UNIVERSIDADE REGIONAL DE BLUMENAU

DISCIPLINA: PESQUISA OPERACIONAL

PROFESSORA: VIVIANE C. DA SILVA

PESQUISA OPERACIONAL (Operational Research)

Os métodos da Pesquisa Operacional visam auxiliar na seleção da melhor maneira de se operar um

sistema, usualmente sob condições que exijam a utilização de recursos limitados.
Empresas podem ser vistas como sistemas que visam obter o maior retorno possível para as suas
atividades, com retorno podendo significar qualidade do serviço prestado no caso de uma empresa pública, ou
lucro financeiro no caso de uma empresa privada. Planejar as atividades de uma empresa produtora de bens
(eletrodomésticos, equipamentos eletrônicos, automóveis, ...) e de serviços (telefonia, transporte, energia, ...)
significa determinar que decisões a empresa deve tomar, eventualmente ao longo do tempo e sob condições de
incerteza, para maximizar o seu retorno.
Problemas práticos de planejamento podem exigir a utilização de sistemas de suporte à decisão,
softwares destinados a apoiar o processo de tomada de decisões. Sistemas deste tipo geralmente oferecem
opções de modelagem matemática e de métodos quantitativos para tomada de decisões compatíveis com os
modelos adotados. Os modelos matemáticos utilizados em planejamento da produção são geralmente modelos
de otimização, no sentido de que estes modelos prescrevem obter decisões ótimas, como mínimo custo ou
máximo lucro de produção, por exemplo.
Dá-se o nome de Programação Matemática ao conjunto de modelos e métodos de otimização utilizados
em planejamento da produção, podendo o termo programação ser entendido como sinônimo de planejamento.
Baseado em material elaborado pelo professor Osmar Kunen e apostila da professora Janaina Poffo Possamai.
Histórico:

No século XII, com o início da Revolução Industrial, começaram a surgir as primeiras preocupações com
a maximização dos lucros, minimização dos custos e desta forma começaram a surgir as primeiras tentativas de
modelação para interpretar a realidade.
Em 1939, Kantovich, apresenta o trabalho “Métodos Matemáticos de Organização e Planejamento de
Produção”, formulado na forma de um problema de Programação Linear, mas para o qual não apresenta a
resolução.
Somente com o início da II Guerra Mundial é que surge a Pesquisa Operacional, como ramo científico.
Seu objetivo inicial era investigar de forma sistemática e racional os processos envolvidos na realização de uma
atividade produtiva, mesmo que no início com finalidades bélicas.
Hoje ela possui uma grande aplicabilidade nas áreas de administração, produção, planejamento e
organização.
Definição
 2

Como ciência, estrutura processos, propondo um conjunto de alternativas de ação, fazendo a previsão e
comparação de valores, de evidência e de custos.

Ou seja:
 É um método científico de tomada de decisão
 Ferramenta estratégica de gestão de negócios
 Construção de Modelos Matemáticos, econômicos e estatísticos para tratar de situações de
complexidade e incerteza.
 Analisar as relações que determinam as consequências futuras prováveis de ações alternativas.
Inferência.
MODELOS DE P.O.
 Programação Linear
 Simulação
 Transportes e Designação
 Sequenciamento de Projetos (PERT)

BIBLIOGRAFIA:

ANDRADE, Eduardo Leopoldino de. Introdução a pesquisa operacional. Rio de Janeiro: LTCE, [c1990.]. xxvi,
377p.

BRONSON, Richard. Pesquisa operacional. Sao Paulo: McGraw-Hill, c1985. xi, 318p.

CORRAR, Luiz João; THEÓPHILO, Carlos Renato. Pesquisa operacional para decisão em contabilidade e
administração: contabilometria.2. ed. São Paulo: Atlas, 2013. 490 p, il.

HILLIER, Frederick S; LIEBERMAN, Gerald J. Introdução à Pesquisa Operacional. 9. ed. Porto Alegre:
AMGH, 2013. xxii, 1005 p, il.

HIRSCHEFELD, H., Planejamento com PERT-CPM e Análise do Desempenho, 9a ed., São Paulo, Atlas,
1987.

