Celso Carneiro Ribeiro Introdução aos Modelos e Métodos de Otimização em Pesquisa Operacional
|
|
- Talita Minho Malheiro
- 7 Há anos
- Visualizações:
Transcrição
1 Celso Carneiro Ribeiro Introdução aos Modelos e Métodos de Otimização em Pesquisa Operacional Parte I Programação Linear 4
2 Organização Parte I: Programação linear (5 aulas) Parte II: Programação inteira (5 aulas) Parte III: Heurísticas (4 aulas) Parte IV: Programação dinâmica ( aulas) Abril-agosto 4 Modelos e métodos de otimização ONS
3 Parte I Programação linear Origens Motivação Formulação de problemas Solução gráfica Forma canônica Geometria da PL Método Simple Dualidade Análise de sensibilidade Laboratório de programação linear Abril-agosto 4 Modelos e métodos de otimização ONS 3
4 Origens Fourier (87): método para resolver sistemas de inequações lineares considerado como o primeiro estudo de programação linear Kantorovich (939): formulação de problemas de programação linear em alocação ótima de recursos em economias centralizadas Koopmans (957): formulação de problemas de programação linear em economia Kantorovich e Koopmans receberam o prêmio Nobel de Economia em 975. Abril-agosto 4 Modelos e métodos de otimização ONS 4
5 Origens von Neumann (98): relação entre teoria dos jogos e dualidade em programação linear II Guerra Mundial: formulação e solução de modelos de programação linear em problemas de planejamento de operações militares, envolvendo aprovisionamento de suprimentos, programação de manutenção e treinamento de pilotos, distribuição de navios pelas forças no Pacífico, localização de radares na costa da Inglaterra e a estratégia de caça aos U-boats no Mar Báltico Pesquisa Operacional : Operations Research Abril-agosto 4 Modelos e métodos de otimização ONS 5
6 Origens Dantzig (947): descoberta do método Simple para a solução de problemas de programação linear, coincidindo com o aparecimento dos primeiros computadores e viabilizando sua aplicação a problemas reais Hitchcock (94): problema de transporte Kachian (979): método do elipsóide (polinomial) Karmarkar (984): método de pontos interiores Abril-agosto 4 Modelos e métodos de otimização ONS 6
7 Origens Ford e Fulkerson, anos 5: fluos em redes Problema do caminho mais curto: dados um grafo (rede) e distâncias associadas a seus arcos, encontrar o caminho mais curto entre dois nós específicos (Dijkstra, Floyd, Belmann) Problema do fluo máimo: dados um grafo (rede) e capacidades associadas a seus arcos, encontrar o maior fluo que pode ser enviado de um nó a outro Problema de fluo mínimo: dados um grafo (rede), capacidades e custos associados a seus arcos e ofertas e demandas associadas a seus nós, encontrar um fluo de custo mínimo que satisfaça ofertas, demandas e restrições de capacidade Abril-agosto 4 Modelos e métodos de otimização ONS 7
8 Origens Primeira tentativa de resolver o problema do caieiro viajante (Dantzig, 954): 49 cidades (Simple cortes) Gomory, anos 6: problemas de programação linear inteira (as variáveis só podem assumir valores inteiros) Anos 6: primeiros resolvedores de programação linear Atuais resolvedores podem tratar de forma eata problemas com algumas centenas de milhares de variáveis e restrições: XPRESS, CPLEX, LINDO, EXCEL, etc. Maior TSP resolvido atualmente: 5. cidades ( processadores, 6 anos de processamento) Abril-agosto 4 Modelos e métodos de otimização ONS 8
9 Bibliografia G. Dantzig, Linear programming and etensions, 963 V. Chvatal, Linear progamming, 983 M. Bazaraa, J. Jarvis e H. Sherali, Linear programming and network flows, 99 D. Bertsimas e J. Tsitsiklis, Introduction to Linear Optimization, 997 Transparências disponíveis em: Abril-agosto 4 Modelos e métodos de otimização ONS 9
10 Motivação Uma empresa produz dois tipos de fósforos. Esta empresa tem um lucro de 3 ( u.m.) em cada caia de fósforos longos e de ( u.m.) em cada caia de fósforos curtos. Fósforos dos dois tipos são feitos por uma única máquina, que pode produzir 9 (.) caias de fósforos por ano. Para produzir e vender os fósforos, a empresa precisa de madeira e de caias. São necessários 3 m 3 de madeira para cada caia de fósforos longos e m 3 de madeira para cada caia de fósforos curtos. Abril-agosto 4 Modelos e métodos de otimização ONS
11 Motivação A empresa possui 8 (.) m 3 de madeira para usar durante o próimo ano. Dispõe ainda de 7 (.) caias para fósforos longos e 6 (.) caias para fósforos curtos. A empresa deseja maimizar seus lucros com a venda de fósforos no próimo ano, sabendo que toda sua produção pode ser vendida. Como formular e resolver este problema através de um modelo matemático? Abril-agosto 4 Modelos e métodos de otimização ONS
12 Motivação Variáveis de decisão: : número de caias (.) de fósforos longos : número de caias (.) de fósforos curtos Abril-agosto 4 Modelos e métodos de otimização ONS
13 Motivação Objetivo da empresa: Lucro em uma caia de fósforos longos = 3 () Lucro em caias de fósforos longos = 3 () Lucro em caias de fósforos curtos = () Lucro total a ser maimizado = 3 função objetivo A função objetivo sozinha define a programação da produção? Abril-agosto 4 Modelos e métodos de otimização ONS 3
14 Motivação Restrições: Capacidade máima anual de produção da máquina: 9 (.) Quantidade de madeira disponível: 3 8 (.) Número máimo de caias disponíveis: 7 (.) 6 Não-negatividade: e (.) Abril-agosto 4 Modelos e métodos de otimização ONS 4
15 Motivação Problema de programação linear: maimizar 3 sujeito a : 3, Abril-agosto 4 Modelos e métodos de otimização ONS 5 Programação linear: todas as relações entre variáveis são lineares (função objetivo e restrições) restrição () restrição () restrição (3) restrição (4)
16 Motivação Como representar no plano uma desigualdade? Abril-agosto 4 Modelos e métodos de otimização ONS 6
17 Motivação Como representar no plano uma desigualdade? Abril-agosto 4 Modelos e métodos de otimização ONS 7
18 Motivação Como representar no plano uma igualdade? = Abril-agosto 4 Modelos e métodos de otimização ONS 8
19 Motivação Como representar no plano uma desigualdade? Abril-agosto 4 Modelos e métodos de otimização ONS 9
20 Motivação Como representar no plano uma desigualdade? Abril-agosto 4 Modelos e métodos de otimização ONS
21 Motivação Como resolver aquele problema de programação linear? Resolver: determinar os valores ótimos das variáveis de decisão Solução gráfica: método mais simples para problemas com duas variáveis apenas Representar e tratar o problema no plano Abril-agosto 4 Modelos e métodos de otimização ONS
22 Motivação Restrições de não-negatividade: Abril-agosto 4 Modelos e métodos de otimização ONS
23 Motivação Não-negatividade e restrições () a (4): região viável maimizar 3 sujeito a : 3 A restrição (3) é desnecessária ou redundante., restrição () restrição () restrição (3) restrição (4) Abril-agosto 4 Modelos e métodos de otimização ONS 3
24 Motivação Maimização da função objetivo: maimizar 3 normal=(3,) Abril-agosto 4 Modelos e métodos de otimização ONS 4
25 Motivação Maimização da função objetivo: 3 =,5 3 = 3 = = = (máimo) maimizar 4,5 3 = = (mínimo) Abril-agosto 4 Modelos e métodos de otimização ONS 5
26 Motivação Visualização do modelo em três dimensões: z = 3 Abril-agosto 4 Modelos e métodos de otimização ONS 6
27 Motivação Etensão do modelo com uma restrição adicional: devido a restrições contratuais, a empresa deve fornecer um mínimo de 5 (.) caias de fósforos no próimo ano. 5 (.) Abril-agosto 4 Modelos e métodos de otimização ONS 7
28 Motivação Novo modelo de programação linear: maimizar sujeito a : 3, restrição () restrição () restrição (3) restrição (4) restrição (5) Abril-agosto 4 Modelos e métodos de otimização ONS 8
29 Motivação Nova região viável: maimizar sujeito a : 3 3, restrição () restrição () restrição (3) restrição (4) restrição (5) Abril-agosto 4 Modelos e métodos de otimização ONS 9
30 Formulação de problemas Princípios básicos da programação linear: Proporcionalidade: se o valor de uma variável é multiplicado por uma constante, sua contribuição para a função objetivo e para cada restrição também é multiplicada por esta mesma constante. Aditividade: o custo total é a soma dos custos individuais, assim como o valor total de uma restrição é a soma dos valores individuais de cada atividade. Divisibilidade: o valor de cada variável pode assumir qualquer valor fracionário. Abril-agosto 4 Modelos e métodos de otimização ONS 3
31 Formulação de problemas (I) Problema das ligas metálicas: Uma metalúrgica deseja maimizar sua receita bruta. A tabela a seguir ilustra a proporção de cada material na mistura para a obtenção das ligas passíveis de fabricação, assim como a disponibilidade de cada matéria prima (em toneladas) e os preços de venda por tonelada de cada liga. Qual deve ser a quantidade produzida de cada liga? Abril-agosto 4 Modelos e métodos de otimização ONS 3
