Plinear PDF

Programao Linear
Mauricio Pereira dos Santos

Departamento de Matemtica Aplicada
Instituto de Matemtica e Estatstica
UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO

ii
c
Copyright 2.000 por Mauricio Pereira dos Santos
Editorao: O autor, criando arquivo texto no format LaTex.

Fluxos e figuras: Visio e Corel Paint, includos no texto como EPS (Encapsulated
Postscript File).
30072007
Contedo
1 Introduo 1
1.1 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Soluo grfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Respostas dos exerccios da seo 1.3 . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 O modelo geral da Programao Linear . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Variaes do Modelo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7 O que est implcito em qualquer modelo de P.Linear . . . . . . . . . . . . . . . . . 16
1.8 Exemplos de formulao de modelos de Programao Linear . . . . . . . . . . . . . . 18
1.9 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 O Mtodo Simplex 33
2.1 Definies bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Um mtodo no muito eficiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Situaes que podem acontecer no Mtodo Simplex . . . . . . . . . . . . . . . . . . . 43
2.3.1 Empate na escolha da varivel entrante . . . . . . . . . . . . . . . . . . . . . 43
2.3.2 Empate na escolha da varivel sainte . . . . . . . . . . . . . . . . . . . . . . 44
2.3.3 No existncia de varivel sainte . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.4 Mltiplas (infinitas) solues timas . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.5 Modelos de Minimizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.6 Modelos com variveis irrestritas em sinal . . . . . . . . . . . . . . . . . . . 50
2.4 Outras formas de modelos - O Simplex de 2 fases . . . . . . . . . . . . . . . . . . . . 51
2.5 Novos algortimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3 Anlise depois do timo 61

3.1 Anlise de Sensibilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2 Anlise de Sensibilidade dos Coeficientes da Funo Objetivo . . . . . . . . . . . . . 64
3.2.1 De variveis no bsicas na soluo tima . . . . . . . . . . . . . . . . . . . . 64
3.2.2 De variveis bsicas na soluo tima . . . . . . . . . . . . . . . . . . . . . . 65
3.3 Anlise de Sensibilidade das constantes do lado direito . . . . . . . . . . . . . . . . 67
3.4 Dualidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.4.1 Modelos Primal e Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.4.2 Teorema Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.4.3 Relao entre o Primal e o Dual . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.5 Valor timo das variveis do Modelo Dual . . . . . . . . . . . . . . . . . . . . . . . . 72
3.6 Significado econmico dos valores timos das variveis do Modelo Dual . . . . . . . . 74
3.7 Anlise de Sensibilidade usando o Modelo Dual . . . . . . . . . . . . . . . . . . . . 75
3.7.1 Incluso de uma nova varivel . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.8 Anlise de Sensibilidade dos coeficientes das restries . . . . . . . . . . . . . . . . 77
3.8.1 De varivel no bsica na soluo tima . . . . . . . . . . . . . . . . . . . . . 77
3.8.2 De varivel bsica na soluo tima . . . . . . . . . . . . . . . . . . . . . . . 77
iv CONTEDO
3.9 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4 Algortimo dos Transportes 93

4.1 Um exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.2 Formulao como um modelo clssico de P.Linear . . . . . . . . . . . . . . . . . . . 94
4.3 Quadro (tableau) usado no algortimo dos transportes . . . . . . . . . . . . . . . . . 94
4.4 Fonte ou destino artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.5 Impossibilidade de transporte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.6 Etapas do algortimo dos transportes . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.7 Nmero de variveis bsicas nas solues bsicas . . . . . . . . . . . . . . . . . . . 96
4.8 Mtodos para achar a soluo bsica inicial . . . . . . . . . . . . . . . . . . . . . . . 96
4.9 Esgotamento simultneo de linha e coluna . . . . . . . . . . . . . . . . . . . . . . . 103
4.10 Teste para saber se uma soluo bsica tima . . . . . . . . . . . . . . . . . . . . . 105
4.11 Solues bsicas degeneradas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.12 O Modelo da Baldeao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.13 Diferena entre Transporte e Baldeao . . . . . . . . . . . . . . . . . . . . . . . . 115
4.14 Adaptao do modelo da baldeao ao algortimo do transporte . . . . . . . . . . . . 116
4.15 O Modelo da Atribuio ou da Designao . . . . . . . . . . . . . . . . . . . . . . . 118
4.16 Passos do Algortimo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.17 Impossibilidade de atribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.18 Fontes ou destinos artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.19 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.20 Respostas dos exerccios da seo 4.19 . . . . . . . . . . . . . . . . . . . . . . . . . 132
5 Bibliografia de Pesquisa Operacional 137

Captulo 1
Introduo
Muitos colocam o desenvolvimento da Programao Linear (PL) como um dos avan-

os cientficos mais importantes do sculo XX. Seu impacto desde 1950 tem sido ex-
traordinrio. Hoje em dia uma ferramenta padro que tem possibilitado grandes
ganhos para a maioria das companhias nos pases industrializados, sendo que seu
uso em outros setores da sociedade vem crescendo rapidamente. Qual a natureza
desta ferramenta e que tipo de problemas ela resolve ? Neste captulo aprende-
remos as respostas para estas 2 perguntas. Resumidamente, o tipo mais comum
de aplicao envolve o problema de distribuir recursos limitados entre atividades
que esto competindo por aquele recursos, da melhor maneira possvel (isto , da
maneira tima). Programao Linear usa um modelo matemtico para descrever
o problema . O termo linear significa que todas as funes matemticas do mo-
delo so, obrigatoriamente, funes lineares. A palavra programao no se refere
a programao de computadores e deve ser vista como um sinnimo de planeja-
mento. Assim, podemos definir a programao linear como sendo o planejamento
de atividades para obter um resultado timo, isto , um resultado que atenda, da
melhor forma possvel, a um determinado objetivo. Embora alocao de recursos
para atividades seja o tipo mais comum, programao linear tem numerosos outros
tipos de aplicao. De fato, qualquer problema cujo modelo matemtico se enqua-
dre na forma geral de um modelo de PL, um problema de programao linear.
Um procedimento extremamente eficiente, chamado mtodo simplex, est dispon-
vel para resolver problemas de PL, mesmo aqueles com milhares de variveis.
1.1 Exemplo
Para entender melhor os conceitos da Programao Linear, vamos trabalhar com
um exemplo que servir de base para apresentarmos alguns dos aspectos relacio-
nados com os modelos de Programao Linear.
Uma empresa produz 2 produtos em uma de suas fbricas. Na fabricao dos 2
produtos, 3 insumos so crticos em termos de restringir o nmero de unidades dos
2 produtos que podem ser produzidas: as quantidades de matria prima (tipos A e
B) disponveis e a mo de obra disponvel para a produo dos 2 produtos.
Assim, o Departamento de Produo j sabe que, para o prximo ms, a fbrica
ter disponvel, para a fabricao dos 2 produtos, 4900 kilos da matria prima A e
4500 kilos da matria prima B.
2 Introduo
Cada unidade do produto tipo I, para ser produzida consome 70 kilos da matria
prima A e 90 kilos da matria prima B. Por sua vez, cada unidade do produto tipo
II para ser produzida, utiliza 70 kilos da matria prima tipo A e 50 kilos da matria
prima tipo B.
Como a produo dos 2 produtos utiliza processos diferentes, a mo de obra espe-
cializada e diferente para cada tipo de produto, ou seja no se pode utilizar a mo
de obra disponvel para a fabricao de um dos produtos para produzir o outro. As-
sim, para a produo do produto tipo I a empresa ter disponvel, no prximo ms,
80 homens-hora. J para o produto tipo II ter 180 homens-hora. Cada unidade
do produto tipo I, para ser produzida, utiliza 2 homens-hora enquanto que cada
unidade do produto tipo II utiliza 3 homens-hora.
Reduzindo do preo unitrio de venda todos os custos, chega-se a concluso de que
cada unidade do produto tipo I d um lucro de $20 e cada unidade do produto tipo
II d um lucro de $60.
Dada a grande procura, estima-se que todas as unidades a serem produzidas, dos
2 produtos, podero ser vendidas.
O objetivo da empresa obter o maior lucro possvel com a produo e a venda das
unidades dos produtos tipo I e II.
Queremos resolver este problema com um modelo de Programao Linear.
Mas antes de fazer isto temos que conhecer o problema. Qual o problema desta
empresa ?
O problema que eles no sabem quantas unidades de cada tipo de produto (I e II)
devem ser produzidas, de maneira que o lucro seja o maior possvel.
Para construir um modelo de P.Linear temos que comear identificando o que se
deseja saber ou conhecer no problema. A isto d-se o nome de varivel de deci-
so. No nosso problema temos 2 variveis de deciso que so:
x1 no de unidades do produto tipo I a serem produzidas no prximo ms.

x2 no de unidades do produto tipo II a serem produzidas no prximo ms 1 .
Temos que identificar o objetivo que se deseja alcanar e traduz-lo por uma funo
matemtica linear contendo as variveis de deciso. Assim, no nosso exemplo, o
objetivo maximizar o lucro total obtido com a produo dos 2 produtos. Cada uni-
dade, a ser produzida, do produto tipo I d um lucro de $20. Como vamos produzir
x1 unidades, teremos um lucro de 20x1 . Da mesma forma, cada unidade do produto
tipo II d um lucro de $60, ou seja, pelo produto tipo II teremos um lucro de 60x2 .
Desta forma a funo de lucro total, que queremos maximizar, ser uma funo da
forma: 20x1 + 60x2 .
Esta funo chamada de funo objetivo e representada, pela maioria dos au-
tores, como uma funo de uma varivel Z representando o sentido da otimizao
que, no nosso caso, de maximizao. Assim, podemos escrever:
(MAX)Z = 20x1 + 60x2 funo objetivo.
1
Chamamos de x1 e x2 mas poderamos usar qualquer nome para rotular as variveis de deciso
1.1 Exemplo 3
Evidentemente que o nosso modelo no se restringe a funo objetivo pois se assim

fosse, a soluo seria simplesmente x1 = x2 = , o que, sem muita anlise, per-
cebemos que impossvel bastando observar a quantidade disponvel de qualquer
uma das matrias primas. Desta forma os valores que x1 e x2 podem assumir esto
condicionados pelas restries do modelo que, no nosso exemplo, so as as quanti-
dades das 2 matrias primas e a quantidade de mo de obra disponvel. Temos que
representar cada restrio fsica por uma funo matemtica linear contendo as
variveis de deciso do modelo. A 1a restrio que temos diz que a quantidade dis-
ponvel de matria prima tipo A, no prximo ms de 4900 kilos. Cada unidade a
ser produzida do produto I vai consumir 70 kilos desta matria prima. Por sua vez,
cada unidade a ser produzida do produto II tambm vai consumir 70 kilos desta
mesma matria prima. Logo 70x1 + 70x2 vai nos dar toda a matria prima tipo
A a ser utilizada. Esta quantidade no pode ser maior do que a empresa vai ter
disponvel, ou seja 4900 kilos. Podemos escrever ento: 70x1 + 70x2 4900
Fazendo-se o mesmo tipo de raciocnio para a matria prima tipo B, podemos escre-
ver: 90x1 + 50x2 4500.
Temos ainda que representar a restrio relativa a mo de obra. Para a produ-
o do produto tipo I, temos 80 homens-hora disponveis. Cada unidade, para ser
produzida, utiliza 2 homens-hora. Logo, 2x1 indica todo o consumo de mo de
obra, apta para produzir o produto I, no prximo ms. Como temos disponveis 80
homens-hora, a restrio fica: 2x1 80.
Podemos escrever uma restrio semelhante para o produto tipo II, ou seja: 3x2
180.
A primeira vista poder parecer que formulamos todas as restries. No entanto,
h um tipo de restrio no to evidente. Como visto anteriormente, x1 e x2 repre-
sentam as unidades dos 2 tipos de produto a serem fabricadas. Ora no podemos
produzir, por exemplo, 10 unidades do produto tipo I ou do produto tipo II, ou seja,
x1 e x2 no podem ser negativos. Matematicamente temos: x1 ,x2 0
Podemos agora escrever todo o modelo de programao linear para o nosso exem-
plo:
(MAX) Z = 20x1 + 60x2 Funo Objetivo
s.a
70x1 + 70x2 4900
90x1 + 50x2 4500

Restries do modelo
2x1 80

3x2 180

x1 ,x2 0 Restrio de no negatividade

4 Introduo
1.2 Soluo grfica

Modelos de P.Linear de at 3 variveis podem ser resolvidos graficamente. Este
tipo de soluo no tem aplicao prtica pois os problemas do mundo real tem
sempre muito mais variveis (dezenas, centenas e at milhares). No entanto a
soluo grfica nos ajudar a entender os princpios bsicos do mtodo analtico,
chamado de mtodo Simplex, usado para resolver os modelos de P.Linear.
Vamos resolver o nosso exemplo graficamente:
Como x1 e x2 tem que ser >= 0, o ponto timo, ou seja o ponto que maximiza o
valor de Z, obedecidas todas as restries, s pode estar no 1o quadrante. Assim
podemos traar:
x2
x1
(0,0)
Vamos considerar a 1a restrio na igualdade, ou seja 70x1 + 70x2 = 4900. Ela

uma equao de uma reta passando pelos pontos (70,0) e (0,70). Podemos ento
tra-la em nosso grfico:
1.2 Soluo grfica 5
x2
70
(0,0) x1
70
R1
Como o ponto (0,0) est abaixo da reta e como (0,0) satisfaz a restrio, todos os
pontos da reta para baixo so pontos que satisfazem a restrio.
Vamos fazer o mesmo com a 2a restrio que na igualdade, 90x1 + 50x2 = 4500
uma reta que passa pelos pontos (50,0) e (0,90). Traando-a temos:
x2
R2
90
70
(0,0) 50 x1
70
R1
Como o ponto (0,0) est abaixo da reta e como (0,0) satisfaz a restrio, todos os
pontos da reta para baixo so pontos que satisfazem a restrio.
6 Introduo
A 3a restrio, na igualdade (2x1 = 80), uma reta paralela ao eixo x2 passando

pelo ponto 40 em x1 . Temos ento:
x2
R2
R3
90
70
(0,0) 40 50 x1
70
R1
Como o ponto (0,0) est a esquerda da reta e obedece a restrio, todos os pon-
tos da reta para a esquerda so pontos que satisfazem a 3a restrio.
A 4a restrio na igualdade, 3x2 = 180, uma reta paralela ao eixo x1 , passando
pelo ponto 60 no eixo x2 . Traando-a, temos:
x2
R2
R3
90
70
R4
60
(0,0) 40 50 x1
70
R1
Como o ponto (0,0) est abaixo da reta e obedece a restrio, todos os pontos da
reta para baixo so pontos que satisfazem a 4a restrio.
1.2 Soluo grfica 7
Como todas as restries foram traadas temos o chamado Espao Soluo que
o conjunto de todos os pontos candidatos a serem o ponto timo, ou seja, todos
os pontos que obedecem a todas as restries do modelo. No grfico o Espao
Soluo o polgono hachurado, como podemos ver a seguir:
x2
R2
R3
R4
x1
R1
O ponto timo um ponto do espao soluo, ou seja pertencente ao polgono ha-

churado. Como encontr-lo graficamente ?
Vamos observar a funo objetivo: Z = 20x1 + 60x2 . Graficamente esta equao
representa uma famlia de retas paralelas, ou seja, para cada valor de Z temos
uma reta que ser paralela a qualquer outra para outro valor de Z, inclusive para
aquela com o valor timo de Z . Vamos, arbritariamente, escolher um valor para
Z, por exemplo Z = 1200. Temos ento uma reta passando pelos pontos (60,0) e
(0,20). No grfico temos:
8 Introduo
x2
R2
R3
R4
x1
R1 Z = 1200
Como queremos maximizar o valor de Z, vamos escolher agora um valor maior,
por exemplo Z = 2400, ou seja uma reta passando pelos pontos (120,0) e (0,40).
Vamos ver como fica graficamente:
x2
R2
R3
R4
x1
Z = 2400
R1 Z = 1200
Como esperado, a nova reta Z = 2400 uma reta paralela a reta anterior Z =
1200. Descobrimos tambm que traando-se paralelas a Z = 1200, acima dela,
obtemos valores maiores para Z. Como obter o ponto timo ?
1.2 Soluo grfica 9
Simplesmente traando a paralela, mais alta possvel, que toque, pelo menos, um
ponto do espao soluo. Graficamente temos:
x2
R2
R3
Ponto timo
R4
x2
x1
x1
Z = 2400
R1 Z = 1200
O * indica, em programao matemtica o valor timo. Assim, x1 quer dizer o
valor timo de x1 .
O ponto timo ter sido um dos vrtices do espao soluo no uma mera coinci-
dncia. Na verdade o ponto timo sempre um dos vrtices do espao soluo a no
ser quando temos mltiplas (infinitas) solues timas, pois neste caso, os pontos
timos so todos os pertencentes a um dos lados do espao soluo. Para ilustrar
este ltimo caso, mude a funo objetivo para (MAX) Z = 90x1 + 50x2 . Resolva
graficamente e observe que todos os pontos de um dos lados do espao soluo so
pontos timos! Isto acontece porque a funo objetivo a uma funo paralela a 2a
restrio.
10 Introduo
1.3 Exerccios
A) Resolva graficamente o modelo abaixo:
(MAX) Z = 3x1 + 5x2
s.a
(1) x1 4
(2) 2x2 12
(3) 3x1 + 2x2 18
(4) x1 0
(5) x2 0
Indique o espao soluo (hachurando), o ponto timo (apontando) e as restri-
es redundantes (pelo nmero).
B) Resolva graficamente o modelo abaixo:

(MAX) Z = 2x1 + x2
s.a
(1) x2 10
(2) 2x1 + 5x2 60
(3) x1 + x2 18
(4) 3x1 + x2 44
(5) x1 0
(6) x2 0
C) Resolva graficamente o modelo abaixo:

(MAX) Z = 2x1 2x2
s.a
(1) 3x1 4x2 18
(2) 8x1 3x2 24
(3) 6x1 + 8x2 24
(4) 3x1 + 5x2 21
(5) x1 3
(6) x2 0
1.3 Exerccios 11
D) Resolva graficamente o modelo abaixo:

(MAX) Z = 2x1 8x2
s.a
(1) 4x1 + 2x2 8
(2) 3x1 + 6x2 6
(3) 6x1 + 6x2 18
(4) x2 2
(5) x1 2
(6) 5x1 + 3x2 15
(7) x1 0
E) Resolva graficamente o modelo abaixo:

(MAX) Z = 4x1 2x2
s.a
(1) x1 + x2 8
(2) 8x1 + 3x2 24
(3) 6x1 + 8x2 48
(4) 3x1 + 5x2 15
(5) x1 4
(6) x2 0
F) Resolva graficamente o modelo abaixo:

(MAX) Z = 2x1 5x2
s.a
(1) 2x1 2x2 10
(2) 7x1 + 3x2 21
(3) 2x1 + 3x2 6
(4) 3x1 + 9x2 27
(5) x1 1
(6) x2 4
12 Introduo
G) Resolva graficamente o modelo abaixo:

(MIN) Z = 4x1 2x2
s.a
(1) x1 + x2 8
(2) 8x1 + 3x2 24
(3) 6x1 + 8x2 48
(4) 3x1 + 5x2 15
(5) x1 3
(6) x2 0
1.4 Respostas dos exerccios da seo 1.3

Exerccio A
x2
Ponto timo
b
x1
(0,0)
Z
Z = 15 Z = 25
1.4 Respostas dos exerccios da seo 1.3 13
x2
Exerccio B
b
Ponto timo
x1
Z = 6 Z = 16 Z
x2
Exerccio C
Z =
x1
Redundantes: (1) e (5) Z=4

Z=6
14 Introduo
x2
Exerccio D
Ponto timo
b
Z = 34
Z Z = 28
x1
Redundantes: (1),(2),(4) e (7) x2

Exerccio E
Ponto timo b
x1
Z = 8 Z = 18
Redundantes: (2), (6)

Exerccio F
x2
x1
Ponto timo b
Z = 8
Z=2
Z
Redundantes: (1),(2) e (6)
x2
Exerccio G
b
Ponto timo
x1
Redundante: (1)
Z=6
Z = 4
16 Introduo
1.5 O modelo geral da Programao Linear

O modelo geral da programao linear pode ser escrito como:
(MAX) Z = c1 x1 + c2 x2 + . . . +cnxn
sujeito a
a11 x1 + a12 x2 + . . . +a1nxn b1
a21 x1 + a22 x2 +. . . +a2nxn b2
..
.
am1 x1 + am2 x2 + . . . +amnxn bm
xi 0
aij , bi e cj so chamados de parmetros do modelo e particularmente so chamados
de:
cj coeficientes da funo objetivo
bi constantes do lado direito
aij coeficientes das restries ou coeficientes tecnolgicos
1.6 Variaes do Modelo Geral

a) A funo objetivo pode ser de minimizao:
(MIN) Z = c1 x1 + c2 x2 + . . . +cnxn
b) Algumas restries podem ser do tipo :

ai1 x1 + ai2 x2 + . . . +ainxn bi
c) Algumas restries podem ter sinal =:

ai1 x1 + ai2 x2 +. . . +ainxn = bi
d) Algumas variveis de deciso podem assumir qualquer valor, entre e +,

e so chamadas de irrestritas em sinal.
1.7 O que est implcito em qualquer modelo de P.Linear

a) Proporcionalidade
Esta considerao implica em que o nvel da contribuio de uma varivel qual-
quer sempre proporcional ao seu valor. Para exemplificar vejamos no nosso
exemplo o caso da varivel x1 . O seu lucro unitrio igual a 20. Esta proprie-
dade diz que a contribuio de x1 para o lucro total 20x1 independentemente
se x1 igual a 10 ou igual a 100.000.000. Em um esquema produtivo este fato
nem sempre verdade pois existe, quase sempre, um fator de economia de es-
cala.
Os modelos de programao linear no levam isto em conta e ou se usa, se for
o caso, uma aproximao ou se tem que usar programao no linear. Normal-
mente, a soluo de modelos de programao no linear muito mais complexa.
1.7 O que est implcito em qualquer modelo de P.Linear 17
b) Aditividade
Esta considerao implica em que no h interao entre as diversas variveis
do modelo, ou seja, a contribuio do total de variveis a soma das contribui-
es individuais de cada uma das variveis. Para exemplificar vamos considerar
o nosso exemplo prottipo. A contribuio para o lucro total da varivel x1
20x1 independentemente se x2 igual a 1 ou 10.000. Por sua vez a contribuio
de x2 para o lucro total 60x2 seja qual for o valor assumido por x1 . No mundo
real isto, normalmente, tambm no acontece assim, ou seja, a quantidade de
um produto pode influir na produo de outro independentemente das restries
tecnolgicas.
Se em um modelo a considerao da aditividade modifica a essncia do pro-
blema, deve-se usar programao no linear.
c) Divisibilidade
A partir da construo de um modelo de P.Linear ns transformamos um pro-
blema do mundo real para o mundo matemtico. Para encontrarmos a soluo
que procuramos, temos que resolver o problema matematicamente. A soluo
grfica, por exemplo, um procedimento matemtico. Assim sendo, perfeita-
mente normal que a soluo de um modelo de P.Linear d, como soluo tima,
valores fracionrios. Assim sendo poderia ter acontecido que a resposta para o
nosso exemplo fosse x1 = 17, 96 e x2 = 14, 88. Mas x1 e x2 representam unida-
des de produtos. Como fabricar pedaos de produtos ? Ser que a soluo seria
cortar a parte fracionria ? Isto poderia nos tirar do timo pois nem sempre o
timo inteiro o timo fracionrio com a parte fracionria cortada.
Como se resolve na prtica este tipo de problema ? Se as variveis de deciso
representam bens cujo valor de mercado reduzido (uma mesa, por exemplo)
trabalhamos com programao linear e simplesmente cortamos a parte fracio-
nria dos valores timos. Se no entanto as variveis representam bens de alto
valor (um avio, por exemplo), temos que trabalhar com Programao Linear
Inteira acrescentando as restries de que as variveis tem de ser inteiras. Por-
que, para este tipo de modelo, no trabalhar sempre com P.Linear inteira ? Por-
que o processo de obteno da soluo tima muito mais lento que a P.Linear
simples.
d) Certeza
Esta considerao implica em que todos parmetros do sistema so constantes
conhecidas no se aceitando nenhuma incerteza de qualquer tipo. Se alguns dos
parmetros tem qualquer nvel de incerteza a formulao como um modelo de
P.Linear poder levar a resultados incorretos.
18 Introduo
1.8 Exemplos de formulao de modelos de Programao Li-

near
A) Em uma fazenda deseja-se fazer 10.000 Kilos de rao com o menor custo pos-
svel. De acordo com as recomendaes do veterinrio dos animais da fazenda,
a mesma deve conter:
# 15% de protena.
# Um mnimo de 8% de fibra.
# No mnimo 1100 calorias por kilo de rao e no mximo 2250 calorias por kilo.
Para se fazer a rao, esto disponveis 4 ingredientes cujas caractersticas
tcnico-econmicas esto mostradas abaixo: (Dados em %, exceto calorias e
custo)
Protena Fibra Calorias/kg Custo/kg
Cevada 6,9 6 1.760 30
Aveia 8,5 11 1.700 48
Soja 9 11 1.056 44
Milho 27,1 14 1.400 56
A rao deve ser feita contendo no mnimo 20% de milho e no mximo 12% de
soja.
Formule um modelo de P.Linear para o problema.
Soluo
Variveis de deciso
xi Kilos do ingrediente i a serem usados na rao (i=1 (Cevada), i=2 (Aveia),
i=3 (Soja), i=4 (Milho)).
(Min) Z = 30x1 + 48x2 + 44x3 + 56x4

s.a.
x1 + x2 + x3 + x4 = 10000 (Quantidade de rao)
0, 069x1 + 0, 085x2 + 0, 09x3 + 0, 271x4 = 0, 15 10000 (Protena)
0, 06x1 + 0, 11x2 + 0, 11x3 + 0, 14x4 0, 08 10000 (Fibra)
1760x1 + 1700x2 + 1056x3 + 1400x4 1100 10000 (calorias)
1760x1 + 1700x2 + 1056x3 + 1400x4 2250 10000 (calorias)
x4 0, 20 10000 (Milho)
x3 0, 12 10000 (Soja)
xi 0
B) Uma fbrica de papel recebeu 3 pedidos de rolos de papel com as larguras e

comprimentos mostrados abaixo:
Pedido Largura (cms) Comprimento (cms)
1 50 10.000
2 70 30000
3 90 20.000
1.8 Exemplos de formulao de modelos de Programao Linear 19
A fbrica tem que produzir os pedidos a partir de 2 rolos de tamanho padro

que tem 100 e 200 centmetros de largura e comprimento muito grande (para
efeitos prticos pode-se considerar infinito). Os rolos dos pedidos no podem ser
emendados na largura embora possam ser emendados no comprimento.
Deseja-se determinar como devem ser cortados os 2 rolos de tamanho padro
para atender os pedidos, com o objetivo de que a perda de papel seja a mnima
possvel.
Formule um modelo de P.Linear para o problema.
Soluo
Para um melhor entendimento do problema, vamos mostrar uma soluo poss-
vel para o problema:
Rolo de 200
70 90 40
Rolo de 100
50 50
20.000
5.000 30.000
Esta soluo consistiria em cortar o 1o rolo padro (largura 100) em 2 tiras de

