Baixe o app para aproveitar ainda mais
Prévia do material em texto
201759 Iniciação Científica http://prope.unesp.br/pibic/orientador/form_avaliacao.php 1/1 Orientador DANIELA RENATA CANTANE Início Trocar Senha Editar dados Meus Pedidos Envio do relatório final Formulário de Avaliação do Relatório Parcial da Bolsa pelo Orientador Substituições Cancelamentos / Suspensões Sair Programa Institucional de Bolsas de Iniciação Científica Orientador Envio do relatório final dos projetos Lista de pedidos Não existe pedidos para entrega do Relatório. Lista Pedidos Avaliados 35837 Uma Abordagem da Otimização no Plano de Tratamento por Radiação com o Auxílio de Imagem (JULIANA CAMPOS DE FREITAS) (17/05/2015 Nova) Status após análise do parecerista: Não Aprovado Analise: Texto de dificil leitura, com frases desconexas e estrutura nao linear, alem de diversos erros gramaticais. A Secao 1 apresenta alguns termos sem a devida explicacao (Gy, voxel, dose de deslize quadratica/minima). A Secao 2 apresenta conceitos basicos de Programacao Linear. Entretanto, os autores deveriam ser mais cuidadosos para nao cometerem erros que colocam em duvida o conhecimento dos mesmos sobre os conceitos envolvidos. Como exemplo, o par primaldual de um problema de programacao linear sempre assume os problemas expressos na forma canonica: se o problema primal e de minimizacao entao as restricoes apresentam desigualdades do tipo maior ou igual; se as restricoes forem de igualdade, as variaveis correspondentes no problema dual serao irrestritas. A Secao 3 poderia ser melhor organizada, com cada passo correspondendo a uma sub secao. O simbolo <> nao e adequado para representar valores medios. No inicio da Secao 4.2.1 os autores apresentam uma variavel (w) que nao aparece em nenhuma das formulacoes apresentadas a seguir. O Exemplo 4.1 apresenta conceitos equivocados. A Secao 6 apresenta os resultados obtidos para 3 casos teste disponiveis no software CERR, apresentado na Secao 5. Nao ficou claro no trabalho como os metodos propostos na Secao 4 foram adaptados para resolver o problema em questao, parecendo que o proposito do estudo desviou para o uso de um software existente em vez de demonstrar a aplicacao de tecnicas de Pesquisa Operacional a um importante problema da area da Saude. Verificação: Nao ficou claro no trabalho a forma como os metodos propostos foram adaptados para resolver o problema em questao, parecendo que o proposito do estudo desviou para o uso de um software existente em vez de demonstrar a aplicacao de tecnicas de Pesquisa Operacional a um importante problema da area da Saude. 35369 Métodos de Programação Linear para Resolução do Planejamento de Tratamento de Câncer por Radiação (PAULO ZAGO LEONEL) (15/05/2015 Nova) Status após análise do parecerista: Não Aprovado Analise: O projeto trata de um problema de grande interesse, tanto pela interdisciplinaridade quanto pelo impacto social. O objetivo do projeto consistia na implementacao de metodos de resolucao para o problema de planejamento do tratamento de cancer por radioterapia, por meio de tecnicas do ambito da Pesquisa Operacional, como o Metodo Simplex, metodo de pontos interiores, entre outros. Tambem seriam abordadas tecnicas que explorassem particularidades da estrutura matricial do problema. O Relatorio Final, em suas 20 paginas, apresenta apenas uma linha mencionando o uso de Programacao Linear para descrever modelos para o tratamento de cancer por radiacao. A maior parte do relatorio consiste de uma extensa, desnecessaria e falha apresentacao de conceitos basicos de Programacao Linear, deixando duvidas sobre o dominio do assunto por parte do orientador e/ou do aluno. Faltou pelo menos um capitulo contendo um levantamento bibliografico sobre aplicacoes anteriores de tecnicas de Pesquisa Operacional a problemas assemelhados ou relacionados. Ha apenas um breve capitulo dedicado ao tema do projeto, cujo conteudo nao apresenta nenhuma evidencia dos objetivos iniciais propostos. A secao Conclusao consiste de novos objetivos para um possivel prosseguimento do projeto, mas os resultados alcancados no presente projeto deixam duvidas sobre o sucesso da pesquisa futura. Verificação: As atividades propostas no projeto consistiam em leitura de artigos e capitulos de livros relacionados com o tema do projeto, visando aprofundar e ampliar os conhecimentos em relacao ao tratamento de cancer por radioterapia; estudo aprofundado da resolucao de problemas de otimizacao linear, e; investigacao e implementacao de metodos para resolucao do problema de tratamento de cancer por radioterapia. Dos 7 capitulos do Relatorio Final apenas um aborda o assunto principal do projeto, e ainda assim de forma muito superficial, mesmo para um projeto de iniciacao cientifica. Nao ha indicios de que qualquer pesquisa bibliografica envolvendo o uso de modelos de otimizacao lineares ou nao no tratamento de cancer por radiacao, tenha sido realizado. Dessa forma, a realizacao das atividades seguintes tornase impraticavel. Iniciação Científica Home Portal UNESP Acesso Restrito Iniciação CientíficaIniciação