32 Formulação de problemas Liga Liga Disponibilidade Cobre,5, 6 ton. Zinco,5,3 ton. Chumbo,5,5 5 ton. Preço Abril-agosto 4 Modelos e métodos de otimização ONS 3
33 Formulação de problemas Variáveis de decisão: : quantidade produzida da liga (em toneladas) : quantidade produzida da liga (em toneladas) Abril-agosto 4 Modelos e métodos de otimização ONS 33
34 Formulação de problemas Função objetivo: maimizar Disponibilidade das matérias primas:,5, 6 cobre,5,3 zinco,5,5 5 chumbo Todas as quantidades produzidas são não-negativas:, Abril-agosto 4 Modelos e métodos de otimização ONS 34
35 Formulação de problemas (II) Problema da dieta: Este problema tem diversas versões, aborda-se aqui a mais simples. Suponha que uma dieta alimentar está restrita a leite desnatado, carne magra, peie e salada verde. Os requisitos nutricionais são epressos em quantidades mínimas (em miligramas) das vitaminas A, C e D. A tabela a seguir resume a quantidade disponível de cada vitamina em cada alimento, a necessidade diária de cada vitamina e o custo de cada alimento. Determine uma dieta de custo mínimo que satisfaça as necessidades alimentares. Abril-agosto 4 Modelos e métodos de otimização ONS 35
36 Formulação de problemas Vitamina Leite (litro) Carne (kg) Peie (kg) Salada (g) Requisito mínimo A mg mg mg mg mg C 5 mg mg mg 3 mg 7 mg D 8 mg 7 mg mg 8 mg 5 mg Custo 4,5 (slide 78) Abril-agosto 4 Modelos e métodos de otimização ONS 36
37 Variáveis de decisão: Formulação de problemas i : quantidade ingerida do alimento i {l, c, p, s} Função objetivo: minimizar l 4 c,5 p s Restrições: l c p s 5 l c p 3 s 7 8 l 7 c p 8 s 5 l, c, p, s Abril-agosto 4 Modelos e métodos de otimização ONS 37
38 Formulação de problemas (III) Problema de capitalização de investimentos: Um projeto de construção estadual eige recursos financeiros ao longo dos próimos quatro anos de milhões, 4 milhões, 8 milhões e 5 milhões, respectivamente. Assumese que todos os recursos são necessários e recebidos no início do ano. A administração estadual decide vender bônus para cobrir as demandas anuais de recursos. Todos estes bônus serão resgatados numa certa data futura distante, independentemente da data de sua emissão. As taas anuais de juros projetadas para os próimos quatro anos são 7%, 6%, 6,5% e 7,5%, respectivamente. Abril-agosto 4 Modelos e métodos de otimização ONS 38
39 Formulação de problemas O pagamento dos juros começa um ano após o fim do projeto e continua ao longo de anos, quando os bônus são resgatados. Durante este período, as taas de juros a curto prazo (o que a administração pode receber sobre depósitos) são estimadas em 6%, 5,5% e 4,5% (a administração não pretende investir em depósitos de curto prazo ao longo do quarto ano). Qual deve ser a estratégia ótima da administração para vender bônus e fazer depósitos de curto prazo para poder completar seu projeto de construção? Abril-agosto 4 Modelos e métodos de otimização ONS 39
40 Formulação de problemas Variáveis de decisão: i : valor dos bônus vendidos no início do ano i=,...,4 Quando bônus são vendidos, uma parte dos recursos apurados são aplicados em depósitos de curto prazo para serem usados nos anos seguintes, enquanto o restante é usado no projeto de construção. y i : valor aplicado em depósito de curto prazo no início do ano i=,...,3 Abril-agosto 4 Modelos e métodos de otimização ONS 4
41 Formulação de problemas Restrições: A diferença entre o valor apurado com a venda de bônus no ano e o valor aplicado em depósito de curto pazo neste ano deve ser suficiente para cobrir os recursos necessários para o projeto neste ano: y Esta restrição é equivalente à igualdade y =, já que sobras de recursos serão sempre aplicadas em depósitos de curto prazo. Abril-agosto 4 Modelos e métodos de otimização ONS 4
42 Formulação de problemas Considera-se agora o início do segundo ano. Além dos bônus vendidos e dos depósitos de curto prazo efetuados, deve-se considerar o resgate e os juros do depósito de curto prazo efetuado no ano :,6y y = 4 Nos anos seguintes:,55y 3 y 3 = 8,45y 3 4 = 5 Restrições de não-negatividade:,, 3, 4, y, y Abril-agosto 4 Modelos e métodos de otimização ONS 4
43 Formulação de problemas Objetivo da administração: desconsiderando-se a taa de inflação a cada ano, minimizar o valor total pago de juros ao longo dos anos subseqüentes a cada venda de bônus Juros dos bônus vendidos no ano :,7 Juros dos bônus vendidos no ano :,6 Juros dos bônus vendidos no ano 3:,65 3 Juros dos bônus vendidos no ano 4:,75 4 Abril-agosto 4 Modelos e métodos de otimização ONS 43
44 Abril-agosto 4 Modelos e métodos de otimização ONS 44 Formulação de problemas Modelo de programação linear completo:,,,,,, 5,45 8,55 4,6 (,75) (,65) (,6) (,7) = = = = y y y y y y y y y sujeito a : minimizar
45 Formulação de problemas (IV) Problema de planejamento da produção: Uma empresa fabrica n produtos usando m matérias primas. Seja b i a quantidade disponível da matéria prima i=,...,m. Cada unidade do produto j=,...,n requer a ij unidades da matéria prima i=,...,m para sua produção e resulta em um lucro c j por unidade produzida. Qual deve ser a quantidade produzida de cada produto de forma a maimizar o lucro da empresa? Variáveis de decisão: j : quantidade produzida do produto j=,,n Abril-agosto 4 Modelos e métodos de otimização ONS 45
46 Abril-agosto 4 Modelos e métodos de otimização ONS 46 Formulação de problemas Modelo:,...,, n m n mn m n n n n n n b a a b a a b a a c c c m a a a sujeito a : maimizar
47 Formulação de problemas (V) Problema de transporte: Uma empresa produz um determinado produto em m fábricas distintas e afastadas, para atender a demanda de n cidades diferentes. A capacidade de produção da fábrica i é no máimo igual a a i, i=,...,m. A demanda da cidade j é igual a b j, j=,..,n. Sabendo-se que o custo de envio de uma unidade do produto da fábrica i para a cidade j é igual a c ij, determinar a quantidade que deve ser enviada de cada fábrica para cada cidade, de modo a minimizar os custos de transporte desta empresa. Abril-agosto 4 Modelos e métodos de otimização ONS 47
48 Formulação de problemas a c b a b a m m c mn n b n Variáveis de decisão: ij : quantidade enviada da fábrica i para a cidade j Abril-agosto 4 Modelos e métodos de otimização ONS 48
49 Formulação de problemas Modelo: minimizar sujeito a : m n ij m n c c n mn m mn = = a b a b n n m n... c m... c i =,..., m; j =,..., n m mn mn Abril-agosto 4 Modelos e métodos de otimização ONS 49
50 Formulação de problemas (VI) Problema de planejamento de capacidade: Um estado deseja fazer seu planejamento de capacidade instalada. A previsão de demanda de capacidade é igual a d t MW para cada ano t=,...,t. A capacidade eistente em usinas a óleo e que estará disponível em cada ano t=,...,t é igual a e t. Há duas alternativas possíveis para a epansão de capacidade: usinas nucleares e usinas a carvão. Há um custo de capital igual a c t por MW de usinas a carvão que tornam-se disponíveis no ano t. O custo de capital correspondente para usinas nucleares é n t. A capacidade Abril-agosto 4 Modelos e métodos de otimização ONS 5
51 Formulação de problemas em usinas nucleares não pode ser superior a % da capacidade total instalada. Usinas a carvão têm vida útil de anos, enquanto usinas nucleares têm vida útl de 5 anos. Deseja-se planejar a epansão de custo mínimo. Variáveis de decisão: t : capacidade instalada em usinas a carvão disponibilizada no início do ano t y t : capacidade instalada em usinas nucleares disponibilizada no início do ano t Abril-agosto 4 Modelos e métodos de otimização ONS 5
52 Formulação de problemas Função objetivo: custo da epansão de capacidade: minimizar T t= Capacidade instalada em usinas a carvão disponibilizada no t início do ano t=,...,t: w t = s Capacidade instalada em usinas nucleares disponibilizada no início do ano t=,,t: t z t = y s Abril-agosto 4 Modelos e métodos de otimização ONS 5 ( c t t n t y t ) s= ma{, t 9} s= ma{, t 4}
53 Formulação de problemas Atendimento à demanda no ano t=,...,t: w t z t e t d t Fração da capacidade instalada em nucleares no ano t=,...,t: zt, w z e t t t,8z,w,e t t t Abril-agosto 4 Modelos e métodos de otimização ONS 53
54 Formulação de problemas Modelo: minimizar w z t w,8z t t t, y t= ( c s s= ma{, t 9} s s= ma{, t 4} t t z t,w t t d T t y t t = = e t,e Abril-agosto 4 Modelos e métodos de otimização ONS 54 t n t t y t ) t =,...,T t =,...,T t =,...,T t =,...,T t =,...,T
