Captulo I Modelagem Matemtica

CAPTULO I MODELAGEM MATEMTICA

I - Introduo

Modelagem matemtica uma tcnica de representao quantitativa de processos e problemas reais. Usualmente, classificam-se os modelos matemticos como prescritivos ou descritivos :

Os modelos prescritivos baseiam-se na representao dos objetivos e restries de um processo para o qual se deseja descobrir solues otimizadas, ou seja, o modelo escrito segundo uma tcnica que permite encontrar a melhor soluo ou poltica de ao para os condicionantes representados. Tais modelos podem ser resolvidos de maneira exata ou aproximados. Na maneira exata, a soluo obtida a melhor soluo, dentre todas as possveis, dados os condicionantes do problema modelado. A soluo otimiza (maximiza ou minimiza) uma funo de mrito (por exemplo, o custo total de produo) e ao mesmo tempo respeita (no viola) todas as restries do problema (por exemplo, satisfazer a demanda). Mas, dependendo do tipo de problema a ser resolvido, pode ser extremamente caro, computacionalmente falando, tentar resolv-lo de maneira exata. Por exemplo, um problema de programao linear contnuo (isto , que no contenha variveis inteiras em sua formulao) pode ser resolvido de maneira exata e eficientemente mesmo que contenha milhares (e, s vezes, milhes) de variveis e restries, pois h mtodos 1 polinomiais (eficientes) para isso. J se o problema for de programao linear mista (contendo variveis contnuas e inteiras), ento devemos analisar caso a caso e decidir se pode resolv-lo de maneira exata ou aproximada (heuristicamente). Resolver o problema de maneira aproximada significa que o mtodo utilizado no pode garantir que obtenhamos a soluo tima em todos cenrios resolvidos por ele. O que se pode garantir uma soluo de boa qualidade com baixo custo computacional. Isto no quer dizer absolutamente que devemos resolver todos os problemas grandes e caros computacionalmente de maneira aproximada. Os modelos descritivos so utilizados na representao de sistemas reais (ou propostos) e a experimentao de diferentes cenrios e polticas de ao nos mesmos. A grande motivao para o uso dessas tcnicas a flexibilidade na representao de modelos complexos e a facilidade
1

Informalmente falando, um mtodo polinomial quando para quaisquer exemplares de uma mesma classe de problema, se o tamanho do problema cresce (nmero de variveis e restries) o tempo de execuo cresce segundo uma funo polinomial, ou seja, cresce de maneira suave.

Captulo I Modelagem Matemtica

de aplicao, possibilitando prever o comportamento de um sistema modelado em um horizonte de planejamento escolhido. Os resultados dos experimentos apresentam uma viso futura do sistema, auxiliando no processo de tomada de decises no momento presente. Diferentemente dos mtodos prescritivos, os modelos descritivos so utilizados para comparar polticas de ao j escolhidas pelo decisor, no esperando que o modelo indique a melhor soluo possvel. Por exemplo, suponha que buscamos testar duas polticas de filas em um banco: poltica 1 cada caixa tem sua prpria fila e poltica 2 uma fila nica para todos os caixas. Neste caso, podemos supor que o atendimento ser baseado em uma distribuio de Poisson e que os clientes chegam ao banco baseados em uma distribuio Exponencial Negativa. Depois, simulamos as duas polticas, levando em conta as distribuies envolvidas para verificar qual das duas a melhor. No processo de modelagem devemos levar em conta alguns elementos bsicos :

Parmetros do modelo: so todos os dados conhecidos do processo, utilizados como valores de entradas do modelo. Por exemplo, em um planejamento de produo de uma indstria, se queremos esquematizar as tarefas nas mquinas da linha de produo, precisamos saber o tempo de processamento de cada tarefa em cada mquina, o tempo de setup, as capacidades das mquinas, as disponibilidades de mo-de-obra, etc. Em um problema de distribuio, precisamos das distncias entre os clientes e distribuidores, da demanda dos clientes, da disponibilidade de estoque em cada centro de distribuio, etc. Em um problema de corte de materiais, precisamos saber a quantidade dos itens em estoque, a dimenso dos itens em estoque, os dados da demanda, etc.