5.000 cms. Emendados no comprimento, atenderiam ao 1o pedido. Para atender
o 2o e o 3o pedidos, o 2o rolo seria cortado conforme mostra o desenho.
Dois tens importantes devem ser observados neste exemplo: A perda (a parte
hachurada: 4030000+9010000 = 2100000 cm2 ) e que possvel ter perda
com largura de pedido, ou seja, os 10000 cms cortados com largura 90 cms.
Podemos construir uma tabela com os possveis padres de corte, lembrando
que podemos desprezar os padres de corte em que a perda na largura ser
igual ou maior que a menor largura de pedido (50 cms).
Rolo de 100 cms Rolo de 200 cms

Largura 1 2 3 4 5 6 7 8 9
50 2 4 2 2 1
70 1 1 2 1
90 1 1 1 2
Perda na largura 0 30 10 0 30 10 10 40 20
Podemos agora definir as variveis de deciso:
xi cms, cortados no comprimento, no padro i (i=1,2,. . . ,9)
Si Sobra em cms, no comprimento, com largura de pedido (i=1 (50),i=2 (70),
i=3 (90))
20 Introduo
O modelo fica como:

(MIN) Z = 30x2 +10x3 +30x5 +10x6 +10x7 +40x8 +20x9 +50S1 +70S2 +90S3
s.a.
2x1 + 4x4 + 2x5 + 2x6 + x7 = 10000 + S1 (largura 50cms)
x2 + x5 + 2x7 + x8 = 30000 + S2 (largura 70cms)
x3 + x6 + x8 + 2x9 = 20000 + S3 (largura 90cms)
Si, xi 0
C) O gerente de um restaurante que est encarregado de servir o almoo, em uma

conveno, nos prximos 5 dias tem que decidir como resolver o problema do
suprimento de guardanapos. As necessidades para os 5 dias so 110, 210, 190,
120 e 100 unidades respectivamente. Como o guardanapo de um tipo especial,
o gerente no tem nenhum em estoque e suas alternativas durante os 5 dias so:
Comprar guardanapos novos ao preo de $10 cada um.
Mandar guardanapos j usados para a lavanderia onde eles podem receber
2 tratamentos:
(a) Devoluo em 48 horas ao preo de $3 a pea.
(b) Devoluo em 24 horas ao preo de $5 a pea.
Considerando que o objetivo do gerente minimizar o custo total com os guar-
danapos formule um modelo de P.Linear para o problema.
As seguintes observaes devem ser levadas em conta:
O tempo da lavanderia considerado ser exato, ou seja, o guardanapo en-
viado as 15 horas de um dia volta as 15 horas do dia seguinte (servio de
24 horas) ou seja aps o almoo. Idem para o servio de 48 horas.
Aps a conveno os guardanapos sero jogados no lixo.
Soluo
Variveis de deciso
xi no de guardanapos a serem comprados no isimo dia
yi no de guardanapos usados enviados, no isimo dia, para a lavanderia
servio de 24 horas
ti no de guardanapos usados enviados, no isimo dia, para a lavanderia
servio de 48 horas
Visando auxiliar a formulao do modelo vamos construir uma tabela mos-
trando as vrias fontes para se obter, a cada dia, guardanapos limpos :
DIA
Origem 1 2 3 4 5
Novo x1 x2 x3 x4 x5
Lav. 24 horas y1 y2 y3
Lav. 48 horas t1 t2
Total Necessrio 110 210 190 120 100
As restries para a necessidade de guardanapos limpos so:

x1 = 110 no precisa entrar no modelo
x2 = 210 no precisa entrar no modelo
x3 + y1 = 190
x4 + y2 + t1 = 120
x5 + y3 + t2 = 100
Para se definir as restries correspondentes as quantidades de guardanapos
usados temos que definir uma outra varivel deciso:
vi no de guardanapos usados que, no isimo dia, no so enviados para a
lavanderia.
Devemos nos lembrar que o timo no implica, necessriamente, em que todos
os guardanapos usados sejam lavados.
As restries ficam :
v1 + y1 + t1 = 110
y2 + t2 + v2 = 210 + v1
y3 + v3 = 190 + v2
v4 = 120 + v3
v5 = 100 + v4
O modelo fica como:
(MIN) Z = 10(x3 + x4 + x5 ) + 5(y1 + y2 + y3 ) + 3(t1 + t2 )
s.a.
x3 + y1 = 190
x4 + y2 + t1 = 120
x5 + y3 + t2 = 100
v1 + y1 + t1 = 110
y2 + t2 + v2 = 210 + v1
y3 + v3 = 190 + v2
v4 = 120 + v3
v5 = 100 + v4
xi,yi,ti,vi 0
22 Introduo
D) A Motorauto S/A fabrica 3 modelos de automveis nas suas fbricas: Modelo

de 1.100 cilindradas (c.c.), modelo de 1.400 c.c. e modelo de 1.800 c.c. Um
conflito trabalhista faz prever uma greve prolongada na fbrica 1 num futuro
muito prximo. Para fazer face a esta situao, a direo da empresa decidiu
preparar um plano excepcional de produo e vendas para o prximo perodo,
pressupondo que no haver produo na fbrica 1 durante este perodo. Neste
mesmo perodo, a capacidade de produo da fbrica 2 ser de 4.000 unidades
de 1.100 c.c., ou 3.000 unidades de 1.400 c.c. ou 2.000 unidades de 1.800 c.c. ou
qualquer combinao apropriada destes 3 modelos. Uma combinao apropri-
ada pode ser, por exemplo, 2.000 unidades de 1.100 c.c. (50% da capacidade),
900 unidades de 1.400 c.c. (30% da capacidade) e 400 modelos de 1.800 c.c. (20%
da capacidade). Analogamente a fbrica 3 tem capacidade para 3.000 modelos
de 1.100 c.c. ou 8.000 modelos de 1.400 c.c. ou qualquer combinao apropri-
ada destes 2 modelos, no sendo o modelo de 1.800 c.c. produzido nesta fbrica.
Cada automvel de 1.100 c.c. vendido por $1.150, cada modelo de 1.400 c.c.
vendido por $1.450 e cada modelo de 1.800 c.c. vendido por $1.800. O custo
de produo na fbrica 2 de $875, $1.200 e $1.450 para cada unidade produ-
zida dos modelos de 1.100 c.c., 1.400 c.c. e 1.800 c.c. respectivamente. Por sua
vez o custo de produo na fbrica 3 de $900 para cada unidade produzida
do modelo de 1.100 c.c. e de $1.100 para cada unidade do modelo de 1.400 c.c.
A empresa assumiu compromissos que a obrigam a fornecer 1.000 unidades do
modelo de 1.800 c.c. para exportao. Por outro lado, dada a queda na procura
pelos modelos de 1.100 c.c. e 1.800 c.c., o departamento comercial estima em
1.000 e 2.500 unidades as vendas mximas destes 2 modelos, respectivamente.
Como o modelo de 1.400 c.c. atualmente um grande sucesso comercial, no
existe limitao para suas vendas. No incio do perodo, os estoques dos 3 mo-
delos so de 200 unidades do modelo de 1.100 c.c., 600 unidades do modelo de
1.400 c.c. e 200 unidades do modelo de 1.800 c.c. possvel, dados os ltimos
acordos assinados, importar da Argentina at 500 unidades do modelo de 1.100
c.c. Cada modelo importado custar $1.000.
Considerando que o objetivo da Motorauto maximizar seus lucros, formule um
modelo de P.Linear para o problema.
Soluo
Variveis de deciso
x1 no de unidades do modelo de 1.100 c.c. a serem produzidas na fbrica 2.
x6 no de unidades do modelo de 1.100 c.c. a serem importadas da Argentina.
A funo objetivo uma funo de lucro sendo cada lucro individual calculado
como a diferena entre o preo de venda e o custo de produo.
O modelo do problema fica como:

(MAX) Z = 275x1 + 250x2 + 350x3 + 250x4 + 350x5 + 150x6
s.a.
x1 + x4 + x6 (1000 200) (modelo de 1.100 c.c.)
x6 500 (modelo de 1.100 c.c.)
x3 (1000 200) (modelo de 1.800 c.c.)
x3 (2500 200) (modelo de 1.800 c.c.)
x1 x2 x3
+ + 1 (capacidade de produoFbrica 2)
4000 3000 2000
x4 x5
+ 1 (capacidade de produoFbrica 3)
3000 8000
xi 0
E) Uma empresa responsvel pelo abastecimento semanal de um certo produto ao

Rio de Janeiro e a So Paulo, pretende estabelecer um plano de distribuio do
produto a partir dos centros produtores situados em Belo Horizonte, Ribeiro
Preto e Campos. As quantidades semanalmente disponveis em B.Horizonte,
R.Preto e Campos so 70, 130 e 120 toneladas respectivamente. O consumo
semanal previsto deste produto de 180 toneladas no Rio e 140 toneladas em
S.Paulo. Os custos de transporte, em $/ton, de cada centro produtor para cada
centro consumidor est dado abaixo:
Rio So Paulo
B.Horizonte 13 25
R.Preto 25 16
Campos 15 40
Considerando que o objetivo da empresa minimizar seu custo total de trans-
porte, formule um modelo de P.Linear para o problema.
Soluo
Variveis de deciso
xij Toneladas a serem transportadas da origem i (i=1 (B.Horizonte), i=2
(R.Preto), i=3 (Campos)) para o destino j (j=1 (Rio), j=2 (So Paulo)).
O modelo fica como:
(MIN) Z = 13x11 + 25x12 + 25x21 + 16x22 + 15x31 + 40x32
s.a.
x11 + x12 = 70 (B.Horizonte)
x21 + x22 = 130 (R.Preto)
x31 + x32 = 120 (Campos)
x11 + x21 + x31 = 180 (Rio)
x12 + x22 + x32 = 140 (S.Paulo)
xij 0
24 Introduo
1.9 Exerccios
A) Na produo de unidades de 4 tipos de produtos, so utilizadas 2 mquinas.
O tempo utilizado na fabricao de cada unidade, de cada tipo de produto, em
cada uma das 4 mquinas est dado na tabela abaixo:
Tempo por unidade produzida (horas)
Mquina Produto 1 Produto 2 Produto 3 Produto 4
1 2 3 4 2
2 3 2 1 2
O custo total de produo de uma unidade de cada produto diretamente pro-
porcional ao tempo de uso da mquina. Considere que o custo por hora para
as mquinas 1 e 2 so $10 e $15 respectivamente. O total de horas disponveis
para todos os produtos nas mquinas 1 e 2 so 500 e 380 respectivamente.
Se o preo de venda, por unidade, dos produtos 1, 2, 3 e 4 de $65, $70, $55 e
$45, formule o problema como um modelo de P.Linear com o objetivo de maxi-
mizar o lucro lquido total.
B) Uma companhia de aviao est considerando a compra de avies de passagei-

ros de 3 tipos: de pequeno curso, de curso mdio e de longo curso. O preo de
compra seria de $6,7M para cada avio de longo curso, $5M para avies de m-
dio curso e $3,5M para avies de pequeno curso. A diretoria autorizou um gasto
mximo de $150M para estas compras, independentemente de quais avies se-
ro comprados. As viagens areas em todos os tipos de avies, fazem prever que
os avies andaro sempre lotados. Estima-se que o lucro anual lquido seria de
$0,42M para cada avio de longo curso, $0,30M para avio de mdio curso e
$0,23M para avio de pequeno curso. A companhia ter pilotos treinados para
pilotar 30 novos avies. Se somente avies de pequeno curso forem comprados,
a diviso de manuteno estaria apta a manter 40 novos avies. Cada avio de
mdio curso gasta 1/3 a mais de manuteno do que o dispendido por um avio
de pequeno curso e o de longo curso 2/3 a mais. As informaes acima foram
obtidas por uma anlise preliminar do problema. Uma anlise mais detalhada
ser feita posteriormente. No entanto, usando os dados acima como uma pri-
meira aproximao, a diretoria da empresa deseja conhecer quantos avies de
cada tipo deveriam ser comprados se o objetivo maximizar o lucro.
Formule um modelo de P.Linear para este problema. (M = 1.000.000)
C) Uma empresa tem 3 fbricas com ociosidade na produo. Todas as 3 fbricas

tem capacidade de produzir um certo produto e a gerncia decidiu usar uma
parte da ociosidade na produo deste produto. O produto pode ser feito em 3
tamanhos: grande, mdio e pequeno, que do um lucro lquido de $12, $10 e
$9 respectivamente. As fbricas 1, 2 e 3 tem capacidade de fabricar 500, 600
e 300 unidades do produto respectivamente, independentemente do tamanho a
ser produzido. H, no entanto, limitao do espao para estocagem. As fbricas
1, 2 e 3 tem 9000, 8000 e 3500 m2 de rea para estocagem respectivamente.
Cada unidade de tamanho grande, mdio e pequeno necessita de 20, 15 e 12
1.9 Exerccios 25
m2 respectivamente. O Departamento de Vendas indicou que 600, 800 e 500

unidades dos tamanhos grande, mdio e pequeno, respectivamente, podem ser
vendidas por dia. De maneira a manter uma certa uniformidade, a gerencia
decidiu que a percentagem do uso das capacidades ociosas das 3 fbricas devem
ser iguais. A gerncia deseja saber quanto de cada tamanho deve ser produzido
em cada fbrica de maneira que o lucro seja mximo.
Formule um modelo de P.Linear para este problema.
D) Um investidor pode investir dinheiro em duas atividades A e B disponveis no

incio dos prximos 5 anos. Cada $1 investido em A no comeo de um ano re-
torna $1,40 (um lucro de $0,40) dois anos mais tarde (a tempo de imediato
reinvestimento). Cada $1 investido em B no incio de um ano retorna $1,70,
trs anos mais tarde. Existem ainda 2 atividades C e D que estaro disponveis
no futuro. Cada $1 investido em C no incio do segundo ano retorna $2,00, qua-
tro anos mais tarde. Cada $1 investido em D no comeo do quinto ano, retorna
$1,30 um ano mais tarde. O investidor tem $10.000. Ele deseja conhecer como
investir de maneira a maximizar a quantidade de dinheiro acumulado no incio
do sexto ano.
Formule um modelo de P.Linear para este problema. Considere que no h
inflao.
E) Com seus conhecimentos do curso, um aluno calcula que poderia se preparar

com perfeio para o exame de uma certa disciplina D1 em 20 horas de estudo
intensivo. Para uma outra disciplina D2 ele precisa de 25 horas. Para passar,
ele precisa obter no mnimo 50 pontos (num mximo de 100) em cada uma de-
las. Alm disso, ele deseja alcanar a maior mdia ponderada possvel, sendo 3
e 5 os pesos de D1 e D2 respectivamente. Ele dispe de apenas 30 horas para
estudar.
Formule o problema como um modelo de P.Linear, a fim de obter a distribuio
das horas de estudo, considerando proporcionalidade entre o esforo e o rendi-
mento de seus estudos.
F) O Governo decidiu instalar em uma certa rea 3 indstrias: U1 , U2 e U3 . Trs

localidades diferentes L1 , L2 e L3 foram selecionadas. As condies geoecon-
micas (energia, comunicaes, etc...) variam de local para local. As indstrias
tambm possuem caractersticas tcnicas distintas (custos operacionais, capa-
cidade, tipo de produo, etc...). Um estudo preliminar levou a concluso que as
eficincias relativas das diversas indstrias nas diferentes localidades so:
L1 L2 L3
U1 1,5 1 2
U2 0,8 0,6 2,5
U3 2 0,7 1
Assim em L3 , por exemplo, U1 funcionaria 2 vezes mais eficientemente, do
ponto de vista econmico, do que em L2 . O problema distribuir as 3 inds-
trias pelas 3 localidades (no mximo 1 indstria em cada localidade) da ma-
26 Introduo
neira mais eficiente.

Formule o problema como um modelo de P.Linear.
G) Uma companhia deseja obter uma nova liga metlica com 30% de chumbo, 20%
de zinco e 50% de estanho a partir de alguns minrios tendo as seguintes pro-
priedades:
MINRIOS
Propriedades 1 2 3 4 5
% Chumbo 30 10 50 10 50
% Zinco 60 20 20 10 10
% Estanho 10 70 30 80 40
Custo ($/kg) 8,5 6 8,9 5,7 8,8
O objetivo determinar as propores destes minrios que deveriam ser mistu-
rados para produzir a nova liga com o menor custo possvel.
Formule este problema como um modelo de P.Linear.
H) Uma famlia de fazendeiros possui 100 acres de terra e tem $30.000 em fun-
dos disponveis para investimento. Seus membros podem produzir um total de
3.500 homens-hora de trabalho durante os meses de inverno e 4.000 homens-
horas durante o vero. Se todos estes homens-horas no so necessrios, os
membros mais jovens da famlia podem ir trabalhar em uma fazenda da vizi-
nhana por $4,00 por hora durante o inverno e $4,50 por hora durante o vero.
A famlia obtm renda com 3 colheitas e 2 tipos de criao de animais: vacas
leiteiras e galinhas (para obter ovos). Nenhum investimento necessrio para
as colheitas mas no entanto cada vaca necessita de um investimento de $900 e
cada galinha de $7. Cada vaca necessita de 1,5 acre de terra, 100 homens-hora
de trabalho no inverno e outros 50 homens-hora no vero. Cada vaca produzir
uma renda lquida anual de $800 para a famlia. Por sua vez cada galinha no
necessita de rea, requer 0,6 homens-hora durante o inverno e 0,3 homens-hora
no vero. Cada galinha produzir uma renda lquida de $5 (anual). O galinheiro
pode acomodar um mximo de 3.000 galinhas e o tamanho dos currais limita
o rebanho para um mximo de 32 vacas. As necessidades em homens-hora e
a renda lquida anual, por acre plantado, em cada uma das 3 colheitas esto
mostradas abaixo:
Soja Milho Feijo
Homenshora no inverno 20 35 10
Homenshora no vero 50 75 40
Renda anual lquida ($) 375 550 250
A famlia deseja maximizar sua renda anual.
Formule este problema como um modelo de P.Linear.
1.9 Exerccios 27
I) Um avio de carga tem 3 compartimentos para armazenar carga: frente, centro

e traseira. Estes compartimentos tem limite de capacidade em termos de peso
e espao, como mostrado abaixo:
Compartimento Capacidade peso (ton) Capacidade espao (m3 )

Frente 8 140
Centro 12 200
Traseira 7 85
Alm disto, os pesos das cargas em cada compartimento devem manter a mesma
proporo em relao a capacidade de cada compartimento, a fim de manter o
equilbrio do avio.
As 4 cargas abaixo esto disponveis para carregar um determinado vo:
Carga Peso (ton) Volume (m3 /ton) Lucro ($/ton)

1 14 14 100
2 11 20 130
3 18 17 115
4 9 11 90
As cargas podem ser divididas em pedaos de qualquer peso e tamanho. O
objetivo determinar quanto de cada carga deveria ser aceita e como distribu-
la entre os compartimentos do avio de maneira a maximizar o lucro total do
vo. Formule este problema como um modelo de P.Linear.
J) Para um bar que funciona 24 horas por dia, a seguinte quantidade de emprega-
dos necessria:
Hora do dia No mnimo de empregados

26 4
6 10 8
10 14 10
14 18 7
18 22 12
22 2 4
Cada empregado trabalha 8 horas consecutivas por dia. O objetivo achar o
menor nmero necessrio de empregados de modo que a necessidade mnima
acima seja obedecida.
28 Introduo
K) Uma fbrica descontinuou a produo de um produto que no estava dando lu-

cro. Isto criou uma considervel capacidade de produo ociosa. A gerncia est
considerando em usar esta capacidade ociosa em um ou mais, de 3 produtos, os
quais chamaremos de produtos 1, 2 e 3. A capacidade disponvel das mquinas
que poderiam limitar a sada est dada na tabela abaixo:
Tempo disponvel
Tipo de Mquina (em mquinashora por semana)
A 500
B 350
C 150
O nmero de mquinas-hora necessrias para cada produto :
Tipo de Mquina Produto 1 Produto 2 Produto 3

A 9 3 5
B 5 4 0
C 3 0 2
O Departamento de Vendas indicou que o potencial de vendas para os produtos
1 e 2 excedem a taxa mxima de produo e que o potencial de vendas para
o produto 3 de 20 unidades por semana. O lucro unitrio seria de $30, $12
e $15 respectivamente para os produtos 1, 2 e 3. Quanto se deve fabricar dos
produtos 1, 2 e 3 de maneira que o lucro seja mximo.

Exerccio A
xi Unidades do produto i a serem produzidas
(MAX) Z = 10x2 5x4
s.a
2x1 + 3x2 + 4x3 + 2x4 500
3x1 + 2x2 + x3 + 2x4 380
xi 0
Exerccio B
x1 no de avies de longo curso a serem comprados
x2 no de avies de mdio curso a serem comprados
x3 no de avies de pequeno curso a serem comprados
(MAX) Z = 0, 42x1 + 0, 30x2 + 0, 23x3
s.a
6, 7x1 + 5x2 + 3, 5x3 150
x1 + x2 + x3 30
5
x + 34 x2 + x3 40
3 1
xi 0
Exerccio C
xij quantidade a ser produzida do tamanho j (j=g,m,p) na fbrica i (i=1,2,3)
(MAX) Z = 12x1g + 10x1m + 9x1p + 12x2g + 10x2m + 9x2p + 12x3g + 10x3m + 9x3g
s.a.
x1g + x1m + x1p 500
x2g + x2m + x2p 600
x3g + x3m + x3p 300
20x1g + 15x1m + 12x1p 9000
20x2g + 15x2m + 12x2p 8000
20x3g + 15x3m + 12x3p 3500
x1g + x2g + x3g 600
x1m + x2m + x3m 800
x1p + x2p + x3p 500
x1g +x1m +x1p
500
= x2g +x600
2m +x2p
= x3g +x300
3m +x3p
xij 0
Exerccio D
Xt $ investido na atividade X(X=A,B,C e D) no perodo t(t=1,2,3,4,5)
Rt $ no investido no perodo t(t=1,2,3,4,5)
(MAX) Z = 2C2 + 1, 7B3 + 1, 4A4 + 1, 3D5 + R5
s.a.
A1 + B1 + R1 = 10000
R1 + A2 + B2 + C2 + R2 = 0
1, 4A1 R2 + A3 + B3 + R3 = 0
1, 7B1 1, 4A2 R3 + A4 + R4 = 0
1, 7B2 1, 4A3 R4 + D5 + R5 = 0
Xt, Rt 0
30 Introduo
Exerccio E
Cada hora de estudo na disciplina D1 garante ao aluno 5 pontos.
Para a disciplina D2 o rendimento de 4 pontos por hora.
X no de horas que o aluno estudar D1 .
Y no de horas que o aluno estudar D2 .
3X + 5Y
(MAX) Z =
8
s.a.
X + Y = 30
5X 50
4Y 50
X, Y 0
Exerccio F
xij indstria Ui instalada na cidade Lj .
(MAX) Z = 1, 5x11 + x12 + 2x13 + 0, 8x21 + 0, 6x22 + 2, 5x23 + 2x31 + 0, 7x32 + x33
s.a.
x11 + x12 + x13 = 1
x21 + x22 + x23 = 1
x31 + x32 + x33 = 1
x11 + x21 + x31 = 1
x12 + x22 + x32 = 1
x13 + x23 + x33 = 1
Xij = 0 ou 1
Exerccio G
xi frao de 1 kilo do minrio i usada na produo de 1 kilo da nova liga.
(MIN) Z = 8, 5x1 + 6x2 + 8, 9x3 + 5, 7x4 + 8, 8x5
s.a.
x1 + x2 + x3 + x4 + x5 = 1
0, 3x1 + 0, 1x2 + 0, 5x3 + 0, 1x4 + 0, 5x5 = 0, 3
0, 6x1 + 0, 2x2 + 0, 2x3 + 0, 1x4 + 0, 1x5 = 0, 2
0, 1x1 + 0, 7x2 + 0, 3x3 + 0, 8x4 + 0, 4x5 = 0, 5
xi 0
Observe que a 1a restrio redundante pois a soma das outras 3.
Exerccio H
xi (i = 1, 2, 3) acres plantados com soja, milho e feijo, respectivamente.
xi (i = 4, 5) no de vacas e galinhas, respectivamente.
xi (i = 6, 7) excesso de homens-hora no inverno e vero, respectivamente.
(MAX) Z = 375x1 + 550x2 + 250x3 + 800x4 + 5x5 + 4x6 + 4, 5x7
s.a.
x1 + x2 + x3 + 1, 5x4 100
900x4 + 7x5 30000
20x1 + 35x2 + 10x3 + 100x4 + 0, 6x5 + x6 = 3500
50x1 + 75x2 + 40x3 + 50x4 + 0, 3x5 + x7 = 4000
x4 32
x5 3000
xi 0
Exerccio I
xij toneladas de carga i (i = 1, 2, 3, 4) armazenadas no compartimento j (j =
1, 2, 3) onde 1(frente), 2(centro) e 3(traseira).
(MAX) Z = 100(x11 + x12 + x13 ) + 130(x21 + x22 + x23 ) + 115(x31 + x32 + x33 ) +
90(x41 + x42 + x43 )
s.a.
x11 + x12 + x13 14
x21 + x22 + x23 11
x31 + x32 + x33 18
x41 + x42 + x43 9
x11 + x21 + x31 + x41 8
x12 + x22 + x32 + x42 12
x13 + x23 + x33 + x43 3
14x11 + 20x21 + 17x31 + 11x41 140
14x12 + 20x22 + 17x32 + 11x42 200
14x13 + 20x23 + 17x33 + 11x43 85
x11 + x21 + x31 + x41 x12 + x22 + x32 + x42 x13 + x23 + x33 + x43
= =
8 12 7
xij 0
Exerccio J
xj no de empregados comeando no incio do perodo j (j = 1, 2, ..., 6).
(MIN) Z = x1 + x2 + x3 + x4 + x5 + x6
s.a.
x1 + x6 4
x1 + x2 8
x2 + x3 10
x3 + x4 7
x4 + x5 12
x5 + x6 4
xj 0
Exerccio K
(MAX) Z = 30x1 + 12x2 + 15x3
s.a
9x1 + 3x2 + 5x3 500
5x1 + 4x2 350
3x1 + 2x3 150
x3 20
xi 0
32 Introduo
Captulo 2
O Mtodo Simplex
O chamado Mtodo Simplex foi apresentado por George B. Dantzig, um matemtico

americano, em 1947. Nos anos seguintes o prprio Dantzig e outros matemticos
foram aperfeioando-o, principalmente visando torn-lo mais eficiente do ponto de
vista computacional. Estas melhorias no entanto no mudaram a sua essncia
e, embora novos mtodos tenham surgido no final da dcada de 80, o Simplex
ainda o algortimo mais usado para resolver modelos de P.Linear e, provavelmente,
o mais usado de todos os algortimos matemticos.
2.1 Definies bsicas

Soluo qualquer atribuio de valores para as variveis de deciso do modelo.
Soluo Praticvel qualquer soluo em que nenhuma das restries do mo-

delo violada.
Soluo Impraticvel qualquer soluo em que pelo menos uma das restries
do modelo violada.
Soluo Bsica Dado um conjunto de m equaes linearmente independentes

e n incgnitas, onde n > m, se define como soluo bsica a soluo para o
conjunto de equaes em que (n m) variveis so feitas iguais a 0 e as
restantes so obtidas da resoluo do sistema de equaes.
Exemplo: Seja o sistema abaixo:

x1 + x2 + 3x3 x4 + x5 = 6
x1 + 2x2 + 2x3 x4 + 2x5 = 2
temos m = 2 e n = 5.
Cada soluo bsica ter (52) = 3 variveis iguais a 0, por exemplo x3 ,x4 e x5 e (5
3) = 2 obtidas da resoluo do sistema, ou seja, x1 = 10 e x2 = 4. bvio que
variando-se as variveis feitas iguais a zero teremos novas solues bsicas. O n-
mero de solues bsicas que podem ser obtidas vem da frmula :
n n!

