Escolar Documentos
Profissional Documentos
Cultura Documentos
Histórico
Definição
Abordagem da PO
Princípios de modelagem
Validação de modelos
Introdução à Pesquisa 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 Pesquisa 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 Pesquisa 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 Pesquisa 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
• "Pesquisa 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 Pesquisa Operacional
Abordagem da PO
Sistema Formulação
Modelo
Real
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
Parte II
Programação Linear
Formulação de modelos
Solução gráfica
Forma padrão e relações de equivalência
Propriedades dos PPL’s
Solução inicial viável
Método Simplex – Forma tableau
Método Simplex – Algoritmo
Método Simplex – Forma matricial
Dualidade em Programação Linear
Análise de pós-otimalidade
Programação Linear
Formulação de Modelos
A WINDOR GLASS Inc. dispõe de capacidade extra para produzir dois novos
produtos. A demanda é muito maior que a capacidade disponível (toda
produção poderá ser vendida).
Pergunta-se: (a) o que produzir? (b) quanto produzir? (c) qual será o lucro? (d)
qual o valor, em $/hora, da capacidade disponível em cada setor produtivo?
Os dados estão na tabela abaixo.
Produto
Capacidade
Setor Produtivo
Janelas Portas Disponível
Produto
Capacidade
Setor Produtivo
Janelas Portas Disponível
x2
9
8 x1 4
7
6 2 x2 12
5
x1 0 3
3 x1 2 x2 18
1
0
0 1 2 3 4 5 6 7 8 9 x1
x2 0
Programação Linear
Solução Gráfica
Suposições da modelagem
Proporcionalidade
Custos e quantidades de recursos consumidos na produção são
proporcionais às quantidades produzidas
Aditividade
Custos totais e quantidades totais de recursos são determinados pela soma
de custos e recursos consumidos na produção de todos items
Divisibilidade
É possível produzir quantidades fracionárias de cada um dos produtos
Certeza
Todos os parâmetros do modelo são determinados e conhecidos
7
Teste de otimalidade: se
não existe um vértice 6
adjacente, melhor que o
vértice atual, então PARE. 5
O vértice atual corresponde 4
à solução ótima. Em caso
contrário, vá ao passo 3. 3
2
Passo iterativo: movimente
em direção de uma solução 1
factível melhor, em um
vértice adjacente; volte ao 0
passo 2.
0 1 2 3 4 5 6 7 8 9 x1
Programação Linear
Solução Inicial Viável - Caso trivial
Caso trivial
a) variáveis não negativas
b) restrições com limite superior
Solução
variáveis nulas
folgas iguais ao RHS
Programação Linear
Solução Inicial Viável - Caso não trivial
Não
Nãotem
temsolução
soluçãotrivial
trivial
Sempre
Sempretem
temsolução
soluçãotrivial
trivial
m
M d
i 1
i
Resolver o problema da
Fase
Fase11
fase 1 usando as variáveis
artificiais para formar uma
base inicial viável.
Se w = 0, então uma
solução inicial viável foi
obtida para o problema.
Fase
Fase22
Base Z X1 X2 S1 S2 S3 RHS
S1 0 1 0 1 0 0 4 +inf
S2 0 0 2 0 1 0 12 +6
S3 0 3 2 0 0 1 18 +9
Z 1 -3 -5 0 0 0 0
Base Z X1 X2 S1 S2 S3 RHS
S1 0 1 0 1 0 0 4 +4
X2 0 0 1 0 1/2 0 6 +inf
S3 0 3 0 0 -1 1 6 +2
Z 1 -3 0 0 5/2 0 30
Programação Linear
Método Simplex - Forma Tableau
Base Z X1 X2 S1 S2 S3 RHS
S1 0 0 0 1 1/3 -1/3 2
X2 0 0 1 0 1/2 0 6
X1 0 1 0 0 -1/3 1/3 2
Z 1 0 0 0 3/2 1 36
S3 Corte 0 1
Z Lucro 36 1
Programação Linear Custo
Customarginal
mais
marginal
negativo
Método Simplex – Algoritmo mais negativo
Início
Escolher variável Menor
Menorrazão
razão
para entrar na base não negativa
não negativa
1 Escolher variável
para sair da base
Existe custo Sim Existe Sim
marginal < 0 ? razão 0
finita ?
Fim
Programação Linear
Método Simplex – Algoritmo
Supondo que a troca de base será realizada com o pivo localizado na r-ésima
linha e k-ésima coluna, o novo tableau poderá ser obtido pré-multiplicando o
tableu da iteração corrente pela inversa da matriz elementar formada pela k-ésima
coluna do tableau corrente, posicionada na r-ésima coluna desta matriz
elementar, isto é:
T (t 1) Er,1k T (t )
Programação Linear
Método Simplex – Algoritmo
0 1 0 1 0 0 4
0 0 2 0 1 0 12
T (0)
0 3 2 0 0 1 18
1 2 5 0 0 0 0
1
1 0 0 1 0 1 0 0 4 0 1 0 1 0 0 4
0 0 2 0 1
0 12 0 0 1 0 1/ 2 0 6
2
T (1)
2 1 0 3 2 0 0 1 18 0 3 0 0 1 1 6
5 1 1 2 5 0 0 0 0 1 3 0 0 5/ 2 0 30
1
1 1 0 1 0 1 0 4 0
0 0 0 1 1/ 3 1/ 3 2
0 0
1 0 1/ 2 0 6 0 0 1 0 1/ 2 0 6
1 0
T (2)
3 0 3 0 0 1 1 6 0 1 0 0 1/ 3 1/ 3 2
3 1 1 3 0 0 5 / 2 0 30 1 0 0 0 3/ 2 1 36
Programação Linear
Método Simplex - Forma Matricial
Particionando...
