Science">
Slides
Slides
Slides
Programa
1. Introdução
2. Programação Matemática
3. Problemas em Grafos
4. Planeamento de projetos
5. Problemas de afetação
6. Gestão de stocks
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL
Bilbliografia
F. S. Hillier, G. J. Lieberman, “Introduction to Operations Research”,
McGraw-Hill, 10ª Edição, 2014.
Programa
1. Introdução
2. Programação Matemática
3. Problemas em Grafos
4. Planeamento de projetos
5. Problemas de afetação
6. Gestão de stocks
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Investigação Operacional
O que é?
Um pouco de História…
▪ Desenvolvimento do radar
▪ Dimensionamento de frotas
▪ Deteção de submarinos
Slide 5
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Investigação Operacional
O que é?
Slide 6
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Investigação Operacional
O que é?
▪ Saúde
▪…
Slide 7
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Investigação Operacional
O que é?
➢ Século XXI
▪ Implantação consumada nas mais diversas
áreas de atividade mas … novos desafios:
✓ Globalização;
✓ Desenvolvimento sustentável;
✓ Informação…ou dados?!
✓ Industry 4.0
✓ Internet of things
Slide 8
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Economia
Slide 9
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
INFORMS (USA) – Institute for the Operations Research and Management Sciences
“A IO dedica-se ao processo científico de decisão sobre a melhor conceção
e operação de sistemas homem-máquina, normalmente em condições que
requerem a alocação de recursos escassos.”
Slide 10
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Slide 11
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Slide 12
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
http://www.scienceofbetter.org/
Slide 13
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema do caixeiro viajante
Um estafeta tem que visitar clientes em cinco pontos distintos da cidade de
Lisboa: Lumiar, Parque Nações, Benfica, Algés e Docas.
Slide 14
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema do caixeiro viajante
Lumiar
P. Nações
Benfica
Algés Docas
Slide 15
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema do caixeiro viajante
Slide 16
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema do caixeiro viajante
Lumiar 6
P. Nações
5
Benfica
15
7
Algés 4 Docas
Slide 17
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema do caixeiro viajante
solução ótima!
Slide 18
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema do caixeiro viajante
37 57 43
Docas Docas Docas
Algés Algés Algés
60 49 46
Docas Docas Docas
Algés Algés Algés
Slide 19
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema do caixeiro viajante
52 58 44
Docas Docas Docas
Algés Algés Algés
64 55 41
Docas Docas Docas
Algés Algés Algés
Slide 20
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema de determinação de Rotas Ótimas
Uma fábrica de refrigerantes possui um depósito, D, a partir do qual fornece 4
clientes.
Num certo dia, as encomendas de cada um dos clientes são de 22, 25, 30 e 15
unidades respetivamente, para os clientes 1, 2, 3 e 4.
Os custos de transporte (em unidades monetárias apropriadas) estão
esquematizados no seguinte diagrama:
10
1 A capacidade máxima de cada um dos camiões
15
disponíveis no depósito é de 50 unidades. Os
D 12
2 camiões existentes no depósito são em número
suficiente para satisfazer os pedidos dos
14
8 8 clientes.
4
18
3 Pretende-se determinar, para o dia em causa, as
rotas que minimizam o custo total de transporte.
Slide 21
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema de determinação de Rotas Ótimas
Slide 22
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problema de determinação de Rotas Ótimas
Soluções Admissíveis:
10 10 1 10
10 1 10 1
12 12 15
D D 2 D
2 2
12 12 12
8 14 14 8 14
8 8 8
4 14 4 3 4 14
3 18 3
10 1 10 1
15 10
14
D 2 D
14 3
12
14 12
8 8
4 3 4 2 Custo: 94 u.m.
18 26
Custo: 77 u.m.
Slide 23
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problemas de gestão florestal
menor unidade de uma floresta
Talhão ou unidade de gestão
sobre a qual se tomam decisões
Slide 24
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problemas de gestão florestal
Slide 25
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problemas de gestão florestal
Os talhões foram definidos de tal modo que podem ser completamente cortados.
O tamanho dos talhões foi definido a priori e limitado a determinado valor de
modo a que a clareira aberta não exceda um determinado tamanho (pois o corte
aumenta a erosão, o impacto visual e a destruição de habitats).
Pretende-se determinar os talhões a cortar numa dada altura de modo a
maximizar o lucro mas assegurando que dois talhões adjacentes não são
cortados nessa mesma altura.
Assume-se que a madeira obtida com o corte é vendida na totalidade.
Slide 26
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problemas de gestão florestal
Slide 27
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Problemas de gestão florestal
Slide 28
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Um problema de aquisição e substituição de equipamento
➢ Uma empresa que faz entregas ao domicílio pretende ter uma viatura
automóvel disponível durante os próximos dois anos.
➢ No fim do primeiro ano é possível trocar de viatura (ou por outra do mesmo
modelo ou por uma do outro modelo), obtendo-se uma receita proveniente da
venda.
➢ No fim dos dois anos a empresa venderá a viatura que tiver na altura.
Slide 29
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Um problema de aquisição e substituição de equipamento
Custo de operação e
manutenção Valor de venda
Preço de No 1º ano de No 2º ano de 1 ano de 2 anos de
aquisição atividade atividade atividade atividade
Modelo A 600 300 400 350 210
Modelo B 300 500 600 170 130
Questões:
1. Que viatura adquirir de início;
2. Deve trocar-se de viatura no fim do primeiro ano? Se sim, para que modelo?
Slide 30
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Um problema de aquisição e substituição de equipamento
Diferentes opções,
árvore de decisão:
Slide 31
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Um problema de aquisição e substituição de equipamento
Associando custos:
-210
-350+600+300
Trocar por novo modelo A
-350
-170
-130
-170+600+300
-350
Trocar por novo modelo A
-170
Slide 32
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Um problema de aquisição e substituição de equipamento
Associando custos:
400
550 -210
-170
-130
600
800
730 -350
630 -170
Slide 33
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Um problema de aquisição e substituição de equipamento
1300
Melhor sequência de
decisões? 400
900 1450
550 -210 min{1090,1100,1180,
1270,1180,1260}
900 450 1350 -350
-170
1400
-130
600
800
800 1530
730 -350
Slide 34
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Um problema de aquisição e substituição de equipamento
1300
Melhor sequência de
decisões? 400
900 1450
550 -210 min{1090,1100,1180,
1270,1180,1260}
900 450 1350 -350
-170
1400
-130
600
800
800 1530
730 -350
Slide 35
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Exemplos de aplicação de IO
Um problema de aquisição e substituição de equipamento
Outra representação:
Modelo A
400 Com 2 anos
-210
Modelo A
Com 1 ano 550
900 Modelo A -350
Com 1 ano
450
-170
600 Modelo B
730 Com 1 ano
800
Modelo B -130
Com 1 ano
Modelo B
630 Com 2 anos
Slide 36
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Fases de um projeto de IO
1. Identificação do problema;
2. Formulação de um modelo;
3. Validação do modelo;
4. Resolução do modelo;
5. Implementação;
Slide 37
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 1. Introdução
Fases de um projeto de IO
Problema
Formulação
Algoritmo
Solução numérica
Implementação
Slide 38
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL
Programa
1. Introdução
2. Programação Matemática
3. Problemas em Grafos
4. Planeamento de projetos
5. Problemas de afetação
6. Gestão de stocks
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 40
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Conceitos iniciais
Problema de programação matemática
ou
Problema de otimização
Slide 41
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Conceitos iniciais
Forma geral de um problema de programação matemática:
minimizar f(x1,x2,...,xn)
sujeito a (x1,x2,…xn) X X n
f: n →
maximizar f(x1,x2,...,xn)
sujeito a (x1,x2,…xn) X
Slide 42
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Conceitos iniciais
Exemplo
Maximizar z = 800x1+ 600x2 Função objetivo
sujeito a
5x1+ 3x2 ≤ 30
2x1 + 3x2 ≤ 18 (1,2)
Restrições
x1 + 3x2 ≤ 24
x1 0, x2 0 Uma solução
admissível
Slide 43
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Conceitos iniciais
Programação Matemática, várias sub-áreas:
Programação não Linear;
Programação linear;
Programação linear Inteira Mista;
Programação linear Inteira;
Programação linear 0-1.
Exemplos
2x 2x+3y Funções lineares
x2 x2+y2 Funções não lineares
Slide 44
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Conceitos iniciais
➢ Numa situação em que todas as variáveis têm que tomar valores inteiros o
problema dir-se-á de programação linear inteira. Um caso particular deste
é aquele em que as variáveis só podem tomar os valores 0 ou 1, caso em
que o problema será classificado como de programação linear 0-1.
Slide 45
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação
Slide 46
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação não linear
Exemplo
Quais as dimensões (comprimento e largura) do retângulo que tem área
igual a 2m2 e perímetro mínimo?
Variáveis de decisão: x2
x1 Medida da base (metros)
x2 Medida da altura (metros) x1
Função objetivo:
2x1+2x2 Perímetro total
min z = 2x1+ 2x2
Restrições:
s. a: x1 x2 = 2
x1x2=2 Área total = 2m2
x1 0, x2 0
x10, x20 Medidas não negativas
Slide 47
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear inteira
Exemplo
Um campista tem uma mochila com uma capacidade máxima de 6 kg.
O indivíduo tem um conjunto de objetos que gostaria de transportar na mochila.
O valor que o indivíduo atribui a cada objeto e o respetivo peso são dados por:
Modelação: exemplos
Programação linear inteira
Exemplo (continuação)
Variáveis de decisão:
1 se se selecionar o objeto i
xi = i=1,2,3,4
0 caso contrário
Modelo de programação 0-1
Slide 49
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear inteira
Exemplo (continuação)
Função objetivo:
7.5x1 + 4x2 + 3x3 + 3.5x4 Valor dos objetos a transportar
Restrições:
O peso dos objetos selecionados não
4x1 + 3x2 + 2x3 + 1x4 ≤ 6 pode exceder a capacidade da mochila
Max z = 7.5x1+ 4x2 + 3x3 + 3.5x4 Max z = 7.5x1+ 4x2 + 3x3 + 3.5x4
s. a: 4x1 + 3x2 + 2x3 + x4 ≤ 6 s. a: 4x1 + 3x2 + 2x3 + x4 ≤ 6
xi {0,1} i=1,2,3,4 0 ≤ xi ≤ 1, i=1,2,3,4
xi inteiro, i=1,2,3,4
Slide 50
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear
Exemplo
Uma pequena refinaria de petróleo produz um tipo de gasolina e um tipo de
gasóleo. Para tal, a refinaria utiliza três qualidades diferentes de petróleo bruto,
as quais provêm, respetivamente, do Médio Oriente (MO), do Norte da Europa
(NE) e da América do Sul (AS). Para produzir 1000 litros de gasolina é
necessário utilizar 5 barris de petróleo proveniente do Médio Oriente, 2 barris
de petróleo proveniente do Norte da Europa e 1 barril de petróleo proveniente
da América do Sul. A produção de 1000 litros de gasóleo requer 3 barris de
cada um dos diferentes tipos de petróleo. Diariamente, a refinaria dispõe de 30
barris de petróleo proveniente do Médio Oriente, 24 barris de petróleo
proveniente do Norte da Europa e 18 barris de petróleo proveniente da América
do Sul. Após uma prospeção de mercado é possível prever um lucro de €
800,00 por cada milhar de litros de gasolina e € 600,00 por cada milhar de litros
de gasóleo. Pretende-se planear a produção diária de gasolina e gasóleo de
forma a maximizar o lucro total obtido.
Slide 51
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear
Exemplo (continuação)
Petróleo Bruto
(diariamente)
Produção
(diária)
Gasolina
Norte da Europa (24 barris)
Gasóleo
América do Sul (18 barris)
5 barris M. O.
2 barris N. E. 1000 litros de gasolina Lucro de € 800,00
1 barril A. S.
3 barris M. O.
3 barris N. E. 1000 litros de gasóleo Lucro de € 600,00
3 barril A. S.
