Académique Documents
Professionnel Documents
Culture Documents
jklzxcvbnmqwertyuiopasdfghjklzxcvbnm
qwertyuiopasdfghjk
lzxcvbnmqwertyuiopasdfghjklzxcvbnmq
wertyuiopasdfghjklzxcvbnmqwertyuiop
asdfghjklzxcvbnmrtyuiopasdfghjklzxcvb
nmqwertyuiopasdfghjklzxcvbnmqwerty
uiopasdfghjklzxcvbnmqwertyuiopasdfgh
jklzxcvbnmqwertyuiopasdfghjklzxcvbnm
Sumário
1.1-Breve História .............................................................................................................. 3
2-Modelagem com programação linear ............................................ 8
2.1- Introdução ................................................................................................................... 8
2.2-A Modelagem ............................................................................................................... 9
2.3-Exemplos ..................................................................................................................... 11
2.4-Exercícios..................................................................................................................... 22
Adendo .................................................................................................................................. 31
Método Simplex ................................................................................................................. 31
3-Programação Inteira e Programação Binária ....................................... 39
3.1-Introdução................................................................................................................... 39
3.2-Métodos de resolução ............................................................................................. 42
3.3-Exercícios. ................................................................................................................... 45
4-Introdução a Teoria das Filas ........................................................... 51
4.1-Introdução................................................................................................................... 51
4.2- MODELO DE FILA FIFO M/ M /1/ ∞ ................................................................ 53
4.3-Exercícios..................................................................................................................... 55
5-Revisão de Probabilidade ................................................................. 57
5.1-Introdução................................................................................................................... 57
5.2-Probabilidade condicional ...................................................................................... 59
5.3-Variáveis aleatórias ................................................................................................. 60
5.4-Exercícios..................................................................................................................... 63
6-Análise de decisão .......................................................................... 66
6.1-Introdução................................................................................................................... 66
6.2-Exemplo Protótipo .................................................................................................... 67
6.3- Exercícios ................................................................................................................... 76
Anexo .............................................................................................. 78
Referências ....................................................................................... 85
2
1-Introdução
1.1-Breve História
3
abordagem científica na gestão das organizações. Porém, o início da
atividade, assim denominada pesquisa operacional, geralmente é
atribuído às atividades militares nos primórdios da Segunda Guerra
Mundial. Em razão do empreendimento da guerra, havia uma
necessidade premente de se alocar de forma eficiente os escassos
recursos para as diversas operações militares e atividades internas
a cada operação.
4
introduzido o emprego da PO em uma diversidade de organizações
nos setores comercial, industrial e governamental. A rápida
disseminação da PQ veio a seguir. Podem-se identificar pelo menos
dois fatores que desempenharam papel fundamental no rápido
crescimento da PO durante esse período. O primeiro foi o progresso
substancial feito no início em termos de melhoria das técnicas da PO.
Após a guerra, muitos dos cientistas que haviam participado das
equipes de PO ou que ouviram falar a esse respeito motivaram-se
para desenvolver pesquisas relevantes nesse campo resultando em
avanços importantes no estado da arte. Um exemplo essencial é o
método simplex para solução de problemas com programação linear,
desenvolvido por George Dantzig em 1947. Várias ferramentas-
padrão da PO, como programação linear, programação dinâmica,
teoria das filas e teoria do inventário, atingiram um estado
relativamente bem desenvolvido antes do final dos anos 1950.
5
1.2 - Fundamentos
6. Implementar.
6
Frequentemente, o relatório à gerência identificará uma série de
alternativas particularmente atrativas de acordo com diversas
suposições ou segundo um intervalo de valores diferente de algum
parâmetro da política adotada que pode ser avaliado somente pela
gerência (por exemplo, o conflito entre custo e benefícios). A
gerência avalia o estudo e suas recomendações, leva em
consideração uma série de fatores intangíveis e toma a decisão final
baseada em seu melhor julgamento. Consequentemente, é vital para
a equipe de PO sintonizar-se com a gerência, inclusive identificando o
problema "correto" segundo o ponto de vista da gerência e obter o
seu apoio ao longo do projeto.