Variveis de Deciso: so as incgnitas do modelo. Seus valores interferem na performance do sistema e o modelo opera como um mecanismo de melhoria dentro de um intervalo operacional. Utilizando os mesmos exemplos, a seqncia com que as tarefas sero executadas nas mquinas uma varivel de deciso no modelo de esquematizao (note que se esta seqncia sofrer alteraes, o tempo total do processo tambm sofrer). Para o modelo de distribuio, uma varivel importante a associao de atendimento entre centros de distribuio e clientes. Para o problema de corte, as dimenses dos objetos de estoque escolhidas para corte, os padres de corte, as repeties e o seqenciamento dos padres so variveis de deciso.

Captulo I Modelagem Matemtica

Restries: estabelecem condicionantes entre as variveis de deciso e a dinmica do sistema, indicando as limitaes fsicas, disponibilidades de material e as necessidades a serem atendidas pelo processo a ser modelado. Por exemplo, o tempo disponvel de operao das mquinas a serem seqenciadas; o nmero de caminhes disponveis a serem utilizados no plano de distribuio; as caractersticas dos cortes possveis, etc.

Funo Objetivo: a representao matemtica do objetivo a ser atendido pelo modelo. A funo objetivo mede a eficincia de cada soluo possvel. Pode-se citar como exemplos, o custo ou tempo de produo; o custo de transporte na distribuio; o nvel de atendimento dos pedidos; a perda de material ou a gerao de estoques intermedirios.

Captulo I Modelagem Matemtica

Funo Objetivo

Perda de Matria-Prima Tempo de Setup Estoque Intermedirio Custos de Produo

Em conjunto com os elementos bsicos do modelo esto associados os conceitos de:

Soluo Factvel: uma soluo que respeita todas as restries do problema e, portanto, possvel ser implementada. Regio Factvel: a regio formada por tod as solues factveis, isto , formada pela interseo das restries do problema.

Soluo tima: a melhor soluo factvel encontrada, de acordo com a funo .

Captulo I Modelagem Matemtica

II - Formulao Geral de um Modelo Matemtico Formalmente, um modelo matemtico escrito da seguinte maneira:

Maximizar / Minimizar f ( x) sujeito a : g ( x) a h( x ) b s( x) c l x u

Em que f(x) uma funo, linear ou no linear, a ser otimizada (maximizada ou minimizada) sujeito s restries (lineares ou no lineares) que indicam uma necessidade a ser satisfeita (maior ou igual), uma disponibilidade a ser respeitada (menor ou igual) ou um condicionante a ser satisfeito de maneira exata (igual). Pode-se classificar os modelos de acordo com:

(1) Existncia de restries: (a) Otimizao Irrestrita: a funo a ser otimizada no est sujeita a nenhum condicionante do sistema. Por exemplo, suponha que voc queira ir da sua casa para o trabalho pelo menor caminho. Modelado matematicamente, uma soluo seria o menor entre todos os caminhos possveis, saindo de sua casa e chegando ao seu trabalho (a funo objetivo poderia ser a distncia dos percursos escolhidos ou uma ponderao entre distncia, nmero de semforos, topografia das ruas percorridas, etc). (b) Otimizao Restrita: suponha que o menor caminho que vai de sua casa at o seu trabalho passe por uma regio da cidade onde h uma grande incidncia de assaltos. Portanto, voc gostaria de saber o menor caminho de sua casa at o trabalho evitando passar por esta rea, gerando uma restrio de regio indesejada. (2) Natureza das Variveis: (a) Modelos Discretos: a regio factvel formada por um conjunto discreto de alternativas. Um bom exemplo a programao linear inteira (PLI) em que as variveis de deciso devem ser inteiras ou binrias. H tambm casos em que as variveis devem pertencer a um conjunto e os elementos no precisam ser necessariamente inteiros (considere, por exemplo, o modelo para determinar a quantidade de latas de tintas {1/2, 1, 3/2, 2, ...} a serem compradas de tal forma a minimizar o custo total de compra). (b) Modelos Contnuos: neste caso, a regio factvel contnua, ou seja, no h restries de integralidade sobre as variveis de deciso. (3) Natureza das Restries e Funo Objetivo: (a) Otimizao No-Linear : se a funo objetivo ou uma das restries nolinear, ento o modelo no-linear e a resoluo computacional mais complexa. Se h alguma informao sobre a funo (convexa/cncava, diferencivel ou no) e sobre as restries, ento os mtodos podem ser mais eficientes, caso contrrio pode ser muito caro resolver modelos nolineares de maneira exata. (b) Otimizao Linear : a funo objetivo e as restries so lineares. Neste caso, h vrios algoritmos eficientes para resolver tais problemas. Por exemplo, o Mtodo Simplex,

Captulo I Modelagem Matemtica

desenvolvido por George Dantzig em 1947, continua ainda hoje sendo uma boa opo para resolver problemas de programao linear. H tambm os mtodos de Pontos Interiores que deram um grande impulso na resoluo de modelos lineares, fazendo com que problemas de grande porte pudessem ser manipulados com mais agilidade.

