Baixe o app para aproveitar ainda mais
Prévia do material em texto
Capítulo 1 Modelagem em Pesquisa Operacional Neste capítulo estudaremos o processo de modelagem em Pesquisa Operacional (PO). O objetivo aqui, não é o de obter soluções de problemas de PO, mas sim o de modelar problemas, em contraposição ao uso apenas da experiência e do bom senso. Como referências básicas sugerimos (HILLIER e LIEBERMAN, 1995) e (GOLDBARG e LUNA, 2005). A influência da Segunda Guerra Mundial foi decisiva para o ressurgimento da PO, e os desenvolvimentos que se seguiram nas décadas que sucederam ao grande conflito são devidos especialmente à difusão do computador nas universidades e empresas. Havia demandas da parte da indústria e dos governos (transportar, planejar e interceptar, etc.), novos conhecimentos em Matemática, Engenharia, Estatística, Economia e Computação eram publicados, e financiamentos de pesquisa nesta área de conhecimento surgiram. O projeto Scientific Computation of Optimum Programs é um exemplo de relevante financiamento ocorrido na ocasião, que resultou num grupo formado para pesquisar a viabilidade em aplicar a Matemática e técnicas correlacionadas à análise de problemas de planejamento e programação militar. 1.1 O processo de modelagem Os responsáveis pela tomada de decisões nos mais variados campos da atividade humana defrontam-se com a necessidade de resolver algum problema específico de PO. A compreensão e a definição do problema são de fundamental importância para o processo de modelagem. O primeiro passo para a resolução de um problema de PO é a formulação, que consiste em traduzir a realidade empírica para sentenças lógicas e dados objetivos, permitindo a partir daí o estabelecimento de um modelo matemático. É onde devemos decidir (julgamento humano) que aspectos do sistema real devemos incorporar ao modelo, assim como quais podem ser ignorados, que suposições podem ser feitas e quais podem ser 2 descartadas. A tradução está sujeita a erros e falhas de comunicação. Também, não existem técnicas precisas capazes de permitir o estabelecimento do modelo de um problema. O segundo passo é a dedução do modelo, isto é, analisá-lo e resolvê-lo através de algoritmos específicos. Sua solução, atenta aos métodos numéricos em Computação, sugere uma tomada de decisão. Para a sua sustentação, recorremos ao terceiro passo que é a interpretação de uma solução do modelo para uma solução do sistema real. Se o modelo não for validado, ele deve ser reformulado, e assim por diante. Este é o processo de modelagem. Para maiores detalhes sobre o processo de modelagem, recomendamos (RAVINDRAN, PHILLIPS e SOLBERG, 1987). A seguir, estudaremos o primeiro passo do processo, ou seja, a formulação em Programação Matemática e exemplos de modelos probabilísticos, sem nos preocuparmos com a solução e a validação. 1.2 Formulação de alguns problemas Trataremos a seguir três problemas de PO nesta seção, um da área agrícola, outro de administração, um de eletricidade, além de alguns processos estocásticos. Em cada seção, enunciaremos o problema de PO e seu modelo correspondente. Finalmente com relação aos modelos probabilísticos, apenas enunciaremos alguns problemas. 1.2.1 Um problema agrícola Este problema foi extraído de (MÜLLER 2004), e trata da elaboração de um modelo de Programação Linear para planejamento de produção agrícola. 1.2.1.1 O problema Consideremos um problema na agricultura para decidir quais e em que quantidade os alimentos soja, milho, arroz e feijão devem ser plantados em uma determinada área de forma a maximizar o lucro líquido do produtor rural. A Tabela 1.1 resume os dados do problema. 