7
2-Modelagem com programação linear
2.1- Introdução
8
seguindo-se o método de solução do modelo. No caso de um PPL o
método mais utilizado é o Método Simplex, que será examinado
adiante. Não existem técnicas precisas capazes de permitir o
estabelecimento do modelo de um problema, pois a modelagem
envolve aspectos de arte, ou seja, pode ser melhorada com a prática
e observação. Para modelar uma situação geral é importante se ter
experiência e capacidade de análise e síntese.
2.2-A Modelagem
9
possível, em outras áreas da PO, tratar modelos com múltiplos
objetivos.
10
expressão matemática, enquanto só o valor associado a uma
constante fique no lado direito .
2.3-Exemplos
11
2)Problema da dieta.
12
3)Problema de transporte.
13
fábrica para cada depósito, bem como as demandas em cada um dos
depósitos e as produções de cada fábrica.
14
maior número de clientes possível. Um estudo de mercado resultou
nos dados da Tabela 4, sendo os valores válidos para cada veiculação
da propaganda.A companhia não quer gastar mais de $ 800.000 e
adicionalmente deseja:
15
de modo a atingir o máximo possível de clientes.
16
em abril. Atualmente há 130 operadores treinados disponíveis na
empresa. Os custos associados a cada situação são:
a) Trainee $ 400;
Modelagem:
Variáveis de decisão:
17
6) “Problema de dimensionamento de equipes de inspeção” –
Adaptado de Ravindran, Phillips e Solberg (1987).
18
– Sabe-se, ainda, que cada erro cometido por inspetores no controle
da qualidade das peças acarreta um prejuízo à companhia de $2 por
peça mal inspecionada.
19
Dados sobre preços e especificações de gasolinas.
Modelagem:
Variáveis de decisão:
20
∑x1j≤3.000
∑x2j≤2.000
∑x3j≤4.000
∑x4j≤1.000
21
2.4-Exercícios
22
combinação de fluxo a serem usados e a intensidade de cada um
deles, para gerar a melhor distribuição de dosagem possível. A
potência da dose em qualquer ponto do corpo é medida em unidades
chamadas kilorads. Uma vez que o planejamento do tratamento
tenha sido desenvolvido, ele é administrado em várias sessões,
distribuídas ao longo de várias semanas.
23
Após ampla análise desse tipo, a equipe médica estimou
cuidadosamente os dados necessários para planejar o tratamento de
Mary, conforme sintetizado na Tabela a seguir, A primeira coluna
enumera as áreas do corpo que precisam ser consideradas e as duas
colunas seguintes dão a fração da dose de radiação no ponto de
entrada para cada fluxo que é absorvido pelas respectivas áreas em
média. Por exemplo, se o nível da dose no ponto de entrada para o
fluxo 1 for 1 kilorad, então uma média de 0,4 kilorad será absorvida
por toda a anatomia sã no plano bidimensional; 0,3 kilorad, pelos
tecidos críticos próximos; 0,5 kilorad, pelas várias partes do tumor; e
0,6 kilorad, pelo núcleo do tumor. A última coluna apresenta as
restrições na dosagem total de ambos os fluxos que são absorvidos
na média pelas respectivas áreas do corpo. Em particular, a absorção
de dosagem média para a anatomia saudável deve ser a menor
possível; para os tecidos críticos, não pode exceder a 2,7 kilorads; a
média por todo o tumor tem de ser igual a 6 kilorads; e para o núcleo
do tumor deve ser de pelo menos 6 kilorads.
24
Formule o problema e resolva pelo método gráfico.
2) Planejamento regional
25
Entre as plantações adequadas para essa região encontram-se
beterraba, algodão e sorgo e são estas que estão sendo consideradas
para o próximo período. Essas plantações diferem basicamente nos
respectivos retornos líquidos esperados e consumo de água. Além
disso, o Ministério de Agricultura tem uma cota máxima para a área
total que pode ser dedicada a cada uma dessas plantações pela
Confederação Meridional de Kibutzim, conforme ilustrado na Tabela a
seguir.
3) Controlando a Poluição do Ar
27
padrões requerem que a empresa reduza a emissão anual desses
poluentes para os volumes especificados na Tabela a seguir.
28
A Tabela a seguir ilustra a quantidade de emissão (em milhões de
libras por ano) que pode ser eliminada de cada tipo de forno usando-
se completamente o limite tecnológico para quaisquer dos métodos
de redução de poluição. Para fins de análise, parte-se do pressuposto
de que cada método pode ser utilizado em níveis inferiores ao
máximo para atingir qualquer fração das reduções de taxas de
emissão apresentadas nessa tabela. Além disso, as frações podem
ser diferentes para os alto fornos e para os fornos Siemens-Martin.
