Escolar Documentos
Profissional Documentos
Cultura Documentos
Manaus - Amazonas
2016
UNIVERSIDADE FEDERAL DO AMAZONAS
PR-REITORIA DE PESQUISA E PS-GRADUAO
DEPARTAMENTO DE APOIO PESQUISA
PROGRAMA DE INICIAO CIENTFICA
RELATRIO FINAL
PIB - E / 0168 / 2015-2016
Fundamentos Matemticos da Programao Linear
Manaus - Amazonas
2016
Resumo
1 Introduo 7
3 Anlise Convexa 19
3.1 Definies e conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Funes Convexas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
7 Concluso 46
5
Lista de Figuras
6
Captulo 1
Introduo
7
A seguir apresentamos o cronograma das atividades desenvolvidas.
8
Captulo 2
2.1 Matrizes
Iniciamos a nossa reviso por matrizes, vejamos o que so e como operam entre si.
Dados m e n dois nmeros naturais, definimos uma matriz de ordem m por n, e escreve-
remos m n, como uma tabela formada por elementos dispostos em m linhas e n colunas. A
estes elementos chamaremos de entradas da matriz.
onde aij R (i I = 1, 2, . . . , m e j J = 1, 2, . . . , n)
Cada n -upla horizontal uma linha da matriz e cada m -upla vertical uma coluna.
As entradas da matriz sero denotadas por letras minsculas seguidas dos ndices que
representam a linha e a coluna, as colunas da matriz sero denotadas por letras maisculas
seguidas do ndice da coluna, denotaremos as matrizes sempre entre parnteses
9
Igualdade de Matrizes
Definiremos a igualdade entre matrizes da seguinte forma
Duas matrizes Amn = (aij )mn e Bmn = (bij )mn so iguais se todas as entradas
correspondentes so iguais, isto :
Matriz Transposta: A matriz transponsta de uma matriz Amn a matriz ATnm que
obtemos trocando as linhas pelas respectivas colunas da matriz Amn , isto : Se Aj
uma coluna da matriz Amn ento ATj uma linha da matriz ATmn
10
Multiplicao de Matrizes
O produto de uma matriz Amp por uma matriz Bpn a matriz Cmn que obtemos da
seguinte maneira:
A entrada cik da matriz produto a soma dos produtos, coordenada a coordenada, entre
as entradas da linha i da matriz A e as entradas da coluna j da mariz B
p
X
cik = ai1 bik + ai2 b2k + . . . + aip bpk = aij bjk , i 1, 2, . . . , n
j=1
.
Propriedades da Adio de matrizes e de multiplicao de escalar por matriz
Sejam as matrizes Amn , Bmn e Cmn e os escalares a e b R. As seguintes propriedades
so vlidas:
i) (A + B) + C = A + (B + C)
ii) A + B = B + A
iii) a(A + B) = aA + aB
vi) (a + b)A = aA + bA
vii) 1A = A
i) A(BC) = (AB)C
ii) A(B + C) = AB + AC
iii) (A + B)C = AC + BC
11
1) Se n = 1 ento M ser formada apenas pelo elemento (a11 ) portanto o determinante
de M ser a11
2) Se n 2 Ento M ser da seguinte forma
a11 a12 a1n
a21 a22 a2n
M = .. .. , neste caso utilizamos a frmula de recorrncia
.. ..
. . . .
an1 an2 ann
n
X
detM = (1)i+j aij Dij
i=1
Definio 2.3.1. Matriz Singular Dizemos que uma matriz quadrada A singular quando
detA = 0
Matriz Inversa
Definio 2.3.4. Chamamos de matriz dos cofatores A0 a matriz que obtemos de A substituindo
cada elemento de A por seu cofator, isto :
Chamando o cofator do elemento aij de ij , temos
a11 a12 a1n 11 12 1n
a21 a22 a2n 21 22 2n
0
A = .. .. A = ..
.. . . .. .. ..
. . . . . . . .
an1 an2 ann n1 n2 nn
adjA = A0T = A
12
2.4 Espaos Vetoriais
Agora que j entendemos o funcionamento das operaes com matrizes, vamos definir um espao
ambiente para termos a liberdade de trabalhar essas operaes.
