RELATÓRIO DE ATIVIDADES

PROGRAMAÇÃO LINEAR: ESTUDO DE CASO EM UMA EMPRESA DO SETOR

AUTOMOBILISTICA

Aluna: Mayara Lima Barbosa de Tulio

Orientadora: Profa. Dra. Lilian Kátia de Oliveira

SANTO ANDRÉ
2023
 SUMÁRIO

1 INTRODUÇÃO.......................................................................................................
2 PROGRAMAÇÃO LINEAR...................................................................................
3 MÉTODO GRÁFICO..............................................................................................
4 METODO SIMPLEX...............................................................................................
5 EXEMPLO DE RESOLUÇÃO DE UM PROBLEMA PELO SIMPLEX..................
6 SOFTWARE LINDO............................................................................................
7 ESTUDO DE CASO.............................................................................................
7.1 COLETA DE DADOS MOTORES DE MÉDIO PORTE.....................................
7.1.1 Modelo matemático motores médios porte....................................................
7.1.2 Usando o Lindo para a resolução do problema.............................................
7.2 COLETA DE DADOS MOTORES DE PESADO PORTE..................................
7.2.1 Modelo matemático motores porte pesado....................................................
7.2.2 Usando o Lindo para a resolução do problema.............................................
7.3 VALIDAÇÃO PRÁTICA ....................................................................................
7.3.1 Análise Comparativa......................................................................................
7.3.2 Resultados para Motores de Porte Pesado:..................................................
7.3.3 Resultados para Motores de Porte Médio:.....................................................
8 CONSIDERAÇÕES FINAIS.................................................................................
 1

1 INTRODUÇÃO

Desde o início da revolução industrial, o mundo tem visto um notável

crescimento no tamanho e na complexidade das organizações. Um ponto essencial
desta mudança revolucionária foi com relação ao aumento da divisão de trabalho e
segmentação das responsabilidades de gerência nessas organizações. Os
resultados observados foram surpreendentes; porém, juntamente com os sucessos,
surgiram novos problemas que até hoje estão presentes em muitas instituições.
Neste contexto, podem ser citados problemas causados pela tendência de os muitos
componentes de uma organização crescerem independentes, fortalecendo-se de tal
forma que se cria uma autonomia entre eles, cada qual possuindo suas próprias
metas e sistemas de valores, perdendose assim a visão de como as atividades e
objetivos se correlacionam, compondo a organização como um todo. Também é
importante observar que à medida que cresce a complexidade e especialização das
organizações, torna-se mais difícil alocar recursos disponíveis às suas várias
atividades de modo eficaz. A necessidade de mecanismos para encontrar a melhor
resposta para esses problemas propiciaram o ambiente para o nascimento da
Pesquisa Operacional (Hillier; Lieberman, 2013).
Entretanto, o começo das atividades de pesquisa operacional, de fato, se
deu no início da Segunda Guerra Mundial. Os esforços da guerra provocaram uma
necessidade urgente de alocar recursos escassos às várias operações militares e às
atividades internas de cada operação, de maneira eficaz. As gerências militares
inglesas e americanas solicitaram um grande número de cientistas para aplicarem
uma abordagem científica para tais problemas, isto é, foi solicitado que se fizesse
pesquisas sobre as operações militares. Esses esforços foram úteis em várias
vitórias e gradualmente foram sendo implantados nas indústrias, negócios e governo
(Hillier; Lieberman, 2013).
A própria natureza do nome sugere que a pesquisa operacional envolve
pesquisa em operações, sejam elas na área governamental, industrial, etc. A
pesquisa operacional pode ser considerada como um conjunto de ferramentas que
auxiliam a conduzir e coordenar atividades dentro de uma organização; daí ser
também chamada de abordagem científica de apoio às decisões em um sistema
(Hillier; Lieberman, 2013).
 2

Assim a pesquisa operacional é a aplicação de métodos científicos a

problemas complexos para auxiliar no processo de tomada de decisões tais como
projetar, planejar e operar em situações que requerem alocações eficientes de
recursos escassos (Arenales et al., 2015).
Podemos dizer que a pesquisa operacional tem tido um impacto crescente
nas áreas administrativas, recentemente (tanto o número quanto a variedade de
aplicações continuam a crescer).
Na indústria, as aplicações são cada vez mais notáveis: aviação e mísseis,
automóveis, comunicações, computadores, energia elétrica e eletrônica, alimentos,
metalurgia, mineração, petróleo, transportes, papéis, móveis, metais, etc. Empresas
prestadoras de serviço como agências financeiras, bancos, postos de correios, e até
mesmo um sistema de delivery também utiliza as ferramentas de pesquisa
operacional na gerência de seus sistemas. Outro setor que tem se beneficiado muito
com aplicações de técnicas de pesquisa operacional é o setor público (ou
governamental). Serviços como coleta de lixo, bombeiros, polícia e saúde
apresentam um aumento elevado no nível de serviço oferecido à população devido a
estudos aplicados em suas organizações.
Os modelos de pesquisa operacional são estruturados de forma lógica e
amparados no ferramental matemático de representação, objetivando claramente da
determinação das melhores condições de funcionamento para os sistemas
representados. Os principais modelos de pesquisa operacional são denominados de
programação matemática e constituem uma das mais importantes variedades dos
modelos quantitativos (Goldbarg; Luna, 2005). Um caso particular dos modelos de
programação matemática em que as variáveis são contínuas e apresentam
comportamento linear é a programação linear.
De acordo com Hillier e Lieberman (2013) o desenvolvimento da
programação linear tem sido classificado entre os mais importantes avanços
científicos dos meados do século XX. Além disso, a programação linear usa um
modelo matemático para descrever o problema estudado e assim envolve o
planejamento de atividades para obter um resultado ótimo, isto é, um resultado que
atinja o melhor objetivo especificado (de acordo com o modelo matemático) entre
todas as alternativas viáveis.
 3

Este trabalho tem como objetivo estudar os principais conceitos de pesquisa

operacional bem como os métodos de solução de problemas. Em particular, realizar
um estudo de caso em uma empresa de pequeno porte utilizando para isto modelos
e métodos de programação linear, com o objetivo de encontrar uma solução para o
problema estudado ajudando os gestores na tomada de decisão, proporcionando
melhorias e economia para a empresa.