Científica UNIVERSIDADE ESTADUAL PAULISTA "JÚLIO DE MESQUITA FILHO" Sistema PIBIC Início | Acesso Restrito http://prope.unesp.br/pibic/orientador/index.php http://prope.unesp.br/pibic/troca_senha.php http://prope.unesp.br/pibic/orientador/editar_dados.php http://prope.unesp.br/pibic/orientador/pedidos_de_bolsa.php http://prope.unesp.br/pibic/orientador/form_avaliacao.php http://prope.unesp.br/pibic/orientador/envio_relat_parcial.php http://prope.unesp.br/pibic/orientador/substituicoes.php http://prope.unesp.br/pibic/orientador/cancelamentos.php http://prope.unesp.br/pibic/logoff.php http://prope.unesp.br/pibic/orientador/form_avaliacao.php http://prope.unesp.br/pibic/index.php http://www.unesp.br/ http://prope.unesp.br/pibic/acesso_restrito.php http://www.unesp.br/ http://prope.unesp.br/pibic/orientador/index.php http://prope.unesp.br/pibic/orientador/acesso_restrito.php PIBIC processo no. 35369 Métodos de Programação Linear para Resolução de Planejamento de Tratamento de Câncer por Radiação Aluno: Paulo Zago Leonel Curso: F́ısica Médica Orientadora: Profa Daniela Renata Cantane Instituto de Biociências Departamento de Bioestat́ıstica IBB - UNESP - Botucatu Conteúdo 1 Introdução 2 1.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 A Pesquisa Operacional - PO 2 2.1 Solução do modelo de PO . . . . . . . . . . . . . . . . . . . . 4 3 A Programação Linear - PL 4 3.1 Razões para o uso da Programação Linear . . . . . . . . . . . 5 3.2 A Modelagem com Programação Linear - PL . . . . . . . . . . 5 3.3 Passos para a resolução de um problema de Programação Li- near - PL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 4 O Método Simplex 12 4.1 Transição da solução gráfica para a solução algébrica . . . . . 12 4.2 Determinação algébrica dos pontos extremos . . . . . . . . . . 13 4.3 Método Simplex . . . . . . . . . . . . . . . . . . . . . . . . . . 13 4.3.1 Passos para resolução de problemas pelo Método Simplex 13 5 Solução de problema de Programação Linear - SOLVER 14 6 Planejamento de Tratamento de Câncer por Radiação 17 6.1 O Modelo de Programação Linear para Radioterapia . . . . . 17 7 Conclusão 19 1 1 Introdução Este relatório descreve as atividades realizadas pelo aluno, na categoria de graduação em F́ısica Médica, no Instituto de Biociências, Departamento de Bioest́ıstica da UNESP do Câmpus de Botucatu, através do programa de Iniciação Cient́ıfica sem bolsa do PIBIC. As Seções 2, que contém uma introdução sobre Pesquisa Operacional, 3, que refere-se a Programação Linear, contendo um conjunto de problemas, 4, que apresenta o Método Simplex, sendo este a solução algébrica de um problema de PL, e a seção 5, que mostra a solução de um problema de PL pelo software computacional Excel Solver. As Seções 6 apresenta o motido do estudo eo modelo de programação linear estudado e a 7 informa as con- clusões, quais poderiam ser os próximos passos e como seria a implementação do modelo analisado. Por último encontram-se as referências bibliográficas usadas como base para esse relatório. 1.1 Objetivos Do ponto de vista matemático, o desafio consiste em emitir uma alta do- sagem de radiação no tumor, suficiente para sua eliminação e minimizar a radiação nas regiões vizinhas compostas de tecido saudável, reduzindo ao máximo as complicações nestas regiões que são muitas vezes cŕıticas. Dessa forma, esse projeto tem como objetivo estudar um problema de otimização através da modelagem matemática aplicado ao tratamento de câncer por radioterapia.[11] 2 A Pesquisa Operacional - PO A Pesquisa Operacional é uma ciência aplicada voltada para a resolução de problemas reais. Tendo como foco a tomada de decisões, aplica conceitos e métodos de várias áreas cient́ıficas na concepção, planejamento ou operação de sistemas. A Pesquisa Operacional é usada para avaliar linhas de ação alternativas e encontrar as soluções que melhor servem aos objetivos dos indiv́ıduos ou organizações. Através de desenvolvimentos de base quantitativa, a Pesquisa Operaci- onal visa também introduzir elementos de objetividade e racionalidade nos processos de tomada de decisão, sem descuidar, no entanto, dos elementos subjetivos e de enquadramento organizacional que caracterizam os proble- mas. A Pesquisa Operacional surgiu durante a Segunda Guerra Mundial, da 2 necessidade de lidar com problemas de natureza loǵıstica, tática e de es- tratégia militar de grande dimensão e complexidade. Para apoiar os coman- dos operacionais na resolução desses problemas, foram então criados grupos multidisciplinares de matemáticos, f́ısicos, engenheiros e cientistas sociais. Esses cientistas não fizeram mais do que aplicar o método cient́ıfico, que tão bem conheciam, aos problemas que lhes foram sendo colocados. Desenvolve- ram então, a ideia de criar modelos matemáticos, apoiados em dados e fatos, que lhes permitissem perceber os problemas em estudo e simular e avaliar o resultado hipotético de estratégias ou decisões alternativas. O sucesso e credibilidade ganhos durante a guerra foram tão grandes que, terminado o conflito, esses grupos de cientistas e a sua