Pesquisa Operacional - Administracao de Empresas

Prof. Dr. Evandro Bittencourt

UNIVILLE
5 de marco de 2003

Sum
ario
1 Introduc
ao
1.1 Definicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Metodologia da Pesquisa Operacional . . . . . . . . . . . . . .
1.2.1 Definicao do Problema . . . . . . . . . . . . . . . . . .
1.2.2 Desenvolvimento de um modelo matematico e aquisicao
1.2.3 Resolucao do modelo matematico . . . . . . . . . . . .
1.2.4 Validacao, instrumentacao e controle da solucao . . . .
1.3 Aplicacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.1 Areas
. . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2 Ferramentas . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . .
. . . . . .
. . . . . .
dos dados
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

3
3
3
3
3
4
4
4
4
4

2 Programac
ao Linear
2.1 Exemplos de problemas . . . . . . .
2.2 Analise Grafica . . . . . . . . . . .
2.2.1 Exemplo . . . . . . . . . . .
2.2.2 Exercicios . . . . . . . . . .
2.3 O problema de Programacao linear
2.3.1 Formulacao Generica . . . .
2.3.2 Interpretacao Economica . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

4
4
10
10
10
11
12
12

. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
do Simplexo
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

13
13
14
15
15
16
16
16
17
17

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

18
18
18
18
19

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

3 O M
etodo do Simplexo
3.1 Algoritmo Simplexo - Exemplo . . . . . . . . . . . .
3.2 Exercicios . . . . . . . . . . . . . . . . . . . . . . .
3.3 Problemas Especiais de Formulacao . . . . . . . . .
3.3.1 Formulacao . . . . . . . . . . . . . . . . . .
3.3.2 Dificuldades Durante a Solucao pelo Metodo
3.4 Metodo do Simplexo - Fase I/Fase II . . . . . . . .
3.4.1 Procedimento para a Fase I . . . . . . . . .
3.4.2 Exemplo . . . . . . . . . . . . . . . . . . . .
3.4.3 Exerccios . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.

4 An
alise de Sensibilidade
4.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.1 Variacao na Funcao Objetivo . . . . . . . . .
4.2.2 Variacao na Quantidade de Recursos Escassos
1

.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.

.
.
.
.

.
.
.
.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

4.2.3 Preco Sombra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Exerccio - Problema - Alocacao de Recursos . . . . . . . . . . . . . . . . . .

21
21

5 Solver
5.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23
23
23

6 Pert - Redes de
6.1 Definicoes .
6.2 Redes . . .
6.3 Exemplos .
6.4 Formacao de

.
.
.
.

25
25
25
25
26

7 Otimimizac
ao N
ao-Linear
7.1 Funcao de uma variavel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29
29
29

4.3

Preced
encia
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
Redes . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

Introduc
ao

1.1

Definic
ao

uma metodologia de estruturar processos aparentemente nao estruturados por meio da

E
construcao de modelos. Utiliza um conjunto de tecnicas quantitativsas com o intuito de
resolver os aspectos matematicos dos modelos. (Pierre Jacques Ehrlich)
Aplicacao do Metodo Cientifico, por equipes interdisciplinares a problemas que dizem respeito ao controle de seistema organizados (homem-maquina), com a finalidade de obter as
solucoes que melhor satisfacam aos objetivos da organizacao, como um todo. (Joao Vitor
Moccelin)

1.2

Metodologia da Pesquisa Operacional

Definicao do
Problema
?

Desenvolvimento de um
modelo matematico e
aquisicao dos dados

Resolucao do
modelo
matematico

Solucao

?
Q
Q

Modificacoes no nao Solucao QQ

QQ v
alida?
modelo
Q

sim

Implementacao

1.2.1

Defini
c
ao do Problema

Identificar;
Comprender;
Descrever.
1.2.2

Desenvolvimento de um modelo matem

atico e aquisic
ao dos dados

Definir as variaveis de decisao (variaveis);

Funcao Objetivo;
Restricoes.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

1.2.3

Resolu
c
ao do modelo matem
atico

Metodos Otimos;
Metodos Heursticos.
1.2.4

1.3

Valida
c
ao, instrumenta
c
ao e controle da soluc
ao

Aplicac
ao

Aplica-se na selecao de alternativas, buscando a maximizacao do lucro ou minimizacao de

custo (geralmente).
1.3.1

Areas

Processos de producao
Processos de Fluxo (transporte)
Financas
Marketing (participacao no mercado)
Misturas (alimentos, ligas, misturas quimicas)
1.3.2

Ferramentas

Matematica
Analise de sistemas
Estatistica

Programac
ao Linear

2.1

Exemplos de problemas

1. Um fabricante deseja maximizar a receita bruta. A tabela ilustra as composicoes das

ligas metalicas, seus precos e as limitacoes na disponibilidade de materia prima.
Atividades
Itens
Cobre
Zinco
Chumbo
Preco unitario de
venda

Liga Tipo
A
2
1
1
R$30

Decisoes: Quantidade de Liga A (xa )

