Baixe o app para aproveitar ainda mais
Prévia do material em texto
EAD 350EAD 350 Pesquisa OperacionalPesquisa Operacional Aula 06Aula 06 Prof. Hiroo Takaoka takaoka@usp.br FEA/USP Aula 06 Aula 06 -- ObjetivosObjetivosAula 06 Aula 06 -- ObjetivosObjetivos • Apresentar a diferença entre a Programação Linear e a Programação Linear Inteira • Apresentar como modelar a Programação Linear Inteira no Solver do Excel • Apresentar os conceitos da Programação Binária e Mista • Apresentar como modelar a Programação Binária e Mista no Solver do Excel • Exercitar a Programação Binária e Mista no Solver por meio das atividades 6a, 6b e 6c Resolução das Resolução das Atividades Atividades 5d5d AtivAtiv 5d 5d –– Resolução Resolução AtivAtiv 5d 5d –– Resolução Resolução • O supervisor do centro de suporte da empresa Alpha precisa elaborar a escala de seu pessoal. O centro de suporte fica aberto das 8 da manhã até meia-noite. O supervisor monitorou as quantidades de chamados por período e determinou que o seguinte número de analistas seriam necessários por período. • Podem ser contratados dois tipos de analistas: em tempo integral e estagiários tempo parcial. Os analistas em tempo integral trabalham por oito horas seguidas em três tipos de turno (8h às 16h, 12h às 20h ou 16h às 00h) e recebem $14 por hora. Os estagiários em tempo parcial podem ser contratados para os períodos de 4 horas indicados na tabela anterior e recebem $12 por hora. • Durante qualquer período, deve haver pelo menos dois analistas tempo integral para cada estagiário em tempo parcial. • Como atender a esses requisitos com o custo mínimo? • Elaborar e escrever o modelo matemático (na própria planilha) • Elaborar a o modelo em Excel e resolver com o Solver – gerar o relatório de análise de sensibilidade Período do dia Número mínimo de analistas de plantão 08h – 12h 4 12h – 16h 8 16h – 20h 10 20h – 24h 6 A tabela abaixo indica as variáveis de decisão e1, e2, e3 e e4 referentes aos estagiários (tempo parcial) em cada um dos turnos de 4 horas e as variáveis a1, a2 e a3 referentes aos analistas em cada um dos turnos de 8 horas, bem como as quantidades mínimas para cada turno de 4 horas O modelo matemático pode então ser assim descrito: Minimizar o custo: ((e1+e2+e3+e4) x 12 x 4) + ((a1+a2+a3) x 14 x 8) Sujeito a: e1+a1>=4 e2+a1+a2>=8 e3+a2+a3 >=10 e4+a3>=6 a1 - 2e1 >= 0 a1+a2 - 2e2 >= 0 a2+a3 – 2e3 >=0 a3 – 2e4 >=0 Nota importante: as últimas quatro restrições NÃO poderiam ser deixadas escritas como: a1/e1 >= 2 (a1+a2) / e2 >= 2 (a2+a3) / e3 >= 2 a3 / e4 >= 2 Pois essa formulação infringe as regras da programação linear Nro. Mínimo de atendentes Mínimo de 2 analistas para cada estagiário no turno AtivAtiv 5d 5d –– Resolução Resolução –– Modelo MatemáticoModelo Matemático Período do dia Estagiário Analista manhã Analista tarde Analista noite Número mínimo de atendentes 8h – 12h e1 a1 --- --- 4 12h – 16h e2 a2 --- 8 16h – 20h e3 --- a3 10 20h – 24h e4 --- --- 6 AtivAtiv 5d 5d –– Resolução Resolução –– PlanilhaPlanilha Excel (veja Excel (veja arquivo no erudito)arquivo no erudito) Soluções não inteiras Programação Linear InteiraProgramação Linear InteiraProgramação Linear InteiraProgramação Linear Inteira • Como pode ser percebido na solução da atividade 5d, a Programação Linear fornece soluções com valores contínuos (isso é, não necessariamente inteiros) • Isso pode ser um problema quando é necessário que os valores sejam inteiros, como é o caso da atividade 5d (não é possível contratar 1,3333 estagiários para o primeiro turno, por exemplo) • Simplesmente “arredondar” os valores para cima ou para baixo não resolve o problema, pois a solução arredondada pode não ser viável (infringir alguma das restrições) ou pode não ser a ótima Programação Linear InteiraProgramação Linear