Para cada tipo de forno, a redução de emissão alcançada por método
não é afetada substancialmente por quaisquer que sejam os outros
métodos também usados.
29
métodos, talvez com capacidades parciais, baseados em custos
relativos.
Foi realizado um estudo para estimar o custo anual total que seria
acarretado em cada um dos métodos de redução de poluição. O custo
anual de um método inclui despesas operacionais e de manutenção
crescentes, bem como receitas menores decorrentes de qualquer
perda de eficiência do processo de produção provocado pelo uso do
método. Outro custo importante é o custo inicial (o desembolso inicial
de capital) exigido para instalar o método. Para tomar esse custo que
ocorre uma única vez comensurável em relação aos custos anuais
permanentes, o valor temporal do dinheiro foi usado para calcular o
gasto anual (em relação à vida útil do método) que seria equivalente
em valor a esse custo inicial.
30
total seria grosseiramente essa fração da quantidade correspondente
da Tabela de custos.
Adendo
Método Simplex
31
32
Os passos abordados a seguir referem-se a um P.P.L. de
minimização.
33
uma variável básica(para possibilitar a troca) conservando a
factibilidade do Problema de Programação Linear.
Exemplo:
34
35
36
37
38
3-Programação Inteira e Programação Binária
3.1-Introdução
39
FORMAS PARA RESOLVER PROBLEMAS PLI
40
2) Num problema de PLIB com n variáveis há 2^n soluções, por
isso, para alguns problemas, fica impossível enumerar todas as
soluções;
41
3.2-Métodos de resolução
42
a ideia é desenvolver uma enumeração inteligente dos pontos
candidatos (nós) em busca da solução ótima inteira do problema,
por meio da partição do espaço e avaliação progressiva das soluções.
43
A escolha do ponto (nó) para ramificação da árvore pode-se ser
efetuada, dentre as várias técnicas, nas seguintes:
3.3-Exercícios.
45
De acordo com a figura acima formule um problema de programação
linear que maximize o lucro do
transporte , considerando:
R:
46
2)Problema da compra de aviões
11 19
4
9
2
15 25 7 15
1 5
9
10 17 21 16
3 8
21 18
6
47
Modele o problema do menor caminho entre 1 e 9, segundo a figura
acima e resolva no solver.
48
6) Problema da evacuação.
49
Considerando os limites g = 30, k = 15 e l = 20:
R:
50
4-Introdução a Teoria das Filas
4.1-Introdução
51
posteriores. Atrasos em transmissões de telecomunicações devido a
linhas saturadas podem provocar problemas técnicos com os dados.
Fazer que ordens de produção fiquem esperando para ser realizadas
pode afetar a produção de lotes seguintes. Realizar serviços após a
data combinada pode resultar na perda de futuros negócios.
IC=1/λ;
µ=1/ TA .
L=
²
Lq=
W=
²
Wq=
Pn= (1 − )
54
4.3-Exercícios
55
4) Uma fábrica possui um depósito de ferramentas onde os operários
vão receber as ferramentas especiais para a realização de uma
determinada tarefa. Verificou-se que o ritmo de chegada (λ) é de
uma chegada por minuto e o ritmo de atendimento (μ) é de 1,2
atendimentos por minuto (seguem o modelo marcoviano M/M/1). A
fábrica paga $9,00 por hora ao atendente e $18,00 por hora ao
operário.
Determine:
a) O custo horário do sistema.
(Resposta: $99,00 por hora)
b) A fração do dia em que o atendente não trabalha.
(Resposta: 16%)
5) Uma cooperativa agrícola prevê um crescimento na chegada de
caminhões a seu terminal de descarga. O pátio de estacionamento,
onde os caminhões permanecem, comporta seis caminhões. A
cooperativa acha aceitável que um caminhão aguarde na fila sua vez
de descarregar no máximo 0,75h. Como a equipe de descarga tem
condições de descarregar quatro caminhões por hora em média,
deseja-se saber:
a) Qual a taxa média de chegada que faz com que o tempo médio de
espera seja igual ao máximo admissível?
(Resposta: 3 caminhões por hora)
b) Para essa taxa de chegadas, qual a probabilidade de que o pátio
não seja suficiente?
