PESQUISA OPERACIONAL NO ENSINO DA LOGÍSTICA

Carlos Augusto Silveira, Esp.

Fábio Beylouni Lavratti, M.Sc.
Rafael Carlos Vélez Benito, Dr.

Resumo
A Logística como atividade já está estabelecida no Brasil há aproximadamente quatro
décadas. Seu ensino sempre fez parte de cursos como Administração e Engenharia de
Produção. Com a criação dos cursos de graduação em Logística algumas considerações foram
modificadas. As explicações de como funciona a Logística cederam espaço para o ensino de
técnicas mais apuradas com a ampliação do uso da Matemática. A Programação Linear é uma
das técnicas de otimização usadas para solucionar problemas de produção e distribuição, sua
solução pode ser manual, através do método algébrico ou do Simplex. Ambos exigem
conhecimento para resolver sistemas de matrizes. Atualmente o uso de ferramentas de
informática simplifica a compreensão e a otimização dos modelos. O Microsoft Excel traz o
suplemento Solver que diminui o trabalho repetitivo, que é o mais sujeito a erros. Desta forma
é possível avaliar cenários de produção e distribuição com as suas respectivas conseqüências.
Um exemplo de alocação de seis locais de produção e 30 locais de distribuição dos produtos
ilustra as explicações técnicas. A técnica ainda é pouco difundida entre os profissionais de
Logística, mas apresenta grande potencial de aumento de lucros ou redução de custos.

Introdução
O alinhamento estratégico tem sido perseguido por empresas de excelência em
desempenho logístico pelo fato de compatibilizar mutuamente os objetivos de
competitividade e os da cadeia de suprimentos. Chopra (2003) afirma que há uma integração
entre as prioridades dos clientes e as habilidades da cadeia de suprimentos. A Logística
empresarial se apresenta como a parte da cadeia de suprimentos responsável pelo fluxo e
armazenagem dos bens entre a origem e o consumidor final. De acordo com o Council of
Logistics Management (CLM) a gestão logística funciona como um integrador de atividades
de marketing, vendas, produção, finanças e sistemas de informações (CLM, 2004). Este
parece ser, portanto, um ponto em que a Logística se apresenta como um apaziguador de
conflitos.
A Gestão da Distribuição Física responsabiliza-se por reduzir as desigualdades entre
os objetivos do marketing e o das finanças. Tanto o movimento como a armazenagem dos
produtos acabados até o consumidor final são funções que minimizam as desigualdades de
pontos de vista: os responsáveis pelo marketing desejam produtos sempre disponíveis e em
grandes quantidades, ao passo que os profissionais da área financeira buscam a redução dos
inventários e dos custos com transportes e armazenagem (DORNIER, 2000).
A administração do canal de distribuição preocupa-se com os resultados financeiros,
mas também permanece atenta à percepção que os clientes têm a respeito de seus serviços.
CHRISTOPHER (1999) exemplifica que o objetivo logístico baseia-se fundamentalmente em
atividades que resultam na entrega do produto certo, no lugar certo e na hora certa. Isso,
segundo o autor, seria a condição para a melhor condução dos negócios e para haver
incremento na lucratividade e manter-se competitivo. Alcançar cada um dos “certos” da
Logística independentemente não significa algo de especial para o cliente. Por isso, os três
certos devem ser obtidos de forma concomitante, o que demanda um grande esforço de
coordenação.
A Logística é considerada uma atividade, portanto, conta com o uso de disciplinas de
outras áreas para formar seus profissionais. A bipolaridade entre finanças (ou custos) e
marketing é um exemplo da dificuldade em gerir recursos empresariais na área da Logística.
A solução de problemas de alocação de recursos envolvendo diversas variáveis pode ser de
difícil obtenção. Exige, então, o uso de ferramentas de otimização, nem sempre de fácil
compreensão, mas de excelente resultado. Os métodos de otimização são apropriados para
esse tipo de situação, onde a eficiência é alcançada, observando-se as restrições do problema,
através da melhor alocação dos recursos de produção.
A Pesquisa Operacional oferece soluções matemáticas para os casos em que a
otimização é necessária. Trata-se da utilização do método científico para resolver os
problemas de tomadas de decisão com os melhores resultados possíveis de acordo com as
políticas da empresa.

