RESOLUO DE TRS PROBLEMAS REAIS DE PROGRAMAO

LINEAR, VARIANDO-SE O SINAL DAS INEQUAES NAS

RESTRIES

Alexandro de Castro da Silva (G-FUNEC)
Daniel Lujan Zanini (G-FUNEC)
Evandro Robiatti (G-FUNEC)
Prof. Me. Oscar Alessandro de Matos (orientador)

Resumo: O presente estudo busca mostrar as aplicaes da Programao Linear, esta que
comeou a ser desenvolvida para fins blicos, e aps a Segunda Guerra Mundial passou a ser
utilizada em pesquisas visando melhorias em outros setores, visando maximizar lucros e
minimizar custos, com a utilizao de ferramentas matemtica e computacional para obter a
soluo. Um desses mtodos e o mais importante o chamado de mtodo simplex, onde a
partir de um modelo matemtico formado por uma funo objetivo, ou ela maximizando ou
ela minimizando, juntamente com um conjunto de inequaes chamadas de restries,
aplicando-se o mtodo simplex, consegue-se chegar soluo vivel. Este trabalho tem o
objetivo de solucionar trs tipos de modelos: com restries apenas com sinais de menor ou
igual; com restries apenas com sinais de maior ou igual; e, com restries com sinais de
maior ou menor ou igual. Verificou-se tal necessidade desse estudo, devido dificuldade em
encontrar trabalhos contendo explicaes da resoluo de problemas complexos envolvendo
tais problematizaes, visto que a necessidade de se obter uma soluo tima para qualquer
problema to procurada.

Palavras Chave: programao linear. Otimizao. mtodo simplex.

Resume: This study aims to show the applications of Linear Programming, that he began to
be developed for military purposes, and after the Second World War came to be used in
research aimed at improvements in other sectors, aiming to maximize profits and minimize
costs, with the use of mathematical and computational tools for the solution. One method is
the most important and called the simplex method, where from a mathematical model formed
by an objective function, or she maximizing or minimizing it, along with a number of calls
from inequaes restrictions, according to the simplex method, able to reach the viable
solution. This work aims to solve three types of models: with restrictions only with signs of
less than or equal, with restrictions only with signs of greater or equal, and with restrictions
on signs of greater or lesser or equal. It was such a need of this study, because of the difficulty
in finding work containing explanations of the resolution of complex problems involving such
problems, since the need to obtain an optimal solution to any problem is so sought.

Key-words: linear programming. Optimization. simplex method.

1 Introduo

A Programao Linear uma ferramenta da Pesquisa Operacional aplicada soluo
de problemas que objetivam a otimizao de um sistema em estudo.
O termo Pesquisa Operacional foi utilizado pela primeira vez na Gr-Bretanha em
1938 para designar o estudo sistemtico de problemas estratgicos e tticos e correntes de
operaes militares. Numa atuao clssica, um grupo de especialistas (matemticos, fsicos,
engenheiros,...) foi designado para avaliar e reposicionar adequadamente os radares do
sistema de defesa area da Gr-bretanha antes e durante a segunda guerra mundial.
Aps a segunda guerra mundial, muitos dos especialistas que estiveram envolvidos no
planejamento de operaes militares, deram continuidade a suas pesquisas, agora visando
tambm operaes no militares. Provavelmente o desenvolvimento metodolgico mais
importante do perodo ps-guerra foi o Mtodo Simplex, por George Dantzig, em 1947, para
a resoluo de problemas de Programao Linear. Desde a rea logstica, at estratgica. Foi
aps a guerra que ele foi impulsionado a encontrar formas eficientes de desenvolver esta
metodologia. Foi Dantzig o primeiro a reconhecer que um programa de planejamento poderia
ser expresso por um sistema de inequaes lineares, assim como foi o primeiro a apresentar,
na forma de uma expresso matemtica explicita, um critrio para seleo do melhor plano,
ao que hoje chamamos funo objetivo.
O desenvolvimento da pesquisa operacional ao longo das ltimas dcadas tem
sido devido, principalmente, a dois fatores: o acirramento da concorrncia no perodo ps-
guerra, o que implicou numa melhoria do planejamento empresarial para sobrevivncia e
manuteno das empresas, e o rpido e acentuado desenvolvimento da informatizao de
base micro eletrnica.
Os americanos comearam a desenvolver a P.L., o qual conseguiu sucesso na
economia com alimentos dos soldados, mas os tipos de alimentos eram muito pobres. Havia
apenas trs tipos de alimentos: farinha, fgado de porco e repolho. Ento no servia para os
soldados em guerra. Ressalta-se que este americano fez as contas analiticamente, sem o uso
de computadores.
Todo este trabalho seria de aplicao prtica bastante limitada sem um mtodo
eficiente, ou algoritmo, que permitisse encontrar a soluo tima do conjunto de inequaes
lineares que maximizassem ou minimizassem a funo objetivo.
O surgimento de computadores digitais na dcada de 1950 tornou possvel
desenvolver e utilizar novas metodologias para resolver uma grande variedade de problemas
reais. A medida que a capacidade computacional disponvel foi crescendo, tornou-se possvel
resolver problemas cada vez mais complexos.
A construo do modelo matemtico, a parte mais complicada, no havendo regras
para sua construo, sugere-se um roteiro que ajuda a ordenar o raciocnio.
Uma vez obtido o modelo linear (ou modelo do problema), que constitudo pela
funo objetiva e pelas restries, a programao linear se encarrega de encontrar a soluo
tima, que pode ser tanto a maximizao de um lucro, quanto a minimizao de custos
utilizando alguns mtodos de resoluo de problemas de otimizao.

