You are on page 1of 126

PESQUISA OPERACIONAL

DESENVOLVIMENTO E OTIMIZAO DE
MODELOS MATEMTICOS POR MEIO DA
LINGUAGEM GAMS
UNESP
Aneirson Francisco da Silva- Doutor Em Engenharia de
Produo na linha de { Gesto e Otimizao-Pesquisa
Operacional) FEG-UNESP-2013
Mestre em Engenharia de Produo-UNIFEI-2009
Prefcio
Dedico esse trabalho
A minha famlia, pela dedicao e pelo
apoio durante toda minha formao, em
especial para aos meus avs (in memoriam)
Manuel Francisco da Silva e Maria Batista.
Bons livros so capazes de mudar
Nossos destinos Allan Kardec
Apresentao
Este livro teve como objetivo fornecer conceitos matemticos sobre a linguagem
de modelagem General Algebraic Modeling System GAMS. A estrutura deste
livro est constituda primeiramente pela reviso da histria da Pesquisa
Operacional, e em seguida uma explanao a respeito dos modelos lineares,
iniciando pelas particularidades desse modelo, teoria de redes e DEA. Tambm
so abordados modelos de otimizao combinatria.
Sumrio
Captulo 1: Introduo Pesquisa Operacional ..................................................................6
Captulo 2: Estruturao de Modelos Lineares....................................................................11
Captulo 3: Otimizao de Problemas Reais .......................................................................23
Captulo 4: Modelos Multiperodos ........................................................................................33
Captulo 5: Modelos Inteiros....................................................................................................40
Captulo 6: Otimizao em Redes e Grafos ........................................................................45
Captulo 7: Otimizao combinatria..................................................................................55
Captulo 8: Anlise por Envoltria de Dados .......................................................................63
Captulo 10: Otimizao Estocstica....................................................................................94
Captulo 11: Otimizao Multiobjetivo .................................................................................96
Captulo 12: Otimizao Quadrtica .................................................................................102
6
Captulo 1: Introduo Pesquisa Operacional
1. A evoluo da pesquisa operacional
O termo Pesquisa Operacional PO foi empregado pela primeira vez em 1939. A partir de
individualizada e batizada, tornou-se possvel fixar suas origens em pocas remotas da histria
da cincia e da sociedade.
1.1. O mtodo da pesquisa operacional
A experimentao tomada no sentido restrito - isto , a manipulao fsica das variveis -
geralmente impossvel ou impraticvel quando se lida com organizaes governamentais,
militares ou industriais. Apesar disso, a experimentao s vezes possvel, particularmente no
caso de subsistemas, e desempenha papel importante na PO. Na maioria das vezes, entretanto, o
sistema global em estudo no pode ser submetido a um tratamento desta natureza. Quem
trabalha em pesquisa operacional geralmente obrigado a construir representaes do sistema e
do seu comportamento para se orientar durante a pesquisa. Os modelos em PO assumem a forma
de uma ou mais equaes ou inequaes para traduzir a condio de que algumas, ou todas as
variaes controladas s podem ser manipuladas dentro de limites. O conjunto destas equaes
constitui, ao mesmo tempo, um modelo de sistema e um modelo de deciso.
A soluo pode ser extrada do modelo mediante experimentao (isto , por simulao) ou
mediante anlise matemtica. Para alguns tipos de funo f (por exemplo, relaes algbricas
elementares), desde que as restries no sejam numerosas, a matemtica clssica fornece
instrumentos perfeitamente adequados para a determinao dos melhores valores das variveis
controladas. Por outro lado, a funo f pode consistir em um conjunto de regras de clculo (um
algoritmo) que nos permita medir a utilidade (U) do desempenho para qualquer conjunto de
valores das variveis controladas e no controladas.
Em alguns casos o comportamento do elemento humano que toma a deciso no pode ser
representado no modelo. Ocorre a necessidade do uso de simulaes que envolvero a
participao de seres humanos, sendo denominados jogos de operaes.
A otimizao, portanto, produz a melhor soluo para o problema que foi modelado.
7
A correspondncia entre modelo e realidade ter de ser aferida (testada) e a soluo avaliada.
Isto , teremos de comparar seu desempenho com o da poltica ou procedimento que ela ir
substituir. Os resultados da pesquisa devem ser implantados. nesta fase que se faz o teste e a
avaliao final da pesquisa; proporcionando, pois, ao especialista as maiores e melhores
oportunidades de aprender.
Cinco fases num projeto de PO:
1. Formulao do problema;
2. Construo do modelo;
3. Obteno da soluo;
4. Teste do modelo e avaliao da soluo;
5. Implantao e acompanhamento da soluo (manuteno).
As vantagens e desvantagens da utilizao de modelos foram assim definidas:
Vantagens
a) Emerge sob a forma grfica, para representar a realidade aprendida em
determinado momento;
b) Simplifica a visualizao da amplitude das variveis sem alterar a essncia;
c) Ajuda a identificar vrias relaes possveis entre os elementos da realidade;
d) Possibilita compreender relaes complexas;
e) Serve como base para estabelecer e aprimorar parmetros.
Desvantagens
f) Limitaes na identificao de todas as variveis relevantes que influenciam em
determinada situao;
g) Problemas na definio das propriedades a serem mensuradas e na especificao
de procedimentos para tal;
h) Dificuldades no entendimento entre os provedores e os usurios da informao.
8
A representao simplificada de um problema prtico por meio de um modelo matemtico
permite que sobre ele se aplique tcnicas e mtodos que facilitam a obteno de uma soluo.
1.2. O impacto da pesquisa operacional
A Pesquisa Operacional tem tido um grande impacto crescente na administrao de empresas
nos anos recentes. Tanto o nmero quanto a variedade de suas aplicaes continuam a crescer
rapidamente. Algumas de suas tcnicas envolvem ide ias sofisticadas em cincias polticas,
matemtica, economia, teoria da probabilidade e estatstica. Como tambm sendo usada
amplamente em outros tipos de organizaes, inclusive negcios e indstria.
Muitas indstrias, inclusive a de aviao e msseis, automveis, comunicaes, computadores,
energia eltrica, eletrnica, alimentos, metalrgica, minerao, papel, petrleo e transporte, tm
feito uso extensivo da pesquisa operacional. Mesmo instituies financeiras, agncias
governamentais e hospitais tm aumentado rapidamente o uso que fazem da pesquisa
operacional.
Vejamos alguns dos problemas que tm sido resolvidos por tcnicas particulares de pesquisa
operacional:
- Programao Linear: tem sido usada com sucesso na soluo de problemas relativos
alocao de pessoal, mistura de materiais, distribuio, transporte, carteira de
investimento, avaliao da eficincia;
- Programao Dinmica: tem sido aplicada tambm com sucesso a reas como
planejamento de despesas de publicidade, distribuio do esforo de vendas e
programao de produo;
- Teoria das Filas: tem tido aplicao na soluo de problemas relativos a congestionamento
de trfego, mquinas de servios sujeitas quebra, determinao do nvel de uma fora de
servio, programao do trfego areo, projetos de represas, programao de produo e
operao de hospitais;
- Programao Inteira: que uma forma de programao linear onde as variveis podem
apenas apresentar nmeros inteiros. Tem sido utilizada na resoluo de problemas de
investimento dentre outros;
9
- Programao linear mista: que uma forma de programao linear onde as variveis
podem assumir valores binrios, inteiros e contnuos, este modelo tambm definido
como otimizao combinatria, enquadrando-se em problemas de dificuldades no
polinomiais NP-HARD;
- Programao No Linear: modelo matemtico onde a funo objetivo, as restries ou
ambas, apresentam no linearidade em seus coeficientes.
- Programao Multiobjetivo: uma forma de programao linear e no linear onde se
analisa mltiplas funes objetivos;
- Goal Programming: uma extenso dos modelos de programao multiobjetivo, contendo
vrios modelos especficos para cada problema de deciso.
Outras tcnicas de pesquisa operacional, tais como teoria de estoque, teoria dos jogos,
teoria dos grafos e simulao, tambm tem sido aplicadas com sucesso a(em) diversos contextos.
REFERNCIAS
BANKS, J.; CARSON, J. S.; NELSON, B. L.; NICOL, D. M. (2005). Discrete-event system simulation.
4th ed. New Jersey: Prentice Hall. 608 p. ISBN 0-13-144679-7.
CLMACO, J. N.; ANTUNES, C. H.;ALVES,M. J. G Programao Linear Multiobjetiva: Do
Modelo de Programao Linear Clssico Considerao Explcita de Vrias Funes Objectivos.
Imprensa da Universidade de Coimbra, 2003
CHANG, C.T. Multi-Choice goal programming. The International Journal of Management Science,
v.35, p. 389-396, 2007.
CHARNES, A., and COOPER, W.W., Goal Programming and Multiple Objective Optimizations.
European Journal of operations Research, v.1, p. 39-54, 1977.
GOLDBARG, M. C. & LUNA, H. P. L. Otimizao combinatria e programao linear: Modelos
e algoritmos. Rio de Janeiro: Campus, 2005.
IGNIZIO, J.P., Introduction to Linear Goal Programming. A Sage University Paper, Englewood
Cliffs, New Jersey, 1985.
LAW, A. M.; KELTON, W. D. Simulation modeling and analysis. 3.ed. New York: McGraw-Hill,
2000.
10
LUCE, R. D; RAIFFA, H. Games and Decision: Introduction and Critical Survey. New York: John
Wiley, 1957.
MIRRAZAVI S. V ; JONES, F.J e TAMIZ. M . A comparison of genetic and conventional methods for
the solution of integer goal programmes. European Journal of Operational Research, v.132. p. 594-
602, 2001.
MONTEVECHI, J. A. B., PINHO, A. F. de, FABIANO, L., & MARINS, F. A. S. Application of
design of experiments on the simulation of a process in an automotive industry. Proceedings of the
2007 Winter Simulation Conference, 2007.
POWELL. J.G e PREMACHANDRA I.M. Accommodating diverse institucional investment objectives
and constraints using non-linear goal programming. European Journal of Operational Research,
v.105, p. 447-456, 1998.
11
Captulo 2: Estruturao de Modelos Lineares
2. Estruturao e otimizao de modelos lineares estacionrios
O anexo A contempla a linguagem de modelagem GAMS. Abordando as principais funes e a
estrutura dessa linguagem de modelagem, mostrando suas principais vantagens. O anexo B
contempla as principais linguagens de modelagens, abordando as principais vantagens da
linguagem GAMS em relao s demais linguagens.
Vamos iniciar a modelagem do problema do Giapetto pela linguagem GAMS. A linguagem GAMS
requer que o problema seja traduzido na forma algortmica.
1- Giapetto fabrica dois tipos de brinquedos de madeira. Soldados e trens. Um soldado vendido
por R$ 27,00 e usa R$ 10,00 de matria prima. Cada soldado que fabricado tem um custo
adicional de R$ 14,00 relativo mo de obra. Um trem vendido por R$ 21,00 e gasta R$
90,00. O custo de mo de obra adicional para cada trem de R$ 10,00. A fabricao destes
brinquedos requer dois tipos de mo de obra: Carpintaria e Acabamento. Um soldado
necessita de 2 horas para acabamento e 1 para carpintaria. Um trem necessita de 1 hora
para acabamento e 1 hora de carpintaria. Cada semana, Giapetto pode obter qualquer
quantidade de matria prima, mas tem a disposio at 100 horas de acabamento e 80 de
carpintaria. A demanda por trens ilimitada, mas a venda de soldados de no mximo 40
por semana. Giapetto quer maximizar seu lucro dirio. Formular o modelo matemtico que
poderia ser usado por Giapetto para maximizar seu lucro semanal.
1 passo: Modelar o problema. Vamos descrever as variveis do problema, o que na linguagem
GAMS chamada de (SETS ) numa traduo pode-se chamar de ndices ou conjuntos.
ndices:
Xi: Quantidade a ser produzida do produto i. O GAMS um software orientado ao objeto, logo
temos que declarar esses objetos que no caso so os i produtos e os j recursos.
Estruturao e otimizao de modelos lineares estacionrios________________________________ 12
12
2 passo: Definir os parmetros (PARAMETER) do modelo: Neste caso sabemos a margem de
contribuio unitria por produto i. Portanto, necessrio esse parmetro que estar ligado ao
ndice i. Vamos chamar este parmetro de MCi. Outro parmetro com relao disponibilidade
dos recursos, sendo este parmetro ligado ao ndice j. Vamos chamar este parmetro de Aj.
Finalmente, devemos criar um parmetro que mostre o consumo unitrio de cada recurso por
produto, sendo este parmetro pertencente aos ndices i e j. Neste caso na linguagem GAMS deve
ser criado uma Tabela (TABLE), que vamos chamar de R i, j.
3 passo: Definir as variveis de deciso: Temos uma deciso que saber o valor da margem de
contribuio, vamos definir essa varivel de Xi. Na linguagem GAMS necessrio informar uma
varivel que vai definir a funo objetivo, neste caso chamaremos de Z, que vai definir os valores
timos de produo de cada produto.
4 passo: Definir as equaes (EQUATIONS): as equaes so definidas por meio do nmero de
restries mais a funo objetivo. A primeira equao vai definir o valor da margem de
contribuio, portanto chamaremos a mesma de margem. A segunda equao vai determinar o
quanto ser consumido por recurso j vamos chamar essa equao de consumo. E a ltima
equao definir o limite mximo de demanda do produto soldado. Agora podemos resolver o
problema do Amigo Giapetto.
I i
i
X
SOLDADO
X
J j
I i
j
A
i
X
ij
R
I i
i
X
i
MC Max
e >
s
e
e
s

e
=
0
40
" "
.
: a sujeito
. Z
A Tabela 2.1 mostra alguns comandos bsicos da linguagem GAMS
Estruturao e otimizao de modelos lineares estacionrios________________________________ 13
13
Smbolo Significado
G Define uma inequao de sinal maior ou igual
L Define uma inequao de sinal de menor ou igual
E Define uma equao (X= n)
So fixadores de ndices
Tambm um fixador de ndices
PROD Expresso para produto de uma srie
SUM Expresso para somatrio
Model Descreve o modelo estudado
Solve Descreve a utilizao de um solver especfico
Display Recurso utilizado para calcular o primal e o dual
A Tabela 2.2 mostra as funes padro de GAMS.
Tabela 2.2- Funes padro em GAMS
Nome Descrio Definio Nmero de Argumentos
ABS Valor absoluto |ARG| 1
ARCTAN Arco Tangente Arctan (arg); resultado em
radianos
1
CEIL Funo teto Maior inteiro arg 1
COS Cosseno Cos (arg) argumento em
radianos
1
ERRORF Funo erro Integral de distribuio
normal padro
1
EXP Exponencial e
arg
1
FLOOR Funo piso Maior inteiro arg 1
LOG Logaritmo
natural
Log do arg na base e 1
Log10 Logaritmo Log de arg na base 10 1
Estruturao e otimizao de modelos lineares estacionrios________________________________ 14
14
Nome Descrio Definio Nmero de Argumentos
comum
MAPVAL Funo
mapeamento
Atribuiu nmeros a valores
especiais
1
MAX Maior valor Max (arg1, arg2,...,argn) >1
MIN Menor valor Min (arg1, arg2,..,argn) >1
MOD Resto arg1-trunc(arg1/arg2) x
arg3
2
Normal Randmica
normal
Nmero aleatrio distribudo
normalmente com
argumento arg1 e desvio
padro arg2
2*
POWER Potncia inteira
ROUND Arredondamento
SIGN Sinal
SIN Seno Sem (arg); arg em radianos
SQR Quadrado arg x arg 1
SQRT Raiz quadrada 1
TRUNC Truncamento Sign (arg) x floor (abs(arg)) 1
UNIFORM Randmica
uniforme
Nmero aleatrio distribudo
uniformemente entre arg1 e
arg2
2*
A Figura 1.1 mostra os processos para obteno do modelo do Giapetto em linguagem GAMS.
Clicando em F9 obtido a soluo para este modelo. A soluo tima para este modelo seria.
Produzir 20 soldados e 60 trens gerando um lucro mximo de R$ 180,00 reais. O GAMS oferece
algumas estatsticas referentes ao tamanho do modelo, como se pode ver abaixo no caso do
modelo Giapetto. As contagens de BLOCKS se refere ao nmero de equaes genricas e
variveis. As contagens de SINGLE se refere as linhas e colunas individuais que esto sendo
Estruturao e otimizao de modelos lineares estacionrios________________________________ 15
15
geradas na instancia particular do modelo. Para os modelos no lineares, so fornecidas outras
estatsticas para descrever o grau de no linearidade do problema (BROOKE et al., 1997).
Estruturao e otimizao de modelos lineares estacionrios________________________________ 16
16
Figura 1.1- Modelo Giapetto em linguagem GAMS.
2- O Senhor Martins dono de uma oficina muito movimentada na cidade de Guaratinguet-
SP. Ele querendo maximizar seus retornos e tambm, visando realizao de novos
investimentos na sua oficina. Resolveu procurar voc/SA, para fazer um planejamento da
sua produo, visando maximizao do lucro, e identificar possveis reas para
realizao de novos investimentos. Os dados da empresa esto logo abaixo:
Tipo de Mquina Produto
1
Produto 2 Produto 3 Tempo
disponvel
Torno 5 3 5 400
Fresa 8 4 0 500
Furadeira 2 5 3 300
Lucro 20 15 18
Demanda Semanal
mxima
40 50 20
Uma oficina mecnica deseja alocar o tempo ocioso disponvel em suas mquinas para a
produo de trs produtos. A Tabela abaixo mostra as informaes sobre as necessidades de
horas de mquina para produzir uma unidade de cada produto, assim como a disponibilidade das
mquinas, o lucro dos produtos e a demanda mxima existente no mercado. Deseja-se o esquema
semanal de produo de lucro mximo.
Resolvendo o exemplo do senhor Martins.
1 passo: Descrever os ndices e conjuntos:
i, j Os objetos so os i produtos e j recursos
2 passo: Descrever os parmetros.
Ri, j: Consumo unitrios por produto i de cada recurso j.
Aj: Quantidade disponvel do recurso j.
Estruturao e otimizao de modelos lineares estacionrios________________________________ 17
17
Di: Demanda mxima por produto i.
Li: Lucro unitrio por produto i.
3 passo: Descrever as variveis de deciso.
Xi: Define a produo do produto i.
Z: Expresso da funo objetivo.
4 passo: Descrever as equaes.
5 passo: Construo do modelo matemtico.
I i
i
X
i
D
i
X
J j
j
A
ij
R
I i
i
X
I i
i
X
i
L
e >
s
e s