2 PROGRAMAÇÃO LINEAR

A representação da realidade é uma necessidade da sociedade moderna,

seja pela impossibilidade de lidar diretamente com a realidade, seja por aspectos
econômicos, seja pela complexidade. Assim, busca-se a representação da realidade
por meio de modelos que sejam bem estruturados e representativos desta realidade.
A modelagem de um problema complexo não é uma tarefa trivial pois
depende de fatores subjetivos como intuição, experiência, criatividade. A formulação
consiste em traduzir o modelo em linguagem matemática compreendendo variáveis,
equações, desigualdades e fórmulas. Os processos de formulação e validação são
iterativos, pois envolvem múltiplas etapas de tentativa e erro.
Uma abordagem frequentemente empregada na formulação e resolução de
problemas consiste no emprego de modelos de otimização, os quais visam
maximizar (minimizar) um critério de desempenho como, por exemplo, a produção
de um dado insumo, sujeito a restrições que descrevem as condições operacionais.
Em geral, para formular um modelo matemático, simplificações razoáveis do
sistema ou problema real precisam ser consideradas (em diferentes níveis) e a
validação do modelo depende da solução do modelo matemático ser coerente com o
contexto original. Assim o modelo matemático é uma representação simplificada do
problema real. Ainda, deve ser suficientemente detalhado para captar os elementos
essenciais do problema, mas suficientemente tratável por métodos de solução
(Arenales et al., 2015).
Como dito anteriormente, os problemas de programação linear são problemas
de programação matemática em que as equações (inequações) são lineares.
 4

A programação linear é uma poderosa técnica matemática amplamente

utilizada para resolver problemas de otimização em diversas áreas, como logística,
planejamento de produção, alocação de recursos, gerenciamento de estoques, etc..
A importância da programação linear na tomada de decisões estratégicas e
no aprimoramento da eficiência de processos tem despertado interesse crescente
entre pesquisadores e profissionais em busca de soluções otimizadas para
problemas complexos.
Essa abordagem matemática busca encontrar a melhor solução possível
dentro de um conjunto de restrições lineares, por meio da maximização ou
minimização de uma função objetivo linear.
De acordo com Caixeta Filho (2015), os problemas de programação linear
buscam a distribuição eficiente de recursos limitados para atender um determinado
objetivo, em geral, maximizar lucros ou minimizar custos. Esse objetivo é expresso
através de uma função linear, chamada de função objetivo
É necessário também que se defina quais as atividades que consomem
recursos e em que proporções os mesmos são consumidos. Essas informações são
apresentadas em forma de equações, as inequações lineares, uma para cada
recurso, denominadas de restrições do modelo.
Normalmente se tem inúmeras maneiras de distribuir os recursos escassos
entre as diversas atividades em estudo, bastando para com isso que essas
distribuições estejam coerentes com as restrições do modelo. No entanto, o que se
busca, num problema de programação linear é a função objetivo, isto é, a
maximização do lucro ou a minimização dos custos. A essa solução dá-se o nome
de solução ótima (Caixeta Filho, 2015).
Assim, a programação linear se incube de achar a solução ótima de um
problema, uma vez definida o modelo linear, ou seja, a função objetivo e as
restrições lineares.
A programação linear pode ser descrita da seguinte forma (Lachtermacher,
2018):
 5

onde:

;
n é o número de variáveis;
m é o número de restrições;
i é o índice de uma determinada restrição.

A forma padrão de programação linear é descrita como:

ou na forma reduzida:

Problemas de programação linear podem ser facilmente resolvidos através de

planilhas eletrônicas que possuem ferramentas para atender esta finalidade ou até
mesmo pacotes computacionais comerciais que resolvem os problemas mais
complexos e com uma quantidade maior de variáveis na programação linear
 6

(LEUNG e YU, 2002), como LINDO, LINGO, SOLVER e VISUAL XPRESS (Almeida
et al., 2013).

3 MÉTODO GRÁFICO

Um problema linear tem como objetivo minimizar ou maximizar uma função

linear sujeita a um conjunto de restrições lineares. Vamos considerar o seguinte
exemplo de problema linear.

Max z = 2x + 3y (Função objetivo)

sujeito a:
–x + y ≤ 5 (Restrição 1)
x + 4y ≤ 45 (Restrição 2)
2x + y ≤ 27 (Restrição 3)
3x – 4y ≤ 24 (Restrição 4)
x, y ≥ 0 (Não negatividade)

A função objetivo é dada por Z(x, y) = 2x + 3y, e as desigualdades

representam as restrições. Uma solução viável é um conjunto de valores para as
variáveis que satisfaz todas as restrições. Por exemplo, uma solução viável seria (x,
y) = (2, 0). O conjunto de todas as soluções viáveis é chamado de conjunto viável,
região viável ou região factível. A Figura 1 ilustra graficamente os elementos
fundamentais do problema acima descrito.

Figura 1 - Representação gráfica

 7

Fonte: https://docs.ufpr.br/~volmir/PO_I/DOC_resolucao_grafica.pdf
Restrição 1: -x + y ≤ 5. Vamos começar transformando essa desigualdade em
uma igualdade, ficando assim: -x + y = 5. Em seguida, vamos substituir x por 0 para
encontrar o valor de y. A equação fica então: -0 + y = 5. Assim, encontramos o
primeiro ponto a ser plotado no gráfico, que é (0, 5). Agora, para encontrar o
segundo ponto da restrição, vamos considerar y = 10. Substituindo na equação
original, temos: -x + 10 = 5. Portanto, x = 5. Assim, encontramos o segunto ponto a
ser plotado no gráfico, que é (5, 10). Dessa forma, encontramos o segundo ponto
necessário para traçar a primeira reta da restrição no gráfico.

