EXERCÍCOS DES TESTES/EXAMES DE ANOS ANTERIORES (LEGI-IST-JRF)

Documentos relacionados
Programação Linear. (1ª parte) Informática de Gestão Maria do Rosário Matos Bernardo 2016

Lista 3 - Exercícios sobre Modelagem Matemática

Pesquisa Operacional. Introdução à Pesquisa Operacional Programação Linear

Pesquisa Operacional Aula 3 Modelagem em PL

Lista 3 - Exercícios sobre Modelagem Matemática

Investigação Operacional

PROGRAMAÇÃO LINEAR E APLICAÇÕES

Pesquisa Operacional. 4x1+3x2 <=1 0 6x1 -x2 >= 20 X1 >= 0 X2 >= 0 PESQUISA OPERACIONAL PESQUISA OPERACIONAL PESQUISA OPERACIONAL PESQUISA OPERACIONAL

Programação Matemática

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº3: Dualidade. Interpretação Económica.

Max 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

Matemática. C. Requejo (UA) Métodos de Investigação Operacional MIO / 34

Faculdade de Engenharia Investigação Operacional. Prof. Doutor Engº Jorge Nhambiu

PESQUISA OPERACIONAL. Fabiano F. T. dos Santos. Instituto de Matemática e Estatística

Investigação Operacional

Programação Matemática /2011

Técnicas de Planeamento e Gestão. Folha nº. 1 Introdução à Programação Linear 2007/08

OTIMIZAÇÃO. O processo de otimização normalmente involve a procura de pontos de máximos e mínimos de uma função.

FMU Administração de Empresas Pesquisa Operacional Prof. Marcos José Traldi

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Aplicações de PL possíveis até o momento

Dualidade e Análise de Sensibilidade

max z = 10x 1 + 4x 2 s.a x 1 + x x 1 + 4x x 1 + 6x 2 300

EAD 350 Pesquisa Operacional Aula 04 Parte 1 Resolução de Exercícios

Slide 1. c 2000, 1998 José Fernando Oliveira, Maria Antónia Carravilla FEUP

Otimização. Modelagem e Solução Gráfica. Paulo Henrique Ribeiro Gabriel Faculdade de Computação Universidade Federal de Uberlândia

Modelos em Programação Linear Inteira

Faculdade de Engenharia Investigação Operacional. Prof. Doutor Engº Jorge Nhambiu

Pesquisa Operacional Aula 4 Solução Gráfica em Programação Linear

Programação Linear. Rosa Canelas 2010

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Optimização em Redes e Não Linear

Prof. Fabrício Maciel Gomes Departamento de Engenharia Química Escola de Engenharia de Lorena EEL

Cap ıtulo 1 Exerc ıcios de Formula c Enunciados

Modelagem. Tecnologia da Decisão I TP065. Profª Mariana

Investigação Operacional 2005/06 Ficha 6 Teoria da Dualidade e Problema de Transportes

Problemas envolvendo. Prof. Félix Monteiro Pereira

Programação Linear. (2ª parte) Informática de Gestão Maria do Rosário Matos Bernardo 2016

PROGRAMAÇÃO LINEAR. Tipo de problemas: cálculo do plano óptimo de distribuição de mercadorias; minimiação de desperdícios no corte de materiais;

Cap ıtulo 1 Exerc ıcios de Formula c ao Enunciados

COS360. Luidi Simonetti

x 2 (75;25) (50;40) x 1 Sendo a resposta (50;40).

Programação Linear. (3ª parte) Informática de Gestão Maria do Rosário Matos Bernardo 2016

Pesquisa Operacional. Prof. José Luiz

PROGRAMAÇÃO LINEAR 1. A TEORIA DA PROGRAMAÇÃO LINEAR 2. MÉTODO GRÁFICO 3. MÉTODO SIMPLEX 4. ANÁLIDE DE SENSIBILIDADE 5. APLICAÇÕES

Aula 03: Algoritmo Simplex (Parte 2)

Formulação de problemas de Programação Linear

Programação Matemática

Aulas 2 e 3 - Modelos de Programação Linear

PCC173 - Otimização em Redes

Programação linear I João Carlos Lourenço

Vânio Correia Domingos Massala

OTIMIZAÇÃO. O processo de otimização normalmente involve a procura de pontos de máximos e mínimos de uma função.

