Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Inúmeros são exemplos de modelos usados nas mais diversas áreas do conhecimento.
Maquetes, plantas baixas, fotografias, mapas, simuladores de direção usados em
autoescolas, e jogos de vídeo game são modelos com os quais frequentemente nos
deparamos. Cada qual a sua maneira procura representar uma dada realidade.
2
MODELAGEM DE PPIs
3
MODELAGEM DE PPIs
4
MODELAGEM DE PPIs
Não raro dois modeladores produzem formulações diferentes para o mesmo modelo,
ambas válidas e capazes de oferecer as mesmas respostas. Entretanto, é natural que
alguns modelos sejam melhores que outros, segundo algum critério, como facilidade de
compreensão ou de resolução.
5
MODELAGEM DE PPIs
A modelagem de problemas quantitativos pode ser considerada uma arte, pois não há
regras objetivas sobre como representar um dado sistema real. Ela envolve intuição,
experiência, criatividade e poder de síntese. A multidisciplinaridade das equipes de
modeladores e tomadores de decisão também contribui para a qualidade da modelo
produzido.
Como se trata de uma atividade tipicamente subjetiva, é natural que algumas pessoas
tenham mais habilidade que outras. Mas, sempre é possível melhorar mediante treino e
leitura. Dicas gerais de modelagem podem ser encontradas em diversos livros textos de
Programação Inteira.
6
MODELAGEM DE PPIs
7
MODELOS COM VARIÁVEIS INTEIRAS
8
MODELOS COM VARIÁVEIS INTEIRAS
(1) (4)
(2) (5)
(3) (6)
9
MODELOS COM VARIÁVEIS INTEIRAS
10
MODELOS COM VARIÁVEIS INTEIRAS
Variáveis de Decisão
Função Objetivo: Minimizar a soma das perdas decorrentes dos seis padrões de corte.
min 𝑧 = 𝑥1 + 0,5𝑥3 + 0,5𝑥4 + 𝑥5
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 ≥ 0 e inteiras. □
11
MODELOS COM VARIÁVEIS INTEIRAS
Ou simplesmente:
min 𝑧 = 580𝑥1 − 3𝑥1 − 4𝑥4 − 𝑥5 − 2𝑥6
12
MODELOS COM VARIÁVEIS INTEIRAS
Esta notação é a mais usada por autores de periódicos e livros texto da área. Deste
ponto em diante, os modelos serão apresentados neste formato, seguidos das
observações necessárias para interpretação da função objetivo e das restrições.
13
MODELOS COM VARIÁVEIS INTEIRAS
Variáveis de decisão:
15
MODELOS COM VARIÁVEIS INTEIRAS
Formulação matemática:
max 𝑧 = 3500𝑥1 + 5200𝑥2 + 2800𝑥3 + 6500𝑥4 + 3900𝑥5 + 4500𝑥6
sujeito a:
0,6𝑥1 + 0,7𝑥2 + 0,9𝑥3 + 1,5𝑥4 + 0,8𝑥5 + 1,0𝑥6 ≤ 4,5
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 ∈ ℤ+
Neste exemplo, o objeto em questão era literalmente uma mochila, mas esse modelo,
pode ser usado em outras aplicações para representar objetos cuja escolha esta
associado a um benefício e ao consumo de capacidade de um recurso de
disponibilidade limitada.
16
MODELOS COM VARIÁVEIS INTEIRAS
Resolução:
Variáveis de decisão
Formulação Matemática
max 𝑧 = 1,2𝑥1 + 1,5𝑥2 + 0,9𝑥3 + 2,0𝑥4 + 2,5𝑥5 + 1,8𝑥6 + 1,4𝑥7
sujeito a:
0,8𝑥1 + 0,5𝑥2 + 0,68𝑥3 + 1,5𝑥4 + 1,7𝑥5 + 1,1𝑥6 + 0,78𝑥7 ≤ 4
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 , 𝑥7 ∈ 0,1 □
18
MODELOS COM VARIÁVEIS INTEIRAS
A grande novidade neste último exemplo são as variáveis de decisão, definidas como
binárias, pois só há duas decisões possíveis acerca de cada projeto: executá-lo ou não.
Diversos problemas envolvem a escolha entre duas alternativas mutuamente
excludentes como, por exemplo, construir ou não um empreendimento, produzir ou não
um determinado produto, processar o produto A antes de B ou B antes de A, etc. Todas
estas decisões são do tipo “sim ou não”, logo todas elas podem ser representadas pelos
elementos do conjunto {0,1}.
19
MODELOS COM VARIÁVEIS INTEIRAS
Casos
Advogados
1 2 3 4 5
20
MODELOS COM VARIÁVEIS INTEIRAS
Resolução: Mais uma vez é preciso recorrer a uma variável binária, pois a decisão de
designação de advogados a casos é do tipo “sim” ou “não”. A função objetivo consiste na
minimização do custo total de designação, sujeita à designação de cada caso a um
único advogado ,e vice-versa.