Definio 2.4.1. Um espao vetorial um conjunto V de vetores tal que a soma de quaisquer
dois vetores de V e o produto de um vetor qualquer de V por um escalar k tambm pertence a
V , isto , V um espao vetorial se:
i) v 1 , v 2 V (v 1 + v 2 ) V
ii) v 1 V, k R, (kv 1 ) V
v1
, vT =
v= v1 v2
v2
Combinao Linear
Vamos agora comear a pavimentar o caminho para provar um dos teoremas mais impor-
tantes sobre sistemas de equaes lineares, uma definio que permeia os clculos de sistemas
e de matrizes a seguinte
a1 v 1 + . . . + an v n = 0 a1 = a2 = . . . = an = 0
Posto ou Rank
Definio 2.4.3. Denomina-se posto (ou caracterstica ou rank) de uma matriz A um nmero
natural r 1 que ser denotado por Posto(A), tal que as condies a seguir so satisfeitas:
13
(i) Existe pelo menos uma submatriz quadrada de A, de ordem r cujo determinante diferente
de zero.
(ii) Toda submatriz quadrada de A, de ordem maior que r, tem determinante nulo.
Podemos ver o Posto de uma matriz como a quantidade de vetores(linhas ou colunas) l.i.s
que a matriz possui, pois so estes que definem as submatrizes invertveis.
Teorema 2.4.1. ([1], pg. 36) Seja B = {a1 , . . . , an } uma base do espao vetorial V , e seja
b V , que pode ser escrito da forma b = b1 a1 + b2 a2 + . . . + bk ak + . . . + bn an . Caso exista algum
k, tal que bk 6= 0, onde 1 k n, ento tambm o conjunto B 0 = {a1 , . . . , ak1 , b, ak+1 , . . . , an }
ser uma base de V . Portanto podemos substituir em B o vetor ak pelo vetor b obtendo outra
base de V .
v = v1 a1 + . . . + vn an (2.1)
a1 = b11 (b b2 a2 . . . bn an ) (2.2)
v = b1 1 1
1 v1 b + (v2 b1 v1 b2 )a2 + . . . + (vn b1 v1 bn )an (2.3)
Assim qualquer vetor v V pode ser escrito como combinao linear dos vetores da base B 0 .
Por 2.3 fica safeita uma das duas condies para que B 0 seja base de V . Por outro lado, fazendo
1 b + 2 a2 + . . . + n an = 0 (2.4)
1 b1 a1 + (1 b2 + 2 )a2 + . . . + (1 bn + n )an = 0
1 b1 = (1 b2 + 2 ) = . . . = (1 bn + n ) = 0
14
Este teorema nos mostra que podemos mudar um dos vetores de uma base e continuar
tendo uma base, este ser um dos principais mtodos que o Simplex utilizar para buscar a
soluo do sistema
v = x1 u 1 + . . . + xn u n e v = y1 w1 + . . . + yn wn (2.5)
j que {u1 , . . . , un } base de V , podemos escrever os vetores wi como combinao linear dos
uj , isto :
w1 = a11 u1 +a21 u2 + . . . +an1 un
w2
= a12 u1 +a22 u2 + . . . +an2 un
.. .. .. .. (2.6)
. . . .
w = a1n u1 +a2n u2 + . . . +ann un
n
v = y1 w1 + . . . + yn wn
= y1 (a11 u1 + . . . + an1 ) + . . . + yn (a1n u1 = . . . + ann un )
= (a11 y1 + . . . + a1n yn )u1 + . . . + (an1 y1 + . . . + ann yn )un
Em forma matricial
x1 a11 . . . an1 y1
.. .. . . . .
. = . . .. . ..
xn an1 . . . ann yn
15
Isto , denotando
a11 . . . an1
= ... . . . ...
0
(I)BB
an1 . . . ann
temos
0
(v)B = (I)BB (v)B0
0
A matriz (I)BB chamada matriz de mudana de base B 0 para a base B
0
Uma vez obtida (I)BB podemos encontrar as cordenadas de qualquer vetor v em relao
base B, multiplicando a matriz pelas coordenadas de v na base B 0 . E se estamos interessados
0
na mudana da base B para a base B 0 basta encontrarmos a inversa de (I)BB .
onde Amn a matriz dos coeficientes, xn1 matriz cujos elementos so as incgnitas,
bm1 a matriz dos termos independentes, a1 , a2 , . . . , an so as colunas de Amn , x1 , x2 , . . . , xn
so as incgnitas
16
Uma outra notao utilizada a forma de somatrio
n
X
aij xj = bi , com i = 1, . . . , m ; j = 1, . . . , n
j=1
(ii) Posto(A) = Posto(A, b) = r < m. E nesse caso existem (m r) equaes redundantes que
se eliminadas produzem um sistema equivalente ao inicial, ou seja, ambos tem soluo
idntica.
