Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
São problemas para o trabalho em sala de aula e observando que tem que ser feito
na sua folha de trabalho/teste, logo facilmente encontramos a média final conforme
as regras da instituição e pelos acertos do aluno, levando muito em consideração a
participação em aula e interesse no aprendizado tendo em conta perceção do aluno.
Luxes você de produzir se quiser maximizar seus lucros durante o próximo ciclo
de produção?
Resolução:
botão Min quando quiser que o Solver encontre uma solução que minimiza
o valor do objetivo. O botão Valor pode ser usado para encontrar uma
solução para qual a função objetivo assume um valor específico.
células para que você possa selecioná-las ao mesmo tempo. Por exemplo, no
nosso caso, as três células de restrição que selecionamos são todas menores
que ou iguais a (≤) restrições. No entanto, essa consideração não deve ter
precedência sobre a configuração da planilha na maneira que comunica sua
finalidade mais claramente.
RESOLVENDO O MODELO
RESUMINDO…
Modelo quantitativo do problema:
Maximizar 350 x1 300 x2 } lucro
Aqua-Spas Hydro-Luxes
Number to Make 0 0 Total Profit
Unit Profits $350 $300 $0
SOLUÇÃO FINAL
Aqua-Spas = 122
Hydro-Luxes = 78
Lucro total = $ 66100
A Eletro-Poly quer determinar o número de anéis coletores que deve fabricar e o número
que deve comprar, de modo a atender o pedido do cliente com o menor custo possível.
Resolução:
ANALISANDO A SOLUÇÃO
A solução ideal mostrada na Figura 3.19 indica que a Electro-Poly deve produzir
(internamente) 3.000 anéis coletores modelo 1, 550 anéis coletores modelo 2 e anéis
deslizantes modelo 3 (isto é, M1 = 3.000, M2 = 550, M3 = 900). Além disso, deve
comprar 1.450 anéis deslizantes do modelo 2 de seu concorrente (ou seja, B1 = 0, B2 =
1.450, B3 = 0). Esta solução permite que a Electro-Poly para preencher o pedido do
cliente a um custo mínimo de US $ 453.300. Essa solução usa 9.525 das 10.000 horas de
capacidade de cabeamento disponível e todas as 5.000 horas de capacidade de
aproveitamento.
À primeira vista, essa solução pode parecer um pouco surpreendente. Electro-Poly tem
que pagar US $ 97 para cada modelo 2 anel deslizante que ele compra de seu concorrente.
Isso representa um $ 14 prêmio sobre seu custo interno de US $ 83. Por outro lado, a
Electro-Poly tem que pagar um prêmio de US $ 11 por seu custo interno para comprar
anéis deslizantes modelo 1 de seu concorrente. Parece que a solução ideal seria comprar
anéis deslizantes modelo 1 de seu concorrente, em vez de anéis coletores modelo 2,
porque o custo adicional para anéis deslizantes modelo 1 é menor. No entanto, este
argumento não leva em consideração o fato de que cada anel deslizante modelo 2
produzido internamente usa o dobro da capacidade de aproveitamento da empresa que
cada anel deslizante modelo 1. Fazer internamente mais anéis deslizantes modelo 2
esgotaria mais rapidamente a capacidade de aproveitamento da empresa e exigiria a
compra de um número excessivo de anéis coletores modelo 1 do concorrente. Felizmente,
a técnica LP considera automaticamente essas compensações para determinar a solução
ideal para o problema.
Electro-Poly Corporation
Cost to
Make $50 $83 $130 Total Cost
Buy $61 $97 $145 $0
# Available 0 0 0
# Needed 3 000 2 000 900
Harnessing 1 2 1 0 5 000
SOLUÇÃO
Um problema de investimento
10+ Good or
Amount Maximum Years to years? worse?
(1-yes, 0-
Bond Invested 25,0% Return Maturity no) Rating (1-yes, 0-no)
ACME
Chemical $0 $187 500 8,65% 11 1 1-Excellent 0
DynaStar $0 $187 500 9,50% 10 1 3-Good 1
Eagle Vision $0 $187 500 10,00% 6 0 4-Fair 1
MicroModeling $0 $187 500 8,75% 10 1 1-Excellent 0
OptiPro $0 $187 500 9,25% 7 0 3-Good 1
2-Very
Sabre Systems $0 $187 500 9,00% 13 1 Good 0
Total Invested: $0 Total: $0 Total: $0 Total: $0
Total
Available: $750 000 Required: $375 000 Allowed: $262 500
Solução:
Definindo as variáveis de decisão.
Neste problema, você deve decidir quanto dinheiro deve investir em tipo de título.
Temos:
Obtemos assim:
C12 = SUM(C6:C11) –
E12 = SUMPRODUCT(E6:E11,$C$6:$C$11) G12 e I12
Observe que o uso de zeros e uns nas colunas G e I para computar as somas de
RESOLVENDO O MODELO
ANALISANDO A SOLUÇÃO
A Tropicsun quer determinar quantos alqueires de cada pomar deve enviar para
cada instalação de processamento, de modo a minimizar o número total de
alqueires-milhas.
Minimizar
21x14 50x15 40x16 35x24 30x25 22x26 55x34 20x35 25x36 } distância total
percorrida pelos suprimentos (em alqueires-milhas)
Sujeito a:
Tropicsun
Distances From
Groves to Plant at
Grove Ocala Orlando Leesburg
Mt. Dora 21 50 40
Eustis 35 30 22
Clermont 55 20 25
Cuja solução é:
x14 200000 ; x16 75000 ; x25 250000 ; x26 150000 , x35 300000 . Nenhuma das
outras possíveis rotas de envio será utilizada.
Distância mínima = 24000000 alqueires-milhas.
Observe a implementação Solver
Para avaliar o que o Solver está realizando, vamos considerar como podemos tentar
resolver esse problema manualmente usando uma heurística. Uma heurística é uma regra
prática para tomar decisões que podem funcionar bem em alguns casos, mas não é
garantida para produzir soluções ou decisões ótimas. Uma heurística que podemos aplicar
para resolver o problema da Tropicsun é sempre enviar o máximo possível ao longo do
próximo caminho disponível com a menor distância (ou menor custo). Usando esta
heurística, resolvemos o problema da seguinte forma:
LIBERTO – INVESTIGAÇÃO OPERACIONAL
INVESTIGAÇÃO OPERACIONAL - LIBERTO
2. A próxima rota mais curta disponível ocorre entre o Monte. Dora e Ocala (21 milhas).
O máximo que podemos enviar através desta rota é o menor da oferta no Monte. Dora
(275.000 alqueires) ou a capacidade em Ocala (200.000 alqueires). Então nós enviaríamos
200.000 alqueires do Monte. Dora para Ocala. Isso esgota a capacidade em Ocala.
3. A próxima rota mais curta disponível ocorre entre Eustis e Leesburg (22 milhas). O
máximo que podemos enviar através desta rota é o menor da oferta em Eustis (400.000
alqueires) ou a capacidade em Leesburg (225.000 alqueires). Então nós enviaríamos
225.000 alqueires de Eustis para Leesburg. Isso esgota a capacidade em Leesburg.
4. A próxima rota mais curta disponível ocorre entre Eustis e Orlando (30 milhas). O
máximo que podemos enviar através desta rota é o menor da oferta restante em Eustis
(175.000 alqueires) ou a capacidade restante em Orlando (300.000 alqueires). Então nós
enviaria 175.000 alqueires de Eustis para Orlando. Isso esgota o fornecimento no Eustis.
5. A única rota restante ocorre entre o Monte. Dora e Orlando (porque o capacidades de
processamento em Ocala e Leesburg foram esgotadas). Esta distância é de 50 milhas. O
máximo que podemos enviar através desta rota é o menor das ofertas restantes no Monte.
Dora (75.000 alqueires) e a capacidade restante em Orlando (125.000 alqueires). Então,
nós enviaríamos os 75.000 alqueires finais no Monte. Dora a Orlando Isso esgota a oferta
no Monte. Dora.
Conforme mostrado na Figura, a solução identificada com essa heurística envolve o envio
da fruta para um total de 24.150.000 alqueires-milhas. Todos os alqueires disponíveis em
cada arvoredo foram enviados para as plantas de processamento e nenhuma das
capacidades nas plantas de processamento foram excedidas. Portanto, esta é uma solução
viável para o problema. E a lógica usada para encontrar essa solução pode nos levar a
acreditar que é uma solução razoavelmente boa - mas é a solução ideal? Não há outra
solução viável para este problema que possa fazer com que a distância total que a fruta
percorra seja inferior a 24.150.000 alqueires-milhas?
RESOLVENDO O MODELO
Para encontrar a solução ideal para este modelo, devemos indicar ao Solver a célula
definida, as células variáveis e as células de restrição identificadas na Figura. A próxima
figura mostra os parâmetros do Solver necessários para resolver este problema. A solução
ótima é mostrada na figura:
ANALISANDO A SOLUÇÃO
A solução ideal na Figura 3.27 indica que 200.000 alqueires devem ser enviados do monte
Dora para Ocala (X14 = 200.000) e 75.000 alqueires devem ser enviados do Monte. Dora
para Leesburg (X16 = 75.000). Dos 400.000 alqueires disponíveis no bosque em Eustis,
250.000 alqueires devem ser enviados para Orlando para processamento (X25 = 250.000)
e 150.000 alqueires devem ser enviados para Leesburg (X26 = 150.000). Finalmente,
todos os 300.000. Os alqueires disponíveis em Clermont devem ser enviados para
Orlando (X35 = 300.000). Nenhuma das outras rotas de envio possíveis será utilizada.