Pesquisa Operacional
A ciência da Pesquisa Operacional é aplicada na resolução de problemas, inclusive os
empresarias, utilizando modelos matemáticos com a assistência de computados. Os processos
de tomada de decisão muitas vezes envolvem elementos objetivos (racionais) e subjetivos
(enquadramento organizacional). Ambos são contemplados nos modelos de Pesquisa
Operacional para a solução problemas. Sua função de encontrar soluções ótimas tem uso nas
mais diversas atividades, inclusive nas de alocação de recursos, sejam eles financeiros,
materiais, patrimoniais, humanos ou tecnológicos.
A Administração, a Engenharia de Produção, e por conseqüência a Logística passaram
a utilizar a Pesquisa Operacional como método para a solução de seus problemas a partir da
Segunda Guerra Mundial. A disciplina criada para o ambiente militar transcendeu suas
fronteiras iniciais e encontrou abrigo tanto na comunidade acadêmica como empresarial no
ramo da Administração (ANDRADE, 1998).
Dentre as vantagens da utilização da Pesquisa Operacional na determinação da melhor
alocação de recursos limitados ou escassos está a possibilidade da realização de simulações de
situações reais, antecipando o conhecimento dos potenciais resultados e suas probabilidades
de ocorrer. Os métodos, portanto, permitem a avaliação de alternativas com a otimização das
atividades e de recursos.
Algumas fases são observadas na solução de problemas com Pesquisa Operacional. As
mais importantes são descritas abaixo:
a. Definição do problema: são definidos os objetivos, as alternativas de decisão, os
limites e as restrições das variáveis.
b. Construção do modelo: são apresentadas as características mais importantes do
problema abordado. O conhecimento obtido é representado através de imagens
intelectuais sobre o que é mais relevante da porção da realidade em análise.
c. Solução do modelo: o método apresenta as saídas ótimas para as entradas de
informações do modelo em questão.
d. Validação do modelo: o modelo é válido se tiver soluções de previsão
apropriadas para a realidade estudada e se forem úteis para a tomada de decisão.
 e. Implementação da solução: neste momento são transferidos para a realidade os
resultados provenientes das simulações ou das otimizações.
f. Avaliação final: observação dos resultados práticos do que foi sugerido na
solução através dos modelos.
Vale lembrar que os modelos traduzem apenas uma porção da situação real e que, pela
sua simplificação, podem mostrar soluções que são boas para um segmento da empresa ao
passo que são inadequadas para a empresa em maneira geral. A Teoria Geral dos sistemas
adverte que as partes são interdependentes e que deve haver tratamento complexo para
realidade complexa (MAXIMIANO, 2002)
A modelagem matemática em Pesquisa Operacional classifica-se principalmente
segundo a forma com que são solucionados os problemas:
a. Programação Linear: as variáveis são contínuas e têm comportamento linear. As
restrições e a função objetivo também são lineares em relação às variáveis.
b. Programação Não-linear: havendo não-linearidade na função objetivo ou nas
restrições, a otimização caracteriza um problema de Programação Não-linear.
c. Programação Inteira: problemas complexos em que as variáveis não são
contínuas, mas discretas, demanda o uso de Programação Inteira.
Os diferentes tipos de Programação Matemática oferecem soluções específicas para
problemas reais. Outras disciplinas fundem suas formas de solução de forma semelhante aos
da Programação matemática.

Programação Linear
Dentre os modelos de Programação Matemática a Programação Linear serve de base
para a compreensão de todos os demais. Goldbarg (2000) considera que esse é um tipo
especial de otimização, seus algoritmos são extremamente eficientes e podem ser facilmente
resolvidos com o uso de computador. Ainda segundo o autor a Programação Linear apresenta
algumas particularidades:
a. Proporcionalidade: os volumes de recursos dispendidos para realizar as
atividades são proporcionais aos volumes de atividades atribuídos na solução
final. Ou seja, quanto mais a atividade é realizada, mais recursos ela vai
consumir.
b. Não Negatividade: deve ser sempre possível desenvolver dada atividade em
qualquer nível não negativo e qualquer proporção de um dado recurso deve ser
sempre poder ser utilizada. Os valores de utilização de recursos devem ser
maiores ou iguais a zero.
c. Aditividade: cada elemento que faz parte de uma atividade é somado a seus
pares formando o custo total.
d. Separabilidade: cada elemento que compõe o custo pode ser identificado
separadamente em cada atividade.
Para que um modelo de programação seja considerado linear todas as funções
envolvidas devem apresentar comportamento linear.
A resolução dos problemas de Programação Linear exige a quantificação do objetivo.
Geralmente o objetivo é de maximização ou minimização, ou seja, obter o lucro máximo ou
os custos mínimos. Também as restrições são importantes para estabelecer os limites de
atuação. Alguns itens podem estar sujeitos a um determinado limite de capacidade, ao passo
que outros são utilizados a partir de um nível mínimo. Finalmente, as condições de não-
negatividade devem ser exibidas, para que os valores das variáveis sejam maiores ou iguais a
zero.
Shamblin e Stevens Jr (1979) explicam que há diversas formas de notação para um
mesmo problema em Programação Linear. Em termos gerais a maximização ficaria assim:
z  c1 x1  c2 x2    c j x j    cn xn para n variáveis
Onde:
x j = variável decisória para a j-ésima variável
c j = coeficiente de lucro (ou de custo) para a j-ésima variável
z = função a ser maximizada (ou minimizada)
Sujeito às restrições:
a11 x1  a12 x 2    a1 j x j    a1n x n  b1
a 21 x1  a 22 x 2    a 2 j x j    a 2 n x n  b2