Posto(A) = Posto(A, b)
Reciprocamente temos que
Posto(A)= r existem em A, no mximo r vetores l.i. Suponhamos sem perda de
generalidade que so os r primeiros vetores a1 , a2 , . . . , ar l.i. Ento o conjunto de de vetores
{a1 , a2 , . . . , ar , b} ser l.d., portanto k1 , . . . , kr , kr+1 R no todos nulos , tais que:
r
X
ki ai + kr+1 b = 0. Como {a1 , . . . , ar } um conjunto l.i.. Dividindo por kr+1 temos
i=1
r r
X ki X ki
ai + b = 0 ai = b.
k
i=1 r+1 i=1
kr+1
ki
Portanto, substituindo xi = para i = 1, . . . , r e xi = 0 para i = r + 1, . . . , n temos uma
kr+1
soluo de Ax = b, logo o sistema compatvel
17
(ii)
Seja Posto(A, b)= r < m; temos no mximo r linhas l.i. Sem perda de generalidade,
suponhamos que as primeiras r linhas so l.i. Ento qualquer uma das (m r) linhas restantes
podem ser expressa como combinao linear das r primeiras linhas, isto , dada uma linha
r < k m, temos:
r
X r
X
akj = kj aij ; bk = ki ai ; k = r + 1, . . . , m
i=1 i=1
n
X
aij xj = bi i = 1, 2, . . . , r
j=1
.
Mostraremos que x satisfaz tambm a equao k, para r < k m. Temos:
n
X n X
X r r X
X n r
X n
X r
X
akj xj = ( ki aij )xj = ki aij xj = ki aij xj = ki bi = bk
j=1 j=1 i=1 i=1 j=1 i=1 j=1 i=1
.
Portanto, as ltimas (m r) equaes so redundantes, podendo ser eliminadas, assim o
sistema obtido equivalente ao original.A1 x = b1 . Posto(A1 ) = Posto(A1 , b)= r
(iii)
Sabemos que r min(m, n). Sendo r m temos (m r) equaes redundantes que
podem ser eliminadas, temos ento um sistema equivalente A1 x = b1 , onde A1 tem r linhas l.i.,
ento Posto(A1 )= r
a) r = n. Neste caso A1 uma matriz quadrada, no singular, logo ela possui inversa e
esta unica. Poderemos determinar x como A1 x = b1 x = A1
1 b1
18
Captulo 3
Anlise Convexa
Agora que j falamos o mais importante sobre a parte algbrica do nosso problema vamos
estudar a parte mais analtica, vamos entender como funcionam as funes e os conjuntos em
que esto definidos os problemas, para podermos ter uma viso mais clara sobre onde o Simplex
vem sendo aplicado.
Vamos estudar os tipos mais importantes de conjuntos, de funes e as propriedades
especiais que eles tm para que possamos nos utilizar delas durante a aplicao do Simplex
19
Vamos agora definir as ferramentas que usaremos para entender o espao onde estamos,
as bolas e esferas
Seja (N, d) um espao mtrico, dados r um nmero real positivo e p um ponto de N temos
Definio 3.1.3. Denominamos a bola aberta de centro p e raio r como o conjunto
n
X
Proposio 3.1.1. Os semi-espaos aij xj bi so fechados, e a inteseo arbitrria de
j=1
fechados fechado.
Demonstrao: Fazendo uso da observao 3.1 acima e do fato de que a unio arbitrria de
conjuntos abertos um conjunto aberto. Temos que tomando (A )L uma famlia qualquer
de abertos e fazendo A = {F para cada L logo todo F um conjunto fechado, tomando
a reunio de A temos
A = {F = {(F ) um aberto
Portanto F fechado. Do resultado temos que a interseo arbitrria de conjuntos fechado
n
X
um conjunto fechado, logo aij xj bi um conjunto fechado.
j=1
20
n
( )
X
Exemplo 3.1.3. O conjunto X = (x1 , x2 , . . . , xn ) Rn / xi K; xi 0, i = 1, . . . , n
i=1
limitado
Convexidade
Iremos agora introduzir o conceito de convexidade, que um dos focos principais deste
trabalho. Os exemplos mais conhecidos de conjuntos convexos so os polgonos regulares, po-
rm agora vamos dar uma definio mais geral para esse conceito.
Combinao convexa
Conjuntos convexos
Definio 3.1.7. Um conjunto de pontos X chama-se convexo se toda combinao linear con-
vexa de qualquer par de pontos x1 X e x2 X tambm pertence a X.
Um conjunto convexo em Rn tambm dito um Conjunto Polidrico, quando este conjunto
alm de convexo for tambm limitado, ele ser denominado um Politopo.