Um problema de mistura
A Agri-Pro armazena quantidades a granel de quatro tipos de rações que ela pode
misturar para atender às especificações de um determinado cliente. A tabela a
seguir mostra as quatro rações, suas percentagens de milho, cereais e sais minerais
e o custo por libra para cada tipo.
Na média, os cidadãos consomem quase 70 libras de carne de frango por ano. Para
continuar competitivos, os granjeiros devem se assegurar de que as suas criações recebam
os nutrientes necessários e da maneira mais efetiva em termos de custo. A Agri-Pro
acabou de receber um pedido de um granjeiro local para fornecer 8000 libras de ração. O
granjeiro solicitou que essa ração contenha pelo menos 20% de milho, 15% de cereais e
15% de sais minerais. O que a Agri-Pro precisa fazer para atender a esse pedido com um
custo mínimo?
Resolução:
O modelo é:
Sujeito a:
x1 x2 x3 x4 8000
Sujeito a:
Agri-Pro
F5 = SUMPRODUCT(B5:E5,B6:E6) --
F6 = SUM(B6:E6) --
F10 = SUMPRODUCT(B10:E10,$B$6:$E$6)/$G$6 F11:F12
O RHS para essa restrição está na célula G6. As fórmulas LHS para as outras três
restrições são implementadas nas células F10, F11 e F12. Especificamente, a fórmula de
LHS para a segunda restrição (representando a proporção de milho na mistura) é
implementada na célula F10 como:
Essa fórmula é então copiada para as células F11 e F12 para implementar as fórmulas
LHS para as duas restrições restantes. Novamente, as células G10 a G12 contêm os
valores de RHS para essas restrições. Observe que esse modelo é implementado de
maneira amigável. Cada célula de restrição possui uma interpretação lógica que comunica
informações importantes. Para qualquer dado valor para as células variáveis (B6 a E6)
totalizando 8.000, as células de restrição (F10 a F12) indicam a porcentagem real de
milho, grãos e minerais na mistura.
RESOLVENDO O MODELO
ANALISANDO A SOLUÇÃO
A solução ideal mostrada na Figura 3.30 indica que a ordem de alimentação de 8.000
libras é produzida com o menor custo possível misturando 4.500 libras de alimentação 1
(X1 = 4.5) com 2.000 libras de alimentação 2 (X2 = 2) e 1.500 libras de alimentação 4
(X4 = 1,5). A célula F6 indica que isso produz exatamente 8.000 libras de alimentação.
Além disso, as células F10 a F12 indicam que esta mistura contém 20% de milho, 15%
de grão e 21,88% de minerais. O custo total de produção desse mix é de US $ 1.950,
conforme indicado pela célula F5.
A próxima vez que você estiver em sua mercearia local, faça uma viagem especial pelo
corredor onde a ração está localizada. Na parte de trás de qualquer saco de comida de
cachorro ou gato, você deve ver o seguinte tipo de rótulo (tirado diretamente da marca de
comida favorita do cão de autor):
1 2 3 4 5 6
Custo unitário de produção $240 $250 $265 $285 $280 $260
Demanda em unidades 1.000 4.500 6.000 5.500 3.500 4.000
Produção máxima 4.000 3.500 4.000 4.500 4.000 3.500
Dado o tamanho do depósito da Upton, um máximo de 6.000 unidades podem ser
mantidas no estoque ao final de qualquer mês. O proprietário da empresa gosta de manter
pelo menos 1.500 unidades em estoque como estoque de segurança para atender a
Custo do Inventário = 3,6 (B1 + B2) / 2 + 3,75 (B2 + B3) / 2 + 3,98 (B3 + B4) / 2 + 4,28
(B4 + B5) / 2 + 4,20 (B5 + B6) / 2 + 3,9 ( B6 + B7) / 2
Observe que o primeiro termo na fórmula anterior calcula o custo do estoque para o mês
1 usando B1 como estoque inicial para o mês 1 e B2 como o estoque final para o mês 1.
Assim, a função objetivo para esse problema é dada como:
MIN: 240P1+250P2+265P3+285P4+280P5+260P6
Observação: O estoque inicial em um dado mês equivale ao estoque final do mês anterior.
Existem dois conjuntos de restrições que se aplicam a esse problema. Primeiro, o número
de unidades produzido a cada mês não pode exceder os níveis máximos de produção
declarados no problema.
No entanto, também devemos nos certificar de que o número de unidades produzidas por
mês não seja inferior a metade da capacidade máxima de produção do mês. Essas
condições podem ser expressas de maneira concisa da seguinte forma:
Definindo as Restrições – I
Níveis de produção
Assim, as seguintes restrições indicam que o estoque final em cada um dos próximos seis
meses (depois de atender à demanda do mês) deve ficar entre 1.500 e 6.000.
Definindo as Restrições – II
Finalmente, para garantir que o saldo inicial em um mês seja igual ao saldo final
Balanço inicial
B1 = 2750
B2 = B1 + P1 – 1.000
B3 = B2 + P2 - 4.500
B4 = B3 + P3 - 6.000
B5 = B4 + P4 - 5.500
B6 = B5 + P5 - 3.500
B7 = B6 + P6 - 4.000
Implementando o Modelo
B4 = B3+ P3 − 6,000
B5 = B4 + P4− 5,500
B6 = B5 + P5 − 3,500
B7 = B6 + P6 − 4,000
C9 = C6+C7-C8 D9:H9
D6 = C9 E6:H6
C18 = $B$18*C17 D18:H18
C20 = C17*C7 D20:H20
C21 = C18*(C6+C9)/2 D21:H21
H23 = SUM(C20:H21) --
C8 a H8. Com o nível de inventário inicial de 2.750 inserido na célula C6, o inventário
final, para o mês 1, é calculado na célula C9 da seguinte forma:
Essa fórmula pode ser copiada para as células D9 a H9 para calcular os níveis de estoque
final de cada um dos meses restantes. Colocaremos limites inferiores e superiores
apropriados a essas células para impor as restrições indicadas pelo segundo conjunto de
seis restrições em nosso modelo.
Para garantir que o estoque inicial no mês 2 seja igual ao estoque final do mês 1,
colocamos a seguinte fórmula na célula D6:
Essa fórmula pode ser copiada para as células E6 a H6 para garantir que os níveis de
estoque iniciais em cada mês sejam iguais aos níveis de estoque final do mês anterior. É
importante observar que, como os níveis de estoque iniciais podem ser calculados
diretamente dos níveis de estoque final, não é necessário especificar essas células como
células de restrição para o Solver.
Com os custos mensais de produção unitários inseridos nas células C17 a H17, os custos
unitários mensais são calculados nas células C18 a H18, como segue:
A produção total mensal e os custos de estoque são então calculados nas linhas 20 e 21
da seguinte forma:
Finalmente, a função objetivo que representa a produção total e os custos de estoque para
o problema é implementada na célula H23 como segue:
RESOLVENDO O MODELO
Na Figura abaixo mostra os parâmetros do Solver necessários para resolver este problema.
A solução ótima é mostrada na Figura posterior.
ANALISANDO A SOLUÇÃO
A solução ótima mostrada na Figura 3.33 indica que Upton deve produzir 4.000 unidades
no período 1, 3.500 unidades no período 2, 4.000 unidades no período 3, 4.250 unidades
no período 4, 4.000 unidades no período 5 e 3.500 unidades no período 6. Embora a
demanda por compressores de ar no mês 1 pode ser atendida pelo estoque inicial, a
produção no mês 1 é necessária para construir estoque para os meses futuros em que a
demanda excede a capacidade de produção disponível. Observe que este cronograma de
produção exige que a empresa opere em plena capacidade de produção em todos os meses,
com exceção do mês 4. Espera-se que o mês 4 tenha o maior custo unitário de produção.
Portanto, é mais econômico produzir unidades extras nos meses anteriores e mantê-las
em estoque para venda no mês 4.
É importante observar que, embora a solução para esse problema forneça um plano de
produção para os próximos seis meses, isso não compromete a equipe de gerenciamento
da Upton a implementar essa solução em particular nos próximos seis meses. No nível
operacional, a equipe de gerenciamento está mais preocupada com a decisão que deve ser
tomada agora - ou seja, o número de unidades a serem agendadas para produção no mês
1. No final do mês 1, a gerência da Upton deve atualizar o estoque, demanda, e estimativas
de custo, e re-resolver o modelo para identificar o plano de produção para os próximos
seis meses (atualmente nos meses 2 a 7). No final do mês 2, este processo deve ser
repetido.
as consequências de uma decisão atual sobre períodos de tempo futuros sem um modelo
PL. A formulação de tal modelo é ilustrada a seguir em um exemplo do mundo das
finanças.
A 1, 2, 3, 4, 5, 6 1 1,8%
B 1, 3, 5 2 3,5%
C 1, 4 3 5,8%
D 1 6 11,0%
Ou seja, o Taco -Viva deve planejar quais alternativas de investimento usar em vários
momentos durante os próximos seis meses.
A1, A2, A3, A4, A5, A6 = a quantia de dinheiro (em US $ 1.000) colocada no
respetivamente.