Seus benefcios so exatamente aqueles procurados por qualquer empresa: diminuio
dos custos e aumento dos lucros. Em algumas organizaes ela est, inclusive, embutida em
suas rotinas informatizadas de planejamento dirio dos processos de operao.


2 22 2 Primeiro Problema Empresa que Fabrica apenas dois Produtos

Ao modelar um problema de otimizao, deve-se ficar atento as seguintes questes de
extrema importncia nesse processo: Quais as variveis de deciso, qual o objetivo e quais
so as restries. Sendo assim, devem-se:
Explicitar as decises a serem tomadas e represent-las atravs de variveis de deciso
(x
1,
x
2...
), o qual, se o problema de programao de produo as variveis de deciso
so as quantidades a produzir no perodo.
Identificar o objetivo da tomada de deciso, que geralmente ser a maximizao de
lucro ou receita, minimizao de custos, perda, etc. A funo objetivo calcular o
valor do objetivo (lucros, receita, perda, etc), em funo das variveis.
Restringir as variveis atravs de equaes ou inequaes matemticas lineares.
2.1 Descrio do Primeiro Problema ( Quando as Restries so todas

)

Uma empresa pode-se fabricar dois produtos 1 e produto 2. Na fabricao do produto
1 a empresa gasta nove horas-homem e trs horas-mquina, onde a tecnologia utilizada
intensiva em mo-de-obra. Na fabricao do produto 2 a empresa gasta uma hora-homem e
uma hora-mquina, onde a tecnologia intensiva em capital. Sendo x
1
e x
2
as quantidades
fabricadas dos produtos 1 e 2 e sabendo-se que a empresa dispe de 18 horas-homem e 12
horas-mquina e ainda que os lucros dos produtos so $4 e $1 respectivamente, quanto deve
fabricar cada produto para obter o maior lucro possvel ?


2.2 Modelagem do Primeiro Problema

Admitindo que no h economia de escala, mas quantidades fabricadas quanto ao
lucro, a funo lucro a ser maximizada :
L = 4 x
1
+

x
2

por uma escolha de x
1
e x
2
.
Se o problema parasse aqui o lucro seria ilimitado. Porm, existem recursos limitados.
O que limita as quantidades fabricadas aqui so as horas-homem e horas-mquina
disponveis. Assim, as quantidades fabricadas e as horas utilizadas de cada recursos no
podem ultrapassar as quantidades de recursos disponveis, ou seja:
H-H 9x
1
+

x
2
18 e
H-M 3 x
1
+

x
2
12

Assim, o lucro s poder crescer at esses limites.
Temos ento o seguinte modelo matemtico:
Max L = 4 x
1
+

x
2
sujeito a:
horas-homem 9x
1
+

x
2
18
horas-mquina 3 x
1
+

x
2
12
x
1

0 e x
2

0
Como o problema de segunda dimenso e as funes e inequaes so lineares,
podemos obter uma soluo fcil graficamente.


2.3 Resoluo atravs do Mtodo Grfico

Primeiro precisamos saber, dado as restries, quais as possveis combinaes dos
produtos que se pode fabricar. Isso , precisamos verificar qual ou quais as reas que
satisfazem as restries, pois a empresa s pode dispor dos recursos "disponveis".
H-H H-M
9x
1
+

x
2
18 3x
1
+

x
2
12







-1 0 1 2 3 4 5
0
2
4
6
8
10
12
14
16
18
20
-1 -0. 5 0 0. 5 1 1. 5 2 2. 5 3 3. 5 4
0
2
4
6
8
10
12
14
16
18
20



Como a empresa no pode violar nenhuma das restries, precisamos saber a rea
onde as duas restries so vlidas, isso , a interseo das duas regies de restrio, chamada
de conjunto de possibilidades ou conjunto vivel.

Resta-se agora maximizar o lucro de L = 4 x
1
+ x
2
. O lucro uma constante para cada
uma das combinaes da x
1
e x
2
. Assim, lucros diferentes geram retas paralelas onde o lucro
constante em cada reta ou seja, as retas so iso-lucros.
Ento s traar iso-lucros no grfico do conjunto vivel e obter a iso-lucro de maior
lucro que seja possvel de se fabricar das restries.
-1 0 1 2 3 4 5
0
2
4
6
8
10
12
14
16
18
20

Logo, o lucro mximo 13 e deve-se fabricar x
1
= 1 e x
2
= 9 para obt-lo. Esses
valores so fixados diretamente do grfico. Veja o que acontece com as restries nesses
valores, no h sobras.