nova metodo- logia de abordagem dos problemas se transferiram para as empresas que, com o avanço econômico que se seguiu, se viram também confrontados com problemas de decisão de grande complexidade. Em alguns páıses, em que prevaleceu a preocupação com os fundamentos teóricos, a Pesquisa Operaci- onal se desenvolveu sob o nome de Ciência da Gestão ou Ciência da Decisão e em outros, em que predominou a ênfase nas aplicações, tendo o nome de Engenharia Industrial ou Engenharia de Produção. Seguiram-se então grandes desenvolvimentos técnicos e metodológicos que hoje, com o apoio de meios computacionais de crescente capacidade e disse- minação, nos permitem trabalhar enormes volumes de dados sobre as ativida- des, não apenas das empresas, mas, também de instituições do setor público dentro e fora da área econômica. Tangente ao seu caráter multidisciplinar, a Pesquisa Operacional é uma disciplina cient́ıfica de caracteŕısticas horizontais com suas contribuições estendendo-se por praticamente todos os domı́nios da atividade humana, da Engenharia a Medicina, passando pela Economia e a Gestão Empresarial. Portanto, modelos de Pesquisa Operacional são elaborados para otimizar um critério objetivo espećıfico sujeito a um conjunto de restrições, mas a qualidade da solução resultante depende do quanto o modelo reprenta um sistema real.[1, 2]. Um estudo de pesquisa operacional envolve seis fases: 1. Formulação do problema; 2. Constrção do modelo do sistema; 3. Cálculo da solução através do modelo; 4. Teste do modelo e da solução; 5. Estabelecimento de controles da solução; 3 6. Implantação e acompanhamento. 2.1 Solução do modelo de PO Em PO, não temos uma única técnica para resolver todos os modelos ma- temáticos que podem surgir na prática. Em vez disso, o tipo e a complexidade do modelo matemático é que determinam a natureza do método de solução. Dentre os métodos utilizados para a solução de um modelo de PO e que serão apresentados neste relatório temos a representação gráfica e o Método Simplex, em que nesse último se encaixa o solução Excel Solver. Entretanto, a técnica mais utilizada em PO é a programação linear, que é aplicada a modelos cujas funções objetivo e restrição são lineares. Outras técnicas são a programação inteira, a dinâmica, a não linear e a otimização em redes. Mas para esse treinamento só trabalhamos com a programação linear[1, 2]. Programação Linear e seus métodos de resolução serão discorri- dos na seção a seguir. 3 A Programação Linear - PL Como dito anteriormente, a Programação Linear é uma das técnicas da Pes- quisa Operacional das mais utilizadas em se tratando de problemas de oti- mização. Os problemas de Programação Linear (PL) buscam a distribuição eficiente de recursos limitados para atender um determinado objetivo, em geral, maximizar lucros ou minimizar custos. Em se tratando de PL, esse objetivo é expresso através de uma função linear, denominada de função objetivo. É necessário também que se defina quais as atividades que consomem recursos e em que proporções os mesmos são consumidos. Essas informações são apresentadas em forma de equação e/ou inequações lineares, uma para cada recurso. Ao conjunto dessas equações e/ou inequações, denomina-se Restrições do Modelo (sujeito a - s.a.). Normalmente se tem inúmeras maneiras de distribuir os recursos escassos entre as diversas atividades em estudo, bastando para com isso que essas distribuições estejam coerentes com as restrições do modelo. No entanto, o que se busca, num problema PL é a função objetivo, isto é, a maximização do lucro ou a minimização dos custos. A essa solução dá-se o nome de solução ótima. Assim, a Programação linear se incube de achar a solução ótima de um problema, uma vez definida o modelo linear, ou seja, a função objetivo e as restrições lineares. Algumas razões para o uso de PL são descritas a seguir[1, 2, 7]. 4 3.1 Razões para o uso da Programação Linear 1. Grande variedade de situações podem ser aproximadas por modelos lineares; 2. Existência de técnicas (algoritmos) eficientes para a solução de modelos lineares; 3. Possibilidade de realização de análise de sensibilidade nos dados do modelo; 4. Estágio de desenvolvimento da tecnologia computacional. 3.2 A Modelagem com Programação Linear - PL Um problema de otimização linear é composto por variáveis de decisão ou simplesmente variáveis xj, j = 1, . . . , n por uma função objetivo linear φ(x) = c1x1 + c2x2 + . . . + cnxn que deve ser maximizada ou minimizada em um conjunto de restrições lineares. Estas restrições constituem igualda- des ou desigualdades formadas por combinações lineares entre as variáveis de decisão: a1x1 + a2x2 + . . .+ anxn = β a1x1 + a2x2 + . . .+ anxn ≤ β a1x1 + a2x2 + . . .+ anxn ≥ β Temos que é fácil converter as restrições de uma forma para outra. Considere a equação a1x1+a2x2+ . . .+anxx = β , podemos tranformá-la em duas desigualdades: a1x1 + a2x2 + . . .+ anxx ≤ β a1x1 + a2x2 + . . .+ anxx ≥ β Agora, vamos adotar a seguinte forma denominada forma padrão de um problema de otimização linear: max c1x1 + c2x2 + . . .