ai1 x1  ai 2 x 2    aij x j    ain x n  bi

a m1 x1  a m 2 x 2    a mj x j    a mn x n  bm
Onde:
a ij = coeficiente da j-ésima variável na i-ésima restrição
bi = limitação da capacidade da i-ésima restrição
Também é possível expressar na forma de somatórios ou de matrizes:
Maximizar
n
z  c j x j
j 1

Sujeito a
n

a
j 1
ij x j  bi para todo i = 1, 2, .... m

Na forma matricial fica:

 a11 a12  a1 j  a1n   x1   b1 
a    
 21 a 22  a 2 j  a 2 n   x 2   b2 
          
     
 a i1 a i 2  a ij  a in   x j   bi 
          
    
a m1 a m 2  a mj  a mn   x n  bm 

É possível resolver algebricamente ou através de matrizes.

Solução Algébrica
 A solução algébrica exige que um termo aditivo  i (chamado de variável de folga)
apareça em cada inequação para transformá-las em equações. Isso tornará o sistema solúvel,
mas aumenta o número de possíveis respostas para o problema, fazendo com que uma grande
quantidade de soluções sejam apresentadas e apenas uma escolhida dentre todas. Sendo n o
número de incógnitas e m o número de restrições, haverá m+n equações. Portanto, algumas
deverão ser zeradas. São m  n!/ m!n! soluções possíveis, sendo que algumas são
inviáveis. Goldbarg (2000) argumenta que o número de soluções viáveis em pontos extremos
ou vértices (próximos do ótimo) cresce de forma exponencial em relação ao número de
variáveis.
Encontrar o ponto onde os custos são mínimos ou o lucro é máximo começa ficar
trabalhoso com a adição de novas restrições. Para isso utiliza-se um método da álgebra
matricial chamado Simplex, que diminui o número de operações necessárias para resolver
problemas maiores.

Método Simplex
Devido à complexidade de alguns problemas de Programação Linear é utilizado o
método Simplex para a solução. Murty (1983) argumenta que os métodos clássicos em
cálculo ou álgebra linear não são suficientes para resolver sistemas de Programação Linear ou
de inequações lineares, por isso uma técnica especial, o Simplex, foi desenvolvida. Shamblin
e Stevens Jr (1979) explicam que são usados conceitos básicos da matemática matricial
começando com uma solução viável qualquer satisfazendo todas as restrições e acabando por
encontrar os resultados que maximizam a função-objetivo. O Simplex é um algoritmo.
Algoritmo é um procedimento ou uma fórmula para resolver um problema. Na Matemática é
um pequeno procedimento que serve para resolver um problema generalizado. Goldbarg
(2000) explica que o algoritmo Simplex soluciona problemas de equações lineares através de
uma seqüência de passos, otimizando uma função-objetivo. Teoricamente pode ser utilizado
para otimizar qualquer número de variáveis.
O algoritmo Simplex examina toda uma seqüência de pontos em uma região viável e
encontra a solução ótima. O procedimento faz com que a região viável, de um canto a outro,
seja analisada até que todos os incrementos na função-objetivo sejam testados (CORMEN,
1999).
Entretanto, os modelos desenvolvidos são de difícil e lenta solução, sujeitos ao erro
humano. De nada adiantaria obter soluções tão morosas que seu cálculo fica pronto depois
que a produção já tivesse encerrado. Por isso o uso do computador revolucionou a forma de
utilização da Programação Linear, passando de problemas estratégicos, de longo prazo, para
situações operacionais, de curtíssimo prazo.