=
m m!(n m)!
34 O Mtodo Simplex
As variveis diferentes de 0 so chamadas de variveis bsicas e as iguais a 0

so chamadas de variveis no bsicas.
Soluo bsica degenerada: uma soluo bsica em que pelo menos uma das
variveis bsicas igual a 0. Esta varivel chamada de varivel bsica degene-
rada.
Variveis de Folga: So variveis que so acrescentadas as inequaes para
transform-las em equaes. Denominaremos as variveis de folga de Fi, onde i
o ndice da varivel.
Exemplo: 2x1 80 2x1 + F1 = 80
2.2 Um mtodo no muito eficiente

Vamos voltar ao nosso exemplo:
(MAX) Z = 20x1 + 60x2

s.a.
70x1 + 70x2 4900
90x1 + 50x2 4500
2x1 80
3x2 180
x1 ,x2 0
Vamos acrescentar variveis de folga as 4 restries do modelo:
(1) 70x1 + 70x2 + F1 = 4900
(2) 90x1 + 50x2 + F2 = 4500
(3) 2x1 + F3 = 80
(4) 3x2 + F4 = 180
Temos um sistema de equaes lineares com 4 (m) equaes e 6 (n) variveis. Deste
sistema podemos obter:
6!
= 15 solues bsicas.
4!2!
importante observar que as variveis de folga, includas no exemplo, tem um
significado fsico relacionado com o modelo apresentado. Assim F1, por exemplo,
representa o nmero de kilos da matria prima tipo A que no sero utilizadas na
fabricao dos produtos tipos I e II.
Em resumo, embora tenham sido usadas para transformar inequaes em equa-
es, as variveis de folga tem um significado fsico relacionado com o problema
sendo modelado.
Outro ponto a ser mencionado que, como x1 e x2 so >= 0, as variveis de folga
tambm s podem ser >= 0. Logo todas as variveis so >= 0.
Voltando ao exemplo prottipo podemos encontrar as 15 solues bsicas do sis-
tema de equaes lineares formado pelas restries, acrescidas das suas respecti-
vas variveis de folga. Cada soluo bsica ser obtida escolhendo-se 2 variveis e
fazendo-as iguais a 0 e resolvendo-se o sistema para as 4 variveis restantes.
Aplicando-se esta regra, obtemos as 15 solues bsicas:
2.2 Um mtodo no muito eficiente 35
no No bsicas Bsicas Condio Z

1 x1 = 0 x2 = 0 F1 = 4900 F2 = 4500 F3 = 80 F4 = 180 Praticvel 0
2 x1 = 0F1 = 0 x2 = 70 F2 = 1000 F3 = 80 F4 = 30 Impraticvel
3 x1 = 0 F2 = 0 x2 = 90 F3 = 80 F4 = 90 F1 = 1400 Impraticvel
4 x1 = 0 F3 = 0 0 = 80 Impossvel
5 x1 = 0 F4 = 0 F3 = 80 x2 = 60 F1 = 700 F2 = 1500 Praticvel 3600
6 x2 = 0 F1 = 0 F3 = 60 F2 = 1800 F4 = 180 x1 = 70 Impraticvel
7 x2 = 0 F2 = 0 F3 = 20 F1 = 1400 x1 = 50 F4 = 180 Impraticvel
8 x2 = 0 F3 = 0 F1 = 2100 F2 = 900 x1 = 40 F4 = 180 Praticvel 800
9 x2 = 0 F4 = 0 0 = 180 Impossvel
10 F1 = 0 F2 = 0 x1 = 25 x2 = 45 F3 = 30 F4 = 45 Praticvel 3200
11 F1 = 0 F3 = 0 x1 = 40 x2 = 30 F2 = 600 F4 = 90 Impraticvel
14 F2 = 0 F4 = 0 x1 = 16.7 x2 = 60 F3 = 46.7 F1 = 466.6 Impraticvel
15 F3 = 0 F4 = 0 x1 = 40 x2 = 60 F1 = 2100 F2 = 2100 Impraticvel
Podemos observar na soluo grfica cada uma das 15 solues bsicas. Como o mo-
delo de 2 variveis de deciso (x1 , x2 ), cada soluo bsica a interseco de 2
restries. Podemos inclusive observar que 2 das solues (4 e 9) so a interseco
de 2 paralelas que se interceptam no infinito.
x2
R (x1 > 0)
b
R2 4
3 R3
b
2 b b b 14 b
15 R4
5 12
b
10
b 11 9 b

13 b
b b b b x1
1 8 7 6 R (x2 > 0)
R1
Como podemos observar, a soluo bsica no 12 a soluo tima (como vimos na
soluo grfica). Ter sido simples coincidncia o fato da soluo tima ser uma
das solues bsicas ? No simples coincidncia pois pode-se provar que:
36 O Mtodo Simplex
Se um modelo de Programao linear possui uma nica soluo

tima, ento ela uma soluo bsica do sistema de equaes
lineares formado pelas restries do modelo acrescidas das suas
respectivas variveis de folga.
No grfico podemos observar que a soluo tima s pode ser um dos vrtices (pon-
tos extremos) do espao soluo pois eles so justamente as solues bsicas prati-
cveis. Isto vem do fato de que o espao soluo sempre um conjunto convexo onde
cada soluo bsica a interseco de tantas restries quantas forem as variveis
de deciso do modelo (duas, x1 e x2 no nosso caso).
No caso de termos mais de uma soluo tima, teremos sempre
um no infinito de solues timas pois sero timos todos os pon-
tos que unem 2 vrtices (pontos extremos) adjacentes, ou seja,
todos os pontos de um dos lados do espao soluo.
Os 2 postulados acima nos levam a concluso de que um modelo de programao
linear s pode ter 2 tipos de solues timas: ou ela nica, ou seja, um nico
ponto, ou tem um nmero infinito de pontos timos. Assim, impossvel existir um
modelo de programao linear que tenha, por exemplo, 5 solues timas.
Com o que j vimos, parece que para achar a soluo tima de um modelo de Progra-
mao Linear basta encontrar as solues bsicas do sistema de equaes lineares
formado pelas suas restries, e escolher a melhor, em funo do objetivo, dentre
as praticveis.
Um exemplo, no entanto, nos mostra que este mtodo totalmente impraticvel.
Vamos supor que temos um modelo com 50 restries e 100 variveis. importante
ressaltar que um modelo deste tamanho apenas um modelo de programao li-
near de tamanho de pequeno para mdio. Quantas solues bsicas teramos que
encontrar ?
100!
= 1029 , levaria-se anos mesmo usando-se os computadores mais velozes.
50!50!
Veremos a seguir que o mtodo simplex examina apenas um no muito pequeno des-
tas solues bsicas para encontrar a soluo tima.
Vamos ver mais uma definio:
Soluo bsica praticvel adjacente: Duas solues bsicas praticveis so ad-
jacentes se elas diferem por apenas uma varivel no bsica (bviamente, como
o total de varveis a soma das no bsicas com as bsicas, elas diferem tambm
por uma varivel bsica).
Assim,
as solues bsicas a seguir, so adjacentes:

F 1 = 4900

F 1 = 2100

F2 = 4500 x1 = 0 F2 = 900 F3 = 0

VB VNB e VNB

F3 = 80
x2 = 0
x1 = 40
x2 = 0
F4 = 180 F4 = 180

O no de solues bsicas praticveis adjacentes cada soluo bsica igual ao
nmero de variveis de deciso do modelo (duas, x1 e x2 no nosso caso). Assim,
como pode ser visto no grfico onde so mostradas as solues bsicas, a soluo no
1 tem duas adjacentes: a no 5 e a no 8.
O Simplex est baseado na seguinte propriedade, cuja prova no mostraremos aqui

mas que pode ser encontrada em diversos textos:
Se uma soluo bsica melhor que as suas adjacentes, ento
ela a soluo tima.
Com base nesta propriedade podemos definir as etapas bsicas do mtodo Simplex:
1. Obter uma soluo bsica praticvel inicial. Esta soluo obtida fazendo-se
as variveis de deciso como variveis no bsicas, ou seja, iguais a 0. As
variveis bsicas sero as variveis de folga.
2. Dada uma soluo bsica testar se ela melhor que suas adjacentes. Se for,
a soluo tima.
3. Se no for ir para a melhor soluo bsica adjacente e voltar a etapa 2.
Vamos aplicar ento o simplex ao nosso exemplo:

(MAX) Z = 20x1 + 60x2
s.a.
70x1 + 70x2 4900
90x1 + 50x2 4500
2x1 80
3x2 180
x1 ,x2 0
Vamos introduzir as variveis de folga e numerar as equaes:
(0) Z 20x1 60x2 = 0
(1) 70x1 + 70x2 + F1 = 4900
(2) 90x1 + 50x2 + F2 = 4500
(3) 2x1 + F3 = 80
(4) 3x2 + F4 = 180
Esta forma de um modelo de P.Linear (na verdade um sistema de equaes linea-
res) chamada de forma padro (standard). Todas as equaes so de igualdade e
todas as constantes do lado direito so 0.
Como vemos temos um sistema de equaes lineares com 5 equaes e 7 variveis.
Cada soluo bsica ter 7 5 = 2 variveis no bsicas iguais a 0. O valor das 5
restantes obtido da resoluo do sistema de equaes lineares depois de se zerar
as variveis no bsicas. No simplex a soluo bsica inicial obtida fazendo-se
como variveis no bsicas (iguais a 0) as variveis de deciso (x1 e x2 no nosso
caso).
Assim, a soluo
bsica inicial :
1
F = 4900

F2 = 4500 x1 = 0

VB VNB

F3 = 80
x2 = 0
F4 = 180

Z=0
Embora Z seja uma varivel bsica, ela colocada fora do colchete de variveis
bsicas. Veremos mais adiante porque.
38 O Mtodo Simplex
Olhando agora com mais ateno podemos reparar em mais uma caracterstica da
forma padro: varivel bsica s aparece uma nica vez, ou seja, em uma nica
equao com coeficiente igual a 1. Qual a vantagem disto ? A vantagem que ao se
eliminar as variveis no bsicas (porque so iguais a zero), obtemos, diretamente,
o valor numrico das variveis bsicas.
Durante o simplex, nas sucessivas solues bsicas que sero obtidas, trabalhare-
mos sempre usando esta forma padro para aproveitar esta propriedade.
Como temos uma soluo bsica, temos que testar se ela a soluo tima. Para
ser a tima ela tem que ser melhor que as suas adjacentes.
Estudando a soluo bsica em questo, vemos que ela tem 2 adjacentes: uma em
que x1 sairia do time de no bsicas (bviamente uma bsica teria que sair do
time de bsicas) e outra em que x2 sairia do time de no bsicas.
importante entender que, por exemplo, x1 sair do time de no bsicas, ou seja das
iguais a zero, implica em ela se tornar bsica, ou seja, maior que 0 (vamos ignorar
aqui o fato de que, excepcionalmente, ela pode ser degenerada).
Vamos escrever a funo objetivo em funo das variveis de deciso:
(0) Z = 20x1 + 60x2
O que observamos que se x1 se tornar bsica o valor de Z vai aumentar (20 uni-
dades por unidade de x1 ), ou seja vai melhorar a funo objetivo. Isto mostra que
a adjacente atual soluo bsica, ou seja aquela em que x1 bsica melhor que
a soluo atual. Podemos afirmar ento, que a atual soluo no tima pois pelo
menos uma adjacente melhor.
Vamos examinar se a outra adjacente, ou seja aquela em x2 vai se tornar bsica
tambm melhora o valor da funo objetivo. Como podemos ver acima, para cada
unidade que x2 assuma, a funo objetivo aumenta de 60 unidades. Esta adjacente
tambm melhor que a soluo atual!
A etapa 2 do mtodo simplex diz que se a atual soluo bsica no tima, deve-se
ir para a melhor adjacente. Matemticamente impossvel saber, a no ser em
problemas pequenos, qual a melhor adjacente. O que na verdade ns fazemos,
ir para aquela adjacente que aparenta dar o maior ganho para o valor de Z. No
nosso caso a melhor adjacente aparente aquela em que x2 passaria a ser bsica
pois para cada unidade de x2 , temos um aumento de 60 em Z contra um aumento
de 20 no caso de x1 .
importante deixar claro que o mtodo simplex funciona, ou seja vai levar-nos a
soluo tima, independente da escolha a ser feita. A razo de termos escolhido a
que aparenta dar maior ganho prende-se unicamente ao desejo de se fazer, princi-
palmente quando se trabalha manualmente, o mnimo de iteraes. Via de regra,
embora no obrigatoriamente, quando se escolhe a que d maior ganho este desejo
atendido.
Escolhemos ento x2 como a varivel que vai se tornar bsica ou, em outras pa-
lavras, a varivel que vai entrar na base. Ela chamada de varivel entrante.
Resumindo temos:
Candidatas varivel entrante (so sempre as no bsicas): x1 e x2 .
Varivel entrante: x2
Como x2 vai entrar na base, ou seja se tornar bsica, uma das atuais variveis
bsicas vai ter que deixar de ser bsica ou em outras palavras, sair da base. Esta
varivel chamada de varivel sainte.
As candidatas varivel sainte (sempre as variveis bsicas) so: F1 , F2 , F3 e F4 .
Neste ponto fica claro porque no colocamos Z no colchete das variveis bsicas.
Mesmo sendo uma varivel bsica, Z nunca levada em conta como candidata va-
rivel sainte pois ela o objetivo. No teria sentido tir-la da base, transformando-
a em varivel no bsica igual a 0.
Como escolher a varivel sainte ? Vamos escrever as restries em funo das can-
didatas a varivel sainte:
(1) F1 = 4900 70x1 70x2
(2) F2 = 4500 90x1 50x2
(3) F3 = 80 2x1
(4) F4 = 180 3x2
Na anlise que vamos fazer podemos eliminar x1 . Porque ? porque x1 varivel
no bsica e no a entrante, ou seja vai permanecer como no bsica, igual a 0.
Temos ento:
(1) F1 = 4900 70x2
(2) F2 = 4500 50x2
(3) F3 = 80
(4) F4 = 180 3x2
Neste momento, temos que ter ateno em 2 pontos: o 1o que estamos trabalhando
em um sistema de equaes lineares e, obviamente, o valor de cada varivel est
relacionado ao valor das demais variveis. O 2o que, como vimos anteriormente,
todas as variveis (exceto Z) s podem ser 0. Em outras palavras a nica vari-
vel que pode assumir valores negativos Z.
Como x2 a varivel entrante e cada unidade que ela assumir vai aumentar o
Z em 60, queremos que x2 assuma o maior valor possvel. No entanto este valor
est condicionado a que nenhuma outra varivel se torne negativa. Na equao (1)
acima, vemos que x2 pode ir at 70 antes que F1 se torne negativa. J na equao
(2), x2 s pode ir at 90 pois, acima disto, F2 se tornaria negativa. Pela equao (3)
poderamos levar x2 at o . Finalmente na (4) observamos que x2 poderia ir at
60.
A equao (4) que limita o valor mximo de x2 , ou seja x2 no pode passar de 60
pois quando ela atinge este valor, F4 chega a zero.
Como F4 foi a varivel que chegou a zero primeiro quando tentvamos atribuir o
maior valor possvel para x2 (a entrante), ela ser a varivel sainte.
J temos ento o time de variveis bsicas e no bsicas da soluo bsica adja-
centemelhor do que a que acabamos de testar. Teremos:

F 1

F2 x1 = 0

VB VNB
F3
F4 = 0
x2

Em um modelo pequeno como o que estamos aplicando o simplex, poder ser ten-
tador se obter o valor numrico das variveis bsicas por simples substituio. Em
40 O Mtodo Simplex
modelos maiores este procedimento tornaria invivel a obteno da soluo tima.

Por esta razo o simplex passa de uma soluo bsica para outra mantendo a es-
trutura padro que vimos anteriormente ou seja, varivel bsica aparecendo uma
nica vez, no sistema de equaes lineares, com coeficiente igual a 1.
Como x2 , a entrante, vai substituir F4 , a sainte, como varivel bsica, temos que
construir um sistema linear equivalente em que x2 aparea em uma nica equa-
o com coeficiente igual a 1 e no aparea nas demais equaes, ou seja tenha
coeficiente igual a zero.
Em que equao x2 vai aparecer com coeficiente igual 1 ? Naquela em que F4 , a
sainte, aparecia com coeficiente igual a 1, ou seja a equao (4). Como fazer com
que o coeficiente de x2 seja igual a 1 ? Basta dividir ambos os lados da equao por
3, obtendo:
1
(4) x2 + F4 = 60
3
Como eliminar x2 , ou seja fazer seu coeficiente igual a 0, da equao (0) ? Podemos
usar 2 procedimentos: o 1o tirar o valor de x2 da nova equao (4) e substituir na
equao (0); o 2o, mais elegante, aplicar a propriedade dos sistemas de equaes
lineares que diz que um sistema no se altera quando somamos (ou subtramos)
uma equao uma outra multiplicada por uma constante.
Podemos ento multiplicar a nova equao (4) por 60 e somar a equao (0), ob-
tendo:
Z 20x1 60x2 = 0
60x2 + 20F4 = 3600 +
Z 20x1 + 20F4 = 3600

Para eliminar x2 da equao (1) usamos o mesmo procedimento, ou seja multipli-
camos a nova equao (4) por 70 e somamos a equao (1), obtendo:
70x1 + 70x2 + F1 = 4900
70
70x2 F4 = 4200 +
3
70
70x1 + F1 F4 = 700
3
Processo semelhante para eliminarmos x2 da equao (2). Multiplicamos a nova
(4) por 50 e somamos a equao (2), obtendo:
90x1 + 50x2 + F2 = 4500
50
50x2 F4 = 3000 +
3
50
90x1 + F2 F4 = 1500
3
Como na equao (3) o coeficiente de x2 j zero, no precisamos fazer qualquer

transformao.
A nova soluo bsica :
(0) Z 20x1 + 20F4 = 3600

70
(1) 70x1 + F1 F4 = 700
3
50
(2) 90x1 + F2 F4 = 1500
3
(3) 2x1 + F3 = 80
1
(4) x2 + F4 = 60
3

F1 = 700 ( )

F2 = 1500 x1 = 0

VB VNB

F3 = 80

F4 = 0

x2 = 60
Z = 3600
Mais uma vez podemos observar que, eliminadas as variveis no bsicas (= 0),
obtemos, diretamente, o valor numrico das variveis bsicas.
Temos que testar se esta nova soluo bsica melhor que as suas adjacentes, ou
seja se ela a tima.
Como antes, temos 2 solues adjacentes a esta: uma em que x1 passaria a varivel
bsica e outra em que F4 voltaria ao time das bsicas. Vamos analisar a equao
de Z:
Z = 3600 + 20x1 20F4
Se x1 passar a bsica, o valor de Z, para cada unidade de x1 , aumentar de 20.
Logo a atual soluo no tima: j descobrimos uma adjacente melhor.
Vamos examinar a outra adjacente possvel, ou seja aquela em que F4 passaria a
ser varivel bsica. Como todas as variveis, exceto Z, tem que ser 0, qualquer
valor atribudo a F4 iria diminuir o valor de Z, logo esta alternativa pior que a
atual soluo. Assim x1 a varivel entrante.
Para escolher a sainte, vamos escrever as restries em funo das candidatas a
varivel sainte, ou seja as atuais variveis bsicas:
70
(1) F1 = 700 70x1 + F4
3
50
(2) F2 = 1500 90x1 + F4
3
(3) F3 = 80 2x1
1
(4) x2 = 60 F4
3
42 O Mtodo Simplex
F4 no precisa ser levada em considerao pois no bsica, no a entrante e,

portanto, vai continuar sendo igual a 0.
Na equao (1) x1 pode ir at 10 antes de F1 se tornar negativa. Pela equao (2),
x1 pode ir at 16,67. Na (3), x1 pode ser levado at 40 e pela equao (4), x1 poderia
ir at o .
O limite para o valor de x1 est na equao (1), logo F1 a que chega a zero pri-
meiro e ser a varivel sainte.
Temos que construir a nova soluo bsica em que x1 vai substituir F1 como vari-
vel bsica. Assim, na equao (1), que era onde aparecia a sainte (F1 ), vamos fazer
com que x1 aparea com coeficiente igual a 1, eliminando x1 das demais equaes.
Para fazer com que x1 fique com coeficiente 1, vamos dividir, ambos os lados, a
equao (1) por 70, obtendo:
(1) x1 + 70
1
F1 31 F4 = 10
Para eliminar x1 da equao (0) podemos tirar o valor de x1 da nova equao (1) e
substituir na equao (0) ou podemos multiplicar a nova equao (1) por 20 e somar
equao (0), obtendo:
Z 20x1 + 20F4 = 3600

20 20
20x1 + F1 F4 = 200 +
70 3
20 40
Z+ F1 + F4 = 3800
70 3
Para eliminar x1 da equao (2), podemos multiplicar a nova equao (1) por 90
e somar a eq.(2), obtendo:
50
90x1 + F2 F4 = 1500
3
90
90x1 F1 + 30F4 = 900 +
70
90 40
F1 + F2 + F4 = 600
70 3
Para eliminar x1 da equao (3), multiplicamos a nova equao (1) por 2 e soma-
mos a equao (3), obtendo:
2x1 + F3 = 80
2 2
2x1 F1 + F4 = 20 +
70 3
2 2
F1 + F3 + F4 = 60
70 3
2.3 Situaes que podem acontecer no Mtodo Simplex 43
A nova soluo bsica fica ento como:

20 40
(0) Z+ F1 + F4 = 3800
70 3
1 1
(1) x1 + F1 F4 = 10
70 3
90 40
(2) F1 + F2 + F4 = 600
70 3
2 2
(3) F1 + F3 + F4 = 60
70 3
1
(4) x2 + F4 = 60
3

x 1 = 10
( )

F2 = 600 F1 = 0

VB VNB

F3 = 60
F4 = 0

x2 = 60
Z = 3800
Temos que testar se esta soluo a tima. Como antes, ela tem 2 adjacentes: uma
em que F1 passaria a ser varivel bsica e outra em que F4 que seria a nova
bsica. Vamos examinar a equao de Z:
20 40
Z = 3800 F1 F4
70 3
Como F1 e F4 s podem assumir valores 0, tanto uma opo quanto outra iriam
diminuir o valor de Z se virassem variveis bsicas. Logo, a ltima soluo a
soluo
tima e pode ser representada como:

x1 = 10

( )

F2 = 600 F1 = 0

VB VNB

F
3 = 60

F4 = 0

x2 = 60
Z = 3800
O * representa o valor timo da varivel.
2.3 Situaes que podem acontecer no Mtodo Simplex
2.3.1 Empate na escolha da varivel entrante

Suponha que em um modelo cujo objetivo seja maximizar Z, tenhamos, em deter-
minada iterao, a seguinte equao (0):
(0) Z 60x1 60x2 = 0
As variveis x1 e x2 so as candidatas a varivel entrante e para escolher uma
delas escrevemos a equao como: Z = 60x1 + 60x2 .
44 O Mtodo Simplex
Tanto x1 quanto x2 do, por unidade, o mesmo ganho (60) para Z. Em resumo
h um empate na escolha da varivel entrante e a escolha deve ser arbritria.
No h como prever a escolha que minimizaria o nmero de iteraes a serem
realizadas at se chegar a soluo tima.
2.3.2 Empate na escolha da varivel sainte

Seja a seguinte soluo bsica (em um modelo de maximizao):
(0) Z 20x1 + 20F4 = 3600

70
(1) 70x1 + F1 F4 = 700
3
50
(2) 90x1 + F2 F4 = 900
3
(3) 2x1 + F3 = 80
1
(4) x2 + F4 = 60
3

F 1 = 700
( )

F2 = 1500 x1 = 0

VB VNB

F 3 = 80

F4 = 0

x2 = 60
Z = 3600
Reescrevendo a equao (0), Z = 3600 + 20x1 20F4 , podemos ver que x1 a
varivel entrante. Para escolher a sainte, vamos explicitar as equaes em funo
das candidatas, que so as variveis bsicas:
70
(1) F1 = 700 70x1 + F4
3
50
(2) F2 = 900 90x1 + F4
3
(3) F3 = 80 2x1
1
(4) x2 = 60 F4
3
F4 pode ser desconsiderada por ser no bsica (= 0) e no a entrante. Na 1a
podemos levar x1 at 10, na 2a tambm podemos lev-lo at 10. Na 3a at 40 e na
4a at .
Temos ento um empate na escolha da varivel sainte: tanto F1 quanto F2 chegam
a zero quando x1 chega a 10. Aqui tambm a escolha arbritria, mas vamos
ver o que acontece na prxima soluo bsica. Escolhendo, arbritariamente, F1
como a sainte a prxima soluo fica como:
20 40
(0) Z+ F1 +F4 = 3800
70 3
1 1
(1) x1 + F1 F4 = 10
70 3
90 40
(2) F1 + F2 + F4 = 0
70 3
2 2
(3) F1 + F3 + F4 = 60
70 3
1
(4) x2 + F4 = 60
3
x = 10
1

( )

F2 = 0 F1 = 0

VB VNB

F 3 = 60

F4 = 0

x2 = 60
Z = 3800
Observando o conjunto de variveis bsicas notamos que uma delas, F2 ou seja a
no escolhida no empate, uma varivel bsica degenerada, ou seja, igual a zero.
Sempre que houver empate entre n candidatas varivel sainte, aparecero, na
prxima soluo bsica, n 1 variveis bsicas degeneradas.
Este fato no afeta o mtodo e, caso a soluo no seja a tima, o simplex
deve ser continuado normalmente, devendo as variveis degeneradas se-
rem tratadas como variveis bsicas normais.
Est provado (existem vrios modelos publicados) que o empate na esco-

lha da varivel sainte, pode levar o simplex a entrar em loop, ou seja
voltar a uma soluo por onde ele tenha passado. Como este fato ra-
rssimo, os pacotes de computador que implementam o simplex, em seu
processo default, simplesmente ignoram a possibilidade de que a so-
luo do modelo pode levar a um loop infinito. A incluso de rotinas
(existem vrias) para contornar este problema onera muito, em termos
de tempo, a obteno da soluo tima.
46 O Mtodo Simplex
2.3.3 No existncia de varivel sainte

Suponha que na escolha da varivel sainte temos a seguinte situao: x1 a va-
rivel entrante e F1 , F2 e F3 so as candidatas a varivel sainte. As restries, em
funo das candidatas a sainte so:
(1) F1 = 5 + x1 + 3x2
(2) F2 = 29 2x2
(3) F3 = 12 + 2x1 .
At onde podemos levar x1 sem tornar negativa qualquer outra varivel ?
Observe que x2 varivel no bsica, no entrante ou seja vai continuar como
no bsica (= 0).
Na 1a equao o valor de x1 , que s pode ser 0, pode ir at o que F1 no che-
gar a zero. Na equao (2) no aparece x1 . Logo qualquer valor que ele assumir
(at o ) no vai influenciar o valor de F2 . Pela 3a equao, tambm x1 pode ir at
o que F3 no chegar a zero.
Como vimos, o valor de x1 poder ir at o que nenhuma das candidatas a vari-
vel sainte chegar a zero. Em outras palavras, no existe varivel sainte. Quando
temos este caso, temos um modelo com soluo ilimitada ou seja Z = se o
problema de maximizao ou Z = se o modelo de minimizao.
No mundo real quando isto acontece porque o modelo tem algum erro na sua
formulao pois no existe objetivo igual a na vida real.
2.3.4 Mltiplas (infinitas) solues timas

