You are on page 1of 62

5 PROGRAMAO INTEIRA E

PROGRAMAO DINMICA

5.1 CARACTERSTICAS DOS MODELOS LINEARES DE PROGRAMAO INTEIRA


Seja o problema de programao linear que se segue:
Uma confeitaria produz dois tipos de bolos de sorvete: chocolate e creme. Cada lote de bolo de choco-
late vendido com um lucro de 3 unidades monetrias e os lotes de creme com um lucro de 1. Contratos
com vrias lojas impem que sejam produzidos no mnimo 10 lotes de bolos de chocolate por dia e que o
total de lotes fabricados nunca seja menor que 20. O mercado s capaz de consumir at 40 lotes de bolos
de creme e 60 de chocolate. As mquinas de preparao do sorvete disponibilizam 180 horas de opera-
o, sendo que cada lote de bolos de chocolate consome 2 horas de trabalho e cada lote de bolos de creme
3 horas. Determinar o esquema de produo que maximize os lucros com a venda dos bolos de sorvete.
A modelagem deste problema de programao matemtica que denominaremos dos lotes de bo-
los de sorvete, ou BS, simples e pode ser realizada da seguinte forma:

1. Escolha da varivel de deciso

xi quantidade de lotes de bolos de sorvete do tipo creme (i = 1) e chocolate (i = 2) fabricados.

2. Elaborao da funo objetivo

z = Maximizar {f (x) = x1 + 3x2}


Nmero total de unidades monetrias obtidas como a venda dos lotes dos bolos tipo creme e cho-
colate.

3. Formulao das restries tecnolgicas

a) Restrio associada disponibilidade de maquinaria:


3x1 + 2x2 180
b) Restrio do nmero de lotes de bolos de creme no mercado:
x1 40
c) Restrio do nmero de lotes de bolos de chocolate no mercado:
x2 60
d) Restries associadas aos contratos com as lojas:
x2 10
x1 + x2 20
168 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

4. Restries de no negatividade

x1 0, x2 0

Podemos resumir o modelo de BS da seguinte forma:

(BS) Maximizar z = x1 + 3x2


sujeito a:
x1 40
x2 60
x2 10
x1 + x2 20
3x1 + 2x2 180
x1 0, x2 0

Como nos foi solicitado que, alm do modelo, fosse exibido o melhor esquema de soluo para
a produo, vamos buscar a soluo do problema. Uma primeira dvida surge imediatamente ao
analisarmos o conjunto de restries: seria possvel produzirmos meio lote de bolos de chocolate?
Se o lote possuir um nmero mpar de bolos, ento algum deveria comprar uma frao de bolo de
chocolate.
Esse problema de extraordinria importncia. Em inmeras situaes, as variveis de deciso
no podero admitir um valor contnuo. Ocasies em que estamos lidando com pessoas, configura-
es, objetos fsicos etc., solues fracionrias perdem o sentido prtico. Poderamos pensar que esse
problema no seria to grave se trabalhssemos com uma formulao contnua e, aps a soluo final,
providencissemos alguma estratgia de arredondamento. O que ingenuamente pode parecer uma so-
luo razovel pode ser uma pssima ideia na prtica. Vamos exemplificar a inadequao da soluo
via arredondamento mais adiante, mas no momento cabe corrigir nosso modelo substituindo a con-
dio de no negatividade por uma condio mais exigente:
4. Condies de integralidade

x1, x2 Z+ (conjunto dos inteiros positivos).


A Figura 5.1 mostra a representao grfica da matriz de restrio do problema BS.

x2
90
x1 = 40

60 C
x2 = 60
D

x1 + x2 = 20 B
3x1 + 2x2 = 180
20
E
x1 = 10
F A
O 20 40 60 x1

Figura 5.1 Representao grfica de BS.


PROGRAMAO INTEIRA E PROGRAMAO DINMICA 169

Como podemos observar na Tabela 5.1, os pontos A, B, C, D, E e F do polgono de solues pos-


suem coordenadas inteiras. Tal fenmeno um fato raro. Obviamente, quando os pontos extremos
do poliedro de solues viveis possuem valores inteiros, solucionar um problema de programao
linear com variveis contnuas equivalente a solucionar um problema de programao inteira.

T A B E LA 5. 1

Coordenadas Valor da funo


Pontos Examinados
(x1, x2) z = x1 + 3x2
A (40,10) 70
B (40,30) 130
C (20,60) 200
D (0,60) 180
E (0,20) 60
F (10,10) 40

A soluo que leva ao maior valor a correspondente ao vrtice C. Mas e o problema do arredonda-
mento? Ainda no vimos por que ele grave. Seja o programa que se segue:

Maximizar z = x1 + 19x2
sujeito a:
x1 + 20x2 50
x1 + x2 20
x1, x2 variveis inteiras

8 11 8
cuja soluo tima : x *1 = 18 , x *2 = 1 e z *0 = 48 .
9 19 19
Aplicando a estratgia de arredondamento, uma vez que os valores timos so fracionrios, e pro-
videnciando uma busca racional no entorno do ponto timo contnuo teramos:

T A B E LA 5. 2

Valor da funo
Pontos Examinados Coordenadas
z = x1 + 19x2

x1* = 19 x2* = 2 invivel

x1* = 19 x2* = 1 z = 38

x1* = 18 x2* = 2 invivel

x1* = 18 x2* = 1 z = 37

Contudo, a soluo tima obtida com, x *1 = 10, x *2 = 2 e z *0 = 48, ou seja, o erro de 21% no arredon-
damento. Com um nmero maior de variveis e com essa margem de erro a tcnica de arredondamen-
to pode resultar em uma derrocada completa no esforo de modelagem e soluo, impondo-se outros
mtodos de soluo.
Existem vrios mtodos especficos para a obteno da soluo inteira exata de um problema de
programao linear (ver Dantzig [1959], Gomory [1960], Glover [1965], Lawler e Wood [1966], Reiter e
Rice [1966], Shapiro [1968], Nemhauser e Ullman [1968], Padberg [1970], Wolsey [1972], Pierce e Lasky
[1973], Nemhauser e Garfinkel [1972], Geoffrion e Marsten [1972], Shamir [1984]] e solues aproxima-
tivas (ver Chvatal [1979], Davis [1987], Goldberg [1988]). Apresentaremos, a seguir, uma tcnica exata e
uma heurstica para a soluo desse tipo de problema, mas antes exemplificaremos o amplo espectro
do potencial de modelagem atravs de uma srie de exemplos.
170 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

5.2 O PROBLEMA DA MOCHILA E MTODOS DE SOLUO


EXATA PARA A PROGRAMAO INTEIRA
O presente tpico vai debater um importante modelo de programao linear inteira (PLI) denominado
o problema da mochila (PK) e mtodos exatos para a soluo dos modelos de PLI.

5.2.1 O Problema da Mochila (Knapsack Problem PK)


4 A Importncia do Problema e seu Contexto
O chamado problema da mochila ou knapsack problem caracteriza-se pelo estreito relacionamento com
um grande nmero de outros modelos de programao. Sua importncia est associada exatamente a
esse fato. Metaforicamente podemos entend-lo como o desafio de encher uma mochila sem ultrapas-
sar um determinado limite de peso, otimizando o valor do produto carregado. Foi possivelmente re-
portado pela primeira vez na literatura por Dantzig (1957) e constitui um marco das tcnicas de progra-
mao inteira, otimizao combinatria e programao dinmica. Alm do aspecto matemtico, o mo-
delo em si pode ser aplicado diretamente em casos prticos como:

Investimento de capital (ver Weingartner [1968]).


No problema de corte e empacotamento (ver Gilmore e Gomory [1965] e [1963], Pirce [1964],
Goulimis [1990], Vahrenkamp [1996]).

Carregamento de veculos (ver Bellman e Dreyfus [1962] e Captulo 9).


Oramento.
Um texto aprofundado no tema pode ser encontrado em Kellorer (2004).

4 A Formulao do Problema
Podemos formular o problema da mochila (PK) da seguinte forma:

n
(PK) Maximizar z = cjxj
j=1
sujeito a:
n
w jxj b
j=1
xj 0 e inteiro.

onde xj representa o nmero de objetos do tipo j selecionados para serem includos em uma mochila,
representada metaforicamente pela restrio do modelo. A mochila possui uma capacidade total de b
unidades. A varivel cj representa o valor econmico de cada item, e wj, o peso do item. A literatura uti-
liza intensamente e, sem qualquer perda de generalidade, os coeficientes da restrio como pertencen-
tes ao conjunto dos inteiros. Nesse caso:

n
wj > b e wj b, j = 1, , n
j=1

e w , b .
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 171

Considerando que exista apenas um objeto de cada tipo para ser escolhido, define-se o problema
da mochila 0-1, em que a restrio da varivel inteira substituda por xj {0, 1}. Denominaremos essa
formulao de (PKI). O problema assim definido tambm muitas vezes denominado de problema da
mochila unidimensional (por possuir apenas uma restrio tipo mochila).

n
(PKI) Maximizar z = cjxj
j=1

sujeito a:
n
w jxj b
j=1

xj {0, 1} j = 1, ..., n

Um caso particular bastante conhecido para PKI aquele em que as variveis de deciso so inteiras
e limitadas em certos valores mximos. Esse problema denominado da mochila com limites (PKL) e
pode ser formulado do seguinte modo:

n
(PKL) Maximizar z = cjxj
j=1

sujeito a:
n
w jxj b
j=1

xj lj j = 1, ..., n

x j +

Os limites impostos pelos valores lj no permitem que a mochila seja preenchida com um nmero
qualquer dos objetos xj.
O (PK) NP-rduo (ver Garey e Johnson [1979]). J o caso da mochila linear, ou seja, aquele em que as
variveis so contnuas, pode ser solucionado de modo extremamente eficiente, em O (n), onde n repre-
senta o nmero de variveis do problema, sendo passvel de soluo tanto pelo algoritmo simplex (ver
Chvtal [1983]), como, por exemplo, pelo mtodo dos pontos interiores (ver Gonzaga [1989]). Esse talvez
seja um dos problemas de otimizao em que mais facilmente podemos perceber a diferena de dificul-
dade de soluo entre os problemas de programao inteira e de programao linear, uma vez que so-
mente uma restrio considerada. Para exemplificar a natureza combinatria do problema PKI apre-
sentamos, na Figura 5.2, a rvore de enumerao do seguinte caso:

Maximizar z = 7x1 + 10x2 + 12x3 + 14x4

sujeito a:
z = 41x1 + 55x2 + 60x3 + 70x4 160

4 Problemas Correlatos
Apresentaremos no presente item uma srie de variantes para o problema da mochila. Essa coletnea,
alm de comprovar as vrias aplicaes do modelo, permite uma viso de sua importncia.
172 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

X1 X2 X3 X4

2 6 15 28 Z = 21
X1 = 3 X2 = 0 X3 = 0 X4 = 0

16 29 Z = 29
X3 = 1 X4 = 0

X3 = 0 X4 = 0
7 17 30 Z = 17
X2 = 1

X1 = 1 X2 = 0 X3 = 0 X4 = 1
3 8 18 31 Z = 21

X2 = 2 X3 = 0 X4 = 0
9 19 32 Z = 27

X3 = 1 X4 = 0
10 20 33 Z = 22
X2 = 1 X4 = 1
X3 = 1 21 34 Z = 26

X1 = 0 X2 = 0 X3 = 0 X4 = 2
1 4 11 22 35 Z = 28

X3 = 2 X4 = 0
23 36 Z = 24
X2 = 2 X4 = 0
12 24 37 Z = 20
X3 = 0

X1 = 2 X2 = 0 X3 = 0 X4 = 1
5 13 25 38 Z = 28

X4 = 0
X3 = 1 26 39 Z = 26
X2 = 1
14 27 40 Z = 24
X3 = 0 X4 = 0

FIGURA 5.2 rvore de enumerao do exemplo do problema da mochila.

Subset-Sum Problem (SSP):


Dois problemas so fortemente correlacionados ao PK. O primeiro deles um caso especial quando os
custos possuem o mesmo valor dos pesos. Nesse caso, cj = wj e assim define-se o subset-sum problem (SSP)
(tambm denominado por Christofides [1979] por Value-Independent Knapsack Problem):

n
(SSP) Maximizar z = wjxj
j=1

sujeito a:
n
w jxj b
j=1

xj {0, 1} j = 1, ..., n.
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 173

Mochila Mltipla 0-1 (PKM)


Este problema caminha no sentido contrrio de SSP, pois trata-se de uma generalizao de PK. Nesse
caso existem m mochilas a serem carregadas, cada uma com capacidade bi, i = 1, ..., m. PKM se reduz a PK
quando m = 1. As variveis de deciso do problema so afetadas por dois ndices; ou seja, xij uma vari-
vel binria com 0, 1 representando a incluso do produto i na mochila j. Os pesos dos produtos e seus va-
lores so os mesmos para todas as mochilas. necessrio incluir no modelo uma restrio adicional que
evite a incluso de um mesmo produto em mais de uma mochila. Podemos formular esse problema da
seguinte forma:

m n
(PKM) Maximizar z = cjxij
i= 1 j=1

sujeito a:
n
wjxij bi i = 1, ..., m
j=1
m
xij 1 j = 1, ..., n
i= 1
xij {0, 1} i = 1, ..., m; j = 1, ..., n.

Existem as verses limitada ou no limitada para o caso mltiplo.

Mochila 0-1 Multidimensional (PK-n-Dimensional)


Se para carregarmos a mochila com os objetos seja exigido um pagamento pi a cada item adquirido e
exista uma limitao p no capital disponvel para tal aquisio, um novo problema pode ser definido:
carregar a mochila com a carga de maior valor possvel atendendo disponibilidade de oramento.
Podemos formular o problema como um caso sujeito a duas restries ou bidimensional (PKB), da se-
guinte forma:

n
(PKB) Maximizar z = cjxj
j=1

sujeito a:
n
w jxj b
j=1
n
pjxj p
j=1

xj {0, 1} j = 1, ..., n.

O modelo poder ser generalizado na medida em que existam outras restries que limitem a utili-
zao dos objetos para o preenchimento da mochila, da a denominao multidimensional para esse
tipo de modelo. Como no caso da mochila mltipla, podemos encontrar para o problema as verses li-
mitada e no limitada.

Mochila Max-Min 0-1 (PKMM)


Em diversas situaes os problemas modelados pela mochila podem envolver itens que possuem de-
pendncias dos valores de um cenrio. Um exemplo dessa situao diz respeito preparao de uma
bagagem para uma excurso. O valor de um capote impermevel ou de um casaco pesado depende da
probabilidade associada chuva ou ao frio no intervalo de viagem.
174 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

Dados n itens e um conjunto S de cenrios, e uma mochila que possua o valor do item associado a
v is , o valor do item i dentro do cenrio S, e considerando tambm wi o peso do item i, e b a capacidade
da mochila, uma mochila max-min 0-1 definida da seguinte forma:


m

(PKMM) Maximizar Mnimo
v s
i x i
x
s S i= 1

sujeito a:
n
w ixi b i = 1, ..., m
i= 1
xi {0, 1} i = 1, ..., m;

O PKI um caso particular de PKMM quando existe apenas um cenrio a ser considerado. A for-
mulao PKMM aplicada em problemas de carteira de investimento em que o valor do retorno espe-
rado depende do cenrio futuro. A considerao de um objetivo min-max um dos trs critrios usa-
dos em um contexto maior de problemas de otimizao denominado mais recentemente de otimizao
robusta (ver Kouvelis e Yu [1993]). Os problemas min-max ou max-min com variveis contnuas foram
estudados, dentre outros, por Kaplan (1974), Luss e Smith (1986), Pang e Yu (1989), Klein et al. (1993). O
problema min-max discreto foi abordado por Jacobsen (1971), Porteus e Yormark (1972), Ichimori
(1984), Tang (1988). Um trabalho interessante abordando o problema max-min o de Rangan e Govin-
dan (1992). O problema contnuo max-min da mochila foi estudado por Eiselt (1986). Yu (1996) apre-
senta um algoritmo B&B para a soluo de PKMM, bem como uma heurstica mope para a gerao de
solues viveis e limites inferiores.

Mochila de Escolha Mltipla (PKEM)


Se o conjunto N das variveis for particionado em m classes Nk, k = 1, ..., m e for exigido que exatamente
uma varivel de cada classe seja escolhida para integrar uma soluo, ento denominaremos esse mo-
delo de mochila de escolha mltipla. Dudzinski e Walukiewicz (1987) formulam o PKEM da seguinte
forma:

m
(PKEM) Maximizar z = cjxj
k=1 jN k

sujeito a:
m
w jxj 1
k=1 jN k

xj = 1 k M = {1, ..., m}
j N k
m
xi {0, 1} jN= U N k = {1, ..., n}.
k=1

Sinha e Zoltner (1979) e Nauss (1979) sugerem vrias aplicaes para o PKEM. Zemel (1984) apre-
senta um algoritmo O (n) para a soluo do caso contnuo do problema. Johnson e Padberg (1981) tra-

tam o problema com restries de empacotamento xj 1. Ibarra e Kim (1978) substituem as restri-
j N k
es de escolha mltipla pela nica exigncia de que pelo menos uma das variveis pertencentes a Nk,
k = 1, ..., m, seja positiva na soluo (no obrigatoriamente inteira). A relaxao linear desse problema
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 175

possui um eficiente mtodo dual de soluo com complexidade O (n) (Dyer [1984]). Reportam-se exce-
lentes resultados na reduo de PKEM (Sinha e Zoltner [1979]). O problema pode ser solucionado atra-
vs de programao dinmica em O (nb) operaes (ver Dudzinski [1984]).