21
b) Como 1 0, 2 0, x1 0, x2 0 fica evidente que 1 x1 + 2 x2 0
Portanto o conjunto M convexo
Exemplo 3.1.6. No Rn , uma reta , um hiperplano, um semi-espao so convexos. O conjunto
vazio convexo e o conjunto unitrio convexo.
f (b) f (a)
a < x < b em I f (x) f (a) + .(x a)
ba
ou
f (b) f (a)
a<x<b em I f (x) f (b) + .(x b)
ba
qualquer uma destas duas desigualdades j garante a convexidade de f , porm podemos com-
binar essas desigualdades para conseguir a forma mais completa
[f (x) f (c)]
Demonstrao: Nota-se que a funo c (x) = montona no-decrescente no
(x c)
intervalo J = I(c, +). Alm disso, como c intI, existe a I, com a < c. Portanto c (x)
[f (a) f (c)]
, para todo x J. Assim a funo c : J R limitada inferiormente. Logo
(a c)
existe o limite direita f+0 (c) = lim+ c (x). Raciocnio anlogo para a derivada esquerda
xc
22
Demonstrao: (1) (2). Sejam a < x < b em I. Da equao 3.1 , fazendo primeiro
x a+ , e depois x b , temos
[f (b) f (a)]
f+0 (a) f0 (b)
(b a)
A funo f diz-se estritamente convexa quando a desiguadade acima estrita para todos
x 6= y e (0, 1)
A funo f diz-se fortemente convexa com mdulo > 0, quando para quaisquer x
M, y M e [0, 1], tem-se f (x + (1 )y) f (x) + (1 )f (y) (1 ) k x y k2
ex ez + ez (x z) e ey ez + ez (y z)
23
A funo f : R R, h(x) = x2 fortemente convexa.
A convexidade de h decorre de f (y + (1 )x) = (x + (y x))2 = x2 + 2x(y x) +
2 (y x)2 x2 + 2x(y x) + (y x)2 = x2 + (y 2 x2 )
24
Captulo 4
Antes de abordar diretamente o mtodo Simplex vamos justificar o estudo de todos estes funda-
mentos matemticos. Entre os Problemas de Programao Linear existe um chamado problema
de Programao Convexa e este ser o problema que iremos abordar, ele interessante devido
as propriedades que a sua funo objetivo e o seu conjunto de restries possuem, ambos so
convexos, vejamos um importante resultado para esse tipo de problema
Teorema 4.0.1. (Teorema da Minimizao convexa): Sejam M Rn um conjunto
convexo e f : M R uma funo convexa em M . Ento todo minimizador local em um
problema de programao convexa global. Alm disso, o conjunto de minimizadores convexo.
Se f estritamente convexa, no pode haver mais de um minimizador.
f (x()) f (y) + (1 )f (x )
f (x ) + (f (y) f (x )) < f (x )
f (x()) < f (x )
Em particular
f (x + (1 x )) f (x) + (1 )f (x ) = v (1 )v = v
25
Suponhamos agora que f seja estritamente convexa e que existam x S e x S, x 6= x .
Seja (0, 1). Como x e x so minimizadores globais, temos pela convexidade de M
f (x + (1 )x ) f (x) = f (x ) = v .
f (x + (1 )x ) < f (x) + (1 )f (x ) = v + (1 )v = v
O que resulta em contradio. Conclumos que neste caso o minimizador deve ser nico.
26
Captulo 5
x1 no de camisas do modelo A
x2 no de camisas do modelo B
27
como a quantidade de camisas ir representar uma quantidade real produzida, adiciona-
remos resties chamadas triviais ou restries de no-negatividade.
x1 0, x2 0
a funo objetivo acaba sendo uma funo polinomial Q(x), representada por
Q(x) = c1 x1 + c2 x2 + . . . + cn xn
x1 0, x2 0, . . . , xn 0
28
n
X
cj xj M IN Q(x) = cT x M IN
Q(x) =
j=1
n
X (5.1)
aij xj bi (i = 1, 2, . . . , m) ou Ax b
j=1
xj 0 (j = 1, 2, . . . , n) x0
Aqui cada restrio de desigualdade pode ser substituda pelo acrscimo de uma varivel
de folga, juntamente com uma restrio de igualdade e uma trivial
n n
n X n X
X aij xj + xn+1 = bi X aij xj xn+1 = bi
aij xj bi = j=1
; a ij x j b i = j=1
j=1 j=1
xn+1 0 xn+1 0
Fazemos uso das variveis de folga para adequar o nosso PPL ao formato padro, que
n
X
cj xj = Q(x) MN
j=1
Xn
aij xj = bi (i = 1, 2, . . . , m)
j=1
xj 0 (j = 1, 2, . . . , n)
onde bi 0 i i = 1, . . . , m
No caso em que existe algum bi < 0 basta multiplicar a i-sima linha por -1, j que os
coeficientes aij podem ter qualquer valor
Nos casos em que temos algum xj < 0 basta utilizarmos x0j = xj em seu lugar.