Observe que todas as variáveis são expressas em unidades de milhares de dólares para
manter uma escala razoável para esse problema. Portanto, tenha em mente que, ao se
referir à quantidade de dinheiro representada por nossas variáveis, queremos dizer o valor
em milhares de dólares.
sem uma injeção adicional de dinheiro da empresa. Como A1, B1, C1 e D1 representam
os valores iniciais investidos pela empresa no mês 1, a função objetiva para o problema
é: Minimizando total de dinheiro investido no início do mês 1.
MIN: A1 + B1 + C1 + D1
Para formular as restrições de fluxo de caixa para esse problema, é importante identificar
claramente:
(1) quando os diferentes investimentos podem ser feitos, (2) quando os diferentes
investimentos irá amadurecer e (3) quanto dinheiro estará disponível quando cada
investimento amadurecer. A Figura abaixo resume essa informação.
Esta restrição indica que o montante total em dinheiro com vencimento no início do mês
2 (1.018A1) deve ser igual ao montante reinvestido no início do mês 2 (A2) mais qualquer
pagamento devido no mês 2 ($ 0). Agora, considere os fluxos de caixa que ocorrerão
durante o mês 3. No início do mês 3, todos os fundos que foram colocados no
investimento B no início do mês 1 (B1) terão vencimento e valerão um total de $ 1.035B1.
Da mesma forma, quaisquer fundos colocados no investimento A no início do mês 2 (A2)
terão vencimento e valerão um total de $ 1.018A2. Como um pagamento de US $ 250.000
é devido no início do mês 3, devemos garantir que os fundos com vencimento no início
do mês 3 sejam suficientes para cobrir esse pagamento e que quaisquer fundos restantes
sejam colocados nas oportunidades de investimento disponíveis no início de mês 3 (A3 e
B3). Este requisito pode ser afirmado algebricamente como:
Esta restrição indica que o montante total em dinheiro com vencimento no início do mês
3 (1.035B1 + 1.018A2) deve ser igual ao montante reinvestido no início do mês 3
(A3 + B3) mais o pagamento devido no início do mês. 3 (US $ 250.000).
A mesma lógica que aplicamos para gerar as restrições de fluxo de caixa para os meses 2
e 3 também pode ser usada para gerar restrições de fluxo de caixa para os meses restantes.
Fazer isso produz uma restrição de fluxo de caixa para cada mês que assume a forma
geral:
Valor total em $ que tem vencimento no início do mês = Valor total de $ reinvestido no
início do mês + Pagamento devido no início do mês.
Usando essa definição geral das relações de fluxo de caixa, as restrições para os meses
restantes são representadas por:
Definindo as Restrições
IMPLEMENTANDO O MODELO
D18 =SUMIF(B6:B17,1,D6:D17) –
F6 =IF($B6=F$5,-1,IF($C6=F$5,1+$E6,IF(AND($B6<F$5,$C6>F$5),"<---->",""))) F6:L17
Uma abordagem para implementar esse modelo é mostrada na Figura acima. As três
primeiras colunas dessa planilha resumem as diferentes opções de investimento
disponíveis e os meses em que o dinheiro pode entrar e sair desses investimentos. As
células D6 a D17 representam as variáveis de decisão em nosso modelo e indicam a
quantidade de dinheiro (em US $ 1.000,00) a ser colocada em cada um dos possíveis
investimentos. A função objetiva para este problema requer que calculemos o montante
total de dinheiro investido no mês 1. Isso foi feito na célula D18 da seguinte forma:
Essa função SUMIF compara os valores nas células B6 a B17 com o valor 1 (seu segundo
argumento). Se qualquer um dos valores em B6 a B17 for igual a 1, soma os valores
correspondentes nas células D6 a D17. Nesse caso, os valores nas células B6 a B9 são
todos iguais a 1; portanto, a função retorna a soma dos valores nas células D6 a D9.
Observe que, embora pudéssemos ter implementado o objetivo usando a fórmula SUM
(D6: D9), a fórmula SUMIF anterior cria um modelo mais confiável e modificável. Se
qualquer um dos valores na coluna B for alterado para ou de 1, a função SUMIF
continuará representando a função de objetivo apropriada, enquanto a função SUM não.
Esta fórmula multiplica cada entrada no intervalo G6 a G17 pela entrada correspondente
no intervalo D6 a D17 e, em seguida, soma esses produtos individuais. Esta fórmula é
copiada para as células H18 a L18. (Observe que a fórmula SUMPRODUCT () trata as
células contendo rótulos e cadeias nulas como se elas contivessem o valor zero.) Reserve
um momento agora para verificar se as fórmulas nas células G18 a L18 correspondem às
fórmulas LHS das restrições de fluxo de caixa em nosso modelo. As células G19 a L19
listam os valores de RHS para as restrições de fluxo de caixa.
RESOLVENDO O MODELO
Para encontrar a solução ideal para este modelo, devemos indicar ao Solver a célula do
conjunto, as células variáveis e as células de restrição identificadas nas Figuras anteriores
que mostram os parâmetros do Solver necessários para resolver este modelo. A solução
ótima é mostrada abaixo.
ANALISANDO A SOLUÇÃO
O valor da célula do conjunto (D18) na Figura abaixo indica que um total de US $ 741.363
deve ser investido para atender os pagamentos no projeto de construção da Taco-Viva.
As células D6 e D8 indicam que aproximadamente US $ 241.237 devem ser colocados
no investimento A no início do mês 1 (A1 = 241.237) e aproximadamente US $ 500.126
devem ser colocados no investimento C (C1 = 500.126). No início do mês 2, os fundos
colocados no investimento A no início do mês 1 terão vencimento e serão avaliados em
US $ 245.580 (241.237 ⨯ 1.018 = 245.580). O valor que
na célula D10 indica que esses fundos devem ser colocados de volta para o investimento
A no início do mês 2 (A2 = 245,580).
Se você rastrear os fluxos de caixa para os meses restantes, descobrirá que nosso modelo
está fazendo exatamente o que foi projetado para fazer. A quantia de dinheiro programada
para vencer no início de cada mês é exatamente igual à quantia de dinheiro programada
para ser reinvestida após os pagamentos exigidos serem feitos. Assim, a partir de um
número infinito de possíveis programações de investimento, nosso modelo de PL
encontrou o único cronograma que requer o mínimo de adiantamento de dinheiro.
Supondo que a Taco-Viva tenha atribuído as seguintes classificações de risco para cada
um dos possíveis investimentos, em uma escala de 1 a 10 (risco máximo=10). Ou ainda,
A 1
B 3
C 8
D 6
Precisamos formular uma restrição adicional para cada período de tempo para garantir
que o nível de risco médio ponderado nunca exceda 5. Para ver como isso pode ser feito,
vamos começar com o mês 1.
No mês 1, os fundos podem ser investidos em A1, B1, C1 e / ou D1, e cada investimento
está associado a um grau diferente de risco. Para calcular o risco médio ponderado durante
o mês 1, devemos multiplicar os fatores de risco para cada investimento pela proporção
de dinheiro nesse investimento. Isso é representado por:
Embora as restrições de risco listadas aqui tenham um significado muito claro, é mais
fácil implementar essas restrições na planilha se as declararmos de uma maneira diferente
(mas algebricamente equivalente). Em particular, é útil eliminar as frações no LHS das
desigualdades multiplicando cada restrição por seu denominador e recoletando as
variáveis no LHS da desigualdade.
O conjunto de valores para A1, B1, C1 e D1 que satisfaz a primeira dessas restrições
também satisfaz a segunda restrição (isto é, essas restrições têm exatamente o mesmo
conjunto de valores viáveis). Portanto, não importa qual dessas restrições usamos para
encontrar a solução ideal para o problema.
A figura abaixo mostra uma tela dividida que ilustra uma maneira fácil de implementar
as restrições de risco para esse modelo. Anteriormente, notamos que o coeficiente para
cada variável em cada restrição de risco é simplesmente o fator de risco para investimento
Lembre-se de que a restrição de risco para cada mês envolve apenas as variáveis que
representam que realmente realizou fundos durante esse mês. Para qualquer mês, os
investimentos que realmente mantiveram fundos durante esse mês têm o valor 1 ou
contêm entrada de texto que começa com o símbolo "<" (o primeiro caractere das entradas
"<---->") na coluna correspondente da tabela de resumo de entrada / saída de caixa. Por
exemplo, durante o mês 2, os fundos podem ser investidos em B1, C1, D1 e / ou A2. As
células correspondentes para o mês 2 na Figura 3.38 (células G7, G8, G9 e G10,
respetivamente) contêm o valor 1 ou uma entrada de texto que começa com o símbolo
"<". Portanto, para gerar os coeficientes apropriados para as restrições de risco, podemos
instruir a planilha a verificar o resumo de entrada / saída de caixa das células contendo o
valor 1 ou entradas de texto iniciando com o símbolo "<" e retornar os coeficientes de
restrição de risco corretos. nas células apropriadas. Para fazer isso, inserimos a seguinte
fórmula na célula N6:
D18 = SUMIF(B6:B17,1,D6:D17) --
F = IF($B6=F$5,-1,IF($C6=F$5,1+$E6,IF(AND($B6<F$5,$C6>F$5),"<---->",""))) F6:L17
Para gerar o valor apropriado na célula N6, a fórmula anterior verifica se a célula F6 é
igual a -1 ou contém uma entrada de texto que começa com o símbolo "<". Se qualquer
uma dessas condições for verdadeira, a função assume o fator de risco para o investimento
da célula M6 e subtrai o fator de risco máximo permitido encontrado na célula Q20; caso
contrário, a função retornará uma cadeia nula (com um valor de zero). Esta fórmula é
copiada para as células remanescentes no intervalo de N6 a S17, como mostra a Figura
abaixo. Os valores nas células N6 a S17 na Figura 3.38 correspondem aos coeficientes
nas fórmulas LHS para cada uma das restrições de risco formuladas anteriormente.