A Mochila Encapsulada (PKE)


Esse modelo se enquadra na classe daqueles direcionados formulao de problemas de sequencia-
mento de tarefas. Dudzinski e Walukiewicz (1987) formulam o PKE da seguinte forma:

(PKE) Maximizar z = c jxj


j S

sujeito a:
wjxj bi i = 1, ..., m
jSi

xj {0, 1}, j S

m
onde Si Sk = ou (Si Sk ou Sk Si) para i k, com S = U Si . Podemos supor sem qualquer perda de
i=1
generalidade que Si Sk, e, se Si Sk, ento bi bk para cada i k. PK um caso especial de PKE quan-
do m = 1. A restrio de mochila do modelo comporta-se de modo aninhado ou encapsulado (da
seu nome) e pode ser representada em um grafo direcionado G = (V, A), onde V = {1, ..., m} e as arestas
(i, k) A, se e somente se Si Sk e no existe r V tal que Si Sr Sk, sendo S um subconjunto de N. O
grafo G uma floresta. Dois casos particulares de PKE so importantes por sua aplicao prtica e apre-
sentados por Dudzinski e Walukiewicz (1987), a saber:

O Problema da Mochila Decomposta (PKD)


(PKD) Maximizar z = c jxj
j S
sujeito a:
w jxj b i i = 1, ..., m
jSi

w jxj b
j S

xi {0, 1}, j S

m
onde Si Sk = para i, k = 1, ..., m, i k, com S = U Si e Sm+1 = S
i=1

O Problema da Mochila Multiperodo (PKMP)


Trata-se de um modelo com aplicaes na programao industrial e mercado de capitais (ver tambm
Salkin [1975]).

m
(PKMP1) Maximizar z = cjxj
k=1 jR k

sujeito a:
i
w jxj b i i = 1, ..., m
k=1 jR k

xj {0, 1}, j Rk, k = 1, ..., m


176 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

i
onde para i, k = 1, ..., m, i k, com Si = U R k e S = Sm com Ri Rk = , para i k.
k=1
O problema de sequenciamento de tarefas com prazos limite um caso especial da mochila multi-
perodo. Nesse caso, existem n tarefas a serem executadas em uma mquina com um tempo de proces-
samento associado igual a tj e um lucro resultante de pj. As restries de prazo so representadas por dj
tj para todas as tarefas j, j = 1, ..., m. Se uma tarefa completada dentro do prazo, ento o lucro pj rea-
lizado, sendo o retorno nulo em caso contrrio. Se as tarefas so reindexadas de forma que:

d1 d2 ... dn

podemos reformular o PKMP1 da seguinte forma:

n
(PKMP2) Maximizar z = pjxj
j=1

sujeito a:
i
tjxj di i = 1, ..., n
j=1

xj {0, 1}, j = 1, ..., n.

onde xi = 0 se a tarefa viola a restrio de tempo e xi = 1 se est no prazo. Nesse caso Ri = {i} e S = {1, ..., i}
para i = 1, ..., n e m = n.

O Problema Quadrtico da Mochila (PKQ)


Este problema generaliza a mochila 0-1 multidimensional de forma que as variveis so inteiras e a
funo objetivo uma funo quadrtica. Esse modelo aplicado em:

Estudo de cenrios de investimento de capital (Djerdjour et al. [1998]).


Localizao de estaes de recepo em terra para comunicao via satlite (Witzgall [1975]).
Localizao de estaes rodovirias e pontes mveis de acesso aos avies (fingers) (Billionnet e
Calmels [1996]).

Localizaode estaes de medio pluviomtrica e seleo de carteiras de investimento


(Laughhunn [1970]).

Roteamento de mensagem por satlite com limitao de memria (Billionnet et al. [1989]).
Gallo et al. (1980) formulam o PKQ como se segue:

n
(PKQ) Maximizar z = qiixi + qijxixj
i= 1 1 i< j n

sujeito a:
n
w ixi b
i= 1
xi {0, 1}, i = 1, ..., n.
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 177

n
Onde o coeficiente qij e o valor b so no negativos e inteiros tal que 0 < b < wi. PKQ
i= 1
NP-completo, pois para o caso em que qij = 0 ele se reduz ao tradicional PK. Esse problema tem sido estu-
dado por vrios autores como Carter (1984), Barahona et al. (1989), Pardalos e Rodgers (1990), Billion-
net et al. (1994), Chardaire e Sutter (1995) e Holmberg et al. (2000).
Para exemplificar o emprego do modelo PKQ vamos examinar o roteamento de mensagem por sat-
lite com limitao de memria proposto por Billionnet et al. (1989). Esse problema tem uma descrio
bastante interessante e rica. Presumindo-se que um satlite de comunicaes possua um programa de
trabalhos a cumprir, programa esse particionado em tarefas T = {1, ..., n}, a questo que se coloca como
alocar essas tarefas entre o processador do satlite e o processador em terra. Normalmente, os processa-
dores so homogneos, mas as tarefas, obviamente, exigem um tempo diferente de processamento. O
custo de processar a tarefa i no processador j conhecido e igual a eij. Cada tarefa i requer a utilizao de
um segmento mi da memria do processador. O processador do satlite possui um limite de memria
igual a M sendo que o processador em terra tem uma capacidade considerada ilimitada. As capacidades
para o fluxo de dados entre as ligaes terra satlite e satlite terra so tambm consideradas ilimita-
das (alm da possvel demanda gerada atravs do satlite). Se as tarefas i e j so transmitidas, ento cij re-
presenta um custo conhecido de comunicao entre as tarefas i e j quando elas no so designadas no
mesmo processador (custo apenas no chaveamento). O problema definido como objetivando minimi-
zar os custos totais de comunicao atendendo as condies de limite para a memria do processador do
satlite. Billionnet e Camels (1996) formulam o problema como se segue:

n n n i 1

(PKSat) Maximizar z = ei2 xi eil ei2 + cij + cij

i= 1 i= 1 j=i +1 j=1

+2 cij xixj
1i< jn

sujeito a:
n
m ixi M
i= 1
xi {0, 1}, i = 1, ..., n.

onde xi = 1 se a tarefa i foi alocada ao processador do satlite i e 0 se ela foi alocada ao processador em
terra.

Algoritmos de Soluo
Os trabalhos de Wolsey (1988) e Martello e Toth (1990) apresentam uma extensa bibliografia que resu-
me vrias abordagens. De um modo resumido podemos classificar os principais algoritmos de soluo,
como normalmente feito, nas abordagens exatas e heursticas como mostra a Tabela 5.3.

T A B E LA 5. 3 AL GO R I TMO S DE SO L UO P A RA O P K

Problema Ano Pesquisador Trabalho


Abordagem Exata
1973 Ingargiola e Korsh Algoritmos de reduo
Problema
1974 Horowitz e Sahni Enumerao implcita
da Mochila
1975 Ahrens e Finke Programao dinmica
1977 Martello e Toth Enumerao implcita
178 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

T A B E LA 5. 3 C O N TI N UAO

Problema Ano Pesquisador Trabalho


Abordagem Exata
1977 Martello e Toth Enumerao implcita
1978 Zoltners B&B
1978 Martello e Toth B&B
1980 Toth Programao dinmica
1980 Balas e Zemel B&B
1981 Martello e Toth B&B e Relaxao lagrangeana
1982 Fayard Relaxao lagrangeana
1983 Maculan Relaxao lagrangeana
1984 Dyer Mtodo dual para a relaxao linear
Problema
1984 Camerini e Vercellis Mochila em estrutura matroide
da Mochila
1985 Martello e Toth B&B
1987 Dudzinski e Walukiewicz Vrios mtodos exatos
1988 Djerdjour et. al. Relaxaes surrogate
1996 Bagchi et. al. Relaxao linear
1996 Amado e Barcia Limites para a mochila matroide
Abordagem Heurstica
1975 Ibarra e Kim Heurstica IK
1975 Sahni Heurstica SA O (n3)
1979 Lawler Melhoria da heurstica IK
1981 Magazine e Oguz Heurstica MO

4 Transformao dos Problemas de Programao Inteira em Problemas da Mochila


Consideremos o problema de programao inteira (PPI) clssico s seguir:

n
(PPI) Maximizar z = cjxj
j=1

sujeito a:
n
wijxj = bi, i = 1, 2, ..., m
j=1

xj 0 e inteiro

0 x j uj

onde uj um limite superior para a varivel xj com valor inteiro e todos os bi e wij tm igualmente valo-
res inteiros. Para que o modelo de PPI seja equivalente ao de PKI necessrio que seja possvel trans-
formar PPI em PK retirando-se duas diferenas bsicas:
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 179

1. As restries de PPI so de estrita igualdade.


2. PPI possui m restries.

A primeira diferena pode ser facilmente eliminada atravs da incluso de variveis de folga e do
reclculo do limite superior. A segunda diferena pode ser eliminada com o seguinte procedimento:
Substitumos as m restries do modelo PPI por apenas uma da forma:

n
w jxj b
j=1

xj {0, 1}, j = 1, ..., n.

onde cada wj tem valor inteiro. Os dois problemas so equivalentes porque tm a mesma funo objeti-
vo e todas as solues viveis para o conjunto de restries de PPI so tambm viveis para PKI, e vi-
ce-versa. Vamos exemplificar o processo de agregao de duas restries em uma s, atravs da mani-
pulao dos limites e do valor do vetor wj. Sejam duas restries a saber:

n
rjxj = b1
j=1
n
sj xj = b 2
j=1

Faamos ento:
n
m1 = [Mximo (0, sj)] Uj b1
j=1
n
m2 = [Mnimo (0, sj)] Uj b1
j=1

m = Mximo (m1, |m2| )

E podemos substituir as duas restries pela seguinte restrio derivada dos valores anteriores:

n
(rj Msj)xj = b1 + Mb2
j=1

onde M qualquer nmero inteiro tal que |M| > m.

5.2.2 Viso Geral dos Mtodos de Soluo para os PPI


Existem diversas tcnicas desenvolvidas para a busca da soluo inteira dos problemas de programa-
o linear, das quais podemos citar:

Tcnicas de Enumerao:
Separao e avaliao progressiva ou Branch-and-Bound (B&B).
Enumerao implcita.
Restries surrogate.
180 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

Tcnicas de Cortes:
Cortes inteiros (primais e duais).
Cortes combinatrios.
Cortes de interseo.
Mtodo de decomposio de Benders.
Tcnicas Hbridas:
Branch-and-Cut.
Teoria de Grupo.
Na maioria das ocasies, as tcnicas de soluo so especializadas para os inmeros tipos de pro-
blemas de programao inteira, desenvolvendo-se abordagens e algoritmos especficos para cada situa-
o. Apresentaremos agora duas tcnicas exatas muito empregadas na soluo de problemas de PLI.

5.2.3 Branch-and-Bound
O mtodo denominado de Branch-and-Bound (B&B) baseia-se na ideia de desenvolver uma enumerao
inteligente dos pontos candidatos soluo tima inteira de um problema. O termo branch refere-se ao
fato de que o mtodo efetua parties no espao das solues. O termo bound ressalta que a prova da oti-
malidade da soluo utiliza-se de limites calculados ao longo da enumerao. Definindo:

(P) = Maximizar {cx|Ax = b, x 0, x Z+}


e
(P) = Maximizar {cx|Ax = b, x 0, x R+}

Definindo ainda V* (P) e V* (P) os valores das funes objetivo no timo de (P) e (P) respectivamen-
te temos que:

V* (P) V* (P)

Considerando ainda qualquer soluo vivel ~


x de (P) e chamando de V (~
x ) o valor da funo objeti-
~
vo no ponto x, ento:

V (~
x) V* (P)

e dessa forma V* (P) um limite superior para (P) e qualquer de suas solues viveis. Se x a soluo
tima de (P) tal que xj no inteiro teremos:

xj x j + 1 ou xj x j (5.1)

em toda soluo vivel de (P). Dessa forma, o problema (P) pode ser dividido em dois novos problemas
(P1) e (P2) em que a envoltria convexa C de (P1) (P2) ou Conv ((P1) (P2)) est estritamente contida
na envoltria de (P) ou Conv ((P1) (P2)) Conv ((P)).
Vamos exemplificar o processo de diviso da envoltria convexa de (P) com o seguinte exemplo:

Maximizar z = 5x1 + 8x2


sujeito a:
z = x1 + x2 6
z 5x1 + 9x2 45
z x 1, x2 Z +
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 181

Que pode ser representado graficamente como na Figura 5.3. A soluo tima contnua do pro-
9 15 1
blema encontrada em: x 1 = ; x 2 = levando a z = 41 . Desenvolvendo a ideia de separao da
4 4 4
envoltria convexa em relao a varivel x2 podemos organizar a equao disjuntiva a seguir:

15 15
x2 + 1 4 ou x2 3
4 4

X2

Solues Inteiras

A z = 5x1 + 8x2
B

5x1 + 9x2 = 45

x1 + x2 = 6

O C X1

FIGURA 5.3 Soluo grfica do exemplo.

A equao anterior produz duas restries disjuntivas que, quando acrescidas ao problema origi-
nal so capazes de criar dois novos problemas que no mais possuem a soluo tima contnua em sua
envoltria convexa.
A Figura 5.4 mostra o efeito da aplicao da equao disjuntiva gerada em relao varivel x2, no
exemplo.

X2

(P1)

A
B

(P2)

O C X1

FIGURA 5.4 Resultado do branch (diviso ou ramificao).

Com a considerao da disjuno, o problema original ser reduzido ento a dois novos proble-
mas, a saber:
182 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

(P1) Maximizar z = cx (P2) Maximizar z = cx


sujeito a: sujeito a:
Ax b Ax b
xi x i0 xi x i0 + 1
xi Z xi Z

A estratgia de separao cria novos e mais restritos problemas que, normalmente, sero de mais
fcil soluo. No exemplo, o problema (P) separado em dois problemas (P1) e (P2) com x2 sendo a va-
rivel escolhida para separao. A estratgia de separao pode ser reaplicada a esses problemas em
funo, por exemplo, da varivel x1. Vamos enumerar atravs de uma rvore as possibilidades de solu-
o dos problemas que sero gerados pela diviso de (P). Na rvore da Figura 5.5, cada nvel represen-
ta uma separao ou branch em relao a uma varivel.

P0
x1 = 2,25 x2 = 3,75
z = 41 ,25

x2 4,0 x2 3,0

P2 P1
x1 = 1,8 x2 = 4,0 x1 = 3,0 x2 = 3,0
z = 41 z = 39

x1 2,0 x1 1,0

P4
P3
x1 = 1,0 x2 = 4,25
Invivel
z = 40,4

x2 5,0 x1 4,0

P5 P6
x1 = 0 x2 = 5 x1 = 1,0 x2 = 4,0
z = 40 z = 37

FIGURA 5.5 rvore branch do exemplo.

Para entendermos o efeito do bound, suponhamos que tenhamos escolhido a sequncia de branchs da
Figura 5.6, deixando de solucionar os problemas marcados:
As solues contnuas so um limite superior para o valor de z *0 , sob as condies estabelecidas nos
vrtices da rvore, enquanto as solues inteiras geram um limite inferior. Como (P4), um problema com
soluo contnua, possui Z = 40, 4 e (P5), um problema com soluo inteira, possui Z = 40, o problema
(P6) no precisa mais ser solucionado, uma vez que entre 40, 4 e 40 no existe a possibilidade de uma ou-
tra soluo inteira melhor que 40 (40 z *0 40, 4). O problema (P2), com z = 41 pode dar origem, contudo,
ainda a um problema com uma soluo inteira de valor 41 (40 z *0 41), o que obriga ao desenvolvimento
de (P3). De modo semelhante, (P0), com z = 41, 25 pode dar origem a um problema com a soluo tambm
de valor 41 (40 z *0 41, 25), o que obriga ao desenvolvimento de (P1).
A reduo pelo limite inferior (bound) de apenas um vrtice da rvore de enumerao do exemplo
pode parecer pequena, mas devemos lembrar que esse problema pequeno tambm. Em muitos casos
reais, o poder de simplificao do limite inferior (ou superior no problema de minimizao) se mostra
significativo, sendo extremamente til no processo de soluo.
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 183

P0
x1 = 2,25 x2 = 3,75
z = 41 ,25

x2 4,0 x2 3,0

P2
P1
x1 = 1,8 x2 = 4,0
Aguarda
z = 41

x1 2,0 x1 1,0

P4
P3
x1 = 1,0 x2 = 4,25
Aguarda
z = 40,4

x2 5,0 x1 4,0

P5
P6
x1 = 0 x2 = 5
Aguarda
z = 40

FIGURA 5.6 O efeito de reduo do bound (limite).

Um dos pontos fundamentais para o sucesso do B&B a qualidade do limite gerado pela soluo
inteira. Em vrias situaes, esses limites podem ser alcanados atravs de procedimentos heursticos.
A qualidade do limite alcanado normalmente depende, para cada problema, da estratgia de desdo-
bramento da rvore de busca. Existem basicamente duas grandes estratgias de diviso ou branch. A
Figura 5.7 apresenta o aspecto das rvores desenvolvidas pela busca em profundidade e pela busca em
largura.