Programação Linear no ensino da Logística

Com o aumento da concorrência entre as empresas torna-se necessário reduzir os
riscos e as incertezas para prosperar. Considera-se que todos os ambientes empresariais
contêm um componente de risco e incerteza, justamente as origens do lucro (KNIGHT, 1972).
As empresas precisam, portanto, de um instrumento confiável e viável para a geração de
conhecimento suficiente para que decisões sejam feitas com mais segurança em relação a seus
concorrentes. Em ambientes empresariais que envolvem produção e distribuição de bens as
alocações são muito dinâmicas e o que provou ser eficaz pode perder sua validade em um
curto período. Portanto, ferramentas de apoio a tomada de decisão são cada vez mais
utilizadas no dia a dia, substituindo as deliberações estratégicas que serviam para um período
mais extenso.
Os cursos de ensino da Logística ainda estão começando a aparecer no Brasil. Apesar
de ser ministrada como disciplina, a graduação é pouco disseminada. Alguns cursos de pós-
graduação estão tentando preencher a lacuna, compensando a falta de formação específica de
profissionais já atuando no mercado (LAVRATTI, 2004). Entretanto, esses cursos de pós-
graduação são latu senso, de curta duração (360 horas) e voltados a pessoas sem
conhecimento técnico das disciplinas que orientam a formação de base quantitativa do
profissional de logística.
O primeiro curso de graduação em Logística na Brasil tem sua grade curricular
organizada de forma inter e transdiciplinar, para proporcionar ao aluno a construção do
conhecimento e conhecimento do mundo (UNIVALI, 2003). As disciplinas de predominância
quantitativa interagem com as qualitativas formando uma harmonia ideal para as tomadas de
decisão, sejam elas de curto, médio ou longo prazo.

1o Período Disciplina Duração Enfoque

Cálculo aplicado à Logística 60 horas Quantitativo
Comunicação empresarial 60 horas Qualitativo
Economia regional 60 horas Qualitativo
Gerenciamento do transporte rodoviário de carga 60 horas Quantitativo
Introdução à Logística 60 horas Quantitativo
2o Período Disciplina Duração Enfoque
Análise do transporte multimodal 60 horas Quantitativo
Informática na Logística 60 horas Qualitativo
Engenharia econômica 60 horas Quantitativo
Geopolítica 60 horas Qualitativo
Logística de suprimentos 60 horas Quantitativo
3o Período Disciplina Duração Enfoque
Armazenagem e movimentação de materiais 60 horas Quantitativo
Inglês técnico 60 horas Qualitativo
Metodologia do trabalho científico 60 horas Qualitativo
Métodos de otimização em transportes 60 horas Quantitativo
Tecnologia da informação na Logística 60 horas Qualitativo
4o Período Disciplina Duração Enfoque
Custos logísticos 60 horas Quantitativo
Estatística aplicada à Logística 60 horas Quantitativo
Gestão da distribuição física 60 horas Quantitativo
Planejamento e logística de produção 60 horas Quantitativo
Transporte público 60 horas Quantitativo
Estágio ou monografia 60 horas
5o Período Disciplina Duração Enfoque
Filosofia e ética na Logística 60 horas Qualitativo
Gestão de recursos humanos 60 horas Qualitativo
 Logística reversa 60 horas Quantitativo
Psicologia em Logística 60 horas Qualitativo
Planejamento estratégico 60 horas Quantitativo
Estágio ou monografia 120 horas -
6o Período Disciplina Duração Enfoque
Logística avançada 60 horas Qualitativo
Logística internacional 60 horas Quantitativo
Marketing 60 horas Qualitativo
Qualidade no pensamento logístico 60 horas Quantitativo
Direito na Logística 60 horas Qualitativo
Estágio ou monografia 120 horas -
-
Atividades complementares 120 horas -
Figura 1 Matriz curricular do curso de Logística. Fonte: Univali, 2003.
Os cursos de Logística, por derivarem da Engenharia de Produção e da Administração,
apresentam um viés neutro quanto à sua natureza, não tendo predominância quantitativa ou
qualitativa. O uso da Matemática e da Estatística é indispensável para o bom aproveitamento
das disciplinas.
A Pesquisa Operacional, através da Programação Linear, contribui para compatibilizar
a matemática com as informações e os objetivos do problema (SHAMBLIN, 1979). A
formulação dos sistemas é muitas vezes bastante difícil e considera-se um exercício único a
elaboração de um modelo a ser aplicado na prática. O uso das ferramentas de Programação
Linear exige conhecimento das formas de estruturação de um sistema de equações, não
podendo ser utilizadas fórmulas prontas.

