Programação Linear/Inteira
|
|
- Aline Pedroso Cipriano
- 5 Há anos
- Visualizações:
Transcrição
1 Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira Prof. Thiago Alves de Queiroz Aula 6 Thiago Queiroz (IMTec) Aula 6 Aula 6 1 / 45
2 Otimização Discreta A característica de otimização discreta (ou combinatória) é que algumas variáveis pertencem a um conjunto discreto; Geralmente é um subconjunto dos inteiros; Algumas aplicações surgem em áreas de: energia, transporte, telecomunicações, biologia molecular, medicina, aviação, finanças, planejamento da produção, etc.; Um problema com variáveis inteiras e reais é denominado problema de programação (linear) inteira mista - PIM quando tem a forma: Maximizar { z = cx + dy Ax + Dy b sujeito a : x R n +, y Z p +. (1) Em que as matrizes A m m e D m p e os vetores c 1 n, d 1 p e b m 1 são os parâmetros do problema. Thiago Queiroz (IMTec) Aula 6 Aula 6 2 / 45
3 Otimização Discreta Quando todas as variáveis são inteiras, tem-se um problema de programação (linear) inteira - PI: Maximizar { z = cx Ax b sujeito a : x Z n +. (2) Se todas as variáveis assumem valores 0 ou 1, tem-se um problema de programação 0-1 ou binária - PB: Maximizar { z = cx Ax b sujeito a : x B n. (3) Em que B n representa o espaço dos vetores com n componentes binárias; Thiago Queiroz (IMTec) Aula 6 Aula 6 3 / 45
4 Otimização Discreta Um outro tipo é o problema de otimização combinatória - OC, definido como: É dado um conjunto finito N = 1,..., n; É dado um conjunto de peso c j para cada j N; É dado uma família F de subconjuntos factíveis de N; O objetivo { é achar o subconjunto de peso mínimo de F: } min j S c j, tal que S F. Problemas de OC podem ser escritos como problemas de PI ou PB; Problemas de programação inteira e combinatória são resolvidos por: Métodos ótimos (exatos): que fornecem a solução ótima; Algoritmos aproximados: que garantem a distância máxima entre o valor da solução subótima e o valor ótimo; Métodos heurísticos: que fornecem, em geral, uma solução subótima sem conhecimento de sua qualidade. Thiago Queiroz (IMTec) Aula 6 Aula 6 4 / 45
5 Exemplo de PIM Problema de Programação Inteira Mista: maximizar z = 10x 1 + 6x 2 9x 1 + 5x 2 45 sujeito a : 4x 1 + 5x 2 5 x 1 R+, 1 x 2 Z+. 1 (4) A solução ótima é: (x 1, x 2 ) = (3 1 3, 3), com z = Figura: Conjunto de solução factíveis do exemplo acima. Thiago Queiroz (IMTec) Aula 6 Aula 6 5 / 45
6 Exemplo de PI Problema de Programação Inteira: maximizar z = 10x 1 + 6x 2 9x 1 + 5x 2 45 sujeito a : 4x 1 + 5x 2 5 x 1 Z+, 1 x 2 Z+. 1 (5) A solução ótima é: (x 1, x 2 ) = (5, 0), com z = 50. Figura: Conjunto de solução factíveis do exemplo acima. Thiago Queiroz (IMTec) Aula 6 Aula 6 6 / 45
7 Exemplo de PB Problema de Programação Binária: maximizar z = 2x 1 + 3x 2 6x 1 + 8x 2 10 sujeito a : 4x 1 + 5x 2 5 x 1 {0, 1}, x 2 {0, 1}. (6) O conjunto de solução factíveis é dado por todas as combinações de valores (0 e 1) para as variáveis do problema; No exemplo, tem-se: X = {(0, 0), (1, 0), (0, 1), (0, 1)}; Note que a solução ótima ocorre para (x 1, x 2 ) = (0, 1), com valor z = 3. Thiago Queiroz (IMTec) Aula 6 Aula 6 7 / 45
8 Relaxação Linear Considere o problema de programação inteira (PI) abaixo: (PI) maximizar z = 10x 1 + 6x 2 9x 1 + 5x 2 45 sujeito a : 4x 1 + 5x 2 5 x 1 Z+, 1 x 2 Z+. 1 (7) A relaxação linear deste problema é o problema de programação linear (PL) quando a condição de integralidade é relaxada (substituída por não-negatividade ou variável livre), ou seja: (PL) maximizar z = 10x 1 + 6x 2 9x 1 + 5x 2 45 sujeito a : 4x 1 + 5x 2 5 x 1 0, x 2 0. (8) O problema PL é chamado de relaxação linear do problema PI. Thiago Queiroz (IMTec) Aula 6 Aula 6 8 / 45
9 Relaxação Linear A solução ótima do PI foi dada por x = (x 1, x 2 ) = (5, 0), com z = 50; Observe o conjunto de soluções factíveis do problema PL, com solução: x = (3 1 13, ), com z = ; Figura: Conjunto de solução factíveis da relaxação linear PL. Thiago Queiroz (IMTec) Aula 6 Aula 6 9 / 45
10 Relaxação Linear Note que a diferença é satisfatória, com diferença percentual (erro) de = 0, 029 ou 2, 9%; Uma técnica utilizada consiste em arredondar a solução do PL; Considere a solução do PL arredondada, isto é, x = (3 1 13, ) (3, 3), com z = 48; A diferença percentual (erro) com relação a solução ótima do PI é: = 0, 04 ou 4, 0%, que é bem pior do que no caso anterior; Logo, a estratégia de arredondamento da solução ótima do problema relaxado de PL pode não ser satisfatória; Além disso, há o risco da solução arredondada não satisfazer as restrições do problema de PI original. Thiago Queiroz (IMTec) Aula 6 Aula 6 10 / 45
11 Relaxação Linear A relaxação linear é um conceito-chave para métodos de resolução de PI e PIM; Considere X PI, X PIM, X PL os conjuntos soluções factíveis de PI, PIM e PL, respectivamente; Como Z n + R N +, segue que: X PI X PL e X PIM X PL ; Com isso, o valor z da solução ótima de PL é um limitante superior para o valor de z da solução ótima de PI e PIM, dado problemas de maximização; Em problemas de minimização, o valor z da solução ótima de PL é um limitante inferior para o valor de z da solução ótima de PI e PIM; A relaxação linear em problemas de programação binária ocorre trocando x {0, 1} por 0 x 1. Thiago Queiroz (IMTec) Aula 6 Aula 6 11 / 45
12 Modelagem com Variáveis Binárias Um grande número de problemas em otimização discreta envolve a ocorrência ou não de um evento; Ou seja, a decisão entre duas alternativas, sendo modelada por uma{ variável binária x: 1, se o evento ocorre x = 0, se o evento nao ocorre Alguns casos com esse tipo de decisão e como representá-los matematicamente são vistos adiante; Thiago Queiroz (IMTec) Aula 6 Aula 6 12 / 45