InteiraProgramação Linear InteiraProgramação Linear Inteira • Por exemplo, arredondando os valores do exercício 5d para cima ou para baixo (considerando o valor mais próximo) temos a tabela abaixo, com Z (custo) mínimo R$ 1.552: • Esta não é a solução ótima possível com valores inteiros. Vamos realizar novamente o procedimento do Solver, agora impondo a solução inteira e verificar os resultados (descrito nos próximos slides, passo a passo) Programação Linear Inteira no Programação Linear Inteira no ExcelExcel Programação Linear Inteira no Programação Linear Inteira no ExcelExcel • No solver, a programação linear inteira é obtida acrescentando-se mais uma restrição, aplicada às células que contêm os valores das variáveis de decisão • 1) Abra a planilha “Atividade 5 Soluções.xlxs” do Erudito • 2) Na aba “Alpha escala” está a planilha com os dados do exercício • 3) Abra a janela de parâmetros do Solver e clique no adicionar restrições Programação Linear Inteira no Programação Linear Inteira no ExcelExcel Programação Linear Inteira no Programação Linear Inteira no ExcelExcel • 4) na caixa “referencia de célula” marque a área correspondente às variáveis de decisão (B27 a H27) • 5) Na caixa dropdown para o tipo de restrição, note que além do “<=“, “=“ e “>=“ que já conhecemos, há também duas outras opções: – núm – especifica números inteiros – Bin – especifica números binários (0 ou 1) • 6) Selecione a opção “núm” e clique no OK • 7) Note que uma restrição “= número” é adicionada • OBS – No Excel mais recente, a opção para números inteiros é “int”, e não “núm”. Programação Linear Inteira no Programação Linear Inteira no ExcelExcel Programação Linear Inteira no Programação Linear Inteira no ExcelExcel • 8) Se o Excel for posterior a 2007, antes de executar o Solver, verifique na janela de opções se a opção “ignorar restrições de números inteiros” está desmarcada (clique no botão opções na janela de parâmetros do solver). • 9) Clique no “Resolver” • 10) Note que no caso da programação linear inteira, não é gerado relatório de sensibilidade Esta opção não consta no Excel 2007. AtivAtiv 5d 5d –– Resposta com Programação Linear Resposta com Programação Linear InteiraInteira Veja o resultado ótimo inteiro Diferente de 1552 obtido através do arredondamento. Programação Linear Programação Linear Inteira Inteira -- ExemploExemploProgramação Linear Programação Linear Inteira Inteira -- ExemploExemplo Max Z = x1 + 4x2 Sujeito a 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x1 > 0, x2 > 0, inteiros 1 2 1 2 2x1 + 4x2 < 7 10x1 + 3x2 < 15 Z = x1 + 4x2 x1 x2 A B C D (0; 1,75) Solução não Solução não inteira inteira -- Método SimplexMétodo SimplexSolução não Solução não inteira inteira -- Método SimplexMétodo Simplex 0 Max Z = x1 + 4x2 Sujeito a 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x1 > 0, x2 > 0 Solução ótima 1 2 1 2 2x1 + 4x2 < 7 10x1 + 3x2 < 15 Z = x1 + 4x2 x1 x2 A B C D (0; 1,75) Solução Solução inteira inteira -- Método de Método de BranchBranch--andand--BoundBoundSolução Solução inteira inteira -- Método de Método de BranchBranch--andand--BoundBound (1; 1) 0 Max Z = x1 + 4x2 Sujeito a 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x1 > 0, x2 > 0, inteiros Note que a solução ótima ao problema não está em um dos pontos extremos do conjunto de soluções viáveis. Portanto, o relatório de sensibilidade não é significativo. Solução ótima PLI PLI –– Método de Método de BranchBranch--andand--BoundBoundPLI PLI –– Método de Método de BranchBranch--andand--BoundBound • Cada vez que uma variável resulta não inteira, ramifica-se com duas opções de restrição adicional – o inteiro logo acima e o inteiro logo abaixo. A cada restrição adicional o valor de Z decresce. • Consiste em observar que, se após encontraro ponto