1 programação linear introdução prof. antonio carlos coelho
TRANSCRIPT
1
Programação Programação LinearLinear
IntroduçãoProf. Antonio Carlos Coelho
2
Por Que Modelos de Por Que Modelos de Programação MatemáticaProgramação Matemática
Constatação básica: Recursos limitados e escassos
exemplos: tempo, dinheiro, recursos naturais, capacidade instalada
Necessidades ilimitadas e crescentes princípios de eficiência e eficácia
Objetivo do modelo: Possibilitar aos agentes econômicos decidir sobre o
melhor uso dos recursos limitados Proporcionar a otimização da alocação de recursos
escassos de modo a maximizar lucros e minimizar custos
3
Alocação de recursos Alocação de recursos com restrição únicacom restrição única
Uma indústria automobilística fabrica 2 Uma indústria automobilística fabrica 2 modelos de veículos com as seguintes modelos de veículos com as seguintes características:características: MC unitáriaMC unitária
$ 55.000$ 55.000$ 54.000$ 54.000
Preço dePreço devendavenda
$ 260.000$ 260.000$ 258.000$ 258.000
Custo Custo variávelvariável
$ 205.000$ 205.000$ 204.000$ 204.000
Modelo 4 portasModelo 4 portasModelo 2 portasModelo 2 portas
Cada porta possui uma maçaneta, que é igual para Cada porta possui uma maçaneta, que é igual para
todas as portas. todas as portas. Num determinado mês, há uma restrição de 8.000 Num determinado mês, há uma restrição de 8.000
maçanetas. maçanetas. Quanto devo produzir de cada modelo para maximizar Quanto devo produzir de cada modelo para maximizar
a Margem de Contribuição para a empresa no período?a Margem de Contribuição para a empresa no período?
4
Alocação de recursos Alocação de recursos com restrição únicacom restrição única
Princípio geral: fabricar o produto que proporciona maior MC
por fator limitativo: 4 portas: $ 55.000/4 maçanetas = $ 13.750/ maçaneta 2 portas: $ 54.000/2 maçanetas = $ 27.000/ maçaneta
5
Alocação de recursos Alocação de recursos com restrição únicacom restrição única
Solução: produzir modelo de 2 portas
4.000 veículos (8.000 maçanetas / 2 portas) • MC total: 4.000u X $ 54.000 = $ 216.000.000
Se produzir modelo de 4 portas 2.000 veículos (8.000 maçanetas / 4 portas)
• MC total: 2.000u X $ 55.000 = $ 110.000.000
6
Aplicam-se modelos de Programação: Linear Linear Inteira Multiobjetiva (goal programming)
Não LinearOutros modelos:
Simulação Análise da Decisão
E quando há mais E quando há mais restrições?restrições?
7
É uma técnica matemática que auxilia na determinação da melhor utilização dos recursos limitados de uma organização em problemas com relações lineares
Programação LinearProgramação Linear
8
Programação LinearProgramação Linear
APLICAÇÕES USUAIS APLICAÇÕES USUAIS Planejamento OperacionalPlanejamento Operacional
Determinar o mix de produtos que maximiza Determinar o mix de produtos que maximiza o lucro da empresao lucro da empresa
Determinar logística e rotas que minimizam Determinar logística e rotas que minimizam o custo de transporteo custo de transporte
Planejamento Financeiro:Planejamento Financeiro: Determinar a alocação de recursos em Determinar a alocação de recursos em
carteiras de investimento que maximizem o carteiras de investimento que maximizem o retorno e/ou minimizem o riscoretorno e/ou minimizem o risco
9
Desenvolvendo o Desenvolvendo o ModeloModelo
Características Características Envolve uma Envolve uma decisão decisão a ser tomadaa ser tomada Existem Existem restrições restrições a serem consideradas a serem consideradas
nas alternativas de decisãonas alternativas de decisão Existe uma meta ou Existe uma meta ou objetivoobjetivo a ser a ser
maximizado ou minimizadomaximizado ou minimizado
10
Desenvolvendo o ModeloDesenvolvendo o Modelo
1) Análise e Compreensão do problema
2) Montagem do Modelo1) identificação das variáveis de decisão
2) definição das restrições
3) formulação da função objetivo
3) Solução do Modelo
11
Expressando Expressando MatematicamenteMatematicamente
A A decisão decisão é representada pelas é representada pelas variáveis de variáveis de decisão decisão
• XX11, X, X22, ... , X, ... , Xnn
OO objetivo objetivo é representado por uma é representado por uma função-função-objetivoobjetivo do tipo do tipo
• MAX (MIN) MAX (MIN) VV = = f f (X(X11, X, X22, ... , X, ... , Xnn))
12
Expressando Expressando MatematicamenteMatematicamente
As As restrições restrições são representadas pelo parâmetro b, são representadas pelo parâmetro b, expressas de 3 maneiras possíveis:expressas de 3 maneiras possíveis:
menor ou igualmenor ou igual
• f f (X(X11, X, X22, ... , X, ... , Xnn) ) bb maior ou igual maior ou igual
• f f (X(X11, X, X22, ... , X, ... , Xnn) ) bb igualigual
• f f (X(X11, X, X22, ... , X, ... , Xnn) = ) = bb
13
Fórmula Geral Fórmula Geral MAX (MIN) V = cMAX (MIN) V = c11XX11 + c + c22XX22 + ... + c + ... + cnnXXnn
Sujeito a:Sujeito a:
aa1111XX1 1 + a+ a1212XX2 2 + ... + a+ ... + a1n1nXXnn b b11
aak1k1XX1 1 + a+ ak2k2XX2 2 + ... + a+ ... + aknknXXnn b bkk
aam1m1XX1 1 + a+ am2m2XX2 2 + ... + a+ ... + amnmnXXnn == b bmm
...