2.4 Resoluo atravs do Mtodo Simplex

O mtodo simplex um algoritmo.
Um algoritmo um processo onde um procedimento sistemtico repetido (iterado)
seguidamente at que o resultado desejado seja obtido.
Cada percurso do procedimento sistemtico chamado de iterao.
Conseqentemente, um algoritmo substitui um problema difcil por uma srie de outros
fceis.
L = 13
-1 0 1 2 3 4 5
0
2
4
6
8
10
12
14
16
18
20
-1 0 1 2 3 4 5
0
2
4
6
8
10
12
14
16
18
20
Alm das iteraes, os algoritmos tambm incluem um procedimento de dar incio e um
critrio para determinar quando parar.
Consideremos ento o modelo:

Max. L = 4x
1
+ x2

9x
1
+ x
2
+ xf
1
=18

Sujeito a: 3x
1
+ x
2
+ xf
2
=12

x
1

0, x
2

0, xf
1

0, xf
2

0


2.4.1 Clculo da Nova Soluo Bsica

C C C C Varivel que entra na base: entra na base a varivel com coeficiente negativo de
maior valor absoluto. A idia melhorar rapidamente o valor de L.
Examinando a funo objetivo do exemplo:

L - 4x
1
- x
2
= 0 ou L = 4x
1
+ x
2
Entra a varivel x
1
, pois cada unidade a mais em x
1,
aumenta L em 4 unidades.

p Varivel que sai: sai a varivel que primeiro se anula com a entrada da varivel
escolhida no item anterior, no caso x
1
, que entra com maior valor possvel.
Ela pode ser descoberta dividindo-se os termos da direta das restries pelos
coeficientes positivos da varivel que entra. O menor valor indica que a varivel
bsica dessa linha a que primeiro se anula e sair da base.
No exemplo:

+ x
2
+ xf
1
= 18 18

9 = 2 sai

+ x
2
+ xf
2
= 12 12

3 =4


Entra
] ] ] ] Elemento piv
A coluna da varivel que entra e a linha da varivel que sai identificam um elemento
chamado piv.
A linha da varivel que sai tambm linha piv. No caso, a primeira linha a piv e o
coeficiente 4 de x
2
o elemento piv.

d) Calculando a nova soluo
D1. Vamos organizar a funo objetivo e restries numa tabela com colunas
formadas pelos coeficientes de cada varivel e outra do termos independentes.

L x
1
x
2
xf
1
xf
2
b
1 -4 -1 0 0 0
0 9 1 1 0 18
0 3 1 0 1 12

9x
1
3x
1

Entra

D2. Dividimos a linha piv pelo valor do elemento piv, obtendo uma nova linha com
piv unitrio.

Linha piv: 0 9 1 1 0 18
Dividindo por 4: 0 1 0,111 0,111 0 2

nova linha piv.

D3. Vamos reescrever cada uma das outras linhas da seguinte maneira:
1 Multiplicar os elementos da nova linha piv pelo coeficiente da varivel que entra
da outra linha, com sinal trocado.
2 Somar termo a termo com os elementos da outra linha.
Sendo assim, o coeficiente da varivel que entra (x
1
) na primeira linha -4. Ento:

nova linha piv: 0 1 0.111 0.111 0 2
x4: 0 4 0.444 0.444 0 8
+ primeira
linha:
0 -4 -1 0 0 0
Soma = nova
primeira linha:
1 0 -0.555 0.444 0 8


O coeficiente da varivel que entra (x
1
) na terceira linha 3. Ento:

nova linha piv: 0 1 0.111 0.111 0 2
x(-3): 0 -3 -0.333 -0.333 0 6
+ terceira linha: 0 3 1 0 1 12
Soma = nova
terceira linha:
0 0 0.666 -0.333 1 6


Reescrevemos a tabela com os resultados obtidos teremos:
L x
1
x
2
xf
1
xf
2
b
1 0 -0.555 0.444 0 8
0 1 0.111 0.111 0 2
0 0 0.666 -0.333 1 6

De onde conclumos a nova soluo:
Variveis no bsicas: Variveis bsicas Valor de L:
x
2
= 0 X
1
= 2 L = 8
xf
1
= 0 xf
2
= 6
A funo objetivo na nova soluo est escrita em termos das variveis no bsicas x
2
e xf
1
.as variveis bsicas tem coeficientes nulos.
A soluo obtida tem L = 8, contra L = 0 da soluo inicial. melhor, mas ainda no
tima, pois o coeficiente de x
2
na funo objetivo negativo.
Varivel que entra: x
2
(coeficiente negativo de maior valor absoluto na funo
objetivo).
Varivel que sai:

Vamos dividir os termos independentes pelos coeficientes positivos de x
2
:
2

0.111 = 18
6

0.666 = 9 menor valor: sai a varivel dessa linha no caso xf

2
.

Nova linha piv: terceira linha
Elemento piv: 0.666


Nova linha piv = linha piv

0.666
Nova linha piv: 0 0 0.666 -0.333 1 6

0.666 0 0 1 -0.5 1.5 9

O coeficiente da varivel que entra (x
2
) na primeira linha -0.555. Ento:
nova linha piv: 0 0 1 -0.5 1.5 9
x(0.555): 0 0 0.555 -0.2777 0.8333 5
+ primeira
linha:
1 0 -0.555 0.444 0 8
Soma = nova
primeira linha:
1 0 0 0.1666 0.8333 13

O coeficiente da varivel que entra(x
2
) na segunda linha o 0.111. Ento:
nova linha piv: 0 0 1 -0.5 1.5 9
x(-0.111): 0 0 -0.111 -0.0555 -0.1666 -1
+ terceira linha: 1 0 -0.555 0.444 0 8
Soma = nova
terceira linha:
0 1 0 0.1666 -0.1666 1