e
=
, 0
: a sujeito
Max Z
Estruturao e otimizao de modelos lineares estacionrios________________________________ 18
18
Figura 1.2: Modelo matemtico exemplo 2 em linguagem GAMS.
Soluo tima: Produzir 40 unidades do produto 1, 32 unidades do produto 2 e 20 unidades do
produto 3. Gerando um lucro mximo de R$ 1.640,00.
Soluo Dual: Produto 1 R$ 14,00, produto 3 R$ 9,00 e Furadeira R$ 3,00. Interpretao
econmica do dual. Se a oficina aumentasse a demanda do produto 1 em uma unidade o lucro
aumentaria em R$ 14,00. Se a usina aumentasse a demanda em uma unidade do produto 2, o
lucro aumentaria em R$ 9,00. Se o tempo disponvel de utilizao da furadeira fosse aumentada
em uma hora o lucro aumentaria em R$ 3,00.
Estruturao e otimizao de modelos lineares estacionrios________________________________ 19
19
Problemas propostos
1 Uma indstria fabrica dois tipos de papel e para isso utiliza somente uma mquina. Devido a
certas restries de matria prima, no se pode diariamente produzir mais do que 4 tons de
papel do tipo A, nem mais do que 6 tons do tipo B. Requer-se 1 hora da mquina para produzir 1
ton. de papel do tipo A e 1 hora para produzir 1 ton. de papel do tipo B. O lucro por ton.
produzida de R$ 2,00 para o papel do tipo A e de R$ 5,00 para o papel do tipo B. O tempo de
utilizao da mquina de 8 horas/dia. Elaborar o plano timo de produo.
2 Uma pequena indstria usa trs tipos de matrias primas, P, Q, R para a fabricao de dois
produtos A e B. As matrias primas em disponibilidade na fbrica so:
20 unidades de P;
12 unidades de Q; e
16 unidades de R.
Por razes tecnolgicas, uma unidade do produto A necessita respectivamente de 2, 2 e 4
unidades de matrias primas P, Q e R. Para o produto B esses coeficientes tcnicos so 4, 2 e 0,
respectivamente. O fabricante sabe que o lucro na produo de A de 0,5 unidades monetrias e
de B de 1 unidade monetria. Qual o lucro mximo e quais as quantidades produzidas das
mercadorias A e B para se obter o lucro mximo?
3 Uma companhia de investimento dispe de R$ 100.000,00 para investir em aes e letras
imobilirias.
Sua poltica de aplicao consiste em:
Empregar, no mximo, 50%do disponvel em aes; e
Empregar, no mximo, 60%do disponvel em letras imobilirias.
Atravs de uma pesquisa de mercado, a companhia verificou que deveria empregar, no mximo,
40% do disponvel, na diferena entre o dobro da quantidade investida em aes e a quantidade
investida em letras; e empregar, no mximo, 1% do disponvel na soma da oitava parte investida
em aes com a quinta parte investida em letras.
Estruturao e otimizao de modelos lineares estacionrios________________________________ 20
20
As aes produzem uma rentabilidade de 5% ao ms e as letras 4% ao ms. Qual o investimento
timo?
4 Uma fbrica de canetas quer saber do Departamento de Engenharia quantas canetas de cada
tipo (standard, luxo e esferogrfica) devero ser produzidas, para que o lucro da empresa seja
mximo.
INFORMAES:
a) Do departamento de Produo
Produes mximas mensais possveis para cada um dos tipos de canetas (isto ,
produzir-se s um tipo):
Standard 15.000
Luxo 10.000
Esferogrfica 20.000
b) Do Departamento de Vendas
Mximo de vendas mensais para cada um dos tipos:
Standard 12.000
Luxo 8.000
Esferogrfica 30.000
c) Do Departamento de Contabilidade
Lucro unitrio para cada tipo:
Standard R$ 0,70
Luxo R$ 0,50
Esferogrfica R$ 0,30
5 Uma fbrica de automveis e caminhes possui os seguintes departamentos;
1. Estamparia de pranchas metlicas;
2. Montagem de motores;
3. Montagem de automveis; e
4. Montagem de caminhes.
Estruturao e otimizao de modelos lineares estacionrios________________________________ 21
21
O departamento 1 deve estampar, no mnimo por ms, as pranchas necessrias para 25.000
automveis ou 35.000 caminhes, ou as correspondentes combinaes de automveis e
caminhes. O departamento 2 deve no mnimo por ms, montar 33.333 motores de automveis e
16.667 motores de caminhes ou as correspondentes combinaes de motores de automvel e
caminho. O departamento 3 pode montar e terminar 40.000 automveis e o departamento 4,
mensalmente 25.000 caminhes (ambos utilizando sua capacidade mxima).
Com o constante aumento do combustvel, a fbrica sabe que o prejuzo na fabricao de um
automvel de R$ 500,00 e na fabricao de um caminho de R$ 200,00. Qual a quantidade de
automveis e caminhes a ser produzida a fim de que a fbrica tenha o menor prejuzo possvel,
dadas as condies atuais do mercado?
6 Um vendedor de frutas pode transportar 800 caixas de frutas para sua regio de vendas. Ele
necessita transportar 200 caixas com laranjas, tendo um lucro de 20 u.m. por caixa, pelo menos
100 caixas com pssegos a 10 u.m. de lucro por caixa e no mximo 200 caixas com tangerinas a
30 u.m de lucro por caixa. Construir o modelo matemtico que permita ao vendedor carregar o
caminho de modo a obter o lucro mximo.
7 Um fazendeiro est estudando a diviso de sua propriedade nas seguintes atividades
produtivas. A (Arrendamento) Destinar certa quantidade de alqueires para a plantao de cana
de acar, a uma usina local, que se encarrega da atividade e paga pelo aluguel da terra $ 300,00
por alqueire por ano. P (Pecuria) Usar outra parte para criao de gado de corte. A
recuperao das pastagens requer adubao (100 kg / Alq) e irrigao (100.000 l de gua / Alq)
por ano. O lucro estimado nessa atividade de $ 400,00 / Alq no ano. S (Plantio de Soja) Usar
uma terceira parte para o plantio de soja. Essa cultura requer 200 kg por alqueire de adubos e
200.000 l de gua / Alq para irrigao por ano. O lucro estimado nessa atividade de $ 500,00
por alqueire no ano. Disponibilidade de recursos por ano:
12.750.000 l de gua;
14.000 kg de adubo; e
100 alqueires de terra.
Quanto alqueire dever destinar a cada atividade para proporcionar o melhor retorno?
Estruturao e otimizao de modelos lineares estacionrios________________________________ 22
22
REFERNCIAS
ANDRADE, E. L. Introduo Pesquisa Operacional. LTC, Rio de Janeiro, Brasil, 2004.
BROOKE, A.; KENDRICK, D. & MEERAUS, A. GAMS: Sistema geral de modelagem algbrica. So
Paulo: Edgard Blcher, 1997.
CAIXETA-FILHO, J. V . Pesquisa Operacional: Tcnicas de otimizao em aplicadas a
sistemas agroindustriais. 2 .ed. So Paulo: Atlas, 2004.
COLIN, E.C. Pesquisa Operacional: 170 aplicaes em Estratgia, Finanas, Logstica,
Produo, Marketing e Vendas. Rio de Janeiro LTC, 2007.
LACHTERMACHER, G. pesquisa operacional na tomada de deciso: Modelagem em Excel. 2
ed.- Rio de Janeiro: Elsevier, 2004.
LINS, M .P. E; CALBA, G.M. Programao Linear: com aplicaes em teoria dos jogos e
avaliao de desempenho (Data Envelopment Analysis). Rio de Janeiro; Intercincia - 2006.
GOLDBARG, M. C; LUNA, H. P. L. Otimizao combinatria e programao linear: Modelos e
algoritmos. Rio de Janeiro: Campus, 2005.
23
Captulo 3: Otimizao de Problemas Reais
3. Desenvolvimento e otimizao de problemas reais por meio do GAMS
comum durante o desenvolvimento de modelos matemticos nos depararmos com problemas onde h
limites de demanda para determinados produtos. Como exemplo, iremos modelar um problema em
linguagem GAMS. Os dados esto dispostos abaixo. O Quadro 3.1 refere-se aos recursos disponveis na
fazenda para realizao das atividades leiteiras e de corte.
Quadro 3.1- Recursos disponveis
Abreviatura RESTRIES
AT rea total disponvel para a atividade leiteira ha/ano
TR Custo da terra (devendo ser considerado o custo de oportunidade e o custo de manuteno
adubao, reforma de pasto, limpeza e destoca) R$/ano
BE Custo e despesas combenfeitorias (considerando-se a depreciao, o custo de oportunidade e
o custo de manuteno) R$/ano
MI Custo e despesas com mquinas e implementos (considerando-se a depreciao, o custo de
oportunidade e o custo de manuteno) R$/ano
EQ Custo e despesas com equipamentos (considerando-se a depreciao, o custo de
oportunidade e o custo de manuteno) R$/ano
RE Custo e despesas com reprodutores (considerando-se a depreciao e o custo de
oportunidade) R$/ano
AL Custo e despesas comalimentao (considerando-se o gasto comconcentrados, suplementos
e forrageiras e o custo alternativo) R$/ano
PV Custo e despesas comprodutos veterinrios (considerando-se o gasto e o custo alternativo)
R$/ano
IA Custo e despesas cominseminao artificial (considerando-se o gasto e o custo alternativo)
R$/ano
TE Custo e despesas com transferncia de embries (considerando-se o gasto e o custo
alternativo) R$/ano
DA Gastos comdespesas administrativas (considerando-se tambmo custo alternativo) R$/ano
MK Gastos com marketing e propaganda (considerando-se tambmo custo alternativo) R$/ano
MO Custo e despesas com mo-de-obra (considerando-se o gasto efetivo, os encargos pagos e o
custo alternativo) R$/ano
A Tabela 3.1 mostra os recursos disponveis e o consumo por categoria de animal para o ano de 2004.
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 24
24
Tabela 3.1- Consumo anual por animal.
Restries
Recursos
disponveis
Unidades
RECURSOS CONSUMIDOS POR
CATEGORIA
Bezerras Bezerros Novilhas Vacas Touro
AT
196,50 ha/ano 0,09 0,09 0,25 0,35
0,42
TR
39.493,39 R$/ano 43,37 32,81 66,12 88,78
1535,85
BE
9.894,38 R$/ano 4,07 3,08 3,16 68,26
10,99
MI
51.601,87 R$/ano 70,83 53,59 45,25 276,01
57,34
EQ
13.605,94 R$/ano 3,73 2,83 2,17 99,14
15,12
RE
2.432,04 R$/ano 10,35 7,83 6,59 0,94
0,00
AL
235.063,69 R$/ano 161,32 122,07 393,56 1239,10
261,18
PV
19.243,82 R$/ano 42,26 31,98 27,62 73,10
21,38
IA
3.923,65 R$/ano 16,69 12,63 10,64 1,52
0,00
TE
7.240,00 R$/ano 30,81 23,31 19,63 2,81
0,00
DA
35.535,30 R$/ano 34,14 25,83 19,83 214,86
78,97
MK
18.089,05 R$/ano 69,52 52,60 51,92 5,61
80,40
MO 51.729,07 R$/ano 42,60 32,23 28,87 316,79 114,95
RO
Oramento disponvel: R$ 487.852,20
Essa Tabela foi obtida por meio de rateio, considerando o consumo efetivo de recursos e o tempo de
permanncia de cada categoria animal na propriedade. Para garantir a sustentabilidade econmica da
produo de leite e da produo animais da Fazenda , foram inseridas restries adicionais as
quantidades mximas e mnimas que cada categoria animal deveria possuir, conforme apresentado na
Tabela 3,2. Esses valores so baseados na taxa de lotao histrica da fazenda no ano de 2003.
Tabela 3.2- Categorias de animais
Categoria Qtde Mxima Qtde Mnima
X
1
95 39
X
2
135 53
X
3
170 60
X
4
200 100
X
5
12 -
O oramento disponvel de R$ 487.852,20. O objetivo maximizar a quantidade de animais. Formule o
modelo utilizando-se da linguagem GAMS.
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 25
25
ndices:
i associado s categorias de animais, ieI, I= {Bezerras, Bezerros, Novilhas, Vacas e Touros}.
j associado s categorias dos recursos, jeJ, J= {AT, TR, BE, MI, EQ, RE, AL, PV, IA, TE, DA, MK, MO,RO}.
Parmetros:
Pj: associado ao ndice j define os limites mximos de cada recurso.
Ri, j: associado ao consumo unitrio do recurso j por categoria de animal i.
D2i: demanda mnima por categoria de animal i.
Di: demanda mxima por categoria de animal i.
Variveis:
Xi: Quantidade por categoria de animal.
Z: Associada ao clculo da funo objetivo.
Vamos introduzir outro comando na linguagem GAMS denominado SCALAR neste caso esse comando vai
representar uma constante que no est ligado a nenhum ndice.
I i I
i
X
I i
i
D
i
X
I i
i
D
i
X
J j
j
P
I i
i
X
j i
R
n
i
i
X
e
+
e
e >
e s
e s
e
=
2
: a sujeito
Max Z
Para este modelo temos um problema de programao inteira. Este assunto ser discutido nos prximos
captulos. Portanto, resolveremos o mesmo por meio da otimizao linear tradicional.
A Figura 3.1 mostra o modelo em linguagem GAMS. A soluo tima no inteira seria: bezerras= 39,
bezerros= 132,33, novilhas= 132,172, vacas= 127,773 e touro= 8,71. Utilizando 486.350,05 do
oramento.
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 26
26
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 27
27
Figura 3.1- Modelo agricultura em GAMS.
As ( ) e as( ) so indexadores de ndices na linguagem GAMS.
Exemplo 4: Alocao de tarefas.
Uma empresa de correios deseja estabelecer o nmero de funcionrios de horrios integral que deve
contratar para iniciar suas atividades. Para faz-lo, recebeu uma matriz da empresa com o nmero
mnimo de funcionrios por dia da semana. Estas informaes se encontram na Tabela 3.3. O sindicato
dos empregados de franqueadores dos correios mantm um acordo sindical que determina que cada
empregado deve trabalhar cinco dias consecutivos e folgar em seguida dois dias, e que as franquias
devem ter apenas empregados com horrio integral. Desenvolva e otimize o modelo de maneira a
determinar o nmero total de empregados que a franquia deve contratar e o nmero de empregados por
dia, utilizando a linguagem de modelagem GAMS.
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 28
28
Tabela 3.3- Dados do problema da empresa correios.
Dia da semana Nmero de funcionrios
Domingo 11
Segunda-feira 18
Tera-feira 12
Quarta-feira 15
Quinta-feira 19
Sexta-feira 14
Sbado 16
Figura 3.2- Modelo correios pelo GAMS.
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 29
29
Exemplo de deciso entre fazer ou comprar:
A turbo motores LTDA, uma fbrica de motores especiais, recebeu recentemente R$ 100.000,00 em
pedidos de seus trs tipos de motores. Cada motor necessita de um determinado nmero de horas de
trabalho no setor de montagem e acabamento. A turbo motores deseja determinar quantos motores
devem ser produzidos em sua fbrica e quantos devem ser produzidos de forma terceirizada para
atender demanda de pedidos. A Tabela 3.4 mostra as informaes referentes a esta empresa.
Tabela 3.4- Dados da empresa turbo motores.
Modelo 1 2 3 Disponibilidade
Demanda 3000 unid 2500 unid 550 unid
Montagem 1 h/unid 2h/unid 0,5 h/unid 6000 h
Acabamento 2.5 h/unid 1h/unid 4h/unid 10000h
Custo de
produo
R$ 50 R$ 90 R$ 120
Terceirizao R$ 65 R$ 92 R$ 140
ndices:
p: associado produo, p P, P= {1,2,3}.
j: associado aos recursos j J, J= {Montagem, acabamento}.
Parmetros:
Aj: associado disponibilidade dos recursos j.
Produzirp,: associado ao consumo da recurso j pelo produto p.
Custop: associado ao custo de produo do produto p.
Cusp: associado ao custo de terceirizao.
Cp j define o quanto o produto p utiliza do recurso j.
demandap,: associado a deciso unitria de produo e terceirizao.
Variveis.
Xp: quantidade a ser fabricada do produto p.
Yp: quantidade a ser terceirizada do produto p.
Modelo matemtico:
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 30
30
, ,
: a Sujeito
p
custo Min Z
+
e
+
e
e s
e
= +