(4) Nmero de Objetivos do Modelo: (a) Otimizao Escalar: quando h apenas uma funo objetivo a ser otimizada. (b) Otimizao Multi-Objetivo: quando h dois ou mais objetivos a serem otimizados. Os objetivos podem ser conflitantes ou no-comensurveis e em geral, so tratados por mtodos especficos de programao multi-objetivo. Existem tambm tcnicas de escalarizao, que transformam os objetivos em um nico (com pesos diferentes para cada objetivo, dependendo da prioridade de cada um), resultando em um problema de otimizao escalar. (5) Dinmica dos Dados de Entrada: (a) Modelos Estticos: servem para se ter uma noo macro do sistema modelado. Por exemplo, ao se fazer o planejamento para o prximo ano, o gerente de produo de uma indstria deseja saber quantas caixas deve comprar para acondicionar o seu produto. Neste caso, ele precisa apenas ter uma ordem de grandeza razovel do quanto ser sua produo, no sendo necessrio ter o plano de produo que demandaria muito mais variveis e tempo de computao para ser resolvido. (b) Modelo Dinmico: quando o processo exige uma identificao mais precisa das aes a serem tomadas no tempo. No exemplo acima, pode-se querer o plano de produo diria da empresa. Neste caso, a varivel tempo deve guiar todo o conjunto de condicionantes do sistema.
III O Processo de Modelagem O processo de modelagem envolve a observao do sistema real, a definio do problema a ser modelado (deve-se fazer a coleta de dados de maneira precisa), a definio do objetivo a ser otimizado e como as restries interagem com este objetivo. Uma vez definida a funo objetivo e suas restries, o modelador escreve o modelo matemtico que dever ser validado atravs da aplicao em cenrios reais. Aps o modelo ser validado, faz-se a implementao final do mesmo, que poder ser usado com uma ferramenta de tomada de decises ou como uma ferramenta de anlise de eficincia do sistema atual. A modelagem um processo contnuo e todo modelo deve ser elaborado com perspectivas de expanso. Neste caso, o modelador deve escolher ferramentas (linguagens algbricas e solvers) que possibilitem e facilitem alteraes nas restries e objetivos do modelo. A figura a seguir ilustra as vrias etapas do processo de modelagem:

Captulo I Modelagem Matemtica

IV A Importncia da Modelagem Matemtica Nos exemplos abaixo, pretendemos motivar o leitor a trabalhar com modelos matemticos. Para tanto, inicialmente vamos comparar o desempenho de um modelo com um mtodo de enumerao de solues: Vamos supor que temos 70 homens que devem ser designados a 70 tarefas distintas. Para cada designao homem-tarefa h um valor que indica o desempenho daquele homem na execuo daquela tarefa. O problema apresenta duas restries: (1) cada homem deve ser designado a apenas uma tarefa e (2) cada tarefa deve ser alocada a um nico homem. O grafo bipartito abaixo (duas parties: uma para representar o conjunto do homens e outra para representar o conjunto das tarefas) representa a estrutura do problema:

O objetivo neste caso determinar uma alocao que maximize a performance total, ou seja, descobrir qual homem designar qual tarefa (cada alocao tem uma performance envolvida) de tal maneira que a soma total das performances envolvidas nesta designao seja a maior possvel. Por exemplo, se a soluo fosse :