? Produção diária
Gasolina / Gasóleo
? Maximização do lucro
Slide 52
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear
Exemplo (continuação)
Variáveis de decisão:
x1 Quantidade (em milhares de litros) a produzir de gasolina – diariamente
x2 Quantidade (em milhares de litros) a produzir de gasóleo - diariamente
Função objetivo:
Slide 53
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear
Exemplo (continuação)
Restrições:
Quantidades
produzidas ≥ 0
Slide 54
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear
Exemplo (continuação)
Produção de 1000 são necessários
5 barris de petróleo M. O.
litros de gasolina
Produção de x11000 são necessários
5x1 barris de petróleo M. O.
litros de gasolina
Slide 55
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear
Exemplo (continuação)
Produção de 1000 são necessários
2 barris de petróleo N. E.
litros de gasolina
Produção de x11000 são necessários
2x1 barris de petróleo N. E.
litros de gasolina
Slide 56
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear
Exemplo (continuação)
Produção de 1000 é necessário
1 barril de petróleo A. S.
litros de gasolina
Produção de x11000 são necessários
1x1 barris de petróleo A. S.
litros de gasolina
x1 + 3x2 ≤ 18 Restrição 3
Slide 57
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Modelação: exemplos
Programação linear
Exemplo (continuação)
Formulação:
Slide 58
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 59
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 60
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
1. Proporcionalidade;
2. Aditividade;
3. Continuidade:
4. Certeza.
1. Princípio da proporcionalidade
A contribuição de cada variável de decisão para a função objetivo e para o
termo esquerdo de uma restrição é proporcional ao valor dessa variável
consome
se 1 a
dá um lucro de
consome
então x ax
dá um lucro de
Slide 61
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
2. Princípio da aditividade
A contribuição de cada variável de decisão para a função objetivo e para o
termo esquerdo de uma restrição é independente dos valores das outras
variáveis de decisão
Z = 800x1 + 600x2
Lucro total = Lucro com gasolina + lucro com gasóleo
Slide 62
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
3. Princípio da continuidade
4. Princípio da certeza
Nenhum parâmetro do problema (coeficientes das variáveis de decisão na
função objetivo e nas restrições e termos independentes das restrições) está
sujeito a incerteza.
Slide 63
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 64
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Se z’ for um valor concreto para z então z’= c1x1 + c2x2 define uma reta.
Slide 65
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 66
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 67
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 68
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
10 x1 0
x2 0
5 10 x1
Slide 69
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
Restrição 1 5x1 + 3x2 ≤ 30
10 x1 0
x1 = 0 x2 = 10
5
x2 = 0 x1 = 6
A reta passa no ponto (6,0) 5 10 x1
5x1+3x2 = 30
Slide 70
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação) x2
5x1+3x2 = 30 2x1+3x2 = 24
Slide 71
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
Restrição 3 x1 + 3x2 ≤ 18
10 x1 0
x1 = 0 x2 = 6 5
5x1+3x2 = 30 2x1+3x2 = 24
Slide 72
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
Slide 73
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
10
x1+3x2 = 18
-5 5 x1
10
Slide 74
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
Slide 75
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
Todos os pontos do
segmento de recita de 10 O aumento do valor de z de 0 para
extremos (3,0) e (0,4) 2400 pode ser visto como um
correspondem a soluções ‘deslocamento’ da reta original
admissíveis que dão à
função objetivo valor 2400
5
x1+3x2 = 18
Quanto maior o valor de z melhor!
x1
Quanto mais ‘para cima’ deslo- -5 5 10
Slide 76
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação) x2
Slide 77
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Observação
O facto de uma restrição ser redundante não significa que possa
simplesmente ser retirada do problema pois tal restrição estabelece uma
limitação concreta e, por isso, pode ter um papel a desempenhar se houver
alguma alteração nos parâmetros.
Slide 78
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 79
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 80
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
5
A
x1+3x2 = 18
B
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
z=0
As retas associadas à função objetivo têm declive -5/3, que é precisamente o declive da
reta 5x1 + 3x2 = 30
Slide 81
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Quando, por maior (ou menor) que seja o valor considerado para a função
objetivo, for sempre possível encontrar uma solução admissível pertencente
à reta constituída pelos pontos que dão à função objetivo o valor
considerado dizemos que o problema é ilimitado.
Exemplo
Consideremos o seguinte problema de PL que resulta de modificar os sentidos das
desigualdades nas restrições do problema da refinaria.
Slide 82
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Graficamente tem-se
x2 problema
x1 0
ilimitado
10
5x1+3x2 30
2x1+3x2 24
5 z = 10800
x1+3x2 18
z = 7200 x2 0
x1+3x2 = 18
-5 5 10 x1
Slide 83
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo
Consideremos o problema da refinaria mas invertendo o sentido da segunda
desigualdade.
Slide 84
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
Graficamente tem-se
x2
10 x1 0
2x1+3x2 24
x1+3x2 18 x1+3x2 = 18
x2 0
5x1+3x2 30
5 x1
10
5x1+3x2 = 30 2x1+3x2 = 24
Slide 85
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 86
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Max
(diariamente)
Slide 87
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
a1x1 + a2x2 ≥ b
Semiplanos limitados pela reta a1x1 + a2x2 = b
a1x1 + a2x2 ≤ b
Slide 88
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Restrição do
problema
É satisfeita com igualdade Não é satisfeita com igualdade
no ponto ótimo no ponto ótimo
Slide 89
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Restrição 1
a1x1 + a2x2 = b
Restrição 1
Solução ótima Restrição 3 a1x1 + a2x2 = b+D
Soluções a1x1 + a2x2 = b Nova solução ótima
admissíveis
Restrição 3
Soluções
Restrição 2 admissíveis
Restrição 2
Slide 90
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Restrição 1
Solução
ótima
Restrição 3
a1x1 + a2x2 = b Restrição 3
Soluções Restrição 1
admissíveis a1x1 + a2x2 = b+D
Solução
ótima
Restrição 3
Restrição 2 Soluções a1x1 + a2x2 = b
admissíveis
Restrição 2
Slide 91
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Observações
Frequentemente, o valor marginal pode determinar-se avaliando a variação
sofrida pelo valor ótimo se o termo independente em causa aumentar uma
unidade. Nesta disciplina vamos sempre estudar casos em que assim é.
Slide 92
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
x1+3x2 = 18
-5 5 10
x1
Slide 93
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 94
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
Lucro ótimo: 5400 5550
x1+3x2 = 18
150
-5 5 10
x1
Valor máximo que estaremos 5x1+3x2 = 31
dispostos a pagar por um barril z=0 5x1+3x2 = 30 2x1+3x2 = 24
adicional de petróleo M. O.
Slide 95
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
Esta restrição não é ativa no ponto ótimo (3,5) 2×3 + 3×5 = 21 < 24
Slide 96
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
Slide 97
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
Lucro ótimo: 5400 5450
x1+3x2 = 19
50 x1+3x2 = 18
-5 5 10
x1
Valor máximo que estaremos
dispostos a pagar por um barril z=0 5x1+3x2 = 30 2x1+3x2 = 24
adicional de petróleo A. S.
Slide 98
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 99
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 100
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 101
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
x1+3x2=18
-5 5
x1
10
z=0 2x1+3x2=24
5x1+3x2=30
Slide 102
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
+ -
Enquanto a reta não atingir P ou P 10
as restrições ativas no ponto ótimo
mantêm-se a 1ª e a 3ª
-
+ P
P Ponto de intersecção das retas
2x1 + 3x2 = 24 e x1 + 3x2 = 18 Ponto ótimo
(6,4) 5 +
P
x1+3x2=18
-
P Ponto de intersecção das retas
(0,6) x1 = 0 e x1 + 3x2 = 18
-5 5
x1
10
z=0 2x1+3x2=24
5x1+3x2=30
Slide 103
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
-
5x1 + 3x2 = b -
-= b = 18 10
P (0,6)
+
5x1 + 3x2 = b + -
b = 42 P
+=
P (6,4)
5 +
P
Para 18 < b < 42 o valor marginal da x1+3x2=18
primeira restrição mantém-se 150
-5 5
x1
10
Justifica-se adquirir até 12
2x1+3x2=24
(=42-30) barris adicionais de z=0
petróleo MO.
(desde que o preço a pagar por cada
barril extra não exceda 150 €)
Slide 104
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
x1+3x2=18
z=0 2x1+3x2=24
5x1+3x2=30
Slide 105
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
5 -
P
O valor marginal mantém-se 0 para
qualquer termo independente acima de 24 x1+3x2=18
1ª e a 3ª
Slide 106
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
-
2x1 + 3x2 = b -
-= b = 21
P (3,5) -
P
5
x1+3x2=18
O valor marginal mantém-se 0 para
qualquer termo independente acima de 21
x1
-5 5 10
z=0 5x1+3x2=30
Slide 107
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
x1+3x2=18
-5 5
x1
10
z=0 2x1+3x2=24
5x1+3x2=30
Slide 108
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
+ -
Enquanto a reta não atingir P ou P 10
as restrições ativas no ponto ótimo
mantêm-se a 1ª e a 3ª +
P
+
P Ponto de intersecção das retas
(2,20/3) 5x1 + 3x2 = 30 e 2x1 + 3x2 = 24 5
-
P Ponto de intersecção das retas x1+3x2=18
(6,0) x2 = 0 e 5x1 + 3x2 = 30
-
P
-5 5
x1
10
z=0 2x1+3x2=24
5x1+3x2=30
Slide 109
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
x2
-
x1 + 3x2 = b -
-= b =6 10
P (6,0)
+ +
P
x1 + 3x2 = b +
+= b =22
P (2,20/3)
5
-5 5
x1
10
Justifica-se adquirir até 4
(=22-18) barris adicionais de z=0 5x1+3x2=30 2x1+3x2=24
petróleo AS.
(desde que o preço a pagar por
cada baril extra não exceda 50 €)
Slide 110
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 111
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Declive das retas associadas Têm que ser Declives das retas que
à função objetivo comparados definem o ponto ótimo
Slide 112
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
m2 -c1/c2 m1
A resolução desta dupla inequação em ordem a c1 dá-nos
o intervalo de variação para c1 de forma a que a solução
ótima não se altere
Slide 113
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
m1 ‘restrição’
Soluções m2
‘restrição’ admissíveis
z
Solução ótima
A solução ótima mantém-se
m1
z
‘restrição’
m1 -c1/c2 +∞
A resolução desta dupla inequação em ordem a c1 dá-nos o intervalo de
variação para c1 de forma a que a solução ótima não se altere
Slide 114
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Soluções ‘restrição’
admissíveis z
m2
‘restrição’ m
1
Solução ótima
A solução ótima mantém-se
-∞ -c1/c2 m2
A resolução desta dupla inequação em ordem a c1 dá-nos o intervalo de
variação para c1 de forma a que a solução ótima não se altere
Slide 115
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 116
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 117
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Situação 5: (Continuação)
Soluções Soluções m2
m2
admissíveis admissíveis
z
m1
m1
Solução ótima Solução ótima
‘restrição’ ‘restrição’
z
‘restrição’ ‘restrição’
Slide 118
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Observação
O facto de a solução ótima não se alterar quando se modifica um coeficiente de
uma variável na função objetivo, não significa que tudo se mantenha na mesma.
Slide 119
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Sentido da otimização
x2
Questões:
▪ Que valores pode tomar o coeficiente
Ponto ótimo
de x1 (supondo inalterado o 5
Slide 120
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
200 ≤ c1 ≤ 1000
Se o lucro obtido com 1000 litros de gasolina estiver entre € 200,00 e € 1000,00 a solução
ótima consistirá em produzir (diariamente) 3000 litros de gasolina e 5000 litros de gasóleo.