55 Formulação de problemas (VII) Problema de plantio: Uma cooperativa agrícola opera três fazendas. A produção total de cada fazenda depende da área disponível para o plantio e da água para irrigação. A cooperativa procura diversificar sua produção e vai plantar este ano três culturas em cada fazenda: milho, arroz e feijão. Cada cultura demanda uma certa quantidade de água. São estabelecidos limites de área plantada para cada cultura. Para evitar concorrência entre os cooperados, acordou-se que a proporção de área cultivada seja a mesma para cada fazenda. Determinar a área plantada de cada cultura em cada fazenda de modo a otimizar o lucro da cooperativa. Abril-agosto 4 Modelos e métodos de otimização ONS 55
56 Formulação de problemas Fazenda 3 Área (acres) Água (litros) Cultura Área má. (acres) Agua (litros por acre) Lucro (por acre) Milho 66 5,5 5. Arroz Feijão 4 3,5.8 Abril-agosto 4 Modelos e métodos de otimização ONS 56
57 Variáveis de decisão: Formulação de problemas ij : área da fazenda i=,,3 destinada ao plantio da cultura j {m, a, f} Função objetivo: maimizar 5. ( m m 3m ) 4. ( a a 3a ).8 ( f f 3f ) Restrições de não-negatividade: im, ia, if, i=,,3 Abril-agosto 4 Modelos e métodos de otimização ONS 57
58 Formulação de problemas Restrições associadas à área de cultivo: m a f 4 m a f 65 3m 3a 3f 35 Restrições associadas ao consumo de água: 5,5 m 4 a 3,5 f.8 5,5 m 4 a 3,5 f. 5,5 3m 4 3a 3,5 3f 95 Abril-agosto 4 Modelos e métodos de otimização ONS 58
59 Formulação de problemas Restrições associadas ao plantio por cultura: m m 3m 66 a a 3a 88 f f 3f 4 Restrições associadas à proporção de área cultivada: ( m a if )/4 = ( m a f )/65 ( m a f )/65 = ( 3m 3a 3f )/35 Abril-agosto 4 Modelos e métodos de otimização ONS 59
60 Formulação de problemas (VIII) Problema da mistura de petróleos: Uma refinaria processa vários tipos de petróleo. Cada tipo de petróleo possui uma planilha de custos diferentes, epressando condições de transporte e preços na origem. Cada tipo de petróleo representa uma configuração diferente de subprodutos para a gasolina. Na medida em que cada tipo de petróleo é utilizado na mistura para produção de gasolina, é possível programar a octanagem e outros requisitos de cada tipo de gasolina produzida. Estes requisitos definem o tipo de gasolina obtida. Abril-agosto 4 Modelos e métodos de otimização ONS 6
61 Formulação de problemas Supondo-se que a refinaria utiliza quatro tipos de petróleo e deseja produzir três tipos de gasolina (amarela, azul e super), programar a mistura dos tipos de petróleo de modo a maimizar o lucro obtido (diferença entre as vendas e o custo de petróleo). Variáveis de decisão: ij : quantidade de barris de petróleo do tipo j=,,3,4 destinados à produção de gasolina do tipo i=,,3 Abril-agosto 4 Modelos e métodos de otimização ONS 6
62 Formulação de problemas Petróleo 3 4 Disponibilidade (barris/dia) Custo (barril/dia) Abril-agosto 4 Modelos e métodos de otimização ONS 6
63 Formulação de problemas Gasolina Super () Azul () Amarela (3) Especificações Não mais que 3% do petróleo () Não menos que 4% do petróleo () Não mais que 5% do petróleo (3) Não mais que 3% do petróleo () Não menos que % do petróleo () Não mais que 7% do petróleo () Preço (por barril) 35 8 Abril-agosto 4 Modelos e métodos de otimização ONS 63
64 Função objetivo: Formulação de problemas maimizar 35 ( 3 4 ) 8 ( 3 4 ) ( ) 9 ( 3 ) 4 ( 3 ) ( ) 7 ( ) Restrições associadas à quantidade de petróleo disponível: Abril-agosto 4 Modelos e métodos de otimização ONS 64
65 Formulação de problemas Restrições associadas às especificações da mistura:.3 ( 3 4 ) gasolina super.4 ( 3 4 ) 3.5 ( 3 4 ).3 ( 3 4 ) gasolina azul. ( 3 4 ) 3.7 ( ) gasolina amarela Restrições de não-negatividade: ij, i=,,3; j=,,3,4 Abril-agosto 4 Modelos e métodos de otimização ONS 65
66 Formulação de problemas O que muda na formulação do problema anterior se a obtenção de gasolina não tratar-se simplesmente de uma mistura, mas que ainda eista um fator tecnológico a ij que indique o número de barris de gasolina do tipo i=,,3 obtidos a partir de cada barril de petróleo do tipo j=,,3,4 utilizado na mistura? Função objetivo: maimizar 35 (a a a 3 3 a 4 4 ) 8 (a a a 3 3 a 4 4 ) (a 3 3 a 3 3 a a ) 9 ( 3 ) 4 ( 3 ) ( ) 7 ( ) Abril-agosto 4 Modelos e métodos de otimização ONS 66
67 Formulação de problemas (IX) Problema de corte linear: Uma fábrica necessita cortar uma fita de aço de cm de largura em tiras de,4 cm, 3,4 cm e 4,5 cm de largura. As necessidades globais de tiras de cada comprimento são as seguintes: Tipo 3 Largura (cm),4 3,4 4,5 Demanda (m) Abril-agosto 4 Modelos e métodos de otimização ONS 67
68 Formulação de problemas Formule um modelo que permita otimizar o consumo da fita a ser cortada, minimizando a perda de material. Padrão Tiras Tiras 3 Tiras 3,7 Abril-agosto 4 Modelos e métodos de otimização ONS 68 Perda (cm),4,3,4,6,8
69 Eemplo: Padrão 5 Formulação de problemas 4,5cm 4,5cm,4cm (3) (3) () Perda =,6cm Abril-agosto 4 Modelos e métodos de otimização ONS 69
70 Formulação de problemas Variáveis de decisão: i : comprimento cortado segundo o padrão i=,...,7 Restrições de demanda por tipo de fita: tipo tipo tipo 3 Abril-agosto 4 Modelos e métodos de otimização ONS 7
71 Formulação de problemas Função objetivo: perdas por sobras perdas por fitas desnecessárias minimizar,4,3 3,4 4,6 5,8 6,7 7,4 ( ) 3,4 ( ) 4,5 ( ) ou comprimento total cortado minimizar Abril-agosto 4 Modelos e métodos de otimização ONS 7
72 Formulação de problemas (X) Problema de escalonamento de horários: Um hospital deseja planejar os horários das enfermeiras de seu turno da noite. A demanda por enfermeiras no turno da noite no dia j=,...,7 da semana é um número inteiro d j. Cada enfermeira trabalha cinco dias consecutivos e descansa nos dois dias seguintes. O objetivo consiste em minimizar o número de enfermeiras contratadas. Variáveis de decisão: j : número de enfermeiras que começam seu horário no dia j=,...,7 Abril-agosto 4 Modelos e métodos de otimização ONS 7
73 Abril-agosto 4 Modelos e métodos de otimização ONS 73 Formulação de problemas Modelo:,,,,,, d d d d d d d sujeito a : minimizar inteiros ,,,,,, Problema de programação linear inteira: seu valor ótimo é superior ao do problema linear associado, pois contém restrições adicionais (todas as variáveis devem assumir valores inteiros). O número de enfermeiras nunca pode ser fracionário!
74 Formulação de problemas (XI) Problema da mochila: Um viajante dispõe de n itens que deve selecionar para colocar em uma mochila que está sendo preparada para uma viagem. O peso do item j é igual a j e o lucro obtido caso ele seja selecionado e colocado na mochila é igual a c j, para j=,,n. Quais itens devem ser selecionados, sabendo-se que o peso máimo que o viajante pode carregar na mochila é igual a b? Variáveis de decisão: j : quantidade selecionada do item j Abril-agosto 4 Modelos e métodos de otimização ONS 74
75 Formulação de problemas Caso (): os itens podem ser fracionados e não há limite n na quantidade selecionada Problema de programação linear Solução trivial? maimizar sujeito a : =,..., n Selecionar o item j* cuja razão c j /a j é máima e fazer j* =b/a j*, j = para os demais. Abril-agosto 4 Modelos e métodos de otimização ONS 75 j, j= n j= j a c j j j j b
76 Formulação de problemas Caso (): os itens podem ser fracionados e no máimo uma unidade de cada item pode ser selecionada Problema de programação linear Solução trivial? maimizar sujeito a : =,..., n Ordenar os itens pela razão c j /a j e fazer j = enquanto couber, fracionar o objeto seguinte e fazer j = para os demais. Abril-agosto 4 Modelos e métodos de otimização ONS 76 j, n j= n j= a c j j j j j b
77 Formulação de problemas Eemplo: maimizar 6 sujeito a : j, j =,,3, Maior razão: c /a = 6/= 6 = Segunda maior razão: c /a = 8/ = 4 = Terceira maior razão: c 3 /a 3 = 4/ = 3 =,5 4 = Abril-agosto 4 Modelos e métodos de otimização ONS 77
78 Formulação de problemas Caso (3): os itens não podem ser fracionados e no máimo uma unidade de cada item pode ser selecionada Problema de programação inteira Solução trivial? Não!!! maimizar sujeito a : j n j= n j= a c b {, }, j =,..., n j j j j Abril-agosto 4 Modelos e métodos de otimização ONS 78
79 Formulação de problemas Eemplo: maimizar sujeito a : 3 {, }, j =,,3 Maior razão: c /a = /3 = 4 = = 3 = Esta solução é ótima? j Abril-agosto 4 Modelos e métodos de otimização ONS Não, o problema de programação inteira é mais difícil!!! (lucro = ) Solução ótima: =, =, 3 = (lucro = 3) 3 3 4
80 minimizar 6 8 Solução gráfica 5 Abril-agosto 4 Modelos e métodos de otimização ONS 8
81 Solução gráfica A normal c=(c,c ) da função objetivo sempre aponta para a direção de crescimento da função. Abril-agosto 4 Modelos e métodos de otimização ONS 8
82 Abril-agosto 4 Modelos e métodos de otimização ONS 8 Solução gráfica, minimizar A normal c=(c,c ) da função objetivo sempre aponta para a direção de crescimento da função.