3 Tabela 1.1 – Dados gerais do problema. Produção esperada (sacas/hectare) Renda líquida esperada (reais/hectare) Gleba Tamanho (hectare) Soja Milho Arroz Feijão Soja Milho Arroz Feijão 1 10 50 130 30 40 1.200 1.040 240 1.450 2 18 48 120 32 55 1.080 910 300 3.380 3 22 48 140 30 43 1.065 1.728 300 1.890 4 49 50 100 28 38 1.320 700 280 1.220 5 51 35 70 36 32 365 -120 600 610 6 54 32 65 37 30 160 -380 595 280 7 77 35 68 37 32 360 -171 620 585 8 69 38 95 39 36 610 410 665 900 Mínimo (sacas ou hectares) 2.500 (sacas) 3.000 (sacas) 150 (hectares) Máximo (hectares) 80 (hectares) Em relação aos dados da Tabela 1.1, apenas a título de informação, um hectare corresponde a uma área plana equivalente a um quadrado de 100 metros de lado, ou seja, 10.000 m2, enquanto uma saca em geral pesa 50 kg. Pelas restrições impostas pelo proprietário da fazenda precisa-se colher no mínimo 2.500 sacas de soja, pois são para produzir semente encomendada; no mínimo 3.000 sacas de milho, pois será utilizada para pagar empréstimo feito em milho à cooperativa local; pretende-se plantar, no mínimo, 150 hectares de arroz plantados, pois é terra de primeiro ano (terra fraca) e, no máximo, 80 hectares de terra para plantio de feijão, pois se corre risco de perda e prefere-se, neste ano, não arriscar muito. Ainda na Tabela 1.1, “Produção esperada” diz respeito ao que se espera de cada gleba (porção de terra) para o cultivo de cada um dos alimentos. A “Renda líquida esperada” é a diferença entre o custo de produção e renda bruta esperada. As duas últimas linhas formam o conjunto de restrições imposto pelo proprietário da fazenda, que diz respeito ao mínimo ou máximo de sacas que se deseja colher de um certo tipo de alimento, ou o mínimo ou máximo de terra (em hectare) que se deseja plantar. 1.2.1.2 Um modelo Como já afirmamos, não existem regras precisas para o processo de modelagem, por isto sugerimos uma tentativa de encontrar inicialmente as variáveis de 4 decisão. Também sugerimos verificar as unidades de grandeza de cada dado, inclusive das variáveis de decisão. Neste caso, definimos 8,,2,1, �=ixij e 4,3,2,1=j , as variáveis de decisão que pretendemos encontrar, se existirem, a saber: ijx : área em hectares por gleba i , para o plantio do alimento j ( 1=j , soja, 2=j , milho, 3=j , arroz, e 4=j , feijão). Como estamos interessados em maximizar a renda da fazenda, utilizamos os dados da “Renda líquida esperada (reais/hectare)” da Tabela 1.1 para construir o valor da chamada função objetivo do problema, a saber: .900665410610 585620171360 280595380160 610600120365 12202807001320 189030017281065 33803009101080 145024010401200 84838281 74737271 64636261 54535251 44434241 34333231 24232221 14131211 xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx ++++ +++−+ +++−+ +++−+ +++++ +++++ +++++ ++++ Nosso objetivo de maximização está sujeito a algumas restrições. Sabemos que a soma das áreas para o plantio dos quatro alimentos em cada gleba não pode ultrapassar o tamanho total da gleba. Temos então: .69 77 54 51 49 22 18 10 84838281 74737271 64636261 54535251 44434241 34333231 24232221 14131211 ≤+++ ≤+++ ≤+++ ≤+++ ≤+++ ≤+++ ≤+++ ≤+++ xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx Ainda, não pode haver área negativa para plantio de cada alimento. Para isso temos, 8,,2,1,0 �=≥ ixij e 4,3,2,1=j . 5 Finalmente, consideramos as restrições impostas pelo proprietário da fazenda conforme a Tabela 1.1, que se referem aos requisitos de produção dos cereais para atendimento de encomenda, pagamento de empréstimo e condições de qualidade do solo e risco de perdas em relação ao feijão. Assim, obtemos as seguintes desigualdades: 25003835323550484850 8171615141312111 ≥+++++++ xxxxxxxx 300095686570100190120130 8272625242322212 ≥+++++++ xxxxxxxx .80 150 84746454443424148373635343332313 ≤+++++++ ≥+++++++ xxxxxxxx xxxxxxxx Portanto, o nosso modelo matemático, que tenta traduzir uma particular realidade da agricultura, é dado pelo problema de PO maximizar 84838281 74737271 64636261 54535251 44434241 34333231 24232221 14131211 900665410610 585620171360 280595380160 610600120365 12202807001320 189030017281065 33803009101080 145024010401200 xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx ++++ +++−+ +++−+ +++−+ +++++ +++++ +++++ ++++ sujeito a: 69 77 54 51 49 22 18 10 84838281 74737271 64636261 54535251 44434241 34333231 24232221 14131211 ≤+++ ≤+++ ≤+++ ≤+++ ≤+++ ≤+++ ≤+++ ≤+++ xxxx xxxx xxxx xxxx xxxx xxxx xxxx xxxx 25003835323550484850 8171615141312111 ≥+++++++ xxxxxxxx 300095686570100190120130 8272625242322212 ≥+++++++ xxxxxxxx 80 150 8474645444342414 8373635343332313 ≤+++++++ ≥+++++++ xxxxxxxx xxxxxxxx 6 8,,2,1,0 �=≥ ixij e 4,3,2,1=j . A formulação discutida nesta seção refere-se a um modelo com funções afins (isto é, lineares). Desta forma, denominamos este problema agrícola de um problema de Programação Linear (contínua), que estudaremos no Capítulo 3. 1.2.2 Um problema de designação Com base em (FANG e PUTHENPURA, 1993), extraímos o seguinte problema de Programação Linear Inteira. 1.2.2.1 O problema Cinco pessoas (A, B, C, D, E) estão designadas para trabalhar em cinco projetos diferentes (1, 2, 3, 4, 5). A Tabela 1.2 mostra quanto tempo (em dias) uma determinada pessoa consegue finalizar um específico projeto. Tabela 1.2 – Dados gerais do problema. Projetos Pessoas 1 2 3 4 5 A 5 5 7 4 8 B 6 5 8 3 7 C 6 8 9 5 10 D 7 6 6 3 6 E 6 7 10 6 11 O pagamento diário (em uma jornada de quatro horas) por pessoa é 60 reais. Suponha que uma pessoa é designada para realizar um único projeto e cada projeto só pode ser realizado por uma única pessoa. 1.2.2.2 Um modelo Neste caso definimos ijx , 5,,2,1 �=i ( 1=i , pessoa A e assim por diante) e 5,,2,1 �=j , os projetos pelas quais podem ser designadas responsáveis. A variável ijx pode ser definida como: 7 =ijx � � � contráriocaso,0 projeto o para designadafor pessoaase,1 ji Nosso interesse agora é o de minimizar o custo para a execução dos projetos. Assim, utilizamos os dados da Tabela 1.2, para construir o valor da função objetivo, a saber: ).1161076 63667 105986 73856 84755(60 5554535251 4544434241 3534333231 2524232221 1514131211 xxxxx xxxxx xxxxx xxxxx xxxxx +++++ ++++++ ++++++ ++++++ +++++ Nosso objetivo de minimização está sujeito a algumas restrições. Sabemos que cada pessoa é designada para realizar um único projeto, isto é, 1 5 1 =� =j ijx , 5,,2,1 �=i , e que cada projeto só pode ser realizado por uma única pessoa, isto é, 1 5 1 =� =i ijx , 5,,2,1 �=j . Portanto, o nosso modelo matemático que tenta traduzir uma particular realidade do problema clássico de designação (assignment problem, em inglês), é dado pelo problema de PO, minimizar )1161076 63667 105986 73856 84755(60 5554535251 4544434241 3534333231 2524232221 1514131211 xxxxx xxxxx xxxxx xxxxx xxxxx +++++ ++++++ ++++++ ++++++ +++++ sujeito a: 1 5 1 =� =j ijx , 5,,2,1 �=i 1 5 1 =� =i ijx , 5,,2,1 �=j { }1,0∈ijx , 5,,2,1 �=i e 5,,2,1 �=j . 8 A formulação discutida nesta seção refere-se a um modelo com funções lineares tais que as variáveis de decisão são inteiras. Desta forma, denominamos este problema de designação de um problema de Programação Linear Inteira (discreto), assunto que não será objeto de estudo neste livro. Todavia, para os leitores interessados em aprofundar seus conhecimentos nesta área sugerimos os livros de (FOULDS, 1984) e (GARFINKEL e NEMHAUSER, 1972). 1.2.3 Um problema de amplificador de tensão A seguir apresentamos um problema de otimização que envolve um circuito elétrico. 1.2.3.1 O problema Em Engenharia Elétrica é comum a utilização de circuitos amplificadores em aparelhos de áudio e vídeo. Esses circuitos recebem em sua entrada uma tensão elétrica e aumentam sua amplitude disponibilizando na saída um sinal elétrico amplificado. O circuito da Figura 1.1 mostra de maneira simplificada um amplificador onde os estágios de entrada e saída são representados, respectivamente, por uma fonte de tensão, v , e por uma resistência de carga, cR , igual a Ω10 ( AV=Ω ). Este circuito, para certos valores do parâmetro α , comporta-se como um amplificador de tensão. Devem ainda ser respeitados os limites inferior e superior de V12 e V30 , respectivamente, para a tensão na resistência de carga, cc iv 10= . entrada saída Figura 1.1 – Circuito básico para amplificação da tensão v . i ci − + cv ΩM7,0 cR v − + abv Ω5 ci + ΩM1 abvα a b 9 A tensão v da fonte está restrita aos limites inferior e superior, respectivamente, de mV340 e mV500 . O parâmetro α deve ser no mínimo igual a 120 . 