Quando temos um problema de Maximizar basta substituir a funo objetivo dada pela
sua simtrica, minimizando esta ltima, isto , MX {Q(x)} = MN{Q(x)} pois MX
{Q(x)} = Q(x ) tal que Q(x ) Q(x) pra todo x do conjunto de solues, assim Q(x )
Q(x) para todo x do conjunto de solues. Portanto MX {Q(x)} = Q(x ) = MN{Q(x)}
Como j dito antes, vamos nos focar mais nos problemas na forma 5.1 que chamado
Problema de Programao Convexa. Nesse tipo de problema podemos determinar um conjunto
M , o conjunto das solues viveis ou regio vivel, cujos elementos so os valores de x que
satisfazem as restries lineares e as restries triviais, isto :
M = {x ; Ax b , x 0}
29
M 6= e no limitado
Q(x) possui timo em M nico ou no
Q(x) no possui timo em M
Definio 5.1.1. Soluo bsica (SB) x uma soluo bsica de um PPL se xT = (xTB , 0).
Definio 5.1.2. Soluo bsica vivel (SBV) x uma soluo bsica vivel quando suas
cordenadas so todas no negativas.
Definio 5.1.3. Soluo bsica degenerada x dita uma soluo bsica degenerada quando
possuir ao menos uma componente nula.
Definio 5.1.4. Soluo tima: x dita soluo tima quando o valor que minimiza
Q(x).
30
5.2 O Mtodo Grfico
O mtodo grfico consiste de visualizar as restries do PPL no plano cartesiano e a partir do
gradiente da funo buscar a melhor soluo
Vamos utlizar nosso exemplo 5.1
Maximizar Q(x) = 120x1 + 160x2
Sujeito a:
1x1 +1, 5x2 150
4x1 +3x2 360
x1 0, x2 0
Representando as restries no plano cartesiano temos:
31
Figura 5.2: Representao de alguns possveis valores da funo Q(x)
Podemos ver na origem o vetor gradiente da funo e suas translaes seguindo a funo,
podemos ver tambm que em um dos vrtices chegamos no limite entre crescimento da funo
e permanncia na regio vivel, este vrtice nos dar a soluo tima.
Neste caso a soluo tima se encontra no ponto de interseo das duas restries, sendo
portanto o ponto (30, 80) representando que devemos produzir 30 unidades do modelo A e 80
unidades do modelo B para ter o lucro mximo que ser dado por 12030 + 16080
= 16400.
O mtodo grfico pode ser usado confortavelmente quando o problema traz apenas duas
variveis, porm com trs variveis a visualizao e at mesmo a representao do problema
fica difcil sem a utilizao de um bom software.
O que podemos fazer ento em uma situao mais realista, onde temos vrias variveis
que influenciam nossas decises? Para esses problemas iremos usar o Mtodo Simplex.
Para encerrar a apresentao do mtodo grfico vamos mostrar que no foi por acaso que
a soluo tima do nosso problema foi encontrado em um vrtice da regio vivel, vamos usar
dois teoremas para provar este fato.
x = x1 + (1 )x2
Sabemos que
x1 0, Ax1 = Bx1B + N x1N = b,
x2 0, Ax2 = Bx2B + N x2N = b
Como N 6= 0, x1N 6= 0 e x2N 6= 0, caso contrrio, isto , x1N = 0 implicaria x1B = xB e x2N = 0
implicaria x2B = xB ; contrariando a hiptese de que x vrtice.
32
Temos que
x = x1 + (1 )x2
implica
xB = x1B + (1 )x2B e 0 = x1N + (1 )x2N
. Como x1N 0 e x1N 6= 0, x2N 0 e x2N 6= 0, 0, (1 ) 0; e (1 ) no podem ser
anulados ao mesmo tempo, ento 5.2 nunca ser verificada. Assim sendo, demonstramos, que
uma soluo bsica vivel corresponde a um vrtice do conjunto polidrico X.
Teorema 5.2.2. Seja um PPL cujo conjunto M de solues viveis definido por Ax = b
e x 0 e seja Q(x) a funo objetivo que tem um mnimo em M . Ento este mnimo ser
atingido ao menos em um vrtice de M .
Demonstrao: Seja x soluo tima do PPL, isto , seja Q(x ) o mnimo atingido pela
funo objetivo em M . Pelo Lema 5.2 temos:
x =
x + (1 )x; 0 < 1 , onde 0 < 1, onde x vrtice de M e x M
Q(x ) = Q(
x) + (1 )Q(x) (5.2)
Q(x ) Q(
x) + (1 )Q(x )
Q(x ) Q(
x) (5.3)
Q(x ) Q(
x) (5.4)
Portanto vemos que se a funo objetivo assume o valor timo na regio vivel, esse valor
est relacionado a pelo menos um vrtice, no caso em que existe mais de um ponto que fornece
o valor timo, estes pontos se encontram em uma aresta ou face do politopo que representa a
regio vivel.
