Introdução Otimização e Programação Linear

Introduo
Otimizao:
Programao Linear
Marcone Jamilson Freitas Souza
Departamento de Computao
Programa de Ps-Graduao em Cincia da Computao
Universidade Federal de Ouro Preto
http://www.decom.ufop.br/prof/marcone
E-mail: marcone.freitas@yahoo.com.br
1
Roteiro
Otimizao

Introduo
Motivao
Modelagem em Programao Matemtica
Programao Linear: princpios bsicos
Programao Linear por Metas (Goal programming)
Programao Inteira: princpios bsicos
Softwares de Otimizao: LINGO / COIN-CLP / GLPK / CPLEX
Heursticas computacionais para otimizao

Conceitos bsicos
Heursticas construtivas
Heursticas clssicas de refinamento
Metaheursticas

Simulated Annealing
Variable Neighborhood Search (VNS)
Iterated Local Search (ILS)
Algoritmos Genticos
Aplicaes de tcnicas de otimizao a processos produtivos:

Alocao dinmica de caminhes

Planejamento da produo,
Controle de Ptio de Minrios
Corte de Estoque (Cutting Stock)
Seleo de projetos
Otimizao
rea da Pesquisa Operacional que utiliza o mtodo cientfico

para apoiar a tomada de decises, procurando determinar como
melhor projetar e operar um sistema, usualmente sob condies
que requerem a alocao de recursos escassos.
Trabalha com modelos determinsticos
As informaes relevantes so assumidas como conhecidas
(sem incertezas)
Aplicaes tpicas:
Mistura de minrios
Planejamento da produo
Roteirizao
Escala de pessoal
Problema de Roteamento de Veculos

(Vehicle Routing Problem)
(12)
2
(10)
12
16
(10)
3 (13)
[50]
(9)
(4)
(10)
7
5
6 (10)
10 (10)
9 (7)
13 (5)
(10)
11
8
(10)
15
14
(3)
(10)
Problema de Roteamento de Veculos

(12)
2
(10)
12
16
(10)
3 (13)
[50]
(9)
(4)
(10)
7
5
6 (10)
(10)
10
9 (7)
13 (5)
(10)
11
8
(10)
15
14
(3)
(10)
Dentre todas
as possveis
roteirizaes,
determine
aquela que
minimiza a
distncia total
5
percorrida
Escala de Motoristas (Crew Scheduling)

1

1

1

1

1
10

1
Reduo de um tripulante!
11
Programao de jogos de competies

esportivas (Sports timetabling)
INTRODUO
Montar uma tabela de jogos entre os times participantes de uma
competio esportiva
Satisfazer as restries da competio
Minimizar os custos relativos ao deslocamento dos times
12

INTRODUO
Vitria
(1)
3
1712Km
1372Km
1372Km
Atltico
586Km
3
Santos
Vitria
Atltico
(2)
3 586Km
Santos
1712Km
3090Km
1712Km
2
Grmio
Grmio
Vitria x Atltico | Grmio x Atltico | Atltico x Santos
Atltico x Vitria | Grmio x Atltico | Atltico x Santos
Distncia total percorrida: 6760 Km
Distncia total percorrida: 5382 Km
Economia = 1378 Km
13

JUSTIFICATIVA DO TRABALHO

Gastos com deslocamento

Influncia no desempenho dos times
Enquadra-se na classe de problemas NP-difceis
Nmero de tabelas possveis para uma competio envolvendo n
times confrontando-se entre si em turnos completos (Conclio &
Zuben (2002)):
(n 1)!(n 3)!(n 5)!...(n (n 1))!2
( n 1)
n
2
Competio com 20 participantes: 2,9062x10130 tabelas

possveis (aprox. 10114 anos para analisar todas as tabelas em um
computador que analisa uma tabela em 10-8 segundos)
14

PROBLEMA ABORDADO
1 Diviso do Campeonato Brasileiro de Futebol 2004, 2005 e 2006
2 Diviso do Campeonato Brasileiro de Futebol 2006
Competies realizadas em dois turnos completos e espelhados
Restries do problema
1.
2.
3.
4.
5.
6.
Dois times jogam entre si duas vezes, uma no turno e a outra no returno,
alternando-se o mando de campo entre os mesmos
Nas duas primeiras rodadas de cada turno, cada time alternar seus jogos, sendo
um em casa e o outro na casa do adversrio. Por ex.: 1 fora, 2 em casa
As duas ltimas rodadas de cada turno devem ter a configurao inversa das duas
primeiras rodadas de cada turno com relao ao mando de campo. Ex.: Penltima
em casa, ltima fora
No pode haver jogos entre times do mesmo estado na ltima rodada
A diferena entre os jogos feitos em cada turno em casa e fora de casa de um time
no pode ser maior que uma unidade
Um time no pode jogar mais que duas vezes consecutivas dentro ou fora de casa
15

RESULTADOS COMPUTACIONAIS
Melhores solues obtidas pelos mtodos

Instncias
Biajoli et al . (2004)
CBF
ILS-MRD
DIST
DIF
DIST
DIF
DIST
DIF
%MDIST %MDIF
16,61
40,89
bssp2004
905316
86610
789480
53309
754935
51199
bssp2005
838464
70655
696800
46821
16,90
33,73
bssp2006-A
658195
50769
562886
37628
14,48
25,88
bssp2006-B
998675
61454
967374
23848
3,13
61,19
Economia possvel:
Considerando o custo do quilmetro areo a R$0,70
Delegao de 20 pessoas
Campeonatos 2004 e 2005, Srie A: Aprox. R$ 2 milhes
Campeonato 2006, Srie A: Aprox. R$ 1 milho
Campeonato 2006, Srie B: Aprox. R$ 500 mil
16

Aplicao na mina Cau, Itabira (MG), da CVRD

3 ptios de estocagem de minrios
Minrios empilhados em balizas
Pilhas formadas por subprodutos com composio
qumica e granulomtrica diferentes
Objetivo compor um lote de vages ( 80),
atendendo s metas de qualidade e produo de um
dado produto
Exemplos de algumas restries operacionais:

Retomar uma pilha toda sempre que possvel

Concentrar retomada
Retomar minrio da esquerda para a direita e de cima para
baixo
17

Ptio de Estocagem Cau
18

Equipamentos de empilhamento e recuperao
Recuperadora (Bucket Wheel)
Recuperadora Tambor (Drum)
Empilhadeira (Stacker)
19

Silos de embarque
20

Programao/Simulao
21

Fe
SiO2
Al2O3
Mn
MgO
H2O
+6,3
+1,0
-0,15
LSG
4,35
0,040
1,00
0,600
11,00
37,00
LSE
3,85
0,028
0,80
0,300
6,50
8,00
27,00
META
3,60
0,022
0,70
0,150
6,50
61,00
22,00
LIE
LIG
58,00
52,00
CRIT.
CR
CR
CR
CR
Fe
SiO2
Al2O3
Mn
MgO
H2O
+6,3
+1,0
-0,15
LSG
5,10
0,059
1,80
7,50
44,00
LSE
4,50
0,043
1,40
6,50
36,00
META
4,20
0,035
1,20
0,170
6,00
53,00
32,00
LIE
LIG
65,00
-
3,70
2,70
CRIT.
CR
MI
CR
MI
CR
SECA
SFCA
22

PCCA
5,60
Teor de SiO2 (%)
5,40
5,20
LSE
5,00
Meta
4,80
Manual
4,60
Sistema
4,40
4,20
4,00
1
Lotes
23

PCCA
0,025
Teor de P (%)
0,020
LSE
0,015
Meta
Manual
0,010
Sistema
0,005
0,000
1
Lotes
24

PCCA
0,80
Teor de Al2O3 (%)
0,70
0,60
LSE
0,50
Meta
0,40
Manual
0,30
Sistema
0,20
0,10
0,00
1
Lotes
25

PCCA
0,300
Teor de Mn (%)
0,250
LSE
0,200
Meta
0,150
Manual
0,100
Sistema
0,050
0,000
1
Lotes
26

PCCA
12,00
Teor de H2O (%)
10,00
LSE
8,00
Meta
6,00
Manual
4,00
Sistema
2,00
0,00
1
Lotes
27
Carregamento de produtos em
Navios
Navio
Poro 1
Poro 2
...
Poro N
Produto 1
Produto 2
...
Produto m
28
Navios: Caractersticas do problema
Turnos de 6 horas de trabalho:

8 tipos de turnos:

7h-13h
13h-19h
19h-1h
1h-7h
Dia til (horrios normal e noturno)
Sbado (horrios normal e noturno)
Domingo (horrios normal e noturno)
Feriado (horrios normal e noturno)
Terno: equipe de trabalho atuando em um

poro durante um turno
29
Existe um certo nmero de mquinas

disponveis para fazer o carregamento
do navio: CN, CG e GB.
Cada mquina possui uma
produtividade diferente para cada tipo
de produto.
30

Produtos carregados em uma ordem

preestabelecida.
As equipes so remuneradas de acordo
com a produo (ton.).
Os custos variam de acordo com o produto
carregado e o tipo do turno em que ocorre o
terno.
O custo total dado pelo somatrio dos
custos com docas, encarregados,
guincheiros, conferentes, estivadores e
equipamento utilizado.
31

Custo do carregamento dado pelo

somatrio dos custos dos ternos
Carregamento concludo depois da data
prevista em contrato:
Carregamento concludo antes da data

prevista em contrato:
Demurrage (multa por dia de atraso)
Prmio (metade da multa)
Objetivo reduzir os custos com a mode-obra

32
Modelos de Otimizao
Programao matemtica:
Fundamentados na matemtica
Mtodos exatos: garantem a gerao da soluo tima
Mtodo mais difundido: Programao Linear (PL)
Desvantagens:

Modelagem mais complexa

Em problemas combinatrios, podem exigir um tempo proibitivo para
encontrar a soluo tima
Heursticos:
Fundamentados na Inteligncia Artificial
Mtodos aproximados: No garantem a otimalidade da soluo
final
Vantagens:

De fcil modelagem
Boas solues podem ser obtidas rapidamente
33
Modelos de Programao
Linear
Formulao algbrica:
n
otimizar
f ( x) = c j x j
j =1
funo objetivo

aij x j = bi i = 1,..., m
j =1
sujeito a
restries
x j 0 j = 1,..., n
condies de
no-negatividade
34
Linear
1.
2.
3.
As restries representam limitaes de

recursos disponveis (mo-de-obra, capital,
recursos minerais ou fatores de produo)
ou ento, exigncias e condies que
devem ser cumpridas
xj uma varivel de deciso, que quantifica
o nvel de operao da atividade j
bi representa a quantidade do i-simo
recurso disponvel ou a exigncia que deve
ser cumprida
35
Linear
4.
5.
6.
cj representa o custo associado j-sima

atividade
aij a quantidade do recurso i (exigido ou
disponvel) em uma unidade da atividade j
otimizar = maximizar ou minimizar
36
Terminologia
Soluo
Soluo vivel
Qualquer especificao de valores para as

variveis de deciso
Soluo que satisfaz a todas as restries
Soluo tima
Soluo vivel que tem o valor mais favorvel da

funo objetivo
37
Hipteses assumidas em um
modelo de programao linear
Proporcionalidade

Divisibilidade
As atividades podem ser divididas em qualquer nvel

fracionrio
Aditividade
O custo de cada atividade proporcional ao nvel de

operao da atividade
A quantidade de recursos consumidos por uma atividade
proporcional ao nvel dessa atividade
O custo total a soma das parcelas associadas a cada

atividade
Certeza
Assume-se que todos os parmetros do modelo so

constantes conhecidas
38
Problema da Mistura de
Minrios

H um conjunto de pilhas de minrio

Em cada pilha h uma composio qumica e
granulomtrica diferente (% de Fe, SiO2, Al2O3 etc.)
A cada pilha est associado um custo
necessrio formar uma mistura com uma certa
especificao
Dentre as possveis misturas que atendem a
especificao requerida, o objetivo encontrar aquela
que seja de custo mnimo
39
Problema da Mistura de
Minrios
Pilha
50% Fe
6 $/t
60% Fe
Pilha
10 $/t
Soluo 2:
1t. Pilha 1 + 1t. Pilha 2 = 2t.
Custo da mistura = $ 16
55% Fe
1t
Ferro na mistura = 55%
Pilha
1t
Mistura
requerida:
2 t., 55%
Fe
9 $/t
2t
Soluo 1:
2t. Pilha 3 = 2t. minrio
Ferro na mistura = 55%
Custo da mistura = $ 18
40
Modelo de PL para o Problema

da Mistura de Minrios
Dados de entrada:
Pilhas = Conjunto de pilhas
Parametros = Conjunto dos parmetros de controle (Teores,
Granulometria)
tij = % do parmetro de controle j em uma tonelada da pilha i
tlj = % mnimo admissvel para o parmetro j
tuj = % mximo admissvel para o parmetro j
Qui = Quantidade mxima de minrio, em toneladas, existente
na pilha i
ci = Custo, em $, de uma tonelada de minrio da pilha i
p = quantidade, em toneladas, da mistura a ser formada
Variveis de deciso:
xi = Quantidade de minrio a ser retirado da pilha i
41
Modelo de PL para o Problema da Mistura de

Minrios
min
c x
iPilhas
i i
ij i
iPilhas
m
iPilhas
tu j j Parametros
t x
x
ij i
iPilhas
iPilhas
tl j j Parametros
xi Qui i Pilhas
iPilhas
=p
xi 0 i Pilhas
% do parmetro j na mistura
no pode superar o valor
mximo permitido
% do parmetro j na mistura
no pode ser inferior ao
valor mnimo permitido
A quantidade a ser
retomada em cada pilha i
est limitada Qui
A mistura deve ter peso
total p
No-negatividade
42
Modelo de PL para o Problema da Mistura de

Minrios Linearizao das restries
c x
min
iPilhas
(t
i i
ij
tu j )xi 0 j Parametros
(t
tl j )xi 0 j Parametros
iPilhas
iPilhas
ij
xi Qui i Pilhas
iPilhas
=p
xi 0 i Pilhas
Valor do parmetro j na
mistura no pode superar o
valor mximo permitido
Valor do parmetro j na
mistura no pode ser inferior
ao valor mnimo permitido
A quantidade a ser
retomada em cada pilha i
est limitada Qui
A mistura deve ter peso
total p
No-negatividade
43
Modelo de PL para o Problema

da Mistura de Minrios
Problemas dessa modelagem de

programao linear:

Restries so rgidas
Na prtica, pode no haver soluo
Nesse caso, otimizador aplicado ao modelo
retorna que no h soluo vivel
Qual a melhor soluo invivel?
44
Programao linear por metas

(goal programming)

Permite trabalhar com restries relaxadas

mais flexvel
Cria varivel de desvio para cada restrio
que pode ser relaxada
Varivel de desvio mensura a distncia de
viabilidade e colocada na funo objetivo,
para ser minimizada
O valor mnimo da varivel de desvio
representa a meta a ser atingida
45

(goal programming)
Restries do tipo
x1 + x2 10
Desvio positivo = desvio para cima
min dp
x1 + x2 dp 10
Desvio positivo (dp):
Mede o quanto se
ultrapassou de 1046

(goal programming)
Restries do tipo
x1 + x2 10
Desvio negativo = desvio para baixo
min dn
x1 + x2 + dn 10
Desvio negativo (dn):
Mede o quanto faltou
para chegar a 1047

(goal programming)
Restries do tipo =
x1 + x2 = 10
min dp + dn
x1 + x2 dp + dn = 10
Mede o que supera 10
Mede o que falta para chegar a 10

48

(goal programming)
Dois mtodos de soluo so normalmente utilizados:

Mtodo dos pesos:

Mtodo dos pesos

Mtodo hierrquico
Forma-se uma nica funo objetivo com o somatrio ponderado das
variveis de desvio
A cada varivel de desvio associado um peso, que reflete a
importncia relativa da restrio relaxada
Mtodo hierrquico:

estabelecida, inicialmente, a hierarquia (prioridade) das metas

Resolve-se o problema com a meta de maior prioridade (isto , apenas
a varivel de desvio mais prioritria)
Resolve-se, a seguir, o problema tendo como funo objetivo uma
meta de prioridade mais baixa que a anterior, mas atribuindo o valor
timo da meta anterior varivel de desvio correspondente, isto ,
tratando a meta anterior como restrio do modelo
O procedimento executado de modo que a soluo obtida de uma
meta de prioridade mais baixa nunca degrade qualquer soluo de
prioridade mais alta
49
Modelo de PL para a Mistura de Minrios com

relaxao dos limites de especificao
Dados de entrada:


Parametros = Conjunto dos parmetros de controle




Qui = Quantidade mxima de minrio, em toneladas, existente na pilha i


wnej = Peso para o desvio negativo de especificao do parmetro j na mistura

wpej = Peso para o desvio positivo de especificao do parmetro j na mistura
Variveis de deciso:


dnej = Desvio negativo de especificao, em toneladas, do parmetro j na mistura

dpej = Desvio positivo de especificao, em toneladas, do parmetro j na mistura
50
Modelo de PL para a Mistura de Minrios com

relaxao dos limites de especificao
wpe dpe
min
jParametros
(t
iPilhas
(t
iPilhas
ij
wne dne
jParametros
tu j )xi dpe j 0 j Parametros

Desvio positivo, em
toneladas
ij
tl j )xi + dne j 0 j Parametros

Desvio negativo,
em toneladas
xi Qui i Pilhas
iPilhas
=p
xi 0 i Pilhas
dne j , dpe j 0 j Parametros
Peso associado ao
desvio negativo
Admite-se que a quantidade do

parmetro j na mistura supere em dpej
toneladas a quantidade mxima admitida
parmetro j na mistura esteja dnej
toneladas abaixo da quantidade mnima
permitida
A quantidade a ser retomada em cada
pilha i est limitada Qui
A mistura deve ter peso total p
No-negatividade
51
Problema da Mistura de Minrios com metas de qualidade

e relaxao dos limites de especificao

H um conjunto de 15 pilhas de minrio

Em cada pilha h uma composio qumica diferente (% de Fe, Al2O3 etc.)
necessrio formar 6000 toneladas de um produto com uma certa
especificao
Para cada parmetro de controle so dados os limites inferior e superior de
especificao, bem como as metas de qualidade para o produto formado
Cada parmetro de controle classificado em 5 critrios: irrelevante,
importante, muito importante, crtico e muito crtico
O peso de desvio de meta igual ao produto do peso critrio pelo peso de
comparao
O peso de comparao serve para colocar cada parmetro de controle em
uma mesma ordem de grandeza
Dentre as possveis misturas que atendem a especificao requerida, o
objetivo encontrar aquela que esteja o mais prximo possvel das metas
de qualidade
52
Mistura de Minrios com metas de qualidade e relaxao

dos limites de especificao: dados de entrada
53

dos limites de especificao: modelo de PL
Dados de entrada:






trj = % recomendada para o parmetro j



wnmj = Peso para o desvio negativo (de meta) do parmetro j na mistura

wpmj = Peso para o desvio positivo (de meta) do parmetro j na mistura

wnej = Peso para o desvio negativo (de especificao) do parmetro j na mistura

wpej = Peso para o desvio positivo (de especificao) do parmetro j na mistura
Variveis de deciso:


dnmj = Desvio negativo (de meta), em toneladas, do parmetro j na mistura

dpmj = Desvio positivo (de meta), em toneladas, do parmetro j na mistura

dnej = Desvio negativo (de especificao), em toneladas, do parmetro j na mistura

dpej = Desvio positivo (de especificao), em toneladas, do parmetro j na mistura
54

dos limites de especificao: modelo de PL
(wpe dpe
min
jParametros
tl j )xi + dne j 0 j Parametros

parmetro j na mistura seja inferior
quantidade mnima permitida em dnj ton.
trj )xi + dnm j dpm j =0 j Parametros
Admite-se que haja excesso (dpmj) ou

falta (dnmj) no parmetro j na mistura
em relao quantidade recomendada
xi Qui i Pilhas
A quantidade a ser retomada em cada

pilha i est limitada Qui
(t
iPilhas
iPilhas
+ wne j dne j + wpm j dpm j + wnm j dnm j )
tu j )xi dpe j 0 j Parametros
iPilhas
ij
Admite-se que a quantidade do parmetro

j na mistura supere a quantidade mxima
permitida em dpj ton.
(t
(t
ij
ij
iPilhas
=p
A mistura total deve ter peso total p
xi 0 i Pilhas
dne j , dpe j , dnm j , dpm j 0 j Parametros
No-negatividade
55
Resoluo grfica de PPLs

Passos para resolver graficamente um PPL:

a)
b)
c)
Determinar o gradiente da funo objetivo

(Gradiente perpendicular reta definida pela
funo objetivo)
Caminhar no sentido e direo do gradiente da
funo objetivo at tangenciar a regio vivel
O ponto de tangncia representa a soluo tima x*
56
Fundamentao do Mtodo
SIMPLEX
Seja resolver o seguinte PPL:
max
x1
x1
x1
x1
+ 2 x2
+
,
x2
x2
x2
2
2
3
0
57
Fundamentao do Mtodo
SIMPLEX
max
x2
A = (0,0)
B = (2,0)
C = (2,1)
D = (1,2)
E = (0,2)
F = (0,3)
G = (2,2)
H = (3,0)
x1 2
F
x* = (1,2), z* = 5
E
z=
x1
x1
+ 2 x2
2
+
,
x2
x2
x2
3
0
x2 2
x1
x1
C
x2
x2
+2
x1
ma
xz
=x
x1
58
Teorema Fundamental da
Programao Linear
O timo de um PPL, se existir, ocorre em pelo
menos um vrtice do conjunto de solues
viveis.
Situaes que podem ocorrer com relao ao
conjunto M de solues viveis:

1)
M = {}
Neste caso no h soluo vivel => No h soluo
tima
59
Programao Linear
2)
M no vazio
a)
M limitado
x*
nica soluo tima, a qual

vrtice
x*
y*
Infinidade de solues timas,

sendo duas vrtices
60
Programao Linear
2)
M no vazio
b)
M ilimitado
x*
nica soluo tima, a qual

vrtice
x*

sendo uma vrtice
61
Programao Linear
2)
M no vazio
b)
M ilimitado
x*
y*

sendo duas vrtices
No h solues timas
62
Forma-padro de um PPL
PPL est na forma-padro quando posto na forma:

n
(min) ou (max) z = c j x j
j =1
a x
j =1
ij
= bi i = 1,..., m
x j 0 j = 1,..., n
sendo
bi 0 i = 1,..., m
63
Reduo de um PPL qualquer

forma-padro
Restries do tipo
2 x1 + 3 x2 5
2 x1 + 3 x2 + x3 = 5
x3 0
Restries do tipo
x1 + 6 x2 7
x1 + 6 x2 x4 = 7
x4 0
64

forma-padro
Existe bi < 0
Soluo: Basta multiplicar restrio i por -1
Existem variveis no-positivas:

Seja xk 0:
Soluo: Criar varivel xk tal que xk = - xk
Assim, modelo ter varivel xk 0
65

forma-padro
Existem variveis livres, isto , variveis xk que podem

assumir qualquer valor real (negativo, nulo ou positivo):
Soluo: Substituir xk por xk xk , com xk 0 e xk 0

xk > xk xk > 0
xk = xk xk = 0
xk < xk xk < 0
PPL de maximizao:
max f(x) = - min {-f(x)}
66
Caracterizao de vrtice
max
x1
+ 2 x2
max
2
x1
x1
x2
x2
x1
x2
2
3
0
x1
+ 2 x2
x1
x1
x1
+ 0 x3
+
,
x2
x2
x2
+ 0 x4
x3
+
+ 0 x5
x3
x4
x4
+
,
x1

1 0 1 0 0 x2 2
0 1 0 1 0 x = 2
3
1 1 0 0 1 x4 3
x5
A
b
x
x5
x5
=
=
=
67
2
2
3
0
x2
A = (0,0)
B = (2,0)
C = (2,1)
D = (1,2)
E = (0,2)
F = (0,3)
G = (2,2)
H = (3,0)
x1 2
max
x1
+ 2 x2
x1
C
x1
+
x2
x1
x1
+ 0 x3
+
,
x2
x2
x2
x2 2
+ 0 x4
x3
+
+ 0 x5
x3
x4
x4
+
,
x5
x5
x1
=
=
=
68
2
2
3
0
Em um ponto no interior do conjunto (no

pertencente a nenhuma aresta) no h
variveis nulas
Em uma aresta h, pelo menos, uma varivel
nula
Em um vrtice h, pelo menos, n-m variveis
nulas
n-m
m
R
m
69
Para gerar um vrtice:

Escolher uma matriz no-singular B tal que:

BxB + RxR = b
Fazer xR = 0
Se ao resolver o sistema BxB = b, for obtido xB 0,
ento x = (xB xR)t = (xB 0)t vrtice
Deste procedimento resulta uma Soluo

Bsica Vivel (SBV), com o significado
geomtrico de vrtice.
70
Definies

B = base
x = (xB xR)t

xB = vetor das variveis bsicas

xR = vetor das variveis no-bsicas
Soluo Bsica (SB): vetor x tal que

BxB=b e xR = 0
Soluo Bsica Vivel (SBV): vetor x tal que
BxB=b; xB 0 e xR = 0
Soluo Bsica Vivel Degenerada (SBVD): uma
SBV em que existe varivel bsica nula
71
Princpio de funcionamento do
Algoritmo SIMPLEX
SBV inicial
Esta SBV pode

ser melhorada?
No
Pare: Esta SBV

tima
Sim
Determine VNB que

deve entrar na base
Determine VB que
deve deixar a base
Encontre
nova SBV
72
Algoritmo SIMPLEX
max
x1
+ 2 x2
x1
x1
x2
x2
x1
x2
2
3
0
max
x1
+ 2 x2
x1
x1
x1
+ 0 x3
+
,
+ 0 x4
+
,
=
=
=
2
2
3
0
x3
+
x2
x2
x2
+ 0 x5
x3
x4
x4
x5
x5
x1

1 0 1 0 0 x2 2
0 1 0 1 0 x = 2
3
1 1 0 0 1 x4 3
x5
73
Algoritmo SIMPLEX
VB
x1
x2
x3
x4
x5
x3
x4
x5
PPL na forma cannica: Base a identidade e coeficientes

das VBs na funo objetivo so todos nulos.
74
Algoritmo SIMPLEX
VB
x1
x2
x3
x4
x5
x3
x4
x5
VB = {x3 = 2, x4 = 2, x5 = 3}
VNB = {x1 = 0, x2 = 0}
Soluo inicial:
x(0) = (0 0 2 2 3)t ; z = 0 75
Algoritmo SIMPLEX
VB
x1
x2
x3
x4
x5
(L1)
x3
(L2)
x4
(L3)
x5
(L4)
Transformaes
L3 -L2 + L3
elementares:
L4 -2L2 + L4
76
Algoritmo SIMPLEX
VB
x1
x2
x3
x4
x5
(L1)
x3
(L2)
x2
(L3)
x5
-1
-2
z-4
(L4)
VB = {x3 = 2, x2 = 2, x5 = 1}
VNB = {x1 = 0, x4 = 0}
Final da Iterao 1:
x(1) = (0 2 2 0 1)t ; z = 4 77
Algoritmo SIMPLEX
VB
x1
x2
x3
x4
x5
(L1)
x3
(L2)
x2
(L3)
x5
-1
-2
z-4
(L4)
L1 -L3 + L1
L4 -L3 + L4
78
Algoritmo SIMPLEX
VB
x1
x2
x3
x4
x5
(L1)
x3
-1
(L2)
x2
(L3)
x1
-1
-1
-1
z-5
(L4)
VB = {x1 = 1, x2 = 2, x3 = 1}
VNB = {x4 = 0, x5 = 0}
Final da Iterao 2:
x(2) = (1 2 1 0 0)t ; z = 5 79
Interpretao geomtrica
x2
A = (0,0)
B = (2,0)
C = (1,1)
D = (1,2)
E = (0,2)
F = (0,3)
G = (2,2)
H = (3,0)
x1 2
max
x1
+ 2 x2
x1
C
x1
+
x2
x1
x1
+ 0 x3
+
,
x2
x2
x2
x2 2
+ 0 x4
x3
+
+ 0 x5
x3
x4
x4
+
,
x5
x5
x1
=
=
=
80
2
2
3
0
Situao em que a origem no pode

ser soluo inicial:
Exemplo 2
max
x1
+ 2 x2
x1
x1
x2
x2
x1
x2
2
3
0
max
x1
+ 2 x2
x1
x1
x1
+ 0 x3
+
,
+ 0 x4
=
=
=
2
2
3
0
x3
+
x2
x2
x2
+ 0 x5
x3
x4
x4
x5
x5
x1

1 0 1 0 0 x 2 2
0 1 0 1 0 x = 2
3
1 1 0 0 1 x4 3
x5
81
Mtodo das Duas Fases

x2
A = (0,0)
B = (2,0)
C = (1,1)
D = (1,2)
E = (0,2)
F = (0,3)
G = (2,2)
H = (3,0)
x1 2
max
x1
+ 2 x2
x1
C
x1
+
x2
x1
x1
+ 0 x3
+
,
x2
x2
x2
x2 2
+ 0 x4
x3
+
+ 0 x5
x3
x4
x4
x5
x5
x1
=
=
=
82
2
2
3
0

Primeira fase (Criar problema auxiliar P):

Introduzir variveis de folga e variveis artificiais

Variveis de folga: introduzidas quando h variveis do tipo ou
Variveis artificiais: introduzidas quando h restries do tipo ou =
Criar funo objetivo artificial:
z a = xia i
i

Variveis bsicas iniciais: variveis de folga associadas s

restries e variveis artificiais
Objetivo da primeira fase: minimizar a funo objetivo artificial
Caminhar de SBV em SBV de P at alcanar SBV do problema
original P (situao que ocorre quando todas as variveis artificiais
so nulas).
83

Segunda fase:
A partir de uma SBV do problema original P, gerar SBV

cada vez melhores at se atingir a soluo tima.
Aplicando o mtodo das duas fases ao PPL dado,

tem-se:
min 0 x1
max x1
+ 0 x2 + 0 x3 + 0 x4 + 0 x5 + 1x1a = z a
+ 2 x2 + 0 x3 + 0 x4 + 0 x5 + 0 x1a = z
x1
x1
x2
x2
x1
x2
+
,
x5
x1a
= 2
= 2
= 3
x5
, x1a
x3
x3
x4
x4
84

VB
x1
x2
x3
x4
x5
x 1a
(L1)
x3
(L2)
x4
(L3)
x 1a
-1
(L4)
za
(L5)
Reduo forma cannica: L4 -L3 + L4
85

VB
x1
x2
x3
x4
x5
x 1a
(L1)
x3
(L2)
x4
(L3)
x 1a
-1
(L4)
-1
-1
za -3
(L5)
L3 -L1 + L3
L4 L1 + L4
L5 -L1 + L5
86

VB
x1
x2
x3
x4
x5
x 1a
(L1)
x1
(L2)
x4
(L3)
x 1a
-1
-1
(L4)
-1
za -1
(L5)
-1
z-2
L2 -L3 + L2
L4 L3 + L4
L5 -2L3 + L5
87