1.2.3.2 Um modelo Neste caso, definimos as variáveis de decisão que se pretende encontrar, se existirem, a saber: i : corrente elétrica em ampères (A) suprida pela fonte; ci : corrente elétrica em ampères (A) no lado da carga; v : tensão elétrica da fonte em volts (V); α : parâmetro de controle da fonte dependente, que é adimensional. Nosso interesse está em operar o circuito da Figura 1.1 minimizando a perda de energia elétrica em watts ( VAW = ) nos resistores de resistências ΩM7,0 , ΩM1 e Ω5 , a saber: 226 5107,1 cii +× . Na expressão da perda de energia elétrica não incluímos a resistência cR porque esta representa a carga do circuito. Nosso objetivo de minimização está sujeito a algumas restrições. De acordo com a 2ª Lei de Kirchhoff, que estabelece que a tensão aplicada a qualquer percurso fechado de um circuito é igual ao somatório das quedas de tensão naquele percurso, temos: abviv +×= 6107,0 , onde, abv é a queda de tensão no resistor de ΩM1 . Procedemos de modo análogo para analisar o percurso fechado onde se encontra a resistência de carga e obtemos: cab viv += 5α . 10 Substituindo cc iv 10= na última igualdade e desenvolvendo, obtemos 0105 =−− cab iivα . Além disso, foi dado que: 301012 ≤=≤ cc iv . Dividindo cada dupla desigualdade por dez, obtemos: 32,1 ≤≤ ci . Portanto, o nosso modelo matemático que tenta traduzir uma particular realidade do problema de minimização das perdas em um circuito amplificador de tensão, é dado pelo problema de PO minimizar 226 5107,1 cii +× sujeito a: 0107,0 6 =−×− abviv 0105 =−− cab iivα 32,1 ≤≤ ci 50,034,0 ≤≤ v 120≥α . A formulação discutida nesta seção refere-se a um modelo com pelo menos uma função não linear. Desta forma, denominamos este problema de amplificador de tensão de um problema de Programação Não Linear. Neste livro não estudaremos Programação Não Linear. Todavia, sugerimos as referências (BAZARAA, SHERALI e SHETTY, 1993) e (LUENBERGER, 1984). 1.2.4 Formulação em processos estocásticos Processos estocásticos (ou modelos probabilísticos) são modelos matemáticos desenvolvidos para analisar sistemas dinâmicos sujeitos a incerteza, usando a linguagem da probabilidade. O termo “dinâmico” significa que a variável tempo t geralmente está envolvidano processo de formulação. 11 A principal característica de um problema estocástico é que, associado a pelo menos uma de suas variáveis, temos um número que mede o grau de incerteza (ou de certeza) da ocorrência do valor da variável, dado pela probabilidade. A formulação em processos estocásticos normalmente compreende a elaboração de sentenças lógicas, a interpretação de dados estatísticos sobre o problema e a identificação da distribuição de probabilidade que governa as variáveis. Depois de construído o modelo, este pode admitir soluções analíticas. Em casos de problemas complexos, a simulação computacional é a melhor alternativa. Estudaremos a teoria de probabilidades e distribuições no Capítulo 4. Assim, substituiremos o passo da formulação pelo enunciado de alguns problemas para processos de Markov (Capítulo 5), teoria de filas (Capítulo 6) e simulação (Capítulo 7). 