LACHTERMACHER, Gerson. Pesquisa operacional na tomada de decisões: modelagem em Excel. Rio de

Janeiro: Campus, 2002. [322p.], il.

LANZER, Edgar Augusto. Programação linear: conceitos e aplicações. Rio de Janeiro: IPEA/INPES, 1982.
258p.

LOESCH, Cláudio; HEIN, Nelson. Pesquisa Operacional: fundamentos e modelos. São Paulo: Saraiva, 2009.
viii, 248 p, il. , 1 CD-ROM
 3

MAXIMIANO, A. C. A., Administração de Projetos: Transformando idéias em Resultados. São Paulo,

Editora Atlas, 1997.

MOREIRA, Daniel Augusto. Pesquisa Operacional: curso introdutório. São Paulo: Thomson Learning, 2007.

MARINS, F. Introdução à Pesquisa Operacional. Disponível em:

http://www.feg.unesp.br/~fmarins/po/slides/1o%20s/desig.pdf

PRADO, D., Administração de Projetos com PERT-CPM. Belo Horizonte, Ed. UFMG, 1988.

SILVA, Ermes Medeiros da.Pesquisa Operacional: para os cursos de administração e engenharia:

programação linear: simulação.4. ed. São Paulo: Atlas, 2010. xiv, 186 p, il

VIEIRA, N. L., Manual de PERT-CPM, Rio de Janeiro: CNI-SESI/DN, 1980.

PROGRAMAÇÃO LINEAR

A Programação Linear é uma das muitas técnicas analíticas recentemente desenvolvidas que têm
se mostrado úteis na resolução de certos tipos de problemas empresariais. Esses métodos
quantitativos de resolução de problemas, como muito aplicados na Pesquisa Operacional, são
baseados em conceitos matemáticos e estatísticos.

Os
Modelos envolvem as funções, equações e inequações do primeiro grau.

ÁREAS DE APLICAÇÃO:

Os métodos de programação linear podem ser aplicados principalmente à classe geral de problemas
conhecidos como problemas de alocação. Definidos pelos economistas como aqueles envolvidos na alocação
de recursos escassos entre fins alternativos, de acordo com algum critério.
Os recursos escassos para uma empresa incluem capital, pessoal, equipamento e materiais. Os vários
produtos e/ou serviços que constituem a produção da firma representam fins alternativos aos quais devem ser
alocados recursos. O critério ou objetivo, na base de quais decisões de alocação devem ser tomadas, pode ser
alguma forma de maximização de lucro ou outra medida qualquer apropriada de performance desejada.
 4

Encontram-se muitos tipos de problemas de alocação nas atividades empresariais, especialmente na

produção ou função de operações. Como exemplos em que se pode aplicar a Programação Linear, podemos
citar:
 Determinação dos produtos a serem fabricados (composição da produção);
 Problemas de mistura ou composição;
 Problemas de produção e planejamento de estoque;
 Alimentação das máquinas;
 Problemas de transporte e distribuição física.

Embora não haja uma fórmula única para a modelagem, sugere-se a seguinte metodologia:

 Identificar as variáveis decisórias: aquilo que se pode controlar e que se deseja saber quanto vale. As
variáveis devem ser claramente definidas. Se a variável usa alguma unidade de medida, deve-se deixar
bem claro qual é esta unidade de medida. Se ela é real ou só pode assumir valores inteiros.
 Identificar o objetivo: sempre se quer ou maximizar ou minimizar um determinado objetivo, expresso em
função das variáveis do problema.
 Identificar os fatores restritivos: também expressas em função das variáveis do problema, as restrições
limitam as combinações das variáveis a determinados limites.

Modelo Geral de Problemas de Programação Linear

Todo problema de PL pode ser descrito através de uma função objetivo e através de um conjunto de
restrições, todos lineares. Assim, temos o seguinte modelo genérico.