Quantidade de Liga B (xb )
Receita = Z

Liga Tipo
B
1
2
3
R$50

Materia Prima
Disponivel
16
11
15

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

Funcao Objetivo
Maximizar Z= 30.xa + 50.xb

Restricoes
Sujeito A

Restricoes de nao
Negatividade

2xa + xb 16 (para o cobre)

xa + 2.xb 11 (para o zinco)
xa + 3.xb 15 (para o chumbo)

xa 0
xb 0
(Nao podemos fabricar quantidade negativa de liga)

2. Um fazendeiro tem que decidir o quanto vai plantar de milho e de alfafa. Os lucros sao
de R$2.000 por alqueire de milho e de R$1.000 por alqueire de alfafa. Suponha que
suas limitacoes sejam: terra disponivel = 8 alqueires; agua disponivel para irrigacao =
80.000 litros; deseja plantar no maximo 4 alqueires de milho; cada alqueire de milho
requerera 10.000 litros de agua para irrigacao; cada alqueire de alfafa requerera 20.000
litros de agua para irrigacao.
3. Sabe-se que os alimentos, leite, carne e ovos fornecem as quantidades de vitaminas
dadas pela tabela.
Vitaminas

Leite (litro)

Carne (kg)

Ovos(d
uzia)

A
B
C
Custo unitario

0,25 mg
25 mg
2,5 mg
R$2,2

2 mg
20 mg
200 mg
R$17,0

10 mg
10 mg
10 mg
R$4,2

Quantidade
diaria minima
1 mg
50 mg
10 mg

Deseja-se calcular quais as quantidades de leite, carne e ovos a fim de satisfazer as

quantidades diarias minimas de nutrientes (vitaminas) a um custo minimo.
4. Uma fabrica utiliza dois tipos de insumo: - A a um custo unitario CA e com uma
quantidade maxima disponivel NA .
- B a um custo unitario CB e com uma quantidade maxima disponivel NB .
Estes insumos podem ser processados pelos Processos I, II ou III a um custo operacional
nulo. Serao produzidos os produtos , , , que alcancaram precos de venda P ,
P , P , respectivamente (precos unitarios).
- Uma unidade de A processada em I produz, simultaneamente 5 e 1;
- Uma unidade de A junto com duas unidades de B conjuntamente processadas em II
produz, simultaneamente 3, 9 e 8;
- Uma unidade de B processada em III produz simultaneamente 1, 4, 1.
Formule o problema como programacao linear de modo a maximizar o lucro.
5. Um jovem estava sainda com duas namoradas: Maria e Luisa. Sabe, por experiencia,
que:
(a) Maria, elegante, gosta de freq
uentar lugares sofisticados, mais caros, de modo que
uma saida de tres horas custara 80 reais;

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

(b) Luisa, mais simples, prefere um divertimento mais popular, de modo que, uma
saida de tres horas custara 55 reais;
(c) seu orcamento permite dispor de 330 reais mensais para diversao;
(d) seus afazeres escolares lhe dao liberdade de, no maximo, 18 horas e 40.000 calorias
de sua energia para atividades sociais;
(e) cada saida com Maria consome 5.000 calorias, mas com Lisa, mais alegre e extrovertida, gasta o dobro;
(f) ele gosta das duas com a mesma intensidade.
Como deve planejar sua vida social para obter o n
umero maximo de saidas? Formule
o problema.
6. Devido ao n
umero incostante de passageiros, uma companhia de onibus necessita um
n
umero variado de motoristas dependendo do horario considerado. A tabela a seguir
especifica a quantidade de motoristas necessarios.
Horario
1 as 5 horas
5 as 9 horas
9 as 13 horas
13 as 17 horas
17 as 21 horas
21 as 1 horas

Quantidade de
motoristas
15
30
26
32
30
19

Considerando que cada motorista trabalha 8 horas seguidas e que o servico pode ser
iniciado as 1, 5, 9, 13, 17 ou 21 horas, elaborar um plano de trabalho para os motoristas,
de modo que o n
umero destes seja minimo.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

