Prévia do material em texto
Modelagem de Sistemas Logísticos MSL_Tutoria Material 1 ricardo.buneder@unilasalle.edu.br 12/08/2019 1 2 Iniciamos nosso curso de Modelagem apresentando o conceito de Management Science (MS). Trata-se da área de estudos que utiliza computadores, estatística e matemática para resolver problemas de negócios. Management Science ▪A Management Science pode ser considerada uma subárea da Pesquisa Operacional (PO), por tratar da aplicação de modelos matemáticos à área de negócios. 3 Management Science ▪Mas o que se entende por Pesquisa Operacional? A PO é uma ferramenta matemática que auxilia no processo de tomada de decisão em situações reais. ▪Muitos autores definem a PO como um método para a tomada de decisões. 4 Pesquisa Operacional (PO) 5 A pesquisa operacional pode ser definida como o conjunto de técnicas que faz uso do método científico para auxiliar as pessoas a tomarem decisões. Pesquisa Operacional 6 O que é método? E modelo? Qual a diferença entre os dois? 7 Método e Modelo ▪Método pode ser definido como o procedimento, a técnica ou meio de fazer alguma coisa, especialmente de acordo com um plano. 8 Método 9 Método para Verificar se uma Lâmpada está Queimada ▪Modelo pode ser definido como uma representação simplificada do comportamento da realidade expressa na forma de equações matemáticas e que serve para simular esta realidade. ▪Exemplo: modelo de roteirização para a distribuição física aos clientes de uma empresa engarrafadora de bebidas. 10 Modelo ▪Para que serve a modelagem? A modelagem oferece diretrizes para a tomada de decisões nos vários âmbitos da organização, ou seja, a modelagem oferece informações para chegarmos à melhor decisão ou à melhor solução para o problema. 11 Modelagem É importante salientar que, conforme mostra a Figura 1, mesmo utilizando modelos para auxiliar a tomada de decisões, não devemos deixar de levar em conta a intuição. 12 Tomada de Decisão 13 Situação Gerencial Decisões Mundo Real Mundo Simbólico Modelo Resultado Intuição Figura 1 – Processo de tomada de decisão ▪Cabe à intuição a função de selecionar aspectos do modelo considerados pertinentes, bem como validar resultados. 14 Tomada de Decisão Albert Einstein, ao ser indagado a respeito de como utilizaria seu tempo se dispusesse apenas 1 hora para salvar o mundo, respondeu: “[...] eu gastaria 55 minutos definindo o problema e então usaria os 5 minutos restantes para resolvê-lo”. 15 O processo decisório O processo decisório 16 ▪ Ou seja, tão importante quanto a tomada de decisão é o processo que a antecede e que gera as ações que podem promover a melhoria da situação problemática. Esse processo é chamado de processo decisório. 17 Processo Decisório é aquele que antecede a tomada de decisão e que gera as ações que podem promover a melhoria da situação problemática. O processo decisório 18 Pesquisa Operacional é o ramo da ciência que se dedica exclusivamente ao desenvolvimento de modelos para auxiliar as pessoas e organizações em seus processos decisórios. Pesquisa Operacional (PO) 19 Fatores Cenários Importância Está relacionada ao impacto que a decisão pode provocar na organização (ganhos ou prejuízos); Agentes O número de decisores (um ou grupo), simplifica ou torna mais complexo o processo; Risco O grau de incerteza influencia as decisões; Ambiente Aspectos sociais, políticos e culturais que interferem no processo decisório; Conflitos Choque de interesses entre setores de uma organização ou entre tomadores de decisão. Figura 2 – Fatores e cenários que interferem na tomada de decisão ▪Existem diferentes tipos de modelos: ▪modelos conceituais; ▪modelos simbólicos ou matemáticos; ▪modelos heurísticos. 20 Tipos de Modelos ▪Os modelos conceituais relacionam de maneira sequencial e lógica as informações e fases do processo de decisão. ▪Um exemplo de modelo conceitual é aquele mostrado na Figura 3 sobre aplicação das técnicas de Pesquisa Operacional. 21 Modelos Conceituais 22 Sistema real/Mundo real Figura 3 – Representação simplificada do processo de modelagem Sistema reduzido às suas variáveis principais MODELO ▪Os modelos simbólicos ou matemáticos baseiam-se no pressuposto que todas as informações e variáveis relevantes do problema podem ser quantificadas. ▪ Isso conduz à utilização de símbolos e funções matemáticas para representar essas variáveis a fim de descrever as ligações entre elas e o sistema real/mundo real. 23 Modelos Simbólicos ou Matemáticos Modelos Simbólicos ou Matemáticos 24 ▪Os modelos heurísticos são utilizados quando a complexidade do problema é de tal ordem que a utilização de relações matemáticas torna-se impraticável ou extremamente dispendiosa. 