O que existe em comum entre a escolha da composição da ração de aves
para abate, a definição da agenda de trabalho de médicos e enfermeiras
num hospital, a escolha do local de construção de um centro de
distribuição de produtos e a determinação dos padrões de corte de chapas
numa indústria de embalagens?
Estes e muitos outros problemas práticos podem ser resolvidos por
meio de técnicas de Pesquisa Operacional, uma ciência multidisciplinar
que integra conhecimentos da Matemática, Estatística e Computação para a
criação de ferramentas de tomada de decisão.
As raízes da Pesquisa Operacional estão na Segunda Guerra Mundial,
quando os comandos militares britânicos e americanos
reuniram cientistas para criar métodos de alocação de recursos escassos,
como aviões, radares e submarinos, para um grande número de alvos e
operações militares (daí o nome "Operacional"). Com o crescimento
econômico pós-guerra, os métodos e ferramentas
desenvolvidos passaram a ser aplicados nos ramos comercial, industrial e
governamental, em que os recursos a serem alocados eram
matérias-primas, pessoas, máquinas, etc. 
Método
A partir da definição do problema a ser resolvido, os analistas de
Pesquisa Operacional desenvolvem modelos dos sistemas em questão, com os
quais se possa prever e comparar o resultado de alternativas de decisão
e estratégias de controle. A figura 1 ilustra, de forma simplificada,
as principais fases de um estudo de Pesquisa Operacional.
Na prática, um projeto de Pesquisa Operacional nem sempre é feito na
forma sequencial mostrada na figura 1. Os resultados preliminares, por
exemplo, podem evidenciar inconsistências no modelo, levando a uma
redefinição da formulação inicial. Ainda assim, as etapas mostradas na
figura 1 podem ser utilizadas na aplicação de qualquer ferramenta das
duas grandes áreas da Pesquisa Operacional: a Otimização e a Simulação.
Otimização
Otimização é o processo de busca pela melhor solução de um problema
que possua várias (ou infinitas) soluções
possíveis. Por exemplo, considere o caso de uma empresa que produza
latas de metal com chapas de aço que podem ser estampadas em n padrões diferentes (semelhantes aos três mostrados na figura 2).
A modelagem desse problema de corte, como a de qualquer problema de otimização, depende da definição de três itens: variáveis de decisão, que representam as grandezas que podem ser controladas no problema, uma função objetivo que determine a qualidade da solução obtida e restrições, que estabelecem limitações impostas às variáveis de decisão. Para o exemplo anterior, as variáveis de decisão poderiam ser:
pi = quantidade de chapas estampadas no padrão i (i = 1, 2, ..., n)
x = quantidade de latas produzidas (e vendidas)
Conhecidas as quantidades de tampas e corpos gerados pelo padrão Ti (respectivamente, Ti e Ci), o preço unitário de venda das latas (L) e a disponibilidade (D) de chapas, pode-se escrever o seguinte modelo de otimização:
x, pi : números inteiros e maiores ou iguais a zero (i = 1, 2, ..., n)
Esse modelo pode ser resolvido por softwares como o Risk
Solver Platform, da Frontline Systems, que funcionam agregados a
planilhas eletrônicas. O uso de planilhas facilita a visualização dos
dados de entrada (parâmetros) e saída (valores das variáveis de decisão e
função objetivo) do modelo, a análise dos resultados e, eventualmente, a
validação do modelo.
Simulação
A maioria dos modelos de otimização não consegue capturar a natureza
aleatória e dinâmica de algumas
classes de problemas reais. Nesses casos, é mais adequado construir
modelos computacionais de simulação, em que as entidades e operações do
sistema são representadas de forma gráfica.
No comments:
Post a Comment