Baixe o app para aproveitar ainda mais
Prévia do material em texto
Pesquisa Operacional I (CEP/CT025) – Aula 01 UNIVERSIDADE FEDERAL DO PIAUÍ CAMPUS MINISTRO PETRÔNIO PORTELLA – CT CURSO DE ENGENHARIA DE PRODUÇÃO PROF. ÁLVARO LÉDO FERREIRA CONTATO: a lvaro.ferre i ra@ufpi .edu.br Objetivos da disciplina • Apresentar os conceitos básicos de o0mização; • Capacitar o aluno para a iden0ficação, modelagem e o0mização de problemas reais da Engenharia de Produção. Descrição da disciplina • Ementa: 1. Introdução à Pesquisa Operacional e ao processo de modelagem; 2. Programação linear; 3. Método de resolução gráfica; 4. O algoritmo Simplex; 5. Dualidade; Descrição da disciplina • Ementa: 6. Análise de sensibilidade; 7. Problemas de transporte e designação; 8. Otimização em redes; 9. Programação inteira. 1. Introdução à Pesquisa Operacional e ao processo de modelagem 1.1. Histórico. 2. Programação linear 2.1. Problemas de programação linear; 2.2. Modelagem matemá0ca. 3. Método de resolução gráfica 3.1. Construção de gráficos; 3.2. Restrições. 4. O algoritmo Simplex 4.1. Condições de não negatividade; 4.2. Forma Padrão; 4.3. Forma canônica de um sistema; 4.4. Variáveis de folga e excesso; 4.5. Equivalência entre Maximização e Minimização; 4.6. Geração de solução inicial viável; 4.7. Teoremas fundamentais do Método Simplex; 4.8. Funcionamento do Método Simplex. 5. Dualidade 5.1. O par primal-dual; 5.2. Interpretação econômica do problema dual; 5.3. Soluções duais – teoremas. 6. Análise de sensibilidade 6.1. Análise de sensibilidade ou Análise pós-ó0ma; 6.2. Mudanças no coeficientes da função obje0vo; 6.3. Mudanças nos termos independentes; 6.4. Acréscimo de uma variável; 6.5. Eliminação de uma variável; 6.6. Acréscimo de uma restrição; 6.7. Eliminação de uma restrição; 6.8. Mudança em coeficientes tecnológicos. 7. Problemas de transportes e designação 7.1. Problemas de transportes; 7.2. Sistemas não-equilibrados; 7.3. Designação. 8. Otimização em Redes 8.1. Definições; 8.2. Problema do caminho mais curto; 8.3. Problema do fluxo máximo; 8.4. Problema de Transbordo; 8.5. Problema do caminho mais longo; 8.6. Problema da árvore geradora mínima. 9. Programação Inteira 9.1. Definições; 9.2. Aplicações; 9.3. Modelagem; 9.4. Modelagem de restrições especiais. Descrição da disciplina • Carga horária: 4 créditos (60h); •Metodologia: • Aulas exposiMvas; • Slides; • Discussão e resolução de exercícios. Descrição da disciplina • Avaliações: • 1ª Avaliação (09/04/24): Prova escrita (6-8 pts) + Listas (2 pts) + AMvidades em sala (0-2 pts); • 2ª Avaliação (16/05/24): Prova escrita (6-8 pts) + Listas (2 pts) + AMvidades em sala (0-2 pts); • 3ª Avaliação (27/06/24): Prova escrita (6-8 pts) + Listas (2 pts) + AMvidades em sala (0-2 pts); • Avaliação Final (04/07/24): Prova escrita (10 pts). Descrição da disciplina • Bibliografia: • HILLIER, F. S.; LIEBERMAN, G. J. Introdução à pesquisa operacional. 9. ed. Porto Alegre: AMGH, 2013.; • LACHTERMACHER, G. Pesquisa Operacional na tomada de decisões. 4ª Edição, São Paulo: Pearson Prentice Hall, 2009; • TAHA, H. A. Operations Research: an introduction. Prentice Hall International, 1997. Descrição da disciplina DÚVIDAS? 