e
+
e
=
I
p
Y I
p
X
J j
j
A
P p
j p
C
p
X
p
Demanda
p
Y
p
X
P p
p
Cus
p
Y
P p
p
X
A figura 3.3 resume o desenvolvimento desse modelo em GAMS.
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 31
31
Figura 3.3- Modelo de deciso de compra ou terceirizao em GAMS
Soluo tima: Produzir P1=3.000; P2= 500; P3= 500, terceirizando a produo de P2= 2.000. Gerando um
custo mnimo= R$ 43.900,00.
REFERNCIAS
ANDRADE, E. L. Introduo Pesquisa Operacional. LTC, Rio de Janeiro, Brasil, 2004.
BROOKE, A.; KENDRICK, D. & MEERAUS, A. GAMS: Sistema geral de modelagem algbrica. So Paulo:
Edgard Blcher, 1997.
Desenvolvimento e Otimizao de Modelos Lineares Prticos Por Meio do GAMS______________ 32
32
CAIXETA-FILHO, J. V . Pesquisa Operacional: Tcnicas de otimizao em aplicadas a sistemas
agroindustriais. 2 .ed. So Paulo: Atlas, 2004.
COLIN, E.C. Pesquisa Operacional: 170 aplicaes em Estratgia, Finanas, Logstica, Produo,
Marketing e Vendas. Rio de Janeiro LTC, 2007.
LACHTERMACHER, G. pesquisa operacional na tomada de deciso: Modelagem em Excel. 2 ed.- Rio
de Janeiro: Elsevier, 2004.
LINS, M .P. E; CALBA, G.M. Programao Linear: com aplicaes em teoria dos jogos e avaliao de
desempenho (Data Envelopment Analysis). Rio de Janeiro; Intercincia - 2006.
MEDEIROS, A. L. ; MONTEVECHI, J. A. B. ; TURRIONI, J. B. ; SILVA, L.B ; MENDES, L. Otimizao do
planejamento produtivo a partir da programao linear: uma aplicao na pecuria leiteira.. In: XI SIMPEP -
Simpsio de Engenharia de Produo. Anais do XI Simpsio de Engenharia de Produo. Bauru :
FEB/UNESP, 2004.
GOLDBARG, M. C; LUNA, H. P. L. Otimizao combinatria e programao linear: Modelos e
algoritmos. Rio de Janeiro: Campus, 2005.
SHIMIZU, T. Deciso nas organizaes: introduo aos problemas de deciso encontrados nas
organizaes e nos sistemas de apoio deciso. So Paulo: Atlas, 2010.
Desenvolvimento e Otimizao de Modelos Dinmicos____________________________________ 33
33
Captulo 4: Modelos Multiperodos
4. Desenvolvimento e otimizao de modelos multiperodo por meio do GAMS
A maioria dos problemas de otimizao prticos so multiperodo, e neste caso o modelo
matemtico torna-se mais complexo. Resolvamos o problema de estoque:
Uma empresa de barcos precisa determinar quantos veleiros devem ser produzidos durante cada
um dos 4 prximos trimestres. A demanda de cada um dos trimestres : primeiro trimestre, 40
veleiros; segundo trimestre, 60 veleiros, terceiro trimestre, 75 veleiros, quarto trimestre, 25
veleiros. A empresa quer atender a demanda prontamente. No incio do primeiro trimestre, a
empresa tem 10 veleiros em estoque. No incio de cada trimestre, a empresa precisa decidir
quantos veleiros devem ser produzidos durante o trimestre. Por simplicidade, assume-se que os
veleiros so fabricados durante um trimestre podem ser usados para atender a demanda deste
trimestre. Durante cada trimestre, a empresa pode produzir at 40 veleiros com sua mo de obra
regular a um custo de R$ 400,00 por veleiros. Tendo de trabalhar com horas extras durante o
trimestre, a empresa pode produzir veleiros a mais a um custo total de R$ 450,00 por barco. No
final de cada trimestre aps ter ocorrido a produo e a demanda do trimestre ter sido atendida,
um custo de transporte ou armazenagem de R$ 20,00 por barco ocorre. Desenvolva o modelo
matemtico por meio do software GAMS.
Soluo:
ndices
j Perodos, j J;
Conjuntos
J Conjunto associado aos perodos {1, 2,...,4};
Parmetros
aj Custo de produo em horas normais ;
bj Custo de produo utilizando horas extras
c Custo de estocagem;
dj Demanda no perodo j;
Desenvolvimento e Otimizao de Modelos Dinmicos____________________________________ 34
34
ej Capacidade de produo utilizando horas normais;
Variveis
xj O quanto produzir no perodo j utilizando horas normais;
yj O quanto produzir no perodo j utilizando horas extras;
kj O quanto produzir no perodo j para estoque.
J j
j
k
j
y
j
x
J j
j
d
j
k
j
y
j
x
j
k
J j
j
e
j
x
J j J j
j
k
j
c
j
y
j
b
J j
j
x
j
a
e > > >
e

+ + =
e s

e

e
+

e
+ =
, 0 , 0 , 0
1
Minimizar
A Figura 4.1 mostra este modelo em linguagem GAMS.
Desenvolvimento e Otimizao de Modelos Dinmicos____________________________________ 35
35
Figura 4.1- Modelo dinmico de estoque em linguagem GAMS.
Soluo tima: produo utilizando horas normais: t1=40; t2= 40; t3= 40 e t4= 25.
Produo utilizando horas extras: t2= 10; t3= 35.
Estoques: t1= 10. Custo mnimo R$ 7.840,00
Exemplo 2: Fluxo de caixa multiperodo.
Uma empresa est construindo um novo restaurante que integrar a sua cadeia no prximo ano.
Para tal, necessita de um total de R$ 500.000,00 que ser pago construtora em duas parcelas de
R$ 150.000,00 ao final do 2 e 5 meses, e uma parcela de R$ 200.000,00 ao trmino da
Desenvolvimento e Otimizao de Modelos Dinmicos____________________________________ 36
36
construo no fim do 7 ms. A empresa dispe de 4 tipos de investimentos que podem ser
utilizados a fim de gerar caixa para quitar a construo de maneira a reduzir a necessidade total
de caixa. Informaes:
Investimento Aplicao disponvel
no incio dos meses
Meses de durao da
aplicao
Retorno ao final do
investimento
Tipo A 1,2,3,4,5,6,7 1 1.5%
Tipo B 1,3,5 2 3.2%
Tipo C 1,4 3 4.5%
Tipo D 1 7 9%
Soluo:
ndices:
j: associado aos tipos de investimento.
m: associado aos meses.
a: associado s aplicaes disponveis.
Parmetros:
Investimentosj, a, m: associado a alocado do disponvel a no tipo de investimento j no ms m.
Dm: associado parcela a ser paga no ms m.
Variveis:
Z associada funo objetivo.
Utilizadoj, a: associada ao valor aplicado no tipo de investimento j do disponvel a.
0 Utilizado
D Utilizado . tos Investimen
: a sujeito
UtilizadoD UtilizadoC UtilizadoB A Utilizado Min Z
a j,
n
a j,
m a j, m a, j,
1 1 1 1
>
=
+ + + =

A Figura 4.2 contempla o modelo fluxo de caixa em linguagem GAMS.


Desenvolvimento e Otimizao de Modelos Dinmicos____________________________________ 37
37
Figura 4.2- Modelo fluxo de caixa em linguagem GAMS.
Desenvolvimento e Otimizao de Modelos Dinmicos____________________________________ 38
38
Exerccios propostos
Uma fbrica produz refrigeradores, freezers e fornos. A demanda mensal mdia destes produtos
, respectivamente, de 115.000, 58.000 e 48.000 unidades, e segue um esquema de mdias
mveis com perodo de 4, isto , a demanda de quatro meses consecutivos e constantes ao longo
do tempo. A demanda registrada nos ltimos trs meses foi seguinte:
Demanda mensal por (unidades)
Produto Julho Agosto Setembro
Refrigerador 125.000 108.000 136.000
Freezer 57.000 52.000 73.000
Forno 45.000 36.000 58.000
Para fabricar estes produtos, trs recursos bsicos so necessrios (MDO, MP e energia), cujos
consumos unitrios esto apresentados no quadro abaixo.
Consumo unitrio
Produto MDO/ horas Material Kg Energia kWh
Refrigerador 1,4 17 25
Freezer 1,7 21 23
Forno 1,1 10 17
A fbrica dispe de 1.900 empregados na linha de produo, cada um dos quais trabalha 200
horas por ms. O custo de armazenamento mensal de uma unidade de cada produto R$ 10, R$ 13,
R$ 8, respectivamente. A disponibilidade mensal de energia 5,5 x 10
6
KW/h. A empresa poder
comprar at 3.850 ton/ ms de material, que poder ser armazenado a um custo mensal de R$
0,15kg. Desenvolva o modelo matemtico que permita determinar o plano timo de produo-
material-pessoal para os prximos 12 meses, de modo a garantir que todos os empregados
entrem em frias (1 ms) durante este perodo. Considere que no incio do ms de outubro no
existe estoque de produto acabado e que o estoque de matria-prima de 3.200 toneladas.
REFERNCIAS
ANDRADE, E. L. Introduo Pesquisa Operacional. LTC, Rio de Janeiro, Brasil, 2004.
BROOKE, A.; KENDRICK, D. & MEERAUS, A. GAMS: Sistema geral de modelagem algbrica. So
Paulo: Edgard Blcher, 1997.
Desenvolvimento e Otimizao de Modelos Dinmicos____________________________________ 39
39
COLIN, E.C. Pesquisa Operacional: 170 aplicaes em Estratgia, Finanas, Logstica,
Produo, Marketing e Vendas. Rio de Janeiro LTC, 2007.
LACHTERMACHER, G. pesquisa operacional na tomada de deciso: Modelagem em Excel. 2
ed.- Rio de Janeiro: Elsevier, 2004.
LINS, M .P. E; CALBA, G.M. Programao Linear: com aplicaes em teoria dos jogos e
avaliao de desempenho (Data Envelopment Analysis). Rio de Janeiro; Intercincia - 2006.
GOLDBARG, M. C; LUNA, H. P. L. Otimizao combinatria e programao linear: Modelos e
algoritmos. Rio de Janeiro: Campus, 2005.
SHIMIZU, T. Deciso nas organizaes: introduo aos problemas de deciso encontrados
nas organizaes e nos sistemas de apoio deciso. So Paulo: Atlas, 2010.
40
Captulo 5: Modelos Inteiros
5. Desenvolvimento e otimizao de modelos inteiros por meio do GAMS
Supondo que a empresa X, tenha uma disponibilidade mxima de R$ 650 reais para realizar
vrios investimentos. A taxa mnima de atratividade requerida por esta empresa 10%, para
cada um dos projetos. Os projetos 1 a 6 so mutuamente excludentes, ou seja, a escolha de um
elimina os outros 5.
Aps a realizao dos clculos obtiveram os seguintes resultados
Tabela 5.1- Dados do problema.
Projeto Investimento Inicial/
(UM 1.000,00)
Valor Presente p/ I=
10% p/UM 1.000,00
1 R$ 150,00 R$ 500,00
2 R$ 160,00 R$ 515,00
3 R$ 170,00 R$ 555,00
4 R$ 210,00 R$ 530,00
5 R$ 180,00 R$ 565,00
6 R$ 240,00 R$ 595,00
7 R$ 200,00 R$ 500,00
8 R$ 150,00 R$ 400,00
9 R$ 70,00 R$ 30,00
10 R$ 250,00 R$ 350,00
11 R$ 150,00 R$ 300,00
Selecionar o portflio de projetos que maximize o valor presente desta empresa. Os recursos
disponveis so de R$ 650.
Soluo:
ndices:
p: associado aos projetos disponveis, pP, P={1,2,...,11}.
Parmetros:
Ip: capital disponvel para investir no projeto p.
Desenvolvimento e Otimizao de Modelos Inteiros______________________________________ 41
41
VPLp: Valor presente do projeto p.
Variveis:
Xp: associado escolha do projeto p.
Modelo matemtico:
{ } 1 0,
650
1
6
: a sujeito
Max Z
e
s
=
e

e
=
p
X
p
I
p
X
P p
p
X
P p
p
VPL
p
X
Desenvolvimento e Otimizao de Modelos Inteiros______________________________________ 42
42
Figura 5.1- Modelo MIP1 em GAMS.
Soluo tima: Investir nos projetos: P1, P7, P8 e P11. Gerando um VPL mximo R$ 1.700,00.
Exemplo 2:
Uma indstria quer se expandir, construindo nova Fbrica ou em Itajub ou em Guaratinguet.
Tambm ser considerada a construo de um novo Depsito na cidade que for selecionada para
receber a nova Fbrica. O Valor Presente Lquido de cada alternativa est na Tabela 5.2. A ltima
coluna d o Capital Requerido para os investimentos, sendo o capital total disponvel $25
milhes. Achar a combinao vivel de alternativas que Maximize o Valor Presente Lquido Total.
Tabela 5.2- Dados para a construo da nova Fbrica.
Deciso Sim ou No VPL Capital
Requerido
1 Fbrica em Itajub 7.000.000 20.000.000
2 Fbrica em Guaratinguet 5.000.000 15.000.000
3 Depsito em Itajub 4.000.000 12.000.000
4 Depsito em Guaratinguet 3.000.000 10.000.000
Soluo: Modelo Matemtico:
Desenvolvimento e Otimizao de Modelos Inteiros______________________________________ 43
43
A Figura 5.2 mostra este modelo em linguagem GAMS.
Figura 5.2- Modelo MIP2 em linguagem GAMS.
Desenvolvimento e Otimizao de Modelos Inteiros______________________________________ 44
44
Soluo tima: Construir tudo em Guaratinguet. Gerando um VPL mximo de R$ 8.000.000,00.
Repare que utilizamos o solver MIP (CPLEX 12.1.0), sendo este, o solver mais adequado para
resolver problemas mistos, binrios e inteiros.
REFERNCIAS
ANDRADE, E. L. Introduo Pesquisa Operacional. LTC, Rio de Janeiro, Brasil, 2004.
BROOKE, A.; KENDRICK, D. & MEERAUS, A. GAMS: Sistema geral de modelagem algbrica. So
Paulo: Edgard Blcher, 1997.
COLIN, E.C. Pesquisa Operacional: 170 aplicaes em Estratgia, Finanas, Logstica,
Produo, Marketing e Vendas. Rio de Janeiro LTC, 2007.
LACHTERMACHER, G. pesquisa operacional na tomada de deciso: Modelagem em Excel. 2
ed.- Rio de Janeiro: Elsevier, 2004.
LINS, M .P. E; CALBA, G.M. Programao Linear: com aplicaes em teoria dos jogos e
avaliao de desempenho (Data Envelopment Analysis). Rio de Janeiro; Intercincia - 2006.
GOLDBARG, M. C; LUNA, H. P. L. Otimizao combinatria e programao linear: Modelos e
algoritmos. Rio de Janeiro: Campus, 2005.
45
Captulo 6: Otimizao em Redes e Grafos
6. Desenvolvimento e otimizao de modelos de rede por meio do GAMS
De forma geral, modelos de rede so utilizados em casos especiais de otimizao linear que so
mais bem analisados por meio de uma representao grfica.
Modelos de rede so diagramas compostos por uma coleo de vrtices ou ns ligados entre si
por um conjunto de arcos, conforme mostra a Figura 6.1. Os ns so os crculos e os arcos so as
retas de ligao.
Figura 6.1- Componentes de uma rede.
Os problemas modelados como redes geralmente apresentam nmeros associados aos ns e aos
arcos. Em problemas de transporte modelados como redes, por exemplo, os nmeros associados
aos ns podem representar a quantidade de produtos ofertados ou demanda pelo n, ao passo
que os valores dos arcos podem refletir os custos de transporte (ou tempo, ou distncia) entre
um n e o outro. Diversos problemas de tomada de deciso prticos esto categorizados como
problemas de Rede. Entre eles pode-se citar:
- Problemas de Transporte; Escala de Produo; Rede de Distribuio; Problemas de Menor
Caminho; Problemas de fluxo mximo; Problemas de caminho crtico; Problemas de
rvores geradoras mnimas.
A Figura 6.2 contempla um exemplo de redes em problemas de transporte.
Desenvolvimento e Otimizao de modelos de redes______________________________________ 46
46
Figura 6.2- Exemplo de problemas de transporte.
Sendo os ns 1, 2 e 3 as origens e os demais ns os destinos.
Exemplo 1:
Uma empresa fabricante de bicicletas possui trs fbricas localizadas no Rio, em So Paulo e em
Belo Horizonte. A produo da empresa deve ser entregue em Recife, Salvador e Manaus.
Considerando os custos de transporte unitrios, a capacidade de produo das fbricas e a
demanda dos centros consumidores ilustrados na Tabela a seguir.
Determine quanto deve ser produzido e entregue por fbrica em cada centro consumidor, de
forma a minimizar os custos de transporte.
Fbrica/
Consumidor
Recife Salvador Manaus Capacidade
Rio 25 20 30 2000
SP 30 25 25 3000
BH 20 15 23 1500
Demanda 2000 2000 2000 6000/6.500
Soluo:
ndices:
i: associado s fbricas, iI, I= {Rio, SP, BH}.
j: associado aos destinos, jJ, J={Recife, Salvador, Manaus}.
Desenvolvimento e Otimizao de modelos de redes______________________________________ 47
47
Parmetros:
Ci, j: associado ao envio da fbrica i para o destino j.
ai: associado capacidade mxima de armazenagem da fbrica i.
bj: associado demanda requerida pelo destino j.
Variveis:
Xij: associada quantidade a ser enviada da fbrica i para o destino j.
Modelo matemtico:
J j I i
j i
X
I i
J j
i
a
j i
X
J j
I i
j
b
j i
X
I i J j
j i
C
j i
X Min
e e >
e
e
=
e
e
=