Seja o seguinte modelo de Programao Linear:
(MAX) Z = 8x1 + 8x2
s.a.
2x1 + 2x2 12
2x1 + x2 9
x1 + 3x2 16
x1 ,x2 0
Resolvendo graficamente, temos:
x2
Z = 24
B
Z = 16
A
x1
Como as retas Z so paralelas a um dos lados do espao soluo, a reta de Z tima

se confunde com o prprio lado do espao soluo e todos os pontos do segmento de
reta (A B) so pontos timos. Como em um segmento de reta temos um no infinito
de pontos temos um no infinito de solues timas.
Como o simplex vai nos mostrar que temos infinitas solues timas ? Aplicando-se
o simplex ao modelo temos:
(0) Z 8x1 8x2 = 0
(1) 2x1 + 2x2 + F1 = 12
(2) 2x1 + x2 + F2 = 9
(3) x1 + 3x2 + F3 = 16

1
F = 12 ( )
x1 = 0

VB F2 = 9 VNB
x2 = 0
F3 = 16

Z=0
Varivel entrante: x1 Varivel sainte: F2
Nova soluo bsica:
(0) Z 4x2 + 4F2 = 36
(1) x2 + F1 F2 = 3
1 1 9
(2) x1 + x2 + F2 =
2 2 2
5 1 23
(3) x2 F2 + F3 =
2 2 2

F 1 = 3

9
( )
x2 = 0

VB x1 = VNB
2 F2 = 0
F3 = 23

2
Z = 36
Varivel entrante: x2 Varivel sainte: F1
Nova soluo bsica:
(0) Z + 4F1 = 48
(1) x2 + F1 F2 = 3
1
(2) x1 F1 + F2 = 3
2
5
(3) F1 + 2F2 + F3 = 4
2

2x
= 3 ( )
F
= 0

VB x1 = 3 VNB 1
F2 = 0
F3 = 4

Z = 48
A soluo tima e o ponto A do grfico, ou seja um dos extremos do segmento
de reta timo.
48 O Mtodo Simplex
Como o simplex nos indica que o modelo tem infinitas solues timas ? Se obser-
varmos a equao de Z tima, Z + 4F1 = 48, podemos observar que ela tem uma
caracterstica incomum: uma varivel no bsica, F2 , no aparece, ou seja tem
coeficiente igual a 0, na equao. O fato de uma, ou mais, variveis no bsicas
no aparecerem (coeficiente igual a 0) na equao (0) da soluo tima, indica que
o modelo tem infinita solues timas. Como obt-las ?
Podemos fazer com que F2 , a varivel no bsica que no aparece na equao de
Z, seja varivel entrante. Como o seu coeficiente igual a 0, ela no vai alterar o
valor timo de Z.
Escolhemos a varivel sainte pelo processo normal e obtemos:
Varivel entrante: F2 Varivel sainte: F3
Nova soluo bsica:
(0) Z + 4F1 = 48
1 1
(1) x2 F1 + F3 = 5
4 2
3 1
(2) x1 + F1 F3 = 1
4 2
5 1
(3) F1 + F2 + F3 = 2
4 2
x2 = 5
( )
F
= 0
VB x1 = 1 VNB 1
F 3 = 0

F2 = 2

Z = 48
A nova soluo, que tambm tima, o ponto B do grfico, ou seja o outro extremo
do segmento de reta.
Como o nosso modelo um modelo de 2 variveis de deciso (x1 e x2 ), o lado do
espao soluo um segmento de reta. Para se definir qualquer ponto de um seg-
mento de reta precisamos de 2 pontos do segmento. O simplex nos deu os 2 pontos:
A:(3,3) e B:(1,5). Como definir genericamente um ponto (a,b) do segmento de reta
limitado pelos pontos (3,3) e (1,5) ?
Cada
ponto timo (a, b) deve obedecer a:
(a, b) = 1 (3, 3) + 2 (1, 5)

1 + 2 = 1
1 , 2 0
Generalizando,
se temos n pontos timos (p1 , p2 , . . . , pn), devemos ter:
(a, b, . . . , n) = 1 p1 + 2 p2 + . . . + npn

1 + 2 + . . . + n = 1
i 0
Resumindo, em um modelo de P.Linear com n variveis de deciso e mltiplas

(infinitas) solues timas temos que encontrar pelo Simplex n pontos timos.
Qualquer combinao linear destes n pontos ser tambm um ponto timo pois
ser um dos pontos do lado timo do espao soluo.
2.3.5 Modelos de Minimizao

Seja o seguinte modelo de programao linear:
(MIN) Z = 3x1 + 6x2 2x3 + 4x4
s.a.
x1 + 7x2 + 3x3 + 7x4 46
3x1 x2 + x3 + 2x4 8
2x1 + 3x2 x3 + x4 10
x1 , x2 , x3 , x4 0
Este um modelo de minimizao. O que muda no simplex quando o modelo de
minimizao ?
Muda o critrio de escolha da varivel entrante: Ser aquela que causar, por uni-
dade, a maior diminuio no valor da funo objetivo (Z).
Muda o critrio de parada: A soluo ser tima quando nenhuma das candidatas
varivel entrante diminuir o valor da funo objetivo (Z) se ela passar a ser b-
sica (entrante).
No muda o critrio da escolha da varivel sainte: Continua sendo o mesmo.
Se for desejvel, possvel trabalhar somente com maximizao no Simplex. Para
tanto, basta observar o grfico a seguir:
F (x)
f (x)
MIN f (x)
x0 x
MAX f (x)
f (x)
O que podemos inferir deste grfico, considerando que f (x) e f (x) so recpro-
cas ? O valor do mnimo de f (x) igual, em valor absoluto, ao valor do mximo
de f (x). Tambm podemos observar que o valor, x0 , que minimiza f (x) e que
maximiza f (x) o mesmo. Assim sendo, se quisermos achar o mnimo de f (x),
podemos multiplicar por 1 e achar o mximo de f (x).
No simplex podemos fazer a mesma coisa, qual seja multiplicar a funo objetivo
por 1 e resolver por maximizao. Quando tivermos a soluo tima do problema
de maximizao basta multiplicar o valor timo de Z por 1 para ter a soluo do
modelo de minimizao. Os valores das variveis o mesmo para os 2 problemas.
Exerccio: Resolver o modelo acima por minimizao e por maximizao.

Resposta: Z = 16
50 O Mtodo Simplex
2.3.6 Modelos com variveis irrestritas em sinal

Como definido anteriormente, variveis irrestritas em sinal so variveis que po-
dem assumir qualquer valor entre e +.
Seja o modelo a seguir:
(MIN) Z = 3x1 + 6x2 2x3 + 4x4
s.a.
x1 + 7x2 + 3x3 + 7x4 46
3x1 x2 + x3 + 2x4 8
2x1 + 3x2 x3 + x4 10
x1 , x3 , x4 0
x2 irrestrita em sinal
O Mtodo Simplex no admite variveis negativas, por esta razo impossvel tra-
balhar com o modelo acima sem transform-lo. Como resolver o problema ? Sim-
plesmente lembrando que qualquer quantidade negativa pode ser representada
como a diferena de 2 quantidades positivas. Assim, por exemplo, 4 pode ser a
diferena entre +6 e +10. Aplicando esta deduo ao nosso modelo, substitumos
x2 pela diferena de 2 variveis 0 em todo lugar onde x2 aparea.
Vamos fazer x2 = x5 x6 . Nosso modelo fica ento como:
(MIN) Z = 3x1 + 6x5 6x6 2x3 + 4x4
s.a.
x1 + 7x5 7x6 + 3x3 + 7x4 46
3x1 x5 + x6 + x3 + 2x4 8
2x1 + 3x5 3x6 x3 + x4 10
x1 , x3 , x4 , x5 , x6 0
Na soluo tima para se obter o valor timo de x2 fazemos:
x2 = x5 x6
Exerccio:Resolver o modelo acima.
Resposta: Z = 48 x2 = 8
No devemos confundir uma varivel irrestrita em sinal com uma varivel, por
exemplo x3 , para a qual exista uma restrio do tipo x3 4. Como esta va-
rivel pode assumir alguns valores negativos, o que no permitido no simplex,
temos que fazer uma substituio. Para isto criamos uma varivel no existente
no modelo, por exemplo x5 , e fazemos com que x5 seja igual a x3 + 4. Temos ento
x3 = x5 4. Substitumos, no modelo, cada x3 por x5 4, considerando x5 0.
Resolvemos o simplex e o valor timo de x3 ser igual x5 4
2.4 Outras formas de modelos - O Simplex de 2 fases 51
2.4 Outras formas de modelos - O Simplex de 2 fases

Seja o seguinte modelo de programao linear:
(MAX) Z = 4x1 + 3x2
s.a.
x1 + 2x2 = 10
6x1 + 6x2 40
x1 2
x2 0
Vamos resolver este modelo pelo simplex. Podemos escrever a equao de Z como:
(0) Z 4x1 3x2 = 0
A 1a restrio tem uma particularidade: ela uma igualdade ! Sendo uma igual-
dade, ela no tem folga. Do ponto de vista do problema fsico, este fato lgico pois
a restrio tem que ser satisfeita na igualdade. No entanto, para fazer o simplex,
este fato causa um problema pois as variveis de folga so as variveis bsicas da
soluo bsica inicial do simplex.
Como precisamos de uma varivel para ser a bsica inicial, vamos criar uma vari-
vel. Estas variveis, por no terem qualquer significado com o problema em si, so
na verdade um artifcio matemtico, recebem o nome de Variveis Artificiais.
Vamos rotular as variveis artificiais como Ai onde, por exemplo, A3 vai represen-
tar a varivel artificial colocada na restrio 3.
Podemos ento introduzir a varivel artificial na nossa restrio, obtendo:
(1) x1 + 2x2 + A1 = 10
Na 2a restrio, que tem o sinal , podemos colocar a varivel de folga:
(2) 6x1 + 6x2 + F2 = 40
Na 3a restrio o sinal do tipo . Aqui no temos folga e sim uma eventual sobra
se a restrio no for atendida na igualdade. Como todas as variveis, exceto Z
tem que ser 0, temos que colocar uma varivel de folga com sinal para trans-
formar a inequao em equao. Temos ento:
(3) x1 F3 = 2
Aqui temos outro problema para o simplex: F3 no pode ser usada como varivel
bsica inicial pois o seu valor seria igual a 2, o que o simplex no permite. Assim,
para ser uma varivel bsica inicial, vamos introduzir tambm uma outra varivel
artificial, obtendo:
(3) x1 F3 + A3 = 2
O nosso sistema de equaes lineares tem ento a seguinte aparncia:
(0) Z 4x1 3x2 = 0
(1) x1 + 2x2 + A1 = 10
(2) 6x1 + 6x2 + F2 = 40
(3) x1 F3 + A3 = 2
Temos no sistema 2 variveis artificiais: A1 e A3 . Como so artificiais, qual o valor
que se espera que estas variveis tenham na soluo tima ? ZERO !
Se aplicarmos diretamente o simplex sobre o sistema acima, no teremos nenhuma
garantia de que as variveis artificiais sero iguais a 0 na soluo tima.
52 O Mtodo Simplex
Na verdade um valor diferente de zero para qualquer destas variveis indicaria

que o modelo no tem soluo praticvel pois qualquer valor (6= 0) para uma va-
rivel artificial indicaria uma soluo impraticvel.
Para resolver isto vamos dividir o simplex em 2 fases: Na primeira vamos abando-
nar, provisoriamente, a funo objetivo original e criar uma outra funo objetivo,
que chamaremos de W , visando minimizar o somatrio das variveis artificiais. Se
a funo objetivo tima desta primeira fase for igual a zero, o modelo tem soluo
pois as variveis artificiais foram zeradas e podemos ento partir para a 2a fase
que objetivar otimizar a funo objetivo original.
Voltando ao nosso exemplo, podemos criar a funo objetivo da fase I que ser:
(MIN) W = A1 + A3 que, como j vimos, equivalente a (MAX) W = A1 A3 .
Esta transformao de minimizao em maximizao no obrigatria e, obvia-
mente, poderamos trabalhar com minimizao.
O sistema de equaes lineares fica como:
(0) W + A1 + A3 = 0
(1) x1 + 2x2 + A1 = 10
(2) 6x1 + 6x2 + F2 = 40
(3) x1 F3 + A3 = 2
Neste ponto devemos observar que as variveis A1 e A2 foram criadas para serem
as variveis bsicas iniciais. Pela estrutura utilizada no simplex, variveis bsicas
s devem aparecer uma nica vez com coeficiente igual a 1. Como podemos ver
acima, A1 e A3 esto aparecendo, indevidamente, na equao (0). Assim, antes de
comear o simplex temos que elimin-las de l. Mais uma vez, temos 2 formas de
fazer isto: obter os valores de A1 e A3 das equaes (1) e (3) e substituir na equao
(0) ou multiplicar as equaes (1) e (3) por 1 e som-las equao (0), obtendo:
W + A1 + A3 = 0
x1 2x2 A1 = 10 +
x1 + F3 A3 = 2
W 2x1 2x2 + F3 = 12
A soluo bsica inicial fica ento como:
(0) W 2x1 2x2 + F3 = 12
(1) x1 + 2x2 + A1 = 10
(2) 6x1 + 6x2 + F2 = 40
(3) x1 F3 + A3 = 2

A1 = 10
x1 = 0

VB F2 = 40 VNB x2 = 0

A3 = 2 F3 = 0

W = 12
Lembrando que o objetivo maximizar o valor de W , encontramos:
Varivel entrante: x1 Varivel sainte: A3
2.4 Outras formas de modelos - O Simplex de 2 fases 53
Nova soluo bsica:

(0) W 2x2 F3 + 2A3 = 8
(1) 2x2 + F3 + A1 A3 = 8
(2) 6x2 + F2 + 6F3 6A3 = 28
(3) x1 F3 + A3 = 2

A
1 = 8
A
3
= 0

VB F2 = 28 VNB x2 = 0

x1 = 2 F3 = 0

W = 8
Varivel entrante: x2 Varivel sainte: A1
Nova soluo bsica:
(0) W + A1 + A3 = 0
1 1 1
(1) x2 + F3 + A1 A3 = 4
2 2 2
(2) F2 + 3F3 3A1 3A3 = 4
(3) x F3 + A3 = 2
1
x2 = 4
A3 = 0

VB F2 = 4 VNB A1 = 0

x1 = 2 F3 = 0

W =0
Chegamos ao timo da fase I e o valor de W zero ou seja conseguimos levar a zero
as variveis artificiais.
Se no timo da fase I o valor timo de W diferente de zero, ou seja o valor timo
de uma ou mais variveis artificiais diferente de 0, significa que o modelo no
tem soluo praticvel. Quando isto acontece porque no existe nenhum ponto
que satisfaa a todas as restries ou, em outras palavras, o espao soluo o
conjunto vazio.
Como este no foi o caso do nosso exemplo, podemos passar para a fase II. Para
fazer isto, eliminamos a equao de W e todas as variveis artificiais. Trazemos
de volta a funo objetivo original, ficando nosso sistema como:
(0) Z 4x1 3x2 = 0

1
(1) x2 + F3 = 4
2
(2) F2 + 3F3 = 4
(3) x1 F3 = 2
Como x1 e x2 so variveis bsicas, elas tem que ser eliminadas da equao de Z.
54 O Mtodo Simplex
Podemos tirar o valor de x1 da equao (3) e de x2 da equao (1) e substituir na

equao (0). Podemos tambm multiplicar as equaes (1) e (3) por 3 e 4 e somar a
equao de Z. Temos ento:
Z 4x1 3x2 = 0
3
3x2 + F3 = 12 +
2
4x1 4F3 = 8
5
Z F3 = 20
2
A soluo bsica inicial da fase II fica como:
5
(0) Z F3 = 20
2
1
(1) x2 + F3 = 4
2
(2) F2 + 3F3 = 4
(3) x F3 = 2
1

x 2 = 4
n o
VB F2 = 4 VNB F3 = 0

x1 = 2

Z = 20
Lembrando que o objetivo maximizar o valor de Z, temos:
Varivel entrante: F3 Varivel sainte: F2
A nova soluo bsica fica como:
5 70
(0) Z+ F2 =
6 3
1 10
(1) x2 F2 =
6 3
1 4
(2) F2 + F3 =
3 3
1 10
(3) x1 + F2 =
3 3

10

x
=

2

3

n o
VB 4 VNB F2 = 0

F3 =

3

10

x1 =

3
70
Z = A soluo tima !
3
2.5 Novos algortimos 55
2.5 Novos algortimos

O mtodo Simplex foi desde 1947 (ano em que Dantzig o apresentou) at o final da
dcada de 1970 o nico algortimo prtico para a resoluo de modelos de P.Linear.
Todos os programas-pacotes, profissionais, para a resoluo de modelos de P.Linear
o utilizam apenas incorporando rotinas e artifcios visando diminuir o tempo de
processamento e reduzir os erros de arredondamento inerentes aos clculos efetu-
ados em computador.
Em 1979, no entanto, o matemtico russo L.G. Khachian publicou um artigo (Kha-
chian, L. G. 1979. A Polynomial Algorithm in Linear Programming. Soviet
Mathematics Doklady, Vol. 20: 191-194) apresentando um algortimo alternativo
para o Simplex. Embora tenha tido grande repercusso (a notcia, na poca, saiu
nos principais jornais do mundo, inclusive no Brasil) o algortimo, de grande sig-
nificado terico, no teve nenhuma repercusso prtica pois as solues timas
demoram muito mais tempo para serem encontradas do que usando-se o Simplex.
O Trabalho de Khachian levou, no entanto, a que numerosos pesquisadores tentas-
sem caminhos alternativos ao mtodo daquele matemtico.
Em 1984 Karmarkar, um pesquisador da AT&T Bell Laboratories, publicou um
artigo (Karmakar, N. 1984. A New Polynomial-Time Algorithm for Linear Pro-
gramming. Combinatorica, Vol. 4: 45-68) apresentando um novo algortimo que,
para determinados tipos de modelos (milhares de variveis e matrizes esparsas),
tem apresentado resultados superiores (mais rpidos) que o Simplex. J existem
vrios programas comerciais utilizando o algortimo de Karmakar.
Este algortimo, diferentemente do Simplex que pula de um ponto extremo para
outro (vrtices do espao soluo), um algortimo de ponto-interior, ou seja, ele
caminha por pontos dentro do espao soluo at chegar ao vrtice timo. Um dos
problemas desta nova abordagem encontrar o ponto inicial do algortimo. Este
ponto tem que ser um ponto do interior do espao soluo e em modelos com milha-
res de variveis e restries, no tarefa simples encontr-lo.
Como no poderia deixar de ser, existe muita pesquisa em relao ao assunto (h
muito dinheiro envolvido) e certo que esta nova variante de resoluo de modelos
de P.Linear ser aperfeioada.
56 O Mtodo Simplex
2.6 Exerccios
A) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = 3x1 + 2x2
s.a.
2x1 + 4x2 22
x1 + 4x2 10
2x1 x2 7
x1 3x2 1
x1 , x2 0
B) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = 4x1 + 3x2 + 6x3
s.a.
3x1 + x2 + 3x3 30
2x1 + 2x2 + 3x3 40
xi 0
C) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = 2x1 x2 + x3
s.a.
3x1 + x2 + x3 60
x1 x2 + 2x3 10
x1 + x2 x3 20
xi 0
2.6 Exerccios 57
D) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = 6x1 + 2x2 + 10x3 + 8x4
s.a.
3x1 3x2 + 2x3 + 8x4 25
5x1 + 6x2 4x3 4x4 20
4x1 2x2 + x3 + 3x4 = 10
xi 0
E) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = x1 + x2 + x3 + x4
s.a.
x1 + x2 2
x3 + x4 5
xi 0
F) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = 2x1 + 3x2
s.a.
x1 + 2x2 4
x1 + x2 = 3
xi 0
58 O Mtodo Simplex
G) Resolva o modelo a seguir pelo Simplex:
(MIN) Z = 4x1 + 3x2
s.a.
2x1 + x2 10
3x1 + 2x2 6
x1 + x2 6
xi 0
H) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = x1 + 4x2
s.a.
3x1 + x2 6
x1 + 2x2 10
x2 3
x1 Irrestrita em sinal
I) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = x1 + 2x2 x3
s.a.
2x1 x2 + 3x3 5
4x1 x2 + x3 4
x1 + 3x2 6
x1 , x2 Irrestritas em sinal
x3 0
2.6 Exerccios 59
J) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = 5x1 + 3x2 + 2x3 + 4x4
s.a.
5x1 + x2 + x3 + 8x4 = 10
2x1 + 4x2 + 3x3 + 2x4 = 10
xi 0
K) Resolva o modelo a seguir pelo Simplex:
(MIN) Z = 2x1 + 3x2 + x3
s.a.
x1 4x2 2x3 8
3x1 + 2x2 6
xi 0
L) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = 10x1 + 15x2 + 12x3
s.a.
5x1 + 3x2 + x3 9
5x1 + 6x2 + 15x3 15
2x1 + x2 + x3 5
xi 0
60 O Mtodo Simplex
M) Resolva o modelo a seguir pelo Simplex:
(MAX) Z = 2x1 2x2 + 2x3
s.a.
x1 + 2x2 + 4x3 = 20
2x1 x2 + 12x3 60
xi 0

A) x1 = 5 x2 = 3 Z = 21
20
B) x1 = 0 x2 = 10 x3 = Z = 70
3
C) x1 = 15 x2 = 5 x3 = 0 Z = 25
D) Soluo Ilimitada (Z = )
E) Pontos timos obtidos pelo simplex: (2,0,5,0) (0,2,5,0) (0,2,0,5) (2,0,0,5) Z = 7
(a, b, c, d) = 1 (2, 0, 5, 0) + 2 (0, 2, 5, 0) + 3 (0, 2, 0, 5) + 4 (2, 0, 0, 5)

Pi 0
i = 1
F) x1 = 2 x2 = 1 Z = 7
G) x1 = 4 x2 = 2 Z = 22
H) Substitua x1 por (x3 x4 ).
Substitua x2 por (x5 3).
2 36 146
Aplique o simplex e substitua de volta. x1 = x2 = Z =
7 7 7
I) Substitua x1 e x2 pela diferena de 2 variveis 0.
Aplique o simplex e substitua de volta.
9 7 23
x1 = x2 = x3 = 0 Z =
5 5 5
5 5 40
J) x1 = x2 = x3 = 0 x4 = 0 Z =
3 3 3
4 9
K) x1 = x2 = x = 0 Z = 7 (Infinitas solues)
5 5 3
L) Sem soluo praticvel
M) x1 = 0 x2 = 0 x3 = 5 Z = 10
Captulo 3
Anlise depois do timo
Vimos nos captulos anteriores como obter uma soluo tima para um modelo
de P.Linear. Normalmente, em aplicaes reais, somente a soluo tima no
suficiente para se ter todo tipo de informaes que queremos. Assim, comum se
desejar saber o que aconteceria com a soluo do modelo se um dos parmetros
sofresse algum tipo de variao. Uma alternativa bvia seria resolver o modelo
modificado e obter a nova soluo tima. Este processo no entanto demorado e
caro pois implicaria no uso, repetida vezes, do computador.
Veremos neste captulo que, sem resolver o modelo novamente, possvel obter
quase todas as informaes necessrias em conseqncia de variaes nos parme-
tros do modelo.
Para uma melhor compreenso das tcnicas usadas vamos trabalhar com o se-
guinte exemplo:
Uma empresa produz 3 produtos em uma de suas fbricas. Na fabricao dos 3
produtos, 3 insumos so crticos em termos de restringir a capacidade de produo
possvel: a mo de obra disponvel, a quantidade de matria prima e o espao para
a armazenagem das unidades produzidas. Assim, o Depto de Produo j sabe que,
para o prximo ms, a fbrica ter disponvel 100 kilos de matria prima, 360 m2
de rea para estocar as unidades produzidas e 400 homenshora de mo de obra.
Cada unidade produzida do produto 1 consome 1 kilo de matria prima, precisa de
6 m2 para ser armazenada e necessita de 8 homenshora em termos de mo de
obra. J cada unidade do produto 2 consome 2 kilos de matria prima, necessita
tambm de 6 m2 para ser armazenada e envolve o uso de 4 homenshora de mo
de obra. Por sua vez, cada unidade produzida do produto 3 precisa de 2 kilos de
matria prima, 4 m2 para ser armazenada e o trabalho equivalente a 4 homens
hora.
Reduzindo do preo de venda todos os custos diretos e indiretos, foi determinado
que o lucro unitrio igual a $4 para o produto 1, $5 para o produto 2 e $3 para
cada unidade produzida do produto 3.
Levando em conta que o objetivo da empresa maximizar o lucro com a produo
e a venda dos 3 produtos foi formulado o seguinte modelo de P.Linear visando de-
terminar as quantidades que deveriam ser fabricadas de cada produto no prximo
ms.
Variveis de deciso:
xi no de unidades a serem produzidas, no prximo ms, do produto i(i =
1, 2, 3).
62 Anlise depois do timo
O modelo fica como:
(MAX) Z = 4x1 + 5x2 + 3x3
s.a
x1 + 2x2 + 2x3 100 (matria prima kilos)
6x1 + 6x2 + 4x3 360 (espao m2 )
8x1 + 4x2 + 4x3 400 (mo de obra HH)
xi 0
Submetido ao Simplex, a soluo apresentou as seguintes solues bsicas onde (I)
a soluo inicial e (F) a soluo final ou seja, a tima:
Soluo (I)
(0) Z 4x1 5x2 3x3 = 0
(1) x1 + 2x2 + 2x3 + F1 = 100
(2) 6x1 + 6x2 + 4x3 + F2 = 360
(3) 8x1 + 4x2

+ 4x3 + F
3 = 400

F = 100 x = 0

1 1

VB VNB

F2 = 360
x2 = 0

F3 = 400 x3 = 0

Z=0
Varivel entrante: x2 Varivel Sainte: F1
Nova soluo bsica:
3 5
(0) Z x1 + 2x3 + F1 = 250
2 2
1 1
(1) x1 + x2 + x3 + F1 = 50
2 2
(2) 3x1 2x3 3F1 + F2 = 60
(3) 6x1 F1 + F3 = 200

x2 = 50
x1 = 0

VB F2 = 60 VNB F1 = 0

F3 = 200 x3 = 0

Z = 250
3.1 Anlise de Sensibilidade 63
Soluo (F)
1
(0) Z + x3 + F1 + F2 = 280
2
4 1
(1) x2 + x3 + F1
F2 = 40
3 6
2 1
(2) x1 x3 F1 + F2 = 20
3 3
(3) 4x3 + 4F1 2F2 + F3 = 80

x2 = 40 F1 = 0

VB x1 = 20 VNB F2 = 0

F3 = 80 x3 = 0

Z = 280

3.1 Anlise de Sensibilidade

Na prtica, muito raro que se consiga determinar os parmetros (cj , aij e bi) de
determinado modelo com certeza absoluta. Na realidade normalmente os par-
metros do modelo so simples estimativas sujeitas a certo grau de incerteza. Em
consequncia deste fato normal que se queira avaliar os efeitos de mudanas na
soluo tima encontrada, se alteramos um ou mais parmetros do modelo, logica-
mente sem precisar resolver o modelo novamente.
Assim a Anlise de Sensibilidade, tambm chamada de Anlise de Ps-Optima-
lidade, o estudo do efeito na soluo tima de alteraes efetuadas nos
parmetros de determinado modelo. Por ser demorada e cara, a anlise feita
resolvendo-se novamente o modelo s adotada em ltimo caso. As diferentes ca-
tegorias de alteraes que podemos analisar so:
a) Alteraes nos coeficientes da funo objetivo (cj ).
b) Alteraes nas constantes do lado direito (bi).
c) Alteraes nos coeficientes das restries (aij ).
d) Incluso de uma nova varivel.