1.2.4.1 Cadeias de Markov Muitos processos que ocorrem em sistemas reais podem ser estudados como se o sistema sob análise passasse, a partir de um estado inicial, por uma seqüência de estados, onde a transição de um determinado estado para o seguinte ocorreria segundo uma certa probabilidade. No caso em que esta probabilidade de transição depende apenas do estado em que o fenômeno se encontra e do estado a seguir, o processo será designado processo de Markov de primeira ordem e uma seqüência de estados seguindo este processo será denominada cadeia de Markov. Um conceito fundamental em processos de Markov é a noção de estado. Propriedades em comum entre indivíduos ou objetos caracterizam o que chamamos de estados. Podemos apontar associações entre propriedade em comum e estado: uma população da região norte que migra para o sul; veículos estacionados numa determinada área; e máquinas numa grande linha de produção. a) Exemplo Em 1993, a utilização do solo em uma cidade de 130 2km de área ocupada apresentava os seguintes índices: 12 (I) Uso residencial: 30% (II) Uso comercial: 20% (III) Uso industrial: 50% O problema é encontrar os estados de utilização do solo em 1998, 2003 e 2008, assumindo que as probabilidades de transição para intervalos de 5 anos são dadas pela seguinte matriz P : III II I P IIIIII � � � � � � � � = 9,01,00 2,07,01,0 1,01,08,0 1.2.4.2 Teoria de filas Um processo de filas consiste em chegadas de usuários em um estabelecimento de prestação de serviços, esperando alinhados (em fila). O usuário que chega ao estabelecimento aguarda se todos os atendentes estiverem ocupados, e é prontamente atendido em caso contrário. Após receber o serviço, o usuário deixa o estabelecimento. a) Exemplo Uma casa de doces finos é operada por uma pessoa, o proprietário. O modelo de chegada de clientes nos sábados segue aproximadamente uma distribuição de Poisson, com uma taxa média de chegada de 10 pessoas por hora. Os clientes são atendidos em base FIFO (primeiro a entrar, primeiro a sair) e por causa do sucesso da loja eles têm que esperar para serem atendidos após chegarem. O tempo gasto para atender a um cliente é estimado como exponencialmente distribuído, com um tempo médio de atendimento de 4 minutos. O problema é determinar a probabilidade de se formar uma fila; o tamanho médio da fila; o tempo esperado que um cliente deve aguardar na fila; o tempo médio que um cliente deve ficar na loja. 1.2.4.3 Simulação Simulação significa reproduzir o funcionamento de um sistema com o auxílio de um modelo. 13 Toda simulação requer a construção de um modelo com o qual são feitos experimentos. Em nosso caso, este modelo é definido por um conjunto de relações lógico- matemáticas, descritas geralmente por um programa de computador. A partir do modelo, as simulações nos permitirão testar algumas hipóteses sobre o valor de variáveis controladas. As conclusões são usadas então para melhorar o desempenho do sistema em estudo, proporcionando suporte bem fundamentado à tomada de decisões. A simulação computacional surgiu a partir da idéia do método Monte Carlo, durante uma conferência em Los Alamos, nos Estados Unidos, após a Segunda Guerra Mundial. Naquela ocasião, após serem apresentadas as experiências adquiridas com o ENIAC (Electronic Numeric Integrator and Calculator), Stanislaw Ulam pressentiu a potencialidade da nova máquina para técnicas de amostragem estocástica. John Von Neumann, pioneiro da Computação, também presente na conferência, foi um dos precursores desse método. Monte Carlo baseia-se essencialmente na geração intensiva de números aleatórios para a solução por simulação computacional de problemas estocásticos. Um número aleatório é um número de uma seqüência de números cuja probabilidade de ocorrência é a mesma que a de qualquer outro número na seqüência. Métodos de simulação de problemas probabilísticos (não determinísticos) exigem a geração de números aleatórios. a) Exemplo Uma empresa deseja saber qual é o nível ideal de estoque para seus produtos. Um problema é manter o atendimento dentro dos padrões previamente estabelecidos com a maior economia possível no gerenciamento e na manutenção dos estoques. As variáveis são: a demanda aleatória em um período de tempo; o tempo de atendimento de pedido de reposição; e os estoques inicial e final no período. 