Slide 121
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
❑ Intervalo de variação para o coeficiente de x2 de forma a que a solução ótima
se mantenha
Função objetivo z = 800x1 + c2x2 x2 = -(800/c2)x1 + z/c2
Slide 122
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
Intervalo de variação para c1 e para c2 de forma que a solução ótima se mantenha
x2
10 Solução ótima:
x1=3, x2=5; z=5400. Possíveis declives para a reta
associada à função objetivo de forma
que o ponto (3,5) se mantenha ótimo
x1+3x2=18
z=5400
-5 5 10
x1
2x1+3x2=24
5x1+3x2=30
Slide 123
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 124
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Max (min) z = c1 x1 + c2 x2 + + c j x j + + cn xn
s. a. a11 x1 + a12 x2 + + a1 j x j + + a1n xn ()(=)b1
a21 x1 + a22 x2 + + a2 j x j + + a2 n xn ()(=)b2
ai1 x1 + ai 2 x2 + + aij x j + + ain xn ()(=)bi
am1 x1 + am 2 x2 + + amj x j + + amn xn ()(=)bm
x1 , x2 , , x j , , xn 0
Slide 125
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
s. a. a x
j =1
ij j bi i = 1,..., m
xj 0 j = 1,..., n
s. a. a x
j =1
ij j bi i = 1,..., m
xj 0 j = 1,..., n
Slide 126
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
➢ Canónica
➢ Standard de máximo
➢ Standard de mínimo
f ( x) = b f ( x) b f ( x) b
▪ Para qualquer função f e termo independente b tem-se
f ( x) b f ( x) + y = b y 0
▪ Para qualquer problema são válidas as seguintes transformações
Slide 128
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 129
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
Slide 130
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
x1+3x2=18
-5 5 10 x1
z=0
5x1+3x2=30 2x1+3x2=24
Slide 131
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
Max z = 800 x1 + 600 x2
s. a: 5x1 + 3x2 + y1 = 30
x2 Cada reta no gráfico está 2 x1 + 3x2 + y2 = 24
x1 = 0 associada à anulação de uma x1 + 3x2 + y3 = 18
10
variável x1 , x2 , y1 , y2 , y3 0
y1 = 0
y2 = 0
5
y3 = 0
x1+3x2=18
x2 = 0
-5 5 10 x1
5x1+3x2=30 2x1+3x2=24
Slide 132
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
Max z = 800 x1 + 600 x2
s. a: 5x1 + 3x2 + y1 = 30
x2 Cada reta no gráfico está 2 x1 + 3x2 + y2 = 24
associada à anulação de uma x1 + 3x2 + y3 = 18
10
variável x1 , x2 , y1 , y2 , y3 0
x1+3x2 = 18
x1 = 0
x2 = 0
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 133
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
Max z = 800 x1 + 600 x2
s. a: 5x1 + 3x2 + y1 = 30
x2 Cada ponto extremo do conjunto 2 x1 + 3x2 + y2 = 24
das soluções admissíveis está na x1 + 3x2 + y3 = 18
10
interseção de duas retas x1 , x2 , y1 , y2 , y3 0
P1 x1 = 0 x2 = 0
5 P2
P3 P2 x1 + 3x2 = 18 x1 = 0
x1+3x2 = 18
P3 5 x1 + 3x2 = 30 x1 + 3x2 = 18
P1 P4 P4 5 x1 + 3x2 = 30 x2 = 0
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 134
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
Max z = 800 x1 + 600 x2
s. a: 5x1 + 3x2 + y1 = 30
Cada ponto extremo do conjunto
2 x1 + 3x2 + y2 = 24
x2 das soluções admissíveis está
associado à anulação simultânea x1 + 3x2 + y3 = 18
10
de duas variáveis x1 , x2 , y1 , y2 , y3 0
P2
P1 x1 = 0 x2 = 0
5 P3
P2 x1 = 0 y3 = 0
x1+3x2 = 18
x1 = 0
P3 y1 = 0 y3 = 0
x2 = 0 P4 P4 x2 = 0 y1 = 0
-5 P1 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 135
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
Max z = 800 x1 + 600 x2
s. a: 5x1 + 3x2 + y1 = 30
A anulação simultânea de duas
2 x1 + 3x2 + y2 = 24
x2 variáveis permite obter um ponto
extremo (não necessariamente x1 + 3x2 + y3 = 18
P6
10
admissível). x1 , x2 , y1 , y2 , y3 0
P5
P7
P2
5 P3
P8
x1+3x2 = 18
P10
P1 P4 P9
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 136
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
y1 = 30 x2 = 10 y1 = 6 y1 = 12
x1 = x2 = 0 y2 = 24 x1 = y1 = 0 y2 = −6 x1 = y2 = 0 x2 = 8 x1 = y3 = 0 y2 = 6
x2 P1 y3 = 18 P6 y3 = −12 P5 y3 = −6 P2 x2 = 6
10 P6
x1 = 6 y1 = −30 y1 = −60
x2 = y1 = 0 y2 = 12 x2 = y2 = 0 x1 = 12 x2 = y3 = 0 y2 = −12
P5
P4 y3 = 12
P 9 y3 = 6
P10 x1 = 18
P7
P2 x1 = 2 x1 = 3
P3
5 y1 = y2 = 0 x2 = 20 y1 = y3 = 0 x2 = 5
3
P8
x1+3x2 = 18 P7 y 3 = −4
P3 y 2 = 3
P10 x1 = 6
y 2 = y3 = 0 x 2 = 4
P1 P4 P9
P8 y1 = −12
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 137
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
y1 = 30 x2 = 10 y1 = 6 y1 = 12
x1 = x2 = 0 y2 = 24 x1 = y1 = 0 y2 = −6 x1 = y2 = 0 x2 = 8 x1 = y3 = 0 y2 = 6
x2 P1 y3 = 18 P6 y3 = −12 P5 y3 = −6 P2 x2 = 6
10
x1 = 6 y1 = −30 y1 = −60
x2 = y1 = 0 y2 = 12 x2 = y2 = 0 x1 = 12 x2 = y3 = 0 y2 = −12
P4 y3 = 12
P 9 y3 = 6
P10 x1 = 18
P2 x1 = 2 x1 = 3
P3
5 y1 = y2 = 0 x2 = 20 y1 = y3 = 0 x2 = 5
3
x1+3x2 = 18 P7 y 3 = −4
P3 y 2 = 3
x1 = 6
y 2 = y3 = 0 x 2 = 4
P1 P4
P8 y1 = −12
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 138
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
Max z = 800 x1 + 600 x2
s. a: 5x1 + 3x2 + y1 = 30
Pontos extremos adjacentes têm 2 x1 + 3x2 + y2 = 24
x2
uma aresta (variável nula) em x1 + 3x2 + y3 = 18
10
comum variando na outra x1 , x2 , y1 , y2 , y3 0
P1 x1 = 0 x2 = 0
P2
5 P3 P2 x1 = 0 y3 = 0
x1+3x2 = 18
P3 y1 = 0 y3 = 0
P1 P4 P4 x2 = 0 y1 = 0
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24 P1 x1 = 0 x2 = 0
Slide 139
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria:
Max z = 800 x1 + 600 x2
s. a: 5x1 + 3x2 + y1 = 30
x2 Existe um ponto extremo do 2 x1 + 3x2 + y2 = 24
conjunto de soluções admissíveis x1 + 3x2 + y3 = 18
10
que é solução ótima x1 , x2 , y1 , y2 , y3 0
Solução ótima
5
P2
P3
x1+3x2 = 18
z = 2400
P1 P4
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 140
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 141
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Se existir solução ótima e se existir pelo menos um ponto extremo, existe sempre
uma solução ótima que é ponto extremo?
SIM !
Mesmo que existam outras soluções ótimas
(segmentos, semirretas, toda a região
admissível)!
Slide 142
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 143
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Uma possibilidade
Slide 144
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
3. Teste de otimalidade
Se um ponto extremo do conjunto de soluções admissíveis é tal que o valor da função
objetivo não melhora ao longo de nenhuma aresta incidente nesse ponto extremo então
esse ponto é solução ótima.
Slide 145
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Condição de
terminação
Slide 146
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria
Inicialização
P1 (0,0) z=0
x2
Condição de terminação
10
Extremos adjacentes a P1: P2 e P4
P2 (0,6) z = 3600
(P2 é melhor que P1)
P2
5
P3
P4 (6,0) z = 4800
x1+3x2 = 18 (P4 é melhor que P1)
Condição de terminação: Não
P1
P4 Passo iterativo
-5 x1
5 10 Vamos passar para o ponto extremo P4
5x1+3x2 = 30 2x1+3x2 = 24
Slide 147
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
P1 P4
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 148
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
5x1+3x2 = 30 2x1+3x2 = 24
Slide 149
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 150
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Uma solução básica (SB) é uma solução que se obtém igualando a zero n-m
variáveis e resolvendo o sistema resultante em relação às restantes
variáveis, se este sistema for possível e determinado.
Slide 151
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 152
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
x1 , x2 , y1 , y2 , y3 0
Variáveis não
básicas
x1 = 0 x2 = 8 y1 = 6 y2 = 0 y3 = −6
Variáveis
básicas
Slide 153
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Uma solução básica admissível (SBA) é uma solução básica cujas variáveis
têm todas valor maior ou igual a zero isto é, é uma solução básica que é
admissível para o problema.
x1 , x2 , y1 , y2 , y3 0
Slide 154
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
x1 + 3x2 + y3 = 18
x1 = 6 x2 = 0 y1 = 0 y2 = 12 y3 = 12
x1 , x2 , y1 , y2 , y3 0
Slide 155
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Teorema fundamental:
Consideremos um problema de PL na forma canónica com n variáveis e m
restrições. Seja X (subconjunto de Rn) o conjunto de soluções admissíveis. Um
ponto (x1,x2,...,xn) é um ponto extremo de X se e só se é uma solução básica
admissível.
Demonstração: disciplina “Programação Matemática” (DEIO)
Corolário:
O número de pontos extremos do conjunto das soluções admissíveis de um
problema de PL é finito
Slide 156
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Teste de
otimalidade
Slide 157
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria
Inicialização
SBA inicial: (0,0,30,24,18) z=0
x2
Condição de terminação
10
SBAs adjacentes a (0,0,30,24,18):
(0,6,12,6,0) z = 3600
(6,0,0,12,12) z = 4800
P2
5
P3
x1+3x2 = 18
Condição de terminação: Não
Passo iterativo
P1 P4 Vamos passar para a SBA (6,0,0,12,12)
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 158
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria
Condição de terminação
x2
SBAs adjacentes a (6,0,0,12,12):
(0,0,30,24,18) z=0
10
(3,5,0,3,0) z = 5400
5
P2 Passo iterativo
P3
Vamos passar para a SBA (3,5,0,3,0)
x1+3x2 = 18
P1 P4
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 159
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Problema da refinaria
Condição de terminação
x2
SBAs adjacentes a (3,5,0,3,0):
(6,0,0,12,12) z = 4800
10
(0,6,12,6,0) z = 3600
-5 5 10 x1
5x1+3x2 = 30 2x1+3x2 = 24
Slide 160
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 161
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
SBA: (6,0,0,12,12)
Slide 162
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Exemplo (continuação)
Max z = 800 x1 + 600 x2
s. a: 5x1 + 3x2 + y1 = 30
SBA: (0,6,12,6,0)
2 x1 + 3x2 + y2 = 24
z=3600+200x1 -200y3 x1 + 3x2 + y3 = 18
4x1 +y1 -y3 = 12 x1 , x2 , y1 , y2 , y3 0
x1 +y2 -y3 = 6
(1/3)x1 +x2 +(1/3)y3 = 6
SBA: (3,5,0,3,0)
Slide 163
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 164
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 165
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
y1 ≥ 0 30 - 5x1 ≥ 0 x1 ≤ 6
y2 ≥ 0
24- 2x1 ≥ 0 x1 ≤ 12 x1 ≤ 6
y3 ≥ 0 18- x1 ≥ 0 x1 ≤ 18
Maior valor que
x1 poderá tomar
Slide 166
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Quando se passa para uma nova SBA (adjacente à corrente) é fácil escrever o problema
na forma canónica associada à nova SBA.
Slide 167
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
z=0+800x1+600x2
5x1 +3x2 +y1 = 30 x1 +(3/5)x2 +(1/5)y1 = 6
2x1 +3x2 +y2 = 24 A variável que entra na base é escrita em
função das (novas) variáveis não básicas
x1 +3x2 +y3 = 18
x1 = 6 -(3/5)x2 -(1/5)y1
Slide 168
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Escolher uma variável com coeficiente > 0 na função objetivo para Não
candidata a entrar na base. Existe restrição ao aumento do valor dessa Stop
variável? Problema é
ilimitado !