Solver
Uma poderosa ferramenta para os sistemas de Programação Linear foi desenvolvida
para ser utilizada em planilhas eletrônicas. Trata-se do Solver, um suplemento disponível para
Microsoft Excel, Louts 1-2-3 e Quattro Pro. De acordo com o fabricante, Frontline Systems,
Inc. (2004), o programa encontra o melhor caminho para a alocação de recursos escassos. No
campo da Distribuição, que faz parte da Logística, resolve problemas de roteirização,
carregamento e agendamento. A escolha das quantidades a ser produzidas por cada fábrica e
para onde enviar seus produtos é feita com o uso da ferramenta Solver. Isso simplifica o
trabalho de alocação da produção, reduzindo o tempo necessário através do Simplex.
O suplemento do Solver padrão do Microsoft Excel trabalha com até 200 variáveis.
Porém, há versões mais robustas com capacidade para 200.000 variáveis.
Da mesma forma com que se modela um sistema linear o Solver também é preciso
especificar:
a. As variáveis de decisão: os recursos a ser utilizados
b. As constantes: os limites de utilização dos recursos
c. A função-objetivo: a forma de medir o resultado da otimização
Todos os elementos do sistema são numéricos, mas as relações entre si devem ser
definidas. O programa encontra os valores para as variáveis que irá satisfazer as restrições e
maximizar ou minimizar o resultado, conforme o objetivo.
 O primeiro passo é o estabelecimento das variáveis de decisão, que aparecem na forma
de uma matriz. A seguir é colocada a função-objetivo, que define o resultado (lucro ou custo)
dependendo das quantidades alocadas. Então são definidos os limites, ou restrições, das
equações. São as capacidades máximas ou mínimas, refletindo as características do mundo
real. As restrições podem servir para um grupo inteiro ou para cada variável de decisão
individualmente, inclusive com valor superiores e inferiores concomitantemente. No
estabelecimento de restrições deve ser levado em conta:
a. As políticas da empresa: os limites até onde a organização acredita que pode
agir
b. As limitações físicas: o computador precisa ser ávida que alguns fatores não
podem ser negativos e que os recursos só podem sair da empresa depois de ter
entrado, resultando em um balanço não-negativo.
c. Restrições de integridade: a solução admite somente valores inteiros ou
respostas do tipo “sim” e “não”.
Os limites geralmente são expressos na forma de “maior ou igual” ou “menor ou
igual”.
As soluções encontradas pelo Solver são viáveis para o sistema e apresentam os
valores das variáveis de decisão, ou seja, o quanto da cada recurso será utilizado com o quê. O
fato de haver uma solução viável não significa necessariamente que esta é a mais adequada,
portanto, o Solver busca pela solução ótima, onde, além de respeitar as restrições, o objetivo é
otimizado. A solução ótima geral é encontrada quando não há a possibilidade de outra solução
viável apresentar melhor resultado. Entretanto, em sempre isso é factível, por isso há casos em
que uma solução ótima local é oferecida e significa que esta é a melhor solução viável
naquela vizinhança. Também há situações em que o Solver não consegue encontrar a solução
ótima global, então proporciona uma solução considerada boa, porém, suficientemente melhor
do que a encontrada manualmente.
Os sistemas têm soluções que podem ser fáceis ou difíceis de encontrar dependendo:
a. Das relações matemáticas entre os objetivos, as constantes e as variáveis de
decisão
b. Do tamanho do modelo (número de variáveis de decisão e de restrições) e da
quantidade de variáveis nulas
c. Do uso de variáveis inteiras
Problemas maiores exigirão, naturalmente, mais esforço computacional.

Solver na solução de problemas logísticos

Tome-se o exemplo de uma empresa de produção industrial que deseja otimizar sua
logística de transporte a partir de suas fábricas até seus clientes (BENITO, SILVEIRA,
LAVRATTI, 2004). Para que isso ocorra da forma mais rentável possível é preciso que
algumas restrições sejam respeitadas.
a. Toda a produção é puxada pela demanda e transportada em lotes consolidados.
b. Cada unidade de produção respeita sua capacidade instalada.
c. Os preços são CIF e a margem de contribuição determina a matriz de
distribuição dos produtos.
d. O tempo de transporte determina o custo financeiro (penalidade).
 A solução do problema requer a maximização da margem de contribuição, ou seja, os
custos associados devem ser os menores possíveis sem comprometer a qualidade do serviço
ao cliente. A fórmula que representa o lucro máximo (Z) da empresa é:
6 30
Z   mij  X ij sendo mij a margem de contribuição unitária da fábrica i para o
i 1 j 1

mercado j e X ij é a quantidade de produto a ser transportada da fábrica i para atender o

