ResolucaoGrafica
-
Upload
rafael-fernandes -
Category
Documents
-
view
178 -
download
0
Transcript of ResolucaoGrafica
3/14/12
www.wlamirxavier.com.br 1
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 1
Capítulo 2 Programação Linear Resolução Gráfica
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 2
Conteúdo do Capítulo
• Problemas de Programação Linear
– Resolução pelo método gráfico
– O Problema do Pintor
– Minimização
– Restrições Redundantes
– Solução Múl:pla, Ilimitada e Inviável
• Caso Alumilâminas S.A.
• Caso Esportes Radicais S.A.
2
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 3
Modelos Matemá:cos
• Em casos de informação estruturada ou semiestruturadas, entre os modelos matemá:cos já u:lizados, encontramos:
– Programação Linear e Inteira
– Modelos de Previsão
– Simulação
– Sistemas Especialistas
– PERT/CPM -‐ Gráficos de Gan[
– Árvore de Decisão
– Métodos de Apoio Mul:critério
3 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 4
Problemas de O:mização
• Em problemas reais de o:mização, busca-‐se maximizar ou minimizar uma
quan:dade específica, chamada obje:vo, que depende de um número finito
de variáveis de entrada.
• As variáveis de entrada podem ser:
– Independentes uma das outras.
– Relacionadas uma com as outras por meio de uma ou mais restrições.
4
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 5
Aplicações de O:mização Matemá:ca
• Determinação de Mix de Produtos
• Scheduling
• Roteamento e Logís:ca
• Planejamento Financeiro
5 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 6
Programação Matemá:ca
• Um problema de programação matemá:ca é um problema de o:mização
no qual o obje:vo e as restrições são expressos como funções
matemá:cas e relações funcionais
⎪⎪⎩
⎪⎪⎨
⎧
≥
=
≤
⎪⎪⎭
⎪⎪⎬
⎫
=
nnn
n
n
n
b
bb
xxxg
xxxgxxxgxxxfz
:),...,,(
:),...,,(),...,,(
:a Sujeito
),...,,( :Otimizar
2
1
21
212
211
21
6
3/14/12
www.wlamirxavier.com.br 2
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 7
Variáveis de Decisão
• x1 , x2,...,xn , são as chamadas Variáveis de Decisão.
w As variáveis de decisão são aqueles valores que representam o cerne do
problema, e que podemos escolher (decidir) livremente.
w As variáveis de decisão representam as opções que um administrador têm
para a:ngir um obje:vo.
w Quanto produzir para maximizar o lucro?
w Quanto comprar de uma ação para minimizar o risco da carteira?
7 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 8
Programação Linear
• Um problema de programação matemá:ca é linear se a função-‐obje:vo
e cada uma das funções que representam as restrições forem lineares, isto
é, na forma abaixo:
e
nnn xcxcxcxxxf +++= ...),...,,( 221121
g x x x a x a x a xi n i i in n( , ,..., ) ...1 2 1 1 2 2= + + +
) ,..., , ( 2 1 n x x x f
8
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 9
Quebrando a Linearidade
• A presença de qualquer das expressões abaixo tornam o problema não linear.
– Exemplos:
•
•
•
( ) 1 para 1 ≠nx n
( ) a basequalquer para log 1xa
aax devalor qualquer para 1
9 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 10
Programação Linear
Exemplos
0,60020180
2042s.r.max
21
21
21
21
≥
≤+
≤+
+
xxxx
xx
xx
0,60020180
2032s.r.
2min
21
21
21
21
≥
=+
≥+
+
xxxx
xx
xx
10
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 11
Programação Linear Áreas de Aplicação • Administração da Produção
• Análise de Inves:mentos
• Alocação de Recursos Limitados
• Planejamento Regional
• Logís:ca
– Custo de transporte
– Localização de rede de distribuição
• Alocação de Recursos em Marke:ng entre diversos meios de
comunicação. 11
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 12
Programação Linear
Problema na Forma Padrão • Existem 4 caracterís:cas para um problema na forma padrão:
– A função-‐obje:vo é de Maximizar;
– As restrições têm sinal de menor ou igual;
– As constantes de todas as restrições são não nega:vas;
– As variáveis podem assumir valores não nega:vos.