Restrição 2: x + 4y ≤ 45 Vamos começar transformando essa desigualdade

em uma igualdade, ficando assim: 2: x + 4y = 45. Em seguida, vamos substituir x por
5 para encontrar o valor de y. A equação fica então: 5 + 4y = 45. Assim,
encontramos o primeiro ponto a ser plotado no gráfico, que é (5, 10). Agora, para
encontrar o segundo ponto da restrição, vamos considerar y = 9. Substituindo na
equação original, temos: x + 4(9) = 45. Portanto, x = 9. Assim, encontramos o
segunto ponto a ser plotado no gráfico, que é (9, 9). Dessa forma, encontramos o
segundo ponto necessário para traçar a primeira reta da restrição no gráfico.

Restrição 3: 2x + y ≤ 27 Vamos começar transformando essa desigualdade

em uma igualdade, ficando assim: 2: 2x + y = 27. Em seguida, vamos substituir x por
9 para encontrar o valor de y. A equação fica então: 2(9) + y = 27. Assim,
encontramos o primeiro ponto a ser plotado no gráfico, que é (9, 9). Agora, para
 8

encontrar o segundo ponto da restrição, vamos considerar y = 0. Dessa forma,

encontramos o segundo ponto necessário para traçar a primeira reta da restrição no
gráfico.

Restrição 4: 3x – 4y ≤ 24 Vamos começar transformando essa desigualdade

em uma igualdade, ficando assim: 3x – 4y = 24. Em seguida, vamos substituir x por
8 para encontrar o valor de y. A equação fica então: 3(8) – 4y = 24. Assim,
encontramos o primeiro ponto a ser plotado no gráfico, que é (8, 0). Agora, para
encontrar o segundo ponto da restrição, vamos considerar y = 0. Dessa forma,
encontramos o segundo ponto necessário para traçar a primeira reta da restrição no
gráfico.

Seja um problema de programação linear de maximização. Vamos seguir o

método gráfico para resolver o problema:
i. Desenhe uma reta para cada restrição no gráfico e identifique a região
correspondente a cada uma delas.
ii. Identifique a região de soluções viáveis, que é a área do gráfico que
simultaneamente satisfaz todas as restrições.
iii. Para encontrar a solução ótima, siga os passos a seguir:
A). Desenhe uma ou mais curvas de nível da função objetivo no gráfico.
B). Desenhe o gradiente de Z, que indica a direção de maior crescimento da
função objetivo.
C). Desenhe curvas de nível paralelas na direção indicada pelo gradiente de Z
até que a curva toque a região de soluções viáveis em um único ponto (ou em um
segmento). Esse último ponto, que é o mais extremo, é a solução ótima.

Em resumo, o método gráfico na programação linear é utilizado para resolver

problemas encontrando o ponto "mais alto" ou "mais baixo" de interseção entre a
linha da função objetivo e a região factível no gráfico.
 9

4 METODO SIMPLEX

O método simplex é um algoritmo utilizado para resolver problemas de

programação linear, que envolvem a maximização ou minimização de uma função
linear sujeita a um conjunto de restrições lineares. Foi desenvolvido por George
Dantzig em 1947 e se tornou uma das principais ferramentas para a otimização em
várias áreas, como economia, engenharia, logística e ciência da computação.
O método simplex começa com uma solução inicial viável e, em cada
iteração, melhora iterativamente a solução até encontrar a solução ótima. Ele
trabalha em um espaço geométrico chamado de espaço das soluções viáveis, que
consiste em um conjunto de pontos que satisfazem todas as restrições do problema.
O algoritmo dos simplex opera movendo-se de uma solução básica viável
para outra em cada iteração, melhorando o valor objetivo em cada passo. Cada
solução básica viável é representada por uma base, que é um conjunto de variáveis
básicas linearmente independentes que estão definidas em um valor positivo e as
demais variáveis são chamadas de não básicas, com valor zero. O algoritmo simplex
realiza trocas entre variáveis básicas e não básicas para encontrar a solução ótima.
O critério de parada do método simplex é alcançado quando não é possível
melhorar mais a solução. Isso pode acontecer quando o valor objetivo atinge o
máximo ou mínimo possível, ou quando não é possível melhorar mais devido às
restrições do problema.
Uma das vantagens do método simplex é que ele é eficiente para resolver
problemas de programação linear com muitas variáveis e restrições. No entanto, em
alguns casos, o método pode ser lento ou não encontrar a solução ótima em um
tempo razoável. Nesses casos, técnicas avançadas, como o método dual simplex ou
o algoritmo de ponto interior, podem ser utilizadas para melhorar a eficiência.
Em resumo, o método simplex é um algoritmo importante para resolver
problemas de programação linear, permitindo encontrar soluções ótimas para
problemas de maximização ou minimização. Ele oferece uma abordagem
sistemática e iterativa para a otimização e é amplamente utilizado em diversas
áreas.
 10

5 EXEMPLO DE RESOLUÇÃO DE UM PROBLEMA PELO SIMPLEX

Vamos considerar um exemplo de resolução de um problema pelo método

Simplex. Suponha que temos o seguinte problema de programação linear:

Maximizar Z = 3x + 4y
sujeito a:
2x + y ≤ 10
x + 3y ≤ 15
x, y ≥ 0

Passo 1: Formular o problema na forma padrão

Introduzindo as variáveis de folga/sobra, podemos reescrever as restrições na
forma padrão:

2x + y + s1 = 10
x + 3y + s2 = 15
x, y, s1, s2 ≥ 0

Passo 2: Construir a tabela inicial do Simplex

A tabela inicial do Simplex é construída com as variáveis de decisão, variáveis
de folga/sobra e a função objetivo.
Base | x | y | s1 | s2 | RHS
-------------------------------------
s1 | 2 | 1 | 1 | 0 | 10
s2 | 1 | 3 | 0 | 1 | 15
Z | -3 | -4 | 0 | 0 | 0

Passo 3: Selecionar a variável de entrada

Na tabela inicial, identificamos a coluna com o coeficiente negativo mais
negativo na linha Z. Neste caso, selecionamos a variável de entrada como y.

