Baixe o app para aproveitar ainda mais
Prévia do material em texto
3 Pesquisa 3 - PO Aluno: Gilson Zacharias OTIMIZAÇÃO DE SISTEMAS DE TRANSPORTE - GST1259 1) Apresente as características do MODELO MATEMÁTICO (MM). O entrelaçamento entre Modelagem Matemática e a ideia de problema foi abordado por Dalla Vecchia e Maltempi (2009; 2010) e Dalla Vecchia (2012). Esses autores discutem que a ideia de problema, assim como a de realidade, parecem ser aspectos que perpassam os diferentes modos de compreender a MM. Desse modo, entendem que investigar tanto realidade quanto problema pode contribuir para ampliar o entendimento da própria MM. Embasados nas pesquisas apresentadas, consideramos que o processo de MM se desvela de modo não necessariamente linear e, portanto, a instabilidade processual afeta uma definição rígida acerca o problema. Nesse contexto de desdobramentos que envolveram o processo problemático inerente à MM, consideramos o entrelaçamento de quatro aspectos: objetivo pedagógico, modelo, problema e realidade, que fomentam uma relativa fluidez e propiciam a constante transformação de toda a problemática. Alegoricamente, relacionamos a influência múltipla de cada um os aspectos citados com as ondulações multifocais proporcionadas por pedras atiradas na água parada. Fonte: http://www.sbembrasil.org.br/enem2016/anais/pdf/5522_3111_ID.pdf 2) Quais são as características do Modelo de SIMULAÇÃO na PESQUISA Operacional? A técnica de simulação tem sido há muito tempo uma importante ferramenta do projetista. Por exemplo, a simulação de vôo de um avião em um túnel de vento é uma prática comum quando se projeta um avião novo. Teoricamente, as regras da física poderiam ser usadas para se obter as mesmas informações sobre como o desempenho da aeronave muda à medida que forem alterados os parâmetros de projeto, porém, por questões práticas, a análise se tornaria muito complicada para resolver o problema todo. Outra opção seria construir aeronaves reais com projetos alternativos e testá-los em vôos reais para escolher o projeto final, no entanto, isso seria muito caro (além de não ser seguro). Portanto, após a realização de algumas análises teóricas preliminares para desenvolver um pré-projeto, a simulação de vôo em um túnel de vento é uma ferramenta vital para experimentar projetos específicos. Essa simulação equivale a imitar o desempenho de um avião de verdade em um ambiente controlado de modo a estimar qual será o real desempenho. Após um projeto detalhado ter sido desen- volvido dessa maneira, um modelo protótipo pode ser construído e testado em um vôo real para ajustar o projeto final. A simulação desempenha o mesmo papel em muitos estudos de PO. Entretanto, em vez de projetar um avião, a equipe de PO se preocupa com o desenvolvimento de um projeto ou procedimento operacional para algum sistema estocástico (um sistema que evolui probabi - listicamente ao longo do tempo). Alguns desses sistemas estocásticos lembram os exemplos das cadeias de Markov e sistemas de filas descritos nos Capítulos 16 e 17, e outros são mais complexos. Em vez de usar um túnel de vento, o desempenho do sistema real é imitado usando-se distribuições de probabilidades para ge rar aleatoriamente diversos eventos que ocorrem no sistema. Portanto, um modelo de simulação sintetiza o sistema construindo-o, componente por componente, e evento por evento. Em seguida, o modelo executa o sistema simulado para obter observações estatísticas do desempenho do sistema resultante de diversos eventos gerados aleatoriamente. Como as execuções de simulação normalmente exigem a geração e o processamento de um enorme volume de dados, esses experimentos estatísticos simulados são, inevitavelmente, realizados em um computador. Quando a simulação for usada como parte de um estudo de PO, ele é comumente precedido e seguido pelas mesmas etapas descritas anteriormente para o projeto de um avião. Particularmente, é feita