Prévia do material em texto
FACULDADE DE TECNOLOGIA DE MOGI DAS CRUZES CURSO SUPERIOR DE TECNOLOGIA EM LOGÍSTICA Antônio Flavio Silva Ariany Fernanda Sueitt de Jesus Arlinda de Jesus Ribeiro Fernanda Marin Fernandes Karoline Alves Fernandes Dias Jonathan Pereira de Castilho Lucas André Barreto Kairo Sumida PROGRAMAÇÃO LINEAR INTEIRA Mogi das Cruzes – SP 2017 FACULDADE DE TECNOLOGIA DE MOGI DAS CRUZES CURSO SUPERIOR DE TECNOLOGIA EM LOGÍSTICA Antônio Flavio Silva Ariany Fernanda Sueitt de Jesus Arlinda de Jesus Ribeiro Fernanda Marin Fernandes Karoline Alves Fernandes Dias Jonathan Pereira de Castilho Lucas André Barreto Kairo Sumida PROGRAMAÇÃO LINEAR INTEIRA Trabalho elaborado como exigência parcial para compor a nota semestral na matéria de Métodos Quantitativos do curso de Tecnólogia em Logística na Faculdade de Tecnologia de Mogi das Cruzes. Mogi das Cruzes – SP 2017 Sumário 1. INTRODUÇÃO ........................................................................................................... 1 2. MÉTODOS QUANTITATIVOS DE GESTÃO ....................................................... 1 3. PROGRAMAÇÃO LINEAR INTEIRA ................................................................... 2 3.1 TIPOS DE MODELAGEM .................................................................................... 2 3.2. COMO MODELAR OS PROBLEMAS ............................................................... 4 3.2.1 SOLUÇÃO ATRAVÉS DO SOLVER ............................................................ 5 3.2.2 SOLUÇÃO PELO MÉTODO DE BRANCH AND BOUND ........................ 7 3.3 EXEMPLOS DE PROGRAMAÇÃO LINEAR INTEIRA .................................. 13 4. APLICAÇÕES DA PROGRAMAÇÃO LINEAR INTEIRA ................................ 14 5. CONSIDERAÇÕES FINAIS ................................................................................... 15 6. REFERENCIAL BIBLIOGRÁFICO ..................................................................... 16 FIGURAS Figura 1 - SOLVER .......................................................................................................... 6 Figura 2 e 3 - Solução 3, segundo LINDO. .................................................................... 12 Figura 3 - Exemplo de PLI ............................................................................................. 13 Figura 4 - Resultado no gráfico ...................................................................................... 14 TABELAS Tabela 1 - Modelo de PL no excel. ................................................................................... 5 Tabela 2 - Solução sem PLI. ............................................................................................. 6 Tabela 3 - Solução com PLI ............................................................................................. 7 Tabela 4 - Primeira tabela LINDO ................................................................................... 7 Tabela 5 - Segundo tabela LINDO ................................................................................... 8 Tabela 6 - Primeira Tabela Solução 2 .............................................................................. 9 Tabela 7 - Segunda Tabela solução 2 ............................................................................... 9 Tabela 8 - Terceira tabela solução 2 ................................................................................. 