13 Implicações se-então A ocorrência de um evento implica a ocorrência de outro evento; Considere a situação em que, se o produto 1 é fabricado, então o produto 2 também deve ser fabricado: x 1 = quantidade produzida do item 1 x 2 = quantidade produzida do item 2 Seja{ y uma variável binária tal que: 1, se x1 > 0 y = 0, caso contrario A situação é expressa pela desigualdade: x 1 My, em que M é um limitante superior da produção do item 1; Deseja-se expressar que: y = 1 implica x 2 > 0, ou seja: x 2 my, em que m é um limitante inferior para a quantidade de produção do item 2; Thiago Queiroz (IMTec) Aula 6 Aula 6 13 / 45
14 Implicações se-então Outra situação envolve: impor que a desigualdade f (x 1, x 2,..., x n ) > 0 implica que a desigualdade g(x 1, x 2,..., x n ) 0 é verdadeira; Então, considere uma variável binária y e um número muito grande M, tal que: f M e g M, para todo valor de x 1, x 2,..., x n ; A implicação é expressa pelas restrições: g(x 1, x 2,..., x n ) My f (x 1, x 2,..., x n ) M(1 y). Note que: se f > 0, então y = 0, que resulta em g 0, ou seja, g 0. Thiago Queiroz (IMTec) Aula 6 Aula 6 14 / 45
15 Exemplo Suponha que quatro itens podem ser produzidos em uma máquina k. Se o item 1 é produzido em k, então os outros itens, 2, 3 e 4, não podem ser processados em k. Represente esta situação. 1. Defina { as variáveis: 1, se o item i e processado na maquina k x ik = 0, caso contrario 2. Veja a relação de implicação: Se x 1k = 1, então x 2k = x 3k = x 4k = 0; Pelo fato das variáveis serem binárias, segue-se que: se x 1k > 0, então x 2k + x 3k + x 4k 0, ou x 2k x 3k x 4k 0; Observando a situação anterior, veja que se pode chamar: f (x 1k ) = x 1k > 0, que implica em: g(x 2k, x 3k, x 4k ) = x 2k x 3k x 4k 0. Thiago Queiroz (IMTec) Aula 6 Aula 6 15 / 45
16 Exemplo Com isso, definindo a variável binária y e seja M um número muito grande, segue: x 2k + x 3k + x 4k My x 1k M(1 y); Note que se pode usar M = 3, pois este é o valor máximo assumido pela soma x 2k + x 3k + x 4k ; Então: x 2k + x 3k + x 4k 3y x 1k 3(1 y). Thiago Queiroz (IMTec) Aula 6 Aula 6 16 / 45
17 Restrição (des)ativada Seja a desigualdade: f (x 1, x 2,..., x n ) 0; Quer-se ativar ou desativar esta desigualdade de acordo com o valor de uma variável binária; Então, defina a variável binária y, tal que y = 1 implica que a desigualdade está ativada. Isso pode ser escrito como: f (x 1, x 2,..., x n ) M(1 y), em que M é um número muito grande; Note que, se y = 0, então a restrição é desativada, isto é, f (x 1, x 2,..., x n ) pode assumir qualquer valor até seu limite superior M. Thiago Queiroz (IMTec) Aula 6 Aula 6 17 / 45
18 Restrições disjuntivas Considere as desigualdades: f (x 1, x 2,..., x n ) 0 (1) g(x 1, x 2,..., x n ) 0 (2); Deseja-se que somente uma das desigualdades esteja ativada; Então, deve-se definir uma variável binária y tal que: y = 1, então somente (1) é ativada; y = 0, então somente (2) é ativada. Por fim, seja um número muito grande M de forma que representa-se esta situação por: f (x 1, x 2,..., x n ) M(1 y) g(x 1, x 2,..., x n ) My. Thiago Queiroz (IMTec) Aula 6 Aula 6 18 / 45
19 Exemplo Considere as restrições 4x 1 + 2x 2 80 e 2x 1 + 5x 2 100, com x 1, x 2 0; O acréscimo de um número muito grande M no lado direito das restrições faz com a restrição desativada seja transladada paralelamente no quadrante superior direito do plano; Assim, a reta 4x 1 + 2x 2 = 80 é transladada até 4x 1 + 2x 2 = 200; A reta 2x 1 + 5x 2 = 100 é transladada até 2x 1 + 5x 2 = 200; Qual o menor valor de M? Represente a disjunção entre as desigualdades. 1. Para descobrir o menor valor de M, compare o lado direito das desigualdades originais com as desigualdades transladadas; Segue da desigualdade 1 que a diferença no lado direito é 120 e da segunda desigualdade é 100. Thiago Queiroz (IMTec) Aula 6 Aula 6 19 / 45
20 Exemplo Deve-se pegar o valor que satisfaz ambas as restrições, no sentido de transladar, ou seja, M = max{120, 100}, que resulta em M = 120; Um valor pequeno para M (o mais justo) é desejável para acelerar os métodos de resolução de problemas de programação inteira; 2. Para representar a disjunção, considere uma variável binária y e o valor de M (definido no passo anterior); Então, a representação matemática da disjunção é dada por: 4x 1 + 2x (1 y) 2x 1 + 5x y; Exemplos de restrições ativadas ou desativadas e restrições disjuntivas ocorrem em problemas de programação de tarefas em máquinas. Thiago Queiroz (IMTec) Aula 6 Aula 6 20 / 45
21 Representação de função linear por partes São importantes porque podem representar o custo de expansão ou aproximar uma função não-linear; Considere a função f (x) = f 1 (x) + f 2 (x) + f 3 (x) apresentada abaixo: Figura: Função linear por partes. Thiago Queiroz (IMTec) Aula 6 Aula 6 21 / 45
22 Representação de função linear por partes As funções f 1 (x), f 2 (x), f 3 (x) são lineares, sendo especificadas pelos pontos: (0,0); (2, 10); (6, 14) e (10,22); Qualquer x, tal que 0 x 10 pode ser escrito como: x = 0λ 1 + 2λ 2 + 6λ λ 4, com a restrição: λ 1 + λ 2 + λ 3 + λ 4 = 1, com λ 1, λ 2, λ 3, λ 4 0. Segue que: f (x) = 0λ λ λ λ 4, com a restrição: λ 1 + λ 2 + λ 3 + λ 4 = 1, com λ 1, λ 2, λ 3, λ 4 0, se no máximo dois valores λ i e λ i+1, i = 1, 2, 3 forem positivos; Essa condição pode ser modelada por meio de variáveis binárias: yi = 1, se a i x a i+1 ; y i = 0, caso contrário. Thiago Queiroz (IMTec) Aula 6 Aula 6 22 / 45
23 Representação de função linear por partes Para o caso em particular, considere: a 1 = 0, a 2 = 2, a 3 = 6, a 4 = 10; Também as restrições: λ 1 y 1, λ 2 y 1 + y 2, λ 3 y 2 + y 3, λ 4 y 3, y 1 + y 2 + y 3 = 1. Thiago Queiroz (IMTec) Aula 6 Aula 6 23 / 45
24 Relações lógicas Variáveis binárias são usadas para relações lógicas; Suponha que existam cinco tipos de investimento financeiro e seja x j a variável binária de decisão tal que: { 1, se o investimento j ocorre x j = 0, caso contrario Algumas situações que podem aparecer: No máximo três investimentos são selecionados: x 1 + x 2 + x 3 + x 4 + x 5 3 Exatamente um investimento é selecionado: x 1 + x 2 + x 3 + x 4 + x 5 = 1 O investimento 1 ou o investimento 2 é selecionado: x 1 + x 2 1 Se o investimento 2 é selecionado, então o investimento 1 também é selecionado. x 2 x 1 Thiago Queiroz (IMTec) Aula 6 Aula 6 24 / 45