e

e
=
, , 0
: a sujeito
A Figura 6.3 mostra este modelo em GAMS.
Desenvolvimento e Otimizao de modelos de redes______________________________________ 48
48
Figura 6.3: Modelo Rede 1.
Este modelo pode ser representado por um formato de rede conforme contemplado pela Figura
6.4.
Figura 6.4- Modelo de rede do exemplo 1.
Em modelos de transporte as equaes devem estar equilibradas, isto , oferta total= demanda
total. Entretanto, podemos adotar um fluxo de balanceamento.
Hiptese do Problema Tipo de Restrio
Oferta > Demanda Entradas-Sadas Oferta ou demanda do n
Oferta < Demanda Entradas- Sadas Oferta ou Demanda do n
Oferta= Demanda Entradas-Sadas= Oferta ou demanda do n
Desenvolvimento e Otimizao de modelos de redes______________________________________ 49
49
A Tabela abaixo apresenta um plano de manuteno de uma estufa dinmica da Pintura a P
LTDA. Uma das aplicaes desse tipo de estufa curar a tinta p (de alta resistncia) que
aplicada em peas metlicas. Por meio de um processo eletromagntico, o p de tinta fica
impregnado na pea, que levada para dentro da estufa. Quando a pea entra na estufa a uma
temperatura de aproximadamente 200 graus, a tinta derrete e fica impregnada na pea, num
processo denominado cura da tinta. Em casos de produo de alto volume de peas pequenas e
mdias, produtos so fixados em gancheiras, que so transportados por trilhos que passam
dentro da estufa aquecida.
Atividade Descrio Predecessor
imediato
Tempo [hs]
A Desligar e desaquecer a estufa - 6
B Avaliar rolamentos danificados - 4
C Trocar rolamentos danificados B, A 7
D Avaliar e trocar resistncias danificadas A 8
E Limpar estufa internamente D 10
F Lubrificar trilho com grafite C 2
G Fazer inspeo final E, F 1
H Religar estufa G 2
Figura 6.5- Atividades de um projeto de manuteno
Desenvolvimento e Otimizao de modelos de redes______________________________________ 50
50
As atividades A e B no possuem atividades precedentes e, portanto, no h arestas de entrada. A
atividade C possui arestas como predecessores imediatos, as atividades A e B. A atividade D
possui como predecessor apenas a atividade A. As outras atividades so introduzidas na rede da
mesma forma. Os nmeros na construo da rede, algumas regras so levadas em considerao.
- O tamanho da aresta no tem associao com as atividades;
- As atividades iniciadas no final da aresta no podem ser iniciadas antes das atividades que
so iniciadas no inicio da arestas;
- As atividades so representadas exclusivamente pelo seu incio e trmino (evento inicial e
final);
- Ns no podem ser duplicados;
- Dois ns s podem ser conectados por uma nica aresta;
OBS: A funo objetivo neste caso o tempo total, logo definida por H+2, ou seja, o horrio de
trmino da ltima atividade. Com relao s atividades A e B, como no h nenhuma atividade
predecessora tem-se A=B= 0. Sobre a modelagem das atividades que possuem predecessoras,
como por exemplo, a atividade C, que tem a atividade A e B como predecessoras, tem-se:
4 ou 4
6 ou 6
> + >
> + >
B C B C
A C A C
A figura 6.6 mostra a modelagem em GAMS
Desenvolvimento e Otimizao de modelos de redes______________________________________ 51
51
Desenvolvimento e Otimizao de modelos de redes______________________________________ 52
52
Figura 6.6- Modelo CPM EM GAMS
Exerccios propostos
1) Considere a reconstruo de um armazm que ser feito. As atividades associadas so
apresentados na Tabela a seguir:
Atividad
e
Descrio Predecessor
imediato
Tempo
[dias]
A Demolir o armazm - 2
B Comprar materiais para atividade de
alvenaria
- 1
C Separar material reutilizvel A 1
D Escavao de fundaes A 2
E Preparao do acesso ao depsito A 1
F Fazer lista de outros materiais necessrios C 1
G Fazer fundaes de concreto B, D 2
H Fazer acesso E 1
I Levantar paredes de alvenaria B, G 8
J Nivelar cho e fazer o contra piso F, G 2
K Instalar fiao e sistema eltrico F, I 1
L Acabar paredes K, M, N 5
M Fazer telhado F, I 1
Desenvolvimento e Otimizao de modelos de redes______________________________________ 53
53
N Acabar piso de concreto J 5
O Montar calhas e tubulaes de escoamento F, M 1
P Limpar H, L, O 1
Crie a rede associada ao projeto de reconstruo e indique qual o menor tempo para realizao
do projeto. Qual o caminho crtico?
2) A pessoa responsvel pelo plano de atividade do armazm cometeu dois pequenos erros.
Ela introduziu duas relaes da precedncia imediata redundantes. Isso uma falha
conceitual e acontece nos planos de atividades mal feitos. Quais so as duas relaes de
precedncia que no deveriam ter sido colocadas no plano?
REFERNCIAS
ANDRADE, E. L. Introduo Pesquisa Operacional. LTC, Rio de Janeiro, Brasil, 2004.
BROOKE, A.; KENDRICK, D. & MEERAUS, A. GAMS: Sistema geral de modelagem algbrica. So
Paulo: Edgard Blcher, 1997.
CAIXETA-FILHO, J. V . Pesquisa Operacional: Tcnicas de otimizao em aplicadas a
sistemas agroindustriais. 2 .ed. So Paulo: Atlas, 2004.
COLIN, E.C. Pesquisa Operacional: 170 aplicaes em Estratgia, Finanas, Logstica,
Produo, Marketing e Vendas. Rio de Janeiro LTC, 2007.
LACHTERMACHER, G. pesquisa operacional na tomada de deciso: Modelagem em Excel. 2
ed.- Rio de Janeiro: Elsevier, 2004.
LINS, M .P. E; CALBA, G.M. Programao Linear: com aplicaes em teoria dos jogos e
avaliao de desempenho (Data Envelopment Analysis). Rio de Janeiro; Intercincia - 2006.
MEDEIROS, A. L. ; MONTEVECHI, J. A. B. ; TURRIONI, J. B. ; SILVA, L.B ; MENDES, L.
Otimizao do planejamento produtivo a partir da programao linear: uma aplicao na pecuria
leiteira.. In: XI SIMPEP - Simpsio de Engenharia de Produo. Anais do XI Simpsio de
Engenharia de Produo. Bauru : FEB/UNESP, 2004.
GOLDBARG, M. C; LUNA, H. P. L. Otimizao combinatria e programao linear: Modelos e
algoritmos. Rio de Janeiro: Campus, 2005.
Desenvolvimento e Otimizao de modelos de redes______________________________________ 54
54
SHIMIZU, T. Deciso nas organizaes: introduo aos problemas de deciso encontrados
nas organizaes e nos sistemas de apoio deciso. So Paulo: Atlas, 2010.
55
55
Captulo 7: Otimizao combinatria
7. Desenvolvimento de modelos de otimizao combinatria por meio do GAMS
Neste tpico vamos comentar sobre problemas de dificuldade polinomial (P) e problemas de
dificuldade no polinomiais (NP).
Problemas polinomiais so problemas cujos algoritmos conhecidos fornecem solues que
podem ser obtidas por meio de uma funo polinomial de n tamanho de entrada, ou seja: f (n) =
O(n
k
) sendo que(k) uma constante. Problemas NP so problemas cujos algoritmos de soluo
conhecidos so baseados em enumerao, seja ela implcita ou no. De maneira geral, o nmero
de combinaes possveis assustadoramente grande, fazendo com que os algoritmos
enumerativos no consigam resolver problemas com grande nmero de entradas em tempo
hbil. So denominados algoritmos de tempo exponencial e, nestes contextos que se encaixam
os problemas de otimizao combinatria. Os problemas NP podem ser classificado, conforme
(COLIN, 2007):
- Problemas NP - Completos: so problemas que possuem uma forte evidncia da no
existncia de um algoritmo cujo tempo de soluo seja uma funo polinomial do
tamanho da entrada. So considerados os mais difceis da classe NP, e, se algum deles for
resolvido em tempo polinomial, ento todos os problemas NP tambm sero.
Quando se sabe que um problema de otimizao NP - difcil, tem-se a certeza de que nem
sempre a soluo tima ser encontrada. Portanto, tem se aplicado mtodos heursticos, como
por exemplo, algoritmos genticos, colnias de formigas, busca tabu, dentre outras. Abaixo
encontra-se o modelo do problema do Caixeiro-Viajante (CV), sendo este modelo de otimizao
combinatria.
Desenvolvimento e Otimizao de Modelos de otimizao combinatria_______________________56
56
{ } 0 u , 1 , 0
subrotas So
n) 2,3,..., j n; 3,..., 2, i j; (i 1 - n nx u u
chegada de Restrio
sada de Restrio
: a sujeito
. Min Z
j ,
j i, j i
1
,
1
,
1 1
, ,
> e
= = = s +
=

=
=
= =
j i
n
j
j i
n
i
j i
n
i
n
j
j i j i
X
X
X
X C
As restries de sada e de chegada so binrias, e garantem que cada um dos xij seja 0 ou 1. As
restries de sada garantem que para cada cidade haver apenas uma rota de sada e,
analogamente uma chegada para as restries de chegada.
As restries de sub-rotas ou sub-circuitos garantem que a soluo tima no contenha sub-
circuitos.
Exemplo1:
PARA
Sede P1 P2 P3 P4
Sede 5 3.8 2.2 2.4
P1 5 2.6 3.1 5.1
P2 3.8 2.6 1.6 2.8
P3 2.2 3.1 1.6 2.3
DE
P4 2.4 5.1 2.8 2.3
A Figura 7.1 mostra a soluo deste problema por meio da linguagem GAMS.
Desenvolvimento e Otimizao de Modelos de otimizao combinatria_______________________57
57
,
Desenvolvimento e Otimizao de Modelos de otimizao combinatria_______________________58
58
Desenvolvimento e Otimizao de Modelos de otimizao combinatria_______________________59
59
Desenvolvimento e Otimizao de Modelos de otimizao combinatria_______________________60
60
Desenvolvimento e Otimizao de Modelos de otimizao combinatria_______________________61
61
Figura 7.1-Modelo caixeiro viajante em GAMS.
A Figura 7.2 mostra os caminhos a serem percorridos.
Desenvolvimento e Otimizao de Modelos de otimizao combinatria_______________________62
62
Figura 7.2-Modelo Caixeiro Viajante otimizado pelo GAMS.
OBS: com n vrtices h
2
)! 1 ( n
ciclos distintos.
63
Captulo 8: Anlise por Envoltria de Dados
8. Desenvolvimento e otimizao de modelos de anlise por envoltria de dados por
meio do GAMS
Em termos de programao matemtica, a anlise por envoltria de dados (DEA- Data
Envelopment Analysis), tambm chamada de anlise de fronteiras ou anlise de eficincia,
considerada uma tcnica relativamente nova. Ao mesmo tempo, tambm considerada um dos
sucessos recentes da programao linear. Em DEA existem as chamadas DMU- Decision Making
Units, ou seja, as unidades tomadoras de deciso.
Em linhas gerais, a DEA avalia problemas com mltiplos recursos (usados para gerar produtos e
ou servios e mltiplas sadas para cada unidade,(COLIN, 2007). A capacidade com que as DMUs
conseguem gerar sadas para determinadas entradas define sua eficincia. Supe-se que as DMUs
menos eficientes podem melhorar sua eficincia at o limite das melhores unidades , cuja
eficincia de 100%. Mais especificamente, a DEA determina, segundo Colin (2007):
- A melhor prtica- grupo das DMUs mais eficientes;
- As DMUs menos eficientes comparadas com as melhores prticas;
- A quantidade de recursos utilizados de forma improdutiva nas DMUs menos eficientes;
- Para cada uma das DMUs menos eficientes, o grupo das unidades de melhor prtica que
so mais parecidas com elas e que poderiam ser usadas como benchmarks.
Antes de prosseguir com o DEA, vamos entender alguns significados.
- Eficcia Capacidade da unidade produtiva atingir as metas previamente estabelecidas;
- Produtividade Razo entre o que foi produzido e o que foi gasto para produzir. Ex.:
Peas/H.h;
- Eficincia Conceito relativo que compara o que foi produzido com o que poderia ter sido
produzido. Pode ser entendida como uma comparao entre as produtividades
observadas;
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 64
64
Se uma unidade atingiu a meta, foi eficaz. Se conhecermos os recursos que a unidade dispunha
podemos avaliar se esta foi produtiva. Se soubermos quais foram os resultados da concorrncia
podemos avaliar a eficincia da unidade (SOARES DE MELLO, 2005).
Segundo Batista (2009) as empresas ou unidades produtivas tm como principal funo a
produo de bens e servios. A teoria da produo mostra como as empresas podem tomar
decises de produo baseadas na minimizao dos custos e como estes custos podem variar
com o volume produzido.
Quando h dois insumos, h uma forma de descrever as relaes de produo, conhecida
como isoquanta. Para Pindyck e Rubinfeld (2002). A isoquanta representa todas as possveis
combinaes de insumos que resultam no mesmo volume de produo, conforme Figura 3.
Para motivos de ilustrao, supondo que X1 fosse mo de obra e X2 matria prima, ao
dobrar-se a quantidade de insumos a produo mais do que dobra, para o caso de rendimentos
crescentes. Quando o rendimento de escala constante, significa que, quando se dobra a
quantidade de insumos a produo tambm dobra, ou seja, mantm-se a mesma proporo, e
quando o retorno decrescente, ocorre quando se dobra a quantidade de insumos e a produo
cresce de forma bem tmida ou pouco expressiva.
Figura 8.1- Rendimentos de escala. Fonte: Pindyck e Rubinfeld (2002)
Charnes, Cooper e Rhodes (1978) abordaram DEA pela primeira vez ao desenvolverem
um modelo para uma nova medida de eficincia na avaliao de programas pblicos.
Cooper, Seiford e Tone (2006) definem alguns critrios de entrada e sada que cada DMU
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 65
65
deve atender. So eles:
- As variveis e Decision Making Units (DMUs) ou unidade de tomada de deciso devem ser
escolhidas de modo a representar o interesse dos gestores, sendo as DMU = {Pases,
professores, cidades, departamentos, dentre outros};
- H dados numricos positivos para cada entrada e sada, sendo que se deve preferir o uso
de um menor do nmero de entradas comparado ao nmero de sadas.
A Figura 4 contempla um exemplo da avaliao da eficincia, sendo as DMU (lojas) = {A,
B,..., H}, e as variveis de entrada input os funcionrios e a varivel de sada output as vendas.
Realizando o clculo de produtividade, isto , a razo entre a sada pela entrada, percebe-se que
apenas a DMU B foi eficiente, conforme a reta em vermelho, demonstrando que a DEA envelopa
todas as DMUs.
Figura 8.2- Exemplo da modelagem de problemas de avaliao de eficincia. Fonte. Cooper. Seiford; Tonne (2006).
Mello et al. (2005) diz que h trs direes que podem ser adotadas nas projees das
DMUs ineficientes sobre a fronteira de produo, conforme ilustrado na Figura .
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 66
66
Figura 8.3- Representao Grfica para o modelo DEA trs orientaes do modelo. Fonte: Mello et al.(2005)
Um procedimento chamado de orientao a input, cujo objetivo minimizar os inputs
enquanto pelo menos mantm os nveis atuais de outputs, outro chamado de orientao a
output, cujo objetivo maximizar os nveis de outputs mantendo o mesmo consumo atual de
inputs, e uma terceira opo tenta combinar ambas as orientaes, sendo representado pelos
modelos Aditivos (Additive models) ou baseados em folgas (Slack Based Measure) (SANTOS;
MARINS; SALOMON, 2011).
O modelo DEA CCR (Charnes, Cooper e Rhodes, 1978) apresentado no modelo abaixo.
Os pesos para varivel de entrada e sada do modelo geral da DEA podem ser obtidos a partir da
soluo do modelo proposto por Charnes; Cooper; Rhodes (1978), dado por (1) (4):

=
=
=
m
i
i i
s
r
r r
o
x v
y u
w
1
0
1
0
.
.
max

S.a:
n j
x v
y u
m
i
j i i
s
r
rj r
,..., 2 , 1 , 1
1
1
= s

=
=
. ,..., 2 , 1 , 0 s r u
r
= >
. ,..., 2 , 1 , 0 m i v
i
= >
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 67
67
com j representando o ndice da DMU, j=1,...,n; r o ndice da sada, com r = 1,...,s; i o ndice da
entrada, i = 1,...,m; yrj o valor da r-sima sada para a j-sima DMU, xi j o valor da i-sima entrada
para a j-sima DMU, ur o peso associado a r-sima sada; vi o peso associado a i-sima entrada,
wo a eficincia relativa de DMUo, que a DMU sob avaliao; e yr0 e xio so os coeficientes
tecnolgicos das matrizes de dados de sadas e entradas, respectivamente.
Caso wo = 1, a DMU0 eficiente quando comparada s demais unidades consideradas no modelo.
Caso wo <1, esta DMU ineficiente. Este modelo no linear, sendo um caso da Programao
Fracionria, mas que pode ser linearizado, conforme (5) (9), pelo modelo conhecido por CCR
(CHARNES; COOPER; RHODES, 1978), ou com Retornos Constantes de Escala. Entretanto, o
modelo linearizado descrito abaixo.
x, y. , , v u
n ...,c , , k x v - y u
x v S.a.:
y u Max E
i j
m
i
ik i
s
j
jk j
m
i
ic i
s
j
jc j c
>
= s
=
=

= =
=
=
0
, , , 2 1 0
1
1 1
1
1

Esta forma do problema conhecida como problema dos multiplicadores, como tambm so
chamados os pesos, uj e vi.
Lembrando que h vrios modelos de DEA, como por exemplo, modelos estocsticos, fuzzy,
folgas, aditivo, dentro outros. Neste livro iremos mostrar apenas os modelos CCR e BCC
modelados em GAMS, ao final do captulo h uma vasta referncia sobre o assunto.
Exemplo 1:
Um hospital deseja avaliar sua eficincia em relao aos demais hospitais da cidade. A Tabela
abaixo contempla os dados de entrada e sada analisados
Hospital Entradas (x) Sadas (y)
Capital Mo de obra Jovens Adultos Idosos
1 5 14 9 4 16
2 8 15 5 7 10
3 7 12 4 9 13
Neste caso so 3 problemas de programao linear, um para cada DMU.
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 68
68
A Figura 8.4 mostra a soluo deste modelos por meio do GAMS. Lembrando-os que
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 69
69
Figura 8.4- Modelo DEA em GAMS
Basicamente o que muda de um modelo para o outro a funo objetivo e a equao 4 (calculo
4). Vamos interpretar a soluo tima para o ltimo modelo. W2= 0,9 ; W3= 7.1% e V2= 8.3%.
Neste caso as sadas adultos e jovens so importantes para manter a eficincia mxima do
hospital 3. Deve-se conservar a mo de obra. A Figura 8.5 contempla um exemplo de como
modelar o dual de um problema de DEA.
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 70
70
Figura 8.5- Modelo primal e Dual de problemas de DEA.
Pelo GAMS tambm possvel rodar vrios modelos continuamente. Vamos mostrar um exemplo
tomando como base o exemplo exposto acima. A Figura 8.6 mostra este exemplo.
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 71
71
Figura 8.6: Modelo DEA GLOBAL.
Repare que inseriu-se mais uma varivel e tambm algumas equaes e, ao rodar o modelo, deve
ser informado apenas as equaes pertencentes ao modelo desejado.
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 72
72
Outro tipo de modelo DEA que iremos ver neste livro conhecido por BCC (Banker, Charnes e
Cooper, 1984). No modelo DEA CCR h retornos de escalas constantes, vlido para unidades
operando em escala tima. No modelo BCC ou VRS, substitui o axioma da proporcionalidade pelo
axioma da convexidade linear, soma dos lambdas igual a 1. Fronteira cncava e linear por parte,
tambm chamado de retorno variveis de escala.
u
j, i. , , v u
k , u y u x v
x v S.a.:
u y u Max E
i j
j
jk j
j
ik i
i
ic i
j
j j
ff
9 e
>
s + +
=
+ =