Variáveis de decisão:
21
MODELOS COM VARIÁVEIS INTEIRAS
Formulação Matemática:
23
MODELOS COM VARIÁVEIS INTEIRAS
24
MODELOS COM VARIÁVEIS INTEIRAS
25
MODELOS COM VARIÁVEIS INTEIRAS
Resolução: A designação das cargas aos containers tem respeitar apenas os limites de
capacidade destes, sendo possível que mais uma carga seja levada no mesmo
container. O formulação tem portanto um grupo de restrições para garantir que todas as
cargas serão levadas, e outro grupo para limitar a carga total embarcada pela
capacidade do container. A função objetivo minimiza os custos totais de alocação.
Variáveis de decisão:
26
MODELOS COM VARIÁVEIS INTEIRAS
Formulação Matemática:
27
MODELOS COM VARIÁVEIS INTEIRAS
28
MODELOS COM VARIÁVEIS INTEIRAS
29
MODELOS COM VARIÁVEIS INTEIRAS
1 100 250 50 50
2 200 0 50 300
MODELOS COM VARIÁVEIS INTEIRAS
Resolução: A função objetivo é escrita apenas como a soma dos custos fixos de
preparação e dos variáveis de estocagem. Assume-se que os custos unitários de
produção são constantes para cada produto ao longo de todo horizonte de
planejamento. Logo, como a demanda é conhecida a priori, o custo total de produção
independe dos períodos nos quais os lotes são produzidos, sendo portanto uma
constante somada à função objetivo, que pode ser ignorada para fins de otimização.
Três grupos de restrições devem ser construídos: o primeiro para garantir o atendimento
das demandas a partir da produção na semana mais os estoques herdados da semana
anterior; outro grupo para limitar o consumo de capacidade produtiva; e um terceiro e
menos evidente grupo de restrições que tem o papel de “conectar” as decisões de
preparação e produção de tal maneira que, havendo produção, em qualquer quantidade,
obrigatoriamente haja preparação.
31
MODELOS COM VARIÁVEIS INTEIRAS
Variáveis de Decisão:
Formulação Matemática:
min 𝑧 = 250 𝑦11 + 𝑦12 + 𝑦13 + 𝑦14 + 350 𝑦21 + 𝑦22 + 𝑦23 + 𝑦24
+2(ℎ11 +ℎ12 + ℎ13 ) + 1,5(ℎ21 + ℎ22 + ℎ23 )
sujeito a:
32
MODELOS COM VARIÁVEIS INTEIRAS
33
MODELOS COM VARIÁVEIS INTEIRAS
Por isso, o ideal é se use o menor valor possível que não descarte soluções viáveis
indevidamente. Boa parte dos programas computacionais para Otimização contém
procedimentos de pré-processamento capazes de reduzir o domínio das variáveis, ou
até mesmo fixar aquelas para quais se pode demonstrar seu valor ótimo.
34
MODELOS COM VARIÁVEIS INTEIRAS
Apesar do caráter generalista destes procedimentos (isto é, eles podem ser aplicados
em qualquer problema de Otimização), há sempre a possibilidade de usar informação
sobre o problema em questão para produzir um limitante ainda mais justo. Neste caso
específico, pode-se usar as demandas previstas e os dados de tempos e capacidades
para estimar 𝑀𝑗𝑡 .
Uma vez que não existe demanda após o quarto período, não há porque a produção do
item 𝑗 no período 𝑡 superar a soma das demandas de 𝑡 até o último período 𝑇. Ou seja,
𝑇
𝑀𝑗𝑡 ≤ 𝜏=𝑡 𝐷𝑗𝑡 . Por outro lado, se toda a capacidade disponível no período 𝑡 fosse usada
integralmente na produção do produto 𝑗, a quantidade total produzida seria igual a razão
da capacidade líquida (capacidade no período menos o tempo de preparação para o
produto 𝑗) pelo seu tempo de processamento. Ou seja, 𝑀𝑗𝑡 ≤ (𝐶𝑡 − 𝑃𝑗 ) 𝑇𝑗 .
35
MODELOS COM VARIÁVEIS INTEIRAS
𝑇
𝑀𝑗𝑡 = min 𝐷𝑗𝑡 ; (𝐶𝑡 − 𝑃𝑗 ) 𝑇𝑗 ,
𝜏=𝑡
onde:
36
BIBLIOGRAFIA
TAHA, H.A., Pesquisa Operacional, 8. ed.. São Paulo: Pearson Prentice Hall, 2008.
WOLSEY, L.A., Integer Programming. New York: John Wiley & Sons, 1998.
37