Captulo I Modelagem Matemtica

e considerando que Pij indica a performance do homem i ao executar a tarefa j, a soluo 1 teria uma performance total de P1,1+P22,2+P5,3+...+P18,69+P47,70. J a soluo 2 abaixo:

apresenta performance total de P10,1+P69,2+P1,3+...+P50,69+P3,70. Portanto, se formos enumerar todas as possveis solues para este pequeno problema e depois escolher a melhor combinao, 100 teramos 70! possveis solues distintas. Mas, 70! maior do que 10 , que um nmero muito, muito grande. Suponha agora que um computador pudesse avaliar 1 bilho de designaes por segundo (isto , uma vez dada uma designao do tipo soluo 1 ou soluo 2, somar e calcular a performance daquela designao) e este computador estivesse trabalhando desde a poca do BIGBANG, aproximadamente 15 bilhes de anos atrs: hoje no teramos a melhor designao! Quer ver por qu? s acompanhar os clculos: 1 dia = 24 x 60 x 60 = 86400 segundos 1 ano = 86400 x 365 = 31536000 segundos o que significa que o nmero total de designaes que tal computador poderia executar durante um 16 ano da ordem de 3.1536x10 . Portanto, o nmero total de designaes desde o Big Bang da 25 100 ordem de 47.304x10 < 10 . Vamos ento supor que a Terra fosse preenchida com tais computadores trabalhando em paralelo desde a poca do Big Bang. Para tanto, calculamos a rea da base de um computador comum e depois calculamos quantos desses computadores caberiam na superfcie da Terra: Raio da Terra = 6370 km 8 2 rea da Superfcie Terrestre = 5.099x10 Km 2 -8 2 rea da Base do Computador (43 cm x 20 cm) = 860cm =8.6x10 Km gerando um total de 5.9291x10 computadores trabalhando em paralelo. Portanto, o nmero total 25 15 42 100 de designaes desde o Big Bang seria da ordem de 47.304x10 x5.9291x10 =2.805x10 < 10 . 50 Vamos exagerar supondo que tenhamos 10 Terras, todas preenchidas com tais computadores trabalhando em paralelo desde o Big Bang at hoje, ser que teramos a soluo 42 50 92 100 tima em mos? fcil conferir que no, pois 2.805x10 x10 =2.805x10 < 10 . 50 Mas, se houvessem 10 Terras preenchidas com tais computadores trabalhando em paralelo desde o Big Bang at que o Sol se tornasse uma imensa pedra de gelo, talvez obtivssemos a resposta (talvez). O exemplo para mostrar que se atacarmos um problema de maneira errada (com um procedimento aparentemente lgico e simples mas ineficiente), podemos gerar um custo computacional absurdo e no obter a soluo do problema. Antes do Mtodo Simplex no havia uma maneira sistemtica para resolver problemas de programao linear. A tcnica de modelagem matemtica era conhecida, mas no existiam ferramentas para a sua resoluo. Logicamente, aplicavam-se estratgias para a obteno de solues (nada que garantisse solues timas). Com o Mtodo Simplex, os problemas de
15

Captulo I Modelagem Matemtica

programao linear comearam a ser resolvidos sem dificuldade (a memria dos computadores era o nico obstculo). Vejamos o que acontece com o tempo computacional para se obter a soluo tima do problema de atribuio homem-tarefa ao model-lo matematicamente : As variveis de deciso para este problema so :

xi, j

1, se o homem i associado tarefa j 0, caso contrrio

Como vemos, as variveis so binrias, ou seja, assumem apenas os valores 0 ou 1. Os parmetros do nosso modelo so as medidas de performance Pij, indicando o desempenho do homem i ao realizar a tarefa j. O objetivo maximizar a performance total, dada pela frmula:

( P1,1 x1,1 P1,70 x1,70 ) ( P2,1 x 2,1 P2,70 x 2,70 ) ( P70,1 x 70,1 P70,70 x 70,70 )
70 70

p ij x ij
i 1 j 1

em que o primeiro parntesis corresponde a todas as possibilidades de alocao para o homem 1, o segundo parntesis contm todas as possibilidades para o homem 2 e assim por diante at o homem 70. Observe que em cada parntesis apenas uma varivel xi,j assumir o valor 1 e as demais dentro daquele parntesis sero iguais a zero. Isto faz com que dentro de cada parntesis apenas um valor de performance seja considerado. As restries so de dois tipos :

