modelagem em pesquisa operacional
TRANSCRIPT
![Page 1: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/1.jpg)
Capítulo 1
Modelagem em pesquisa operacional
Neste capítulo estudaremos o processo de modelagem em Pesquisa
Operacional (PO). O objetivo aqui, não é o de em obter soluções de problemas de PO, mas
sim o de modelar problemas, em contraposição ao uso apenas da experiência e do bom senso.
Como referência básica nos referimos aos dois primeiros capítulos do livro
de Hillier e Lieberman 1995, e aos capítulos primeiro, segundo e quinto de Goldbarg e Luna,
2000.
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 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
![Page 2: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/2.jpg)
2
como quais podem ser ignorados, que suposições podem ser feitas e quais podem ser
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.
![Page 3: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/3.jpg)
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
![Page 4: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/4.jpg)
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:
.900665410610585620171360280595380160610600120365
1220280700132018903001728106533803009101080145024010401200
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:
.6977545149221810
84838281
74737271
64636261
54535251
44434241
34333231
24232221
14131211
≤+++≤+++≤+++≤+++≤+++≤+++≤+++≤+++
xxxx
xxxxxxxx
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 .
![Page 5: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/5.jpg)
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
.80150
8474645444342414
8373635343332313≤+++++++≥+++++++
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
900665410610585620171360280595380160610600120365
1220280700132018903001728106533803009101080145024010401200
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
+++++++−++++−++++−++++++++++++++++++++
sujeito a:
6977545149221810
84838281
74737271
64636261
54535251
44434241
34333231
24232221
14131211
≤+++≤+++≤+++≤+++≤+++≤+++≤+++≤+++
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
xxxx
25003835323550484850 8171615141312111 ≥+++++++ xxxxxxxx
300095686570100190120130 8272625242322212 ≥+++++++ xxxxxxxx
80150
8474645444342414
8373635343332313≤+++++++≥+++++++
xxxxxxxx
xxxxxxxx
![Page 6: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/6.jpg)
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
xij pode ser definida como:
![Page 7: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/7.jpg)
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 a função objetivo, a saber:
).116107663667
1059867385684755(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,
15
1=
=jijx , 5,,2,1 =i ,
e que cada projeto só pode ser realizado por uma única pessoa, isto é,
15
1=
=iijx , 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
)116107663667
1059867385684755(60
5554535251
4544434241
3534333231
2524232221
1514131211
xxxxx
xxxxx
xxxxx
xxxxx
xxxxx
++++++++++++++++++++++++++++
sujeito a: 1
5
1=
=jijx , 5,,2,1 =i ,
1
5
1=
=iijx , 5,,2,1 =j .
1,0∈ijx , 5,,2,1 =i e 5,,2,1 =j
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
![Page 8: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/8.jpg)
8
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 Ω8 ( 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 V20 e V100 , respectivamente, para a
tensão na resistência de carga, 18ivc = .
entrada saída
Figura 1.1 – Circuito básico para amplificação da tensão v .
1iα
Ω2
2i
1i
1i
1i
−
+
cv
Ω4
cR v
![Page 9: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/9.jpg)
9
1.2.3.2 Um modelo
Neste caso, definimos as variáveis de decisão que se pretende encontrar, se
existirem, a saber:
1i : corrente elétrica em ampères (A);
2i : corrente elétrica em ampères (A) no resistor em paralelo com a fonte dependente; v : tensão elétrica 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 Ω4 e Ω2 , a saber:
.24 22
21 ii +
Nosso objetivo de minimização está sujeito a algumas restrições. Pela 1ª Lei
de Kirchhoff, que estabelece que a soma das correntes que entram em um nó é igual a soma
das correntes que saem desse nó, temos:
.0121 =−+− iii α
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:
.024 21 =+++− cviiv
Substituindo 18ivc = na última igualdade e desenvolvendo, obtemos
.0212 21 =++− iiv
Além disso, foi dado que:
.100820 1 ≤=≤ ivc
Dividindo cada dupla desigualdade por oito, obtemos
.5,125,2 1 ≤≤ i
![Page 10: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/10.jpg)
10
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 22
21 24 ii +
sujeito a: 0121 =−+− iii α 0212 21 =++− iiv .5,125,2 1 ≤≤ i
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 os livros de Bazaraa, Sherali e Shetty de 1993 e o de 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 envolvida no processo de formulação.
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).
![Page 11: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/11.jpg)
11
1.2.4.1 Simulação
Simulação significa reproduzir o funcionamento de um sistema com o
auxílio de um modelo.
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. O 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.
1.2.4.2 Cadeias de Markov
![Page 12: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/12.jpg)
12
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:
(I) Uso residencial: 30% (II) Uso comercial: 20% (III) Uso industrial: 50%
Encontre 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
=9,01,002,07,01,01,01,08,0
1.2.4.3 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
![Page 13: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/13.jpg)
13
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. Determine: 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.
1.3 Exercícios
1.3.1 (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%.
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.
![Page 14: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/14.jpg)
14
1.3.2 (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.
1.3.3 (Hillier e Lieberman, 1997) 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 unidades
monetárias, o investimento requerido na construção de uma fábrica em Catalão é 48, o
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.
1.3.4 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.
![Page 15: Modelagem em Pesquisa Operacional](https://reader036.vdocuments.net/reader036/viewer/2022081721/5571fa6749795991699225d3/html5/thumbnails/15.jpg)
15
1.3.5 (Bazaraa, Jarvis e Sherali, 1990) 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.
1.3.6 Consulte a literatura em Pesquisa Operacional e forneça um exemplo de um problema
estocástico.