=
=
*
0
0 *
1
* .
.
1
1
0 0
As eficincias no modelo DEA BCC so maiores ou iguais as eficincias do modelo CCR. No modelo
CCR as eficincias independem da orientao; os outros resultados de DEA dependem da
orientao
No modelo BCC todos os resultados de DEA dependem da orientao. A Figura 8.7 mostra as
diferenas entre estes modelos.
Figura 8.7- Modelos DEA
A figura 8.8contempla a soluo deste exemplo pelo modelo BCC ou (VRS).
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 73
73
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 74
74
Figura 8.8- Modelagem em GAMS modelo DEA BCC ou VRS
Neste exemplo foi necessrio acrescentar outro conjunto (sets) chamado u que vai pertencer a
varivel do modelo BCC.
Modelo de Supereficincia
A Supereficincia tem como objetivo ranquear as unidades de anlise, ou seja, estabelecer uma
ordem decrescente de prioridade.
A ideia bsica remover a restrio que limita que o valor da eficincia seja de no mximo 1 ou
100. Desta forma, restrio que, a sada menos a entrada devem ser igual a zero retirada do
modelo.
x, y. , , v u
n ...,c , , k x v - y u
x v S.a.:
y u Max E
i j
m
i
ik i
s
j
jk j
m
i
ic i
s
j
jc j c
>
= s
=
=

= =
=
=
0
, , , 2 1 0
1
1 1
1
1



x, y. ,
i
, v
j
u

m
i
ic
x
i
v S.a.:
s
j
yjc
j
u Max Ec
>
=
=

=
=
0
1
1
1
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 75
75
Tomando com exemplo o modelo BCC anterior a modelagem da Supereficincia seria:
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 76
76
Hospital Eficincia Supereficincia
Hospital 1 1 2,888
Hospital 2 0,827 0,827
Hospital 3 1 1,613
Percebe-se que se a DMU no eficiente seu valor na Supereficincia igual ao valor de sua
ineficincia. Em resumo a melhor DMU seria o hospital 1 seguido pelo hospital 2.
Modelo aditivo:
Os modelos de DEA anteriores (CCR e BCC) minimizao a utilizao dos insumos com o mesmo
volume de produo (modelos orientados a insumo) ou maximizam a produo, com a mesma
utilizao de insumos (orientados ao produto), (FERREIRA e GOMES, 2009).
O modelo aditivo pressupe que o valor marginal das folgas dos insumos e produtos maiores do
que zero seja igual. Deste modo, necessrio cautela ao se empregar esse modelo, uma vez que:
a) as unidades de medida utilizadas para os insumos e produtos influenciam os resultados, ou
seja, unidades diferentes resultam escores de eficincia diferentes; b) preciso cuidado para no
somar medidas que no sejam comensurveis. Desse modo, recomenda-se, alis como deve ser
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 77
77
em todos os casos em que utilizam-se modelos de DEA um bom conhecimento e experincia com
o setor e organizaes em anlise.
Este modelo foi desenvolvido por Charnes et al. (1985).

J j
j
te Cons torno
J j
j
Varivel torno
J j
j
r Acrescenta RVE
R r I i J j
r
s
i
s
j
R r
J j
r
y
j r
y
j

I i
J j
i
x
j i
x
j
a s
r r
r
s
I i
i
s
1
tan Re 1
Re 1
:
, , , 0 , ,
0
0
: .
max
>
e
s
e
=
e

e e e >
+
e

e
=
e
e
=

e
+
+
=

Sendo: j define a importncia as DMus benchmarks, yrj matriz dos produtos r para a dmu j, xij
matriz dos insumos i para a dmu j. yr0 matriz dos produtos r para a dmu que est sob anlise, xi0
matriz dos insumos i para a dmu que est sob anlise.
+
i
s
e

r
s
so as variveis de folga vinculada
Cooper, Park e Pastor (1999) propuseram utilizar o inverso das amplitudes (Z
-
= x
0maior
x
0menor
; Z
+
=
y
omaior
y
0menor
) para tornar o processo de maximizao da funo objetivo independente das unidades
de medidas dos inputs e outputs. Desta forma, os pesos dos inputs sero w
i
-
=1/ Z
-
e dos outputs w
j
+
=1/
Z
+
.
A soluo tima do modelo (eficincia) implica que a soma das folgas seja zero.
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 78
78
Aplicao:
DMUs Insumo 1 Insumo 2 Produto
1 6 14 2
2 8 16 4
3 12 12 3
4 6 4 2
5 6 3 1
6 15 3 3
Modelagem em GAMS:
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 79
79
Figura 8.10- Modelagem GAMS modelo aditivo
Folgas do modelo aditivo-MBF
0 10 0
0 0 0
3 6 0
0 0 0
5 2 0
0 0 0
Dados originais Alvos eficientes
DMUs Insumo 1 Insumo 2 Produto Insumo 1 Insumo 2 Produto
1 6 14 2 6 4 2
2 8 16 4 8 16 4
3 12 12 3 9 6 3
4 6 4 2 6 4 2
5 6 3 1 1 4 1
6 15 3 3 15 3 3
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 80
80
Exerccios propostos
1)


Max
001 , 0 v , 001 , 0 w
0 v 14 5v
0 v 12 7v - w3 13 w 9 4w
0 v 15 8v - w3 10 w 7 5w
0 v 14 5v - w3 16 w 4 9w
: a sujeito
w3 16 w 4 9w Z
k j
2 1
2 1 2 1
2 1 2 1
2 1 2 1
2 1
> >
= +
s + +
s + +
s + +
+ + =
Formule o problema dual dos hospitais. E resolva-o pelos dois mtodos.
2) O banco S/A est analisando a eficincia de suas agncias a Tabela abaixo mostra os dados
de entrada e sada analisados.
Recursos empregados (Entrada) Economia potencial (Sada)
Agncias
menos
produtivas
Caixa
[pessoas]
Plataforma
[pessoas]
Gerente
[pessoas]
Despesas
(excl. pessoal
e aluguel) [$]
rea da
agncia
[p
2
]
Caixa
Plata-
forma
Gerente Despesas
rea
da
agncia
A1 10,0 5,0 1,0 652.566 3.818 4,5 1,8 0,3 222.928 1.304
A3 3,0 2,5 1,0 468.637 1.728 1,9 1,6 0,7 295.989 1.133
A4 4,0 2,5 1,0 350.477 1.941 2,3 1,4 0,7 189.745 1.051
A5 9,0 7,0 1,0 1.059.526 5.640 0,7 1,9 0,1 367.020 1.899
A6 3,0 2,5 1,0 235.974 2.200 1,6 1,4 0,6 122.474 1.556
A8 4,5 3,5 1,0 353.235 1.350 1,5 1,3 0,3 10.526 40
A9 3,5 2,0 1,0 341.994 2.346 1,2 0,7 0,4 116.716 976
A11 7,5 3,5 1,0 768.338 3.243 3,3 0,7 0,2 329.403 774
A12 2,5 2,0 1,0 269.998 1.422 1,1 1,1 0,7 122.433 889
A13 9,0 6,5 1,0 1.112.090 5.400 0,1 0,1 - 131.389 1.477
A14 3,5 4,0 1,0 433.868 1.700 0,7 2,0 0,4 81.024 502
A15 2,0 2,0 1,0 253.902 1.486 1,1 1,3 0,7 135.920 961
A18 4,0 2,5 1,0 571.090 1.420 2,0 0,8 0,4 206.693 361
A20 7,0 4,0 1,0 666.133 3.180 3,0 1,5 0,4 280.853 1.176
A22 7,5 3,5 1,0 929.668 1.865 5,2 1,5 0,3 496.072 605
A26 3,5 3,0 1,0 411.922 3.092 1,0 1,0 0,3 112.147 1.491
A27 5,5 5,5 1,0 545.976 2.781 1,9 3,1 0,3 188.394 960
A28 6,0 5,0 1,0 914.990 2.187 1,8 1,6 - 233.870 60
A29 7,0 4,0 1,0 568.054 6.686 1,7 0,9 0,2 176.227 3.669
A30 15,0 13,0 1,0 1.402.615 9.963 4,0 6,1 0,3 551.272 5.377
A31 5,5 6,0 1,0 679.451 3.133 0,8 2,7 0,1 94.692 824
A32 3,0 2,0 1,0 367.828 1.637 0,9 0,6 0,5 107.934 480
A33 17,5 18,0 1,0 3.191.789 8.000 3,3 10,6 0,2 2.510.589 2.016
Total 143,0 109,5 23,0 16.550.121 76.218 45,6 45,7 8,1 7.084.310 29.581
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 81
81
Desenvolva e otimize os modelos desse problema. Avalie o dual e conclua quais so as melhores
agncias e o que deveria ser feito pelo banco para que as agncias no eficientes se tornem
eficientes.
3) Considere as 6 empresas do setor X listadas na Tabela a seguir
Empresa Receita Ativo Empregados
A 800.331 1.487.845 4.478
B 780.880 1.599.784 3.320
C 1.582.624 3.886.613 4.176
D 1.977.624 5.147.807 5.988
E 3.105.444 5.299.049 6.646
F 2.349.306 7.475.831 11.748
a- Utilize a DEA para classificar as empresas em termos de eficincia. Considere que as
entradas so definidas pelos ativos e empregados e que a sada seja definida pela receita.
REFERNCIAS
ADLER, N.; GOLANY, B. Evaluation of deregulated airline networks using data envelopment
analysis combined with principal component analysis with an application to Western Europe.
European Journal of Operational Research, v.132, p.260-273, 2001.
AL-SHAMMARI, M. A multi-criteria data envelopment analysis model for measuring the
productive efficiency of hospitals. International Journal of Operations & Production
Management, v.19, n.9, p.879-890, 1999.
BANKER, R.D.; CHARNES, A.; COOPER, W.W. Some models for estimating technical and scale
inefficiencies in Data Envelopment Analysis. Management Science, v.30, n.9, p. 1078- 1092,
1984.
BORENSTEIN, D.; BECKER, J.L.; PRADO, V.J. Measuring the efficiency of Brazilian post office stores
using data envelopment analysis. International Journal of Operations & Production
Management, v.24, n.10, p.1055-1078, 2004.
BROCKETT, P.L.;COOPER, W.W.;GOLDEN, L.L.;ROUSSEAU, J.J.;WANG,Y. Evaluating solvency versus
efficiency performance and different forms of organization and marketing in US property-liability
insurance companies. European Journal of Operational research, v.154, p.492-514, 2004.
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 82
82
BROOKE, A.; KENDRICK, D. & MEERAUS, A. GAMS: Sistema geral de modelagem algbrica. So
Paulo: Edgard Blcher, 1997.
CHARNES, A.; COOPER, W.W. Programming with linear fractional functionals. Naval Research
Logistics Quarterly, v.9, n.3 e 4, p.181-185, 1962.
CHARNES, A.; COOPER, W.W. LEWIN, A.Y.; MOREY, R.C.; ROUSSEAU, J.J. Sensibility and stability
analysis in DEA. Annals of Operations Research, v.2, p.139-150, 1985.
CHARNES, A.; COOPER, W.W. An explicit general solution in linear fractional programming. Naval
Research Logistics Quarterly, v.20, n.3, 1973.
CHARNES, A.; COOPER, W.W; RHODES, E. Measuring the efficiency of decision making
units. European Journal of Operational Research, v.2, p.429-444, 1978.
CHARNES, A.; COOPER, W.W.; RHODES, E. Evaluating program and managerial efficiency: an
application of Data Envelopment Analysis to program Follow Through. Management Science, v.27,
p.668-697, 1981.
FERREIRA, C. M. C; GOMES, A. P. Introduo Anlise Envoltria de Dados. Editora UFV. 1
Edio. 2009.
CHARNES, A., COOPER, W.W.; THRALL, R.M. A structure for classifying and characterizing
efficiencies and inefficiencies in data envelopment analysis. Journal of Productivity Analysis, v.2,
.197-237,1991.
COOPER, Willian W.; SEIFORD, Laurence M.; TONE, Kaoru. Introduction to Data Envelopment
Analysis and its uses: with DEA-Solver software and references. New York: Springer, 2006.
COOPER, Willian W.; SEIFORD, Laurence M.; ZHU, Joe. Handbook on Data Envelopment
Analysis. Boston: Kluwer Academic Publishers, 2004.
DEBREU, G. The coefficient of resource utilization. Econometrica, v. 19, n.3, p. 273-92,1951.
FARRELL, M.J. The measurement of productive efficiency. Journal of the Royal Statistical Society
-SeriesA,v.120,n.3,p.253-90,1957.
KOOPMANS, T.C. Analysis of Production as an efficient combination of Activities, in T.C.
Koopmans, ed.Wiley, New York, 1951. In: COOPER, Willian W.; SEIFORD, Laurence M.; ZHU, Joe.
Handbook on Data Envelopment Analysis. Boston: Kluwer Academic Publishers,2004.
SOARES DE MELLO, J.C.C.B.; GOMES, E. G.; SOARES DE MELLO, M. H. C.; ESTELLITA
LINS, M. P. Mtodo Multicritrio para Seleo de Variveis em Modelos DEA, Revista de Pesquisa
Naval, Rio de Janeiro, 2002.
Desenvolvimento e Otimizao de modelos de anlise por envoltria de dados_________________ 83
83
SOARES DE MELLO, J.C.C.B.; MEZA, L.A.; GOMES, E.G.; NETO, L.B. Curso de Anlise
Envoltria de Dados. Em: XXXVII SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL,
2005, Gramado. Anais Gramado: Rio Grande do Sul, p.2520-47, 2005.
SOARES DE MELLO, J.C.C.B; MEZA, L.A.; GOMES, E.G.; SERAPIO, B.P.; LINS,M.P.E.
Anlise de Envoltria de Dados no estudo da eficincia e dos benchmarks para companhias areas
brasileiras.Pesquisa-Operacional,v.23,n.2,p.325-345,2003
84
Captulo 9: Goal Programming e DEA
9.1. Programao por Metas
Programao por Metas (Goal Programming GP) uma tcnica de Programao
Multiobjetivo, que busca atender o maior nmero de objetivos estabelecidos, diferenciando-se
dos modelos clssicos, pois algumas de suas restries podem ser flexveis (SILVA, 2009).
A GP possui vrios modelos, contudo, trs modelos merecem destaque, pois so utilizados
com maior frequncia pela comunidade cientfica (ROMERO, 2004; CABALLERO; GOMEZ; RUZ,
2009; YAGHOOBI; TAMIZ, 2007): a Programao por Metas com Priorizao (Preemptive Goal
Programming, ou ainda, Lexicographic GP - LGP); a GP Ponderada (Weighted GP - WGP) e a
MINMAX GP (MA). Passa-se a apresentar estes trs modelos: WGP, LGP e MA.
No modelo WGP, so atribudos pesos as variveis de desvio de forma a dar maior
importncia para os objetivos (Metas) que se deseja realizar plenamente. Entretanto, este tipo de
escolha dos pesos, que no tarefa fcil, pois pode incorporar certo subjetivismo indesejvel.
Uma maneira de se contornar este problema do gestor, segundo Silva (2009), a utilizao de
Mtodos de Tomada de Deciso por Mltiplos Critrios (Multi-Criteria Decision Making MCDM).
De acordo com Chang (2007), o modelo de WGP pode ser expresso por (1) (4):
Min Z= ) d d ( W
i
p
1 i
i i

=
+

+
(1)
S.a:

=
+
n
j
i
g
i
d
i
d
j
x
j i
a
1
= ) + - (
(2)
85
c Cx s (3)
). ,..., 2 , 1 e ,..., 2 , 1 ( para 0 e , , n j p i
i
d
i
d
j
x = = >
+
(4)
Sendo
i
W representa o peso para cada varivel de desvio
i
d , gi a quantidade disponvel do
recurso i (considerado flexvel), e o vetor c representa as quantidades (consideradas limitadas e
inflexveis ) disponveis dos demais recursos envolvidos.
O modelo LGP estabelece a priorizao dos objetivos (ou das metas fixadas para estes
objetivos) por meio de uma hierarquizao ou ordenao. A seguir, apresenta-se o modelo LGP
proposto por Chang (2007) e representado por (5) (8):
Lex min ) ( ),..., ( ),....,
1
(

+
+

+
+

+
+

e
i
d
i

i
d
i

Q
h i
i
d
i

i
d
i

r
h i
i
d
i

i
d
i

h i
(5)
S.a:
r i i i i
h i , n 2,......., , i , g d d ) X ( G e = = +
+
1
(6)
vivel) conjunto um ( , 2,......, , 1 , , , 2,....., , 1 F F X n i 0 d d Q r
i i
e = > =
+
(7)
. n ....., , j e p ....., , i para 0 d e d , x
i i j
2 1 2 1 = = >
+
(8)
onde que hr representa a hierarquia das metas, alocadas no r-simo nvel de prioridade;
i
e
i
;
di
+
= Max (0, ) ) (
i i
g X G e di
-
= Max (0, )) X ( G g
i i
so os respectivos desvios, para mais
(associado ao consumo acima da meta prevista) e desvio para menos (associado ao consumo
abaixo da meta prevista), no alcance da meta
i
g escolhida pelos gestores .
Por fim, h o modelo MinMax Goal Programming -MA que empregado usualmente em
situaes onde vrios fatores dificultam o estabelecimento dos valores das metas por parte dos
gestores. Silva (2009) aponta, dentre outros, como de difcil escolha, valores de metas para o
crescimento da empresa, para o controle de estoques, para o lucro no longo prazo, para os
atrasos em entregas e para as taxas de seguros.
86
A formulao do modelo MA para minimizao de limitante superior, proposta por Flavell
(1976), est em (9) (12):
D Min (9)
S.a:
( ) 0 s +
+
D d d
i i i i