Sim
Slide 169
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
SBA inicial:
Slide 170
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 171
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
1 2 4
3 5
Na tabela indica-se, para cada um dos troços da rede, o número máximo de carros que
pode transitar numa hora (NMC), em milhares de carros, bem como o tempo aproximado
de viagem de cada carro (TAV) em minutos.
troço 1,2 1,3 2,4 2,5 3,4 3,5 4,5 4,6 5,6
NMC 8 6 6 1 3 4 6 4 6
TAV 1 5 3 7 1 6 3 6 3
Slide 172
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Pretende-se:
Slide 173
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
xij Número de carros (em milhares) que deverão circular por hora no troço (i,j)
(i, j) (1,2), (1,3), (2,4), (2,5), (3,4), (3,5), (4,5), (4,6), (5,6)
Função objetivo:
3 5
Slide 174
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 175
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 176
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 177
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 178
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$C$6 x12 7 0 0,111111111 0,111111111 1E+30
$C$7 x13 2 0 0,555555556 1E+30 0,111111111
$C$8 x24 6 -0,444444444 0,333333333 0,444444444 1E+30
$C$9 x25 1 -0,111111111 0,777777778 0,111111111 1E+30
$C$10 x34 1 0 0,111111111 0,222222222 0,111111111
$C$11 x35 1 0 0,666666667 1E+30 0,222222222
$C$12 x45 3 0 0,333333333 0,222222222 0
$C$13 x46 4 0 0,666666667 0 1E+30
$C$14 x56 5 0 0,333333333 1E+30 0
Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$I$6 <= Restrições 9 0 9 0 1E+30
$I$7 <= Restrições 0 0,111111111 0 0 7
$I$8 <= Restrições 0 0,555555556 0 0 2
$I$9 <= Restrições 0 0,888888889 0 0 1
$I$10 <= Restrições 0 1,222222222 0 0 1
$I$11 <= Restrições 9 1,555555556 9 0 1
$I$13 Troços (2,5) e (3,4) Restrições 2 -0,222222222 2 1 1
Slide 179
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$I$6 <= Restrições 9 0 9 0 1E+30
$I$7 <= Restrições 0 0,111111111 0 0 7
$I$8 <= Restrições 0 0,555555556 0 0 2
$I$9 <= Restrições 0 0,888888889 0 0 1
$I$10 <= Restrições 0 1,222222222 0 0 1
$I$11 <= Restrições 9 1,555555556 9 0 1
$I$13 Troços (2,5) e (3,4) Restrições 2 -0,222222222 2 1 1
Slide 180
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 181
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 182
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 183
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 184
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 185
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Variáveis de decisão:
Função objetivo:
Slide 186
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Restrições:
x A1 + x A2 + x A3 = 400
As encomendas de cada
xS1 + xS 2 + xS 3 = 350 produto para o próximo mês
y A1 + y A2 + y A3 = 750 tem que ser satisfeita
yS1 + yS 2 + yS 3 = 650
Slide 187
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Restrições:
xij 0
i A, S j 1,2,3
yij 0
Slide 188
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 189
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 190
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 191
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Adjustable Cells
Cell Name Original Value Final Value
$C$7 Conserva Atum Fab 1 0 46
$D$7 Conserva Atum Fab 2 0 92
$E$7 Conserva Atum Fab 3 0 262
$C$8 Conserva Sardinha Fab 1 0 234
$D$8 Conserva Sardinha Fab 2 0 0
$E$8 Conserva Sardinha Fab 3 0 116
$C$9 Pasta Atum Fab 1 0 350
$D$9 Pasta Atum Fab 2 0 400
$E$9 Pasta Atum Fab 3 0 0
$C$10 Pasta Sardinha Fab 1 0 0
$D$10 Pasta Sardinha Fab 2 0 650
$E$10 Pasta Sardinha Fab 3 0 0
Constraints
Cell Name Cell Value Formula Status Slack
$F$7 Conserva Atum 400 $F$7=$G$7 Not Binding 0
$F$8 Conserva Sardinha 350 $F$8=$G$8 Not Binding 0
$F$9 Pasta Atum 750 $F$9=$G$9 Not Binding 0
$F$10 Pasta Sardinha 650 $F$10=$G$10 Not Binding 0
$C$21 tempo proc Fab 1 1131 $C$21<=$C$27 Not Binding 469
$D$21 tempo proc Fab 2 1280 $D$21<=$D$27 Binding 0
$E$21 tempo proc Fab 3 1280 $E$21<=$E$27 Binding 0
$C$35 Fab 1 140 $C$35<=$C$37 Binding 0
$D$35 Fab 2 69 $D$35<=$D$37 Not Binding 131
$E$35 Fab 3 139,6 $E$35<=$E$37 Not Binding 20,4
$C$39 Cap prod pasta F1 Fab 1 350 $C$39<=$D$39 Binding 0
Slide 192
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$F$7 Conserva Atum 400 8 400 102 23
$F$8 Conserva Sardinha 350 6 350 102 46
$F$9 Pasta Atum 750 6,2 750 230 57,5
$F$10 Pasta Sardinha 650 3,2 650 230 57,5
$C$21 tempo proc Fab 1 1131 0 1600 1E+30 469
$D$21 tempo proc Fab 2 1280 -1,2 1280 57,5 230
$E$21 tempo proc Fab 3 1280 -1 1280 92 468
$C$35 Fab 1 140 -6 140 23 51
$D$35 Fab 2 69 0 200 1E+30 131
$E$35 Fab 3 139,6 0 160 1E+30 20,4
$C$39 Cap prod pasta F1 Fab 1 350 -4,2 350 57,5 230
Slide 193
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 194
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Isto significa que mais uma hora naquela linha na fábrica 1 conduz a um decréscimo de 6 euros
no custo total de produção. Como a tomada desta medida tem um custo adicional de 4 euros, na
realidade o decréscimo do custo total será de apenas 6 – 4 = 2 euros.
Os valores marginais mantêm-se inalterados desde que não se exceda um número adicional de
23 horas, isto é, desde que não se excedam nesta linha e nesta fábrica as 140 + 23 = 163 horas
no mês de Abril.
Slide 195
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Slide 196
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Enquanto que nas fábricas 2 e 3 todas as horas de trabalho são utilizadas, na fábrica 1,
sobram 1600-1131= 469 horas. Assim, só faz sentido transferir um trabalhador da fábrica 1.
Um trabalhador transferido durante 5 dias para uma outra fábrica representa um decréscimo de
5 x 8 =40 horas nessa fábrica e um acréscimo de 40 horas na fábrica para onde é transferido.
Valor marginal da restrição relativa à fábrica 2 : -1.2 é possível aumentar até 57,5 h > 40 h
Valor marginal da restrição relativa à fábrica 3: -1.0 é possível aumentar até 92 h > 40 h
Slide 197
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$C$7 Conserva Atum Fab 1 46 0 5 6 1,5
$D$7 Conserva Atum Fab 2 92 0 5 3 2,000000001
$E$7 Conserva Atum Fab 3 262 0 4 1,333333334 17
$C$8 Conserva Sardinha Fab 1 234 0 3 1,5 6
$D$8 Conserva Sardinha Fab 2 0 3,4 7,000000001 1E+30 3,4
$E$8 Conserva Sardinha Fab 3 116 0 4 6 1,5
$C$9 Pasta Atum Fab 1 350 0 2 4 1E+30
$D$9 Pasta Atum Fab 2 400 0 5 0,8 4
$E$9 Pasta Atum Fab 3 0 0,8 5 1E+30 0,8
$C$10 Pasta Sardinha Fab 1 0 4 3 1E+30 4
$D$10 Pasta Sardinha Fab 2 650 0 2 1,8 1E+30
$E$10 Pasta Sardinha Fab 3 0 1,8 4 1E+30 1,8
Slide 198
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 2. Programação Matemática
O planeamento de produção obtido para o mês de Abril mantém-se ótimo para custos de
produção de cada lote de conserva de atum na fábrica 2 entre 5 - 2 = 3 euros e 5 + 3 = 8 euros.
Se o custo passar a ser de 7 euros ( < 8 euros ) em vez de 5 euros o plano de produção para o
mês de Abril mantem-se.
Slide 199
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL
Programa
1. Introdução
2. Programação Matemática
3. Problemas em Grafos
4. Planeamento de projetos
5. Problemas de afetação
6. Gestão de stocks
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Um pouco de história…
Slide 201
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
As pontes de Königsberg…
Slide 202
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
As pontes de Königsberg…
Königsberg (Kaliningrado)
Slide 203
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
As pontes de Königsberg…
Königsberg em 1736...
Slide 204
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
As pontes de Königsberg…
Königsberg em 1736...
Slide 205
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
As pontes de Königsberg…
Slide 206
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
As pontes de Königsberg…
b c
d
b c
Slide 207
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
➢ Para cada arco a=(i,j) A, i designa-se por vértice inicial de a e j por
vértice final ou terminal de a. Se i=j, a diz-se um lacete.
Slide 209
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
A={a1,a2,a3,a4,a5,a6} ={(1,2),(2,1),(2,3),(3,1),(3,3),(3,4)}
3
a5 é um lacete a6
a3
a5
Um grafo admite múltiplas representações… 4
a2 2
a4
a1
Slide 210
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Slide 211
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Slide 212
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Proposição
Seja G=(X,A) um grafo orientado. Tem-se d
i X
+
(i ) = d − (i ) = A
i X
Número de arcos de G
É preciso demonstrar?
d +
(i ) = (i, j ) : (i, j ) A, j X = A
iX iX
d −
(i ) = (i, j ) : ( j , i ) A, j X = A
iX iX
Slide 213
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
8 10 5 7
Slide 214
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Definição
➢ Chama-se grafo não orientado a um par ordenado G = (X,A) em que X é
um conjunto finito e A {{i,j}:i,jX e i≠j};
4
Aresta {3,4}
3
3 e 4 são os extremos da aresta {3,4}
Slide 215
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
a3
1 6
a1
a2 2 a7
a5
3 a4 5 7
4 a6
X={1,2,3,4,5,6,7}
A={a1,a2,a3,a4,a5,a6,a7} ={{1,3},{1,4},{1,5},{2,4},{3,5},{4,5},{6,7}}
Slide 216
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Definição
➢ i e j dizem-se adjacentes;
Slide 217
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Slide 218
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Proposição
Seja G=(X,A) um grafo não orientado. Tem-se d (i) =2 A
iX
É preciso demonstrar?
Slide 219
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
6
2
10 8
9
Slide 220
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Proposição
Seja G=(X,A) um grafo não orientado. Então G tem um número
par de vértices com grau ímpar
Exemplo
a3
1 d(1)=3 d(2)=1 d(3)=2
a1
a2 2
a5
d(4)=3 d(5)=3
3 a4 5
4 a6
Há 4 vértices com grau ímpar!
Slide 221
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Números pares
d (i)
iI
é par!
Para que a soma de números ímpares seja par é necessário que o número
de parcelas seja par. Então,
I é par O número de vértices com grau
ímpar é par!
Slide 222
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Slide 223
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Slide 224
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
a3 {{3,5};{5,1};{1,4};{4,2}}
1
a1
a2 2
a4 a5 Ciclos (entre outros): a3, a6,a2
3 a6 5 {{3,5};{5,1};{1,3}}
4
(a1,a5,a6,a2)
Slide 225
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Conexidade
Definição
G diz-se conexo se entre quaisquer dois vértices do grafo existe uma cadeia
que os une; Caso contrário diz-se desconexo.
Exemplo
Slide 226
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Conexidade
Definição
Seja G = (X,A) um grafo orientado. Seja G’ o grafo não orientado que se
obtém de G pela remoção da orientação dos seus arcos (removendo
eventuais arestas duplicadas que surjam para algum par de vértices)
➢ G diz-se fortemente conexo se entre quaisquer dois vértices do grafo
existe pelo menos um caminho;
➢ G diz-se fracamente conexo se não for fortemente conexo mas G’ for
conexo;
➢ G diz-se desconexo se G’ for desconexo.