83 Abril-agosto 4 Modelos e métodos de otimização ONS 83 Solução gráfica, 3 3 minimizar A normal c=(c,c ) da função objetivo sempre aponta para a direção de crescimento da função.
84 Abril-agosto 4 Modelos e métodos de otimização ONS 84 Solução gráfica,, minimizar A normal c=(c,c,c 3 ) da função objetivo sempre aponta para a direção de crescimento da função.
85 Solução gráfica Em todos os eemplos anteriores, a região viável era limitada e a solução ótima era única: correspondia a um ponto etremo da região viável e seu valor era finito. Será que isto ocorre sempre? Não!!! Outras situações possíveis: Problemas com múltiplas soluções ótimas Problemas com solução ilimitada Problemas inviáveis Abril-agosto 4 Modelos e métodos de otimização ONS 85
86 Solução gráfica minimizar c, c c=(,): solução ótima única (,) c=(,): conjunto limitado com múltiplas soluções ótimas c=(,): conjunto ilimitado com múltiplas soluções ótimas c=(-,-): solução ótima ilimitada restrição adicional -: problema inviável A normal c=(c,c ) aponta para a direção de crescimento Abril-agosto 4 Modelos e métodos de otimização ONS 86
87 Solução gráfica Solução ótima finita única: Região viável limitada Região viável não-limitada Abril-agosto 4 Modelos e métodos de otimização ONS 87
88 Solução gráfica Soluções ótimas finitas alternativas: Região viável limitada Região viável não-limitada Abril-agosto 4 Modelos e métodos de otimização ONS 88
89 Solução gráfica Valor ótimo ilimitado: Abril-agosto 4 Modelos e métodos de otimização ONS 89
90 Solução gráfica Em três dimensões: Generalização: método Simple Visitar os vértices do politopo que representa a região viável até chegar a um vértice ótimo Abril-agosto 4 Modelos e métodos de otimização ONS 9
91 Abril-agosto 4 Modelos e métodos de otimização ONS 9 Forma canônica de um PPL,...,, = = = n m n mn m n n n n n n b a a b a a b a a c c c m a a a sujeito a : minimizar
92 Abril-agosto 4 Modelos e métodos de otimização ONS 9 Forma canônica de um PPL Variáveis: Dados: ),...,, = = = m m n m mn m m n n n n b b b b a a a a a a a a a A c c c c (... = n n Modelo: sujeito a : minimizar.. = b A c
93 Forma canônica de um PPL Variáveis irrestritas ou livres: qualquer número real pode ser escrito com a diferença entre dois números positivos Transformar a variável em: irrestrita em sinal j j = j j j j Abril-agosto 4 Modelos e métodos de otimização ONS 93
94 Forma canônica de um PPL Eliminação de desigualdades: dada uma desigualdade do tipo n i, transformá-la em: j = aij j b n a s = j = Eliminação de desigualdades: dada uma desigualdade do tipo n, transformá-la em: j = aij j bi n a s = j = si Em ambos os casos, é chamada de variável de folga. s i ij ij j j i i b b i i Abril-agosto 4 Modelos e métodos de otimização ONS 94
95 Forma canônica de um PPL Uma igualdade pode ser transformada em duas desigualdades: n j = a = ij j b i é equivalente a n j = aij j n j = aij j b i b i ou ainda a n j = aij j n a j = ( ij ) b j i b i Abril-agosto 4 Modelos e métodos de otimização ONS 95
96 Forma canônica de um PPL Um problema de minimização é equivalente a um de maimização: f() f(*) * Então: min f() = ma { f()} -f(*) -f() Abril-agosto 4 Modelos e métodos de otimização ONS 96
97 Forma canônica de um PPL Valores absolutos na função objetivo (custos positivos): c j n j = minimizar sujeito a : A. c j b j Por definição, j é o menor número positivo z j tal que j z j e j z j. Então, o n minimizar c z j = j j problema acima equivale a: sujeito a : A. b =,..., n Abril-agosto 4 Modelos e métodos de otimização ONS 97 j j z j z j j j =,..., n
98 Forma canônica de um PPL Valores absolutos na função objetivo (custos positivos): c j n j = minimizar sujeito a : A. c j b j Alternativamente, inicialmente substituir a variável irrestrita por: j j = j j j j Abril-agosto 4 Modelos e métodos de otimização ONS 98
99 Forma canônica de um PPL A idéia é garantir que j = j ou j = j, dependendo do valor de ser positivo ou negativo. j Em seguida, substituir por j. j j Então, alternativamente o problema anterior equivale a: Isto porque em uma solução viável ótima necessariamente pelo menos uma das componentes j ou será nula. j minimizar sujeito a : =,..., n Abril-agosto 4 Modelos e métodos de otimização ONS 99 j, j A. n j= j c j ( j A. j b )
100 Forma canônica de um PPL Qualquer problema de programação linear, envolvendo igualdades ou desigualdades variáveis restritas ou irrestritas em sinal minimização ou maimização valores absolutos funções lineares por partes pode ser reformulado e colocado na forma canônica. Abril-agosto 4 Modelos e métodos de otimização ONS
101 Geometria da PL Um poliedro é um conjunto que pode ser descrito da forma { R n : A. b}, onde A é uma matri mn e b é um vetor m. O conjunto das soluções viáveis de um PPL pode ser descrito por restrições da forma A. b e portanto é um poliedro (mesmo na forma canônica A.=b e ). Seja a um vetor n não-nulo. Então, O conjunto { R n : a.=b} éum hiperplano. O conjunto { R n : a. b} é um semi-espaço. Abril-agosto 4 Modelos e métodos de otimização ONS
102 Geometria da PL Eemplo: hiperplano em R = normal (,) < > Abril-agosto 4 Modelos e métodos de otimização ONS
103 Geometria da PL Eemplo: semi-espaço em R equivalente a Abril-agosto 4 Modelos e métodos de otimização ONS 3
104 Geometria da PL Um conjunto S é conveo se para qualquer par de elementos,y S e qualquer λ [,], então λ.(- λ).y S. Não-conveo Conveo y y Abril-agosto 4 Modelos e métodos de otimização ONS 4
105 Geometria da PL A região viável de um problema de programação linear é um conjunto conveo. a.=b a.=b a.<b a a.>b a.=b a4.=b 4 a 3.=b 3 Abril-agosto 4 Modelos e métodos de otimização ONS 5
106 Geometria da PL Dados os vetores,,..., k R n e números escalares não-negativos satisfazendo λ λ... λ k =, diz-se que o vetor λ. λ.... λ k. k é uma combinação linear convea de,,..., k. A envoltória convea dos vetores,,..., k é o conjunto formado por todas suas combinações conveas: Abril-agosto 4 Modelos e métodos de otimização ONS 6 3
107 Geometria da PL Um vetor P é um ponto etremo do poliedro P se não eistem dois vetores y,z P diferentes de tais que seja uma combinação linear de y e z. 3 w P 4 w não é ponto etremo Abril-agosto 4 Modelos e métodos de otimização ONS 7
108 Geometria da PL O conjunto das soluções viáveis de um PPL corresponde à envoltória convea de seus pontos etremos: a.=b a4.=b 4 a.=b 3 4 a 3.=b 3 Abril-agosto 4 Modelos e métodos de otimização ONS 8
109 Geometria da PL Um vetor P é um vértice do poliedro P se eiste um vetor c de dimensão n tal que c. < c.y para qualquer y P diferente de. 3 w P w não é vértice, pois qualquer é vértice, hiperplano pois eiste um hiperplano passando passando por w intercepta por que o poliedro não intercepta em outros o poliedro 4 em pontos. outros pontos. Abril-agosto 4 Modelos e métodos de otimização ONS 9
110 Geometria da PL vértice Abril-agosto 4 Modelos e métodos de otimização ONS
111 Abril-agosto 4 Modelos e métodos de otimização ONS Geometria da PL Seja um poliedro P R n associado a um problema de programação linear definido em termos de restrições lineares de igualdade e de desigualdade: Os conjuntos M, M e M 3 são conjuntos finitos de índices. 3,.,.,. M i b a M i b a M i b a i i i i i i =
112 Geometria da PL Se um vetor (isto é, uma solução do PPL) * satisfaz a i.* = b i para algum i em M, M ou M 3, diz-se então que a restrição correspondente está ativa em *. Seja * R n e I = {i M M M 3 : a i.* = b i } o conjunto de restrições ativas em *. Então: Há n vetores independentes no conjunto {a i : i I} (isto é, há n restrições linearmente independentes ativas em *). Qualquer vetor de R n pode ser epresso como combinação linear dos vetores em {a i : i I}. O sistema de equações a i.=b i, i I, tem solução única. Abril-agosto 4 Modelos e métodos de otimização ONS
113 Geometria da PL Diz-se que os vetores,,..., k de R n são linearmente independentes se nenhum deles pode ser obtido como uma combinação linear dos demais, isto é: λ. λ.... λ k. k = λ = λ =... = λ k = Definição algébrica de ponto etremo: é uma solução viável do problema na qual há n restrições ativas linearmente independentes. Abril-agosto 4 Modelos e métodos de otimização ONS 3
114 Geometria da PL Sejam um poliedro P definido por restrições lineares de igualdade e de desigualdade e * R n : (a) O vetor * é uma solução básica se todas as restrições de igualdade estão ativas e se há n restrições linearmente independentes ativas em *. (b) Se * é uma solução básica que satisfaz todas as restrições, então diz-se que * é uma solução básica viável. Abril-agosto 4 Modelos e métodos de otimização ONS 4
115 Geometria da PL A, B e C: soluções básicas viáveis 3 A P={(,, 3 ): 3 =,,, 3 } E D Há 3 restrições ativas nos pontos A, B, C e D. Abril-agosto 4 Modelos e métodos de otimização ONS 5 P B C Há apenas restrições ativas no ponto (viável) E.