33
Agora que sabemos que a soluo tima do sistema est em pelo menos um vrtice po-
demos ver, analisando o grfico, que os vrtices so as interesees das restries do PPL,
portanto uma outra forma de encontrar a soluo do problema seria encontrar todos os pon-
tos que representam as intersees do sistema e analisar o valor de cada um deles na funo
objetivo.
3. Atribuio de valor nova varivel bsica (VB). Determinao da nova varivel no bsica
(VNB);
4. Pivoteamento.
Vamos estudar este procedimento tendo como basse o problema que de interesse para
esta pesquisa, o PPL convexo
O sistema dado por
n
X
Q(x) = c1 x1 + c2 x2 + . . . + cn xn M IN
j=1
a11 x1 +a12 x2 + . . . +a1n xn b1
a21 x1 +a22 x2 + . . . +a2n xn b2
.. .. .. .. ..
. . . . .
am1 x1 +am2 x2 + . . . +amn xn bm
x 0 (j = 1, 2, . . . , n)
j
34
x1 . . . xs . . . xn xn+1 . . . xn+r . . . xn+m b
a11 . . . a1s . . . a1n 1 ...0 ...0 b1
ar1 . . . ars . . . arn 0 ...1 ...0 br
am1 . . . ams . . . amn 0 ...0 ...1 bm
c1 . . . cs . . . cn 0 ...0 ...0 Q(x)
Caso no exista ci negativo para todo i, no teremos como diminuir valor da funo objetivo,
portanto teremos encontrado o valor timo da funo objetivo.
Passo 3. Atribuio de valor nova VB, determinao da nova VNB:
Seja x a nova SBV, onde xs a nova VB, fazendo xs 0, podemos ver, pelo tableau que
o valor das outras variveis ser dado por
Como estamos tratando de SBV, temos que respeitar as restries triviais, isto ,
xn+1 = bi ais xs 0 i K
35
Temos dois casos possveis.
1o ) ais 0 i K
Neste caso o valor de xn+1 = bi ais xs ser positivo xs 0, logo podemos fazer
xs +, assim Q(x) , logo Q(x) no tem mnimo finito
2o ) Existe pelo menos um ais > 0
Seja K + = {i; i K e ais > 0}. Para ais 0 a restrio sempre atendida, agora para
i K + temos
bi ais xs 0
isto
bi
xs
ars
Temos agora que aumentar o valor da nova varivel bsica, de forma a anular uma das antigas,
ou seja
bi bi
xs = = min
ars iK ais
E finalmente a preocupao seria o que ocorre com a base aps a mudana de variveis, supondo
que a VB que se torna VNB, ou que sai da base, xn+r e a VNB que se torna VB, ou que entra
na base, xs , o vetor an+r sai da base e o vetor as entra na base, podemos afirmar que ainda
teremos uma base aps essa mudana devido o teorema 2.5.1
Passo 4. Pivoteamento
Para o funcionamento correto do Algoritmo Simplex, alm de colocar o PPL no formtao
padro precisamos deixar o Tableau na forma cannica, caracterizada por
Para satisfazer essas condies, suponha que xs seja a nova VB e xr a nova VNB, assim vamos
tomar a linha r como a linha piv, a coluna s como a coluna piv e ars como o piv, o processo
ser o seguinte.