Passo 4: Selecionar a variável de saída

 11

Calculamos a razão entre os valores à direita (RHS) e os coeficientes na

coluna da variável de entrada. A variável de saída será a que tiver a menor razão
positiva.

Base | x | y | s1 | s2 | RHS
-------------------------------------
s1 | 2 | 1 | 1 | 0 | 10
s2 | 1 | 3 | 0 | 1 | 15
Z | -3 | -4 | 0 | 0 | 0

Razão = RHS / Coeficiente

Razão para s1 = 10 / 1 = 10
Razão para s2 = 15 / 3 = 5

Portanto, selecionamos a variável de saída como s2.

Passo 5: Atualizar a tabela

Dividimos a linha s2 pelo seu coeficiente na coluna da variável de saída para
obter o valor 1 na posição pivô.

Base | x | y | s1 | s2 | RHS
-------------------------------------
s1 | 2 | 1 | 1 | 0 | 10
s2 | 1 | 3 | 0 | 1 | 15
Z | -3 | -4 | 0 | 0 | 0

Dividir a linha s2 por 3:

s2 | 1/3 | 1 | 0 | 1/3 | 5

Realizamos operações elementares nas demais linhas para tornar as outras

entradas na coluna da variável de saída igual a zero.

Base | x | y | s1 | s2 | RHS
 12

----------------------------------------
s1 | 2/3 | 0 | 1 | -1/3 | 5
y | 1/3 | 1 | 0 | 1/3 | 5
Z | -1 | 0 |0 |1 |5

Passo 6: Repetir os passos 3 a 5

Continuamos o processo até que todos os coeficientes da linha Z sejam não
negativos. No nosso exemplo, a tabela final após repetir os passos seria:

Base | x | y | s1 | s2 | RHS
-------------------------------------
s1 | 1 | 0 | 3/2 | -1/2| 15/2
x | 0 | 1 | -1/2| 1/2 | 5/2
Z | 0 | 0 | 1 | 1 | 25

Passo 7: Ler o resultado

O valor ótimo da função objetivo é 25, e as variáveis originais são x = 5/2 e y
= 5/2.

Esse é um exemplo simplificado de resolução de um problema utilizando o

método Simplex. Em problemas mais complexos, o processo pode envolver várias
iterações até alcançar a solução ótima.

6 SOFTWARE LINDO

O LINDO (abreviatura de Linear, Interactive and Discrete Optimizer) deve

sua popularidade parcialmente à facilidade de seu uso. A interface de fácil utilização
do LINDO encontra-se disponível na forma de um subconjunto do pacote de
modelagem de otimização LINGO da LINDO Systems, no site www.lindo.com.
Embora seja fácil de usar para modelos pequenos, LINDO/LINGO também são
capazes de resolver modelos grandes.
A Figura 2 apresenta a tela inicial do software LINDO versão para Windows
 13

Figura 2 – Tela inical do LINDO

Considere o seguinte problema:

Para resolver tal problema no LINDO, deve-se digitar a estrutura original do

modelo na janela de entrada do software, tal como apresentado na Figura 3.
 14

Figura 3 - Página inicial do Lindo com o problema digitado

Percebe-se que a linha que contém a função objetivo está separada das
restrições por uma linha que contém o termo "ST", abreviatura para "subject to", que
seria a nomenclatura semelhante ao nosso "sujeito a". Não houve necessidade de
expressar as restrições de não-negatividade das variáveis, uma vez que as mesmas
já são consideradas como implícitas pelo LINDO.
Para resolver o problema, basta utilizar-se da opção "SOLVE" no menu
principal (Figura 4). O resultado completo, incluindo a "análise de sensibilidade",
deverá aparecer em uma nova janela aberta pelo LINDO.

Figura 4 – Barra de Ferramentas do Lindo: Guia para Execução do Programa.

Se não ocorrer nenhum erro na compilação aparecerá a tela apresentada na

Figura 5.
 15

Figura 5 – Painel indicado para obter acesso ao Relatório.

O primeiro conjunto de resultados está apresentado na Figura 6. A partir do

relatório, verificamos que o valor ótimo da função é 75, com os valores das variáveis
originais x1 = 0 e x2 = 2,5. Além disso, identificamos que as variáveis de folga
possuem valores de zero e 125.

Figura 6 – Relatório de Resposta

Valor Ótimo da Função

Objetivo
Valor das Variáveis Originais

Valor das Variáveis de Folga

ou Excesso
 16

Custo Reduzido: Variáveis de folga/excesso do dual. Se uma variável do

problema original for maior do que zero, o valor da variável do dual relacionada será
zero. Isso significa que o valor do Custo Reduzido será igual a zero.
Finalmente, tem-se o bloco de análise de sensibilidade associado ao intervalo
de variação dos coeficientes da função objetivo (OBJ COEFFICIENT RANGES), tal
como apresentado na Figura 7 e 8.

Figura 7 –Relatório de solução

Valor das variáveis do

problema dual

Figura 8 – Relatório de Solução

Variação de incremento e
decremento, as quais cada
coeficiente da função
objetivo, isoladamente,
pode ter sem que a solução
ótima (valores finais de x1 e
x2) se altere
 17

Pode-se dizer que o LINDO proporciona uma forma fácil e rápida para
solução dos problemas de programação linear, sendo apresentadas as soluções
ótimas e análise de sensibilidade, que possibilita a análise de diferentes aspectos
possíveis para uma melhor interpretação do problema.