116 Geometria da PL B A D C E P A, B, C, D, E e F são soluções básicas (duas restrições ativas linearmente independentes em cada). F C, D, E e F são soluções básicas viáveis (satisfazem todas as restrições). Abril-agosto 4 Modelos e métodos de otimização ONS 6
117 Abril-agosto 4 Modelos e métodos de otimização ONS 7 Geometria da PL, sujeito a : maimizar
118 Geometria da PL Sejam um poliedro P não-vazio e * P. Então, as seguintes afirmações são equivalentes: * é um vértice. * é um ponto etremo. * é uma solução básica viável. Dado um número finito m de desigualdades lineares, pode haver apenas um número finito de soluções básicas viáveis. m desigualdades lineares, n restrições ativas em qualquer solução básica: número de soluções básicas é limitado pelo número de maneiras que se pode escolher n restrições dentre m. Abril-agosto 4 Modelos e métodos de otimização ONS 8
119 Geometria da PL Embora o número de soluções básicas (viáveis) seja finito, ele pode ser muito grande: { R n : i, i=,...,n} Número de restrições? n Número de soluções básicas viáveis? n n = n Abril-agosto 4 Modelos e métodos de otimização ONS 9
120 Geometria da PL B A D C E P A, B, C, D, E e F são soluções básicas (duas restrições ativas linearmente independentes em cada). F Abril-agosto 4 Modelos e métodos de otimização ONS
121 Geometria da PL Duas soluções básicas são adjacentes se há n- restrições linearmente independentes comuns ativas em ambas. Se duas soluções básicas adjacentes são viáveis, diz-se que o segmento de reta que as conecta é uma aresta A do conjunto viável. E C-F é uma aresta. D B e E são adjacentes a D. P D e E são adjacentes a B. B F C Abril-agosto 4 Modelos e métodos de otimização ONS
122 Geometria da PL Considera-se agora um problema de programação linear formulado na forma canônica e P = { R n : A. = b, } o poliedro associado às suas restrições. A tem dimensão mn, onde m é o número de restrições de igualdade. Hipótese simplificadora: as m restrições são linearmente independentes. Logo, n m. Linhas linearmente dependentes de A correspondem a restrições redundantes que podem ser descartadas. Abril-agosto 4 Modelos e métodos de otimização ONS
123 Geometria da PL Em toda solução básica há n restrições ativas linearmente independentes. Toda solução básica satisfaz as m restrições de igualdade A. = b, o que provê m restrições ativas. Para totalizar as n restrições ativas linearmente independentes, é necessário tornar ativas n-m restrições de não-negatividade i, fiando em as variáveis correspondentes. Entretanto, para que as n restrições ativas sejam linearmente independentes, esta escolha não pode ser totalmente arbitrária. Abril-agosto 4 Modelos e métodos de otimização ONS 3
124 Geometria da PL Teorema: Sejam as restrições A. = b e. Assume-se que a matriz A de dimensões mn tenha suas linhas linearmente independentes. Então, um vetor R n éuma solução básica se e somente se A. = b e se eistem índices B(),..., B(m) tais que: (a) as colunas A B(),..., A B(m) são linearmente independentes. (b) se i B(),..., B(m), então i =. Abril-agosto 4 Modelos e métodos de otimização ONS 4
125 Geometria da PL Procedimento para construir soluções básicas: () Escolher m colunas linearmente independentes A B(),..., A B(m). () Fazer i = para todo i B(),..., B(m). (3) Resolver o sistema de m equações A. = b para calcular as variáveis B(),..., B(m). Se todas estas variáveis são não-negativas, então trata-se de uma solução básica viável. Abril-agosto 4 Modelos e métodos de otimização ONS 5
126 Geometria da PL Se é uma solução básica, as variáveis B(),..., B(m) são chamadas de variáveis básicas. Neste caso, as colunas A B(),..., A B(m) são chamadas de básicas e como são linearmente independentes formam uma base para R m. Colocando-se as m colunas básicas lado a lado, obtém-se uma matriz básica B de dimensão mm. Como as colunas da base são linearmente independentes, a matriz básica é inversível. Abril-agosto 4 Modelos e métodos de otimização ONS 6
127 Abril-agosto 4 Modelos e métodos de otimização ONS 7 Geometria da PL = N B [ ] N B A = = ) ( () ()... m B B B B = ) ( () ()... m B B B B [ ] ) ( () ) (... m B B B A A A B = A solução básica é determinada resolvendo-se a equação B. B = b, cuja solução única é B = B -.b.
128 Abril-agosto 4 Modelos e métodos de otimização ONS 8 Geometria da PL Sistema A. = b da forma: Colunas básicas A 4, A 5, A 6 e A 7 são linearmente independentes. =
129 Abril-agosto 4 Modelos e métodos de otimização ONS 9 Geometria da PL = Solução básica viável, pois todas as variáveis básicas são não-negativas. Matriz básica: = = = = b B B = B
130 Abril-agosto 4 Modelos e métodos de otimização ONS 3 Geometria da PL Considerando-se o mesmo sistema A. = b: Colunas básicas A 3, A 5, A 6 e A 7 também são linearmente independentes. =
131 Abril-agosto 4 Modelos e métodos de otimização ONS 3 Geometria da PL = Solução básica não-viável, pois uma variável básica é negativa. Matriz básica: = = = = / b B B = 6 B
132 Geometria da PL Soluções básicas adjacentes e bases adjacentes: Duas soluções básicas são adjacentes se eistem n- restrições linearmente independentes ativas em ambas. Duas bases são adjacentes se possuem todas as colunas básicas em comum, eceto uma. As bases {A 3, A 5, A 6, A 7 } e {A 4, A 5, A 6, A 7 } do eemplo anterior são adjacentes. Abril-agosto 4 Modelos e métodos de otimização ONS 3
133 Geometria da PL Degeneração: uma solução básica R n é degenerada se há mais de n restrições ativas em. Eemplo: ,, 3 = (,6,) solução básica viável não-degenerada (3 ativas) = (4,,) solução básica viável degenerada (4 ativas) Abril-agosto 4 Modelos e métodos de otimização ONS 33
134 Geometria da PL B: solução básica degenerada B H A D C G E P A: solução básica E: solução básica viável degenerada F F: solução básica viável não-degenerada Abril-agosto 4 Modelos e métodos de otimização ONS 34
135 Abril-agosto 4 Modelos e métodos de otimização ONS 35 Geometria da PL Degeneração na forma canônica:,,
136 Abril-agosto 4 Modelos e métodos de otimização ONS 36 Geometria da PL Inserindo-se variáveis de folga:,,,,,, = = = =
137 Abril-agosto 4 Modelos e métodos de otimização ONS 37 Geometria da PL = Base formada pelas colunas A, A, A 3 e A 7 : Fazer 4 = 5 = 6 =. Resolvendo-se o sistema B. B = b para as demais variáveis: = 4, =, 3 =, 7 = 6 Base degenerada: quatro variáves nulas, e não apenas três.