P0
P0

P1 P2
P1 P2
P3 P4

P3 P4 P5 P6
P5 P6

Busca em Profundidade Busca em Largura

FIGURA 5.7 Estratgias de diviso.

O B&B uma tcnica de ampla aplicao. A ideia geral sujeita a inmeras adaptaes e estratgias de
implementao. Basicamente, os aspectos envolvidos so:

Tcnicas de desenvolvimento da rvore de enumerao (escolha do problema):


Busca em profundidade.
Busca em largura.
Variantes hbridas.
184 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

Tcnicas de formao da rvore (escolha da varivel de separao):


Variante de Dank (1960).
Variante de Land e Doig (1965).
Variante de Spielberg (1968).
Mtodo das Penalidades (1965).
Mtodo de Taha (1971).
Estratgias dinmicas (1976).
Outras variantes.

Tcnicas complementares para obteno dos limites:


Relaxao linear (ver Pirce [1964], Bagchi et al. [1996], Pardulos et al.
[1996]).
Relaxao lagrangeana (ver Fisher [1981], Fisher [1985] e Beasley [1985],
Desrosiers et al. [1988], Kohl e Madsen [1997] e Holmberg e Yuan [2000]).
Algoritmos heursticos e meta-heursticos (ver Puckinger [2004]).
Cortes.

4 Variante de Dank
Este autor prope que a varivel a ser escolhida para a diviso em um certo nvel da rvore seja a que
possuir o maior resduo em relao soluo inteira, ou seja, considerando que ~
xj seja a varivel que es-
colheremos para a separao proposta pela equao (5.2), ento:

~
xj = Mximo {(xj xj)} e {(xj xj)} (5.2)

Se a soluo contnua do n a ser expandido se apresenta como na Figura 5.8 (a), ento, pela pro-
posta de Dank, o n ~
xj ser x2, uma vez que possui um resduo igual a 0, 75, maior que o de x1.

Pn Pn

x1 = 7,25 x2 = 11,75 x1 = 7,25 x2 = 11,75

x1 ou x2 ? res ( x1 ) = 0,25
res ( x2 ) = 0,75

(a) (b)
FIGURA 5.8 Estratgias de diviso de Dank.

4 Variante de Land e Doig


Esta abordagem sugere que a rvore de enumerao seja expandida em vrios valores simultneos
para a varivel de diviso, como mostra a Figura 5.9.

4 Variante de Spielberg
Desenvolve o n com maior valor de z* e o mais recentemente calculado, usando o critrio de Land e
Doig para aumentar a retirada de espao contnuo no entorno do n pesquisado. Trata-se de uma bus-
ca em profundidade associada ao critrio de Land e Doig.

4 Mtodo das Penalidades


Esta estratgia pode ser descrita nos seguintes passos:
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 185

X2

Pn

x1 = 7,25 x2 = 11,75

_ 10
x2 < _ 12
x2 >

x2 = 11
X1

FIGURA 5.9 Estratgias de diviso de Land e Doig.

Determina uma estimativa do decrscimo da funo objetivo quando obrigamos as variveis a


assumir valores inteiros.

Escolhe o n na lista dos ns em aberto com a menor estimativa de decrscimo (utiliza um pivo-
teamento associado a varivel ~
xj).

Aproveita as redues possveis quando a estimativa de decrscimo ultrapassa o limite inferior


corrente.

5.3 PROGRAMAO DINMICA


A programao dinmica uma tcnica utilizada para a otimizao de processos de deciso multiest-
gios. Denominamos um processo de deciso multiestgios aquele que pode ser desdobrado segundo um
certo nmero de etapas sequenciais ou estgios. As alternativas includas na concluso de um estgio
so denominadas decises. A condio do processo dentro de cada estgio denominada estado. Cada
estgio inclui a tomada de uma deciso que pode ou no alterar o estado do processo, mas que, obriga-
toriamente, representa uma transio entre o estado corrente e o estado futuro do processo. Um proces-
so de deciso multiestgios denominado finito quando existem apenas um nmero finito de estgios no
processo e um nmero finito de estados possveis associado a cada estgio. Dentro do processo multiest-
gios, o objetivo do tomador de deciso encontrar uma poltica tima (tambm chamada de trajetria
tima) em relao ao retorno auferido com as decises. Um processo de deciso multiestgios deter-
minstico se o resultado de cada deciso for conhecido exatamente. A Figura 5.10 mostra o quadro da
tomada de deciso multiestgio:
A determinao de uma poltica tima para um processo de deciso multiestgio est teoricamente
embasada no princpio da otimalidade de Bellman, que pode ser assim enunciado:

Uma poltica tima apresenta a propriedade segundo a qual,


a despeito das decises tomadas para assumir um estado
particular num certo estgio, as decises restantes a partir
deste estado devem constituir uma poltica tima.

O princpio de Bellman guarda uma semelhana com a estratgia gulosa ou mope, que determina
que a deciso a adotar em cada estgio sempre aquela que produz o maior acrscimo no critrio de
otimizao. A estratgia gulosa trata todos os processos como se fossem multiestgio e considera a to-
mada de deciso apenas dentro das condies vigentes para as variveis no estgio. No caso de o pro-
blema abordado ser realmente passvel de decomposio multiestgio e o processo de deciso ser, face
186 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

Estgio n Estgio n + 1

Estado n Deciso Estado n + 1

Processo de Deciso

FIGURA 5.10 Um processo de deciso multiestgio.

as caractersticas da funo de avaliao, completamente independente a cada estgio, a estratgia gu-


losa confunde-se com a da programao dinmica e a soluo via algoritmo guloso conduz ao timo.
Isso acontece quando o problema est assentado em um matroide (uma estrutura de independncia
ver anexo). Esse caso particular resume toda a possibilidade de semelhana entre o princpio de Bell-
man e a estratgia gulosa.
Para implementar-se o princpio de Bellman, na prtica parte-se do ltimo estgio de um pro-
cesso com n estgios e determina-se a melhor poltica para se deixar aquele estgio e completar o
processo. Desloca-se, ento, do fim para o incio do processo, estgio aps estgio, repetindo-se o
raciocnio. Em cada estgio, para cada estado, determina-se a melhor poltica para deixar o estgio
e completar o processo, supondo-se sempre que os estgios anteriores foram completados de for-
ma tima. Os clculos so sempre aproveitados de um estgio para o outro. Os elementos corres-
pondentes ao ltimo estgio do processo so, geralmente, obtidos diretamente. Os demais elemen-
tos so calculados de forma recursiva. A expresso de recorrncia depende do problema e deve ser
obtida para cada tipo de processo multiestgio. Se desejamos solucionar o problema DIM:

(DIM) Otimizar z = f1 (x1) + f2 (x2) + ... + fn (xn)


sujeito a:
x1 + x2 + ..... + xn b
x i +

no qual as funes possivelmente no lineares f1 (x1), f2 (x2), ..., fn (xn) so conhecidas de uma varivel,
b um valor no negativo e inteiro conhecido e o problema pode ser modelado como um processo mul-
tiestgio. O estgio 1 envolve a deciso sobre a varivel x1, com uma contribuio resultante de f1 (x1).
Os estados so 1, 2, 3, ...., b, representando os valores possveis para o nmero de unidades disponveis
para alocao. Considerando:

u varivel de estado cujos valores especificam os estados.


mj (u) retorno timo para se completar o processo comeando-se no
estgio j com o estado u.
dj (u) deciso tomada no estgio j que obtm mj (u).
Para o modelo DIM os valores de mj (u) sero dados pela seguinte expresso:

mn(u) = timo {fn (x)}


0 x u
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 187

que leva equao de recorrncia:

mj(u) = timo {fj (x) + mj+1 (u x)}


0 x u

Considerando o vetor da deciso tima x * = x *1 , x *2 , ... , x n* que leva o critrio de deciso a assumir o
valor z*, as componentes do vetor podero ser encontradas sequencialmente com a seguinte recorrncia:

x *1 = d1 (b);
x *2 = d2 (b x *1 )
.... = .......
x n* = dn (b x *1 x *2 ... x n* 1 )

Para que possamos compreender a aplicao do princpio de Bellman apresentaremos agora al-
guns exemplos prticos:

4 Exemplo 1: Caminho mais curto


Apesar da eficincia do algoritmo de Dijkstra para o caminho mais curto (ver Captulo 6), esse proble-
ma possui uma soluo bastante interessante quando abordado pela tcnica de programao dinmi-
ca. No grafo da Figura 5.11, o problema proposto o de encontrar o caminho mais curto entre os vrti-
ces A e J.

B 8 E

6 6
4 9
H
5
10 8
A 5 C 8 F J
12
7 5
3 I
13
9 3

D 11 G

FIGURA 5.11 Grafo do exemplo 1.

Como o grafo da Figura 5.11 um grafo em camadas (qualquer grafo pode ser transformado em
um grafo em camadas ver Hu [1982]), podemos decompor o problema de encontrar o caminho mais
curto entre os vrtices A e J em um processo de tomada de deciso multiestgio. As fases da deciso do
problema esto mostradas na Figura 5.12.
Realmente, vrios problemas de deciso sequencial admitem um grafo de tomada de deciso se-
melhante ao grafo do caminho mais curto. Nesse sentido, estudar a aplicao da programao dinmi-
ca ao caminho mais curto estudar o caso de muitos outros modelos. Aplicando diretamente o princ-
pio de Bellman ao problema, vamos estabelecer as condies para a tomada de deciso da primeira fase
(fase final do caminho) do problema multiestgio. A Figura 5.13 ressalta as possibilidades para a polti-
ca tima de chegada aos vrtices H e I, a partir de J, considerando que o caminho at os vrtices em pau-
ta ser realizado tambm de forma tima:
188 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

4 3 2 1

B 8 E
6 6
4 9
H
5
10 8
A 5 C 8 F J
12
7 5
3 I
13
9 3
D 11 G

FIGURA 5.12 Fases de deciso do caminho mais curto.

1
8

H
8

5
I

FIGURA 5.13 Primeira fase de deciso poltica possvel para os vrtices H e I.

Com a tomada de deciso realizada na fase 1 podemos, a partir da poltica tima para H e I, calcular
a poltica tima para E, F e G, como mostra a Figura 5.14.
A partir dos vrtices E, F e G podemos desenvolver a terceira fase de deciso. A Figura 5.15 mostra
que as informaes constantes da primeira fase (vrtices H e I) no so mais necessrias para isso.
Finalmente, podemos concluir os clculos determinando o caminho mais curto e seu valor (o rtulo
de A), como mostra a Figura 5.16.

4 Exemplo 2: O problema da seleo de projetos


As fases de tomada de deciso mais comuns esto associadas a uma s varivel. Nesse sentido cada estgio
permite analisar a poltica tima para uma varivel. Seja o problema a seguir:
Um investidor dispe de 3 unidades de capital que podem ser investidas em 3 distintas atividades
produtivas. Para cada atividade produtiva esperado um certo retorno de capital que uma funo do
montante investido na prpria atividade. As quantidades de capital so referentes a lotes de aes e
podem, portanto, ser consideradas inteiras. As receitas auferidas em retorno so independentes entre
si. A Tabela 5.4 mostra o quadro de investimento retorno dentro de cada projeto produtivo.
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 189

14 14

E
2 1 E
8 8
6
9
H H
17 17
10 8
F J F J
12
5
I I
13
3 5 5
G G
8 8

Clculo final para os vrtices E, F e G Caminhos associados poltica tima

FIGURA 5.14 Segunda fase de deciso poltica para os vrtices E, F e G.

22 3 14
22 14

B E
B 8 E

6
H
17 15 17
15 5

8 C F J
C F

7
I

D 11 G D G
8 8
19 19

Clculo final para os vrtices B, C e D Caminhos associados poltica tima

FIGURA 5.15 Terceira fase de deciso poltica para os vrtices B, C e D.

4 22

B B E

4 H
20 15
20 15
A C F J
A 5 C
I
5
3
D G
8
D

19

Clculo final para o vrtice A Caminho mais curto

FIGURA 5.16 Fase final de deciso.


190 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

T A B E LA 5. 4 S I TUAO I N V ESTI MEN TO RE T O RNO

Quantidade de recursos Receitas


aplicada (103 reais) Projeto 1 Projeto 2 Projeto 3
0 0 0 0
1 2 1 3
2 4 5 5
3 6 6 6

Para esse problema definiremos a varivel de deciso xj, j = 1, 2, 3, como a quantidade de recurso
aplicada no projeto produtivo j, xj {0, 1, 2, 3}.
Temos uma restrio para esse problema: a quantidade total de capital disponvel que no poder
exceder a 3 unidades. A funo objetivo descontnua e no linear e pode ser representada por:

z = f1 (x1) + f2 (x2) + f3 (x3)

com os valores constantes da tabela.


Desse modo, podemos formular o problema de seleo e alocao em projetos da seguinte forma:

3
(Projeto_1) z = fj (xj)
j=1

sujeito a:
x 1 + x2 + x3 3
xj 0 e inteiro j = 1, 2, 3.

Decises:

xj quanto vai ser alocado ao projeto j.

Estgios:

k = 0, antes de qualquer deciso.


k = 1, aps decidir o valor de x1.
k = 2, aps decidir o valor de x2 (e x1).
k = 3, aps decidir o valor de x3 (e x1 e x2).

Estados:

So definidos a cada estgio pelo capital ainda disponvel para aplicao.

Processo:

O investidor, o capital disponvel e os projetos.

Semelhante ao exemplo 1, podemos construir um diagrama que nos permita acompanhar grafica-
mente o comportamento estado estgio do processo. Vamos representar os valores para o capital
dentro de retngulos. A poltica tima ser representada por uma trajetria ou caminho no diagrama
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 191

0 0 0

1 1

2 2

0 3 3

k=0 k=1 k=2 k=3


FIGURA 5.17 Diagrama estado estgio.

capaz de rotular o n final com o maior valor possvel. Os clculos sero realizados estgio a estgio,
como no grafo do caminho mais curto, aproveitando-se todas as concluses obtidas em cada estgio
para a tomada de deciso em estgios anteriores.
Colocaremos junto ao canto superior direito de cada retngulo o valor de retorno correspondente
tomada de deciso a ele associada. Inicia-se a soluo no ltimo estgio decidindo sobre a varivel x3.
O retorno obtido com um investimento no projeto 3 (varivel x3) a coluna do projeto 3 da Tabela 5.4. A
transio do estgio 2 (k = 2) para o 3 (k = 3) decide a varivel 3. As possibilidades dessa deciso podem
ser resumidas na Figura 5.18.

0
0 0 0

3
1 1

5
2 2

6
0 3 3

k=0 k=1 k=2 k=3


FIGURA 5.18 Primeira fase de deciso poltica para a varivel x3.

As opes da varivel x2 podem ser analisadas na Figura 5.19, a partir da primeira fase de deciso.
Chegando finalmente anlise de x1, encontramos a poltica (trajetria) tima da Figura 5.20.
192 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

0 0
0 0

3 3
1 1

5 5
2 2

8 6
3 3

k=1 k=2
FIGURA 5.19 Poltica tima para x2.

0 0
0 0 0

3 3
1 1

5 5
2 2

8 8 6
0 3 3

k=0 k=1 k=2 k=3


x1 = 0 x2 = 2 x3 = 1

FIGURA 5.20 Diagrama final do exemplo 2.

4 Exemplo 3: O problema da produo e estocagem


Um fabricante de vages ferrovirios assina um contrato com uma empresa de transporte ferrovirio
para o fornecimento de 100 vages frigorficos em um perodo de cinco anos. Em janeiro de cada ano
prevista a entrega de 20 vages. O custo de produo anual por lote de 10 vages, segundo as projees
do departamento de engenharia, deve variar como especificado na Tabela 5.5.

T A B E LA 5. 5 C U STO S DE P R O DUO DO S VA G E S

Produo anual 0 1 2 3 4 5
Custo (unidade monetria) 5 12 16 19 21 22
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 193

A capacidade de armazenagem do fabricante de 4 lotes (40 vages), sendo que a estocagem con-
some em manuteno, mobilizao da rea e segurana, uma unidade monetria por lote armazenado
por ano.
O fabricante comea a produo em 10 de janeiro e termina em 31 de dezembro, sendo que os cus-
tos de armazenamento do lote ao longo do ano de produo j esto computados na Tabela 5.5. No in-
cio do contrato no existe qualquer vago frigorfico em estoque e no existe qualquer interesse em que
permaneam vages aps o trmino do contrato. Estabelea a poltica tima de produo, entrega e ar-
mazenagem para a indstria contratada.

Decises:

xj nmero de lotes a produzir no ano j, j = 1, 2, 3, 4, 5

Estgios:

k = 0, antes de qualquer lote ser produzido.


k = j, aps decidir o valor de xj.

Estados:

Nmero de lotes em estoque no final de cada estgio, conforme a Tabela 5.6.

T A B E LA 5. 6 ESTO Q UE DE V AG ES

k Estados Viveis
0 0
1 0 1 2 3
2 0 1 2 3 4
3 0 1 2 3 4
4 0 1 2
5 0

Varivel de deciso auxiliar


uj nmero de lotes estocados no incio do ano j, j = 1, 2, 3, 4, 5

Restries
5
xj = 10
j=1

0 xj 5 e inteiro
0 uj 4 e inteiro
u1 = 0
u6 = 0

Processo:
O fabricante, o cliente, a capacidade de fabricao e o estoque.