Complementos de Investigação Operacional. Folha nº 1 Programação Inteira 2006/07

Métodos e Medidas II

INVESTIGAÇÃO OPERACIONAL. Programação Linear. Exercícios

DISCIPLINA: Investigação Operacional ANO LECTIVO 2009/2010

Pesquisa Operacional

Complementos de Investigação Operacional. Folha nº 1 Programação Inteira 2007/08

Universidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº4 Pós-Optimização e Análise de Sensibilidade

AULA 03 MODELOS DE PROGRAMAÇÃO LINEAR. Eduardo Camargo de Siqueira PESQUISA OPERACIONAL TECNÓLOGO EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS

Pesquisa Operacional (PO)

INSTITUTO POLITÉCNICO DE SETÚBAL ESCOLA SUPERIOR DE TECNOLOGIA DEPARTAMENTO DE MATEMÁTICA INVESTIGAÇÃO OPERACIONAL

Pesquisa Operacional aula 3 Modelagem PL. Profa. Alessandra Martins Coelho

ARA Pesquisa Operacional

Fundamentos de Investigação Operacional /11 - Exercícios de Formalização 1

EAD 350 Pesquisa Operacional Aula 01 Parte 2

Programação Linear. (4ª parte) Informática de Gestão Maria do Rosário Matos Bernardo 2016

Otimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana

Controladoria e Pesquisa Operacional na Tomada de Decisões. Conteúdos. Caso ACR Motores Ltda. Caso ACR Motores Ltda. Caso ACR Motores Ltda.

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

EAD 350 Pesquisa Operacional Aula 01 Parte 2

Complementos de Investigação Operacional. Folha nº 2 Programação Multiobjectivo 2006/07

* O que originou a designação Operational Research no Reino Unido, A origem da Investigação Operacional (IO)?

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Optimização/Matemática II (Eco)

Problemas de Fluxos em Redes

Pesquisa Operacional Modelos, Conceitos Básicos para PL. Prof. Ricardo Santos

Investigação Operacional

Cap. 2 Pesquisa Operacional na Tomada de Decisão

Lista de Exercícios 1 - Otimização Linear Prof. Silvio Alexandre de Araujo. Construção de Modelos e Solução Gráfica

Programação. Linear (PL) Exemplos Típicos de Aplicação da PL

Construir o modelo matemático de programação linear dos sistemas descritos a seguir:

5. Formulação Matemática do Modelo

Assim, podemos usar o método algébrico para resolver o problema. A função objetivo atingirá o máximo num dos vértices da região admissível.

Recursos críticos disponíveis: Madeira 300 metros Horas de trabalho 110 horas

Otimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana

Tópicos Especiais em Computação I

Aula 08: Modelagem Otimização Linear e Inteira Túlio A. M. Toffolo

Exame da Época Normal Soluções Parte A (8 valores)

PESQUISA OPERACIONAL -PROGRAMAÇÃO LINEAR. Prof. Angelo Augusto Frozza, M.Sc.

II. Programação Linear (PL)

B-727 Electra Bandeirante SP Rio ,4 SP P.Alegre ,8 Tonelagem

Unidade II PESQUISA OPERACIONAL. Profa. Ana Carolina Bueno

Problema de Designação. Fernando Nogueira Problema de Designação 1

Modelos em Programação Matemática

Exame de Investigação Operacional - Época Especial 13 de Dezembro de I (4 val.)

Exemplo 3. Operação de uma albufeira. IST: Gestão Integrada de Bacias Hidrográficas Rodrigo Proença de Oliveira,

Escola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção. Resolução Gráfica. Prof. Fabrício Maciel Gomes

Método do Big M. Análise de Sensibilidade

Transcrição:

EXERCÍCOS DES TESTES/EXAMES DE ANOS ANTERIORES (LEGI-IST-JRF) 1. Nero, o Imperador romano, num momento de inspiração resolveu promover um jantar para eliminar os seus melhores inimigos. Após consultar o seu médico de confiança, soube que este dispunha de dois tipos de veneno, alfa e beta (fármacos adequados para misturar no molho de carneiro). Na farmácia encontravam-se 0,5kg de veneno de tipo alfa e 2kg de veneno de tipo beta. Para que os convidados não sentissem o sabor do veneno, era indispensável proceder a uma mistura que contemplasse (em peso) três porções do veneno alfa para cada porção do veneno beta. Uma quantidade de 12 gramas de veneno alfa ou 6 gramas de veneno beta, só por estas quantidades, podiam liquidar um homem. O efeito do veneno sobre as mulheres é 50% mais poderoso do que sobre os homens. Nero deu informação ao médico para eliminar pelo menos 20 homens e 10 mulheres! Construir um modelo de programação linear que maximize o efeito do veneno sobre os inimigos do Imperador. Variáveis de decisão: x ij número de envenenados do tipo i (homens, mulheres) pelo fármaco do tipo j (alfa, beta). Restrições funcionais: Disponibilidade do veneno: Alfa: 12x 11 + 6x 21 500 Beta: 6x 12 + 3x 22 2000 Paladar: (12x 11 + 6x 21 ) = 3(6x 12 + 3x 22 ) Número mínimo de envenenados Homens: x 11 + x 12 20 Mulheres: x 21 + x 22 10 Função objectivo: Maximizar o número total de envenenados max Z = x 11 + x 12 + x 21 + x 22 Condições de não negatividade: x 11, x 12, x 21, x 22 0 2. Uma empresa produz apenas dois produtos: cómodas e armários. Cada cómoda é composta por uma estrutura base de cómoda, três gavetas grandes e duas pequenas. Cada armário é composto por uma estrutura base de armário, duas portas e duas gavetas grandes (iguais às gavetas grandes das cómodas). Cada componente dos móveis deve ser processada nas duas secções da empresa. Os tempos de processamento são os seguintes: Secção 1 Secção 2 Estrutura base de cómoda 6 h 4 h Estrutura base de armário 6 h 8 h Gaveta pequena 2 h 2 h Gaveta grande 1 h 2 h Porta de armário 3 h 3 h