+ cnxn s.a. a11x1 + a12x2 + . . .+ a1nxn ≤ b1 a21x1 + a22x2 + . . .+ a2nxn ≤ b2 ... am1x1 + am2x2 + . . .+ amnxn ≤ bm (x1, x2, . . . , xn) ≥ 0 , 5 em que m é o número de restrições e n é o número de variáveis. As definições a seguir são importantes no entendimento de PL, de modo que serão exsenciais na aplicaçãoem problemas reais e práticos, como nos exemplos que serão apresentados. Definição 3.1 (Variáveis) O modelo de programação linear, como qual- quer modelo de pesquisa operacional, tem três componentes básicos: 1. Variáveis de decisão que procuramos determinar; 2. Objetivo (meta) que precisamos otimizar (maximizar ou minimizar); 3. Restrições que a solução deve satisfazer. Definição 3.2 (Solução Fact́ıvel) Uma solução fact́ıvel para um problema de programação linear é um vetor x pertencente aos reais que satisfaz as restrições principais e não negatividades. Definição 3.3 (Solução Básica) Uma solução básica é o único vetor de- terminado pela escolha de uma matriz básica, fazendo as nxm variáveis asso- ciadas as colunas que não estão na matriz básica iguais a zero, e resolvendo o sistema (não singular) de equações para as m variáveis restantes. Definição 3.4 (Solução Ilimitada) Uma solução ilimitada é aquela em que a função objetivo pode crescer (caso da maximização) ou decrescer (caso da minimização), indefinidamente, atendendo a todas as restrições do pro- blema. Definição 3.5 (Solução Infaćıvel) Uma solução infact́ıvel é uma solução em que alguma das restrições de não-negatividade não são atendidas. Definição 3.6 (Solução Ótima) Havendo solução posśıvel e não havendo solução ilimitada, a solução ótima é a solução posśıvel que otimiza a função objetivo. Nesse caso, poderá haver uma ou infinitas soluções ótimas, isto é, havendo mais de uma solução ótima, haverá infinitas soluções ótimas. 3.3 Passos para a resolução de um problema de Pro- gramação Linear - PL Os passos para a resolução de um problema de Programação Linear são: 1. Organizar dados; 6 Tabela 1: Consumo de 1t por hora de cada uma das duas categorias de carvão. Carvão Descarga de S(ppm) Descarga fumaça(lb/h) Vapor gerado(lb/h) C1 1800 2,1 12000 C2 2100 0,9 9000 2. Escolher as variáveis; 3. Definir a solução objetivo; 4. Escrever as restrições; 5. Encontrar a solução ótima. Para demonstrar como são aplicados os passos para a resolução de um problema de Programação Linear, seguem exemplos em que foram utilizados. Exemplo 3.1 Uma usina produz energia através de turbinas de calor. Como o Estado onde está localizada a usina é rico em depósito de carvão, ela uti- liza desse recurso para a geração de vapor. No entanto, isso pode resultar em emissões que não cumprem os padrões da Agência de Proteção Ambien- tal. As regulamentações da agência limitam a descarga de dióxido de enxofre a 2000 partes por milhão por tonelada de carvão queimado e a descarga de fumaça pelas chaminés da usina a 20lb por hora. A usina recebe duas ca- tegorias de carvão pulverizado, C1 e C2. As duas categorias costumam ser misturadas antes da queima. Os dados da Tabela 1 são baseados no consumo de 1t por hora de cada uma das duas categorias de carvão. Qual é o mix ótimo para a mistura das duas categorias de carvão? Resolução: O primeiro passo é formular o problema a fim de identificar a função ob- jetivo e as restrições. As quantidades em toneladas de dois tipos de carvão, C1 e C2, podem ser representadas assim: x1 = toneladas de C1 por hora; x2 = toneladas de C2 por hora. 7 A função objetivo deve considerar a quantidade de vapor gerado por cada tipo de carão e as taxas de descarga de fumaça e de enxofre. Assim, para otimizar a função, isto é, maximizar o resultado, temos: φ(x1, x2) = 12000x1 + 9000x2 Identificando as restrições que estão envolvendo o sistema: 1. Restrições: Limite de descarga de enxofre: −200x1 + 100x2 ≤ 0 Descarga de fumaça de C1 e C2: 2, 1x1 + 0, 9x2 ≤ 20 2. Condições obrigatórias: x1, x2 ≥ 0 Dessa forma, o problema geral será: max φ(x1, x2) = 12000x1 + 9000x2 s.a. −200x1 + 100x2 ≤ 0 2, 1x1 + 0, 9x2 ≤ 20 x1, x2 ≥ 0 Exemplo 3.2 Uma empresa fabrica dois produtos, A e B. O volume de ven- das de A é de no mı́nimo 80% do total de venda de ambos (A e B). Contudo, a empresa não pode vender mais do que 100 unidades de A por dia. Ambos os produtos usam um matéria prima cuja disponibilidade máxima diária é de 240 lb. As taxas de utilizaa̧ão de matéria prima são de 2 lb por unidade de A e 4 lb por unidade de B. Os lucros unitários para A e B são $20 e $50, respectivamente. Determine o mix de produto ótimo para a empresa. Resolução: O primeiro passo é formular o problema a fim de identificar a função objetivo e as restrições. As quantidades dos produtos A e B podem ser repre- sentadas assim: x1 = número de unidades de A; x2 = número de unidades de B. 8 Tabela 2: Preços, custos e despesas dos produtos. Produto Preço de venda($) Custo e despesa variáveis($) Produto Alfa 100 50 Produto Beta 200 100 Produto Delta 500 250 Produto Gama 1000 500 Produto Sigma 800 650 A função objetivo deve considerar os lucros unitários de cada produto e as taxas de utilizaa̧ão de matéria