
x1 , x2 ≥ 0 (5)

20
Quaisquer valores de x1 e x2 que satisfaçam
todas as cinco restrições constituem uma
solução viável.
Caso contrário, a solução é inviável.
A meta do problema é achar a melhor
solução viável, ou a solução ótima, que
maximize o lucro total.
Precisamos de um procedimento
sistemático que localizará a solução ótima
em um número finito de etapas.

21
Solução gráfica em PL
O procedimento gráfico inclui duas etapas:
1) Determinação da região de soluções
viáveis;
2) Determinação da solução ótima entre
todos os pontos viáveis da região de
soluções.
Vamos encontrar a solução gráfica para
o exemplo 1.

22
Etapa 1:
Em primeiro lugar levamos em conta as
restrições de não-negatividade x1≥0 e x2
≥0.
Na figura 1, o eixo horizontal x 1 e o eixo
vertical x2 representam as variáveis tinta
para exteriores e tinta para interiores,
respectivamente.
Assim, a não-negatividade das variáveis
restringe a área da região de soluções ao
primeiro quadrante.
23
Para levar em conta as quatro restrições
restantes, substituímos cada desigualdade
por uma equação e traçamos no gráfico as
retas.
A região de soluções viáveis do problema é
apresentada na figura 1.
Qualquer ponto que esteja dentro ou sobre
o contorno da área ABCDEF é parte da
região de soluções viáveis.
Todos os pontos fora dessa área são
inviáveis.
24
Figura 1 – Região viável do modelo da Reddy
Mikks
25
Etapa 2:
A região viável da Figura 1 é delimitada
pelos segmentos de reta que unem os pontos
A,B,C,D,E e F.
A determinação da solução ótima requer
identificar a direção na qual a função lucro
z= 5 x1 +4 x2 aumenta.
A direção do aumento de z é mostrada na
figura 2.
A solução ótima ocorre em C, que é o ponto
na região de soluções além do qual qualquer
aumento de z levará para fora da região
26
Figura 2 – Solução ótima do modelo da Reddy Mikks

27
Uma característica importante da solução
ótima em PL é que ela sempre está
relacionada com um ponto extremo da
região de soluções viáveis.
A ideia mostra que, do ponto de vista da
determinação da solução ótima em PL, o
espaço de solução ABCDEF com seu número
infinito de soluções pode ser substituído
pelos pontos extremos A,B,C,D,E e F.
Esse resultado é fundamental para o
desenvolvimento do algoritmo algébrico
geral denominado método simplex.
28
Exemplo 2: A Ozark Farms usa no mínimo
800lb de ração especial por dia. Essa ração é
uma mistura de milho e soja com as
composições elencadas na tabela abaixo:
lb por lb de ração
Ração Proteína Fibra Custo ($/lb)
Milho 0,09 0,02 0,30
soja 0,60 0,06 0,90
Os requisitos nutricionais da ração especial
são de no mínimo 30% de proteína e de no
máximo 5% de fibra.
A Ozark Farms quer determinar a mistura
que gera a ração de mínimo custo diário. 29
Como a ração consiste em milho e
preparado de soja, as variáveis de decisão
do modelo são definidas como:
x1 = lb de milho na mistura diária;
x2 = lb de preparado de soja na mistura
diária;
A função objetivo procura minimizar o
custo total diário da ração e, por isso, é
expressa como:

Minimizar z = 0,3 x1 +0,9 x2

30
Como a Ozark Farms precisa de no mínimo
800lb de ração por dia, a restrição associada
pode ser expressa como:
x1 + x2 ≥ 800
Quanto à restrição ao requisito nutricional de
proteína, a quantidade de proteína presente
em x1 lb de milho e x2 lb de soja deve ser
igual a no mínimo 30% do total da mistura
das rações, isto é,

0,09x1 + 0,6x2 ≥ 0,3(x1 + x2 )

31
De modo semelhante, o requisito de no
máximo 5% de fibras é expresso por:
0,02x1 + 0,06x2 ≤ 0,05(x1 + x2 )
Assim, o modelo completo se torna:

Minimizar z = 0,3 x1 +0,9 x2

sujeito a
x1 + x2 ≥ 800 (1)
0,21x1 - 0,30 x2 ≤ 0 (2)
0,03x1 - 0,01 x2 ≥ 0 (3)
x1 , x 2 ≥ 0 (4)
32
Afigura 3 apresenta a solução gráfica do
modelo.

Figura 3 – Solução Gráfica do modelo da dieta

33