alguma análise preliminar (talvez com modelos matemáticos aproximados) para se obter um esboço do sistema (inclusive de seus procedimentos operacionais). Em seguida, é usada a simulação para experimentar projetos específicos para estimar o desempenho de cada um deles. Após um projeto detalhado ter sido desenvolvido e selecionado dessa maneira, o sistema provavelmente é testado na prática para ajustes no projeto final. Para preparar a simulação de um sistema complexo, um modelo de simulação detalhado precisa ser formulado para descrever a operação do sistema e como ele deve ser simulado. Um modelo de simulação tem diversos blocos construtivos básicos: 1. Uma definição do estado do sistema (por exemplo, o número de clientes em um sistema de filas). 2. Identificar os possíveis estados do sistema que podem ocorrer. 3. Identificar os possíveis eventos (por exemplo, chegadas e términos de atendimento em um sistema de filas) que mudariam o estado do sistema. 4. Uma provisão para um relógio simulado, localizado no mesmo endereço do programa de simulação, que vai registrar a passagem do tempo (simulado). 5. Um método para ge rar eventos aleatoriamente de diversos tipos. 6. Uma fórmula para identificar as transições de estado que são geradas pelos diversos tipos de eventos. Grandes avanços têm sido feitos no sentido do desenvolvimento de software especial (descrito na Seção 20.5) para integrar de forma eficiente o modelo de simulação em um programa de computador e então realizar as simulações. Não obstante, ao lidar com sistemas relativamente complexos, a simulação tende a ser um procedimento relativamente caro. Após formular um modelo de simulação detalhado, é necessário um tempo considerável para desenvolver e depurar os programas de computador necessários para executar a simulação. Em seguida, talvez sejam necessários diversos processamentos longos para se obter dados de qualidade sobre como será o desempenho de todos os projetos alternativos do sistema. Finalmente, todos esses dados (que apenas fornecem estimativas do desempenho dos projetos alternativos) deveriam ser analisados cuidadosamente antes de se chegar a qualquer conclusão final. Todo esse processo normalmente consome muito tempo e esforço. Portanto, a simulação não deveria ser usada quando existir um procedimento menos oneroso capaz de fornecer as mesmas (ou melhores) informações. Normalmente a simulação é usada quando o sistema estocástico envolvido for muito complexo para ser analisado satisfatoriamente pelos tipos de modelos matemáticos (por exemplo, modelos de filas) descritos em capítulos precedentes. Um dos principais pontos fortes de um modelo matemático é o fato de ele abstrair a essência do problema e revelar sua estrutura subjacente fornecendo, portanto, as relações causa-efeito contidas no sistema. Assim, se o modelador for capaz de construir um modelo matemático que seja, ao mesmo tempo, uma idealização razoável do problema e tratável para solução, essa abordagem geralmente é superior em relação à simulação. Entretanto, diversos problemas são muito complexos para permitir o uso dessa metodologia. Logo, a simulação normalmente é a única abordagem prática a um problema. Fonte: file:///C:/Users/S/Downloads/Cap20.pdf 3) Quais são as características do Modelo de SIMULAÇÃO na PESQUISA Operacional? Segundo CARMINATI, a Modelagem Matemática é o processo que envolve a obtenção de um modelo que tenta descrever matematicamente um fenômeno da nossa realidade para tentar compreendê-lo e estudá-lo, criando hipóteses e re�exões sobre tais fenômenos. Um modelo matemático tem por �nalidade descrever situações, permitir análises dos aspectos relevantes da situação, responder as perguntas formuladas sobre a situaçãoproblema a ser investigada e até mesmo, em alguns casos,viabilizar a realização de previsões para o problema em estudo. Conforme CARMO, o modelo matemático é obtido quando se substitui a linguagem natural