Exemplo
Slide 227
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Um quebra-cabeças…para descontrair?!
Slide 228
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos eulerianos
Problema
O grafo não orientado da figura, representa 3
um bairro de uma cidade. Os vértices 2 1
correspondem a cruzamentos e as arestas 4
correspondem a ruas. 1 2 5
2
3
Os valores junto às arestas representam os 5 3
comprimentos das ruas correspondentes. 4
Um carteiro tem que percorrer as ruas do bairro para fazer a entrega do correio.
Grafos eulerianos
Slide 230
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Slide 231
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos eulerianos
Definição
Seja G = (X,A) um grafo não orientado.
Exemplo 3
Ciclo euleriano:
1 2 5
{{3,2};{2,4};{4,3};{3,1};{1,4};{4,5};{5,3}}
O grafo é euleriano! 4
Slide 232
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos eulerianos
C
Sempre que C atravessa um vértice qualquer, a sua
contribuição para o grau desse vértice é de duas unidades
C
Proposição 4
Seja G=(X,A) um grafo não orientado conexo. G é euleriano se e
só se todos os vértices têm grau par (d(i) é par iX).
Slide 233
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos eulerianos
d(5)=2
4
Slide 234
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos eulerianos
a a
d d
b c b e f c
Há vértices com grau ímpar!
Slide 235
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Mais um quebra-cabeças…
?
Será possível, com uma linha contínua, cruzar todos
os segmentos que compõem a figura, sem cruzar
duas vezes o mesmo segmento e fechando a linha?
?
Slide 236
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Modelo adequado…
Grafos eulerianos
Proposição
Seja G=(X,A) um grafo não orientado conexo. Existe uma cadeia euleriana
em G se e só se o número de vértices com grau ímpar é no máximo 2.
Observação
Se o número de vértices com grau ímpar for 2 a cadeia tem que começar
num desses vértices para terminar no outro…
Exemplo
Será possível, com um traço contínuo, desenhar a figura
sem passar duas vezes sobre o mesmo segmento?
Resposta: Sim, mas temos que iniciar num dos vértices da base…
Slide 238
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos eulerianos
Definição
Seja G = (X,A) um grafo orientado.
➢ Um caminho em G diz-se euleriano se contiver todos os arcos de G uma
e uma só vez;
➢ Um circuito em G diz-se euleriano se contém todos os arcos de G uma e
uma só vez;
➢ G diz-se euleriano se contiver algum circuito euleriano.
Proposição
Seja G=(X,A) um grafo orientado. G é euleriano se e só se todos os
vértices têm grau interno igual ao grau externo (d+(i)=d-(i) iX).
Slide 239
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos eulerianos
Exemplo
3
d+(1)=1 d-(1)=1
d+(2)=1 d-(2)=1 1 2 5
d+(3)=2 d-(3)=2
+ -
4
d (4)=2 d (4)=2
O grafo é euleriano!
Slide 240
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos hamiltonianos
Definição
Seja G = (X,A) um grafo não orientado conexo.
Exemplo
3
Ciclo hamiltoniano:
1 2 5
{{1,4};{4,5};{5,2};{2,3};{3,1}}
O grafo é hamiltoniano!
4
Slide 241
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos hamiltonianos
Definição
Seja G = (X,A) um grafo orientado conexo.
Exemplo
3
Circuito hamiltoniano:
1 2 5
{(1,4);(4,5);(5,3);(3,2);(2,1)}
O grafo é hamiltoniano!
4
Slide 242
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Grafos hamiltonianos
Ao contrário do que acontece no caso de grafos eulerianos, não são
conhecidas condições que sejam ao mesmo tempo necessárias e suficientes
para um grafo ser hamiltoniano...
... Mas conhecem-se condições necessárias ou suficientes.
Prova Trivial!
Prova Trivial!
Slide 243
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
São muitas as aplicações na área da IO cuja resolução passa por determinar
o caminho de menor ou maior valor entre dois vértices de um grafo orientado
Definição
Seja G = (X,A) um grafo orientado tal que a cada arco (i,j) está associado um
valor cij, que designaremos por comprimento (custo, valor, peso) do arco.
Seja C, um caminho entre dois vértices s e t pertencentes a X.
Slide 244
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Definição (continuação)
Slide 245
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Exemplo 3
2 6
1
Sejam s = 1 e t = 5 1 2 4 5
3 1
Caminhos entre 1 e 5 e respetivos valores:
4
{(1,2); (2,3); (3,5)} comprimento = 9
Slide 246
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Existirá sempre caminho mais curto entre dois vértices de um grafo?
Exemplo
3
3 8
1
3 5
6
1 2 5
5
2 3
4
Slide 247
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Existirá sempre caminho mais curto entre dois vértices de um grafo?
Exemplo 3
3 8
1
3 -5
(1,2) (2,3) (3,5) 14 6
1 2 5
5
(1,2) (2,3) (3,4) (4,2) (2,3) (3,5) 12 (=14-2) 2 3
4
(1,2) (2,3) (3,4) (4,2) (2,3) (3,4) (4,2) (2,3) (3,5) 10 (=12-2)
−
n vezes
Não existe caminho porque o grafo tem um circuito de valor (custo) total negativo!
Slide 248
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Existência de caminho mais curto entre dois vértices s e t num grafo orientado
Slide 249
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Suposições (garantem que existe caminho mais curto entre o vértice s e todos os outros)
Slide 250
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
sX Vértice a partir do qual se pretende determinar os caminhos mais curtos
Notação
Slide 251
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Proposição
Seja G=(X,A) um grafo orientado e seja sX. Admita-se ainda que
existe pelo menos um caminho entre s e todos os outros vértices.
Sendo l(j) o comprimento do caminho mais curto entre s e j então,
Observação l (i )
i cij
l ( j)
s j
Slide 252
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Se conhecermos os valores l(j) podemos usar a parte 2 da proposição anterior
para ‘recuperar’ os caminhos mais curtos entre s e todos os outros vértices…
Caminhos ótimos
Determinação dos valores l(j), jX – comprimentos dos caminhos mais curtos
entre s e todos os outros vértices
l (i)
Observação
i
cij
l (k ) l ( j)
ckj
s k j
l (l )
clj
l
Proposição
Seja G=(X,A) um grafo orientado e seja sX. Admita-se ainda que existe pelo
menos um caminho entre s e todos os outros vértices. l(j) é o comprimento do
caminho mais curto entre s e j se e só se,
l ( j) = min l (i) + c
ij
i X : ( i , j ) A
Slide 254
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Determinação dos valores l(j), jX – comprimentos dos caminhos mais curtos
entre s e todos os outros vértices
ALGORITMO
1. l(s) 0;
2. Enquanto não se conhecer l(j) para todo o jX fazer
Considerar um qualquer vértice j tal que não se conhece l(j) mas tal que já
se conhecem os valores de l relativos a todos os seus antecessores. Fazer
l ( j) min l (i) + c
ij
i X : ( i , j ) A
Slide 255
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Exemplo
2
2 4
l(1)=0 5
(s=1) 6
l(3)=min{l(1)+3}=3 1 3 3
3
5
l(2) = min{l(1)+5, l(3)+3 } =
3 5
min{ 0 + 5, 3+3}=5 8
Slide 256
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Um problema de substituição de equipamento
➢ Uma empresa que faz entregas ao domicílio pretende ter uma viatura
automóvel disponível durante os próximos dois anos.
➢ No fim do primeiro ano é possível trocar de viatura (ou por outra do mesmo
modelo ou por uma do outro modelo), obtendo-se uma receita proveniente da
venda.
➢ No fim dos dois anos a empresa venderá a viatura que tiver na altura.
Slide 257
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Um problema de substituição de equipamento
Custo de operação e
manutenção Valor de venda
Preço de No 1º ano de No 2º ano de 1 ano de 2 anos de
aquisição atividade atividade atividade atividade
Modelo A 600 300 400 350 210
Modelo B 300 500 600 170 130
Questões:
1. Que viatura adquirir de início;
2. Deve trocar-se de viatura no fim do primeiro ano? Se sim, para que modelo?
Slide 258
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Um problema de substituição de equipamento
Agora Daqui a 1 ano Daqui a 2 anos
Usado A
400 com 2 anos
-210
Usado A
com 1 ano -350+600+300
600+300 Usado A
-350+300+500 -350
com 1 ano
t
s
-170
-170+600+300 Usado B
300+500 com 1 ano
-130
Usado B -170+300+500
com 1 ano
600 Usado B
com 2 anos
Slide 259
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Um problema de substituição de equipamento
Agora Daqui a 1 ano Daqui a 2 anos
Usado A
400 com 2 anos
-210
Usado A
com 1 ano 550
900 Usado A
-350
com 1 ano
450
t
s
-170
730 Usado B
800
com 1 ano
-130
Usado B 630
com 1 ano
600 Usado B
com 2 anos
Slide 260
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Um problema de substituição de equipamento
900 Usado A
-350
com 1 ano
450
t
s
-170
730 Usado B
800
com 1 ano
-130
Usado B 630
com 1 ano
600 Usado B
com 2 anos
Custo da política correspondente
Slide 261
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Um problema de substituição de equipamento
l(1) = 0
4
l(2) = min{l(1)+900} = 900 400
-210
l(3) = min{l(1)+800} = 800 2 550
900 5 -350
l(4) = min{l(2)+400} = 1300 450
1 8
l(5) = min{l(2)+550, l(3)+730} = 730 -170
Caminhos ótimos
Um problema de substituição de equipamento
Usado A
400
Política ótima com 2 anos
-210
Usado A
com 1 ano 550
900 Usado A
-350
com 1 ano
450
t
s
-170
730 Usado B
800
com 1 ano
-130
Usado B 630
com 1 ano
Comprar um carro de tipo A 600 Usado B
no início e mantê-lo durante com 2 anos
os dois anos
Slide 263
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
E mais uma charada (com “barba”...ou não?!)
Na margem de um rio está um pastor com um lobo, uma ovelha e um
molho de couves...
Existe um barco disponível para fazer a travessia do rio mas que é tão
pequeno que, para além do pastor, apenas pode levar um ‘passageiro’.
Slide 264
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
E mais uma charada (com “barba”...ou não?!)
Pastor P Ovelha O
Lobo L Couves C
Slide 265
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Definição
Seja G = (X,A) um grafo orientado tal que a cada arco (i,j) está associado
um valor cij, que designaremos por comprimento (custo, valor, peso) do
arco.
➢ De entre todos os caminhos entre s e t, o que tem maior comprimento
designa-se por caminho mais longo entre s e t.
Existência de caminho mais longo entre dois vértices s e t num grafo orientado
Slide 266
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Exemplos
3
3 8
1
3 5
6
1 2 5 Não existe caminho entre 1 e 5
5
2 3
4
3
3 8
1
3 6
6
Existe um circuito de valor positivo 1 2 5
5
2 3
4
Slide 267
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
max f ( x) min − f ( x)
Slide 268
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
2
2 4
Exemplo (Substituindo (cij) por (-cij)) (s=1)
5
6
1 3 3
l(1)=0 Caminho mais
3 5
3 5
l(3)=min{l(1)-3}=-3 longo entre 1 e 5? 8
Slide 269
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Mas queremos mais!
Suposições (garantem que existe caminho mais curto entre o vértice s e todos os outros)
Notação
Slide 270
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Slide 271
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Proposição
Seja G=(X,A) um grafo orientado e seja sX. Admita-se ainda que
existe pelo menos um caminho entre s e todos os outros vértices.