O número de horas semanais disponíveis é de 200 para a Secção 1 e de 150 para a Secção 2. Podem ainda ser adquiridas mais horas de laboração para a Secção 2, com um custo suplementar de 1 u.m. e um máximo de 80 horas. As gavetas podem ser compradas (em parte ou na totalidade) a uma outra empresa, implicando um custo suplementar de 4 u.m. por gaveta grande e de 3 u.m. por gaveta pequena. O lucro obtido com cada cómoda é de 35 u.m. e o lucro obtido com cada armário é de 45 u.m. O objectivo da empresa é maximizar o lucro. (NOTA: As formulações devem ser apresentadas e justificadas, tal como se indica nesta formulação.) Variáveis de decisão x 1 - Quantidade de cómodas a produzir; x 2 - Quantidade de armários a produzir. H - Número de horas extraordinárias a utilizar; GG - Quantidade de gavetas grandes a subcontratar ; GP - Quantidade de gavetas pequenas a subcontratar. Restrições funcionais Relembremos a composição das cómodas e dos armários: Cómoda = Estrutura tipo cómoda + 3 gavetas grandes +2 gavetas pequenas Armário = Estrutura tipo armário + 2 portas +2 gavetas grandes A produção de uma cómoda requer, em horas, da Secção 1, 6 (estrutura base) + 3 (gavetas grandes) + 4 (gavetas pequenas) = 13 h e da Secção 2, 4 (estrutura base) + 6 (gavetas grandes) + 4 (gavetas pequenas) = 14 h. Do mesmo modo, a produção de um armário, requer, em horas, da Secção 1, 6 (estrutura base) + 6 (portas) + 2 (gavetas grandes) = 14 h e da Secção 2, 8 (estrutura base) + 6 (portas) + 4 (gavetas grandes) = 18 h. Com a produção de cómodas e de armários, o número total de horas requerido da Secção 1 é então, 13x 1 + 14x 2 h e da Secção 2, 14x 1 + 18x 2 h. A disponibilidade da Secção 1 é de 200 h e da Secção 2, 150 h. Logo, temos: 13x 1 + 14x 2 200 14x 1 + 18x 2 150 No entanto, as restrições acima apenas reflectem a disponibilidade normal das secções. Existe ainda a possibilidade de utilização de horas extraordinárias, na Secção 2, e da compra de gavetas grandes e pequenas. Traduzamos as gavetas compradas em horas da seguinte forma: Gavetas grandes: 2GG na secção 1, 2GG na secção 2. Gavetas pequenas: 1GP na secção 1, 2GP na secção 2. Assim, as restrições acima são substituídas pelas seguintes: 13x 1 + 14x 2 200 + 2GG + 1GP 14x 1 + 18x 2 150 + 2GG + 2GP + H As horas extraordinárias estão limitadas a um máximo de 80 h: H 80. Restrições de não negatividade e de integralidade x 1, x 2, GG, GP, H 0 e inteiros Função objectivo

