Pesquisa Operacional · Engenharia
Prof. Clayton J A Silva · IBM0803 · organização por 14 capítulos
01 / grid da disciplina
Consulte o grid completo da disciplina, com ementa, objetivos gerais, objetivos específicos, conteúdos, procedimentos de ensino, avaliação e bibliografia.
Ver grid da disciplina →02 / conteúdo das aulas
Variáveis, restrições, função objetivo e solução gráfica de problemas com duas variáveis.
Estrutura geral de modelos de PL: decisão, parâmetros, função objetivo e restrições.
Modelagem de problemas clássicos e tradução de situações reais para modelos matemáticos.
Forma tabular, variáveis de folga, solução básica viável e iterações do Simplex.
Interpretação econômica dos recursos e análise do valor marginal das restrições.
Variação de recursos e coeficientes da função objetivo sem refazer todo o modelo.
Caracterização, formulação clássica e interpretação dos modelos de transporte.
Formulações alternativas, exercícios e ajustes de oferta, demanda e custos.
Modelos com nós intermediários e fluxos entre origem, transbordo e destino.
Atribuição ótima de tarefas, pessoas, máquinas ou recursos.
Variáveis inteiras e binárias, decisões discretas e formulações básicas.
Aplicação de programação inteira em alocação de pessoas e turnos.
Modelos com custo fixo, encomenda mínima, descontos por quantidade e variáveis binárias.
Modelagem de decisões de seleção, contratação e concessão por programação inteira.
03 / textos e exemplos de apoio
04 / práticas computacionais
As primeiras práticas usam o Excel Solver para introduzir a lógica da modelagem e da solução computacional. Na sequência, o curso passa a privilegiar Python, com SciPy, PuLP, Pandas e bibliotecas de otimização.
Modelagem de um problema simples no Excel e resolução com Solver.
Instalação ou uso em Colab, NumPy, Pandas, Matplotlib e SciPy.
Formulação de problemas com variáveis, função objetivo e restrições.
Resolução e leitura dos resultados, variáveis ativas e folgas.
Variação de parâmetros, recursos e coeficientes da função objetivo.
Formulação matricial e resolução de modelos de transporte.
Modelos com variáveis inteiras e binárias usando PuLP ou OR-Tools.
Uso de variáveis binárias para representar decisões condicionais.
Seleção ótima de propostas, limites e critérios de decisão.
Estudo de caso com modelagem, implementação, resultados e análise crítica.
05 / avaliações
06 / referências bibliográficas
07 / ferramentas do curso
Ferramentas sugeridas para modelagem, resolução computacional e apresentação dos resultados.