138 Geometria da PL Considera-se um problema de programação linear formulado na forma canônica e P = { R n : A. = b, } o poliedro associado às suas restrições. Sejam uma solução básica e m o número de linhas de A. O vetor é uma solução básica degenerada se mais de n-m de suas componentes são nulas. Múltiplas bases correspondem à mesma solução básica degenerada. No eemplo anterior, as bases {A,A,A 3,A 7 }, {A,A 4,A 3,A 7 }, {A,A 5,A 3,A 7 } e {A,A 6,A 3,A 7 } correspondem à mesma solução básica degenerada = 4, 3 =, 7 = 6, = 4 = 5 = 6 =. Abril-agosto 4 Modelos e métodos de otimização ONS 38
139 Geometria da PL A degeneração tem conseqüências importantes na queda de desempenho dos resolvedores de problemas de programação linear. Abril-agosto 4 Modelos e métodos de otimização ONS 39
140 Geometria da PL Nem todo poliedro tem um ponto etremo: em R A eistência de um ponto etremo depende do poliedro conter ou não uma reta infinita. Diz-se que um poliedro P R n contém uma reta se eistem um vetor P e um vetor não-nulo d R n tal que λ.d P para qualquer escalar λ. Abril-agosto 4 Modelos e métodos de otimização ONS 4
141 Geometria da PL Teorema: Suponha-se que o poliedro P = { R n : a i. b i, i=,...,m} seja não vazio. Então, as afirmações abaio são equivalentes: O poliedro P tem pelo menos um ponto etremo. O poliedro P não contém uma reta. Há n vetores da família a, a,..., a m que são linearmente independentes. Abril-agosto 4 Modelos e métodos de otimização ONS 4
142 Geometria da PL Um poliedro limitado não pode conter uma reta. O conjunto { R n : } é limitado, logo não contém uma reta. Como um poliedro na forma canônica está contido em { R n : }, ele não pode conter uma reta. Qualquer poliedro limitado não-vazio e qualquer poliedro não-vazio na forma canônica contém pelo menos um ponto etremo, ou seja, uma solução básica viável. Abril-agosto 4 Modelos e métodos de otimização ONS 4
143 Geometria da PL Teorema da otimalidade: Considera-se o problema de programação linear de minimizar a função objetivo c. sobre um poliedro P. Suponha-se que P tenha pelo menos um ponto etremo e que eista uma solução ótima. Então, eiste pelo menos uma solução ótima que é um ponto etremo de P. Abril-agosto 4 Modelos e métodos de otimização ONS 43
144 Geometria da PL Solução ótima finita única: Região viável limitada Região viável não-limitada Abril-agosto 4 Modelos e métodos de otimização ONS 44
145 Geometria da PL Soluções ótimas finitas alternativas: Região viável limitada Região viável não-limitada Abril-agosto 4 Modelos e métodos de otimização ONS 45
146 Geometria da PL Valor ótimo ilimitado: Não eiste solução ótima, pois o valor ótimo é ilimitado Abril-agosto 4 Modelos e métodos de otimização ONS 46
147 Geometria da PL Teorema da otimalidade: Considera-se o problema de programação linear de minimizar a função objetivo c. sobre um poliedro P não-vazio. Então, ou o custo ótimo é igual a - (valor ilimitado) ou eiste uma solução ótima (em um ponto etremo). Abril-agosto 4 Modelos e métodos de otimização ONS 47
148 Geometria da PL Resumindo... (a) Se o conjunto de soluções viáveis é não-vazio e limitado, então eiste uma solução ótima. Além disso, eiste uma solução ótima que é um ponto etremo. (b) Se o conjunto de soluções viáveis é ilimitado, então eiste uma solução ótima que é um ponto etremo ou o valor ótimo é -. Abril-agosto 4 Modelos e métodos de otimização ONS 48
149 Geometria da PL Resumindo... Supõe-se que o valor ótimo seja finito e que o conjunto de soluções viáveis contenha pelo menos um ponto etremo. Como há um número finito de pontos etremos, o PPL pode ser resolvido em um número finito (embora eventualmente muito grande) de passos por enumeração. Método Simple: procedimento sistemático que se move de um ponto etremo para outro, sem necessitar enumerar todos. Abril-agosto 4 Modelos e métodos de otimização ONS 49
150 Geometria da PL Resumindo... Pontos etremos estão associados a soluções básicas viáveis. Há n restrições ativas (todas as m de igualdade e n-m de desigualdade) em cada ponto etremo. Considerando-se o PPL na forma canônica, cada solução básica é obtida fiando-se (n-m) variáveis (não-básicas) em zero e calculando-se as demais resolvendo o sistema B. B = b, cuja solução é B = B -.b, onde B é a matriz formada pelas colunas associadas às variáveis básicas. Abril-agosto 4 Modelos e métodos de otimização ONS 5
151 Abril-agosto 4 Modelos e métodos de otimização ONS 5 Método Simple Variáveis: Dados: ),...,, = = = m m n m mn m m n n n n b b b b a a a a a a a a a A c c c c (... = n n Problema na forma canônica: sujeito a : minimizar.. = b A c
152 Método Simple Se um PPL na forma canônica tem uma solução ótima, então eiste uma solução básica viável (ponto etremo) que é ótima. O método Simple procura a solução ótima movendo-se de uma solução básica viável para outra através das arestas da região viável, sempre diminuindo o valor da função objetivo. O algoritmo termina ao chegar numa solução básica viável onde todas arestas levam a aumento de custo. Abril-agosto 4 Modelos e métodos de otimização ONS 5
153 Método Simple Métodos de busca local: partem de uma solução viável, procuram sempre por uma solução vizinha de menor custo e terminam quando tal solução vizinha ineiste ótimo local PPL: soluções básicas viáveis adjacentes são vizinhas. PPL: ótimo local também é ótimo global Problema: como encontrar uma uma direção (aresta) de diminuição de custo na vizinhança de uma dada solução? Abril-agosto 4 Modelos e métodos de otimização ONS 53
154 Método Simple Seja P: então, um vetor d R n éuma direção viável em se eiste um escalar θ tal que θ.d P. Abril-agosto 4 Modelos e métodos de otimização ONS 54
155 Método Simple Seja uma solução básica e B(),..., B(m) os índices das variáveis básicas. Seja ainda B = [ A A A ] B( ) B()... B( m) a matriz básica correspondente. Então, i = para qualquer variável não-básica e o vetor de variáveis básicas é dado por B() B() B = = B. b... B( m) Abril-agosto 4 Modelos e métodos de otimização ONS 55
156 Método Simple Considera-se a possibilidade de mover de para uma nova solução θ.d selecionando-se uma variável não-básica j (até então igual a zero) e aumentando-a até um valor θ, mantendo todas as demais variáveis não-básicas iguais a zero. Então, d j = e d i = para qualquer outra variável não-básica i diferente de j. O novo vetor de variáveis básicas passa a ser B θ.d B. Abril-agosto 4 Modelos e métodos de otimização ONS 56
157 Método Simple Como só nos interessam as soluções viáveis, então eigese que A.( θ.d) = b. Como é viável, A. = b. Logo, para que as restrições de igualdade sejam satisfeitas para θ >, é necessário que A.d = : = A. d = n m A = = i= i. di A i= B i d B i A ( ). ( ) j. B d B A j Como a matriz B é inversível, então a direção d B = -B -.A j. Abril-agosto 4 Modelos e métodos de otimização ONS 57
158 Método Simple A direção d assim construída é chamada de direção básica j. Mostramos que as restrições de igualdade são respeitadas quando se move ao longo desta direção d. Mas o que acontece com as restrições de não-negatividade? As demais variáveis não-básicas diferentes de j não são afetadas, continuando portanto nulas. Seja uma solução básica não-degenerada. Como B >, então B θ.d > para θ suficientemente pequeno. Abril-agosto 4 Modelos e métodos de otimização ONS 58
159 Método Simple Como varia o custo da solução a medida em que se desloca ao longo de uma direção básica? Se d é a j-ésima direção básica, a variação no custo da solução obtida após um deslocamento de valor θ ao longo de d é igual a c B.( B θ.d B ) c j.θ -c B. B.= θ.(c B.d B c j ). Como d B = -B -.A j, a taa de variação do custo por unidade da variável j ao longo da j-ésima direção básica é então igual a c j -c B.B -.A j. Abril-agosto 4 Modelos e métodos de otimização ONS 59
160 Método Simple A taa de variação do custo ao longo da j-ésima direção básica é então igual a c j -c B.B -.A j. Interpretação: c j é o custo por incremento unitário na variável j, enquanto o termo -c B.B -.A j. reflete as compensações necessárias para manter as restrições A. = b viáveis com o aumento de j. Definição: sejam uma solução básica, B a matriz básica associada e c B o vetor de custos das variáveis básicas. Define-se o custo reduzido c j da variável j como: c j = c j (c B.B - ).A j Abril-agosto 4 Modelos e métodos de otimização ONS 6
161 Método Simple Qual é o custo reduzido de uma variável básica B(i)? c B(i) = c B(i) c B.B -.A B(i) = c B(i) c B.e i = c B(i) c B(i) =, pois B -.A B(i) é igual ao produto da inversa da matriz básica pela i-ésima coluna da base, que é igual à coluna i da matriz identidade. Resumindo: c j = c j -c B.B -.A j, se j é uma variável não-básica c j =, se j éuma variável básica Abril-agosto 4 Modelos e métodos de otimização ONS 6
Algoritmo Simplex para Programação Linear I
EA Planejamento e Análise de Sistemas de Produção Algoritmo Simple para Programação Linear I DCA-FEEC-Unicamp Modelo de Programação Linear ma c ( n ) s. a. A b A ( m n) b ( m ) c ( n) P ( R n A b} Poliedro
Leia maisLorí Viali. Afiliação
