INTRODUO

Atualmente os desafios dos negcios so virtualmente esmagadores. Os clientes querem produtos sob encomenda produzidos em massa e servios mais rpidos e eficientes; os acionistas demandam maiores retornos atravs de receitas e eficincia maiores; o comrcio eletrnico e outros canais de distribuio emergentes mudaram as expectativas dos clientes; a competio ocorre em escala global e cresce todos os dias de maneira ameaadora. Otimizao de recursos e processos a chave para transformar estes desafios em uma vantagem competitiva. A Otimizao capacita as empresas a tomar decises melhores no comprometimento de recursos, incluindo equipamento, capital, pessoal, veculos, matriasprimas , tempo e instalaes. Do planejamento de longo prazo s decises ttico operacionais, a tecnologia de otimizao pode melhorar dramaticamente a habilidade de se tomar decises corretas no importando o tipo de negcio. PLANEJAMENTO DE CAPACIDADE Existem duas abordagens principais para gerenciar o tempo em problemas de planejamento e de sequenciamento. A primeira a abordagem fina que computa a seqncia entre atividades e o instante de incio de cada atividade que chamaremos de seqenciamento de curto prazo. A segunda abordagem consiste em dividir-se o tempo em perodos chamados intervalos, e decidir quais atividades executar em cada intervalo. Chamaremos esta abordagem de planejamento de capacidade. Para resolver um problema de planejamento de capacidade, precisamos determinar quais atividades executar nos intervalos de tempo pr-definidos. Tambm devem ser consideradas tabelas de capacidade de recursos, restries oramentrias, prioridades e regras de negcio. Problemas de planejamento de capacidade tem modelos naturalmente lineares e a otimalidade das solues usualmente um requisito chave. Vamos ilustrar o planejamento de capacidade com um exemplo. Joo uma pessoa muito organizada. Ele planeja para cada dia seu trabalho e suas tarefas caseiras. Ele tem um conjunto de tarefas a serem feitas em cada dia. Estas tarefas consomem um montante do seu tempo e do seu oramento dirio e representam a demanda que ele precisa atender. Seus recursos so seu tempo disponvel e seu oramento dirio. Para resolver este problema simples de planejamento de capacidade, ele define intervalos de um dia e deve decidir quais tarefas fazer em cada dia, isto em cada intervalo. Neste processo ele vai levar em considerao, numa base diria, seu tempo de trabalho disponvel, seus limites oramentrios e suas prioridades. Este processo de planejamento ilustrado no diagrama abaixo. Aqui, cada uma das tarefas a serem executadas envolve sub tarefas que so de natureza similar, mas com duraes diferentes que dependem do dia em que a tarefa executada. Prioridades so consideradas pelo fato de se ter que completar certas sub tarefas antes de outras.

Rua Bolivia, 399 Jd Amrica 01437-040 - So Paulo SP Tel: 011-3062-6133 www.choose.com.br Pg 1 de 10

Tarefas a executar
P12
P 205
P 205
P3 P3 P3 P3

P 12

P 205

Restries de capacidade Prioridades Q u a n P3 P3 t P 205 i P 12 P 12 d .