7. A companhia ALT-M produz moveis de escritorio que, por questoes de marketing,

agrupou em tres conjuntos basicos cujos modelos sao: ALFA, BETA E GAMA.
O parque de producao da empresa e de porte medio e bem dimensionado para
o nvel de producao que ela tem conseguido colocar no mercado. Ultimamente, no entanto, a demanda tem crescido, o que levou a gerencia a encomendar um planejamento
de producao mensal, com a finalidade de determinar os possveis estrangulamentos na
linha de producao e analisar algumas alternativas de correcao.
Inicialmente, o profissional encarregado do planejamento analisou o sistema de
producao e determinou que apemas mao-de-obra e a madeira poderiam ser os recursos
limitativos da producao. Os demais insumos que a empresa utiliza sao encontraveis
com facilidade no mercado, ja que existem varios fornecedores, alem do fato de que
a empresa possui capacidade suficiente de estocagem. Assim, a analise se concentrou
apenas nesses dois recursos.
A empresa possui a seguinte disponibilidade total desses dois recursos:
mao-de-obra: 3.520 H.h.
estoque de madeira: 10.000 m2 por mes.
O processo de fabricacao de moveis requer 5 fases, realizadas em secoes especficas, conforme mostra o fluxograma (a lista) que se segue. O fluxograma (a lista)
tambem indica a capacidade de producao disponvel em cada fase, em funcao da maode-obra e dos equipamentos e ferramentas existentes.
Essa capacidade de cada secao corresponde `a alocacao anterior de mao-de-obra
e sera avaliada ao longo desse estudo de caso. Para simplificar o caso, vamos considerar que, quando houver necessidade de transferir um funcionario de uma secao para
outra, isso correspondera a transferencia de modulos de 44 H.h (1 semana de trabalho).
E ALOCAC
INICIAL DE MAO-DE
PROCESSO DE FABRICAC
AO
AO
OBRA
(a) Corte 704 H.h.
(b) Preparacao 1232 H.h.
(c) Montagem 704 H.h.
(d) Pintura 528 H.h.
(e) Embalagem 352 H.h.
O objetivo da gerencia e desenvolver um estudo de planejamento da producao
da empresa de forma a otimizar sua capacidade produtiva.
Para atingir esse objetivo, o encarregado do planejamento escolheu como tecnica
de trabalho o desenvolvimento de um modelo de Programacao Linear de forma que ele
pudesse encontrar a alocacao ideal de mao-de-obra e da madeira. Como criterio para
medir a idealidade da alocacao, ele escolheu a margem de contribuicao a cada produto para o lucro total.
Apos a escolha do criterio de decisao, ele passou a examinar o processo de
fabricacao de cada um dos conjuntos que, em face das diferencas de design, exige
quantidades diferentes de cada recurso. Uma vez de posse do projeto do produto e,
apos medicoes in loco, foi facil obter os coeficientes de utilizacao unitaria de recurso,
conforme mostra a Tabela ??.
Alem disso, sao conhecidos os custos unitarios dos recursos, conforme mostra
a Tabela ??.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

Recursos
Corte
Preparacao
Montagem
Pintura
Embalagem
Madeira

Conjunto
Alfa
0,4
0,8
0,25
0,2
0,06
3

Conjunto
Beta
0,3
0,4
0,4
0,2
0,1
4,5

Conjunto
Gama
0,3
0,6
0,4
0,2
0,05
6

8
Alocacao Inicial de
Recurso Por Secao
704 H.h.
1.232 H.h.
704 H.h.
528 H.h.
352 H.h.
10.000 m2

Tabela 1: Utilizacao unitaria de recursos para fabricacao dos conjuntos

Recurso
Corte
Preparacao
Montagem
Pintura
Embalagem
Madeira

Custo Unitario
2,40
3,50
2,20
2,50
2,00
6,50

Tabela 2: Custos Unitarios de Recursos

Obs.: M
ao-de-Obra: Custo hor
ario pr
oprio, encargos e custo de operaca
o das m
aquinas (R$/H.h).
Madeira: Custo por m2 (R$/m2 ).

Conhecendo os precos de venda dos produtos, pode-se calcular a contribuicao

unitaria (preco de venda menos custos variaveis de producao) de cada um, conforme
mostra a Tabela ??.
Conjunto
Alfa
Beta
Gama

Contribuicao Unitaria (R$)

21,00
19,50
22,00

Tabela 3: Contribuicoes marginais dos conjuntos

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

8. Uma empresa tem tres tipos de maquinas na sua linha de producao, tendo cada uma
delas velocidade e precisao diferente. A maquina do tipo 1 produz 20 pecas por hora
com 99% de precisao. A maquina do tipo 2 produz 15 pecas por hora com 95% de
precisao. E a maquina do tipo 3 produz 10 pecas por hora com 100% de precisao.
A maquina do tipo 1 custa R$2,00 por hora de operacao, o tipo 2 custa R$1,75 por
hora de operacao e o tipo 3 custa R$1,50 por hora de operacao. A empresa possui 15
operadores fixos disponveis para as maquinas 1 e 2, e todos devem ser utilizados, os
outros serao contratados temporariamente. Devem ser processados por dia pelo menos
3.500 pecas (dia de 8 horas), mas so se dispoe de 8 maquinas do tipo 1, dez maquinas
do tipo 2 e 20 maquinas do tipo 3. Cada peca errada custa R$1,00.
Pergunta-se:
(a) Quantas maquinas de cada tipo devem ser usadas para minimizar o custo.
(b) Qual o benefcio marginal no custo no caso da:

aquisicao de mais uma maquina do

aquisicao de mais uma maquina do
aquisicao de mais uma maquina do
diminuicao na producao de 8 pecas
demissao de um operador fixo.

tipo 1.
tipo 2.
tipo 3.
por dia.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

2.2
2.2.1

10

An
alise Gr
afica
Exemplo

Max.
Z= 30.xa + 50.xb
Sujeito A 2xa + xb 16 (para o cobre)
xa + 2.xb 11 (para o zinco)
xa + 3.xb 15 (para o chumbo)
xa 0
xb 0
xa 6
zinco