Assim, a fórmula de LHS para a restrição de risco para o mês 1 é implementada na célula
N18 como:
As fórmulas LHS para as restrições de risco restantes são implementadas copiando essa
fórmula para as células O18 a S18. Vamos dizer ao Solver que essas células de restrição
devem ser menores ou iguais a zero.
RESOLVENDO O MODELO
Para encontrar a solução ideal para este modelo, devemos comunicar as informações
apropriadas sobre as novas restrições de risco para o Solver. A Figura abaixo mostra os
parâmetros do Solver necessários para resolver este modelo. A solução ideal é mostrada
na figura abaixo
ANALISANDO A SOLUÇÃO
A solução ideal para o problema revisado do Taco -Viva com restrições de risco é bem
diferente da solução obtida anteriormente. Em particular, a nova solução requer que os
fundos sejam colocados no investimento A em cada período de tempo. Isso não é muito
surpreendente, dado que o investimento tem a menor classificação de risco. Pode ser
surpreendente que dos investimentos restantes, B e D nunca sejam usados. Embora esses
investimentos tenham classificações de risco mais baixas do que o investimento C, a
combinação de fundos colocados nos investimentos A e C permite que o menor montante
de dinheiro seja investido no mês 1, ao mesmo tempo que os pagamentos ele ponderou o
risco médio em ou abaixo do nível especificado.
As empresas raramente sabem com certeza quais custos serão incorridos, ou a quantidade
exata de recursos que serão consumidos ou disponíveis em uma determinada situação ou
período de tempo.
Assim, a administração pode ser cética quanto às soluções ótimas obtidas usando modelos
que pressupõem que todos os fatores relevantes são conhecidos com certeza. A análise de
sensibilidade pode ajudar a superar esse ceticismo e fornecer uma imagem melhor de
como a solução para um problema mudará se diferentes fatores no modelo mudarem. A
análise de sensibilidade também pode ajudar a responder a várias questões práticas de
gerenciamento que podem surgir sobre a solução de um problema de PL.
Todos os coeficientes neste modelo (cj, aij e bi) representam constantes numéricas. Então,
quando formulamos e resolvemos um problema de PL, assumimos implicitamente que
podemos especificar os valores exatos para esses coeficientes. No entanto, no mundo real,
esses coeficientes podem mudar de dia para dia ou de minuto a minuto. Por exemplo, o
preço que uma empresa cobra por seus produtos pode mudar em uma base diária, semanal
ou mensal.
Resumindo:
Depois de resolver o modelo PL, o Solver exibe a caixa de diálogo Resultados do Solver,
mostrada na Figura abaixo. Esta caixa de diálogo fornece três opções de relatório:
Resposta, Sensibilidade e Limites. Você pode selecionar qualquer um desses relatórios
depois que um modelo for resolvido. Para selecionar todos os três relatórios, destaque os
relatórios e clique em OK. Para acessar cada relatório, clique na guia apropriada na parte
inferior da tela.
O Relatório de Resposta
A Figura acima mostra o Relatório de Resposta do problema Blue Ridge Hot Tubs. Este
relatório resume a solução para o problema e é bastante autoexplicativo. A primeira seção
do relatório resume o valor original e final (ótimo) da célula definida. A próxima seção
resume os valores original e final (ótimo) das células ajustáveis (ou variáveis) que
representam as variáveis de decisão.
Observe que esses valores correspondem ao valor final assumido pela fórmula de LHS de
cada restrição. A coluna Fórmula indica os limites superior ou inferior que se aplicam a
cada célula de restrição. A coluna Status indica quais restrições estão sendo vinculadas e
quais não estão vinculadas. A restrição é obrigatória se for satisfeito como uma igualdade
estrita na solução ótima; caso contrário, não é obrigatório. Observe que as restrições para
o número de bombas e a quantidade de mão-de-obra utilizada são vinculativas, o que
significa que todas as bombas e horas de mão-de-obra disponíveis serão usadas se essa
solução for implementada. Portanto, essas restrições estão impedindo que a Blue Ridge
Hot Tubs atinja um nível mais alto de lucro.
Finalmente, os valores na coluna Slack indicam a diferença entre o LHS e o RHS de cada
restrição. Por definição, as restrições de ligação têm zero de folga e restrições não
vinculativas têm algum nível positivo de folga. Os valores na coluna Slack indicam que,
se esta solução for implementada, todas as bombas e horas de mão-de-obra disponíveis
serão usadas, mas restarão 168 pés de tubulação. Os valores de folga para as condições
de não-negatividade indicam os valores pelos quais as variáveis de decisão excedem seus
respetivos limites inferiores de zero.
O Relatório de Resposta não fornece nenhuma informação que não possa ser derivada da
solução mostrada no modelo de planilha. No entanto, o formato deste relatório fornece
um resumo conveniente da solução que pode ser facilmente incorporada em um
documento de processamento de texto como parte de um relatório por escrito para o
gerenciamento.
Modelagem de Rede
Introdução
– Problemas de transbordo;
– Oferta
– Demanda
– Transbordo
O problema do transbordo
Vamos começar nosso estudo dos problemas de fluxo de rede considerando o problema
do transbordo.
Como você verá, a maioria dos outros tipos de problemas de fluxo de rede pode ser vista
como variações simples do problema de transbordo. Assim, uma vez que você entenda
como formular e resolver problemas de transbordo, os outros tipos de problemas serão
fáceis de resolver. O exemplo a seguir ilustra o problema do transbordo:
Atualmente, 200 carros estão disponíveis no porto de Newark e 300 estão disponíveis em
Jacksonville. O número de carros necessários para os distribuidores em Boston,
Columbus, Atlanta, Richmond e Mobile é de 100, 60, 170, 80 e 70, respetivamente. A
BMC quer determinar a maneira mais barata de transportar carros dos portos de Newark
e Jacksonville até as cidades onde eles são necessários.
Todos os problemas de fluxo de rede podem ser representados como uma coleção de nós
conectados por arcos. Os círculos na Figura abaixo são chamados de nós na terminologia
de problemas de fluxo de rede, e as linhas que conectam os nós são chamadas de arcos.
Os arcos em uma rede indicam os caminhos, rotas ou conexões válidos entre os nós em
um problema de fluxo de rede.
Quando as linhas que conectam os nós em uma rede são setas que indicam uma direção,
os arcos na rede são chamados de arcos direcionados. Este capítulo discute principalmente
os arcos direcionados, mas, por conveniência, refere-se a eles como arcos.
A noção de nós de fornecimento (ou envio de nós) e nós de demanda (ou recebimento
nós) é outro elemento comum dos problemas de fluxo de rede ilustrado na Figura. Os nós
representando as cidades portuárias de Newark e Jacksonville são ambos nós de
fornecimento, porque cada um tem um suprimento de carros para enviar para outros nós
na rede. Richmond representa um nó de demanda porque exige receber carros dos outros
nós. Todos os outros nós desta rede são nós de transbordo. Os nós de transbordo podem
enviar e receber de outros nós na rede. Por exemplo, o nó que representa o Atlanta na
Figura é um nó de transbordo, porque pode receber carros de Jacksonville, Mobile e
Columbus e também pode enviar carros para Columbus, Mobile e Richmond. A oferta ou
demanda líquida de cada nó na rede é indicada por um número positivo ou negativo ao
lado de cada nó. Números positivos representam a demanda em um determinado nó, e
números negativos representam o fornecimento disponível em um nó. Por exemplo, o
valor +80 próximo ao nó de Richmond indica que o número de carros precisa aumentar
em 80 - ou que Richmond tem demanda para 80 carros. O valor de 200 ao lado do nó de
Newark indica que o número de carros pode ser reduzido em 200 - ou que Newark tem
um suprimento de 200 carros. Um nó de transbordo pode ter uma oferta ou demanda
líquida, mas não ambas. Neste problema em particular, todos os nós de transbordo têm
demandas. Por exemplo, o nó que representa o Mobile na Figura tem uma demanda para
70 carros.
O objetivo em um modelo de fluxo de rede é determinar quantos itens devem ser movidos
(ou fluxo) em cada um dos arcos. Em nosso exemplo, a BMC precisa determinar o método
menos custoso de transportar carros ao longo dos vários arcos mostrados na Figura para
distribuir carros onde eles são necessários. Assim, cada um dos arcos em um modelo de
fluxo de rede representa uma variável de decisão. Determinar o fluxo ótimo para cada
arco é o equivalente a determinar o valor ótimo para a variável de decisão correspondente.
Ou seja:
Em nosso problema de exemplo, custos monetários diferentes devem ser pagos para cada
carro enviado em um dado arco. Por exemplo, custa US $ 30 para enviar cada carro do
nó 1 (Newark) para o nó 2 (Boston). Como o X12 representa o número de carros
embarcados de Newark para Boston, o custo total incorrido pelos carros enviados ao
longo desse caminho é determinado por US $ 30,00. Cálculos similares podem ser feitos
para os outros arcos da rede. Como a BMC está interessada em minimizar os custos totais
de envio, a função objetiva para esse problema é expressa como:
Observe que, se a oferta total em um problema de fluxo de rede for menor que a demanda
total, será impossível satisfazer toda a demanda. A regra de balanceamento de fluxo
listada para este caso pressupõe que você deseje determinar a maneira menos onerosa de
distribuir o suprimento disponível - sabendo que é impossível satisfazer toda a demanda.