Off
P 205
P3

P 12

P 205

P 12

P 205 P3 Intervalos

Genericamente, planejamento de capacidade muito usado em problemas de otimizao, desde planejamento de manufatura de longo prazo, a escala de pessoal em redes de telecomunicaes. SEQUENCIAMENTO DE CURTO PRAZO. Para ilustrar o que significa aplicaes de sequenciamento de curto prazo, vamos modificar o exemplo de planejamento do Joo. Com a abordagem de planejamento de capacidade , Joo fez seu plano de trabalho, mas no calculou a seqncia na qual ele vai executar as tarefas em cada dia e tampouco o instante de incio de cada tarefa. Da maneira como este exemplo foi estabelecido, decidir a seqncia e instantes de incio das tarefas bastante simples. Podemos sequenciar as tarefas seguindo qualquer ordem. Mas, se Joo tiver que respeitar qualquer precedncia ou restries de sincronismo entre as tarefas, ento algumas seqncias j no sero mais viveis. Joo necessita agora planejar a sequncia correta de tarefas que satisfaam a todas as limitaes de capacidade, restries de precedncia, e prazos limites. Se as tarefas so executadas em localizaes diferentes, e se a durao da tarefa de viajar entre Quantidades Plano de trabalho localidades varia, ento um P 12 P 205 P3 P3 sequenciamento ruim vai consumir muito P3 P 205 P 205 P 12 P 12 tempo de viagem, enquanto que um bom P 12 P 205 P3 sequenciamento vai minimizar este Intervalos Sequencia tarefas, Computa incios Respeita janelas de tempo tempo. Por outro lado, se Joo est Programa trabalhando na sua garagem e algumas Utilizao Recurso .... tarefas requerem que algumas Part 2014 Part 2011 Part 301 ... 70% Rx-1 ... 40% ferramentas sejam preparadas antes do Part 3030 Part 3012 Rz-1 Part 3012 ... 40% Rz -2 incio, ento um bom sequenciamento ... 60% Rxz 1 reagrupa as tarefas que requerem a mesma preparao de ferramentas de Ilustrao de uma soluo de sequenciamento de curto prazo modo a minimizar os tempos de preparao. Um sequenciamento ruim

Rua Bolivia, 399 Jd Amrica 01437-040 - So Paulo SP Tel: 011-3062-6133 www.choose.com.br Pg 2 de 10

acarreta ao Joo muito tempo na mudana de ferramentas. Chamamos estes problemas para os quais tempo e sequencia so importantes de aplicaes de sequenciamento de curto prazo. A figura ilustra uma soluo para este problema. Genericamente, problemas de sequenciamento de curto prazo so comuns na indstria. Exemplos incluem sequenciamento de manufatura, incumbncia de satlites, ou de transmisses em redes de telecomunicaes. ROTEAMENTO DE VECULOS E DESPACHO DE TCNICOS Um trajeto uma dimenso espacial que pode ser adicionada a problemas de alocao de recursos e que torna sua soluo muito mais difcil. Um trajeto consiste em um conjunto de localizaes de clientes a serem visitadas com o menor custo possvel, usualmente comeando e Garagem ou Base terminando no mesmo local ou garagem. Estes problemas so tpicos do despacho Trajetos otimizados de tcnicos para servio de campo do roteamento de veculos. Uma soluo de roteamento ilustrada na figura seguinte.

Cliente [Horrio Entregas] [11h-13h]

CONFIGURAO INTERATIVA Configurao pode ser usada para construir uma aplicao interativa que permite um comprador selecionar uma, dentre varias opes de comprar um produto acabado feito sob medida para as suas necessidades especficas. Estas aplicaes podem ser projetadas para configurar um carro, um computador pessoal ou um sistema de entretenimento pessoal. O exemplo seguinte ilustra como um comprador pode configurar um sistema de som estereofnico baseado nas restries de preo e requisitos de qualidade de som. Uma vez que os web sites corporativos evoluram de um simples folheto para oferecer ao cliente um auto-servio no pedido de mercadorias, este sistema de som pode ser configurado inteiramente on-line. PRTICAS CORRENTES EM OTIMIZAO Problemas de alocao de recursos envolvem a tomada de muitas decises. Cada deciso tem um nmero limitado de possveis atribuies e devem satisfazer restries operacionais. Freqentemente, tambm especificada, uma funo objetivo que deva ser maximizada ou minimizada. Um problema sem funo objetivo tambm chamado de problema de satisfao de restries, e tcnicas de otimizao podem tambm ser aplicadas a esses problemas. Estes atributos - mltiplas decises, resultados limitados, satisfao de restries e funes objetivo definem uma classe de problemas chamada problemas de otimizao combinatria (POC). Cada aplicao listada na introduo deste trabalho cai nesta classe. Para um POC, uma srie de decises devem ser tomadas ao mesmo tempo, uma srie de restries devem ser satisfeitas e possivelmente uma funo objetivo de custo (ou de lucro) ser otimizada. Esta
Rua Bolivia, 399 Jd Amrica 01437-040 - So Paulo SP Tel: 011-3062-6133 www.choose.com.br Pg 3 de 10