Reescrevendo a nova linha tabela como os resultados obtidos teremos:
L x
1
x
2
xf
1
xf
2
b
1 0 0 0.1666 0.8333 13
0 1 0 0.1666 -0.1666 1
0 0 1 -0.5 1.5 9

A nova soluo ser portanto:
Variveis no bsicas: Variveis bsicas Valor de L:
xf
1
= 0 x
1
= 1 L = 13
Xf
2
= 0 x
2
= 9

A funo objetivo est escrita em termos das variveis no bsicas xf
1
e xf
2
, pois os
coeficientes das variveis so nulos. O valor de L passou de L = 8 para L = 13. Essa soluo
tima, pois os coeficientes das variveis no bsicas na funo objetivo so positivos. Se xf
1

ou xf
2
entrar na base, o valor de L diminui, contrariando o objetivo.


3 Segundo Problema Planejamento de Produo de Madeira


3.1 Descrio do Segundo Problema ( Quando as Restries so

)

O Presidente, Joo Thomaz, da Companhia Jelite quer utilizar do melhor modo
possvel os recursos de madeira em uma de suas regies florestais. Dentro desta regio, h
uma serraria e uma fabrica de compensados; assim as toras podem ser convertidas em madeira
beneficiada ou compensado.
Produzir uma mistura comercializvel de produtos beneficiados requer 1 metro cbico
de pinho e 4 metros cbicos e canela. Produzir 100 metros quadrados de madeira compensada
requer 2 metros cbicos de pinho e 4 metros cbicos de canela. Esta regio tem disponveis
32 metros cbicos de pinho e 72 metros cbicos de canela.
Compromissos de venda exigem que sejam produzidos durante o perodo de
planejamento, pelo menos 5 metros cbicos de madeira beneficiada e 1200 metros quadrados
de madeira compensada. As contribuies ao lucro so $45 por 1 metro cbico de produtos
beneficiados e $60 por 100 metros quadrados de madeira compensada.


3.2 Modelagem do Segundo Problema

Neste problema temos:
Elementos conhecidos: lucro associado aos produtos, quantidade necessria de cada tipo
de insumo para a produo de cada item, quantidade de insumo disponvel ;
elementos desconhecidos: quanto produzir de cada item;
Objetivo a ser alcanado: obter o maior lucro possvel com a quantidade de insumo
disponvel;
Restries: quantidade de insumos limitada, compromissos de venda.

Podemos ento iniciar a construo do modelo:
Variveis de deciso:
Precisamos decidir quanto produzir de cada item.
1
x
= quantidade de madeira beneficiada produzida em m
2
x
= quantidade de madeira compensada produzida em m


3.2.1 Objetivo

Maximizar o lucro coma venda dos produtos. O lucro associado a cada produto
conhecido. Assim se vendermos 1 m de madeira beneficiada teremos um lucro de $ 45.
Supondo verdadeira a hiptese de proporcionalidade, se vendermos 2 m obter um lucro de
$90, de uma maneira geral, se vendermos
1
x
m3, iremos Ter um lucro de $ 45
1
x
.
De maneira equivalente obtemos o lucro associado a venda de madeira compensada:
60
2
x
.
Supondo verdadeira a hiptese de aditividade temos que o lucro total com a venda dos
produtos 45
1
x
+ 60
2
x
.
Como queremos obter o maior lucro possvel, temos a seguinte funo objetivo:



2 1
60 45 max x x z + =
3.2.2 Restries

Disponibilidade de recursos:

Pinho
Temos uma quantidade limitada de Pinho. Assim a quantidade de pinho utilizada para
a produo dos dois tipos de madeira no pode exceder os 32 m disponveis. Usando as
hipteses de proporcionalidade e aditividade temos que:

Canela
De maneira similar temos a restrio relativa a disponibilidade de canela:

Compromissos de venda
Quantidade mnima a ser produzida de cada item para satisfazer compromissos
assumidos:
Madeira beneficiada:
Madeira compensada: Observe que
2
x
esta medido em 100m e que os compromissos
de venda pedem que sejam produzidos pelo menos 1200 m. Portanto:


O modelo que representa o problema ento:


3.3 Resoluo do Segundo Problema atravs do Mtodo Simplex

Considere o modelo anteriormente citado.
Nesse modelo as inequaes correspondentes as restries so do tipo

, a
varivel de folga e o caso substituda e seu valor negativo quando se anula as variveis de
deciso.
Devemos acrescentar nestas restries, auxiliares, utilizaremos na resoluo desse
modelo o chamado Mtodo da Funo Objetivo Auxiliar, veja como ela se proceder:
As restries com o acrscimo das variveis auxiliares ficam da seguinte forma

32 2
2 1
+ x x
5
1
x
0 ,
12
5
72 4 4
32 2
60 45 max
2 1
2
1
2 1
2 1
2 1

+
+
+ =
x x
x
x
x x
x x
a sujeito
x x z
72 4 4
2 1
+ x x
12
1
x
12
5
72 4 4
32 2
4 4
3 3 1
2 2 1
1 2 1
= + +
= +
= + +
= + +
a xf x
a xf x
f x x x
xf x x
x