1. Introdução à Pesquisa Operacional e ao processo de modelagem • Aumento da complexidade e especialização das organizações: dificuldade de alocação de recursos; • Surgimento da Pesquisa Operacional; • Primórdios da 2ª Guerra Mundial: alocação de recursos escassos; • Objetivo: condução e coordenação das operações em uma organização; • Aplicação em áreas de manufatura, transportes, construção, telecomunicações, planejamento financeiro, serviços públicos, etc.; 1. Introdução à Pesquisa Operacional e ao processo de modelagem • Processo de aplicação: • Observação e formulação do problema; • Coleta de dados; • Construção do modelo científico (matemático, computacional,...); • Hipótese: o modelo é uma representação suficientemente precisa da situação analisada e conclusões obtidas no modelo são válidas no mundo real; • Experimentação do modelo para verificar essa e outras hipóteses. 1. Introdução à Pesquisa Operacional e ao processo de modelagem • Tenta, frequentemente, encontrar a melhor solução para o problema analisado; • Técnicas: método simplex, teoria das filas, simulação (Monte Carlo, discreta, contínua, baseada em agentes,...), teoria dos jogos, teoria da decisão...; • Ferramentas: Excel Solver, Simuladores (Crystal Ball, Promodel, Arena), algoritmos, programação. 2. Programação linear 2.1. Problemas de programação linear; 2.2. Modelagem matemá0ca. 2.1. Problemas de programação linear •Management Science: decisões gerenciais com bases racionais; • Consiste de um problema de programação matemática em que as funções-objetivo e de restrição são lineares; •Modelo é formado por uma expressão linear (Função Objetivo) e por um conjunto de expressões lineares envolvendo as variáveis de decisão (Restrições); • As restrições lineares podem ser representadas por igualdades (=) ou desigualdades (≤,≥); 2.1. Problemas de programação linear • Áreas de aplicação: • Administração da produção; • Análise de investimentos; • Alocação de recursos limitados; • Planejamento regional; • Logística; • Custo de transporte; • Localização da rede de distribuição. 2.1. Problemas de programação linear • Terminologia: • Solução: qualquer especificação de valores, dentro do domínio da função objetivo 𝑍 para as variáveis de decisão, independentemente de ser uma escolha desejável ou permissível; • Solução viável: uma solução em que todas as restrições são satisfeitas; • Solução ótima: uma solução viável que possui o valor mais favorável da função-objetivo 𝑍 , i.e., maximiza ou minimiza a função-objetivo, podendo ou não ser única. 2.1. Problemas de programação linear • Hipóteses: • Proporcionalidade: o valor da função-objeMvo é diretamente proporcional ao valor de cada variável de decisão; • AdiMvidade: as variáveis de decisão de um modelo são independentes entre si; • Divisibilidade: as variáveis de decisão podem assumir valores fracionários; • Certeza: todos os parâmetros do modelo são constantes e conhecidos. 2.1. Problemas de programação linear • Um agricultor deseja cultivar duas variedades de cereais, A e B, em uma área de um hectare (100 ares). Para o plantio, cada are cultivado de cereal A precisa de 3 homens-hora de trabalho, e o cultivado de cereal B precisa de 2 homens-hora, sendo que se dispõe de até 240 homens-hora de trabalho para o cultivo. Além disso, são utilizados dois inseticidas (um para cada cereal) e cada are necessita de 1 litro. A disponibilidade de inseticida para o cereal tipo A é de 60 litros e a de cereal tipo B é de 80 litros. Cada are de cereal tipo A gera um lucro de 600 u.m., e cada are de cereal tipo B gera um lucro de 800 u.m. O agricultor deseja planejar sua produção de forma a maximizar o lucro. 