12
3/14/12
www.wlamirxavier.com.br 3
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 13
0x,...x,x,xbxa...xaxa
bxa...xaxabxa...xaxa
xc...xcxcZ
n321
mnmn22m11m
2nn2222121
1nn1212111
nn2211
≥
≤+++
≤+++
≤+++
+++=
:a Sujeito Maximizar
Não negaAvos
Programação Linear
Problema na Forma Padrão
13 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 14
Exemplos
• Forma Padrão w Forma Não Padrão
0,60020180
2032s.r.
2min
21
21
21
21
≥
=+
≥+
+
xxxx
xx
xx
0 , 600 20 180
20 4 2
s.r. max
2 1
2 1
2 1
2 1
≥
≤ +
≤ +
+
x x x x
x x
x x
0 , 600 20 180
20 4 2
s.r. max
2 1
2 1
2 1
2 1
≥
≤ +
≤ +
+
x x x x
x x
x x
14
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 15
Programação Linear
Hipótese de Adi:vidade
• Considera as a:vidades (variáveis de decisão) do modelo como en:dades
totalmente independentes, não permi:ndo que haja interdependência
entre as mesmas, isto é, não permi:ndo a existência de termos cruzados,
tanto na função-‐obje:vo como nas restrições.
• Esta é a própria hipótese de linearidade do PPL
15 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 16
Programação Linear
Hipótese de Proporcionalidade
• O valor da função-‐obje:vo é proporcional ao nível de a:vidade de cada
variável de decisão, isto é, o valor da função-‐obje:vo se altera de um valor
constante dada uma variação constante da variável de decisão;
16
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 17
Programação Linear
Hipótese de Divisibilidade
• Assume que todas as unidades de a:vidade possam ser divididas em
qualquer nível de fracionamento, isto é, qualquer variável de decisão pode
assumir qualquer valor posi:vo fracionário.
• Esta hipótese pode ser quebrada, dando origem a um problema especial
de programação linear, chamado de problema inteiro.
17 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 18
Programação Linear
Hipótese de Certeza
• Assume que todos os parâmetros do modelo são constantes conhecidas.
• Em problemas reais quase nunca sa:sfeita
– as constantes são es:madas.
• Requer uma análise de sensibilidade, sobre o que falaremos
posteriormente.
18
3/14/12
www.wlamirxavier.com.br 4
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 19
Programação Linear
Terminologia
• Solução
– No campo de Programação Linear é qualquer especificação de valores
para as variáveis de decisão, não importando se esta especificação se
trata de uma escolha desejável ou permissível.
19 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 20
Exemplo de Solução
0,800100180
2042
max
21
21
21
21
≥
≤+
≤+
+=
xxxx
xxs.r.
xxz
x1 = 3 ; x2 = 2 )2,3(=S
x1 = 3 ; x2 = 4 )4,3(=S
20
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 21
Classificação das Soluções
• Solução Viável – É uma solução em que todas as restrições são sa:sfeitas;
• Solução Inviável – É uma solução em que alguma das restrições ou as condições de
não-‐nega:vidade não são atendidas;
21 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 22
Exemplos de Solução Viável e Inviável
0,800100180
2042
max
21
21
21
21
≥
≤+
≤+
+
xxxx
xxs.r.
xx x1 = 3 ; x2 = 2 S = (3, 2) solução viável: todas as restrições não são violadas
x1 = 3 ; x2 = 4 S = (3, 4) solução inviável: pelo menos uma das restrições é violada
22
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 23
Valor da Função-‐Obje:va
• É especialmente importante verificar como fica o valor da função-‐obje:vo (z) nas soluções viáveis que podemos determinar:
0,800100180
2042
max
21
21
21
21
≥
≤+
≤+
+=
xxxx
xxs.r.
xxz)1,1(=S 2=z
)1,2(=S 3=z
)2,3(=S 5=z
23 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 24
A Solução Ó:ma
• A Solução ÓAma é uma solução viável especial.
• Dentre todas as soluções viáveis, aquela(s) que produzir(em) o valor da função-‐obje:vo o:mizado é chamada de ó:ma;
• A grande questão é como determinar a solução ó:ma.
24
3/14/12
www.wlamirxavier.com.br 5
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 25
Programação Linear
Solução Gráfica • Quando o problema envolve apenas duas variáveis de decisão, a solução
ó:ma de um problema de programação linear pode ser encontrada graficamente.