3.2 Anlise de Sensibilidade dos Coeficientes da Funo Ob-

jetivo
3.2.1 De variveis no bsicas na soluo tima

Vamos examinar, por exemplo, a varivel x3 que representa o no de unidades a se-
rem produzidas do produto 3.
Vamos responder a seguinte questo: Se o coeficiente de x3 na funo objetivo (lu-
cro unitrio) for menor que 3, a soluo (F) continua sendo a tima ?
Por intuio, podemos ver que a resposta para esta pergunta sim, pois se um lu-
cro igual a 3 no foi suficiente para tirar x3 de zero, um lucro menor, menos ainda.
Mas se o coeficiente de x3 for maior que 3, a soluo (F) continua sendo a tima ?
Para responder a esta pergunta podemos imaginar um coeficiente, para x3 , maior
que 3 na soluo inicial e, baseando-nos nas propriedades dos sistemas de equaes
lineares, calcular como ficaria a equao de Z (equao 0) no sistema timo (F).
Lembre-se que para saber se uma soluo tima ou no, temos que examinar a
equao de Z (equao 0).
Seja ento 3 + o coeficiente de x3 , onde 0.
Temos ento:
(0)I Z 4x1 5x2 (3 + )x3 = 0
Podemos escrever:
(0)I Z 4x1 5x2 3x3 x3 = 0
Se chamarmos x3 de k, podemos escrever:
(0)I Z 4x1 5x2 3x3 + k = 0
Se com esta equao (0) no sistema inicial (I) aplicssemos o Simplex, como ela
chegaria no sistema (F) ?
Considerando que a varivel k s aparece na equao (0) e como durante o sim-
plex somamos e subtramos equao (0) mltiplos das outras equaes (restries)
nas quais k no aparece, teramos:
1
(0)F Z + x3 + k + F1 + F2 = 280
2
Substituindo pelo valor de k, temos:
1
(0)F Z + x3 x3 + F1 + F2 = 280
2
1
(0)F Z + (1 )x3 + F1 + F2 = 280
2
A equao acima seria a equao (0) da soluo (F) se o coeficiente original de x3
fosse 3 + . Para esta soluo continuar sendo a tima, lembrando-nos que o mo-
delo de maximizao, temos que garantir que:
10
Logo temos que ter:
1
Se > 1 a soluo (F) deixa de ser tima pois x3 ser varivel entrante porque
seu coeficiente seria menor que zero.
Antes de prosseguirmos com a anlise, vamos definir 2 valores que balizam os re-
sultados que so obtidos na Anlise de Sensibilidade:
3.2 Anlise de Sensibilidade dos Coeficientes da Funo Objetivo 65
Upper Limit (limite superior)

o maior valor que um coeficiente pode assumir sem alterar a soluo tima.
Lower Limit (limite inferior)
o menor valor que um coeficiente pode assumir sem alterar a soluo tima.
O Upper e o Lower limit so representados como [LL; U L], ou seja entre colchetes
e separados por ponto e vgula.
importante observar uma premissa bsica na determinao do

Lower e do Upper Limit para os parmetros de um modelo de
P.Linear. Quando se diz na definio de ambos os valores sem
alterar a soluo tima, queremos dizer sem alterar o time de
variveis bsicas e conseqentemente o de variveis no bsi-
cas. Em outras palavras se o [LL; U L] , por exemplo, [2; 12], isto
significa que neste intervalo fechado, o time de variveis bsi-
cas (e no bsicas) no se altera podendo, no entanto, se alterar
o valor numrico delas.
Assim, o lower e o upper limit para o coeficiente de x3 na funo objetivo : [0; 3 +

] ou seja [0; 4].
importante observar a diferena entre o lower limit matemtico e o lower limit
prtico. Matemticamente, o lower limit , mas como o coeficiente de x3 re-
presenta lucro unitrio, o lower limit 0 pois o lucro unitrio no deve ser menor
que zero.
Outro ponto a ser observado que o valor de igual ao coeficiente de x3 na
equao (0) do sistema timo (F). Na verdade, para variveis no bsicas, ser
sempre igual quele valor.
3.2.2 De variveis bsicas na soluo tima

Conhecendo agora o que significam o lower e o upper limit podemos fazer a seguinte
pergunta: Qual o lower e o upper limit do coeficiente de x1 na funo objetivo ?
Vamos supor que o coeficiente de x1 original seja 4 + .
Logo a equao (0) seria:
(0)I Z (4 + )x1 5x2 3x3 = 0
Separando, temos:
(0)I Z 4x1 x1 5x2 3x3 = 0
Chamando x1 de k, temos:
(0)I Z 4x1 + k 5x2 3x3 = 0
Como a varivel k s aparece na equao (0) original, na soluo (F) teramos:
1
(0)F Z + k + x3 + F1 + F2 = 280
2
Substituindo k por x1 temos:
1
(0)F Z x1 + x3 + F1 + F2 = 280
2
Como x1 varivel bsica, temos que elimin-la da equao (0). Para isto multi-
plicamos a equao (2), que onde x1 aparece como bsica na soluo (F), por e
somamos equao (0),
obtendo:
2 1 1

(0)F Z + 1 x3 + [1 ] F1 + + F2 = 280 + 20
3 2 3
Para garantir que a soluo (F) continua sendo a tima, temos que ter todos os
coeficientes 0, ou seja:
2 3
1 0
3 2
10 1
1 1 3
+ 0
2 3 2
Como h superposio temos:
2 0 1 2

3 3
Assim, os valores vlidos para so:

3
1
2
Logo para o coeficiente de x1 na funo objetivo temos:
3

4 ; 4 + 1 ou [2, 5; 5]
2
Se o lucro unitrio do produto 1 estiver neste intervalo a soluo (F) continua sendo
a tima.
Exerccio: Achar o lower e o upper limit para o coeficiente de x2 na funo obje-
tivo.
17

Resp: ;8
4
3.3 Anlise de Sensibilidade das constantes do lado direito 67
3.3 Anlise de Sensibilidade das constantes do lado direito

Neste tipo de anlise queremos a responder a perguntas do tipo: Qual o lower e
o upper limit da constante do lado direito da 3a restrio, ou seja qual a faixa de
variao da mo de obra (homenshora) que mantm a soluo (F) como sendo a
soluo tima ?
Vamos supor que a constante do lado direito, original, da 3a restrio seja 400 + ;
onde um valor qualquer.
Temos ento:
(3)I 8x1 + 4x2 + 4x3 + F3 = 400 +
Podemos observar que e a varivel F3 possuem, no sistema (I), as mesmas condi-
es, ou seja, ambas s aparecem uma nica vez, com coeficiente 1, na 3a restrio.
Em resumo tudo que acontecer, durante o simplex, com F3 , acontecer com .
Como no sistema (F) a varivel F3 aparece exatamente da mesma forma, ou seja,
somente na 3a restrio, teremos:
(3)F 4x3 + 4F1 2F2 + F 3 = 80 +
Para uma soluo ser tima ela antes tem que ser praticvel. Logo como os valores
do lado direito representam os valores das variveis bsicas, eles tem que ser 0
pois, exceto Z, todas as variveis tem que ser 0 para (F) continuar sendo prati-
cvel e conseqentemente tima. Assim, para que a soluo (F) continue sendo a
tima, basta que:
80 + 0 80
Ento para temos que ter: 80
Logo para a constante do lado direito da 3a restrio temos:
[400 80; 400 + ] ou [320; ]
Na verdade j sabamos que o Upper Limit era pois na soluo tima o valor
timo de F3 era 80. Como F3 representa a folga na mo de obra, o seu valor timo
maior que zero indica que na soluo tima j no se est usando toda a mo de
obra disponvel. Desta forma o aumento da mo de obra disponvel, de qualquer
quantidade, no vai provocar qualquer alterao na soluo tima.
Vamos responder agora a mesma pergunta anterior para a constante do lado di-
reito da 1a restrio. Temos ento:
(1)I x1 + 2x2 + 2x3 + F1 = 100 +
Usando o raciocnio anterior, tudo que acontecer com F1 acontecer com . Assim
no sistema
(F), teremos:

1
(0) Z + x3 + F1 + F2 = 280 +

2

(1) x2 + 4 x3 + F1 1 F2 = 40 +

(F) 3 6
2 1

(2) x 1 x 3 F 1 + F2 = 20
3 3

(3) 4x3 + 4F1 2F2 + F3 = 80 + 4

Para a soluo (F) continuar sendo a tima, todas as constantes do lado direito,
exceto a da equao 0 (valor de Z), devem ser 0. Logo deveremos ter:
40 + 0 40
20 0 20
80 + 4 0 20
Como h superposio temos:
40 20 0 20
Logo o valor de deve ser: 20 20

Para a constante do lado direito da 1a restrio podemos escrever ento:
[100 20; 100 + 20] ou [80; 120]
Assim, se quantidade de matria prima estiver entre 80 e 120 kilos o time de vari-
veis bsicas timas e conseqentemente o de variveis no bsicas, ser o mesmo
do encontrado na soluo (F).
Mas se, por exemplo, o valor de for igual a 10, ou seja se tivermos 110 kilos de
matria prima o valor numrico timo das variveis bsicas vai ser diferente pois
teremos:
Z = 290
x2 = 50
x1 = 10
F3 = 120
Aqui fica evidente o conceito de upper e lower limit. Como o time de variveis b-
sicas (e no bsicas) no se alterou, dizemos que a soluo tima permaneceu
a mesma, mesmo tendo mudado o seu valor numrico.
Exerccio: Achar o lower e o upper limit para a constante do lado direito da 2a
restrio.
Resp: [300; 400]
3.4 Dualidade 69
3.4 Dualidade
O termo dualidade refere-se ao fato de que cada modelo de P.Linear consiste de 2
formas. A primeira, ou original, chamada de primal e a segunda forma do mo-
delo chamada de dual. Como seria esperado, as propriedades de uma das formas
do modelo esto relacionadas com as propriedades da outra. Como resultado disto
possvel, dada a soluo tima de uma das formas do modelo, encontrar a soluo
tima da outra forma do modelo.
A soluo do chamado modelo dual fornece informaes significativas sobre as
questes econmicas existentes em qualquer modelo de P.Linear.
3.4.1 Modelos Primal e Dual

Consideremos o seguinte par de modelos de P.Linear:
(MAX) Z = 4x1 + 5x2 + 9x3 (MIN) Y = 16y1 + 25y2
s.a s.a
x1 + x2 + 2x3 16 y1 + 7y2 4
e
7x1 + 5x2 + 3x3 25 y1 + 5y2 5
x1 , x2 , x3 0 2y1 + 3y2 9
y1 , y2 0
Chamaremos o 1o modelo de modelo Primal e o 2o modelo de modelo Dual. Podera-
mos ter chamado o 2o de primal e a o 1o, seria o dual.
Observando os 2 modelos, reparamos que eles so relacionados. Assim as constan-
tes do lado direito do 1o modelo so os coeficientes da funo objetivo do 2o. Os
coeficientes da funo objetivo do 1o modelo so as constantes do lado direito do 2o.
Os coeficientes da 1a linha do primeiro (1, 1 e 2) so os coeficientes da 1a coluna do
2o e assim por diante.
Em resumo, fica claro que, dado um dos modelos, podemos construir o outro. Vere-
mos mais adiante em detalhes como fazer isto, ou seja, dado um dos modelos como
construir o outro.
3.4.2 Teorema Dual

Suponha que no exemplo acima x1 , x2 e x3 sejam valores praticveis para o modelo
primal e y1 e y2 sejam valores praticveis para o modelo dual.
Se multiplicamos a 1a restrio do primal por y1 e a 2a por y2 e somamos as duas,
vamos ter:
y1 x1 + y1 x2 + 2y1 x3 + 7y2 x1 + 5y2 x2 + 3y2 x3 16y1 + 25y2
Se, da mesma forma, multiplicarmos a isima restrio do dual por xi e somarmos
as 3, teremos:
x1 y1 + 7y2 x1 + y1 x2 + 5y2 x2 + 2y1 x3 + 3y2 x3 4x1 + 5x2 + 9x3
Como podemos observar, os lados esquerdos das 2 inequaes so iguais e pode-se

escrever ento:
16y1 + 25y2 4x1 + 5x2 + 9x3
ou
Y Z
Este resultado implica em que o valor da funo objetivo de uma soluo praticvel
de um dos modelos um limite para qualquer outra soluo praticvel do outro
modelo.
Assim, por exemplo, se considerarmos a soluo praticvel, para o modelo primal,
em que x1 = 1, x2 = 2 e x3 = 2, dando um valor igual a 32 para Z e a soluo
praticvel y1 = 0 e y2 = 3 para o dual, dando um valor igual a 75 para Y , que
concluso podemos tirar ?
Qualquer soluo praticvel, inclusive a tima, para o primal ser menor ou igual
a 75 e qualquer soluo praticvel, inclusive a tima, para o dual ser maior ou
igual a 32. A concluso bvia que a soluo tima ser aquela em que Z = Y .
Podemos ento formular o enunciado do chamado Teorema Dual:
No evento em que tanto o modelo dual quanto o primal possuam
solues praticveis, temos que: Z = Y , ou seja, o valor timo
dos 2 modelos o mesmo.
Um corolrio deste teorema que se um dos modelos tem soluo ilimitada, ento
o outro modelo no tem soluo praticvel pois caso tivesse, seria uma contradio
ao exposto anteriormente.
Logo podemos enunciar o corolrio como:
Se um dos modelos tem soluo tima ilimitada (Z ou Y = ),
ento o outro modelo no tem soluo praticvel.
3.4 Dualidade 71
3.4.3 Relao entre o Primal e o Dual

Como vimos anteriormente, dado um modelo de P.Linear pode-se, atravs de regras
conhecidas, construir o outro modelo. A tabela abaixo d as relaes existentes en-
tre os 2 modelos:
Modelo Primal Modelo Dual

(MAX) com todas as restries ou = (MIN) com todas as restries ou =
(MIN) com todas as restries ou = (MAX) com todas as restries ou =
restrio varivel
varivel restrio
Coeficientes da funo objetivo Constantes do lado direito
Constantes do lado direito Coeficientes da funo objetivo
j-sima coluna de coeficientes j-sima linha de coeficientes
j-sima linha de coeficientes j-sima coluna de coeficientes
j-sima varivel 0 j-sima restrio (MIN) ou (MAX)
j-sima varivel irrestrita em sinal j-sima restrio com sinal de =
j-sima restrio com sinal ou j-sima varivel 0
j-sima restrio com sinal de = j-sima varivel irrestrita em sinal
Exemplo: Construir o Dual do modelo a seguir:
(MIN) Z = 3x1 4x2 + x3 2x4
s.a
2x1 + x2 + 2x3 + x4 = 10
x3 + 2x4 10
x1 + x2 x4 5
2x1 + 3x2 + x3 + x4 5
2x1 + 3x2 + x3 + x4 20
x1 , x2 , x3 0
Antes de se aplicar a tabela devemos colocar o modelo primal dentro das regras que
permitem o uso da tabela.
Assim, como o primal um modelo de minimizao, devemos fazer com que todas
as restries sejam do tipo ou =.
necessrio ento que todas as restries do tipo sejam multiplicadas (ambos
os lados) por 1, invertendo seu sinal.
Devemos lembrar tambm que cada restrio do primal teremos uma varivel
correspondente no Dual.
Transformando o Primal temos:

(MIN) Z = 3x1 4x2 + x3 2x4
s.a
2x1 + x2 + 2x3 + x4 = 10 y1
x3 2x4 10 y2
x1 x2 + x4 5 y3
2x1 + 3x2 + x3 + x4 5 y4
2x1 3x2 x3 x4 20 y5
x1 , x2 , x3 0
Podemos agora aplicar a tabela e construir o modelo Dual:
(MAX) Y = 10y1 10y2 5y3 + 5y4 20y5
s.a
2y1 + y3 + 2y4 2y5 3 x1
y1 y3 + 3y4 3y5 4 x2
2y1 y2 + y4 y5 1 x3
y1 2y2 + y3 + y4 y5 = 2 x4
y2 , y3 , y4 , y5 0
y1 Irrestrita em sinal
3.5 Valor timo das variveis do Modelo Dual

Assumindo que o primal foi resolvido por maximizao temos:
a) Y = Z (teorema dual)
b) O valor timo da varivel yj igual ao coeficiente da varivel de folga da j-sima
restrio na equao (0) do sistema timo primal.
Propriedade Adicional
O coeficiente da varivel xj na equao (0) do sistema timo primal igual a dife-
rena entre os lados esquerdo e direito da j-sima restrio dual associada.
Vamos voltar ao modelo que vimos no incio da Anlise de Sensibilidade:

(MAX) Z = 4x1 + 5x2 + 3x3 (Lucro total)
s.a
6x1 + 6x2 + 4x3 360 (espao m2 )
8x1 + 4x2 + 4x3 400 (mo de obra HH)
xi 0
O modelo dual fica como:
3.5 Valor timo das variveis do Modelo Dual 73
(MIN) Y = 100y1 + 360y2 + 400y3

s.a
y1 + 6y2 + 8y3 4
2y1 + 6y2 + 4y3 5
2y1 + 4y2 + 4y3 3
yi 0
Da soluo (F), tima, podemos tirar os valores timos do Dual:
Y = Z = 280
y1 = coeficiente de F1 em (0)F = 1
1
y2 = coeficiente de F2 em (0)F =
2
y3 = coeficiente de F3 em (0)F = 0
Vamos usar estes resultados para verificar a propriedade adicional enunciada an-
teriormente.
O coeficiente de x1 na equao (0)F 0. Se a propriedade vlida, a diferena
entre os lados esquerdo e direito da 1a restrio do modelo dual tem que ser igual
a 0.
Restrio Dual y1 + 6y2 + 8y3 4
Lado Esquerdo y1 + 6y2 + 8y3
Lado Direito 4
Pela propriedade: Lesq Ldir = 0
Temos, usando os valores timos dos yi s:
1
Lesq = 1 + 6 + 8 0 = 4
2
Lesq Ldir = 4 4 = 0
Exerccio: Verificar a propriedade para os coeficientes de x2 e x3 .
3.6 Significado econmico dos valores timos das variveis

do Modelo Dual
Vamos, mais uma vez, voltar ao nosso exemplo:
(MAX) Z = 4x1 + 5x2 + 3x3 (Lucro total)
s.a
6x1 + 6x2 + 4x3 360 (espao m2 )
8x1 + 4x2 + 4x3 400 (mo de obra HH)
xi 0
Z = 280 x1 = 20 x2 = 40 x3 = 0
Modelo Dual:
(MIN) Y = 100y1 + 360y2 + 400y3
s.a
y1 + 6y2 + 8y3 4
2y1 + 6y2 + 4y3 5
2y1 + 4y2 + 4y3 3
yi 0
1
Y = 280 y1 = 1 y2 = y3 = 0
2
Devemos recordar que a equao de Y representa:
X 3 X3

Y = Z =
yi constantes do lado direito =

yi disponibilidade de in-
i=1 i=1
sumos
ou seja o somatrio do produto dos insumos (matria prima, rea para estocagem
e mo de obra) pelo valor das variveis do modelo dual.
No timo temos ento:
Y = 100y1 + 360y2 + 400y3 = 280
Vamos supor que est sendo oferecida 1 unidade adicional de matria prima (1
Kilo). Devo ou no adquir-la ?
Em vez de 100 kilos passaramos a ter 101 kilos, ou seja, na equao de Y tera-
mos:
Y = 101y1 + 360y2 + 400y3
Como y1 igual a 1 o lucro, em tese, aumentaria de $1 o que poderia justificar a
compra de mais 1 kilo de matria prima.
Mas se o custo de compra deste kilo adicional fosse, por exemplo, de $3. Estaramos
na verdade tendo prejuzo (de $2) ao invs de aumentar o lucro.
Logo a resposta a pergunta sim, desde que o preo de compra deste kilo adicional
seja menor que 1.
Qual ento o significado do valor timo de uma varivel do modelo dual ?
o limite que devo pagar por uma unidade adicional do recurso associ-
ado varivel.
Obs: Por terem este significado, os valores timos das variveis do modelo dual
so chamadas de valores implcitos (shadow prices, em ingls).
3.7 Anlise de Sensibilidade usando o Modelo Dual 75
O valor implcito de aquisio de 1 m2 de rea para estocagem $0,50; que o

valor timo de y2 (varivel dual associada restrio do espao para estocagem, ou
seja na 2a restrio).
J o valor implcito para a mo de obra (homens-hora) zero (valor timo de y3 ).
Este valor bate com a anlise que j tnhamos feito anteriormente pois como existe
folga nesta restrio, ou seja, no estamos utilizando toda a mo de obra dispon-
vel, no teremos nenhum ganho em adquirir mais mo de obra, mesmo sem custo,
pois iria apenas sobrar mais.
3.7 Anlise de Sensibilidade usando o Modelo Dual

Do que vimos anteriormente, a anlise dos coeficientes da funo objetivo, para
variveis no bsicas na soluo tima, pode ser feita, at de forma mais simples,
utilizando-se o dual.
Para exemplificar e comparar com o que j fizemos, vamos responder a seguinte
pergunta: Qual o intervalo para o coeficiente de x3 na funo objetivo que mantm
a soluo (F) como a soluo tima ?
O coeficiente de x3 3. Vamos supor que seja 3 + .
Anteriormente analisamos e conclumos que deveria ser 1. Vamos analisar
usando o dual:
A mudana no coeficiente de x3 implica que, no dual, a 3a restrio fique como:
2y1 + 4y2 + 4y3 3 +
Substituindo pelos valores timos do dual temos:
1
21+4 +403+
2
1
Se > 1, a 3a restrio do dual violada, ou seja, deixa de ser praticvel. Como
uma soluo antes de ser tima tem que ser praticvel, o timo dual deixa de ser
timo e conseqentemente o timo primal tambm deixa de ser timo pois, como
vimos, as 2 solues timas so iguais.
O uso do modelo dual permite que outras anlises sejam realizadas e o que vere-
mos a seguir.
3.7.1 Incluso de uma nova varivel

Vamos supor que no nosso exemplo seja adicionada uma nova varivel (xn) cujos
coeficientes so 3 na 1a restrio, 6 na 2a e 4 na 3a restrio. O lucro unitrio deste
novo produto de 8, ou seja, o coeficiente de xn na funo objetivo. A soluo (F)
continuaria sendo a tima ?
O modelo passaria a ser :
(MAX) Z = 4x1 + 5x2 + 3x3 + 8xn
s.a
x1 + 2x2 + 2x3 + 3xn 100
6x1 + 6x2 + 4x3 + 6xn 360
8x1 + 4x2 + 4x3 + 4xn 400
xi 0
No modelo dual teramos uma nova restrio:
3y1 + 6y2 + 4y3 8
A soluo (F) continuar tima se a nova restrio dual continuar praticvel.
Substituindo pelos valores timos do modelo dual temos:
1
31+6 +408
2
6 8 (no verdadeiro)
Como a restrio dual violada, o timo dual deixa de ser timo pois deixa de ser
praticvel. Como conseqncia o timo primal (F) tambm deixa de ser timo.
Como encontrar a nova soluo tima ? Podemos continuar o simplex a partir da
soluo (F), ou seja, sem precisar recomear do incio (Todos os programas pacotes
de computador, profissionais, permitem isto).
Para isto necessrio calcular os coeficientes de xn nas equaes da soluo (F).
Inicialmente temos que calcular o coeficiente de xn na equao (0)F . Ele ser igual
a diferena entre os lados esquerdo e direito da restrio dual associada, ou seja
usando-se os antigos valores timos do dual:
1
Lesq = 3y1 + 6y2 + 4y3 = 3 1 + 6 + 4 0 = 6
2
Ldir = 8
Coeficiente de xn em (0)F = Lesq Ldir = 6 8 = 2
Para encontrar os coeficientes de xn nas restries do sistema (F) vamos usar um
artifcio, baseado nas propriedades dos sistemas de equaes lineares, que cons-
truir uma funo que resolvida, d os coeficientes de xn tanto no sistema inicial
como em qualquer outro. Observando que os coeficientes das variveis de folga for-
mam uma matriz identidade no sistema inicial, podemos escrever:
Coef. de xn na restrio j = 3 coef. de F1 na rest. j + 6 coef. de F2 na
rest. j + 4 coef. de F3 na rest. j
Vamos verificar se a funo funciona no sistema (I):
Coef. de xn em (1)I = 3 1 + 6 0 + 4 0 = 3
Coef. de xn em (2)I = 3 0 + 6 1 + 4 0 = 6
Coef. de xn em (3)I = 3 0 + 6 0 + 4 1 = 4
3.8 Anlise de Sensibilidade dos coeficientes das restries 77
Para achar os coeficientes de xn no sistema (F) basta aplicar a mesma funo:

1
Coef. de xn em (1)F = 3 1 + 6 + 4 0 = 2
6
1
Coef. de xn em (2)F = 3 1 + 6 + 4 0 = 1
3
Coef. de xn em (3)F = 3 4 + 6 2 + 4 1 = 4
Podemos
ento escrever o novo sistema (F):

1
(0) Z + x3 + F1 + F2 2xn = 280

2

4
(1) x2 + x3 + F1 1 F2 + 2xn = 40

(F) 3 6
2 1

(2) x1 x3 F1 + F2 xn = 20
3 3

(3) 4x3 + 4F1 2F2 + F3 + 4xn = 80

F 1 = 0
x2 = 40

F2 = 0

VB x1 = 20 VNB
x3 = 0
F3 = 80

xn = 0
Z = 280
Exerccio: Prosseguir com o simplex e achar a nova soluo tima.
Resp: Z = 320 x1 = 40 xn = 20
3.8 Anlise de Sensibilidade dos coeficientes das restries
3.8.1 De varivel no bsica na soluo tima

Vamos supor que o coeficiente da varivel x3 na 1a restrio seja 2 + em vez de
2.
Para que valores de a soluo (F) continua sendo a tima?
No dual, a 3a restrio passa a ser: (2 + )y1 + 4y2 + 4y3 3
A soluo (F) continuar sendo a tima se a restrio dual continuar praticvel.
Substituindo pelos valores timos, temos:
1
(2 + ) 1 + 4 + 4 0 3
2
1
Logo se < 1, ou seja se o coeficiente de x3 na 1a restrio for menor que 1, a
restrio dual violada. Logo a soluo dual deixa de ser tima pois deixa de ser
praticvel. Pelo teorema dual o timo primal tambm deixa de ser timo.
3.8.2 De varivel bsica na soluo tima

Para se analisar as conseqncias de uma alterao em um dos coeficientes de uma
das restries do modelo, de uma varivel bsica na soluo tima, necessrio
muito trabalho com razovel complexidade. Assim prefervel executar o simplex
novamente e verificar as conseqncias da alterao proposta.
3.9 Exerccios
A) Seja o seguinte modelo de P.Linear:
(MAX) Z = 4x1 + 5x2 + 9x3 + 11x4
s.a.
x1 + x2 + x3 + x4 15
7x1 + 5x2 + 3x3 + 2x4 120
3x1 + 5x2 + 10x3 + 15x4 100
xi 0
Aplicando-se o Simplex, temos as seguintes solues bsicas onde (I) a soluo
inicial
e (F) a soluo final (tima):