das hipóteses por uma linguagem matemática coerente. Conforme CARMINATI, a Modelagem Matemática é uma metodologia alternativa para o ensino de Matemática que pode ser utilizada tanto no Ensino Fundamental como no Ensino Médio. A partir de conceitos gerais, procura-se mostrar a importância da Matemática para o conhecimento e compreensão da realidade onde se vive. De acordo com BIEMBENGUT, a obtenção do modelo matemático através de um problema real é composto de: reconhecimento do problema, em que ocorre a interação e 14 o conhecimento do problema; formulação do problema, em que ocorre a modelagem e a resolução do modelo; e a validação do modelo matemático, em que se veri�ca o quanto o modelo se aproxima da situação real. Já LYRA defende que uma abordagem a ser seguida pelo professor consiste em apresentar o problema, caracterizando-o em um contexto simples e objetivo para o aluno. É interessante sempre começar por problemas que envolvam modelos com duas variáveis para, então, abordar problemas com três ou mais variáveis. Deve-se deixar claro que o modelo resultante impactará no resultado, de forma que muita atenção deve ser tomada no passo de modelagem. Fonte: https://repositorio.bc.ufg.br/tede/bitstream/tede/5905/5/Disserta%C3%A7%C3%A3o%20-%20Adriana%20Batista%20da%20Silva%20-%202016.pdf 4) Quais são as razões para ESCOLHER OTIMIZAÇÃO EM VEZ DE SIMULAÇÃO? Tipicamente, aplicações de Simulação permitem responder a questões do tipo “what if” (e se...), levando em consideração elementos da complexidade dos sistemas produtivos, tais como a variabilidade da ocorrência de eventos e complexidades associadas a decisões próprias de sistemas dinâmicos. Aplicações de Otimização são tradicionalmente focadas em responder a questões do tipo “how to” (como ou o quê), visando maximizar a resposta de um vetor de indicadores de interesse. A conjugação desses dois tipos de aplicação deu origem a uma subárea de pesquisa e aplicação denominada “simulação-otimização”, a qual passou a receber maior atenção nas últimas duas décadas (AZADIVAR, 1999; BOWDEN & HALL, 1998). Uma tendência observada nos últimos anos é a inclusão de ferramentas de otimização em simuladores. Nessas iniciativas, observa-se a inclusão de algoritmos aproximativos ou metaheurísticas (tais como algoritmos genéticos, busca tabu etc.), bem como o acoplamento de ferramentas de simulação com ferramentas de otimização (BOWDEN & HALL, 1998). Apesar de diversos trabalhos científicos serem publicados no sentido da automatização do acoplamento entre modelos de simulação e de otimização (BOWDEN & HALL, 1998, MIRGHANI et al., 2005, BUSH et al., 2003), a conjugação de modelos de simulação e de otimização também pode ser realizada de forma manual, com base em modelos construídos em aplicações distintas e com benefícios relevantes para sua justificação. Em particular, a construção de modelos independentes de otimização e de simulação permite que a equipe de modelistas avalie quais os níveis de detalhe necessários para a adequada avaliação do comportamento do sistema produtivo em relação às decisões e objetivos do estudo (BUSH et al., 2003). Inicia-se com um modelo de otimização visando estimar a solução ótima segundo os critérios estabelecidos para o problema. A solução deste modelo serve como input para a condição operacional do modelo de simulação, que tem por objetivo avaliar a sensibilidade da solução ótima às variabilidades associadas ao sistema modelado. Com base na análise de cenários do modelo de simulação dois resultados podem surgir: o resultado é considerado robusto e gera uma solução a ser implementada; ou o resultado não é considerado robusto e necessita de adaptação. Esta deverá acontecer através da imposição / relaxamento de regras sobre os modelos gerados, de modo a refletir de forma mais adequada às características do sistema sob estudo. Fonte: http://www.abepro.org.br/biblioteca/ENEGEP2007_TR570433_0130.pdf 5) Apresente as 7 etapas usadas para construir os MODELOS DE OTIMIZAÇÃO. 