9 Tabela 9 - Primeira tabela solução 3 .............................................................................. 11 Tabela 10 - Segunda tabela solução 3 ............................................................................ 11 Tabela 11 - Terceira tabela solução 3 ............................................................................. 11 1 1. INTRODUÇÃO A Programação linear é uma ramificação da Pesquisa Operacional, comumente conhecida como PO, tem como funcionalidade definir o método utilizado para resolução do problema de variáveis de decisão, restrições e maximização ou minimização de resultados. A programação inteira pode ser entendida como um caso específico da Programação linear, onde as variáveis devem ser inteiras (ou ao menos, parte destas variáveis). À rigor o nome mais correto a ser utilizado é Programação Linear Inteira. Quando todas as variáveis possuírem valores inteiros, o modelo é denominado de um problema de programação Linear Inteira Pura, caso contrário, é denominado de Programação Inteira Mista. Conforme afirma Henrique, Batista, Ramirez, Cavalcante e Oliveira (2011) o uso de estratégias para agregar valor a qualquer organização se torna útil. Ou seja, essa opção estratégica de análises de situações traz resultados específicos e direcionados para a organização. Esta pesquisa acadêmica tem caráter exploratório, com base em pesquisas bibliográficas na área de exatas e com funcionalidade de abrir o campo de visão e possibilitar o interesse e a compreensão do assunto proposto como parte de instrução para o curso de Tecnologia em Logística na FATEC, Faculdade de Tecnologia de Mogi das Cruzes, com ênfase na disciplina de Métodos quantitativos de Gestão. Diante disso, é importante perceber que ao otimizar processos, a empresa tem conhecimento de si mesma e ao seu redor, conseguindo resolver seus problemas de forma mais consciente e precisa, sem perder tempo diante as infinitas possibilidades. 2. MÉTODOS QUANTITATIVOS DE GESTÃO É a mais comum no mercado, e prioriza apontar numericamente a frequência e a intensidade em um meio empresarial, (Foco do estudo), para que, decisões precisas sejam tomadas com base em dados pré-existentes com a intenção de soluções ótimas, assim elevando o aproveitamento e aumentando quaisquer lucros desejados. 2 Estas medidas são precisas e podem ser úteis para decisões mais acertadas. Neste caso, as ferramentas estatísticas devem ser aplicadas com rigor para que haja a confiabilidade necessária para, através da amostra, inferirmos resultados sobre os interesses desejados na organização. O mais comum em grandes empresas é que haja um profissional da área de exatas para que calcule com precisão os dados e dispare para sua organização as diretrizes necessárias, com isso, os profissionais utilizam programas matemáticos tais como: Excel com a funcionalidade solver e o Lindo, para que o processo seja mais inteligente e eficaz. Dentro dos Métodos quantitativos encontramos as linhas de estudo, tais como: Teoria dos Grafos, arvores, roteirização, caminhos, canto noroeste, etc. todos com o intuito de encontrar métodos e maneiras rentáveis de gestão dos negócios. Adentro da matéria nos deparamos com programação linear, onde variáveis de decisão são influenciadas a convergirem com restrições e identificar possíveis soluções para otimização da gestão, onde encontramos a Programação Linear Inteira. 