36
Estas instrues so vlidas para todo o algoritmo, porm no teremos os elementos cj , aij ,
e bi bem definidos nas iteraes subsequentes, portanto iremos introduzir uma notao que
utilizada pelos autores de livros sobre programao linear, que ser a seguinte
Bmm = (aj 1 , . . . , ajm ) Matriz base associada a A referente SBV considerada, formada pelos
vetores de A referentes VB
Rm(n0 m) = (ajm+1 , . . . , ajn0 ) Matriz constituda pelos vetores coluna aji , ji IN relativos
s VNB
(cB )Tm1 = (cj1 , . . . , cjm ) Vetor composto pelos coeficientes das VB na funo objetivo
(cN )T(n0 m)1 = (cjm+1 , . . . , cjn0 ) Vetor composto pelos coeficientes das VNB na funo obje-
tivo
xB
m1 = (xj1 , . . . , xjm ) Vetor composto pelas VB
xB
(n0 m1 = (xjm+1 , . . . , xjn0 ) Vetor composto pelas VNB
u1m = (cB )T B 1 Vetor que compe a funo objetivo, nos ser importante no prximo captulo
Vamos tomar nosso problema na forma padro e fazer algumas manipulaes para justificar a
escolha da notao
n
X
cj xj = Q(x) M in
j=1
n
X onde n0 o nmero total de variveis, n0 = n + m
aij xj = bi (i = 1, 2, . . . , m)
j=1
xj 0 (j = 1, 2, . . . , n0 )
Vamos abrir o problema, ver quais so as componentes de cada parte. Iremos denominar Q(x)
por z, e vamos separar a varivel x e o vetor c com relao s submatrizes de A, B e N , teremos
ento:
37
minimizar z = cB xB + cN xN
Sujeito a:
BxB + N xN = b
xB 0 xN 0
Explicitando xB temos
xB = B 1 b B 1 N xN
Substituindo este formato na funo objetivo, temos a seguinte forma para o PPL
Vejamos agora como fica a funo objetivo na forma cannica com a nova notao
BxB + N xN = bxB + B 1 N xN = B 1 b
xB + Y xN = B 1 b
X
xB + yj xj ) = xB
( (5.9)
jIN
As equaes 5.8 e 5.9 representam a forma cannica do mtodo Simplex, podemos ver
a mudana de valores que ocorre quando substituimos uma VNB por uma VB e atribumos
valores a essa VNB, ou seja os passos 2 e 3 do mtodo.
Vamos verificar agora alguns resultados que mostram a importncia dos valores (cj zj )
para j IN
Seja x uma SBV, qual est associada uma base B. Se tivermos cs zs < 0 e y 0,
para algum s IN , ento, para qualquer xs 0, continuamos obtendo uma soluo vivel x.
Fazendo xs , temos Q(x) . A determinao da soluo tima do PPL impossvel.
Seja x uma SBV e seja cs zs < 0, para algum s IN , tal que existe yis > 0 ao menos
para algum i IB . Seja tambm
xr xi
= min
yrs i|yis >0 yis
38
. Ento fazendo xs = xr /
yrs a nova VB, anulamos xr , fazendo-a VNB, obtendo assim uma nova
SBV x tal que Q(x) Q( x).
Seja uma soluo bsica vivel x. o fato de cj zj 0, j IN condio suficiente
para que essa soluo seja tima
Faremos agora uma sntese do funcionamento do mtodo
Assumindo o PPL na forma padro
1) Tome as variveis de folga como VB e as variveis do problema como VNB (soluo bsica
inicial)
2) Caso no exista j tal que cj zj < 0 a soluo ser tima PARE, caso contrrio tome a
prxima VB xs de acordo com o seguinte critrio (cs zs ) = min (cj zj ).
j|cj
zj <0
xr xi
3) Atribuir valor para a nova VB xs como sendo xs = = min . Caso tenhamos
yrs yis
i|
y >0
xr
xs = a soluo ilimitada PARE Caso tenhamos xs < faremos xs = =
yrs
xi
min
i|
y >0 yis
4) Voltar para 2)
39
xi bi
o valor para x2 , ele ser dado por min , ou equivalentemente, min
i|
y >0 yis iIB ais
x1 x2 x3 x4 b
2 2
x2 3
1 3
0 100
x3 2 0 2 1 60
40
3
0 320
3
0 Q(x) + 16000
Agora vemos que o valor (c1 z1 ) < 0 portanto x1 ser a VNB que entrar na base nesta
iterao, mais uma vez utilizamos o procedimento acima para definir a varivel que sair da
base, que neste caso ser x4 . O quadro final ficar da seguinte forma
x1 x2 x3 x 4 b
4 1
x2 0 1 3
3
80
x1 1 0 1 12 30
280 20
0 0 3 3
Q(x) + 16400
Esta forma de soluo interessante pois a ltima coluna nos informa qual ser o valor
das variveis na soluo tima e o valor da prpria soluo tima na funo objetivo.