VB
x1
x2
x3
x4
x5
x 1a
(L1)
x1
(L2)
x4
-1
(L3)
x2
-1
-1
(L4)
za
(L5)
-2
z-4
Fim da primeira fase: za = 0
x = (2, 1); z = 4
88

VB
x1
x2
x3
x4
x5
(L1)
x1
(L2)
x4
(L3)
x2
-1
-1
z-4
(L4)
L3 L2 + L3
L4 -2L2 + L4
89

VB
x1
x2
x3
x4
x5
(L1)
x1
(L2)
x5
(L3)
x2
-1
-2
z-6
(L4)
Soluo tima: x* = (2,2);
z* = 6
90
Mtodo das Duas Fases:

Interpretao Geomtrica
x2
A = (0,0)
B = (2,0)
C = (1,1)
D = (1,2)
E = (0,2)
F = (0,3)
G = (2,2)
H = (3,0)
x1 2
max
x1
+ 2 x2
x1
C
x1
+
x2
x1
x1
+ 0 x3
+
,
x2
x2
x2
x2 2
+ 0 x4
x3
+
+ 0 x5
x3
x4
x4
x5
x5
x1
=
=
=
91
2
2
3
0
Outro exemplo de aplicao do Mtodo

das Duas Fases:
Exemplo 3
max
x1
+ 2 x2
x1
x1
x2
x2
x1
x2
2
3
0
max
x1
+ 2 x2
x1
x1
x1
+ 0 x3
+
,
+ 0 x4
=
=
=
2
2
3
0
x3
+
x2
x2
x2
+ 0 x5
x3
x4
x4
x5
x5
x1

1 0 1 0 0 x2 2
0 1 0 1 0 x = 2
3
1 1 0 0 1 x4 3
x5
92

Exemplo 3
Introduzindo variveis artificiais no PPL dado,

tem-se:
min 0 x1 + 0 x2 + 0 x3 + 0 x4
max x1 + 2 x2 + 0 x3 + 0 x4
x1
x1
x2
x2
x1
x2
x3
+
+ 0 x5 + 1x1a + 1x2a = z a
+ 0 x5 + 0 x1a + 0 x2a = z
x3
x2a
= 2
= 2
= 3
, x2a
x1a
x4
x4
x5
x5
+
, x1a
93

VB
x1
x2
x3
x4
x5
x 1a
x 2a
(L1)
x 1a
-1
(L2)
x4
(L3)
x 2a
-1
(L4)
za
(L5)
Transf. para forma cannica:
L4 -L1 L3 + L4
94

VB
x1
x2
x3
x4
x5
x 1a
x 2a
(L1)
x 1a
-1
(L2)
x4
(L3)
x 2a
-1
(L4)
-2
-1
za -5
(L5)
L3 -L1 + L3
L4 2L1 + L4
L5 -L1 + L5
95

VB
x1
x2
x3
x4
x5
x 1a
x 2a
(L1)
x1
-1
(L2)
x4
(L3)
x 2a
-1
-1
(L4)
-1
-1
za -1
(L5)
-1
z-2
L2 -L3 + L2
L4 L3 + L4
L5 -2L3 + L5
96

VB
x1
x2
x3
x4
x5
x 1a
x 2a
(L1)
x1
-1
(L2)
x4
-1
-1
(L3)
x2
-1
-1
(L4)
za
(L5)
-1
-2
z-4
Fim da primeira fase: za = 0
x = (2, 1); z = 4
97

VB
x1
x2
x3
x4
x5
(L1)
x1
-1
(L2)
x4
-1
(L3)
x2
-1
-1
z-4
(L4)
L3 L2 + L3
L4 -2L2 + L4
98

VB
x1
x2
x3
x4
x5
(L1)
x1
-1
(L2)
x5
-1
(L3)
x2
-2
z-6
(L4)
x3 pode entrar na base melhorando o valor de z

indefinidamente. Assim, no h soluo tima.
99

Interpretao Geomtrica
x2
A = (0,0)
B = (2,0)
C = (1,1)
D = (1,2)
E = (0,2)
F = (0,3)
G = (2,2)
H = (3,0)
x1 2
max
x1
+ 2 x2
x1
C
x1
+
x2
x1
x1
+ 0 x3
+
,
x2
x2
x2
x2 2
+ 0 x4
x3
+
+ 0 x5
x3
x4
x4
x5
x5
x1
=
=
=
100
2
2
3
0
Dualidade
Seja o PPL, doravante chamado de PPL primal:
min c t x = f ( x)
s.a. : Ax b
x0
ou, na forma expandida:

n
min c j x j
j =1
n
s.a : aij x j bi i = 1,..., m

j =1
x j 0 j = 1,..., n
101
Dualidade
Associado a este PPL, existe um PPL, chamado

PPL dual:
max ub = f D ( x)
s.a. : At u t c
u0
ou, na forma expandida:
max bi ui
i =1
m
s.a : aij ui c j j = 1,..., n

i =1
ui 0 i = 1,..., m
102
Dualidade:
Regras de transformao
Primal
Dual
Restrio
qq.
Varivel
qq.
MIN
Dual
Varivel
MAX
Restrio
Primal
103
Dualidade:
Vantagens
Em situaes na qual a matriz de coeficientes

do primal tem maior nmero de linhas do que
de colunas:
Dual
A base no DUAL
menor!!!
104
Dualidade:
Vantagens
possvel cercar a soluo tima.

(Considere um PPL primal de minimizao)
f(x)
(valor do primal)
x* = u*
fD(x)
(valor do dual)
105
Dualidade:
Interpretao Econmica
Seja o par de PPLs:

n
max c j x j = f ( x)
j =1
n
s.a : aij x j bi i = 1,..., m

j =1
xj 0
min bi ui = f D (u )
i =1
m
s.a : aij ui c j j = 1,..., n

i =1
j = 1,..., n
PRIMAL
ui 0
i = 1,..., m
DUAL
106
Dualidade:
Sejam x* e u* solues timas desses PPLs e seja

B* a base relativa a essas solues. Ento:
m
f ( x ) = f D (u ) = u b = b u
*
i =1
*
i i
Supondo b varivel e derivando em relao a b,

temos:
*
f ( x )
*
=u
b
Ento u* a taxa de variao do valor timo da

funo objetivo f(x*) com b. Como u* 0, ento f(x*)
cresce medida que bi cresce
107
Dualidade:
Considere o primal um problema de alocao de

recursos, com m recursos disponveis nas
quantidades b1, b2, ..., bm com os quais desejamos
fabricar n produtos nas quantidades x1, x2, ..., xn a
serem determinadas.
Cada unidade do produto j consome aij unidades do
recurso i trazendo um retorno de cj unidades
monetrias.
Queremos determinar a quantidade a ser fabricada
de cada produto de modo a maximizar o retorno.
108
Dualidade:

Suponha, agora, aumentada em uma unidade a

quantidade disponvel do recurso k, isto , temos
(bk + 1) unidades.
Suponha que a base associada permanea a
mesma.
Neste caso, a nova soluo tima u** do dual
permanece a mesma, uma vez que:
u** = u* = (cB*)tB*-1.
A nova soluo tima x** ser:
109
Dualidade:
m
f ( x** ) = bi ui* + (bk + 1)uk*

i =1
ik
m
= b u + u = f (x ) + u
i =1
*
i i
*
k
*
k
Isto , f(x**) f(x*) = uk*, ou seja, uk* o incremento

no lucro trazido pelo aumento de uma unidade da
matria disponvel k.
uk* chamado shadow price, dual, valor incremental,
efficiency price, valor implcito, etc.
110
Anlise de Sensibilidade
(Ps-otimizao)
Seja o sistema Ax=b,com uma base B, e uma

funo objetivo f(x)
Seja o quadro genrico do Simplex em uma dada
iterao colocado na forma matricial no cannica
(xR)t (xB)t
(L1)
(L2)
xB
(cR)t (cB)t f(x)

111
(Ps-otimizao)
Para colocar esse quadro na forma cannica

devemos efetuar as seguintes transformaes
elementares: L1 B-1L1
(L1)
xB
(L2)
L2 -(cB)t L1+ L2
(xR)t
(xB)t
B-1R
B-1b
(cR)t
(cB)t
f(x)
112
(Ps-otimizao)
(L1)
(xR)t
(xB)t
B-1R
B-1b
(cR)t - (cB)tB-1R
(0)t
f(x)-(cB)tB-1b
xB
(L2)
Seja: Y = B-1R
yj = B-1aj
xB = B-1b
z = (cB)tB-1R
zj = (cB)tB-1aj
113
(Ps-otimizao)
(L1)
(L2)
xB
(xR)t
(xB)t
xB
(cR)t - z
(0)t
f(x)-f(x)
Sendo: f(x) = ctx = (cB)txB + (cR)txR =

= (cB)txB = (cB)tB-1b
114
Anlise de Sensibilidade:
Ex. 1 Carteira de Investimentos
Uma empresa gerencia recursos de terceiros atravs da escolha de carteiras de investimentos

para diversos clientes, baseados em bonds de diversas empresas. Um de seus clientes exige
que:

No mais de 25% do total aplicado deve ser investido em um nico investimento;

Um valor superior ou igual a 50% do total aplicado deve ser investido em ttulos de maturidade maiores
que 10 anos;
O total aplicado em ttulos de alto risco deve ser, no mximo, de 45% do total investido.
Considerando a tabela abaixo de retorno, risco e maturidade dos diversos ttulos, determine a
estratgia tima para o investidor de forma que a rentabilidade de sua aplicao seja mxima.
Ttulo
Retorno anual
(%)
Maturidade
(anos)
Risco
8,7
15
1 Muito baixo
9,5
12
3 Regular
12,0
4 Alto
9,0
2 Baixo
13,0
11
4 Alto
20,0
5 Muito alto
115
Carteira de Investimentos: Modelo

de Programao Matemtica
max
rendimento x
j
jTitulos
x j 0,25 j Titulos
0,50
0,45
j
jTitulos | maturidade j 10
j
jTitulos | risco j 4
jTitulos
=1
116
Anlise de sensibilidade: Carteira

de Investimentos - Questes
1.
2.
3.
4.
5.
Qual o melhor retorno que se pode obter? Quanto se deve

aplicar em cada ttulo para que se tenha o retorno timo?
Em qual percentual aumentaria o retorno se fosse permitido
aplicar 1% a mais no Ttulo 2? De quanto seria o retorno? Essa
regra vale at quanto?
A partir de qual percentual a aplicao no ttulo 3 vantajosa?
Se fosse imposto limitar a aplicao em cada ttulo em 24%
para um dentre os ttulos 2, 4 e 6, em qual ttulo deveria ser feita
a diminuio de aplicao? Justifique.
Quanto est influenciando a restrio de limitao de aplicao
em ttulo de alto risco? Qual seria o retorno se esta limitao
fosse de 49%?
117
Anlise de Sensibilidade:
Ex. 2 Produo de automveis
Uma empresa deve produzir 1000 automveis. Ela tem quatro

fbricas, as quais, devido a diferenas na mo-de-obra e avanos
tecnolgicos, as plantas diferem no custo de produo de cada
carro. Elas tambm utilizam diferentes quantidades de matriaprima e mo-de-obra. A tabela abaixo resume essas informaes:
Fbrica
Custo (R$ mil) Mo-de-Obra Mat. Prima
15
10
118
Um acordo trabalhista requer que pelo menos 400 carros sejam

produzidos na fbrica 3. Existem 3300 horas de mo-de-obra e
4000 unidades de material que podem ser alocadas s 4 fbricas. O
modelo de programao matemtica que otimiza a produo :
min
c x
j
jFabricas
MObra x TotMObra
MatPrima x TotMatPrima
jFabricas
jFabricas
j
jFabricas
= Producao
x j Acordo j j Fabricas | Acordo j 0

119
Anlise de sensibilidade:
1.
2.
3.
4.
5.
6.
7.
Quais so as quantias timas de produo? Qual o custo da

produo?
Quanto custa produzir mais um veculo? Quanto economizamos
produzindo um veculo a menos?
Como mudaria a soluo se custasse somente R$8.000,00 para
produzir na fbrica 2? Como ficaria o custo?
Quanto estamos dispostos a pagar por uma hora de trabalho?
Quanto o acordo est custando? Qual seria a variao no custo
se o acordo fosse de 250 carros?
Quanto vale a matria-prima (conseguir mais uma unidade)?
Quantas unidades estamos dispostos a pagar por esse preo?
At que custo ainda vantajoso produzir na fbrica 2?
120
Resoluo de PPLs Inteiros

Seja resolver:
max
x1
x1
+ 19 x2
+ 20 x2
50
x1
x2
20
x1
x2
Z+
cuja soluo tima (contnua) :

x1 = 18,89
x2 = 1,58 z = 48,42
121
Resoluo de PPLs Inteiros

Aplicando a estratgia de arredondamento, uma vez que os valores
timos so fracionrios, e providenciando uma busca racional no
entorno do ponto timo, teramos:
x1
x2
Z=x1+19*x2
19
Invivel
19
38
18
Invivel
18
37
No entanto, a soluo tima inteira :

x1 = 10
x2 = 2 z = 48
isto , o erro de 21% no arredondamento.
Concluso: No uma boa estratgia resolver o PPL (contnuo) e
arredondar a soluo resultante
Melhor
valor
122
Programao inteira:
Branch-and-Bound
Maximizar z = 5 x1 + 8 x2
sujeito a :
x1 + x2 6
5 x1 + 9 x2 45
Exemplo extrado de:
GOLDBARG & LUNA (2005), Otimizao
Combinatria, Editora Campus.
x1 , x2 Z
+
123
Programao inteira:
Branch-and-Bound
Soluo Contnua
9
x1 =
4
x2 =
15
4
Z= 41
1
4
Disjuntiva
15
15
x2 + 1 4 ou x2 3
4
4
124
Programao inteira:
Branch-and-Bound
x2
Solues Inteiras
z=5x1 +8x2
B
5x1 + 9x2 =45
x1 + x2 =6
x1
125
Programao inteira:
Branch-and-Bound
126
Programao inteira:
rvore de Branching
P0
x 1 =2,25 x 2 =3,75
z=41,25
x 2 3,0
x 2 4,0
P1
x 1 =3,0 x 2 =3,0
z=39
P2
x 1 =1,8 x 2 =4,0
z=41
x 1 1,0
x 1 2,0
P3
Invivel
P4
x 1 =1,0 x 2 =4,44
z=40,56
x 2 5,0
P5
x 1 =0 x 2 =5
z=40
x 1 4,0
P6
x 1 =1,0 x 2 =4,0
z=37
127
Programao inteira:
Branch-and-Bound

Resolva pelo mtodo Branch-and-Bound o PLI abaixo

Use a variante de Dank para decidir a varivel a ramificar
(Nessa variante, a varivel a ramificar aquela cujo valor est
mais prximo de um valor inteiro)
Em caso de empate, escolha a de menor ndice
Use busca em profundidade e analise primeiro o valor maior
da varivel ramificada, isto , o valor x j x j + 1
min z = 4 x1 + 3x2
8 x1 + 3x2 24
5 x1 + 6 x2 30
x1 + 2 x2 9
x1 , x2 +
128
Programao inteira:
rvore de Branching
129
Programao inteira:
rvore de Branch-and-Bound
130
Exerccios de modelagem em
programao matemtica

Problema proposto pelo Tales

Problema de transporte
Problema de alocao de pessoal (Staff Scheduling)

Problema de Corte de Estoque (Cutting Stock Problem)

Problema das bobinas

Problema da serralheria
Problema da Mochila (Knapsack Problema)