7 ESTUDO DE CASO

No âmbito deste projeto de iniciação científica, nossa missão consiste em

conduzir uma investigação detalhada e abrangente sobre a otimização da produção
e gestão de estoque de motores de médio e grande porte em uma empresa do setor
automobilístico localizada na Grande São Paulo. É importante ressaltar que, para
este estudo, estamos nos referindo a motores utilizados em contextos que não estão
diretamente associados a caminhões, ônibus e trens. Em vez disso, concentramos
nossa análise em motores empregados em outros setores industriais, tais como
aplicações estacionárias e equipamentos específicos.

Com o intuito de alcançar esse objetivo, utilizou-se dados reais de produção

e demanda, obtidos ao longo de um período de sete meses, em um cenário fictício
que replica a operação de uma empresa dedicada à fabricação de motores nesse
segmento.

Este estudo transcende a análise isolada desses dados. Além disso,

incorpora uma análise comparativa que busca estabelecer relações sólidas entre
motores de porte médio e pesado, examinando o impacto das distintas variáveis nos
respectivos contextos de produção. Essa abordagem permite uma compreensão
mais profunda das particularidades inerentes a cada categoria de motores e, ao
mesmo tempo, identifica oportunidades para otimizar o processo de produção e
gerenciamento de estoque.

Por meio deste trabalho espera-se fornecer insights valiosos e

recomendações fundamentadas que possam melhorar significativamente a eficiência
operacional nas duas categorias de motores. Ao fazê-lo, busca-se contribuir não
 18

apenas para o aprimoramento dos processos internos, mas também para a

competitividade da empresa no mercado em constante evolução.

7.1 COLETA DE DADOS MOTORES DE MÉDIO PORTE

Inicialmente foram coletados dados oficiais de produção e demanda dos

motores de médio porte (Tabela 1) entre os meses de janeiro a julho de 2023.

Tabela 1 - Base de dados motores médios porte

Motores médios
Mês Produção Demanda truck bus Exp
Janeiro 2739 1733 1057 525 151
Fevereiro 3356 2270 1249 868 153
Março 4963 4170 2465 1464 241
Abril 3578 2173 1404 578 191
Maio 3414 2745 1494 983 268
Junho 2509 2404 1152 1096 156
Julho 2778 2331 1089 1023 219
Média de Preço de venda R$ 250.000
Quantidade no estoque 700
Média de preço de produção R$ 100.000
Tempo médio de
Tempo de produção 5 a 10 mintos produção: 7,5
minutos
2 turnos de 8
Fonte: Autor (2023).

Observa-se na Tabela 1 que o preço médio de venda de um motor é de R$

250.000,00 e que a quantidade máxima permitida em estoque é de 700 unidades. O
tempo de produção é de 5 a 10 minutos por motor, com a fábrica operando em dois
turnos de 8 horas cada.

7.1.1 Modelo matemático motores médios porte

Foi desenvolvido um modelo matemático abrangente de otimização,

elaborado meticulosamente para contemplar as flutuações na demanda e na
produção. O objetivo primordial desse modelo reside na maximização do lucro da
empresa, para o qual empregamos variáveis representadas de forma sistemática, de
 19

x1 a x7. Cada uma dessas variáveis reflete as especificações ideais de produção

mensal para cada mês do período analisado. Paralelamente, introduzimos variáveis
denominadas est1 a est7 para representar as estratégias de gestão de estoque,
elementos fundamentais para o êxito do modelo.

Cada componente do modelo desempenha um papel singular e interligado

na busca da otimização. As variáveis x1 a x7 determinam os níveis ideais de
produção, sendo cruciais para a garantia de que a empresa atenda à demanda do
mercado de forma eficaz. Por sua vez, as variáveis est1 a est7 capturam a essência
das estratégias de gerenciamento de estoque, desempenhando um papel
fundamental na manutenção dos níveis de estoque dentro dos limites estabelecidos.

Além disso, o modelo incorpora um conjunto rigoroso de restrições, um

aspecto vital para a operação equilibrada da fábrica. Essas restrições são projetadas
para garantir que a produção se mantenha dentro da capacidade da fábrica,
evitando qualquer sobrecarga que possa comprometer a qualidade e a eficiência do
processo de produção. Igualmente, as restrições garantem que os níveis de estoque
permaneçam dentro dos limites pré-definidos, de modo a evitar excessos ou falta de
produtos no mercado.

Uma característica notável desse modelo de otimização é sua flexibilidade.

Ele tem a capacidade de considerar as variações nos preços de produção e
demanda, adaptando-se dinamicamente às condições do mercado. Isso significa
que, em face de oscilações nas condições econômicas ou mudanças na demanda
do consumidor, o modelo pode ajustar suas estratégias para otimizar o lucro da
empresa, mantendo--a ágil e competitiva.

A seguir apresenta-se o modelo matematico de otimização com todas as

variáveis, restrições e objetivos de forma mais detalhada.

Max 150000x1 + 150000x2 + 150000x3 + 150000x4 + 150000x5 + 150000x6 +

+ 150000x7
(1)
s.a.
 20

x1 ≤ 2739 (2)

x2 ≤ 3356 (3)

x3 ≤ 4963 (4)

x4 ≤ 3578 (5)

x5 ≤ 3414 (6)

x6 ≤ 2509 (7)

x7 ≤ 2778 (8)

est1 - x1 + 1733 = 0
(9)

est2 - est1- x2 + 2270 = 0

(10)

est3 - est2 - x3 + 4170 = 0

(11)

est4 - est3 - x4 + 2173 = 0

(12)

est5 - est4 - x5 + 2745 = 0

(13)

est6 - est5 - x6 + 2404 = 0

(14)

est7 - est6 -x7 + 2331 = 0

(15)

est1 ≤ 700
(16)

est2 ≤ 700
(17)

est3 ≤ 700
(18)
 21

est4 ≤ 700
(19)

est5 ≤ 700
(20)

est6 ≤ 700
(21)

est7 ≤ 700
(22)

est1 ≥100 (23)

est2 ≥100
(24)

est3 ≥100
(25)

est4 ≥100
(26)

est5 ≥100
(27)

est6 ≥100
(28)

est7 ≥100 (29)

x1, x2, x3, x4, x5, x6, x7 ≥0 (30)

est1, est2, est3, est4, est5, est6, est7 ≥ 0

(31)

onde:

• x1, x2, x3, x4, x5, x6, x7: representam as quantidades ideais de produção
mensal para os sete meses analisados;
 22

• est1, est2, est3, est4, est5, est6, est7: refletem as estratégias de

gerenciamento de estoque para cada mês.