Podemos formular o problema de planejamento da produo e estocagem da seguinte forma:


194 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

5
Min z = fj (xj, uj)
j=1

sujeito a:
5
xj = 10
j=1

0 xj 5, j = 1, ..., 5
u j + 1 = xj + uj 2
0 uj 4, j = 1, ..., 6
u1 = 0
u6 = 0
xj 0 e inteiro, j = 1, ..., 5
uj 0 e inteiro, j = 1, ..., 6

O problema pode ser representado por meio do diagrama da Figura 5.21. A representao est em
funo da varivel estoque. As variveis u1 = u6 = 0. Do diagrama temos que u2 = 3, ou seja, no primeiro
ano sero produzidas cinco unidades, entregues duas e mantidas trs em estoque. u3 = 1 significa que
no segundo ano no haver produo. u4 = 1 implica que no terceiro ano sero produzidas mais cinco
unidades que, somadas com uma em estoque, acumularo seis lotes. Como sero entregues dois lotes

42 16
4 4

47 35 21
3 3 3

50 35 23 7
2 2 2 2

55 39 27 13
1 1 1 1

69 56 43 28 16
0 0 0 0 0 0

k=0 k=1 k=2 k=3 k=4 k=5


u2 u3 u4 u5 u6

Ano 1 2 3 4 5
Produo 5 0 5 0 0

FIGURA 5.21 Soluo do exemplo 3.


PROGRAMAO INTEIRA E PROGRAMAO DINMICA 195

ao final do terceiro ano, permanecero quatro em estoque. Da para diante as duas prximas entregas
anuais sero atendidas pelo estoque. O quadro ano/produo resume o valor das variveis x.
A programao dinmica uma tcnica utilizada intensamente para a soluo de modelos combinat-
rios (ver Haims e Freeman [1970], Psaraftis [1980], Carraway et al. (1989), Potts et al. (1995), Faaland e
Brigs [1984]).

5.4 SOLUES HEURSTICAS PARA OS PLI


Enquanto os problemas lineares contnuos possuem no simplex um algoritmo muito eficiente para a
soluo exata, os problemas lineares discretos, salvo alguns casos particulares, normalmente carecem
da mesma sorte. O estudo de Garey e Johnson (Garey e Johnson [1979]) um marco para o entendimen-
to dos obstculos que se interpem entre uma possvel soluo terica para um problema de progra-
mao discreta e sua implementao prtica atravs dos instrumentos computacionais da atualidade.
O cerne da dificuldade da abordagem exata dos problemas denominados NP-rduos, que, por sinal,
representam uma grande parte dos problemas de PLI realmente interessantes, est na exploso combi-
natria dos mtodos enumerativos. fcil perceber que uma rvore de B&B pode envolver um nmero
da ordem de ns, onde n representa a altura (distncia entre o n raiz e o n mais extremo, tambm de-
nominado folha da rvore) da rvore de enumerao. Para que possamos entender melhor essa dificul-
dade vamos solucionar o problema (PAT) que se segue:

(PAT) Maximizar z = x1
sujeito a:
2x1 + 2x2 + 2x3 = 3
x1, x2, x3 {0, 1}

Como vimos no item 5.1, PAT um modelo que pertence classe dos problemas da mochila. Se
decidirmos solucionar PAT atravs da utilizao de uma estratgia B&B bsica, a rvore de enume-
rao seria a representada na Figura 5.22.

P0
x1 = 1 x2 = 1/2

x2 0 x2 1

P1 P6
x1 = 1 x3 = 1/2 x1 = 1/2 x2 = 1

x3 0 x3 1 x1 0 x1 1

P2 P3 P7 P10
Invivel x1 = 1/2 x3 = 1 x2 = 1 x3 = 1/2 Invivel

x1 0 x1 1 x3 0 x3 1

P4 P5 P8 P9
Invivel Invivel Invivel Invivel

FIGURA 5.22 rvore B&B de PAT.


196 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

Para concluir a inviabilidade de PAT foi necessrio desenvolver 11 problemas. fcil provar que
n+1
esse algoritmo aplicado a um problema com n variveis desenvolver, no mnimo, cerca de 2 2 ns.
Se o problema possuir 201 variveis (os problemas reais podem possuir da ordem de milhares ou mi-
lhes de variveis), ento a rvore ser da ordem de 2100 ns. Um computador capaz de examinar 1,5
trilho de ns por segundo dessa rvore levaria cerca de 537 milhes de anos para esgotar todas as
possibilidades existentes!! Apesar de todo o avano das tcnicas atuais que, obviamente, fariam me-
lhor que desenvolver a rvore de enumerao completa de PAT para determinar a inviabilidade do
problema, ainda permanece a dificuldade imposta pela exploso combinatria desse tipo de proble-
ma. Em virtude dessa realidade, nos ltimos anos tem se verificado o surgimento de um significativo
conjunto de tcnicas e algoritmos computacionalmente muito eficientes mas que no garantem a so-
luo tima do problema de programao linear inteira. Esses algoritmos so denominados de heu-
rsticos ou aproximativos (para detalhes complementares ver, no anexo, complexidade de algoritmos).
O termo heurstica derivado do grego heuriskein, que significa descobrir ou achar. Mas o significa-
do da palavra em pesquisa operacional vai um pouco alm de sua raiz etimolgica. Podemos dizer que
uma heurstica, no sentido dado ao termo, refere-se a um mtodo de busca de solues em que no
existe qualquer garantia de sucesso. O sucesso do mtodo pode ser expresso quantitativa ou qualitati-
vamente. Em um problema de otimizao o sucesso pode ser representado pela obteno da soluo
tima. Alguns autores entendem que a possibilidade de fracasso seja extensiva at para a obteno de
uma soluo vivel. No comungamos dessa opinio. Definiremos o termo da seguinte forma:

Uma heurstica uma tcnica que busca alcanar uma boa soluo
utilizando um esforo computacional considerado razovel, sendo
capaz de garantir a viabilidade ou a otimalidade da soluo
encontrada ou, ainda, em muitos casos, ambas, especialmente nas
ocasies em que essa busca partir de uma
soluo vivel prxima ao timo.

As heursticas iniciaram historicamente seu desenvolvimento a partir de problemas especficos.


As primeiras heursticas relatadas na literatura pretendiam a soluo de problemas especficos e no
eram, via de regra, passveis de serem utilizadas em outros problemas. As heursticas clssicas de ro-
teamento so um bom exemplo disso.
Podemos tambm considerar que os primeiros mtodos gerais clssicos estavam associados a es-
tratgias de enumerao incompleta, soluo parcial ou relaxaes. Dentre as muitas classificaes
possveis para as heursticas, sugerimos a constante da Figura 5.23.
Utilizando-se um diagrama semelhante ao sugerido no item 5.2, poderemos examinar o comporta-
mento tpico de uma busca heurstica mope. A Figura 5.24 representa, dentro dos crculos, o valor final
da soluo obtida no estgio i da busca. Nesse caso, podemos visualizar o esforo de busca na medida
em que as possveis combinaes entre as variveis n e n 1 so exploradas. No grfico facilmente
perceptvel que, na medida do crescimento do nmero de opes, representado pelo comprimento das
colunas do diagrama, o esforo cresce exponencialmente. No caso da Figura 5.24, apenas a vizinhana
imediata de uma soluo (ou configurao) explorada (a de maior valor no estgio i da busca). Enten-
demos por vizinhana de uma configurao as configuraes que diferem da configurao base pelo
valor atribudo a uma varivel.
claro que podemos melhorar o exame das solues vizinhas e reduzir o grau de miopia da toma-
da de deciso. A Figura 5.24 mostra essa possibilidade. Nesse caso a explorao estende-se agora para a
vizinhana de duas configuraes (as duas melhores segundo o critrio do valor de f(s)). A penalidade
que devemos pagar pela remoo da miopia o crescimento do nmero de configuraes admitidas
como candidatas ao exame. Obviamente se examinssemos todas as configuraes encontraramos a
soluo tima, mas exatamente esse enorme trabalho que desejamos evitar. Existem dois procedi-
mentos que permitem a gerncia do risco de no se encontrar a soluo tima:
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 197

Procedimentos
Aproximativos

Heursticas Relaxaes

Estocsticas Clssicas Analgicas Lagrangeana Linear

Mopes
Construtivas
Simulated Anneling Redes Neuronais
Por economia
Tabu Search Computao Evolutiva Subgradiente
Busca local Dual Ascent
Clssica Algoritmos genticos Ajuste Mltiplo
Mtodo descendente
Reativa Scatter Search
Mtodo aleatrio
GRASP Colnia de formigas
Particionamento/
Grupamento

FIGURA 5.23 Classificao das abordagens aproximativas.

16
13
11
10 9 9
8
7
6
4

0
1 2 3 4 S
FIGURA 5.24 Tomada de deciso mope.

Buscar examinar um nmero crescente de combinaes entre as variveis selecionadas em


um determinado estgio da deciso e as variveis dos estgios seguintes (intensificao ou
melhoria na qualidade da soluo).

Buscar considerar um nmero cada vez maior de variveis em cada nvel (diversificao ou au-
mento do alcance [dimetro] da busca).
Podemos perceber visualmente como a incluso da segunda configurao parcial mais valorada
em cada nvel (diversificao) aumenta com o nmero de combinaes para a definio da configura-
o S (intensificao) representada pelas setas. O aumento do esforo de busca traz seus resultados: as
decises 1 e 3 da Figura 5.25 no podem ser mais consideradas apenas gulosas. Se o procedimento ado-
tado for suficientemente inteligente podemos encontrar o equilbrio entre a diversificao e a intensifi-
cao, caminhando economicamente em relao ao esforo de busca, atravs dos mximos (ou mni-
mos) locais at o mximo (ou mnimo) global, como mostra a Figura 5.26. Nesse caso a inteligncia foi
expressa pela estratgia de explorar as trs solues mais interessantes em cada estgio. Infelizmente,
no podemos deduzir a priori qual seria essa estratgia inteligente, uma vez que ela depende da instn-
cia de cada problema.
198 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

f(S)

22
20 20

16 16
13
11
10 9 9
8
7
6
4

0
1 2 3 4 S
FIGURA 5.25 Incrementando a deciso mope.

Mximo
Mximo Global
Mximo
Local
f(S) Local 26
24
23
22
20 20

16 16
13
11
10 9 9
8
7
6
4

0
1 2 3 4 S

FIGURA 5.26 Esforo timo para a busca heurstica.

A Figura 5.23 procura resumir as vrias abordagens conhecidas para os procedimentos heursticos
de soluo. Na linha clssica bastante comum, como anteriormente ressaltamos, que as heursticas
explorem casuisticamente a estrutura do problema, sem que, normalmente, se possa definir claramen-
te uma estratgia universal de soluo. No caso das chamadas meta-heursticas, que envolvem as cha-
madas heursticas estocsticas e analgicas, existe invariavelmente uma estratgia geral de soluo, ca-
bendo apenas adapt-la ao caso especfico. As heursticas modernas tm despertado crescente interes-
se da comunidade cientfica, tanto pelo bom retorno dado ao compromisso do objetivo, como em virtu-
de da qualidade das solues encontradas, tornando-se uma alternativa cada vez mais interessante
para a soluo de grande parte das aplicaes reais dos modelos combinatrios. Dentre os mais recen-
tes e abrangentes trabalhos na rea destacamos Aarts e Lenstra (1996), Osman e Kelly (1996), Osman e
Lapport (1996), Rayward-Smith et al. (1996). Dentre as heursticas modernas destacam-se:
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 199

4 Algoritmos Genticos
Os algoritmos genticos so detalhados no Captulo 8, todavia a Tabela 5.7 relaciona uma srie de re-
centes trabalhos aplicados aos problemas de otimizao combinatria.

T A B E LA 5. 7 APL I CA ES DE AL GO R I T M O S G E N T I C O S E M O T I M I ZA O C O M B I NA T RI A

Ano Autores Abordando


1985 Grefenstette AG aplicados soluo do Caixeiro Viajante
1990 Karr e Goldberg AGs aplicados separao de minrio
1991 Davidor AG aplicados robtica
1996 Arslan et al. AGs na otimizao de circuitos VSLI
1996 Notredame e Higgins AGs na soluo do alinhamento gentico
1996 Jakobs AGs na soluo de acomodao de polgonos
1996 Anderson e Gerbert AGs no projeto de asas de avies
1997 Mavridou e Pardalos AG e Simulated Annealing problema de layout
1997 Zhou e Gen AGs na soluo de rvore geradora k-restrita
1997 Ingleston e Smith AGs no auxlio ao combate areo
1998 Kim et al. AGs no equilbrio de linhas de montagem
1998 Pierrot e Hinterding AGs na soluo de programao inteira mista
1999 Azadivar e Tompkins AGs na simulao de processo de otimizao
2000 Dellaert et al. AGs na otimizao de lotes de produo
2001 Preston e Kozan AGs na distribuio de containers em portos
2001 Vico et al. AGs no planejamento de cirurgia
2002 Gantovnik et al AGs na otimizao de laminados
2002 Ray e Mahajan AGs na configurao tima de sensores
2002 Lambert AGs na desmontagem de equipamento eletrnico
2002 Sato et al. AGs no projeto de arquitetura
2002 Carter e Ragsdale AGs no planejamento de jornais
2002 Aytug e Saydam AGs na otimizao de problema de localizao
2003 Hageman et al. AGs e tabu na otimizao de pintura
2003 Zhou et al . AGs no planejamento de alocao bicritrio
2003 Hassini e Vickson AGs na otimizao de alocao carrocel
2003 Valds et al. AGs na otimizao trmica de turbinas de gs
2003 Topcuoglua et al. AGs na localizao de roteadores de redes
2003 Park et al. AGs na soluo do planejamento de tarefas
2003 Ho e Ji AGs na otimizao de chips eletrnicos
2004 Lim et al. AGs na otimizao da mistura para concreto
2004 Liew AGs na otimizao de problemas geomtricos
2004 Chung e Jung AGs na otimizao de acessrios de segurana
2004 Kasprzyk e Jaskua AGs hbridos (Simplex) para anlise qumica
200 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

T A B E LA 5. 7 C O N TI N UAO

Ano Autores Abordando


2004 Mohamed Jenkins AGs na configurao de membranas
2004 Fhner e Jung AGs na otimizao do crescimento cristalino
2004 Kulkarni et al. AGs na otimizao microestrutural de ligas
2004 Ozturk et al. AGs na estimao da exergy de residncias
2004 Cordoba et al. AGs na otimizao de sistemas contra fogo
2004 Aydin e Yildirim AGs no controle de um sistema laser
2004 Ge e Chen AGs no controle de espaonaves
2004 Shin et al. AGs na reconfigurao de redes de energia
2004 Shokooh-Saremi et al. AGs na otimizao de polarizadores

Dentre os mais recentes e abrangentes trabalhos na rea destacam-se Goldberg (1989), Davis
(1991), Whitley (1994), Aarts e Lenstra (1996), Osman e Kelly (1996), Osman e Lapport (1996), Ray-
ward-Smith et al. (1996), Reeves (1996), Bck et al. (1997), Fogel (1998), Vose (1998), Mitchell (1999), Co-
ley (1999), Spears (2000), Spears et al. (2000), Mhlenbein e Mahnig (2001), Lance (2001), Blum e Roli
(2003). A Tabela 5.8 apresenta trabalhos que introduzem temas inovadores para a abordagem.

T A B E LA 5. 8 A LG O R I TMO S GEN TI CO S

Ano Autores Abordando


1986 Grefenstette Otimizao de parmetros de controle AG
1987 Davis Algoritmos Genticos e Simulated Anneling
1990 De Jong AGs aplicados aprendizagem
1993 Juliff Tcnica de cromossomos mltiplos
1996 Wineberg e Oppacher AGs com introns
1997 Ronald et al. Tcnica de cromossomos mltiplos
1997 Hinterding Autoadaptao e cromossomos mltiplos
2000 Cantu-Paz AGs paralelos
2001 Beyer Teorias para estratgias de evoluo
2001 Jansen e Wegener Utilidade da populao dos AGs
2002 Beyer et al. Metodologia de anlise para AGs
2003 Aickelin e Bull AGs Coevolucionrios
2003 Ghosh et al. Estudo da influncia das geraes na evoluo

A Tabela 5.9 apresenta trabalhos em aplicaes originais e que guardam correlao com a otimiza-
o combinatria

T A B E LA 5. 9 A LG O R I TMO S GEN TI CO S APL I C A D O S A P RO B L E M A S E S P E C I A I S

Ano Autores Abordando


1991 Caldwell e Johnston AGs na identificao de rostos humanos
1991 Gibson e Byrne AG aplicados composio musical
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 201

T A B E LA 5. 9 CO N TI N UAO

Ano Autores Abordando


1996 Hanebeck e Schmidt AGs no treinamento de redes neurais
1998 Nayebzadeh et al. AGs na determinao de arritmia fetal
1998 Reid AGs na construo de Redes de Petri
2003 Ng e Perera, AGs no controle de qualidade da gua
2004 Zhang et al. AGs na estimao da transferncia de calor
2004 Ozturk et al. AGs na estimao da exergy de residncias
2004 Roychowdhury AGs no diagnstico de doenas
2004 Sarkar e Modak AGs na otimizao da operao de bioreatores
2004 Kim et al. AGs na estimativa de emisso de radiao
2004 Mwembeshi et al. AGs no controle de pH de reatores
2004 Imai et al. AGs na operao de terminais porturios

4 Genticos Hbridos
Os algoritmos genticos so promissora fonte de hibridizao mistura de tcnicas aproximativas. Os
trabalhos que seguem relacionados na Tabela 5.10 exploram tal possibilidade.