(10)
{ }, ,..., 1 ) ( q i g d d x G
i i i i
e = +
+

(11)
. 0 , 0 , > > e
+
i i
d d F x
(12)
Nesta formulao ocorre a minimizao do desvio mximo D, tambm conhecido como
funo de realizao. Com isso, gera-se uma soluo mais equilibrada entre a realizao dos
objetivos, ou atendimento das metas.
9.2. Anlise por Envoltria de Dados
Bal, lu g elebio e u rkc O



(2010) apontam que, dentre as modelagens quantitativas de auxlio
tomada de deciso, a Data Envelopment Analysis- DEA tem se destacado em estudos de
desempenho relativo a eficincia e eficcia de sistemas, conhecidos como Unidades Tomadoras
de Deciso (ou Decision Making Units DMUs ) que possuem as mesmas varveis de entradas
(inputs) e sadas (outputs).
A DEA permite, entre outros aspectos relevantes, a identificao das DMUs que sejam
referncia (benchmarking) para as demais analisadas. A sua origem se deve a Charnes, Cooper e
Rhodes (1978) que desenvolveram um modelo a fim de se obter uma nova medida de eficincia
para avaliar programas pblicos. Apresentam-se, a seguir, os modelos clssicos DEA: CCR e BCC.
87
Charnes, Cooper e Rhodes (1978), inicialmente, propuseram um modelo, baseado em um
modelo no linear de eficincia, representado por (13) (16):

=
=
=
m
i
i i
s
r
r r
o
x v
y u
w
1
0
1
0
.
.
max

(13)
S.a:
n j
x v
y u
m
i
j i i
s
r
rj r
,..., 2 , 1 , 1
1
1
= s

=
=
(14)
. ,..., 2 , 1 , 0 s r u
r
= > (15)
. ,..., 2 , 1 , 0 m i v
i
= > (16)
onde j representa o ndice da DMU j, com j = 1, ...,n; yrj o valor da r-sima varivel de sada para
a j-sima DMU, xi,j o valor da i-sima varivel de entrada para a j-sima DMU, ur o peso dado
para a r-sima varivel de sada; vi o peso dado para a i-sima varivel de entrada, wo a
eficincia relativa de DMUo, que a DMU sob avaliao; yr0 e xio so os coeficientes tecnolgicos
das matrizes de varivel de sadas e varivel de entradas, respectivamente.
A interpretao da soluo deste modelo que se wo = 1 - a DMU0 eficiente
(benchmarking) quando comparada s demais DMUs; se wo < 1 - a DMU0 ineficiente quando
comparada s demais DMUs.
Como j mencionado este modelo no linear, sendo um caso da Programao Fracionria.
possvel linearizar este modelo (CHARNES; COOPER; RHODES, 1978), como mostrado em (17)
(21), gerando o modelo conhecido como CCR, ou CRS Retornos Constantes de Escala (Constant
Returns to Scale):
88

=
=
s
r
r r o
y u w
1
0
. max
(17)
S.a:
1
1
=

=
io
m
i
i
x v
(18)

= =
= s
s
r
io
m
i
i r r
n j x v y u
1 1
0
,...., 2 , 1 0
(19)
. ,..., 2 , 1 , 0 s r u
r
= > (20)
. ,..., 2 , 1 , 0 m i v
i
= > (21)
J Banker, Charnes e Cooper (1984) relaxaram a suposio de retorno de escala constante
do modelo CCR, por meio de uma restrio de convexidade, onde a fronteira formada, segundo
Fried, Lovell e Schmidt (2008), por combinaes convexas de unidades eficientes; passando-se a
admitir retornos variveis, conforme (22) (26):
0
1
0
. max c y u w
s
r
r r o
+ =

=

(22)
S.a:
1
1
=

=
io
m
i
i
x v
(23)

= =
= s +
s
r
io
m
i
i r r
n j c x v y u
1
0
1
0
,...., 2 , 1 0
(24)
. ,..., 2 , 1 , 0 s r u
r
= > (25)
. ,..., 2 , 1 , 0 m i v
i
= > (26)
Este modelo ficou conhecido como modelo BCC, ou VRS - Retornos Variveis de Escala
(Variable Returns to Scale), A principal diferena no modelo BCC para o CCR a adio da varivel
co. Essa varivel indica os retornos de escala, sendo
0
c uma varivel livre.
Banker, Charnes e Cooper (1984) comentam que uma DMU considerada eficiente no
modelo BCC tambm o ser no modelo de CCR, mas o contrrio no ocorre. A literatura
89
recomenda que o nmero de variveis de entrada e de sada no exceda um tero do nmero de
DMUs. Quando isto ocorre, os modelos DEA tradicionais (CCR e BCC) apresentam uma baixa
discriminao dos dados.
9.3. Programao por Metas & Anlise por Envoltria de Dados
Athanassopoulos (1995) aborda que, quando de interesse a incluso de metas para
avaliao de eficincia, o modelo Goal Programming & Data Envelopment Analysis (GoDEA) pode
ser utilizado. Este modelo foi originalmente desenvolvido com intuito de auxiliar as autoridades
da Grcia na questo da reorganizao de alocao de fundos centrais. Bal,
lu g elebio e u rkc O



(2010) propuseram um novo modelo de DEA com a integrao da GP, que ficou
conhecido como GPDEA, cujo objetivo foi o de aumentar o poder de discriminao da DEA.
O modelo GPDEA baseado em um modelo multiobjetivo DEA proposto por Li e Reeves
(1999) e descrito em (27) (33):

=
=
|
.
|

\
|
n
1 j
1
0
d min
M min
. max ou min
j
s
r
r r o
y u d

(27)
S.a:
1
1
=

=
io
m
i
i
x v
(28)

= =
= = +
s
r
j io
m
i
i r r
n j d x v y u
1 1
0
,...., 2 , 1 0
(29)
n j d M
j
,...., 2 , 1 , 0 = > (30)
. ,..., 2 , 1 , 0 s r u
r
= > (31)
. ,..., 2 , 1 , 0 m i v
i
= > (32)
90
. ,..., 2 , 1 , 0 n j d
j
= > (33)
onde do a varivel de desvio para a DMUo sob anlise; dj a varivel de desvio para a DMU j; M
o mximo valor das variveis desvio (max {dj}).
Observe-se que quanto maior for a varivel desvio do (limitada no intervalo [0, 1]), a DMUo
menos eficiente, segundo Bal et al., 2010. Para obteno de novos modelos GPDEA, Bal,
lu g elebio e u rkc O



(2010) transformaram em metas as mltiplas funes objetivos do modelo de
Li e Reeves (1999). Deste modo, foram propostos os modelos GPDEA-CCR e GPDEA-BCC,
expressos, respectivamente, por (34) (42) e (43) (51):
GPDEA-CCR
|
|
.
|

\
|
+

+
+
+

j j
j
d
j
d d d d
3 2
1
1
min

(34)
S.a:
1
1 1
1
= +
+
=

d d x v
io
m
i
i
(35)

=
+
= +
s
r
r r
d d y u
1
2 2 0
1
(36)

= =
= = +
s
r
j io
m
i
i r r
n j d x v y u
1 1
0
,...., 2 , 1 0
(37)
n j d d d M
j j j
,...., 2 , 1 , 0
3 3
= = +
+
(38)
. ,..., 2 , 1 , 0 s r u
r
= > (39)
. ,..., 2 , 1 , 0 m i v
i
= > (40)
. ,..., 2 , 1 , 0 n j d
j
= > (41)
. 0 , , 0
3 3
> >
+
j j i
d d d
(42)
GPDEA-BCC
91
|
|
.
|

\
|
+

+
+
+

j j
j
d
j
d d d d
3 2
1
1
min

(43)
S.a:
1
1 1
1
= +
+
=

d d x v
io
m
i
i
(44)

=
+
= + +
s
r
r r
d d c y u
1
2 2 0 0
1
(45)

= =
= = + +
s
r
j io
m
i
i r r
n j d c x v y u
1
0
1
0
,...., 2 , 1 0
(46)
n j d d d M
j j j
,...., 2 , 1 , 0
3 3
= = +
+
(47)
. ,..., 2 , 1 , 0 s r u
r
= > (48)
. ,..., 2 , 1 , 0 m i v
i
= > (49)
. ,..., 2 , 1 , 0 n j d
j
= > (50)
. 0 , , 0
3 3
> >
+
j j i
d d d
(51)
92
Referncias Bibliogrficas
ATHANASSOPOULOS, A. D. Goal Programming & Data envelopment analysis (GoDEA) for target-
based multi-level planning: Allocating central grants to the Greek local authorities. European Journal
of Operational Research, v. 87, n. 3, p. 535-550, 1995.
BAL, H.; RKC, H. H.; LU, G ELEBIO

S. Improving the discrimination power and weights


dispersion in the data envelopment analysis. Computers & Industrial Engineering, v. 37, n. 1, p. 99-
107, 2010.
BANKER, R.D.; CHARNES, A.; COOPER, W. W. Some models for estimating technical and scale
inefficiencies in Data Envelopment Analysis. Management Science, v. 30, n. 9, p. 1078-1092, 1984.
BERTRAND, J. W. M.; FRANSOO, J. C. Operations management research methodologies using
quantitative modeling. International Journal of Operations & Production Management, v. 22, n. 2,
p. 241-264, 2002.
CABALLERO, R.; GOMEZ, T.; RUZ, F. Goal Programming: Realistic Targets for the Near Future.
Journal of Multi-Criteria Decision Analysis, v. 16, n. 3-4, p. 79-110, 2009.
CHANG, C. T. Multi-Choice goal programming. The International Journal of Management
Science, v. 35, n. 4, p. 389-396, 2007.
CHARNES, A.; COOPER, W.W.; RHODES, E. Measuring the efficiency of decision making units.
European Journal of Operational Research, v. 2, n. 6, p. 429-444, 1978.
CONAB (Companhia Nacional de Abastecimento): Relatrio Tcnico. Disponvel em:
<http://www.conab.gov.br/conabweb/download/safra/1cana_de_acucar.pdf>. Acesso em: 05 mar.
2011.
COSTA, H. G.; MOLL, R. N. Emprego do Mtodo de Anlise Hierrquica (AHP) na seleo de
variedades para o plantio de cana de acar. Revista Gesto & Produo, v. 6, n. 3, p. 243-256, 1999.
FLAVELL, R. B. A new goal programming formulation. Omega-The International Journal of
Management, v. 4, n. 6, p. 731-732, 1976.
FRIED, H. O.; LOVELL, K. C. A.; SCHMIDT, S. S. The measurement of productive efficiency and
productivity growth. 1. ed. New York: Oxford University Press, 2008.
GENERAL ALGEBRAIC MODELING SYSTEM (GAMS). Disponvel em:
<http://gams.com/dd/docs/solvers/cplex.pdf>. Acesso em: 24 abr. 2011.
HUANG, F.; ANDOW, D. A.; BUSCHMAN, L. L. Success of the high-dose/refuge resistance
management strategy after 15 years of Bt crop use in North America. Entomologia Experimentalis
et Applicata. v 140, p. 1- 16, 2011.
JAMALNIA, A.; SOUKHAKIAN, M. A. A hybrid fuzzy goal programming approach with different
goal priorities to aggregate production planning. Computers & Industrial Engineering, v. 56, n. 4, p.
1474-1486, 2009.
LI, X-B.; REEVES, G. R. A multiple criteria approach to data envelopment analysis. European
Journal of Operational Research, v. 115, n. 3, p. 507-517, 1999.
93
MIGUEL, P. A. C.; FLEURY, A; MELLO, C. H. P; NAKANO, D. N; TURRIONI, J. B; HO, L. L;
MORABITO, R; MARTINS, R. A; PUREZA, V. Metodologia de pesquisa em engenharia de produo
e gesto de operaes. 1 ed, Editora Campus 2010.
MORAES, M. F. et al. Avaliao Agroindustrial e Parmetros Genticos de Prognies de Cana-De-
Acar em Fase Inicial na Zona Canavieira do Litoral Norte de Pernambuco. Cincia e
Agrotecnologia, v. 34, n. 5, p. 1086-1092, 2010.
PAIVA, R. P. O. Modelagem do planejamento agregado da produo em usinas cooperadas do
setor sucroenergtico utilizando programao matemtica e otimizao robusta. 2009.
Dissertao (Doutorado em Engenharia de Produo) Departamento de Engenharia de Produo,
Universidade Federal de So Carlos, So Carlos, 2009.
PAIVA, R. P. O.; MORABITO R. An optimization model for the aggregate production planning of a
Brazilian sugar and ethanol milling company. Annals of Operations Research, v. 169, n. 1, p. 117-
130, 2009.
Programa de Melhoramento Gentico da Cana de Acar. Disponvel em:
<http://pmgca.dbv.cca.ufscar.br/dow/VariedadesRB_2008.pdf>. Acesso em: 15 abr. 2011.
ROMERO, C. A general structure of achievement function for a goal programming model. European
Journal of Operational Research, v. 153, n. 3, p. 675686, 2004.
SILVA, A. F. Modelagem do Planejamento Agregado da Produo de uma Usina Sucroalcooleira.
2009. Dissertao (Mestrado em Engenharia de Produo) Escola Federal de Engenharia de Itajub,
Universidade Federal de Itajub, Itajub, 2009.
VEIGA FILHO, A. de A.; RAMOS, P. Prolcool e evidncias de concentrao na produo e
processamento de cana de acar. Informaes Econmicas, v. 36, n. 7, p. 48-61, 2006.
YAGHOOBI M. A.; TAMIZ, M. A method for solving fuzzy goal programming problems based on
MINMAX approach. European Journal of Operational Research, v. 177, n. 3, p. 15801590, 2007.
94
Captulo 10: Otimizao Estocstica
No paradigma Multicritrio de auxlio deciso, no qual, vrios critrios, objetivos e
metas so considerados simultaneamente, podendo ser conflitantes, o tomador de deciso (TD)
dever escolher as solues que proporcionem equilbrio entre estes conflitos. Em muitos
problemas prticos do contexto industrial e empresarial, os TD devem otimizar estes objetivos
conflitantes, levando em considerao a incerteza. Em outras palavras, os coeficientes da funo
objetivo podem ser estocsticos, os coeficientes da matriz tecnolgica (restrio do lado
esquerdo), e as limitaes (restries do lado direito) tambm podem ser estocsticos, isto ,
aleatrias.
Conforme Abdelaziz (2012), a formulao geral do modelo estocstico multiobjetivo
pode ser expressa conforme equaes (1) a (3):
Maximizar ( ) ( ( ) ) ( ) x f x f x f
m
, ,...., , ,
1
=
(1)
s.a:
( ) ( ) ( ) { }, ,..., 1 , , K j b x g X x
j j
= s = e

(2)
O e e , D x
(3)
sendo:
- D um conjunto convexo determinstico;
- O conjunto vivel X( ) aleatrio: a restrio gj e a limitao bj so aleatrias;
- Os m objetivos ( ( ) ) ( ) x f x f
m
, ,...., ,
1
so aleatrios;
- ( )
n
x x x ,...,
1
= o vetor n-dimensional;.
- ( ) p , O o espao de probabilidade.
95
Shahinidis (2004) comenta que a otimizao estocstica aplicada em diversas reas do
conhecimento, como, por exemplo, planejamento da produo, anlise de investimento, gesto de
recursos naturais e em finanas.
Umas das vantagens de se utilizar modelos de otimizao estocstica multiobjetivo a
possibilidade de extrair um conjunto de informaes relevantes relacionadas ao problema
analisado, e desta forma, possibilitando a anlise de diferentes cenrios (ABDELAZIZ; AOUNI E
EL FAYEDH, 2007; AOUNI; ABDELAZIZ E MARTEL, 2005; DEB, 2001). [~] caracteriza varivel
estocstica ou aleatria.
Outra formulao para representar problemas estocsticos multiobjetivos abordado por
(ABDELAZIZ; AOUNI E EL FAYEDH, 2007) expresso pelas equaes (4) a (6):
Max ou Min objetivos Z= j
n
j
j i
x C