Sem hora-extra
Com hora-extra
Mochila 0-1
Mochila 0-1 Mltipla
Mochila Inteira
Mochila Inteira Mltipla
Alocao Dinmica de Caminhes

Determinao do Ritmo de Lavra
Programao da produo: dimensionamento de lotes
Seqenciamento em uma mquina com penalidades por antecipao e
atraso da produo e janelas de atendimento
131

(1)
Dados de entrada:






trj = % recomendada para o parmetro j



wnmj = Peso para o desvio negativo (relativo meta) do parmetro j na mistura

wpmj = Peso para o desvio positivo (relativo meta) do parmetro j na mistura

wpej = Peso para o desvio positivo relativo especificao do parmetro j na mistura

wnpilhai = Peso para a quantidade de minrio que resta na pilha i (peso relativo ao
desvio negativo de pilha)

wpp = Peso para o desvio positivo de produo

wnp = Peso para o desvio negativo de produo
132

(2)
Dados de entrada:

Para determinados parmetros de controle, o limite superior de especificao pode ser extrapolado,
isto , extrapolarj = 1 significa que o parmetro de controle j pode ter seu limite superior relaxado)

wpej = Peso para o desvio positivo (de limite superior) do parmetro j na mistura

Algumas pilhas no podem ser utilizadas (desconsiderari = 1 significa que a pilha i no pode ser
usada)

Se uma pilha for retomada, deve-se retomar no mnimo retmin toneladas

Deve-se tirar o mximo possvel de cada pilha i, isto , a quantidade que restar na pilha (dnpilhai)
deve ser minimizada

Algumas pilhas devem ser necessariamente retomadas, isto , retomari = 1 significa que a pilha i
deve ser totalmente usada
Variveis de deciso:


dnmj = Desvio negativo (relativo meta), em toneladas, do parmetro j na mistura

dpmj = Desvio positivo (relativo meta), em toneladas, do parmetro j na mistura

dpej = Desvio positivo (relativo ao lim. superior de especificao), em ton, do parmetro j na mistura

dnpilhai = Quantidade de minrio que sobra, em toneladas, na pilha i (Desvio negativo relativo
quantidade Qui disponvel na pilha i)

dpp = Desvio positivo de produo, em toneladas

dnp = Desvio negativo de produo, em toneladas

yi = 1 se a pilha i for retirada e zero, caso contrrio.
133
Problema da Mistura proposto pelo Tales (3)
wpm dpm
min
jParametros
iPilhas
iPilhas
ij
iPilhas
iPilhas
jParametros
i
ij
ij
tl j )xi 0 j Parametros
x + dpp dnp = p
iPilhas
dnpilhai , xi 0 i Pilhas
wpe dpe
jParametros
A quantidade do parmetro j na mistura s pode

superar a mxima permitida quando extrapolarj = 1
A quantidade do parmetro j na mistura no pode

superar a mxima permitida
A quantidade do parmetro j na mistura no pode ser

inferior mnima permitida
trj )xi + dnm j dpm j =0 j Parametros
xi Qui i Pilhas
+ ( wnp dnp + wpp dpp )
tu j )xi 0 j Parametros | extrapolarj = 0
(t
(t
wnm dnm
tu j )xi dpe j 0 j Parametros | extrapolarj = 1
ij
(t
wnpilha dnpilha
iPilhas
(t
Admite-se que haja excesso (dpmj) ou falta (dnmj) do

parmetro j na mistura em relao quantidade
recomendada
A quantidade a ser retomada em cada pilha i est
limitada Qui
A mistura deve ter como meta um peso total p
dpe j , dpm j , dnm j 0 j Parametros134
Problema da Mistura proposto pelo Tales (4)

Uma pilha i ser retomada (total ou parcialmente) se yi = 1
x
yi i i Pilhas | Qui 0
Qui
Deve-se tentar retomar totalmente a pilha i (dnpilhai representa a sobra)
xi + dnpilhai Qui yi i Pilhas

Deve-se retomar no mnimo retmin toneladas de uma pilha, caso ela seja usada
xi retmin yi i Pilhas
xi = Qui i Pilhas | retomari = 1
Quando se deseja retomar totalmente uma pilha i

tem-se xi = Qui
xi = 0 i Pilhas | desconsiderari = 1
Para as pilhas i que no se deseja retomar, xi = 0
yi {0,1} i Pilhas
135
Problema de Transporte

H um conjunto de minas
produtoras de minrio
H um conjunto de usinas
que processam os minrios
provenientes das minas
H um custo de transporte
de minrio de uma mina
para uma usina
Cada mina tem uma
capacidade de produo
mensal
Cada usina tem uma
demanda mensal
Cada mina tem um custo
fixo se for usada
Determinar a estratgia
tima de transporte
Usinas
Cap
Mina
Custo
(t/ms)
($/t)
10
13
11500 50000
14
14500 40000
6,5
10,8
12,4
13000 30000
8,5
12,7
9,8
12300 25500
Demanda
(t/ms)
10000 15400 13300
136
cap1
f1
c11
cap2
cap3
cap4
f2
f3
f4
Minas
dem1
c12
c13
dem2
dem3
Usinas
137
Dados de entrada:
Minas = Conjunto de minas
Usinas = Conjunto de usinas
capi = capacidade de produo, em toneladas/ms, da mina i
demj = quantidade de minrio demandado pela usina j, em ton/ms
fi = custo fixo de uso da mina i, em $
cij = custo de transporte de minrio proveniente da mina i para
abastecer a usina j, em $/tonelada/ms
Variveis de deciso:
xij = Quantidade de minrio, em toneladas/ms, a ser transportado
da mina i para abastecer a usina j
yi = 1 se a mina i ser usada e 0, caso contrrio
138
(Caso em que: Oferta > Demanda)
Como oferta (minas) > demanda (usinas):

1.
Toda a demanda ser atendida
Funo objetivo
Minimizar o custo de transporte mais o custo fixo pelo uso
das minas usadas
min
iMinas jUsinas
cij xij +
fy
iMinas
139
Problema de Transporte:
modelo de PL
Restries:
2.
a)
A capacidade de produo das minas deve ser respeitada
jUsinas
b)
capi i Minas
ij
Toda a demanda atendida
iMinas
ij
= dem j j Usinas
140
Problema de Transporte:
modelo de PL
c)
Uma mina s pode ser usada se houver produo
yi
d)
jUsinas
capi
ij
i Minas
No negatividade e integralidade
yi {0,1} i Minas
xij 0 i Minas, j Usinas
141
Problema de Transporte: modelo

(Caso em que Oferta < Demanda)
min
iMinas jUsinas
cij xij +
iMinas
ij
= capi i Minas
Toda a produo ofertada
ij
dem j j Usinas
Nem toda a demanda atendida
jUsinas
iMinas
xij 0 i Minas, j Usinas
142
Alocao de Pessoal
Um hospital trabalha com

atendimento varivel em demanda
durante as 24 horas do dia. As
necessidades distribuem-se
segundo a tabela ao lado.
O horrio de trabalho de um
enfermeiro de 8 horas seguidas
e s pode ser iniciado no comeo
de cada turno, isto , s 8 ou 12
ou 16 ou 20 ou 24 ou 04 horas.
Considere que cada enfermeiro
recebe $100 por hora de trabalho
no perodo diurno (08 s 20 h) e
$125 no perodo noturno (20 s
08 h).
Elabore um modelo de PLI que
minimize o gasto com a mo-deobra.
Turno
Horrio # enf.
08-12
51
12-16
58
16-20
62
20-24
41
24-04
32
04-08
19
143
Problema de Alocao de
Pessoal
Dados de entrada:
Turnos = Conjunto de turnos de trabalho
reqi = nmero de enfermeiros requeridos no turno i
ci = custo do enfermeiro que comea sua jornada no incio do
turno i, em $
Variveis de deciso:
xi = Nmero de enfermeiros que comeam sua jornada de trabalho
no incio do turno i
144
Problema de Alocao de Pessoal

Funo objetivo
Minimizar o custo com as despesas com pessoal
1.
min
c x
iTurnos
i i
Restries
2.
a)
A demanda por enfermeiros em cada turno i deve ser

atendida
xi 1 + xi reqi i Turnos
b)
No-negatividade e integralidade
xi Z + i Turnos
145
Listas Circulares no LINGO

Listas circulares so usadas para ligar o ltimo elemento de um

conjunto ao primeiro, bem como o primeiro ao ltimo. No LINGO,
pode-se usar listas circulares por meio do comando @wrap
@wrap(index,Limit) = retorna o ndice J, dado por:
J = index + kLimit
onde k um nmero inteiro tal que J pertena ao intervalo [1, Limit]
Exemplos:

@wrap(4, 7) = 4 + k 7 = 4 + 0 7 = 4
@wrap(8, 7) = 8 + k 7 = 8 + (-1) 7 = 1
@wrap(9, 7) = 9 + k 7 = 9 + (-1) 7 = 2
@wrap(0, 7) = 0 + k 7 = 0 + (1) 7 = 7
@wrap(-1, 7) = -1 + k 7 = -1 + (1) 7 = 6
@wrap(-2, 7) = -2 + k 7 = -2 + (1) 7 = 5
Assim, se i pertence ao conjunto Turnos, isto , i Turnos, ento

xi-2 seria representado no LINGO por:
x(@wrap(i-2, @size(Turnos)))
146
Pessoal com hora-extra
Um hospital trabalha com atendimento

varivel em demanda durante as 24 horas
do dia. As necessidades distribuem-se
segundo a tabela ao lado.
O horrio de trabalho de um enfermeiro de
8 horas seguidas e s pode ser iniciado no
comeo de cada turno, isto , s 8 ou 12 ou
16 ou 20 ou 24 ou 04 horas.
Considere que cada enfermeiro recebe
$100 por hora de trabalho no perodo diurno
(08 s 20 h) e $125 no perodo noturno (20
s 08 h)
Suponha que cada enfermeiro possa
trabalhar mais quatro horas consecutivas
alm de sua jornada normal de trabalho e
que a hora-extra seja remunerada em 50%
a mais que a hora normal.
Considere, tambm, que em cada turno,
no mais de 20% dos enfermeiros possa
fazer hora-extra.
Elabore um modelo de PLI que minimize o
gasto com a mo-de-obra.
Turno
Horrio # enf.
08-12
51
12-16
58
16-20
62
20-24
41
24-04
32
04-08
19
147
Pessoal com hora-extra
Dados de entrada:
Turnos = Conjunto de turnos de trabalho
reqi = nmero de enfermeiros requeridos no turno i
csemhextrai = custo do enfermeiro que comea sua jornada no incio
do turno i, em $, e no faz hora-extra
ccomhextrai = custo do enfermeiro que comea sua jornada no incio
do turno i, em $, e FAZ hora-extra
phe = percentual mximo de enfermeiros fazendo hora-extra em um
turno de trabalho
Variveis de deciso:
xi = Nmero de enfermeiros que comeam sua jornada de trabalho no
incio do turno i e NO FAZEM hora-extra
yi = Nmero de enfermeiros que comeam sua jornada de trabalho no
incio do turno i e FAZEM hora-extra
148
Problema de Alocao de Pessoal

Funo objetivo
Minimizar o custo com as despesas com pessoal
1.
min
csemhextra x + ccomhextra y
iTurnos
i i
iTurnos
Restries
2.
a)
A demanda por enfermeiros em cada turno i deve ser

atendida
xi + xi 1 + yi + yi 1 + yi 2 reqi i Turnos
b)
Em cada turno, no mais de phe (= 20%) dos enfermeiros

podem fazer hora-extra
yi 2 phe ( xi + xi 1 + yi + yi 1 + yi 2 ) i Turnos
c)
No-negatividade e integralidade
xi , yi Z + i Turnos
149
Problema de Corte de Estoque (1)

(Cutting Stock Problem)
Certa empresa trabalha com a produo de etiquetas

autocolantes. O papel usado para sua confeco encontra-se em
bobinas de mesmo comprimento, todas com largura de 50 cm.
H uma programao para a prxima semana de 32 bobinas de
15 cm, 17 bobinas de 17,5 cm e 21 bobinas de 20 cm.
150

poltica da empresa
estocar um mximo de
10 bobinas de cada tipo
(Esta ao evita a
imobilizao de capital,
uma vez que so
incertos os prximos
pedidos).
Os possveis padres
de corte estabelecidos
pelo setor tcnico so
especificados na tabela
ao lado.
Qual a programao de
corte a ser adotada que
minimiza o desperdcio
face necessidade de
produo?
Padro Largura da faixa

de
15 17,5
20
corte
cm cm
cm
Perda
(cm)
2,5
12,5
10
151

Dados de entrada:
Padroes = Conjunto dos padres de corte
Bobinas = Conjunto dos tipos de bobinas
perdai = perda, em cm, com o uso do padro de corte i
demandaj = quantidade de bobinas do tipo j requeridas
estmax = estoque mximo permitido de bobinas de cada tipo
aij = nmero de bobinas de largura j existentes no padro i
Variveis de deciso:
xi = Nmero de vezes em que se usa o padro de corte i
152

min
perda x
iPadroes
a x
ij i
iPadroes
i i
Minimizar a perda com os cortes
demanda j j Bobinas
A demanda por bobinas do

tipo j deve ser atendida
x demanda j + estmax j Bobinas
ij i
iPadroes
O excesso de bobinas
do tipo j no pode
exceder a estmax
xi Z + i Padroes
153

Relativamente ao problema anterior, suponha que se deseje minimizar,

alm da perda inerente ao processo de corte, tambm a perda com o
excesso de bobinas cortadas
Neste caso, o modelo anterior sofre a seguinte alterao:
A funo objetivo tem agora uma segunda parcela, que mede a perda
com o excesso de bobinas cortadas. Nessa parcela, para cada largura
de bobina requerida, o nmero de bobinas em excesso multiplicado
pela largura da bobina, resultando na perda em cm devido ao excesso
de bobinas cortadas.
min
perdai xi +
iPadroes
largura
a
x
demanda
j
ij i
j
jBobinas
iPadroes
154


Uma serralheria dispe de barras de 7 metros de comprimento

necessrio cortar essas barras de forma a atender a uma
encomenda por barras menores nos seguintes comprimentos:

92 barras de 2 metros
Elaborar um modelo para atender ao pedido minimizando a perda

com o corte das barras e tambm com o excesso de barras cortadas
155

Dados de entrada:
Padroes = Conjunto dos padres de corte
Barras = Conjunto dos tipos de barras a serem produzidas
perdai = perda, em cm, com o uso do padro de corte i
demandaj = quantidade de barras do tipo j requeridas
aij = nmero de barras do tipo j existentes no padro i
comprj = comprimento, em cm, da barra do tipo j
Variveis de deciso:
xi = Nmero de vezes em que se usa o padro de corte i
156

Primeiro passo: Estabelecimento dos padres de corte
Barras
Padro
2m
3m
4m
Perda
157