B
B

15B
@

regiao de
aceitacao

2.2.2

@
RA
@
A

chumbo

B
B
ponto
otimo
A B

10 A B

A B

A B
H
H
HH A B
HA
B
H
A H
B H
cobre
A B HH

A
H
B
5

HH
@
AB

H
@
AB
HH

@
AB
H
HH
@
A
B
@u
H
BA
HH
BA
H
HH
BA
H
H
A
B
0
5B A
10
15
xb

Exercicios

1. Resolva graficamente, mostrando a regiao de pontos viaveis (regiao de aceitacao), indicando o ponto otimo.
Max.
Z= 10.x + 15.y
Sujeito A x + y 12
2.x + 5.y 40
x2
x8
y1
2. Resolva graficamente o problema de Programacao Linear.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

11

Max.
Z= 2.x1 + x2
Sujeito A x1 + 4.x2 24
x1 + 2.x2 14
2.x1 x2 8
x1 x2 3
x1 0
x2 0
3. Resolva graficamente
Min.
Z= x1 + 2.x2
Sujeito A x1 + x2 1
6.x1 + 4.x2 24
x1 0
x2 2
4. Resolva graficamente
Min.
Z= 2.x1 + x2
Sujeito A 4.x1 5.x2 40
5.x1 + 8.x2 40
9.x1 6.x2 0
x1 0
x2 2

2.3

O problema de Programac
ao linear

A representacao grafica se aplica nos casos bem mais simples de apenas duas variaveis de
decisao (x1 , x2 ), em geral o n
umero de variaveis e muito maior, o que impossibilita visualizacoes graficas.
Ao estruturarmos um problema sob a forma de um modelo matematico, o intuito e o de
nos ajudar no processo de decisao: que atividade empreender e o quanto de cada uma, a fim
de satisfazer de um dado objetivo.
Programacao Linear e uma ferramenta de planejamento que nos ajuda a selecionar que
atividades (variaveis de decisao) empreender, dado que essas atividades (diversas alternativas) competem entre si pela utilizacao de recursos escassos (restricoes) ou entao precisam
satisfazer certos requisitos minimos. O objetivo sera maximizar (ou minimizar) uma funcao
das atividades, geralmente lucros (perdas).

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

2.3.1

12

Formula
c
ao Gen
erica

Funcao Objetivo
Maximizar Z= c1 .x1 + c2 .x2 + + cn .xn

Restricoes Principais

Sujeito A

b1

b
a21 .x1 + a22 .x2 + + a2n .xn
2
.........

am1 .x1 + am2 .x2 + + amn .xn

b
m
a11 .x1 + a12 .x2 + + a1n .xn

onde bi 0 para i=1,. . . , m

Restricoes de nao Negatividade

x1 0, x2 0, . . . . . . , xn 0
O problema resume-se na maximizacao (ou minimizacao) de uma funcao objetivo, sujeita a
restricoes tambem lineares.
2.3.2

Interpreta
c
ao Econ
omica

n sao as atividades que competem sendo x1 , . . . . . . , xn seus niveis de atividade.

cj

e o aumento de Z por unidade de atividade j.

m sao os recursos escassos cujos niveis sao b1 , . . . . . . , bm .

aij

e o quanto de recurso i e consumido pela atividade j.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

13

O M
etodo do Simplexo

O Metodo do simplexo e um algoritmo iterativo convergente, que pesquisa os vertices do

poliedro de restricoes, passando, em cada iteracao f de um vertice para outro vertice com
valor associada nao pior que o anterior. Em um n
umero finito de iteracoes, o algoritmo
fornece.
- A solucao otima
- A indicacao da inexistencia da solucao
O Metodo do Simplexo explora o fato de o maximo, ou o minimo da funcao objetiva, ocorrer
num vertice do poliedro convexo de restricoes.

3.1

Algoritmo Simplexo - Exemplo

Max.
Z= 30.x1 + 50.x2
Sujeito A 2x1 + x2 16
x1 + 2.x2 11
x1 + 3.x2 15
x1 0
x2 0
Forma padr
ao para escrever os dados
Atividades x

Variavel de Folgas

A (coeficientes das restricoes)

I(matriz

b(coeficientes)

identidade)

independentes)

-c (coeficientes da funcao objetiva)

Atividades
1o Tableau

Folgas

x1

x2

y1

y2

y3

16

16
1

11

11
2

15

15
3

-50

1
1
-30

@
I
@ mais negativo

menor relacao

Procedimento:
1. Selecionar a coluna j com o valor mais negativo;
2. Ache, para todas as linha i, a menor relacao
escolhido sera o pivo.

bi
aij

com aij > 0: O valor de aij assim

3. Agora proceda a operacao-pivo, que torna o coeficiente da xij igual a 1 e todos os

outros coeficientes da coluna j nulos.
(a) divida a linha i por aij .

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

14

(b) em todas as outras linhas de r, para cada elemento da coluna k, calcular ark =
aij
.arj .
ark aik
(c) fazer o calculo do item b tambem para a lilha c.
4. Repita as etapas 1,2,3 ate que nao haja mais valores negativos na u
ltima linha c.