Portanto, para aplicar a regra correta de equilíbrio de fluxo, primeiro devemos comparar
o fornecimento total na rede com a demanda total. No nosso problema de exemplo, há
uma oferta total de 500 carros e uma demanda total para 480 carros. Como a oferta total
excede a demanda total, usaremos a primeira regra de balanço de fluxo para formular
nosso problema de exemplo.
A primeira função SUMIF nesta fórmula compara os valores no intervalo E6 a E16 com
o valor em I6 e, se ocorrer uma correspondência, soma o valor correspondente no
intervalo B6 a B16. Naturalmente, isso nos dá o número total de carros fluindo para
Newark (que, nesse caso, será sempre zero, porque nenhum dos valores de E6 a E16
corresponde ao valor de I6). A próxima função SUMIF compara os valores no intervalo
C6 a C16 com o valor em I6 e, se ocorrer uma correspondência, soma os valores
correspondentes no intervalo de B6 a B16. Isso nos dá o número total de carros saindo de
Newark (que nesse caso será sempre igual aos valores nas células B6 e B7, porque esses
são os únicos arcos fluindo para fora de Newark). Copiar esta fórmula para as células K7,
embora K12, nos permite calcular facilmente a entrada total menos o fluxo total de saída
para cada um dos nós do nosso problema. Os valores de RHS para essas células de
restrição são mostrados nas células L6, embora L12.
A figura abaixo mostra os parâmetros e opções do Solver necessários para resolver este
modelo. A solução ótima para o problema é mostrada na figura abaixo.
ANALISANDO A SOLUÇÃO
A Figura 5.4 mostra a solução ideal para o problema de transbordo da BMC. A solução
indica que 120 carros devem ser embarcados de Newark para Boston (X12 = 120), 80
carros de Newark para Richmond (X14 = 80), 20 carros de Boston para Columbus (X23
= 20), 40 carros de Atlanta para Columbus ( X53 = 40), 210 carros de Jacksonville para
Atlanta (X75 = 210) e 70 carros de Jacksonville para Mobile (X76 = 70). A célula G18
indica que o custo total associado a este plano de envio é de US $ 22.350. Os valores das
células de restrição em K6 e K12 indicam, respetivamente, que todos os 200 carros
disponíveis em Newark estão sendo enviados e apenas 280 dos 300 carros disponíveis em
Jacksonville estão sendo enviados. Uma comparação das células restritivas
remanescentes em K7 a K11 com seus valores de RHS em L7 a L11 revela que a demanda
em cada uma dessas cidades está sendo atendida pelo fluxo líquido de carros em cada
cidade.
Esta solução é resumida graficamente, como mostra a Figura abaixo. Os valores nas
caixas ao lado de cada arco indicam os fluxos ideais para os arcos. O fluxo ótimo para
todos os outros arcos do problema, que não são mostrados na Figura, é 0. Observe que a
quantidade que flui para cada nó menos a quantidade que flui para fora de cada nó é igual
à oferta ou demanda no nó. Por exemplo, 210 carros estão sendo enviados de Jacksonville
para Atlanta. Atlanta manterá 170 dos carros (para satisfazer a demanda neste nó) e
enviará os 40 extras para Columbus.
Dependendo do dia da semana e da hora do dia, o tempo necessário para percorrer várias
ruas pode aumentar ou diminuir devido a alterações nos padrões de tráfego. A construção
e manutenção de estradas também afetam os padrões de fluxo de tráfego. Assim, a rota
mais rápida (ou caminho mais curto) para ir de um ponto da cidade para outro pode mudar
com frequência. Em situações de emergência, vidas ou propriedades podem ser perdidas
ou salvas dependendo da rapidez com que veículos de emergência chegam onde são
necessários. A capacidade de determinar rapidamente o caminho mais curto para o local
de uma situação de emergência é extremamente útil nessas situações. O exemplo a seguir
ilustra outra aplicação do problema do caminho mais curto.
Sintetizando…
populares. Quando os membros da ACA planejam fazer uma viagem de carro, ligam para
o número 800 gratuito da organização e indicam de quais cidades estão indo e voltam. A
ACA determina então uma rota ideal para viajar entre essas cidades. As bases de dados
informatizadas da ACA das principais rodovias e interestaduais são mantidas atualizadas
com informações sobre atrasos e desvios de construção e tempos estimados de viagem ao
longo de vários segmentos de rodovias.
Para ver como a ACA poderia se beneficiar resolvendo problemas de caminho mais curto,
considere a rede simplificada mostrada na Figura acima para um membro de viagem que
queira dirigir de Birmingham, Alabama para Virginia Beach, Virgínia. Os nós neste
gráfico representam diferentes cidades e os arcos indicam as possíveis rotas de viagem
entre as cidades. Para cada arco, a Figura acima lista o tempo de condução estimado para
percorrer a estrada representada por cada arco e o número de pontos que a rota recebeu
no sistema da ACA para classificar a qualidade cênica das várias rotas.
Resolver este problema como um modelo de fluxo de rede requer que os vários nós
tenham algum suprimento ou demanda. Na Figura acima, o nó 1 (Birmingham) tem uma
oferta de 1, o nó 11 (Virginia Beach) tem uma demanda de 1 e todos os outros nós têm
uma demanda (ou oferta) de 0.
MIN: +2.5X12 + 3X13 + 1.7X23 + 2.5X24 + 1.7X35 + 2.8X36 + 2X46+ 1.5X47 + 2X56 +
5X59 + 3X68 + 4.7X69 + 1.5X78+ 2.3X7,10+ 2X8,9+ 1.1X8,10+ 3.3X9,11 + 2.7X10,11
Sujeito a:
- X12 − X13 =−1} restrição de fluxo para o nó 1
+X12 − X23 − X24 = 0} restrição de fluxo para o nó 2
+X13 + X23 − X35 − X36 = 0} restrição de fluxo para o nó 3
+X24 − X46 − X47 = 0} restrição de fluxo para o nó 4
+X35 − X56 − X59 = 0} restrição de fluxo para o nó 5
+X36 + X46 + X56 − X68 − X69 = 0} restrição de fluxo para o nó 6
Como a oferta total é igual à demanda total desse problema, as restrições devem ser
declaradas como igualdades. A primeira restrição neste modelo garante que a 1 unidade
de suprimento disponível no nó 1 seja enviada para o nó 2 ou para o nó 3. As nove
restrições seguintes indicam que qualquer coisa fluindo para nós 2 através do nó 10
também deve fluir desses nós porque cada um possui uma demanda de 0. Por exemplo,
se a unidade de fornecimento deixar o nó 1 para o nó 2 (via X12), a segunda restrição
garantirá que ele deixará o nó 2 para o nó 3 ou nó 4 (via X23 ou X24). A última restrição
indica que a unidade deve finalmente fluir para o nó 11. Assim, a solução para esse
problema indica a rota mais rápida para ir do nó 1 (Birmingham) para o nó 11 (Virginia
Beach).
A solução ideal para este problema, mostrada na Figura abaixo, foi obtida usando os
parâmetros Solver e as opções mostradas na figura seguinte. Observe que este modelo
inclui cálculos do tempo de condução total esperado (célula G26) e dos pontos de
classificação cênica total (célula H26) associados a qualquer solução. Qualquer uma
dessas células pode ser escolhida como a função objetivo de acordo com os desejos do
cliente. No entanto, a solução mostrada na figura minimiza o tempo de condução
esperado.
A solução ótima mostrada na Figura indica que o plano de viagem mais rápido envolve
dirigir do nó 1 (Birmingham) para o nó 2 (Atlanta), depois para o nó 4 (Greenville), depois
para o nó 7 (Charlotte) e depois para o nó 10 (Raleigh) e, finalmente, para o nó 11
(Virginia Beach). O tempo total de condução esperado ao longo deste percurso é de 11,5
horas. Observe também que essa rota recebe uma classificação de 15 pontos na escala de
classificação cênica da ACA.
Usando essa planilha, também podemos determinar a rota mais cênica, instruindo o
Solver a maximizar o valor na célula H26. A Figura acima mostra a solução ótima obtida
neste caso. Este plano de viagem envolve a condução de Birmingham a Atlanta, a
Chattanooga, a Knoxville, a Asheville, a Lynchburg e, finalmente, a Virginia Beach. Este
itinerário recebe uma classificação de 35 pontos na escala de classificação cênica da
ACA, mas leva quase 16 horas de tempo de condução.
Até este ponto, cada um dos modelos de fluxo de rede que nós resolvemos gerou soluções
inteiras. Se você usar o método simplex para resolver qualquer modelo de fluxo de rede
de custo mínimo com valores RHS de restrição de número inteiro, a solução ótima
assumirá automaticamente valores inteiros. Essa propriedade é útil porque os itens que
passam pela maioria dos modelos de fluxo de rede representam unidades discretas (como
carros ou pessoas).
Podemos facilmente adicionar uma restrição ao modelo para manter o tempo total de
condução G26 menor ou igual a 14 horas. Se, então, resolvermos novamente o modelo
para maximizar a classificação cênica na célula H26, obtemos a solução mostrada na
Figura abaixo.