Segundo passo: Modelagem do problema
min perdai xi + compr j aij xi demanda j

iPadroes
jBarras
iPadroes
Perda referente aos

padres de corte
a x
ij i
iPadroes
Perda referente ao excesso de barras

produzidas
demanda j j Barras
xi Z i Padroes
158
Problema da Mochila 0-1

dado um conjunto de objetos, uma unidade de cada

H uma mochila de capacidade cap para colocar os objetos
Cada objeto tem associado um peso wj e um valor de retorno pj se for
alocado mochila
Determinar quais objetos devem ser alocados mochila de forma que o valor
de retorno seja o maior possvel
Dados de entrada:
Objetos = Conjunto dos diferentes tipos de objeto
cap = Capacidade da mochila
wj = peso (weight) do objeto j
pj = benefcio (profit) proporcionado pelo uso do objeto j
Variveis de deciso:
xj = 1 se o objeto j for alocado mochila e zero, caso contrrio
159
Problema da Mochila 0-1: modelo

de programao linear
max
pjxj
Maximizar o benefcio pelo uso dos

objetos (Levar os objetos mais valiosos)
w j x j cap
A capacidade da mochila no pode ser

superada
jObjetos
jObjetos
x j {0,1} j Objetos
Apenas uma unidade de cada objeto

pode ser alocada mochila
160
Problema da Mochila 0-1 Mltipla

Dados de entrada:
Mochilas = Conjunto dos diferentes tipos de mochila
capi = Capacidade da mochila i
Variveis de deciso:
xij = 1 se o objeto j for alocado mochila i e zero, caso contrrio
161
Problema da Mochila 0-1 Mltipla:

max
p x
iMochilas jObjetos
j ij

w j xij capi i Mochilas
jObjetos
ij
iMochilas
1 j Objetos
xij {0,1} i Mochilas, j Objetos
A capacidade de cada mochila i no

pode ser superada
Cada objeto j, se for usado, deve ser

alocado uma nica mochila i
Apenas uma unidade do objeto j pode

ser alocada mochila i
162
Problema da Mochila Inteira Mltipla

Dados de entrada:
Mochilas = Conjunto dos diferentes tipos de mochila
uj = quantidade de objetos j disponveis
capi = Capacidade da mochila i
Variveis de deciso:
xij = quantidade de objetos do tipo j alocados mochila i
163
Problema da Mochila Inteira Mltipla:

max
p x
iMochilas jObjetos
j ij
w j xij capi i Mochilas
jObjetos
ij
iMochilas
u j j Objetos
xij Z + i Mochilas, j Objetos

A capacidade de cada mochila i no

pode ser superada
Para cada objeto j s podem ser usados,

no mximo, uj unidades
A quantidade de objetos do tipo j a serem
alocados mochila do tipo i inteira
164

DESCRIO
carregadeiras
Caminho 1
Frente 1
Carregadeira 1
Caminho 2
Mistura
Frente 2
Desejada
Carregadeira 2
Caminho 3
Frente 3
frentes = minerio esteril
Caminho 4
ca min hoes
165

Funo Objetivo
Peso por desvio
negativo da
produo
Peso por desvio
negativo de meta
para o parmetro j
min
Peso por desvio

positivo de meta
para o parmetro j
j d j +
j parametros
Peso por desvio

positivo da
produo
+j d +j + P + + P+
jparametros
Desvio negativo de
meta do
parmetro j na
mistura (t/h)
Desvio positivo da
meta de produo (t/h)
Desvio positivo de
meta do
parmetro j na
Desvio negativo da
mistura (t/h) meta de produo (t/h)
166

Restries da Mistura de Minrios
Teor mximo admissvel
(t
ij
- tu j )xi 0
j parametros
iminerio
Teor mnimo admissvel
(t
ij
- tl j )xi 0
j parametros
iminerio
Teor recomendado (meta de qualidade)
( tij - trj )xi + d j d +j = 0
j parametros
iminerio
167

Restries relativas ao Ritmo de Lavra
Ritmo de lavra mximo:
i
iminerio
Pl
Ritmo de lavra mnimo:
i
iminerio
Pu
Ritmo de lavra recomendado (meta de produo):
+
x
+
P
P
= Pr
i
iminerio
168

Restrio relativa Relao
Estril/Minrio
rem
i
iminerio
iesteril
iesteril
xi
iminerio
rem
iesteril
rem
iminerio
90 (t/h)
1000 (t/h)
0,10
90 >= 100
100 (t/h)
1000 (t/h)
0,10
100 >= 100
169

Restries ligadas Alocao
das Carregadeiras (1)
Em uma frente s pode estar operando uma carregadeira, no mximo
ik
kcarregadeiras
y11 = 1
1k
F1
Cg1
=1
y12 = 0
Cg2
i frentes
y21 = 0
y22 = 1
2k
=1
F2
y13 = 0 Cg3 y23 = 0

170

Restries ligadas Alocao
das Carregadeiras (2)
Uma carregadeira pode ser alocada a uma frente, no mximo:
ik
k carregadeiras
y11 = 1
F1
i frentes
i1
=1
y12 = 0
i2
Cg1
=1
Cg2
y21 = 0
F2
y22 = 1
171

Restries relativas Produo das
Carregadeiras:
Respeito Capacidade mxima da carregadeira alocada cada frente
xi
Cu
k
kcarregadeiras
yik i frentes
Respeito Capacidade mnima da carregadeira alocada cada frente
xi
Cl y
k ik
kcarregadeiras
i frentes
172

O nmero de viagens que cada
caminho l faz cada frente i em uma
hora depende de seu tempo de ciclo:
nT
il il
60
l ca minhoes
i frentes
n11 = 3 e T11 = 10 min
n T
i1 i1
F1
n12 = 2 e T12 = 10 min
= 50 min
Ca1
n21 = 1 e T21 = 15 min
n31 = 1 e T31 = 5 min
F2
F3
n22 = 3 e T22 = 5 min
n T
i2 i2
= 55 min
Ca2
n32 = 1 e T32 = 20 min

173

Restries relativas
Compatibilidade dos Caminhes
nilTil 60
ik
kCarregadeiras |
compatibilidadelk =1
i frentes, l caminhoes
n21 = nv e T21 = 15 min
Ca1
Cgk
F2
y2k = 1
Se comp1k = 1 ento nv = 0 at 4 (60/15)

Se comp1k = 0 ento nv = 0
174

Restries relativas Produo
dos Caminhes
xi =
n cap
il
lcaminhoes
n11 = 3 e cap1 = 50 t
x1 =
n cap
1l
i frentes
Ca1
n11 = 2 e cap1 = 50 t
x2 =
= 330 t/h
F1
n21 = 2 e cap2 = 50 t
n31 = 1 e t31 = 80 t
Ca2
2l capl
= 260 t/h
F2
Ca3 n = 2 e cap = 80 t
11
1
175

Restries de Integralidade e
No-negatividade
xi 0
i frentes
yik {0,1}
i frentes, k carregadeiras
nil +
i frentes,l ca minhoes
d j ,d +j 0
j parametros
P ,P+ 0
176
Determinao do Ritmo de
Lavra
Frente 1
CO
Frente 3
CA
Frente 2
Carregador 1
Carregadeira
CO
Frente 5
Hopper
Frente 4
CO
CA
Frente 6
Carregador 2
Correia Principal
USINA
- Produo
- Qualidade
CO
177
Lavra: Dados de Entrada

Limites inferior, superior e meta dos parmetros de controle (Fe,

SiO2, Al2O3, P, etc);
Produo mnima, mxima e a meta de produo, em ton/h, para
atender a usina;
Frentes de lavra que podem ou no estar disponveis (ativadas),
com suas respectivas caractersticas qumicas, ritmos de lavra
desejados e mtodo de lavra (caminho ou correia);
Quantidade e modelos de carregadeiras disponveis;
Produtividade mnima e mxima das carregadeiras.
CA
CO
Cu (prod. max.)
fixo
varia com a DM da CAR a correia
Cl (prod. min.)
fixo
fixo
178
Lavra: Objetivos
Determinar o ritmo de lavra prximo da

meta de produo
Gerar um produto dentro de certas
especificaes e prximo s metas de
qualidade
Fazer a alocao dos equipamentos de
carga
179
Lavra: Funo MultiObjetivo
min fo =
( wdq j dnq j + wde j dne j ) +
( wdq j dpq j + wde j dpe j ) +
j parametros
j parametros
wp ( pn + pp ) + wdp ( dnp + dpp )

wdqj
wdej
dnqj
dpqj
: peso para o desvio da meta no parmetro j;

: peso para o desvio fora dos limites de especificao no parmetro j;
: desvio negativo da meta no parmetro j;
: desvio positivo da meta no parmetro j;
dnej
dpej
wp
pn
: desvio negativo abaixo do limite mnimo de especificao no parmetro j;

: desvio positivo acima do limite mximo de especificao no parmetro j;
: peso para o desvio da meta de produo;
: desvio negativo da meta de produo;
pp
wdp
dnp
dpp
: desvio positivo da meta de produo;

: peso para o desvio fora dos limites de produo;
: desvio negativo abaixo do limite mnimo de produo;
: desvio positivo acima do limite mximo de produo;
180
Determinao do Ritmo de Lavra:

Restries
Restries relativas aos limites e metas dos

parmetros de controle:
Teor do parmetro de controle j no pode superar o limite mximo de
especificao (tuj)
(( teoresij tu j ) xi ) dpe j 0 j parametros
i frentes
Teor do parmetro de controle j no pode ser menor que o limite mnimo de

especificao (tlj)
(( teoresij tl j ) xi ) + dne j 0 j parametros
i frentes
Teor do parmetro de controle j deve buscar a meta de qualidade (trj)
(( teoresij tr j ) xi ) + dnq j dpq j = 0 j parametros
i frentes
181
Lavra: Restries
Restries de Produo:
Ritmo total de lavra no pode superar o limite mximo de produo (pu)
x dpp pu
iFrentes
Ritmo total de lavra no pode ser menor que o limite mnimo de produo (pl)
x + dnp pl
i
iFrentes
Ritmo total de lavra deve buscar a meta de produo (pr)
x + pn pp = pr
i
iFrentes
182
Lavra: Restries
Restries de Produo Por Frente:

Ritmo de lavra na frente i no pode superar o limite mximo de produo da carregadeira
k na frente i (Cuik), o qual fixo se o mtodo de lavra for caminho, mas varivel de
acordo com a distncia da carregadeira correia, se o mtodo de lavra for correia
transportadora.
xi
Cu
ik
kCarregadeiras
yik i frentes
Ritmo de lavra na frente i no pode ser inferior ao limite mnimo de produo da

carregadeira k (Clk)
xi
Cl
k ik
kCarregadeiras
i frentes
183
Lavra: Restries
Restries relativas s Carregadeiras:

Em cada frente s pode haver uma carregadeira operando
ik
kCarregadeiras
1 i Frentes
O nmero de carregadeiras do modelo k utilizadas no pode ultrapassar o

nmero de carregadeiras disponveis desse modelo (carregdispk)
iFrentes
ik
CAR modelo 1
carregdispk k Carregadeiras
3 unid
y11+y21+y31+y41 <= 3
4 Frentes
184
Lavra: Restries
Restries relativas ao Ritmo de Lavra:

Quando for definido um ritmo de lavra mnimo (ritmini) para uma frente i e
ela estiver disponvel (dispfrentei), ento esse ritmo mnimo tem que ser
respeitado:
xi ritmin i dispfrentei i Frentes | ritmin i 0

Quando for definido um ritmo de lavra mximo (ritmaxi) para uma frente i
e ela estiver disponvel (dispfrentei), ento esse ritmo mximo tem que ser
respeitado:
xi ritmax i dispfrentei i Frentes | ritmin i 0
185
Lavra: Restries
Restries de Capacidade:
O ritmo de lavra total das frentes que operam com o carregador l no pode
ultrapassar a capacidade do carregador
( x | carregador = l ) capcarregador l carregadores

i
iFrentes
F1
CO
F2
CO
x1 + x2 <= 1400
Carregador 1
1400 t/h
O ritmo de lavra total das frentes que operam com caminho no pode
ultrapassar a capacidade do Hopper
(x | Mtodo de lavra da frente i caminho) caphopper
iFrentes
F4
F3
CA
Hopper
2000 t/h
CA
x3 + x4 <= 2000
186
COMPOSIO DE LOTES DE MINRIO DE FERRO DA

MINA CAU
Otimizar a coleta de minrio dos ptios de

estocagem:
Produzir solues que melhor se aproximem das

metas de qualidade estabelecidas
Ao utilizar minrio de uma pilha, tentar elimin-la,
sempre que possvel
Respeitar as restries operacionais dos ptios
187

MINA CAU
O MODELO BASEADO EM PROGRAMA
PROGRAMAO POR METAS
Parmetros do modelo
Ptio: Conjunto de ptios, no caso, Ptio = {A, B, C};
Baliza(k): Conjunto de balizas do ptio k. Para cada ptio k o nmero de balizas nb varia no intervalo [1,
nb(k)]. Para o ptio A, tem-se: Baliza (A) = {-25, -20, -15, ...,330}, isto , nb(A) = 71;
Cada pilha situada em uma dada baliza i de um dado ptio k, dividido em duas partes: uma superior,
denotada por sup, outra inferior, denotada por inf.
Eliminarijk: Parmetro que assume o valor 1 se a pilha situada na baliza i, parte j do ptio k deve ser
completamente eliminada, como desejo do operador ;
ElParcijk: Quantidade de minrio, em toneladas, a ser eliminado da parte j da baliza i do ptio k;
Quijk: Quantidade de minrio, em toneladas, existente na baliza i do ptio k, na parte j;
temijl: Parmetro que assume valor 1 se h um conjunto de pilhas contguas iniciando na baliza i, parte j, do
ptio k. Para as demais balizas, o parmetro assume o valor zero;
ncpk: Nmero mximo de conjuntos de pilhas contguas a serem retiradas do ptio k nas posies inf e sup;
S: Conjunto dos parmetros de qualidade analisados no minrio;
tijkl: Teor do parmetro l na parte j da pilha situada na baliza i do ptio k (%);
trl: Teor recomendado para o parmetro l no produto final (%);
ligl: Limite inferior de garantia, isto , teor mnimo admissvel para o parmetro l no produto final (%);
lsgl: Limite superior de garantia, isto , teor mximo admissvel para o parmetro l no produto final (%);
188

MINA CAU
PROGRAMAO POR METAS
Parmetros do modelo
Sejam os seguintes parmetros de entrada:
liel: Limite inferior de especificao, isto , teor mnimo recomendvel para o parmetro l no produto final (%);
lsel: Limite superior de especificao, isto , teor mximo recomendvel para o parmetro l no produto final
(%);
l+: Penalidade por desvio positivo em relao ao limite superior de garantia do parmetro l no produto final;
l-: Penalidade por desvio negativo em relao ao limite inferior de garantia do parmetro l no produto final;
l+: Penalidade por desvio positivo em relao ao limite superior de especificao do parmetro l no produto
final;
l-: Penalidade por desvio negativo em relao ao limite inferior de especificao do parmetro l no produto
final;
l+: Penalidade por desvio negativo em relao meta de qualidade para o parmetro l no produto final;
l-: Penalidade por desvio positivo em relao meta de qualidade para o parmetro l no produto final;
+: Penalidade por desvio negativo na meta de produo;
-: Penalidade por desvio positivo na meta de produo;
Pm : meta de produo (t);
189

MINA CAU
PROGRAMAO POR METAS
Vari
Variveis de deciso
xijk:quantidade de minrio, em toneladas, a ser retirado da parte j da baliza i do ptio k;
1 se a pilha que est na baliza i do ptio k, parte j, pode ser usada

yijk:
0 caso contrrio
1 se a pilha que est na baliza i do ptio k, parte j, ser usada
zijk:
0 caso contrrio
+
dgl : Desvio positivo do parmetro l no produto final (t) , em relao ao limite superior de garantia;
dgl-: Desvio negativo do parmetro l no produto final (t), em relao ao limite inferior de garantia;
del+: Desvio positivo do parmetro l no produto final (t) , em relao ao seu limite superior de especificao;
del-: Desvio negativo do parmetro l no produto final (t) , em relao ao seu limite inferior de especificao;
drl+: Desvio positivo do parmetro l no produto final (t) , em relao meta;
drl-: Desvio negativo do parmetro l no produto final (t) , em relao meta;
P-: Desvio negativo em relao meta de produo (t);
P+: Desvio positivo em relao meta de produo (t);
dbalizaijk: Quantidade de minrio que resta na pilha localizada na baliza i, parte j do ptio k.
190