Atividades
2o Tableau

Folgas

x1

x2

y1

y2

y3

5/3

1/3

11

1/3

2/3

1/3

1/3

40/3

50/3

250

y3

Atividades
o

3 Tableau

Folgas

x1

x2

y1

y2

-5

-1

40

10

290

Atividades
4o Tableau

Folgas

x1

x2

y1

y2

y3

1/3

-5/3

2/3

-1/3

-1/3

2/3

10/3

70/3

310

Resultados
Z = 310
x1 = 7
x2 = 2
x3 = 0
y1 = 0
y2 = 0
y3 = 2

3.2

Exercicios

1. Resolva pelo Simplexo:

Max.
Z= 2.x1 + x2
Sujeito A
x1 + x2 5
x1 + 2.x2 8
x1 4
x1 0
x2 0

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

15

2. Resolva pelo Simplexo:

Max.
Z = 7.x1 + 3.x2 + 2.x3
Sujeito A 5.x1 + 2.x2 + 2.x3 19
2.x1 + x2 + 2.x3 8
x1 0
x2 0
x3 0
3. Resolva pelo Simplexo:
Max.
Z = 2.x1 + 5.x2 + 7.x3
Sujeito A x1 + 3.x2 + 6.x3 12
2.x1 + 3.x2 9
x3 2
x1 0
x2 0
x3 0
4. Resolva pelo Simplexo:
Min.
Z = x1 + 2x2 x3
Sujeito A x1 + x2 4x3 30
2x1 x2 + 2x3 10
x1 0
x2 0
x3 0

3.3
3.3.1

Problemas Especiais de Formulac

ao
Formula
c
ao

1. Convers
ao de Minimizar para Maximizar na Fun
c
ao Objetivo:
O Simplexo, resolve apenas problemas de maximizacao. Devemos converter os problemas de minimizacao, fazendo: M ax(Z 0 ) = M in(Z), onde Z 0 = Z
2. xj livre:
Uma variavel e livre quando nao tem condicoes de nao negatividade.
Resolve-se introduzindo as variaveis x0j e x00j .
Com
xj = x0j x00j
x0j 0
x00j 0
E resolvendo o problema nas novas variaveis.
Exemplo
Max.
Z= 4.x1 + x2 + 3.x3
Sujeito A
x1 2.x2 + x3 = 20
x1 + 5.x2 2.x3 50
x1 0
x2 0
x3 livre

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

3.3.2

16

Dificuldades Durante a Soluc

ao pelo M
etodo do Simplexo

1. Empate para decidir qual a vari

avel que deve entrar na base, isto
e cj = ck .
Escolha arbitrariamente qualquer um dos dois. De qualquer modo, o otimo sera atingido. Nao podemos, entretanto, garantir, a priori, qual a melhor escolha do ponto de
vista de terminar o problema em um menor n
umero de iteracoes.
2. Empate para sair da Base
A degenerescencia vai resultar em que uma variavel basica sera nula no Tableau seguinte. Do ponto de vista geometrico, isto corresponde a ativar duas restricoes simultaneamente.
Decida arbitrariamente. O Tableau seguinte tera a outra variavel candidata a base
igual a zero. Se a variavel escolhida for a seguinte a deixar a base, o valor da funcao
objetiva nao mudara nesta iteracao. Pode resultar em circuito vicioso.
Exemplo: Caso de degeneresc
encia
Primeiro Tableau
x1

x2

x3

x4

x5

12

-3

-5

No empate para sair da base, escolha a segunda linha

3.4

M
etodo do Simplexo - Fase I/Fase II

O Metodo do Simplexo requer uma solucao basica ja no primeiro Tableau.

Quando existem restricoes do tipo = ou , nao teremos uma solucao inicial.
A resolucao pelo Simplexo e feita entao em duas fases.
A Fase I encontrara (se possivel) a solucao inicial e a Fase II termina de otimizar o valor da funcao objetiva.
Se a Fase I nao encontrar uma solucao inicial, poderemos concluir que nao existe solucao.
A Fase II e exatamente aquela que nos ja estudamos.

3.4.1

Procedimento para a Fase I

1. Alem das variaveis de folga, serao introduzidas variaveis artificiais, da seguinte maneira:

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

sinal

variavel de folga

17

variavel artificial
+

2. Escreva o tableau inicial incluindo a linha Z.

3. Adicione mais uma linha no tableau inicial, a linha W.
Preencha a linha Z, somando os coeficientes das linhas superiores que tenham variavel
artificial e trocando o sinal do resultado. Faca isto nas colunas das variaveis normais,
de folga e na coluna b. Nas colunas das variaveis artificiais inclua zero.
4. Aplique o algoritmo simplexo, tomando como base de decisao para quem deve entrar
na base a linha W.
5. Quando a Fase I terminar, ou seja, quando na linha W nao mais tiver n
umeros negativos, e a coluna b estiver zerada, a Fase I teve sucesso.
6. Para a Fase II, elimine a linha W, e as colunas das variaveis artificiais.
7. O primeiro Tableau da Fase II, podera ja ser o Tableau Final.
3.4.2

Exemplo

Max.
Z= x1 6.x2 + 7.x3 x4 5.x5
Sujeito A 5.x1 4.x2 + 13.x3 2.x4 + x5 20
x1 x2 + x3 x4 + x5 = 8
2.x1 + x2 x3 + 4.x4 15
x1 0
x2 0
x3 0
x4 0
x5 0