(0) Z 4x1 5x2 9x3 11x4 = 0

(1) x1 + x2 + x3 + x4 + F1 = 15

(I)

(2) 7x1 + 5x2 + 3x3 + 2x4 + F2 = 120

(3) 3x1 + 5x2 + 10x3 + 15x4 + F3 = 100

x 1 = 0
F1 = 15

x2 = 0

VB F2 = 120 VNB
x3 = 0
F3 = 100

x4 = 0
Z=0
Varivel
entrante: x4 Varivel Sainte: F3
9 4 5 11 220
(0) Z x1 x2 x3 + F3 =

5 3 3 15 3

4 2 1 1 25

(1)
x1 + x2 + x3 + F1 F3 =
(1) 5 3 3 15 3

33 13 5 2 320
(2) x1 + x2 + x3 + F2 F3 =

5 3 3 15 3

(3) 1 1 2 1 20
x1 + x2 + x3 + x4 + F3 =

5 3 3 15
3

25

x1 = 0

F =

1

3

x = 0

VB 320 VNB 2
F2 =
3

x = 0

3

20

x4 =

3

F3 = 0

220
Z=
3
3.9 Exerccios 79

1 11 9 7 1105
(0) Z + x2 x3 + F1 + F3 =

6 12 4 12 12

5 5 5 1 125

(1) x1 + x2 +
x3 + F1 F3 =
(2) 6 12 4 12 12

7 13 33 5 455
(2) x2 x3 F1 + F2 + F3 =

6 12 4 12 12

(3) 1 7 1 1 55
x2 + x3 + x4 F1 + F3 =

6 12 4 12 12

125

x2 = 0

x =

1

12

x = 0

VB 455 VNB 3
F2 =

12

F = 0

1

55

x4 =

12

F3 = 0

1105
Z=
12
Varivel
entrante: x3 Varivel Sainte: x4
3 11 13 5 695
(0) Z + x2 + x4 + F1 + F3 =

7 7 7 7 7

5 5 10 1 50

(1) x1 + x3 x4 +
F1 F3 =
(F) 7 7 7 7 7

7 13 61 4 325
(2) x + x F + F + F =

2 4 1 2 3

6 7 7 7 7

(3) 2 12 3 1 55
x2 + x3 + x4 F1 + F3 =

7 7 7 7
7

50

x2 = 0

x
=

1

7

x = 0

VB 325 VNB 4
F2 =

7

F
= 0

55

1

x =

3

7

F3 = 0

695
Z =
7
Responda as seguintes perguntas relativas ao modelo acima:
1. Considere que o coeficiente original de x2 na funo objetivo 34/7 em vez

de 5. Calcule os coeficientes de x2 na equao (0) em cada uma das iteraes
do Simplex.
2. Responda ao exerccio anterior para um coeficiente de 37/7 em vez de 5.
3. Considere que o coeficiente de x4 na funo objetivo original 10, em vez de

11. Qual o coeficiente de x4 na equao (0) do sistema (F) ?
4. Responda ao exerccio anterior para um coeficiente igual a 12 em vez de 11.
5. Considere que a constante do lado direito (CLD) na eq. (2) de (I) 100
em vez de 120. Calcule a CLD em todas as equaes em cada iterao do
Simplex.
6. Considere que a CLD na eq.(1) de (I) 11 em vez de 15. Calcule as CLD em
todas as equaes da soluo (F). Ela continua tima ?
7. Em cada um dos itens abaixo, modifique o modelo como indicado, e escreva o
modelo dual:
a) A funo objetivo (MAX) Z = 7x1 + 8x2 + 7x3 + 13x4
b) AS CLD nas eq. (1), (2) e (3) so 30, 80 e 115 respectivamente.
c) Os coeficientes de x3 nas eq. (1), (2) e (3) so 1, 4 e 9 respectivamente.
d) Os coeficientes de x2 nas eq. (0), (1), (2) e (3) so 3, 1, 6 e 9 respectiva-
mente.
e) H uma varivel adicional, x5 , tendo coeficientes iguais a 13, 1, 1 e 18
nas eq. (0), (1), (2) e (3) respectivamente.
8. Ache o valor timo da funo objetivo se as CLD nas eq. (1), (2) e (3) so
respectivamente:
a) 16,120 e 100
b) 15,120 e 101
9. Suponha que o coeficiente de x2 na eq.(3) (5 + ). Qual o menor valor que
pode assumir de modo que a soluo (F) permanea tima ?
10. Suponha que o coeficiente de x2 na eq.(1) (1 + ). Qual o menor valor que
pode assumir de modo que a soluo (F) permanea tima ?
11. Suponha que adicionamos a varivel x5 tendo coeficientes 1, 2 e 3 nas equa-
es (1), (2) e (3) respectivamente. Qual o maior valor possvel para o coeficiente
de x5 na funo objetivo de maneira que a soluo (F) permanea tima ?
12. Responda ao exerccio anterior considerando que o coeficiente da varivel x5
na eq.(3) 16 em vez de 3.
B) Considere o seguinte modelo:

(0) (MAX) Z = 2x1 x2 + 3x3 2x4
s.a
(1) x1 + 3x2 x3 + 2x4 7
(2) x1 2x2 + 4x3 12
(3) x1 4x2 + 3x3 + 8x4 10
xi 0
Se acrescentarmos F1 , F2 e F3 como variveis de folga obtemos, aps aplicar o
Simplex, o seguinte sistema (F) final:
3.9 Exerccios 81
7 12 1 4
(0) Z+ x1 + x4 +F2 = 11F1 +
5 5 5 5
3 4 2 1
(1) x1 + x2 + x4 + F1 + F2 = 4
10 5 5 10
1 2 1 3
(2) x1 + x3 + x4 + F1 + F2 = 5
10 5 5 10
1 1
(3) x1 + 10x4 + F1 F2 + F3 = 11
2 2
1. Qual a soluo tima ? nica ?

2. Qual o Lower e o Upper Limit para o coeficiente de x1 na funo objetivo ?
3. Idem para x4 .
4. Idem para cada CLD.
5. Escreva o modelo DUAL.
6. Qual a soluo tima dual ? Responda os tens 2 e 3 usando o modelo dual.
7. Suponha que novas variveis, x5 e x6 so adicionadas ao modelo. Os coeficientes
de x5 so 2, 5, 3 e 1 nas eq. (0), (1), (2) e (3) respectivamente, e os de x6
so 4, 2, 10 e 12. A soluo (F) continua tima?
8. Suponha que o coeficiente de x1 na eq. (1) (1 + ). Qual o menor valor
para que mantm a soluo (F) tima ? Qual o maior ?
9. Suponha que o coeficiente de x1 na eq. (2) (1 + ). Qual o menor valor
para que mantm a soluo (F) tima ? Qual o maior ?
C) Considere o seguinte modelo:

XT
(MIN) Z = Yi
t=1
s.a
Y1 + YT R1
Yt1 + Yt Rt t = 2, . . . , T
Yt 0
1. Monte o modelo para T = 5, onde R1 = 8, R2 = 7, R3 = 10, R4 = 10 e

R5 = 2
2. Chamando o modelo acima de dual, monte o primal
3. Resolva o primal pelo Simplex e d a soluo tima dual
4. Ache os valores timos primal e dual quando R1 = 9 em vez de 8
D) A Companhia Mveis Finos S/A fabrica vrios tipos de mveis, inclusive mveis
rsticos para casas de campo. Atualmente eles fabricam 3 produtos na linha
de produo de mveis rsticos: uma cadeira de balano, um banco de jardim e
uma mesa de jantar.
Estes produtos so fabricados em 2 etapas envolvendo a seo de corte de ma-
deira e a seo de montagem dos mveis.
O tempo, em horas, necessrio para cada item em cada seo mostrado abaixo:
Produto
Cadeira Banco Mesa Capacidade (horas)
Seo de Corte 1,2 1,7 1,2 1.000
Seo de Montagem 0,8 0 2,3 1.200
O lucro que a Mveis Finos S/A recebe pela fabricao e venda de cada uni-
dade $3 para a cadeira, $3 para o banco e $5 para a mesa.
A Companhia est tentando planejar a sua produo para o prximo ms. Como
a procura muito grande por este tipo de mveis, qualquer quantidade que ve-
nha a ser produzida ser vendida.
A produo est limitada, no entanto, pelas horas disponveis nas sees de
corte e montagem, alm da quantidade de madeira disponvel para este tipo de
mveis.
No prximo ms a Companhia dispor de somente 2.000 m3 de madeira para
fazer os mveis da linha rstica, sendo que cada cadeira gasta 2 m3 , cada banco
3 m3 e cada mesa 4,5 m3 .
De maneira a determinar a produo tima do prximo ms foi formulado o se-
guinte modelo de P.linear:
(MAX) Z = 3x1 + 3x2 + 5x3
s.a
1, 2x1 + 1, 7x2 + 1, 2x3 1000
0, 8x1 + 2, 3x3 1200
2x1 + 3x2 + 4, 5x3 2000
xi 0
onde:
x1 No de cadeiras a serem fabricadas no prximo ms
x2 Idem, bancos
x3 Idem, mesas
O modelo foi submetido ao Simplex, obtendo-se o seguinte sistema final:
3.9 Exerccios 83
83 7 4 8300
(0) Z+ x2 + F1 + F3 =
60 6 5 3
27 3 2
(1) x1 + x2 + F1 F3 = 700
20 2 5
37 1 3 1000
(2) x2 + F1 + F 2 F3 =
30 3 5 3
1 2 2 400
(3) x2 + x3 F1 + F3 =
15 3 5 3
Responda as seguintes questes:
1. Qual a produo tima para o prximo ms ?

2. Um distribuidor local est oferecendo a Mveis Finos S/A, madeira adicional
a 0,60 o m3 . Deve a Companhia comprar ? (justifique)
3. O Departamento de Vendas sugeriu que um novo modelo de banco fosse pro-
duzido. Cada unidade deste novo modelo de banco necessita de 1,8 horas da
seo de corte e 0,5 horas na seo de montagem, alm de consumir 1,3 m3 .
Que lucro deveria ter este novo produto para que seja atrativo produz-lo ?
4. Se o lucro da cadeira diminusse para $2,50 qual deveria ser o plano de pro-
duo e o lucro para o prximo ms ?
E) Uma fbrica de aparelhos de TV produz 4 modelos: Um modelo preto e branco,

porttil, chamado Sport; um modelo preto e branco, no porttil, chamado
Standard; um modelo a cores, porttil, chamado Viajante e um modelo a co-
res, no porttil, chamado Super.
Cada modelo consome tempo para a sua montagem e testes. As necessidades de
tempo para montagens e testes, assim como o tempo disponvel so mostrados
abaixo:
Modelo Modelo Modelo Modelo Totalhrs
Sport Standard Viajante Super Disponvel
Tempo de Montagem (hr) 6 10 12 15 2.000
Tempo de Testes (hr) 2 2 4 5 500
Lucro unitrio ($) 40 60 80 100
Devido a uma greve h falta de tubos de imagem. O fornecedor de tubos de
imagem disse que sua produo est desorganizada e que no poder fornecer
mais do que 180 tubos de imagem no prximo ms, sendo que destes 180, no
mnimo 100 tero que ser a cores. Fazendo:
x1 No de televisores modelo Sport a serem fabricados no prximo ms
x2 Idem, para modelos Standard
x3 Idem, para modelos Viajante
x4 Idem,para modelos Super
Podemos construir um modelo de P.Linear para resolver o problema:
(MAX) Z = 40x1 + 60x2 + 80x3 + 100x4

s.a
6x1 + 10x2 + 12x3 + 15x4 2000
2x1 + 2x2 + 4x3 + 5x4 500
x1 + x2 + x3 + x4 180
x3 + x4 100
xi 0
Introduzindo as variveis de folga e aplicando o Simplex de 2 fases chegamos
ao seguinte sistema:
(0) Z + 20x1 + 10x4 + 30F2 + 40F4 = 11000
(1) 4x1 2x4 + F1 5F2 8F4 = 300

1 1
(2) x1 + x2 + x4 + F2 + 2F4 = 50
2 2
1 1
(3) x4 F2 + F3 F4 = 30
2 2
(4) x3 + x4 F4 = 100
1. Que modelos de televisores devem ser fabricados no prximo ms ? Em que

quantidade ?
2. Se por qualquer problema s for possvel ter 1.800 horas para montagem, a
resposta do item 1 continua vlida ?
3. Suponha que 80 horas adicionais de teste possam ser obtidas externamente
por $4/hora. Isto deve ser feito ? Porque ?
4. Suponha que o lucro do modelo Sport seja alterado de $40 para $45. Qual
deveria ser o novo esquema de produo ?
5. A gerncia est considerando a introduo de um novo modelo colorido cha-
mado Matador. Cada unidade deste novo modelo necessita de 10 horas de
montagem e 3 horas de teste. O lucro unitrio deste novo modelo ser de
$70. Deve-se ou no produzir o novo modelo ? Porque ?
Obs: Como a procura muito grande, qualquer modelo produzido, preto e

branco ou colorido, ser vendido.
3.9 Exerccios 85
F) Uma marcenaria produz 4 modelos de armrios embutidos. Para fazer cada

armrio, 3 operaes bsicas so realizadas: Corte da Madeira, Montagem do
Armrio e Acabamento.
A capacidade de produo da marcenaria est limitada em 900 horas para corte,
800 horas para montagem e 480 horas para acabamento.
O objetivo da firma maximizar seu lucro. Fazendo-se xi ser o nmero de ar-
mrios a serem produzidos do modelo i, temos:
(MAX) Z = 90x1 + 160x2 + 40x3 + 100x4
s.a
2x1 + 8x2 + 4x3 + 2x4 480 (acabamento)
5x1 + 4x2 + 8x3 + 5x4 800 (montagem)
7x1 + 8x2 + 3x3 + 5x4 900 (corte)
xi 0
Usando o Simplex chegamos ao seguinte sistema timo:
25
(0) Z + 10x1 + 130x3 + F1 + 15F2 = 18000
2
1 5 1
(1) x2 + x3 + F1 F2 = 25
8 32 16
3 1 1
(2) x1 + x3 + x4 F1 + F2 = 140
2 8 4
11 5 3
(3) 2x1 x3 F1 F2 + F 3 = 0
2 8 4
1. Qual o modelo dual e a soluo tima dual ?
2. Qual deveria ser o lucro de x3 para que ele deixasse de ser igual a zero na
soluo tima ?
3. Para que intervalo na capacidade da seo de montagem, a soluo tima
permanece tima ?
4. Deve ser fabricado ou no, um novo modelo de armrio que necessita de
20 horas de corte, 3 horas de montagem e 2 horas de acabamento por cada
unidade produzida, dando um lucro unitrio de $120 ? (justifique)
G) Formular o Dual para o modelo abaixo:
(MIN) Z = 3x1 5x2 + 4x3 5x4
s.a
x1 + x2 x4 11
3x1 x3 + x4 12
x1 + x2 + x3 + x4 = 18
4x1 5x2 x3 19
x1 , x2 , x4 0
H) Considere o seguinte modelo de P.Linear:

(MAX) Z = 10x1 + 15x2 + 5x3
s.a
2x1 + x2 6000
3x1 + 3x2 + x3 9000
x1 + 2x2 + 2x3 4000
x1 , x2 , x3 0
Submetido ao Simplex foi encontrada a seguinte soluo final:
20 5
(0) Z+ x3 + F2 + 5F3 = 35000
3 3
(1) x3 + F1 F2 + F3 = 1000
4 2
(2) x1 x3 +
F2 F 3 = 2000
3 3
5 1
(3) x2 + x3 F2 + F3 = 1000
3 3
1. Qual o Lower e o Upper Limit para os coeficientes de x1 , x2 e x3 na funo

objetivo ?
2. Idem para as CLD das 3 restries.
I) Considere o seguinte modelo de P.Linear:

(MAX) Z = 2x1 3x2 + 6x3
s.a
3x1 4x2 6x3 2
2x1 + x2 + 2x3 11
x1 + 3x2 2x3 5
xi 0
Submetido ao Simplex foi encontrado o seguinte sistema final:
(0) Z + 4x1 + 6x2 + 3F2 = 33
(1) 9x1 x2 + F1 + 3F2 = 35

1 1 11
(2) x1 + x2 + x3 + F2 =
2 2 2
(3) 3x1 + 4x2 + F2 + F3 = 16

onde Fi a varivel de folga da restrio i.
Responda as perguntas abaixo:
1. Qual o valor mnimo para o coeficiente de x1 na funo objetivo que altera a

soluo tima ?
3.9 Exerccios 87
2. Qual o intervalo de variao para a constante do lado direito da 3a restrio

que mantm a atual soluo tima como tima ?
3. Suponha que uma nova varivel x4 seja adicionada ao modelo original com
coeficientes 4, 2, 3 e 1 respectivamente na funo objetivo e restries. A
soluo tima continua a mesma ? (justifique)
4. Como ficaria o sistema final acima se esta varivel x4 estivesse no modelo ?
Exerccio A
1) 25/21; 3/42; 4/7
2) 34/21; 5/42; 1/7
3) 18/7
4) 4/7
5) Somente a CLD da equao (2) alterada.
260/3; 215/12; 185/7
6) 643/7; 10/7; 569/7; 67/7; sim
7) O Dual do problema original :
(MIN) Y = 15y1 + 120y2 + 100y3
s.a
y1 + 7y2 + 3y3 4
y1 + 5y2 + 5y3 5
y1 + 3y2 + 10y3 9
y1 + 2y2 + 15y3 11
yi 0
(a) Troque as CLD para 7,8,7 e 13.

(b) Troque a funo objetivo para:
(MIN) Y = 30y1 + 80y2 + 155y3
(c) Troque a equao (3) para:
y1 + 4y2 + 9y3 9
(d) Troque a equao (2) para:
y1 + 6y2 9y3 3
(e) Adicione:
y1 + y2 + 18y3 13
8) (a) 708/7 (b) 100
9) 35
10) 13 3
11) 4
12) 93/7
Exerccio B
1) Z = 11 x2 = 4 x3 = 5 F3 = 11 nica.
3
2) [,
5
3) [, 25 ]
4) (a) [3; ]
(b) [ 14
3
; 34]
(c) [1; ]
5)
(MIN) Y = 7y1 + 12y2 + 10y3
s.a
y1 y2 y3 2
3y1 2y2 4y3 1
y1 + 4y2 + 3y3 3
2y1 + 8y3 2
yi 0
6) y1 = 5 y2 = 54 y3 = 0 Y = 11
1
7) Sim
8) 7
9) 7/14;
Exerccio C
1)
(MIN) Y = y1 + y2 + y3 + y4 + y5
s.a
y1 + y5 8
y1 + y2 7
y1 + y3 10
y3 + y4 10
y4 + y5 2
yi 0
2)
(MAX) Z = 8x1 + 7x2 + 10x3 + 10x4 + 2x5
s.a
x1 + x2 1
x2 + x3 1
x3 + x4 1
x4 + x5 1
x1 + x5 1
3) Z = 37/2 x2 = 1/2 x3 = 1/2 x1 = 1/2 x4 = 1/2 x5 = 1/2
Y = 37/2 y1 = 13/2 y2 = 1/2 y3 = 19/2 y4 = 1/2 y5 = 3/2
4) Y = 19 y1 = 7 y2 = 0 y3 = 10 y4 = 0 y5 = 2
Exerccio D
1)
x1 = cadeiras = 700
x2 = bancos = 0
400
x3 = mesas =
3
8300
Z=
3
2) Sim
3) Isto equivale a ter uma nova restrio no Dual:
1, 8y1 + 0, 5y2 + 13y3 L
4
1, 8 1, 166 + 0, 5 0 + 13 L
5
L > 3, 14
20
4) [ ; 5] Com 2,5 a soluo tima no se altera.
9
8300
Logo a soluo atual continua tima e o lucro passa a ser: Z = (3
3
7250
2.5) 700 =
3
Exerccio E
1)
x2 = Standard = 50
x3 = Viajante = 100
Z = 11000
2) [1700; ], Sim
3) Sim, pois o valor implcito $30.
4) O mesmo pois a restrio dual no violada.
5) Sim, pois a nova restrio dual violada.
Exerccio F
1)
(MIN) Y = 480y1 + 800y2 + 900y3
s.a
2y1 + 5y2 + 7y3 90
8y1 + 4y2 + 8y3 160
4y1 + 8y2 + 3y3 40
2y1 + 5y2 + 5y3 100
y1 = 12, 5 y2 = 15 y3 = 0
2) [40; 170] 170,01

3) [240; 800]
4) Sim, a restrio dual violada.
Exerccio G
(MAX) Y = 11y1 + 12y2 + 18y3 19y4
s.a
y1 + 3y2 + y3 4y4 3
y1 + y3 + 5y4 5
y2 + y3 + y4 = 4
y1 + y2 + y3 5
y1 , y2 , y4 0
y3 Irrestrita em sinal
Exerccio H
1)
x1 [7, 5; 15]
x2 [11; 20]
x3 [; 11, 667]
2)
(a) [5000; ]
(b) [6000; 10000]
(c) [3000; 6000]
Exerccio I
1) [2; 6] 6,01
2) [11; ]
3)No, a restrio dual violada.
4)
(0) . . . 13x4 = 33
(1) . . . 7x4 = 35
3
(2) . . . x4 = 5, 5
2
(3) . . . 2x4 = 16
Captulo 4
Algortimo dos Transportes
Veremos neste captulo o chamado Algortimo dos Transportes. Este algortimo re-
solve, de maneira muito mais rpida, modelos de programao linear cuja formu-
lao apresenta certas caractersticas que permitem o uso do algortimo. Veremos
tambm que o Algortimo dos Transportes nada mais do que uma forma diferente
de se fazer o simplex.
4.1 Um exemplo
Uma empresa tem 3 fbricas que produzem um determinado produto. A capaci-
dade de produo mensal das 3 fbricas de 6, 1 e 10 unidades respectivamente. A
empresa tem 4 armazns de vendas que vendem mensalmente 7, 5, 3 e 2 unidades
do produto respectivamente. O custo de transportar 1 unidade de cada fbrica para
cada armazm est dado na tabela abaixo:
Armazm
Fbrica 1 2 3 4
1 2 3 11 7
2 1 0 6 1
3 5 8 15 9
O objetivo da Empresa atender as necessidades dos armazns com a produo

das fbricas, com o menor custo total.
94 Algortimo dos Transportes
4.2 Formulao como um modelo clssico de P.Linear

Podemos construir o seguinte modelo para o exemplo:
xij unidades a serem transportadas da fbrica i para o armazm j.
(MIN) Z = 2x11 + 3x12 + 11x13 + 7x14 + x21 + 6x23 + x24 + 5x31 +
+8x32 + 15x33 + 9x34
s.a
x11 + x12 + x13 + x14 = 6 (fbrica 1)
x21 + x22 + x23 + x24 = 1 (fbrica 2)
x31 + x32 + x33 + x34 = 10 (fbrica 3)
x11 + x21 + x31 = 7 (armazm 1)
x12 + x22 + x32 = 5 (armazm 2)
x13 + x23 + x33 = 3 (armazm 3)
x14 + x24 + x34 = 2 (armazm 4)
xij 0
O sinal de igual das restries deve-se ao fato de que o somatrio da produo
das fbricas igual ao somatrio das necessidades dos armazns.
Para problemas com esta estrutura particular, qual seja, coeficientes das restries
iguais a 0 ou 1, que podemos utilizar o chamado Algortimo dos Transportes.
Ele tem este nome porque os exemplos so, como acima, normalmente de modelos
de transporte mas na verdade, qualquer modelo de P.Linear que tenha este tipo de
estrutura, pode ser resolvido pelo algortimo.
4.3 Quadro (tableau) usado no algortimo dos transportes
Fontes Destinos (Armazns)

(Fbricas) 1 2 3 4 Disp.
2 3 11 7
1 x11 x12 x13 x14 6
1 0 6 1
2 x21 x22 x23 x24 1
5 8 15 9
3 x31 x32 x33 x34 10
Nec. 7 5 3 2
Podemos observar que todo o modelo, ou seja a funo objetivo e as restries esto
escritas no quadro.
4.4 Fonte ou destino artificial 95
4.4 Fonte ou destino artificial

O algortimo dos transportes obriga que o somatrio das disponibilidades seja igual
ao somatrio das necessidades, o que nem sempre ocorre na prtica.
Para exemplificar, vamos supor que a capacidade de produo da fbrica 3 seja de
20 unidades, em vez de 10.
1 2 3 4 Disp.
2 3 11 7
1 6
1 0 6 1
2 1
5 8 15 9
3 20
Nec. 7 5 3 2
Ser necessrio criar ento um destino ARTIFICIAL (destino 5), com custos de
transporte iguais a ZERO (o destino no existe fisicamente):
1 2 3 4 5 Disp.
2 3 11 7 0
1 6
1 0 6 1 0
2 1
5 8 15 9 0
3 20
Nec. 7 5 3 2 10
Se o somatrio das necessidades for maior que o somatrio das disponibilidades,

temos que criar uma fonte artificial.
4.5 Impossibilidade de transporte

Vamos supor que no nosso exemplo exista uma impossibilidade de transporte entre
a fbrica 2 e o armazm 4.
Se esta condio est presente no modelo, precisamos garantir que na soluo final
teremos x24 = 0, ou seja, que o valor timo de x24 seja igual a 0.
O objetivo do modelo de transportes minimizar o custo total. Assim, se atribuir-
mos um custo unitrio muito alto para a cela (2,4) estaremos criando uma penali-
dade ou multa para o valor de Z se a varivel x24 for diferente de zero, lembrando
que ela no pode ser negativa. Este fato far com que, naturalmente, o valor de x24
seja levado para zero na soluo tima.
Em programao matemtica, esta multa chamada de Big M e representada

por um M maisclo. Quando resolvemos modelos a mo, podemos trabalhar com o
prprio M mas nos computadores, o M substitudo por um nmero muito grande
(100.000.000, por exemplo).
4.6 Etapas do algortimo dos transportes

As etapas bsicas do Algortimo dos Transportes so:
1. Obter uma soluo bsica inicial.
2. Dada uma soluo bsica testar se ela a tima.
3. Se no for a tima, obter a melhor sol. bsica adjacente e voltar a etapa 2.
Como dissemos anteriormente, o Algortimo dos Transportes nada mais do que

um simplex feito de uma maneira diferente. Logo, nada mais natural que os seus
passos sejam exatamente os do Simplex.
4.7 Nmero de variveis bsicas nas solues bsicas

O nmero de variveis bsicas em uma soluo bsica igual ao nmero de equa-
es linearmente independentes.
Em nosso exemplo, a primeira vista, cada soluo bsica teria 7 variveis bsicas ,
ou seja, o nmero de equaes (restries) do problema.
Ocorre no entanto que, como o somatrio das disponibilidades igual ao somatrio
das necessidades, dadas 6 das equaes, a stima no mais independente. Logo
temos na verdade 6 equaes independentes.
Genericamente se temos m fontes e n destinos, cada soluo bsica ter (m+n1)
variveis bsicas e (m n) (m + n 1) variveis no bsicas.
4.8 Mtodos para achar a soluo bsica inicial