Um Homem deve ser designado a apenas uma tarefa : se as variveis so binrias e sua definio indica que se xi,j=1, o homem i realiza a tarefa j; basta dizer que se
x1,1+x1,2+x1,3+...+x1,69+x1,70=1, ento apenas uma varivel ser igual a 1 e consequentemente, o homem 1 ser designado a apenas uma tarefa (observe que se as variveis no fossem binrias poderamos ter x1,4=0.5 e x1,58=0.5). O mesmo raciocnio se aplica aos demais homens:
70

para i 1 ,
j 1
70

x1,j
x 2 ,j
j 1

x1,1
x 2 ,1

x1,2
x 2 ,2

... x1,69
... x 2 ,69

x1,70
x 2 ,70

1
1

para i
e assim at,

2,
70

para i

70,
j 1

x 70 ,j

x 70 ,1

x 70 ,2

... x 70 ,69

x 70 ,70

gerando o conjunto de restries :

70

x ij
j 1

1 para todo i 1,..., 70

Captulo I Modelagem Matemtica

Repare que o bloco de restries acima no evita que uma tarefa seja alocada a dois homens diferentes. Logo, precisamos do seguinte um bloco de restries:

Uma tarefa deve ser associada a um nico homem:

70

x ij
i 1

1 para todo j 1,..., 70

Em resumo, o modelo para o problema da designao seria:

70 70

Maximizar
i 1j 1 70

pij xij xij

j 1 70

sujeito a

1 para todo i 1,2,..., 70

xij
i 1

1 para todo j 1,2,..., 70 0,1 para todo i, j 1,2,..., 70

xij

Ao resolver este modelo matemtico, utilizando um pacote computacional especfico para problemas de programao linear (AIMMS Advanced Integrated Multidimensional Modeling Software da empresa holandesa Paragon Decision Technology B.V), obtm-se a soluo tima em 0.25 segundos.

10

Captulo I Modelagem Matemtica

O leitor pode estar se perguntando se antes do Mtodo Simplex os modeladores tentavam resolver os problemas atravs de enumerao explcita como feito no exemplo acima. A resposta no. Os modeladores usavam mtodos baseados em regras (heursticas) para obteo de solues sub-timas (no era possvel afirmar que a soluo encontrada era tima, sendo apenas possvel checar sua qualidade atravs de sua implementao na prtica). Vamos utilizar um exemplo menor e tentar uma heurstica: Considere o problema de designao de 4 homens a 4 tarefas. A tabela abaixo fornece as performances de cada homem em cada tarefa:
Desempenho Homem 1 Homem 2 Homem 3 Homem 4 Tarefa 1 Tarefa 2 Tarefa 3 Tarefa 4 1 2 9 3 1 5 8 3 4 6 7 5 2 5 6 4

Uma primeira idia seria escolher um homem ao acaso e designar a ele a tarefa que ele faz melhor. Podemos tambm escolher uma soluo baseada em uma estratgia gulosa, que nos diria para olhar a tabela e selecionar a melhor performance possvel. Neste caso, o valor 9 na interseo da linha do homem 1 com a tarefa 3. Logo, o homem 1 fica alocado para a tarefa 3. Para garantir que o homem 1 no seja alocado a mais de uma tarefa, devemos eliminar a linha do homem 1 e a coluna da tarefa 3 da tabela.

Agora, olhando a tabela resultante e aplicando o mesmo raciocnio, percebe-se que a melhor performance (valor 6) se encontra na interseo do homem 3 com a tarefa 2. Alocando o homem 3 tarefa 2 e eliminando a linha e a coluna correspondentes, obtm-se a tabela resultante abaixo:

A melhor performance agora est na interseo do homem 4 com a tarefa:

Agora, s nos resta alocar o homem 2 tarefa 1.

11

Captulo I Modelagem Matemtica

A performance total da soluo obtida por este procedimento P1,3+P2,1+P3,2+P4,4 = 20. Ao resolver o modelo matemtico do problema de designao com estes dados obtm-se uma performance de 22:

Voc pode observar que mesmo em um problema pequeno (4 homens e 4 tarefas), a aplicao de uma heurstica razovel forneceu uma soluo inferior que aquela obtida pelo modelo matemtico (soluo tima). Como j dissemos, uma heurstica no garante a obteno da soluo tima e sim, solues de boa qualidade em um tempo computacional adequado. Logicamente, a deciso de se aplicar uma heurstica ou um mtodo exato fica por conta do tipo de problema que temos em mos: (1) onsidere o problema de esquematizar tarefas mquinas em que alm de restries de disponibilidade de tempo de mquina tm-se restries de precedncia - o modelo matemtico para este problema bem mais complexo que o primeiro e muito mais caro computacionalmente. (2) Suponha que voc esteja trabalhando em um problema de alocar mdicos em salas de emergncia, considerando alguns condicionantes pessoais dos mdicos. O chefe da emergncia leva de dois a trs meses para preparar uma alocao para o prximo ano. Se voc prope um