{Max, Min} Z = c1x1 + c2x2 + ... + cnxn

sujeito a
a11x1 + a12x2 + ... + a1nxn { =,  ,  } b1
a21x1 + a22x2 + ... + a2nxn { =,  ,  } b2
...............................................................

am1x1 + am2x2 + ... + amnxn { =,  ,  } bm

x1, x2, ..., xn  0

No modelo matemático acima, deve-se interpretar:

 x1, x2, ...,xn = conjunto de variáveis estruturais do problema;

 c1, c2, ...,cn = coeficientes da função objetivo;

 aij e bj = coeficientes das restrições. Os coeficientes da b i da mão direita devem necessariamente ser não-
negativos quando o algoritmo de resolução é o Simplex.
 5

O que está entre colchetes significa “usar um dos elementos separados por vírgula”.

A função objetivo expressa a meta que se deseja atender. Esta meta ou será de maximização (Max Z
= ...) ou de minimização (Min Z = ...).

As restrições expressam limites a serem respeitados. A resolução procura a solução ótima no espaço de
soluções compatíveis ao problema de PL, ou seja, no conjunto de pontos cujas coordenadas são valores das
variáveis que satisfazem ao conjunto de restrições. Cada restrição poderá ser uma igualdade ( = ) ou uma
desigualdade não-estrita (  ou  ).

As últimas restrições de não negatividade das variáveis constituem condição necessária à aplicação do
algoritmo Simplex de resolução de problemas de PL (que será trabalhado posteriormente). Embora
normalmente isto ocorra em decorrência da natureza da variável dentro do modelo, pode haver situações em
que varáveis são irrestritas, isto é, podem assumir qualquer valor real. É o caso, por exemplo, onde a variável,
em um determinado problema, representa um saldo bancário, que eventualmente pode ser negativo. Nestes
casos, existe um artifício: substituir cada variável irrestrita pela diferença de duas outras, onde a restrição de
não negatividade se aplica. Por exemplo, seja x3 uma variável irrestrita em um problema de PL. Neste caso
utilizamos a substituição x3 =x3’- x3”. Assim, cada ocorrência de x3 na função objetivo e em cada restrição é
substituída por x3’- x3”. Neste caso, x3’  0 e x3”  0. Na solução ótima, tomam-se os valores de x 3’ e x3” e com
eles calcula-se x3. Se x3’ > x3” então x3 > 0. Se x3’ < x3” então x3 < 0.

Observação: Os valores de todos os coeficientes são conhecidos durante a modelagem do problema. As

variáveis são calculadas pelo algoritmo de resolução.

Na PL, todas as variáveis devem ser quantidades reais. No caso de um problema de planejamento da
produção em uma indústria discreta (automobilística, por exemplo), algumas das variáveis (se não todas)
deverão representar quantidades a serem produzidas, necessariamente quantidades inteiras. Neste caso será
necessário, dependendo da solução encontrada, fazer um ajuste na mesma.

MÉTODOS DE CÁLCULO
 Interpretação Gráfica
 Método Simplex
 Solução Computacional
 6

RESOLUÇÃO PELO MÉTODO GRÁFICO

É aplicada a problemas pequenos, com apenas duas variáveis. Apesar da sua limitação, este método
facilita o entendimento do processo de busca da solução por meio da solução gráfica, possibilitando melhor
visão geral do problema e tornando mais fácil a interpretação de alguns passos e resultados.
Cada restrição define uma área que contém um número infinito de pontos representados pela área, que
não excede a inequação de restrição. O processo de busca da solução consiste em encontrar a região definida
por todas as restrições (região viável) e dela selecionar pontos para que sejam analisados na função objetivo de
forma que seja possível encontrar o melhor resultado.

Problema Exemplo 1. A empresa Industrial Têxtil S/A realizou no mês de janeiro a produção e venda de dois
produtos principais: camiseta e conjunto. Como o lucro obtido foi muito bom a empresa deseja otimizar a venda
destes produtos, ou seja, obter o maior lucro possível com as suas vendas.
Sabe-se que os custos fixos ficam na média de R$75000,00 e que cada camiseta custa para a indústria
R$60,00, sendo vendida a R$100,00. Já o conjunto custa, para a indústria R$150,00 e seu preço de venda é
de R$200,00. A demanda máxima de camisetas é de 36000 unidades e dos conjuntos é de 40000 unidades. O
setor de malharia possui 50000 horas/homem disponível, sendo que cada camiseta requer 0,6 e cada conjunto,
1. O setor de beneficiamento possui 65000 horas/homem disponível, sendo que cada camiseta requer 1, e cada
conjunto 0,8. A confecção possui 150.000 horas/homem disponível, sendo que cada camiseta requer 1,5 e cada
conjunto 4. Quantas unidades de cada produto devem ser vendidas para que o lucro seja máximo?