prima. Assim, para otimizar a função, isto é, maximizar o resultado, temos: φ(x1, x2) = 20x1 + 50x2 Identificando as restrições que estão envolvendo o sistema: 1. Restrições: Volume de venda do produto A: 0, 8x1 + 0, 8x2 = x1 Taxa de uso de matéria prima: −0, 2x1 + 0, 8x2 ≤ 2x1 + 4x2 ≤ 240 Venda por dia do produto A: x1 ≤ 100 2. Condições obrigatórias: x1, x2 ≥ 0 Logo, o problema completo ficaria dessa maneira: max φ(x1, x2) = 20x1 + 50x2 s.a. x1 = 0, 8x1 + 0, 8x2 −0, 2x1 + 0, 8x2 ≤ 2x1 + 4x2 ≤ 240 x1 ≤ 100 x1, x2 ≥ 0 Exemplo 3.3 Uma empresa produz e vende cinco produtos. Os preços, cus- tos e despesas estão relacionados na Tabela 2: A partir do mês de junho, a empresa formalizou um contrato de entrega de 1.000 produtos Alfa, projetando a venda máxima de mais 4.000 unidades 9 Tabela 3: Preços, custos e despesas dos produtos. Uso da máq. Uso da máq. Uso da máq. Produto Dpto. A Dpto. B Dpto. C Produto Alfa 1 2 1 Produto Beta 2 1 1 Produto Delta 4 2 3 Produto Gama 15 10 5 Produto Sigma 10 6 4 Hs. máq. dispońıvel 3000 3800 2700 do produto, para os meses seguintes. O produto Sigma é fabricado especial- mente para atender o mercado exterior e é vendido para um cliente espećıfico, numa quantidade fixa de 120 unidades por mês. Os outros três produtos (Beta, Delta e Gama), têm grande procura, de modo que qualquer quanti- dade produzida é absorvida pelo mercado. O processamento de fabricação passa por três departamentos, cuja produçâo é limitada pela utilização de horas-máquinas dispońıveis. Na Tabela 3, é apresentado os coeficientes de utilização por unidade produzida de cada produto. Os custos e despesas fixos para o mês de junho deve atingir $100.000. A gerência administrativa da empresa quer conhecer qual deve ser a produção desse mês, em termos de combinação dos cinco produtos que venham a apre- sentar o melhor resultado operacional posśıvel (maior lucro), nas condições de produção, custos, despesas e vendas programadas. Resolução: O primeiro passo é formular o problema a fim de identificar a função ob- jetivo e as restrições. As quantidades produzidas e vendidas de cada produto podem ser representadas assim: X1 = Quantidade produzida e vendida dos produtos Alfa; X2 = Quantidade produzida e vendida dos produtos Beta; X3 = Quantidade produzida e vendida dos produtos Delta; X4 = Quantidade produzida e vendida dos produtos Gama; X5 = Quantidade produzida e vendida dos produtos Sigma. A função objetivo deve considerar as margens de contribuição unitária 10 de cada produto e os custos de despesas variáveis. Assim, para otimizar a função, isto é, maximizar o resultado, temos: φ(x1, x2, x3, x4, x5) = 50x1 + 100x2 + 250x3 + 200x4 + 150x5 Identificando as restrições que estão envolvendo o sistema: 1. Restrições de demanda: Qtde. a ser vendida em junho de Alfa: x1 ≥ 1000 Qtde. máx. a ser vendida nos próximos meses de Alfa: x1 ≤ 500 Qtde. fixa de vendade Sigma: x5 = 1200 2. Restrições de capacidade fabril: Hs Máq. dispońıveis no Depto A: x1 + 2x2 + 4x3 + 15x4 + 10x5 ≤ 300 Hs Máq. dispońıveis no Depto B: 2x1 + x2 + 2x3 + 10x4 + 6x5 ≤ 3800 Hs Máq. dispońıveis no Depto C: x1 + x2 + 3x3 + 5x4 + 4x5 ≤ 2700 3. Condições obrigatórias: x1, x2, x3, x4, x5 ≥ 0 Então, o problema completo seria: max φ(x1, x2, x3, x4, x5) = 50x1 + 100x2 + 250x3 + 200x4 + 150x5 s.a. x1 + 2x2 + 4x3 + 15x4 + 10x5 ≤ 300 2x1 + x2 + 2x3 + 10x4 + 6x5 ≤ 3800 x1 + x2 + 3x3 + 5x4 + 4x5 ≤ 2700 x1 ≥ 1000 x1 ≤ 500 x5 = 1200 x1, x2, x3, x4, x5 ≥ 0 Para encontrar as soluções ótimas para os exemplos de problemas de Pro- gramação Linear, 3.1, 3.2 e 3.3, pode-se utilizar um software computacional, o Excel Solvel. 11 4 O Método Simplex Nas formulações anteriores, problemas com mais de duas variáveis não po- deriam ser solucionados com o método gráfico. Desta forma é necessário o estudo de outro procedimento para a busca de soluções. Agora, será apre- sentado mais um procedimento geral para resolução de problemas de Pro- gramação Linear, denominado Método Simplex e que foi desenvolvido em 1947 por George B. Dantzig. O método simplex é um método interativo (algoritmo) utilizado para achar, algebricamente, a solução ótima de um problema de P.L. Em vez de enumerar todas a soluções básicas (pontos extremos) do pro- blema de programação linear, o método simplex investiga somente algumas dessas soluções selecionadas. Portanto o método simplex tenta passar de um ponto extremo na região de soluções para um ponto extremo melhor até achar a solução ótima. Para compreendermos o método simplex, é entendermos a representação gráfica de um problema de otimização linear, pois usamos essa representação para encontrarmos a solução ótima a partir dos vértices[1, 2]. 4.1 Transição da solução gráfica para a solução algébrica A transição da solução gráfica para a solução algébrica é realizada através de 3 passos, tanto para o método gráfico quanto para o método algébrico[1, 2]. Método gráfico: 1. Represente todas as restrições em gráfico, entre elas as restrições de não negatividade. Região de soluções consiste em um número infinito de pontos viáveis. 