25 Relações lógicas Algumas situações que podem aparecer: Se os investimentos 2, 3 e 4 são selecionados, então o investimento 1 é selecionado: x 1 + x 2 + x 3 3x 1, ou de forma equivalente: x 2 x 1 x 3 x 1 x 4 x 1 Ambas as representações acima são equivalentes na programação inteira, mas não são equivalentes na programação linear (variáveis reais). Sejam os conjuntos: X B = soluções binárias que satisfazem uma ou outra restrição, X 1 = {x 2 + x 3 + x 4 3x 1, 0 x i 1, i = 1, 2, 3, 4}, X 2 = {x 2 x 1, x 3 x 1, x 4 x 1, 0 x i 1, i = 1, 2, 3, 4}. Thiago Queiroz (IMTec) Aula 6 Aula 6 25 / 45
26 Relações lógicas Note que os X B X 2 X 1 ; Por exemplo, os valores x 2 = 1 2, x 3 = x 4 = 1 4 e x 1 = 1 3 satisfazem X 1, mas não satisfazem X 2 ; O método mais usado para resolver programação inteira é o branch-and-bound e faz uso da programação linear; Neste caso, quanto menor o conjunto de soluções factíveis da programação linear, estima-se que menor é o esforço computacional para achar a solução ótima inteira; Portanto, o conjunto X 2 é preferido em relação a X 1. Thiago Queiroz (IMTec) Aula 6 Aula 6 26 / 45
27 Representação de valores discretos Considere um problema em que uma variável x só pode assumir um valores do conjunto discreto {4, 6, 8, 12, 20, 24}; Para representar essa condição, defina variáveis binárias y i, i = 1,..., 6; Adicione as seguintes restrições: x = 4y 1 + 6y 2 + 8y y y y 6, y 1 + y 2 + y 3 + y 4 + y 5 + y 6 = 1. Thiago Queiroz (IMTec) Aula 6 Aula 6 27 / 45
28 Formulação de problemas clássicos Adiante será apresentado modelos de programação inteira para diversos problemas clássicos e importantes; Vale destacar que existem linguagens algébricas como GAMS, AMPL, MPL, AIMMS, OPL, MOSEL, LINGO: Permitem o usuário escrever modelos genéricos de otimização linear e discreta; Tais modelos usam um formato parecido com a notação algébrica. Outra ferramenta computacional muito usada é a planilha Excel, que contém um resolvedor para lidar com problemas relativamente pequenos; O Excel não gera um modelo genérico como as linguagens algébricas. Thiago Queiroz (IMTec) Aula 6 Aula 6 28 / 45
29 Problemas da Mochila Envolvem a escolha de itens a serem colocados em uma ou mais mochilas de forma a maximizar o objetivo; Algumas versões: Mochila 0-1: selecionar n projetos, dado um capital b para investimento. O projeto j tem custo a j e um retorno esperado p j. Deseja-se selecionar os projetos que maximizem o retorno total esperado sem ultrapassar o limite de capital; Mochila inteira: similar a mochila 0-1, porém se pode investir diversas vezes no mesmo projeto; Múltiplas mochilas: existem n itens que devem ser colocados e m mochilas de capacidade distintas b i. Cada item tem lucratividade p j e peso w j. Deseja-se selecionar m subconjuntos distintos de itens, tal que cada subconjunto ocupe uma capacidade de no máximo b i e o lucro total seja maximizado. Empacotamento em mochilas: deseja-se determinar o número mínimo de mochilas de mesma capacidade b que empacotem n itens de peso w j. Thiago Queiroz (IMTec) Aula 6 Aula 6 29 / 45
30 Problemas da Mochila Exemplo. Uma empresa deseja investir um capital de b = 100 milhões, considerando 8 projetos disponíveis. O lucro esperado de cada projeto está na matriz p, e o custo necessário para a execução do projeto na matriz a. Determine o modelo que permita selecionar um subconjunto de projetos que maximize o lucro total respeitando o limite de capital. p = [p j ] = [ ] a = [a j ] = [ ] (i) Definir { as variáveis de decisão: 1, se o projeto j e escolhido x j = 0, caso contrario Para os projetos j = 1, 2, 3, 4, 5, 6, 7, 8; (ii) A função objetivo busca maximizar o lucro total; Maximizar z = 8 j=1 p jx j ; Thiago Queiroz (IMTec) Aula 6 Aula 6 30 / 45
31 Resolução... Maximizar z = 41x x x x x x 6 + 9x x 8 ; (iii) Existe uma restrição com relação ao limite de capital disponível; 8 j=1 a jx j b; Capital b = 100: 47x x x x x x 6 + 5x x 8 100; (iii) Existem restrições com relação ao domínio das variáveis; x j {0, 1}, j = 1, 2, 3, 4, 5, 6, 7, 8. Maximizar z = 41x x x x x x 6 + 9x x 8 47x x x x x x 6 + sujeito a : +5x x x j {0, 1}, j = 1, 2, 3, 4, 5, 6, 7, 8. (9) Thiago Queiroz (IMTec) Aula 6 Aula 6 31 / 45
32 Problemas de Corte Em diversos processos industriais, itens são produzidos a partir do corte de peças maiores; Essas peças podem ter uma, duas ou três dimensões relevantes como o: comprimento: barras de aço, bobinas de papel, rolos de filme; comprimento e largura: placas de madeira, tecido, chapas de aço; comprimento, largura e altura: blocos de matéria-prima para colchões; Alguns casos: Corte unidimensional: consiste em cortar barras disponíveis de tamanho L, para a produção de m tipos de itens com tamanhos l 1, l 2,..., l m e demandas b 1, b 2,..., l m. Deseja-se minimizar o número de barras usadas para o corte; Corte bidimensional: envolve apenas uma placa que deve ser cortada em um número de peças retangulares menores de modo a maximizar a utilização da placa. Thiago Queiroz (IMTec) Aula 6 Aula 6 32 / 45
33 Problemas de Corte Exemplo. Uma empresa deseja cortar tubos de tamanho L = 11 em m = 4 itens menores com comprimento: l 1 = 2, l 2 = 3, l 3 = 4, l 4 = 5 e, respectivas demandas: b 1 = 3, b 2 = 3, b 3 = 2, b 4 = 2. Determine o modelo que minimiza o número de tubos usados no corte, sabendo que existem 5 tubos disponíveis. Deve-se cortar pelo menos a demanda requisitada de cada item e respeitar o comprimento total da tubo durante o corte. (i) Definir { as variáveis de decisão: 1, se a tubo i e cortado y i = 0, caso contrario x ij = número de vezes que o item j é cortado no tubo i; Para as barras i = 1, 2, 3, 4, 5 e os itens j = 1, 2, 3, 4; (ii) A função objetivo busca minimizar o número de barras cortadas; Minimizar z = 5 i=1 y i; Minimizar z = y 1 + y 2 + y 3 + y 4 + y 5 ; Thiago Queiroz (IMTec) Aula 6 Aula 6 33 / 45
