Conheça seis casos práticos que demonstram como modelar problemas reais como programas lineares (LP) e resolvê-los com o Optimization Solver. Cada caso inclui source code em Python hospedado no MindOpt Studio — abra qualquer caso diretamente no Notebook online para execute e modifique o código.
Os casos evoluem de conceitos introdutórios para aplicações de machine learning. Se você não tem experiência com LP, comece pelo Caso 1 antes de avançar para os casos específicos de cada domínio.
Visão geral dos casos de LP
|
Caso |
Problema de negócio |
O que você aprende |
Dificuldade |
|
Entenda onde a LP se aplica em decisões do dia a dia |
Conceitos fundamentais de LP e seu papel na Pesquisa Operacional |
Introdutório |
|
|
Elabore uma dieta diária que atenda aos requisitos nutricionais com custo mínimo |
Modelagem de restrições alimentares com LP; 12 exemplos de código em C, C++ ou Python |
Iniciante |
|
|
Organize peças de trabalho entre máquinas para concluir todas as tarefas o mais cedo possível |
Escalonamento flow shop com LP; minimização do makespan |
Iniciante |
|
|
Maximize o total de visualizações de vídeo e atinja as metas individuais por vídeo |
Alocação de tráfego baseada em LP para anúncios, notificações e promoções |
Intermediário |
|
|
Crie um modelo de previsão resiliente a outliers |
Formulação de regressão linear como problema de otimização LP |
Intermediário |
|
|
Classifique entradas em múltiplas categorias usando máquinas de vetores de suporte (SVMs) |
Formulação LP de SVMs com regularização L1 |
Avançado |
1. Conceito de LP
A LP é a técnica mais utilizada na Pesquisa Operacional. Este caso introdutório apresenta os conceitos fundamentais e os tipos de problemas que a LP consegue resolver.
Pré-requisitos: Não é necessário conhecimento prévio em LP. Familiaridade básica com Python é útil.
2. Alocação nutricional: custos menores e nutrição adequada
Alimentar uma residência ou instituição dentro de um orçamento exige equilibrar dezenas de restrições nutricionais simultaneamente — exatamente o tipo de problema que a LP resolve com eficiência. Este caso constrói um modelo de planejamento de dieta diária que atende aos requisitos nutricionais especificados com o menor custo possível. Doze exemplos de código estão incluídos, abrangendo C, C++ ou Python.
Pré-requisitos: Programação básica em Python. Não é necessário conhecimento prévio em LP.
3. Escalonamento de produção: minimize o makespan em um flow shop
Em um flow shop, toda peça de trabalho passa pela mesma sequência de máquinas. O desafio consiste em encontrar a ordem das peças que conclui todos os trabalhos o mais cedo possível. Este caso modela o problema clássico de escalonamento flow shop como uma LP e utiliza o Optimization Solver para minimizar o makespan.
Pré-requisitos: Programação básica em Python. Familiaridade com os fundamentos de LP (recomenda-se o Caso 1).
4. Distribuição de tráfego de anúncios: exposição equilibrada e conversão de tráfego
Plataformas de vídeo online precisam que cada conteúdo — anúncios, notificações e promoções — alcance o número esperado de visualizações e, ao mesmo tempo, maximize o total de visualizações em todo o conteúdo. Este caso formula esse trade-off como uma LP e o resolve com o Optimization Solver.
Pré-requisitos: Programação básica em Python. Familiaridade com os fundamentos de LP (recomenda-se o Caso 1).
5. Regressão linear robusta
Este caso reformula a regressão linear como uma LP, estimando a relação entre um vetor de variáveis independentes x e uma saída escalar y por meio da função linear y = ⟨a, x⟩ + b. A formulação LP estima os valores de a e b.
Pré-requisitos: Programação em Python. Conhecimento básico de conceitos de regressão linear.
6. Multiclassificação SVM com regularização L1
A classificação mapeia um vetor de entrada x para um rótulo categórico y — por exemplo, identificar se uma imagem contém um animal ou uma planta. Este caso formula a classificação multiclasse usando SVMs com um termo de regularização L1 como uma LP e, em seguida, resolve o problema com o Optimization Solver.
Pré-requisitos: Programação em Python. Familiaridade com LP e conceitos básicos de machine learning.