2. Identifique os pontos extremos viáveis da região de soluções. Candida- tos a solução ótima são dados por um número finito de pontos extremos. 3. Use a função objetivo para determinar o ponto extremo ótimo entre todos os candidatos. Método algébrico: 1. Represente a região de soluções por m equações em n variáveis e res- trinja todas as variáveis a valores não negativos. O sistema tem um número infinito de soluções viáveis. 12 2. Determine as soluções básicas viáveis das equações. Candidatas a solução ótima são dados por um número finito de soluções básicas viáveis. 3. Use a função objetivo para determinar a solução básica viável ótima entre todas as candidatas. 4.2 Determinação algébrica dos pontos extremos Em um conjunto de m,n equações, com m menor que n, se igualarmos as n−m variáveis a zero, e depois resolvermos asm equações para asm variáveis restantes, a solução resultante, se for única, é denominada solução básica e deve corresponder a um ponto extremo (viável ou inviável) da região de soluções. 4.3 Método Simplex O método simplex encontra um vétice ótimo na representação gráfica pes- quisando apenas um subconjunto (em geral pequeno) dos K vértices. Para construir um método de resolução de um problema de otimização linear, de- vemos responder a duas perguntas-chave: Dada uma solução básica fact́ıvel (candidata a solução ótima) temos que fazer as seguintes indagações: 1. Essa solução é ótima? 2. Caso não seja ótima, como determinar uma outra solução básica fact́ıvel melhor? 4.3.1 Passos para resolução de problemas pelo Método Simplex Para iniciarmos o Método Simplex necessita-se de uma solução básica viável inicial, a qual é, um dos pontos extremos. Este método verifica se a presente solução é ótima. Se esta não for é porque um dos demais pontos extremos adjacentes (vértice) fornecem valor menor para a função objetivo que a atual, quando o problema considerado é de minimização. Ele então faz uma mu- dança de vértice na direção que mais aumente a função objetivo e verifica se este novo vértice é ótimo. O processo termina quando estando num ponto extremo, todos os outros pontos extremos adjacentes fornecem valores menores para a função objetivo. Portanto, a troca de vértice, faz uma variável não básica diminuir(assumir valor negativos) ao mesmo tempo em que zera uma variável básica (para 13 possibilitar a troca) conservando a factibilidade do Problema de Programação Linear. Para isso, escolhemos uma variável, cujo custo relativo é mais negativo (não é regra geral), para entrar na base, e as trocas de vértices são feitas até que não exista mais nenhum custo relativo negativo. A variável que sairá da base é aquela que ao se anular garante que as demais continuem maiores ou iguais a zero, quando aumentamos o valor da variável que entra na base (respeitando a factibilidade)[1, 2]. O Método Simplex compreenderá, portanto, os seguintes passos: 1. Achar uma solução fact́ıvel básica inicial; 2. Verificar se a solução atual é ótima. Se for, pare. Caso contrário, siga para o passo 3. 3. Determinar a variável não básica que deve entrar na base; 4. Determinar a variável básica que deve sair da base; 5. Atualizar o sistema a fim de determinar a nova solução fact́ıvel básica, e voltar ao passo 2. Para problemas em que não é posśıvel encontrar uma solução pelo método agébrico existem softwares computacionais, estando relacionados com oMétodo Simplex, pois trata-se de problemas lineares, que auxiliam na resolução des- ses problemas, como por exemplo, a planilha eletrônica Solver que é re- comendável para problemas considerados médios. Os detalhes sobre esse método serão tratados a seguir, assim como as soluções dos Exemplos 3.1, 3.2 e 3.3, respectivamente. 5 Solução de problema de Programação Li- near - SOLVER Como já mencionado, para a solução de um problema de Programação Linear de maior porte, em que muitas variáveis e restrições devem ser consideradas, é recomendado o aux́ılio de um software computacional. Por isso, o desenvol- vimento de algoritmos computacionais eficientes e precisos tem sido a maior preocupação entre os pesquisadores. Programas adequados existem, virtual- mente, para cada sistema computacional comercial desenvolvido nos últimos 20 anos. 14 Problemas de grande porte requerem sistemas computacionais potentes e, portanto, sistemas paralelos tem sido utilizados nos últimos anos. Entre- tanto, problemas menores podem ser resolvidos em um computador pessoal utilizando um dos softwares desenvolvidos para resolução de problemas de Programação Linear, como por exemplo a planilha Excel Solver. Na prática, quando os modelos t́ıpicos de programação linear podem en- volver milhares de variáveis e restrições, o único modo viável de resolver tais modelos é usar o computador. Um software popular que pode ser utilizado para esses tipos de problemas e para usuários de panilhas é o Excel Solver. Com o Excel Solver, a planilha é o meio de entrada e sáıda para a pro- gramação linear. O processo de resolução de modelos matemáticos utlizando o Solver da panilha Excel compreende, basicamente, em 3 fases: 1. Descrição do Modelo: inserção de