A função objetivo (1) visa maximizar o lucro e é calculada subtraindo a média

de preço de produção da média de preço de venda. Especificamente, a função
objetivo busca otimizar a diferença entre o preço médio de venda e o preço médio
de produção ao longo desses sete meses, a fim de aumentar o lucro da empresa.

As equações (2) a (8) são derivadas da produção real registrada mês a mês.
Cada restrição limita a quantidade máxima que pode ser produzida para o respectivo
mês, baseando-se nos valores reais de produção ao longo do tempo. Essas
limitações refletem a capacidade produtiva da empresa para cada período
específico.

As equações (9) a (15) refletem a gestão do estoque ao longo dos meses.

Elas indicam a relação entre o estoque e a demanda por vendas. A ideia é que o
estoque de um mês seja a diferença entre o estoque do mês anterior e a quantidade
vendida nesse mês. Isso ajuda a garantir que o estoque não exceda a demanda de
vendas, mantendo uma gestão controlada

As equações (16) a (29) asseguram que os níveis de estoque não

ultrapassem a capacidade máxima (700) e não caiam abaixo de um nível mínimo
(100). As equações (30) e (31) representam a não negatividades das variáveis de
decisão. O objetivo é garantir que a produção seja adequada para atender à
demanda e, ao mesmo tempo, manter os estoques dentro de limites aceitáveis. As
restrições implicam que a produção em cada mês não exceda a capacidade máxima
da fábrica para evitar sobrecargas.

7.1.2 Usando o Lindo para a resolução do problema

Após a formulação do modelo matematico com todas as restrições e o

objetivo estabelecido, o conjunto completo foi implementado em um software de
otimização, como o "Lindo" (Figura 9). A intenção de usar o software é realizar a
resolução do modelo matemático, permitindo a obtenção da solução que maximiza o
objetivo proposto, considerando todas as restrições impostas.
 23

Figura 9 – Página inicial do Lindo com o problema digitado

Fonte: Autor (2023).

A Figura 10 apresenta o relatório de decisão aparece após a escolha da
opção Solve no menu.

Figura 10 – Retório do Lindo com o problema digitado

 24

Analisando o relatório de soluções gerado (observado na Figura 10) temos

as seguintes conclusões:
 25

• Produção Ideal: identificação das quantidades ideais de produção mensal,

variando de 14.4% a 28.2% da capacidade máxima;

• Gestão de Estoque Ideal: determinação das quantidades ideais de estoque,

abrangendo de 14.3% a 100% da capacidade máxima;

• Lucros Máximos: estimativa de lucros máximos, aproximadamente R$

27.789.000.000,00 indicando uma notável melhoria na rentabilidade;

• Análise de Restrições: identificadas das restrições que foram violadas e quais

possuem folga. Isso significa que, em média, as restrições foram cumpridas
em 85.7% dos casos, com 14.3% das restrições tendo folga;

• Validação Prática: destaque para a importância da validação com dados

reais, ressaltando a capacidade de aumentar a produção em até 28.2% e
reduzir o estoque máximo em até 36.1%.

Esses resultados enfatizam a eficácia da Pesquisa Operacional na

otimização da eficiência, redução de custos e aumento da lucratividade, fornecendo
uma base sólida para decisões estratégias (Gráfico 1).

Gráfico 1 – Análise da solução matemática

Fonte: Autor (2023).

 26

7.2 COLETA DE DADOS MOTORES DE PESADO PORTE

Inicialmente foram coletados dados oficiais de produção e demanda

dos motores de pesado porte (Tabela 2) entre os meses de janeiro a julho de 2023.

Tabela 2 - Base de dados motores médios porte

Motores Pesados
Mês Produção Demanda truck bus Exp
Janeiro 1710 1578 357 37 1184
Fevereiro 2141 1971 699 43 1229
Março 2629 2220 1092 41 1087
Abril 1977 1616 495 87 1034
Maio 2318 1666 462 190 1014
Junho 2418 1683 362 278 1043
Julho 1260 1808 484 177 1147
Média de Preço de venda R$ 350.000
Quantidade no estoque 700
Média de preço de produção R$ 140.000
Tempo médio de
Produção: 17,5
Tempo de produção 15 a 20 minutos minutos
2 turnos de 8
Fonte: Autor (2023).

Considera-se neste trabalho que o preço médio de venda de um motor

é de R$ 250.000 e que a quantidade máxima permitida em estoque é de 700
unidades. O tempo médio de produção é de 5 a 10 minutos por motor, com a fábrica
operando em dois turnos de 8 horas cada.

7.2.1 Modelo matemático motores porte pesado

Assim como aresentado na seção 7.1.2 foi desenvolvido um modelo

matemático de otimização que leva em consideração as flutuações na demanda e
na produção. O objetivo principal desse modelo é maximizar o lucro da empresa.
Utilizou-se variáveis, representadas por x1 a x7, para indicar as especificações
ideais de produção mensal para cada mês. Além disso, introduzimos variáveis est1 a
est7 para representar as estratégias de gestão de estoque.
 27

Implementamos restrições para garantir que a produção não ultrapasse a

capacidade de fábrica e que os níveis de estoque estejam dentro dos limites
estabelecidos.