Max Z x x = + 5 2 1 2
1 x (b) ≤ 4 2
x x (c) + ≤ 2 9 1 2
s r x
(a) ≤ 3 . .
x x (d) ≥ ≥ 0 0 1 2 ,
25 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 26
Programação Linear
Solução Gráfica
2 1 4
1
2
x1 3
x2
x ≤ 4 2 3
4
x ≤ 3 1
x ≥ 0 1
x ≥ 0 2
26
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 27
x ≤ 4 2
Programação Linear Solução Gráfica
9 2 1 2 x x - =
121
29
2 xx −=
x ≤ 3 1
x1
9 2 2 1 x x ≤ +
x ≥ 0 1
x ≥ 0 2
x2
(3,0) (0,0)
(0,4) (3,4)
Limite
Reta 9 2 2 1 x x = +
121
29
2 xx −≤Região Limitada
(1,4)
(3,3)
27 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 28
Programação Linear Solução Gráfica
x2
x1
(0,4) (1,4)
(0,0) (3,0)
Solução Viável
(3,3)
21 2510 xxZ +==
= Solução Ótima
21 x2x521Z +==
(3,3) 21 x2x50Z +==
(0,0)
28
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 29
Programação Linear
Solução Gráfica – Exercício • Considere o seguinte o problema de LP
Encontre a solução ó:ma.
0, 2446 1242 ..
33
21
21
21
21
≥
≤+
≤+
+
xxxxxxrsxxMax
29 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 30
Programação Linear Solução Gráfica -‐ Exercício
(0,0)
1
2
0 1 2 3 4 5 6
3
x2
02 ≥x
01 ≥xx1
(0,3)
(6,0)
1242 21 ≤+ xx
(4,0)
(0,6)
2446 21 ≤+ xx5
4
6
7
30
3/14/12
www.wlamirxavier.com.br 6
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 31
Programação Linear Solução Gráfica -‐ Exercício
1
2
0 1 2 3 4 5 6
3
x2
x1
5
4
6
7
21 330 xxZ +==
21 336 xxZ +==
21 335,13 xxZ +==
31 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 32
Exercício Recomendado 1
max 4x1 + 3x2 s.r. x1 + 3x2 ≤ 7 2x1 + 2x2 ≤ 8 x1 + x2 ≤ 3 x2 ≤ 2 x1, x2≥ 0
32
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 33
Solução do Exercício 1
Solução Ó:ma
33 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 34
Exercício Recomendado 2
max 4x1 + 8x2 s.r. 3x1 + 2x2 ≤ 18 x1 + x2 ≤ 5 x1 ≤ 4 x1, x2 ≥ 0
34
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 35
Solução do Exercício 2
Solução Ó:ma
35 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 36
max 21 3xx +s.r.
0,10216
304
21
21
21
≥
≤+
≥+
xxxx
xx
Exercício 3
36
3/14/12
www.wlamirxavier.com.br 7
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 37
Solução do Exercício 3
w Sem Soluções Viáveis
37 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 38
O Problema do Pintor
• Um Pintor faz quadros artesanais para vender numa feira que acontece
todo dia à noite. Ele faz quadros grandes e desenhos pequenos, e os
vende por R$5,00 e R$3,00, respec:vamente. Ele só consegue vender 3
quadros grandes e 4 quadros pequenos por noite. O quadro grande é feito
em uma hora (grosseiro) e o pequeno é feito em 1 hora e 48 minutos
(detalhado). O desenhista desenha 8 horas por dia antes de ir para a feira.
Quantos quadros de cada :po ele deve pintar para maximizar a sua
receita?
38
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 39
A Decisão do Pintor
• O que o desenhista precisa decidir?
• O que ele pode fazer para aumentar ou diminuir a sua receita?
39 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 40
A Decisão do Pintor
• O que o desenhista precisa decidir?
• O que ele pode fazer para aumentar ou diminuir a sua receita?
w A decisão dele é como usar as 8 horas diárias.
w Quantos desenhos pequenos e grandes ele deve fazer.
40
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 41
A Decisão do Pintor
• Precisamos traduzir a decisão do Pintor em um modelo de programação
linear para resolvê-‐lo;
• Chamemos de x1 e x2 as quan:dades de quadros grandes e pequenos que
ele faz por dia, respec:vamente.
• O obje:vo do Pintor é aumentar sua receita ao máximo.