Sendo m(j) o comprimento do caminho mais longo entre s e j então,
Observação m (i)
i cij
m ( j)
s j
Slide 272
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Se conhecermos os valores m(j) podemos usar a parte 2 da proposição anterior
para ‘recuperar’ os caminhos mais longos entre s e todos os outros vértices…
Slide 273
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Determinação dos valores m(j), jX – comprimentos dos caminhos mais longos
entre s e todos os outros vértices
m (i)
Observação
i
cij
m (k ) m ( j)
ckj
s k j
m (l )
clj
l
Proposição
Seja G=(X,A) um grafo orientado e seja sX. Admita-se ainda que existe pelo
menos um caminho entre s e todos os outros vértices. m(j) é o comprimento do
caminho mais longo entre s e j se e só se,
m ( j) = max m (i) + c
ij
i X : ( i , j ) A
Slide 274
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Determinação dos valores m(j), jX – comprimentos dos caminhos mais longos
entre s e todos os outros vértices
ALGORITMO
1. m(s) 0;
2. Enquanto não se conhecer m(j) para todo o jX fazer
Considerar um qualquer vértice j tal que não se conhece m(j) mas tal que já
se conhecem os valores de m relativos a todos os seus antecessores. Fazer
m ( j) max m (i) + c
ij
i X : ( i , j ) A
Slide 275
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Exemplo
2
2 4
m(1)=0 5
(s=1) 6
m(3)=max{m(1)+3}=3 3
1 3
m(2) = max{m(1)+5, m(3)+3 } = 3
5
max{ 0 + 5, 3+3}=6 3 5
8
m(4) = max{m(2)+2, m(3)+5 } =
max{ 6 + 2, 3 + 5 } = 8
m(5) = max{m(2)+6, m(3)+8, m(4)+3 } =
max{ 6 + 6, 3 + 8, 8 + 3 } = 12
Slide 276
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
O problema da mochila…
➢ O valor que o indivíduo atribui a cada objeto e o respetivo peso são dados por:
Caminhos ótimos
O problema da mochila…
O problema pode ser formulado como um problema de determinação do
caminho mais longo entre dois determinados vértices num grafo orientado…
Valor(i+1) 0
i,b i+1,b+peso(i+1) i,b i+1, b
Slide 278
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
Objeto
1
Valor
7.5
Peso (kg)
4
O problema da mochila…
2 4 3
3 3 2
4 3.5 1 1,6 2,6 3,6 4,6 Fim
Slide 279
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
O problema da mochila…
Grafo com os vértices relevantes e com os pesos nos arcos
Slide 280
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
O problema da mochila…
Determinação do caminho mais longo
10.5 10.5 11
3,6 0 4,6 0 Fim
3 0
3.5
7
3,5 011 4,5
7.5 7.5 0
3
3.5
1,4
0
2,4 0 3,4 0 7.5 4,4 0
7.5
4 3.5 6.5 0
0 0
2,3 3,3 4,3
4
3.5 0
3 3,2 03 4,2
7.5
0
4 3.5
3 4,1
0 0 0 0 3.5 0
0 0 0 0
Início 1,0 2,0 3,0 4,0
Slide 281
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 3. Problemas em grafos
Caminhos ótimos
O problema da mochila…
➢ Qualquer caminho entre ‘Início’ e ‘Fim’, define uma solução admissível para o
campista e vice-versa;
Slide 282
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL
Programa
1. Introdução
2. Programação Matemática
3. Problemas em Grafos
4. Planeamento de projetos
5. Problemas de afetação
6. Gestão de stocks
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Slide 284
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Conceitos iniciais
Slide 285
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Conceitos iniciais
Slide 286
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Conceitos iniciais
Exemplo (Remodelação de uma cozinha)
Slide 287
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Conceitos iniciais
A: Mudança da canalização da água
Exemplo (continuação) B: Mudança da canalização do gás
C: Montagem de um novo pavimento
D: Rebocar e pintar a parede
A deve preceder C e D E: Reforço da instalação elétrica
B deve preceder D F: Colocação de iluminação
G: Instalação de equipamento
C deve preceder G
D deve preceder F e G
E deve preceder F
A B C D E F G
3 2 1 4 1 1 3
Slide 288
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Conceitos iniciais
Definição
Quando, num projeto envolvendo várias atividades, existem atividades cujo
início depende da conclusão de outra ou de outras atividades, diz-se que
existe uma relação de precedência orientada entre as atividades.
Slide 289
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Slide 290
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
G=(X,A) Projeto
Grafo orientado – rede de atividades
A Atividades ou tarefas
(Conjunto de arcos)
X Acontecimentos
(Conjunto de vértices) (Início ou conclusão de atividades)
Slide 291
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Atividade T1 Atividade T2
… Atividade Tn
T1
Se T1 precede T2
Atividade fictícia – duração 0
T2
T1 T2
Slide 292
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
T’’’ T’’’
Slide 293
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
T’
T’
T’’ T’’
T’’’ T’’’
Slide 294
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
T’ T’
T’’ T’’
T’’ T’’
Slide 295
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
1 1 2 1 2
Slide 296
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Slide 297
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Exemplo (Continuação)
C
A F
D
B G
Slide 298
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Exemplo (Continuação)
C
A G
D
B F
Slide 299
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
A G
D
B F
E
Slide 300
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
A G
D
B F
E
A G
D
B F
E
Slide 301
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
A G
D
B F
E
C
G
A
D
B
F
E
Slide 302
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
C
G
A
D
B
F
E
C
A G
B D
E F
Slide 303
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
2
C 5
A G
B 3
D
1 4 7
E F
6
Slide 304
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Generalidades
Definição
Num problema de planeamento de atividades designa-se por
acontecimento o momento que marca a conclusão de uma ou de
várias atividades ou, então, o início do projeto.
Observação
Quando se representa um projeto através de uma rede com as
atividades nos arcos tal como fizemos atrás, os acontecimentos
estão associados aos vértices.
Slide 305
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Generalidades
Exemplo (continuação) 2
C 5
A G
B 3
D
1 4 7
O vértice 1 representa o início do projeto
E F
6
O vértice 2 representa a conclusão da atividade A;
Também representa o início da atividade C
Slide 306
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Generalidades
Projeto
Slide 307
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Generalidades
Variáveis de decisão:
yi Data de realização do acontecimento associado ao vértice i
i X
Slide 308
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Generalidades
Slide 309
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Generalidades
y1 = 0
Slide 310
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Generalidades
Slide 311
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Generalidades
Exemplo (continuação)
Min y7 − y1 y1 = 0
s. a: y2 − y1 3 y2 = ? y1 = 0 y2 3 y2 = 3
y3 − y1 2 y1 = 0 y3 2
y3 = ? y3 = 3
y5 − y2 1 y 2 = 3 y3 3
y4 − y3 4 y3 = 3 y 4 7 y4 = 7
y4 = ?
y6 − y1 1
y 2 = 3 y5 4 y5 = 7
y7 − y6 1 y5 = ?
y 4 = 7 y5 7
y7 − y5 3
y3 − y2 0 y6 = ? y1 = 0 y6 1 y6 = 7
y5 − y4 0 y 4 = 7 y6 7
y6 − y4 0 y7 = ? y5 = 7 y7 10 Prazo mínimo para a
y7 = 10
y6 = 7 y7 8 conclusão do projeto
y1 ,, y7 0
Slide 312
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Generalidades
Contudo, esta abordagem pouco (ou nada) nos diz acerca das atividades:
Slide 313
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Definição
Seja G=(X,A) uma rede de atividades. A data mais cedo em que é
possível ocorrer o acontecimento a que corresponde o vértice jX
designa-se por data mais cedo do vértice j e representa-se por Ej.
El
l tlj
O acontecimento j só se dá
E j = max Ei + t ij
Er trj Ej
quando todas as tarefas que
r j
( i , j )A convergem em j estiverem
Es terminadas
s tsj
Slide 314
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
En Data mais cedo de conclusão do projeto
(conclusão de todas as atividades)
j X
E j = max Ei + t ij Equação recursiva Inicia-se fazendo E1 = 0
( i , j )A
3 7
Exemplo (Continuação)
2
C 5
E1 = 0 A 1
3 3 G 10
0
E2 = max{E1+t12} = 3 3
B 3
D
E3 = max{E1+t13,E2+t23} = 3 1 4 7
2 4 7
E4 = max{E3+t34} = 7 1
1 E F
E5 = max{E2+t25,E4+t45} = 7 6
E6 = max{E1+t16,E4+t46} = 7 7
Slide 315
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Slide 316
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Definição
Seja G=(X,A) uma rede de atividades. A data mais tarde em que é
possível ocorrer o acontecimento a que corresponde o vértice jX de
forma a que todo o projeto fique concluído na data mais cedo (En)
designa-se por data mais tarde do vértice j e representa-se por Lj.
Ll
O acontecimento j tem que ocorrer
L j = min Li − t ji
tjl l
num prazo tal que os acontecimen-
Lj tjr Lr tos que lhe sucedem possam estar
( j ,i )A
j r terminadas nos respetivos prazos
máximos
tjs Ls
s
Slide 317
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
j X
Exemplo (Continuação)
3 7
3 7
L7 = E7 = 10
2
C 5
L6 = min{L7-t67} = 9 0
A 1 10
3 3 3 G 10
0
L5 = min{L7-t57} = 7 3
B 3
D 7
1 4 7
L4 = min{L5-t45,L6-t46} = 7 2 4 7
L3 = min{L4-t34} = 3 E 1
1 F
L2 = min{L3-t23,L5-t25} = 3 6
L1 = min{L2-t12,L3-t13,L6-t16} = 0 9
7
Slide 318
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Definição
Seja G=(X,A) uma rede de atividades.
Observação
A folga de um acontecimento (vértice) indica o atraso máximo com que é
possível atingir esse sem que todo o projeto se atrase
Slide 319
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Exemplo (Continuação) 3 7
3 7
2
C 5
0
A 1 10
Vértice Ej Lj Fj 3 3 3 G 10
0
1 0 0 0 B 3
D 7
1 3 4 7
2 3 3 0 2 4 7
3 3 3 0 E 1
4 7 7 0 1 F
6
5 7 7 0
6 7 9 2 9
7 10 10 0 7
Acontecimentos críticos 1 2 3 4 5 7
Slide 320
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Todos estes valores são determinados de forma que o projeto termine o mais
cedo possível
Slide 321
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Ei tij Lj
Atividade (i,j)
i j
Slide 322
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Ei tij Lj
i j
Slide 323
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Ei tij Lj
i j
❑ Folga da atividade (i,j) Lj-Ei-tij
Representa a margem de manobra da atividade (i,j). Obtém-se fazendo a
diferença entre as datas de início mais tarde e mais cedo ou entre datas de
conclusão mais tarde e mais cedo.
Ei+tij
Atividade (i,j)
Ei Lj-tij Lj
Atividade Duração Data mais Data mais cedo Data mais Data mais tarde Folga
cedo de início de conclusão tarde de início de conclusão
(i,j) tij Ei Ei+tij Lj-tij Lj Lj-Ei-tij
Slide 324
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Definição
Slide 325
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
3 7
3 7
C
2 5
1
Exemplo (Continuação) 0
0 A
3
3 G
10
10
B 2 3 D 7 3
1 3 4 4 7 7
1
E 1
F
6
9
7
Atividade Duração Data mais Data mais cedo Data mais Data mais tarde Folga
cedo de início de conclusão tarde de início de conclusão
(i,j) tij Ei Ei+tij Lj-tij Lj Lj-Ei-tij
A (1,2) 3 0 3 0 3 0
B (1,3) 2 0 2 1 3 1
C (2,5) 1 3 4 6 7 3
D (3,4) 4 3 7 3 7 0
E (1,6) 1 0 1 8 9 8
F (6,7) 1 7 8 9 10 2
G (5,7) 3 7 10 7 10 0
Slide 326
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Exemplo (Continuação) 3 7
3 7
2
C 5
0
A 1 10
3 3 3 G 10
0
B 3
1 3
D 7
7
4
2 4 7
E 1
1 F
Atividades críticas A D G 6
9
Slide 327
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Proposição
Seja G = (X,A) uma rede de atividades com n vértices,
representando o vértice 1 o início do projeto e o vértice n a
conclusão.
➢ Qualquer caminho mais longo entre 1 e n é um caminho crítico;
Proposição
Seja G = (X,A) uma rede de atividades. Qualquer vértice envolvido
num caminho crítico é um vértice crítico.