ótimo de um problema, introduzirmos restrições adicionais, o novo ótimo será não melhor que o anterior sem as restrições adicionais. PLI PLI –– Método de Método de BranchBranch--andand--BoundBoundPLI PLI –– Método de Método de BranchBranch--andand--BoundBound x1 = 0 x2 = 1,75 Z = 7 x2 < 1 x2 > 2 1 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x1 > 0, x2 > 0, inteiros Inteiro logo abaixo Inteiro logo acima Variável não inteira PLI PLI –– Método de Método de BranchBranch--andand--BoundBoundPLI PLI –– Método de Método de BranchBranch--andand--BoundBound 1 2 1 2 2x1 + 4x2 < 7 10x1 + 3x2 < 15 Z = x1 + 4x2 1 x2 < 1 x1 x2 0 2(1,2; 1) Max Z = x1 + 4x2 Sujeito a 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x2 < 1 x1 > 0, x2 > 0, inteiros Ramo 2 A B C D Variável não inteira PLI PLI –– Método de Método de BranchBranch--andand--BoundBoundPLI PLI –– Método de Método de BranchBranch--andand--BoundBound 1 2 1 2 2x1 + 4x2 < 7 10x1 + 3x2 < 15 Z = x1 + 4x2 1 x2 > 2 x1 x2 0 Max Z = x1 + 4x2 Sujeito a 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x2 > 2 x1 > 0, x2 > 0, inteiros Não viável Ramo 3 A B C D PLI PLI –– Método de Método de BranchBranch--andand--BoundBoundPLI PLI –– Método de Método de BranchBranch--andand--BoundBound x1 = 0 x2 = 1,75 Z = 7 Não viável x1 = 1,2 x2 = 1 Z = 5,2 x2 < 1 x2 > 2 x1 < 1 x1 > 2 1 2 3 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x1 > 0, x2 > 0, inteiros Inteiro logo abaixo Inteiro logo acima Variável não é inteira Inteiro logo abaixo Inteiro logo acima Variável não é inteira PLI PLI –– Método de Método de BranchBranch--andand--BoundBoundPLI PLI –– Método de Método de BranchBranch--andand--BoundBound 1 2 1 2 2x1 + 4x2 < 7 10x1 + 3x2 < 15 Z = x1 + 4x2 1 2 x2 < 1 x1< 1 4 x1 x2 0 Max Z = x1 + 4x2 Sujeito a 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x2 < 1 x1 < 1 x1 > 0, x2 > 0, inteiros Ramo 4 A B C D (1; 1) Variáveis inteiras PLI PLI –– Método de Método de BranchBranch--andand--BoundBoundPLI PLI –– Método de Método de BranchBranch--andand--BoundBound 1 2 1 2 2x1 + 4x2 < 7 10x1 + 3x2 < 15 Z = x1 + 4x2 1 2 x2 < 1 x1 > 2 x1 x2 A B C D Max Z = x1 + 4x2 Sujeito a 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x2 < 1 x1 > 2 x1 > 0, x2 > 0, inteiros Não viável Ramo 5 PLI PLI –– Método de Método de BranchBranch--andand--BoundBoundPLI PLI –– Método de Método de BranchBranch--andand--BoundBound x1 = 0 x2 = 1,75 Z = 7 Não viável x1 = 1,2 x2 = 1 Z = 5,2 x1 = 1 x2 = 1 Z = 5 Não viável x2 < 1 x2 > 2 x1 < 1 x1 > 2 1 2 3 4 5 2x1 + 4x2 < 7 10x1 + 3x2 < 15 x1 > 0, x2 > 0, inteiros Inteiro logo abaixo Inteiro logo acima Variável não é inteira Inteiro logo abaixo Inteiro logo acima Variável não é inteira Solução (Variáveis são inteiras) Programação BináriaProgramação Binária Programação Binária Programação Binária -- ConceitoConceitoProgramação Binária Programação Binária -- ConceitoConceito • A programação binária é um caso especial da programação inteira • Quando as variáveis de decisão em um problema só são permitidas a assumir valores 0 ou 1, tem-se o caso de programação binária. • O número de aplicações para este tipo de problema é muito grande: sempre que se deseja indicar como solução um conjunto de decisões do tipo sim/não interdependentes pode-se aplicar a programação binária • Uma decisão do tipo sim/não pode ser modelada por uma variável binária, fazendo-se 1=sim e 0=não Programação Binária Programação Binária -- ConceitoConceitoProgramação Binária Programação Binária -- ConceitoConceito • De n possibilidades selecionar não mais do que k alternativas. Suponha xi = 0 ou 1 p/ i=1,...,n. A restrição x1 + x2 + ... + xn < k significa que, no máximo, k alternativas de n possibilidades podem ser escolhidas. • De n possibilidades selecionar k alternativas. Suponha xi = 0 ou 