T A B E LA 5. 10

Ano Autores Abordando


1990 Ulder et al. Gentico com busca local
1992 Schaffer et al. Genticos e redes neurais
1994 Fleurent e Ferland Gentico hbrido p/ quadrtico de alocao
1996 Kim e Lee Gentico com reinforcement learning
1997 Tsutsui e Ghosh Genticos com busca local
1998 Cotta et al. Gentico hbrido para a mochila 0-1
2000 He e Mort Hbrido na soluo de redes de comunicao
2000 Hiroyasu et al. Gentico com simulated annealing
2000 Matsumura et al. Gentico com busca tabu
2001 Luo et al Gentico com programao linear
2001 Savchenko e Schmitt Gentico com simulated annealing
2001 French et al. Gentico e B&B
2002 Lim e Yuan Gentico hbrido aplicado ao quadrtico de alocao
2003 Ting et al Gentico com busca tabu

Links teis:
http://garage.cps.msu.edu/papers/papers-index.html
http://www-illigal.ge.uiuc.edu/index.php3
http://www.shef.ac.uk/~gaipp/links/
202 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

4 Algoritmos Memticos (Genticos com Busca local, Genticos Lamarckianos, Genticos Baldwi-
nianos).
Algoritmos Memticos utilizam o conceito de evoluo cultural. Nesse paradigma a adaptabilidade
de um indivduo pode ser modificada por aes no programadas em seu repositrio gentico. Para si-
mular o efeito da ao cultural os algoritmos memticos se permitem empregar principalmente tc-
nicas de busca local para aperfeioar o cromossomo . A alterao dita memtica do genoma ocorre fora
do clssico mecanismo de reproduo/mutao dos algoritmos genticos. As melhorias dos cromosso-
mos devidas busca local so preservadas, caracterizando-se o que se convencionou denominar de
evoluo Lamarkiana evoluo que herda os sucessos obtidos pelos indivduos. Sob vrios pontos
de vista os algoritmos memticos podem ser considerados uma forma hbrida de algoritmos genticos.
A Tabela 5.11 resume alguns trabalhos de aplicao em Otimizao Combinatria em que a pro-
posta da abordagem memtica/lamarckiana empregada.

T A B E LA 5. 11 A P L I CA ES DE AL GO R I TMO S M E M T I C O S NA O T I M I ZA O C O M B I NA T RI A

Ano Autores Abordando


1990 Ulder et al. Aplicado soluo do PCV
1992 Moscato e Norman Aplicado soluo do PCV
1997 Cotta e Troya Aplicao ao problema da mochila
1997 Dengiz et al. Aplicado a confiabilidade em redes
1998 Charon e Hudry Na soluo de implicaes lgicas
1998 Morris et al. Modelagem molecular
1999 Burke e Smith Aplicado ao problema de plano de manuteno
1999 Tesfaldet e Hermosilla Aplicado soluo do PCV
2000 Knowles e Corne Otimizao multiobjetivo
2001 Burke et al Planejamento do trabalho de enfermagem
2002 Lim e Yuan Soluo do quadrtico de alocao
2002 Kersting et al. Soluo do problema de conectividade
2002 Velenzuela e Smith Aplicao ao setor de distribuio de energia
2003 Quintero e Pierre Designao de clulas em redes mveis
2003 Ljubic e Raidl Algoritmo em grafos
2004 Lima et al. Roteamento de veculos com frota heterogenia
2004 Krasnogor e Gustafson, Experimentao de self-generation
2004 Berreta e Rodrigues Otimizao de lotes de produo

A Tabela 5.12 apresenta trabalhos que desenvolvem os fundamentos da abordagem.

T A B E LA 5. 12 T R AB AL HO S ASSO CI ADO S A O S F U ND A M E NT O S D A A B O RD A G E M

Ano Autores Abordando


1987 Hinton e Nowlan Evoluo guiada
1988 Muhlenbein et al. Conceitos em evoluo artificial
1989 Moscato Fundamentos da metfora
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 203

T A B E LA 5. 12 CO N T I N UAO

Ano Autores Abordando


1989 Jog et al. Melhoria local
1994 Merz e Freisleben Descrio formal de um algoritmo memtico
1994 Radcliffe e Surry Descrio formal de um algoritmo memtico
1998 Ku e Mak Estudo do efeito Baldwin
1999 Merz e Freisleben, Estudo algortmico
1999 Moscato Fundamentos da metfora
2000 Merz Aprofundamento no tema

4 Simulated Annealing
A metfora apoiada na distribuio de Boltzman e pretende simular um processo de resfriamento t-
pico dos metais. A distribuio de Boltzman especifica a probabilidade de se alcanar um nvel de ener-
gia E=f(s), onde s um estado do sistema, para uma dada temperatura t. A Tabela 5.13 resume alguns
trabalhos no tema e aplicados a problemas de Otimizao Combinatria.

T A B E LA 5. 13 AP L I CA ES DE SI MUL AT E D A NNE A L I NG O T I M I ZA O C O M B I NA T RI A

Ano Autores Abordando


1953 Metropolis et al. Trabalho pioneiro
1982 Kirkpatrick et al. Trabalho pioneiro
1985 Cerny et al. Trabalho pioneiro
1984 Bonomi e Lutton Aplicado na soluo do PCV
1986 Lundy e Mess Estudo de convergncia
1986 Bohachevsky et al. Aplicado a otimizao de funes
1986 Mitra et al. Estudo de convergncia
1987 Laarhoven e Aarts Vrias aplicaes
1987 Wilhelm et al. Aplicado ao quadrtico de alocao
1988 Goldstein e Waterman Estudo do tamanho da vizinhana
1989 Ingber Tcnicas de melhoria de desempenho
1989 Aarts e Krost Vrias aplicaes
1989 Johnson et al. Estudo algortmico em vrias aplicaes
1989 Osman e Potts Aplicao ao flow shop de permutao
1990 Dueck e Scheuer Utilizao de theershold accepting
1990 Eglese Vrias aplicaes
1991 Cheh et al. Vizinhanas eficientes
1991 Yao Vizinhanas estendidas
1993 Downsland Estudo algortmico
1993 Osman Aplicao ao roteamento de veculos
1994 Moccelin Soluo do Shop Sequencing
204 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

T A B E LA 5. 13 C O N T I N UAO

Ano Autores Abordando


1996 Blte e Thonemann Hibridizao com programao gentica
1996 Andricioaei et al. Generalizao da abordagem
1996 Desai e Patil Simulated annealing e busca local
1996 Ingber Simulated annealing adaptativo
1997 Mavridou e Pardalos Simulated annealing e algoritmos genticos
1998 Chiang e Russel Aplicao ao roteamento de veculos
1998 Tracey et al. Teste de software
1999 Brooke et al. Quantum Annealing
2000 Kliewer e Tschke Aplicaes na indstria area
2000 Locatelli Condies de convergncia
2000 Hamam e Hindi Distribuio de mdulos de programao
2000 Hiroyasu et al. Simulated annealing em arquitetura paralela
2001 Hindi e Mhlanga Soluo de problema de Scheduling
2002 Yarkhan e Dongarra Soluo de problema de Scheduling
2003 Serrurier et al. Soluo de programao linear inteira
2003 Schwarzfischer Soluo de problema de Scheduling
2003 Bouleimen e Lecocq Soluo de problema com restrio de recursos
2003 Gaetan e Yao Multi-implementao
2003 Wrighton e DeHon Soluo assistida
2004 Neumann e Muncill Estimao de propriedades ocenicas

Links teis:
http://www.taygeta.com/annealing/simanneal.html

4 Nuvens de Partculas (Particles Swarm) e Colnia de Formigas


Nuvens de Partculas uma tcnica estocstica de otimizao baseada em populaes desenvolvida
por Kennedy e Eberhart (1995) inspirado no comportamento social de pssaros e cardumes de peixes.
Colnias de formigas outra tcnica estocstica que segue na mesma linha de biomimtica social para
o caso do comportamento de formigas e cupins, introduzida por Dorigo et al. (1991), Dorigo (1992). A
Tabela 5.14 resume alguns trabalhos no tema e aplicados a problemas de Otimizao Combinatria.

T A B E LA 5. 14 A P L I CA ES DE B I O MI MTI CA S O C I A L

Ano Autores Abordando


1992a Colorni et al. Fundamentos de colnia de formigas
1992b Colorni et al. Propriedades de colnia de formigas
1994 Maniezzo et al. Colnia de formigas para quadrtico de alocao
1994 Artur Colnia de formigas na soluo do PCV
1996 Dorigo et al. Fundamentos de colnia de formigas
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 205

T A B E LA 5. 14 CO N T I N UAO

Ano Autores Abordando


1997 Costa e Hertz Colnia de formigas na colorao de grafos
1997 Kennedy e Eberhart Fundamentos de nuvens de partculas
1998 Angeline Nuvens de partculas com seleo
1999 Gambardella et al. Colnia de formigas p/ o quadrtico de alocao
1999 Taillard Fundamentos de colnia de formigas
1999 Clerc Nuvens de partculas determinstica e adaptativa
1999 Dorigo e Di Caro Vrios exemplos
1999 Bullnheimer et al. Estudo computacional
1999 Yoshida et al. Nuvens de partculas no controle de voltagem
2000 Dorigo et al. Conceitos em colnia de formigas
2000 Sttzle e Hoos Colnia de formigas p/ caso Max-Min
2001 Eberhart e Shi Aplicaes para nuvens de partculas
2002 Cordon et al. Reviso da abordagem em colnia de formigas
2002 Ray e Liew Nuvens de partculas p/ multiobjetivo
2002a Parsopoulos e Vrahatis Reviso da abordagem nuvens de partculas
2002b Parsopoulos e Vrahatis Nuvens de partculas p/ multiobjetivo
2002 Ciuprina et al. Nuvens de partculas p/ eletromagntica
2002 Salman et al. Nuvens de partculas p/ alocao de tarefas
2002 Laskari et al. Nuvens de partculas p/ programao inteira
2002 Middendorf et al. Multi colnia de formigas
2003 Abd-El-Barr Colnia de formigas p/ circuitos digitais
2003 Bonabeau et al. Conceitos em nuvens de partculas
2003 Coello et al. Colnia de formigas p/ circuitos lgicos
2003 Carbonato e Maniezzo Conceitos em colnia de formigas
2003 Ting et al. Nuvem de partculas p/ gerao de energia
2004 Maniezzo et al. Texto didtico
2004 Onwubolu e Clerc Nuvem de partculas p/ perfurao automtica
2004 Chang et al. Nuvem de partculas p/ bioqumica
2004 Coello et al. Nuvem de partculas p/ multiobjetivo

Links teis:
http://www.particleswarm.net/
http://www.swarm-bots.org/

4 Estratgias Multistart e GRASP (Greedy Randomized Adaptive Search Procedure)


As tcnicas Multistart so compostas de procedimentos que, a partir de uma determinada soluo para
o problema, encontram uma nova soluo vivel. Ento, a vizinhana da nova soluo gerada exami-
nada por um procedimento de busca local de modo a intensificar o resultado. O GRASP uma variante
206 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

Multistart na qual as solues viveis so encontradas atravs de um procedimento quase guloso es-
tocstico com vis guloso. A Tabela 5.15 relaciona trabalhos que, ou desenvolvem a metfora, ou repre-
sentam aplicaes soluo de problemas de otimizao combinatria.

T A B E LA 5. 15 A P L I CA ES DO GR ASP

Ano Autores Abordando


1989 Feo e Resende Trabalho pioneiro
1992 Betr e Schoen Estudo sobre regras de parada p/ multistart
1994 Boese et al. Multistar adaptativo
1994 Li et al. GRASP p/ quadrtico de alocao
1995 Battiti e Protasi Multistar reativo
1997 Fleurent e Glover Multistar construtivo p/ quadrtico de alocao
1997 Hickernell e Yuan Multistar p/ otimizao global
1998 Atkinson GRASP p/ programao de veculos
1998 Hart Estudo das regras de parada p/ multistart
1998 Deshpande e Triantaphyllou GRASP p/ problemas de inferncia
1998 Resende GRASP p/ o problema de cobertura mxima
1999 Fleurent e Glover Multistart construtivo p/ quadrtico de alocao
1999 Fernandez GRASP p/ traado aerofotogramtrico
1999 Pardalos et al. GRASP p/ Feedback Vertex Set Problem
2000 Melin-Batista et al. Multistar de aplicao genrica
2001 Robertson GRASP p/ alocao multidimensional
2001 Brunato e Battiti GRASP p/ problema de controle de trfego
2001 Hammer e Rader GRASP p/ problema de recobrimento
2001 Jagota e Sanchis GRASP p/ problema da clique mxima
2002 Schoen Viso geral dos mtodos multistart
2002 Corbern et al. GRASP p/ carteiro chins em grafo misto
2003 Mart Viso geral dos mtodos multistart
2003 Chaovalitwongse et al. GRASP roteamento de veculos c/ janela tempo
2003 Osman et al. (2003) GRASP p/ problema de planaridade em grafos
2003 Ahuja et al. GRASP p/ rvore geradora mnima capacitada

4 Busca Tabu
uma meta-heurstica baseada em procedimentos de busca local enriquecidos por estratgias de ma-
nipulao de memria de modo a evitar que configuraes j examinadas sejam reexaminadas durante
o desenvolvimento do algoritmo. A Tabela 5.16 relaciona trabalhos que, ou desenvolvem a metfora,
ou representam aplicaes soluo de problemas de otimizao combinatria.
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 207

T A B E LA 5. 16 AP L I CA ES DE B USCA TA B U

Ano Autores Abordando


1968 Glover Trabalho pioneiro
1987 Glover Trabalho pioneiro
1989 Glover Texto didtico
1989 De Werra e Hertz Texto didtico
1990a Glover Vrias aplicaes
1990b Glover Vrias aplicaes
1990 Hansen e Jaumard Tabu na soluo do problema da satisfabilidade
1991 Glover e Laguna Tabu na soluo do problema de empacotamento
1991 Taillard Tabu p/ quadrtico de alocao
1992 Faigle e Kern Estudo de convergncia
1992 Cook e Han Tabu p/ o problema de empacotamento mltiplo
1993 Glover et al. Aprofundamento da abordagem
1994b Glover Tabu p/ programao no linear
1994 Battiti e Tecchiolli Tabu reativa
1995 Laguna et al. Tabu para o problema de alocao generalizado
1995 Battiti e ela Busca tabu reativa
1996 Zachariasen e Dam Tabu p/ PCV geomtrico
1996 Kolohan e Liang Tabu p/ soluo de operaes de perfurao
1997 Cordeau et al. Tabu p/ roteamento peridico de veculos
1997 Sharaiha et al. Tabu p/ soluo da rvore geradora capacitada
1997 Consiglio e Zenios Tabu p/ modelos de licitao
1998 Thesen Tabu em aproximao via caminhos mais curto
1998 Hao et al. Tabu p/ alocao de frequncia
1998 Woodruff Tabu com informaes selecionadas
1998 Lkketangen e Glover Tabu p/ programao mista
1999 Gendreau et al. Tabu p/ rvore de Steiner
1999 Nowicki Tabu p/ flow shop de permutao
2000 Yin Tabu p/ aproximao de curvas digitais
2000 Cullenbine Tabu p/ alocao arma alvo
2000 Berger et al. Tabu p/ problema em redes
2000 Morley e Grover Tabu p/ problema em redes
2002 Crainic e Gendreau Tabu p/ problema de redes capacitadas
2002 Ware et al. Tabu p/ gerao automtica de mapas
2002 Zhang e Sun Tabu p/ seleo de caractersticas
2002 Yamamoto et al. Tabu p/ cartografia
2002 Klau et al. Busca tabu guiada por operador humano
208 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

T A B E LA 5. 16 C O N T I N UAO

Ano Autores Abordando


2002 Sait e Zahra Tabu p/ otimizao de circuitos
2003 Kulturel-Konak et al. Tabu p/ solucionar redundncia de alocao
2003 Blum e Roli Viso geral
2003 Greistofer Tabu e Scatter Search
2004 Riaz et al. Tabu p/ problema de alinhamento

4 Busca em Vizinhana Varivel (BVV) e de Decomposio em Vizinhana Varivel (DVV)


As presentes meta-heursticas objetivam o exame sistemtico de estruturas de vizinhana. A Tabela
5.17 relaciona trabalhos que, ou desenvolvem a metfora, ou representam aplicaes soluo de pro-
blemas de otimizao combinatria.