34 Resolução... (iii) Existem restrições que dizem que a demanda de cada item deve ser atendida; 5 i=1 x ij b j, j = 1, 2, 3, 4; Item j=1: x 11 + x 21 + x 31 + x 41 + x 51 3; Item j=2: x 12 + x 22 + x 32 + x 42 + x 52 3; Item j=3: x 13 + x 23 + x 33 + x 43 + x 53 2; Item j=4: x 14 + x 24 + x 34 + x 44 + x 54 2; (iii) Existem restrições que dizem que se a barra i for cortada, então se deve respeitar seu comprimento L = 11; 4 j=1 l jx ij Ly i, i = 1, 2, 3, 4, 5; Barra i=1: 2x x x x 14 11y 1 ; Barra i=2: 2x x x x 24 11y 2 ; Barra i=3: 2x x x x 34 11y 3 ; Thiago Queiroz (IMTec) Aula 6 Aula 6 34 / 45
35 Resolução... Barra i=4: 2x x x x 44 11y 4 ; Barra i=5: 2x x x x 54 11y 5 ; (iii) Existem restrições com relação ao domínio das variáveis; x ij Z +, i = 1, 2, 3, 4, 5; j = 1, 2, 3, 4; y i {0, 1}, i = 1, 2, 3, 4, 5. Minimizar z = y 1 + y 2 + y 3 + y 4 + y 5 x 11 + x 21 + x 31 + x 41 + x 51 3 x 12 + x 22 + x 32 + x 42 + x 52 3 x 13 + x 23 + x 33 + x 43 + x 53 2 x 14 + x 24 + x 34 + x 44 + x x x x x 14 11y 1 sujeito a : 2x x x x 24 11y 2 2x x x x 34 11y 3 2x x x x 44 11y 4 2x x x x 54 11y 5 x ij Z +, i = 1, 2, 3, 4, 5; j = 1, 2, 3, 4 y i {0, 1}, i = 1, 2, 3, 4, 5. (10) Thiago Queiroz (IMTec) Aula 6 Aula 6 35 / 45
36 Problemas de Designação Envolve a designação (ou atribuição) de tarefas a agentes; Alguns exemplos: Designação: envolve n tarefas e n agentes, tal que cada tarefa é executada por um único agente e cada agente executa uma única tarefa. A execução da tarefa j pelo agente i tem um custo c ij. Deseja-se determinar tarefas a agentes de modo a minimizar o custo total; Designação generalizada: tem-se m agentes e n tarefas,com m < n; cada tarefa deve ser executa por um único agente, e um agente pode executar mais de uma tarefa. A execução da tarefa j pelo agente i requer uma quantidade a ij de recurso do agente i, com custo c ij. O agente i tem capacidade de recurso b i e deseja-se minimizar o custo de designar tarefas a agentes. Thiago Queiroz (IMTec) Aula 6 Aula 6 36 / 45
37 Problemas de Designação Exemplo. Uma empresa possui 3 agentes e 5 tarefas com os seguintes parâmetros: matriz C contém os custos de designar o agente i a tarefa j; e, a matriz A contém quantidade de horas que o agente i precisa para a execução da tarefa j. A capacidade total de horas de cada agente está na matriz b. Determine o modelo que minimiza o custo de designação de tarefas a agentes, de forma que tarefa seja executada por exatamente um agente e que a capacidade de horas de cada agente não seja excedida C = [c ij ] = A = [a ij ] = b = [b i ] = [ ] Thiago Queiroz (IMTec) Aula 6 Aula 6 37 / 45
38 Resolução... (i) Definir { as variáveis de decisão: 1, se a tarefa j e designada ao agente i x ij = 0, caso contrario Para os agentes i = 1, 2, 3 e as tarefas j = 1, 2, 3, 4, 5; (ii) A função objetivo busca minimizar o custo total de designação de tarefas a agentes; Minimizar z = 3 i=1 5 j=1 c ijx ij. Minimizar z = 15x x x x x x x x x x x x x x x 35 ; (iii) Existem restrições que dizem que cada tarefa deve ser executada por um único agente; 3 i=1 x ij = 1, j = 1, 2, 3, 4, 5; Thiago Queiroz (IMTec) Aula 6 Aula 6 38 / 45
39 Resolução... Tarefa j=1: x 11 + x 21 + x 31 = 1; Tarefa j=2: x 12 + x 22 + x 32 = 1; Tarefa j=3: x 13 + x 23 + x 33 = 1; Tarefa j=4: x 14 + x 24 + x 34 = 1; Tarefa j=5: x 15 + x 25 + x 35 = 1; (iii) Existem restrições que dizem que a capacidade de horas do agente i não pode ser excedida; 5 j=1 a ijx ij b i, i = 1, 2, 3; Agente i=1: 31x x x x x ; Agente i=2: 23x x x x x ; Agente i=3: 20x x x x x ; (iii) Existem restrições com relação ao domínio das variáveis; x ij {0, 1}, i = 1, 2, 3; j = 1, 2, 3, 4, 5. Thiago Queiroz (IMTec) Aula 6 Aula 6 39 / 45
40 Resolução Minimizar z = 15x x x x x x x x x x x x x x x 35 x 11 + x 21 + x 31 = 1 x 12 + x 22 + x 32 = 1 x 13 + x 23 + x 33 = 1 x 14 + x 24 + x 34 = 1 sujeito a : x 15 + x 25 + x 35 = 1 31x x x x x x x x x x x x x x x x ij {0, 1}, i = 1, 2, 3; j = 1, 2, 3, 4, 5. (11) Thiago Queiroz (IMTec) Aula 6 Aula 6 40 / 45
41 Problemas de cobertura, partição e empacotamento Possuem uma estrutura semelhante e envolvem a seleção de uma coleção de subconjuntos S j, j = 1,..., n de um conjunto S; Esta seleção deve formar uma cobertura, uma partição ou um empacotamento com relação a S; Considere o seguinte conjunto S = {1, 2, 3, 4, 5} e o seguintes subconjuntos de S: S 1 = {1, 2}, S 2 = {1, 3, 5}, S 3 = {2, 4, 5}, S 4 = {3}, S 5 = {1}, S 6 = {4, 5}; Uma cobertura requer que a união dos subconjuntos seja igual a S, por exemplo, S 1 S 3 S 4 = S; Um empacotamento envolve uma união de subconjuntos distintos, por exemplo, S 4 S 5 S 6, pois S 4 S 5 S 6 = ; Uma partição é uma cobertura e um empacotamento com relação a S, por exemplo, S 1, S 4, S 6, pois S 1 S 4 S 6 = S e S 4 S 5 S 6 =. Thiago Queiroz (IMTec) Aula 6 Aula 6 41 / 45
42 Problemas de cobertura, partição e empacotamento A figura abaixo ilustra o exemplo anterior: Figura: Problemas de cobertura, empacotamento e partição. De modo geral, um custo ou valor c j está associado à S j, e os problemas de otimização combinatória podem ser associados. Thiago Queiroz (IMTec) Aula 6 Aula 6 42 / 45
43 Problemas de cobertura Selecione uma coleção de subconjuntos que cobrem S de custo mínimo; Um exemplo aparece na localização de facilidades de emergência, tais como ambulâncias e estações de bombeiros; O modelo genérico para o problema de cobertura de conjuntos pode ser descrito como: Minimizar z { = c T x Ax 1 sujeito a : x B n. (12) Thiago Queiroz (IMTec) Aula 6 Aula 6 43 / 45
