Você está na página 1de 360

PESQUISA OPERACIONAL:

PARA CURSOS DE ADMINISTRAO,


CONTABILIDADE E ECONOMIA

PATRCIA BELFIORE E LUIZ PAULO FVERO


Preencha a ficha de cadastro no final deste livro
e receba gratuitamente informaes
sobre os lanamentos e as promoes da Elsevier.

Consulte tambm nosso catlogo completo,


ltimos lanamentos e servios exclusivos no site
www.elsevier.com.br
PESQUISA OPERACIONAL:
PARA CURSOS DE ADMINISTRAO,
CONTABILIDADE E ECONOMIA

PATRCIA BELFIORE E LUIZ PAULO FVERO


2012, Elsevier Editora Ltda.

Todos os direitos reservados e protegidos pela Lei no 9.610, de 19/02/1998.


Nenhuma parte deste livro, sem autorizao prvia por escrito da editora, poder ser reproduzida ou
transmitida sejam quais forem os meios empregados: eletrnicos, mecnicos, fotogrficos, gravao ou
quaisquer outros.

Coodernao de produo: Silvia Barbosa Lima


Copidesque: Ivone Teixeira
Reviso: Marlia Pinto de Oliveira
Editorao Eletrnica: SBNigri Artes e Textos Ltda.

Elsevier Editora Ltda.


Conhecimento sem Fronteiras
Rua Sete de Setembro, 111 16o andar
20050-006 Centro Rio de Janeiro RJ Brasil

Rua Quintana, 753 8o andar


04569-011 Brooklin So Paulo SP Brasil

Servio de Atendimento ao Cliente


0800-0265340
sac@elsevier.com.br

ISBN 978-85-352-3421-3

Nota: Muito zelo e tcnica foram empregados na edio desta obra. No entanto, podem ocorrer erros
de digitao, impresso ou dvida conceitual. Em qualquer das hipteses, solicitamos a comunicao
ao nosso Servio de Atendimento ao Cliente, para que possamos esclarecer ou encaminhar a questo.
Nem a editora nem o autor assumem qualquer responsabilidade por eventuais danos ou perdas a
pessoas ou bens originados do uso desta publicao.

CIP-Brasil. Catalogao na fonte.


Sindicato Nacional dos Editores de Livros, RJ
_________________________________________________________________________
F277p Fvero, Luiz Paulo
Pesquisa operacional para cursos de administrao, contabilidade
e economia / Luiz Paulo Fvero, Patrcia Belfiore. - Rio de Janeiro :
Elsevier, 2012.

Apndice
ISBN 978-85-352-3421-3

1. Pesquisa operacional. 2. Administrao. 3. Economia.


4. Contabilidade. I. Belfiore, Patrcia. II. Ttulo.
11-3699. CDD: 658.4034
CDU: 005.31
_________________________________________________________________________
Os Autores

PATRCIA BELFIORE professora da Universidade Federal do ABC (UFABC), onde leciona


disciplinas de pesquisa operacional, estatstica, planejamento e controle de produo e logstica para o curso
de Engenharia de Produo. mestre em Engenharia Eltrica e doutora em Engenharia de Produo pela
Escola Politcnica da Universidade de So Paulo (EPUSP). Possui Ps-Doutorado em Pesquisa Operacional e
Logstica pela Columbia University em Nova York. Participa de diversos projetos de pesquisa e consultoria
nas reas de otimizao e logstica. bolsista de produtividade do CNPq. Lecionou disciplinas de pesquisa
operacional, anlise multivariada de dados e gesto de operaes e logstica em cursos de graduao e
mestrado no Centro Universitrio da FEI e na Escola de Artes, Cincias e Humanidades da Universidade de
So Paulo (EACH/USP). Seus principais interesses de pesquisa situam-se na rea de pesquisa operacional
para tomada de decises. autora dos livros Anlise de Dados: Modelagem Multivariada para Tomada de
Decises e Reduo de Custos em Logstica e co-autora de Vehicle Routing Problem. Tem publicado artigos em
diversos congressos nacionais e internacionais e em peridicos cientcos, incluindo European Journal of
Operational Research, Central European Journal of Operations Research, International Journal of Management,
Gesto & Produo, Produo, Transportes, Estudos Econmicos, REAd, entre outros.