1.3 Exercícios 1. (BOLDRINI, COSTA, FIGUEIREDO e WETZLER, 1986) A Cia. Sovina de Investimentos possui seis milhões de reais, quantia esta que deverá ser aplicada em cinco tipos de investimentos, sendo que os retornos anuais para cada investimento são: investimento 1 ( 1I ), 10%; investimento 2 ( 2I ), 8%; investimento 3 ( 3I ), 6%; investimento 4 ( 4I ), 5%; e investimento 5 ( 5I ), 9%. 14 O gerente desta Cia. deseja diversificar os investimentos para obter o máximo de rendimento possível. Dado o elemento de risco envolvido, o gerente restringiu a quantia a ser aplicada em 1I a não mais que a quantia total aplicada em 3I , 4I e 5I (em conjunto). A soma da quantia total a ser aplicada em 2I e 5I deve ser pelo menos igual à quantia aplicada em 3I . O 2I deve estar limitado a um nível que não exceda a quantia aplicada em 4I . É preciso determinar a alocação ótima de investimento entre as cinco categorias, de forma que o retorno ao final do ano seja o máximo possível. Formular o problema. 2. (BOLDRINI, COSTA, FIGUEIREDO e WETZLER, 1986) Uma empresa nacional possui fábricas em Campinas e Belo Horizonte (BH). Esta empresa produz e distribui computadores a comerciantes de várias cidades. Numa determinada semana, a empresa possui: 30 unidades em Campinas e 40 unidades em BH. Nesta mesma semana, esta empresa deve atender os pedidos dos comerciantes das seguintes cidades: 20 unidades para São Paulo (SP), 25 unidades para o Rio de Janeiro (RJ) e 25 unidades para Vitória. O problema consiste em distribuir as máquinas aos comerciantes de forma a atender os pedidos a um custo mínimo de transporte. Os custos unitários de transporte em reais são: 9 de Campinas para SP, 16 de Campinas para RJ, 25 de Campinas para Vitória, 27,50 de BH para SP, 22,50 de BH para RJ e 21 de BH para Vitória. Formular o problema. 3. (HILLIER e LIEBERMAN, 1995) Uma multinacional decide se instalar em Goiás e escolhe dois municípios para construir fábricas e armazéns: Catalão e Rio Verde. Construção de fábricas e armazéns nestas cidades resulta nos índices de retornos indicados na Tabela 1.3. Tabela 1.3 – Índices de retorno em unidades monetárias. Catalão Rio Verde Fábrica 72 40 Armazém 48 32 Os seguintes critérios devem ser respeitados no processo de decisão: se for construído armazém em Catalão não será construído armazém em Rio Verde; em unidadesmonetárias, o investimento requerido na construção de uma fábrica em Catalão é 48, o 15 investimento requerido na construção de uma fábrica em Rio Verde é 24, o investimento requerido na construção de um armazém em Catalão é 40, o investimento requerido na construção de um armazém em Rio Verde é 16 e a empresa disponibiliza no máximo 80 para investir nas construções. Temos ainda a condição de que na localidade onde for construído armazém tem que ser construída fábrica. Formular o problema de modo a maximizar o retorno do investimento. 4. Considere o problema da seção 1.2.3 sobre operação do amplificador de tensão com mínimas perdas. Reescreva o modelo em função das variáveis de decisão α e v , que para este problema são de fato as variáveis de controle. 5. (BAZARAA, JARVIS e SHERALI, 1997) A qualidade do ar em uma região depende principalmente das emissões de efluentes (e.g., 2CO , 2SO , 4CH , etc.) na atmosfera pelas n indústrias existentes. Cada instalação industrial pode utilizar m diferentes tipos de combustível. Suponha que a energia total necessária à indústria j é jb calorias por dia e que ijc é a emissão de efluentes por tonelada do combustível i pela indústria j . Além disso, suponha que o combustível do tipo i custa ic dólares por tonelada e que cada tonelada deste tipo de combustível gera ijα calorias na indústria j . O nível de poluição do ar na região não pode exceder b microgramas por metro cúbico. Finalmente, seja jγ um parâmetro meteorológico que relaciona emissões da indústria j à qualidade do ar da região. Escrever o modelo do problema para determinar a mistura de combustíveis a ser utilizada por cada indústria. 6. Consulte a literatura em Pesquisa Operacional e forneça um exemplo de um problema estocástico.
Compartilhar