3. PROGRAMAÇÃO LINEAR INTEIRA Um problema que for resolvido pela técnica de programação inteira pode ter seu resultado diferente de arredondamentos, interferindo assim no resultado geral, a programação inteira tem como técnica e particularidade a utilização do “Método Branch and Bound” que se baseia na montagem de um diagrama tipo “arvore” em que cada ramo é uma opção da solução inteira. O método simplex é utilizado em apenas alguns ramos dessa arvore, sendo assim, o computador é indispensável para solução. Tem como vantagem o método de programação inteira a ideia de resultados mais realistas e exatos,já suas desvantagens se encontram na dificuldade de modelagem. 3.1 TIPOS DE MODELAGEM LANCHETERMACHER diz que diante de uma série de situações conflitantes e concorrentes, é realizado o processo de modelagem da situação ou exaustivas simulações nos mais diversos cenários, para estudar de maneira mais profunda o problema. Existem basicamente 3 tipos de modelagem são eles: A modelagem física, Analógicas e Matemáticas: 3 O Modelo Físico seria um protótipo reduzido de um objeto como uma aeronave, para ter uma visão reduzida ou aumentada do projeto. E serve também como auxiliar para o modelo matemático durante projetos muito grandes e complexos. O Modelo Análogo é uma representação normalmente em um painel e que nos leva a uma conclusão da situação, como uma barra de volume do som da televisão, uma barra cheia representa a intensidade máxima e quanto menor a barra menor a intensidade. Modelo matemático e mais utilizado principalmente para a PO é o modelo que representa as grandezas em formas de variáveis de decisão e a relação entre elas por expressões matemáticas. Para um modelo matemático existir é necessário existir informações quantificáveis, de maneira que: • Seja possível atingir os resultados necessários; • O modelo consista com os dados; • O modelo possa ser analisado no momento da sua criação. Segundo MARTINS, uma vez construído o modelo matemático diversas são as maneiras ou áreas que nos auxilia a obtenção da solução como a Programação Linear, Programação em Redes, Teoria dos Grafos e a Teoria das Filas. E também diversos softwares, como exemplos temos o Solver do Excel, que atua com planilhas eletrônicas, o LINDO – Linear Discrete Optimizer e o CPLEX, para problemas de Programação Linear e Não Linear e variações, para Simulação o PROMODEL e o ARENA. O processo de criação do modelo matemático pode parecer simples, visto que é a identificação de cada variável e o relacionamento de cada variável, mas a não identificação adequada das variáveis ou o não compreendimento da expressão matemática levará à uma solução errada, perdendo tempo, dinheiro e esforço. Ao analisar um problema de programação inteira e a sua modelagem, por ser uma parte da programação linear, apresenta características parecidas no seu modelo matemático, diferenciando apenas quando pelo menos uma variável de decisão é do tipo inteira. Uma ideia é resolver como um problema de PL simples, omitir as virgulas e aproximando o resultado para a casa mais próxima. Podendo ocorrer os seguintes problemas. Nenhum dos pontos vizinhos são viáveis ou o ponto não é a solução ótima de programação inteira. Para garantir a otimização, uma busca por todos os valores próximos da função objetivo são calculados e é escolhido aquele que apresenta a melhor solução, porém, um grande conjunto de variáveis pode tornar o processo exaustivo. O Branch and Bounds ajuda com a verificação exaustiva pois é um algoritmo que separa as soluções viáveis, tentando o arredondamento para os possíveis números 4 próximos e criando novos ramos da arvore até a solução tornar-se inviável. Ao final as folhas são verificadas e encontrada a solução ótima de programação inteira. 