Todos os produtos
Search
Central de documentação

Optimization Solver:Casos: Programação Linear (LP)

Última atualização: Jun 28, 2026

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

1. Conceito de LP

Entenda onde a LP se aplica em decisões do dia a dia

Conceitos fundamentais de LP e seu papel na Pesquisa Operacional

Introdutório

2. Alocação nutricional

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

3. Escalonamento de produção

Organize peças de trabalho entre máquinas para concluir todas as tarefas o mais cedo possível

Escalonamento flow shop com LP; minimização do makespan

Iniciante

4. Distribuição de tráfego de anúncios

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

5. Regressão linear robusta

Crie um modelo de previsão resiliente a outliers

Formulação de regressão linear como problema de otimização LP

Intermediário

6. Multiclassificação SVM

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.

Experimentar no Notebook>>

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.

Experimentar no Notebook>>

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).

Experimentar no Notebook>>

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).

Experimentar no Notebook>>

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.

Experimentar no Notebook>>

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.

Experimentar no Notebook>>