1. Definição do problema; 2. Identificação das variáveis relevantes; 3. Formulação da função objetivo; 4. Formuilação das retrições; 5. Escolha do método matemático de solução; 6. Aplicação do método de solução; 7. Avaliação da solução. Fonte: Material didático – SAI/SAVA 6) Apresente as etapas para construir um MODELO DE OTIMIZAÇÃO, que são pertinentes a expertise do profissional de logística. A otimização aplicada em algum problema, é chamada de problema de otimização. Estes problemas consistem em maximizar ou minimizar algo. Exemplos: 1) maximizar a utilização do espaço de armazenagem; 2) minimizar a conta frete; 3) minimizar o custo de matérias primas; 4) maximizar o retorno de uma carteira de investimentos; 5) minimizar os custos de refugos; 6) minimizar custos de vendas perdidas; 7) maximizar o lucro de uma campanha de marketing. Pelos exemplos, pode-se perceber que a otimização pode ser utilizada em qualquer área de negócios. Outro ponto fundamental que são considerados nos problemas de otimização são as restrições. Nenhuma organização possui recursos infinitos, cada vez mais os recursos (humanos, financeiros e materiais) são escassos. Neste cenário, as organizações são desafiadas todos os dias para otimizar estes recursos. Algumas fazem de maneira mais estruturada, utilizando técnicas de otimização, porém nem todas têm conhecimento nestes recursos, o que acaba minimizando a sua performance. Fonte: http://www.expertsdalogistica.com.br/voce-sabe-o-que-e-otimizacao/ 7) Apresente os 3 tipos de modelos utilizados na Pesquisa Operacional. A literatura e a prática de gestão nos ensina que existem basicamente três tipos de modelos: modelos físicos, analógicos e os matemáticos ou simbólicos. Os modelos físicos seriam as maquetes. Os analógicos representam as relações de diferentes maneiras. Os mapas, os velocímetros através de sua escala circular são exemplos de modelos analógicos. De maior interesse em situações empresariais, os modelos matemáticos ou simbólicos representam as grandezas por variáveis de decisão e as relacionam por meio de expressões ou equações matemáticas. Logo, os modelos matemáticos se assentam sobre uma base quantificável. Um modelo matemático deve possuir variáveis suficientes para que: Os resultados atinjam seus propósitos. O modelo apresente consistência de dados. O modelo possa ser analisado no momento disponível à sua concepção. Num modelo simbólico, quando uma das variáveis representa uma decisão a ser tomada, o modelo é denominado de decisão. Normalmente, decisões são tomadas para se atingir algum objetivo. Consequentemente, nos modelos de decisão adicionamos uma variável que represente a medida de performance dos objetivos (função objetivo). Nunca devemos nos esquecer de que os modelos são uma simplificação da realidade. Para minimizarmos os efeitos da simplificação devemos adicionar detalhes ao modelo para que: Os resultados atinjam os objetivos. Seja modelado e analisado em tempo disponível. Seja consistente com as informações disponíveis. Os modelos matemáticos podem ser classificados em determinísticos ou probabilísticos. Os determinísticos são aqueles em que todas as variáveis relevantes são conhecidas. Nos modelos probabilísticos, uma ou mais variáveis não são conhecidas com certeza e essa incerteza deve ser incorporada ao modelo. Fonte: http://www.administradores.com.br/artigos/tecnologia/pesquisa-operacional-visao-geral/57475/ 8) Quais são os objetivos daTeoria dos Grafos? Teoria dos Grafos é um ramo da Matemática Discreta que estuda as propriedades de grafos (estruturas compostas por um conjunto não-vazio de vértices e outro conjunto de arestas associadas a uma relação binária). Ela surgiu a partir de um problema resolvido por Leonhard Euler (Suíça, 1707-1783), em 1736: o problema das sete pontes de Königsberg. Na cidade de Königsberg, Rússia, haviam duas