(Resposta:0,10)
6) Em um sistema de uma fila e um canal, foram medidos a taxa de
ocupação (0,8) e o tempo médio gasto na fila (15 min). Determine as
seguintes probabilidades:
a) De ocorrer 10 chegadas por hora;
(0,0898)
b) De que ocorram 12 atendimentos por hora e
(0,066)
c) De formar uma fila com 10 clientes.
(0,0215)
56
5-Revisão de Probabilidade
5.1-Introdução
57
Referimo-nos a P(E) como a probabilidade do evento E.
Para deduzir uma fórmula para P(E U F), primeiro notamos que E U F
pode ser escrito como a união dos dois eventos disjuntos E e E'F
58
Diagrama de Venn
5.2-Probabilidade condicional
59
5.3-Variáveis aleatórias
Exemplo:
60
Valor Esperado.
Exemplo:
Variância
61
tenham todas a mesma esperança -que é igual a O - existe uma
dispersão muito maior nos valores possíveis de Y do que naqueles de
W (que é uma constante) e nos valores possíveis de Z do que
naqueles de Y. Como esperamos que X assuma valores em torno de
sua média E[q], parece razoável que uma maneira de medir a
possível variação de X seja ver, em média, quão distante X estaria de
sua média. Uma possível maneira de se medir essa variação seria
considerar a grandeza E[IX- pl], onde p = E[X]. Entretanto, a
manipulação dessa grandeza seria matematicamente inconveniente.
Por esse motivo, uma grandeza mais tratável é usualmente
considerada, esta é a esperança do quadrado da diferença entre X e
sua média. Temos assim a definição a seguir.
Covariância
62
Se X e Y são variáveis aleatórias de valor real e a, b, c e d constantes
("constante", neste contexto significa não aleatória), então os
seguintes fatos são uma consequência da definição da covariância:
Variância da soma
5.4-Exercícios
63
2) Uma variável aleatória discreta pode assumir cinco valores,
conforme a distribuição de probabilidade:
64
6)De acordo com o enunciado do exercício 5, suponha que um novo
segurado sofra um acidente em menos de um ano após a compra da
apólice. Qual é a probabilidade de que ele seja propenso a acidentes?
65
6-Análise de decisão
6.1-Introdução
66
4. Uma empresa do setor agrícola selecionando o mix de plantações e
de animais de cria para a próxima temporada. Quais serão as
condições climáticas? Quais serão os preços? Quais serão os custos?
6.2-Exemplo Protótipo
Tabela Prêmio
67
Qual a decisão que a companhia GoferBroke deve tomar:
68
Como a matriz de Payoff é geralmente formada para o Tomador de
Decisão (os valores da matriz são os payoff para o jogador A), a
decisão pode ser tomada baseada no Critério de Maximin Payoff.
Critério de Maximin Payoff: para cada ação (estratégia), encontrar o
mínimo payoff entre todos os Estados da Natureza e então encontrar
o máximo destes payoff mínimos. Escolher a ação cujo mínimo payoff
resultou neste máximo.
Tabela Prêmio
Este critério assume como decisão a ser tomada a que for mais
provável. Critério de Máxima Verossimilhança: identificar o Estado da
Natureza mais provável (o com maior probabilidade). Para este
Estado da Natureza, encontrar a ação com máximo payoff. Escolher
esta ação. Aplicando este critério para o exemplo protótipo, indica
que o Estado Poço Seco possui a maior probabilidade. Na coluna
"Poço Seco", a alternativa "Vender a terra" possui o maior payoff.
69
Com isso, a ação a ser tomada, segundo este critério é vender a
terra. O maior problema deste critério é que este ignora
completamente muita informação relevante. Nenhum outro Estado da
Natureza é considerado, a não ser o mais provável.
70
Tomada de Decisão Com Experimentação
71
Probabilidades a Posteriori dos respectivos Estados da Natureza dada
as Sondagens Sísmicas.
72
No diagrama de árvore, as Probabilidades a Priori estão na primeira coluna e
as Probabilidades Condicionais estão na segunda coluna.