Particionando...
Programação Linear
Método Simplex - Forma Matricial
Solução
SoluçãoParticular
Particular
Programação Linear
Método Simplex - Forma Matricial
Solução Particular
Programação Linear
Método Simplex - Forma Matricial
Escolher
Escolherpara
paraaumentar
aumentar(entrar
(entrar
Como melhorar ... na base) uma variável não
na base) uma variável não
básica
básicaassociada
associadaaauma
uma
componente
componente positiva dovetor
positiva do vetor
cRT cBT B 1 R
Programação Linear
Método Simplex - Forma Matricial
Escolherpara
Escolher parasair
sairda
dabase
base
umavariável
uma variávelbásica
básica
associadaao
associada aomenor
menorvalor
valor
calculado.
calculado.
Programação Linear
Método Simplex - Forma Matricial
Resumo...
Solução
Teste de entrada
Teste de saída
Programação Linear
Exemplo (1)
Programação Linear
Exemplo (1.a)
1a. Iteração
Programação Linear
Exemplo (1.b)
1
S1 1 0 0 4 4
x1 0
xˆ R xˆ B S 2 B 1b 0 1 0 12 12
x2 0
S3 0 0 1 18 18
4
zˆ cBT xˆ B [0 0 0] 12 0
18
1
1 0 0 1 0
cRT cBT B 1 R 3 5 0 0 0na base
0 Entra 1 0 0 2
na base
Entra
0 0 1 3 2
cRT cBT B 1 R 3 5
Programação Linear
Exemplo (1.c)
1
1 0 0 0 0 S1 4
Rk B 1 Rk 0 1 0 2 2 xˆ B S 2 12
0 0 1 2 2 S3 18
4 0 0
xB xˆ B Rk xR ,k 12 2 xR ,k 0
18 2 0 Coluna
Colunade
de
4 12 18
xR ,k min , , 6
0 2 2
Sai
Saida
dabase
base
Programação Linear
Exemplo (2.a)
2a. Iteração
S1 4
x1
xB Sx2 xR b 12
Sx2
S3 18
1 0 0 1 0
B 0 12 0 R 0 12
0 02 1 3 2
0
1
S1 1 0 0 4 4
x1 0
xˆ R xˆ B x2 B 1b 0 2 0 12 6
S 2 0
S3 0 2 1 18 6
4
zˆ cTB xˆ B [0 5 0] 6 30
6
1
1 0 0 1 0
c RT c BT B 1 R 3 0 0 5 0 0 2 0 0 1
Entra
Entrana
nabase
0
base 2 1 3 0
1 5
c R c B B R 3
T T
2
Programação Linear
Exemplo (2.c)
1
1 0 0 1 1 s1 4
Rk B 1 Rk 0 2 0 0 0 xˆ B x2 6
0 2 1 3 3 s3 6
4 1 0
xB xˆ B Rk xR ,k 6 0 xR ,k 0
Coluna
Colunade
de
6 3 0
4 6 6
xR ,k min , , 2
1 0 3
Sai
Saida
dabase
base
Programação Linear
Exemplo (3.a)
3a. Iteração
S1 4
Sx13
xB x2 xR b 12
S 2
Sx13 18
1 0 1 0 0 10
B 0 2 0 R 0 10
0 2 13 1 0
3
1
1 0 1 4 2
xˆ B B 1b 0 2 0 12 6 Solução
Soluçãoótima
ótima
0 2 3 18 2
2
zˆ cBT xˆ B [0 5 3] 6 36
2
1
1 0 1 0 0
cRT cBT B 1 R 0 0 0 5 3 0 2 0 0 1
0 2 3 1 0
T 1 3
cR cB B R 1
T
2
Programação Linear
Exemplo (4)
Problema de Atribuição
Problema de Transportes
Problemas de Fluxo em Redes
Parte IV
Programação Inteira
Modelagem
Algoritmo de branch and bound
Algoritmo de Balas
Parte V
Programação Dinâmica
Formulação de modelos
Programação Dinâmica Determinística
Programação Dinâmica Estocástica
Programação Dinâmica com horizonte ilimitado
Parte VI
Programação Não Linear
Formulação de modelos
Condições de Karush-Kuhn-Tucker (KKT)
Problemas não lineares monovariados
Problemas mutivariados não lineares
Problemas multivariados não lineares com restrições