Primeiro Tableau - Fase I

3.4.3

x1

x2

x3

x4

x5

x6

x7

y1

y2

-4

+13

-2

-1

20

-1

-1

-1

15

-7

-6

-14

-2

-28

Exerccios

1. Resolva pelo Simplexo Fase I/Fase II:

Max.
Sujeito A

Z= 2.x1 + x2 + x3
3.x1 + 4.x2 + x3 = 5
x1 + x2 + 2.x3 = 3
x1 0
x2 0
x3 0

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

18

An
alise de Sensibilidade

4.1

Introduc
ao

A resposta final de um problema de Programacao Linear, muitas vezes, tem valor limitada.
Alem da simples resposta do valor das variaveis, devemos saber o que acontece com elas, se
existir variacoes nos coeficientes dados no problema original.
Muitas vezes queremos saber, quanto podemos variar nos coeficientes da funcao objetiva
e na quantidade de recursos escassos de maneira que aquela resposta final otimizada (as
alternativas que devemos usar) nao sera modificada.
A analise de sensibilidade e feita de maneira muito facil, analisando os dados do primeiro e u
ltimo Tableau.

4.2

Exemplo
x1

x2

x3

x4

x5

x6

x7

35

80

90

-5

-4

-6

Primeiro Tableau

Ultimo
Tableau

4.2.1

x1

x2

x3

x4

x5

x6

x7

3/4

5/4

3/2

-1/4

30

11/4

5/4

-1/2

-1/4

40

1/4

-1/4

-1/2

1/4

5/4

51/4

9/2

1/4

180

Varia
c
ao na Fun
c
ao Objetivo

a) Decrescimo em cj para xj nao basico

Se a variavel xj nao e basica, diminuir o coeficiente da funcao objetiva cj torna a
atividade menos atrativa ainda. Entao nao temos limite para este decrescimo.
Decrescimo em cj para xj nao basico sem limite
No exemplo dado, o decrescimo nao tem limite em 4, coeficiente de x2 e em 8, coeficiente
de x4 .
b) Acrescimo em cj para xj nao basico
No u
ltimo Tableau, na linha de custo reduzido, podemos notar valores positivos para
as variaveis nao basicas (x2 e x4 ). Se estes valores fossem negativos, o processo de
otimizacao continuaria, e estas variaveis seriam candidatas a entrar na base.
Para que isto aconteca, basta aumentar o valor inicial do coeficiente cj , exatamente no
valor encontrado no u
ltimo Tableau.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

19

Acrescimo em cj para xj nao basico limite no u

ltimo Tableau
No exemplo dado, o limite para acrescimo de 4, coeficiente de x2 e 5/4, e para o 8,
coeficiente de x4 e 51/4.
c) Acrescimo e Decrescimo cm cj para xj basico
Para conhecer estes limites, vamos acrescer o coeficiente da funcao objetiva de um
valor generico . A partir disso vamos simular a u
ltima linha de custo reduzido do
u
ltimo Tableau, fazendo:
Z 0 = Z + .x1
Da u
ltima linha do u
ltimo Tableau
Z = 180 5/4.x2 51/4.x4 9/2.x5 1/4.x7
Da primeira linha do u
ltimo Tableau
x1 = 30 3/4.x2 5/4.x4 3/2.x5 + 1/4.x7
Z 0 = (180 + 30.) (5/4 + 3/4.).x2 (51/4 + 5/4.).x4
(9/2 + 3/2.).x5 (1/4 1/4.).x7
Os coeficientes que acompanham as variaveis na funcao Z devem permanecer positivos.
Portanto o limite da variacao do coeficiente que acompanham as variaveis e zero. Entao
fazemos:
5/4 + 3/4.
51/4 + 5/4.
9/2 + 3/2.
1/4 1/4.

0
0
0
0

5/3
51/5
3
1

Os limites, para acrescimo e decrescimo sao os mais apertados. Portanto:

Limite para acrescimo em c1 1
Limite para decrescimo em c1 5/3
Para obter os limites para c3 procedemos de maneira similar.
4.2.2

Varia
c
ao na Quantidade de Recursos Escassos

a) Acrescimo em bi para restricao com folga

Se o recurso escasso tem folga, um aumento na sua quantidade so vai aumentar o
valor final da folga. Portanto, nao existe limite para acrescimo.
Acrescimo em bi para restricao com folga sem limite
No exemplo, nao existe limite para acrescimo para b2 .
b) Decrescimo em bi para restricao com folga
Se o recurso escasso tem folga, o limite para decrescimo na sua quantidade e a propria
folga.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

20

Decrescimo em bi para restricao com folga o limite e o valor da folga

No exemplo, o limite para decrescimo para b2 e 40.
c) Acrescimo e decrescimo em bi para restricao sem folga
Vamos simular um acrescimo generico no valor de bi estudado.
No exemplo vamos simular b1 igual a 35+.
Entao temos a coluna b como sendo:

35 +

80

90
Que pode ser reescrita como:

35

80 + 0 .

0
90
No u
ltimo Tableau as colunas se transformam em:

30
3/2

40 + 1/2 .

