Escolar Documentos
Profissional Documentos
Cultura Documentos
Ilha Solteira
2014
3
RESUMO
Neste trabalho realizou-se o estudo dos principais conceitos da Programação Linear, de forma
a prover o entendimento de seus métodos de construção e resolução de problemas. Para tal,
foram estudados e são aqui apresentados os conceitos essenciais para a formulação dos
problemas em sua forma padrão através de uma fundamentação teórica e resolução de
exemplos, permitindo assim uma compreensão da Programação Linear. Para solução dos
problemas, foram estudados os métodos Simplex, Simplex Revisado e Dual Simplex bem como
a Dualidade na programação linear e suas formas de resolução.
ABSTRACT
This work was carried out to study the main concepts of Linear Programming in order to provide
an understanding of their construction methods and problem solving. For such, were studied
and are presented here, the essential concepts for the formulation of problems in their standard
form through a theoretical basis and resolution of examples, thus allowing an understanding of
Linear Programming. To solve the problems, the Simplex, Revised Simplex and Dual Simplex
methods as well as the Duality in linear programming and its forms of resolution have been
used.
LISTA DE FIGURAS
LISTA DE TABELAS
SUMÁRIO
1 INTRODUÇÃO ..................................................................................................................... 8
2 TEORIA DE PROGRAMAÇÃO LINEAR ........................................................................ 9
2.1 CONCEITOS BÁSICOS ...................................................................................................... 9
2.2 SOLUÇÃO GRÁFICA ....................................................................................................... 10
2.3 FORMA PADRÃO ............................................................................................................ 13
2.4 FORMA CANÔNICA ........................................................................................................ 15
3 MÉTODO SIMPLEX .......................................................................................................... 17
3.1 ALGORITMO SIMPLEX TABULAR .............................................................................. 17
3.1.1 Síntese do método tabular Simplex .............................................................................. 18
3.1.2 Variável que entra na base ........................................................................................... 19
3.1.3 Variável que sai da base ................................................................................................ 19
3.1.4 Nova Solução Básica ...................................................................................................... 20
3.2 TÉCNICAS PARA DESEMPATE .................................................................................... 21
3.2.1 Coluna pivô .................................................................................................................... 22
3.2.2 Linha pivô....................................................................................................................... 22
3.3 SOLUÇÕES ÓTIMAS MÚLTIPLAS ................................................................................ 22
3.4 ADAPTAÇÕES DE CASOS ESPECÍFICOS .................................................................... 23
3.4.1 Método Big-M ................................................................................................................ 23
4 MÉTODO SIMPLEX REVISADO.................................................................................... 26
4.1 DEFINIÇÕES E TABELA ................................................................................................. 26
4.2 ALGORITMO .................................................................................................................... 27
5 DUALIDADE NA PROGRAMAÇÃO LINEAR .............................................................. 31
5.1 TEOREMA FUNDAMENTAL DA DUALIDADE .......................................................... 31
5.2 PROPRIEDADE DA FOLGA COMPLEMENTAR ......................................................... 32
5.3 APLICAÇÕES DO PROBLEMA DUAL .......................................................................... 34
5.4 MÉTODO DUAL SIMPLEX ............................................................................................ 34
5.4.1 Algoritmo Dual Simplex ................................................................................................ 34
6 CONCLUSÃO..................................................................................................................... 38
REFERÊNCIAS ..................................................................................................................... 39
8
1 INTRODUÇÃO
𝑧 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛 ,
É presumível por meio da análise da tendência das retas que o ponto que leva a melhor
solução do problema encontra-se na interseção entre as retas das equações (1) e (2), gerando o
respectivo sistema:
2𝑥1 + 𝑥2 ≤ 1000
{
𝑥1 + 𝑥2 ≤ 800.
A resolução do sistema gerado por essas duas equações levam ao ponto (200, 600).
Substituindo tais valores na função objetivo, obtem-se 𝑧 = 2600. Que é a solução ótima.
𝑀𝑖𝑛 𝑧 = ∑ 𝑐𝑗 𝑥𝑗
𝑗=1
𝑛
∑ 𝑎𝑖𝑗 𝑥𝑗 = 𝑏𝑖 , 𝑏𝑖 ≥ 0, 𝑖 = 1,2, … , 𝑚
𝑠𝑢𝑗𝑒𝑖𝑡𝑜 𝑎: {
𝑗=1
𝑥𝑗 ≥ 0, 𝑗 = 1,2, … , 𝑛.
Ou no formato matricial
𝑀𝑖𝑛 𝑍 = ∑ 𝐶′ 𝑋𝑗
𝑗=1
𝐴𝑋 = 𝑏 𝑐𝑜𝑚 𝑏 ≥ 0
𝑠𝑢𝑗𝑒𝑖𝑡𝑜 𝑎: {
𝑋 ≥ 0.
Para a redução do modelo à forma padrão, é necessário caso ocorra alguma expressão
com desigualdades, a adição de uma variável auxiliar em cada uma das inequações, para que a
14
mesma torne-se uma igualdade. Tal variável é conhecida como variável de folga para restrições
com sinal ≤, ou de excesso, onde assume um valor negativo para restrições com sinal ≥ .
Considerando o sistema com as equações (5) e (6):
2𝑥 + 𝑥2 ≤ 4 (5)
{ 1
−3𝑥1 + 2𝑥2 ≥ 5. (6)
2𝑥1 + 𝑥2 + 𝑥3 = 4
{−3𝑥1 + 2𝑥2 − 𝑥4 = 5
𝑥1,2,3,4 ≥ 0.
𝑥′𝑛 = −𝑥𝑡 ≥ 0 ,
em todas as equações.
Como exemplo, considere o seguinte problema:
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑧 = 2𝑥1 − 𝑥2 + 𝑥3
𝑥1 + 2𝑥2 − 𝑥3 ≥ 5
4𝑥1 + 𝑥3 ≤ 0
𝑠𝑢𝑗𝑒𝑖𝑡𝑜 𝑎: −𝑥1 − 2𝑥3 ≥ −7
𝑥1 + 𝑥2 = 8
{ 𝑥1 ≥ 0, 𝑥2 ≤ 0, 𝑥3 𝑙𝑖𝑣𝑟𝑒
15
𝑥3 = −4𝑥1 − 𝑥5 .
Substituindo essa equação em (7), (8), (10) e na função objetivo e também considerando
𝑥2 = −𝑥2 onde for admissível, o problema então assume a forma padrão procurada.
𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑧 = −2𝑥1 − 𝑥2 − 𝑥5
5𝑥1 + 2𝑥2 − 𝑥4 − 𝑥5 = 5
−7𝑥1 − 2𝑥3 + 𝑥6 = 7
𝑠𝑢𝑗𝑒𝑖𝑡𝑜 𝑎: { 𝑥 + 𝑥 = 8
1 2
𝑥𝑗 ≥ 0 𝑗 = 1,2, … ,6.
Como não é mais possível reduzir a quantidade de variáveis, é então dito que essa é a
Forma Canônica do sistema original.
Considerando o sistema em sua forma canônica, é possível então realizar as seguintes
definições.
É considerada uma variável básica a que possui o coeficiente 1 em uma das
equações, e assume um valor nulo nas demais. Caso essa condição for falsa, essa
variável então é considerada uma variável não básica. O sistema canônico (II)
discutido, contém 𝑥1 e 𝑥2 como variáveis básicas e 𝑥3 , 𝑥4 e 𝑥5 como não
básicas.
A solução básica de um sistema em sua forma canônica é dada fazendo com que
todas as variáveis não básicas assumam um valor nulo. Para o sistema (II)
𝑥3 = 𝑥4 = 𝑥5 = 0, 𝑥1 = 6 e 𝑥2 = 2 torna a solução básica.
Quando todas as variáveis assumem valores positivos, é dito que essa solução é
uma solução básica viável. Para o sistema (II) dado, a solução básica é uma
solução básica viável.
17
3 MÉTODO SIMPLEX
O método Simplex é utilizado no formato de tabela, que representa uma forma sucinta
e organizada para a resolução de problemas. Para a criação da tabela, é necessário a
identificação dos coeficientes das variáveis e as constantes do lado direito da equação.
A tabela chamada Tabela Simplex, tem o objetivo de simplificadamente exibir de modo
compacto o sistema de equações que leva a uma solução básica viável. Diversos autores como
Kolman e Beck (1995), Bazaraa, Jarvis e Sherali (2010) ou Hillier e Leiberman (2006)
apresentam ligeiras variações na construção da Tabela Simplex, entretanto não apresentam
alterações na realização do algoritmo para a solução de problemas. Para este estudo, adotou-se
o modelo de Bazaraa, Jarvis e Sherali (2010), que está apresentada da Tabela 1.
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 B
1 -2 -3 -1 0 0 0 0
0 1 1 1 1 0 0 40
0 2 1 -1 0 1 0 20
0 3 2 1 0 0 1 30
Fonte: Autoria própria.
O primeiro passo para a criação de uma nova solução básica é por meio da escolha da
variável que entra na base. Para tal, é escolhido o coeficiente negativo da função objetivo que
possui o maior valor absoluto. A coluna no qual ele pertence será selecionada e sua respectiva
variável será considerada a variável que entrará na base e pode ser chamada de coluna pivô.
O caso atual seleciona 𝑥2 , conforme exibido na Tabela 3.
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 B
1 -2 -3 -1 0 0 0 0
0 1 1 1 1 0 0 40
0 2 1 -1 0 1 0 20
0 3 2 1 0 0 1 30
Fonte: Autoria própria.
Seguido da escolha feita no passo anterior, é necessário realizar o teste da razão mínima
para seleção da variável que sairá da base. O procedimento é efetivado através da divisão do
termo da coluna que contém a constante de cada equação, pelo coeficiente da coluna
selecionada no passo anterior, linha a linha. A menor razão, estritamente positiva, terá sua
respectiva linha selecionada e será representada pela variável básica nela contida e pode ser
chamada de linha pivô.
Para o exemplo, a segunda linha tem-se 40, a terceira, 20 e por fim a quarta com 30/2 =
15. Logo, seleciona-se a linha 4, de 𝑥6 conforme apresentado na Tabela 4.
20
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 B
1 -2 -3 -1 0 0 0 0
0 1 1 1 1 0 0 40
0 2 1 -1 0 1 0 20
0 3 2 1 0 0 1 30
Fonte: Autoria própria.
Através de operações elementares na linhas, uma nova Tabela Simplex será construída.
São necessárias a realização 2 operações:
1) A linha pivô deve ser inteiramente dividida pelo número pivô.
2) Multiplique a linha resultante do passo 1 pelo inverso do número da coluna pivô
referente a linha em questão. Em seguida some o resultado dessas duas operações,
substituindo a linha antiga.
A execução dos dois passos anteriores, chamados de pivoteamento, formam a Tabela 5.
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 B
1 2,5 0 -2,5 0 0 1,5 45
0 -0,5 0 1,5 1 0 -0,5 25
0 0,5 0 -0,5 0 1 -0,5 5
0 1,5 1 -0,5 0 0 0,5 15
Fonte: Autoria própria.
São selecionados então uma nova linha e uma nova coluna pivô da Tabela 6,
apresentadas na Tabela 6.
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 B
1 2,5 0 -2,5 0 0 1,5 45
0 -0,5 0 1,5 1 0 -0,5 25
0 0,5 0 -0,5 0 1 -0,5 5
0 1,5 1 -0,5 0 0 0,5 15
Fonte: Autoria própria.
A realização das operações fundamentais para procura de uma nova solução básica
viável sobre as linhas produzem a Tabela 7.
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 B
1 1,65 0 0 1,67 0 0,65 86,67
0 -0,34 0 1 0,67 0 -0,64 16,67
0 0,33 0 0 0,35 1 -0,67 13,33
0 1,3 1 0 0,34 0 0,33 23,35
Fonte: Autoria própria.
Durante a escolha das variáveis que entram ou que saem da base, em alguns casos os
parâmetros definidos pelo algoritmo podem levar a empates, ocasionando diversas escolhas
diferentes.
22
Quando mais de uma variável possui valores absolutos iguais, a escolha é feita
arbitrariamente, pois a solução ótima será alcançada independentemente da opção. Hillier e
Leiberman (2006) mencionam que não existe uma forma conveniente de se escolher qual das
alternativas levarão primeiro à solução ótima do problema.
A sequência de eventos encadeados à partir da escolha da linha pivô, faz com sua
escolha tenha uma importância que de acordo com Hillier e Leiberman (2006) é mais teórica
do que prática.
Todas as variáveis básicas com o mesmo valor chegam a 0 ao mesmo tempo conforme
a variável que entra tem seu valor acrescido. Logo, as alternativas não escolhidas também terão
um valor nulo na nova solução básica viável. As variáveis básicas que vão à 0, assim como a
solução básica viável são classificadas com o termo Degeneradas.
Devido à essa característica, se uma das linhas pivô se manter com suas variáveis básicas
degeneradas, a variável que entra também terá seu valor mantido em 0 para que não torne
negativo a variável que sai. Essa ação torna o valor de 𝑧 inalterado, podendo levar o algoritmo
a um caso de repetição infinita.
Um loop infinito pode ocorrer em problemas práticos, mas em sua essência é um
problema puramente teórico que pode ser desfeito apenas alterando a escolha da variável que
sai da base.
O fato de um problema de Programação Linear poder ter mais de uma solução, pode
levar a casos onde mais de um resultado ótimo pode ser encontrado. O método Simplex, ao ser
finalizado, consegue indicar se outras soluções ótimas se aplicam.
Se existe algum 𝑐𝑛 = 0 associado à alguma variável não básica 𝑥𝑛 , então o modelo em
questão possui uma outra solução ótima viável onde 𝑥𝑛 é uma variável básica.
23
Em casos que o modelo não segue a forma padrão do resolvido pelo método Simplex é
possível que se utilize processos para que o mesmo se adeque e possa ser resolvido
normalmente. Essas adaptações normalmente exigem que a tabela Simplex passe por um
processo de solução em duas fases, que podem ser feitos através do Método Big-M.
Esse método é aplicado em restrições que não respeitam o modelo padrão através da
utilização de restrições funcionais, possuindo portanto o seguinte formato:
∑ 𝑎𝑖𝑗 𝑥𝑗 ≥ 𝑏𝑖 , 𝑏𝑖 ≥ 0, 𝑖 = 1,2, … , 𝑚
𝑗=1
𝑥𝑗 ≥ 0.
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑎 𝑏
1 -2 -3 0 0 𝑀1 0
0 1 1 -1 0 1 10
0 2 1 0 1 0 16
Fonte: Autoria própria.
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑎 𝑏
1 1 0 -3 0 𝑀1 30
0 1 1 -1 0 1 10
0 1 0 1 1 -1 6
Fonte: Autoria própria.
É possível perceber que a variável artificial 𝑎 está assumindo um estado de variável não
básica, junto com 𝑥1 e 𝑥3 . Logo, a coluna contendo 𝑎 pode ser eliminada do problema, e o
pivoteamento realizado, resultando na Tabela 10.
25
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑏
1 4 0 0 3 48
0 2 1 0 1 16
0 1 0 1 1 6
Fonte: Autoria própria.
Como não existem valores negativos de 𝑐𝑛 , o problema então encontra-se em seu ótimo.
Com os seguintes valores: 𝑥1 , = 𝑥4 = 0, 𝑥2 = 16, 𝑥3 = 6, 𝑧 = 48.
26
Conforme pôde ser visualizado nas seções anteriores o método Simplex executa uma
série de operações algébricas que nem sempre são necessárias para a tomada de decisão, seja
na iteração atual, ou nas seguintes. Essas operações, quando executadas em problemas reais,
que normalmente possuem uma grande quantidade de variáveis de decisão, podem necessitar
de um esforço computacional desnecessário (Hillier; Leiberman, 2006).
Tal percepção, levou ao desenvolvimento de uma revisão no método Simplex,
adaptando-o para executar somente as operações necessárias mas mantendo a essência do
Simplex original.
Base inversa b
𝑤 𝑐𝑏 𝑏̅
𝐵 −1 𝑏̅
Fonte: Bazaraa, Jarvis e Sherali (2010).
Nos quais,
𝑤 = 𝑐𝑏 𝐵−1,
𝑏̅ = 𝐵 −1 𝑏.
27
Base inversa B 𝑥𝑘
𝑤 𝑐𝑏 𝑏̅ 𝑧𝑘 − 𝑐𝑘
𝐵 −1 𝑏̅ 𝑦𝑘
Fonte: Bazaraa, Jarvis e Sherali (2010).
Onde
𝑦𝑘 = 𝑎𝑘 𝐵 −1.
4.2 ALGORITMO
O algoritmo Simplex revisado é apresentado por Bazaraa, Jarvis e Sherali (2010) como
contendo os seguintes passos:
1) Montar a tabela através da definição dos conjuntos iniciais.
2) Calcular os custos relativos das variáveis não básicas dada pela equação:
𝑐̅ = 𝑤𝐴 − 𝑐𝑛 .
Na forma padrão:
𝑐 = (−1 − 3 0 0),
𝑐𝑛 = (−1 − 3),
𝑐𝑏 = (0 0),
6
𝑏 = ( ),
8
1 1 1 0
𝐴= ( ),
−1 2 0 1
1 0
B=( ),
0 1
𝑥𝑏 = (𝑥3 𝑥4 ),
𝑥𝑛 = (𝑥1 𝑥2 ).
𝐵 −1 = 𝐼,
𝑤 = 𝑐𝑏 𝑥3 = (0 0)𝐼 = (0 0),
𝑏̅ = 𝐵 −1 𝑏 = 𝐼𝑏 = 𝑏.
𝐵 −1 𝑏
Z 0 0 0
𝑥3 1 0 6
𝑥4 0 1 8
Fonte: Autoria própria.
𝑐̅ = (0 0)𝐴 − 𝑐 = −𝑐 = (1 3 0 0).
1 1
𝑦𝑘 = 𝑎𝑘 𝐵 −1 = ( ) 𝐼 = ( ).
2 2
𝐵 −1 𝑏 𝑥2
Z 0 0 0 3
𝑥3 1 0 6 1
𝑥4 0 1 8 2
Fonte: Autoria própria.
Com isso, verifica-se que 𝑥4 sai da base, é então possível realizar o pivoteamento,
formando a Tabela 15.
𝐵 −1 𝑏
Z 0 -1,5 -12
𝑥3 1 -0,5 2
𝑥2 0 0,5 4
Fonte: Autoria própria.
30
Retornando ao passo 2:
1 1 1 0
𝑐̅ = (0 1,5) ( ) − (1 3 0 0) = (2,5 0 0 − 1,5).
−1 2 0 1
1 −0,5 1 1,5
𝑦𝑘 = ( ) ( )= ( ).
0 0,5 −1 −0,5
𝐵 −1 𝑏 𝑥1
Z 0 -1,5 -12 2,5
𝑥3 1 -0,5 2 1,5
𝑥2 0 0,5 4 -0,5
Fonte: Autoria própria.
𝐵 −1 𝑏
Z -1,67 -0,67 -15,3
𝑥1 0,67 -0,33 1,33
𝑥2 0,33 0,33 4,67
Fonte: Autoria própria.
Retornando ao passo 2.
1 1 1 0
𝑐̅ = (−1,67 − 0,67) ( ) − (1 3 0 0) = (0 0 − 1,67 − 067).
−1 2 0 1
Para cada problema de programação linear, esse considerado Primal, existe outro
problema chamado Dual. Esse problema, é gerado diretamente pelos valores contidos no
problema Primal original (BAZARAA; JARVIS; SHERALI, 2010). Assumindo o seguinte
formato:
Os coeficientes da função objetivo no Primal assumem os valores do lado direito
das restrições do problema Dual;
Os valores do lado direito do problema Primal tornam-se os coeficientes de custo da
função objetivo no problema Dual, ou seja, gerando uma variável por restrição;
Cada conjunto de coeficientes pertencentes à mesma variável presente nas restrições
do Primal, torna-se uma variável no problema Dual;
Os sinais de desigualdade são invertidos.
Considerando essas afirmações, o modelo pode ser melhor visualizado na Figura 4.
Bazaraa, Jarvis e Sherali (2010) listam 3 conceitos que são definidos como sendo
fundamentais para a Dualidade de um problema de programação linear.
1) Se um problema possui uma solução ótima ilimitada, o outro será infactível;
2) Se um problema possui uma solução ótima limitada, então o mesmo acontece para
o outro problema;
32
𝑐𝑥 ≤ 𝑏𝑦.
𝑐𝑥 ∗ = 𝑦 ∗ 𝑏.
𝑐𝑥 = 𝑏𝑦.
𝑐𝑥 ∗ = 𝑦 ∗ 𝑏.
por meio do conhecimento da solução ótima apenas de um dos problemas, deixando explícito
que a resolução de um, leva simultaneamente à solução do outro. As soluções são encontradas
aplicando o método Simplex. Hillier e Leiberman (2006) e Bazaraa, Jarvis e Sherali (2010)
descrevem que a tabela ótima dos problemas estão interligadas da forma apresentada na Tabela
18.
Por meio da inspeção de sua tabela ótima, apresentada na Tabela 7, é possível concluir
que seus valores ótimos do problema Dual seriam: 𝑦1 = 1,67, 𝑦2 = 0, 𝑦3 = 0,65, 𝑦4 = 𝑦5 =
𝑦6 = 0.
34
É considerado de acordo com Bazaraa, Jarvis e Sherali (2010) como uma forma de
resolver um problema Dual, diretamente em seu quadro Primal.
O processo inicia-se de uma solução básica viável para o problema Dual, e a cada
iteração, melhora essa solução. O processo só termina quando a otimalidade Dual é encontrada,
encontrando simultaneamente a otimalidade Primal. Contudo, somente no quadro ótimo, o
problema Primal é factível.
Normalmente, em problemas práticos, é necessário a adição de variáveis artificias para
a obtenção de uma solução básica viável onde todos os valores de 𝑏 são ≥ 0. Para esses casos,
é possível a obtenção de uma solução, mesmo esta sendo infactível, sem a adição de variáveis
artificiais, através do método Dual Simplex.
Para levar o problema (VII) à sua forma padrão, seria necessário a adição de variáveis
artificiais para a obtenção de uma solução básica inicial. Contudo, como o método Dual
Simplex permite que problemas infactíveis em sua forma Primal sejam solucionados, é
possível, para esse caso, fazer com que os valores de 𝑏 assumam valores negativos e o problema
solucionado. Com isso, pode-se obter o seguinte problema em sua forma padrão:
No quadro Simplex:
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑏
1 -3 -4 0 0 0 0 0
0 2 1 1 0 0 0 600
0 1 1 0 1 0 0 225
0 5 4 0 0 1 0 1000
0 -1 -2 0 0 0 1 -150
Fonte: Autoria própria.
Em cada iteração do Dual Simplex, deve-se seguir os seguintes critérios de acordo com
Bazaraa, Jarvis e Sherali (2010):
Manter a otimalidade Primal, ou seja, a viabilidade dual, conservando os
coeficientes de custo sempre negativos, para problemas de minimização.
Procurar a viabilidade Primal, buscando sempre tornar os termos de 𝑏 ≥ 0.
O Algoritmo finaliza quando a viabilidade Primal é atingida.
Os critérios para criação de uma nova solução, são os mesmos do Simplex Primal.
Entretanto, devem ser escolhidos considerando objetivo de induzir o problema à sua
viabilidade, logo:
1) A variável que sai da base, deve ser escolhida através do método convencional de
menor valor absoluto negativo na coluna de 𝑏.
2) A variável que entra na base deve ser escolhida por meio do teste da razão positiva
mínima dos termos da linha da função objetivo pelos termos da linha escolhida pelos
critérios do item anterior.
3) O pivoteamento é realizado da forma usual.
Por meio dos passos 1 e 2, a coluna de 𝑥2 e a linha de 𝑥6 são escolhidas. Conforme pode
ser visualizado na Tabela 20:
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑏
1 -3 -4 0 0 0 0 0
0 2 1 1 0 0 0 600
0 1 1 0 1 0 0 225
0 5 4 0 0 1 0 1000
0 -1 -2 0 0 0 1 -150
Fonte: Autoria própria.
Z 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6 𝑏
1 -1 0 0 0 0 -2 300
0 1,5 0 1 0 0 0,5 525
0 0,5 0 0 1 0 0,5 150
0 3 0 0 0 1 2 700
0 0,5 1 0 0 0 0,5 75
Fonte: Autoria própria.
6 CONCLUSÃO
Este trabalho teve a finalidade de atuar como uma prática de aprendizado para os
principais conceitos e resoluções de problemas de programação linear.
Esse objetivo foi concluído por meio da exposição dos conceitos referentes aos métodos
Simplex, Simplex Revisado, e Dual Simplex de resolução de problemas de programação linear.
Através dessa conceitualização baseada em uma fundamentação teórica de seus algoritmos,
técnicas de resolução e adaptação de casos foi possível realizar resolução de problemas que
levaram ao entendimento dos conceitos expostos.
39
REFERÊNCIAS