categoria de problema pode ser representada por um conjunto de variveis de deciso, o conjunto de restries a serem satisfeitas e uma funo objetivo a ser otimizada, ou uma srie ponderada de objetivos de negcio deve ser otimizada. Notemos que, os problemas em que o nmero potencial de resultados infinito no so POCs. Pelo fato dos POCs envolverem um nmero enorme de solues possveis, das quais somente uma parte vivel e delas somente algumas poucas so timas, algoritmos de busca devem ser extremamente eficientes. OTIMIZAO Otimizao o processo de se encontrar a melhor soluo, ou timo, de um conjunto de solues. As abordagens de otimizao caem em duas categorias diferentes; global e local. A abordagem de otimizao global encontra a melhor soluo , o timo global, de um conjunto de todas as solues. A abordagem de otimizao local encontra a melhor soluo, o timo local, dentre um conjunto limitado de solues que so prximas uma das outras.Na otimizao local, a soluo encontrada depende do ponto de partida para a otimizao. A otimizao global vai sempre encontrar a mesma soluo, o timo global, independentemente do ponto de partida, mas vai requerer usualmente, maior poder computacional. Em algumas aplicaes, pode ser quase impossvel encontrar o timo global, ou pode no haver uma maneira de verificar que uma soluo corresponde ao timo global. Entretanto timos locais podem mostrar-se benficos. De fato, em muitos casos a procura do timo global pode no ser necessria. s vezes encontrar rapidamente uma boa soluo, isto , um timo local mais desejvel do que encontrar a melhor soluo, isto , um timo global porm com demora. De fato, s vezes encontrar rapidamente uma soluo vivel qualquer, tem mais valor para o negcio. Existem muitas abordagens diferentes em otimizao. A melhor abordagem depende do problema e bem como dos requisitos do negcio. Neste captulo vrias tcnicas de otimizao so consideradas. Programao linear e inteira so as abordagens mais bem conhecidas e so muito usadas para otimizar objetivos econmicos. Programao por restries uma tcnica relativamente nova que provou ser particularmente poderosa para resolver problemas de sequenciamento e outros problemas onde programao linear e inteira so insuficientes. Estas abordagens so as principais tcnicas de otimizao usadas no mercado. A parte crtica para a otimizao com sucesso dos POCs a formulao do problema. Existem usualmente mltiplas formulaes possveis para qualquer POC em particular. Variveis de deciso, uma funo objetivo e um conjunto de restries descrevem os problemas. A estrutura destas variveis e funes, freqentemente determina a melhor abordagem para se resolver o problema. Por exemplo se todas as variveis de deciso so reais e a funo objetivo e as restries so funes lineares, ento programao linear normalmente a melhor abordagem a ser utilizada. Por outro lado, quando uma formulao requer funes no lineares, variveis conjunto, ou restries e variveis lgicas ento o problema tem que ser resolvido diferentemente. A capacidade de cada tcnica de otimizao de lidar com caractersticas destes tipos de problemas fundamental na seleo da tcnica de abordagem. VARIVEIS DE DECISO Variveis de deciso so usadas para representar decises que precisam ser tomadas. Por exemplo, uma empresa de cereais pode querer saber qual proporo de seu novo cereal deve ser feito de trigo desfibrado. Esta deciso pode ser representada por uma varivel real na faixa [0,1]. Como outro exemplo, um programador de mquina pode querer saber qual componente processar primeiro dentre trs componentes. Esta deciso representada por uma varivel discreta com valores possveis em {A, B, C}.
Rua Bolivia, 399 Jd Amrica 01437-040 - So Paulo SP Tel: 011-3062-6133 www.choose.com.br Pg 4 de 10