25 Modelos Heurísticos ▪Normalmente são compostos por algoritmos exploratórios. Geralmente não envolvem a implementação computacional de um conhecimento especializado (por exemplo, um modelo heurístico, para resolver uma equação de segundo grau, não usaria, necessariamente, a fórmula de Báskara, mas buscaria, por outros métodos, uma solução que atendesse à equação). 26 Modelos Heurísticos 27 Modelos Heurísticos ▪A metodologia de PO que utilizaremos será baseada em modelos matemáticos. ▪Os modelos matemáticos são classificados em dois grandes grupos: os modelos de otimização e os modelos de simulação. 28 Pesquisa Operacional (PO) ▪Um modelo de otimização é a representação matemática de uma dada situação problemática, com o objetivo de determinar o melhor resultado possível, ou seja, a melhor relação custo/benefício para a organização. ▪A estrutura básica de um modelo de otimização é composta por sua função objetivo, suas variáveis de decisão, seus parâmetros e suas restrições. 29 Modelos Matemáticos de Otimização 30 MODELOS DE OTIMIZAÇÃO Figura 4 – Representação de um modelo matemático de otimização Modelos Matemáticos de Otimização 31 Modelos Matemáticos de Otimização ▪ Em PO, otimizar significa determinar os valores das variáveis de decisão que satisfaçam todas as restrições do modelo e produzam o máximo (ou o mínimo, conforme o caso) valor para a função- objetivo. 32 Modelos Matemáticos de Otimização ▪ Exemplo: se a função-objetivo do problema for a maximização do lucro para uma dada operação, então a otimização se dará quando os valores obtidos para as variáveis de decisão satisfizerem as restrições do problema e, ao mesmo tempo, alcançarem o valor máximo para o lucro. ▪Um modelo de simulação é a representação matemática de uma dada realidade, com a finalidade de verificar o comportamento da mesma quando os valores ou o ordenamento das variáveis que a compõem são alterados. Ao contrário dos modelos de otimização, os modelos de simulação não fornecem a melhor alternativa, mas sim um conjunto de alternativas, todas viáveis para a solução do problema. 33 Modelos Matemáticos de Simulação 34 Modelos de Otimização: alocação de recursos ▪ Os problemas de alocação de recursos empresariais dizem respeito à distribuição dos mesmos entre as diversas atividades empresariais que devem ser realizadas. ▪ Em geral, os recursos disponíveisnão são suficientes para que todas essas atividades sejam executadas de forma a alcançar-se o nível mais elevado desejado pela organização. 35 Modelos de Otimização: alocação de recursos ▪Assim, o que se procura nesses casos é encontrar a melhor distribuição possível dos recursos escassos entre as diversas tarefas/atividades, de modo a atingir um valor ótimo para o objetivo estabelecido. ▪Assim, os problemas de alocação de recursos caracterizam-se pelos seguintes fatos: 36 Modelos de Otimização: alocação de recursos ▪ Os problemas de alocação de recursos apresentam as seguintes características: - existência de uma função- objetivo que possa ser escrita em termos das variáveis de decisão do problema; - existência de restrições à aplicação dos recursos, tanto com relação às quantidades disponíveis quanto em relação à forma de empregá-los; 37 Modelos de Otimização: alocação de recursos - são representados por um modelo matemático de otimização, no qual todas as funções matemáticas são lineares; - são resolvidos através da utilização da Programação Linear. O que é uma função linear? 38 39 Função Linear ▪ É aquela em que somente constantes (números) aparecem multiplicando variáveis, as quais devem ser de primeira ordem (expoente = 1). Exemplo: 2x + 1: linear xy² + 1: não linear, pois existem duas variáveis multiplicando uma à outra (x e y) e, além disso, a variável y possui expoente ≠ 1. 40 Uma função é linear quando a variável x (ou qualquer outra) possuir expoente = 1 e não estiver multiplicando outra variável. 41 Programação Linear (PL) ▪ E Programação Linear (PL), o que é? Trata-se de uma das ferramentas utilizadas em Pesquisa Operacional (PO) para a solução de modelos matemáticos de otimização. 