Teremos a funo auxiliar W formada pelas variveis auxiliares 4 3
a e a
:
4 3
a a W + =


Da terceira restrio
5
3 1 3
+ + = xf x a

Da quarta restrio
12
4 2 4
+ + = xf x a

17 ) max( min
17
4 3 2 1
4 3 2 1
+ = =
+ + + =
xf xf x x W W
xf xf x x W

O quadro com a funo auxiliar fica assim:

Z X1 X2 Xf1 Xf2 Xf3 Xf4 a3 a4 b
1 -45 -60 0 0 0 0 0 0 0
0 1 2 1 0 0 0 0 0 32
0 4 4 0 1 0 0 0 0 72
0 1 0 0 0 -1 0 1 0 5
0 0 1 0 0 0 -1 0 1 12
-1 -1 -1 0 0 1 1 0 0 -17
-W

Soluo:

Variveis Bsicas Variveis no Bsicas valor de W
12
5
72
32
4
3
2
1
=
=
=
=
a
a
xf
xf

0
0
0
0
4
3
2
1
=
=
=
=
xf
xf
x
x

17 = W


A funo objetivo a ser minimizada W. observando seus coeficientes, verificamos
que a soluo do quadro no tima.

Calculando a nova soluo
Varivel que entra: X2 (coeficiente -1)
Varivel que sai:



Linha piv: 5 linha
Elemento piv: 1

Nova linha piv = (linha piv 1) continua a mesma.

0 0 1 0 0 0 -1 0 1 12
4
int var 12 1 12
0 5
18 4 72
18 2 32
a linha a qu da iavel a sai
existe no
=
=
=
=
Calculo da nova 1 linha (coeficiente (-60))

nova linha piv 0 0 1 0 0 0 -1 0 1 12
x60 0 0 60 0 0 0 -60 0 60 720
+ 1 linha 1 -45 -60 0 0 0 0 0 0 0

nova 1 linha 1 -45 0 0 0 0 -60 0 60 720

Calculo da nova 2 linha (coeficiente (2))

nova linha piv 0 0 1 0 0 0 1 0 1 12
x(-2) 0 0 -2 0 0 0 2 0 -2 -24
+ 2 linha 0 1 2 1 0 0 0 0 0 32

nova 2 linha 0 1 0 1 0 0 2 0 -2 8

Calculo da nova 3 linha (coeficiente (4))

nova linha
piv 0 0 1 0 0 0 -1 0 1 12
x(-4) 0 0 -4 0 0 0 4 0 -4 -48
+ 3 linha 0 4 4 0 1 0 0 0 0 72

nova 3 linha 0 4 0 0 1 0 4 0 -4 24

Calculo da nova 4linha (coeficiente 0), portanto continua a mesma.

nova 4 linha 0 1 0 0 0 -1 0 1 0 5

Calculo da nova 6 linha (coeficiente (-1))

nova linha piv 0 0 1 0 0 0 -1 0 1 12
x(1) 0 0 1 0 0 0 -1 0 1 12
+ 6 linha -1 -1 -1 0 0 1 1 0 0 -17

nava 6 linha -1 -1 0 0 0 1 0 0 1 -5

Novo quadro:

Z X1 X2 Xf1 Xf2 Xf3 Xf4 a3 a4 S
1 -45 0 0 0 0 -60 0 60 720
0 1 0 1 0 0 2 0 -2 8
0 4 0 0 1 0 4 0 -4 24
0 1 0 0 0 -1 0 1 0
5
0 0 1 0 0 0 -1 0 1 12
-1 -1 0 0 0 1 0 0 1 -5

Soluo:

Variveis Bsicas Variveis no Bsicas valor de W
5
24
8
12
4
3
2
1
=
=
=
=
a
a
xf
xf

0
0
0
0
4
3
2
1
=
=
=
=
xf
xf
x
x

5 = W


Calculo da nova soluo:

Varivel que entra: 1
x
(coeficiente -1)
Varivel que sai:




Linha piv: 4 linha
Elemento piv: nova linha piv = (linha piv 1) continua a mesma.

0 1 0 0 0 -1 0 1 0 5

Calculo da nova 1 linha: (coeficiente (-45))

nova linha piv 0 1 0 0 0 -1 0 1 0 5
x45 0 45 0 0 0 -45 0 45 0 225
+ 1 linha 1 -45 0 0 0 0 -60 0 60 720

nova 1 linha 1 0 0 0 0 -45 -60 45 60 945

Calculo da nova 2 linha: (coeficiente 1)
Calculo da nova 3 linha: (coeficiente 4)

nova linha piv 0 1 0 0 0 -1 0 1 0 5
x(-4) 0 -4 0 0 0 4 0 -4 0 -20
+ 3 linha 0 4 0 0 1 0 4 0 -4 24

nova 3 linha 0 0 0 0 1 4 4 -4 -4 4


Calculo a nova 5 linha: (coeficiente 0), portanto continua a mesma

nova linha piv 0 1 0 0 0 -1 0 1 0 5
x(-1) 0 -1 0 0 0 1 0 -1 0 -5
+ 2 linha 0 1 0 1 0 0 2 0 -2 8

nova 2 linha 0 0 0 1 0 1 2 -1 -2 3
existe no
a linha quina da iavel sai
=
=
=
=
0 12
: var 5 1 5
6 4 24
8 1 8
3
nova 5 linha 0 0 1 0 0 0 -1 0 1 12