Lorí Viali Licenciatura Plena em Matemática UFRGS Bacharelado em Matemática UFRGS Especialização em Formação de Pesquisadores PUCRS Mestrado em Engenharia de Produção (PO) UFSC Doutorado Sanduíche na USF
Leia maisMétodo Simplex. Marina Andretta ICMC-USP. 19 de outubro de 2016
Método Simplex 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 linear
Leia maisESCOLA POLITÉCNICA DA UNIVERSIDADE DE SÃO PAULO Departamento de Engenharia Hidráulica e Sanitária PHA Análise de Sistemas Ambientais - 09/2017
Estruturar e resolver utilizando a Programação Linear. Indique de maneira clara a função objetivo, as variáveis de decisão e as restrições. Desenhe o espaço das soluções viáveis (região factível das variáveis
Leia maisPoliedros na forma padrão
Poliedros na forma padrão 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 maisPCC173 - Otimização em Redes
PCC173 - Otimização em Redes Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 15 de maio de 2017 Marco Antonio M. Carvalho
Leia maisProgramação Linear (PL)
Programação Linear (PL) Prof. Paulo Cesar F. De Oliveira, BSc, PhD 07/08/15 P C F de Oliveira 2014 1 Características Técnicas mais utilizadas na abordagem de problemas em PO Técnica de solução programável
Leia maisExistência e otimalidade de pontos extremos
Existência e otimalidade de pontos extremos 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)
Leia maisARA Pesquisa Operacional
ARA7524 - Pesquisa Operacional Aulas 1, 2 e 3: Introdução e Modelagem Álvaro J. P. Franco 17 de agosto de 2015 Aula baseada nos livros de Chvátal, Dantzig e Thapa, CLRS, e Goldbarg e Luna Bibliografia
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 Dualidade A eoria da Dualidade é um dos mais importantes tópicos da Programação Linear (PL). Estudos
Leia maisProfessor: Rodrigo A. Scarpel
Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Pesquisa Operacional Durante a Segunda Guerra Mundial, os líderes militares solicitaram que cientistas estudassem problemas como posicionamento
Leia maisPontos extremos, vértices e soluções básicas viáveis
Pontos extremos, vértices e soluções básicas viáveis 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
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 maisAulas 2 e 3 - Modelos de Programação Linear
Aulas 2 e 3 - Modelos de Programação Linear Pesquisa Operacional I Prof. Marcos Roboredo marcos.producao.uff@gmail.com http://www.logis.uff.br/~roboredo/po1.html Programação Matemática Um modelo de programação
Leia maisCelso Carneiro Ribeiro Introdução aos Modelos e Métodos de Otimização em Pesquisa Operacional
Celso Carneiro Ribeiro Introdução aos Modelos e Métodos de Otimização em Pesquisa Operacional Parte II Programação Inteira 004 Parte II Programação inteira Origens Motivação: PL vs. PI Solução gráfica
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 maisMétodo Simplex dual. Marina Andretta ICMC-USP. 24 de outubro de 2016
Método Simplex dual Marina Andretta ICMC-USP 24 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 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 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 maisCones e raios extremos
Cones e raios extremos Marina Andretta ICMC-USP 7 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
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 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 maisMétodos Quantitativos
UNIVERSIDADE FEDERAL DE SÃO PAULO Escola Paulista de Política, Economia e Negócios Bacharelado em Ciências Contábeis Métodos Quantitativos Prof. João Vinícius de França Carvalho jvfcarvalho@gmail.com Modelo
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 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 maisPesquisa Operacional 1. Aula 5- Modelagem de problemas. Profa. Milena Estanislau Diniz 2º Semestre/2011
Universidade Federal de Ouro Preto Departamento de Engenharia de Produção- DEENP Pesquisa Operacional 1 Aula 5- Modelagem de problemas Profa. Milena Estanislau Diniz 2º Semestre/2011 Tema da aula de hoje
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 Teoria da Otimização Linear Transformação de problemas na forma padrão a a b i1 1 in n i a a b
Leia maisModelagem Matemática I
Introdução à Otimização Combinatória Modelagem Matemática I Professora: Rosiane de Freitas (rosiane@icomp.ufam.edu.br) Colaborador Bruno Raphael Cardoso Dias (bruno.dias@icomp.ufam.edu.br) Universidade
Leia maisIntrodução. Otimização Multiobjetivo. Muitas aplicações de interesse prático podem ser representadas por meio de modelos matemáticos lineares.
Introdução Prof. Eduardo Gontijo Carrano - DEE/EE/UFMG Otimização Multiobjetivo Modelagem. Muitas aplicações de interesse prático podem ser representadas por meio de modelos matemáticos lineares. Em alguns
Leia mais2 Geometria e Programação Linear
MAC-315 - Programação Linear Primeiro semestre de 2008 Prof. Marcelo Queiroz http://www.ime.usp.br/~mqz Notas de Aula 1 2 Geometria e Programação Linear 2.1 Poliedros e conjuntos convexos Alguns conceitos
Leia maisProblemas de Fluxos em Redes
Investigação Operacional Problemas de Fluxos em Redes Slide Transparências de apoio à leccionação de aulas teóricas Problemas de fluxos em redes Rede: Conjunto de pontos (vértices) ligados por linhas ou
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 Bibliografia ARENALES, ARMENTANO, MORABITO e YANASSE. Pesquisa Operacional, Campus, 2007. BERTSIMAS,
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 maisPESQUISA OPERACIONAL Definições e Teoremas Básicos. Professor Volmir Wilhelm Professora Mariana Kleina
PESQUISA OPERACIONAL Definições e Teoremas ásicos Professor Volmir Wilhelm Professora Mariana Kleina Conceitos Solução Viável Solução Não Viável Região Viável Solução ásica Solução ásica Viável Solução
Leia maisProblemas em Programação Linear Resolução e Análise de Sensibilidade
Problemas em Programação Linear Resolução e Análise de Sensibilidade 24-25 Junho 2014 Metodologias de apoio à decisão nas Ciências Agrárias Eemplo: Formulação Um agricultor pretende cultivar 80 ha de terra
Leia maisPROGRAMAÇÃO LINEAR 1. A TEORIA DA PROGRAMAÇÃO LINEAR 2. MÉTODO GRÁFICO 3. MÉTODO SIMPLEX 4. ANÁLIDE DE SENSIBILIDADE 5. APLICAÇÕES
UNIVERSIDADE FEDERAL DA BAHIA - UFBA ESCOLA POLITÉCNICA DEPARTAMENTO DE ENGENHARIA MECÂNICA DEM CURSO DE ENGENHARIA DE PRODUÇÃO PROGRAMAÇÃO LINEAR PESQUISA OPERACIONAL PARTE II 1. A TEORIA DA PROGRAMAÇÃO
Leia maisO método Simplex Aplicado ao Problema de Transporte (PT).
Prof. Geraldo Nunes Silva (Revisado por Socorro Rangel) Estas notas de aula são Baseadas no livro: Hillier, F. S. e G. J. Lieberman. Introdução à Pesquisa Operacional, Campus, a ed., 9 Agradeço a Professora
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 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 maisLema de Farkas e desigualdades lineares
Lema de Farkas e desigualdades lineares Marina Andretta ICMC-USP 30 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP)
Leia maisMétodos de Pesquisa Operacional I
Etraído de INTRODUÇÃO Á PESQUISA OPERACIONAL- Eduardo Leopoldino de Andrade LTC ( PLT 391) 1) Uma pequena manufatura produz dois modelos, Standard e Luo, de um certo produto. Cada unidade do modelo Standard
Leia maisTeoremas de dualidade
Teoremas 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 maisExemplos de modelos de PL ou PI
Exemplos de modelos de PL ou PI Prof. Eduardo Uchoa http://www.logis.uff.br/~uchoa/poi/ 1 Como funciona a PO? Toda a PO está baseada na construção de modelos matemáticos para representar de forma simplificada
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 maisAula 01: Introdução Otimização Linear e Inteira Túlio A. M. Toffolo
Aula 01: Introdução Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Slides baseados no material de Haroldo Gambini Aula de Hoje 1 Otimização 2 Pesquisa Operacional
Leia maisConceitos e Teoremas. Tecnologia da Decisão I TP065. Profª Mariana
Conceitos e Teoremas Tecnologia da Decisão I TP Profª Mariana Restrições de um PL: D= = -=J G= =I =H E=- / /= / /=A 9/ =C . ma Z s.a c a a m c a n n a mn n n n n b b m a A am a n a mn b b b m c c c n n
Leia maisIntrodução à Programação Linear
Introdução à Programação inear Caracterização É um subitem da programação matemática É um dos modelos utilizados em pesquisa operacional. É um modelo de otimização. Tem como objetivo: "Alocar recursos
Leia mais5 Análise de Sensibilidade
MAC-35 - Programação Linear Primeiro semestre de 00 Prof. Marcelo Queiroz http://www.ime.usp.br/~mqz Notas de Aula 5 Análise de Sensibilidade Neste capítulo consideramos o problema de programação linear
Leia maisPesquisa Operacional I Apresentação Geral do curso exemplos de modelagem
Pesquisa Operacional I Apresentação Geral do curso eemplos de modelagem Prof. Marcos Roboredo marcos.producao.uff@gmail.com http://www.logis.uff.br/~roboredo/po1.html Programa Introdução à Programação
Leia maisOtimização de grande porte
Otimização de grande porte Silvana Bocanegra Ciclo de Seminários BSI 204.2 Esboço Otimização: definição, aplicações e motivação; Classe de problemas de otimização e métodos de solução; Principais métodos
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 maisMarina Andretta. 10 de outubro de Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis.