1ª Possibilidade:
Analisar o Beneficiamento: 65000 horas-homem
Cada camiseta: 1 h-h Cada conjunto: 0,8 h-h

Todas as camisetas: 36000  utilizou 36000 h-h do beneficiamento, sobrando 29000 h-h
Conjuntos 35000

29000/0,8 = 36250 conjuntos

Analisando a Malharia: 50000 h-h

Cada camiseta: 0,6 h-h  36000*0,6 = 21600 h-h
Cada cjto: 1 h-h  35000*1 = 35000 h-h
Somando: 56600

Não é possível produzir 36000 camisetas e 35000 conjuntos pois não há tempo suficiente no setor de Malharia.

2ª Possibilidade:
 7

Produzir 30550 camisetas e 19875 conjuntos

Analisar o Beneficiamento: 65000 horas-homem
Cada camiseta: 1 h-h Cada conjunto: 0,8 h-h

Tempo para as camisetas: 30550*1 = 30550 h-h

Tempo para os conjuntos: 19875*0,8 = 15900 h-h
Tempo total gasto no setor = 46450 h-h (é possível)

Analisando a Malharia: 50000 h-h

Cada camiseta: 0,6 h-h Cada conjunto: 1 h-h
Tempo para as camisetas: 30550*0,6 = 18.330 h-h
Tempo para os conjuntos: 19875*1 = 19875 h-h
Tempo total gasto no setor = 38205 h-h (é possível)

Analisando a Confecção: 150000 h-h

Cada camiseta: 1,5 h-h
Cada conjunto: 4 h-h
Tempo para as camisetas: 30550*1,5 = 45825 h-h
Tempo para os conjuntos: 19875*4 = 79500
Tempo total gasto no setor = 125325 (é possível)

Lucro com a camiseta: 40* 30550 = 1222000

Lucro com o conjunto: 50*19875 = 993750
Lucro = 2212750 – 75000 = 2140750

MODELAGEM DO PROBLEMA:
1. OBJETIVO: Lucro Máximo
2. VARIÁVEIS DO PROBLEMA: O que me possibilita encontrar o objetivo? Neste problema, o que
gera lucro?
3. RESTRIÇÕES: São os limitantes do meu problema.

Variáveis de Decisão: quantidade vendida de camisetas: x

Quantidade vendida de conjuntos: y

Função Objetivo: Lucro: Preço de Venda - Custo

Lucro = [(preço da camiseta)*(qtdade de camisetas) +(preço do cjto)*(qtdade de cjto)] +
- [custo da camiseta)*(qtdade de camisetas) + (custo do cjto)*(qtdade de cjto) +(custo fixo)]
 8

Lucro = [100*(qtdade de camisetas) + 200*(qtdade de cjtos)] – [60*(qtdade de camisetas) +150*(qtdade de

cjtos) +75000]
L = [100*x +200*y] – [60*x + 150*y + 75000]
L = 100x + 200y - 60x – 150y – 75000

L = 40x + 50y - 75000

Restrições:
 Tempo da Malharia: 50000 h-h
Cada camiseta precisa de 0,6 h-h Cada conjunto precisa de 1 h-h

Tempo gasto na Produção Tempo disponível

(tp de uma camiseta)*(qtdade de camisetas) + (tp de um cjto)*(qtdade de cjtos) no máximo 50000
0,6x + 1y =< 50000
Observação: =< ou <= ou ≤

 Tempo do Beneficiamento: 65000 h-h

Cada camiseta precisa de 1 h-h Cada conjunto precisa de 0,8 h-h

Tempo gasto na Produção Tempo disponível

(tp de uma camiseta)*(qtdade de camisetas) + (tp de um cjto)*(qtdade de cjtos) no máximo 65000
1x + 0,8y =< 65000