Calculo da nova 6 linha: (coeficiente (-1))

nova linha
piv 0 1 0 0 0 -1 0 1 0 5
X1 0 1 0 0 0 -1 0 1 1 5
+ 6 linha -1 -1 0 0 0 1 0 0 1 -5

nava 6 linha -1 0 0 0 0 0 0 1 1 0


Novo quadro:

Z X1 X2 Xf1 Xf2 Xf3 Xf4 a3 a4 S
1 0 0 0 0 -45 -60 45 60 945
0 0 0 1 0 1 2 -1 -2 3
0 0 0 0 1 4 1 -4 -4 4
0 1 0 0 0 -1 0 1 0 5
0 0 1 0 0 0 -1 0 1 12
-1 0 0 0 0 0 0 1 1 0
-W


Soluo:
Variveis Bsicas Variveis no Bsicas valor de W
4
3
12
5
4
3
2
1
=
=
=
=
a
a
xf
xf

0
0
0
0
4
3
2
1
=
=
=
=
xf
xf
x
x

0 = W


O problema agora apresenta uma soluo bsica inicial formada variveis originais, e
continuar o problema com a funo objetivo original.
O quadro ser, portanto:

Z X1 X2 Xf1 Xf2 Xf3 Xf4 S
1 0 0 0 0 -45 -60 945
0 0 0 1 0 1 2 3
0 0 0 0 1 4 4
4
0 1 0 0 0 -1 0 5
0 0 1 0 0 0 -1 12

Calculando nova soluo
Varivel que entra : Varivel que sai:
4
xf
(coeficiente -60)


o prejudicad
existe no
xf linha terceira da iavel sai
=
=
=
=
12 1
5 0
var 1 4 4
5 , 1 2 3
2

Linha piv: 3 linha
Elemento piv: 4
Nova linha piv = linha piv 4

linha
piv 0 0 0 0 1 4 4 4
:4 0 0 0 0 0,25 1 1 1 nova linha pivo


Calculo da nova 1 linha (coeficiente -60)

nova linha
piv 0 0 0 0 0,25 1 1 1
x 60 0 0 0 0 15 60 60 60
+ 1 linha 1 0 0 0 0 -45 -60 945

nova 1 linha 1 0 0 0 15 15 0 1005

Calculo da nova 2 linha (coeficiente 2)

nova linha
piv 0 0 0 0 0,25 1 1 0
x (-2) 0 0 0 0 -0,5 -2 -2 -2
+ 2 linha 0 0 0 1 0 1 2 3

nova 2 linha 0 0 0 1 -0,5 -1 0 1

Calculo da nova 4 linha (coeficiente 0), portanto continua a mesma

nova 4 linha 0 1 0 0 0 -1 0 5

Calculo da nova 5 linha (coeficiente -1)

nova linha
piv 0 0 0 0 0,25 1 1 1
x 1 0 0 0 0 0,25 1 1 1
+ 5 linha 0 0 1 0 0 0 -1 12

nova 5 linha 0 0 1 0 0,25 1 0 13

Novo quadro

Z x1 x2 xf1 xf2 xf3 xf4 b
1 0 0 0 15 15 0 1005
0 0 0 1 -0,5 -1 0 1
0 0 0 0 0,25 1 1 1
0 1 0 0 0 -1 0 5
0 0 1 0 0,25 1 0 13


Soluo:
Variveis Bsicas Variveis no Bsicas
1
1
13
5
2
1
2
1
=
=
=
=
xf
xf
x
x

0
0
3
2
=
=
xf
xf

1005 = Z

Ou seja, precisamos produzir 5m de madeira beneficiada, 13m de madeira
compensada, para obtermos o lucro mximo de R$ 1005,00.


4 Terceiro Problema Problema da Dieta.


4.1 Descrio do Terceiro Problema ( Quando as Restries so todas

)

Glauco deseja saber quanto gastar para fazer uma dieta alimentar que fornea
diariamente toda a energia, protena e clcio que ela necessita. O valor nutritivo e o preo (pr
poro) de cada alimento que ela esta considerando comprar dado na tabela 1 abaixo.

alimento tamanho
da poro
energia
(kcal)
Protena(g) clcio (mg) preo p/
poro
(centavos)
arroz 100g 205 32 12 14
ovos 2un 160 13 54 13
leite 237ml 160 8 285 9
feijo 260g 260 14 80 19
Tabela 2 valor nutritivo e custo dos alimentos

Seu mdico recomendou que ela se alimente de forma a obter diariamente no mnimo
2000 kcal de energia, 65g de protena e 800 mg de clcio. Quanto de cada alimento Glauco
deve consumir?