12

Captulo I Modelagem Matemtica

modelo matemtico que fornece soluo exata em 15 horas de computao, seria mais do que aceitvel, Na prtica, ao visitarmos uma empresa para levantamento dos dados para modelagem, realizamos um conjunto de entrevistas com os responsveis pelo processo, tentando identificar a seqncia de aes nas solues manuais empregadas, o que gera subsdios para a construo de heursticas ou modelos que resolvam os problemas identificados. Na maioria das ocasies, os procedimentos das empresas so baseados em intuio, adquirida aps anos de experincia. O exerccio de fixao a seguir mostra que nem sempre a intuio a melhor aliada na resoluo de problemas de natureza combinatorial Exerccio de Fixao (Flow Shop): Considere uma estrutura de produo na qual cada tarefa necessita de m operaes para a sua finalizao, realizada sequencialmente em cada uma das m mquinas disponveis. Nessa estrutura, a tarefa t deve passar por todas as mquinas (da 1 4, nessa ordem) e s pode ser processada na mquina i se antes passou pela mquina i-1. Considere o problema de esquematizar 2 tarefas em 4 mquinas com o objetivo de completar as tarefas no menor tempo total possvel. Os tempos necessrios de processamento de cada tarefa em cada mquina so dados na tabela abaixo:
Mquina 1 Mquina 2 Mquina 3 Mquina 4 1 4 4 1 4 1 1 4

Tarefa 1 Tarefa 2

Propomos uma representao do problema usando um Grfico de Gantt, em que as linhas correspondem s mquinas e as colunas s unidades de tempo: Mquina 1 Mquina 2 Mquina 3 Mquina 4 Tempo

10

11

12

13

14

15

Vamos comear alocando a tarefa 1 na mquina 1, o que ocupa 1 unidade de tempo da mquina (lembre-se que as tarefas devem passar primeiro pela mquina 1, depois pela mquina 2, depois pela mquina 3 e finalmente pela mquina 4). Ao alocar a tarefa 1 na mquina 1, s poderemos alocar a tarefa 2 nessa mquina aps o trmino da tarefa 1. Seguindo essa lgica, o grfico de Gantt ficaria: Mquina 1 Mquina 2 Mquina 3 Mquina 4 Tempo T1 T2 T1 2 T2 T1 3 T2 T1 4 T2 T1 5 T2 T1 6

T1 7

T1 8

T1 9

T2 T1 10

T2 11

T2 12

T2 13

T2 14

15

A soluo acima respeita as condies de Flow Shop e nos d um tempo total de 14 unidades para completar a ltima tarefa do sistema. Como queremos minimizar o tempo total de sada da ltima tarefa, temos que, pela nossa intuio, as mquinas no devem ficar ociosas em nenhum perodo. Agora repare o que acontece se a mquina 3 ficar ociosa 1 unidade de tempo para que a tarefa 2 possa ser iniciada no lugar da tarefa 1:

13

Captulo I Modelagem Matemtica

Mquina 1 Mquina 2 Mquina 3 Mquina 4 Tempo T1 T2 T1 2 T2 T1 3 T2 T1 4 T2 T1 5

T2 T2 6 7 T1 T2 8 T1 T2 9 T1 T2 10 T1 T2 11 T1 12 13 14 15

Seriam necessrias 12 unidades de tempo (soluo tima para o problema), indicando que a intuio falharia nesse problema to simples. Imagine em problemas reais! Exerccios Propostos Problema 1.1. [Winston,pg 54] Um fazendeiro deseja determinar quantos acres de milho e trigo deve plantar neste ano. Um acre de trigo rende 25 toneladas por ano e requer 10 horas de trabalho por semana. Um acre de milho rende 10 toneladas por ano e requer 4 horas de trabalho por semana. O trigo pode ser vendido a R$ 4,00/Kg e o milho pode ser vendido a R$ 3,00/Kg. O fazendeiro planeja alocar 7 acres de terra para estes plantios e 40 horas por semana de trabalho. Leis governamentais requerem que seja produzido pelo menos 30 toneladas de milho por ano. D uma soluo de plantio para nosso amigo fazendeiro que obedea os condicionantes do problema: (a) No ultrapasse 7 acres e (b) no use mais do que 40 horas de trabalho por semana. Qual seria o lucro do fazendeiro se ele decidisse implementar a sua soluo? Problema 1.2. [Winston,pg 54] Uma fbrica produz dois tipos de caminhes: Caminho 1 e Caminho 2. Cada caminho deve passar pelo setor de pintura e pelo setor de montagem. Se o setor de pinturas fosse dedicado apenas a pintar caminhes do tipo 1, ento poderiam pintar 800 caminhes do tipo 1 por dia. Por outro lado, se fosse dedicado pintura apenas de caminhes do tipo 2, ento 700 caminhes do tipo 2 seriam pintados por dia. No caso de dedicao exclusiva do setor de montagens, teramos 1500 caminhes do tipo 1 montados por dia, e 1200 caminhes do tipo 2 seriam montados por dia. Cada caminho do tipo 1 d um lucro de R$ 300,00 e do tipo 2 d um lucro de R$ 500,00. D uma soluo para o problema acima e calcule o seu lucro. Problema 1.3. Uma empresa de artigos esportivos precisa decidir quantas bolas de futebol produzir em um horizonte de planejamento de 6 meses. As demandas previstas a serem atendidas so de 10000, 15000, 30000, 35000, 25000 e 10000 unidades para os prximos 6 meses. A empresa conta com 5000 bolas em estoque e pode utilizar a produo mensal para o atendimento da demanda daquele ms (por simplicidade, assume-se que a produo ocorre durante o ms e o atendimento da demanda ocorre no final do ms). A capacidade de produo mensal da empresa de 30000 bolas e a estocagem de produtos limitada a 10000 unidades (no final do ms, aps o atendimento da demanda). Os custos previstos de produo por unidade nos prximos 6 meses so de $12.50, $12.55, $12.70, $12.80, $12.85 e $12.95, respectivamente. O custo por bola mantida em estoque no final do ms de 5% do custo de produo da bola naquele ms. O preo de venda das bolas no relevante nas decises de produo porque a empresa deve satisfazer as demandas exatamente como esto estabelecidas. O objetivo minimizar os custos de produo e estoque. Problema 1.4. [Winston,pg 73] Uma agncia de correios ser aberta. Ela necessita de um nmero diferente de empregados em diferentes dias da semana. O nmero de empregados necessrios em cada dia da semana so: (segunda: 17), (tera: 13), (quarta: 15), (quinta: 19), (sexta: 14), (sbado: 16) e (domingo: 11). Devido a regras impostas pelo sindicato do setor, cada empregado deve trabalhar 5 dias consecutivos e folgar 2 dias consecutivos. Por exemplo, um empregado que trabalha de segunda sexta deve folgar sbado e domingo. A agncia quer satisfazer sua demanda diria e minimizar o nmero de empregados que a contratar. Proponha uma soluo e calcule o nmero de empregados a serem contratados.

14

Captulo I Modelagem Matemtica

Problema 1.5. [Goldbarg e Luna,pg 189] O Problema da auditoria bancria Fase 1: Um banco deve decidir quantos auditores sero necessrios contratar em um horizonte de 6 meses de operao, maro a agosto. As necessidades do esforo de auditoria so contabilizadas em termos de mo-de-obra de auditores experientes da seguinte forma:

Ms Maro Abril Maio Junho Julho Agosto

Necessidade (Horas/ms) 7000 8000 10000 11000 7000 11000

Cada auditor contratado como funcionrio do banco, apesar de formado e aprovado em concurso, tem que ser treinado por um ms antes de poder atuar plenamente em sua funo. Nesse treinamento, so utilizados auditores experientes do prprio banco que, deixando de trabalhar na auditoria normal, dedicam 100 horas para cada auditor a ser treinado. Um auditor trabalha 150 horas por ms. Em 1 de fevereiro, o banco dispe de 60 auditores experientes. O programa de contratao ter incio em 1 de maro. Sabe-se tambm que o mercado de trabalho para auditores est muito instvel, de forma que 10% da fora de trabalho destes profissionais experientes deixa o banco a cada ms em busca de melhores salrios. Um auditor experiente recebe do banco cerca de R$2000,00 por ms, enquanto o auditor em treinamento s recebe uma ajuda de R$150,00. Quando o nmero de auditores excede as necessidades, a carga de trabalho reduzida, mas no so feitas demisses devido ao elevado custo do processo de acordo na justia. Quando isto acontece, novos auditores no so contratados e a evaso normal equilibra a fora de trabalho. Proponha uma soluo objetivando minimizar os custos de operao do sistema de auditoria. Fase 2: Utilizando o processo de terceirizao Paralelamente ao sistema de contratao formal para auditores existe a possibilidade de se obter mo-de-obra para auditorias via uma empresa de terceirizao: a 3Part Consulting. Essa organizao oferece auditores experientes (possivelmente evadidos do sistema normal) e licenciados pela Cmara de Auditores Juramentados. Esse profissional custa R$ 2500,00 ao ms e pode ser includo e retirado da folha a qualquer ms sem qualquer custo de admisso ou demisso. A 3Part s exige a garantia mnima de um ms de trabalho para o profissional e que ele no trabalhe em treinamentos, at porque a empresa promove o curso para licenciar auditores juramentados como um servio adicional. Reformular o problema levando em conta essa nova possibilidade. Problema 1.6. [Goldbarg e Luna,pg 253] O problemas das Damas - Em um tabuleiro de xadrez (8x8) vazio, define-se que a alocao de uma dama em uma casa preta vale o dobro do que em casa branca. Determine a alocao das damas no tabuleiro, de modo que nenhuma delas seja ameaada pelas demais e obtendo o maior valor possvel. Problema 1.7. [Goldbarg e Luna,pg 199] O Problema da Equipe de Competio Um clube de natao A foi desafiado pelo seu rival, clube B, em uma competio de revezamento quatro estilos em 200m. O clube A tem 100 nadadores treinando no clube. O departamento tcnico possui a ficha de cada nadador onde constam os tempos nos estilos Peito(P), Costas(C),Borboleta(B) e Livre(L). (A) O treinador deseja formar a melhor equipe possvel dentre os 100 nadadores em treinamento. Encontre uma soluo e calcule o tempo total da equipe.

15

Captulo I Modelagem Matemtica

Peito Costas Borboleta Livre

1 100.6 44.0 111.0 41.3 11 63.7 49.5 95.6 82.0

2 83.7 42.5 75.5 97.9 12 100.7 48.4 50.2 43.7

3 57.3 119.9 83.2 80.1 13 105.4 55.3 114.3 74.1

4 61.0 96.9 97.0 84.3 14 75.3 45.7 83.0 100.5

5 47.7 119.2 77.3 44.3 15 31.7 63.7 117.5 70.4

6 50.7 41.6 63.5 82.3 16 99.2 88.0 39.8 51.2

7 114.4 103.8 97.5 45.6 17 64.3 107.7 113.7 84.2

8 35.7 81.0 81.6 97.0 18 41.9 31.5 71.4 54.8

9 49.5 77.2 81.6 81.3 19 31.6 111.9 74.8 34.1

10 85.4 50.7 83.7 45.8 20 62.1 84.7 57.8 119.9

Peito Costas Borboleta Livre

(B) Infelizmente, o clube A, acabou derrotado pelo clube B, O motivo da derrota deu-se pelo fato de que o melhor nadador do clube A no estilo Borboleta distendeu o brao um pouco antes da competio. Como a equipe era de especialistas, os outros nadadores da equipe eram pssimo no estilo borboleta. A melhor troca foi feita, mas, o tempo n nado Borboleta foi muito baixo. O treinador decidiu tomar a seguinte deciso: -- Inscrever 4 equipes evitando acima que problemas fsicos atrapalhem a performance do clube nas prximas competies. -- Identificar nadadores que sejam polivalentes. V- Referncias Operations Research Deterministic Optimization Models, Katta Murty, Prentice Hall. Practical Management Science, Wayne Winston, S. Christian Albright e Mark Broadie, Duxbury Thomson Learning. Otimizao Combinatria e Programao Linear - Modelos e Algoritmos, Marco Cesar Goldbarg e Henrique Pacca L. Luna, Campus.

16