3.2. COMO MODELAR OS PROBLEMAS Para iniciar um problema de programação linear é necessário seguir alguns passos, e são ele: • Encontrar as vaiáveis de decisão; • Escrever as restrições; • Escrever a Função objetivo; • Montar o Modelo de PL. Exemplo: Uma empresa pode desenvolver quatro tipos de atividades: planejamento, desenvolvimento, implementação e análise. Tais atividades competem entre si quanto ao uso dos recursos espaço, mão-de-obra e insumos diversos. Ele dispõe de 900 metros, 600 homens-hora e 480 unidades monetária. A quantidade necessária de cada recurso para se produzir uma unidade de cada atividade é: para planejamento: 7 metros, 6 mão-obra e 2 unidades monetária; para desenvolvimento é 8 metros, 6 mão-obra e 8 unidades monetária; para implementação: 3 metros, 8 mão-obra e 4 unidades monetária; para análise: 5 metros, 5 mão-obra e 2 unidades monetária. O lucro (em unidades monetárias) esperado pela produção de uma unidade de cada atividade é 90 pelo planejamento, 160 pelo desenvolvimento, 40 pela implementação e 100 pela análise. Vamos definir o modelo para encontrar a solução utilizando dos passos descritos no início da sessão. Primeiro Passo, definir as Variáveis de decisões. x1:Quantidade da atividade de Planejamento; x2: Quantidade de atividade de Desenvolvimento; x3: Quantidade de atividade de Implementação; x4: Quantidade de atividade de Análise. 5 Segundo passo, encontrar as restrições: Disponibilidade da Quantidade de espaço: 7x1+8x2+3x3+5x4 <= 900; Disponibilidade da Quantidade de Mão de Obra: 6x1+6x2+8x3+5x4 <= 600; Disponibilidade da Quantidade de Insumo: 2x1+8x2+4x3+2x4 <= 480; Não negatividade: x1;x2;x3;x4 >=0 e inteiros. Terceiro Passo, escrever a função objetivo. MAX Z = 90x1+160x2+40x3+100x4 MODELO DE PL MAX Z = 90x1+160x2+40x3+100x4 Sujeito a. 7x1+8x2+3x3+5x4 <= 900 6x1+6x2+8x3+5x4 <= 600 2x1+8x2+4x3+2x4 <= 480 x1;x2;x3;x4 =>0 e inteiros 3.2.1 SOLUÇÃO ATRAVÉS DO SOLVER Realizado e montado o modelo de PL inicial iremos resolve-lo através da ferramenta SOLVER. No Excel montamos a seguinte tabela 1: Tabela 1 - Modelo de PL no excel. x1 x2 x3 x4 Restrição sinal disponibilidade Espaço 7 8 3 5 0 <= 900 Mão de obra 6 6 8 5 0 <= 600 Insumo 2 8 4 2 0 <= 480 FO 90 160 40 100 R$ - Solução Fonte: Autores E aplicaremos a ferramenta solver indo em dados. 6 Com o solver aberto iremos definir a função objetivo do problema, depois selecionar a área da solução (em verde) e por fim adicionar as restrições como na imagem a seguir. Figura 1 - SOLVER Fonte: Autores Adicionado as restrições iremos obter os seguintes resultados na tabela 2 Tabela 2 - Solução sem PLI. Fonte: Autores Porém, esse não é o resultado real dos problemas, pois não é possível fazer 42,85714286 de atividade para desenvolvimento (x2) e o mesmo acontece com o processo de análise (x4). Por isso aplicados os conceitos de programação linear inteira onde esses valores precisam ser completos. x1 x2 x3 x4 restrição sinal disponibilidade Espaço 7 8 3 5 685,7142857 <= 900 Mão de obra 6 6 8 5 600 <= 600 Insumo 2 8 4 2 480 <= 480 FO 90 160 40 100 R$ 13.714,29 Solução 0 42,85714286 0 68,57142857 7 Para que isso aconteça será acrescentado uma restrição para que a solução seja inteira. Vamos ao solver clicamos em adicionar depois selecionamos a área em verde da tabela e escolher no sinal o (int) de inteiro e pronto. Após isso o solver nos apresenta a solução mais real do problema conforma a tabela 3. Tabela 3 - Solução com PLI x1 x2 x3 x4 restrição sinal disponibilidade Espaço 7 8 3 5 684 <= 900 Mão de obra 6 6 8 5 598 <= 600 Insumo 2 8 4 2 480 <= 480 FO 90 160 40 100 R$ 13.680,00 Solução 0 43 0 68 Fonte: Autores Sendo assim finalizamos o exercício encontrando a solução mais próxima da realidade. 