41 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 42
O Modelo para a Decisão do Pintor
Máx z x x = + 5 3 1 2
• Função-‐obje:vo Maximizar a receita
1 s r x ≤ 3 . . w Restrição de vendas de quadros
grandes
x ≤ 4 2
w Restrição de vendas de quadros pequenos
x x + ≤ 1,8 8 1 2
w Restrição de tempo
x ≥ 0 1
, x ≥ 0 2
w Não nega:vidade
42
3/14/12
www.wlamirxavier.com.br 8
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 43
O Modelo para a Decisão do Pintor
9 70
1 3 5
2
2 1 3 70
1 3 5
2
2 1
3 5
3 5 0
+ - =
+ = =
- =
+ = =
x x
x x z
x x
x x z
(3 ; 50/18)
88,1 21 ≤+ xx 31 ≤x
43 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 44
Programação Linear
Solução Gráfica -‐ Minimização
0, 2045 1553
6 5
2 ..97 min
21
21
21
2
1
21
21
≥
≥+
≥+
≤
≤
≤+−
+
xxxxxx
xx
xxrsxx
• Encontre a solução ó:ma:
44
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 45
x1 10 8 6
51 ≤x
4 2
62 ≤x
221 ≤+− xx10
14
12
x2
8
6
4
-‐2
2
-‐2
1553 21 ≥+ xx
2045 21 ≥+ xx
02 ≥x
01 ≥x
Programação Linear Solução Gráfica -‐ Exercício
45 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 46
Programação Linear Solução Gráfica -‐ Exercício
+ = =
117 415
1 9 7
2
2 1 65 415 9 7
+ - = x x
x x z
1 9 7
2
2 1 9 7 0
- =
+ = =
x x
x x z
(40/13,15/13)
46
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 47
Programação Linear Restrições Redundantes • Uma restrição é dita redundante quando a sua exclusão do conjunto de
restrições de um problema não altera o conjunto de soluções viáveis
deste.
• É uma restrição que não par:cipa da determinação do conjunto de
soluções viáveis.
• Existe um outro problema sem essa restrição com a mesma solução ó:ma
e mesmo conjunto de soluções viáveis.
47 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 48
• Considere o problema
0, 2045 1553
6 5
12 2 ..
106 min
21
21
21
2
1
21
21
21
≥
≥+
≥+
≤
≤
≥+
≤+−
+
xxxxxx
xx
xxxxrsxx
Programação Linear Restrições Redundantes
48
3/14/12
www.wlamirxavier.com.br 9
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 49
Programação Linear Restrições Redundantes
x1 10 8 6
51 ≤x
4 2
62 ≤x
221 ≤+− xx10
14
12
x2
8
6
4
-‐2
2
-‐2
1553 21 ≥+ xx
2045 21 ≥+ xx
02 ≥x
01 ≥x
12 21 ≥+ xx
Restrição Redundante 49
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 50
Programação Linear Solução Múl:pla
0, 2045 1553
6 5
2 ..106 min
21
21
21
2
1
21
21
≥
≥+
≥+
≤
≤
≤+−
+
xxxxxx
xx
xxrsxx
• Encontre a solução ó:ma:
50
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 51
Programação Linear
Solução Múl:pla
x1 10 8 6
51 ≤x
4 2
62 ≤x
221 ≤+− xx10
14
12
x2
8
6
4
-‐2
2
-‐2
1553 21 ≥+ xx
2045 21 ≥+ xx
02 ≥x
01 ≥x
Soluções Múl:plas
51 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 52
Programação Linear
Solução Ilimitada
0, 2045 1553
6 2 ..
106 max
21
21
21
2
21
21
≥
≥+
≥+
≤
≤+−
+
xxxxxx
xxxrsxx
• Encontre a solução ó:ma:
52
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 53
x1 10 8 6 4 2
62 ≤x
221 ≤+− xx10
14
12
x2
8
6
4
-‐2
2
-‐2
1553 21 ≥+ xx
2045 21 ≥+ xx
02 ≥x
01 ≥x
Programação Linear
Solução Ilimitada Cresce indefinidamente
53 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 54
• Um problema de programação linear é dito inviável quando o conjunto de
soluções viáveis é vazio.
• Considere o problema
0, 20 12 ..
max
21
21
21
21
≥
≥+
≤+
+
xxxxxxrsxx
Programação Linear Solução Inviável
54
3/14/12
www.wlamirxavier.com.br 10
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 55
Programação Linear
Solução Gráfica -‐ Exercício
01 =x
x2
01 ≥x
02 =x 02 ≥x x1
12 21 =+ xx 12xx 21 ≤+ 2021 =+ xx 2021 ≥+ xx
2 4 6 8 10 12 14 0
2
4
6
10
8
12
14
55 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 56
Caso Alumilâminas S.A.