mercado j.
A constante i existe de 1 a 6, significando cada uma das 6 fábricas. Da mesma forma, a
constante j representa cada um dos 30 clientes. A variável X indicará a quantidade que cada
fábrica produzirá para cada mercado.
A margem de contribuição (m) explica qual o lucro que cada unidade vendida
acrescenta para a empresa, podendo ser um valor negativo se a operação der prejuízo.
mij  PVij  CVij  DVij  sendo PVij o preço de venda, CVij o custo de produção e
DVij o custo de distribuição.
Portanto, X e m são diferentes para cada uma das 180 (6  30) combinações das 6
fábricas com cada um dos 30 mercados.
A capacidade total de produção é limitada ao somatório da capacidade de todas as
fábricas reunidas:
30

X
j 1
ij  PRODi i  1,,6

A demanda total dos clientes é restrita ao somatório das demandas individuais:

6

X
i 1
ij  DEM j j  1,,30

Com o uso de uma tabela se estabelece a margem de contribuição dos produtos sendo
fabricados em uma determinada unidade e entregues para um cliente.
 Margem de Contribuição, Demanda e Produção
Localização das fábricas
RS MT GO BA PR SP Demanda
Rio Branco 0,03 1,05 0,27 -1,08 0,30 0,16 25.000,00
Maceió -0,12 -0,49 0,23 1,58 0,32 0,50 25.000,00
Manaus -1,46 1,66 0,35 -1,98 -0,92 -1,03 43.000,00
Salvador -0,47 -0,78 -0,07 1,96 -0,02 0,16 70.000,00
Barreiras -0,30 -0,18 0,53 1,32 0,14 0,31 70.000,00
Fortaleza -0,57 -0,69 0,03 1,06 -0,12 0,06 25.000,00
Brasília 0,62 0,73 1,40 0,43 1,08 1,23 115.000,00
Vitória 0,55 0,64 1,20 1,41 1,00 1,19 25.000,00
Localização dos mercados consumidores

Goiânia 0,34 0,45 1,77 -0,17 0,74 0,83 70.000,00

São Luís 1,32 1,28 2,01 2,42 1,72 1,82 25.000,00
Imperatriz 1,66 1,74 2,36 2,14 2,06 2,16 25.000,00
Belo Horizonte 0,38 0,59 1,14 0,79 0,82 0,01 115.000,00
Uberlândia 0,29 0,89 1,40 0,44 0,69 0,84 115.000,00
Campo Grande 0,91 0,89 0,70 -0,52 1,18 1,04 50.000,00
Cuiabá 0,81 2,33 1,10 -0,24 1,08 0,94 50.000,00
Belém 0,42 0,43 1,15 1,19 0,81 0,92 35.000,00
Marabá 0,75 0,87 1,49 1,20 1,15 1,25 25.000,00
João Pessoa -0,19 -0,56 0,16 1,50 0,25 0,43 25.000,00
Recife -0,14 -0,51 0,21 1,55 0,31 0,51 25.000,00
Teresina -0,21 -0,16 0,56 1,29 0,19 0,29 25.000,00
Curitiba 0,68 0,00 0,34 -0,53 1,71 0,64 185.000,00
Rio de Janeiro 1,13 0,80 1,40 1,20 1,58 1,78 345.000,00
Natal -0,29 -0,66 0,06 1,41 0,16 0,34 25.000,00
Porto Velho 0,23 1,26 0,48 -0,86 0,49 0,36 25.000,00
Porto Alegre 2,14 0,03 0,25 -0,68 0,99 0,50 115.000,00
Florianópolis 0,87 -0,25 0,08 -0,77 0,86 0,41 35.000,00
Aracaju 0,10 -0,27 0,45 1,79 0,53 0,72 25.000,00
São Paulo 0,35 0,01 0,58 -0,20 0,79 1,54 695.000,00
São José do Rio Preto 0,08 0,31 0,82 -0,19 0,47 1,31 100.000,00
Araguaina 0,52 0,67 1,29 0,83 0,91 1,01 25.000,00
Produção 318.000,00 409.000,00 589.000,00 433.000,00 299.000,00 510.000,00
Figura 2 Margem de contribuição e restrições de demanda e produção.
As colunas indicam as fábricas, na última linha delas (Produção) aparece a capacidade
de produção. As linhas mostram os clientes, a última coluna (Demanda) tem a demanda total
de cada local. As células apontam a margem de contribuição das fábricas e seus respectivos
mercados. Sinais negativos indicam prejuízo, portanto serão desconsiderados.
No Microsoft Excel o Solver é encontrado em:
Ferramentas > Solver... > Parâmetros do Solver
Quando estiver indisponível, vai solicitar o disco do Microsoft Office para a
instalação, mas faz isso automaticamente.
Em Parâmetros do Solver é indicada a célula de destino, ou seja, o local onde foi
digitada a fórmula da função-objetivo.
A seguir deve-se escolher Igual a: Máx. Isso denotará uma função de maximização da
função-objetivo.
Em Células variáveis é indicado o local onde o Solver irá colocar os resultados das
alocações de produção para cada fábrica. É uma matriz com as mesmas dimensões da tabela
das margens de contribuição. Do lado direito deve-se inserir uma coluna com o somatório das
demandas. Na linha inferior é criado o somatório da produção.
Por fim são delimitadas as restrições em Submeter às restrições. Todo o intervalo
definido como Células variáveis deve ser maior ou igual a zero. A Produção indicada pelo
Solver não pode ser superior à da tabela de capacidades, também deve ser respeitada a
demanda para cada cliente.
 Na mesma janela dos Parâmetros do Solver clicar em Opções e escolher Presumir
modelo linear. Esta opção considera todas as relações lineares na modelo e resolve através de
otimização linear. Clicar OK para encerrar as opções.