todos os parâmetros do problema, valores iniciais para as variáveis de decisão e os cálculos que relacio- nam esses dados na planilha. Em particular, a planilha deve incluir a fórmula que relaciona a função objetivo ás células que representam as variáveis de decisão, de tal maneira que qualquer variação nestas últimas provoque a variaçãocorrespondente na função objetivo; 2. Chamada do Solver: a chamada do Solver envolve a indicação das células correspondentes as função objetivo, restrições e variáveis do modelo; configuração dos parâmetros de otimização e da exibição das soluções; 3. Análise de Sensibilidade: após a obtenção da solução ótima, é posśıvel realizar anaĺıses das mudanças nessa solução em função de modificações nos parâmetros do modelo. A anaĺıse de sensibilidade é realizada sem a necessidade de novas execuções do Solver[3, 4]. Depois de seguir essas 3 fases é possíıvel encontrar as soluçõesdos Exem- plos de problemas de Programação Linear analisados. As soluções no Solver estã representadas a baixo: Exemplo 5.1 De acordo com o exemplo 3.1, se utilizarmos o Solver para encontrarmos sua solução temos o resultado na Tabela 4: Portanto, utilizando o software Excel Solver encontamos a solução ótima para o Exemplo 3.1, que será: solução ótima (x1, x2) = (5, 13; 10, 26), φ(x1, x2) = 153.846lb 15 Tabela 4: Solução do exemplo 3.1 pelo modelo Excel Solver x1 x2 Total Sinal Limite Restrição 1 -200 100 0 (≤) 0 Restrição 2 2,1 0,9 20 (≤) 20 Lucro 12000 9000 153.846 Solução 5,13 10,26 Tabela 5: Solução do exemplo 3.2 pelo modelo Excel Solver x1 x2 Total Sinal Limite Restrição 1 -0,2 0,8 0 (≤) 0 Restrição 2 2 4 0 (≤) 0 Restrição 3 1 0 80 (≤) 100 Lucro 20 50 2600 Solução 20 80 Exemplo 5.2 De acordo com o exemplo 3.2, se utilizarmos o Solver para encontrarmos sua solução temos o resultado na Tabela 5: Portanto, utilizando o software Excel Solver encontamos a solução ótima para o Exemplo 3.2, que será: solução ótima (x1, x2) = (80, 20), φ(x1, x2) = $2600 Exemplo 5.3 De acordo com o exemplo 3.3, se utilizarmos o Solver para encontrarmos sua solução temos o resultado na Tabela 6: Portanto, utilizando o software Excel Solver encontamos a solução ótima para o Exemplo 3.3, que será: solução ótima (x1, x2, x3, x4, x5) = (1000, 0, 200, 0, 120), φ(x1, x2, x3, x4, x5) = $1320 Conclúı-se então, que, utilizando o modelo Excel Solver e seguindo seus passos de utilização de acordo com as 3 fases, encontramos a solução ótima para o exemplo 3.1, 3.2 e 3.3, conforme, respectivamente, mostram as Tabelas 4, 5 e 6. 16 Tabela 6: Solução do exemplo 3.3 pelo modelo Excel Solver x1 x2 x3 x4 x5 Total Sinal Limite Restrição 1 1 2 4 15 10 220 (≤) 3000 Restrição 2 2 1 2 10 6 270 (≤) 3800 Restrição 3 1 1 3 5 4 148 (≤) 2700 Restrição 4 1 100 (≤) 5000 Restrição 5 1 100 (≥) 1000 Restrição 6 1 120 (≤) 120 Lucro 50 100 250 200 150 1320 Solução 1000 0 200 0 120 6 Planejamento de Tratamento de Câncer por Radiação Modelos de programação linear tem sido usados extensivamente para encon- trar bons planos de tratamento por radioterapia. A primeira formulação proposta como um molelo de programação linear ocorreu em 1968.[10] A radioterapia é uma das técnicas mais importantes atualmente para o trata- mento de câncer e o objetivo do tratamento é eliminar as células do tumor através de radiação ao mesmo tempo em que procura evitar a destruição de células vizinhas saudáveis também afetadas pela radiação. Existem, atualmente, máquinas inspiradas na tomografia computado- rizada que emitem radiação ao longo de todo o corpo do paciente, por um lado, ampliando as possibilidades de minimização destes efeitos cola- terais e, por outro, aumentando a complexibilidade de obtenção de planos de tratamento.[10] 6.1 O Modelo de Programação Linear para Radiotera- pia Primeiramente, na resolução de um planejamento radioterápico, é preciso de- finir a localização das células canceŕıgenas e da região cŕıtica que a circunda, onde há tecidos saudáveis. Em seguida, é esboçado com abordagem linear o cálculo da intensidade de radiação, que esta, por sua vez, é de acordo com a peculiaridade do caso. O planejamento é feito para minimizar a dose total emitida para as áreas que estão ao redor da área tumoral, onde esta radiação pode ser de efeito 17 contraditório trazendo malef́ıcios futuros. Uma das preocupações em se atin- gir células sadias é devido a sua taxa de regeneração que é em longo prazo e, consequentemente, o corpo humano é dificultado para a eliminação do vo- lume extra de tecido morto produzido por altas doses de radiação. Portanto, uma dose letal uniformemente distribúıda na região do tumor é crucial para o sucesso no plano do tratamento. O modelo proposto pode ser representado pela seguinte formulação: max wlT t+ uTc c+ u T g g s.a. lt − Lt ≤ ATx ≤ ut ACx ≤ uc + UCc AGx ≤ ug + UGg 0 ≤ Lt ≤ lt −uc ≤ UCc UGg ≥ 0 x ≥ 0 (1) Em que, a função objetivo é representada pela soma ponderada de três metas: 1. lT t, mede o quanto falta para que o plano consiga aplicar a dose mı́nima na região do tumor; 2. uTc c mede a quantidade de radiação acima da prescrita recebida