T A B E LA 5. 17 A P L I CA ES DA B USCA EM VI ZI NH A N A VA RI VE L

Ano Autores Abordando


1996 Vahrenkamp Busca aletria para o problema de cortes
1997a Hansen e Mladenovic Trabalho pioneiro
1997b Hansen e Mladenovic Trabalho conceitual
1997c Hansen e Mladenovic BVV p/ PCV com vizinhana 2-opt
1999 Caporossi e Hansen BVV p/ grafos em modelo de energia
1999 Hansen e Mladenovi Trabalho didtico
2001 Gonzles e Prez-Brito BVV p/ o problema de ordenao linear
2001 Hansen e Mladenovi Aplicaes industriais da BVV
2001 Hansen et al. Proposta da DVV
2002 Lalonde e Gagnon BVV p/ padres geomtricos deformveis
2002 Costa et al. BVV p/ o problema de localizao de cabos
2002 Garca-Lpez et al. BVV p/ o problema das p-medianas
2003 Avanthay et al. BVV p/ problema de colorao de vrtices
2003 Brysy BVV reativa p/ roteamento de veculos
2003 Burke et al. BVV p/ programao de tarefas de enfermagem
2003 Hansen e Mladenovi Trabalho abrangente
2004 Fleszar e Hindi BVV p/ problema da classe scheduling

4 Scatter Search e Path Relinking


As meta-heursticas Scatter Search e Path Relinking so inspiradas em um mesmo objetivo: com base
em boas solues conhecidas encontrar novas e melhores solues. A Scatter Search prope fazer uma
mistura de boas solues utilizando a abordagem dos algoritmos genticos. Assim a Scatter Search
sugere que mais de dois cromossomos sejam considerados como doadores de material gentico (pais)
para formar um cromossomo filho. No caso do Path Relinking a tcnica indica que, para um dado par
de solues, seja encontrada uma sequncia de solues alteradas solues intermedirias ou mistas
que representem um caminho de transformao da soluo inicial na soluo alvo. A Tabela 5.18 rela-
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 209

ciona trabalhos que, ou desenvolvem a metfora, ou representam aplicaes soluo de problemas de


otimizao combinatria.

T A B E LA 5. 18 AP L I CA ES DE SCAT T ER S E A RC H E P A T H RE L I NK I NG

Ano Autores Abordando


1994a Glover Trabalho pioneiro em scatter search
1997 Glover Abordagem geral Scatter search e path relinking
1996 Kelly et al. Scatter search p/ treinamento de redes neurais
1996 Cung et al. Scatter search p/ quadrtico de alocao
1996 Fleurent et al. Scatter search p/ otimizao irrestrita
1998 Reeves Algoritmo gentico c/ path relinking
2000 Laguna e Mart GRASP e path relinking
2000 Glover et al. Fundamentos de scatter search e path relinking
2001 Beausoleil Scatter search multicritrio
2001 Campos et al. Scatter search p/ o problema de ordenao linear
2003 Laguna e Mart Texto didtico p/ scatter search
2003 Glover et al. Texto didtico p/ scatter search
2003 Greistofer Tabu e scatter search p/ roteamento em arcos
2003 Oliveira et al. GRASP e path relinking p/ quadrtico de alocao
2004 DellAmico et al. Scatter search p/ P||Cmax

4 Algoritmos Culturais
Os algoritmos culturais (ACs) so baseados na noo de que em sociedades avanadas o desenvolvi-
mento do indivduo pode ser realizado tanto por seleo natural como regras de seleo cultural. Cul-
tura, no sentido dos algoritmos culturais, vista como o conjunto de informaes acumuladas pela ex-
perincia da sociedade de indivduos. Os algoritmos culturais propem utilizar o domnio do conheci-
mento contido na cultura para guiar sua busca estocstica. Os ACs trabalham sobre dois espaos de
deciso a saber: a populao e o conjunto de crenas. A Tabela 5.19 relaciona trabalhos que, ou desen-
volvem a metfora, ou representam aplicaes soluo de problemas de otimizao combinatria.

T A B E LA 5. 19 AP L I CA ES DE AL GO R I M O S C U L T U RA I S

Ano Autores Abordando


1994a Reynolds Trabalho pioneiro
1994b Reynolds Trabalho pioneiro
1995 Reynolds et al. Aplicao manipulao de restries
2002 Coello e Becerra Aplicao otimizao com restries
2002 Xidong e Reynolds Aplicao minerao de dados
2004 Coello e Becerra Tcnica de mapeamento do espao das crenas
210 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

4 Algoritmos Transgenticos
A Transgentica Computacional (TC) replica o paradigma da simbiognese, em que criaturas de diferen-
tes espcies trocam informaes, eventualmente at material gentico, de modo a facilitar a adaptao ao
meio ambiente. O processo evolucionrio da TC realizado com base na troca de informaes entre po-
pulaes de indivduos de diferente natureza. A populao de cromossomos alvo constitui o primeiro n-
vel de evoluo, o nvel que modela a soluo do problema. Uma populao de vetores de manipulao
constitui o segundo nvel. Finalmente um terceiro nvel contm as regras que coordenam e alimentam a
simbiognese a troca de informao entre as populaes. Os vetores de manipulao so tambm deno-
minados de vetores transgenticos e podem transportar informaes obtidas a priori ou durante a evolu-
o. Observe que na TC os cromossomos no trocam material gentico entre si no existe o processo
clssico de reproduo ou recombinao. A informao a priori pode ser originada de vrias fontes, tais
como conhecimento terico e heurstico. A Tabela 5.20 relaciona trabalhos que, ou desenvolvem a met-
fora, ou representam aplicaes soluo de problemas de otimizao combinatria.

T A B E LA 5. 20 A P L I CA ES DA TR AN SGEN T I C A C O M P U T A C I O NA L

Ano Autores Abordando


2001 Gouva Trabalho pioneiro
2001 Goldbarg et al. Aplicao ao problema de colorao de vrtices
2001 Gouva e Goldbarg Aplicao ao quadrtico de alocao
2002 Goldbarg e Goldbarg Aplicao ao quadrtico de alocao
2002 Goldbarg et al. Aplicao explotao de petrleo
2002 Gouva et al. Aplicao programao de sondas de produo
2002 Goldbarg et al. Aplicao localizao de poos de petrleo
2002 Castro et al. Aplicao ao gs lift
2003 Goldbarg et al. Aplicao ao PCV
2003 Ramos et al. Aplicao ao PCV
2004a Goldbarg et al. Aplicao a sistemas de cogerao
2004b Goldbarg et al. Aplicao explotao de petrleo
2004c Goldbarg et al. Aplicao ao flow shop de permutao
2004d Goldbarg et al. Aplicao distribuio de gs natural
2004 Leite et al. Aplicao distribuio de vdeo

4 O Paradigma Hiper-Heurstico
Tendo em vista a inexorvel limitao de qualquer mtodo heurstico isolado, em termos de soluo
eficiente dos problemas combinatrios NP-rduos e outros, o paradigma hiper-heurstico prope uma
arquitetura que permita a seleo de algoritmos.
Basicamente o paradigma uma arquitetura de tomada de deciso em que heursticas so selecio-
nadas e organizadas por uma camada superior composta por outras heursticas. A abordagem prev
meta-heursticas trabalhando em conjunto com outras meta-heursticas, todavia em vez de se comple-
mentarem dentro de um processo de busca, como praticado tradicionalmente nas heursticas hbridas,
elas se orientam. Antes da denominao de hiper-heurstica a proposta recebeu outros nomes como
combinao de heursticas (Hart e Ross [1998]), direcionamento heurstico evolutivo (Hart et al.
[1998]), estratgia de evoluo de restries de satisfao (Terashima-Marin et al. [1999] ou algorit-
mo evolucionrio de mltiplos estgios (Burke e Newall [1999]). A Figura 5.27 resume a estrutura ge-
ral da proposta do paradigma hiper-heurstico. A abordagem foi recentemente denominada de hi-
per-heurstica (Burke et al. [2003a ] e [2003b] ).
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 211

Hiper-Heurstica

Fluxo de informaes
extradomnio

Barreira de Domnio

Fluxo de informaes
extradomnio

Conjunto de Heursticas

h1 hn

Funo Avaliao

FIGURA 5.27 Arquitetura para Hiper-heursticas [01].

A Figura 5.27 mostra que a arquitetura do paradigma separa o domnio do problema do domnio
da hiper-heurstica. A hiper-heurstica no possui conhecimento sobre o domnio do problema, caben-
do-lhe a tarefa de gerenciar as heursticas do nvel de soluo. O processo de gerncia se d indepen-
dentemente do problema tratado no nvel das heursticas (Cowling et al [2002]). As nicas informaes
que emergem no contexto da hiper-heurstica so os dados que so comuns aos vrios tipos de proble-
mas e os dados que a hiper-heurstica decide registrar como parte de seu estado interno. Por exemplo,
uma hiper-heurstica pode armazenar quanto tempo uma determinada heurstica usou na sua ltima
chamada, se houve mudana na funo avaliao quando a heurstica foi chamada ou quanto tempo de
processamento se passou desde a ltima chamada de certa heurstica. A hiper-heurstica desconhece
at mesmo qual problema est sendo solucionado por suas heursticas escravas.
So relatados experimentos com a busca tabu (Burke et al. [2003a] ) e algoritmos genticos (Hart e
Ross [1998]).

4 Reinforcement Learning Aprendizagem atravs de Reforo


Trata-se de um mtodo estocstico e construtivo em que as melhores solues so bonificadas. As bo-
nificaes so utilizadas para guiar a obteno de novas solues. Os fundamentos da abordagem es-
to descritos em Barto et al. (1981). A estratgia bastante empregada em robtica (Stone et al. [2001]).
A Tabela 5.21 resume as aplicaes relatadas na soluo de problemas de otimizao combinatria.

T A B E LA 5. 21 AP L I CA ES DA APR EN DI ZA G E M A T RA V S D E RE F O R O

Ano Autores Abordando


1992 Barto Conceitos
1995 Dietterich et al. Aplicao ao job-shop sceduling
1996 Kaelbling et al. Reviso da literatura
1997 Singh e Bertsekas Alocao dinmica de canais de telefone celular
1998 Moody et al. Aplicao carteira de investimento
1998 Sutton e Barto Trabalho didtico
1999a Miagkikh e Punch Soluo p/ otimizao combinatria
1999b Miagkikh e Punch Soluo p/ otimizao combinatria
2002 Gosavi et al. Apliao alocao de acentos em avio
2002 Pontrandolfo et al. Gesto de cadeia de suprimento
2004 Hong e Prabhu Controle de produo e estoque
212 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

As relaxaes so teis tanto para a gerao de solues aproximadas, como especialmente para a
disponibilizao de limites que so utilizados em algoritmos exatos de soluo do tipo B&B e outros.
As relaxaes mais utilizadas so a linear e a lagrangeana.
As heursticas clssicas so desenvolvidas de forma especfica para um certo tipo de modelo,
explorando, via de regra, suas peculiaridades. Para cada problema de otimizao, portanto, pos-
svel elaborar estratgias aproximativas que levem em conta as particularidades do modelo. No
presente trabalho abordaremos heursticas clssicas principalmente para problemas de roteamen-
to, recobrimento, localizao e conexo. Com um exemplo complementar da utilizao dessas tc-
nicas em problemas de otimizao, relacionaremos, a seguir, alguns trabalhos para problemas de
corte, empacotamento e carregamento, problemas esses que, apesar de importantes, no sero
abordados no texto:

4 Heursticas para o Problema de Corte, Empacotamento e Carregamento


Johnson et al. (1974), Chistofides e Whitlock (1977), Steudel (1979), George e Robinson (1980), Coff-
man et al (1980), Sarin (1983), Wang (1983), Baker e Schwartz (1983), Chanzelle (1983), Roberts (1984),
Marcotte (1986), Voight (1987), Dagli e Tatoglu (1987), Farley (1988), Tsai et al. (1988), Schneider
(1988), Haessler (1988), Han et al. (1989), Daniels e Ghandforoush (1990), Yanasse et al. (1900), Haess-
ler e Talbot (1990), Gehring et al. (1990), Coffman e Shor (1990), Yanasse et al. (1990), Sweeney e Ha-
essler (1990), George (1992), Mohanty et al. (1994), Bischoff e Ratcliff (1995), Bischoff et al. (1995), Azar
e Epstein (1997), Coffman et al. (1997), Hifi (1997), Fayard et al. (1998), de Werra (1997), Csirik et al.
(1999), Vanderbeck (1999), Gradisar et al. (1999), Chu e Antonio (1999), Csirik et al. (2001), Hopper e
Turton (2001), Liang et al. (2002), Alvarez-Valds et al. (2002), Valrio de Carvalho (2002), Zhang et al.
(2002), Gradisar et al. (2002), Onwubolu e Mutingi (2003), Martello et al. (2003), Ragsdale e Zobel
(2004), Shahin e Salem (2004).
Na atualidade, os procedimentos heursticos so tambm muito empregados em conjunto com os
mtodos exatos, especialmente para produzirem limites e solues viveis de boa qualidade. Com o
objetivo de exemplificar um algoritmo heurstico para a soluo do problema da mochila apresenta-
mos o denominado mtodo mope ou guloso.
4 Heurstica Gulosa para a Soluo do (PK)

Algoritmo Guloso para PK

INCIO
Ler vetor de pesos wj, vetor de custos cj e termo independente b.
Inicializar variveis z 0, xj 0, j = 1, ..., n
cj c j+ 1
Ordenar as variveis de forma que: , j = 1, ..., n 1
w j w j+ 1

Para j = 1 at n enquanto b 0, fazer:


Incio

x j

b wj
b b (w j x j );
z z + cjx j

Fim
Escrever {z, xj, j = 1, ..., n}
FIM
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 213

Essa uma heurstica simples e de complexidade dominada pelo procedimento de ordenao, ou


seja, O (n log2 n). Sua razo de performance (Fisher [1980]). A ideia do algoritmo basicamente car-
regar a mochila com os itens de maior valor. Vamos aplicar o procedimento para encontrar uma solu-
o para a instncia da mochila representada pela Tabela 5.22, com o valor do termo independente
igual a 14.

1. Leitura:
b = 14

T A B E LA 5. 22 R EL AO DE I TEN S CO M P E S O S E VA L O RE S

j 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

c 7 10 3 2 4 12 3 5 8 9 7 2 1 11 12 5

w 4 3 2 2 7 3 4 3 6 7 9 4 10 1 5 2

2. Ordenao:

cj /wj 7/4 10/3 3/2 1 4/7 4 3/4 5/3 8/6 9/7 7/9 2/4 1/10 1/11 12/5 5/2

j 6 2 16 15 1 8 9 3 10 4 11 7 5 12 13 14

cj /wj 4 10/3 5/2 12/5 7/4 5/3 8/6 3/2 9/7 1 7/9 3/4 4/7 2/4 1/10 1/11

Para j = 1, ..n
b = 14; x6 = 14 3= 4; z: = 0+7 4 = 28
b: = 14 12 = 2; x2 = 2 3= 0; z: = 28 + 0 = 28;
b = 2; x16 = 2 2= 1; z: = 28 + 1 3 = 31.

5.5 PROBLEMAS PROPOSTOS

1 O Problema do Arredondamento de Solues Inteiras J


Seja o programa que se segue:

Maximizar z = 2x1 + 3x2


sujeito a:
x1 4,2
x2 5,8
19x1 + 20x2 156
x1, x2 Z+

que pode ser representado graficamente pela Figura 5.28.


Estude a adequao do uso da tcnica de arredondamento da soluo inteira para esse problema.
214 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

2 O Problema do Socorro Areo K


Aps um perodo de intensas chuvas, uma vasta regio da Amaznia est alagada muito alm dos
nveis normalmente admissveis. Uma srie de localidades esto completamente ilhadas no acesso
por terra. As ligaes por barco esto perigosas face ao estravazamento dos rios. O governo resol-
veu providenciar uma ponte area de suprimentos envolvendo Manaus e trs outras cidades que
atuaro como plos de distribuio de remdios e gneros de primeira necessidade e combustvel.
A Figura 5.29 mostra o mapa da operao. Para efetuar o transporte, o governo dispe de basica-
mente dois tipos de aeronave: o helicptero Valente e o avio de carga Sucuri. O helicptero s
pode operar com uma escala, pois s abastece em Manaus. O Sucuri possui maior autonomia e s
opera economicamente com duas escalas. Os custos (em reais) para o quilmetro de voo esto resu-
midos na Tabela 5.23.
Sabendo-se que Altamira necessita de 10 ton de suprimento dirio, Tabatinga 21 ton e Humait 7
ton, e que, em virtude do carregamento em Manaus, o suprimento mximo que poder ser enviado
por helicptero no ultrapassa 15 ton. Formular o atendimento da demanda minimizando os custos
globais da operao.

X2

9
x1 = 4,2

6 C x2 = 5,8
D 1 2
3
B

19x1+20x2 = 156

A
O 4 6 X1

FIGURA 5.28 PPL Inteiro.

Manaus
Tabatinga
1.300 Km

1.100 Km

2.000 Km
900 Km
1.300 Km

Altamira
1.800 Km

Humait

FIGURA 5.29 O Mapa da Operao.