José Maderos é o dono da Compu-Train, uma pequena empresa que oferece treinamento
prático em software e treinamento para empresas dentro e nos arredores de Boulder,
Colorado. Jose aluga o equipamento de informática usado em seu negócio e gosta de
manter o equipamento atualizado para que ele execute o mais recente e avançado software
de maneira eficiente. Por causa disso, José quer substituir seu equipamento pelo menos a
cada dois anos.
José está atualmente tentando decidir entre dois contratos diferentes de locação que seu
fornecedor de equipamentos propôs. Nos dois contratos, José teria que pagar US $ 62.000
inicialmente para obter o equipamento necessário. No entanto, os dois contratos diferem
em termos do valor que José teria que pagar nos anos seguintes para substituir seu
equipamento. Sob o primeiro contrato, o preço para adquirir novos equipamentos
aumentaria em 6% ao ano, mas ele receberia um crédito de 60% para qualquer
equipamento com um ano de idade e 15% para qualquer equipamento com dois anos de
idade.
Sob o segundo contrato, o preço para adquirir novos equipamentos aumentaria apenas 2%
ao ano, mas ele só receberia um crédito de 30% para qualquer equipamento com um ano
de idade e 10% para qualquer equipamento que seja dois anos de idade.
José percebe que não importa o que ele faça, ele terá que pagar US $ 62.000 para obter o
equipamento inicialmente. No entanto, ele quer determinar qual contrato permitiria que
ele minimizasse os custos restantes de leasing nos próximos cinco anos e quando deveria
substituir seu equipamento sob o contrato selecionado.
Cada um dos dois contratos que José está considerando pode ser modelado como um
problema de caminho mais curto. A Figura acima mostra como isso seria realizado para
o primeiro contrato em consideração. Cada nó corresponde a um ponto no tempo durante
os próximos cinco anos, quando José pode substituir seu equipamento. Cada arco nesta
rede representa uma escolha disponível para José. Por exemplo, o arco do nó 1 ao nó 2
indica que José pode manter o equipamento inicialmente adquirido por um ano e depois
substituí-lo (no início do ano 2) por um custo líquido de $ 28.520 ($ 62.000 × 1.06 - 0.6
× $ 62.000 = $ 28.520). Alternativamente, o arco do nó 1 ao nó 3 indica que José pode
manter seu equipamento inicial por dois anos e substituí-lo no início do ano 3 por um
custo líquido de $ 60.363 ($ 62.000 × 1.062 - 0.15 × $ 62.000 = $ 60.363).
A solução ideal para este problema mostra que, de acordo com as disposições do primeiro
contrato, José deveria substituir seu equipamento no início de cada ano a um custo total
de US $ 124.764. Este montante é adicional aos $ 62.000 que ele tem que pagar adiantado
no começo do ano 1.
*VLOOKUP(C11,G$11:J$15,2))
A solução ideal para este problema mostra que sob as provisões do segundo contrato, José
deveria substituir seu equipamento no começo dos anos 3 e 5 a um custo total de
$ 118.965. Mais uma vez, este montante é adicional aos $ 62.000 que ele tem que pagar
adiantado no início do ano 1. Embora os custos totais sob o segundo contrato sejam
menores do que sob o primeiro, sob o segundo contrato José estaria trabalhando com
equipamentos mais antigos durante 2 e 4. Assim, embora a solução para esses dois
modelos torne claras as consequências financeiras das duas diferentes alternativas, José
ainda deve decidir por si mesmo se os benefícios da economia nos custos financeiros sob
o segundo contrato superam os custos não financeiros associados. com o uso de
equipamentos levemente desatualizados durante os anos 2 e 4. É claro que,
independentemente do contrato com o qual José decida ir, ele poderá reconsiderar se deve
ou não atualizar seu equipamento no início de cada um dos próximos 4 anos.
e uma demanda de 0 a todos os outros nós da rede. Como os exemplos apresentados aqui
envolviam apenas um pequeno número de caminhos em cada uma das redes, poderia ter
sido mais fácil resolver esses problemas simplesmente enumerando os caminhos e
calculando a distância total de cada um deles. No entanto, em um problema com muitos
nós e arcos, um modelo de PL automatizado é preferível a uma abordagem de solução
manual.
A rede mostrada na figura difere dos problemas anteriores de fluxo de rede neste capítulo
porque não contém nós de transbordo. Cada nó na figura é um nó de envio ou um nó de
recebimento. A falta de nós de transbordo é a característica chave que distingue
problemas de transporte / atribuição de outros tipos de problemas de fluxo de rede. Como
você viu nas lições anteriores, essa propriedade permite configurar e resolver problemas
de transporte / atribuição convenientemente em um formato de matriz na planilha.
Embora seja possível resolver problemas de transporte / atribuição da mesma forma que
resolvemos problemas de transbordo, é muito mais fácil implementar e resolver esses
problemas usando a abordagem matricial descrita anteriormente.
Exemplo:
Nancy Grant é proprietária da Coal Bank Hollow Recycling, uma empresa especializada
em coleta e reciclagem de produtos de papel. A empresa de Nancy usa dois processos de
reciclagem diferentes para converter jornal, papel misto, papel branco de escritório e
papelão em polpa de papel. A quantidade de polpa de papel extraída dos materiais
recicláveis e o custo de extração da polpa difere dependendo de qual processo de
reciclagem é usado. A tabela a seguir resume os processos de reciclagem:
Por exemplo, cada tonelada de papel jornal submetida ao processo de reciclagem 1 custa
US $ 13 e rende 0,9 toneladas de polpa de papel. A polpa de papel produzida pelos dois
diferentes processos de reciclagem passa por outras operações para ser transformada em
celulose para papel de jornal, papel para embalagem ou papel de qualidade para
impressão. Os rendimentos associados à transformação da polpa reciclada em celulose
para os produtos finais são resumidos na tabela a seguir:
Polpa para papel de jornal Polpa para Papel de embalagem Polpa para papel de qualidade de impressão
Origem da polpa Custo por Ton. rendimento Cost per Ton. Rendimento Custo por Ton. rendimento
Processo de Reciclagem 1 $5 95% $6 90% $8 90%
Processo de Reciclagem 2 $6 90% $8 95% $7 95%
Por exemplo, uma tonelada de celulose saindo do processo de reciclagem 2 pode ser
transformada em 0,95 toneladas de papel para embalagem a um custo de US $ 8.
A figura acima mostra como o problema de reciclagem de Nancy pode ser visto como um
problema generalizado de fluxo de rede. Os arcos neste gráfico indicam o possível fluxo
de material de reciclagem através do processo de produção. Em cada arco, listamos o
custo do fluxo ao longo do arco e o fator de redução que se aplica ao fluxo ao longo do
arco. Por exemplo, o arco do nó 1 ao nó 5 indica que cada tonelada de jornal que vai para
o processo de reciclagem 1 custa US $ 13 e produz 0,90 toneladas de celulose.
MIN: 13X15 + 12X16 + 11X25 + 13X26 + 9X35 + 10X36 + 13X45 + 14X46 + 5X57
+ 6X58 + 8X59 + 6X67 + 8X68 + 7X69
As restrições para esse problema podem ser geradas usando a regra de balanceamento de
fluxo para cada nó. As restrições para os quatro primeiros nós (representando o
suprimento de jornal, papel misto, papel branco de escritório e papelão, respetivamente)
são dadas por:
Essas restrições indicam simplesmente que a quantidade de produto que flui de cada um
desses nós não pode exceder o suprimento disponível em cada nó. (Lembre-se de que a
restrição dada para o nó 1 é equivalente a + X15 + X16 ≤ + 70.)
+ 0.9X15 + 0.8X25 + 0.95X35 + 0.75X45 ≥ + X57 + X58 + X59} restrição de fluxo equivalente
para o nó 5
Observe que a restrição para o nó 5 requer que a quantia enviada do nó 5 (dada por X57 +
X58 + X59) não possa exceder o valor líquido que estaria disponível no nó 5 (dado por
0,9X15 + 0,8X25 + 0,95X35 + 0,75 X45). Assim, aqui os fatores de rendimento entram em
jogo na determinação da quantidade de produto que estaria disponível a partir dos
processos de reciclagem. Uma interpretação semelhante aplica-se à restrição para o nó 6.
IMPLEMENTANDO O MODELO
O modelo para o problema generalizado de fluxo de rede do Coal Bank Hollow Recycling
é resumido como:
MIN: 13X15 + 12X15 + 11X25 + 13X26 + 9X35 + 10X36 + 13X45 + 14X46 + 5X57
+ 6X58 + 8X59 + 6X67 + 8X68 + 7X69
Sujeito a:
−X15 – X16 ≥ −70} restrição de fluxo para o nó 1
−X25 – X26 ≥ −50} restrição de fluxo para o nó 2
−X35 – X36 ≥ −30} restrição de fluxo para o nó 3
−X45 – X46 ≥ −40} restrição de fluxo para o nó 4
+0.9X15 + 0.8X25 + 0.95X35 + 0.75X45 – X57 –X58–X59 ≥ 0}restrição de fluxo para o nó 5
+0.85X16 + 0.85X26 + 0.9X36 + 0.85X46–X67–X68–X69 ≥ 0} restrição de fluxo para o nó 6
+0.95X57 + 0.90X67 ≥ 60} restrição de fluxo para o nó 7
+0.9X58 + 0.95X687 ≥ 40} restrição de fluxo para o nó 8
+0.9X59 + 0.95X69 ≥ 50} restrição de fluxo para o nó 9
Xij ≥ 0 for all i and j} condições de não negatividade
E6 =D6*A6 E7:E19
H21 =SUMPRODUCT(H6:H19,A6:A19) …
L6 =SUMIF($F$6:$F$19,J6,$E$6:$E$19) L7:L14
-SUMIF($B$6:$B$19,J6,$A$6:$A$19)
Em todos os outros modelos de fluxo de rede que vimos até este ponto, todos os
coeficientes em todas as restrições foram implicitamente sempre +1 ou -1. Isso não é
verdade no modelo acima. Assim, devemos dar atenção especial aos coeficientes nas
restrições à medida que implementamos este modelo na planilha. Uma abordagem para
implementar esse problema é mostrada na Figura acima.