 Tempo da Confecção: 150000 h-h

Cada camiseta precisa de 1,5 h-h Cada conjunto precisa de 4 h-h

Tempo gasto na Produção Tempo disponível

(tp de uma camiseta)*(qtdade de camisetas) + (tp de um cjto)*(qtdade de cjtos) no máximo 150000
1,5x + 4y =< 150000

 Demanda de Camisetas: 36000 unidades

Qtdade vendida de camisetas será no máximo 36000
x =< 36000

 Demanda de Conjuntos: 40000 unidades

Qtdade vendida de conjuntos será no máximo 40000
y =< 40000

 Não negatividade: x >= 0 e y >= 0

 9

Resumindo a Modelagem:
Variáveis de Decisão: quantidade vendida de camisetas: x
quantidade vendida de conjuntos: y
Função Objetivo: (Máximo) L = 40x + 50y - 75000
Restrições:
Tempo do Malharia: 0,6x + 1y =< 50000

Tempo do Beneficiamento: 1x + 0,8y =< 65000

Tempo da Confecção: 1,5x + 4y =< 150000

Demanda de Camisetas: x =< 36000

Demanda de Conjuntos: y =< 40000

Não negatividade: x >= 0 e y >= 0

Problema Exemplo 2. Uma empresa fabrica dois tipos de produtos, feitos de madeira compensada. Cada
produto do tipo A necessita de 5 minutos para o corte e 10 minutos para a montagem; cada produto do tipo B
precisa de 8 minutos para o corte e 8 minutos para a montagem. Dispõe-se de 3 horas e vinte minutos para o
corte e 4 horas para a montagem. O lucro é de $ 5,00 para cada produto do tipo A e de $ 6,00 para cada
produto do tipo B. Suponha que toda a produção é vendida. Quantas unidades de cada produto a empresa
deverá produzir para maximizar o lucro? (É possível vender tudo o que for produzido)

Objetivo: Maximizar o lucro

Modelagem:
Variáveis de Decisão: quantidade fabricada do produto A: x
Quantidade fabricada do produto B: y
Função Objetivo: L = 5.x + 6.y
Restrições:
Tempo de Corte: Minutos Horas
1 unidade de A: 5 minutos = 5/60 = 0,08 h
1 unidade de B: 8 minutos = 8/60 = 0,13 h 5.x + 8.y =< 200 0,08x + 0,13y =< 3,33
Disponibilidade: 3h20 = 3,33h = 200 minutos

Tempo de Montagem:
1 unidade de A: 10 minutos = 10/60 = 0,17 h
1 unidade de B: 8 minutos = 8/60 = 0,13 h 10x + 8y =< 240 0,17x + 0,13y =< 4
Disponibilidade: 4h = 240 minutos
 10

Não negatividade: x,y >= 0 ou x>=0 e y >=0

Modelagem:
Variáveis de Decisão: quantidade fabricada do produto A: x
quantidade fabricada do produto B: y
Função Objetivo: L = 5.x + 6.y
Restrições:
Tempo de Corte: 5.x + 8.y =< 200
Tempo de Montagem: 10x + 8y =< 240
Não negatividade: x,y >= 0 ou x>=0 e y >=0

Resolução via Método Gráfico:

5x + 8y = 200 (reta)
5x + 8y < 200 (região limitada pela reta) Como é uma região de menor, temos a região abaixo da reta.

x y 5x + 8y = 200
0 25 5.0 + 8y = 200  8y = 200  y = 200/8  y = 25 (0, 25)
40 0 5x + 8.0 = 200  5x = 200  x = 200/5  x = 40 (40, 0)

10x + 8y = 240 (reta)

10x + 8y < 240 (região limitada pela reta) Como é uma região de menor, temos a região abaixo da reta.

x y 10x + 8y = 240
0 30 10.0 + 8y = 240  8y = 240  y = 240/8  y = 30 (0,30)
24 0 10x + 8.0 = 240  10x = 240  x = 24 (24,0)
 11

Encontrar os valores de x e y no ponto C:

5x + 8y = 200 *(-1) -5x – 8y = -200 (Somar as duas equações termo a termo)
10x + 8y = 240 10x + 8y = 240
5x 0 = 40  5x = 40  x=8

x=8
5x + 8y = 200  5*8 + 8y = 200  40 + 8y = 200  8y = 200 – 40  8y = 160  y = 160/8  y = 20

Qual é o lucro máximo?