No problema pretende-se maximizar o lucro, logo a função objectivo pode ser traduzida pela diferença entre as receitas obtidas com a venda de cada um dos produtos e os custos suplementares a suportar. max z = 35x 1 + 45x 2 4GG 3GP H 3. Um determinado banco propõe 4 tipos de empréstimos aos seus clientes. As taxas anuais para os clientes são as seguintes: Empréstimo Tipo 1: 6% Empréstimo Tipo 2: 8% Empréstimo Tipo 3: 8% Empréstimo Tipo 4: 4% O total dos empréstimos que o banco pode conceder aos seus clientes é, no máximo, um montante de 25 milhões de Euros. No entanto, há certas regras que devem ser cumpridas: 1. Os empréstimos Tipo 1 devem representar pelo menos 55% do total dos empréstimos dos Tipos 1 e 2 e o seu montante (em Euros) deve ser pelo menos 25% do total de todos os empréstimos concedidos aos clientes. 2. Os empréstimos do Tipo 2 não podem ultrapassar os 25% do montante total (em Euros) de todos os empréstimos concedidos. 3. A taxa média para o banco não deverá ultrapassar os 7%. O objectivo consiste em maximizar o lucro para o banco, respeitando as restrições impostas pela gestão do próprio banco. Formule este modelo como um problema de programação linear. max Z = 0.06x 1 + 0.08x 2 + 0.08x 3 + 0.04x 4 sujeito a : x 1 + x 2 + x 3 + x 4 25 x 1 0.55(x 1 +x 2 ) x 1 0.25(x 1 + x 2 + x 3 + x 4 ) 0.06x 1 + 0.08x 2 + 0.08x 3 + 0.04x 4 0.07(x 1 + x 2 + x 3 + x 4 ) x 1, x 2, x 3, x 4 0 4. Uma fábrica desvia parte da água de um rio para utilização no seu processo produtivo. Durante este processo, dois componentes químicos poluentes, A e B, são adicionados à água, que posteriormente será devolvida ao rio. Esta água, se não for submetida a tratamento polui o rio deixando-o com níveis elevados dos poluentes mencionados. O processo produtivo não introduz alterações no fluxo de água e a adição de poluentes também não altera o volume de água no rio. As concentrações de poluentes consideradas aceitáveis pela entidade reguladora são de K 1 e K 2 gramas por milhão de litros de água por dia para os componentes A e B, respectivamente. O caudal do rio é de V milhões de litros por dia e a fábrica necessita de pelo menos U milhões de litros por dia para poder produzir. A empresa pode recorrer a três tipos de tratamento para diminuir o efeito dos poluentes. Os tratamentos têm custos diferenciados em euros/milhão de litros/dia e resultam, após aplicação, em diferentes níveis de concentração (gramas/milhão de litros) de cada um dos poluentes, tal como indicado no quadro abaixo (a 1 é a quantidade do componente A após o tratamento 1 de 1 milhão de litros de água poluída). O problema consiste em determinar a

quantidade de água a ser tratada, por cada tipo de tratamento, de modo a satisfazer as exigências ambientais e por forma a minimizar o custo total do tratamento. Poluente/Tratamento 1 2 3 A a 1 a 2 a 3 B b 1 b 2 b 3 Custo/Milhão de litros c 1 c 2 c 3 min Z = c 1 x 1 + c 2 x 2 + c 3 x 3 sujeito a: x 1 + x 2 + x 3 U x 1 + x 2 + x 3 V (a 1 x 1 + a 2 x 2 + a 3 x 3 )/V K 1 (b 1 x 1 + b 2 x 2 + b 3 x 3 )/V K 2 x 1, x 2, x 3 0 5. Um investidor dispõe de 100 u.m. para investir durante uma semana (a começar na segunda-feira). Se ele investir um certo montante x num dia, então deverá investir metade de x no dia seguinte para poder receber o dobro de x no terceiro dia. (Nota: esta regra é obrigatória porque se ele não a seguir perde a quantia investida no primeiro dia de cada um destes ciclos de investimento). Para este investidor, qual será a política de investimento óptima de modo a maximizar o capital disponível no sábado? Max z = D5+ 2x4 (maximização do capital disponível no sábado) s.a: (Aplicações = Origens) x1+ D1 = 100 x1/2 + x2+ D2= D1 x2/2 + x3+ D3 = D2+ 2x1 x3/2 + x4 + D4 = D3+ 2x2 x4/2 +D5 = D4+ 2x3 x1, x2, x3, x4, D1, D2, D3, D4, D5 0. 6. A um agricultor põe-se o problema da optimização da sua criação de aves. Este agricultor dispõe, para o período em estudo, das seguintes informações: Pode produzir K tipos de aves diferentes. É suposto que o período de criação de cada tipo de animal é de três meses aproximadamente, o que passaremos a designar por estação (o eventual desaparecimento ou morte de alguns animais é aqui negligenciado). Um animal do tipo k será vendido a um preço p k. Os preços serão garantidos por um organismo internacional.

Cada tipo de animal será exclusivamente alimentado por uma ração elaborada por J alimentos diferentes. Os animais do mesmo tipo serão alimentados pela mesma ração. O preço, no mercado, do alimento j é de c j por kg. Estes preços são impostos também por um organismo internacional. Para que o crescimento se efectue normalmente, os animais necessitam que a sua alimentação lhes forneça L nutrientes distintos. Um kg de alimento j contém uma proporção n ij do nutriente i. As necessidades de um animal do tipo k, durante todo o seu período de vida, são a ik kg do nutriente i. A criação dos animais consome r recursos disponíveis em quantidades limitadas na exploração. Um animal do tipo k consome h kr unidades do recurso r, por estação. A quantidade máxima de recurso do tipo r, disponível por estação é de h r.