40
Captulo 6
Q(x) = cT x M IN
Ax b (6.1)
x0
Onde A uma matriz m n formada pelos vetores coluna a1 , . . . , an . Este problema ser
agora denominado o problema Primal Colocando-o no formato padro temos
Q(x) = cT x M IN
Ax b
x0
cj zj = 0
cj zj = cj (cB )T B 1 aj 0 j N (6.2)
41
Fazendo
Temos ento
cj zj = cj uT aj 0 j N (6.4)
Para j = 1, , n
cj ut aj j = 1, , n (6.5)
Para j = n + 1, , n + m
cj uT aj = uT (ejn ) 0 = uT 0 (6.6)
T
uT A cT ouA u c (6.7)
u T A cT
(6.8)
uT 0
Agora se buscarmos uma base que obedece 6.8 e ao mesmo tempo nos d B 1 b 0
teremos a base tima do problema 6.1 de soluo x
T 1
Vamos denotar esta base por B e essa soluo seria u = (cB )T B
1 T
Q(x ) = cT x = (cB )T xB + (cN )T xN = (cB )T xB = (cB )T B b = u b (6.9)
uT A cT uT A cT x M = {x; Ax b, x 0}
uT Ax cT x = cT x (x M ) (6.10)
uT b min (cT x) (6.11)
xM
T
uT b cT x = u b (6.12)
T 1
Logo B tal que o valor de uT a ela correspondente, u = (cB )T B d o valor mximo
T
de QD (u) = u b
42
Portanto, encontrar B equivale a solucionar o PPL
QD (u) = uT b M AX
uT A cT (6.13)
T
u 0
43
Maximizar Q(x) = 42u1 + 24u2
Sujeito a:
3u1 +2u2 25
4u1 +3u2 35
5u1 +4u2 50
3u1 +3u2 33
6u1 +3u2 36
u1 0, u2 0
Neste problema existem dois pontos principais a se notar, o primeiro a reduo conside-
rvel no nmero de variveis, que nos permite usar o mtodo grfico para encontrar a soluo
tima, e pelo teorema 6.1.1 sabemos que a soluo tima do Primal e de seu Dual coincidem,
assim mesmo sem saber a aparncia do politopo que representa o problema primal, encontra-
mos sua soluo facilmente. O segundo ponto a interpretao do problema, no Dual podemos
perceber a preocupao em maximizar a quantidade de vitaminas sempre mantendo os custos
abaixo dos custos da dieta original, seria como buscar a maximizao de renda de uma dieta
sinttica, a base de plulas, buscando manter o preo abaixo do preo da dieta original.
Um exemplo de dualidade mais geomtrico o do cubo e do octaedro, o cubo tem 6 faces e
8 vrtices, enquanto que o octaedro tem 8 faces e 6 vrtices. Assim como ocorre neste exemplo,
podemos ver algumas simetrias entre os problemas Primal e Dual, o vetor independente do
Primal se tornar o vetor de coeficientes no Dual e o vetor de coeficientes da funo objetivo se
torna o vetor independente no Dual, a quantidade de restries no Primal a quantidade de
variveis no Dual e a quantidade de variveis no Primal a quantidade de restries no Dual.
Uma ltima simetria, que muito importante que ao tomarmos o par de problemas P e D,
ao tentarmos encontrar o Dual de D voltaremos ao problema P.
A tabela a seguir mostra como fazer a converso de um problema Primal para o seu Dual
44
T
3. Ambos admitem solues timas finitas (cT x = u b)
u (Ax b) = 0 (6.14)
(u A c)x = 0 (6.15)
Demonstrao: Assumindo que x e u so solues timas do par (P, D), podemos escrever
n
X m
X
T
c x u b= cj xj ui bi = 0 (6.16)
j=1 i=1
m
X
Como de (D) temos aij ui cj , ento
i=1
n X
X m m
X m
X Xn
( aij ui )xj ui bi = ui ( aij xj bi ) 0 (6.17)
j=1 i=1 i=1 i=1 j=1
n
X
ui ( aij xj bi ) 0 , , , , i = 1, . . . , m (6.18)
j=1
m
X n
X m X
X n m
X
ui ( aij xj bi ) = ui aij xj ui bi = 0 (6.19)
i=1 j=1 i=1 j=1 i=1
n
X m
X n
X m
X
n
(cj aij ui )xj = cj x j j=1 ui aij xj = 0 (6.20)
j=1 i=1 j=1 i=1
n
X X
cj xj ui bi = cT x u b = 0 (6.21)
j=1
45
Captulo 7
Concluso
46
Bibliografia
[2] Maculan, Nelson.; Fampa, Marcia H. Costa Otimizao Linear. Braslia : Editora Univer-
sidade de Braslia, 2006.
[3] Boldrini, Jos Luiz lgebra Linear. So Paulo: Harper & Row do Brasil, 1980.
[4] Lima, Elon Lages Anlise Real Volume 1. Funes de uma varivel. 12.ed. Rio de Janeiro
: IMPA, 2014.
[5] Lima, Elon Lages: Espaos mtricos. 5.ed. Rio de Janeiro : IMPA, 2015.
[6] Izmailov, Alexey.; Solodov, Mikhail Otimizao volume 1. Condies de otimalidade, ele-
mentos de anlise convexa e de dualidade. Rio de Janeiro : IMPA, 2005.
[7] Ribeiro, Ademir Alves.; Elizabeth, Wegner Karas Otimizao contua: Aspectos tericos e
computacionais. So Paulo: Cengage Learning, 2013.
47