3.2.2 SOLUÇÃO PELO MÉTODO DE BRANCH AND BOUND Para resolver com o método do branch and bound iremos utilizar da ferramenta LINDO. Temos o seguinte problema: Max 3x1+8x2 s.t. 3x1+x2<=7 x1+2x2<=5 x1 e x2 => 0 e inteiros A ferramenta LINDO nos mostra a seguinte tabela 4 para a solução do problema. Tabela 4 - Primeira tabela LINDO ROW (BASIS) X1 X2 SLK 2 SLK 3 BI 1 ART -3.000 -8.000 0.0000.000 0.000 2 SLK 2 3.000 1.000 1.000 0.000 7.000 3 SLK 3 1.000 2.000 0.000 1.000 5.000 ART ART -3.000 -8.000 0.000 0.000 0.000 Fonte: Autores Pôr a tabela conter valores negativos, precisamos melhora-la para uma solução mais ótima. 8 Após melhora-la temos a seguinte solução. Tabela 5. Tabela 5 - Segundo tabela LINDO ROW (BASIS) X1 X2 SLK2 SLK3 BI 1 ART 1.000 0.000 0.000 4.000 20.000 2 SLK 2 2.500 0.000 1.000 -0.500 4.500 3 X2 0.500 1.000 0.000 0.500 2.500 Fonte: Autores Essa tabela seria a solução ótima se ela não tivesse um valor incompleto, por isso apartir desssa tabela. Iniciaremos nossa arvore, segundo método de bount and bound. Notamos que na tabela o valor de x2 = 2,5 e na programação linear inteira não podemos utilizar valores incompletos, por isso iremos definir mais dois modos de solução: Primeiro iremos aproximar o valor incompleto a seus valores inteiros, então temos: 2 <=X2=>3 X2 precisa ser maior que 3 e menor que 2, nossa árvore fica da seguinte forma: Z= 20 X1 = 0 X2 = 2,5 Z= ? X1 = ? X2 = ? Z= ? X1 = ? X2 = ? 9 Então encontrar os valores para esses novos problemas iremos voltar ao modelo de PL e acrescentar cada restrição que na imagem está no quadrado acima da seta. Novo modelo adicionado x2<= 2 Max 3x1+8x2 s.t. 3x1+x2<=7 x1+2x2<=5 x2<= 2 Iremos repetir os passos das tabelas do LINDO e encontrar a solução ótima, primeira tabela: Tabela 6 - Primeira Tabela Solução 2 ROW (BASIS) X1 X2 SLK2 SLK3 SLK4 BI 1 ART -3.000 -8.000 0.000 0.000 0.000 0.000 2 SLK 2 3.000 1.000 1.000 0.000 0.000 7.000 3 SLK 3 1.000 2.000 0.000 1.000 0.000 5.000 4 SLK 4 0.000 1.000 0.000 0.000 1.000 2.000 ART ART -3.000 -8.000 0.000 0.000 0.000 0.000 Fonte: Autores Podemos notar a presença de mais uma variável de folga o SLK 4. A tabela contém valores negativos, por isso precisamos melhora-la. Resultado após melhora-la tabela 7. Tabela 7 - Segunda Tabela solução 2 ROW (BASIS) X1 X2 SLK2 SLK3 SLK4 BI 1 ART -3.000 0.000 0.000 0.000 8.000 16.000 2 SLK 2 3.000 0.000 1.000 0.000 -1.000 5.000 3 SLK 3 1.000 0.000 0.000 1.000 -2.000 1.000 4 X2 0.000 1.000 0.000 0.000 1.000 2.000 Fonte: Autores Ainda notamos a presença de valores negativos e continuamos aplicando os critérios para melhorar a tabela. A seguir a nova tabela melhorada, tabela 8. Tabela 8 - Terceira tabela solução 2 ROW (BASIS) X1 X2 SLK2 SLK3 SLK 4 BI 1 ART 0.000 0.000 0.000 3.000 2.000 19.000 2 SLK 2 0.000 0.000 1.000 -3.000 5.000 2.000 3 X1 1.000 0.000 0.000 1.000 -2.000 1.000 4 X2 0.000 1.000 0.000 0.000 1.000 2.000 Fonte: Autores 10 Encontramos a solução ótima do novo modelo com uma nova restrição x<=2 Notamos que não números quebrados na