O modelo de otimização considera ainda as variações nos preços de

produção e demanda, permitindo uma adaptação dinâmica das estratégias.

Uma característica notável desse modelo de otimização é sua flexibilidade. Ele tem
a capacidade de considerar as variações nos preços de produção e demanda,
adaptando-se dinamicamente às condições do mercado. Isso significa que, em face
de oscilações nas condições econômicas ou mudanças na demanda do consumidor,
o modelo pode ajustar suas estratégias para otimizar o lucro da empresa, mantendo-
a ágil e competitiva.

A seguir apresenta-se o modelo matematico de otimização com todas as

variáveis, restrições e objetivos de forma mais detalhada.

Max 10000x1 + 1210000x2 + 210000x3 + 210000x4 + 210000x5 + 210000x6 +

210000x7
(32)
s.a.
x1≤ 1710 (33)
x2 ≤ 2141 (34)
x3 ≤ 2629 (35)
x4 ≤ 1977 (36)
x5 ≤ 2318 (37)
x6 ≤ 2418 (38)
x7 ≤ 1260 (39)
est1 - x1 + 1578 = 0
(40)
est2 - est1 - x2 + 1971 = 0
(41)
est3 - est2 - x3 + 2220 = 0
(42)
 28

est4 - est3 - x4 + 1616 = 0

(43)
est5 - est4 - x5 + 1666 = 0
(44)
est6 - est5 - x6 + 1683 = 0
(45)
est7 - est6 - x7 + 1808 = 0
(46)
est1 ≤ 700
(47)
est2 ≤ 700
(48)
est3 ≤ 700
(49)
est4 ≤ 700 (50)
est5 ≤ 700
(51)
est6 ≤ 700
(52)
est7 ≤700 (53)
est1 ≥100 (54)
est2 ≥100 (55)
est3 ≥100 (56)
est4 ≥100 (57)
est5 ≥100 (58)
est6 ≥100 (59)
est7≥100 (60)
x1, x2, x3, x4, x5, x6, x7 ≥0 (61)
est1, est2, est3, est4, est5, est6, est7 ≥ 0
(62)

onde:
 29

• x1, x2, x3, x4, x5, x6, x7: representam as quantidades ideais de produção
mensal para os sete meses analisados;
• est1, est2, est3, est4, est5, est6, est7: refletem as estratégias de
gerenciamento de estoque para cada mês.

A função objetivo (32) visa maximizar o lucro e é calculada subtraindo a

média de preço de produção da média de preço de venda. Especificamente, a
função objetivo busca otimizar a diferença entre o preço médio de venda e o preço
médio de produção ao longo desses sete meses, a fim de aumentar o lucro da
empresa.

As equações (33) a (39) são derivadas da produção real registrada mês a

mês. Cada restrição limita a quantidade máxima que pode ser produzida para o
respectivo mês, baseando-se nos valores reais de produção ao longo do tempo.
Essas limitações refletem a capacidade produtiva da empresa para cada período
específico.

As equações (40) a (46) refletem a gestão do estoque ao longo dos meses.

Elas indicam a relação entre o estoque e a demanda por vendas. A ideia é que o
estoque de um mês seja a diferença entre o estoque do mês anterior e a quantidade
vendida nesse mês. Isso ajuda a garantir que o estoque não exceda a demanda de
vendas, mantendo uma gestão controlada

As equações (47) a (60) asseguram que os níveis de estoque não

ultrapassem a capacidade máxima (700) e não caiam abaixo de um nível mínimo
(100). O objetivo é garantir que a produção seja adequada para atender à demanda
e, ao mesmo tempo, manter os estoques dentro de limites aceitáveis. As restrições
implicam que a produção em cada mês não exceda a capacidade máxima da fábrica
para evitar sobrecargas.

7.2.2 Usando o Lindo para a resolução do problema

Após a formulação do modelo matematico com todas as restrições e o

objetivo estabelecido, o conjunto completo foi implementado em um software de
otimização, como o "Lindo" (Figura 11). A intenção de usar o software é realizar a
 30

resolução do modelo matemático, permitindo a obtenção da solução que maximiza o

objetivo proposto, considerando todas as restrições impostas.

Figura 11 – Página inicial do Lindo com o problema digitado

Figura 12 – Retório do Lindo com o problema digitado

 31

Resultados e discussão:
 32

• Lucro Máximo: O valor da função objetivo atingiu 48.067.400.000,

representando o lucro máximo a ser alcançado.

• Produção Ideal: As quantidades ideais de produção variaram de 1.616 a

2.870 unidades, cobrindo de 14.4% a 28.2% da capacidade máxima.

• Gestão de Estoque Ideal: As quantidades ideais de estoque variaram de 100

a 700 unidades, representando de 14.3% a 100% da capacidade máxima.

• Análise de Restrições: Algumas restrições foram violadas, enquanto outras

possuíam folga, com valores que variaram de 14.3% a 100%.

• Validação Prática: O modelo foi validado e demonstrou a capacidade de

aumentar a produção em até 28.2% e reduzir o estoque máximo em até
36.1%.

Obeservamos as mudanças de acordo com o modelo matemático (Gráfico 2)

• Gráfico 2 – Análise da solução matemática

 33

7.3 VALIDAÇÃO PRÁTICA

A validação prática das estratégias derivadas dos modelos matemáticos em

ambientes reais é fundamental para garantir a eficácia e aplicabilidade, sobretudo
considerando o contexto dos motores pesados e médios. Esse processo
compreende a implementação das estratégias nas instalações de produção, a
observação dos resultados reais e a comparação desses dados com as projeções
teóricas.

Ao aplicar as estratégias propostas pelos modelos matemáticos no ambiente

de produção, o objetivo principal é otimizar a produção e os níveis de estoque da
empresa. Com dados reais registrados e analisados, a comparação dos resultados
obtidos, tais como os níveis reais de produção e estoque, com as projeções teóricas
dos modelos matemáticos, permite avaliar a eficácia das estratégias implementadas.