73
pode ser aplicada simplesmente como em (1) e (2), com as Probabilidades a
Posteriori no lugar das Probabilidades a Priori. De novo, usando os payoffs
dados e subtraindo o custo da experimentação, obtém-se o seguinte
resultado:
= 60
E[Prêmio (venda/Descoberta=FSS)]=(1/7)*(90)+(6/7)*(90)-30 = 60
Tabela Prêmio
74
Esperado da Informação Perfeita (EVPI) fornece um limite superior para o
valor potencial do experimento. Portanto, se este limite superior é menor
que o custo da experimentação, a experimentação não deve ser realizada.
Entretanto, se este limite superior excede o custo da experimentação, então
um segundo método deverá ser utilizado. Este segundo método calcula a
melhora atual no Payoff Esperado (ignorando o custo da experimentação)
que resultaria a partir de realizar a experimentação. A comparação da
melhora do Payoff Esperado com o custo indica se a experimentação deve
ou não ser realizada. Valor Esperado da Informação Perfeita: admitindo que
a experimentação permita identificar o verdadeiro Estado da Natureza
(informação perfeita) e portanto, a ação a ser realizada é aquela que fornece
o maior Payoff para aquele Estado. Uma vez que não se conhece qual o
Estado da Natureza que será identificado como verdadeiro Estado da
Natureza, o cálculo do Payoff Esperado com Informação Perfeita (ignorando
os custos da experimentação) requer ponderar o máximo Payoff para cada
Estado da Natureza pelas suas respectivas Probabilidades a Priori. A tabela a
seguir mostra os Payoff Máximos (em milhares de $) para os possíveis
Estados da Natureza do exemplo protótipo.
Tabela Prêmio
75
O Valor Esperado da Informação Perfeita (EVPI) é calculado como: EVPI =
EVWPI− EVWOE onde EVWOE é o Valor Esperado Sem Experimentação.
Geralmente a experimentação não fornece Informação Perfeita, porém o
EVPI fornece um limite superior do valor esperado da experimentação. Para
o exemplo protótipo, o Valor Esperado Sem Experimentação é 100.
Portanto:
EVPI = 242 5. −100 = 142 5. Uma vez que 142.5 é maior que 30 (custo do
levantamento geofísico), deve-se proceder com o levantamento geofísico. O
segundo método citado abaixo avalia o potencial benefício da
experimentação.
6.3- Exercícios
Por outro lado, você acredita que seja possível atribuir probabilidades
aos estados da natureza da seguinte forma:
P(EN1) = 0,30 P(EN2) = 0,25 P(EN3) = 0,45
Escolha a melhor alternativa sob risco.
2)Localização de lojas
• 3 cidades, ABC • d(A,B)=10, d(A,C)=20, d(B,C)=15
• P(A)=45%, P(B)=35%, P(C)=20%
76
• Rede I (Grande) e rede II (pequena); se I e II juntas ou
equidistantes, I fica com 65%; I mais próxima fica com 90% ; I mais
distante fica com 40% e I não fica em C
• Onde I deve localizar a nova loja?
3) A Silicon Dynamics desenvolveu um novo chip de computador que
lhe permitirá começar a produzir e comercializar um computador
pessoal se ela assim o quiser. Alternativamente, ela pode vender os
direitos referentes ao chip de computador por US$ 15 milhões. Se a
empresa optar por fabricar computadores, a lucratividade da
operação dependerá da habilidade da empresa em comercializar o
computador durante o primeiro ano. Ela tem acesso suficiente a lojas
que lhe pode garantir a venda de 10.000 computadores. No entanto,
se esse computador for bem-aceito pelo mercado, a empresa poderá
vender 100.000 máquinas. Para fins de análise, esses dois níveis de
vendas são considerados como os dois resultados possíveis para
comercialização do computador, mas não está claro quais seriam
suas probabilidades prévias. O custo de implantação inicial da linha
de montagem é de US$ 6 milhões. A diferença entre o preço de
venda e o custo variável de cada computador é de US$ 600.
(a) Desenvolva uma formulação de análise de decisão para esse
problema identificando as alternativas de decisão, os estados de
natureza e a tabela de prêmios.
(b) Desenvolva um gráfico que represente o prêmio esperado para
cada uma das alternativas de decisão versus a probabilidade prévia
de vender 10.000 computadores.
77
Anexo
Exemplo 1
Mix de produção.
Max = 4 * XA + 2 * XB + 3 * XC ;
7 * XA + 3 * XB + 6 * XC <= 150 ;
4 * XA + 4 * XB + 5 * XC <= 200;
XA >= 0;
XB >= 0;
XC >= 0;
Exemplo 2
Problema da dieta.
MIN = 10.8 * X1 + 20.5 * X2 + 22.5 * X3 + 21.2 * X4 + 16.1 * X5
+ 15 * X6 ;
X1 >= 0;
X2 >= 0;
X3 >= 0;
X4 >= 0;
X5 >= 0;
X6 >= 0;
Exemplo 3.
78
Problema de transporte.
MIN = 1 * X11 + 0.8 * X12 + 3 * X13 + 4.5 * X14 + 1.5 * X21 + 0.6
* X22 + 2.5 * X23 + 3 * X24 + 6 * X31 + 5 * X32 + 1.2 * X33 + 2.8
* X34 ;
X11 >= 0;
X12 >= 0;
X13 >= 0;
X14 >= 0;
X21 >= 0;
X22 >= 0;
X23 >= 0;
X24 >= 0;
X31 >= 0;
X32 >= 0;
X33 >= 0;
X34 >= 0;
Exemplo 4.
Seleção de mídias para propaganda.
79
X1 >= 3 ;
X2 >= 2 ;
X3 >= 5 ;
X3 <= 10 ;
X4 >=5 ;
X4 <= 10 ;
Exemplo 7
Mistura para gasolinas.
MAX = 5.5 * ( X1A + X2A + X3A + X4A )+ 4.5 * ( X1B + X2B + X3B
+ X4B ) + 3.5 * ( X1C + X2C + X3C + X4C ) - 3 * ( X1A + X1B +
X1C ) - 6 * ( X2A + X2B + X2C ) - 4* ( X3A + X3B + X3C) - 5 * (
X4A + X4B + X4C );
80
MAX = 5.5 * ( X1A + X2A + X3A + X4A )+ 4.5 * ( X1B + X2B + X3B
+ X4B ) + 3.5 * ( X1C + X2C + X3C + X4C ) - 3 * ( X1A + X1B +
X1C ) - 6 * ( X2A + X2B + X2C ) - 4* ( X3A + X3B + X3C) - 5 * (
X4A + X4B + X4C );
@GIN ( X1A ) ;
@GIN ( X1B ) ;
@GIN ( X1C ) ;
@GIN ( X2A ) ;
@GIN ( X2B ) ;
@GIN ( X2C ) ;
@GIN ( X3A ) ;
@GIN ( X3B ) ;
@GIN ( X3C ) ;
@GIN ( X4A ) ;
@GIN ( X4B ) ;
@GIN ( X4C ) ;
81
0.5 * x1 + 0.5 * x2 = 6 ;
x1 >= 0 ;
x2 >= 0 ;
Exercício 2)
X1 + X4 + X7 <= 400 ;
X2 + X5 + Xg <= 600 ;
X3 + X6 + X9 <= 300 ;
3 * x1 + 2 * x4 + X7 <= 600 ;
3 * X2 + 2 * x5 + X8 <= 800 ;
3 * X3 + 2 * x6 + X9 <= 375 ;
X1 + X2 + X3 <= 600 ;
X4 + X5 + X6 <= 500 ;
X7 + X8 + X9 <= 325 ;
(( X3 + X6 + X9)/300) = (( X1 + X4 + X7)/400) ;
X1 >= 0;
X2 >= 0;
X3 >= 0;
X4 >= 0;
X5 >= 0;
X6 >= 0;
X7 >= 0;
82
X8 >= 0;
X9 >= 0;
Exercício 3)
min = 8 * x1 + 10 * x2 + 7 * x3 + 6 * x4 + 11 * x5 + 9 * x6 ;
12 * x1 + 9 * x2 + 25 * x3 + 20 * x4 + 17 * x5 + 13 * x6 >= 60 ;
35 * x1 + 42 * x2 + 18 * x3 + 31 * x4 + 56 * x5 + 49 * x6 >= 150;
37 * x1 + 53 * x2 + 28 * x3 + 24 * x4 + 29 * x5 + 20 * x6 >= 125;
X1 <= 1;
X2 <= 1;
X3 <= 1;
X4 <= 1;
X5 <= 1;
X6 <= 1;
X1 >= 0;
X2 >= 0;
X3 >= 0;
X4 >= 0;
X5 >= 0;
X6 >= 0;
83
84
Referências
85