1 p/ i=1,...,n. A restrição x1 + x2 + ... + xn = k significa que k alternativas de n possibilidades devem ser escolhidas. • Decisões dependentes. Não selecionar a alternativa k a não ser que seja selecionada antes a alternativa m. A restrição xk < xm ou xk - xm < 0 impõe esta condição. • Negação. A negação de xk é representada como: (1 – xk). Programação Binária Programação Binária -- ExemploExemploProgramação Binária Programação Binária -- ExemploExemplo • Uma empresa está considerando uma expansão por meio de uma nova fábrica em Los Angeles ou São Francisco (ou em ambas as cidades). Também está considerando construir armazéns, mas, somente na(s) cidade(s) em que também houver construído uma fábrica. A empresa pode investir até $ 10 milhões nesses projetos • A tabela a seguir mostra o VPL (valor presente líquido), ou seja o resultado, e o investimento necessário para cada um dos projetos • Quais devem ser os projetos executados, considerando-se a restrição de capital e interrelações entre as decisões (somente construir depósito em cidade em que for construída fábrica)? Decisão VPL (valor presente líquido) Investimento Construir fábrica em Los Angeles $ 9 milhões $ 6 milhões Construir fábrica em São Francisco $ 5 milhões $ 3 milhões Construir depósito em Los Angeles $ 6 milhões $ 5 milhões Construir depósito em São Francisco $ 4 milhões $ 2 milhões Programação Binária Programação Binária -- ExemploExemploProgramação Binária Programação Binária -- ExemploExemplo • Para modelar esse problema com a programação binária utilizaremos 4 variáveis binárias representando a decisão (0=não faz o projeto; 1 = faz o projeto) • A partir daí, elabora-se o modelo matemático: – Função Objetivo: Max Z (VPL) = 9X1+5X2+6X3+4X4 – Restrições: • Capital: 6X1+3X2+5X3+2X4 <= 10 • Depósito somente onde há fábricas: X3 <= X1 -X1+X3 <=0 (depósito (X3) depende da fábrica (X1)) X4 <= X2 -X2+X4 <=0 (depósito (X4) depende da fábrica (X2)) • Variáveis X1, X2, X3 e X4 Binárias Variável Binária Decisão VPL (valor presente líquido) Investimento X1 0= Não Construir fábrica em Los Angeles 1= Construir fábrica em Los Angeles $ 9 milhões $ 6 milhões X2 0 = Não Construir fábrica em São Francisco 1= Construir fábrica em São Francisco $ 5 milhões $ 3 milhões X3 0= Não Construir depósito em Los Angeles 1= Construir depósito em Los Angeles $ 6 milhões $ 5 milhões X4 0 = Não Construir depósito em São Francisco 1= Construir depósito em São Francisco $ 4 milhões $ 2 milhões Programação Binária no ExcelProgramação Binária no ExcelProgramação Binária no ExcelProgramação Binária no Excel • No solver, a programação Binária também é obtida acrescentando-se mais uma restrição, aplicada às células que contêm os valores das variáveis de decisão • Em vez de selecionar “núm” deve-se selecionar “bin” para a restrição adicionada • Se o Excel for posterior a 2007, antes de executar o Solver, verifique na janela de opções se a opção “ignorar restrições de números inteiros” está desmarcada (clique no botão opções na janela de parâmetros do solver) Programação Programação BináriaBinária Exemplo : Seleção Exemplo : Seleção de de InvestimentoInvestimento Programação Programação BináriaBinária Exemplo : Seleção Exemplo : Seleção de de InvestimentoInvestimento Opções Retorno(VPL) A Capital Necessário por Ano 1 2 3 4 5 400 100 50 200 100 0 B 700 300 200 100 100 100 C 800 100 200 270 200 100 D 1000 200 100 400 200 200 Capital Disponível por Ano 500 450 700 400 300 Deseja-se selecionar projetos de investimentos que maximizem o retorno. Os retornos e as limitações de capital por ano parao investimento são dados no quadro abaixo: Programação Binária Programação Binária Exemplo: Exemplo: Seleção Seleção de Investimentode Investimento Programação Binária Programação Binária Exemplo: Exemplo: Seleção Seleção de Investimentode Investimento Max Z = 400xA + 700xB + 800xC + 1000xD Sujeito a 100xA + 300xB + 100xC + 200xD < 500 50xA + 200xB + 200xC + 100xD < 450 200xA + 100xB + 270xC + 400xD < 700 100xA + 100xB + 200xC + 200xD < 400 0xA + 100xB + 100xC + 200xD < 300 xi = 0 ou 1; i=A, B, C, D Variáveis de decisão xi = 1 se for selecionado o investimento i, xi = 0 se não for selecionado o investimento i. (i = A, B, C, D) Programação Programação MistaMista Exemplo: Localização Exemplo: Localização de Depósitode Depósito Programação Programação MistaMista Exemplo: Localização Exemplo: Localização de Depósitode Depósito Um atacadista aluga seus depósitos regionais. Atualmente há uma lista de três depósitos (A, B e C) que podem ser alugados. Formular o modelo de programação binária que minimize os custos de aluguel e de transporte de bens de seus depósitos A, B e C para os locais 1, 2, 3 e 4. Os custos de aluguel e os custos de mandar um caminhão de um depósito para um local são dados na tabela seguinte. Programação Programação MistaMista Exemplo: Localização Exemplo: Localização de Depósitode Depósito Programação Programação MistaMista Exemplo: Localização Exemplo: Localização de Depósitode Depósito Depósito Local Capacidade (em número de caminhões) Aluguel mensal1 2 43 170 40 16070 150 195 10100 100 240 60140 100 90 60110 A B C Demanda (em número de caminhões) 200 7750 250 4000 300 5500 Programação Programação MistaMista Exemplo: Localização Exemplo: Localização de Depósitode Depósito Programação Programação MistaMista Exemplo: Localização Exemplo: Localização de Depósitode Depósito yi = 1 se alugar o depósito i, yi = 0 se não alugar o depósito i. (i = A, B, C) xij = número de caminhões de depósito i para local j. (i = A, B, C; j = 1, 2, 3, 4) Custo de transporte 170xA1 + 40xA2 + 70xA3 + ... + 60xC4 Aluguel 7750yA + 4000yB + 5500yC Custo Total = Custo de transporte + Aluguel Programação Programação MistaMista Localização Localização de Depósitode Depósito Programação Programação MistaMista Localização Localização de Depósitode Depósito Min Z = 170xA1 + 40xA2 + 70xA3 + ... + 60xC4 + 7750yA + 4000yB + 5500yC Sujeito a xA1 + xB1 + xC1 = 100 xA2 + xB2 + xC2 = 90 xA3 + xB3 + xC3 =110 xA4 + xB4 + xC4 = 60 xA1 + xA2 + xA3 + xA4 < 200yA xA1 + xA2 + xA3 + xA4 - 200yA < 0 xB1 + xB2 + xB3 + xB4 < 250yB xB1 + xB2 + xB3 + xB4 - 250yB < 0 xC1 + xC2 + xC3 + xC4 < 300yC xC1 + xC2 + xC3 + xC4 - 300yC < 0 yi = 0 ou 1 (binário); i = A, B, C xij > 0; i = A, B, C; j = 1 ... 4 Programação Programação MistaMista-- SolverSolver Localização Localização de Depósitode Depósito Programação Programação MistaMista-- SolverSolver Localização Localização de Depósitode Depósito Todas as variáveis Programação Programação MistaMista-- SolverSolver Localização Localização de Depósitode Depósito Programação Programação MistaMista-- SolverSolver Localização Localização de Depósitode Depósito • Elabore a planilha Excel com o modelo matemático e a solução em solver para o problema apresentado como exemplo: • Uma empresa está considerando uma expansão por meio de uma nova fábrica em Los Angeles ou São Francisco (ou em ambas as cidades). Também está considerando construir armazéns, mas, somente na(s) cidade(s) em que também houver construído uma fábrica. A empresa pode investir até $ 10 milhões nesses projetos • A tabela a seguir mostra o VPL (valor presente líquido), ou seja o resultado, e o investimento necessário para cada um dos projetos • Quais devem ser os projetos executados, considerando-se a restrição de capital e interrelações entre as decisões (somente construir depósito em cidade em que for construída fábrica)? AtivAtiv. 6a. 6a–– Resolver em Excel HOJE em AULA Resolver em Excel HOJE em AULA –– Entregar pelo Erudito Entregar pelo Erudito –– Duplas ou Trios Duplas ou Trios AtivAtiv. 