44 Problemas de empacotamento Selecione uma coleção de subconjuntos disjuntos em S de valor máximo; Um exemplo aparece em leilões combinatoriais: Uma empresa de logística deseja contratar transportadoras para enviar mercadorias entre cidades. A empresa promove um leilão para vender trechos. Permitem-se lances em combinações de trechos; Por exemplo: uma transportadora faz um lance de 80 mil para o trecho A-B e outra transportadora faz um lance de 30 mil para o trecho C-A. Uma terceira empresa faz um lance de 100 mil para o conjunto de trechos A-B e C-A. Obviamente o último lance é o vencedor e a empresa economiza 10 mil em relação à contratação dos trechos individuais. Deseja-se maximizar este economia na contratação. O modelo genérico para o problema de partição é: Maximizar { z = c T x Ax 1 sujeito a : x B n. (13) Thiago Queiroz (IMTec) Aula 6 Aula 6 44 / 45
45 Problemas de partição Selecione uma coleção de subconjuntos que cobrem S e são disjuntos de custo mínimo; Um exemplo aparece em problemas de programação de aeronaves: Para uma dada programação diária de voos, a empresa deve alocar a tripulação para cada voo e minimizar os custos. O modelo genérico para o problema de partição é: Minimizar z { = c T x Ax = 1 sujeito a : x B n. (14) Thiago Queiroz (IMTec) Aula 6 Aula 6 45 / 45
Programação Inteira. Prof. Ricardo Santos
Programação Inteira Prof. Ricardo Santos Introdução Um problema com variáveis inteiras e reais é denominado problema de Programação Inteira Mista (PIM) quando tem a seguinte forma: PIM z=max cx+dy Ax+Dy
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisPlanejamento e Análise de Sistemas de Produção
Aula 24 Planejamento e Análise de Sistemas de Produção Paulo Augusto Valente Ferreira Departamento de Telemática Faculdade de Engenharia Elétrica e Computação Universidade Estadual de Campinas Conteúdo
Leia maisUm grande número de problemas de otimização linear inteiro envolve a ocorrência ou não de um evento, e a decisão entre duas alternativas.
Modelagem com variáveis binárias Um grande número de problemas de otimização linear inteiro envolve a ocorrência ou não de um evento, e a decisão entre duas alternativas. seoeventoocorre 0 se o evento
Leia maisPesquisa Operacional / Programação Matemática
Pesquisa Operacional / Programação Matemática Otimização discreta Modelagem com variáveis binárias: problemas clássicos Breve Comentários (aula anterior) Em geral, não faz sentido resolver a relaxação
Leia maisProgramação Linear/Inteira
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira Prof. Thiago Alves de Queiroz Aula 7 Thiago Queiroz (IMTec) Aula 7 Aula 7 1 / 25 Problemas de Caixeiro Viajante Envolvem um conjunto
Leia maisOtimização discreta Modelagem com variáveis binárias: problemas clássicos
Otimização discreta Modelagem com variáveis binárias: problemas clássicos Importância histórica...... e prática. Usados para modelar problemas reais e como subproblemas em problemas maiores (e mais freqüentes
Leia maisOtimização Combinatória - Parte 3
Graduação em Matemática Industrial Otimização Combinatória - Parte 3 Prof. Thiago Alves de Queiroz Unidade de Matemática e Tecnologia - CAC/UFG 2/2016 Thiago Queiroz (DM) Parte 3 2/2016 1 / 23 Problemas
Leia maisAula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo
Aula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464 / PCC174 Departamento de Computação - UFOP Breve Revisão Programação Linear vs Programação Inteira Modelagem
Leia maisProgramação Linear - Parte 5
Matemática Industrial - RC/UFG Programação Linear - Parte 5 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 5 1/2016 1 / 29 Dualidade Os parâmetros de entrada são dados de acordo com
Leia maisProgramação Linear/Inteira - Aula 5
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira - Aula 5 Prof. Thiago Alves de Queiroz Aula 5 Thiago Queiroz (IMTec) Aula 5 Aula 5 1 / 43 Análise de Sensibilidade Estudar o efeito
Leia maisAula 19: Lifting e matrizes ideais
Aula 19: Lifting e matrizes ideais Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Branch-and-bound Formulações
Leia maisLista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + y s.a x + y x + y 5 b) Max z = x + y s.a x + y 0 x + y 5 c) Max z = x + y s.a x + 9y 6 8 x +
Leia maisMarina Andretta. 02 de agosto de 2010
Introdução Marina Andretta ICMC-USP 02 de agosto de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 02 de agosto de 2010 1 / 19 Otimização Otimizar significa encontrar a melhor maneira
Leia maisLista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + 2 y s.a x + y 2 x + y 5 x, y 0, x e y inteiros b) Max z = 2 x + y s.a x + 2y 0 x + y 25 x, y
Leia maisAula 13: Branch-and-bound
Aula 13: Branch-and-bound Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Modelagem em PI / Problemas Combinatórios
Leia maisProgramação Inteira. Solução com o método Branch-and-Bound
Programação Inteira Solução com o método Branch-and-Bound Conceitos gerais Um conceito fundamental nos métodos de resolução de programação inteira é a relaxação linear p Consiste em substituir PIM Ζ +
Leia maisIntrodução à Pesquisa Operacional - Otimização Linear
Introdução à Pesquisa Operacional - Otimização Linear Professora: Maristela Oliveira dos Santos - mari@icmc.usp.br Auxilio 2009: Victor C.B. Camargo Auxilio 2010 - PAE: Marcos Mansano Furlan - L-1007 Instituto
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Forma geral de um problema Em vários problemas que formulamos, obtivemos: Um objetivo de otimização
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Problema da Mistura minimizar f ( 1, 2,..., n ) = c 1 1 + c 2 2 +... + c n n Sujeito a: a 11 1
Leia maisCombinando inequações lineares
Combinando inequações lineares A multiplicação por um número > 0 não altera uma inequação 2x x 5 4x 2x 10 1 2 1 2 A soma de duas inequações (com o mesmo sentido) produz uma inequação válida x 3x x 3 1
Leia maisProgramação Linear/Inteira