4.2 Modelagem do Segundo Problema

Neste problema temos:
elementos conhecidos: valor nutritivo dos alimentos, custo dos alimentos, quantidade
mnima de nutrientes a serem obtidos com a dieta;
elementos desconhecidos: quanto consumir de cada alimento;
objetivo a ser alcanado: obter uma dieta de baixo custo;
restries: a dieta deve fornecer uma quantidade mnima de nutrientes.
A dieta deve ser feita a partir de 4 itens: arroz, ovos, leite, feijo.
Faa j = 1,2,3,4 representar respectivamente os itens arroz, ovos, leite e feijo
Defina:
j
x
= nmero de pores adquirida do alimento j para ser usada na dieta


_. _. _. _. Objetivo

Obter a dieta de menor custo possvel. O preo de cada alimento conhecido. Assim
se comprarmos 1 poro de arroz iremos gastar 14 centavos. Supondo verdadeira a hiptese
de proporcionalidade, se comprarmos 2 pores de arroz iremos gastar 28 centavos, de uma
maneira geral, se comprarmos 1
x
pores de arroz, iremos gastar 14 1
x
centavos.
De maneira equivalente obtemos o gasto associado a compra de ovos: 13 2
x
.
Supondo verdadeira a hiptese de aditividade temos que o gasto total com a compra do arroz
e dos ovos dado pr 14 1
x
+13 2
x
.
Usando o mesmo raciocnio e considerando os demais ingredientes, temos que o custo
total da dieta dado pr:
4 3 2 1
19 9 13 14 x x x x z + + + =
.
Como queremos obter a dieta de menor custo possvel, temos a seguinte funo
objetivo:
4 3 2 1
19 9 13 14 min x x x x z + + + =



_ _ _ _ Restries

Naturalmente, o que impede Glauco de obter uma dieta de custo zero, que ela precisa
consumir alimentos de forma a obter uma quantidade mnima de nutrientes.
Vamos considerar ento cada um dos nutrientes:
Energia:
Se ela consumir 1 poro de arroz, ela obtm 205 kcal de energia, 1 poro de ovos
160 kcal, 1 poro de leite 160 kcal e 1 poro de feijo 260 kcal. Considerando verdadeiras
as hipteses de proporcionalidade e aditividade, temos que a quantidade total de energia
obtida com o consumo destes 4 alimentos :
4 3 2 1
260 160 160 205 x x x x + + +

Que deve ser maior ou igual quantidade mnima necessria. Temos ento a seguinte
restrio:
2000 260 160 160 205
4 3 2 1
+ + + x x x x
.
Usando raciocnio similar, formulamos as restries associadas quantidade mnima
de:
Protena
65 14 8 13 32
4 3 2 1
+ + + x x x x
;
Clcio
800 80 285 54 12
4 3 2 1
+ + + x x x x
.
No Negatividade
Agora precisamos considerar a hiptese de divisibilidade e permitir que as variveis
assumam valores fracionrios. Considerando que valores negativos no tem significado para
este problema temos a seguinte restrio:
4 , 3 , 2 , 1 , 0 = j x
j
O modelo que representa o problema ento:
4 3 2 1
19 9 13 14 min x x x x z + + + =

sujeito a:
2000 260 160 160 205
4 3 2 1
+ + + x x x x

65 14 8 13 32
4 3 2 1
+ + + x x x x

800 80 285 54 12
4 3 2 1
+ + + x x x x

4 , 3 , 2 , 1 , 0 = j x
j


3.4 Resoluo do Terceiro Problema atravs do Mtodo Simplex

Consideremos o modelo anteriormente.
Como a funo objetiva de minimizao, devemos multiplica-la por (-1), obtendo
uma funo equivalente para maximizao. Temos ento como modelo equivalente:
4 3 2 1
19 9 13 14 ) max( x x x x Z =

sujeito a:

2000 260 160 160 205
4 3 2 1
+ + + x x x x

65 14 8 13 32
4 3 2 1
+ + + x x x x


800 80 285 54 12
4 3 2 1
+ + + x x x x

4 , 3 , 2 , 1 , 0 = j x
j
Nesse modelo as inequaes correspondentes as restries so do tipo , a varivel de
folga subtrada e seu valor negativo quando se anulam as variveis de deciso. o mesmo
problema que encontramos no problema do planejamento de produo de madeira.
Utilizaremos ento o Mtodo Da Funo Objetivo Auxiliar.
Acrescentando as variveis de folga e as variveis auxiliares nas restries, teremos:

2000 260 160 160 205
1 1 4 3 2 1
= + + + + a xf x x x x


65 14 8 13 32
2 2 4 3 2 1
= + + + + a xf x x x x

800 80 285 54 12
3 3 4 3 2 1
= + + + + a xf x x x x


temos a funo auxiliar 3 2 1
a a a W + + =


Da 1 restrio:
2000 260 160 160 205
1 4 3 2 1 1
+ + = xf x x x x a

Da 2 restrio:
65 14 8 13 32
2 4 3 2 1 2
+ + = xf x x x x a

Da 3 restrio:
800 80 285 54 12
3 4 3 2 1 3
+ + = xf x x x x a

Da temos:
3 2 1
a a a W + + =
=
2865 354 453 227 249
3 2 1 4 3 2 1
+ + + + xf xf xf x x x x

mim W = max (W) =
2865 354 453 227 249
3 2 1 4 3 2 1
+ + + + xf xf xf x x x x

O quadro com a funo auxiliar W fica assim:

Z X1 X2 X3 X4 Xf1 Xf2 Xf3 a1 a2 a3 b
-1 14 13 9 19 0 0 0 0 0 0 0
0 205 160 160 260 -1 0 0 1 0 0 2000
0 32 13 8 14 0 -1 0 0 1 0 65
0 12 54 285 80 0 0 -1 0 0 1 800
-1 -249 -227 -453 -354 1 1 1 0 0 0 -2865
-W
Teremos a soluo bsica inicial:
Variveis Bsicas Variveis no Bsicas valor de W
800
65
2000
1 3
2
1
=
=
=
a
a
a

0
0 0
0 0
0 0
4
3 3
2 2
1 1
=
= =
= =
= =
x
x xf
x xf
x xf

2865 = W

Obs: devido ao nmero de variveis do problema, a soluo racional atravs de
clculos mentais se torna excessiva. A seguir apresentaremos um software computacional
(Lindo) e utilizaremos dele para resolver o problema da dieta. Veremos atravs desse
problema que muitas vezes necessrio reformular o modelo para atingir melhores solues.