solução, por isso encontramos uma solução mais viável para o exercício. Assim fica nossa arvore: Agora precisamos encontrar a solução para X=> 3, aplicamos novamente os passos realizados na última solução. Novo modelo de PL adicionado a restrição de X=>3 Max 3x1+8x2 s.t. 3x1+x2<=7 x1+2x2<=5 x2=>3 Após formular o novo modelo, iniciamos novamente o processo de tabelas pela ferramenta LINDO, primeira tabela segundo LINDO, tabela 9. Z= 19 X1 = 1 X2 = 2 Z= ? X1 = ? X2 = ? Z= 20 X1 = 0 X2 = 2,5 11 Tabela 9 - Primeira tabela solução 3 ROW (BASIS) X1 X2 SLK2 SLK 3 SLK 4 BI 1 ART -3.000 -8.000 0.000 0.000 0.000 0.000 2 SLK 2 3.000 1.000 1.000 0.000 0.000 7.000 3 SLK 3 1.000 2.000 0.000 1.000 0.000 5.000 4 SLK 4 0.000 -1.000 0.000 0.000 1.000 -3.000 ART ART 0.000 -1.000 0.000 0.000 0.000 -3.000 Fonte: Autores Nota-se a presença de números negativos na linha 1ART, por isso sabemos que essa tabela não contem a solução do exercício. Aplicamos então os critérios de melhoramento de tabela, entrada e saída de uma variável básica e não básica. E teremos uma nova tabela, tabela 10. Tabela 10 - Segunda tabela solução 3 ROW (BASIS) X1 X2 SLK 2 SLK3 SLK 4 BI 1 ART -3.000 0.000 0.000 0.000 -8.000 24.000 2 SLK 2 3.000 0.000 1.000 0.000 1.000 4.000 3 SLK 3 1.000 0.000 0.000 1.000 2.000 -1.000 4 X2 0.000 1.000 0.000 0.000 -1.000 3.000 ART ART 1.000 0.000 0.000 0.000 2.000 -1.000 Fonte: Autores Contendo valor negativa na linha 1 ART, sabemos que essa ainda não é a solução para o problema. Então, continuamos aplicando os critérios de melhoramento. A seguir tabela 11 com resultado. Tabela 11 - Terceira tabela solução 3 ROW (BASIS) X1 X2 SLK2 SLK3 SLK 4 BI 1 ART -3.000 0.000 0.000 0.000 -8.000 24.000 2 SLK 2 3.000 0.000 1.000 0.000 1.000 4.000 3 SLK 3 1.000 0.000 0.000 1.000 2.000 -1.000 4 X2 0.000 1.000 0.000 0.000 -1.000 3.000 ART ART 1.000 0.000 0.000 0.000 2.000 -1.000 Fonte: Autores 12 Ainda contendo valor negativa na linha 1 ART, sabemos que essa ainda não é a solução para o problema. Então, continuamos aplicando critérios de melhoramento. Nova tabela. Tabela 12 - Quarta tabela solução 3 ROW (BASIS) X1 X2 SLK2 SLK 3 SLK 4 BI 1 ART 0.000 0.000 1.000 0.000 -7.000 28.000 2 X1 1.000 0.000 0.333 0.000 0.333 1.333 3 SLK 3 0.000 0.000 -0.333 1.000 1.667 -2.333 4 X2 0.000 1.000 0.000 0.000 -1.000 3.000 ART ART 0.000 0.000 -0.333 0.000 1.667 -2.333 Fonte: Autores Após essa tabela o lindo nos informa que esse modelo é infactível, pois a solução demanda de mais disponibilidade a qual o exercício não dispõe Figura 2 e 3 - Solução 3, segundo LINDO. Fonte: Autores Ou seja, não há solução viável para esse modelo de PL, então ficamos com nossa arvore da seguinte maneira. 13 Com isso, podemos encontrar a solução mais real e viável para a solução do modelo de PL, sendo está a de X<= 2 com z* = 19 nos pontos de X1 = 1 e X2 = 2, utilizando da programação linear inteira método de Branch and Bound. 3.3 EXEMPLOS DE PROGRAMAÇÃO LINEAR INTEIRA Figura 3 - Exemplo de PLI • O exemplo anterior é um problema de programação linear inteira, pois as variáveis devem ser inteiras. • Na Figura (a) têm-se os pontos que representam as soluções factíveis do problema (todosos pontos inteiros que satisfazem as restrições). Z= 19 X1 = 1 X2 = 2 Infactível Z= 20 X1 = 0 X2 = 2,5 14 • O problema de programação linear (PPL) obtido ao desconsiderarmos as restrições de integralidade das variáveis inteiras é conhecido como a relaxação linear do PPI (ver Figura (b)). • Existem outros tipos de relaxação, como por exemplo, a Relaxação Lagrangiana: relaxam-se algumas restrições, consideradas complicadas, incorporando uma penalidade na função objetivo; Figura 4 - Resultado no gráfico • Como podemos observar a solução do PPL é sempre maior ou igual à solução do PPI, pois o problema relaxado é composto por todas as soluções inteiras e também as soluções reais do problema, logo são formadas por um conjunto de soluções factíveis mais abrangentes. 