Existem cinco tipos principais de variveis usadas para representar decises. - Variveis Reais tem um limite superior e inferior (l e u respectivamente) e podem assumir qualquer valor na faixa [l,u]. Os limites podem ser finitos ou infinitos. - Variveis Inteiras tem um limite inferior e superior (l e u respectivamente) e pode assumir um valor inteiro na faixa [l,u]. freqentemente recomendado que ambos os limites sejam finitos. - Variveis Lgicas podem assumir os valores verdadeiro ou falso. Estas variveis podem ser representadas por uma varivel inteira com um limite inferior de valor 0 (para falso) e um limite superior de valor 1 (para verdadeiro). - Variveis Escolha tem um conjunto de possveis valores (por exemplo o cdigo de barras de produtos) e devem assumir um destes valores. Estas variveis so comumente representadas por uma varivel inteira com limite inferior de valor 1 e limite superior igual ao nmero de valores possveis. Os inteiros nesta faixa correspondem s diferentes escolhas. - Variveis Conjunto tem diferentes conjuntos de valores possveis (p. ex. o conjunto de produtos para armazenar em um continer) e deve assumir um destes conjuntos. Estas variveis podem ser representadas como variveis de escolha, mas suas interaes com outras variveis so freqentemente mais complexas. FUNO OBJETIVO A funo objetivo (e seu sentido, minimizao ou maximizao) descreve o resultado a ser atingido (econmico ou outro) por uma conjunto especfico de variveis de deciso. Por exemplo, uma empresa de cereais pode estar decidindo as propores dos vrios ingredientes da mistura para fazer um novo cereal e pode querer minimizar custos. O objetivo econmico de uma mistura especfica de ingredientes seria o mnimo custo de aquisio e processamento dos montantes (variveis de deciso) de ingredientes na mistura. Funes objetivo so classificadas em dois diferentes tipos. - Funes objetivo lineares envolvem uma combinao linear de variveis de deciso, isto cada varivel de deciso multiplicada por uma constante e estes valores so somados. Isto comum para muitas funes de custo. Por exemplo C (x1, x2, ... , xn) = (a1 * x1 + a2 * x2 + ... + an * xn) . - Funes objetivo no lineares permitem qualquer funo das variveis de deciso, cobrindo uma larga faixa de interaes e relaes que podem ocorrer em situaes da vida real. Por exemplo C (x1, x2) = (x1 * x1 + x1 * x2) ou c (x1, x2) = [log(x1) + sen (x2)]. RESTRIES Restries descrevem condies fsicas e lgicas que as variveis de deciso devem obedecer. Por exemplo, a empresa de cereal mencionada previamente pode querer que suas misturas de ingredientes tenham um nvel especfico de fibras. Como outro exemplo, uma construtora pode querer saber quando comear cada atividade quando construindo uma casa e tendo o requisito especfico que o telhado no pode ser colocado at que a estrutura inicial esteja construda. Restries podem ser lineares e no lineares. Em particular restries podem ser lgicas, por exemplo se A ento no B. Por exemplo, uma construtora pode especificar que se um compressor de ar est sendo usado para jateamento, ento ele no pode estar disponvel para pintura ao mesmo tempo. Uma restrio de forma puramente no
Rua Bolivia, 399 Jd Amrica 01437-040 - So Paulo SP Tel: 011-3062-6133 www.choose.com.br Pg 5 de 10

linear como por exemplo [sen (x) + log (y)] tambm possvel, mas tais funes no so usadas em problemas de otimizao combinatria. PRTICAS CORRENTES NA SOLUO DE PROBLEMAS DE OTIMIZAO COMBINATRIA. Uma maneira de resolver um problema de otimizao desenvolver um algoritmo especfico (uma heurstica) totalmente novo para resolver o problema. Isto tem a vantagem de explorar o conhecimento especfico do problema. A desvantagem que este desenvolvimento pode tomar um tempo longo para encontrar uma soluo realmente satisfatria do problema e a manuteno dependente da maneira prpria de pensar do autor do software. Pior ainda, se o problema muda de maneira sbita o algoritmo pode ter que ser inutilizado ou reinventado. Felizmente existem vrias outras maneiras que podem ser usadas para resolver POCs. PACOTES DE FERRAMENTAS DE SIMULAO Pacotes de ferramentas para simulao de alocao de recursos representam uma abordagem para resolver POCs. Diversos pacotes de software oferecem anlise de dados e ferramentas de simulao para auxiliar o usurio no planejamento manual de alocao dos seus recursos e fornecendo assim aplicaes grficas para simulao interativa. Estas ferramentas identificam e reportam inconsistncias no sequenciamento ou falta de recursos. Infelizmente, estas ferramentas somente podem avaliar um plano proposto. Elas no podem propor um plano vivel satisfazendo as restries do problema e no podem construir um plano vivel que otimize quaisquer fatores econmicos. Isto suficiente se o planejamento puder ser feito manualmente mas torna-se insuficiente to logo o planejador se defronte com um grande nmero de demandas ou que as restries e movimentaes do negcio sejam mais complexas. Alguns sistemas so mais sofisticados e podem construir planos iniciais para alocao de recursos. Eles tem inclusas, heursticas para alocar tarefas aos recursos e seguem um processo simples para construir planos. Usam heursticas para adivinhar uma boa escolha dentre as alternativas potenciais para cada deciso. Entretanto, uma vez tomadas , as decises no podem ser mudadas at que o processo termine. Isto significa que se a heurstica toma uma deciso, que se prova errada, posteriomente no processo, o plano se torna de m qualidade e pode no satisfazer algumas das restries. O plano tem que ser congelado e melhorado manualmente. Esta soluo boa para problemas simples, mas to logo as restries do problema vinculam outras decises relacionadas ou se a empresa est procurando uma soluo para otimizar fatores econmicos, estes sistemas geram problemas. A primeira estimativa no necessariamente a melhor e congelar o plano pode tomar mais tempo do que construir um novo. Os planejadores ficam limitados primeira tentativa da heurstica. Para superar estas limitaes, as empresas lderes necessitam aplicaes de otimizao de recursos feitas sob medida para suas restries e objetivos especficos. Entretanto, o tempo, custo e risco no desenvolvimento da aplicao devem ser controlados. As prximas sees detalham as alternativas disponveis. SISTEMAS ESPECIALISTAS Outra abordagem a ser usada utilizar um sistema especialista baseado num conjunto de regras que forneam maneiras flexveis de modelar diretamente as restries e variveis do problema. Por exemplo, estabelecer uma regra que diga Produto A e produto B no podem ficar no mesmo almoxarifado fcil com tal sistema. Sistemas especialistas so particularmente bem adaptados a filtragem e correlao de dados e bem como, na captura do
Rua Bolivia, 399 Jd Amrica 01437-040 - So Paulo SP Tel: 011-3062-6133 www.choose.com.br Pg 6 de 10

conhecimento humano para resolver o problema. O usurio de um sistema especialista estabelece um conjunto de regras que as variveis de deciso devem satisfazer. Dados os valores das variveis que produzem uma soluo potencial, as regras so verificadas e o sistema especialista indica se a soluo aceitvel ou no. Um sistema especialista no indica como encontrar solues potenciais, isto , valores das variveis de deciso que satisfazem as regras, e assim, ele no fornece ao problema os algoritmos necessrios para realmente otimizar sobre as restries do problema. Apesar da performance, raramente conduzir a resultados com rapidez suficiente para satisfazer as necessidades do negcio, sistemas especialistas so muito bons em aplicaes de diagnose, tais como, reconhecimento de alarmes e personalizao da web. HEURSTICAS ESPECFICAS PARA O PROBLEMA Algoritmos genticos, busca tabu e simulated annealing so exemplos de heursticasespecficas para resoluo de POCs. Estes algoritmos precisam ser especificamente adaptados a POCs individuais. Mudanas nos dados de entrada podem afetar drasticamente a performance, e a adio de novas restries ou a modificao da funo objetivo, geralmente requerem mudanas significativas da heurstica de modo a obter a melhor performance possvel. Enquanto conceitualmente, fceis de entender , estes mtodos, quando implementados em software , podem requerer tempo e esforo adicional para manter o software ao longo do tempo, pois as implementaes so muito especficas para o problema sendo resolvido. PROGRAMAO MATEMTICA O campo de programao matemtica surgiu do estudo de programao linear. No livro-texto original de Dantzig [Dantzig, 1963], o conceito de programao linear foi introduzido atravs da descrio de alguns poucos e diferentes problemas de planejamento . Dantzig considerado o pai da programao linear pelo seu desenvolvimento do mtodo simplex de programao linear. Os problemas que Dantzig estudou, enquanto desenvolvia o algoritmo do simplex eram problemas de programao porque o Departamento de Defesa dos Estados Unidos na era do ps 2a Guerra Mundial estava patrocinando pesquisa para programas de atividades de futuros conflitos. T.C. Koopmans sugeriu a Dantzig o uso do termo programao linear em oposio programao em uma estrutura lineare o Professor Al Tucker ento sugeriu a Dantzig chamar o problema de programao linear de programa linear [Dantzig e Thapa,1997]. Assim o termo programa antes usado para descrever um plano de atividades, tornou-se associado a um problema matemtico especfico na comunidade de pesquisa operacional. A partir deste desenvolvimento , centenas de milhares de trabalhos foram escritos a respeito da teoria da programao matemtica e aplicaes. As tecnologias de programao linear (LP) , programao quadrtica (QP) e programao inteira mista (MIP) esto bem entendidas e largamente usadas nas comunidades de pesquisa operacional e de programao matemtica. Estas abordagens tiveram um tremendo sucesso na resoluo de uma larga faixa de problemas comerciais de alocao de recursos. Algortmos de programao linear e inteira so inquestionavelmente poderosos, teis e vitalmente necessrios em otimizao. Algoritmos de LP e MIP so ideais para aplicaes nas quais os usurios querem otimalidade comprovada. Usurios das tecnologias de LP e MIP podem guiar a busca da soluo com o seu conhecimento do problema selecionando estratgias de branching, determinando ordem de prioridade e ainda criando estratgias de branching sob medida.

Rua Bolivia, 399 Jd Amrica 01437-040 - So Paulo SP Tel: 011-3062-6133 www.choose.com.br Pg 7 de 10

OTIMIZAO COM BASE EM RESTRIES Programao por restries tambm chamada de programao lgica por restries e foi originada na comunidade de inteligncia artificial. Aqui a palavra programao refere-se a programao de computadores. Um programa de computador pode ser visto como um plano de ao para as operaes do computador e portanto, o conceito comum de plano partilhado com as origens da programao linear. Um programa de restries no o equacionamento do problema como em programao matemtica, mas sim o programa de computador que indica um mtodo para resolver um problema em particular. Otimizao baseada em restries, objetiva prover o usurio com algoritmos poderosos atravs de uma API (Application Programm Interface) orientada a objetos. Isto combina o poder de algoritmos sofisticados com a flexibilidade e capacidade de modelagem dos sistemas especialistas. A chave permitir descries dos problemas que sejam concisas e usar algoritmos potentes para computar rapidamente as solues. Restries lgicas Uma ferramenta de otimizao baseada em restries fornece meios para declarar Configurao Sequenciamento variveis de deciso, estabelecer restries e resolver os problemas Alocao Planejamento resultantes. O forte da abordagem que de Recursos da Produo ela permite uma clara separao entre a declarao do problema (as variveis e Escala de Pessoal Blending restries) e a resoluo dos problemas Distrib. Da Frota Restries Contr. Estoques lineares (os algoritmos). Sistemas baseados em restries funcionam bem em problemas Variveis Inteiras Variveis floating point com grande nmero de solues e Tipos de aplicao e tcnicas de otimizao conduz a resultados rapidamente. Estes sistemas so tambm capazes de acomodar perturbaes nos problemas e evoluir as necessidades do negcio. Fornecem tambm uma estrutura para acomodar novos algoritmos, tal como busca local, busca tabu e simulated annealing.
CLASSIFICAO DOS PROBLEMAS DE OTIMIZAO E TCNICAS DE SOLUO Problemas maiores de otimizao de recursos podem ser classificados de acordo com o tipo de variveis e de restries de modo a encontrar o melhor casamento entre estes problemas e as tcnicas correntes de otimizao. O diagrama seguinte mostra o mapeamento (tipo de variveis versus tipo de restries) dos principais tipos de problemas de otimizao. Por exemplo, problemas de mistura petroqumicos so problemas puros de otimizao linear e conseqentemente so colocados no canto esquerdo de baixo do diagrama. Problemas de sequenciamento entretanto , envolvem muitas restries lgicas sob a forma de utilizao de recursos e variveis inteiras. Estas aplicaes Restries Simulated annealing so colocadas no lado direito do Diagrama. Lgicas Sequenciamento Algoritmos Genticos Mapeando-se os problemas de otimizao de Baseado em acordo com o tipo de restrio e de varivel, Restries as tcnicas de otimizao podem ser classificadas. O diagrama seguinte ilustra Programao por como encontrar a melhor estratgia de Restries soluo para cada tipo de aplicao. Por MIP exemplo, uma vez que os problemas Programao
Restries Lineares

Linear
Rua Bolivia, 399 Jd Amrica 01437-040 -Variveis Inteiras SP So Paulo Variveis de ponto flutuante Tel: 011-3062-6133 Tipos de aplicao e tcnicas de otimizao de 10 www.choose.com.br Pg 8

petroqumicos de mistura podem ser modelados como problemas de programao linear , estes problemas podem ser casados com tcnicas de otimizao de programao linear. Assim como, problemas sequenciamento detalhado podem ser casados com sequenciamento baseado em restries. CONCLUSO Os modelos de otimizao tentam exprimir, em termos matemticos, o objetivo de se resolver um problema da melhor maneira possvel. Isto pode significar o gerenciamento de um negcio para maximizar lucros, minimizar custos, maximizar a eficincia ou minimizar o risco. Pode significar projetar-se uma ponte minimizando o peso ou maximizando a resistncia. Pode ainda significar a escolha de um plano de vo de uma aeronave para minimizar o consumo de tempo ou de combustvel. O desejo de resolver um problema de uma maneira tima to comum que modelos de otimizao surgem em quase todas as reas de aplicao. Eles foram usados at para explicar leis da natureza, tal como na derivao de Fermat na lei da refrao da luz. Modelos de otimizao tem sido usados por sculos, uma vez que seu propsito to atraente. Recentemente tornaram-se essenciais mediada que os negcios tornaram-se maiores e mais complicados e que os projetos de engenharia ficaram mais ambiciosos. Em muitas circunstancias no mais possvel ou economicamente vivel, tomar-se decises sem a ajuda de tais modelos. Em uma empresa grande, multinacional, por exemplo, um porcentual muito pequeno de melhoria nas operaes pode levar a um aumento de vrios milhes de dlares no lucro, mas alcanar este resultado pode requerer a anlise de todas as divises de uma companhia, o que uma tarefa gigantesca. Da mesma forma, seria praticamente impossvel projetar-se um novo chip de computador envolvendo milhares de transistores sem a ajuda de tais modelos. Tais modelos, com toda a complexidade e sutileza que eles podem representar , seriam de pouco valor se no pudessem ser resolvidos. As dcadas mais recentes testemunharam uma melhoria espantosa no hardware e no software dos computadores, e estes avanos tornaram os modelos de otimizao, uma prtica comum nos negcios, nas cincias e na engenharia. Atualmente possvel resolver problemas com milhares ou at milhes de variveis. Torna-se assim evidente que a aplicao de tcnicas de otimizao nos negcios uma vantagem competitiva, que coloca a empresa usuria das mesmas, definitivamente frente dos seus concorrentes.

Referncias Bixby, R.E. (1992). Implementing the Simplex Method: The Initial Basis, ORSA Journal on Computing, Vol. 4, No. 3, pp. 267-284. Bixby, R.E., Fenelon, M., Zonghao, G., Rothberg, E., and Wunderling, R. (1999). MIP: Theory and Practice Closing the Gap, System Modelling and Optimization: Methods, Theory and Applications, Kluwer, The Netherlands, M. J. D. Powell and S. Scholtes, editors, pp. 19-49, 2000. Chvatal, V (1983). Linear Programming, Freeman, New York. Dantzig, G.B. (1948). Programming in Linear Structure, Comptroller, USAF, Washington, D.C. Dantzig, G.B. (1963). Linear Programming and Extensions, Princeton University Press, Princeton, New Jersey. Dantzig, G.B. and Thapa, M.N. (1997). Linear Programming I: Introduction, Springer, New York.
Rua Bolivia, 399 Jd Amrica 01437-040 - So Paulo SP Tel: 011-3062-6133 www.choose.com.br Pg 9 de 10

De Backer, B., Furnon, V., Kilby, P., Prosser, P., Shaw, P. (1997). Solving Vehicle Routing Problems using Constraint Programming and Metaheuristics, Journal of Heuristics, Volume No., pp. 1-21. Deville, Y. and Van Hentenryck, P. (1991). An Efficient Arc Consistency Algorithm for a Class of CSP Problems, Proceedings of IJCAI, pp. 325-330. Gomory, R. E. (1960). An Algorithm for the Mixed Integer Problem, RM-2597, The Rand Corporation. Hoffman, K. and Padberg, M. (1991). Improving Representations of Zero-one Linear Programs for Branch-and-Cut, ORSA Journal of Computing Vol. 3, pp. 121-134. ILOG (1999). ILOG CPLEX 6.5 Users Manual, ILOG, Gentilly, France. ILOG (1999). ILOG Configurator 1.0 Users Manual, ILOG, Gentilly, France. ILOG (2000). ILOG Configurator White Paper, ILOG, Gentilly, France. Karmarkar, N. (1984). A New Polynomial-Time Algorithm for Linear Programming, Combinatorica 4, pp. 373-395. Lustig, I.J., Marsten, R. and Shanno, D.F. (1994). "Interior Point Methods for Linear Programming: Computational State of the Art," ORSA Journal on Computing 6(1), pp. 1-14. Lustig, I.J., Puget, J.F. (1999). Program Does Not Equal Program: Constraint Programming and Its Relationship to Mathematical Programming, to appear in Interfaces.. Puget, Jean-Franois and Leconte, Michel (1995). Beyond the Glass Box: Constraints as objects, Logic Programming, Proceedings of the 1995 International Symposium, MIT Press, pp. 513-527. Savelsbergh, M.W.P. (1994). Preprocessing and Probing for Mixed-Integer Models, Computational Optimization and Applications, Vol. 3, pp. 317-331. Williams, H.P. (1990). Model Building in Mathematical Programming, John Wiley and Sons. Wright, S.J. (1997). Primal-Dual Interior-Point Methods, SIAM, Philadelphia.

Rua Bolivia, 399 Jd Amrica 01437-040 - So Paulo SP Tel: 011-3062-6133 www.choose.com.br Pg 10 de 10