42 Programação Linear (PL) ▪A palavra programação não diz respeito à programação de computadores e, sim, planejamento. 43 Programação Linear (PL) ▪ A Programação Linear tem por objetivo encontrar a solução ótima para a alocação de recursos escassos na realização de atividades. 44 Solução Ótima ▪ Mas o que é uma solução ótima? É aquela que melhor serve aos objetivos das pessoas e das organizações. Exemplo: encontrar o lucro máximo ou o custo mínimo decorrente de uma dada atividade empresarial. Solução Ótima 45 46 Solução Ótima ▪ É importante salientar que não existe uma solução melhor que a ótima. ▪ Podem existir outras tão boas quanto, mas não melhores. 47 Programação Linear é o planejamento de atividades para a obtenção de um resultado ótimo, isto é, um resultado que atenda, da melhor forma possível, a um determinado objetivo. 48 M O D E L O S M A T E M Á T IC O S Variáveis de Decisão Parâmetros Restrições Função Objetivo Figura 5 – Composição de um modelo matemático de otimização 49 Variáveis de Decisão ▪As variáveis de decisão de um modelo matemático de otimização são aquelas que podem ser controladas pelo tomador de decisão. ▪Exemplo: o número de caminhões que uma engarrafadora de bebidas deve despachar num determinado dia para atender a seu mercado consumidor. 50 Parâmetros ▪ Os parâmetros de um modelo matemático de otimização são as variáveis utilizadas no modelo matemático que não podem ser controladas pelo tomador de decisão. A solução do problema é encontrada admitindo que os parâmetros não podem ter seus valores alterados pelo tomador de decisão. ▪ Exemplo: a capacidade de carga de cada caminhão que vai transportar as bebidas. Os caminhões têm uma capacidade especificada pelo fabricante e uma carga total transportada que é limitada pela legislação de trânsito. 51 Restrições ▪As restrições de um modelo matemático de otimização são regras que dizem o que o tomador de decisão pode (ou não) fazer e quais são as limitações dos recursos ou das atividades que estão associadas ao modelo. Exemplo: o número total de caminhões alocados para cada turno tem que ser menor ou igual ao número de motoristas que a empresa tem à disposição em cada turno. 52Mr. Bean motorista 53 Função objetivo ▪ A função-objetivo de um modelo matemático de otimização é aquela que representa o principal objetivo do tomador de decisão. Ela pode ser de dois tipos: de minimização (de custos, erros, chance de perda, desvio do objetivo etc.) ou de maximização (de lucro, receita, utilidade, bem estar, riqueza, chance de sobrevivência etc.). ▪ Exemplo: minimizar os custos de transporte relativos à distribuição de bebidas. 54 Exemplo 1 de aplicação de modelos matemáticos de otimização ▪ Para uma melhor compreensão entender dos conceitos de Modelos Matemáticos de Otimização, vamos a um exemplo. ▪ Uma empresa produz 2 tipos de produtos, P1 e P2, em uma de suas fábricas. Para a fabricação desses dois produtos, 3 insumos são críticos: as quantidades de matérias-primas (tipos A e B) utilizadas e a mão de obra disponível. O departamento de produção sabe que, para o próximo mês, 4.900 kg da matéria-prima A e 4.500 kg da matéria-prima B estarão disponíveis. 55 Exemplo 1 de aplicação de modelos matemáticos de otimização ▪ Cada unidade do produto P1 consome 70 kg da matéria-prima A e 90 kg da matéria-prima B. Por sua vez, cada unidade do produto P2 utiliza em sua produção 70 kg da matéria-prima A e 50 kg da matéria-prima B. Como a produção dos dois produtos utiliza processos diferentes, a mão de obra é especializada e diferente para cada produto, ou seja, não se pode utilizar a mão de obra disponível para a produção de um dos produtos na produção do outro. 56 Exemplo 1 de aplicação de modelos matemáticos de otimização ▪Assim, para a produção do produto P1 a empresa terá disponível, no próximo mês, 80 H.h (homens-hora). Já para a produção de P2, terá 180 H.h. Cada unidade de P1, para ser produzida, utiliza 2 H.h, enquanto cada unidade de P2 utiliza 3 H.h. ▪A comercialização de cada unidade de P1 gera um lucro de $ 20 e a de cada unidade de P2 gera um lucro de $ 60. 57 Exemplo 1 de aplicação de modelos matemáticos de otimização ▪Dada a grande demanda, toda a produção de P1 e P2 é vendida. O objetivo da empresa é obter o maior lucro possível a partir da venda de P1 e P2. Quantas unidades de cada produto deverão ser produzidas a fim de atingir esse objetivo? 