Slide 328
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Observação
Slide 329
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Método CPM
Exemplo (Continuação)
Atividades críticas: A, D e G
Vértices críticos: 1, 2, 3, 4, 5 e 7
Slide 330
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Cronogramas
Cronograma
tij
Slide 331
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Cronogramas
Exemplo (Continuação)
Atividades
G (5,7)
F (6,7)
E (1,6)
D (3,4)
C (2,5)
B (1,3)
A (1,2)
1 2 3 4 5 6 7 8 9 10 Tempo
Slide 332
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Cronogramas
Exemplo (Continuação)
Cronograma (datas mais cedo com pessoal especializado)
Atividades
Técnico de eletrodomésticos
G
Eletricista
F
Eletricista
E
Pedreiro 2
D
Pedreiro 1
C
Canalizador 2
B
Canalizador 1
A
1 2 3 4 5 6 7 8 9 10
Tempo
Slide 333
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Mas....
diretos indiretos
• Aquisição de material • Supervisão do projeto
• Aquisição de equipamento • Overheads
• Mão-de-obra • ...
• ...
Slide 334
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Tempo Custo
Slide 335
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Custo direto
da atividade
Slide 336
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
• são admissíveis
• pertencem ao segmento que une os dois pontos de referência -
‘Normal’ e ‘Acelerado’
E a realidade?!
Slide 337
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Custo direto
da atividade
Slide 338
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Slide 339
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Notação adicional:
Slide 340
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Custo direto
da atividade
cij Acelerado
Cij − cij
Declive Sij =
Custo direto da Dij − d ij
atividade (i,j) se a Cij Normal
Slide 341
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Exemplo (Problema da remodelação da cozinha) C
2 5
A G
B 3
D
1 4 7
Slide 342
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Exemplo (Problema da remodelação da cozinha)
Atividade Duração normal Duração acelerada Custo normal Custo acelerado aumento unitário do custo
(no limite) (no limite) = -Sij
A (1,2) 3 1 20 28 4
B (1,3) 2 1 20 26 6
C (2,5) 1 - 15 - -
D (3,4) 4 1 24 30 2
E (1,6) 1 - 30 - -
F (6,7) 1 - 10 - -
G (5,7) 3 2 25 35 10
Slide 343
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
duração duração
Caminhos de 1 a 7 duração reduzindo D 3 dias reduzindo A 1 dia
A-C-G 7 7 6
A-D-G 10 7 6
A-D-F 8 5 4
B-D-G 9 6 6
B-D-F 7 4 4
E-F 2 2 2
Slide 344
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Slide 345
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Variáveis de decisão
xij Duração da atividade (i,j)A
yi Data de realização do vértice iX
Slide 346
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Custo direto
da atividade
cij Acelerado
Cij − cij
Declive Sij =
Dij − d ij
Cij Normal
Slide 347
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Custo direto
da atividade
K ij
Acelerado
Slide 348
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
( i , j ) A ( i , j )A
Slide 349
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Exemplo (Problema da remodelação da cozinha)
2
C 5
A G
Consideremos a seguinte informação
adicional: B D
1 3 4 7
T=6
Atividade Duração normal Duração acelerada Custo normal Custo acelerado
E F
(no limite) (no limite)
6
A (1,2) 3 1 20 28
B (1,3) 2 1 20 26
C (2,5) 1 - 15 -
D (3,4) 4 1 24 30
E (1,6) 1 - 30 -
F (6,7) 1 - 10 -
G (5,7) 3 2 25 35
Slide 350
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Exemplo (Problema da remodelação da cozinha)
Slide 351
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Exemplo (Problema da remodelação da cozinha) Input do Solver Excel
y1 y2 y3 y4 y5 y6 y7 x12 x13 x34 x57 RHS
0 0 0 0 0 0 0 0 0 0 0
OBJ -4 -6 -2 -10 0
REST1 -1 1 -1 0
REST2 -1 1 -1 0
REST3 -1 1 0 1
REST4 -1 1 -1 0
REST5 -1 1 0 1
REST6 -1 1 0 1
REST7 -1 1 -1 0
REST8 -1 1 0 0
REST9 -1 1 0
REST10 -1 1 0
REST11 1 0 1
REST12 1 0 1
REST13 1 0 1
REST14 1 0 2
REST15 1 0 3
REST16 1 0 2
REST17 1 0 4
REST18 1 0 3
REST19 1 0 6
Slide 352
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Exemplo (Problema da remodelação da cozinha)
Microsoft Excel 12.0 Relatório de respostas Output do
Folha de cálculo: [activida.xlsx]Folha1
Relatório gerado: 29-04-2009 15:25:13
Solver Excel
Células ajustáveis
Célula Nome Valor original Valor final
$C$2 y1 0 0
$D$2 y2 0 2
$E$2 y3 0 2
$F$2 y4 0 3
$G$2 y5 0 3
$H$2 y6 0 3
$I$2 y7 0 6
$J$2 x12 0 2
$K$2 x13 0 2
$L$2 x34 0 1
$M$2 x57 0 3
Slide 353
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Exemplo (Problema da remodelação da cozinha)
2
C 5
A 1
[1,3] G
B D [2,3]
1 3 4 7
[1,2] [1,4]
E 1 y2 = 2 y5 = 3
1 F
6 2
C 5
A 1
G y7 = 6
y1 = 0 2 3
B 3
D
1 4 y4 = 3 7
2 1
y3 = 2
E 1
1 F
6
y6 = 5
Slide 354
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 4. Planeamento de projetos
Análise Tempo/custo
Exemplo (Problema da remodelação da cozinha)
y2 = 2 y5 = 3
2
C 5
A 1
G y7 = 6
y1 = 0 2 3
B 3
D
1 4 y4 = 3 7
2 1
y3 = 2
E 1
1 F
6
y6 = 5
Slide 355
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL
Programa
1. Introdução
2. Programação Matemática
3. Problemas em Grafos
4. Planeamento de projetos
5. Problemas de afetação
6. Gestão de stocks
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
n indivíduos n tarefas
1 1
2 cij 2
... tempo ...
i desempenho j
... custo ...
...
n n
Slide 357
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Introdução
Exemplo
Uma fábrica de brinquedos pretende montar uma linha de montagem para
4 bonecos diferentes. Cada um destes bonecos deverá ser produzido por
uma máquina diferente. Para cada uma das quatro máquinas disponíveis
conhecem-se os custos de produção de cada boneco.
Boneco
1 2 3 4
1 5 2 3 4
Máquina 2 7 8 4 5
3 6 3 5 6
4 2 2 3 5
Slide 358
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Introdução
Slide 359
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Introdução
n n
Min z = cij xij Custo global
i =1 j =1
n
s. a: x
j =1
ij =1 i = 1,..., n Cada indivíduo realiza uma tarefa
x
i =1
ij =1 j = 1,..., n Cada tarefa é realizada por um indivíduo
Slide 360
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Introdução
Exemplo (continuação) Boneco
1 2 3 4
1 5 2 3 4
Uma solução admissível: Máquina 2 7 8 4 5
3 6 3 5 6
4 2 2 3 5
Restantes variáveis
Slide 361
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algumas propriedades
Slide 362
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algumas propriedades
Demonstração
Suponhamos que
A todos os elementos da linha i se adiciona um valor ai (i=1,...,n)
A todos os elementos da coluna j se adiciona um valor bj (j=1,...,n)
Designem
Z Função objetivo do problema original
Ẑ Função objetivo do problema transformado
Slide 363
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algumas propriedades
i =1 j =1 i =1 j =1
n n n n n n
= cij xij + a i xij + b j xij
i =1 j =1 i =1 j =1 i =1 j =1
n
n n n
= Z + a i xij + b j xij
i =1 j =1 j =1 i =1
=1 =1
n n
= Z + ai + b j
i =1 j =1
Slide 364
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algumas propriedades
Resultado anterior
Slide 365
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algumas propriedades
Exemplo Boneco
1 2 3 4
5 2 3 4 − 3 1 5 2 3 4
7 8 4 5 − 4 Máquina 2 7 8 4 5
6 3 5 6 − 4 3 6 3 5 6
2 2 3 5 − 2
4 2 2 3 5
5 − 3 2−3 3−3 4 − 3 2 − 1 0 1
7 − 4 8−4 4−4 5 − 4 3 4 0 1
6 − 4 3−4 5−4 6 − 4 = 2 − 1 1 2
2 − 2 2−2 3−2 5 − 2 0 0 1 3
2 − 1 0 1 2 − 0 − 1 + 1 0 − 0 1 − 1 2 0 0 0
3 4 0 1 3 − 0 4 +1 0 − 0 1 − 1 3 5 0 0
2 − 1 1 2 2 − 0 − 1 + 1 1 − 0 2 − 1 = 2 0 1 1
0 0 1 3 0 − 0 0 +1 1 − 0 3 − 1 0 1 1 2
− 0 +1 − 0 −1
Slide 366
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algumas propriedades
Exemplo (continuação) Boneco
1 2 3 4
2 0 0 0 1 5 2 3 4
3 5 0 0 Máquina 2 7 8 4 5
2 0 1 1 3 6 3 5 6
0 1 1 2
4 2 2 3 5
Slide 367
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
(O Algoritmo Húngaro foi desenvolvido por Kuhn, em 1955, tendo as suas raízes num trabalho de
um matemático húngaro – Egerváry – datado de 1931. Daí o nome do método)
➢ Uma afetação de custo zero diz-se maximal se não existe outra afetação
de custo zero com mais pares afetos .
Slide 368
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Início
A. Inicialização
B. Determinação de uma
afetação maximal
(de custo nulo)
sim
C. Afetação completa? Fim
não
Slide 369
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
A. Inicialização
Slide 370
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Slide 371
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
C. Teste de terminação
Slide 372
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Slide 373
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Observações
➢ Subtrair m a cada linha não coberta e somar m a cada coluna coberta
equivale a subtrair m aos elementos não cobertos e somar m aos
elementos duplamente cobertos.
➢ Se o número mínimo de riscos que cobrem todos os zeros da matriz é
inferior a n então, nas condições do teorema, o decréscimo na soma de
todos os elementos de C é uma quantidade estritamente positiva.
Slide 374
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Boneco
Exemplo 1 2 3 4
1 5 2 3 4
5 2 3 4 Máquina 2 7 8 4 5
7 8 4 5 3 6 3 5 6
6 3 5 6 4 2 2 3 5
2 2 3 5
A. Inicialização
5 2 3 4 − 2 3 0 1 2 3 0 1 1
7 8 4 5 − 4 3 4 0 1 3 4 0 0
6 3 5 6 − 3 3 0 2 3 3 0 2 2
2 2 3 5 − 2 0 0 1 3 0 0 1 2
−1
Todos os elementos são não negativos
e existe pelo menos um zero em cada
linha e em cada coluna
Slide 375
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Exemplo (continuação)
3 0 1 1
3 4 0 0
3 0 2 2
0 0 1 2
Slide 376
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Exemplo (continuação)
C. Teste de terminação
3 0 1 1
3 4 0 0
3 0 2 2
0 0 1 2
k =3<n
A afetação maximal não é completa
Segue para D
Slide 377
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Exemplo (continuação)
3 0 1 1
3 4 0 0
3 0 2 2
0 0 1 2
Slide 378
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Exemplo (continuação)
2 0 0 0
3 5 0 0
2 0 1 1
0 1 1 2
Slide 379
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Exemplo (continuação)
C. Teste de terminação
2 0 0 0
3 5 0 0
2 0 1 1
0 1 1 2
k =4=n
Uma afetação maximal é completa
Pode agora identificar-se uma afetação completa de valor zero que se sabe existir
Slide 380
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Exemplo (continuação)
2 0 0 0 *
3 5 0* 0
2 0* 1 1
0 * 1 1 2
O algoritmo termina!
Pares afetos: (1,4), (2,3), (3,2) e (4,1) x14 = x23 = x32 = x41 = 1
Restantes xij iguais a 0
Slide 381
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Exemplo (continuação)
2 0 0* 0
3 5 0 0 *
2 0* 1 1
0 * 1 1 2
Slide 382
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Observações
➢ Após a aplicação do algoritmo Húngaro, o custo da solução ótima pode ser
determinado somando todos os valores subtraídos às linhas e colunas em
todas as reduções feitas à matriz.