Existem vrios mtodos para se achar a soluo bsica inicial no mtodo dos trans-
portes. Usaremos o chamado Mtodo de Aproximao de Vogel que reconhe-
cidamente o melhor deles, ou seja, aquele cuja soluo bsica inicial, geralmente,
est mais prxima da soluo tima.
Etapas do Mtodo
1. Calcule para cada linha e cada coluna a diferena entre os 2 menores custos. No
caso dos 2 menores custos serem iguais a diferena zero.
2. Identifique a linha ou coluna com a maior diferena. No caso de empate a esco-

lha arbitrria.
4.8 Mtodos para achar a soluo bsica inicial 97
3. Coloque a maior quantidade possvel na cela de menor custo da linha ou coluna

identificada na etapa 2.
4. Elimine a linha ou coluna esgotada. No caso em que uma linha e uma coluna
so esgotadas ao mesmo tempo, s podemos esgotar uma delas ficando a outra
com zero, mas no esgotada.
5. Voltar a etapa 1.
Exemplo: Achar a soluo bsica inicial do nosso exemplo

Comeamos achando a diferena entre os 2 menores custos de cada linha e de cada
coluna, obtendo:
Armazm
Fbrica 1 2 3 4 Disp. Diferenas
2 3 11 7
1 6 1
1 0 6 1
2 1 1
5 8 15 9
3 10 3
Nec. 7 5 3 2
Diferenas 1 3 5 6
Na 4a coluna temos a maior diferena (6). Nesta coluna, escolhemos a cela com o
menor custo. a cela correspondente a x24 que tem custo igual a 1.
Agora temos que atribuir a maior quantidade possvel para x24 , lembrando que a
soma da linha 2 tem que dar 1 e a soma da coluna 4 tem que dar 2. Assim, o maior
valor que pode ser atribudo a x24 o MIN(1,2), ou seja 1.
Ao se atribuir 1 a x24 , a linha 2 fica esgotada, ou seja nada pode ser atribudo as
outras variveis da linha (sero variveis no bsicas = 0) pois a soma j deu 1.
Por sua vez, na coluna 4, cuja soma tem que dar 2, fica faltando 1 pois 2 1 = 1.
Temos que recalcular as diferenas entre os 2 menores custos de cada linha e co-
luna, sem considerar a linha 2 que est eliminada. Como a ltima eliminao foi
de uma linha, a diferena nas linhas, obviamente, no se alteraram. Basta ento
calcular as diferenas das colunas, obtendo-se:
Armazm
2 3 11 7
1 6 1
2 1 1
5 8 15 9
3 10 3
Nec. 7 5 3 1
Diferenas 3 5 4 2
A maior diferena est agora na 2a coluna (5). A cela de menor custo (=3) nesta
coluna a correspondente a varivel x12 . Como a soma da linha tem que dar 6 e a
soma da coluna tem que dar 5, a maior quantidade que pode ser atribuda a x12
o MIN(5,6), ou seja 5.
Com 5 em x12 , a coluna fica esgotada e na linha ainda fica faltando 1 (6 5).
Temos quer voltar a calcular a diferena entre os 2 menores custos, sem conside-
rar a coluna 2 que est eliminada. Como acabamos de eliminar uma coluna, as
diferenas s podem ter se alterado nas linhas. Temos ento:
Armazm
2 11 7
1 5 1 5
2 1 1
5 15 9
3 10 4
Nec. 7 5 3 1
.
Diferenas 3 4 2
A maior diferena est agora na 1a linha (5). A cela de menor custo desta linha a
correspondente a x11 que tem custo igual a 2. O mximo que conseguimos atribuir
a x11 o MIN(1,7) ou seja 1. Ao fazer isto, a linha 1 fica esgotada e na coluna 1
ficam ainda faltando 6 (7 1). Eliminando-se a linha 1, temos a seguinte matriz:
Armazm
Fbrica 1 2 3 4 Disp.
1 1 5 6
2 1 1
5 15 9
3 10
Nec. 6 5 3 1
Neste ponto no mais necessrio seguir com o algortimo pois como na coluna 1
s resta, com possibilidade de receber valor, a cela correspondente a varivel x31 e
restam 6 para serem atribudos, fazemos x31 = 6.
Aplicando-se o mesmo raciocnio, temos x33 = 3 e x34 = 1.
Temos ento a soluo bsica inicial:
Armazm
2 3 11 7
1 1 5 6
1 0 6 1
2 1 1
5 8 15 9
3 6 3 1 10
Nec. 7 5 3 2

x11 = 1
x13 = 0

x = 5 x = 0

12

14

x24 = 1 x21 = 0

VB VNB

x31 = 6

x22 = 0

x 33 = 3

x 23 = 0

x34 = 1 x32 = 0

Z = 1 2 + 5 3 + 1 1 + 6 5 + 3 15 + 1 9 = 102
Exerccio: Achar a soluo bsica inicial, pelo mtodo de Vogel, para o modelo
abaixo:
Armazm
5 8 3 6
1 30
4 5 7 M
2 50
6 2 4 5
3 40
Nec. 30 20 40 30
Calculando as diferenas entre os menores custos, temos:
Armazm
5 8 3 6
1 30 2
4 5 7 M
2 50 1
6 2 4 5
3 40 2
Nec. 30 20 40 30
Diferenas 1 3 1 1
A maior diferena est na 2a coluna. A cela de menor custo desta coluna a cor-
respondente a x32 . O mximo possvel de atribuir a x32 igual ao MIN(40,20),
ou seja 20. Esgota-se a 2a coluna e ficam faltando 20 (= 40 20) na 3a linha.
Recalculando-se as diferenas (s das linhas) temos:
Armazm
5 3 6
1 30 2
4 7 M
2 50 3
6 4 5
3 20 20 1
Nec. 30 20 40 30
.
Diferenas 1 1 1
A maior diferena est na 2a linha. A cela de menor custo a de x21 . O mximo

possvel de se colocar o MIN(50,30), ou seja 30. Com isto esgota-se a 1a coluna e
ficam restando 20 na 2a linha.
Recalculando-se as diferenas (s das linhas), temos:
Armazm
3 6
1 30 3
7 M
2 30 20 M7
4 5
3 20 20 1
Nec. 30 20 40 30
. .
Diferenas 1 1
A maior diferena est na 2a linha (M 7). A cela de menor custo a que corres-
ponde a x23 . Pode-se colocar nela o MIN(20,40), ou seja 20. Esgota-se a 2a linha e
na 3a coluna ainda restam 20.
Recalculando-se as diferenas (s das colunas), temos:
Armazm
3 6
1 30 3
2 30 20 50
4 5
3 20 20 1
Nec. 30 20 20 30
. .
Diferenas 1 1
A maior diferena est na 1a linha. A cela de menor custo corresponde a x13 e

podemos colocar o MIN(30,20), ou seja 20. Esgota-se a 3a coluna e na 1a linha
restam 10 (= 30 20).
Temos ento:
Armazm
6
1 20 10
2 30 20 50
5
3 20 20
Nec. 30 20 40 30
Como na 4a coluna s restam as celas (1,4) e (3,4) temos x14 = 10 e x34 = 20.
A soluo bsica inicial :
Armazm
5 8 3 6
1 20 10 30
4 5 7 M
2 30 20 50
6 2 4 5
3 20 20 40
Nec. 30 20 40 30
4.9 Esgotamento simultneo de linha e coluna 103

x 13 = 20

x = 10

14

x21 = 30
n o
VB VNB as demais = 0

x23 = 20

x 32 = 20

x34 = 20

Z = 3 20 + 6 10 + 4 30 + 7 20 + 2 20 + 5 20 = 520
4.9 Esgotamento simultneo de linha e coluna

Vamos supor que em determinado ponto do mtodo de Vogel temos o seguinte:
Armazm
5 8 3 6
1 30 2
4 5 7 M
2 50 1
9 2 4 8
3 30 2
Nec. 30 30 40 10
Diferenas 1 3 1 2
A maior diferena est na 2a coluna. A cela de menor custo a que corresponde a

x32 . O mximo que podemos atribuir a varivel igual ao MIN(30,30), ou seja 30.
Tanto a linha como a coluna so esgotadas mas s podemos esgotar uma delas.
A escolha arbritria. Escolhendo-se a coluna para esgotar, na linha vai ficar
faltando 0 (= 30 30). Temos ento, recalculando-se a diferena entre os menores
custos:
Armazm
5 3 6
1 30 2
4 7 M
2 50 3
9 4 8
3 30 0 4
Nec. 30 30 40 10
.
Diferenas 1 1 2
A maior diferena est agora na 3a linha. A cela de menor custo (3,3) e o maior
valor que podemos atribuir a x33 igual ao MIN(0,40), ou seja 0. Logo x33 vai
ser uma varivel bsica degenerada na soluo bsica inicial. Recalculando-se a
diferena entre os 2 menores custos temos:
Armazm
5 3 6
1 30 2
4 7 M
2 50 3
3 30 0 30
Nec. 30 30 40 10
.
Diferenas 1 4 M6
Pode-se prosseguir normalmente com o algortimo.

4.10 Teste para saber se uma soluo bsica tima 105
4.10 Teste para saber se uma soluo bsica tima

Vamos voltar a formulao do nosso exemplo do incio do captulo:
(MIN) Z = 2x11 + 3x12 + 11x13 + 7x14 + x21 + 6x23 + x24 + 5x31 +
+8x32 + 15x33 + 9x34
s.a
x11 + x12 + x13 + x14 = 6 v1
x21 + x22 + x23 + x24 = 1 v2
x31 + x32 + x33 + x34 = 10 v3
x11 + x21 + x31 = 7 w1
x12 + x22 + x32 = 5 w2
x13 + x23 + x33 = 3 w3
x14 + x24 + x34 = 2 w4
xij 0
Vamos construir o modelo Dual:
(MAX) Y = 6v1 + v2 + 10v3 + 7w1 + 5w2 + 3w3 + 2w4

s.a
v1 + w1 2 x11
v1 + w2 3 x12
v1 + w3 11 x13
..
.
vi + wj cij xij
vi, wj Irrestritas em sinal
Vamos supor que temos a seguinte soluo bsica:
1 2 3 4 Disp.
2 3 11 7
1 6 6
1 0 6 1
2 1 1
5 8 15 9
3 1 4 3 2 10
Nec. 7 5 3 2

x 11 = 6

x = 1

22

x31 = 1
n o

x32 = 4

x 33 = 3

x34 = 2

Z = 112
Vamos escrever as restries do modelo dual associadas s variveis bsicas:
x11 v1 + w1 2
x22 v2 + w2 0
x31 v3 + w1 5
x32 v3 + w2 8
x33 v3 + w3 15
x34 v3 + w4 9
Como o coeficiente de varivel bsica na equao (0) igual a zero temos:
vi + wj cij = 0
pois o Lesq Ldir da restrio dual associada igual ao coeficiente da varivel na
eq.(0), ou seja igual a zero no caso de variveis bsicas.
Assim, por causa desta propriedade podemos escrever:
v1 + w1 2 = 0
v2 + w2 0 = 0
v3 + w1 5 = 0
v3 + w2 8 = 0
v3 + w3 15 = 0
v3 + w4 9 = 0
Como temos 6 equaes e 7 incgnitas, escolhemos uma das variveis (preferenci-
almente a que aparece mais) e atribumos um valor qualquer (normalmente zero).
Assim fazendo v3 = 0 temos como soluo do sistema:
w4 = 9, w3 = 15, w2 = 8, w1 = 5, v2 = 8, v1 = 3
Para saber se uma soluo bsica tima temos que olhar a equao de Z (eq.
0), ou seja, os coeficientes das variveis no bsicas que so os que aparecem na
equao (0).
Para obter estes coeficientes basta aplicar a propriedade que diz que o Lesq Ldir
da restrio dual associada igual ao coeficiente da varivel na eq. (0).
Assim temos:
x12 v1 + w2 c12 = 2
x13 v1 + w3 c13 = 1
x14 v1 + w4 c14 = 1
x21 v2 + w1 c21 = 4
x23 v2 + w3 c23 = 1
x24 v2 + w4 c24 = 0
Logo a equao (0) :
(0) Z + 2x12 + x13 x14 4x21 + x23 = 112
Como o problema de minimizao, a soluo no tima e as candidatas vari-
vel entrante so x12 , x13 e x23 .
Como x12 tem o maior coeficiente ela a varivel entrante.
Escolha da varivel sainte:
1 2 3 4 Disp.
1 6 + 6
2 1 1
3 1 4 3 2 10
Nec. 7 5 3 2
O + na cela (1,2) indica que a varivel x12 (entrante) vai sair de no bsica (=0)
para bsica onde ela vai ser maior que zero (vamos esquecer, por ora, que ela pode
ser bsica degenerada, ou seja tambm igual a zero). Considerando ento que ela
vai ser maior que zero, para que a soma da 1a linha continue dando 6, temos que
diminuir em uma das 3 outras celas da linha. No entanto, impossvel se diminuir
qualquer valor das celas (1,3) e (1,4) pois isto faria com que as variveis x13 e x14 se
tornassem negativas. Logo a nica varivel que pode ser diminuda x11 . Temos
ento:
1 2 3 4 Disp.
1 6 + 6
2 1 1
3 1 4 3 2 10
Nec. 7 5 3 2
No entanto se x11 vai diminuir de valor, para a soma da 1a coluna continuar dando
7 temos que aumentar x21 ou x31 . No podemos aumentar x21 pois teramos uma
2a varivel entrante. Logo teremos que aumentar x31 . Temos ento:
1 2 3 4 Disp.
1 6 + 6
2 1 1
3 1+ 4 3 2 10
Nec. 7 5 3 2
Como vamos aumentar x31 , para a 3a linha continuar somando 10, teremos que
diminuir uma das outras celas da 3a linha. Se diminuirmos x34 , teramos que au-
mentar uma das celas da 4a coluna e isto faria com que tivssemos uma 2a varivel
entrante. O mesmo raciocnio se aplica para x33 . Logo a diminuio s pode acon-
tecer em x32 . Temos ento:
1 2 3 4 Disp.
1 6 + 6
2 1 1
3 1+ 4 3 2 10
Nec. 7 5 3 2
Pode-se observar que se formou um lao fechado de + e . Sempre se forma um
lao fechado e se no possvel fech-lo, porque a resoluo contm algum erro.
Neste ponto o objetivo atribuir o maior valor possvel para a varivel entrante
sem que, obviamente, nenhuma outra varivel se torne negativa. Assim, as candi-
datas a varivel sainte so x11 e x32 pois elas esto sendo diminudas quando se
aumenta a entrante. Quando a entrante (x12 ) chega a 4, x32 chega a zero, logo ela
a varivel sainte.
A nova soluo bsica passa a ser (4 somado e subtrado no lao):
1 2 3 4 Disp.
1 2 4 6
2 1 1
3 5 3 2 10
Nec. 7 5 3 2

x 11 = 2

x = 4

12

x22 = 1
n o

x31 = 5

x 33 = 3

x34 = 2

Z = 104
Para saber se esta soluo tima no precisamos escrever todas as equaes do
modelo dual pois podemos usar o prprio quadro para fazer o teste.
1 2 3 4 vi
2 3 11 7
1
1 0 6 1
2
5 8 15 9
3
wj
Atribumos um valor (zero de preferncia) a um dos vi ou wj . Para facilitar pode-

mos escolher a linha com mais variveis bsicas (marcadas com ).
Como a 3a linha que tem mais variveis bsicas, vamos fazer v3 igual a zero. As-
sim para a varivel bsica x31 temos v3 + w1 C31 = 0. Como C31 = 5, temos
W1 = 5. Para a varivel bsica x33 temos v3 + w3 C33 = 0. Como C33 = 15,
temos que W3 = 15. Para x34 , onde v3 + w4 C34 = 0, e C34 = 9, temos W4 = 9.
Temos at aqui:
1 2 3 4 vi
2 3 11 7
1
1 0 6 1
2
5 8 15 9
3 0
wj 5 15 9
Para a varivel bsica x11 temos v1 + w1 C11 = 0. Como w1 = 5 e C11 = 2,

temos v1 = 3. Para a varivel x12 temos v1 + w2 C12 = 0. Como v1 = 3 e
C12 = 3, temos w2 = 6. Finalmente para x22 temos v2 + w2 C22 = 0. Como
w2 = 6 e C22 = 0, temos v2 = 6.
Temos ento:
1 2 3 4 vi
2 3 11 7
1 -3
1 0 6 1
2 -6
5 8 15 9
3 0
wj 5 6 15 9
Tendo encontrado os valores dos vi e wj podemos usar a relao vi + wj cij para

achar os coeficientes das variveis no bsicas (as no marcadas com ) na equao
de Z.
Assim, por exemplo, para x13 temos v1 + w3 C13 ou 3 + 15 11 = 1. Fazendo
de forma semelhante para as demais variveis no bsicas, temos:
1 2 3 4 vi
2 3 11 7
1 1 -1 -3
1 0 6 1
2 -2 3 2 -6
5 8 15 9
3 -2 0
wj 5 6 15 9
As candidatas a varivel entrante (coeficientes > 0) so x13 , x23 e x24 .

Como x23 tem o maior coeficiente ela a escolhida.
1 2 3 4 Disp.
1 2 4 6
2 1 + 1
3 5 3 2 10
Nec. 7 5 3 2
Formando-se o lao fechado, chegamos a:
1 2 3 4 Disp.
1 2 4+ 6
2 1 + 1
3 5+ 3 2 10
Nec. 7 5 3 2
As candidatas a varivel sainte so x33 , x11 e x22 .

Como x22 chega a zero primeiro (quando a entrante chega a 1) ela a varivel
sainte.
A nova soluo bsica (somando-se e subtraindo-se 1 no lao) fica:
1 2 3 4 Disp.
1 1 5 6
2 1 1
3 6 2 2 10
Nec. 7 5 3 2

x 11 = 1

x = 5

12

x23 = 1
n o

x31 = 6

x 33 = 2

x34 = 2

Z = 101
No teste para saber se esta soluo a tima, vamos fazer v3 = 0. Usando-se
vi + wj Cij = 0 para as variveis bsicas, chegamos a:
1 2 3 4 vi
2 3 11 7
1 -3
1 0 6 1
2 -9
5 8 15 9
3 0
wj 5 6 15 9
Calculando-se vi + wj Cij para as variveis no bsicas, temos:
1 2 3 4 vi
2 3 11 7
1 1 -1 -3
1 0 6 1
2 -5 -3 -1 -9
5 8 15 9
3 -2 0
wj 5 6 15 9
Como a nica que tem coeficiente maior que zero, x13 a varivel entrante.
1 2 3 4 Disp.
1 1 5 + 6
2 1 1
3 6+ 2 2 10
Nec. 7 5 3 2
Como x11 chega a zero quando a entrante chega a 1, ela a varivel sainte.
A nova soluo bsica (somando-se e subtraindo-se 1 no lao) :
1 2 3 4 Disp.
1 5 1 6
2 1 1
3 7 1 2 10
Nec. 7 5 3 2

x12 = 5

x13 = 1

x23 = 1
n o
x31 = 7

x33 = 1

x34 = 2

Z = 100
No teste para saber se a soluo bsica tima, vamos fazer v3 = 0. Usando-se

vi + wj Cij = 0 para as variveis bsicas, calculamos os demais vi e wj :
1 2 3 4 vi
2 3 11 7
1 -4
1 0 6 1
2 -9
5 8 15 9
3 0
wj 5 7 15 9
Calculando os coeficientes das variveis no bsicas na equao de Z (usando vi +

wj Cij ) chegamos a:
4.11 Solues bsicas degeneradas 113
1 2 3 4 vi
2 3 11 7
1 -1 -2 -4
1 0 6 1
2 -5 -2 -1 -9
5 8 15 9
3 -1 0
wj 5 7 15 9
Como nenhum dos coeficientes maior que zero, a soluo atual tima. Logo:

x12 = 5

x13 = 1

x23 = 1
n o
x31 = 7

x
33 = 1

x34 = 2

Z = 100
Caso algum dos coeficientes fosse igual a zero teramos solues timas alternati-
vas (como obt-las ?).
4.11 Solues bsicas degeneradas

Sendo na soluo abaixo x24 a varivel entrante, vamos escolher a varivel sainte:
1 2 3 4 Disp.
1 5 1 6
2 1 + 1
3 7 1+ 1 9
Nec. 7 5 3 2
As candidatas a varivel sainte so x23 e x34 . H no entanto um empate, ou seja,

as duas chegam a zero no momento que a entrante chega a 1.
Neste caso a escolha arbitrria e a no escolhida como sainte ser uma varivel
bsica degenerada.
Escolhendo x34 como a sainte temos a seguinte soluo bsica:
1 2 3 4 Disp.
1 5 1 6
2 0 1 1
3 7 2 9
Nec. 7 5 3 1
Como regra geral se temos um empate entre n candidatas a varivel sainte, tere-
mos n 1 variveis bsicas degeneradas.
Vamos supor agora que nesta soluo bsica, x22 seja a varivel entrante. Temos o
seguinte lao:
1 2 3 4 Disp.
1 5 1+ 6
2 + 0 1 1
3 7 2 9
Nec. 7 5 3 1
Como x23 uma varivel bsica degenerada e j igual a zero, ela no pode ser
diminuda pois ficaria negativa. Assim, ela ser a varivel sainte e a entrante ser
uma bsica degenerada. A nova soluo ser:
1 2 3 4 Disp.
1 5 1 6
2 0 1 1
3 7 2 9
Nec. 7 5 3 1
O algortimo deve prosseguir normalmente sendo a varivel bsica degenerada tra-

tada como uma varivel bsica qualquer.
4.12 O Modelo da Baldeao 115
4.12 O Modelo da Baldeao

Exemplo:
Um determinado produto produzido em 2 fbricas e remetido para 3 armazns.
A capacidade de produo mensal das fbricas de 100 e 200 unidades do produto
respectivamente. Cada um dos armazns necessita 100 unidades do produto por
ms. O produto pode ser transportado de uma fbrica para um armazm passando
por qualquer outra fbrica ou armazm intermedirio. O custo de transportar cada
unidade entre armazns e fbricas est dado na tabela abaixo:
Fbricas Armazns
1 2 I II III
Fbricas 1 80 10 20 30
2 10 20 50 40
I 20 80 40 10
Armazns II 40 20 10 20
III 60 70 80 20
O objetivo atender as necessidades dos armazns com a produo das fbricas

com o menor custo total de transporte.
4.13 Diferena entre Transporte e Baldeao

No modelo de transporte qualquer quantidade sai diretamente de uma fonte para
um destino no podendo passar por nenhum ponto intermedirio. No modelo de
baldeao o transporte de uma determinada quantidade pode, eventualmente, pas-
sar por vrios pontos intermedirios no caminho entre uma fonte e um destino.
Estes pontos intermedirios podem ser outras fontes ou mesmo outros destinos.
bvio que o objetivo continua sendo minimizar o custo total de transporte. Sendo
assim, s vai ocorrer baldeao se isto for mais barato do que transportar direta-
mente.
4.14 Adaptao do modelo da baldeao ao algortimo do trans-

porte
1 2 I II III Disp.
0 80 10 20 30
1 100+300
10 0 20 50 40
2 200+300
20 30 0 40 10
I +300
40 20 10 0 20
II +300
60 70 80 20 0
III +300
Nec. +300 +300 100+300 100+300 100+300
Como a soluo tima implica em que uma quantidade no passe 2 vezes pelo
mesmo ponto, se somarmos a quantidade total envolvida (300 no exemplo) a cada
fonte e a cada destino estaremos garantindo a praticabilidade da quantidade que
sofre baldeao.
Antes de somar esta quantidade se a produo das fbricas for maior que a ne-
cessidadePdos armazns, temos Pque criar um armazm artificial com a diferena
entre o ( disponibilidades necessidades). Se for o inverso, criamos uma
fbrica artificial.
Aplicando o algortimo dos transportes no problema modificado chegaremos a se-
guinte soluo tima:
1 2 I II III
1 300 0 100
2 300 200
I 200 100
II 300
III 300
Eliminando os termos da diagonal pois no tem sentido fsico, obtemos a soluo

tima para o problema de baldeao:
4.14 Adaptao do modelo da baldeao ao algortimo do transporte 117
1 I
100
200
100
2 II
III
Z = 100 20 + 200 20 + 100 10 = 7.000

4.15 O Modelo da Atribuio ou da Designao

O chamado modelo da atribuio consiste na formulao e soluo de problemas
do tipo: Atribuir m tarefas m mquinas de maneira que cada tarefa seja feita
por apenas 1 mquina e uma mquina faa apenas uma tarefa, com o menor custo
total.
Exemplo:
Quatro tarefas tem que ser atribudas 4 mquinas. O custo de atribuir cada ta-
refa cada mquina est dado na tabela abaixo:
Mquinas
Tarefas I II III IV
1 10 9 8 7
2 3 4 5 6
3 2 1 1 2
4 4 3 5 6
Deseja-se escolher que mquina deve fazer que tarefa de maneira que o custo total
seja mnimo.
Este problema pode ser resolvido como um modelo de transportes em que todas as
disponibilidades e todas as necessidades so iguais a 1.
Mquinas
Tarefas I II III IV Disp.
1 10 9 8 7 1
2 3 4 5 6 1
3 2 1 1 2 1
4 4 3 5 6 1
Nec. 1 1 1 1
Cada soluo bsica ter 7 variveis bsicas e como qualquer varivel xij (tarefa
i atribuda mquina j) s pode ser 0 ou 1, teremos sempre 3 variveis bsicas
degeneradas.
Para resolver este tipo de problema foi desenvolvido um algortimo bem mais rpido
que o de transportes. Este algortimo conhecido como Algortimo Hngaro.
4.16 Passos do Algortimo

a) Subtraia o menor custo de cada linha de cada um dos custos da linha, obtendo
uma nova matriz de custos.
b) Tente fazer a atribuio nos custos iguais a zero.
4.16 Passos do Algortimo 119
c) Se no foi possvel fazer todas as atribuies, subtraia o menor custo de cada

coluna de cada custo da coluna, obtendo uma nova matriz de custos.
d) Tente fazer a atribuio nos custos iguais a zero.
e) Se no foi possvel fazer todas as atribuies, risque todos os zeros com o menor
nmero possvel de linhas verticais e horizontais. O nmero de linhas deve ser
igual ao nmero mximo de atribuies que se conseguiu fazer no passo anterior.
f) Subtraia de cada custo no riscado pelas linhas, o menor dos custos no riscados.
g) Some este menor custo dos no riscados s interseces das linhas traadas no
passo e.
h) Voltar ao passo d.
Vejamos ento a aplicao do algortimo ao nosso problema:
Mquinas
Tarefas I II III IV
1 10 9 8 7
2 3 4 5 6
3 2 1 1 2
4 4 3 5 6
Passo a: Subtrair, em cada linha, o menor custo da linha de todos os outros custos
da linha.
Temos ento:
I II III IV
1 3 2 1 0
2 0 1 2 3
3 1 0 0 1
4 1 0 2 3
Passo b: Tentar fazer a atribuio nos custos iguais a 0.
I II III IV
1 3 2 1 0
2 0 1 2 3
3 1 0 0 1
4 1 0 2 3
Como foi possvel fazer a atribuio (um para um) nos custos iguais a zero, encon-
tramos a soluo tima:
Tarefa Mquina Custo
1 IV 7
2 I 3
3 III 1
4 II 3
Z = 14

Exemplo 2:
Quatro tarefas tem que ser atribudas a 4 mquinas. O custo de atribuir cada
tarefa a cada mquina est dado abaixo:
Mquinas
Tarefas I II III IV
1 10 9 7 8
2 5 8 7 7
3 5 4 6 5
4 2 3 4 5
Vamos aplicar o algortimo:

Passo a: Subtrair, em cada linha, o menor custo da linha de todos os outros custos
da linha.
Temos ento:
I II III IV
1 3 2 0 1
2 0 3 2 2
3 1 0 2 1
4 0 1 2 3
Passo b: Tentar fazer a atribuio nos custos iguais a 0.

Temos ento:
I II III IV
1 3 2 0 1
2 0 3 2 2
3 1 0 2 1
4 0 1 2 3
Como no conseguimos fazer as 4 atribuies, vamos para o passo seguinte.