58 Solução ▪ As variáveis de decisão do problema (aquilo que está sob controle do tomador de decisão) são: X1 = nº de unidades de P1 a serem produzidas no próximo mês; X2 = nº de unidades de P2 a serem produzidas no próximo mês. 59 Solução ▪ O próximo passo é identificar a função-objetivo que se deseja alcançar e expressá-la através de uma função matemática linear contendo as variáveis de decisão (X1 e X2). 60 Solução ▪O objetivo do modelo é maximizar o lucro total com a venda dos dois produtos. Assim, produzindo e comercializando X1 unidades de P1, teremos um lucro de 20X1. Da mesma forma, para P2, o lucro será de 60X2 para cada unidade comercializada. Desta forma, a função lucro que queremos maximizar, será expressa da seguinte forma: 20x1 + 60x2. ▪Essa função é chamada de função- objetivo e é representada pela letra Z. 61 Solução ▪Assim, a função-objetivo do modelo em questão é: MAX Z = 20X1 + 60X2 62 Solução ▪ Nosso modelo não se restringe à função-objetivo, pois se assim o fosse bastaria produzir infinitas unidades de P1 e P2 para obter o maior lucro possível.No entanto, isso é impossível dadas à disponibilidade de matérias- primas e mão de obra. Assim, temos que representar as restrições do modelo. 63 Solução ▪A primeira restrição diz respeito à quantidade de matéria-prima A, que para o próximo mês é de 4.900 kg. Sabe-se que a produção de 1 unidade de P1 necessita de 70 kg de A e que a produção de 1 unidade de P2 necessita também de 70 kg de A. Como só há 4.900 kg de A disponíveis, temos que a primeira restrição pode ser escrita da seguinte forma: R1: 70X1 + 70X2 ≤ 4.900 (restrição de MP A); 64 Solução ▪ Utilizando-se do mesmo raciocínio para a matéria-prima B, teremos a segunda restrição: R2: 90x1 + 50x2 ≤ 4.500 (restrição MP B) 65 Solução ▪ Agora temos que representar a restrição relativa à mão de obra. Para a produção de P1, temos 80 H.h disponíveis, sendo que cada unidade de P1 utiliza 2 H.h, logo a terceira restrição será: R3: 2x1 ≤ 80, que de forma simplificada pode ser expressa como R3: x1 ≤ 40 (restrição de MO P1) 66 Solução ▪ Já para P2, a restrição relativa à mão de obra é escrita da seguinte forma: R4: 3x2 ≤ 180, ou, de forma simplificada: R4: x2 ≤ 60 (restrição de MO P2) 67 Solução ▪ Há ainda a restrição de não negatividade. Qual seu significado? Como X1 e X2 representam o número de unidades de P1 e P2 a serem fabricadas, não é possível que tais números sejam negativos, ou seja, não existe a fabricação de um número negativo de unidades de um produto. Assim, a última restrição do modelo é escrita da seguinte forma: R5: x1, x2 ≥ 0 (restrição de não- negatividade). 68 Solução ▪ Escrevendo o modelo de PL completo (também chamada de forma canônica): MAX Z = 20x1 + 60x2 (função objetivo) s.a. (sujeito a) Restrições R1: 70x1 + 70x2 ≤ 4.900 R2: 90x1 + 50x2 ≤ 4.500 R3: 2x1 ≤ 80 R4: 3x2 ≤ 180 R5: x1, x2 ≥ 0 69 Exemplo 2 de aplicação de modelos matemáticos de otimização ▪ Uma fábrica de rádios possui duas linhas de produção: rádios Standard e rádios Luxo. Com relação aos rádios Standard temos as seguintes informações: a linha de produção comporta um máximo de 24 pessoas; cada rádio utiliza 1 H.h para ser produzido e sua comercialização fornece um lucro de R$ 30,00. 70 Exemplo 2 de aplicação de modelos matemáticos de otimização Para os rádios Luxo, a linha de produção comporta um máximo de 32 pessoas; cada rádio demanda 2 H.h para ser produzido; além disso, a comercialização desse tipo de rádio fornece um lucro unitário de R$ 40,00. Além disso, sabe-se que a fábrica possui um total de 40 funcionários para serem alocados nas duas linhas de produção. Qual o número de rádios de cada modelo a serem produzidos por hora a fim de maximizar o lucro diário da fábrica? 71 Solução Variáveis de decisão X1 = nº de rádios standard a ser produzido por hora; X2 = nº de rádios luxo a ser produzido por hora. Lucro: 30x1 + 40x2 Função-objetivo: MAX Z = 30x1 + 40x2 72 Solução Restrições R1: x1 ≤ 24 (restrição de MO para rádios standard) R2: 2x2 ≤ 32, ou, x2 ≤ 16 (restrição de MO para rádios luxo) R3: x1 + 2x2 ≤ 40 (restrição de MO para ambos os modelos) R4: x1, x2 ≥ 0 (restrição de não- negatividade) 73 Solução Forma Canônica MAX Z = 30x1 + 40x2 s.a. R1: x1 ≤ 24 R2: x2 ≤ 16 R3: x1 + 2x2 ≤ 40 R4: x1, x2 ≥ 0