6a. 6a–– Resolver em Excel HOJE em AULA Resolver em Excel HOJE em AULA –– Entregar pelo Erudito Entregar pelo Erudito –– Duplas ou Trios Duplas ou Trios Decisão VPL (valor presente líquido) Investimento Construir fábrica em Los Angeles $ 9 milhões $ 6 milhões Construir fábrica em São Francisco $ 5 milhões $ 3 milhões Construir depósito em Los Angeles $ 6 milhões $ 5 milhões Construir depósito em São Francisco $ 4 milhões $ 2 milhões AtivAtiv. 6a . 6a -- continuaçãocontinuaçãoAtivAtiv. 6a . 6a -- continuaçãocontinuação • Para modelar esse problema com a programação binária utilizaremos 4 variáveis binárias representando a decisão (0=não faz o projeto; 1 = faz o projeto) • A partir daí, elabora-se o modelo matemático: – Função Objetivo: Max Z (VPL) = 9X1+5X2+6X3+4X4 – Restrições: • Capital: 6X1+3X2+5X3+2X4 <= 10 • Depósito somente onde há fábricas: X3 <= X1 -X1+X3 <=0 (depósito (X3) depende da fábrica (X1)) X4 <= X2 -X2+X4 <=0 (depósito (X4) depende da fábrica (X2)) • Variáveis X1, X2, X3 e X4 Binárias Variável Binária Decisão VPL (valor presente líquido) Investimento X1 0= Não Construir fábrica em Los Angeles 1= Construir fábrica em Los Angeles $ 9 milhões $ 6 milhões X2 0 = Não Construir fábrica em São Francisco 1= Construir fábrica em São Francisco $ 5 milhões $ 3 milhões X3 0= Não Construir depósito em Los Angeles 1= Construir depósito em Los Angeles $ 6 milhões $ 5 milhões X4 0 = Não Construir depósito em São Francisco 1= Construir depósito em São Francisco $ 4 milhões $ 2 milhões Deseja-se selecionar projetos de investimentos que maximizem o retorno. Os retornos e as limitações de capital por ano para o investimento são dados no quadro abaixo: Opções Retorno (VPL) Capital necessário por ano 1 2 3 4 5 A 400 100 50 200 100 0 B 700 300 200 100 100 100 C 800 100 200 270 200 100 D 1000 200 100 400 200 200 Capital disponível por ano 500 450 700 400 300 AtivAtiv. 6b . 6b –– Resolver em Excel HOJE em AULA Resolver em Excel HOJE em AULA –– Entregar pelo Erudito Entregar pelo Erudito –– Duplas ou Trios Duplas ou Trios AtivAtiv. 6b . 6b –– Resolver em Excel HOJE em AULA Resolver em Excel HOJE em AULA –– Entregar pelo Erudito Entregar pelo Erudito –– Duplas ou Trios Duplas ou Trios AtivAtiv. 6b . 6b -- cotinuaçãocotinuaçãoAtivAtiv. 6b . 6b -- cotinuaçãocotinuação Max Z = 400xA + 700xB + 800xC + 1000xD Sujeito a 100xA + 300xB + 100xC + 200xD < 500 50xA + 200xB + 200xC + 100xD < 450 200xA + 100xB + 270xC + 400xD < 700 100xA + 100xB + 200xC + 200xD < 400 0xA + 100xB + 100xC + 200xD < 300 xi = 0 ou 1; i=A, B, C, D Variáveis de decisão xi = 1 se for selecionado o investimento i, xi = 0 se não for selecionado o investimento i. (i = A, B, C, D) Uma companhia distribuidora quer minimizar o custo de transporte de bens de seus depósitos A, B e C para as lojas de varejo 1, 2 e 3. Os custos para transportar uma unidade de um depósito para uma loja de varejo são dados na tabela abaixo: Os custos fixos de operar os depósitos A, B e C são 5.000, 750 e 600 respectivamente. Pelo menos dois deles devem operar. Os depósitos podem ser considerados como tendo capacidade ilimitada de armazenamento (usar qualquer valor maior do que 525). Formule um modelo de programação binária para decidir quais depósitos devem operar e a quantidade a ser transportada de cada depósito para cada loja de varejo. Lojas de varejo Depósito 1 2 3 A 15 32 21 B 9 7 6 C 11 18 5 Demanda 200 150 175 AtivAtiv. 6c. 6c–– Resolver em Excel HOJE em AULA Resolver em Excel HOJE em AULA –– Entregarpelo Erudito Entregar pelo Erudito –– Duplas ou Trios Duplas ou Trios AtivAtiv. 6c. 6c–– Resolver em Excel HOJE em AULA Resolver em Excel HOJE em AULA –– Entregar pelo Erudito Entregar pelo Erudito –– Duplas ou Trios Duplas ou Trios
Compartilhar