PROGRAMAO INTEIRA E PROGRAMAO DINMICA 215

T A B E LA 5. 23

Trajeto Valente Sucuri

Vazio Carregado Vazio Carregado

Manaus Tabatinga 2, 5 3 2 4

Manaus Humait 2 3 1, 5 3, 5

Manaus Altamira 2 3, 5 2 3, 5

Altamira Tabatinga 3

Altamira Humait 4

Humait Tabatinga 2, 5

3 O Problema das Tarifas de Hospedagem N


Um certo hotel com capacidade para 180 hspedes distribudos em 30 quartos simples, 30 duplos e 30
triplos pretende otimizar sua poltica de preos. O hotel trabalha com quatro tipos de clientes: excur-
ses (e), convenes (c), empresas (s) e avulsos (a). Uma consultoria providenciou o levantamento das
equaes de demanda em funo dos preos cobrados em relao aos clientes de excurses e de empre-
sas da seguinte forma:

p p p p p
ep 100 S + P + T e sp 100 p S + P + T
2 3 4 4 2

Onde eP o nmero de pessoas que comporo uma excurso em funo dos pi ou preo dos quar-
tos simples, duplos e triplos. Os preos podem variar (em unidades monetrias) dentro das seguintes
faixas:

20 ps 50
30 pd 80
40 pT 90

As convenes trazem uma demanda fixa de 100 pessoas e exigem os custos mnimos. Ocupam 20
quartos simples obrigatoriamente. As convenes utilizam o salo de convenes com um retorno de V
unidades monetrias. Quando o salo no est sendo utilizado, o hotel gasta R unidades monetrias
em sua manuteno.
Os convnios com empresas garantem a ocupao de 10 quartos simples ao preo de mercado (Sp
10).
Sabe-se que as despesas rateadas correspondem aos custos mnimos dos preos dos quartos, que
possvel captar 20 pessoas avulsas diariamente pagando o preo mximo da tabela e ocupando quartos
duplos e, que, no mnimo, 30% das pessoas das excurses ficam em quartos simples. Sabendo-se que
no so viveis excurses com menos de cinco pessoas e que os quartos duplos ou triplos podem ser
alugados como simples (mantendo os custos mnimos rateados). Estabelecer o programa de programa-
o matemtica para otimizar a ocupao do hotel.
216 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

4 O Problema das Damas do Jogo de Xadrez L


Em um tabuleiro de xadrez (padro 8 8) vazio, sabe-se que uma alocao de uma pea do jogo em
uma casa preta vale o dobro do que em casa branca. Determine a localizao tima para 8 (oito) damas
de modo que nenhuma delas seja ameaada pelas demais. Formule esse problema como um PPL e o so-
lucione com o auxlio do simplex.

5 O Problema das Peas de Xadrez M


1 Um jogador resolveu distribuir as torres, bispos e cavalos de um jogo de xadrez em um tabuleiro va-
zio de forma a minimizar o nmero de casas no atacadas e no permitir que as peas alocadas se ata-
cassem diretamente (considerado apenas o ataque entre peas de cores diferentes). Formule esse pro-
blema como um PPL e o solucione com o auxlio do simplex.
2 Formule e solucione o caso 1, considerando que o jogador pode dispor do nmero que desejar de torres
e bispos, mas as peas so independentes, ou seja, passveis de serem atacadas por peas de mesma cor.
3 Formular e solucionar o problema 2 considerando a casa de alocao de uma pea como casa no
atacada.

6 O Problema do Atendimento Bancrio de Aposentados L


Um certo banco de uma cidade resolveu redefinir seu sistema de atendimento de aposentados pelas
agncias de modo a maximizar o conforto no atendimento dessas pessoas idosas, uma vez que as medi-
das de automao e acesso remoto no se mostraram suficientes para aliviar as dificuldades no atendi-
mento de balco. A demanda de atendimento di, i = 1, ..., n foi discretizada dentro de n blocos geogrfi-
cos quadrados com cerca de 1.500 m de lado, conforme Figura 5.30. Cada bloco foi considerado concen-
trado em seu centro de gravidade e representado por um n em um grafo. Todos os ns desse grafo fo-
ram ligados por arestas aos seus blocos vizinhos (distncia de 1.500 metros entre cada n do grafo de
discretizao). Os ns (blocos marcados), que englobaram agncias bancrias j existentes, foram ano-
tados como ns de oferta, j = 1, ..., m, contabilizando-se como oferta disponvel a oferta total da agncia
menos a demanda gerada em seu bloco de localizao.
Sabendo-se que a direo do banco deseja que:
1. Nenhum aposentado tenha que se deslocar mais de 4.500 m para ser atendido.
2. Nenhum aposentado gaste mais de R unidades monetrias com deslocamento.
3. Que a demanda prevista pela rea de captao alocada a uma agncia jamais ultrapasse sua oferta
nominal.

FIGURA 5.30 Discretizao da demanda e do atendimento.


PROGRAMAO INTEIRA E PROGRAMAO DINMICA 217

Sabendo-se, ainda, que para solucionar o problema da demanda pode-se ampliar uma agncia j j
existente a um custo de hj unidades monetrias por usurio, ou implantar um novo posto que custar
uma parcela fixa de fj unidades monetrias, e cada usurio realocado a esses postos de atendimento
custar ao sistema mais cj unidades monetrias.
Conhecendo-se que o deslocamento entre os ns i e j do grafo de discretizao custa, em mdia Pij,
unidades monetrias, formular o problema de minimizar os gastos com a redefinio do sistema de
atendimento, englobando a ampliao de agncias e a criao de postos de atendimento no banco.

7 O Problema da Distribuio de gua K


Uma companhia de gua e esgoto deseja implementar a rede de abastecimento de gua de um bairro
recentemente ocupado e em processo de urbanizao. A Figura 5.31 mostra que junto ao bairro passa
uma adutora de grande porte que deve ser ligada a uma rede de distribuio local que percorra as ruas
do bairro. Os custos da rede local so diretamente proporcionais ao comprimento linear dos canos. A
rede de gua no deve possuir circuitos (canos ligados de modo a formarem um caminho fechado),
pois essa configurao, alm de dificultar a manuteno, ocasiona problemas no fluxo de gua que aca-
bam prejudicando os encanamentos e vlvulas de presso. Formular o problema de distribuir a gua
em todos os quarteires do bairro minimizando o custo total do sistema.

Limites de
Ponto de chegada
projeto
da adutora

FIGURA 5.31 Mapa da rede a ser implantada.

8 O Problema do Incndio Florestal Operao Prolongada


N
Considere as seguintes condies para o problema do exemplo 7 da pgina 57:

Fase 2: Operao Prolongada


Quando o programa de combate a incndio da fase 1 estava para ser implementado e o dia amanhecia,
as condies climticas na rea do incndio foram alteradas drasticamente. O fogo comeou a se alas-
trar a uma taxa nada desprezvel alimentado por ventos de at 50 km por hora. Agora o tempo passou a
ser crucial e as condies econmicas do desastre ecolgico tornaram-se preponderantes. Os engenhei-
ros florestais calcularam o crescimento global da rea a ser varrida pela operao em uma taxa constan-
218 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

te de 25%/hora. Os prejuzos tambm se caracterizam diretamente proporcionais a essa rea e so con-


tabilizados em R$10,00 por metro quadrado da rea que ser atingida a partir da expanso do fogo. To-
dos os meios solicitados pelos tcnicos no dia anterior haviam chegado e, alm disso, uma fora reserva
no prevista. Um grupo de bombeiros terrestres estar disponvel em cerca de 2 horas. Esse grupo
pode crescer a capacidade de combate ao fogo em cerca de 20.000 m2/hora ou ser empregado em acero
e reduzir a expanso do fogo em cerca de 0, 5% por hora de trabalho. O custo operacional do grupo
desprezvel no trabalho de acero e de R$30.000 por hora no combate direto devido aos riscos pessoais
envolvidos. Por um erro de comunicao, chegaram com os avies mais 10 pilotos de helicptero. Com
tantos pilotos de helicpteros descobriu-se que eles poderiam tambm pilotar os avies, sendo que os
pilotos de avio no podiam fazer o inverso. A Tabela 5.24 de disponibilidade :

T A B E LA 5. 24

Aparelhos
Aparelho Pilotos Operadores
prontos
Helicptero AH-1 7 20
Avio Tanque 5
Avio B67 5 14 22

Reformule o problema objetivando minimizar os custos da operao.

9 O Problema do Professor Atarefado K


Um professor recebeu oferta de trabalho em trs escolas que so equivalentes em atributos como quali-
dade de ensino e oportunidade de aperfeioamento. Cada uma delas gostaria, se possvel, de contra-
t-lo em regime de tempo integral (dedicao exclusiva). Existem, contudo, outras opes de compro-
metimento em carga horria. Os mdulos de trabalho so de oito horas. A Tabela 5.25 resume as vrias
propostas que o professor est examinando:

T A B E LA 5. 25 P AGAMEN TO EM CADA ESCO L A

# de Mdulos Escola 1 Escola 2 Escola 3


1 105 135 150
2 240 250 310
3 400 380 390
4 500 490 560
5 590 630 660

Qual o esquema de trabalho que maximiza o retorno financeiro de seu trabalho?

10 O Problema do Entregador de Pizza K


Um servio de entrega rpida de pizza recebeu um pedido urgente e especial. A encomenda foi feita
por um faminto e generoso milionrio. Se eles forem capazes de entregar uma quente e suculenta pizza
gigante em apenas cinco minutos tero um substancial bnus. A malha rodoviria que separa o ponto
em que a pizza feita e seu destino est representada no esquema da Figura 5.32. Sobre as ruas aparece
a probabilidade percentual que ocorra um problema ao entregador naquele trecho, inviabilizando o
cumprimento do prazo. A Figura 5.32 exibe a malha rodoviria do problema.
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 219

7 2

1 3 8
10

5 10 2
25
5
Loja 6 Cliente
25 8
7
15 15

20 8
2 4 9
15

FIGURA 5.32 Malha de entrega de pizza.

Determine a rota que maximiza a chance do entregador de pizza entreg-la no prazo desejado.

11 O Problema da Venda de Sorvete K


Uma rede de lanchonetes possui quatro lojas em uma cidade. Para fazer frente a demanda do vero o
superintendente regional de compras da empresa adquiriu sete containers de sorvete. Devido diferen-
te localizao de cada uma das filiais existem diferentes potenciais para a venda do sorvete. Face ex-
perincia de venda, o superintendente estimou o lucro lquido (em unidades monetrias) que seria
possvel obter, dentro do horizonte de venda usual, em cada filial como a Tabela 5.26 sugere:

T A B E LA 5. 26 R ETO R N O DE I N V ES T I MEN T O .

Lanchonetes
# de Containers Ponta Negra Pirangi Nepolis Petrpolis
1 4 2 6 1
2 6 6 12 4
3 10 8 14 8
4 12 10 18 16
5 14 12 20 20
6 16 16 22 21
7 18 20 22 24

Formule o problema de otimizar o lucro total obtido. Determine a distribuio tima dos containers.

12 O Problema da Marcenaria K
Em uma pequena marcenaria existem n tarefas de corte a serem realizadas. Cada tarefa requer pi minu-
tos para ser processada em uma mquina de serra, i = 1, ..., n. As tarefas estaro prontas para ser entre-
gues a uma mquina a partir do tempo ai e devem terminar at o tempo bi (tempos contados a partir do
incio das atividades dirias da marcenaria). Formule o problema de minimizar o nmero de mquinas
necessrias para completar as n tarefas.
220 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

13 O Problema da Produo de Turbinas K


Uma indstria fabrica trs tipos de turbina de grande potncia (tipos I, II e III). Cada tipo de turbina
pode ser vendida por 150, 170 e 240 unidades monetrias, respectivamente. As turbinas possuem trs
componentes crticos que so importados de empresas especializadas, a saber: o conjunto das ps, rola-
mentos e injetores de combustvel. A indstria possui quatro fornecedores desses equipamentos, con-
forme mostram as Tabelas 5.27 e 5.28:

T A B E LA 5. 27

Item
Ejetor Conjunto de Ps Rolamento
Fornecedor

A 6 (18 U.M.) 40 (1 U.M.) 280 (1 U.M.)

B 4 (20 U.M.) 60 (1, 5 U.M.) 150 (0, 8 U.M.)

C 6 (17 U.M.) 100 (2 U.M.) 120 (1, 7 U.M.)

D 10 (19 U. M.) 150 (1, 7 U. M.) 170 (1, 6 U. M.)

Cada turbina exige os seguintes insumos:

T A B E LA 5. 28

Insumo Conjunto Mo de Obra


Ejetor Rolamento
Tipo de Turbina de Ps (0,01 U.M / H xh)

I 1 6 40 500 Homem hora

II 1 8 60 600 Homem hora

III 2 10 85 1200 Homem hora

A indstria possui 1.800 H h para a montagem das turbinas. Sabe-se tambm que uma empresa
s vende para a indstria se a sua encomenda total (gastos com ejetores, conjuntos de ps e rolamen-
tos) ultrapassar 400 unidades monetrias. O capital de giro da indstria de 1.300 unidades monet-
rias, o que limita as compras a esse teto. Pede-se:

1. Formular o problema de maximizar o lucro com a produo de turbinas.


2. Uma empresa est oferecendo mo de obra para montagem da turbina a 0,02 U.M. por H h. A in-
dstria deve comprar esse servio para maximizar seus lucros?
3. Se uma fornecedora concorrente oferecesse no mercado ejetores a 21 U.M. por unidade, a in-
dstria deveria compr-los? Em caso positivo, quantos? Em caso negativo, qual seria o menor
valor que a indstria deveria aceitar pagar?

14 O Problema da Produo de Ferragens para Janelas de Madeira K


Uma metalrgica produz puxadores, rolamentos e guias para janelas de madeira. Essas ferragens
podem ser bronzeadas, pintadas ou anodizadas. A Tabela 5.29 resume o nmero mximo de lotes
passveis de produo, em uma semana, nas mquinas da empresa, bem como o lucro unitrio de
venda por lote.
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 221

T A B E LA 5. 29 MX I MO DE L O T ES PASS VE I S D E P RO D U O

Bronzeado Pintado Anodizado

Puxador 25 (2 U.M.) 30 (1,3 U.M.) 15 (3 U.M.)

Rolamento 45 (0,3 U.M.) 20 (0,5 U.M.) 10 (1 U.M.)

Guia 10 (1,2 U.M.) 30 (1 U.M.) 5 (2 U.M.)

A empresa possui 800 H x h por semana de mo de obra especializada. A Tabela 5.30 resume a utili-
zao de mo de obra por lote das diversas ferragens produzidas.

T A B E LA 5. 30 MO DE O B R A P O R L O T E

Mo de obra (H h) por lote


Tipo
Bronzeado Pintado Anodizado
Puxador 1 2 4
Rolamento 2 3 3
Guia 1 2 4

Sabe-se que, para bem utilizar o maquinrio, para cada 5 lotes de puxadores produzidos deve-se
fabricar entre 2 e 8 lotes de rolamentos e entre 1 e 9 lotes de guias.
Formular o problema de maximizar o lucro da metalrgica.

15 O Problema do Tratamento Qumico de Peas Metlicas K


Em uma indstria metalrgica aps a fabricao, todas as peas so submetidas a um tratamento qu-
mico contra a corroso e abraso. A empresa produz vrios tipos de peas em sua linha de fundio e
moldagem. Para realizar o tratamento existem quatro tanques de imerso. As peas metlicas so fi-
xadas em um varal e submersas em cada tanque durante um certo tempo. Os tanques contm ele-
mentos qumicos diferentes e so dispostos em uma sequncia que produz, aps as imerses, o efeito
desejado. Durante todo o tempo de imerso as peas sofrem a ao do processo associado ao respecti-
vo tanque. Cada pea i, i = 1, ..., n, possui um tempo mnimo tij, j = 1, 2, 3, 4, e um tempo mximo rij de
permanncia no tanque j. Os custos do processo so diretamente proporcionais ao tempo de perma-
nncia da pea i no tanque j e a constante de absoro associada ao efeito do composto qumico do
tanque j sobre a pea i. O peso pi da pea i conhecido. Cada varal tem quatro posies (que no ne-
cessitam ser obrigatoriamente preenchidas) para fixar as peas e deve ser carregado com, no mnimo,
v quilos de modo que no exista problemas de flutuao no momento da imerso e, no mximo, w
quilos para que no se rompa.
Sabendo-se que existe uma certa disponibilidade de h horas para completar o tratamento qumico
do lote de n peas, formular o problema de programar a sequncia de carregamento dos varais de
modo a minimizar os custos globais do processo.

16 O Problema do Balanceamento das Rodas de um Veculo Blindado L


Um certo tipo de veculo de combate blindado deve ter suas rodas balanceadas atravs da possvel co-
locao de calos em quatro pontos especficos de seus aros. Um calo i, i = 1, ..., 16, quando fixado na
posio j, j = 1, ..., 4, da roda k, k = 1, ..., 4, produz um deslocamento horizontal na dinmica do giro da
roda igual a h ijk , e um deslocamento vertical v ijk . Esses valores podem ser positivos ou negativos. Cada
222 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

roda possui um desequilbrio dinmico de constituio igual a hk e vk, nos eixos horizontal e vertical,
respectivamente. Nem todas as posies prprias para a fixao de calos necessitam ser ocupadas
obrigatoriamente. Em uma operao de campanha, para aumentar a eficincia do processo, no sentido
de diminuir os tempos operacionais e eliminar o procedimento da correo artesanal, foram realizados
estudos estatsticos que resultaram na elaborao de um kit de balanceamento padro com 16 calos es-
pecficos.
Sabendo-se que a soma dos desequilbrios horizontais residuais das rodas dianteiras do veculo de-
vem ser menores ou iguais que as somas dos desequilbrios verticais da rodas traseiras, formular o pro-
blema de programao matemtica capaz de planejar a utilizao do kit padro de modo a minimizar o
desequilbrio residual total das rodas do blindado.