=1
~
m i ,..., 2 , 1 =
(4)
s.a:
i
b
j
x
n
j
j i
A
~
1
~
s
=

m i ,... 2 , 1 =

(5)
X x e um conjunto vivel (6)
sendo:
-
j i
C
~
,
ij
A
~
matrizes estocsticas e
i
b
~
o recurso estocstico (restrio do lado direito).
96
Captulo 11: Otimizao Multiobjetivo
Uma definio bsica para otimizao poderia ser dada por um sistema no qual suas sadas tima
requerida (ou descrio) conhecida, tambm conhecido seu modelo interno e com objetivo de
identificar a entrada que leve ao resultado ou resposta tima (EIBEN e SMITH, 1998).
Um problema de otimizao formalmente apresentado a seguir: Dada uma funo deseja-
se encontrar um elemento em tal que para todo (ou encontrar tal que
caso queira maximizar o resultado da funo) (DEB, 2001).
Sendo , o domnio chamado de espao de busca, especificado por uma srie de restries de
igualdade e desigualdade em que seus elementos devem satisfazer. A funo conhecida como
funo objetivo e a soluo que maximize ou minimize o resultado chamada de soluo tima.
Em complexos problemas industriais, a tomada de deciso geralmente envolve informaes imprecisas
ou incompletas e mltiplos agentes de deciso. Entende-se por isso que na otimizao do destes
ambientes complexos, naturalmente, so envolvidos mltiplos objetivos (DEB, 2001). Diferentemente
da otimizao clssica, a otimizao multiobjetivo s ter sucesso com anlise aprofundada,
objetivando alcanar o mximo dos objetivos requeridos. Para que isso ocorra faz-se necessrio um
modelo especfico da programao matemtica, de um procedimento altamente estrutural e formal para
encontrar a soluo tima de um problema de deciso (COHON, 2004).
No fluxo seguido pela a otimizao multiobjetivo (DEB, 2001), o problema traduzido em equaes,
com as suas funes objetivo respectivamente e posteriormente, a soluo com mltiplas solues.
Ento, dada uma soluo, seus objetivos podem no serem satisfeitos simultaneamente. Ento
necessrio exercer um julgamento com relao importncia de cada um destes objetivos. Este
julgamento far com que os objetivos sejam ordenados ou hierarquizados. Feito o julgamento, a
alternativa que satisfazer os mltiplos objetivos existentes ser escolhida.
Como proposto por Deb (2001), em determinados problemas, os objetivos podem apresentar uma
sequencia de prioridades. Para criar uma funo composta objetiva, somam-se os objetivos, sendo estes
proporcionais a um fator de preferencia de um determinado objetivo. A diferena entre os dois
97
esquemas de otimizao, que a informao do problema no ser utilizada para a busca de uma nova
soluo, mas para selecionar uma soluo em meio a um conjunto de solues timas.
A otimizao sistemtica com simultneas funes objetivo (normalmente conflitantes), chamada ento
de otimizao multiobjetivo, pode ser descrita formalmente, de acordo com Deb (2001), nos seguintes
termos:
Minimizar/ Maximizar
(1)
Restries:
;
(2)
;
(3)
;
(4)
Sendo:
- Otimizao de objetivos mltiplos haver funes objetivo, representadas por
, com opo de serem maximizadas ou minimizadas
individualmente;
- Ao problema existem associados restries de desigualdade e de igualdade. Quando alguma
soluo no satisfizer todas as restries ( ), esta ser considerada com uma soluo no
vivel.
- O espao de busca ser formado pelo conjunto de solues que satisfazerem as restries;
- A soluo ser um vetor com variveis de deciso, demonstrado por .
O espao de deciso ser delimitado pelo ltimo conjunto de restries
Utilizando exemplo dado por Carvalho (2008), um dado problema de otimizao multiobjetivos
contendo funes conflitantes poderia ser:
98
Minimizar e
(5)
Restries:
(6)
(7)
Outro conceito importante o de convexidade. Uma funo ser convexa se
, para . Em outras palavras, dado um espao
convexo F e quaisquer dois pontos a e b pertencentes a ele, o segmento de reta que unir estes dois
pontos tambm estar em . Caso contrrio o conjunto ser conhecido como cncavo (ou no
convexo).
Extrapolando este conceito, afirma-se que um problema de otimizao com mltiplos objetivos
convexo se todas as funes objetivo e o espao de busca forem convexos.
Pontos timos de Pareto, Eficincia e Dominncia
Pontos timos de Pareto
Diferentemente da otimizao monobjetivo, a multiobjetivo possui vrias solues timas. Na ausncia
de informaes relevantes para serem discriminadas, as solues devem ser caracterizadas por um
grupo de alternativas, sendo estas consideradas equivalentes. Existir ento, um compromisso
especfico deste problema (trade-off) quando na escolha da soluo final. Pareto (1896) definiu o
conceito predominante de ponto timo, muito importante para anlise multicritrios, dado por:
Um ponto ser timo de Pareto se, e somente se, no houver outro ponto, tal que:
, para todo ou, existe pelo menos um tal que
para no mnimo um
Um ponto ser timo de Pareto se no ocorrer qualquer outro ponto factvel que melhore a soluo em
pelo menos um dos objetivos, sem que seja prejudicado nenhum outro. Determinados problemas
podem no ter um nico ponto timo de Pareto, podem ter um conjunto de pontos de Pareto. Conforme
apresentado na figura 2, segue um exemplo de um conjunto de pontos timos de Pareto, sendo que Z
o espao de solues. Pelo fato do exemplo ser composto de apenas duas funes objetivo, a
99
visualizao mais simples: no possvel melhorar uma das funes objetivo de um ponto timo de
Pareto sem prejudicar a outra.
Outros dois conceitos na otimizao so os de Eficincia e Dominncia. Segue definio feita Steuer
(1989):
Eficiente e Ineficiente - Um ponto ser eficiente se, e somente se, no houver outro ponto,
tal que:
, com pelo menos um . Do contrrio, ser inexistente.
Fronteira Eficiente Dado pelo conjunto de todos os pontos eficientes.
No Dominado e Dominado - O vetor de funo objetivo ser no dominado se, somente se,
no houver vetor tal que , com pelo menos um Do contrrio,
ser dominado.

Figura 11.1 - Representao Grfica de um Conjunto de timos de Pareto
Programao do Compromisso
Segundo Zeleny (1973) este mtodo caracteriza-se por ser um processo iterativo, normalmente
estabelecido por um processo progressivo baseado em preferncias, at que se atinja uma soluo
satisfatria. Existem casos em que os pesos dos critrios de avaliao so baseados na estrutura do
problema. O mtodo identifica as alternativas no dominadas por meio de um conceito geomtrico
F
2
F
1
Conjunto de
Pontos timos de
Pareto
Z
100
ideal. Dada uma matriz de avaliao para as alternativas de soluo do problema, de acordo com os
critrios estabelecidos, a melhor soluo pode ser definida como o vetor Z
i
*
= (Z
*
, Z
2
*
,..., Z
3
*
), onde as
funes Z
i
*
so as solues de um dado problema:
(8)
s.a.
(9)
Sendo:
- o vetor de decises;
- o nmero de critrios;
- o conjunto das solues viveis e ;
- a funo-objetivo para o critrio .
Normalmente a soluo ideal inatingvel e servir de padro de referncia na classificao das
solues no dominadas. A classificao obtida pela determinao da proximidade de cada alternativa
no dominada com relao soluo ideal. Uma das medidas de proximidade mais usadas a que
segue:

(10)
Sendo:
- e , ndices dos pesos dos critrios, fixados qualitativamente pelos
decisores, ou originrios da estrutura de preferncias advindos do problema. A soluo
de compromisso (x) para um dado :
Sujeito a:
101
- A expresso uma medida de desvio da soluo ideal. A determinao do
conjunto das solues de compromisso obtida resolvendo-se a funo acima para
valores dados aos pesos e para .
A soluo com melhor compromisso ser caracterizada pelo vetor dos melhores valores alcanados em
cada critrio da matriz de avaliao. Ou seja:
Semelhantemente, a pior soluo ser caracterizada por aquela que apresentar o vetor dos piores
valores da matriz de avaliao. Por fim, com estes valores e os parmetros e , calcula-se a distncia
das alternativas at a soluo ideal. A alternativa que demonstrar a menor distncia ser a soluo de
melhor compromisso. Caso os decisores no forem satisfeitos, devero ser variados os pesos dos
critrios e o parmetro , processando-se novamente o algoritmo, at que seja encontrada uma soluo
satisfatria para os decisores.
102
Captulo 12: Otimizao Quadrtica
Fundamentalmente um problema de Otimizao Quadrtica (OQ) pode ser definido como aquele que
possiu uma funo objetivo em que pelo menos um dos termos quadrtico, os outros termos so no
mximo quadrtico e as restries so lineares ou convexas (COLIN, 2007).
- A OQ responsvel pela soluo de uma srie de problemas prticos importantes, como,
por exemplo, problema de maximizao da margem de contribuio (preos e
quantidades so relacionados);
Problema de anlise de investimentos; COLIN, E.C. Pesquisa Operacional: 170 aplicaes em
Estratgia, Finanas, Logstica, Produo, Marketing e Vendas. Rio de Janeiro LTC, 2007.
-
- Problema de seleo de projetos six sigma;
- Modelos quadrticos de problemas da metodologia da superfcie de resposta, dentre
outros.
O problema da maximizao da margem de contribuio pode ser usado em uma infinidade de
situaes. Praticamente em qualquer caso em que o preo de um produto determine sua demanda, e
exista certa flexibilidade para se alterarem volumes de venda, uso bem conduzido do modelo traz
vantagens. O relacionamento entre preo e demanda possui um conceito importante associado que a
elasticidade. A elasticidade da demanda com relao ao preo determina o quanto a demanda muda
para uma da variao no preo do produto.
Aplicao em anlise de investimentos no mercado de aes.
Um investidor investigou trs aes para realizar um investimento {Vale, Banco do Brasil, Telemar}.
A tabela a seguir contempla o retorno mdio, a varincia e covarincia destas aes num perodo de 1
ano.
Aes A B C
Retorno 14% 11% 10%
Varincia 20% 8% 18%
Covarincia AB=5% AC=2% BC=3%
103
Formular o problema para que se tenha pelo menos um retorno de 12% na carteira de tal forma que
minimize a varincia desta carteira.
Soluo:
ndices
j aes, j J, J = {1, 2,3};
Parmetros
aj Rendimento mdio da ao j ;
bj Varincia da ao j;
cji Covarincia da ao ;
Variveis
xj Quanto investir na ao j.
Modelo Matemtico Quadrtico.
J j
j
x
J j
j
x
J j
j
a
j
x
J j
i
x
j i
J i
j
x
J j
j
x
j
b
e >

e
=

e
>

e

=
e

e
+ =
0
1
12 , 0
2
2
Minimizar
104
Figura 12.1- Modelo de Programao Quadrtica para avaliar mercado de aes
105
A metodologia de superfcie de resposta (MSR) uma tcnica de otimizao baseada em
planejamentos fatoriais que foi introduzida por G.E.P Box na dcada de 50, e que desde ento
temsido usada com grande sucesso na modelagem de diversos processos industriais (NETO,
SCARMINIO e BRUNS, 2007).
Um engenheiro est analisando um processo qumico no qual h dois fatores C(%) concontrao
do reagente e Velocidade (rpm), a resposta o rendimento em %, abaixo tem-se a matriz
experimental.
Ensaio C(%) V(rpm) x1 x2 y(%)
1 30 115 -1 -1 86
2 40 115 1 -1 85
3 30 135 -1 1 78
4 40 135 1 1 84
5 35 125 0 0 90
6 35 125 0 0 88
7 35 125 0 0 89
8 28 125 -\2 0 81
9 35 139 0 \2 80
10 42 125 \2 0 86
11 35 111 0 -\2 87
No DOE as equaes, ou funes de transferncia, so geradas, por meio de uma regresso,
quando se trata apenas de dois nveis. Conforme Equao (1) a regresso a estimao da
varivel dependente ou resposta (Y) em funo de variveis independentes (Xs). J a Equao
(2) mostra como feito tal clculo, por meio do algoritmo dos mnimos quadrados. Este
algoritmo gera os valores para cada coeficiente que est vinculado a cada fator. A Equao (3)
contempla a forma decodificada da regresso, sendo que o coeficiente polinomial, K=2 e
o erro aleatrio. Aqui no foram abordados modelos polinomiais de 2
a
ordem (Metodologia da
Superfcie de Resposta), tal aplicao ficar para futuras pesquisas (NETO et al., 2007). A
106
equao 4 contempla o modelo significativo da MSR, e por fim a restries (5)-(6) contemplam a
faixa que os fatores podem variar, correspondente ao arranjo experimental.
( ) x f Y =
(
(1)
(
(
(
(

=
(

=
n
y
t
x x
t
x Y

2
1
0
1
(
(2)