Alocação da produção e distribuição

Localização das fábricas
RS MT GO BA PR SP Demanda
Rio Branco 0,00 25.000,00 0,00 0,00 0,00 0,00 25.000,00 25.000,00
Maceió 0,00 0,00 0,00 25.000,00 0,00 0,00 25.000,00 25.000,00
Manaus 0,00 43.000,00 0,00 0,00 0,00 0,00 43.000,00 43.000,00
Salvador 0,00 0,00 0,00 70.000,00 0,00 0,00 70.000,00 70.000,00
Barreiras 0,00 0,00 0,00 70.000,00 0,00 0,00 70.000,00 70.000,00
Fortaleza 0,00 0,00 0,00 25.000,00 0,00 0,00 25.000,00 25.000,00
Brasília 0,00 0,00 115.000,00 0,00 0,00 0,00 115.000,00 115.000,00
Vitória 0,00 0,00 0,00 25.000,00 0,00 0,00 25.000,00 25.000,00
Localização dos mercados consumidores

Goiânia 0,00 0,00 70.000,00 0,00 0,00 0,00 70.000,00 70.000,00

São Luís 0,00 0,00 0,00 25.000,00 0,00 0,00 25.000,00 25.000,00
Imperatriz 0,00 0,00 25.000,00 0,00 0,00 0,00 25.000,00 25.000,00
Belo Horizonte 0,00 1.000,00 114.000,00 0,00 0,00 0,00 115.000,00 115.000,00
Uberlândia 0,00 115.000,00 0,00 0,00 0,00 0,00 115.000,00 115.000,00
Campo Grande 0,00 50.000,00 0,00 0,00 0,00 0,00 50.000,00 50.000,00
Cuiabá 0,00 50.000,00 0,00 0,00 0,00 0,00 50.000,00 50.000,00
Belém 0,00 0,00 0,00 35.000,00 0,00 0,00 35.000,00 35.000,00
Marabá 0,00 0,00 25.000,00 0,00 0,00 0,00 25.000,00 25.000,00
João Pessoa 0,00 0,00 0,00 25.000,00 0,00 0,00 25.000,00 25.000,00
Recife 0,00 0,00 0,00 25.000,00 0,00 0,00 25.000,00 25.000,00
Teresina 0,00 0,00 0,00 25.000,00 0,00 0,00 25.000,00 25.000,00
Curitiba 0,00 0,00 0,00 0,00 185.000,00 0,00 185.000,00 185.000,00
Rio de Janeiro 0,00 0,00 215.000,00 33.000,00 97.000,00 0,00 345.000,00 345.000,00
Natal 0,00 0,00 0,00 25.000,00 0,00 0,00 25.000,00 25.000,00
Porto Velho 0,00 25.000,00 0,00 0,00 0,00 0,00 25.000,00 25.000,00
Porto Alegre 115.000,00 0,00 0,00 0,00 0,00 0,00 115.000,00 115.000,00
Florianópolis 35.000,00 0,00 0,00 0,00 0,00 0,00 35.000,00 35.000,00
Aracaju 0,00 0,00 0,00 25.000,00 0,00 0,00 25.000,00 25.000,00
São Paulo 168.000,00 0,00 0,00 0,00 17.000,00 510.000,00 695.000,00 695.000,00
São José do Rio Preto 0,00 100.000,00 0,00 0,00 0,00 0,00 100.000,00 100.000,00
Araguaina 0,00 0,00 25.000,00 0,00 0,00 0,00 25.000,00 25.000,00
318.000,00 409.000,00 589.000,00 433.000,00 299.000,00 510.000,00 3.533.320,00
Produção
318.000,00 409.000,00 589.000,00 433.000,00 299.000,00 510.000,00

Figura 3 Alocação da produção, distribuição e lucro máximo.