A planilha na Figura é muito semelhante àquelas dos outros problemas de fluxo de rede
que resolvemos. As células A6 a A19 representam as variáveis de decisão (arcos) do
nosso modelo, e o custo unitário correspondente associado a cada variável é listado na
faixa de H6 a H19. A função objetivo é implementada na célula H21 como:
Para implementar as fórmulas do LHS para nossas restrições, não podemos mais
simplesmente somar as variáveis que fluem em cada nó e subtrair as variáveis que fluem
dos nós. Em vez disso, primeiro precisamos multiplicar as variáveis que fluem em um nó
Agora, para implementar as fórmulas LHS para cada nó nas células L6 a L14, somaremos
os fluxos ajustados por rendimento em cada nó e subtrairemos o fluxo bruto de cada nó.
Isso pode ser feito da seguinte maneira:
Observe que a primeira função SUMIF nesta fórmula soma os fluxos adequados de
rendimento ajustado na coluna E, enquanto o segundo SUMIF soma o fluxo bruta
apropriado valores da coluna A. Assim, embora esta fórmula seja muito similar àquelas
usadas em modelos anteriores, há aqui uma diferença crítica que deve ser cuidadosamente
anotada e, entendida. Os valores de RHS para essas células de restrição são listados nas
células M6 a M14.
ANALISANDO A SOLUÇÃO
Os parâmetros do Solver usados para resolver esse problema são mostrados na Figura
5.18 e a solução ótima é mostrada na Figura 5.19. Nesta solução, 43,4 toneladas de jornal,
50 toneladas de papel misto e 30 toneladas de papel de escritório branco são atribuídos
ao processo de reciclagem 1 (ou seja, X15 = 43,4, X25 = 50, X35 = 30). Esse processo
de reciclagem gera um total de 107,6 toneladas de celulose (ou seja, 0,9 × 43,3 + 0,8 ×
50 + 0,95 x 30 = 107,6), das quais 63,2 toneladas são alocadas para a produção de papel
de jornal (X57 = 63,2) e 44,4 toneladas são alocados para a produção de celulose para
papel de embalagem (X58 = 44,4). Isso nos permite atender a demanda de 60 toneladas
de celulose de papel de jornal (0,95 × 63,2 = 60) e 40 toneladas de papel de embalagem
(0,90 × 44,4 = 40).
As 26,6 toneladas restantes de jornal são combinadas com 35,4 toneladas de papelão no
processo de reciclagem 2 (ou seja, X16 = 26,6, X46 = 35,4). Isto resulta num rendimento
de 52,6 toneladas de polpa (isto é, 0,85 x 26,6 + 0,85 x 35,4 = 52,6), que é todo dedicado
à produção de 50 toneladas de polpa de qualidade de impressão (0,95 x 52,6 = 50).
É importante para Nancy notar que este plano de produção exige o uso de todo o
suprimento de jornal, papel misto e papel branco de escritório, mas deixa cerca de 4,6
toneladas de papelão sobrando. Assim, ela deve ser capaz de reduzir ainda mais seus
custos totais adquirindo mais jornal, papel misto ou papel de escritório branco. Seria
sensato para ela ver se poderia trocar seu excesso de papelão por outro reciclador pelo
material que lhe falta.
O ponto aqui é que, com problemas generalizados de fluxo de rede, nem sempre é possível
dizer antes de resolver o problema se a oferta total é adequada para atender à demanda
total. Como resultado, você nem sempre sabe qual regra de equilíbrio de fluxo aplicar.
Quando o problema não é claro, é mais seguro assumir primeiro que toda a demanda pode
ser atendida e (de acordo com a regra do balanço de fluxo) usar restrições do formulário:
Fluxo de entrada - Saída ≥ Oferta ou Demanda. Se o problema resultante é inviável (e não
há erros no modelo!), Então sabemos que toda a demanda não pode ser satisfeita e (de
acordo com a regra do balanço de fluxo) usar restrições do formulário:
Sintetizando:
O problema de fluxo máximo parece ser muito diferente dos modelos de fluxo de rede
descritos anteriormente porque não inclui suprimentos ou demandas específicas para os
nós.
No entanto, você pode resolver o problema do fluxo máximo da mesma maneira que um
transbordo problema se você adicionar um arco de retorno do nó final ao nó inicial,
atribuir uma demanda de 0 a todos os nós na rede e tentar maximizar o fluxo sobre o arco
de retorno. A figura mostra essas modificações no problema.
Para entender a rede na figura, suponha que k unidades sejam enviadas do nó 6 para o nó
1 (onde k representa algum inteiro). Como o nó 6 tem um fornecimento de 0, ele pode
enviar k unidades para o nó 1 somente se essas unidades puderem ser retornadas pela rede
para o nó 6 (para balancear o fluxo no nó 6). As capacidades nos arcos limitam quantas
unidades podem ser retornadas ao nó 6. Portanto, o fluxo máximo através da rede
corresponde ao maior número de unidades que podem ser enviadas do nó 6 para o nó 1 e,
em seguida, retornadas através da rede para o nó 6 (para equilibrar o fluxo neste nó).
Podemos resolver um modelo PL para determinar o fluxo máximo maximizando o fluxo
do nó 6 para o nó 1, dados os limites superiores apropriados em cada arco e as restrições
usuais de balanço de fluxo. Este modelo é representado como:
MAX: X61
mostrada na Figura abaixo Como os arcos que levam ao nó 6 (X46 e X56) têm uma
capacidade total de 10 unidades de fluxo, pode ser surpreendente saber que apenas 9
unidades podem fluir pela rede. No entanto, a solução ótima mostrada na Figura abaixo
indica que o fluxo máximo através da rede é de apenas 9 unidades. Os fluxos ótimos
identificados na Figura abaixo para cada arco são mostrados nas caixas próximas às
capacidades de cada arco na Figura abaixo. Na Figura abaixo, o arco do nó 5 ao nó 6 está
em sua capacidade total de 4 unidades, enquanto o arco do nó 4 ao nó 6 é 1 unidade abaixo
de sua capacidade total de 6 unidades. Embora o arco do nó 4 ao nó 6 possa transportar 1
unidade adicional de fluxo, é impedido de fazê-lo porque todos os arcos que fluem para
o nó 4 (X24 e X34) estão com capacidade total.
B16 = B14 —
K6 =SUMIF($E$6:$E$14,I6,$B$6:$B$14) - K7:K11
SUMIF($C$6:$C$14,I6,$B$6:$B$14)
Por exemplo, a partir desse gráfico, podemos ver que, apesar de X24 e X34 estarem em
capacidade total, aumentar sua capacidade não aumentará necessariamente o fluxo
através da rede.
Aumentar a capacidade de X24 permitiria um aumento de fluxo através da rede, pois uma
unidade adicional poderia fluir do nó 1 para o nó 2 para o nó 4 para o nó 6. No entanto,
aumentar a capacidade do X34 não permitiria um aumento no total fluxo porque o arco do
nó 1 ao nó 3 já está na capacidade total.
Várias condições especiais podem surgir em problemas de fluxo de rede que exigem um
pouco de criatividade para modelar com precisão. Por exemplo, é fácil impor restrições
de fluxo mínimas ou máximas em arcos individuais nas redes, colocando os limites
inferior e superior apropriados nas variáveis de decisão correspondentes. No entanto, em
alguns problemas de fluxo de rede, requisitos mínimos ou máximos de fluxo podem se
aplicar ao fluxo total que emana de um determinado nó. Por exemplo, considere o
problema de fluxo de rede mostrado na figura abaixo. Agora suponha que o fluxo total
no nó 3 deva ser pelo menos 50 e o fluxo total no nó 4 deve ser pelo menos 60. Poderíamos
impor essas condições facilmente com as seguintes restrições:
X13 + X23 ≥ 50
X14 + X24 ≥ 60
Infelizmente, essas restrições não estão de acordo com a regra do balanço de fluxo e
exigiriam que impusemos restrições laterais ao modelo. Uma abordagem alternativa para
modelar esse problema é mostrada nas Figuras abaixo.
Dois nós e arcos adicionais foram inseridos na Figura 5.28. Observe que o arco do nó 30
para o nó 3 tem um limite inferior (LB) de 50. Isso garantirá que pelo menos 50 unidades
fluam para o nó 3. O nó 3 deve então distribuir esse fluxo para os nós 5 e 6. Similarmente,
o arco conectar o nó 40 ao nó 4 garante que pelo menos 60 unidades fluirão para o nó 4.
Os nós e arcos adicionais adicionados à Figura 5.28 às vezes são chamados de nós
simulados e arcos fictícios.
Como outro exemplo, considere a rede na parte superior da Figura acima, na qual o fluxo
entre dois nós pode ocorrer a dois custos diferentes. Um arco tem um custo de US $ 6 por
unidade de fluxo e um limite superior (U.B.) de 35. O outro arco tem um custo de US $
8 por unidade de fluxo sem limite superior na quantidade de fluxo permitida. Observe que
a solução de custo mínimo é enviar 35 unidades de fluxo do nó 1 para o nó 2 no arco de
US $ 6 e 15 unidades do nó 1 para o nó 2 no arco de US $ 8.