5
1/2
Os valores das variaveis basicas passam a ser:

x1 = 30 + .

1
x6 = 40 .

x3 = 5 .
2
Como os valores da coluna b nunca podem assumir valores negativos, temos os limites
para sendo impostos desta maneira:

30 + . 0
20

1
40 . 0 80

5 . 0
10
2
Os limites, para acrescimo e decrescimo sao os mais apertados. Portanto:
Limite para acrescimo em b1 10
Limite para decrescimo em b1 20
Para obter os limites para b3 procedemos de maneira similar.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

4.2.3

21

Pre
co Sombra

Quanto efetuamos um acrescimo de uma unidade numa quantidade de Recurso Escasso que
nao tenha folga, vamos ter um acrescimo correspondente no valor do Z maximo. Este valor
e chamado de preco Sombra ou beneficio marginal deste recurso escasso.
Podemos identificar o preco sombra para cada quantidade de recurso escasso diretamente no
u
ltimo Tableau, na linha linha de custo reduzido, na coluna da variavel de folga correspondente.
Preco Sombra para bi u
ltimo Tableau
No exemplo temos, o preco sombra para b1 igual a 9/2, o preco sombra para b3 igual a 1/4
e o preco sombra para b2 igual a 0 pois o recurso escasso tem folga e nao obtemos nenhum
beneficio aumentando a sua quantidade.

4.3

Exerccio - Problema - Alocac

ao de Recursos
Dados Iniciais

Itens em Produc
ao
Conjunto ALFA

Conjunto BETA

Conjunto GAMA

Disponibilidade de Recursos
m
ao-de-obra: 3520 H.h. por m
es
2
estoque de madeira: 10.000 m por m
es
Processo de Fabrica
c
ao
e Alocac
ao Inicial de M
ao-De-Obra
a) Corte 704 H.h.

d) Pintura 528 H.h.

b) Prepara
c
ao 1232 H.h.
e) Embalagem 352 H.h.

c) Montagem 704 H.h.

Utilizac
ao Unit
aria dos Recursos
Recursos

Conjunto

Conjunto

Conjunto

Alocacao Inicial

Realocacao

Alfa

Beta

Gama

Recurso/Secao

de Recurso

Corte

0,4

0,3

0,3

704 H.h.

704 H.h.

Preparacao

0,8

0,4

0,6

1.232 H.h.

1.364 H.h.

Montagem

0,25

0,4

0,4

704 H.h.

704 H.h.

Pintura

0,2

0,2

0,2

528 H.h.

484 H.h.

Embalagem

0,06

0,1

0,05

352 H.h.

264 H.h.

Madeira

Contribui
c
ao Unit
aria

4,5

10.000 m

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

Conjunto

22

Contribuicao Unitaria (R$)

Alfa

21,00

Beta

19,50

Gama

22,00
Modelagem

Vari
aveis de Decis
ao
x1 = n
umero de conjuntos ALFA
x2 = n
umero de conjuntos BETA
x3 = n
umero de conjuntos GAMA
Fun
c
ao Objetivo (maximizar o lucro)
Max. Z = 21.x1 + 19, 5.x2 + 22.x3
Restri
c
oes (condicoes devido aos recursos escassos)

x1 0

704 (corte)

0, 4.x1

+0, 3.x2

+0, 3.x3

0, 8.x1

+0, 4.x2

+0, 6.x3

0, 25.x1

+0, 4.x2

+0, 4.x3

704

(montagem)

0, 2.x1

+0, 2.x2

+0, 2.x3

528

(pintura)

0, 06.x1

+0, 1.x2

+0, 05.x3

352

(embalagem)

3.x1

+4, 5.x2

+6.x3

10.000

x2 0

1.232 (preparacao)

(madeira)

x3 0

Primeiro Tableau
1
0.350
0.400

0.300 1.000 0.000

0.000

0.000

0.000

0.000

704.000

0.450

0.300

0.400 0.000 1.000

0.000

0.000

0.000

0.000

1232.000

0.350

0.350

0.400 0.000 0.000

1.000

0.000

0.000

0.000

704.000

0.350

0.450

0.200 0.000 0.000

0.000

1.000

0.000

0.000

528.000

0.070

0.110

0.040 0.000 0.000

0.000

0.000

1.000

0.000

352.000

3.000

4.500

6.000 0.000 0.000

0.000

0.000

0.000

1.000

10000.000

0.000 0.000

0.000

0.000

0.000

0.000

Z -19.000 -20.000

Ultimo
Tableau

-23.000 0.000

0.000 0.000

0.000 1.000

0.000

-0.500 -0.500

0.000

-0.000

88.000

0.000 0.000

0.000 0.000

1.000

-2.308

0.385

0.000

0.074

554.051

1.000 0.000

0.000 0.000

0.000

9.231

-1.539

0.000

-0.564

45.129

0.000 1.000

0.000 0.000

0.000

-7.692

4.615

0.000

0.359

611.282

0.000 0.000

0.000 0.000

0.000

0.154

-0.292

1.000

-0.007

234.174

0.000 0.000

1.000 0.000

0.000

1.154

-2.692

0.000

0.179

1185.641

0.000 0.000

0.000 0.000

0.000

48.077

1.154

0.000

0.590

40352.820

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

23

Solver

5.1

Introduc
ao

O Solver e um modulo do Excel que permite-nos de uma forma muito simples e rapida
obter solucoes para problemas de programacao linear.