< e e
+ + + + =
j i j
j i ij i
I i
ii i
I i
i
x x x x Y
2
0
(
(3)
2 1
75 , 1
2
2
81 , 2
2
1
81 , 2
2
36 , 2
2
36 , 2
1
5 , 1 89 x x
x
x x x x Y + + =
(
(4)
1
1
1 s s x
(
(5)
1
2
1 s s x
(
(6)
107
Figura 12.1- Modelo Quadrtico de MSR em GAMS
108
REFERNCIAS
BERTRAND, J.W.M.; FRANSOO, J.C. Modelling and Simulation: Operations management
research methodologies using quantitative modeling. International Journal of Operations &
Production Management, v. 22, n. 02, p. 241-264, 2002.
CARVALHO, A. G. Obtendo diversidade em algoritmos evolucionrios multi-objetivo.
Pernanbuco, 2008.
COHON, J.L. Multiobjective Programming and Planning. Dover Publications, 2004.
COLIN, E.C. Pesquisa Operacional: 170 aplicaes em Estratgia, Finanas, Logstica,
Produo, Marketing e Vendas. Rio de Janeiro LTC, 2007.
DEB, K. Multi-Objective Optimization using Evolutionary Algorithms. John Wiley & Sons,
Inglaterra, 2001.
EIBEN, A. E. e SMITH, J. E. Introduction to Evolutionary Computing. Springer, 1998.
MIGUEL, A. C. M; FLEURY, A. C. C; MELLO, C. H. P; NAKANO, D. N; TURRIONI, J.B; HO, L.
L; MARTINS, R. A; PUREZA, V; NETO, R. M. Metodologia de pesquisa em engenharia de
produo e gesto de operaes. 1 ed, editora campus, 2010.
MONTGOMERY, D. C. Design and analysis of experiments. Fourth ed., Wiley, New York, 2001.
NETO, B. D. B,; SCARMINIO, I. S & BRUNS, R. E. Como Fazer Experimentos. Editora Unicamp,
3 ed, 2009.
PAIVA, E.J., FERREIRA, J.R., PAIVA, A.P. Otimizao de processos de manufatura com
mltiplas respostas baseada em ndices de capacidade Cpm. Artigo ENEGEP, Foz do Iguau,
Paran, Brasil, 2007.
STEUER, R. E. Multiple criteria optimization: theory, computation and application. USA: Krieger
Pub Co, 1989. 546p.
ZELENY, M. Compromise programing. Em J. Cochrane e M. Zeleny, editors, Multiple Criteria
Decision Making, pginas 262-301. University of South Carolina Press, Columbia, 1973.
109
ANEXO A MODELAGEM E SIMULAO
Pesquisa Quantitativa baseada em modelos
Extrado de BATISTA (2009).
Bertrand e Fransoo (2002) apresentam uma classificao das metodologias de pesquisa em
Administrao da Produo que utilizam modelagem quantitativa. O trabalho de Bertrand e
Fransoo (2002) pode ser til para os pesquisadores que trabalham com modelagem quantitativa,
e ser abordado com profundidade nessa seo. Pesquisa quantitativa baseada em modelos a
pesquisa onde so desenvolvidos, analisados e testados modelos de relaes causais entre as
variveis de controle e desempenho. Estas partem do princpio que podemos construir modelos
objetivos que expliquem parte do comportamento dos processos reais, ou que podem capturar
parte dos problemas de tomada de deciso enfrentados pelos gestores na vida real. Os diferentes
tipos de pesquisa quantitativa so dados na Figura B.1.
Figura B.1 Classificao das metodologias de pesquisa quantitativa
Fonte: Bertrand e Fransoo (2002)
Ambas as classificaes, axiomtica e emprica, podem ser subdivididas em descritiva e
normativa. Normalmente a rea descritiva relaciona-se com o estudo de um processo e a
normativa est ligada ao estudo de um problema.
Pesquisa axiomtica:
110
A pesquisa axiomtica definida pelas seguintes caractersticas:
111
- guiada pelo modelo idealizado (assume-se que alguns aspectos do problema no afetam
a soluo);
- O objetivo primrio obter solues que forneam conhecimento acerca da estrutura do
problema;
- So utilizados mtodos formais de reas cientficas como matemtica, estatstica e cincias
da computao;
- Os pesquisadores olham para os processos ou problemas atravs dos modelos
matemticos que possam ser utilizados;
- Necessita-se de um forte fundo matemtico;
- Deve-se julgar quais formulaes de problemas cientficos so bons problemas, ou seja,
problemas onde podem ser obtidos resultados de qualidade.
Os passos para realizar uma pesquisa axiomtica so os seguintes:
1. Descrever as caractersticas dos processos ou problemas a serem estudados. A descrio
do modelo conceitual deve usar tanto quanto possvel conceitos e termos aceitos como padro na
literatura;
2. Especificar o modelo cientfico do processo ou problema. Este deve ser apresentado de
maneira formal, em termos matemticos.
Na pesquisa axiomtica descritiva, a modelagem do processo o centro. Busca-se analisar um
modelo para explicar suas caractersticas. O pesquisador parte de um modelo conceitual e deriva
um modelo cientfico. Depois so feitas algumas anlises do modelo cientfico para ganhar
conhecimento sobre o comportamento deste. Tipicamente no se passa fase de soluo do
modelo e a qualidade da pesquisa est ligada extenso na qual os resultados provam dar as
caractersticas exatas do processo. A extenso para a soluo do modelo feita na pesquisa
axiomtica normativa, onde a soluo a pesquisa central reportada. Em muitos artigos
axiomticos normativos, o processo de modelagem tambm est includo e os resultados
retornam ao modelo conceitual. Nesse caso a qualidade da pesquisa pertence extenso no qual
o resultado prova ser a melhor soluo possvel para o problema. Quase todos os artigos no
domnio da PO caem na rea normativa.
Pesquisa emprica:
112
A pesquisa emprica possui as seguintes caractersticas:
- O objetivo principal assegurar que h um ajustamento das observaes e aes na
realidade e no modelo feito daquela realidade;
- voltada a criar um modelo que descreva adequadamente as relaes causais que
possam existir na realidade e levem ao entendimento do processo;
- Deve ser planejada para testar a validade de modelos tericos quantitativos e suas
solues;
- A essncia validar o modelo conceitual ou a soluo da pesquisa axiomtica;
- Como os processos operacionais so todos diferentes, premissas bsicas e caractersticas
dos problemas so validadas para classes definidas de processos, implcitas nos modelos
tericos e problemas;
- Ao contrrio da pesquisa axiomtica quantitativa, a pesquisa emprica no temsido muito
produtiva.
Os passos para aplicao de uma pesquisa emprica so os seguintes:
1. Identificar as premissas bsicas dos processos onde esto baseados os modelos ou
problemas tericos em questo. Na literatura existem diferentes linhas de pesquisa que
compartilham premissas comuns sobre processos ou problemas de deciso. H por exemplo uma
linha de pesquisa baseada na viso do processo produtivo como um modelo de filas. Essa
chamada de premissa bsica;
2. Identificar o tipo de processo ou problema no qual as premissas bsicas se apliquem;
3. Desenvolver um critrio objetivo para decidir se um processo da vida real pertence
classe de processos considerada e para identificar o sistema de deciso que representa o
problema em questo. Diferentes pesquisadores devem chegar ao mesmo resultado acerca
dessas classificaes;
4. Derivar das premissas bsicas, hipteses sobre o comportamento dos processos. Esse
comportamento se refere a variveis ou fenmenos que possam ser medidos;
5. Desenvolver uma maneira objetiva de medir ou fazer observaes. Como no existe uma
maneira geralmente aceita de medir as variveis, os pesquisadores devem desenvolver
113
maneiras prprias de medir e documentar essa etapa. Essa dificuldade ilustra a posio fraca da
pesquisa quantitativa emprica na administrao cientfica;
6. Aplicar os sistemas de medio, coletar e documentar os resultados;
7. Interpretar os dados, o que geralmente ir incluir o uso de anlise estatstica. Tcnicas
especiais so necessrias, pois os resultados no podem ser manipulados de maneira
arbitrria como num projeto experimental. As hipteses devem ser restritas ao
comportamento dentro de um perodo esperado;
8. Interpretar os resultados em relao aos modelos tericos ou problemas que deram
origem s hipteses testadas. Esse passo completa a fase de validao e pode resultar na
confirmao do modelo terico (ou partes) em relao ao problema de deciso e ao processo
considerado, ou levar a rejeio (parcial ou no) e sugestes para melhorar os modelos tericos.
A pesquisa emprica descritiva principalmente voltada a criar um modelo que descreva
adequadamente as relaes causais que possam existir na realidade e levem ao entendimento do
processo corrente.
A pesquisa emprica normativa busca desenvolver polticas, estratgias e aes que melhorem a
situao atual. Essa rea de pesquisa pequena. Houve tentativa em alguns artigos, mas o
procedimento de verificao normalmente no muito forte. Essa a forma mais completa de
pesquisa cientfica, onde conduzido o ciclo completo: Conceitualizao, modelagem, soluo do
modelo e implementao. Em muitos casos essa pesquisa construda em trabalhos publicados
na categoria axiomtica descritiva onde j foram desenvolvidos caminhos para os estgios de
modelagem e soluo do modelo.
No se deve confundir pesquisa emprica com uso dos resultados da pesquisa axiomtica para
melhorar os processos. Nesse caso, os resultados se baseiam na crena que as premissas
admitidas nos modelos so vlidas e as solues iro funcionar bem.
REFERNCIAS
BERTRAND, J. W. M. & FRANSOO, J. C. Operations management research methodologies using
quantitative modeling. International Journal of Operations & Production Management, v.22,
n2. pp. 241-264, 2002.
114
BATISTA, F. D. Metodologia para o uso da anlise por envoltria de dados no auxlio
deciso. Itajub: Programa de Ps-graduao em Engenharia de Produo, Universidade Federal
de Itajub. Dissertao de Mestrado, 2009.
115
Uma oficina mecnica deseja alocar o tempo ocioso disponvel em suas mquinas
para a produo de 3 produtos. A tabela abaixo d as informaes sobre as
necessidades de horas de mquina para produzir uma unidade de cada produto, assim
como a disponibilidade das mquinas, o lucro dos produtos e a demanda mxima
existente no mercado. Deseja-se o esquema semanal de produo de lucro mximo?
Tipo de Mquina Produto 1 Produto 2 Produto 3
Tempo
disponvel
Torno 5 3 5 400
Fresa 8 4 0 500
Furadeira 2 5 3 300
Lucro 20 15 18
Demanda Semanal
mxima 40 50 20
Todo o problema de programao linear caracterizado por apresentar restries e funes
lineares. Como mostra a figura abaixo:
116
Figura1: Modelagem da programao linear
Z= c1 x1 + c2 x2 + + cn xn designa-se por funo objetivo (f.o.).
Aix1+....................anxn designa as restries tcnicas
X1,x2...................xn designa as variveis de deciso
O primeiro passo descrever as variveis de deciso no nosso caso vamos chamar de x1, x2 e x3
Sendo x1=> Quantidade a ser produzida/vendida do Produto 1
x2=> Quantidade a ser Produzida/Vendida do Produto 2
x3=> Quantidade a ser Produzida/Vendida do Produto 3
O 2 Passo modelar a funo objetivo, como a oficina deseja maximizar o lucro, portanto a funo
objetivo do estudo em questo e:
Funo Objetivo MAX L = 20x1+15x2+18x3
O 3 Passo a modelagem das restries tcnicas
400 3 5 2 3 1 5 s + + x x x (Horas disponveis no torno)
500 2 4 1 8 s + x x ( Horas Disponveis na Fresa)
300 3 3 2 5 1 2 s + + x x x ( Horas disponveis na Furadeira)
40 1 s x ( Demanda Mxima semanal de P1)
50 2 s X ( Demanda Mxima Semanal de P2)
20 3 s X ( Demanda Mxima Semanal de P3)
Variveis de no negatividade 0 3 , 2 , 1 > x x x ( Condio que deve ser produzir)
MODELO NA FORMA PADRO DO SIMPLEX
MAX L= 20x1+15x2+18x3+0f1+0f2+0f3+0f4+0f5+0f6+0f7
Sujeito a:
40 1 3 5 2 3 1 5 = + + + f x x x
500 2 2 4 1 8 = + + f x x
300 3 3 3 2 5 1 2 = + + + f x x x
40 4 1 = + f x
117
50 5 2 = + f x
20 6 3 = + f x
Variveis de no negatividade 0 3 , 2 , 1 > x x x
O mtodo simplex foi criado pelo matemtico George Dantzig, conhecido como o pai da
programao linear. Em 1947, George Dantzig com a colaborao de Koopmans, ambos a trabalhar no
Departamento da Fora Area Americana, apresentaram um mtodo denominado Simplex para a
resoluo dos problemas de Programao Linear (P.L.).
A funo objetiva sofre uma transformao de MAX L= 3 18 2 15 1 20 x x x + + . PARA
3 18 2 15 1 20 X X X Z
Registro das
equaes na forma
Padro.
Coluna para
Valor do
Segundo
Membro
Coluna Para
registrar as
variveis bsicas
de soluo
A ltima linha
aloca-se a funo
objetivo
transformada
118
Soluo Inicial
Tabela 1:
VB X1 X2 X3 F1 F2 F3 F4 F5 F6 VSM
5 3 5 1 0 0 0 0 0 400
8 4 0 0 1 0 0 0 0 500
2 5 3 0 0 1 0 0 0 300
1 0 0 0 0 0 1 0 0 40
0 1 0 0 0 0 0 1 0 50
0 0 1 0 0 0 0 0 1 20
F(X) -20 -15 -18 0 0 0 0 0 0 0
A soluo inicial mostra que no esta sendo produzido nenhum dos produtos ( X1,X2 e X3=0), e
esta sobrando F1=400, F2=500, F3=300, F4=40, F5=50 e F6=20. Claramente esta no a soluo
tima, pois a prpria funo objetivo nos mostra que vivel a produo dos produtos.
- Os vetores das VB formam sempre uma Matriz
Identidade
- AS VB tm sempre coeficiente nulo na
equao de (FX)
- O Valor das VB, F1,F2,F3 ,F4,F5 e F6 e lido
diretamente na coluna VSM
- O valor de F(x) lido diretamente na
coluna VSM
119
Nota: A soluo tima e adquirida quando se obtm Mximo no caso de problemas de
maximizao e F(x) mnimo no caso de minimizao.
A soluo tima satisfaz dois critrios:
I. Critrio de otimalidade : A funo objetivo atinge o mximo quando, na equao da
funo, todos os coeficientes das variveis da forma padro do simplex so no negativas
ou no positivas no caso da minimizao;
II. Critrios de Admissibilidade: Todas as variveis bsicas tm valor no negativo
2 soluo: Devemos escolher uma varivel para entrar na base e outra para sair da base. O
critrio de escolha da varivel que sai da base a que apresentar o maior valor negativo e sai da base a
varivel de menor ratio.
VB X1 X2 X3 F1 F2 F3 F4 F5 F6 VSM Ratio
F1 5 3 5 1 0 0 0 0 0 400 80
F2 8 4 0 0 1 0 0 0 0 500 65,50
F3 2 5 3 0 0 1 0 0 0 300 150
F4 1 0 0 0 0 0 1 0 0 40 40
F5 0 1 0 0 0 0 0 1 0 50 0
F6 0 0 1 0 0 0 0 0 1 20 0
F(X) -20 -15 -18 0 0 0 0 0 0 0 0
Entra na base (X1)
Qual varivel sai da base
120
Neste caso sai da base F4
Introduza X1 no subsistema desta equao para estudar a soluo:
1) 5x1+f1=400 => X1=400/5= 80
2) 8x1+F2=500=>X1=500/8= 62,50
3) 2x1+F3=300=> X1=300/2=150
4) X1+F4=40= X1=40/1=40 F4 sai da base.
Quando se fala que uma varivel entra na base significa que vamos produzir somente ela. E
quando uma varivel sai da base significa que vamos consumir todos os recursos desta varivel.
A linha da varivel que sai da base chamada de linha piv e a coluna da varivel que entra na
base chamada de coluna piv e todos os nmeros desta coluna exceto o elemento piv devem ser
iguais a zero. O elemento piv o numero onde a coluna piv se encontra com linha piv e este
elemento deve ser igual 1.
Tabela da segunda Soluo 2
VB X1 X2 X3 F1 F2 F3 F4 F5 F6 VSM
F1 0,00 3, 5,00 1,00 0,00 0,00 -5 0,00 0,00 200
F2 0 4 0 0 1 0 -8 0 0 180
F3 0 5 3 0 0 1 -2 0 0 220
X1 1 0 0 0 0 0 1 0 0 40
F5 0 1 0 0 0 0 0 1 0 50
F6 0 0 1 0 0 0 0 0 1 20
F(X) 0 -15 -18 0 0 0 20 0 0 800
121
Na segunda soluo a oficina mecnica vai produzir apenas X1 (P1) na quantidade de 40
unidades e gerando um lucro mximo de R$ 800,00. Porm esta sobrando F6=20, ou seja, no esto
atendendo a demanda do produto P3 (x3) e nem a demanda do produto P2(X2)=50, sobrando em
estoque F1=220 horas (furadeira) disponvel para fabricao dos demais produtos, F2=180 horas (fresa)
tambm para fabricao dos produtos e F1= 200 horas (torno) para a fabricao dos produtos. Percebe-
se que esta no a nica soluo tima para este exerccio.
NOTA: para encontrar tabela 2, basta multiplicar a linha (4) da tabela 2 x o coeficiente de X1 na
tabela 1 (+) as linhas deste coeficiente. Exemplo para achar a linha 1 da tabela 2, multiplica a linha
piv (a mesma esta em negrito) e se encontra na linha 4 da tabela2 x a primeira linha da tabela 1 de
forma a zerar X1 desta linha, ou seja, 1x-5+5 e assim sucessivamente para todos.
3 Soluo
Entra na base X3, pois possuiu o maior valor negativo, e sai da base F6, pelo fato de ter o menor
ratio.
Tabela 3: Terceira Soluo
VB X1 X2 X3 F1 F2 F3 F4 F5 F6 VSM
F1 0 3 0 1 0 0 -5 0 -5 100
F2 0 4 0 0 1 0 -8 0 0 180
F3 0 5 0 0 0 1 -2 0 -3 160
X1 1 0 0 0 0 0 1 0 0 40
F5 0 1 0 0 0 0 0 1 0 50
X3 0 0 1 0 0 0 0 0 1 20
F(X) 0 -15 0 0 0 0 20 0 18 1160
Nesta soluo a empresa esta produzindo apenas X1=40 e X3=20, gerando um lucro Mximo de
R$ 1.160. Sobrando folga F1=100,F2=180 e F3=160, ficando evidente que vivel produzir o produto
X2, pois temos recursos para isso.
122
A linha F6 da tabela da Tabela da soluo 2 se torna a nova linha Piv, veja que o elemento piv
tanto da segunda soluo quanto desta soluo so 1, portanto no precisa fazer nenhuma diviso. A
nova coluna Piv ser a coluna X3, os procedimentos de clculos so os mesmos descritos acima,
lembrando que todos os nmeros da coluna piv exceto o elemento piv devem ser iguais a zero.
4 Soluo
Entra na base X2, ou seja, vou produzir P2 e sai da base F3
Tabela 4:
VB X1 X2 X3 F1 F2 F3 F4 F5 F6 VSM
F1 0 0 0 1 0 -1 -4 0 -3 4
F2 0 0 0 0 1 -0,8 -6,4 0 2,4 52
X2 0 1 0 0 0 0,2 -0,4 0 -0,6 32
X1 1 0 0 0 0 0 1 0 0 40
F5 0 0 0 0 0 -0,2 0,4 1 0,6 18
X3 0 0 1 0 0 0 0 0 1 20
F(X) 0 0 0 0 0 3 14 0 9 1640
Soluo tima encontra produzir X1=40 e X2=32 e X3=20, gerando um lucro mximo de R$
1.640,00.
Veja que esta soluo satisfaz simultaneamente os critrios
I- Critrio de otimalidade : A funo objetivo atinge o mximo quando, na
equao da funo, todos os coeficientes das variveis da forma padro do
simplex so no negativas ou no positivas no caso da minimizao;
II - Critrios de Admissibilidade: Todas as variveis bsicas tm valor no
negativo
123
Mtodo Dual SIMPLEX
Modelo primal
Funo Objetivo MAX L = 20x1+15x2+18x3
O 3 Passo a modelagem das restries tcnicas
5x1+3x2+5x3<=400 (Horas disponveis no torno)
8x1+4x2<=500 ( Horas Disponveis na Fresa)
2x1+5x2+3x3<=300( Horas disponveis na Furadeira)
X1<=40 ( Demanda Mxima semanal de P1)
X2<=50 ( Demanda Mxima Semanal de P2)
X3<=20 ( Demanda Mxima Semanal de P3)
Variveis de no negatividade X1, X2 e x3 >0 ( Condio que deve ser produzir)
O mtodo dual consiste em avaliar o incremento na produo de uma unidade a mais de um dos
produtos, ou seja, quais sero os impactos no lucro se eu resolver produzir uma unidade a mais dos
produtos P1, P2 e P3.
124
Modelo DUAL
Funo objetivo= Min Z= 400y1+500y2+300y3+40y4+50y5+20y6
Sujeito a:
5y1+8y2+2y3+y4>=20
3y1+4y2+5y3+y5>=15
5y1+0y2+3y3+y6>=18
variveis de no negatividade [y1+y2+y3+y4+y5+y6>=0]
Tabela1= DUAL
SB y1 y2 y3 y4 y5 y6 F1 F2 F3 VSM
F1 -5 -8 -2 -1 0 0 1 0 0 -20
F2 -3 -4 -5 0 -1 0 0 1 0 -15
F3 -5 0 -3 0 0 -1 0 0 1 -18
F(Z) -400 -500 -300 -40 -15 -20 0 0 0 0
Para iniciar o clculo do mtodo dual atravs do simplex, deve-se tirar uma varivel da base e
colocar uma varivel na base.
- A varivel que sai: a varivel bsica com o valor mais negativo. Se todas as variveis bsicas
tiverem valores positivos soluo tima. Neste caso as variveis bsicas Y3= -10 e Y4= -6, so
negativas, portanto a soluo inicial e invivel.
- A Varivel que entra: escolhida entre as variveis fora da base, da seguinte maneira:
1. Dividir os coeficientes do lado esquerdo da equao Z transformada pelos
correspondentes coeficientes negativos da equao da varivel que sai da base.
2. a varivel que entra a que tem o menor valor entre os quocientes encontrados
(problemas de minimizao) ou o menor valor absoluto (problemas de maximizao).
Quando em ambos os casos, no houver coeficiente negativo na linha da varivel que sai da base,
o problema no tem soluo vivel.
Para comearmos o clculo vamos escolher uma varivel para sair da base, sai da base F1 e entra
na base y4, pois, apresentou o menor ratio.
125
Tabela2: DUAL
SB y1 y2 y3 y4 y5 y6 F1 F2 F3 VSM
Y4 5 8 2 1 0 0 -1 0 0 20
F2 -3 -4 -5 0 -1 0 0 1 0 -15
F3 -5 0 -3 0 0 -1 0 0 1 -18
F(Z)
-
200
-
180 -220 0 -50 -20 -40 0 0 800
Esta no a melhor soluo, pois ainda h valores negativos na coluna VSM. Sai da base F3 e
entra base Y6
Tabela3: DUAL
SB y1 y2 y3 y4 y5 y6 F1 F2 F3 VSM
Y4 5 8 2 1 0 0 -1 0 0 20
F2 -3 -4 -5 0 -1 0 0 1 0 -15
Y6 5 0 3 0 0 1 0 0 -1 18
F(Z)
-
100
-
180 -160 0 -50 0 -40 0
-
20 1.160
Esta ainda no a melhor soluo, pois ainda h coeficientes negativos na coluna VSM.
Prxima soluo sai da base F2 e entra na base Y3
Tabela4:DUAL
SB y1 y2 y3 y4 y5 y6 F1 F2 F3 VSM
Y4 3,8 6,4 0 1 -0,4 0 -1 0,4 0 14
Y3 0,6 0,8 1 0 0,2 0 0 -0,2 0 3
Y6 3,2 -2,4 0 0 -0,6 1 0 0,6 -1 9
F(Z) -4 -52 0 0 -18 0 -40 -32 -20 1.640
126
Esta melhor soluo, pois a soluo tima DUAL igual a uma soluo tima Primal.
Interpretao econmica do dual.
Se a empresa conseguir vender o produto x3 e uma unidade a mais, seu lucro aumentaria em
R$9,00. Se a empresa conseguir aumentar em 1 hora a disponibilidade da furadeira, para produo seu
lucro aumentaria em R$3,00 reais e finalmente se empresa conseguir vender o produto x1 em uma
unidade a mais o lucro aumentaria em R$ 14,00 reais.