• A indústria Alumilâminas S/A iniciou suas operações em janeiro de 2001 e já vem conquistando
espaço no mercado de laminados brasileiro, tendo contratos fechados de fornecimento para
todos os 3 :pos diferentes de lâminas de alumínio que fabrica: espessura fina, média ou grossa.
Toda a produção da companhia é realizada em duas fábricas, uma localizada em São Paulo e a
outra no Rio de Janeiro. Segundo os contratos fechados, a empresa precisa entregar 16
toneladas de lâminas finas, 6 toneladas de lâminas médias e 28 toneladas de lâminas grossas.
Devido à qualidade dos produtos da Alumilâminas S/A, há uma demanda extra para cada :po de
lâmina. A fábrica de São Paulo tem um custo de produção de R$ 100.000,00 para uma
capacidade produ:va de 8 toneladas de lâminas finas, 1 tonelada de lâminas médias e 2
toneladas de lâminas grossas por dia. O custo de produção diário da fábrica do Rio de Janeiro é
de R$ 200.000,00 para uma produção de 2 toneladas de lâminas finas, 1 tonelada de lâminas
médias e 7 toneladas de lâminas grossas. Quantos dias cada uma das fábricas deverá operar
para atender os pedidos ao menor custo possível? (resolva pela análise gráfica – deslocamento
da função obje:vo). 56
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 57
• Variáveis de Decisão
– x1 – Quantos dias de funcionamento da Fábrica de São Paulo
– x2 – Quantos dias de funcionamento da Fábrica do Rio de Janeiro
• Função-‐Obje:vo
– Minimizar Custo de Produção (mil R$) =
2 1 200 100 x x +
Caso Alumilâminas S.A.
57 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 58
• Restrições de Demanda – Placas Finas
– Placas Médias
– Placas Grossas
• Restrições de Não Nega:vidade
16 2 8 2 1 ≥ + x x
6 1 1 2 1 ≥ + x x
28 7 2 2 1 ≥ + x x
0 , 2 1 ≥ x x
Caso Alumilâminas S.A.
58
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 59
Caso Alumilâminas S.A. O Modelo
0 , 28 7 2
6 1 1
16 2 8
200 100
2 1
2 1
2 1
2 1
2 1
≥
≥ +
≥ +
≥ +
+
x x x x x x x x
x x min
s.r.
59 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 60
Caso Alumilâminas S.A. Solução Gráfica
Z = 920 x1 = 14/5 e x2 = 16/5
60
3/14/12
www.wlamirxavier.com.br 11
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 61
Caso Esportes Radicais S.A.
• A Esportes Radicais S/A produz pára-‐quedas e asa-‐deltas em duas linhas de
montagem. A primeira linha de montagem tem 100 horas semanais
disponíveis para a fabricação dos produtos, e a segunda linha tem um limite
de 42 horas semanais. Cada um dos produtos requer 10 horas de
processamento na linha 1, enquanto que na linha 2 o paraquedas requer 3
horas e a asa-‐delta requer 7 horas. Sabendo que o mercado está disposto a
comprar toda a produção da empresa, bem como que o lucro pela venda de
cada paraquedas é de R$ 60,00 e o lucro para cada asa-‐delta vendida é R$
40,00, encontre a programação de produção que maximize o lucro da
Esportes Radicais S/A. (resolva pela análise gráfica – deslocamento da função
obje:vo).
61 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 62
Caso Esportes Radicais S.A.
• Variáveis de Decisão
– x1 – Quan:dade de Paraquedas a serem produzidos
– x2 – Quan:dade de Asa Deltas a serem produzidos
• Função-‐Obje:vo
– max 60x1 + 40x2
62
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 63
Caso Esportes Radicais S.A.
• Restrições de Produção
– Linha 1
– Linha 2
• Restrições de Não Nega:vidade
100 10 10 2 1 ≤ + x x
42 7 3 2 1 ≤ + x x
0 , 2 1 ≥ x x
63 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 64
Caso Esportes Radicais S.A. O Modelo
0 , 42 7 3
100 10 10
40 0 6
2 1
2 1
2 1
2 1
≥
≤ +
≤ +
+
x x
x x
x x
x x max
s.r.
64
© 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 65
Caso Esportes Radicais S.A. Solução Gráfica
Z = 600 x1 = 10 , x2 = 0
65 © 2009 Pearson Pren:ce Hall. Todos os direitos reservados. slide 66
Exercício: Fazer a lista 2 disponível no ambiente Moodle, de 1 a 9.