2.2. Modelagem matemáMca •Modelo: representação da realidade; •Modelos matemáticos: abstrações da realidade representadas por um conjunto de equações e relações; • Primeira etapa na busca por uma solução de Programação Linear (PL); • Devem ser modelados somente os aspectos relevantes; • Todo problema de Programação Linear pode ser descrito por meio de uma função objetivo e um conjunto de restrições, todas lineares; 2.2. Modelagem matemática •Metodologia para modelagem: i. Dividir o problema em problemas menores (se possível); ii. Identificar as variáveis e as suas unidades de medida; iii. Identificar o objetivo e construir a função objetivo; iv. Identificar os fatores restritivos e construir as restrições a partir deles e das variáveis; v. Estabelecer as relações entre as variáveis (também são restrições); vi. Descartar aspectos que não comprometam a otimalidade da solução e descartar redundâncias (restrições que não alterem as soluções viáveis). 2.2. Modelagem matemática • Na modelagem de problemas de programação linear (assim como na inteira, mista e não-linear) devem ser estabelecidas: a) As variáveisdo problema (ou decisórias): aquilo que se pode controlar e que se deseja saber exatamente quanto vale; b) A função objeMvo: sempre se deseja maximizar ou minimizar determinado objeMvo, expresso em função das variáveis do problema; c) As restrições: também expressas em função das variáveis do problema, as restrições limitam as combinações das variáveis determinados limites. 2.2. Modelagem matemáMca •Modelo genérico: 𝑀𝐴𝑋,𝑀𝐼𝑁 𝑍 = 𝑐!𝑥! + 𝑐"𝑥" +⋯+ 𝑐#𝑥# 𝑠𝑢𝑗𝑒𝑖𝑡𝑜 𝑎 𝑠. 𝑎. 𝑎!!𝑥! + 𝑎!"𝑥" +⋯+ 𝑎!#𝑥# =,≤,≥ 𝑏! 𝑎"!𝑥! + 𝑎""𝑥" +⋯+ 𝑎"#𝑥# =,≤,≥ 𝑏" ……………………………………………… 𝑎$!𝑥! + 𝑎$"𝑥" +⋯+ 𝑎$#𝑥# =,≤,≥ 𝑏$ 𝑥!, 𝑥", … , 𝑥# ≥ 0 2.2. Modelagem matemáMca •Modelo genérico: • Em notação matricial: 𝑀𝐴𝑋,𝑀𝐼𝑁 𝑍 = 𝑐𝑥 𝑠. 𝑎. 𝐴𝑥 =,≤,≥ 𝑏 𝑥 ≥ 0 2.2. Modelagem matemática •Modelo genérico: • Onde: • 𝑥!, 𝑥", … , 𝑥# = conjunto de variáveis estruturais do problema; • 𝑐!, 𝑐", … , 𝑐# = coeficientes da função objetivo; • 𝑎$% 𝑒 𝑏% = coeficientes das restrições; • 𝑍 = função objetivo com a meta que se deseja alcançar (máximo ou mínimo). 2.2. Modelagem matemática • Cada restrição pode ser uma igualdade = ou uma desigualdade não-estrita ≥,≤ ; • Todos os valores dos coeficientes são conhecidos na modelagem; • Todas as variáveis devem assumir valores reais; 2.2. Modelagem matemáMca • Para o nosso problema do fazendeiro, temos: a) As variáveis de decisão (decisórias): quantidade de ares cultivados por cada cereal ou quantidade produzida de cada tipo de cereal; 2.2. Modelagem matemáMca • Para o nosso problema do fazendeiro, temos: a) As variáveis decisórias: quantidade de ares cultivados por cada cereal, ou quantidade produzida de cada tipo de cereal; 𝑥! = 𝑞𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑎𝑟𝑒𝑠 𝑐𝑢𝑙𝑡𝑖𝑣𝑎𝑑𝑜𝑠 𝑑𝑜 𝑐𝑒𝑟𝑒𝑎𝑙 𝑡𝑖𝑝𝑜 𝐴 𝑥" = 𝑞𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑎𝑟𝑒𝑠 𝑐𝑢𝑙𝑡𝑖𝑣𝑎𝑑𝑜𝑠 𝑑𝑜 𝑐𝑒𝑟𝑒𝑎𝑙 𝑡𝑖𝑝𝑜 𝐵 2.2. Modelagem matemática • Para o nosso problema do fazendeiro, temos: b) A função objetivo: maximizar o lucro; max𝑍 = 𝐿𝑢𝑐𝑟𝑜 𝑇𝑜𝑡𝑎𝑙 𝐿𝑢𝑐𝑟𝑜 𝑇𝑜𝑡𝑎𝑙 = 𝑎𝑟𝑒𝑠 𝐴 ×𝑙𝑢𝑐𝑟𝑜 𝑎𝑟𝑒 𝐴 +𝑎𝑟𝑒𝑠 𝐵 ×𝑙𝑢𝑐𝑟𝑜 𝑎𝑟𝑒 𝐵 2.2. Modelagem matemática • Para o nosso problema do fazendeiro, temos: b) A função objeMvo: maximizar o lucro; max𝑍 = 𝐿𝑢𝑐𝑟𝑜 𝑇𝑜𝑡𝑎𝑙 𝐿𝑢𝑐𝑟𝑜 𝑇𝑜𝑡𝑎𝑙 = 600𝑥! + 800𝑥" 2.2. Modelagem matemáMca • Para o nosso problema do fazendeiro, temos: c) As restrições: i. Quantidade total de ares: 1 hectare = 100 ares; 𝑥! + 𝑥" ≤ 100 ii. Total de homens-hora: 240 homens-hora; 3𝑥! + 2𝑥" ≤ 240 2.2. Modelagem matemáMca • Para o nosso problema do fazendeiro, temos: c) As restrições: iii. Quantidade máxima de inseticida A: 60 litros; 𝑥! ≤ 60 iv. Quantidade máxima de inseticida B: 80 litros; 𝑥" ≤ 80 2.2. Modelagem matemática • Para o nosso problema do fazendeiro, temos: c) As restrições: v. Impossibilidade de produção negativa: 𝑥! ≥ 0 𝑒 𝑥" ≥ 0 2.2. Modelagem matemática • Para o nosso problema do fazendeiro, temos: 𝑚𝑎𝑥 𝑍 = 600𝑥! + 800𝑥" s.a. 𝑥! + 𝑥" ≤ 100 3𝑥! + 2𝑥" ≤ 240 𝑥! ≤ 60 𝑥" ≤ 80 𝑥! ≥ 0 𝑥" ≥ 0 Exemplo 1 - Problema • Uma empresa fabril está interessada em maximizar o lucro mensal proveniente de quatro de seus produtos, designados por I, II, III e IV. Para fabricar esses quatro produtos, ela utiliza dois tipos de máquinas, M1 e M2, com disponibilidade mensal de 800 e 200 máquina-hora/mês, respectivamente, e dois tipos de mão-de-obra, MO1 e MO2, com disponibilidade de 12.000 e 16.000 homem-hora/mês, respectivamente. Sabe-se que para produzir uma unidade de I são consumidas 5mh de M1, 2mh de M2, 2hh de MO1 e 7hh de MO2; para o produto II, 4mh de M1, 6mh de M2, 4hh de MO1 e 3hh de MO2; para o produto III, 8mh de M1 e 2hh de MO1; para o produto IV, 9mh de M1, 8mh de M2, 8hh de MO1 e 7hh de MO2. Sabe-se também que o lucro unitário de cada produto é de 10, 8, 9 e 7 u.m., respectivamente. O setor de vendas determinou o potencial de venda dos produtos igual a 70, 60, 40 e 20, respectivamente. Qual deve ser a produção de modo a maximizar o lucro? Exemplo 1 – Modelagem MatemáMca 𝑀𝑎𝑥 𝑍 = 10𝑥! + 8𝑥" + 9𝑥& + 7𝑥' 𝑠. 𝑎. 5x! + 4𝑥" + 8𝑥& + 9𝑥' ≤ 800 2x! + 6x" + 8x' ≤ 200 2x! + 4x" + 2𝑥& + 8x' ≤ 12.000 7x! + 3x" + 7x' ≤ 16.000 𝑥! ≤ 70 𝑥" ≤ 60 𝑥& ≤ 40 𝑥' ≤ 20 𝑥% ≥ 0, (𝑗 = 1, 2, 3, 4) Exemplo 2 - Problema • Uma pessoa deve fazer uma dieta que forneça diariamente pelo menos 80mg de vitamina A, 70mg de vitamina B, 100mg de vitamina C e 60mg de vitamina D. A dieta deve incluir leite, arroz, feijão e carne, que possuem as seguintes quantidades de vitaminas: Vitaminas Alimentos Leite (copo) Arroz (100g) Feijão (100g) Carne (100g) A 10 5 9 10 B 8 7 6 6 C 15 3 4 7 D 20 2 3 9 Exemplo 2 - Problema • Os custos unitários desses alimentos são: • Leite: 1 u.m./copo; • Arroz: 0,8 u.m./100g; • Feijão: 1,2 u.m./100g; • Carne: 3,5 u.m./100g. • Qual deve ser o consumo diário de cada alimento de modo a saasfazer a dieta a um custo mínimo? Exemplo 2 – Modelagem MatemáMca 𝑀𝑖𝑛 𝑍 = 1𝑥! + 0,8𝑥" + 1,2𝑥& + 3,5𝑥' 𝑠. 𝑎. 10x! + 5𝑥" + 9𝑥& + 10𝑥' ≥ 80 8x! + 7x" + 6x& + 6x' ≥ 70 15x! + 3x" + 4𝑥& + 7x' ≥ 100 20x! + 2x" + 3x& + 9x' ≥ 60 𝑥% ≥ 0, (𝑗 = 1, 2, 3, 4) Pesquisa Operacional I (CEP/CT025) – Aula 01 UNIVERSIDADE FEDERAL DO PIAUÍ CAMPUS MINISTRO PETRÔNIO PORTELLA – CT CURSO DE ENGENHARIA DE PRODUÇÃO PROF. ÁLVARO LÉDO FERREIRA CONTATO: a lvaro.ferre i ra@ufpi .edu.br
Compartilhar