Passo c: Subtrair, em cada coluna, de cada custo da coluna o menor custo da
4.16 Passos do Algortimo 121
coluna.
Temos ento:
I II III IV
1 3 2 0 0
2 0 3 2 1
3 1 0 2 0
4 0 1 2 2
Passo d: Tentar fazer a atribuio nos custos iguais a zero. Temos:
I II III IV
1 3 2 0 0
2 0 3 2 1
3 1 0 2 0
4 0 1 2 2
No mximo, s conseguimos fazer 3 atribuies.

Passo e: Riscar todos os zeros, com linhas verticais e horizontais. O nmero de
linhas tem que ser igual ao nmero mximo de atribuies que se fez no passo d (3
no nosso caso). Temos ento:
I II III IV
1 3 2 0 0
2 0 3 2 1
3 1 0 2 0
4 0 1 2 2
A matriz possui agora 2 tipos de custos: riscados pelas linhas e no riscados.

Passos f e g: Subtrair o menor dos custos no riscados de todos os no riscados e
somar este menor no riscado as interseces das linhas traadas.
Obs. Os custos riscados que no esto nas interseces, se mantm inalterados.
Temos ento:
I II III IV
1 4 2 0 0
2 0 2 1 0
3 2 0 2 0
4 0 0 1 1
Voltamos ao Passo d: Tentar fazer a atribuio nos custos iguais a zero. Temos
ento:
I II III IV
1 4 2 0 0
2 0 2 1 0
3 2 0 2 0
4 0 0 1 1
Achamos uma Soluo tima:

Tarefa Mquina Custo
1 III 7
2 IV 7
3 II 4
4 I 2
Z = 20

Temos outra soluo tima:
I II III IV
1 4 2 0 0
2 0 2 1 0
3 2 0 2 0
4 0 0 1 1
Tarefa Mquina Custo

1 III 7
2 I 5
3 IV 5
4 II 3
Z = 20
4.17 Impossibilidade de atribuio 123
4.17 Impossibilidade de atribuio

Temos 4 mquinas para serem atribudas para 4 tarefas. O custo de atribuir cada
tarefa a cada mquina est dado na tabela a seguir:
Mquinas
Tarefas I II III IV
1 10 9 8
2 5 8 7 7
3 5 4 6 5
4 3 4 5
Por razes tcnicas, a tarefa 1 no pode ser feita pela mquina III e a mquina I
no pode fazer a tarefa 4.
Este o caso em que temos que garantir que, na soluo tima, tanto x1,III quanto
x4,I sejam iguais a zero. Para forar esta situao vamos atribuir, da mesma forma
que fizemos no algortimo dos transportes, um custo muito alto a estas variveis.
Este custo, que chamamos de M, representa um valor to grande quanto se queira
imaginar. Assim teramos:
Mquinas
Tarefas I II III IV
1 10 9 M 8
2 5 8 7 7
3 5 4 6 5
4 M 3 4 5
Na resoluo manual do algortimo, o M tem que ser considerado como um nmero

muito grande.
4.18 Fontes ou destinos artificiais

A aplicao do algortimo hngaro deve ser feita sempre em uma matriz qua-
drada. Assim se o no de tarefas maior que o no de mquinas devemos criar tantas
mquinas artificiais quantas sejam necessrias para tornar a matriz quadrada. O
custo de atribuir uma tarefa uma mquina artificial zero.
Se o nmero de mquinas que for maior, criamos tarefas artificiais.
Como exemplo, vamos supor que temos 4 tarefas para serem atribudas a 6 mqui-
nas. O custo de atribuir cada tarefa a cada mquina est dado na tabela a seguir:
Mquinas
Tarefas I II III IV V VI
1 10 9 6 8 9 10
2 5 8 7 7 4 8
3 5 4 6 5 11 8
4 10 3 4 5 7 9
Para aplicarmos o algortimo, temos que criar 2 tarefas artificiais, com custos
iguais a zero:
Mquinas
Tarefas I II III IV V VI
1 10 9 6 8 9 10
2 5 8 7 7 4 8
3 5 4 6 5 11 8
4 10 3 4 5 7 9
5 0 0 0 0 0 0
6 0 0 0 0 0 0
Aplica-se ento normalmente o algortimo hngaro (deixado como exerccio).

Na soluo tima, as tarefas 5 e 6 (artificiais) so atribudas s mquinas IV e VI.
Logo estas 2 mquinas ficaro sem tarefa para fazer.
No exemplo acima, se tivssemos mais tarefas do que mquinas, criaramos m-
quinas artificiais.
4.19 Exerccios 125
4.19 Exerccios
A) Uma empresa tem 3 fbricas produzindo um certo produto que deve ser reme-
tido para 4 centros de distribuio. As fbricas 1, 2 e 3 produzem 12, 17 e 11
unidades do produto, por ms, respectivamente. Cada centro de distribuio
necessita receber 10 unidades por ms. A distancia de cada fbrica para cada
um dos centros de distribuio mostrado abaixo (em kms) :
Centro de Distribuio
Fbricas 1 2 3 4
1 800 1300 400 700
2 1100 1400 600 1000
3 600 1200 800 900
O custo de transporte igual a $0.50/km por unidade transportada.

Quanto deveria ser enviado de cada fbrica para cada armazm de maneira que
o custo total seja mnimo ?
Formule e resolva este problema como um modelo de Transportes.
B) Uma empresa decidiu produzir 3 novos produtos em 5 de suas fbricas. O custo

unitrio de produo do produto 1 $31, $29, $32, $28 e $29 nas fbricas 1, 2, 3,
4 e 5 respectivamente. Para o produto 2 $45, $41, $46, $42 e $43 nas fbricas
1, 2, 3, 4 e 5 respectivamente. Para o produto 3 $38, $35, $40 nas fbricas
1, 2 e 3 respectivamente, enquanto que as fbricas 4 e 5 no tem capacidade
de produzir este produto. As previses de vendas indicam que 1500, 2500 e
2000 unidades dos produtos 1, 2 e 3 respectivamente devem ser produzidas. As
fbricas 1,2,3,4 e 5 tem capacidade de produzir 2000, 1000, 2000, 1500 e 2500
unidades dirias respectivamente, sejam quais forem os produtos ou combina-
es deles envolvidos.
A empresa deseja minimizar o custo total de produo.
Resolva este problema como um modelo de Transportes.
C) Suponha que a Inglaterra, Frana e Espanha produzam todo o trigo, cevada

e aveia do mundo. A demanda mundial de trigo requer 125 milhes de acres
plantados com trigo. Da mesma forma 60 milhes de acres so necessrios
para a cevada e 75 milhes de acres para a aveia. A quantidade total de terra
disponvel para este propsito na Inglaterra, Frana e Espanha so 70 milhes,
110 milhes e 80 milhes de acres, respectivamente.
O nmero de horas de trabalho necessrias na Inglaterra, Frana e Espanha
para plantar 1 acre de trigo so 18, 13 e 16 horas respectivamente.
O nmero de horas de trabalho necessrias na Inglaterra, Frana e Espanha
para plantar 1 acre de cevada so 15, 12 e 12 horas respectivamente.
Para a aveia o nmero de horas necessrias so 12, 10 e 16 respectivamente.
O custo do trabalho por hora para cada tipo de cultura mostrado a seguir:
Inglaterra Frana Espanha

Trigo 3 2 3
Cevada 3 3 3
Aveia 2 3 2
Qual deve ser o uso da terra em cada pas de maneira que a demanda mundial
por estes 3 alimentos seja satisfeita e que o custo seja mnimo ?
D) Uma firma que produz um nico produto tem 3 fbricas e 4 fregueses. As 3

fbricas produziro 3000, 5000 e 4000 unidades, respectivamente, durante o
prximo ms. A firma tem uma obrigao contratual de vender 4000 unidades
ao fregus 1, 3000 unidades ao fregus 2 e no mnimo 1000 unidades ao fregus
3. Os fregueses 3 e 4 esto dispostos a comprarem o mximo que puderem.
O lucro lquido associado com a venda de 1 unidade da fbrica i para o fregus
j mostrado abaixo:
Fregus
Fbrica 1 2 3 4
1 65 63 62 64
2 68 67 65 62
3 63 60 59 60
A diretoria deseja saber quantas unidades deve vender aos fregueses 3 e 4 e

quantas unidades devem ir de cada fbrica para cada fregus de maneira a
maximizar o lucro.
E) Considere o problema de transportes tendo a seguinte matriz de custos:
Destinos
Fontes 1 2 3 4 Disponibilidades
1 3 7 6 4 5
2 2 4 3 2 2
3 4 3 8 5 3
Necessidades 3 3 2 2
Qual a soluo tima ?

4.19 Exerccios 127
F) Considere o problema de transportes tendo a seguinte matriz de custos:
Destinos
Fontes 1 2 3 4 5 Disponibilidades
1 8 6 3 7 5 20
2 5 M 8 4 7 30
3 6 3 9 6 8 30
4 0 0 0 0 0 20
Necessidades 25 25 20 10 20
Qual a soluo tima ?
G) Considere o problema de transportes tendo a seguinte matriz de custos:
Destinos
Fontes 1 2 3 4 5 6 Disponibilidades
1 10 18 29 13 22 0 100
2 13 M 21 14 16 0 120
3 0 6 11 3 M 0 140
4 9 11 23 18 19 0 80
5 24 28 36 30 34 0 60
Necessidades 100 120 100 60 80 40
Qual a soluo tima ?
H) O custo ($) de carga area, por tonelada, entre 7 cidades dado pela tabela
abaixo ( significa que no existe servio direto de carga area):
1 2 3 4 5 6 7
1 0 21 50 62 93 77
2 21 0 17 54 67 48
3 50 17 0 60 98 67 25
4 62 54 60 0 27 38
5 93 67 98 27 0 47 42
6 77 67 47 0 35
7 48 25 38 42 35 0
Uma empresa deseja enviar carga das cidades 1, 2 e 3 para as cidades 4, 5, 6 e

7. Das cidades 1, 2 e 3 sairo 70, 80 e 50 toneladas respectivamente.
As cidades 4, 5, 6 e 7 devero receber 30, 60, 50 e 60 toneladas respectivamente.
O transporte pode passar por qualquer cidade intermediria a um custo igual a
soma dos custos de cada trecho percorrido.
O objetivo minimizar o custo de transporte da carga.
Resolva este problema como um modelo de Baldeao
I) Uma estudante tendo entrado para a universidade, resolveu comprar um carro

para us-lo nos prximos 4 anos. Como o dinheiro disponvel bastante limi-
tado, ela deseja minimizar os seus gastos com o carro. Levando em conta o preo
inicial de compra e o custo de manuteno, no est claro para ela se deve com-
prar um carro muito velho ou semi-novo. Tambm no est claro se ela deve
trocar de carro pelo menos uma vez nos prximos 4 anos, antes que os custos de
manuteno se tornem demasiados caros.
Preo de Custo de Manuteno/ano Preo de venda no final do ano

Compra 1 2 3 4 1 2 3 4
Carro
muito velho 250 475 550 625 700 150 100 50 0
Carro
semi-novo 950 250 325 425 575 550 400 300 250
Se a estudante trocar de carro nos prximos 4 anos, ela poder faz-lo no fim de
um dos anos por outro carro idntico a um dos 2 tipos acima.
certo que no fim dos 4 anos ela comprar um carro novo.
A estudante deseja minimizar os seus gastos nos prximos 4 anos.
Resolva este problema como um modelo de baldeao.
J) Considere o problema de transporte onde 2 fbricas fornecem um determinado

produto para 3 armazns. O nmero de unidades disponveis em cada fbrica
so 200 e 300 unidades respectivamente. As necessidades de cada armazm so
100, 200 e 50 unidades respectivamente.
Em vez de se enviar o produto diretamente est se estudando a possibilidade
de fazer baldeao.
Os custos de transporte so:
4.19 Exerccios 129
Fbrica Armazm
1 2 I II III
Fbrica 1 0 6 7 8 9
2 6 0 5 4 3
I 7 2 0 5 1
Armazm II 1 5 1 0 4
III 8 9 7 6 0
Qual a soluo tima ?
K) Resolva o seguinte problema de atribuio:
1 2 3 4 5
I 3 8 2 10 3
II 8 7 2 9 7
III 6 4 2 7 5
IV 8 4 2 3 5
V 9 10 6 9 10
L) Resolva o seguinte problema de atribuio:
1 2 3 4 5
I 3 9 2 3 7
II 6 1 5 6 6
III 9 4 7 10 3
IV 2 5 4 2 1
V 9 6 2 4 6
M) Considere o problema de atribuir 4 operadores para 4 mquinas. Os custos de

atribuio esto dados abaixo:
Mquina
Operador 1 2 3 4
1 5 5 2
2 7 4 2 3
3 9 3 5
4 7 2 6 7
O operador 1 no pode operar a mquina 3 e o 3 no pode operar a mquina 4.

Qual a atribuio tima ?
N) Suponha que no exemplo anterior uma 5a mquina est disponvel. Seus cus-
tos de atribuio para os 4 operadores so 2, 1, 2 e 8 respectivamente. A nova
mquina substituir uma das existentes se isto puder ser justificado economi-
camente.
Reformule o problema e resolva.
O) Um treinador de uma equipe de natao tem que formar um time para nadar
no revezamento 4x100 (4 estilos) na prxima etapa do campeonato.
Os 5 melhores nadadores da equipe e os seus respectivos tempos (em segundos)
em cada um dos estilos mostrado abaixo:
Nadador
Estilo Carlos Celso Artur Antonio Flvio
I 37.7 32.9 33.8 37.0 35.4
II 43.4 33.1 42.2 34.7 41.8
III 33.3 28.5 38.9 30.4 33.6
IV 29.2 26.4 29.6 28.5 31.1
Como deve ser formado o time ?
P) Um certo produto transportado de 3 fbricas para 4 armazns. A matriz de

custos assim como a disponibilidade de cada fbrica e a necessidade de cada
armazm esto mostrados abaixo:
Armazm
I 1.0 7.5 8.5 11.0 40000
II 7.5 4.5 3.0 7.5 50000
III 10.0 6.5 1.0 6.0 35000
Necessidades 35000 20000 25000 45000
Qual a soluo tima ?

4.19 Exerccios 131
Q) Temos 5 mquinas para serem atribudas a 6 operadores. Os custos de atribuir

cada mquina cada operador esto dados abaixo:
Operadores
Mquinas 1 2 3 4 5 6
I 12 14 9 13 10 16
II 11 13 15 17 13 11
III 9 15 9 14 12 13
IV 10 12 11 13 14 14
V 13 10 15 10 16 15
Qual deve ser a atribuio de maneira que o custo seja mnimo ?


Exerccio A
Fb. 1 para Centro 3 = 2
Fb. 2 para Centro 2 = 9 Z = 16.200
Exerccio B
Fb. 1 1.000 do Prod.3
Fb. 2 1.000 do Prod.3 Z = 222.500
Fb. 4 1.500 do Prod.1
Fb. 5 2.500 do Prod.2
Exerccio C
Inglaterra 70 de aveia
Frana 110 de trigo
Espanha 15 de trigo, 60 de cevada e 5 de aveia
Z = 7480
Exerccio D
Introduza o fregus 3# que receber as unidades extras enviadas para o fregus 3,
alm do nvel mnimo de 1.000.
Introduza a fbrica D, que vender as unidades extras para os fregueses 3 e 4.
Fregus
Fbrica 1 2 3 4 3#
1 -65 -63 -62 -64 -62 3000
2 -68 -67 -65 -62 -65 5000
3 -63 -60 -59 -60 -59 4000
D M M 0 0 0 4000
4000 3000 1000 4000 4000
Soluo tima:
Fbrica Fregus
1 4 3.000
2 1 1.000
2 2 3.000 Z = 775000
2 3 1.000
3 4 1.000
3 1 3.000
Exerccio E
Fonte Destino
1 4 2
1 1 3 Z = 32
2 3 2
3 2 3
Exerccio F
Fonte Destino
1 3 20
2 1 20
2 4 10 Z = 305
3 1 5
3 2 25
4 5 20
Exerccio G
Fonte Destino
1 1 100 7
2 3 40
2 5 80
3 2 20 Z = 5520
3 3 60
3 4 60
4 2 80
5 2 20
5 6 40
Exerccio H
Fonte Destino
1 4 20
1 6 50
2 4 10
2 5 60
2 3 10
3 7 60
Exerccio I
Faamos Cijk
ser o custo de comprar um carro velho (k = 1) ou um carro semi-novo
(k = 2) no inicio do ano i revendendo no final do ano j.
Cij = Preo de Compra + Custos de Operao e manuteno para os anos 1, 2, . . . , j
i + 1 Valor de Revenda aps j i + 1 anos.
Cij = MIN (Cij 1
+ Cij2
)
Faamos o ano 1 ser a fonte com disponibilidade de 1.

Faamos o ano 5 ser o destino com necessidade de 1.
Faamos os anos 2, 3 e 4 serem os pontos de baldeao.
1 2 3 4 5 Disp.
1 0 575 1125 1650 2275 1
2 M 0 55 1125 1650 0
3 M M 0 575 1125 0
4 M M M 0 575 0
5 M M M M 0 0
Necessidade 0 0 0 0 1
Resolvendo-se verifica-se que o timo comprar um carro velho inicialmente. Aps

1 ano de uso, comprar um carro semi-novo e us-lo durante os 3 anos seguintes.
Exerccio J
1 1 50
2 1 50
2 2 200
2 3 50
Z = 1550
Exerccio K
15
23
32
44
51
Z = 21
Exerccio L
11
22
35
44
53
Z = 11
Exerccio M
14
23
32
41
Z = 14
Exerccio N
A mquina 5 substitui a mquina 1.
Z=8
Exerccio O
Estilo 1: Artur
Estilo 2: Antonio
Estilo 3: Celso
Estilo 4: Carlos
Exerccio P
Fbrica Armazm
I 1 35.000
III 3 25.000
I 2 5.000 Z = 487500
II 2 15.000
II 4 35.000
III 4 10.000
Exerccio Q
I5
III 3
V2
II 6
IV 1
5
Bibliografia de Pesquisa Operacional
A bibliografia a seguir apresentada, uma relao de livros de P.Operacional e/ou

de tpicos especficos de P.Operacional, existentes no mercado nacional e interna-
cional.
As seguintes observaes devem ser levadas em conta:
a) Muitos dos livros estrangeiros desta relao no so encontrados nas livrarias

do Brasil e, se desejados, tem que ser encomendados. Alguns so encontrados
em bibliotecas.
b) Como o mercado internacional bastante ativo, possvel que um livro seja

encontrado no Brasil na sua 3a edio, por exemplo, e ele j tenha uma ou mais
edies no exterior. Normalmente uma nova edio maior e melhor que a
anterior.
c) Alguns livros, tanto estrangeiros como nacionais, constantes da relao esto

esgotados e s so encontrados em bibliotecas.
d) Os livros em portugus que so traduo de livros estrangeiros esto, quase

sempre, defasados em relao a ltima edio da obra. Assim, por exemplo, o
livro do Hillier/Lieberman (1o da lista abaixo), que , provavelmente, o livro de
P.Operacional mais vendido no mundo, tem uma traduo em portugus, ven-
dida nas livrarias. Esta verso, no entanto, da 3a edio americana mas, nos
E.Unidos, este livro j se encontra na 8a edio, sendo o contedo esta 8a edio
bem maior e muito diferente do contedo da 3a edio.
1. Introduo Pesquisa Operacional

Hillier & Lieberman
Campus
2. Pesquisa Operacional
Wagner, Harvey M.
Prentice Hall do Brasil
138 Bibliografia de Pesquisa Operacional
3. Pesquisa Operacional Vol. I,II e III

Victor Mirshawka
Nobel
4. Pesquisa Operacional Uma abordagem bsica

Shamblin e Stevens
Atlas
Ackoff e Sasieni
Livros Tcnicos e Cientficos
Ellenrieder
Almeida Neves
Richard Bronson
McGraw-Hill Coleo Schaum
8. Introduo Pesquisa Operacional

Eduardo Leopoldino de Andrade
Ermes Medeiros, Elio Medeiros, Valter Gonalves, Afrnio Murolo
Atlas
10. Programao Linear

Puccini & Pizolato
11. Programao Linear

Fritzsche
Edgar Bucher
12. Mtodos de Otimizao Aplicao aos Transportes

Novaes
Edgar Blucher
13. Metodos y Modelos de Investigacion de Operaciones Vol. I e II

Prawda
Limusa
14. Metodos y Modelos de Investigacion de Operaciones Vol. I,II e III

Kaufmann
CECSA
139
15. Operations Research An Introduction

Hamdy A. Taha
MacMillan
16. Principles of Operations Research for Management

Budnick, Mojena, Volmann
Irwin
17. Introduction to Quantitative Methods

Verma, Gross
Wiley Hamilton
18. Operations Research Principles and Practice

Phillips, Ravindran, Solberg
Wiley
19. Introduction to Operations Research

Gillett
McGraw Hill
20. System Analysis for Managerial Decisions

Ramalingam
Wiley
21. Quantitative Methods for Managerial Decisions

Brown, Revelle
Addison Wesley
22. Quantitative Methods for Business Decisions

Lappin
Harcourt Brace Jovanovich
23. Industrial Operations Research

Fabrick, Ghare, Torgensen
Prentice Hall
24. Management A Quantitative Perspective

Lomba
MacMillan
25. Quantitative Techniques for Business Decisions

Johnson, Siskin
Prentice Hall
26. Quantitative Analysis for Managerial Decisions

Kim
Addison Wesley
27. Applied Operations Research

Whitehouse, Wechsler
Wiley
28. Decision Making Through Operations Research

Thierauf, Klekamp
Wiley
29. Operations Research A Managerial Emphasis

Hartley
Goodyear
30. Topics in Management Science

Markland
Wiley
31. Operations Research Tecnhiques for Management

Moskowitz, Wright
Prentice Hall
32. Quantitative Decision Making for Business

Gordon, Pressman
Prentice Hall
33. Essentials of Management Science Operations Research

Buffa, Dyer
- Wiley
34. Operations Research Applications and Algorithms

Winston, Wayne L.
Duxbury Press
35. Management Science

Camm, Jeffrey D. & Evans, James R.
SouthWestern College Publishing
36. Practical Management Science

Winston, Wayne L. & Albright, S. Christian
Duxbury Press
37. Linear Programming

Lomba
MacMillan
38. Mathematical Programming

Mcmillan
Wiley
141
39. Applied Mathematical Programming

Bradley, Hax, Magnanti
Addison Wesley

Hadley
Addison Wesley
41. Introduction to Linear and Nonlinear Programming

Luenberger
Addison Wesley
42. Linear Programming and Network Flows

Bazaraa, Jarvis
Wiley
43. Matrices and Linear Programming

Munakata
Holden Day
44. Applied Nonlinear Programming

Himmeblau
McGraw Hill
45. Nonlinear Programming

Bazaraa, Shetty
Wiley
46. Linear Programming and Extensions

Dantzig
Princeton

Gass
McGraw Hill
48. Basic Linear Programming

Brian D. Bunday
Edward Arnold Ltd.
49. Basic Optimisation Methods

Brian D. Bunday
Edward Arnold Ltd.
50. An Introduction to Linear Programming and Game Theory

Paul R. Thie
John Wiley & Sons

Ignizio & Cavalier
Prentice Hall

Chvtal, Vasek
W.H.Freeman and Company
53. Elementary Linear Programming With Applications

Kolman Bernard & Beck, Robert E.
Academic Press
54. Optimization Modeling Programming

Schrage, Linus
Duxbury Press
55. Optimization in Operations Research

Rardin, Ronald L.
Prentice Hall

Dantzig, George B. & Thapa, Mukund N.
W.H.Freeman and Company

Plinear PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Plinear PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Programao Linear

Mauricio Pereira dos Santos

UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO

Editorao: O autor, criando arquivo texto no format LaTex.

3 Anlise depois do timo 61

4 Algortimo dos Transportes 93

5 Bibliografia de Pesquisa Operacional 137

Muitos colocam o desenvolvimento da Programao Linear (PL) como um dos avan-

x1 no de unidades do produto tipo I a serem produzidas no prximo ms.

Evidentemente que o nosso modelo no se restringe a funo objetivo pois se assim

1.2 Soluo grfica

Vamos considerar a 1a restrio na igualdade, ou seja 70x1 + 70x2 = 4900. Ela

A 3a restrio, na igualdade (2x1 = 80), uma reta paralela ao eixo x2 passando

O ponto timo um ponto do espao soluo, ou seja pertencente ao polgono ha-

B) Resolva graficamente o modelo abaixo:

C) Resolva graficamente o modelo abaixo:

D) Resolva graficamente o modelo abaixo:

E) Resolva graficamente o modelo abaixo:

F) Resolva graficamente o modelo abaixo:

G) Resolva graficamente o modelo abaixo:

1.4 Respostas dos exerccios da seo 1.3

Redundantes: (1) e (5) Z=4

Redundantes: (1),(2),(4) e (7) x2

Redundantes: (2), (6)

1.5 O modelo geral da Programao Linear

1.6 Variaes do Modelo Geral

b) Algumas restries podem ser do tipo :

c) Algumas restries podem ter sinal =:

d) Algumas variveis de deciso podem assumir qualquer valor, entre e +,

1.7 O que est implcito em qualquer modelo de P.Linear

1.8 Exemplos de formulao de modelos de Programao Li-

(Min) Z = 30x1 + 48x2 + 44x3 + 56x4

B) Uma fbrica de papel recebeu 3 pedidos de rolos de papel com as larguras e

A fbrica tem que produzir os pedidos a partir de 2 rolos de tamanho padro

Esta soluo consistiria em cortar o 1o rolo padro (largura 100) em 2 tiras de

Rolo de 100 cms Rolo de 200 cms

O modelo fica como:

C) O gerente de um restaurante que est encarregado de servir o almoo, em uma

As restries para a necessidade de guardanapos limpos so:

D) A Motorauto S/A fabrica 3 modelos de automveis nas suas fbricas: Modelo

O modelo do problema fica como:

E) Uma empresa responsvel pelo abastecimento semanal de um certo produto ao

B) Uma companhia de aviao est considerando a compra de avies de passagei-

C) Uma empresa tem 3 fbricas com ociosidade na produo. Todas as 3 fbricas

m2 respectivamente. O Departamento de Vendas indicou que 600, 800 e 500

D) Um investidor pode investir dinheiro em duas atividades A e B disponveis no

E) Com seus conhecimentos do curso, um aluno calcula que poderia se preparar

F) O Governo decidiu instalar em uma certa rea 3 indstrias: U1 , U2 e U3 . Trs

neira mais eficiente.

I) Um avio de carga tem 3 compartimentos para armazenar carga: frente, centro

Compartimento Capacidade peso (ton) Capacidade espao (m3 )

Carga Peso (ton) Volume (m3 /ton) Lucro ($/ton)

Hora do dia No mnimo de empregados

K) Uma fbrica descontinuou a produo de um produto que no estava dando lu-

Tipo de Mquina Produto 1 Produto 2 Produto 3

1.10 Respostas dos exerccios da seo 1.9

O chamado Mtodo Simplex foi apresentado por George B. Dantzig, um matemtico

2.1 Definies bsicas

Soluo Praticvel qualquer soluo em que nenhuma das restries do mo-

Soluo Bsica Dado um conjunto de m equaes linearmente independentes

Exemplo: Seja o sistema abaixo:

As variveis diferentes de 0 so chamadas de variveis bsicas e as iguais a 0

2.2 Um mtodo no muito eficiente