...Onde:Onde:cc1, 1, cc22, ... , c, ... , cnn = margem de contribuição; medida de = margem de contribuição; medida de
custo; taxa de retorno, etc.custo; taxa de retorno, etc.
aaijij = quantidade do fator de restrição consumido em = quantidade do fator de restrição consumido em cada unidade produzida ou disponível para utilizar, cada unidade produzida ou disponível para utilizar, etc.etc.
bbi i = valor máximo ou mínimo do recurso escasso= valor máximo ou mínimo do recurso escasso
14
Resolvendo o ModeloResolvendo o Modelo
Solução GráficaSolução GráficaSolução MatricialSolução MatricialMétodo SimplexMétodo SimplexSolução ComputacionalSolução Computacional
15
ExemploExemplo
Variáveis de decisão Dois tipos de banheira Margens diferentes de Contribuição
Restrições Disponibilidade de Mão de Obra Disponibilidade de Canos Disponibilidade de Bombas
16
ExemploExemploFunção Objetivo
MAX: 350x1 + 300x2
Sujeito a:
Fatores de Produção → Limitação
Bombas 1x1 + 1x2 200
Horas de Mão de Obra 9x1 + 6x2 1.566
Canos (metros) 12x1 + 16x2 2.880
17
ExemploExemploFunção Objetivo
MAX: 350x1 + 300x2
Sujeito a:
1x1 + 1x2 200
9x1 + 6x2 1.566
12x1 + 16x2 2.880
x1 ≥ 0
x2 ≥ 0
18
Solução GráficaSolução Gráfica
x1
x2
Restrição de tubos
Restrição de trabalho
Restrição de bombas
Função Objetivo
Solução ótima
19
Solução GráficaSolução Gráfica
Como determinar a solução ótima?
A) A partir da visualização do encontro das curvas de nível com as retas de restrição
B) A partir da comparação dos diversos pontos extremos, para escolher o maior (menor) valor
20
Solução GráficaSolução GráficaSumário da Solução Gráfica
• Desenhe a reta de cada restrição no gráfico
• Identifique a área de soluções factíveis, isto é, a área do gráfico que simultaneamente satisfaz a todas as restrições
• Encontre a solução ótima por um dos métodos a seguir descritos
21
Métodos GráficosMétodos Gráficos
a) Desenhe uma ou mais curvas de nível da função objetivo e determine a direção na qual curvas paralelas resultam em aumentos no valor da função objetivo
b) Desenhe curvas paralelas na direção do crescimento até que a curva toque a área de soluções em um único ponto
c) Encontre às coordenadas deste ponto
a) Identifique as coordenadas de todos os pontos extremos da área de soluções factíveis e calcule os respectivos valores da função objetivo.
b) O ponto com o maior valor da função-objetivo é a solução ótima
22
Solução MatricialSolução Matricial
A resolução de um problema de programação linear consiste em resolver sistemas algébricos lineares e
calcular o valor da função-objetivo
Escolher dentre os diversos resultados obtidos para a função-objetivo, aquele que fornece o maior (menor) valor
23
Método SimplexMétodo Simplex
Baseia-se nas variáveis de FOLGABase para os relatórios de Sensibilidade
do software SOLVERSistema com n variáveis e m equações
Seleciona m variáveis (BÁSICAS) As demais assumem valor = 0 (NÃO BÁSICAS) Calcula Função Objetivo para cada rodada Escolhe a de maior valor
24
Solução ComputacionalSolução Computacional
Para Problemas mais ComplexosSolução via Excel
Ferramenta Solver
25
Condições EspeciaisCondições Especiais
1. Alternância de Soluções Ótimas
2. Restrições Redundantes
3. Soluções Ilimitadas
4. Soluções de Impossibilidade
As duas primeiras não impossibilitam o modelo As duas últimas impossibilitam o uso do modelo
26
Condições EspeciaisCondições Especiais
Alternância de Soluções Ótimas: Ocorre quando há mais de um ponto que maximiza (ou
minimiza) o valor da função objetivo A existência de mais de uma solução possível não
inviabiliza o uso da ferramenta Programação Linear
Restrições Redundantes: Ocorre quando uma restrição não faz diferença na
determinação da área de soluções factíveis
27
Soluções IlimitadasSoluções Ilimitadas
MAX: x1 + x2
Sujeito a: x1 + x2 400
- x1 + 2x2 400
x1 0
x2 0
Ocorre quando são encontradas soluções nas quais a função objetivo é infinitamente grande (maximização) ou infinitamente pequena (minimização)
Exemplo:
28
Soluções IlimitadasSoluções Ilimitadas
x1
x2
29
Solução ImpossívelSolução Impossível
Exemplo:
MAX: x1 + x2
Sujeito a:
x1 + x2 150
x1 + 2x2 200
x1 0
x2 0