É crucial realizar essa comparação para verificar se houve, de fato, um

aumento na produção, uma redução nos níveis de estoque e uma melhoria nos
lucros, conforme previsto pelos modelos. Essa análise detalhada dos resultados
reais, comparados às projeções teóricas, é fundamental para validar a precisão e
utilidade das estratégias derivadas dos modelos matemáticos, impactando os
processos de produção e estoque da empresa.

Além disso, é fundamental destacar que um dos objetivos centrais dessas

estratégias é maximizar o lucro, ao mesmo tempo em que otimiza a produção e a
gestão de estoque, levando em consideração as particularidades e demandas
específicas de cada segmento de motores pesados e médios.

7.3.1 Análise Comparativa

Para analisar a eficácia das estratégias em ambientes de produção

diversificados, realizamos uma comparação entre os motores de porte pesado e os
motores de porte médio. Essa análise permite identificar o impacto das estratégias
nos diferentes segmentos, considerando as particularidades e demandas específicas
de cada tipo de motor.
 34

7.3.2 Resultados para Motores de Porte Pesado

Janeiro: Com uma produção melhorada de 1678 motores, houve um aumento

significativo na produção em comparação com os 1710 motores produzidos.

Fevereiro: A produção aprimorada de 2141 motores superou a produção real de

2141 motores.

Março: Observou-se uma produção aprimorada de 2050 motores, em comparação

com os 2629 motores produzidos.

Abril: A produção aprimorada de 1616 motores atingiu a produção real de 1977

motores.

Maio: A produção aprimorada de 1666 motores atendeu exatamente à produção real

de 2318 motores.

Junho: Com 2283 motores produzidos, houve uma produção aprimorada em

comparação com os 2418 motores reais.

Julho: A produção aprimorada de 1260 motores correspondeu à produção real de

1260 motores.

7.3.3 Resultados para Motores de Porte Médio

Janeiro: A produção aprimorada de 1833 motores superou os 1710 motores

produzidos.

Fevereiro: Com uma produção aprimorada de 2870 motores, houve um aumento

significativo em relação aos 3356 motores produzidos.

Março: A produção aprimorada de 3570 motores superou a produção real de 4963

motores.

Abril: A produção aprimorada de 2173 motores atingiu a produção real de 3578

motores.
 35

Maio: A produção aprimorada de 2793 motores atendeu à produção real de 3414

motores.

Junho: A produção aprimorada de 2509 motores correspondeu exatamente à

produção real de 2509 motores.

Julho: Com uma produção aprimorada de 2778 motores, houve um atendimento total
à produção real de 2778 motores.

Essa análise comparativa permitiu verificar a eficácia das estratégias nos

diferentes tipos de motores, observando variações na produção real em comparação
com as melhorias planejadas. A análise desses resultados contribui para a
otimização da produção e gestão de estoque, adaptando-se às necessidades de
cada segmento de motor.

8 CONSIDERAÇÕES FINAIS

Este trabalho de iniciação científica proporcionou uma análise abrangente e

valiosa sobre a otimização da produção e gestão de estoque de motores de médio e
grande porte. Os modelos de otimização desenvolvidos constituem uma ferramenta
essencial para aprimorar as operações em ambas as categorias de motores, abrindo
caminho para um aumento na eficiência e na eficácia operacional.

Os resultados obtidos são notáveis, demonstrando que a implementação das

estratégias baseadas nos modelos de otimização pode ter um impacto expressivo
tanto na produção quanto na redução do estoque máximo em ambas as categorias
de motores. Isso se traduz em uma produção mais eficiente e em uma alocação de
recursos mais inteligente.

Além disso, os benefícios não se limitam apenas à eficiência operacional,

mas também oferecem uma vantagem competitiva. A capacidade de tomar decisões
informadas na gestão de estoque, considerando as particularidades de cada
categoria de motores é de importância crítica em um mercado em constante
evolução.

Em resumo, esse trabalho valida a relevância e a eficácia dos modelos de

otimização na indústria de fabricação de motores. As melhorias substanciais
 36

alcançadas sugerem que essas estratégias podem ser aplicadas em escala

industrial, impactando positivamente a eficiência operacional e contribuindo para o
crescimento e o sucesso contínuo da empresa. É evidente que o futuro da produção
e gestão de estoque de motores, tanto de médio quanto de grande porte, depende
em grande parte da aplicação desses princípios de otimização.

REFERÊNCIAS
ALMEIDA, L. J.; MARTINS, G. A. S.; SILVA, W. G. da, Otimização de processos
utilizando a programação linear. Enciclopédia Biosfera, v. 9, n. 16, p. 1641-1653,
2013.

ARENALES, M.; ARMENTANO, V.; MORABITO, R. e YANASSE, H., Pesquisa

operacional. 2ª edição. Rio de Janeiro: Elsevier, 2015.

CAIXETA FILHO, J. V., Pesquisa operacional: técnicas de otimização aplicadas a

sistemas agroindustriais. 2ª edição. São Paulo: Atlas, 2015. GIL, A. C., Como
Elaborar Projetos de Pesquisa. 6ª edição. São Paulo: Atlas, 2018.

GOLDBARG, M. C. e LUNA, H. P., Otimização combinatória e programação linear:

modelos e algoritmos. 2ª edição. Editora Campus, Rio de Janeiro, 2005.

HILLIER, F. S. e LIEBERMAN, G. J., Introdução à pesquisa operacional. 9ª edição.

Porto Alegre: AMGH, 2013.

LACHTERMACHER, G. Pesquisa Operacional na tomada de decisões, 5ª edição.

Rio de Janeiro: LTC, 2018.

LEUNG, J. e YU, A., Quota allocation by programming linear using a spreadsheet

solver. Asia-Pacific Journal of Operational Research. n. 19, 2002.