3.5 O Software Lindo

O LINDO (Linear, INteractive and Discrete Optmizer), um software desenvolvido
pela LINDO Systems Inc., de Chicago, Ollinois, EUA, para a resoluo de modelos de
programao linear. Ele requer o ambiente Windows e est disponvel nas seguintes verses.

Verso
Limites Mximos
#Linhas #Colunas
Demonstrao* 150 300
Super
500
1.000
Hiper 2.000 4.000
Industrial 8000 16.000
Extended 32.000 100.000
* Variveis inteiras at 30.

3.6 Resoluo do Problema da Dieta (atravs do Software Lindo)

Soluo 1
LP OPTIMUM FOUND AT STEP 1
OBJECTIVE FUNCTION VALUE
1) 112.500
VARIABLE VALUE
X1 0.000000 (arroz)
X2 0.000000 (ovos)
X3 12.500000 (leite)
X4 0.000000 (feijo)

Isto consumir 12.5* 237ml = 2,9625 l de leite e gastar com a dieta 112,5 centavos
Esta soluo aceitvel?


3.7 Novo modelo para o problema da dieta

Soluo:

Se limitarmos a quantidade de leite e ovo na dieta:
No mximo 2 pores para leite
No mnimo 1/2 poro para ovos
4 3 2 1
19 9 13 14 min x x x x z + + + =

Sujeito a:

2000 260 160 160 205
4 3 2 1
+ + + x x x x


65 14 8 13 32
4 3 2 1
+ + + x x x x


800 80 285 54 12
4 3 2 1
+ + + x x x x

4 , 3 , 2 , 1 , 0 = j x
j
2
1
2
2 3
x e x


Software LINDO :
OBJECTIVE FUNCTION VALUE
1) 136.4759
VARIABLE VALUE REDUCED COST
X1 5.710844
X2 1.000000
X3 2.000000
X4 1.343374

Isto consumir:

5.710844 *100g = 571,084 g de arroz
1 unidade de ovo
2* 237ml = 474m l de leite
1.343374*260g = 349,277 g de feijo
E gastar com a dieta 136,4759 centavos.
Temos ento uma soluo tima aceitvel.

4 Consideraes Finais

Este estudo mostra como a matemtica abrangente que mesmo dentro de um
contedo especfico a pesquisa operacional ela pode englobar diversas variveis, de
acordo com o problema envolvido, e assim permitir que obtenha-se uma soluo tima.
A utilizao de artifcios na construo de modelos e nos processos interativos de
aplicao do mtodo simplex para a resoluo dos modelos, exige um grande raciocnio
lgico relacionados as conexes dos dados oferecidos pelos problemas. Algo que realmente
instiga o conhecimento matemtico e que procuramos demonstrar nesse trabalho.
No entanto constatou-se necessidade de procedimentos que explicitassem a maneira de
resolver, devido tal fato destinamos este projeto em esclarecer algumas dvidas na resoluo
de problemas que utilizam o mtodo simplex.
Por fim conclumos que o algoritmo solucionador de modelos de programao linear
mtodo simplex , muito eficaz e importante na atualidade, uma vez que muitos softwares
computacionais como o LINDO, utilizam dele para o clculo de solues para problemas e
tambm a necessidade cotidiana de chegar a uma soluo tima . inegvel a sua importncia
dentro de economia, administrao e contabilidade, tanto em cunho empresarial, como
tambm pessoal. Foi o que procuramos demonstrar com esse trabalho; esperamos que ele seja
til queles que por ventura despertar interesse em conhecer um pouco dos mtodos utilizados
em programao linear.

REFERNCIAS

SILVA, Ermes Medeiros da; SILVA, Elio Medeiros da; GONALVES, Valter; MUROLO,
Afrnio Carlos. Pesquisa Operacional. 3.ed. So Paulo: Atlas, 1998.

GOLDBARG, Marco Csar; LUNA, Henrique Pacca Loureiro. Otimizao Combinatria e
Programao Linear: Modelos e Algoritmos. 1.ed. Editora Campus, 2000.

PRADO, Darci Programao Linear. 4.ed. Rio de Janeiro: INDG, 2004.

SILVA, Alexandre Stamford da, Programao Linear ou Modelos de Otimizao Linear.
Disponvel em: <http://www.stamford.pro.br/ARQUIVOS/2000_2_PLe2.doc> Acesso em: 11
maio de 2008.

JR., Maurycio, Programao linear. Disponvel em: <http://www.oboulo.com/programacao-
linear-19506.html> Acesso em: 11 maio de 2008.