pela região cŕıtica; 3. uTg g mede a quantidade de radiação acima da prescrita nos demais tecidos saudáveis. Temos ainda que: - w é escalar positivo; - x é a dose do sub-raio que entra na imagem para alcançar o pixel p; - ut representa o vetor de limite superior para a radiação no tumor, uc na estrutura cŕıtica e - ug no restante de tecido saudável; - lt representa o vetor de limite inferior para rediação na estrutura cŕıtica; - AT (tumor), AC (estrutura cŕıtica) e AG (restante de tecido saudável) são sub-matrizes. As restrições lt − Lt ≤ ATx,Acx ≤ uc + UCc, e AGx ≤ ug + UGg, são denominadas elásticas, pois seus limites podem variar de acordo com os ve- tores t, c e g, respectivamente. As matrizes L,UC e UG definem como medir a elasticidade e l, uc e ug controlam a penalização ou recompensa com relação a eslasticidade. 18 7 Conclusão Promover resultados computacionais do modelo (1) seria uma próxima etapa a ser realizada a partir da aplicação de um caso real. Como prox́ımos passos, poderiam ser abordados pelo menos dois métodos de otimização linear com o objetivo de realizar uma investigação e comparação, para que se possa chegar a averiguar quais resultados seriam mais conclusivos e pertinentes para o projeto e modelo propostos. A utilização do software livre, de código aberto, GLPK, GNU Linear Programming Kit, usado para resolver problemas de otimização linear, linear inteira e mista, que sua biblioteca implementa o método simplex e o método de pontos interiores para a solução de problemas lineares, seria uma ótima opção futura para encontrar a solução do modelo (1). Referências [1] TAHA, H. A. Pesquisa Operacional: Uma visão geral. 8. ed. São Paulo: Pearson Prentice Hall, 2008. [2] ARENALES, M. N. Pesquisa Operacional. 6. ed. Rio de Janeiro: Else- vier Editora Ltda., 2007. p. 15–98. [3] MORETTI, A.C. Moretti. Programação Linear: Implementação e re- solução de modelos matemáticos utilizando a planilha Excel. Campi- nas: UNICAMP, 2008. Dispońıvel em: http://www.ime.unicamp.br/ ~moretti/er500/TutorialExcel_ ms428.pdfȦcesso em: 05 mar. 2015. [4] NOGUEIRA, F. Pesquisa Operacional - Tutorial sobre softwares. São Paulo. 2010. Dispońıvel em: http://www.ufjf.br/epd015/files/ 2010/06/tutorial.pdfȦcesso em: 12 abr. 2015. [5] HAHN, J. Latex For Everyone - A Reference Guide and Tutorial for Typesetting Documents Using a Computer. Rio de Janeiro: Prentice- Hall do Brasil Ltda., 2011. [6] SILVA, M. N. Curso de Introdução ao LaTex. Aracaju: Uni- versidade Estadual Vale do Acaraú, 2011. Dispomı́vel em: http://arquivoescolar.org/bitstream/arquivo-e/197/1/ apostila_latex_marcio_nascimento_da_silva_uva_ce_brasil. pdf. Acesso em: 23 jun. 2015. 19 http://www.ime.unicamp.br/~moretti/er500/TutorialExcel_ http://www.ime.unicamp.br/~moretti/er500/TutorialExcel_ ms428.pdf http://www.ufjf.br/epd015/files/2010/06/tutorial.pdf http://www.ufjf.br/epd015/files/2010/06/tutorial.pdf http://arquivoescolar.org/bitstream/arquivo-e/197/1/apostilahttp://arquivoescolar.org/bitstream/arquivo-e/197/1/apostila _latex_marcio_nascimento_da_silva_uva_ce_brasil.pdf _latex_marcio_nascimento_da_silva_uva_ce_brasil.pdf [7] FROSSARD, A. C. P. Programação Linear: Maximização de Lucro e Minimização de Custos. Fortaleza: Revista CientÃ- fica da Faculdade Lourenço Filho - v.6, n.1, set 2009. Dis- pońıvel em: https://unoeste.br/site/biblioteca/documentos/ Manual-Normalizacao.pdfȦcesso em: 28 jun. 2015. [8] GOMES, F. A. M. Interpretação geométrica e resolução gráfica. Cam- pinas: UNICAMP, 2009. Dispońıvel em: http://www.ime.unicamp. br/~chico/mt503/repgrafica.pdfȦcesso em: 17 de mai. 2015. [9] GARCIA, E. A. R. Programação Linear: uma aplicação a contabilidade de custos no processo de tomada de decisão. São Paulo: Universidade de São Paulo, 2007. Dispońıvel em: http://www.intercostos.org/ documentos/Trabajo066.pdfȦcesso em: 21 de jun. 2015. [10] C. B. B. Cid, ”Planejamento do tratamento por radioterapia através de métodos de pontos interiores”, Dissertação de Mestrado, ICMC-USP, 2003. [11] R. Viana, ”Planejamento otimizado para o tratamento de câncer por radioterapia”, Dissertação de Mestrado , IBB-UNESP, 2010. 20 https://unoeste.br/site/biblioteca/documentos/Manual-Normalizacao.pdf https://unoeste.br/site/biblioteca/documentos/Manual-Normalizacao.pdf http://www.ime.unicamp.br/~chico/mt503/repgrafica.pdf http://www.ime.unicamp.br/~chico/mt503/repgrafica.pdf http://www.intercostos.org/documentos/Trabajo066.pdf http://www.intercostos.org/documentos/Trabajo066.pdf Introdução Objetivos A Pesquisa Operacional - PO Solução do modelo de PO A Programação Linear - PL Razões para o uso da Programação Linear A Modelagem com Programação Linear - PL Passos para a resolução de um problema de Programação Linear - PL O Método Simplex Transição da solução gráfica para a solução algébrica Determinação algébrica dos pontos extremos Método Simplex Passos para resolução de problemas pelo Método Simplex Solução de problema de Programação Linear - SOLVER Planejamento de Tratamento de Câncer por Radiação O Modelo de Programação Linear para Radioterapia Conclusão
Compartilhar