grandes ilhas que, juntas, formavam um complexo que continha sete pontes; e discutia-se nas ruas da cidade a possibilidade de atravessar todas as pontes, sem passar pela mesma ponte duas vezes. Euler provou que não havia caminho que possibilitasse tal façanha com as restrições impostas. Na época em que o problema das pontes foi resolvido ele foi considerado apenas uma brincadeira, sem nenhuma utilidade prática, hoje em dia, a teoria desenvolvida por Euler ganhou caminhos de extrema importância, pois é utilizada para definir rotas de atendimentos para serviços a domicílio em cidades e também projetos de circuitos integrados como os dos computadores, entre outros. Com base nisso, pretende-se trabalhar com modelos matemáticos baseados em teoria do grafos, com o propósito final de apresentar soluções de problemas que ocorrem no nosso cotidiano. Fonte: http://www2.unigranrio.br/unidades_adm/pro_reitorias/propep/sinctec/almanaqueunigranrio2015/trabalhos/536.pdf 9) O que são árvores binárias? Uma árvore binária é uma estrutura de dados que é capaz de agrupar informações em formato de árvore, na verdade uma árvore binária é bem parecida com um grafo, mas com a ressalva de que ela possui apenas cada nó com apenas dois filhos e um ponto que é pai de todos os outros indiretamente, que é chamado de raiz. Podemos usar árvores para diversas situações, desde sistema para cálculos de probabilidade de vitórias em campeonatos de futebol, até sistema de listagem de dados dinamicamente agrupados a partir de opções vindas do usuário. Em uma árvore binária encontramos alguns nomes específicos para classificar alguns tipos características e informações, veremos algumas das principais delas. Nó = é um dado armazenado em uma árvore binária, é de um tipo específico ao qual a árvore está preparada para armazenar, uma árvore é um container para N nós semelhantes em sua estrutura. Raiz = é o primeiro item de uma árvore binária, ele começa uma estrutura que se repete da seguinte forma: cada item tem 0, 1 ou 2 itens relacionados à eles, dessa forma a raiz é denominada pai e os itens relacionados são os seus filhos. Cada filho pode ter outros filhos, até o final da árvore. Subárvores = são partes da árvore principal que usam como raiz qualquer nó que não seja a raiz inicial e criam outras árvores menores, são árvores sempre menores que a árvore principal e que tem as mesmas características estruturais dessa árvore, dessa forma é fácil entender que uma árvore binária é a soma de todos os nos da subárvore com a raiz sendo o seu filho esquerdo e a subárvore com a raiz sendo o seu filho direito. Folha = é um nó que não possui filhos. Altura de um nó = a quantidade de pais que é necessária para se chegar até a raiz é a altura desse nó, por exemplo se tivermos uma árvore com uma configuração dessa forma: A tem B e C como fi lhos, B tem X e Y como filhos, teríamos o seguinte: A tem altura 0, B e C, 1 e X e Y, com altura 2. Grau de um nó = é semelhante a altura mas sendo que é a contagem inversa. Ao invés de a quantidade de pais até a raiz, a contagem se baseia pela quantidade de filhos até a folha mais longe. No exemplo acima, teríamos: A com grau 2, B e C com grau 1 e X e Y com grau 0. Árvores binárias completas = são árvores binárias onde cada nó que não é folha possui exatos dois filhos. Fonte: https://imasters.com.br/artigo/15924/desenvolvimento/arvores-binarias-e-suas-propriedades/?trace=1519021197&source=single 10) Quais são os três percursos que uma árvore binária pode fazer? Percursos = são os algoritmos (normalmente algoritmos recursivos) que passam por todos os nós da árvore, existem 3 percursos recursivos principais: em ordem (simétrica), pré-ordem e pós-ordem. Suas estruturas de recursão são bem parecidas, se diferenciam apenas na ordem de acesso aos nós. Fonte: https://imasters.com.br/artigo/15924/desenvolvimento/arvores-binarias-e-suas-propriedades/?trace=1519021197&source=single
Compartilhar