4. APLICAÇÕES DA PROGRAMAÇÃO LINEAR INTEIRA Existem áreas bastante abrangentes que utilizam-se da PI. Desde problemas relacionados a logística de grandes empresas, até a elaboração de atribuições de professores a matérias e horários escolares. Na área de logística de transportes para o uso racional de frotas de veículos e de roteamento, que são amplamente estudados na área de otimização combinatória, utilizam- se da técnica branch-and-bound e das variações branch-and-cut, branch-and-price e branch-and-cut-and-price. O problema de roteamente do veículos sempre engloba restrições de capacidade, bem como problemas com janela de tempo e frota heterogênea. Pode ser aplicada no desenvolvimento de uma aplicaçao para solucionar um problema de programação de horários em escolas, sendo modelado matematicamente 15 como um problema de programação inteira em que há necessidade de considerar os requisitos pedagógicos e organizacionais de cada instituição de ensino e restriçoes pessoais, e para o processamento da grade horária, sendo necessário cadastro das entradas dos professores, disciplinas, cursos, salas e preferências de alocação dos professores. Adequa-se a este tipo de programação, principalmente por suas restrições serem dadas a um conjunto de perguntas que podem ser respondidas por "sim" ou "não", sendo assim, pode se adotar o uso da variável binária. Não só este, como muitos dos problemas podem ser solucionados por decisões "Sim-ou-Não" onde 0 e 1 pode representas sim, não ou em situação "ou-ou". Casos em que é preciso Otimização Combinatória, que são problemas de decisão de sequências, programas e itinerários, que como mencionado anteriormente, muito utilizado em roteirização na logística de transportes. Outros exemplos são: O bastante conhecido "Problema do Caxeiro Viajante", em que para a quantidade "x" de cidades, existem (x-1)! (fatorial) diferentes percursos; Problema de programação de máquinas, onde para uma certa quantidade de itens denominados como "n" a serem produzidos em cada máquina denominada como "m", existem (n!)m sequencias possíveis. 5. CONSIDERAÇÕES FINAIS Conforme pesquisado, a programação linear inteira pode analisar o uso de estratégias para qualquer organização, viabilizando escolhas apontando suas soluções e por meio de cálculos matemáticos precisos e dados estatísticos trazer resultados específicos e direcionados para a organização. É importantíssimo que a empresa possua conhecimento de si mesma e ao seu redor, para poder aplicar todos os métodos e processos e assim conseguir resolver seus problemas de forma precisa, sem perdas rentáveis e produtivas. Um profissional conhecedor da área de exatas se faz mais que necessário para que todos os dados e processos sejam aplicados com precisão, demonstrando para sua organização os caminhos necessários, com o uso de ferramentas como como o Excel, com a funcionalidade solver, e o Lindo, para que assim as tomadas de decisões sejam mais rápidas, precisas e eficazes. Utilizando-se de modelos