Uma Fabrica Produz Dois Modelos De Martelo

Resolvendo problemas de otimização em linhas de produção

Você já se deparou com aquela questão clássica de matemática ou pesquisa operacional onde uma fábrica produz dois modelos de martelo? A estrutura padrão pede para maximizar lucro ou minimizar custo sujeito a restrições de mão de obra, matéria-prima e capacidade instalada. Parece simples na teoria, mas na prática tem armadilhas que só aparecem quando você tenta aplicar o modelo. O cenário típico envolve duas variáveis de decisão — vamos chamar de x para o modelo básico e y para o modelo premium. Cada um consome quantidades diferentes de aço, tempo de usinagem e acabamento. A função objetivo é linear, geralmente algo como 35x mais 58y para maximizar o lucro total, e as restrições definem o espaço viável. Resolver isso pelo método gráfico funciona bem porque são apenas duas variáveis. Você traça cada desigualdade no plano cartesiano, identifica o polígono de interseções e testa os vértices.

Como uma fabrica produz dois modelos de martelo na prática

Aqui vai algo que livros didáticos raramente mencionam. O problema real não está na matemática, mas na interpretação das restrições. Eu estava trabalhando num projeto de planejamento industrial quando o cliente forneceu dados em horas-máquina por unidade, mas esqueceu de converter o tempo de setup. Cada troca de lote de um modelo para outro gera perda de até 40 minutos na linha de acabamento. Isso pode alterar completamente o ponto ótimo encontrado pelo modelo. Outro detalhe importante é o arredondamento. A solução ótima do programa linear pode sair como x igual a 127,34 e y igual a 89,71. Você não vai fabricar 0,34 de um martelo. Arredondar para baixo dá 127 e 89, mas pode não ser viável. Testar combinações próximas usando programação inteira, mesmo que simples, costuma revelar a solução pratica mais interessante. Em alguns casos, produzir menos unidades de um modelo e mais do outro gera margem superior porque explora melhor a capacidade ociosa.

O método simplex é mais robusto quando o problema escala para três variáveis ou mais, mas a maioria dos casos com dois produtos não justifica essa complexidade. O que realmente salva é verificar se o espaço viável é não-vazio. Já vi pessoas perderem horas resolviendo problemas que tinham restrições contraditórias. Se a mão de obra disponível for inferior ao consumo mínimo para qualquer combinação viável, não existe solução factível e continuar calculando é perda de tempo. Outro ponto que pouca gente considera é a sensibilidade. Quando o preço de venda do modelo premium sobe 8%, o ponto ótimo pode mudar de posição rapidamente. Analisar os coeficientes da função objetivo dentro de sua faixa de estabilidade economiza reuniões desnecessárias com gerentes que acham que pequenas variações de mercado não impactam o plano de produção.

Se você precisa de uma ferramenta concreta para resolver esses problemas, o Solver do Excel ainda é a opção mais acessível. Ele implementa o algoritmo simplex por padrão, aceita duas variáveis ou duas centenas, e já mostra a análise de sensibilidade na mesma planilha. Para quem trabalha com frequência, o LINGO ou osolverPython com a biblioteca scipy.optimize.linprog são alternativas que processam modelos maiores sem burocracia. Dados abertos sobre custos de produção e capacidades industriais estão disponíveis no site do IBGE e nas bases de dados do Sebrae para casos reais de manufatura. O que determina se esse tipo de modelo funciona ou falha não é a técnica em si, mas a qualidade dos dados inseridos. Restrições mal estimadas levam a soluções elegantemente erradas. Antes de rodar qualquer otimizador, gaste tempo validando os tempos padrão e os custos unitários com quem opera a linha. O resto é cálculo.