➢ A implementação do algoritmo Húngaro requer alguns cuidados,
nomeadamente na determinação de uma afetação maximal e no traçar
dos riscos que cobrirão todos os zeros da matriz.
➢ Um problema de afetação em que o número de indivíduos e de tarefas não
coincide pode transformar-se o problema num problema de afetação
‘equilibrado’:
▪ Caso haja menos indivíduos (tarefas) do que tarefas (indivíduos) pode-se
considerar tantos indivíduos (tarefas) ‘fictícios’ quantos os necessários para
equilibrar o problema.
▪ Todos os custos que envolvem um indivíduo (tarefa) fictício serão nulos.
Slide 383
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Observações
Slide 384
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 5. O problema de afetação
Algoritmo Húngaro
Observações
➢ Até aqui considerámos problemas de afetação em que cada indivíduo tem
que executar exatamente uma tarefa e uma tarefa tem que ser executada
por exatamente um indivíduo. Há situações em que tal não acontece e
que, contudo, podem ser convertidas na situação referida.
▪ Quando um indivíduo pode executar mais do que uma tarefa consideram-se
‘réplicas’ do indivíduo (em número igual ao das tarefas que ele pode executar),
replicando ainda os custos associados a esse indivíduo. Cada uma das réplicas
poderá então executar uma única tarefa o que nos conduz ao caso que
estudámos.
Slide 385
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL
Programa
1. Introdução
2. Programação Matemática
3. Problemas em Grafos
4. Planeamento de projetos
5. Problemas de afetação
6. Gestão de stocks
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 387
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 388
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 389
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
➢ Para possibilitar
▪ a aquisição de quantidades superiores às imediatamente necessárias,
conseguindo, desta forma
• Preços mais baixos
• Melhores condições de compra
• Redução dos custos unitários de transporte
▪ a produção de séries económicas conseguindo, desta forma
• Melhor distribuição dos custos de preparação e lançamento das encomendas
Slide 390
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 391
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 392
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Natureza da procura
Determinísticos Estocásticos
Slide 393
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo
Um hipermercado pretende gerir o seu stock de um determinado tipo de bicicleta
Relativamente a esta bicicleta, a informação disponível é a seguinte:
Slide 394
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo (continuação)
Quantidade encomendada
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Custo variável 0 40 80 120 160 200 240 280 320 360 400 440 480 520 560 600
Custo fixo 0 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15
Custo de transporte 0 35 35 35 35 35 35 35 35 35 35 35 35 35 35 35
Custo total 0 90 130 170 210 250 290 330 370 410 450 490 530 570 610 650
Custo por unidade 0,00 90,00 65,00 56,67 52,50 50,00 48,33 47,14 46,25 45,56 45,00 44,55 44,17 43,85 43,57 43,33
100,00
90,00
60,00
50,00
40,00
30,00
20,00
10,00
0,00 Qd encomendada
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Slide 395
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo (continuação)
Slide 396
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo (continuação)
Quantidade encomendada
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Bicicletas em falta 3 2 1 0 -1 -2 -3 -4 -5 -6 -7 -8 -9 -10 -11 -12
Custo de ruptura 45 30 15 0 0 0 0 0 0 0 0 0 0 0 0 0
50
45
40
35
O custo de rutura do stock é não crescente
30
com a quantidade encomendada
Custo
25
20
15
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Quantidade encomendada
Slide 397
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo (continuação)
Quantidade encomendada
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Nº de bicletas no fim de 30 dias 0 0 0 0 1 2 3 4 5 6 7 8 9 10 11 12
Custo de armazenamento 0 0 0 0 5 10 15 20 25 30 35 40 45 50 55 60
70
60
50
40
Custo
30
O custo de armazenamento é não
20 decrescente com a quantidade
encomendada
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Quantidade encomendada
Slide 398
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 399
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
K + cQ
Custo de aquisição ou
produção de uma unidade
Slide 400
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
➢ Custos de armazenamento
Slide 401
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
➢ Custos de rutura
Ocorrem quando a procura excede as existências
Slide 402
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 403
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Suposições
➢ A procura ocorre de forma contínua e constante ao longo do tempo
➢ O stock é re-abastecido de forma instantânea no exato instante
pretendido e na quantidade desejada
➢ Não é permitida rutura.
Slide 404
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Nível do
stock
1 ciclo Tempo
Slide 405
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Notação
Slide 406
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Q …
Tempo
T
Slide 407
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
S (t ) = Q − dt Q
S (T ) = Q − dT = 0
t T
Q
T=
d
Slide 408
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
600
…
200
2 3 6 9 Tempo (meses)
Slide 409
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
?
Quantidade ótima a encomendar Q*
Custo global
por período =
Custos associados
a uma encomenda + Custos de armazenamento
por período
Slide 410
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Custos associados
a uma encomenda
K + cQ
Q
Custos de armazenamento Q Q Q2
por período h = h
d 2 2d T
Custo de armazenamento
Quantidade média
por unidade do artigo e
por unidade de tempo em stock por período
Duração de
um período
Custo de armazenamento
por unidade do artigo e por
período
Slide 411
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Q2
+ Custos de
armazenamento
h
2d
Slide 412
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Q2 Q
= K + c Q + h
2d d
dK hQ
= + cd +
Q 2
= f (Q )
Slide 413
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
dK
cd Q
Q* Q
Lote económico!
Slide 414
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Analiticamente tem-se
f (Q) dK h
=− 2 +
Q Q 2
2 f (Q) 2dK
Confirmação de que se trata de um minimizante = 3 0
Q Q
Síntese 2dK
Q* = Lote económico
h
Q*
T* = Comprimento de um período
d
f (Q*) = cd + 2dKh Custo ótimo por unidade de tempo
Slide 415
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo
Um revendedor de pneus pretende determinar a política económica ótima de
gestão do seu stock de pneus de forma a minimizar o custo global envolvido.
Lote económico ?
Custo ótimo anual ?
Slide 416
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo (continuação)
Resposta: De cada vez, deverão ser encomendados 250 pneus. Deve-se lançar nova
encomenda de 18 em 18 dias.
Slide 417
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Arredondamentos?....
Independentemente do valor de Q, os custos variáveis de encomenda por unidade de
tempo são sempre iguais: 𝑐 × 𝑑. A menos desta constante temos:
𝑑𝐾 ℎ𝑄
𝑓 𝑄 = + 𝑓 𝑄∗ = 2𝑑𝐾ℎ
𝑄 2
𝑑𝐾 ℎ𝑄 𝑑𝐾 ℎ𝑄
𝑓(𝑄) + 1 𝑑2𝐾2 𝑄 ℎ2 1 2𝑑𝐾 𝑄 ℎ
𝑄 2 𝑄 2
= = + = + = +
𝑓 𝑄∗ 2𝑑𝐾ℎ 2𝑑𝐾ℎ 2𝑑𝐾ℎ 𝑄 2𝑑𝐾ℎ 2 2𝑑𝐾ℎ 2𝑄 ℎ 2 2𝑑𝐾
1 ∗ 𝑄 1 1 𝑄∗ 𝑄
= 𝑄 + = +
2𝑄 2 𝑄∗ 2 𝑄 𝑄 ∗
𝑄 𝟏 𝟏 𝟏 𝟏
1 2 4 10 20
𝑄∗ 𝟐𝟎 𝟏𝟎 𝟒 𝟐
𝑓(𝑄)
10.025 5.05 2.125 1.25 1 1.25 2.125 5.05 10.025
𝑓 𝑄∗
Slide 418
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
l Tempo de entrega
Slide 419
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
l Tempo de entrega
S (T − l ) = Q − d (T − l ) = Q − dT + dl
= Q − Q + dl = dl Nível do stock no momento T-l
r: Ponto de encomenda
Slide 420
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo
Retomemos o exemplo do revendedor de pneus.
Ponto de encomenda ?
4
r = d l = 5000 = 54.79 55 Ponto de encomenda
365
Slide 421
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Descontos de quantidade
Frequentemente, o custo unitário de aquisição/produção, depende da
quantidade encomendada/produzida.
1 Q q1 c1
q1 Q q2 c2 c1 c2 ... cn
… …
qn −1 Q cn
Slide 422
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
dK hQ
f i (Q) = + ci d +
Q 2
Custo total por
unidade de tempo f1 (Q)
f 2 (Q )
f n (Q )
Slide 423
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
f n (Q )
q1 q2 qn −1 Q
Slide 424
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
f 2 (Q ) f n (Q )
q1 q2 qn −1 Q
Slide 425
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
2dK
Q* =
h
Solução ótima ou
Slide 426
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
2dK
1. Determinar Q* = e f (Q*) Utiliza-se o custo unitário
h apropriado para a quantidade Q*
2. Seja q s = min q j : q j Q *
3. i=s
Enquanto i n −1
Se f ( qi ) f (Q*) fazer Q* = qi
i = i +1
Slide 427
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo
Retomemos o exemplo do revendedor de pneus.
1 Q 200 55
q1 = 200
200 Q 275 50
q2 = 275
275 Q 300 48
q3 = 300
300 Q 46
Slide 428
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Exemplo (continuação)
Slide 429
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Objetivo
Determinar o nível de reabastecimento do stock no início de cada
período de forma a minimizar o custo global para o horizonte
temporal considerado
Slide 430
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Notação
Slide 431
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Suposições
➢ Toda a procura tem que ser satisfeita em todos os períodos (ou seja,
não é permitida rutura do stock
Slide 432
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 433
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 434
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Slide 435
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
0 Não há re-abastecimento
di + + dn É feito o re-abastecimento para os períodos i, i+1,...,n
Slide 436
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
G = ( X , A)
Início do período i
X = 1,..., i ,...n + 1 i
Fim do período i −1
A = (i , j ) : 1 i j n + 1 i j
Slide 437
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
i j
➢ O custo de armazenamento é h (d
k =i
k +1 + d k + 2 + ... + d j −1 )
Slide 438
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
i j
Slide 440
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
Vértices
1 – início do 1º mês
2 – fim do 1º mês / início do 2º mês
3 – fim do 2º mês / início do 3º mês
4 – fim do 3º mês
Arcos
(1,2) – encomenda no início do 1º mês para satisfazer a procura no mês 1.
(1,3) – encomenda no início do 1º mês para satisfazer a procura nos meses 1 e 2.
(1,4) – encomenda no início do 1º mês para satisfazer a procura nos meses 1, 2 e 3.
(2,3) – encomenda no início do 2º mês para satisfazer a procura no mês 2.
(2,4) – encomenda no início do 2º mês para satisfazer a procura nos meses 2 e 3.
(3,4) – encomenda no início do 3º mês para satisfazer a procura no mês 3.
Slide 441
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
1 2 3 4
Slide 442
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
d1 = 3 d2 = 7 d3 = 4
(1,2) 50 + 40 3 + 5 0 = 170
(1,3) 50 + 40 (3 + 7 ) + 5 7 + 5 0 = 485
(1,4) 50 + 40 (3 + 7 + 6) + 5 11 + 5 4 + 5 0 = 685
(2,3) 50 + 40 (7 ) + 5 0 = 330
(2,4) 50 + 40 (7 + 4) + 5 4 + 5 0 = 510
(3,4) 50 + 40 (4) + 5 0 = 210
Slide 443
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
485 510
170 210
1 2 330 3 4
685
l (1) = 0
l ( 2) = l (1) + C12 = 170
l (3) = min l (1) + C13 , l ( 2 ) + C 23 = 485
l ( 4 ) = min l (1) + C14 , l ( 2 ) + C 24 , l (3) + C 34 = 680
Slide 444
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
485 510
685
l (1) = 0
l ( 2) = l (1) + C12 = 170
l (3) = min l (1) + C13 , l ( 2 ) + C 23 = 485
l ( 4 ) = min l (1) + C14 , l ( 2 ) + C 24 , l (3) + C 34 = 680
Slide 445
UNIVERSIDADE DE LISBOA | FACULDADE DE CIÊNCIAS IO / Técnicas de IO, 2020/2021
DEPARTAMENTO DE ESTATÍSTICA E INVESTIGAÇÃO OPERACIONAL 6. Gestão de stocks
485 510
685
Slide 446
Investigação Operacional