matemáticos, as empresas podem obter informações quantificáveis, de maneira que seja possível atingir os resultados necessários com base 16 em modelos consistentes com dados e, posteriormente, possa ser analisado e sempre consultado. Na área de logística de transportes, o uso da programação linear inteira se torna eficaz, pois para o uso total de frotas de veículos e de um completo mapeamento de rotas, se faz necessários cálculos matemáticos combinados com limites de cargas e obtenção de lucros, que são amplamente estudados na área de pesquisa operacional, e utilizam-se de técnicas como branch-and-bound e branch-and-price e branch-and-cut-and-price. Também pode ser aplicada em desenvolvimentos ou aplicações para solucionar problema simples de agendas corporativas, tais como de uma escola, sendo esses a programação de horários, sendo modelado matematicamente como um problema de programação inteira em que há necessidade de considerar o tempo de chegada, permanência e saída, demanda exigida e disponibilidades diversas e restrições pessoais. O grupo concluiu que, para uma performance satisfatória no tempo atuais, empresas precisam se adequar e utilizar de ferramentas matemáticas e dados cada vez mais precisos, não só empresas, como também conhecer todos os processos a serem usados. A obtenção de lucro sempre será o objetivo, contudo, sem um estudo prévio por analise de modelos matemáticos e seu uso adequado, fará com que a empresa fique para traz em termos de tomada de decisões. O Lindo e o Excel, este último com a opção do modelo solver, se tornam essenciais para análises detalhadas, sendo importantes para a tomada de decisão ser a mais precisa e eficaz. 6. REFERENCIAL BIBLIOGRÁFICO ARAUJO, Silvio Alexandre de, 2016, Programação Inteira, <http://wiki.icmc.usp.br/images/3/32/Pi_aula_16_11_finalizacaoPI_mari.pdf> acesso em 08/06/2017. DUARTE, Vania Maria do Nascimento, 2016, Pesquisa Quantitativa e Qualitativa, <http://monografias.brasilescola.uol.com.br/regras-abnt/pesquisa-quantitativa- qualitativa.htm> acesso em 11/06/2017. INSTITUTO PHD, 2015, Pesquisa Quantitativa e Pesquisa Qualitativa: Entenda a diferença, <http://www.institutophd.com.br/blog/pesquisa-quantitativa-e-pesquisa- qualitativa-entenda-a-diferenca/> acesso em 10/06/2017. 17 LANCHTERMACHER, Gerson. Pesquisa Operacional na Tomada de Decisão, 3 Ed. Campos Ltda, 2007 Longo, José Humberto, 2004. Técnicas para Programação Inteira e Aplicações em Problemas de Roteamento de Veículos, Tese de Doutorado, PUC RIO, <https://www.maxwell.vrac.puc-rio.br/6029/6029_1.PDF> acesso em 11/06/2017. MARTINS, Fernando Augusto Silva. Introdução a pesquisa operacional, Cultura Acadêmica, São Paulo, 2011 NOGUEIRA, Fernando 2010, Programação Inteira, UFJF, <http://www.ufjf.br/epd015/files/2010/06/ProgramacaoInteira.pdf> acesso em 10/06/2017. P.S. FERREIRA2 , E.W. KARAS3 , F.L. PALUCOSKI4 , A.A. RIBEIRO5, Aplicação de Programação Inteira na Distribuição de Encargos Didáticos em Instituições de Ensino, Sociedade Brasileira de Matemática Aplicada e Computacional, 2011, <http://www.sbmac.org.br/tema/seletas/docs/v12_2/Ferreira_et_all.pdf> acesso em 10/06/2017. UFRGS, Apostila de Pesquisa Operacional, 2011, <http://www.producao.ufrgs.br/arquivos/disciplinas/382_Apostila_Pesquisa_Operacion al_Parte_3.pdf> acesso em 09/06/2017. VICENTE, Renato, 2014, Métodos Quantitativos, <http://www.al.sp.gov.br/StaticFile/ilp/RVicente_MetodosQuantitativos_aula6.pdf> acesso em 09/06/2017.