5.2

Exemplo

Como exemplo, vamos resolver o exerccio envolvendo a companhia ALT-M que produz
moveis de escritorio que, por questoes de marketing, agrupou em tres conjuntos basicos
cujos modelos sao: ALFA, BETA E GAMA. Exerccio resolvido e analisado em sala.
Em geral o modulo Solver nao esta disponvel no arranque do Excel. Devemos ativa-lo
no menu Ferramentas - Suplementos. Para rodar o modulo Solver selecione a funcao
Solver no menu Ferramentas.
Organize as informacoes pertinentes da melhor forma possvel em uma planilha.
(Exemplo: u
ltima folha).
reserve uma celula para a formula do calculo de Z (E17)(=B18*B5+C18*C5+D18*D5)
calcule os recursos escassos consumidos (coluna E linhas 9 a 14)
(E9 =B9*B5+C9*C5+D9*D5)
(E10 =B10*B5+C10*C5+D10*D5)
(E11 =B11*B5+C11*C5+D11*D5)
(E12 =B12*B5+C12*C5+D12*D5)
(E13 =B13*B5+C13*C5+D13*D5)
(E14 =B14*B5+C14*C5+D14*D5)

rode o Solver
no parametro Definir c
elula destino (conforme figura acima) coloque a celula reservada para o Z ($E$18).

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

24

no parametro C
elulas vari
aveis coloque as celulas das variaveis de decisao ($B$5:$D$5)
no parametro Submeter `
as restric
oes coloque as restricoes usando Adicionar.
no parametro Opco
es marque conforme Figura abaixo.

aplique Resolver

aplique Continuar ate

marque Resposta, Sensibilidade, Limites e OK.

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

25

Pert - Redes de Preced

encia

6.1

Definic
oes

Redes de Precedencia:
atividades do projeto
sequencia temporal
obedecer restricoes
Redes de Precedencia: Uma vez definidas as atividades do projeto e suas respectivas
duracoes deve-se empreender a montagem destas atividades em um sequencia temporal,
de maneira racional, exeq
uvel e efeciente, de forma a dispo-las na melhor ordem para
o projeto. Esta montagem deve obedecer `a restricoes de precedencia, conflitos de
recursos, fluxos de recursos e janelas de oportunidades. Existem diversas tecnicas para
elaboracao destas redes como PERT, P-PERT, PERT-Custo, GERT, CPM, PDM e
Corrente Crtica.
CPM - Critical Path Method.
PERT - Program Evaluation and Review Technique.

6.2

Redes

Atividade = tarefa que consome tempo

Evento = termino de uma ou mais atividades
evento

atividade

?
?
'$

4h
&%
6

tempo

6.3

Exemplos

a) Provao 1999

evento
?
'$
-

&%

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

b) Provao 2000

6.4

Formac
ao de Redes

Exemplo 1:

26

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

27

Atividades

Duracao da

antecessoras

tarefa -

imediatas

(Dias)

-.-

Atividade

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

28

Exemplo 2:
Atividades

Duracao da

antecessoras

tarefa -

imediatas

(Dias)

-.-

-.-

AeB

Atividades

Duracao da

antecessoras

tarefa -

imediatas

(Dias)

-.-

DeE

Atividades

Duracao da

antecessoras

tarefa -

imediatas

(Dias)

-.-

HeG

IeF

Atividade

Exemplo 3:

Atividade

Exemplo 4:

Atividade

Prof. Evandro Bittencourt - Pesquisa Operacional - 2003

Otimimizac
ao N
ao-Linear

7.1

Func
ao de uma vari
avel

a) Derivada primeira da Funcao Objetiva (Z)

b) Pontos Extremos: razes da primeira derivada (Z=0) (x1 , x2 , ...)
c) Derivada Segunda da Funcao Objetiva (Z)
d) Teste das razes da Derivada Primeira na Derivada Segunda.
(a) Z 00 (x1 ) > 0 a funcao passa por um mnimo em x1
(b) Z 00 (x1 ) < 0 a funcao passa por um maximo em x1
e) Testa os pontos extremos das restricoes
f ) Verifica a Funcao Objetiva nos extremos das restricoes

7.2

Exerccios

a) Exemplo 1
Max. Z = 32x 2x2
Sujeito A: x 2
x 10
(a) Z 0 = 32 4x
(b) Z 0 = 0; 32 4x = 0; x = 8
(c) Z 00 = 4
(d) Z 00 (8) = 4 < 0
A funcao passa por um maximo em x=8 (Z=128)
(e) 8 2 ok
8 10 ok
(f) Z(2) = 56
Z(10) = 120
Resposta: Ponto otimo : x=8
Z maximo = 128
b) Exemplo 2
Min. Z = x2 8x
Sujeito A: x 0
x3
c) Exemplo 3
Min. Z = 13 x3 3x2 + 5x + 3
Sujeito A: x 0
x4

29