Ponto x y L = 5.x + 6.y

A 0 0 5*0 + 6*0 = 0
B 0 25 5*0 + 6*25 = 150
C 8 20 5*8 + 6*20 = 40 + 120 = 160 (*) Lucro Máximo
D 24 0 5*24 + 6*0 = 120

Solução: Devemos produzir 8 unidades do produto A e 20 unidades do produto B, gerando um lucro máximo de
$160,00. Com isso utilizou-se todo tempo de corte e todo tempo de montagem disponível.
 12

X = 8; y = 20
Tempo de Corte: 5.x + 8.y =< 200 (200 = tempo disponível)
5*8 + 8*20 = 40 + 160 = 200 (200 = tempo utilizado)

Tempo de Montagem: 10x + 8y =< 240 (240 = tempo disponível)

10*8 + 8*20 = 80 + 160 = 240 (240 = tempo utilizado)

EXERCÍCIOS

Obs.: A resolução destes exercícios deverá ser postada no AVA3 pois eles valem 1 ponto na
1ª avaliação.

Modele os seguintes problemas e resolva pelo método gráfico (se for possível).

1. Uma marcenaria deseja estabelecer uma programação diária de produção. Atualmente a oficina faz apenas
dois produtos: mesa e armário, ambos de um só modelo. Para efeito de simplificação, vamos considerar
que a marcenaria tem limitações em somente dois recursos: madeira e mão de obra, cujas disponibilidades
diárias são mostradas na tabela abaixo:

Recurso Disponibilidade
Madeira 12 m2
Mão de obra 8 homens-hora

O processo de produção é tal que, para fazer 1 mesa, a fábrica gasta 2 m 2 de madeira e 2 homens-hora de mão
de obra. Para fazer um armário, a fábrica gasta 2 m 2 de madeira e 1 homem-hora de mão de obra.
Além disso, o fabricante sabe que cada mesa dá um lucro de 6 u.m. e cada armário dá um lucro de 2 u.m. O
problema do fabricante é encontrar o programa de produção que maximiza o lucro total.

MODELAGEM:

MODELAGEM
Variáveis de Decisão:
x:
Y:

Função Objetivo:

Restrições:
 13

RESOLUÇÃO GRÁFICA.

x y

x y
0
0

x y

x y

x y

INSIRA O GRÁFICO (PODE SER UMA FOTO DO GRÁFICO QUE VOCÊ FEZ):
 14

SOLUÇÃO:

Ponto x y

Solução Final:
 15

2. Um agricultor dispõe de dois tipos de adubo. O adubo A contém 3 g de fósforo, 1 g de nitrogênio e 8 g de

potássio, e custa 5 u.m. por quilograma. O adubo tipo B contém 2 g de fósforo, 3 g de nitrogênio e 2 g de
potássio, e custa 4 u.m. por quilograma. A terra que o agricultor vai utilizar necessita de pelo menos 3 g de
fósforo, 1,5 g de nitrogênio e 4 g de potássio. Quanto o agricultor deve comprar de cada adubo, de modo que
seu custo seja mínimo?
a) Formular a modelagem de modo a determinar a quantidade de camisas a produzir para otimizar a solução.
b) Resolva pelo método gráfico e analise a solução apresentada.

MODELAGEM:

MODELAGEM
Variáveis de Decisão:
x:
Y:

Função Objetivo:

Restrições:

RESOLUÇÃO GRÁFICA.

x y

x y
0
0

x y

x y
 16

x y

INSIRA O GRÁFICO (PODE SER UMA FOTO DO GRÁFICO QUE VOCÊ FEZ):

SOLUÇÃO:

Ponto x y

Solução Final: