Você está na página 1de 76

Operational Research - UDM

I. Introduo
Captulo 1:
Origem e Natureza da Investigao Operacional (IO):
O seu impacto em Problemas de Planeamento e no apoio deciso
em Problemas de Gesto.

Origem da Investigao Operacional

Para qu a Investigao Operacional (IO)?

AA Investigao
Investigao Operacional
Operacional (IO) (IO) como
como cincia
cincia
surgiu
surgiu para
para resolver,
resolver,
duma
duma forma
forma mais
mais eficiente,
eficiente, os os problemas
problemas nana
administrao
administrao das das organizaes,
organizaes,
originados
originados pelo
pelo acelerado
acelerado desenvolvimento
desenvolvimento
provocado
provocado pela
pela revoluo
revoluo industrial.
industrial.
Rodrigues Fazenda 1

Origem da Investigao Operacional

Mais desenvolvimento,
mais complexidade na:

Produo

Distribuio de recursos

Utilizao ptima de recursos

Gesto da Organizao

Rodrigues Fazenda 2

1
Operational Research - UDM

IO e Gesto.
A partir da Revoluo Industrial aumentam os problemas na
gesto das organizaes:
as diferentes componentes dentro duma organizao so
sistemas autnomos com objectivos e gesto prprios;

os objectivos cruzam-se: o que pode ser melhor para uns pode


ser prejudicial para outros.

O Problema:
Problema:
Como gerir para obter uma melhor
eficcia dentro de toda a organizao?
organizao?

Rodrigues Fazenda 3

Surgimento da IO.
Quando
Quando que
que surgiu
surgiu aa IO?
IO?

AA origem
origem da
da IO
IO como
como cincia
cincia atribudo
atribudo coordenao
coordenao
das
das operaes militares durante aa 2
operaes militares durante 2 Guerra
Guerra Mundial.
Mundial.
Em
Em 1947, George Dantzig e outros cientistas do
1947, George Dantzig e outros cientistas do
Departamento
Departamento da da Fora
Fora Area
Area Americana,
Americana, apresentaram
apresentaram
um
um mtodo
mtodo denominado
denominado Simplex
Simplex para
para aa resoluo
resoluo dos
dos
problemas de
problemas de
Programao
Programao Linear
Linear (PL).
(PL).
Outros
Outros cientistas:
cientistas:
Outros
Outroscientistas
cientistasque
quetm
tmdedicado
dedicadoos
osseus
seusestudos
estudosaaIO
IO(
(pesquisa
pesquisa
do ptimo) so:
do ptimo) so:
na
naAntiguidade:
Antiguidade:Euclides,
Euclides,Newton,
Newton,Lagrange
Lagrange
no
noXX
XXsculo:
sculo:Leontief,
Leontief,Von
VonNeumann,
Neumann,Kantarovich
Kantarovich
Rodrigues Fazenda 4

2
Operational Research - UDM

Natureza de IO

O
O que
que a Investigao
Investigao Operacional?
Operacional?

Como
Como oo seu
seu nome
nome indica:
indica:
IO
IO investigao das
investigao das operaes
operaes

Investigao
Investigao das
das operaes
operaes (actividades)
(actividades)
duma organizao
duma organizao

Uma
Uma abordagem
abordagem cientfica
cientfica na
na tomada
tomada de
de decises
decises

Um
Um conjunto
conjunto dede mtodos
mtodos ee modelos
modelos matemticos
matemticos aplicados
aplicados
resoluo
resoluo de complexos problemas nas
de complexos problemas nas operaes
operaes
(actividades)
(actividades) duma
duma organizao
organizao
Rodrigues Fazenda 5

Caractersticas da IO.
Quais
Quais so
so as
as caractersticas
caractersticas fundamentais
fundamentais da
da IO?
IO?

aaaplicao
 aplicaode
demtodos
mtodoscientficos
cientficosna
nagesto
gestodas
dasorganizaes
organizaes
orientao
 orientaosistmica
sistmica
extensibilidade
 extensibilidade

Impacto da IO
AAIO
IOtem
temprovocado
provocadoum
umsignificativo
significativoimpacto
impactona
nagesto
gestoee
administrao de empresas em diferentes organizaes.
administrao de empresas em diferentes organizaes.

Os
Osservios
serviosmilitares
militaresdos
dosE.U.
E.U.continuaram
continuaramaatrabalhar
trabalhar
activamente nesta rea.
activamente nesta rea.

Com
Comoodesenvolvimento
desenvolvimentoda
dainformtica
informticanas
nasltimas
ltimasdcadas,
dcadas,aaIO
IO
tem
temsido
sidoestendida
estendidaaanumerosas
numerosasorganizaes.
organizaes.

Rodrigues Fazenda 6

3
Operational Research - UDM

IO: Cincia da Administrao


Denominada a cincia da administrao, a sua utilizao e
implementao tem sido estendida :
business
economia
industria
industria militar
engenharia civil
governos
hospitais, etc.

Rodrigues Fazenda 7

Programao
Programao==
Os Ramos da IO. Planeamento
Planeamentode
Actividades
de
Actividades

Quais so os ramos mais importantes desenvolvidos na IO?

PROGRAMAO
PROGRAMAOMATEMTICA
MATEMTICA
Programao
ProgramaoLinear
Linear(LP)
(LP)
Problemas
Problemasdededistribuio
distribuiode
derecursos.
recursos.
Problemas
Problemasdedetransporte
transporte
Problemas
Problemasdedeplaneamento
planeamentoda daproduo
produo
Problemas
Problemas de corte de materiais,etc.
de corte de materiais, etc.
Programao
ProgramaoNoNoLinear
Linear
Programao
ProgramaoDinmica
Dinmica
Programao Inteira
Programao Inteira
Optimizao
OptimizaoGlobal
Global

Rodrigues Fazenda 8

4
Operational Research - UDM

Outros Ramos da IO.


Quais so outros ramos da IO?

OUTROS
OUTROS RAMOS
RAMOS DA
DA IO
IO so:
so:
 Anlise
 AnliseEstatstica
Estatstica
 Teoriade
 Teoria deJogos
Jogos
 Teoria
 Teoriade
deFilas
Filas
organizao
 organizaododotrfego
trfegoareo
areo
Construo
Construode
debarragens,
barragens,etc.
etc.
Simulao
 Simulao


 Gesto
 Gestode
destocks,
stocks,etc.
etc.

Rodrigues Fazenda 9

Exemplo 1: Produo de Ao vs. Ambiente(1)

Uma empresa de ao emite para a atmosfera trs tipos de


contaminantes:
partculas
xido sulfrico
hidrocarbonetos

A produo de ao inclui duas fontes principais de contaminao:


os altos- fornos para produzir o ferro-gusa (ferro de primeira
fundio ainda no purificado)
os fornos abertos para converter o ferro em ao

Rodrigues Fazenda 10

5
Operational Research - UDM

Exemplo 1: Produo de Ao vs. Ambiente(2)

De acordo com decises governamentais a fbrica tem de reduzir


anualmente a emisso dos contaminantes como a seguir se indica:

Contaminante Reduo requerida no nvel


anual de emisso
(em milhares de toneladas)
A:Partculas 60

B: xido sulfrico 150

C: Hidrocarbonetos 125

Rodrigues Fazenda 11

Exemplo 1: Produo de Ao vs. Ambiente(3)

Para reduzir a emisso os engenheiros propem as seguintes medidas:


Aumentar a altura das chamins
A utilizao de filtros nas chamins
Incluir certos aditivos nos combustveis

Cada medida tem associado os seguintes custos anuais na sua


implementao em milhares de Euros:

Mtodo de reduo Altos fornos Fornos


abertos
Chamins mais altas 8 10
Filtros 7 6
Melhores combustveis 11 9

Rodrigues Fazenda 12

6
Operational Research - UDM

Exemplo 1: Produo de Ao vs. Ambiente(4)

Com as medidas propostas vai ser possvel eliminar as quantidades anuais


dos contaminantes A, B e C nas seguintes quantidades (em milhares de
toneladas):

Chamins Filtros Melhores


mais altas combustveis
Contaminante Altos Fornos Altos Fornos Altos Fornos
fornos Abertos fornos Abertos fornos Abertos
Partculas 12 9 25 20 17 13

xido sulfrico 35 42 18 31 56 49
Hidrocarbonetos 37 53 28 34 29 20

Estas medidas podem ser implementadas na sua totalidade ou


parcialmente.

Rodrigues Fazenda 13

Exemplo 1: Produo do Ao vs. Ambiente(5)


Por exemplo, se implementar na totalidade a medida 1 (em 100%)
conseguir-se- reduzir a emisso dos contaminantes A, B e C em 12, 35 e
37 milhares de toneladas, respectivamente. Caso contrrio, se
implementar esta medida parcialmente (s a um 50% do previsto), apenas
se reduzir a emisso em 6, 17.5 e 18.5 milhares de toneladas.

Aumento na altura das chamins nos


altos-fornos

40
35
30
Reduo
25
20
15
10
Contaminante A 5
Contaminante B 0
Contaminante C 100% de aumento 50% de aumento

Rodrigues Fazenda 14

7
Operational Research - UDM

Exemplo 1: Produo de Ao vs. Ambiente(6)


O problema de IOO pode ser formulado como segue:
Determinar um plano ptimo que, aplicando as medidas expostas
(total ou parcialmente) nos fornos emissores, consiga ao menor
custo o ndice de maior reduo da contaminao.

Exemplo 2: Um problema de IOO que determina um plano ptimo de Produo


Uma empresa produz trs tipos de portas a partir de um determinado material. Sabendo
que diariamente a empresa dispe de 500 kg de material e 600 horas de trabalho,
determinar um plano ptimo de produo que corresponda ao maior lucro.
A tabela seguinte indica a quantidade de material e horas de trabalho necessrias para a
produo de uma porta de cada tipo, assim como o lucro unitrio de cada uma delas:

Recursos Porta 1 Porta 2 Porta 3

Quantidade de material 8 kg 4kg 3 kg

Horas de Trabalho 7 horas 6 horas 8 horas

Lucro Unitrio 50 Euros 40 Euros 55 Euros


Rodrigues Fazenda 15

I. Introduo
Captulo 2:
Os principais passos na Investigao Operacional para a resoluo
dum problema:
formulao,
modelao,
resoluo,
avaliao,
deciso,
implementao.
Esquema Geral. Exemplos.

Rodrigues Fazenda 16

8
Operational Research - UDM

Esquema Geral

Formulao
Formulao

Definio
Definio Modelao
do Modelao
do Problema
Problema

Soluo
Soluo
Implementao
Implementao

Domnio
Avaliao
Avaliao

Deciso
Deciso
Rodrigues Fazenda 17

1 Passo: Formulao(1)

muito difcil procurar uma soluo certa


para um problema mal formulado !!!

Primeiramente a equipa de IO deve formular correctamente o


problema em estudo.

O problema deve ser analisado a partir de um sistema


integrado, onde interactuam vrias componentes, todas elas
interdependentes, para o qual preciso obter uma soluo
ptima que satisfaa a todas elas.

Rodrigues Fazenda 18

9
Operational Research - UDM

1 Passo:Formulao(2)

Para formular correctamente um problema de IO preciso definir


correctamente:
os objectivos que se pretendem alcanar com a resoluo do
problema.
as restries (limitaes) existentes no sistema em geral,
definidas pelas relaes de interdependncias entre as
componentes integrantes do sistema.

2 Passo: Construo do Modelo Matemtico.


O
O que
que umum modelo
modelo ??
Um
Um modelo
modelo uma
uma representao
representao simplificada
simplificada de
de uma
uma situao
situao da
da vida
vida
real.
real.
Um
Um modelo
modelo reflecte
reflecte aa essncia
essncia do
do problema,
problema, representando
representando as
as relaes
relaes
de
de interdependncia
interdependncia existentes
existentes entre
entre todas
todas asas componentes
componentes dada situao
situao
em
em estudo.
estudo.
Rodrigues Fazenda 19

Modelo Matemtico

O
O que
que um
um modelo
modelo matemtico?
matemtico?

Um
Um modelo
modelo matemtico
matemtico uma uma representao
representao
simplificada
simplificada de uma situao da vida real,
de uma situao da vida real, formalizado
formalizado
com
comsmbolos
smboloseeexpresses
expressesmatemticas.
matemticas.
Um
Umexemplo
exemplodadaFsica:
Fsica: FF== m maa

A modelao matemtica dum problema possibilita


uma melhor compreenso da essncia do mesmo !!!

Rodrigues Fazenda 20

10
Operational Research - UDM

Modelo Matemtico de um Problema de Optimizao

Um modelo matemtico de um Problema de Optimizao definido por:


um nmero N de decises a ser tomadas, denominadas variveis de
deciso,
uma funo matemtica, que representa a medida da vantagem
(desvantagem) da tomada de deciso denominada funo objectivo,
um conjunto de restries associadas s variveis de deciso
denominadas restries do modelo,
um conjunto de constantes (coeficientes) da funo objectivo e das
restries denominadas parmetros do modelo.

Rodrigues Fazenda 21

Aspectos fundamentais a ter em conta durante a modelao.

1. Simplificar sem perder a essncia do problema.


CUIDADO !!!: a simplificao do modelo deve corresponder
realidade, de tal forma que as solues obtidas atravs do modelo
matemtico possam realmente ser aplicadas na vida real.

2. Processo em espiral
O processo de modelao desenvolve-se em forma de espiral,
comeando por uma representao simplificada do problema, at se
chegar depois de vrios ciclos a uma representao mais prxima da
situao em estudo na vida real.
Um problema pode ser reformulado se:
Durante a etapa da avaliao os resultados demonstram que
preciso uma reformulao do problema incorporando novas
restries, alterando os valores de alguns dos parmetros, etc..
Depois de avaliadas e implementadas as solues, pretende-se
agora avanar para uma etapa mais complexa de resoluo.

Rodrigues Fazenda 22

11
Operational Research - UDM

Aspectos fundamentais a ter em conta durante a modelao

2. Processo em espiral
Este processo de reformulao e remodelao pode repetir-se, at
que o modelo desenvolvido e as suas solues representem, o mais
fielmente possvel, a complexidade do problema em estudo, e as
solues implementadas satisfaam completamente os principais
objectivos traados.

3. Escolha do modelo certo


Na maioria das situaes, o problema pode ser representado por
modelos e problemas tipo j desenvolvidos pela IO. Neste caso
formular matematicamente o problema no mais do que convert-lo
em certos modelos e problemas tipo da IO (modelos de Programao
Linear, Programao Dinmica, Problema de Transporte, etc.)

Rodrigues Fazenda 23

2 Passo: Construo do Modelo Matemtico.

A IO estrutura e formula um problema de optimizao da vida real


dentro dum modelo matemtico que reflecte a essncia do
problema, de forma que as decises (solues) obtidas, possam ser
aplicadas na situao real.

3 Passo: Resoluo. Determinao de uma soluo.


Uma vez realizada a formulao matemtica do problema, preciso aplicar
mtodos e algoritmos desenvolvidos para a resoluo do correspondente modelo
de IO. Para isto podem ser utilizados muito dos softwares e pacotes de
computao disponveis para a resoluo de problemas de IO.
Se o modelo foi correctamente formulado, a soluo obtida pode ser uma boa
aproximao da soluo a implementar na situao real. Pode ser em lugar de
. Qualquer modelo, como representao do problema, possui um certo grau de
incerteza, motivado fundamentalmente pelas simplificaes efectuadas.
Realmente uma soluo ptima do modelo pode estar longe de ser a soluo
ptima na situao real.
Rodrigues Fazenda 24

12
Operational Research - UDM

3 Passo: Resoluo.
Anlise de sensibilidade e Ps-optimizao

Neste passo incorporada outro tipo de anlise denominada "anlise de


sensibilidade e ps-optimizao" em que abordado o comportamento da
soluo ptima quando so efectuadas pequenas alteraes em certos
parmetros do modelo. Para isto, preciso determinar quais so os
parmetros do modelo que mais influenciam a soluo ptima
(denominados parmetros sensveis).

A anlise de sensibilidade e ps-optimizao possibilita um espectro mais


alargado de solues quando ocorrem alteraes nestes parmetros
sensveis.
Uma vez concludo este passo, a equipa de IO, est pronta para avaliar
vrias propostas de modelos e as respectivas solues ptimas .

Rodrigues Fazenda 25

4 Passo: Avaliao

Neste passo sero avaliados, quer o modelo escolhido, quer as


solues obtidas. Dependendo das concluses da avaliao, ser
determinado o passo a seguir:

se a avaliao satisfatria:
proceder tomada de deciso, que prepara as condies
para a implementao da soluo obtida na situao real.

se a avaliao no satisfatria:
proceder reformulao, remodelao e resoluo do novo
modelo, a partir dos resultados obtidos no processo de
avaliao e tambm na anlise de ps-optimizao

Rodrigues Fazenda 26

13
Operational Research - UDM

5 Passo: Tomada de deciso


Uma vez concluda satisfatoriamente a etapa de avaliao, preciso elaborar
um relatrio bem documentado que possibilite a implementao da situao
obtida na situao real.
Este relatrio deve incluir:
o modelo escolhido
uma metodologia bem detalhada com todos os passos que sejam
necessrios seguir para a implementao da soluo obtida.

6 Passo: Implementao.
Neste passo efectua-se a implementao das solues obtidas usando a
metodologia elaborada. No processo de implementao preciso envolver
activamente a administrao e todas as componentes da organizao que
actuam no sistema em estudo.

Como foi mencionado no 2. Passo, depois de se terem implementado as


solues, pode ser necessrio avanar para uma etapa mais complexa do
problema, incluindo alguns elementos novos. Neste caso, inicia-se um novo ciclo
para a resoluo do problema em causa, s que agora com um nvel superior de
complexidade de mesmo.
Rodrigues Fazenda 27

Concluses

A formulao e resoluo de modelos matemticos


para os Problemas de Optimizao representam
apenas uma parte de todo o processo que envolve
um estudo de Investigao Operacional.
Os outros passos aqui mencionados, tambm so de
grande importncia para o sucesso da resoluo do
problema em estudo.

Rodrigues Fazenda 28

14
Operational Research - UDM

Exemplo 1: Produo de Ao vs. Ambiente. Formulao (1)


Uma empresa de ao emite para a atmosfera trs tipos de
poluentes:
partculas
xido sulfrico
hidrocarbonetos

A produo de ao inclui duas fontes principais de contaminao:


os altos- fornos para produzir o ferro-gusa (ferro de primeira
fundio ainda no purificado)
os fornos abertos para converter o ferro em ao

Rodrigues Fazenda 29

Exemplo 1: Produo de Ao vs. Ambiente. Formulao (2)

De acordo com decises governamentais, a fbrica tem de


reduzir anualmente a emisso dos contaminantes como a seguir
se indicam:

Contaminante Reduo requerida no nvel anual


de emisso
(em milhares de toneladas)

A:Partculas 60

B: xido sulfrico 150

C: Hidrocarbonetos 125

Rodrigues Fazenda 30

15
Operational Research - UDM

Exemplo 1: Produo de Ao vs. Ambiente. Formulao (3)

Para reduzir a emisso os engenheiros propem as seguintes medidas:


Aumentar a altura das chamins
A utilizao de filtros nas chamins
Incluir certos aditivos nos combustveis

Cada medida tem associado os seguintes custos anuais na sua


implementao, em milhares de Euros:

Mtodo de reduo Altos fornos Fornos abertos

Chamins mais altas 8 10

Filtros 7 6

Melhores combustveis 11 9

Rodrigues Fazenda 31

Exemplo 1: Produo de Ao vs. Ambiente. Formulao (4)

Com as medidas propostas vai ser possvel eliminar as quantidades anuais


dos contaminantes A, B e C nas seguintes quantidades (em milhares de
toneladas):

Chamins mais Filtros Melhores


altas combustveis
Contaminante Altos Fornos Altos Fornos Altos Fornos
fornos Abertos fornos Abertos fornos Abertos
Partculas 12 9 25 20 17 13

xido sulfrico 35 42 18 31 56 49

Hidrocarbonetos 37 53 28 34 29 20

Estas medidas podem ser implementadas na sua totalidade ou


parcialmente.

Rodrigues Fazenda 32

16
Operational Research - UDM

Exemplo 1: Produo de Ao vs. Ambiente. Formulao (5)

Por exemplo, se implementar na totalidade a medida 1 (em 100%)


conseguir-se- reduzir a emisso dos contaminantes A, B e C em 12, 35 e
37 milhares de toneladas, respectivamente. Caso contrrio, se
implementar esta medida parcialmente (s a um 50% do previsto), apenas
se reduzir a emisso em 6, 17.5 e 18.5 milhares de toneladas.

Aumento na altura das chamins nos


altos-fornos

40
35
30
Reduo
25
20
15
10
Contaminante A 5
Contaminante B 0
Contaminante C 100% de aumento 50% de aumento
Rodrigues Fazenda 33

Exemplo 1: Produo de Ao vs. Ambiente. Formulao (6)

O problema de IOO pode ser formulado como se segue:

Determinar um plano ptimo, que aplicando as medidas expostas


(total ou parcialmente) nos fornos emissores, consiga ao menor
custo o ndice de maior reduo da contaminao.

Exemplo1: Formulao
1. Formular os objectivos:

Determinar um plano de aco para reduzir a


contaminao, ou seja determinar quais e em que
proporo sero aplicadas as diferentes medidas para
reduzir a emisso dos contaminantes com o menor custo.
Os custos destas medidas devem ser minimizados.

Rodrigues Fazenda 34

17
Operational Research - UDM

Exemplo1: Formulao.

2. Formular as restries:

As redues na emisso dos contaminantes, provocadas pela


aplicao total ou parcial das medidas tem de ser superior ou igual
aos dados que correspondem reduo exigida pelo governo.

Rodrigues Fazenda 35

Exemplo1: Modelao

1. Definir as variveis de deciso:

Definir 6 variveis de deciso: xj (j=1,2.6) que representam as


percentagens de implementao destas medidas para cada um
dos fornos emissores.

Mtodo de reduo Altos fornos Fornos abertos

Chamins mais altas x1 x2

Filtros x3 x4

Melhores combustveis x5 x6

Rodrigues Fazenda 36

18
Operational Research - UDM

Exemplo1: Modelao

2. Definir a funo objectivo:

Como o objectivo minimizar o custo total na aplicao das


medidas de reduo, calculamos o custo total Z como:

minimizar Z = 8x1 + 10x2 + 7x3 + 6x4 + 11x5 + 9x6 , em milhes de Euros

Rodrigues Fazenda 37

Exemplo 1: Modelao
3. Definir as restries de reduo da emisso:

contaminante A 12x 1 + 9x 2 + 25x 3 + 20x 4 + 17x5 + 13x6 60

contaminante B 35x1 + 42x 2 + 18x3 + 31x 4 + 56x5 + 49x6 150


contaminante C 37x1 + 53x 2 + 28x3 + 24x 4 + 29x5 + 20x6 125

4. Definir as restries tecnolgicas:

As medidas podem ser implementadas na sua totalidade ou


parcialmente, o que significa que as variveis de deciso xj tm
de ter um valor menor ou igual do que a unidade, ou seja:
xj 1, para j=1,2,,6

Rodrigues Fazenda 38

19
Operational Research - UDM

Exemplo1: Modelao

5. Definir as restries de no negatividade:

Uma medida pode no ser implementada num dos fornos, ou se


implementada, ento o valor da varivel de deciso xj
correspondente tem de ser positivo, ou seja podemos definir as
seguintes restries:

xj 0, para j=1,2,, 6

Rodrigues Fazenda 39

Exemplo 1: Modelo Matemtico

Minimizar Z = 8x1 + 10x2 + 7x 3 + 6x4 + 11x5 + 9x 6,

sujeito a

12x 1 + 9x 2 + 25x 3 + 20x 4 + 17x5 + 13x6 60

35x1 + 42x 2 + 18x3 + 31x 4 + 56x5 + 49x6 150

37x1 + 53x 2 + 28x3 + 24x 4 + 29x5 + 20x6 125

xj 1, para j=1,2, 6

xj 0, para j=1,2, 6

Rodrigues Fazenda 40

20
Operational Research - UDM

Exemplo 1: Resoluo(1)

Uma vez formulado o problema como um modelo de Programao


Linear a equipa de IO, utilizando uns dos softwares para resolver
estes problemas, conseguiu determinar o seguinte plano ptimo:
Medidas a aplicar

Mtodo de Altos fornos Fornos abertos


reduo
x1 =1 x2 = 0.623
Chamins mais (aumentar a altura na sua (aumentar s 62.3 % da altura
altas totalidade, i.e. aplicar a prevista)
medida em 100%)
x3 = 0.343 x4 = 1
(utilizar os filtros s em (utilizar os filtros na sua
Filtros
34.3%) totalidade, i.e. aplicar a medida
em 100%)
x5 = 0.048 x6 = 1
Melhores (melhorar os combustveis (melhorar os combustveis em
combustveis em 48% do previsto) 100% )

Rodrigues Fazenda 41

Exemplo 1: Concluses

Uma vez encontrada a soluo ptima a equipa de IO efectou a sua avaliao


para verificar se realmente esta cumpria com os objectivos propostos. Como a
avaliao foi satisfactria, de inmediato elaborou-se uma metodologia para a
implementao das medidas.

Com a implementao da soluo encontrada pela equipa de IO foi possvel


reduzir a emisso dos contaminantes na atmosfera e cumprir com as decises
governamentais ao menor custo possvel.

Rodrigues Fazenda 42

21
Operational Research - UDM

I. Introduo

Captulo 3:
Problemas de Optimizao
Programao Matemtica(PM) e Programao Linear(PL).
Construo de um modelo matemtico de PL.
Exemplos clsicos de PL.

Problemas
Problemasde
deOptimizao
Optimizao

Programao
Programao Matemtica
Matemtica

Programao Programao
Linear No Linear

Rodrigues Fazenda 43

Problemas de Optimizao

O
O que
que so
so problemas
problemas de
de Optimizao
Optimizao ?
?

Os
Os problemas
problemas de
de Optimizao
Optimizao so so problemas
problemas dede maximizao
maximizao ou ou
minimizao
minimizao de
de funes
funes de de variveis,
variveis, designada
designada por
por objectivo,
objectivo, que
que
depende
dependededeum
umnmero
nmerofinito
finitode
devariveis.
variveis.Estas
Estasvariveis
variveispodem
podemserser
independentes
independentes uma das outras, ou podem estar relacionadasatravs
uma das outras, ou podem estar relacionadas atravs
de
deuma
umaououmais
maisrestries.
restries.

Problemas de Programao Matemtica

O
O que
que so
so problemas
problemas de
de Programao
Programao Matemtica
Matemtica ?
?
Os
Os problemas
problemas dede Programao
Programao Matemtica
Matemtica so
so uma
uma classe
classe particular
particular de
de
problemas
problemasde de Optimizao,
Optimizao,que
que surgem
surgem na
na dcada
dcada de
de quarenta,
quarenta, aplicados
aplicados
nos
noscampos
camposdadaorganizao
organizaoeeda
dagesto
gesto econmica,
econmica,em emque
queoo objectivo
objectivo ee
as restries so dadas como funes matemticas e relaes funcionais.
as restries so dadas como funes matemticas e relaes funcionais.
Rodrigues Fazenda 44

22
Operational Research - UDM

Programao Matemtica
Programao
Programao Matemtica
Matemtica

OOproblema
problemapode
pode
Planeamento
Planeamentode de ser
serrepresentado
representado
actividades
actividades por
porum
ummodelo
modelo
matemtico
matemtico

Rodrigues Fazenda 45

Modelo matemtico do problema de Programao Matemtica

maximizar f (x1, x2, , xN )


(minimizar)

satisfazendo
g1 (x1, x2, , xN ) {, =, } b1

gM (x1, x2, , xN ) {, =, } bM

onde:
x1, x2, , xN - N variveis de deciso,
f(x1, x2, , xN ) - funo objectivo e
g1 , g2, , gM - M restries do modelo

Rodrigues Fazenda 46

23
Operational Research - UDM

Classificao dos problemas de Programao Matemtica


Os problemas de Programao Matemtica podem ser classificados em:
lineares: se f (x1, x2, , xN) , gi (x1, x2, , xN) , i=1M,
so funes lineares PROGRAMAO LINEAR

no lineares: se alguma das relaes f (x1, x2, , xN), gi (x1, x2,


, xN) , i=1M, for uma funo no linear PROGRAMAO NO
LINEAR

Rodrigues Fazenda 47

Programao Linear

O
O que
que so
so problemas
problemas de
de Programao
Programao Linear?
Linear?

OsOsproblemas
problemasde deProgramao
ProgramaoLinear
Linearso
souma
umaclasse
classeparticular
particular
dede Problemas de Programao Matemtica (PM),onde
Problemas de Programao Matemtica (PM), ondeaafuno
funo
objectivo
objectivoeeas
asrestries
restriespodem
podemserserrepresentadas
representadaspor
porfunes
funes
lineares.
lineares.
AA Programao
Programao Linear
Linear determina
determina oo planeamento
planeamento ptimo
ptimo dede
actividades,
actividades, ou seja, um plano ptimo que represente aa melhor
ou seja, um plano ptimo que represente melhor
soluo
soluoentre
entretodas
todasasasalternativas
alternativaspossveis.
possveis.

Rodrigues Fazenda 48

24
Operational Research - UDM

Programao Linear
Programao
Programao Linear
Linear

OOproblema
problema
Planeamento
Planeamentode de representado
representado
actividades
actividades matematicamente
matematicamente
pelo
pelomodelo
modelodedePM
PM
onde todas as funes
onde todas as funes
ff(x(x1, ,xx2 , , x ),
1 2 , , xNN ),
ggi(x(x1, ,xx2 , , , x ), i=1M
i 1 2 , xN ), i=1M N
so
solineares.
lineares.

Rodrigues Fazenda 49

Modelo matemtico do problema de Programao Linear

maximizar f (x1, x2, , xN )


(minimizar)

satisfazendo
g1 (x1, x2, , xN ) {, =, } b1

gM (x1, x2, , xN ) {, =, } bM

onde:
x1, x2, , xN - variveis de deciso,
f(x1, x2, , xN ) - funo objectivo LINEAR ,
g1 , g2, , gM - restries do modelo LINEARES

Rodrigues Fazenda 50

25
Operational Research - UDM

Exemplo Prottipo
A empresa Nova Linha produz artigos de vidro de alta qualidade: janelas e
portas, em trs seces de produo:
Seco de Serralharia:
para produzir as estruturas de alumnio
Seco de Carpintaria:
para produzir as estruturas de madeira
Seco de Vidro e Montagem:
para produzir vidro e montar as portas e janelas

Devido diminuio dos lucros, o gerente geral decidiu reorganizar a


produo, e prope produzir s 2 produtos que tm uma melhor aceitao
entre os clientes.
Estes produtos so:
Produto 1:
uma porta de vidro com estrutura de alumnio
Produto 2:
uma janela grande com estrutura de madeira.

Rodrigues Fazenda 51

Exemplo Prottipo

O Departamento de Marketing concluu que a empresa pode vender tanto de


qualquer dos dois produtos, tendo em conta a capacidade de produo
disponvel. Como ambos os produtos partilham a capacidade de produo da
seco N3, o gerente solicitou ao Departamento de Investigao Operacional
da empresa a resoluo deste problema.

O Departamento de IO para realizar a formulao do problema, procurou os


seguintes dados:

a capacidade de produo por minuto de cada seco a ser utilizada


na produo de ambos os produtos
a capacidade de produo por minuto de cada seco, a ser utilizada
para produzir uma unidade de cada produto
os lucros unitrios para cada produto

Rodrigues Fazenda 52

26
Operational Research - UDM

Exemplo Prottipo

Estes dados esto resumidos na seguinte tabela:

Capacidade utilizada por


unidade de produo
Seco N Produto 1 Produto 2 Capacidade
disponvel
1 1 0 4
2 0 2 12
3 3 2 18
Lucro unitrio
3 5
(em Euros)

Rodrigues Fazenda 53

Exemplo Prottipo: Formulao

Capacidade utilizada por


unidade de produo Maximizar Z = 3x1 + 5x2,
Seco N Produto 1 Produto 2 Capacidade sujeito a
disponvel x1 4
1 1 0 4 2x 2 12
2 0 2 12 3x1 + 2x 2 18
3 3 2 18
Lucro unitrio
x1 0, x2 0
3 5
(em Euros)

x1 , x2 - o nmero de unidades do produto 1 e 2 produzidas por minuto


.
Z o lucro total por minuto.

Rodrigues Fazenda 54

27
Operational Research - UDM

Exemplo Prottipo: Soluo grfica (I)

I.I.Identificar
Identificaros
osvalores
valoresde
de (x(x1,1,xx2)2)
que
quesatisfaam
satisfaamtodas
todasasasrestries
restries x2
(regio
(regiode deadmissibilidade)
admissibilidade)

3x 1
+
8

2x 2
1
1 xx1 10,0,xx2 200
(x(x1 1, ,xx2)2) esto
esto x1 = 4

=
no
no1 1Quadrante
Quadrante

18
x2 = 6
2 6
2 xx1 1 44
(x(x1 1, ,xx2)2)esto
esto
situados
situados esquerda esquerdaou ou
sobre a recta
sobre a recta x1 1 ==44 x
4
3
3 22xx2 2 12
12xx2 2 66
(x(x1 1, ,xx2)2)
esto
estosituados
situadosabaixo
abaixoou ou Regio de
sobre
sobreaa rectarecta xx2 2 ==66 2 admissibilidade

4
4 33xx1 1 ++22xx2 2 18 18
(x(x1 1, ,xx2)2)
esto
estosituados
situadosabaixo abaixoou ousobre sobre 2 4 6 x1
aa recta
recta3x 3x1 1++2x
2x2 2=18
=18

Rodrigues Fazenda 55

Exemplo Prottipo: Soluo grfica (II)

II.
II.Determinar
Determinaraasoluo
soluo x2

A funo objectivo Z = 3x1 + 5x2 8

define uma recta que pode ser


deslocada paralelamente no (2,6) a soluo
6
sentido do seu gradiente
Z=
(garantindo o crescimento de Z), 4
36=
3x
at se tornar tangente regio Regio das 1 +5
x2
admissvel. solues
Neste caso o ponto de tangncia (2,6) 2 admissveis
20=
optimiza a funo objectivo, pelo que a 3x +
1 5
soluo pretendida x1 = 2, x2 = 6. O x 2
valor ptimo 36. 2 4 6 x1
10=
3x +
1 5
x 2
Nova Linha deve fabricar duas portas (produto 1) e seis janelas
(produto 2) por minuto obtendo um lucro de 36 Euros por minuto.

Rodrigues Fazenda 56

28
Operational Research - UDM

Exemplo Prottipo:
3 recursos limitados a distribuir entre 2 actividades

Capacidade
Capacidadededeproduo
produo Recursos:
Recursos:
das
das33seces
seces MM

Produtos
Produtosaaproduzir:
produzir: Actividades:
Actividades:
22produtos
produtos NN

Total
Totalde
deprodutos
produtosaa
produzir
produzirpor
porminutos:
minutos: Nvel
Nvelda
daactividade
actividadejj::xxj j
xx1 ee xx2
1 2

Lucro
Lucropor
porminuto:
minuto: Medida
ZZ Medidada
davantagem:
vantagem: ZZ

Rodrigues Fazenda 57

O modelo de PL.
Os parmetros do modelo de PL para um problema onde esto
envolvidas N actividades e M recursos podem ser definidos
utilizando a seguinte tabela:
Utilizao do recurso
por actividade
Actividades 1 2 ... N Total de
recurso
Recursos disponvel
1 a11 a12 ... a1N b1
.
a21 a21 ... a2N b2
2
. .
. .,
. .

M aM1 aM2 ... aMN bM

Lucro unitrio c1 c2 ... cN


Nvel de actividade x1 x2 ... xN

onde ai j , bi e cj so constantes, xj variveis de deciso ( i=1,2,,M, j=1,2,,N )

Rodrigues Fazenda 58

29
Operational Research - UDM

Formulao Matemtica do Modelo de PL.

Funo objectivo
Maximizar(minimizar) Z= c1 x1 + c2 x2 + + cN xN
sujeito a coluna j restries

a11 x1 + a12 x2 + + a1 j xj + + a1N xN { , =, } b1


a21 x1 + a22 x2 + + a2 j xj + + a2N xN {, =, } b2

linha i ai 1 x1 + ai 2 x2 + + ai j xj + + ai N xN {, =, } bi

aM 1 x1 + aM 2 x2 + + aM j xj + + aM N xN {, =, } bM

x1, x2,, xj ,, xN 0 Condies de no


negatividade
onde ai j , bi e cj ( i=1,2,,M, j=1,2,,N ) so constantes e em cada restrio
apenas se verifica uma e s uma das relaes {, =, }.

Rodrigues Fazenda 59

Exemplos clssicos de PL
I- TRANSPORTE:
Suponha que um sistema de distribuio alimenta N armazns a partir
de M grandes unidades produtoras. Conhecendo os custos de
transporte, a procura prevista para cada armazm e as capacidades
(mximas) de produo de cada unidade, determinar o programa de
distribuio com menor custo.
II- COMPOSIO:
Conhecendo os contedos calricos e vitamnicos de diversos
alimentos, bem como os seus preos, optimizar a composio da dieta
a adoptar de modo a minimizar o seu custo e a satisfazer nveis
mnimos de calorias e vitaminas.
III- PRODUO:
Suponha que uma fbrica capaz de produzir N produtos
distintos utilizando M recursos limitados, os quais podem ser :
horas de trabalho, tempos de operao de vrias mquinas, matrias
primas, servios, etc. Conhecendo o lucro unitrio, as quantidades de
recurso utilizada para cada produto, e as quantidades de recursos
disponveis, determinar o plano ptimo de produo (com maior lucro).

Rodrigues Fazenda 60

30
Operational Research - UDM

O modelo de PL: Concluses

Os
Os problemas
problemas dede Programao
Programao Linear Linear podem podem serser
formulados de acordo com um modelo
formulados de acordo com um modelo matemtico matemtico
geral,
geral, que
que consiste
consiste na
na determinao
determinao de de valores
valores no
no
negativos
negativos para
para as
as variveis
variveis xx11,, xx22,, ,, xxNN,, aa satisfazer
,, xxjj ,, satisfazer
um
um sistema
sistema de
de M M equaes
equaes (inequaes)
(inequaes) lineares lineares que
que
maximizem ou minimizem uma funo
maximizem ou minimizem uma funo (real) linear (real) linear
dessas
dessas variveis.
variveis.

Rodrigues Fazenda 61

II. Programao Linear (PL)

Captulo 1: O modelo de Programao Linear.


Forma Padro (standard) e Forma Cannica.
Conceitos fundamentais.
Outras formas do modelo:
forma cartesiana
forma matricial
forma vectorial

Rodrigues Fazenda 62

31
Operational Research - UDM

O modelo de PL.

Os problemas de Programao Linear podem ser formulados de


acordo com um modelo matemtico geral, que consiste na
determinao de valores no negativos para as variveis x1 , x2
,,xj,,xN satisfazendo um sistema de M equaes (inequaes)
lineares que maximizem ou minimizem o valor de uma funo (real)
linear dessas variveis.

Rodrigues Fazenda 63

O Modelo de PL.

Funo objectivo
Maximizar(minimizar) Z= c1 x1 + c2 x2 + + cN xN
sujeito a coluna j restries

a11 x1 + a12 x2 + + a1 j xj + + a1N xN { , =, } b1


a21 x1 + a22 x2 + + a2 j xj + + a2N xN {, =, } b2

linha i ai 1 x1 + ai 2 x2 + + ai j xj + + ai N xN {, =, } bi

aM 1 x1 + aM 2 x2 + + aM j xj + + aM N xN {, =, } bM

x1, x2,, xj ,, xN 0 Condies de no


negatividade
onde ai j , bi e cj ( i=1,2,,M, j=1,2,,N ) so constantes e em cada restrio
apenas se verifica uma e s uma das relaes {, =, }.

Rodrigues Fazenda 64

32
Operational Research - UDM

Forma Padro (standard).

Quando as restries de um modelo de Programao Linear so


apresentadas na forma de equaes diz-se que esse modelo est na
forma padro (ou standard).

Maximizar
Maximizar Z= Z=cc1 1xx1 1++cc2 2xx2 2+++
+ccNNxxNN
(Minimizar)
(Minimizar)
sujeito
sujeitoaa
aa11 xx1 ++ aa12 xx2 +++ a1N xN = b1
11 1 12 2 + a1N xN = b1
aa21 xx1 ++ aa22 xx2 +++ + a2N xxN ==bb2
a
21 1 22 2 2N N 2


aaM 1 xx1 ++aaM 2 xx2 +++ aM N xN = bM
M1 1 M 2 2 + aM N xN = bM
xx1, ,xx2 ,, xxj,, xxN 0
1 2 ,, j,, N 0

Rodrigues Fazenda 65

Forma Cannica.
Quando as restries de um modelo de Programao Linear so
apresentadas na forma de inequaes diz-se que esse modelo est na
forma cannica.
Maximizar Z= c1 x1 + c2 x2 + + cN xN Minimizar Z= c1 x1 + c2 x2 + + cN xN
sujeito a sujeito a
a11 x1 + a12 x2 + + a1N xN b1 a11 x1 + a12 x2 + + a1N xN b1
a21 x1 + a22 x2 + + a2N xN b2 a21 x1 + a22 x2 + + a2N xN b2
.. ..
aM 1 x1 + aM 2 x2 + + aM N xN bM aM 1 x1 + aM 2 x2 + + aM N xN bM
x1, x2 ,, xj,, xN 0 x1, x2 ,, xj,, xN 0

Operaes de Reformulao
I. Qualquer problema de maximizao pode converter-se num problema de
minimizao, pois:

mximo
mximo ZZ == -- mnimo
mnimo (-Z)
(-Z)
Rodrigues Fazenda 66

33
Operational Research - UDM

Operaes de Reformulao.

II.Qualquer restrio de desigualdade de tipo pode ser convertida


numa restrio do tipo multiplicando por (-1) ambos os seus
membros.

i1 1 i2 2 +aai iNNxxNNbbi i
aai 1 xx1 ++ aai 2 xx2 ++ +

--aai 1 xx1 -- aai 2 xx2 -- - a x -b


i1 1 i 2 2 - ai iNN xNN - bi i

Rodrigues Fazenda 67

Operaes de Reformulao.

III. Qualquer restrio de igualdade pode ser convertida em


duas restries de desigualdades equivalentes quela.

aai 1 xx1 ++ +
i1 1 +aai iNNxxNN==bbi i +aai iNNxxNNbbi i
aai 1 xx1 ++ +
i1 1
1 +aai N xxN bbi
aai 1 xx1 ++ +
i1 iN N i

+aai iNNxxNNbbi i
aai 1 xx1 ++ +
i1 1
-a-ai 1 xx1 -- -
- aai N xxN --bbi
i1 1 iN N i

Rodrigues Fazenda 68

34
Operational Research - UDM

Operaes de Reformulao.

IV. Qualquer restrio de desigualdade pode ser convertida numa


restrio de igualdade, atravs da introduo de uma nova varivel
(varivel de desvio ou folga) xN+1 de valor no negativo .

+aai iNNxxNNbbi i
aai 1 xx1 ++ +
i1 1

i i1 1 -aai iNNxxNN00
bbi --aai 1 xx1 -- -

N+1 i i1 1 -aai iNN00


xxN+1 == bbi --aai 1 xx1 -- -

aai 1 xx1 ++ +
+aai iNNxxNN++xxN+1 = b xxN+1 00
i1 1 N+1 = bi i N+1

Rodrigues Fazenda 69

Operaes de Reformulao.

V. Qualquer varivel livre xj, (no restringida pela condio de no


negatividade) pode ser substituida por um par de variveis no
negativas xj' 0 e xj'' 0, fazendo:

xxjj =
= xxj'j' -- xxj''j''

e deste modo formulando de novo o problema em funo


destas duas variveis.

Rodrigues Fazenda 70

35
Operational Research - UDM

Conceitos Fundamentais(1).

AAfuno
funoaamaximizar(minimizar),
maximizar(minimizar),
Z=
Z=cc11xx11++cc22xx22+++
+ccNNxxNN,,
designa-se
designa-seporporfuno
funoobjectivo
objectivo(f.o).
(f.o).

As
As equaes
equaes(inequaes)
(inequaes)
designam-se
designam-sepor
porrestries.
restries.

As desigualdades xx110,0, xx2200,,


Asdesigualdades ,,xxNN 00
designam-se
designam-se por
por condies
condiesde deno
nonegatividade.
negatividade.

Rodrigues Fazenda 71

Conceitos Fundamentais(2).

As
Asvariveis
variveis xx11, ,xx22, ,......, ,xxNN, ,
designam-se
designam-sepor porvariveis
variveisde
dedeciso.
deciso.

As
Asconstantes
constantes aaijij, ,
designam-se
designam-sepor porcoeficientes
coeficientestecnolgicos.
tecnolgicos.

As
Asconstantes
constantes bbi i, ,
designam-se
designam-sepor
portermos
termosindependentes.
independentes.

As
Asconstantes
constantes ccj j, ,
designam-se
designam-sepor
porcoeficientes
coeficientesda
dafuno
funoobjectivo
objectivo

Rodrigues Fazenda 72

36
Operational Research - UDM

Conceitos fundamentais(3).

Qualquer
Qualquerespecificao
especificaode devalores
valorespara
paraasasvariveis
variveisde
dedeciso
deciso
(x(x1, , xx2,,
,, xxN )) que
que satisfaa
satisfaa as
as restries
restries do
do modelo
modelo ee as
as
1 2 N
condies
condies de
de no
no negatividade
negatividade
designa-se
designa-sepor
porsoluo
soluoadmissvel.
admissvel.

OO conjunto
conjunto de de todas
todas as as solues
solues admissveis
admissveis
designa-se por regio de admissibilidade.
designa-se por regio de admissibilidade.

Uma
Uma soluo
soluo ptima
ptima maximiza
maximiza (minimiza)
(minimiza) aa funo
funo objectivo
objectivo
sobre
sobretoda
todaaaregio
regiode
deadmissibilidade.
admissibilidade.

Rodrigues Fazenda 73

Objectivo da PL

O objectivo da PL determinar de entre as solues


admissveis, uma que seja a melhor, medida pelo
valor da funo objectivo do modelo. Por "melhor"
entende-se o maior ou menor valor, dependendo se o
objectivo maximizar ou minimizar.

Solues do Problema de PL
Um problema de PL pode ter:
uma nica soluo ptima ou
mltiplas solues ptimas (uma infinidade) ou
no ter ptimo finito ou
no ter nenhuma soluo (neste caso o problema
impossvel)

Rodrigues Fazenda 74

37
Operational Research - UDM

Exemplo Prottipo: Formulao

Capacidade utilizada por


unidade de produo Maximizar Z = 3x1 + 5x2,
Seco N Produto 1 Produto 2 Capacidade sujeito a
x1 4
disponvel
2x 2 12
1 1 0 4 3x1 + 2x 2 18
2 0 2 12
x1 0, x2 0
3 3 2 18
Lucro unitrio
3 5
(em Euros)

xi o nmero de unidades do produto


produzidas por minuto, i= 1,2.
Z o lucro total por minuto.

Rodrigues Fazenda 75

Uma nica Soluo ptima

No exemplo prottipo determinamos uma nica soluo ptima: x1 = 6 , x 2


= 2, onde a funo objectivo alcana o seu valor mximo Z=36 .
x2

(2,6) a soluo
6
Z =3
6= 3
4 x1 +
Regio das 5x
2
solues
2 admissveis

Z=
20=
2 4 6 x1 3x
1 +5
Z= x2
10 =3
x1 +
5 x2

Rodrigues Fazenda 76

38
Operational Research - UDM

Se
Seum
umproblema
problemade de
Mltiplas Solues ptimas. PL
PLtem
temsolues
solues
ptimas
ptimasmltiplas
mltiplas
ento
entotem
temumumnmero
nmero
infinito
infinitodelas.
delas.
No exemplo prottipo mudmos o
lucro unitrio do produto 2 de 5 para 2
x2
Euros, i.e., a funo objectivo agora
3x1 + 2x2 = 18
a recta Z=3x1+ 2x2. 8

(a f.o. tem o mesmo gradiente da


A
recta da 3 restrio 3x1+ 2x2=18). 6
Infinitas solues
4

Todos os pontos (uma infinidade) do B


2
segmento de recta AB, so solues
ptimas, pois todas alcanam o
melhor valor da f.o.: z = 18. 2 4 6 x1

Rodrigues Fazenda 77

O Problema no tem ptimo Finito.

Se as restries no evitarem o crescimento indefinido do valor da


funo objectivo Z, no sentido favorvel (positivo ou negativo) ento
o problema no tem ptimo finito.

x2
No exemplo prottipo, x1 = 4
8
eliminando as restries:
2x 2 12, 3x1 +2x 2 18, a regio
6 Regio das
de admissibilidade fica no solues
limitada e o valor da funo admissveis
4
objectivo pode crescer
indefinidamente nesta regio. 2
Z= 5x1 + 2x2

2 4 6 x1

Rodrigues Fazenda 78

39
Operational Research - UDM

O problema Impossvel

Se no existissem solues admissveis (o conjunto de solues


admissveis vazio), ento o problema no tem nenhuma soluo, o
problema impossvel.

Outras formas do modelo. 1. Forma Cartesiana.

N
Maximizar
Maximizar Z= Z=cc11xx11++cc22xx22+++
+ccNNxxNN
sujeito
sujeitoaa
Maximizar Z =
j =1
c jx j

+ aa1N1NxxNN bb11
aa11 xx1 ++ aa12 xx2 +++ N


11 1 12 2
21 1 22 2 + aa2N xxN bb2
aa21 xx1 ++ aa22 xx2 +++
2N N 2
a ij x j bi
j =1
aaM 1 xx1 ++aaM 2 xx2 +++
M1 1 M2 2 +aaMMNNxxNN bbMM x j 0
xx1, xx2,, xxj,, x 0
1, 2,, j,, xNN 0
i = 1 , 2 ,......... M
j = 1 , 2 ,......... N

Rodrigues Fazenda 79

Outras formas do modelo. 2. Forma Matricial.

Maximizar
Maximizar Z= Z=cc11xx11++cc22xx22+++
+ccNNxxNN
sujeito a
sujeito a
Maximizar Z = c' X
11 1 12 2 + aa1N1NxxNN bb11
aa11 xx1 ++ aa12 xx2 +++
AX b
22 2 + aa2N xxN bb2
aa21 xx1 ++ aa22 xx2 +++
21 1 2N N 2

X 0
aaM 1 xx1 ++aaM 2 xx2 +++
M1 1 M2 2 +aaMMNNxxNN bbMM
xx1, xx2,, xxj,, x 0
1, 2,, j,, xNN 0 c = [c1 , c 2 ,..., c N ] , X = [x1 , x 2 ,..., x N ]
'

b = [b1 , b 2 ,..., b M ]
'
,
[ ]
A = a ij
(M N )
, 0 = [0 , 0 ,..., 0 ]
'

Rodrigues Fazenda 80

40
Operational Research - UDM

Outras formas do Modelo. 3. Forma Vectorial

Maximizar
Maximizar Z= Z=cc11xx11++cc22xx22+++
+ccNNxxNN
sujeito
sujeitoaa
Maximizar
Maximizar Z = c' X
11 1 12 2 + aa1N1NxxNN bb11
aa11 xx1 ++ aa12 xx2 +++
x1 P1 + x2 P2 + ... + x N PN Po
aa21 xx1 ++ aa22 xx2 +++
21 1 22 2 + aa2N xxN bb2
2N N 2

xj 0
aaM 1 xx1 ++aaM 2 xx2 +++
M1 1 M2 2 +aaMMNNxxNN bbMM
xx1, xx2,, xxj,, x 0 j = 1,2,.........N
1, 2,, j,, xNN 0

c = [c1 , c2 ,..., cN ] , X = [x1 , x2 ,..., xN ]


' '

[
Pj = a1 j , a2 j ,..., aMj ] '
P0 = [b1 , b2 ,..., bM ]
'

Rodrigues Fazenda 81

II. Programao Linear (PL)


Captulo 2:
A Programao Linear em termos de actividades.
Hipteses do modelo de Programao Linear.
Exemplos reformulados em termos de actividades

Natureza conceptual da PL

A natureza conceptual da PL est baseada na construo de modelos que


descrevem o comportamento e as interrelaes entre componentes de um
sistema: homens,servios, mquinas, etc.

Um sistema nestas condies composto por um conjunto de funes


elementares chamadas actividades.

Rodrigues Fazenda 82

41
Operational Research - UDM

Actividade
Uma actividade funciona em PL como uma caixa negra na qual entram
recursos (inputs), tais como:
mo-de-obra,
matrias-primas,
equipamentos
e donde saem diversos produtos (outputs).

Ambos, recursos e produtos, so considerados os bens de uma actividade.

Actividade. Nvel de Actividade.


Uma
Uma actividade
actividade consiste
consiste em
em produzir
produzir um
um certo
certo conjunto
conjunto de
de bens:
bens: produtos,
produtos,
utilizando outro conjunto de bens: recursos
utilizando outro conjunto de bens: recursos ..

AAmedida
medidaquantitativa
quantitativade
decada
cadaactividade
actividadedesigna-se
designa-sepor
pornvel
nvelde
deactividade.
actividade.

Rodrigues Fazenda 83

Problema de planeamento da produo de curto prazo

O problema de planeamento da produo de curto prazo consiste na


utilizao ptima de recursos por parte de uma empresa tendo como
objectivo a maximizao do resultado global, num certo perodo de
tempo, supondo que a empresa opera num mercado de concorrncia.

A adaptao a outro tipo de problemas no se reveste de grande


dificuldade.

Rodrigues Fazenda 84

42
Operational Research - UDM

Problema de PL em Termos de Actividades (1)


Suponha-se que uma empresa pode desenvolver N actividades e dispe
para tal de M recursos em quantidades limitadas.
Os nveis das actividades constituem as variveis de deciso do
problema;

As restries iniciais descrevem as possibilidades tecnolgicas da


empresa e as limitaes de recursos.

Uma actividade j pode ser representada pelo vector

[
Pj = a1 j , a 2 j , aij .., a Mj ] t

onde aij representa a quantidade do recurso i gasto na


actividade j, j=1,..,N.

Rodrigues Fazenda 85

Formulao do Problema de PL em Termos de Actividades

Forma Padro Em Termos de Actividades

Maximizar Maximizar
Maximizar Z= Z=cc11xx11++cc22xx22+++
+ccNNxxNN
Maximizar Z= Z=cc11xx11++cc22xx22+++
+ccNNxxNN
(Minimizar) (Minimizar)
(Minimizar)
(Minimizar) sujeito
sujeito
sujeitoaa sujeitoaa
xx1 PP1 ++xx2 PP2 +++
+xxN PPN ==PP0
aa11 xx1 ++ aa12 xx2 +++
+ aa1N1NxxNN ==bb11 1 1 2 2 N N 0
11 1 12 2
aa21 xx1 ++ aa22 xx2 +++
+ aa2N2NxxNN ==bb22 onde
ondePPj j=[a
=[a1j1j, ,aa2j2j, ,,
,aaMjMj]],t,j=1,,N
t
j=1,,N
21 1 22 2

PP0 =[b
=[b 1 , ,bb2 ,,
,, bbM ] ]
tt
aaM 1 xx1 ++aaM 2 xx2 ++++aaMMNNxxNN ==bbMM
0 1 2 M
M1 1 M2 2 xx1 , ,xx2 ,,,, xxj,, ,xxN 0 0
xx1 , ,xx2 ,, x , x 0 1 2 j, N
1 2 ,, xj,j,, xNN 0

Rodrigues Fazenda 86

43
Operational Research - UDM

Terminologia do Problema de PL em Termos de Actividades

NN Total
Totalde
deactividades
actividades

M
M Total
Totalde
derecursos
recursos

PPj =[a , a , , a ]t t Actividades


j =[a11j j , a22j j , , aMMj j ] Actividades

xx1 , ,xx2 ,, x ,, x Nveis


Nveisdas
dasactividades
actividades
1 2 ,, xj j ,, xNN

xxj PPj ((j=1,2,, N) OOfuncionamento


funcionamentoda daactividade
actividadejj
j j j=1,2,, N )
ao nvel x
ao nvel xj.j.

Rodrigues Fazenda 87

Terminologia do Problema de PL em Termos de Actividades

Medida
Medidadadavantagem
vantagem
ZZ (desvantagem)
(desvantagem)
AAcontribuio
contribuiono
novalor
valorda
daf.o.
f.o. da
da
ccj jxxj j actividade P ao nvel x
actividade Pj ao nvel xj j
j

Quantidade
Quantidadedodorecurso
recursoii
bbi i disponvel
disponvel
Quantidade
Quantidadedodorecurso
recurso ii gasto
gasto
aaijij na
na actividadej,j,j=1,..,N.
actividade j=1,..,N.

Rodrigues Fazenda 88

44
Operational Research - UDM

Problema de PL em Termos de Actividades. Concluses.

O
O problema
problema de
de planeamento
planeamento da
da produo
produo como
como problema
problema
de
de PL,
PL, formulado
formulado em
em termos
termos de
de actividades,
actividades, consiste
consiste em
em
determinar
determinar os
os nveis
nveis das
das diversas
diversas actividades
actividades por
por forma
forma a
a
maximizar
maximizar a
a medida
medida da
da vantagem
vantagem ou
ou minimizar
minimizar a
a medida
medida
da
da desvantagem,
desvantagem, respeitando
respeitando as
as limitaes
limitaes de
de recursos
recursos e
eaa
quantidade
quantidade de
de produtos
produtos a
a produzir.
produzir.

Rodrigues Fazenda 89

Hipteses do modelo de PL

Qualquer modelo de PL deve cumprir as seguintes hipteses que


garantem a linearidade da funo objectivo e das restries do
problema:
Proporcionalidade
Aditividade
Divisibilidade e no negatividade
Linearidade da funo objectivo

Rodrigues Fazenda 90

45
Operational Research - UDM

Hipteses do modelo de PL: H1- Proporcionalidade.

Em cada actividade a quantidade de bens que entram e saem so


sempre proporcionais ao nvel da mesma .
por exemplo:
se for duplicado o nvel duma actividade, ter-se-o de
duplicar todos os "inputs" (os recursos utilizados) sendo
duplicados todos os "outputs" (os produtos).

[
x j Pj = x j a1 j , a 2 j ,.a ij .., a M j ] = [x a
'
j 1j , x j a 2 j ,. x j a ij .., x j a M j ] '

Rodrigues Fazenda 91

Hipteses do modelo de PL: H2- Aditividade.

Dadas N actividades, o resultado do emprego conjunto das mesmas a


sua adio.
por exemplo:
combinando as actividades Pr e Ps tem-se uma nova actividade,
resultante da combinao destas:

[
x r Pr + x s Ps = x r a1r ,..., x r a M r ] + [x a
'
s 1s ,..., x s a M s ] '

= [x a ] '
r 1r + x s a1s ,..., x r a M r + x s a M s

Rodrigues Fazenda 92

46
Operational Research - UDM

Hipteses do modelo de PL: H3 y H4.

H3 - Divisibilidade e no negatividade. O nvel de uma actividade pode assumir


qualquer valor positivo de um dado intervalo, o que equivale a supor que os
bens so perfeitamente divisveis, isto , susceptveis de variar em quantidades
infinitesimais.

H4 Linearidade da funo objectivo. Cada actividade contribui para o objectivo
global perseguido pelo sistema (por exemplo, cada actividade normalmente
tem associado um certo lucro ou um certo custo). Esta hiptese indica que
essa contribuio para a funo econmica proporcional ao nvel da
actividade.
A contribuio total a soma das contribuies de todas as actividades.

Hipteses do modelo de PL. Concluses


As
As hipteses
hipteses H1
H1 e
e H3
H3 traduzem
traduzem a
a linearidade
linearidade das
das actividades
actividades e,
e,
atendendo
atendendo a
a H4,
H4, pode
pode concluir-se
concluir-se que
que se
se est
est em
em presena
presena de
de um
um
modelo
modelo linear.
linear.
Rodrigues Fazenda 93

Problema de Transporte (PT).

Considere-se um sistema de distribuio de um produto de M unidades


produtoras para N armazns receptores.

Conhecendo-se os custos de transporte, a procura prevista para cada


armazm e as capacidades de produo (ofertas) de cada unidade
produtora, pretende-se:

OPTIMIZAR O PROGRAMA DE DISTRIBUIO DESTE PRODUTO

Rodrigues Fazenda 94

47
Operational Research - UDM

Problema de Transporte (PT):


Formulao em Termos de Actividades.

Distribuio
Distribuiodo
doproduto
produtoda
da
Actividade
Actividade unidade
unidade i para oarmazm
i para o armazmjj
Quantidade
Quantidadeaatransportar
transportarde
deii
Nvel
Nvelde
deactividade
actividade para j : x
para j : xijij
Oferta
Ofertada
daunidade
unidadeii;;
Recursos
Recursoseerestries
restries Procura
Procura doarmazm
do armazmj.j.
Minimizar
Minimizaroocusto
custoGLOBAL
GLOBALde
de
Funo
FunoObjectivo
Objectivo Transporte.
Transporte.

Rodrigues Fazenda 95

Problema de Transporte (PT): O Modelo de PL.

cij - custo de
transporte de uma
unidade de produto da
unidade i para o
armazm j
min
s.a.
c
ij
ij x ij
M unidades produtoras
xij ai
j
M restries de oferta;
ai -OFERTA da unidade
produtora i; i=1..M;
N armazns receptores
N restries de procura;
bj- PROCURA do armazm x i
ij = bj
receptor j , j=1,N;

xij 0

Rodrigues Fazenda 96

48
Operational Research - UDM

Problema de Composio da Dieta.

Conhecendo-se os contedos calricos e vitamnicos de diversos alimentos,


bem como os seus preos,

OPTIMIZAR A COMPOSIO DA DIETA

de modo a minimizar o seu custo e a satisfazer nveis mnimos de calorias e


vitaminas.

Rodrigues Fazenda 97

Problema de Composio da Dieta:


Formulao em Termos de Actividades.

Colocao
Colocaododoalimento
alimento
Actividade
Actividade i ina dieta
na dieta

xxj: :quantidade do alimento i


Nvel
Nvelde
deactividade
actividade j quantidade do alimento i
na dieta
na dieta

Nveis
Nveiscalricos
calricoseevitamnicos
vitamnicos
Recursos
Recursoseerestries
restries mnimos
mnimos

Minimizar
Minimizaroocusto
custoGLOBAL
GLOBALda da
Funo
FunoObjectivo
Objectivo composio
composiodadadieta.
dieta.

Rodrigues Fazenda 98

49
Operational Research - UDM

Problema de Composio da Dieta: O modelo de PL

min ci xi
i
com
a x
i
i i u nvel calrico

b x
i
i i v nvel vitamnico

xi 0
sendo:
ai e bi - o contedo calrico e vitamnico unitrio de cada alimento i,
ci - o custo unitrio de i , e u e v, os nveis mnimos exigidos.

Rodrigues Fazenda 99

Problema de Produo.

Suponha que uma fbrica capaz de produzir N produtos utilizando M


recursos limitados, os quais podem ser:
horas de trabalho,
tempos de operao de vrias mquinas,
matrias primas,
servios, etc.

Conhecendo-se o lucro unitrio, as quantidades de recurso utilizada para cada
produto, e as quantidades de recursos disponveis, determinar:

O PLANO PTIMO DE PRODUO COM O MAIOR LUCRO.

Rodrigues Fazenda 100

50
Operational Research - UDM

Problema de Produo:
Formulao em Termos de Actividades.

Actividade
Actividade Produo
Produodo
doproduto
produtoj j

Nvel Quantidade
Quantidadeaaproduzir
produzirdo
doproduto
produtoj:j:
Nvelde
deactividade
actividade xxj
j

Recursos Quantidade
Quantidadedederecurso
recursodisponvel;
disponvel;aa
Recursoseerestries
restries quantidade
quantidade de recursoi i gasta
de recurso gastana
na
produo
produode
deuma
umaunidade
unidadededeproduto
produto
jj

Maximizar
Maximizaroolucro
lucroglobal
globalda
da
Funo
FunoObjectivo
Objectivo produo
produo

Rodrigues Fazenda 101

Problema de Produo: O modelo de PL.

max c j x j
j
com
a
j
ij x j bi restries dos recursos

xj 0
sendo i=1..M, j=1,N,
cj o lucro obtido por cada unidade do produto j ,
aij a quantidade de recurso i gasto na produo de uma
unidade do produto j, e
bi a quantidade de recurso disponvel.

Rodrigues Fazenda 102

51
Operational Research - UDM

II. Programao Linear (PL)


Captulo 3:
Propriedades fundamentais da Programao Linear:
Reduo Forma Padro
Conceitos Fundamentais.
Teorema Fundamental da PL.

Rodrigues Fazenda 103

Reduo Forma Padro (1)

O primeiro passo para a resoluo de um problema de PL consiste na


sua reduo Forma Padro. Para isto preciso converter as restries
funcionais de desigualdade em restries equivalentes de igualdade.
uma restrio de desigualdade de tipo pode ser convertida
numa restrio de igualdade adicionando uma nova varivel no
negativa (varivel de desvio ou folga) xN+1:
ai 1 x1 + + ai N xN bi ai 1 x1 + + ai N xN + xN+1 = bi
x N+1 0

uma restrio de desigualdade de tipo pode ser convertida


numa restrio de igualdade subtraindo uma nova varivel no
negativa (varivel de desvio ou folga) xN+1:
ai 1 x1 + + ai N xN bi ai 1 x1 + + ai N xN - xN+1 = bi
x N+1 0

Rodrigues Fazenda 104

52
Operational Research - UDM

Exemplo Prottipo. Reduo Forma Padro.

Restrio de Restrio de
desigualdade Varivel de folga
igualdade

1
xx1 44 xx3 xx1 ++ xx3 ==44
1 3 1 3

2 22xx2 12 xx4
2 12 4
22xx2 ++ xx4 ==12
12
2 4

3
33xx1 ++ 22xx2 18
18 xx5 33xx1 ++22xx2 ++ xx5 ==18
18
1 2 5 1 2 5

Rodrigues Fazenda 105

As
Asvariveis
variveisdede
Exemplo Prottipo. folga
folgatm
tm
Reduo Forma Padro. coeficientes
coeficientesnulos
nulos
na
naf.o.
f.o.

Forma Cannica Forma Padro

Maximizar
Maximizar Z=
Z=33xx11++55xx22 Maximizar
Maximizar Z=
Z=33xx11++55xx22
sujeito
sujeitoaa sujeito
sujeitoaa
xx1 44 xx1 ++xx3 == 44
1 1 3
22xx2 12
12 22xx2 ++xx4 ==12
12
2 2 4
33xx1 ++ 22xx2 18
18 33xx1 ++ 22xx2 ++xx5 ==1818
1 2 1 2 5

xx1 , ,xx2 0 xx1 , ,xx2 , ,xx3 , ,xx4 , ,xx5 0


1 2 0 1 2 3 4 5 0

Rodrigues Fazenda 106

53
Operational Research - UDM

AAintroduo
introduodestes
destesconceitos
conceitosso
so
Conceitos Fundamentais. necessrios
necessriospara
paraaacompreenso
compreensodo do
mtodo
mtodoSimplex.
Simplex.

Suponha-se que:
m - nmero de restries funcionais,
n - nmero total de variveis (de deciso e de folga);
bi 0, (i=1,2,,m) - em caso contrrio multiplicar por (-1)
o problema de PL se encontra na forma padro:
Maximizar Z= c 1 x 1 + c 2 x 2 + + c nx n (3.1)
sujeito a
a x 1 + a x 2 + + a xn = b1 (3.2)
11 12 1n
a x 1 + a x 2 + + a xn = b2
21 22 2n

a a a
m 1x 1 + m 2x 2 + + m nx n = b m
x 1, x 2,, x m,, x n 0 (m n ) (3.3)

Rodrigues Fazenda 107

Conceitos Fundamentais

Qualquer
Qualquerconjunto
conjuntode
devalores
valorespara
paraas
asvariveis
variveis(x(x11, ,xx22,,
,,xxnn))que
quesatisfaa
satisfaa
as
as restries do modelo, i,e, que seja uma soluo do sistemade
restries do modelo, i,e, que seja uma soluo do sistema deequaes
equaes
lineares
lineares(3.2
(3.2designa-se
designa-sepor
porsoluo.
soluo.

n
Uma
Umasoluo
soluoadmissvel
admissveluma
umasoluo
soluoX= ,,xxnn),), XX
X=(x(x11, ,xx22,, n,que
,que
tambm
tambmverifica
verificaas
ascondies
condiesde
deno
nonegatividade
negatividade(3.3), (3.3),i.e.,
i.e.,todos
todosososseus
seus
valores
valoresso
sono
nonegativos.
negativos.

OOconjunto
conjuntode
detodas
todasas
assolues
soluesadmissveis
admissveis
designa-se
designa-se por regio deadmissibilidade.
por regio de admissibilidade.

Uma
Umasoluo
soluoptima
ptimamaximiza
maximiza(minimiza)
(minimiza)aafuno
funoobjectivo
objectivosobre
sobretoda
toda
aaregio de admissibilidade.
regio de admissibilidade.

Rodrigues Fazenda 108

54
Operational Research - UDM

Como determinar uma soluo do problema


de PL na forma Padro?

M axim izar Z= c 1 x 1 + c 2 x 2 + + c n x n (3.1) c(A)


c(A) --caracterstica
caractersticade
de
sujeito a uma
uma matrizAAmxn
matriz que
mxn que
a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 (3.2) corresponde
correspondeaoaonmero
nmero
a 21 x 1 + a 22 x 2 + + a 2n x n = b 2 mximo
mximo de colunasde
de colunas de

AAlinearmente
linearmente
am 1 x1 + am 2 x2 + + am n xn = bm independentes
independentes
x 1, x 2, , x m , , x n 0 (m n ) (3.3)

Para determinar uma soluo do problema de PL preciso resolver o sistema


de equaes lineares (3.2). Este sistema constitudo por m equaes e n
incgnitas, Suponha que a caracterstica da matriz do sistema igual a m,
c(A)=m, e que m n . Este sistema tem uma infinidade de solues, tratando-
se portanto dum sistema possvel e indeterminado de grau n- m. Isto significa
que podemos exprimir m variveis em funo das n- m restantes.

Rodrigues Fazenda 109

Exemplo Prottipo.
Resoluo do Sistema de Equaes Lineares.

O sistema de equaes lineares constitudo por 3 equaes e 5


incgnitas, onde 3 5. A caracterstica c(A)=3.
Maximizar
Maximizar Z=
Z=33xx11++55xx22
sujeito
sujeitoaa X
P1 P2 P3 P4 P5
xx1 ++xx3 == 44 x1 P0
1
22xx2
3
++xx4 ==12 1 0 1 0 0
12 x2 4
33xx1 ++ 22xx2
2 4
++xx5 ==18 0 2 0 1 0 x3 x4
18 12
1 2 5
3 2 0 0 1 =
x5 18
xx1 , ,xx2 , ,xx3 , ,xx4 , ,xx5 0
1 2 3 4 5 0

Este sistema tem uma infinidade de solues, tratando-se


portanto dum sistema possvel e indeterminado de grau 5-
3=2, o que significa que podemos exprimir 3 variveis em funo
das restantes 2.

Rodrigues Fazenda 110

55
Operational Research - UDM

Resoluo do sistema de equaes lineares


pelo Mtodo Gauss-Jordan.
I-
I-Reduzir
Reduzir33colunas
colunasde
deAAaauma
umamatriz
matrizidentidade
identidadeI.I.

P1 P2 P3 P4 P5 Po 1: L2 / 2 P1 P2 P3 P4 P5 Po
L1 1 0 1 0 0 4 1 0 1 0 0 4
L2 0 2 0 1 0 12 0 1 0 1/2 0 6
3 2 0 0 1 18 2: L1 x(-3) + L3
L3 0 2 -3 0 1 6

3:
4: L3 / -3 P1 P2 P3 P4 P5 Po
L2x(-2)+L3 P1 P2 P3 P4 P5 Po
1 0 1 0 0 4 1 0 1 0 0 4
0 1 0 1/2 0 6 0 1 0 1/2 0 6
0 0 -3 -1 1 - 6 0 0 1 1/3 -1/3 2

5: L1-L3 P1 P2 P3 P4 P5 Po Ficam reduzidas as


1 0 0 -1/3 1/3 2 colunas {P1, P2, P3} a
0 1 0 1/2 0 6 uma matriz identidade I.
0 0 1 1/3 -1/3 2
Rodrigues Fazenda 111

Resoluo do sistema de equaes lineares


pelo Mtodo Gauss-Jordan.

II-
II-Atribuindo
Atribuindo valores
valoresarbitrrios
arbitrriosaa xx44 ee xx55,,as
asvariveis
variveisxx1,1,xx22, ,xx33
podem
podemserserexpressas
expressasem
emfuno
funodedexx4 ee xx5 .. 4 5

xx4 = ,
P1 P2 P3 P4 P5 Po Infinidade de 4 =11, 11
solues
1 0 0 -1/3 1/3 2 5 =2, , 2
xx5 =
2 2
0 1 0 1/2 0 6 xx1=2 +1/3 -1/3
1=2 +1/3 11-1/3 22
0 0 1 1/3 -1/3 2 2 =6-1/21
xx2=6-1/2
1
xx3=2-1/3 +1/3
3=2-1/3 11+1/3 22

Obviamente, quando1=
Obviamente,quando 1=
2 ==0,0,uma
2 uma
soluo seria: x
soluo seria: x =2, x =6 , x =2 , x=0
1=2, x 2=6 , x 3=2 , x 4 =0, ,
1 2 3 4
xx5=0 , i.e., X=(2, 6, 2, 0, 0).
5=0 , i.e., X=(2, 6, 2, 0, 0).

Rodrigues Fazenda 112

56
Operational Research - UDM

Base do Sistema. Variveis bsicas e no bsicas.


Se
Se uma
uma submatriz
submatriz BBmxm da matriz A do sistema de equaes
mxm da matriz A do sistema de equaes
correspondente
correspondente s restries(3.2)
s restries (3.2)no
nosingular,
singular,i.e.,
i.e.,oodeterminante
determinantede
de
BBmxm no nulo, ento B designa-se por base.
mxm no nulo, ento Bmxmmxm designa-se por base.

As
As mm variveis
variveis xx11, , xx22,,
,,xxmm , , correspondentes
correspondentes s s colunas
colunas de
de BBmxm
mxm
,designam-se
,designam-se por por variveis
variveis bsicas
bsicas ee asas restantes
restantes n-m
n-m variveis
variveis xxm+1 ,
m+1,
xxm+2 ,,
,, xxn designam-se
designam-se por
porvariveis
variveis no
no bsicas.
bsicas.
m+2 n

Rodrigues Fazenda 113

Soluo Bsica e Soluo Bsica Admissvel.

Sem perda de generalidade, suponha que a como


comooodeterminante
determinantede de
base B composta pelas m primeiras colunas, BBno
nonulo
nulo(pela
(pela
i.e., B= { P1 , P2 ,..., Pm } definio
definiodedebase),
base), oo
sistema de equaes
sistema de equaes
BX
BXBB=b
=btem
temsoluo
soluo
nica
nica

Obtm-se
Obtm-seuma umasoluo
soluobsica
bsicapara
paraoosistema
sistema(3.2) (3.2) atribuindo
atribuindooovalor valor00
s n-m variveis no bsicas
s n-m variveis no bsicas xm+1 x , x ,, x , e determinando uma
m+1 , xm+2
m+2 ,, xnn, e determinando uma
soluo para as restantes m variveis bsicas x , x ,,
soluo para as restantes m variveis bsicas x11 , x22 ,, xmm ,i.e., x ,i.e.,
XX ==(x(x11, ,xx22,
,, ,xxmm,0,,0),
,0,,0), onde
onde XXBB=(x
=(x11, ,xx22,,
,, xxmm)) aa nica
nica soluo
soluo
do sistema B X
do sistema B XBB =b. =b.

Se
Se todas
todas as as variveis
variveisbsicas
bsicas da
da soluo
soluobsica
bsica
X= (x11 , x22 , , xmm, 0,,0) so no negativasento
X= (x , x , , x , 0,,0) so no negativas entoXXuma
umasoluo
soluo
bsica admissvel (SBA).
bsica admissvel (SBA).

Rodrigues Fazenda 114

57
Operational Research - UDM

Soluo Bsica Degenerada.

Suponha-se X = (x1 , x2 , , xm ,0,,0) uma soluo bsica para o


sistema (3.2) com as correspondentes variveis bsicas x1 , x2 ,, xm.

Se
Se alguma
alguma varivel
varivel bsica
bsica xx11, ,xx22,,
,, xxmm for
for igual
igual aa zero,
zero, aa soluo
soluo
bsica
bsicadesigna-se
designa-sepor
porsoluo
soluobsica
bsica degenerada.
degenerada.

Se
Se todas
todas as
as variveis
variveis bsicas
bsicas so
so no
no nulas
nulas aa soluo
soluo
bsica
bsicadesigna-se
designa-sepor
porsoluo
soluobsica
bsicano
nodegenerada.
degenerada.

Rodrigues Fazenda 115

Exemplo Prottipo: Base, SBA.


A matriz B composta pelas colunas B={ P3 , P4 , P5 } uma base do sistema.
O determinante de B no nulo, pelo que o sistema de equaes BXB=b tem
soluo nica.
B resolvendo
P1 P2 P3 P4 P5 Po BXB=b P3 P4 P5 XB P0
1 0 1 0 0 4 1 0 0 x3 4
0 2 0 1 0 12 0 1 0 x4 = 12
3 2 0 0 1 18 0 0 1 x5 18

X = ( 0, 0, 4, 12, 18 )
uma soluo bsica admissvel (SBA)
Obviamente
Obviamentexx33=4,
=4,xx44=12,
=12,xx55=18
=18 correspondente a esta base.
aanica soluo deste sistema.
nica soluo deste sistema. x3=4 , x4=12, x5=18 so variveis
bsicas e x1 =0, x2 =0
so variveis no bsicas.

Rodrigues Fazenda 116

58
Operational Research - UDM

Quantas solues bsicas tem um problema de PL?

Matriz das restries O nmero de solues bsicas


do exemplo Prottipo igual ao nmero de matrizes 3x3
que podem ser extradas da
P1 P2 P3 P4 P5 matriz A com determinante no
1 0 1 0 0 nulo
A= 0 2 0 1 0 n n! 5
3 2 0 0 1 = = 10
m m! ( n m)!
3
Existem 10 submatrizes candidatas a bases:

B1 ={ P1 , P2 , P3 } B6 ={ P1 , P3 , P5 } determinante nulo
B2 ={ P1 , P3 , P4 } B7 ={ P2 , P3 , P4 }
B3 ={ P1 , P4 , P5 } B8 ={ P2 , P3 , P5 }
B4 ={ P1 , P2 , P4 } B9 ={ P2 , P4 , P5 } determinante nulo
B5 ={ P1 , P2 , P5 } B10 ={ P3 , P4 , P5 }

Rodrigues Fazenda 117

Exemplo Prottipo:
Matrizes com determinante nulo.
P1 P2 P3 P4 P5 P1 P3 P5
x2=0
1 0 1 0 0 1 1 0
A=
0 2 0 1 0
B6=
0 0 0
| B6| =0
x4=0
3 2 0 0 1 3 0 1
O determinante de B6 nulo B no base
o sistema indeterminado

P1 P2 P3 P4 P5 P2 P4 P5
x1=0
1 0 1 0 0 0 0 0
A=
0 2 0 1 0 B9=
2 1 0
| B9| =0
x3=0
3 2 0 0 1 2 0 1

O determinante de B9 nulo B no base


o sistema indeterminado
Rodrigues Fazenda 118

59
Operational Research - UDM

Exemplo Prottipo. -1 P
XXB=B -1 0
Solues Bsicas Admissveis. B=B P0

P1 P2 P3 P4 P5
x1=0 P3 P4 P5 XB P0
1 0 1 0 0 x3 4
A= B10= 1 0 0 =
0 2 0 1 0 x4 12
x2=0 0 1 0
3 2 0 0 1 x5 18
0 0 1
Det(B10) no nulo SBA X=( 0, 0, 4, 12, 18)

P1 P2 P3 P4 P5 x4=0 P1 P2 P3 XB P0
1 0 1 0 0 1 0 1 x1
A= B1= = 4
0 2 0 1 0 x5=0 0 2 0 x2 12
3 2 0 0 1 3 2 0 x3 18

Det(B1) no nulo SBA X= (2, 6, 2, 0, 0)


Rodrigues Fazenda 119

Exemplo Prottipo.
Solues Bsicas Admissveis.
P1 P2 P3 P4 P5 P0
x3=0 P1 P2 P4 XB
1 0 1 0 0 4
A= B4= 1 0 0 x1 =
0 2 0 1 0 12
x5=0 0 2 1 x2
3 2 0 0 1 18
3 2 0 x4
Det(B4) no nulo SBA X=( 4, 3, 0, 6, 0)

P1 P2 P3 P4 P5 x2=0 P1 P4 P5 XB P0
1 0 1 0 0 1 0 0 x1 4
A= B3 =
0 2 0 1 0 x3=0 0 1 0 x4 = 12
3 2 0 0 1 3 0 1 x5 18

Det(B3) no nulo SBA X= (4, 0, 0, 12, 6)

Rodrigues Fazenda 120

60
Operational Research - UDM

Exemplo Prottipo.
Solues Bsicas Admissveis.

XXB=B-1 P
-1 0
B=B P0

P1 P2 P3 P4 P5
x1=0 P2 P3 P5 XB P0
1 0 1 0 0
A= B8 = 0 1 0 x2 4
0 2 0 1 0 = 12
x4=0 2 0 0 x3
3 2 0 0 1 18
2 0 1 x5

Det(B8) no nulo SBA X=( 0, 6, 4, 0, 6)

Rodrigues Fazenda 121

Exemplo Prottipo.
Solues Bsicas No Admissveis (SBNA).

P1 P2 P3 P4 P5
x1=0 P2 P3 P4 X P0
1 0 1 0 0
A= B7 = 0 1 0 x2 = 4
0 2 0 1 0 12
x5=0 2 0 1 x3
3 2 0 0 1
2 0 0 x4 18

Det(B7) no nulo ,x4< 0 SBNA X=( 0, 9, 4, -6, 0)

P1 P2 P3 P4 P5 x2=0 P1 P3 P4 P0
X
1 0 1 0 0 1 1 0 x1 = 4
A= B2 =
0 2 0 1 0 x5=0 0 0 1 x3 12
3 2 0 0 1 3 0 0 x4 18

Det(B2) no nulo, x3< 0 SBNA X= (6, 0, -2, 12, 0)


Rodrigues Fazenda 122

61
Operational Research - UDM

Exemplo Prottipo.
Solues Bsicas No Admissveis (SBNA).

P1 P2 P3 P4 P5
x3=0 P1 P2 P5 X P0
1 0 1 0 0
A= B5 = 1 0 0 x1 4
0 2 0 1 0 =
x4=0 0 2 0 x2 12
3 2 0 0 1
3 2 1 x5 18

Det(B5) no nulo, x5< 0 SBNA X=( 4, 6, 0, 0, -6)

Rodrigues Fazenda 123

Exemplo Prottipo.
Solues Bsicas Admissveis (SBA).

Existem 5 SBA que correspondem a 5 pontos extremos de K.


x2=0

x1=4
Pontos SBA Base 3x1+2x2=18
Extr.

A=(0,0) X=(0,0,4,12,18) B={P3 , P4 , P5 } B C x2=6


(0,6) (2,6)
SBA SBA
B=(0,6) X=(0,6,4,0,6) B={ P2 , P3 , P5 }
K
C=(2,6) X=(2,6,2,0,0) B={ P1 , P2 , P3 } D
(4,3)
D=(4,3) X=(4,3,0,6,0) B={ P1 , P2 , P4 } SB
A
x1=0
E=(4,0) X=(4,0,0,12,6) B={ P1 , P4 , P5 } A
(0,0) E
SBA (4,0)
SBA

Rodrigues Fazenda 124

62
Operational Research - UDM

Exemplo Prottipo.
Solues Bsicas No Admissveis (SBNA)
Existem 3 SBNA que correspondem queles pontos
onde se intersectam pelo menos duas restries e que
ficam fora da regio de admissibilidade.
x2=0
F
(0,9) x1=4
SBNA 3x1+2x2=18
SBNA Base

F=(0,9) X=(0,9,4,-6, 0) B={P2 , P3, P4 } B C G x2=6


(0,6) (2,6) (4,6)
G=(4,6) X=(4,6,0,0,-6) B={ P1 , P2 , P5 } SBA SBA SBNA

H=(6,0) X=(6,0,-2,12,0) B={ P1 , P3 , P4 } K


D
(4,3)
SBA

x1=0
A
(0,0)
SBA
E H
(4,0) (6,0)
SBA SBNA
Rodrigues Fazenda 125

Teorema Fundamental da PL.

Se existe uma soluo admissvel do problema de PL definido

pelas expresses (3.1), (3.2) e (3.3), ento existe uma soluo

bsica admissvel, e se existe uma soluo ptima admissvel

ento existe uma soluo ptima bsica admissvel.

Rodrigues Fazenda 126

63
Operational Research - UDM

Nmero de Solues Bsicas.

Do teorema fundamental da PL conclui-se que no necessrio


procurar a soluo ptima entre todas as solues admissveis,
mas apenas entre as solues bsicas admissveis.
O nmero mximo destas solues bsicas para um problema
com m restries e n variveis, dado pelo nmero de possveis
combinaes de m nmeros que podem ser obtidas usando n
nmeros:

n n! AAsoluo
soluoptima
ptimapoderia
poderiaser
ser
= encontrada
encontradapela
pelaexperimentao
experimentaode de

m m!(n m)!
todas
todasas
assolues
soluesbsicas
bsicas
admissveis,
admissveis,porm
pormeste
estemtodo
mtodo
tremendamente
tremendamenteineficaz.
ineficaz.

Rodrigues Fazenda 127

Concluses
A Programao Linear procura :

1. Desenvolver um mtodo que permita passar de uma soluo


bsica admissvel para uma outra soluo bsica
admissvel que corresponda a um melhor valor da funo
objectivo.

2. Dispor de um critrio que permita saber quando se


alcanou a soluo ptima sem necessidade de
experimentar todas as solues bsicas.

Rodrigues Fazenda 128

64
Operational Research - UDM

II. Programao Linear (PL)


Captulo 3:
Propriedades fundamentais da Programao Linear (2).

Dependncia Linear de Vectores.

Os
Os vectores XX1, , XX2,,X do espao vectorial E sobre
vectores 1 2,,Xnn do espao vectorial E sobre
dizem-se
dizem-se linearmente dependentes se
linearmente dependentes se ee s s se se algum
algum deles
deles
combinao linear dos outros, i.e.,se existirem em escalares 11, , 22
combinao linear dos outros, i.e.,se existirem em escalares
,,nnno
,, notodos
todosnulos
nulostais que11XX11++22XX22+....+
taisque +....+nnXXnn=0
=0

Se igualdade 11XX11++22XX22+....+
Seaaigualdade +....+nnXXnn=0
=0 satisfeita
satisfeitaapenas
apenascom
comtodos
todos
os
osescalares
escalaresiguais
iguaisaazero, i.e.,11==22==....
zero,i.e., ....==nn==00, ,ento
entoos
osvectores
vectores
XX1, ,XX2,.,X dizem-se linearmente independentes.
1 2,.,Xnn dizem-se linearmente independentes.

Rodrigues Fazenda 129

Rectas e Planos.

OOconjunto
conjuntodos dospontos
pontos(x(x1,1,xx22))2que
quesatisfazem
satisfazemaaequao:
2
equao:
aa1 xx1 ++aa2 xx2=b , com
com a11, a22 e b constantes,uma
a , a e b constantes, umarecta
rectaperpendicular
perpendicularao
1 1 2 2=b , ao
vector (a , a ) 22. Diz-se ento que esta equao define uma recta no plano.
vector (a11, a22) . Diz-se ento que esta equao define uma recta no plano.

OOconjunto
conjuntodos pontosxx11, ,xx22, ,xx333que
dospontos quesatisfazem
satisfazemaaequao:
3
equao:
aa1 xx1 ++aa2 xx2 ++aa3 xx3=b , com a , a ,a e b constantes, um plano perpendicular
1 1 2 2 3 3=b , com a11 , a22 ,a33 e b constantes, um plano perpendicular
ao
aovector
vector(a (a11, ,aa22,a,a33))3. . Diz-se
Diz-seento
entoque queesta
estaequao
equaodefine
defineum
umplano
planono
3
no
espao
espao 33

Hiperplanos.

OOconjunto
conjuntodos dospontos
pontos(x ,xxnn))nque
(x11, ,xx22, ,, quesatisfazem
satisfazemaaequao:
equao:aa11xx11++aa22
n

xx2+...+ a x =b , com a ,a ,,a e b constantes, define um hiperplano


2+...+ ann xnn=b , com a11 ,a22 ,,ann e b constantes, define um hiperplano
perpendicular
perpendicularao aovector
vector(a(a11, ,aa22,, emn. .Diz-se
,,aann))em Diz-seento
entoque
queesta
estaequao
n
equao
define um hiperplano em
define um hiperplano em . n.
n

Um hiperplano uma generalizao do conceito de plano num


espao n-dimensional
Rodrigues Fazenda 130

65
Operational Research - UDM

Hiperplanos e Semi-espaos.

Designando este hiperplano por H(X), tem-se:

divide o espao em:


{
H (X ) = X Rn at X = b }
semi-espao fechado
semi-espao aberto

{X R n
at X < b } {
H + (X ) = X Rn at X b }
{X R n
at X = b } {
H (X ) = X Rn at X b }
{X R n
at X > b } semi-espao fechado

semi-espao aberto

Rodrigues Fazenda 131

Conjuntos Convexos.

Chama-se
Chama-secombinao
combinaolinear linearconvexa
convexa dedeum
um nmero
nmero
finitos de pontos X , X ,,X
finitos de pontos X11, X22,,Xnn ao pontoao ponto
X=11XX11++22XX22+...+
X= +...+nnXXnn ,,onde
onde =1,i i 0,
i i=1, 0,i=
i=1,n
1,n

Conjunto
Conjunto convexo
convexo KK umum conjunto
conjunto que
que contm
contm todas
todas asas
combinaes
combinaes lineares
lineares convexas
convexas dos dos seus
seus pontos,
pontos, ou
ou seja;
seja;
quaisquer
quaisquerque sejamXX11,,XX22 KK ee 00
quesejam 11tem-se:
tem-se:
X= X + ( 1- )X
X= X11+ ( 1- )X22 K K

Conjunto
Conjuntoconvexo
convexoKKumumconjunto
conjuntoque
quecontm
contm oo
segmento
segmento de recta que une dois quaisquerdos
de recta que une dois quaisquer dosseus
seuspontos
pontos

Rodrigues Fazenda 132

66
Operational Research - UDM

Conjuntos Convexos Fechados.

Um
Umconjunto
conjuntoconvexo
convexofechado
fechadose
secontm
contmaasua
suafronteira.
fronteira.
Exemplos de conjuntos convexos fechados :
 Um hiperplano H(X) em n .
Os semi-espaos fechados H-(X) e H+(X).

Exemplos de Conjuntos Convexos.


x2 x2

x1
x1
Rodrigues Fazenda 133

Exemplos de Conjuntos Convexos.

A regio de admissibilidade do exemplo prottipo

x2
3x 1 + 2 x 2 = 18
8 x1 = 4

x2 = 6
6

4 Regio das
solues
2 admissveis

2 4 6 x1

Rodrigues Fazenda 134

67
Operational Research - UDM

Exemplos de Conjuntos No Convexos.

x2 x2

x1 x1

Rodrigues Fazenda 135

Ponto Extremo de um Conjunto Convexo.

Ponto
Pontoextremo
extremoX'X' de deumumconjunto
conjuntoconvexo
convexoKKum umponto
ponto de
deKKque queno
no
pode
podeserserobtido
obtidoporporcombinao
combinaolinearlinearconvexa
convexapositiva
positivade
depontos
pontosde deK,
K,
i.e.
i.e. quaisquer
quaisquerque sejamXX11, ,XX22 K,
quesejam K,XX11XX22 no
noexiste um, , 00<<<<11, ,
existeum
tal
talque X'= XX11++((1-
que X'= 1-)X
)X22

x
D
2

E C

A B
x
1

Rodrigues Fazenda 136

68
Operational Research - UDM

Propriedades de Conjuntos Convexos

Teorema 1 A interseco finita de conjuntos


convexos um conjunto convexo.

Teorema 2 A interseco finita de conjuntos


convexos fechados um conjunto convexo
fechado

Rodrigues Fazenda 137

Exemplos de Conjuntos Convexos

AAequao
equaocom
comnnincgnitas
incgnitas OOsistema
sistemadedemmequaes
equaes
com
comnnincgnitas
incgnitas
aa1 xx1 ++aa2 xx2+...+ an xxn==bb aa11 xx1 ++aa12 xx2+...+ a x =b
1 1 2 2+...+ a n n 11 1 12 2+...+ a1n1n xnn= b
aam1 xx1 ++aam2 xx2+...+
+...+aamn xxn==bb
m1 1 m2 2 mn n
comaa11,a,a22,,a
com ,,anneebbconstantes
constantes comaaijij, ,i=1,..m,
com i=1,..m,j=1,
j=1,nneebbconstantes
constantes

define
defineum
umhiperplano
hiperplanoH(X) H(X)em emn
n
define
defineaa interseco
intersecode
demmhiperplanos
hiperplanos
XX=[x , x
=[x11, x2,.., x ] tt
em nn
2,.., xnn ] em

H(X) aainterseco
interseco um
umconjunto
H(X)um
umconjunto
conjunto Teorema 2
conjunto
convexo convexo fechado
convexofechado
fechado convexo fechado

Rodrigues Fazenda 138

69
Operational Research - UDM

Exemplos de Conjuntos Convexos.

As
Asinequaes
inequaes OOsistema
sistemade demminequaes
inequaes
aa1 xx1 ++aa2 xx2+...+ a x b aa11 xx1 ++aa12 xx2+...+ aa1n xxn()b
1 1 2 2+...+ ann xnn b 11 1 12 2 +...+ 1n n()b

1 1 2 2 +...+aan xxn bb
aa1 xx1 ++aa2 xx2+...+
n n m1 1 m2 2 +...+ amn xxn()
aam1 xx1 ++aam2 xx2+...+ a
mn n ()bb
com
comaa11,a,a22,,a
,,anneebbconstantes
constantes com
comaaijij, ,i=1,..m,
i=1,..m,j=1,
j=1,nneebbconstantes
constantes

definem
definemos ossemi-espaos
semi-espaos define
defineaa interseco
intersecode
demm
fechados H (X)eeHH+(X)
fechados H (X) (X) emem
- + n
n semi-espaos
semi-espaos fechados em
fechadosem
- n
n
XX=[x
=[x11,,xx2,.., x ]t t
2,.., xnn ]

HH-(X)
-(X)eeH
H+(X)
+
(X)so
soconjuntos
conjuntos Teorema 2 aainterseco
intersecoum
umconjunto
conjunto
convexos fechados
convexos fechados convexo
convexofechado
fechado

Rodrigues Fazenda 139

Invlucro Convexo.

Dado
Dadoum
umconjunto
conjuntoqualquer
qualquerS,S,ooconjunto
conjuntode
detodas
todasas
ascombinaes
combinaeslineares
lineares
convexas dos seus pontos designa-se por
convexas dos seus pontos designa-se por
invlucro
invlucroconvexo
convexoeerepresenta-se
representa-sepor
porE(S).
E(S).

x2
E(S)

x1

Rodrigues Fazenda 140

70
Operational Research - UDM

Politopo: Poliedro Convexo Limitado.

OO invlucro
invlucro convexo
convexo de
de umum conjunto
conjunto SS com
com um
um nmero
nmero finitos
finitos de
de
pontos
pontosdesigna-se
designa-sepor
porpolitopo
politopo(poliedro
(poliedroconvexo
convexolimitado).
limitado).

x2
AAregio
regiosombreada
E D fornece
forneceum
sombreada
umpoliedro
poliedro
OOpolitopo convexo
convexo geradopelos
gerado
politopogerado
geradopor
por pontos
pelos
A,B,C,D,E,F
pontos A,B,C,D,E,F
n+1
n+1 pontosem
pontos em n
n

designa-se
designa-sepor
por F K C
simplex.
simplex.

A B
x1

Rodrigues Fazenda 141

Exemplos de Conjuntos Convexos Fechados

O conjunto das solues dum sistema de equaes (inequaes) lineares K


um conjunto convexo fechado.

O conjunto definido pelas restries do problema de PL um conjunto


convexo fechado.

Teorema 3.1.
O conjunto das solues admissveis, K, de um problema de PL um
conjunto convexo fechado.
Prova:
Num problema de PL qualquer restrio define um conjunto convexo
fechado. Como o conjunto das solues admissveis, K, de um problema
de PL a interseco dos conjuntos definidos por todas as restries do
problema e como a interseco de convexos ainda um convexo e a
interseco de fechados ainda um fechado, K um conjunto convexo
fechado.
Rodrigues Fazenda 142

71
Operational Research - UDM

KKooconjunto
conjunto das
dassolues
soluesadmissveis
admissveisdo do
Teorema 3.1: problema
problemade PL,XK,
dePL, XK,AX=b,
AX=b,onde ondeAAmxnmxn- -
Prova (continuao...) matriz das restries, X =[x , x
matriz das restries, X =[x11, x2,.., x ]
2,.., xnn ]

Podemos demonstrar mais estritamente que K um conjunto


convexo:
AX 1 = b, X 1 0
Suponha-se X1 , X 2 K
AX 2 = b, X 2 0
para demonstrar a convexidade de K, temos de demonstrar que
qualquer combinao linear convexa de X1 e X2 tambm pertence a K.
Suponha-se X = X 1 + (1 ) X 2 0 1
ento: AX = A[ X 1 + (1 ) X 2 ]
= AX 1 + (1 ) AX 2 = b + (1 )b = b

(1 X 0 0 X = X 1 + (1 ) X 2 0
)1 X 2

o que prova que X tambm uma soluo admissvel, i.e. X K K um


conjunto convexo
Rodrigues Fazenda 143

Exemplo Grfico.

No exemplo prottipo o conjunto de admissibilidade, como evidente,


um conjunto convexo fechado cujos pontos extremos so A,B,C,D,E.

x2
3x 1 + 2 x 2 = 18
8 x1 = 4

6
B C x2 = 6

4 Regio das solues


admissveis
D
2

A 2
E4 6 x1

Rodrigues Fazenda 144

72
Operational Research - UDM

Regio de Admissibilidade.

Dado, que o conjunto das solues admissveis, K, resulta da


interseco de um nmero finito de hiperplanos, ento, decorrem as
seguintes 3 situaes, mutuamente exclusivas:
K vazio o problema no tm soluo, impossvel.
K no vazio e limitado K um poliedro convexo limitado
(politopo)
o problema tm ptimo finito, tem uma ou mltiplas solues ptimas
K no vazio e no limitado K um poliedro convexo no limitado.
o problema pode ter ptimo finito ou pode no ter, depende do
gradiente da f.o . Se o valor da f.o. cresce indefinidamente ento o
problema no tem ptimo finito

Rodrigues Fazenda 145

Teorema 3.2.

Uma funo linear sobre um poliedro convexo limitado, K, atinge o ptimo


num ponto extremo de K . No caso de atingir o ptimo em mais de um
ponto extremo, qualquer combinao linear convexa destes pontos extremos
corresponde ainda uma soluo ptima.

Teorema 3.3.

Um ponto X K ponto extremo s e s se X uma soluo bsica


admissvel (SBA) do problema de PL

Rodrigues Fazenda 146

73
Operational Research - UDM

Uma Soluo ptima. Representao Grfica.


A primeira parte do teorema 3.2. analisa uma soluo ptima:
x2

8
Maximizar Z = 3x1 + 5x2,
sujeito a no
no exemplo
exemploprottipo
prottipotemos
temos
x1 4
6B
C (2,6) a soluo s
s uma
uma soluo
soluo ptima:
ptima:
2x 2 12
(2,6)
(2,6) onde
onde aa funo
funo
3x1 + 2x 2 18 Z =3
6= 3 objectivo
objectivo alcana
alcana oo seu
seu
x1 + valor
valormximo:
mximo:36.
x1 0, x2 0 4
Regio das 5x 36.
solues D 2

2 admissveis

Z=
A 20=
2
E4 6 x1 3x
1 +5
x2
Z=
10 =3
x1 +
5x
2

AAfuno
funoobjectivo
objectivoalcana
alcanaooseu
seu valor
valormximo
mximono
noponto
pontoextremo
extremoCC.
.

Rodrigues Fazenda 147

Mltiplas Solues ptimas. Representao Grfica.


A segunda parte do teorema 3.2. analisa as solues mltiplas:
x2
OOgradiente
gradienteda dafuno
funo
SOLUES MLTIPLAS
8
objectivo
objectivocoincide
coincide
C
com
comoogradiente
gradienteda da
B
6
recta
recta da33restrio
da restrio
4 do
doexemplo,
exemplo,i.e.,
i.e.,as
as
D rectas
rectasda
dafuno
funo
2 objectivo
objectivoseriam
seriam
paralelas
paralelasrecta
recta
A 2 E4 6 x1 3x3x1 ++2x
2x2 ==1818. .
1 2

AAfuno
funoobjectivo
objectivoalcana
alcanaooseu
seu valor
valormximo
mximoem emqualquer
qualquer
ponto
pontodo
dosegmento
segmentode derecta
recta CD
CD que
queconstitui
constituiooconjunto
conjuntode
detodas
todas
as combinaes lineares convexas dos pontos C e
as combinaes lineares convexas dos pontos C e D. D .

Rodrigues Fazenda 148

74
Operational Research - UDM

Propriedades Fundamentais da PL.

O conjunto de admissibilidade, K, de um problema de PL um


conjunto convexo fechado.
A cada ponto extremo de K est associada uma SBA, e corresponde-
lhe um sistema de m vectores linearmente independentes (base) de
entre os n vectores da matriz A de restries.
O nmero de pontos extremos de K finito.
No caso de K ser um poliedro convexo limitado (politopo), existe pelo
menos um ponto extremo de K que optimiza a funo objectivo.

Rodrigues Fazenda 149

Exemplo Prottipo: SBA , SBNA.


Em 2, a cada soluo bsica corresponde um ponto que obtido atravs da
interseco de duas rectas definidas pelas restries (este ponto a soluo de
um sistema de 2 equaes lineares).
quando este ponto de interseco um ponto extremo da regio de
admissibilidade, a soluo bsica correspondente admissvel (pontos
extremos A, B, C, D , E).
quando este ponto fica fora da regio de admissibilidade a soluo
bsica no admissvel (pontos F, G, H).
x2F
SBA Equaes F 3x 1 + 2 x 2 = 18
A- (0,0) x1=0 x1 = 4
8
x2=0
B- (0,6) x1=0
2x 2=12
6
B C G
x2 = 6
C- (2,6) 2x 2=12
3x 1 + 2 x 2=18
D- (4,3) 3x 1 + 2 x 2=18
x1=4 4 Regio das solues
admissveis
E- (4,0) x1=4
x2=0
D
SBNA Equaes 2
F- (0,9) x1=0
3x1 + 2 x 2=18
G- (4,6) 2x2=12
x1=4 A 2
E4 H
6 x1
H- (6,0) 3x1 + 2 x 2=18 Rodrigues Fazenda 150
x2=0

75
Operational Research - UDM

Exemplo Prottipo: Pontos Extremos & SBA.


O problema prottipo tem 8 solues bsicas, das quais, apenas 5
correspondem a pontos extremos de K, i.e, apenas 5 so SBA.

Ponto extremo Variveis Base Soluo Natureza


de K no bsicas Bsica da soluo
Matriz A de restries:
A=(0,0) x1, x2 { P3, P4, P5 } X=(0,0,4,12,18) SBA
P1 P2 P3 P4 P5
1 0 1 0 0 B=(6,0) x1, x4 { P2, P3, P5 } X=(0,6,4,0,6 ) SBA

0 2 0 1 0
C=(2,6) x4, x5 { P1, P2, P3 } X=(2,6,2,0,0 ) SBA
3 2 0 0 1
D=(4,3) x5, x3 { P1, P2, P4 } X=(4,3,0,6,0 ) SBA

F
x2
3x 1 + 2 x 2 = 18
E=(4,0) x3, x2 { P1, P3, P5 } X=(4,0,0,12,6) SBA
8 x1 = 4

B C G
x2 = 6
6
F=(0,9) x1, x5 { P2, P3, P4 } X=( 0,9,4,-6,0 ) SBNA
4 Regio das solues
admissveis
D X=( 4,6,0,0,-6 ) SBNA
2
G=(4,6) x4, x3 { P1, P2, P5 }

H H=(0,6) x5, x2 { P1, P3, P4 } X=(6,0,-2,12,0) SBNA


A 2
E
4 6 x1

Rodrigues Fazenda 151

76