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira Prof. Thiago Alves de Queiroz Aula 2 Thiago Queiroz (IMTec) Aula 2 Aula 2 1 / 46 Hipóteses de Linearidade Existem algumas hipóteses
Leia maisCAPÍTULO IV PROGRAMAÇÃO LINEAR INTEIRA (PLI)
CAPÍTULO IV PROGRAMAÇÃO LINEAR INTEIRA (PLI) Prof. Gilson Fernandes da Silva Departamento de Ciências Florestais e da Madeira (DCFM) Programa de Pós-graduação em Ciências Florestais (PPGCF) Universidade
Leia maisProgramação Matemática
Programação Matemática Docentes: Ana Paula, Franklina e Maristela Instituto de Ciências Matemáticas e de Computação - ICMC Universidade de São Paulo USP (Material Elaborado por Aline Leão modificado por
Leia maisComplementos de Investigação Operacional. Folha nº 1 Programação Inteira 2007/08
Complementos de Investigação Operacional Folha nº Programação Inteira 2007/08 - A Eva e o Adão pretendem dividir entre eles as tarefas domésticas (cozinhar, lavar a louça, lavar a roupa, fazer as compras)
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia maisProgramação Linear/Inteira
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira Prof. Thiago Alves de Queiroz Aula 3 Thiago Queiroz (IMTec) Aula 3 Aula 3 1 / 45 O Método Simplex Encontre o vértice ótimo pesquisando
Leia maisPesquisa Operacional / Programação Matemática
Pesquisa Operacional / Programação Matemática Otimização discreta Branch-and-bound 15 mai 2009 16:29 Como resolver PIMs? Antes: todas as variáveis reais Simplex Agora: problema: Apesar de não representar
Leia maisPROGRAMAÇÃO INTEIRA. Prof. Gustavo Peixoto Silva Departamento de Computação Univ. Federal de Ouro Preto 5 modelos
PROGRAMAÇÃO INTEIRA Prof. Gustavo Peixoto Silva Departamento de Computação Univ. Federal de Ouro Preto 5 modelos M9.1 - Problema de Seleção de Projetos ver Taha Capítulo 9 Cinco projetos estão sob avaliação
Leia maisModelagem Matemática de Problemas de Programação Linear
Capítulo 1 Modelagem Matemática de Problemas de Programação Linear 1.1. Introdução Neste Capítulo analisamos brevemente a estratégia usada para encontrar a modelagem matemática de um problema de programação
Leia maisComplementos de Investigação Operacional. Folha nº 1 Programação Inteira 2006/07
Complementos de Investigação Operacional Folha nº Programação Inteira 2006/07 - A Eva e o Adão pretendem dividir entre eles as tarefas domésticas (cozinhar, lavar a louça, lavar a roupa, fazer as compras)
Leia maisQuinta-feira, 11 de abril
15.053 Quinta-feira, 11 de abril Mais alguns exemplos de programação inteira Técnicas de planos de corte para obter melhores limitações Entregar: Observações de Aula 1 Exemplo: Localização do corpo de
Leia maisMétodos de Pesquisa Operacional
Métodos de Pesquisa Operacional Programação Linear é a parte da Pesquisa Operacional que trata da modelagem e resolução de problemas formulados com funções lineares. Programação Linear } Métodos de Resolução
Leia maisMatemática Aplicada Nt Notas de aula
Matemática Aplicada Nt Notas de aula Problema de transporte e designação Problema de transporte: motivação origem 1 destino 1 origem 2 destino 2 destino 3 Caracterização geral Dados: A estrutura de fontes
Leia maisProgramação Linear - Parte 1
Graduação em Matemática Industrial Programação Linear - Parte 1 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 1/2014 Thiago Queiroz (DM) Parte 1 1/2014 1 / 33 Introdução Programação
Leia maisPesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear Introdução à Pesquisa Operacional Origens militares Segunda guerra mundial Aplicada na alocação de
Leia maisAlguns problemas só podem ser resolvidos apenas se as variáveis tiverem valores inteiros.
Volmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 2 Alguns problemas só podem ser resolvidos apenas se as variáveis tiverem valores inteiros. Variáveis inteiras podem ser necessárias quando
Leia maisProgramação Linear - Parte 3
Matemática Industrial - RC/UFG Programação Linear - Parte 3 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 3 1/2016 1 / 26 O Método Simplex Encontre o vértice ótimo pesquisando um subconjunto
Leia maisBranch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
Leia maisProgramação Inteira Resolução por Branch and Bound
Programação Inteira Resolução por Branch and Bound Transparências de apoio à lecionação de aulas teóricas Versão 2.3 c 2012, 2010, 2009, 2001 Maria Antónia Carravilla José Fernando Oliveira FEUP Técnicas
Leia maisModelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisPCC104 - Projeto e Análise de Algoritmos
PCC104 - Projeto e Análise de Algoritmos Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 1 de novembro de 2018 Marco Antonio
Leia maisProgramação Linear M É T O D O S : E S T A T Í S T I C A E M A T E M Á T I C A A P L I C A D A S D e 1 1 d e m a r ç o a 2 9 d e a b r i l d e
Programação Linear A otimização é o processo de encontrar a melhor solução (ou solução ótima) para um problema. Existe um conjunto particular de problemas nos quais é decisivo a aplicação de um procedimento
Leia maisMétodos Exatos para PI - Parte 1: Branch-and-Bound
Introdução à Otimização Combinatória Métodos Exatos para PI - Parte 1: Professora: Rosiane de Freitas (rosiane@icomp.ufam.edu.br) Bruno Raphael Cardoso Dias Prof. Estágio em Docência (bruno.dias@icomp.ufam.edu.br)
Leia maisPESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR. Prof. Angelo Augusto Frozza, M.Sc.
PESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR Prof. Angelo Augusto Frozza, M.Sc. ROTEIRO Esta aula tem por base o Capítulo 2 do livro de Taha (2008): Introdução O modelo de PL de duas variáveis Propriedades
Leia maisRepresentação de poliedros
Representação de poliedros Marina Andretta ICMC-USP 8 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 -
Leia maisQuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Programação Inteira. Métodos Quantitativos 2002/2003.
QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Programação Inteira Métodos Quantitativos 2002/2003 João Moura Pires Programação Linear Inteira Programação Linear - PL Programação
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisPesquisa Operacional. Introdução à Pesquisa Operacional Programação Linear
Pesquisa Operacional Introdução à Pesquisa Operacional Programação Linear 1 Sumário Modelagem e limitações da Programação Linear. Resolução Gráfica. Forma padrão de um modelo de Programação Linear. Definições
Leia maisPesquisa Operacional Aula 3 Modelagem em PL
Pesquisa Operacional Aula 3 Modelagem em PL Prof. Marcelo Musci aula@musci.info www.musci.info Programação Linear Programação Linear: Preocupação em encontrar a melhor solução para problemas associados
Leia maisOs Problemas de Optimização Combinatória e a Teoria da Complexidade
Metodologias de Apoio à Decisão Os Problemas de Optimização Combinatória e a Teoria da Complexidade Programação Inteira Mista Programação Linear Programação Binária Mista Programação Inteira Slide Fluxos
Leia maisLista de Exercícios 1 - Otimização Linear Prof. Silvio Alexandre de Araujo. Construção de Modelos e Solução Gráfica
Lista de Exercícios 1 - Otimização Linear Prof. Silvio Alexandre de Araujo Construção de Modelos e Solução Gráfica 1) - Estudar Capítulo 1 do livro texto; - Estudar Capítulo 2 do livro texto (seções 2.1,
Leia maisEAD 350 Pesquisa Operacional Aula 06 Parte 2 Programação Inteira Programação Binária
EAD 350 Pesquisa Operacional Aula 06 Parte 2 Programação Inteira Programação Binária Profa. Adriana Backx Noronha Viana (Adapt. Material Prof. Cesar Alexandre de Souza) backx@usp.br FEA/USP Aula 06 - Agenda
Leia maisPesquisa Operacional. Introdução à Pesquisa Operacional Programação Linear
Pesquisa Operacional Introdução à Pesquisa Operacional Programação Linear 1 Sumário Modelagem e limitações da Programação Linear. Resolução Gráfica. Forma padrão de um modelo de Programação Linear. Definições
Leia maisPesquisa Operacional aula 3 Modelagem PL. Profa. Alessandra Martins Coelho
Pesquisa Operacional aula 3 Modelagem PL Profa. Alessandra Martins Coelho agosto/2013 Exercício Considerando que x j representa as variáveis de decisão, classificar os problemas a seguir em uma das categorias:
Leia maisProgramação Linear/Inteira
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira Prof. Thiago Alves de Queiroz Aula 1 Thiago Queiroz (IMTec) Aula 1 Aula 1 1 / 42 Introdução A otimização refere-se ao estudo de problemas
Leia maisProblema de Designação. Fernando Nogueira Problema de Designação 1
Problema de Designação Fernando Nogueira Problema de Designação 1 O Problema de Designação é um caso específico de um Problema de Transporte, que por sua vez é um caso específico de um Problema de Programação
Leia maisINVESTIGANDO O PROBLEMA DA MOCHILA IRRESTRITA EM SUA VERSÃO BIDIMENSIONAL
INVESTIGANDO O PROBLEMA DA MOCHILA IRRESTRITA EM SUA VERSÃO BIDIMENSIONAL Mirella Augusta Sousa Moura, mirella.asm14@hotmail.com Thiago Alves de Queiroz, th.al.qz@catalão.ufg.br Resumo: Empacotamento consiste
Leia maisResolução de problemas difíceis de programação linear através da relaxação Lagrangeana
problemas difíceis de programação linear através da relaxação Lagrangeana Ana Maria A.C. Rocha Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho arocha@dps.uminho.pt http://www.norg.uminho.pt/arocha
Leia maisAlgoritmo Aproximação. Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3
Algoritmo Aproximação Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3 Heurísticas para Problemas NP- Completo Heurística: algoritmo que pode produzir um bom resultado (ou até a solução ótima),
Leia maisProgramação Linear. Gabriel Ferreira Gabriel Tutia Gabriel Yida Thiago Ferraz
Programação Linear Gabriel Ferreira 8989404 Gabriel Tutia 8989085 Gabriel Yida 8989432 Thiago Ferraz 8989001 O que é? É um caso especial de programação matemática ou otimização matemática Método para encontrar
Leia maisPesquisa Operacional
Faculdade de Engenharia - Campus de Guaratinguetá Pesquisa Operacional Fabrício Maciel fabricio@feg.unesp.br Departamento de Produção 1 Programação linear Sumário Modelagem e limitações da Programação
Leia maisPesquisa Operacional Modelos, Conceitos Básicos para PL. Prof. Ricardo Santos
Pesquisa Operacional Modelos, Conceitos Básicos para PL Prof. Ricardo Santos Problema do Transporte Centros de produção de produtos são denominados origens Mercados consumidores são denominados destinos
Leia maisLista de Exercícios - Modelagem de representação cromossômica e função fitness
Lista de Exercícios - Modelagem de representação cromossômica e função fitness Para cada um dos problemas descritos abaixo: crie uma ou mais representações cromossômicas capazes de representar uma solução
Leia maisCombinando inequações lineares
Combinando inequações lineares A multiplicação por um número > 0 não altera uma inequação 2x x 5 4x 2x 0 2 2 A soma de duas inequações (com o mesmo sentido) produz uma inequação válida x 3x + x 3 2 + 5x
Leia maisProgramação Linear. (1ª parte) Informática de Gestão Maria do Rosário Matos Bernardo 2016
Programação Linear (1ª parte) Informática de Gestão 61020 Maria do Rosário Matos Bernardo 2016 Conteúdos Introdução O modelo de programação linear: Problema de minimização Exemplo Formalização Problema
Leia maisProfessor João Soares 20 de Setembro de 2004
Teoria de Optimização (Mestrado em Matemática) Texto de Apoio 2A Universidade de Coimbra 57 páginas Professor João Soares 20 de Setembro de 2004 Optimização Linear Considere o problema (1) abaixo, que
Leia maisPlanejamento da Produção: Corte de estoque na indústria de móveis. Socorro Rangel Roberto Cavali DCCE/IBILCE
Planejamento da Produção: Corte de estoque na indústria de móveis Socorro Rangel Roberto Cavali DCCE/IBILCE Objetivos Investigar as dificuldades envolvidas no corte da matéria-prima nas indústrias de móveis
Leia maisCURSO DE LOGÍSTICA INTEGRADA DE PRODUÇÃO. Ferramentas de Apoio à Decisão Prof. Dr. Fabrício Broseghini Barcelos PARTE 01
CURSO DE LOGÍSTICA INTEGRADA DE PRODUÇÃO Ferramentas de Apoio à Decisão Prof. Dr. Fabrício Broseghini Barcelos PARTE 01 Tomada de Decisão É o processo de identificar um problema específico e selecionar
Leia maisBranch and Bound - Ramicar e Limitar
Programação Linear Inteira Branch and Bound Haroldo Gambini Santos Universidade Federal de Ouro Preto - UFOP 30 de agosto de 2011 1 / 19 Branch and Bound - Ramicar e Limitar Idéia Básica O algoritmo roda
Leia maisPesquisa Operacional Programação em Redes
Pesquisa Operacional Programação em Redes Profa. Alessandra Martins Coelho outubro/2013 Seminários Datas Temas Problema do Caminho mais curto programação em redes Data 07/11/13 Problema do Fluxo máximo
Leia maisAula 12: Programação Inteira
Aula 12: Programação Inteira Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Aula de Hoje 1 Programação Inteira: A Formulação
Leia maisAula 1. Utilização de Planilhas Eletrônicas em Processos. Prof. M.Sc. Aécio Flávio de Paula Filho
Aula 1. Utilização de Planilhas Eletrônicas em Processos Prof. M.Sc. Aécio Flávio de Paula Filho aeciodepaula@yahoo.com.br Agricultura et qualitas Entre no site, acesse o post destinado a turma e faça
Leia maisComputação Evolucionária: Conceitos Básicos de Otimização
Computação Evolucionária: Conceitos Básicos de Otimização Prof. Dr. Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br Otimização Min ou Max Sujeito a Otimização Função objetivo A qual se quer
Leia maisLaboratório de Simulação Matemática. Parte 6 2
Matemática - RC/UFG Laboratório de Simulação Matemática Parte 6 2 Prof. Thiago Alves de Queiroz 2/2017 2 [Cap. 6] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
Leia maisConteúdo. Introdução. Notas. Programação Inteira Cortes. Notas. Notas. Considere o Programa Inteiro PI : Maximize: Haroldo Gambini Santos
Programação Inteira Cortes Haroldo Gambini Santos Universidade Federal de Ouro Preto 30 de agosto de 2011 1 / 18 Conteúdo 1 Cortes Baseados em Arredondamento 2 Cortes Disjuntivos 3 Cortes Combinatórios
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Revisão Método Simplex Solução básica factível: xˆ xˆ, xˆ N em que xˆ N 0 1 xˆ b 0 Solução geral
Leia maisTeoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016
Teoria de dualidade Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisProgramação Linear. MÉTODOS QUANTITATIVOS: ESTATÍSTICA E MATEMÁTICA APLICADAS De 30 de setembro a 13 de novembro de 2011 prof. Lori Viali, Dr.