17 O Problema da Bibliotecria L
Uma bibliotecria deseja organizar um novo lote de livros (classific-los) e para isso ser utilizado
uma nova rea da biblioteca. Existem dois fatores limitantes para o acondicionamento dos livros nas
estantes: a altura do livro e o comprimento da prateleira. Um livro i possui uma altura hi e uma espes-
sura wi. Obviamente um livro s pode ser guardado em uma prateleira que possua uma altura igual
ou maior que a sua. Os livros no podem ser colocados uns sobre os outros. No existe limitao no
espao fsico, de modo que podem ser construdas tantas prateleiras quanto forem necessrias, po-
rm a verba que compra os livros a mesma que paga as prateleiras, sugerindo-se que os gastos com
as prateleiras devem ser minimizados. A Figura 5.33 exemplifica a configurao das prateleiras em
estantes.
As prateleiras so fixadas de forma a que produzam espaos de altura varivel mas com um com-
primento padro igual a L metros. A criao de uma nova prateleira custa R unidades monetrias (o va-
lor inclui os montantes [paredes laterais] da estante). A altura mxima da estante (um conjunto de pra-
teleiras) de S metros, sendo desprezada a espessura do metal da prateleira. O espao no ocupado em
uma prateleira considerado desperdiado.

Estante 1 Estante 2

S
Prateleiras
Livros

FIGURA 5.33 Esquema de prateleira.


PROGRAMAO INTEIRA E PROGRAMAO DINMICA 223

1. Formular o problema da classificao dos livros com o objetivo de minimizar o nmero de pratelei-
ras montadas.
2. Considerando que livros iguais (cpias de um mesmo livro) devem ser classificados sempre juntos
(na mesma prateleira), reformular o problema anterior. Para o caso especfico, consideraremos que
no existe caso em que o grupo de livros repetidos exceda o tamanho L de uma prateleira.
3. Em uma certa partida do lote, os livros so muito pesados, de modo que as prateleiras podem so-
frer deformaes desagradveis se esse aspecto no for levado em conta. Considerando pi o peso de
cada livro e V a capacidade mxima de uma prateleira, reformular o problema 1 levando em conta
a capacidade nas prateleiras.
4. Reformular o problema 2, incluindo as restries de peso com a seguinte adaptao: permitir que
livros iguais sejam classificados em no mximo duas prateleiras.

18 O Problema do Muro de Arrimo L


Um certo talude ser estabilizado com um muro de arrimo composto de 33 placas pr-moldadas em
concreto com 1 m2 de rea e 20 cm de espessura, encaixadas em uma estrutura metlica de sustentao.
O terreno do talude bastante heterogneo e encontra-se sujeito a diversas infiltraes. Nos estudos
preliminares para o projeto, o levantamento de carga foi avaliado atravs de um corte transversal no
terreno do talude, optando-se por discretizar, dentro do padro das placas pr-moldadas, as cargas
que esse talude acarretaria sobre o muro de arrimo, conforme a figura que se segue. O muro fixado na
posio vertical em relao ao terreno, sendo que sua estrutura metlica de sustentao fundada na
rocha, cujo perfil a figura destaca em uma vista frontal.
Os esforos de trao despertados pelo talude no muro de arrimo sero absorvidos pela estrutura
metlica de sustentao e por uma conveniente armao nas placas de concreto. Os esforos de com-
presso sero neutralizados pelo concreto das placas, cabendo dimension-lo para tal. A resistncia
compresso de uma placa de concreto est associada a diversos fatores, dentre os quais a percentagem
do cimento utilizado no trao (na mistura cimento, areia e brita que constituir o concreto). Conside-
rando-se que o consumo de concreto (em uma aproximao linear justificada pelo regime de deforma-
o que a estrutura ser submetida) est diretamente associado resistncia final do pr-moldado e
que, devido ao efeito conjunto da estrutura, a resistncia ao esforo de solicitao (cargas da figura) de
certa placa auxiliada pela resistncia das placas vizinhas segundo a seguinte frmula:


pij = rij + 0,1
r
sk
s ek

em que s e k representam os ndices das clulas vizinhas a clula ij, pij representa a tenso nominal m-
xima admissvel para a clula ij (dentro do modelo de discretizao adotado) e rij a resistncia a ser ob-
tida na fabricao da placa ij. Considerando-se ainda que o custo do cimento a ser utilizado na confec-
o do concreto das placas corresponde a c unidades monetrias para cada unidade de resistncia al-
canada (em kg/cm2, conforme a norma brasileira1):
Formular o problema de fabricar o conjunto das placas do muro de arrimo minimizando o consu-
mo de cimento.

1. Resistncia obtida no ensaio de trao aos 28 dias.


224 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

1 2 3 4 5 6 7 8

9 10 11 12 13 14 15

16 17 18 19 20

21 22 23 24 25 Placas

26 27 28 29
Perfil da rocha
de sustentao
30 31 32

33

Configurao do muro de arrimo vista frontal

Esquema dos esforos atuantes sobre as placas

200 150 120 100 100 130 160 200

230 200 200 220 230 240 250

280 230 230 250 280

300 270 250 270 310

320 310 315 330

350 320 360

400

Valor discretizado dos esforos resultantes de compresso nas placas (kg/cm2)

FIGURA 5.34 Vista frontal do muro de arrimo

19 Escolha de Projetos Alternativos J


Uma operadora de turismo associada a um banco de investimento regional resolveu investir na re-
gio Nordeste do Brasil, estabelecendo parcerias com hotis e pousadas da regio. Os projetos esto
divididos em trs categorias: investimento em construo e infraestrutura, eventos religiosos e cida-
des histricas. Para projetos de investimento em construo e infraestrutura existem as propostas A,
B e C da rede Sol, Mar e Recife, objetivando a modernizao de vrios de seus hotis, a um custo de
US$7, US$5 e US$4 milhes, respectivamente, o Hotel Duna Branca com os projetos D e E a um custo
de US$7 e 8 milhes, e o Hotel Pirangi com o projeto F a um custo de 4 milhes. Para os eventos religio-
sos esto disponveis os projetos G, H e I das Pousadas Natal, avaliados em US$6, 2 e 3 milhes, res-
pectivamente. Finalmente, para promoo e sustentao de programaes em cidades histricas,
existem os projetos J e K do Hotel do Virgulino e os projetos L e M, do Hotel da Volante, orados em
PROGRAMAO INTEIRA E PROGRAMAO DINMICA 225

US$6, 10, 12 e 4 milhes, respectivamente. Desejando maximizar o retorno do investimento, os proje-


tos foram examinados por uma comisso de especialistas que atribuiu, comparativamente, o seguin-
te valor em pontos aos projetos:
A = 3; B = 5; C = 8; D = 11; E = 6; F = 13; G = 15; H = 2; I = 7; J = 8, K = 7; L = 10; M = 9 pontos. A operadora,
interessada em criar laos diversificados na rea, estabeleceu que pelo menos um projeto em cada rea
seria apoiado. Sabendo-se que:

1. Os projetos de modernizao so julgados prioritrios, de modo que, pelo menos trs, sero apoia-
dos.
2. Face a problemas polticos, o Hotel do Virgulino e o Hotel Pirangi devem ter o mesmo nmero de
projetos aprovados.
3. Existe US$20 milhes para investir.
4 Planejar o melhor investimento possvel do recurso disponvel.
4 Aps o planejamento ter sido realizado, uma informao deu conta de que os custos dos projetos do
Hotel da Volante tinham sido avaliados com impreciso, impondo-se uma correo de 30% a mais
para seus custos finais. Isso altera o quadro de distribuio dos projetos? De que forma?
4 Caso esse problema se repita com o Hotel Sol, Mar e Recife (cujas propostas so vistas com desconfi-
ana pela operadora de turismo), at que ponto os custos podem aumentar sem alterar a soluo?
4 O Hotel Piscinas do Serto resolveu encaminhar, tardiamente, um projeto para construo e in-
fraestrutura. Seu custo total foi de US$5 milhes e obteve uma avaliao de 8 pontos. O departamen-
to de anlise do banco de investimento recusou o projeto pois, segundo suas palavras: No era
competitivo face aos demais projetos vencedores. Isso verdade?

20 O Problema dos Anncios na Rede de TV N


Etapa1: O ponto de vista dos anunciantes
Uma rede de televiso resolveu estabelecer preos competitivos para o tempo de comercial em certos
horrios. Existem 3 horrios para a propaganda em promoo na rede: horrio nobre noturno (hor-
rio 1), horrio da tarde em fins de semana (horrio 2), horrio da tarde em dias da semana (horrio 3).
O preo de um mdulo mnimo de propaganda em cada horrio p1, p2 e p3, respectivamente. A rede
vende grandes espaos de tempo dentro da programao, denominados pacotes promocionais. Os
anunciantes desejam entrar no programa de pacotes de propaganda promocional porque podem ob-
ter, com isso, melhores preos unitrios. Um pacote representa um esquema de desconto baseado na
homogeneizao de demanda e economia de escala. Existem quatro faixas de preos sendo pratica-
das nos pacotes. Faixa 1, ou de desconto zero, faixa 2, ou de desconto de 10%, faixa 3 com um descon-
to de 20% e faixa 4 com desconto de 10 %. Os descontos incidem sobre o somatrio total dos tempos
adquiridos, desde que o anunciante cumpra as condies de habilitao. O desconto da faixa 4 pode
ser somado aos descontos obtidos nas faixas 2 e 3. Os descontos das faixas 2 e 3 no so cumulativos
entre si.
As condies de habilitao dizem respeito a restries de tempo total mnimo de propaganda
adquirido e distribuio da programao do anunciante dentro dos horrios (1, 2 e 3) da emissora.
A Tabela 5.31 resume as regras da promoo:
226 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

T A B E LA 5. 31

Condies de distribuio
da programao
Descontos Somatrio de tempo Valor do desconto
Faixa 1 sem exigncia sem exigncia 0%
comprar, no mnimo, tempo
Faixa 2 sem exigncia 10%
em dois horrios
comprar, no mnimo, tempo
Faixa 3 sem exigncias 20%
em trs horrios
comprar, no mnimo,
Faixa 4 sem exigncias 10%
f unidades de tempo

Os anunciantes que competem na disputa do uso da mdia so n e dispem, cada um deles, de sn


unidades monetrias para investir em propaganda.
Os anunciantes, reunidos em uma associao, desejam estabelecer a melhor estratgia de negocia-
o com a rede, objetivando maximizar, dentro das disponibilidades oramentrias, o tempo global de
utilizao da mdia.

Etapa 2: O ponto de vista da rede de TV


Como existem tempos disponveis para a propaganda ainda no utilizados, a rede resolveu incentivar
a demanda. Ela sabe que o investimento dos anunciantes sensvel estratgia de preo. Atravs de
uma pesquisa de mercado descobriu que, na medida em que reduz os preos bsicos (em todos os ho-
rrios), o investimento do anunciante n tende a crescer segundo a equao:

sn* = sn + 10d

onde sn* representa o montante final de investimento disponvel e d o desconto em unidades monet-
rias. Sabe tambm que, se os investimentos forem aumentados pela reduo dos preos, o cliente pro-
curar minimizar seus custos finais atravs da estratgia descrita na etapa 1.
Formular o problema de estabelecer a poltica de preos que maximize o retorno total, mantidos os
pacotes de promoo, sabendo-se que o tempo que no for comprado pelos anunciantes pode ser utili-
zado pela prpria rede de TV, valendo ri unidades monetrias por segundo, i = 1, 2, 3, dentro de cada
horrio possvel.

Sugestes para a soluo da etapa 1


Sob o ponto de vista dos anunciantes o desejvel maximizar o desconto, atendidas as restries pr-
prias de cada anunciante.

1 Escolha da varivel de deciso

ti tempo disponvel para propaganda no horrio i, i = 1, 2, 3.

xik tempo adquirido no horrio i, i = 1, 2, 3, pelo anunciante k, k = 1, ..., n.


1, caso o anunciante k tenha adquirido tempo no horrio i
yik 0, caso contrrio

1, caso o anunciante k tenha adquirido mais do que f mdulos de tempo


wik 0, caso contrrio

PROGRAMAO INTEIRA E PROGRAMAO DINMICA 227

sk montante mximo de recursos disponibilizado pelo anunciante k.

pi preo do tempo de anncio no horrio I.

ck custo total que ser pago pelo anunciante k, face ao total de desconto que lhe cabe.

2 Formulao das restries tecnolgicas (abordagem no linear)

a) Restries relativas ao montante pago pelo anunciante, face aos possveis descontos

3
pgk = xik pi, k = 1, ..., n
i=1
3
ck (3 yij) 0,1 pgk + 0,8 pgk 0,1 pgk (1 wij), k = 1, ..., n
i=1
sk ck, k = 1, ..., n

Observamos que, se o anunciante k faz qualquer anncio, o somatrio dos yik na segunda restrio
pelo menos 1. A varivel pgk acumula o gasto sem desconto.

21 O Problema da Operao da Frota de Txis N


Uma operadora de txis controla cerca de 120 associados em uma grande rea metropolitana. A operado-
ra foi constituda para centralizar a operao dos veculos. A central recebe as chamadas de atendimento
e designa os carros para as corridas. Ela possui um sistema que permite o controle do posicionamento
dos veculos, de modo que pode tomar decises com uma viso global do atendimento. Existem trs ti-
pos de chamadas: programadas, normais e urgentes. Na chamada normal, sob a tica do cliente, dese-
ja-se minimizar o tempo de atendimento, respeitadas as restries operacionais. A chamada urgente de-
signa o carro mais prximo ao ponto do pedido e d uma expectativa de chegada ao cliente. As chamadas
urgentes so 50% mais caras. Se o tempo de chegada da chamada urgente for maior que trs minutos en-
to essa chamada cobrada como normal, apesar do carro designado ser o mais prximo. Em todos os ca-
sos, (chamadas normais ou urgentes) deve ser considerada a possibilidade de atendimento face um tem-
po mximo rj, estabelecido pelo cliente j. As chamadas programadas determinam a presena de um txi
no destino exatamente na hora acordada. Para tal, as chamadas programadas so feitas com, no mnimo,
uma hora de antecedncia.
Os taxistas, na verdade trabalhadores autnomos associados em cooperativa, exigem que a central
realize uma designao equnime sob alguns critrios. A cidade dividida em quatro reas, como
mostra a Tabela 5.32.

T A B E LA 5. 32

rea
Urbana Suburbana
Desempenho
Alto a1 a3
Baixo a2 a4

Os profissionais desejam que exista um equilbrio no nmero de chamadas de cada txi em cada
rea, de modo que fatores como engarrafamento, riscos de segurana, corridas longas etc., sejam
aproximadamente os mesmos para todos. Outro ponto a ser considerado que os carros no tenham
228 OTIMIZAO COMBINATRIA E PROGRAMAO LINEAR ELSEVIER

que se deslocar muito para atender corridas curtas. Formule o problema de designao dos txis a
chamadas como um programa de programao linear.
Informao adicional: o objetivo do sistema computacional de designao dever ser otimizar os
ganhos com os atendimentos. Os ganhos so diretamente proporcionais ao nmero de quilmetros ro-
dados e pagos a R$1,0, sendo que a bandeirada de R$1,5. Considere a operao em horrio comercial
com todos os 120 carros em disponibilidade.

22 O Problema da Reforma da Pirmide L


Uma pirmide construda h milhares de anos com blocos cbicos de calcrio de 1 m de lado est
necessitando ser reformada. Vrios blocos esto apresentando trincas e podem entrar em colapso,
o que levaria destruio do monumento histrico. Uma prospeo sonora classificou os blocos se-
gundo seu risco de ruptura (ri), i = 1, ..., 380. Operacionalmente, para se retirar um bloco na pirmi-
de, necessrio remover, caso existam, at nove outros blocos no nvel superior, como mostra a Fi-
gura 5.35:

Base da pirmide Segundo nvel Topo da pirmide

ri

ri (risco da clula) Formao dos patamares ltimo patamar

Base da pirmide

3 3 3 3
2 2 2 2 2 2 3
2 1 2 2 1 2 3
2 2 2 2 2 2 3
3 3 3 3

Clula a ser retirada Consequncia no 2 nvel Consequncia no 3 nvel


da base

FIGURA 5.35 Esquema da retirada de blocos

O efeito da retirada de um bloco se propaga na pirmide em virtude da imposio da estabilidade


estrutural. Para a retirada do bloco da base da pirmide marcado em negrito pelo esquema da figura,
necessrio remover outros 34 blocos. Se por um lado existe o interesse em substituir os blocos de maior
risco, por outro deve-se evitar remover um grande nmero de blocos, sob pena de desfigurar o monu-
mento e de ocasionar novas fraturas. Dos 380 blocos originais, fixou-se em 80 o nmero mximo dos
que podero ser removidos.
Visando substituio dos blocos, formular o problema de determinar um movimento de blocos
que seja estvel e que maximize o somatrio dos riscos de ruptura de seus blocos componentes.