Solução básica viável inicial Marina Andretta ICMC-USP 10 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
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. 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 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 maisCOS360. Luidi Simonetti
Otimização COS360 Luidi Simonetti luidi@cos.ufrj.br PESC/COPPE/UFRJ 2016 Luidi Simonetti (PESC/UFRJ) Otimização 2016 1 / 11 Problemas de Otimização Um problema de otimização é aquele onde se procura determinar
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 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 maisAULA 03 MODELOS DE PROGRAMAÇÃO LINEAR. Eduardo Camargo de Siqueira PESQUISA OPERACIONAL TECNÓLOGO EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS
AULA 03 MODELOS DE PROGRAMAÇÃO LINEAR Eduardo Camargo de Siqueira PESQUISA OPERACIONAL TECNÓLOGO EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS PROGRAMAÇÃO LINEAR A PL usa um modelo matemático para descrever
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 maisPesquisa Operacional Aula 4 Solução Gráfica em Programação Linear
Pesquisa Operacional Aula 4 Solução Gráfica em Programação Linear Prof. Marcelo Musci aula@musci.info www.musci.info Aplicável para modelos com 02 variáveis de decisão Útil para a ilustração de alguns
Leia maisPEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização
PEA MÉTODOS DE OTIMIZAÇÃO Otimização Definir claramente o problema a ser resolvido Estabelecer os limites físicos (capacidades, restrições) Definir o modelo matemático adequado PEA 8 - PLANEJAMENTO DE
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Não Linear Aula 7: Programação Não-Linear - Funções de Várias variáveis Vector Gradiente; Matriz Hessiana; Conveidade de Funções e de Conjuntos; Condições óptimas de funções irrestritas; Método
Leia maisPESQUISA OPERACIONAL 11. SOLUÇÃO ALGEBRICA O MÉTODO SIMPLEX ( ) DEFINIÇÕES REGRAS DE TRANSFORMAÇÃO. Prof. Edson Rovina Página 16
11. SOLUÇÃO ALGEBRICA O MÉTODO SIMPLEX Página 16 Após o problema ter sido modelado, pode-se resolvê-lo de forma algébrica. A solução algébrica é dada pelo método simplex elaborado por Dantzig. Antes da
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 maisProgramação Linear e Inteira, Introdução
Programação Linear e Inteira Introdução Haroldo Gambini Santos Universidade Federal de Ouro Preto 15 de agosto de 2010 1 / 25 Conteúdo 1 Introdução 2 Pesquisa Operacional 3 Prob. da Dieta 4 Método Gráco
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 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 maisPESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR MÉTODO SIMPLEX. Prof. Angelo Augusto Frozza, M.Sc.
PESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR MÉTODO SIMPLEX Prof. Angelo Augusto Frozza, M.Sc. ROTEIRO Esta aula tem por base o Capítulo 3 do livro de Taha (2008): Motivação Conceitos Matemáticos Iniciais
Leia maisPESQUISA OPERACIONAL I
PESQUISA OPERACIONAL I Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin/po-i.html Dualidade Introdução Uma das mais importantes descobertas no início do
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 maisSimplex. Transparências de apoio à leccionação de aulas teóricas. c 2011, 2009, 1998 José Fernando Oliveira, Maria Antónia Carravilla FEUP
Simplex Transparências de apoio à leccionação de aulas teóricas Versão 3 c 2011, 2009, 1998 José Fernando Oliveira, Maria Antónia Carravilla FEUP Programação Linear abordagem algébrica max sujeito a: n
Leia maisResolvendo algebricamente um PPL
Capítulo 6 Resolvendo algebricamente um PPL 6.1 O método algébrico para solução de um modelo linear A solução de problemas de programação linear com mais de duas variáveis, não pode ser obtida utilizando-se
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 maisDegenerescência. Marina Andretta ICMC-USP. 19 de outubro de 2016
Degenerescência 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 maisAulas 6 / 05 de setembro
Gabriel Coutinho DCC5 - Pesquisa Operacional - 7. Simplex Ei-lo. Aulas 6 / 5 de setembro Método Simplex Input: Uma PL e uma base viável de colunas B. Output: Uma solução ótima, ou um certificado de que
Leia maisAplicações de PL possíveis até o momento
Universidade Federal de Itajubá Instituto de Engenharia de Produção e Gestão Pesquisa Operacional Síntese Problemas Interessantes Prof. Dr. José Arnaldo Barra Montevechi Aplicações de PL possíveis até
Leia maisProgramação Linear. Dualidade
Programação Linear Dualidade Dualidade Já vimos em sala que para cada PPL existe um outro PL chamado dual, que consiste em modelar um problema que utiliza os mesmos dados que o original, mas alterando
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 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 maisUnidade II PESQUISA OPERACIONAL. Profa. Ana Carolina Bueno
Unidade II PESQUISA OPERACIONAL Profa. Ana Carolina Bueno Programação linear É um subitem da programação matemática. É um dos modelos utilizados em pesquisa operacional. Consiste em otimizar (maximizar
Leia maispontos: f(1)=2, f(2)=3, f(3)=5, f(5)=10 e f(6)=30.
EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: SEGUNDO BIMESTRE: EDGARD JAMHOUR Eemplo A: Interpolação polinomial Funções de interpolação: fa() = 2 - /2 + 2 /2 fb() = 5/2-17/12 + 2-3 /12 fc() = 23/2-1183/60 +133
Leia maisConteúdo. Introdução. Notas. Programação Linear Inteira, Introdução. Notas. Notas
Programação Linear Inteira Introdução Haroldo Gambini Santos Universidade Federal de Ouro Preto 30 de agosto de 2011 1 / 26 Conteúdo 1 Otimização 2 Pesquisa Operacional 3 Prob. da Dieta 4 Método Gráco
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisO objeto fundamental deste curso são as funções de uma variável real. As funções surgem quando uma quantidade depende de outra.
Universidade Federal Fluminense Departamento de Análise GAN0045 Matemática para Economia Professora Ana Maria Luz 00. Unidade Revisão de função de uma variável real O objeto fundamental deste curso são
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 maisPESQUISA OPERACIONAL. Prof. Carlos Norberto Vetorazzi Jr.
PESQUISA OPERACIONAL Prof. Carlos Norberto Vetorazzi Jr. 1. INTRODUÇÃO Definições : Método científico de tomada de decisão Conjunto de técnicas e ferramentas de apoio à decisão, através da modelagem matemática
Leia maisPCC173 - Otimização em Redes
PCC173 - Otimização em Redes Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 31 de maio de 2017 Marco Antonio M. Carvalho
Leia maisPesquisa Operacional. Modelos de Programação Linear. 15/10/13 UFVJM DECOM Luciana Assis
Pesquisa Operacional Modelos de Programação Linear 15/10/13 UFVJM DECOM Luciana Assis www.dcc.ufmg.br/~lpassis 1 Introdução Modelos de Programação Linear é básico para compreensão de todos os outros modelos
Leia maisCurso: Engenharia de Produção
Resolver o seguinte PPNL Ma (min) f( 1,,..., n ) s. a ( 1,,..., n ) R n Admite-se que as derivadas parciais de primeira e segunda ordens eistem e que são contínuas em todos os pontos. Sejam f() i As derivadas
Leia maisProf.: Eduardo Uchoa.
Análise de sensibilidade Prof.: Eduardo Uchoa http://www.logis.uff.br/~uchoa/poi 1 Análise de Sensibilidade Uma vez que já se tenha resolvido um PL, existem técnicas para avaliar como pequenas alterações
Leia maisMÉTODO SIMPLEX. Prof. MSc. Marcos dos Santos
MÉTODO SIMPLEX OBJETIVO DA AULA Determinar a Solução Ótima de um PPL por meio do Método Simple, especialmente adequado para problemas com mais de duas V.D. SUMÁRIO Overview sobre PO; Métodos Algébricos;
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 maisCapítulo 3. O Método Primal Simplex
Capítulo 3 O Método Primal Simplex 3.. Introdução Neste Capítulo, apresenta-se o método de resolução de problemas de programação linear mais utilizado, isto é, o método primal simplex. Assim, apresenta-se
Leia maisAnálise e Síntese de Algoritmos. Programação Linear CLRS, Cap. 29
Análise e Síntese de Algoritmos Programação Linear CLRS, Cap. 29 Conteto Algoritmos em Grafos (CLRS, Cap. 22-26)... Fluos máimos em grafos (CLRS, Cap. 26) Programação Linear (CLRS, Cap. 29) Programação
Leia maisEAD 350 Pesquisa Operacional Aula 04 Parte 1 Resolução de Exercícios
EAD 350 Pesquisa Operacional Aula 04 Parte 1 Resolução de Exercícios Profa. Adriana Backx Noronha Viana (Adapt. Material Prof. Cesar Alexandre de Souza) backx@usp.br FEA/USP Aula 3 Enunciado 4 Uma pequena
Leia maisProblema de designação
Departamento de Engenharia de Produção UFPR 48 Problema de designação Imagine, que em uma gráfica eiste uma única máquina e um único operador apto a operá-la. Como você empregaria o trabalhador? Sua resposta
Leia mais1-1 PESQUISA OPERACIONAL INTRODUÇÃO
1-1 PESQUISA OPERACIONAL INTRODUÇÃO Regra do Jogo 1-2 Provas MAN ADM 1 a Prova: 8 ou 10 de maio 2 a Prova: 12 ou14 de junho Substitutiva: 18 ou 21 de junho Média P = Média das Provas T = Média dos Testes
Leia maisPesquisa Operacional. Ementa. Prof. Edézio
Ementa Pesquisa Operacional A apresentação da PO Modelos e forma-padrão de PPL Solução gráfica de um PPL O algoritmo Simplex Teoria dos Jogos Livro texto Silva, Ermes Medeiros..et al.l., Pesquisa Operacional,
Leia mais