Programação Linear São problemas complexos, muitas vezes de difícil solução e que envolvem significativas reduções de custos, melhorias de tempos de processos, ou uma melhor alocação de recursos em atividades.
Leia maisModelagem Computacional. Parte 6 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 6 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 6 e 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisDisciplina que estuda métodos analíticos para auxiliar na tomada de decisões.
Edgard Jamhour Disciplina que estuda métodos analíticos para auxiliar na tomada de decisões. Procura encontrar soluções ótimas ou próximo de ótimas para problemas de engenharia industrial, economia e finanças,
Leia mais5 Decisão Sob Incerteza
5 Decisão Sob Incerteza Os problemas de decisão sob incerteza são caracterizados pela necessidade de se definir valores de variáveis de decisão sem o conhecimento prévio da realização de parâmetros que,
Leia maisFaculdade de Engenharia Investigação Operacional. Prof. Doutor Engº Jorge Nhambiu
1 Aula 2 Definição de Problemas de Investigação Operacional Construção de um modelo matemático de PL. Programação Matemática(PM) e Programação Linear(PL). Exemplos clássicos de PL. 2 Problemas de Investigação
Leia maisProgramação Linear. (2ª parte) Informática de Gestão Maria do Rosário Matos Bernardo 2016
Programação Linear (2ª parte) Informática de Gestão 61020 Maria do Rosário Matos Bernardo 2016 Conteúdos Representação e resolução gráfica dos problemas de programação linear Problema de minimização Problema
Leia maisPROGRAMAÇÃO LINEAR 11º ANO MATEMÁTICA A
PROGRAMAÇÃO LINEAR 11º ANO MATEMÁTICA A Prof.ª: Maria João Mendes Vieira ESC 11MatA 2012/2013 PROGRAMAÇÃO LINEAR A programação linear é uma "ferramenta" matemática que permite encontrar a solução ótima
Leia maisUNIDADE 7 PROGRAMAÇÃO MATEMÁTICA
UNIDADE 7 PROGRAMAÇÃO MATEMÁTICA 7.) INTRODUÇÃO Os problemas de Programação Linear Inteira podem ser entendidos como casos específicos da Programação Linear (conjunto solução contínuo), onde todas, ou
Leia maisProgramação Linear Binária. Prof. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL
Prof. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL Métodos de otimização da PLB: têm o inconvenientede o tempo de resolução crescer drasticamente com o aumento
Leia maisProgramação Linear/Inteira
Programação Linear/Inteira Prof. Thiago Alves de Queiroz Lista de Exercícios 9 Instruções para cada um dos exercícios abaixo: Faça o modelo de otimização discreta. 1. A companhia de transporte de mercadorias,
Leia maisExemplo: Maximização de lucros em uma chocolateria que produz os seguintes produtos: (1) Chocolate Pyramide (2) Chocolate Pyramide Nuit
Universidade Tecnológica Federal do Paraná Professor Murilo V. G. da Silva Notas de aula Estrutura de Dados 2 (Aula 09) Conteúdos da Aula: [DPV06 7.1, 7.2, 7.3] [Observação: Estas notas de aula são apenas
Leia maisModelagem. Tecnologia da Decisão I TP065. Profª Mariana
Modelagem Tecnologia da Decisão I TP065 Profª Mariana Modelagem Um problema de programação matemática tem por objetivo encontrar os valores para as variáveis de decisão que otimizam (maximizam ou minimizam)
Leia maisInvestigação Operacional
Modelos de Programação Linear (Mestrado) Engenharia Industrial http://dps.uminho.pt/pessoais/zan - Escola de Engenharia Departamento de Produção e Sistemas 1 Modelação Matemática As técnicas e algoritmos
Leia maisMax z= c 1 x 1 + c 2 x 2 + c 3 x c n x n. b 3. c ij : Coeficientes de Custos x j : Variáveis de Decisão. b i : Quantidade Disponível
MODELAGEM MATEMÁTICA PARA PROBLEMAS DE OTIMIZAÇÃO LINEAR mmmoala@fafica.br Maximizar Lucro, Espaço (Lay-Out: Recintos para Evento) Minimizar Custos Perdas Tempo Max z= c 1 x 1 + c 2 x 2 + c 3 x 3 + + c
Leia maisMarina Andretta. 2 de março de 2016
Otimização Marina Andretta ICMC-USP 2 de março de 2016 Marina Andretta (ICMC-USP) Otimização 2 de março de 2016 1 / 27 O que é Otimização? Otimizar significa encontrar a melhor maneira de fazer algo, dada
Leia maisLaboratório de Simulação Matemática. Parte 7 2
Matemática - RC/UFG Laboratório de Simulação Matemática Parte 7 2 Prof. Thiago Alves de Queiroz 2/2017 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
Leia maisUniversidade Federal de Itajubá. Instituto de Engenharia de Produção e Gestão. Pesquisa Operacional. Redes. Prof. Dr. José Arnaldo Barra Montevechi
Universidade Federal de Itajubá Instituto de Engenharia de Produção e Gestão Pesquisa Operacional Redes Prof. Dr. José Arnaldo Barra Montevechi Problemas de rede Casos especiais de problemas de programação
Leia maisObjetivo da Programação Inteira
Universidade Federal de Itajubá Instituto de Engenharia de Produção e Gestão Pesquisa Operacional Programação inteira Prof. Dr. José Arnaldo Barra Montevechi Objetivo da Programação Inteira Max Z = 20X1
Leia maisMétodos e Medidas II
Métodos e Medidas II Disciplina: 1 Prof. Álvaro José Periotto ajperiotto@uem.br 3. Método Gráfico (conjunto de soluções/ponto ótimo) 1. Entendimento do Enunciado 2 Início Entendimento do Enunciado do P.P.L.
Leia maisTeoria da Computação. Complexidade computacional classes de problemas
Teoria da Computação Complexidade computacional classes de problemas 1 Universo de problemas Problemas indecidíveis ou não-computáveis Não admitem algoritmos Problemas intratáveis Não admitem algoritmos
Leia maisα ( u 1 - u 2 ) = u 3 - u 2.
2- NOÇÕES DE CONVEXIDADE E FORMULAÇÃO MATEMÁTICA DE PROBLEMAS DE PROGRAMAÇÃO LINEAR 21 Noções de Convexidade 211 - Combinação Convexa de pontos ponto b = αx 1 Considere C um conjunto contendo os pontos
Leia maisProblema de seleção de atividades. Aula 14. Exemplo. Algoritmos Gulosos. Algoritmos Gulosos. Intervalo: par ordenado de números
Problema de seleção de atividades Aula 14 Algoritmos Gulosos Prof. Marco Aurélio Stefanes marco em dct.ufms.br www.dct.ufms.br/ marco Intervalo: par ordenado de números [s[i],f[i]): início e fim do intervalo
Leia mais