Para modelar este problema matematicamente, gostaríamos de ter dois arcos chamados
X12, porque ambos os arcos vão do nó 1 ao nó 2. No entanto, se ambos os arcos forem
chamados de X12, não há como diferenciar um do outro! A solução para esse dilema é
mostrada na parte inferior da Figura abaixo, na qual inserimos um nó fictício e um arco
fictício. Assim, existem agora dois arcos distintos fluindo para o nó 2: X12 e X10,2. O fluxo
do nó 1 para o nó 2 no arco de US $ 8 agora deve passar primeiro pelo nó 10.
Como último exemplo, observe que os limites superiores (ou restrições de capacidade)
nos arcos de um fluxo de rede podem limitar efetivamente a quantidade de suprimento
que pode ser enviada pela rede para atender à demanda. Como resultado, em um problema
de fluxo de rede com restrições de fluxo (limites superiores) nos arcos, às vezes é difícil
dizer antecipadamente se a demanda total pode ser atendida - mesmo que a oferta total
disponível exceda a demanda total.
Isso novamente cria um problema em potencial para saber qual regra de equilíbrio de
fluxo usar. Considere o exemplo na Figura abaixo.
A parte superior da Figura 5.30 mostra uma rede com um fornecimento total de 200 e
uma demanda total de 155. Como a oferta total parece exceder a demanda total, estamos
inclinados a aplicar a regra do balanço de fluxo que geraria restrições da demanda total.
formulário: Entrada - Saída ≥ Oferta ou Demanda. Esta regra de balanço de fluxo requer
que o fluxo total para os nós 3 e 4 seja maior ou igual às suas demandas de 75 e 80,
respectivamente. No entanto, os limites superiores nos arcos que levam ao nó 3 limitam
o fluxo total para esse nó a 70 unidades. Da mesma forma, o fluxo total no nó 4 é limitado
a 70. Como resultado, não há solução viável para o problema. Neste caso, não podemos
resolver a inviabilidade invertendo as restrições para que sejam da forma: Fluxo de saída
- Suprimento ou demanda. Embora isso permita menos do que a quantidade total exigida
para ser enviada para os nós 3 e 4, agora exige que todo o suprimento seja enviado dos
nós 1 e 2. Claramente, algumas das 200 unidades de fornecimento disponíveis dos nós 1
e 2 não terá para onde ir se o fluxo total nos nós 3 e 4 não puder exceder 140 unidades
(conforme exigido pelos limites superiores nos arcos). Uma solução para essa situação é
mostrada na metade inferior da Figura 5.30. Aqui, adicionamos um nó de demanda
fictício (nó 0) que é conectado diretamente aos nós 1 e 2 com arcos que impõem custos
muito grandes nos fluxos para o nó simulado. Observe que a demanda nesse nó simulado
é igual à oferta total na rede. Agora, a demanda total excede a oferta total, de modo que
a regra de equilíbrio de fluxo exige que utilizemos as restrições do formulário: Inflow -
Outflow ≤ Supply ou Demand. Novamente, isso permite que menos que a quantidade
total demandada seja enviada para os nós 0, 3 e 4, mas requer que todo o fornecimento
seja enviado dos nós 1 e 2. Devido aos grandes custos associados aos fluxos dos nós 1 e
2 para o nó de demanda fictício, o Solver garantirá que o máximo possível de
fornecimento seja enviado primeiro para os nós 3 e 4. Qualquer suprimento restante nos
nós 1 e 2 será enviado para o nó simulado. Naturalmente, os fluxos para o nó simulado
representam, na verdade, excesso de estoque ou estoque nos nós 1 e 2 que, na verdade,
não seriam enviados para nenhum lugar nem incorreriam em nenhum custo. Mas usar um
nó simulado dessa maneira nos permite modelar e resolver o problema com precisão.
entrada para os nós 3 e 4 para ser maior ou igual às suas demandas de 75 e 80,
respetivamente. No entanto, os limites superiores nos arcos que levam ao nó 3 limitam o
fluxo total para esse nó a 70 unidades. Da mesma forma, o fluxo total no nó 4 é limitado
a 70. Como resultado, não há solução viável para o problema. Neste caso, não podemos
resolver a inviabilidade invertendo as restrições para que sejam da forma: Fluxo de saída
- Suprimento ou demanda. Embora isso permita menos do que a quantidade total exigida
para ser enviada para os nós 3 e 4, agora exige que todo o suprimento seja enviado dos
nós 1 e 2. Claramente, algumas das 200 unidades de fornecimento disponíveis dos nós 1
e 2 não terá para onde ir se o fluxo total nos nós 3 e 4 não puder exceder 140 unidades
(conforme exigido pelos limites superiores nos arcos).
Uma solução para essa situação é mostrada na metade inferior da Figura 5.30. Aqui,
adicionamos um nó de demanda fictício (nó 0) que é conectado diretamente aos nós 1 e
2 com arcos que impõem custos muito grandes nos fluxos para o nó simulado. Observe
que a demanda nesse nó simulado é igual à oferta total na rede. Agora, a demanda total
excede a oferta total, de modo que a regra de equilíbrio de fluxo exige que utilizemos as
restrições do formulário: Inflow - Outflow ≤ Supply ou Demand. Novamente, isso
permite que menos que a quantidade total demandada seja enviada para os nós 0, 3 e 4,
mas requer que todo o fornecimento seja enviado dos nós 1 e 2. Devido aos grandes custos
associados aos fluxos dos nós 1 e 2 para o nó de demanda fictício, o Solver garantirá que
o máximo possível de fornecimento seja enviado primeiro para os nós 3 e 4. Qualquer
Nós e arcos fictícios podem ser úteis na modelagem de várias situações que ocorrem
naturalmente em problemas de rede. As técnicas ilustradas aqui são três “truques do
comércio” na modelagem de redes e podem ser úteis em alguns dos problemas no final
deste capítulo.
Jon Fleming é responsável pela criação de uma rede local (LAN) no departamento de
engenharia de projetos da Windstar Aerospace Company. Uma LAN consiste em vários
computadores individuais conectados a um computador centralizado ou servidor de
arquivos. Cada computador na LAN pode acessar informações do servidor de arquivos e
se comunicar com os outros computadores na LAN.
Instalar uma LAN envolve conectar todos os computadores junto com os cabos de
comunicação. Nem todo computador precisa estar conectado diretamente ao servidor de
arquivos, mas deve haver algum link entre cada computador na rede. A figura abaixo
resume todas as conexões possíveis que Jon poderia fazer. Cada nó nesta figura representa
um dos computadores a serem incluídos na LAN. Cada linha que conecta os nós
representa uma conexão possível entre pares de computadores. O valor em dólar em cada
linha representa o custo de fazer a conexão.
Os arcos na figura abaixo não têm orientação direcional específica, indicando que a
informação pode se mover em qualquer direção através dos arcos. Observe também que
os links de comunicação representados pelos arcos ainda não existem. O desafio de Jon é
determinar quais links estabelecer. Como a rede envolve n = 6 nós, uma árvore geradora
para esse problema consiste em n - 1 = 5 arcos que resulta em um caminho existente entre
qualquer par de nós. O objetivo é encontrar a árvore de abrangência mínima (menos
onerosa) para esse problema.
Representação de rede para o problema de árvore de expansão mínima da Windstar Aerospace Company .
Você pode aplicar um algoritmo simples para resolver problemas de árvore de expansão
mínima. Os passos para este algoritmo são:
2. Adicione à sub-rede atual o arco mais barato que conecta qualquer nó dentro da sub-
rede atual a qualquer nó que não esteja na sub-rede atual. (Os laços para o arco mais
barato podem ser quebrados arbitrariamente.) Chame isso de sub-rede atual.
3. Se todos os nós estiverem na sub-rede, pare; esta é a solução ideal. Caso contrário,
retorne ao passo 2.
Você pode programar este algoritmo facilmente ou, para problemas simples, executá-lo
manualmente. As etapas a seguir ilustram como executar o algoritmo manualmente para
o problema de exemplo mostrado na figura acima.
Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-
passo 2.
Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-
Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-
Etapa 3. Dois nós (nós 2 e 4) permanecem desconectados - portanto, retorne para a etapa
2.
Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-
Etapa 2. O arco mais barato que conecta a sub-rede atual a um nó que não esteja na sub-
Etapa 3. Todos os nós agora estão conectados. Pare; a sub-rede atual é ótima.
As figuras abaixo mostram a árvore de expansão ótima (mínima) gerada por esse
algoritmo.
Resumo
Embora existam algoritmos especiais para resolver problemas de fluxo de rede, você
também pode formular e resolvê-los como problemas de PL. As restrições em uma
formulação PL de um problema de fluxo de rede têm uma estrutura especial que permite
implementar e resolver esses modelos facilmente em uma planilha. Embora possa haver
maneiras mais eficientes de resolver problemas de fluxo de rede, os métodos discutidos
neste capítulo são geralmente os mais práticos. Para problemas extremamente complexos
de fluxo de rede, talvez seja necessário usar um algoritmo especializado. Infelizmente, é
improvável que você encontre esse tipo de software em sua loja de software local. No
entanto, vários pacotes de otimização de rede podem ser encontrados nos diretórios
técnico / científicos na Internet.