MINA CAU
PROGRAMAO POR METAS
Funo objetivo
min
l s
+
l
dg l+ + l dg l + l+ de l+ + l de l + l+ drl + + l drl + P + + P + +
l s
dbaliza
i Baliza j Parte k Patio
l S
lS
l S
l S
ijk
Restries de Qualidade e Produo
(t
(t
kPatio iBaliza( k ) jParte
ijkl
lsg l )xijk dg l+ 0
l S
ijkl
lig l )xijk + dg l 0
l S
ijkl
lsel )xijk del+ 0
l S
ijkl
liel )xijk + del 0
l S
ijkl
trl )xijk + drl drl + = 0
l S
+ P P + = Pm
l S
(t
(t
k Patio iBaliza( k ) jParte
(t
ijk
191

MINA CAU
PROGRAMAO POR METAS
Restries de Seqenciamento Horizontal
xi 1,j,k
yijk
y ijk
Qui 1,j,k
x ijk
Qu ijk
i Baliza(k), j Parte, k Patio | i 2 e Qui-1,j,k 0

i Baliza(k), j Parte, k Patio | Quijk 0
Restries de Seqenciamento Vertical
yi ,inf,k yi +1,sup,k
i Baliza( k ), k Ptio | i nb( k ) - 1
xi +1,sup, k
y i ,inf, k
i Baliza( k ), k Ptio | Qui +1,sup, k 0 e i nb( k ) 1
Qu i +1,sup, k
Restries Para Forar Retomada Concentrada
zijk xijk
zijk
i Baliza(k), j Parte, k Ptio
xijk
i Baliza(k), j Parte, k Ptio | Quijk 0
Quijk
tem
iBaliza ( k )
i ,sup, k i ,sup, k
tem
iBaliza ( k )
i ,inf, k i ,inf, k
ncpk
k Ptio
192

MINA CAU
PROGRAMAO POR METAS
Restries Para Eliminar Parcial e Totalmente
xijk = ElParcijk
xijk = Quijk
i Baliza(k ), k Ptio, j Parte | ElParcijk 0 ,

Quijk 0 e Eliminarijk 1
i Baliza(k ), k Ptio, j Parte | Eliminarijk = 1
Restrio Para Tentar Limpar Pilha
xijk + dbalizaijk = zijk Quijk
i Baliza(k), j Parte, k Ptio
193
Programao da produo:
Dimensionamento de lotes

Empresas de manufatura fabricam diversos tipos de produtos

solicitados por diferentes clientes
Produtos devem estar prontos em datas previamente agendadas
Fbricas tm capacidade de produo limitada (mquinas, mo-deobra etc)
Necessrio se faz planejar a produo
Decidir o qu produzir, quanto produzir, isto , dimensionar os lotes de

produo, e quando produzir (em cada perodo do horizonte de
planejamento)
A necessidade de antecipao da fabricao de produtos (estocados

de um perodo para outro) acarreta custos de estocagem e algumas
dificuldades operacionais
No planejamento da produo deseja-se determinar o tamanho dos
lotes de produo para atender a demanda na data solicitada, de modo
que a soma dos custos de produo e estocagem seja mnima
194
Dimensionamento de lotes (um nico item)
Uma empresa recebe uma

encomenda para entregar
um produto ao longo de
um perodo de tempo. So
dadas para cada ms: a
demanda desse produto,
o custo de produo e o
custo de estocagem.
Considere que o estoque
no incio de 3 unidades.
Elabore um modelo de PLI
que minimize o custo total
de produo e estocagem.
Ms
Cap.
Produo
(unid)
Demanda
(unid.)
Custo
estocagem
(R$)
Custo
de
prod.
(R$)
10
9
195
Dados de entrada:

Mes = conjunto dos meses de produo

cprodt = custo de produo no ms t
cestt = custo de estoque no ms t
demandat = demanda no ms t
capt = capacidade de produo no ms t
estinicial = estoque inicial
Variveis de deciso:

xt = quantidade do produto a ser produzida no ms t

et = quantidade do produto a ser estocada no ms t
196
Funo objetivo: minimizar os custos de produo

e de estocagem
(cprod
tMes
xt + cestt et )
Restries: Conservao de fluxo no final

do ms 1:
e1 = estinicial + x1 demanda1
197
Restries: Conservao de fluxo em cada ms

t>1:
et = et 1 + xt demandat t Mes | t > 1
Restries: Respeito capacidade de

produo em cada ms t:
xt capt t Mes
198

Considere uma empresa que fabrica n produtos e deseja programar sua produo nos
prximos T perodos de tempo (= horizonte de planejamento)
conhecida a demanda de cada produto em cada perodo do horizonte de planejamento
Em cada perodo, os recursos necessrios para a produo so limitados e renovveis,
isto , uma quantidade de recursos est disponvel e no depende de como foram
utilizados nos perodos anteriores.
Exemplos de recursos renovveis: mo-de-obra, energia eltrica, horas de mquina
Exemplo de recurso no renovvel: matria-prima que sobra em um perodo e pode ser
usada nos perodos seguintes
H a possibilidade de estocagem de produtos de um perodo para outro
Dados de entrada do problema:

Variveis de deciso:

dit: demanda do item i no perodo t (i = 1, ..., n; t = 1, ..., T)

dispt: disponibilidade de recursos (renovveis) no perodo t
ri: quantidade de recursos necessrios para a produo de uma unidade do item i
cit: custo de produzir uma unidade do item i no perodo t
hit: custo de estocar uma unidade do item i no perodo t
xit: nmero de itens do tipo i produzidos no perodo t
eit: nmero de itens do tipo i em estoque no final do perodo t
Estoques iniciais do horizonte de planejamento ei0 so dados

199
Funo
objetivo:
(minimizar os custos de
produo e estocagem)
Equaes
de
conservao de estoque:
Restries
de
capacidade de produo:
min cit xit + hit eit

i =1 t =1
i =1 t =1
eit = ei ,t 1 + xit d it i = 1,..., n t = 1,..., T

n
r x
i =1
i it
dispt t = 1,..., T
Garantia de atendimento
demanda:
eit Z + i = 1,..., n t = 1,..., T
No-negatividade
integralidade:
xit Z + i = 1,..., n t = 1,..., T
200

Considere uma fbrica de pr-moldados

que produz dois tipos de vigas, cujas
demandas para as prximas 3 semanas
so conhecidas
Os produtos utilizam os mesmos tipos de
recursos, porm em quantidades diferentes
Suponha que apenas um centro de
trabalho esteja disponvel para a produo
dos dois itens, cuja disponibilidade de 40
horas por perodo e que a produo de
uma unidade do item 1 consuma 15
minutos (= 1/4 da hora) e uma unidade do
item 2 consuma 20 minutos (= 1/3 da hora)
Os custos de produo por perodo, bem
como os custos de estocagem so
conhecidos
Os estoques iniciais dos dois produtos so
nulos
Definir um plano de produo de modo que
os pedidos sejam atendidos ao menor
custo de produo e estocagem
Demanda
de vigas
Perodo 1
Perodo 2
Perodo 3
Item 1
15
90
120
Item 2
35
50
80
Custos de
produo
Perodo 1
Perodo 2
Perodo 3
Item 1
20
20
30
Item 2
20
20
30
Custos de
estocagem
Perodo 1
Perodo 2
Item 1
Item 2
2,5
3,5
201
Seqenciamento em uma mquina

Problema de seqenciamento em uma mquina

com penalidades por antecipao e atraso da
produo (PSUMAA).
Tempo de preparao de mquina dependente da
seqncia de produo;
Janelas de atendimento;
Os objetivos: reduo dos custos de manuteno
do estoque (quando a produo antecipada) e dos
custos por atraso na produo.
202
Caractersticas do PSUMAA:
Uma mquina deve processar um conjunto de n

jobs;
Cada job possui um tempo de processamento Pi,

uma data inicial Ei e uma data final Ti desejadas
para o trmino do processamento;
A mquina executa no mximo um job por vez e

uma vez iniciado o processamento de um job, o
mesmo deve ser finalizado, ou seja, no permitido
a interrupo do processamento;
203
Todos os jobs esto disponveis para

processamento na data 0;
Quando um job j seqenciado

imediatamente aps um job i, sendo estes
pertencentes a diferentes famlias de
produtos, necessrio um tempo Sij para a
preparao da mquina;
Assume-se, ainda, que a mquina no

necessita de tempo de preparao inicial;
204
permitido tempo ocioso entre a execuo de dois jobs consecutivos.
Os jobs devem ser finalizados dentro da janela de tempo [Ei, Ti],

denominada janela de entrega.

Se o job i for finalizado antes de Ei ento h um custo de manuteno de

estoque.
Caso o job seja finalizado aps Ti ento h associado um custo por atraso (que
pode ser uma multa imposta por contratos de prestao de servio), alm de
insatisfao do cliente.
Os jobs que forem finalizados dentro da janela de entrega no proporcionaro
nenhum custo para a empresa;
Os custos unitrios por antecipao e atraso da produo so

dependentes dos jobs.
Objetivo: minimizao do somatrio dos custos de antecipao e

atraso da produo.
205
Dados de Entrada:
n: nmero de jobs a serem processados;
Pi: tempo de processamento do job i;
Ei: data de incio do perodo de entrega do job i;
Ti: data de trmino do perodo de entrega do job i;
Sij: tempo de preparao da mquina necessrio para

processar job j depois do job i;
i: custos de antecipao da produo do job i por unidade

de tempo;
i: custos de atraso da produo do job i por unidade de

tempo.
206
Variveis de Deciso:

Jobs Fictcios:

si: a data de incio do processamento do job i;

ei: o tempo de antecipao do job i;
ti: o tempo de atraso do job i;
0: antecede imediatamente o primeiro job na
seqncia de produo;
n + 1: sucede imediatamente o ltimo job na
seqncia de produo;
Observao:

P0 e Pn+1 so iguais a zero,

S0i=0 e Si, n+1=0 i = 1,2,...,n.
207
Funo Objetivo
Minimizar o somatrio dos custos totais de

antecipao e atraso da produo(0)
208
Restries
Um job j s pode ser iniciado imediatamente

aps um job i, sem nenhum job intermedirio,
depois de preparar a mquina de i para j e
completado o processamento do job i:
(3)
onde:
M uma constante de valor suficientemente grande
209
Restries
(3)
Quando j sucede i (yij=1), tm-se:
Quando j no sucede i (yij=0), tm-se:
210
Restries:
Cada job j tem somente um job i imediatamente

antecessor:
(4)
Cada job i tem somente um job j imediatamente

sucessor:
(5)
211
Restries:
O tempo de antecipao ei [0, (Ei Pi si)]
determinado pelas restries:
(6)
(7)
O tempo de atraso ti [0, (si + Pi Ti )]

determinado pelas restries:
(8)
(9)
212
Problema de Seleo de Projetos Mineiros

Concorrentes
Produo
Mina 1
Projeto 1
Projeto 2
Projeto 3 . . .
Projeto n
Projeto 2
Projeto 3 . . .
Projeto n
VPL
Mina 2
Mina 3
.
.
.
Mina m
Projeto 1
Projeto 1
Projeto 2
Projeto 3 . . .
Projeto n
Meta de
Produo
Em cada mina apenas uma opo de projeto

pode ser escolhida;
O objetivo maximizar o VPL respeitando a
meta de produo.
Projeto 1
Projeto 2
Projeto 3 . . .
Projeto n
213

Concorrentes Ex. de opes de projeto por mina
214
Exemplo de Problema de Seleo de

Projetos Mineiros Concorrentes
Exemplo de VPL ($x106):
...
16
884.42 929.56 922.04
...
897.42
177.28 149.92 199.85
...
247.04
...
...
...
126.67
...
7
...
...
...
111.63 106.84 103.42
Exemplo de Produo (Mt):
...
16
40
43
43
...
45
10
10
10
...
12.5
...
...
...
...
...
...
...
215
Modelo de Programao Matemtica para o

Problema de Seleo de Projetos
Considere:
Minas: conjunto de minas;
Opcoes: conjunto de opes de projeto em cada mina;
VPLij: Valor Presente Liquido do projeto j na mina i;
prodij: produo do projeto j na mina i;
M: meta de produo;
Pfalta: penalidade por produo inferior meta estabelecida;
Pexc: penalidade por produo superior meta estabelecida.
1 caso a mina i opere com o projeto j

x =
ij 0 caso contrrio
216
Modelo de Programao Matemtica para o

Problema de Seleo de Projetos
max
VPL
ij
iMinas jProjetos
ij
jProjetos
xij Pfalta dnp Pexc dpp
= 1 i Minas
prod
iMinas jProjetos
ij
xij dpp + dnp = M
xij {0,1} i Minas, j Projetos

217
Heursticas construtivas
e de refinamento:
Fundamentao e aplicaes
Alexandre Xavier Martins
Tatiana Alves Costa
Jos Maria do Carmo Bento Alves
Frederico Augusto Coimbra Guimares
Tlio ngelo Machado Toffolo
Homepage: http://www.decom.ufop.br/prof/marcone
218
Problema do Caixeiro Viajante

Dado um conjunto de cidades e uma matriz de

distncias entre elas
PCV consiste em encontrar uma rota para um
Caixeiro Viajante tal que este:

parta de uma cidade origem

passe por todas as demais cidades uma nica vez
retorne cidade origem ao final do percurso
percorra a menor distncia possvel
Rota conhecida como ciclo hamiltoniano
219
220
221
Formulao Matemtica para o

Dados de entrada:

Variveis de deciso:

Cidades: Conjunto de cidades

dij = distncia entre as cidades i e j
xij = 1 se a aresta (i,j) ser usada; 0, caso contrrio
fij = quantidade de fluxo de i para j
Funo objetivo:
min
ij ij
iCidades jCidades
222

Restries:
1. De cada cidade i s sai uma aresta:
ij
jCidades
= 1 i Cidades
2. A cada cidade j s chega uma aresta:
ij
iCidades
= 1 j Cidades
223

3. O fluxo que chega a uma cidade i menos o que sai igual a uma unidade:
jCidades
f ji
ij
jCidades
= 1 i Cidades | i 1
f-1
4. O fluxo mximo em cada aresta igual a n-1, onde n o nmero de cidades:
fij (n 1) xij i Cidades, j Cidades

5. Integralidade e no negatividade:
f ij 0 i Cidades, j Cidades
xij {0,1} i Cidades, j Cidades
224

Complexidade

Considerando PCV simtrico (dij = dji), para n

cidades h (n-1)!/2 rotas possveis
Para n = 20 cidades, h 1016 rotas possveis. Um
computador que avalia uma rota em 10-8 segundos
gastaria cerca de 19 anos para encontrar a melhor
soluo por enumerao completa
Mtodos de enumerao implcita, tais como
branch-and-bound, embutidos em solvers, podem
reduzir significativamente este tempo
No h garantia de que isso sempre ocorra
225

Complexidade

Para dimenses mais elevadas (> 50 cidades), a resoluo por

modelos de programao matemtica proibitiva em termos de
tempos computacionais
PCV da classe NP-difcil: ainda no existem algoritmos exatos
que o resolvam em tempo polinomial
medida que n cresce, o tempo de execuo cresce
exponencialmente
PCV resolvido por meio de heursticas:

Procedimentos que seguem uma intuio para resolver

o problema (forma humana de resolver o problema,
fenmenos naturais, processos biolgicos, etc.)
No garantem a otimalidade da soluo final
Em geral, produzem solues finais de boa qualidade
rapidamente
226
Heursticas
Construtivas
Consistem em construir uma soluo passo a

passo, elemento por elemento
De refinamento
Consistem em efetuar modificaes na soluo

construda, de forma a tentar melhor-la
227
Heurstica de construo gulosa

Funcionamento:

Constri uma soluo, elemento por elemento

A cada passo adicionado um nico elemento
candidato
O candidato escolhido o melhor segundo um
certo critrio
O mtodo se encerra quando todos os elementos
candidatos foram analisados
228
Heursticas construtivas para o

Vizinho mais prximo

Idia central: Construir uma rota passo a passo,

adicionando soluo corrente a cidade mais prxima
(ainda no visitada) da ltima cidade inserida
Insero mais barata

Idia central: Construir uma rota passo a passo, partindo

de rota inicial envolvendo 3 cidades e adicionar a cada
passo, a cidade k (ainda no visitada) entre a ligao (i, j )
de cidades j visitadas, cujo custo de insero seja o mais
barato
229
PCV Vizinho mais Prximo

Exemplo - Passo 1
Cid.
dij
3
Distncia Total = 1
230

Exemplo - Passo 2
Cid.
dij
3
Distncia Total = 1 + 1 = 2
231

Exemplo - Passo 3
Cid.
dij
3
3
Distncia Total =
2+3=5
232

Exemplo - Passo 4
Cid.
dij
3
3
233

Exemplo - Passo 5
Cid.
dij
7
3
234

Exemplo Passo final: Insero forada
Cid.
1
2
7
3
235
Heurstica da Insero Mais Barata

para o Problema do Caixeiro Viajante
Insero mais barata

Idia central: Construir uma rota passo a passo,

partindo de rota inicial envolvendo 3 cidades
(obtidas por um mtodo qualquer) e adicionar a
cada passo, a cidade k (ainda no visitada) entre
a ligao (i, j ) de cidades j visitadas, cujo custo
de insero seja o mais barato
236

k
dij
Cid.
dir
dri
237

Cid.
dkj
Custo da insero = dik + dkj - dij
dik
dij
dir
dri
238
PCV Insero mais Barata

Exemplo - Passo 1
Cid.
7
2
Distncia Total = 11
239

Exemplo - Passo 2
Cid.
dik + dkj dij
1+22=1
6+52=9
6+92=3
2+97=4
5+87=6
9+27=4
9+12=8
8 + 6 2 = 12
2+62=6
1
2
7
2
240

Exemplo - Passo 3
Cid.
dik + dkj dij
6+11=6
6+41=9
1+52=4
4 + 9 2 = 11
5+87=6
9+27=4
8 + 6 2 = 12
2+62=6
2
1
7
2
241

Exemplo Passo final
Cid.
dik + dkj dij
6+41=9
4+31=6
3+95=7
9+27=4
2+62=6
2
1
5
7
9
242

Exemplo Soluo final
Cid.
2
1
s = (6 1 3 2 4 5)
243
Heursticas de refinamento

Baseadas na noo de vizinhana

A cada soluo s est associado um
conjunto de vizinhos s definidos por um
determinado tipo de movimento m
s = s m
O tipo de movimento dependente do
problema
244
No PCV, um movimento m pode ser a troca

da ordem de visita entre duas cidades
Exemplo:
Dada a soluo s = (6 1 3 2 4 5), so exemplos

de vizinhos de s:
s = (6 4 3 2 1 5)
s = (6 1 4 2 3 5)
245
PCV - Ex: Vizinhos de uma soluo s

Cid.
2
1
Distncia Total s = 20
s = (6 1 3 2 4 5)
246

Cid.
2
5
6
3
s = (6 4 3 2 1 5)
247

Cid.
2
4
5
9
2
s = (6 1 4 2 3 5)
248
Exemplos de vizinhos no Problema de

Roteamento de Veculos
(12)
2
(10)
12
16
(10)
3 (13)
[50]
(9)
(4)
(10)
7
5
6 (10)
(10)
10
9 (7)
13 (5)
(10)
11
8
(10)
15
14
(3)
(10)
Soluo s
249

(12)
2
(10)
12
16
(10)
3 (13)
[50]
(9)
(4)
(10)
7
5
6 (10)
(10)
10
9 (7)
13 (5)
(10)
11
8
(10)
15
14
(3)
(10)
Soluo s
s obtida
pela
realocao
de um
cliente de
uma rota
para outra
rota
(realocao
250
inter-rota)

(12)
2
(10)
12
16
(10)
3 (13)
[50]
(9)
(4)
(10)
7
5
6 (10)
(10)
10
9 (7)
13 (5)
(10)
11
8
(10)
15
14
(3)
(10)
Soluo s
s obtida
pela troca
de clientes
entre rotas
(movimento
inter-rotas)
(Clientes 11
e 14
mudam251de
rota)
Problema de Alocao de Salas

(Classroom Assignment Problem)

Diz respeito designao de salas para as aulas de

uma instituio de ensino
O horrio das aulas previamente conhecido
O PAS um subproblema do Problema de
Programao de Horrios (timetabling)
Pode ser tratado de forma isolada ou de forma
integrada programao de horrios
252

Restries:

No pode haver sobreposio de turmas;

As salas tm que comportar as turmas etc.
Objetivos:
Manter as aulas de uma mesma turma em uma mesma

sala ao longo da semana;
Minimizar o fluxo de alunos mudando de sala aps uma
aula;
Sempre que possvel, alocar a uma mesma sala alunos de
um mesmo curso e perodo etc.
253

Movimento de Realocao
254

Movimento de Troca
255

Algumas possveis estruturas de vizinhana:
N1(s) = {s | s s movimento de realocao}
N2(s) = {s | s s movimento de troca}
N(s) = {s | s s mov. de realocao ou troca}
256
Planejamento Operacional de Lavra com

Representao de uma Soluo
CARGA
Cam1
Cam2
...
CamV
F1
(Car2, 0)
...
F2
(D, 0)
...
F3
(Car1, 1)
...
...
...
...
...
...
...
FF
(Car5, 1)
...
3
257

Seis tipos de movimentos para explorar o espao de

solues:

Movimento Carga
Movimento Nmero de Viagens
Movimento Realocar Viagem de um Caminho
Movimento Realocar Viagem a uma Frente
Movimento Operao Caminho
Movimento Operao Frente
Cada movimento define um tipo de vizinhana
258

Vizinhana NCG
Movimento Carga - NCG(s)

Carga
Carga
F1
(Car1,1)
F1
(Car1,1)
F2
(D,0)
F2
(Car4,1)
F3
(Car3,0)
F3
(Car3,0)
F4
(Car4,1)
F4
(D,0)
259

Vizinhana NOF
Movimento Operao Frente - NOF(s)
Desativar operao de uma carregadeira alocada a uma frente
Carga
Carga
F1
(Car1,1)
F1
(Car1,0)
F2
(D,0)
F2
(D,0)
F3
(Car3,0)
F3
(Car3,0)
F4
(Car4,1)
F4
(Car4,1)
Ativar operao de uma carregadeira alocada a uma frente
Carga
Carga
F1
(Car1,1)
F1
(Car1,0)
F2
(D,0)
F2
(D,0)
F3
(Car3,0)
F3
(Car3,1)
F4
(Car4,1)
F4
(Car4,1)
260

Vizinhana NNV
Movimento Nmero de Viagens - NNV(s)
Decrscimo no nmero de viagens de um caminho a uma frente
Carga
Cam1 Cam2
F1
F2
(Car1,1)
(D,0)
6
0
X
0
F3
(Car3,0)
F4
(Car4,1)
Carga
-1
Cam1 Cam2
F1
F2
(Car1,1)
(D,0)
5
0
X
0
F3
(Car3,0)
F4
(Car4,1)
Acrscimo no nmero de viagens de um caminho a uma frente

Carga
Cam1 Cam2
F1
F2
(Car1,1)
(D,0)
6
0
X
0
F3
(Car3,0)
F4
(Car4,1)
Carga
+1
Cam1 Cam2
F1
F2
(Car1,1)
(D,0)
6
0
X
0
F3
(Car3,0)
F4
(Car4,1)
261

Vizinhana NVC
Movimento Realocar Viagem de um
Caminho - NVC(s)
Carga
Cam1 Cam2
F1
(Car1,1)
F2
(D,0)
F3
(Car3,0)
F4
(Car4,1)
Carga
Cam1 Cam2
F1
(Car1,1)
F2
(D,0)
F3
(Car3,0)
F4
(Car4,1)
262

Vizinhana NVF
Movimento Realocar Viagem a uma
Frente - NVF(s)
Carga
Cam1 Cam2
Carga
Cam1 Cam2
F1
(Car1,1)
F1
(Car1,1)
F2
(D,0)
F2
(D,0)
F3
(Car3,0)
F3
(Car3,0)
F4
(Car4,1)
F4
(Car4,1)
263

Vizinhana NOC
Movimento Operao Caminho - NOC(s)
Carga
Cam1 Cam2
Carga
Cam1 Cam2
F1
(Car1,1)
F1
(Car1,1)
F2
(D,0)
F2
(D,0)
F3
(Car3,0)
F3
(Car3,0)
F4
(Car4,1)
F4
(Car4,1)
264

Funo de avaliao de uma soluo s:
Feita por uma funo que penaliza o no atendimento s restries e objetivos
Restries (Requisitos essenciais):

Produo da mina dentro dos limites de especificao;

Parmetros de controle respeitam os limites de qualidade especificados;
Relao estril/minrio dentro dos limites de especificao;
Taxa de utilizao dos caminhes inferior ao mximo possvel;
Produo dos equipamentos de carga respeita as capacidades de produo
especificadas.
Objetivos (Requisitos no-essenciais):

Atendimento s metas de produo da mina

Atendimento s metas de qualidade dos parmetros de controle
Atendimento relao estril/minrio desejada
Taxa de utilizao de caminhes igual meta de utilizao
Utilizao do menor nmero possvel de caminhes.
f ( s ) = f p ( s ) + f jq ( s ) + f r ( s ) + f l u ( s ) + f i c ( s ) + f n ( s )
jS
lV
iF
265

Avaliao da soluo s quanto produo:
f ( s ) = Pr P
p
P :
Pr :
p :
Produo de minrio (t/h);

Meta de produo de minrio (t/h);
Peso associado avaliao da produo.
266

Avaliao da soluo s quanto qualidade:
f j q ( s ) = j q j q Qrj Q j
j S
Qj : Quantidade encontrada na mistura para o parmetro j (t/h);

Qrj : Quantidade recomendada para o parmetro j na mistura (t/h);
jq : Peso associado avaliao da qualidade do parmetro j;
jq : Multiplicador associado ao parmetro j.
267

Avaliao da soluo s quanto relao estril /
minrio:
f r ( s ) = r Rr R
R : Produo de estril na mistura (t/h);
Rr : Meta de Produo de estril na mistura (t/h);
r : Peso associado avaliao da relao estril/minrio
268

Avaliao da soluo s quanto taxa de utilizao
dos caminhes:
f l ( s ) = Url U l l V
u
u
l
Ul : Carga transportada pelo caminho l (t/h);

Url : Meta de carga transportada pelo caminho l (t/h);
lu : Peso associado avaliao da utilizao do caminho l
269

Avaliao da soluo s quanto produo dos
equipamentos de carga:
f i ( s ) = k Cuk xi i F
c
xi : Ritmo de lavra da frente i (t/h);

k : Equipamento de carga que est operando na frente i;
Cuk : Produo mxima do equipamento de carga k alocado frente i
(t/h);
kc : Peso associado avaliao da produo do equipamento de carga
k alocada frente i
270

Avaliao da soluo s quanto ao nmero de
caminhes utilizados:
f n (s) = n
TU
l
iF
TUl : Taxa de utilizao do caminho l , em %;

n : Peso associado avaliao do nmero total de caminhes
utilizados
271

Concorrentes
Produo
Mina 1
Projeto 1
Projeto 2
Projeto 3 . . .
Projeto n
Projeto 2
Projeto 3 . . .
Projeto n
VPL
Mina 2
Mina 3
.
.
.
Mina m
Projeto 1
Projeto 1
Projeto 2
Projeto 3 . . .
Projeto n
Meta de
Produo
Em cada mina apenas uma opo de projeto

pode ser escolhida;
O objetivo maximizar o VPL respeitando a
meta de produo.
Projeto 1
Projeto 2
Projeto 3 . . .
Projeto n
272
Modelagem Heurstica para o Problema de

Seleo de Projetos
Representao de uma soluo:
15
14
*Obs.: Com esta representao, a restrio de

que em cada mina um projeto tem que ser
implementado automaticamente satisfeita
273
Estrutura de Vizinhana para o Problema

de Seleo de Projetos
Explorao do espao de solues por meio do
Movimento Substituio da Opo
Soluo s:
15
14
Exemplo de vizinho s: gerado a partir de s, substituindo-se a opo

implementada em uma mina pela opo posterior
15
14
7
274
Avaliao da Soluo heurstica do

Problema da Seleo de Projetos
Feita por funo que procura maximizar o VPL e
penalizar a produo inferior ou superior meta
f (s) =
VPL
iMinas jOpcoes
i , Si
Pfalta max{0, M
prod
iMinas
i , Si
} Pexc max{0,
prod
iMinas
i , Si
M}
em que:
Minas = conjunto de minas;
Opcoes = conjunto das opes de projeto em cada mina;
VPLi,Si = Valor Presente Lquido referente opo j da mina i;
prodi,S = Produo referente opo j da mina i;
i
Pfalta = Penalidade por produo inferior meta;

Pexc = Penalidade por produo superior meta;
M = Meta de produo especificada.
275
(Princpio de funcionamento)

Partir de uma soluo inicial qualquer

Caminhar, a cada iterao, de vizinho para
vizinho de acordo com a definio de
vizinhana adotada, tentando melhorar a
soluo construda
276
Mtodo da descida/subida
(Descent/Uphill Method)

Parte de uma soluo inicial qualquer

A cada passo analisa todos os possveis vizinhos
Move somente para o vizinho que representa uma
melhora no valor atual da funo de avaliao.
Em problemas de minimizao, um vizinho s melhor

que s quando f(s) < f(s)). Neste caso, s passa a ser a
nova soluo corrente
O mtodo pra quando um timo local (com

respeito definio de vizinhana) encontrado
277
Funcionamento da
Heurstica de Descida
278
Funcionamento da
279
Funcionamento da
280
Funcionamento da
Problema: Fica-se preso no primeiro timo local

281
METAHEURSTICAS
Alexandre Xavier Martins
Tatiana Alves Costa
Jos Maria do Carmo Bento Alves
Frederico Augusto Coimbra Guimares
Tlio ngelo Machado Toffolo
Homepage: http://www.decom.ufop.br/prof/marcone
282
Metaheursticas

Mtodos heursticos, de carter geral, dotados de mecanismos

para escapar das armadilhas dos timos locais
Princpio bsico: aceitar solues de piora
Podem ser baseados em Busca Local ou Busca Populacional.
Os mtodos baseados em Busca Local so fundamentados na
noo de vizinhana:
Dada uma soluo s, diz-se que s um vizinho de s, se s
obtido de s a partir de um movimento m, isto : s s m
A estrutura de vizinhana varia de acordo com o problema
tratado
Os mtodos baseados em Busca Populacional partem de um
conjunto de solues, aplicando sobre estes operadores que
visam melhoria desse conjunto.
283
Metaheursticas
Exemplos de metaheursticas:
de busca local:
Busca Tabu
Simulated Annealing
Variable Neighborhood Search (VNS)
de busca populacional:
Algoritmos Genticos
Colnia de Formigas
284
Simulated Annealing:
Fundamentao do mtodo
Proposto por Kirkpatrick et al. (1983)