Voltando automaticamente para os Parâmetros do Solver deve ser dado o comando de
solução por meio do botão Resolver. Aparecerá a janela Resultados do Solver com o aviso de
que o Solver encontrou uma solução. Todas as restrições e condições otimizadas foram
atendidas. Nada mais precisa ser alterado. O botão OK encerrará a janela e o MS-Excel
apresentará a alocação da produção otimizada na janela que foi indicada como Células
variáveis.
Os valores nas células indicam as quantidades que deve ser produzidas em cada local e
o destino dos produtos. O Solver respeita todas as restrições, sejam elas de produção ou de
demanda e o valor apresentado no canto inferior direito representa o lucro das operações. O
lucro é obtido pela multiplicação da margem de contribuição de cada combinação de
produção e destino possível com as quantidades alocadas a cada um.

Conclusões
A solução apresentada é a melhor possível. O método encontrou a maior rentabilidade
dentro das restrições de produção e demanda.
Toda a demanda foi atendida e nenhuma unidade industrial ficou ociosa.
As ferramentas de Programação Linear estão disponíveis para a comunidade
acadêmica há muito tempo, entretanto não são utilizadas na prática por falta de experiência
dos profissionais de logística. Alguns cursos estão lançando mão de disciplinas quantitativas
para aumentar a acuracidade das tomadas de decisão.
Apesar de não ser uma inovação a técnica de otimização através do computador ainda
não é bastante difundida devido à falta de conhecimento dos profissionais de Logística e pelo
fato de parecer complexo demais. Na verdade isso não passa de um fruto da falta de
informação. O computador auxilia na criação e gerenciamento de cenário, possibilitando a
redução de custos e o aumento na lucratividade de sistemas logísticos.

Referências
ANDRADE, Eduardo Leopoldino de. Introdução à pesquisa operacional: métodos e
modelos para a análise de decisão. 2 ed. Rio de Janeiro: LTC: 1998.
BENITO, Rafael Carlos Vélez, SILVEIRA, Carlos Augusto, LAVRATTI, Fábio Beylouni. A
otimização da logística de distribuição como diferencial competitivo. In: Mercolog, 2004,
Porto Alegre.
CHOPRA, Sunil. Gerenciamento da cadeia de suprimentos. São Paulo: Prentice Hall,
2003.
CRISTOPHER, Martin. A logística do marketing. São Paulo: Futura, 1999.
CORMEN, Thomas H. Introduction to algorithm. 23. ed. MIT: McGraw-Hill, 1999.
COUNCIL OF LOGISTICS MANAGEMENT (CLM). Supply chain vision, logistics terms
and glossary. Disponível em: <http://clm1.org/Downloads/Resources/glossary03.pdf>.
Acesso em: 15/09/2004.
DORNEIR, Philippe-Pierre. et al. Logística e operações globais: textos e casos. São Paulo:
Atlas, 2000.
FRONTLINE SYSTEMS INC., Solver technology. Disponível em:
<http://www.solver.com>. Acesso em: 20/10/2004.
GOLDBARG, Marco César. Otimização combinatória e programação linear: modelos e
algoritmos. Rios de Janeiro: Campus, 2000.
KNIGHT, Frank H. Risco, incerteza e lucro. Rio de Janeiro: Expressão e Cultura, 1972.
LAVRATTI, Fábio Beylouni. O ensino da logística no Brasil. In: MELO, Pedro Antônio de,
COLOSSI, Nelson. Cenários da gestão universitária na contemporaneidade.
Florianópolis: Insular, 2004.
MAXIMIANO, Antonio César Amaru. Teoria geral da administração: da revolução urbana
à revolução digital. 3 ed. São Paulo: Atlas, 2002.
MURTY, Katta G. Linear programing. Stanford: John Wiley & Sons, 1983.
SHAMBLIN, James E., STEVENS JR, G. T. Pesquisa operacional: uma abordagem básica.
São Paulo: Atlas, 1979.
UNIVALI. Centro de Ciências Sociais Aplicadas. Síntese do projeto pedagógico. Itajaí:
2003.