Simula o processo de recozimento de
metais;
Resfriamento rpido conduz a produtos
meta-estveis, de maior energia interna;
Resfriamento lento conduz a produtos mais
estveis, estruturalmente fortes, de menor
energia;
Durante o recozimento o material passa por
vrios estados possveis
285
Analogia com um problema combinatorial:

Os estados possveis de um metal
correspondem a solues do espao de
busca;
A energia em cada estado corresponde ao
valor da funo objetivo;
A energia mnima corresponde ao valor de
uma soluo tima local, possivelmente
global.
286
A cada iterao do mtodo, um novo estado gerado a partir
do estado corrente por uma modificao aleatria neste;
Se o novo estado de energia menor que o estado corrente,
esse novo estado passa a ser o estado corrente;
Se o novo estado tem uma energia maior que o estado
corrente em unidades, a probabilidade de se mudar do
estado corrente para o novo estado :
e-/(kT),
onde k = constante de Boltzmann e T =

temperatura corrente;
Este procedimento repetido at se atingir o equilbrio
trmico (passo de Metrpolis)
287
Simulated Annealing: Probabilidade de

aceitao de um movimento de piora
Baseada na frmula: P(aceitao) = e-/T

= variao de custo; T = temperatura
Temperatura Probabilidade de aceitao

Temperatura Probabilidade de aceitao
288
No incio do processo, a temperatura

elevada e a probabilidade de se aceitar
solues de piora maior;
As solues de piora so aceitas para
escapar de timos locais;
A probabilidade de se aceitar uma soluo
de piora depende de um parmetro, chamado
temperatura;
Quanto menor a temperatura, menor a
probabilidade de se aceitar solues de
piora;
289
Atingido o equilbrio trmico, a temperatura
diminuda;
A taxa de aceitao de movimentos de piora ,
portanto, diminuda com o decorrer das iteraes;
No final do processo, praticamente no se aceita
movimentos de piora e o mtodo se comporta como
o mtodo da descida/subida;
O final do processo se d quando a temperatura se
aproxima de zero e nenhuma soluo de piora mais
aceita, evidenciando o encontro de um timo local.
290
Algoritmo Simulated
Annealing
291
Prescries para o resfriamento
292
Simulated Annealing: Prescries para

determinar a temperatura inicial
293
Determinao da temperatura
inicial por simulao
294
Consideraes Gerais
Nmero mximo de iteraes em uma dada

temperatura calculado com base na
dimenso do problema;
Temperatura de congelamento do sistema:
quando se atingir, p.ex., T = 0,001 ou quando
a taxa de aceitao de movimentos cair
abaixo de um valor predeterminado;
Os parmetros mais adequados para uma
dada aplicao s podem ser obtidos por
experimentao.
295
Resultados Computacionais do Problema

Parmetros do AG
Parmetro
Valor
Gerao de populaes
200
Nmero de indivduos em cada nova gerao
20
Probabilidade de Mutao
4%
Probabilidade de Crossover
50%
Parmetros do SA
Parmetro
SAmax
Temperatura inicial
(taxa de resfriamento)
Valor
500
Obtida por simulao
0.99
296

Meta de produo e penalidades por

desvios de meta
Parmetro
Valor
meta de produo (M)
90 Mt
Pexc
$15,00/t
Pfalta
$3,00/t
297

Microcomputador PC AMD Durom, 900 MHz, 128 MB RAM
LINGO verso 7.0
SA e SA+Subida desenvolvidos em Borland C++ 5.0
Algoritmos Genticos: linguagem e equipamento no especificados
Mtodo
Melhor VPL
($X106)
VPL Mdio
($X106)
Tempo Mdio
de execuo
(segundos)
AG
2015
2,03
SA
2167
2165
2,99
SA+Subida
2180
2180
2,99
Lingo
2148
0,00
Soluo tima: 2180 (obtida por enumerao completa, em 180 segundos)298
Variable Neighborhood
Descent (VND)

Proposto por Nenad Mladenovic & Pierre Hansen

em 1997
Mtodo de Descida em Vizinhana Varivel
Explora o espao de solues atravs de trocas
sistemticas de estruturas de vizinhana
Explora vizinhanas gradativamente mais
distantes
Sempre que h melhora em uma certa vizinhana,
retorna-se vizinhana menos distante
299
Descent (VND)
Princpios bsicos:

Um timo local com relao a uma vizinhana

no necessariamente corresponde a um timo
com relao a outra vizinhana
Um timo global corresponde a um timo local
para todas as estruturas de vizinhana
Para muitos problemas, timos locais com
relao a uma vizinhana so relativamente
prximos
300
Descent (VND)
1 Seja s0 uma soluo inicial e r o nmero de estruturas de
vizinhana;
2 s s0;
{Soluo corrente}
3 k 1;
{Tipo de estrutura de vizinhana}
4 enquanto (k r) faa
5
Encontre o melhor vizinho s N(k)(s);
6
se ( f(s) < f(s) )
7
ento s s; k 1;
8
seno k k + 1;
9
fim-se;
10 fim-enquanto;
11 Retorne s;
fim VND;
301

Pressuposto:
Os timos locais de um problema de otimizao podem

ser gerados a partir de perturbaes na soluo tima
local corrente
A perturbao precisa ser suficientemente forte para

permitir que a busca local explore diferentes
solues e fraca o suficiente para evitar um reincio
aleatrio
302

Componentes do ILS:

GeraSolucaoInicial:
BuscaLocal:
Retorna uma soluo melhorada
Perturbacao:
Modifica a soluo corrente guiando a uma soluo
intermediria
CriterioAceitacao:
Decide de qual soluo a prxima perturbao ser
aplicada
303

procedimento ILS
s0 SolucaoInicial
s BuscaLocal(s0)
iter 0
enquanto (iter < itermax)
iter iter + 1
s perturbao(s, histrico)
s BuscaLocal(s)
s CriterioAceitacao(s, s, s )
se ( f(s) < f(s) ) faa
fim-enquanto
s s
retorne s
fim-se
304

Combina intensificao com diversificao

Intensificao:
obtida fazendo-se pequenas perturbaes na

soluo tima corrente
Diversificao:
obtida aplicando-se grandes perturbaes na

soluo tima corrente
305
ILS aplicado ao Planejamento

Operacional de Lavra com Alocao
Dinmica de Caminhes
Utiliza 20 nveis de pertubao;

Cada nvel n consiste em realizar n diferentes movimentos

de forma aleatria
Busca Local:
Mtodo VND (Variable Neighborhood Search)
Critrio de Parada:
Tempo de processamento pr-determinado
306
ILS aplicado ao Planejamento

Operacional de Lavra com Alocao
Dinmica de Caminhes
Problemas-teste:
Situaes reais em mineradoras;

No de
No De
Instncias
Parmetros
Frentes de Controles
No de
Carregadeiras
No de
Caminhes
POLAD1
17
10
30
POLAD2
17
10
30
POLAD3
32
10
30
POLAD4
32
10
30
307
ILS aplicado ao Planejamento Operacional de

Lavra com Alocao Dinmica de Caminhes
Desempenho do Algoritmo ILS:
Procedimento I
Instncia
Procedimento II
f1PM (s*)
f1ILS (s*)
Dp (%)
f 2ILS (s*)
Dp (%)
Tempo
POLAD01
216,80(1)
216,80(2)
211,99
0,0
2638,83
0,2
789,2
POLAD02
2751,79(1)
2751,79(2)
2731,71
0,0
5248,99
0,1
822,1
POLAD03
1962,90(1)
1584,50(2)
585,30
80,6
3736,94
71,0
842,1
POLAD04
3021,83(1)
2706,45(3)
2706,45
3,6
59795,83
0,1
819,4
(1)
Melhor soluo em 15 minutos de processamento; (2) Melhor soluo em 240 minutos;

(3) Soluo tima, obtida em 80 minutos de processamento.
308
Algoritmos Genticos
Os AGs fundamentam-se em uma analogia com

processos naturais de evoluo, nos quais, dada uma
populao, os indivduos com caractersticas genticas
melhores tm maiores chances de sobrevivncia e de
produzirem filhos cada vez mais aptos, enquanto
indivduos menos aptos tendem a desaparecer
As caractersticas dos indivduos, registradas em seus
genes, so transmitidas para seus descendentes e
tendem a propagar-se por novas geraes
Caractersticas dos descendentes so parcialmente
herdadas de seus pais (Crossover) e parcialmente de
novos genes criados durante o processo de reproduo
(Mutao)
309
Operadores genticos
CROSSOVER
MUTAO
310
Algoritmos Genticos
O objetivo de um AG o de tentar
melhorar as qualidades genticas de
uma populao atravs de um processo
de renovao iterativa das populaes
311
Relao entre AG e
Problema de Otimizao
AG
Problema de Otimizao
Indivduo
Soluo de um problema
Populao
Conjunto de solues
Cromossomo
Representao de uma soluo
Gene
Parte da representao de uma

soluo
Alelos
Valores que uma varivel pode
assumir
Crossover / Mutao Operadores de busca
312
Estrutura de um AG bsico
Gere uma
populao inicial
Avalie a
populao
Critrios de
parada
satisfeitos?
Sim
Liste os melhores
indivduos
No
Selecione os pais
Crossover
Mutao
Avalie a
populao
Defina a populao
sobrevivente
Gerao de uma nova populao
313
Avaliao de cromossomos
Feita pela funo de aptido (fitness)

Em um problema de maximizao pode ser a
prpria funo objetivo
Em um problema de minimizao pode ser o
inverso da funo objetivo
314
Fase de seleo
Binary tournament selection:
Selecionar dois indivduos aleatoriamente

O primeiro pai o indivduo com maior aptido
Selecionar, aleatoriamente, outros dois pais
O segundo pai o indivduo com maior aptido
nessa nova seleo
Aleatrio
Roleta russa
315
Fase de reproduo
Dois ou mais cromossomos passam por um

processo de mutao e/ou recombinao
para gerar novos cromossomos filhos
(offsprings)
Operador mutao clssico
p=(0101)
p=(0111)
316
Fase de reproduo
Operador crossover clssico (one point crossover):

Descendentes so formados a partir da reunio de
segmentos de cada pai
p1 = ( 0 1 1 | 1 0 0 )
p2 = ( 1 0 1 | 0 1 0 )
O1 = ( 0 1 1 | 0 1 0 )
O2 = ( 1 0 1 | 1 0 0 )
317
Operador crossover para o

PCV
Operador OX

Operador crossover de dois pontos de corte

Cruzamento entre os pais geram dois filhos
Filhos herdam a ordem de visita dos pais
318
Operador OX para o PCV

p1 = (6 3 8 | 2 4 1 | 5 7 9)
p2 = (1 2 7 | 4 6 5 | 8 9 3)
f1
= (x x x | 2 4 1 | x x x)
Ordem de visita de p2 = {8,9,3,1,2,7,4,6,5}
319

p1 = (6 3 8 | 2 4 1 | 5 7 9)
p2 = (1 2 7 | 4 6 5 | 8 9 3)
f1
= (x x x | 2 4 1 | x x x)
320

p1 = (6 3 8 | 2 4 1 | 5 7 9)
p2 = (1 2 7 | 4 6 5 | 8 9 3)
f1
= (x x x | 2 4 1 | x x x)
f1 = (x x x | 2 4 1 | 8 x x)
321

p1 = (6 3 8 | 2 4 1 | 5 7 9)
p2 = (1 2 7 | 4 6 5 | 8 9 3)
f1
= (x x x | 2 4 1 | x x x)
f1 = (x x x | 2 4 1 | 8 9 x)
322

p1 = (6 3 8 | 2 4 1 | 5 7 9)
p2 = (1 2 7 | 4 6 5 | 8 9 3)
f1
= (x x x | 2 4 1 | x x x)
f1 = (x x x | 2 4 1 | 8 9 3)
323

p1 = (6 3 8 | 2 4 1 | 5 7 9)
p2 = (1 2 7 | 4 6 5 | 8 9 3)
f1
= (x x x | 2 4 1 | x x x)
f1 = (7 x x | 2 4 1 | 8 9 3)
324

p1 = (6 3 8 | 2 4 1 | 5 7 9)
p2 = (1 2 7 | 4 6 5 | 8 9 3)
f1
= (x x x | 2 4 1 | x x x)
f1 = (7 6 x | 2 4 1 | 8 9 3)
325

p1 = (6 3 8 | 2 4 1 | 5 7 9)
p2 = (1 2 7 | 4 6 5 | 8 9 3)
f1
= (x x x | 2 4 1 | x x x)
f1 = (7 6 5 | 2 4 1 | 8 9 3)
326
Sobrevivncia / morte de
cromossomos
Como selecionamos os cromossomos que

devem sobreviver?
Sobrevivem os que possuem os melhores
nveis de aptido?
importante permitir tambm a sobrevida de
cromossomos menos aptos, do contrrio o
mtodo ficaria preso em timos locais
Elitismo
327
Nveis de aptido
Seleo de cromossomos
sobreviventes
60
50
40
30
20
10
0
1
2
3
4
1
Cromossomos
328
Roleta russa:
mecanismo para selecionar os cromossomos
sobreviventes
1
2
3
4
329

Introdução Otimização e Programação Linear

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Introdução Otimização e Programação Linear

Uploaded by

Copyright:

Available Formats

Introduo

Heursticas computacionais para otimizao

Aplicaes de tcnicas de otimizao a processos produtivos:

Alocao dinmica de caminhes

rea da Pesquisa Operacional que utiliza o mtodo cientfico

Problema de Roteamento de Veculos

Problema de Roteamento de Veculos

Escala de Motoristas (Crew Scheduling)

Escala de Motoristas (Crew Scheduling)

Escala de Motoristas (Crew Scheduling)

Escala de Motoristas (Crew Scheduling)

Escala de Motoristas (Crew Scheduling)

Escala de Motoristas (Crew Scheduling)

Programao de jogos de competies

Programao de jogos de competies

Vitria x Atltico | Grmio x Atltico | Atltico x Santos

Atltico x Vitria | Grmio x Atltico | Atltico x Santos

Distncia total percorrida: 6760 Km

Distncia total percorrida: 5382 Km

Programao de jogos de competies

Gastos com deslocamento

(n 1)!(n 3)!(n 5)!...(n (n 1))!2

Competio com 20 participantes: 2,9062x10130 tabelas

Programao de jogos de competies

Competies realizadas em dois turnos completos e espelhados

Programao de jogos de competies

Melhores solues obtidas pelos mtodos

Controle de Ptio de Minrios

Aplicao na mina Cau, Itabira (MG), da CVRD

Retomar uma pilha toda sempre que possvel

Controle de Ptio de Minrios

Controle de Ptio de Minrios

Recuperadora (Bucket Wheel)

Recuperadora Tambor (Drum)

Controle de Ptio de Minrios

Controle de Ptio de Minrios

Controle de Ptio de Minrios

Controle de Ptio de Minrios

Teor de SiO2 (%)

Controle de Ptio de Minrios

Controle de Ptio de Minrios

Controle de Ptio de Minrios

Controle de Ptio de Minrios

Teor de H2O (%)

Turnos de 6 horas de trabalho:

Terno: equipe de trabalho atuando em um

Existe um certo nmero de mquinas

Produtos carregados em uma ordem

Custo do carregamento dado pelo

Carregamento concludo antes da data

Demurrage (multa por dia de atraso)

Prmio (metade da multa)

Objetivo reduzir os custos com a mode-obra

Modelagem mais complexa

As restries representam limitaes de

cj representa o custo associado j-sima

Qualquer especificao de valores para as

Soluo vivel que tem o valor mais favorvel da

As atividades podem ser divididas em qualquer nvel

O custo de cada atividade proporcional ao nvel de

O custo total a soma das parcelas associadas a cada

Assume-se que todos os parmetros do modelo so

H um conjunto de pilhas de minrio