LUIZ PAULO FVERO professor livre-docente da Faculdade de Economia, Administrao e


Contabilidade da Universidade de So Paulo (FEA/USP) em cursos de graduao, mestrado e doutorado.
graduado em Engenharia Civil pela Escola Politcnica da USP, ps-graduado em Administrao pela
Fundao Getlio Vargas (FGV/SP) e obteve os ttulos de mestre e doutor em Administrao (Economia
de Empresas) pela FEA/USP. Possui Ps-Doutorado em Mtodos Quantitativos Aplicados a Economia e
Finanas pela Columbia University em Nova York. Participou de cursos de Gesto de Negcios pela Harvard
Business School e de Tcnicas de Modelagem pela California State University. professor visitante da
Universidade Federal de So Paulo (UNIFESP) e professor em cursos de ps-graduao (especializao e
MBA) da FIPECAFI, da FIA e da FIPE. membro do Board of Directors do Global Business Research Committee.
Seus principais interesses de pesquisa situam-se na rea de modelagem multivariada, econometria,
otimizao e estatstica aplicada a nanas e economia. autor dos livros Anlise de Dados: Modelagem
Multivariada para Tomada de Decises, Precicao e Comercializao Hednica e Mercado Imobilirio e Co-
Autor de Contemporary Studies in Economics and Financial Analysis, Trends in International Trade Issues e
Finanas no Varejo. membro do corpo editorial da Review of Business, do Journal of Modern Economy e do
International Journal of Society Systems Science. Tem publicado artigos em diversos congressos nacionais e
internacionais e em peridicos cientcos, incluindo Pesquisa Operacional, Revista Brasileira de Estatstica,
Central European Journal of Operations Research, International Journal of Management, International Journal of
Business Research, Global Economy and Finance Journal, Journal of Financial Markets and Derivatives, Global
Business and Economics Review, Estudos Econmicos, Contabilidade e Finanas, RAUSP, Produo, Brazilian
Business Review, Revista Latinoamericana de Administracin, entre outros.
Apresentao

Este livro pode ser considerado resultado de diversas conversas e discusses, ao longo dos ltimos
anos, sobre a importncia da Pesquisa Operacional no mundo corporativo e na academia. Temos visto,
cada vez mais, a necessidade de pesquisadores, executivos e empreendedores, provenientes dos mais
diversos campos do conhecimento, em organizar e tratar dados com o intuito de que possam ser geradas
informaes cada vez mais precisas, claras e adequadas ao processo de deciso.
Seja na elaborao de dissertaes de mestrado ou teses de doutorado, seja no desenvolvimento de
monograas de concluso de cursos de graduao ou MBAs, seja na conduo de projetos de consultoria,
qualquer um de ns vai, inevitavelmente, se deparar com um determinado problema de maximizao
de retorno, de receita ou de lucro, de minimizao de risco, de falhas ou de custos, ou de otimizao de
recursos disponveis. E, frequentemente, o desconhecimento de ferramentas de Pesquisa Operacional faz
com que o tomador de deciso parta, apenas e to somente, para a utilizao de opinies e do censo comum.
claro que experincias prvias e benchmarks de mercado auxiliam na denio de uma deciso, porm
um maior embasamento decorrente de modelos que levam em considerao uma grande possibilidade
de solues e no ignoram as restries inerentes a qualquer processo podem propiciar uma melhora
considervel da qualidade da deciso tomada, principalmente em ambientes cada vez mais competitivos.
crescente a necessidade de utilizao das ferramentas da Pesquisa Operacional em um perodo
recente, em funo de alguns aspectos:
aprimoramento das tcnicas de pesquisa e de levantamento de dados, que possibilitam a gerao
de bases com relevncia amostral, coletadas de acordo com a necessidade futura de tratamento e
anlise e de acordo com o padro do software a ser utilizado;
entendimento, por parte dos pesquisadores, das mais diversas reas de estudo, que um
embasamento proveniente por meio de modelagens adequadas pode suportar uma hiptese de
pesquisa de forma mais forte do que simplesmente uma opinio ou uma percepo acerca de um
determinado fenmeno;
desenvolvimento de pacotes computacionais que permitem a incluso de uma quantidade enorme
de dados e possibilitam a elaborao de modelos com maior rapidez e preciso.
Empresas e academia tm percebido que a utilizao de ferramentas de Pesquisa Operacional pode
gerar resultados rpidos, precisos e, por vezes, inesperados, o que possibilita a gerao de informaes
valiosas para a determinao de novos investimentos e de eventuais expanses, para a denio de
continuidade de projetos ou realocao de recursos, ou at para a investigao de determinado fenmeno
ainda pouco explorado.
Inmeros so os exemplos que podem utilizar as ferramentas de Pesquisa Operacional! Tentaremos,
ao longo do livro, explicitar as aplicaes em diversas reas de administrao e negcios, como nanas,
economia, produo, operaes e logstica, gesto de recursos humanos e marketing, entre outras.
Pesquisa Operacional Para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

O livro est estruturado em 6 captulos:


Captulo 1: Pesquisa Operacional: Viso Geral
Captulo 2: Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais
Captulo 3: Soluo de Problemas de Programao Linear: Soluo Grca, Analtica, pelo Mtodo
Simplex e por Computador
Captulo 4: Anlise de Sensibilidade e Dualidade em Programao Linear
Captulo 5: Programao em Redes
Captulo 6: Programao Binria e Inteira
De maneira geral, so abordados os modelos de programao linear, de programao em redes e de
programao binria e inteira.
A introduo Pesquisa Operacional e a apresentao dos principais conceitos que so utilizados
ao longo de todo o livro so discutidos no Captulo 1. Os trs captulos seguintes so destinados
programao linear. O Captulo 2 introduz o problema de programao linear, apresentando seus
principais conceitos, elementos, hipteses e caractersticas. Ainda neste captulo, so apresentadas a
descrio e a modelagem dos principais problemas reais de programao linear encontrados nos campos
da administrao e negcios. Enquanto a soluo dos problemas de programao linear (soluo grca e
analtica, pelo mtodo Simplex e por computador Solver do Excel) abordada no Captulo 3, a anlise
de sensibilidade e o conceito de dualidade em programao linear so discutidos no Captulo 4.
O Captulo 5 aborda a programao em redes, com enfoque para o problema clssico de transporte,
o problema de transbordo, o problema de designao de tarefas, o problema do caminho mais curto e o
problema do uxo mximo, bem como a soluo de cada um deles por meio do Solver do Excel. J no Captulo
6, apresentam-se os principais problemas reais de programao binria e inteira, incluindo o problema da
mochila, o problema de seleo de projetos de investimentos, o problema do caixeiro viajante, o problema
de localizao de facilidades e o problema de escalonamento de pessoal, bem como suas respectivas solues
pelo Solver do Excel. As planilhas utilizadas em todos os captulos, encontram-se disponveis em www.
elsevier.com.br/poadministracao.
Ao nal do livro, so apresentados os resultados de cada um dos exerccios propostos em cada
captulo.
A estruturao do livro, realizada desta maneira, permite ao pesquisador aprofundar os seus
conhecimentos na medida em que os captulos avanam, uma vez que procuramos sempre mostrar a
relao entre as ferramentas e as respectivas aplicaes prticas por meio de problemas reais.
O pesquisador ir perceber que cada um dos captulos do livro est estruturado dentro de uma mesma
lgica de apresentao, por meio da qual acreditamos que o processo de aprendizado ca favorecido. Cada
captulo inicia com uma apresentao da ferramenta, com enfoque maior para a teoria envolvida. O
desenvolvimento analtico e matemtico de cada modelo tambm explorado, beneciando aqueles que
desejam um maior aprofundamento terico, porm sempre voltado s reas de administrao e negcios.
Em cada captulo, so tambm realizadas aplicaes em Excel, a partir de exemplos reais. Ressalta-se que
as aplicaes das tcnicas so frequentemente realizadas tanto com a utilizao da modelagem analtica
apresentada na parte terica, quanto por meio da utilizao do Excel, para que o pesquisador tenha
condies de confrontar os resultados e entender a lgica dos modelos. A utilizao do Excel tambm
possibilita um melhor entendimento de cada tcnica que est sendo estudada, uma vez que o passo a
passo detalhado e ilustrado e os outputs so analisados e interpretados, sempre com um carter gerencial
voltado tomada de deciso. Por m, so apresentadas listas de exerccios prticos que oferecem uma

VIII
Apresentao

oportunidade de consolidao do conhecimento adquirido ao longo dos captulos e que tambm tm por
nalidade familiarizar o pesquisador com os diversos tipos de exemplos inerentes a cada tcnica.
Desta maneira, acreditamos que o livro seja voltado tanto para pesquisadores que, por diferentes
razes, se interessam especicamente por modelagem e tratamento algbrico e geomtrico, quanto para
aqueles que desejam aprofundar seus conhecimentos na aplicao das tcnicas da Pesquisa Operacional
por meio da utilizao do Excel.
Este livro recomendado a alunos de graduao e ps-graduao stricto sensu dos cursos de
Administrao, Economia, Marketing, Relaes Internacionais, Cincias Contbeis e Cincias Atuariais,
entre outros, alunos de cursos de extenso, de ps-graduao lato sensu e MBAs, prossionais de empresas,
consultores e demais pesquisadores que tm, como principal objetivo, o tratamento e a anlise de dados
com vistas gerao de informaes e ao aprimoramento do conhecimento por meio da tomada de
deciso.
Aos pesquisadores que utilizarem este livro, desejamos que surjam formulaes de questes de pesquisa
adequadas e interessantes, que sejam desenvolvidos modelos conveis e teis, que o entendimento
de como as ferramentas so desenvolvidas, sob uma perspectiva analtica, seja mais amigvel, que a
utilizao do Excel gere frutos para novos modelos e projetos, e que os exemplos utilizados instiguem a
imaginao para a elaborao de novas investigaes.
Aproveitamos para agradecer a todos que tiveram alguma contribuio para que este livro se tornasse
realidade. Em especial, expressamos aqui os nossos mais sinceros agradecimentos ao Prof. Dr. Jos Augusto
Giesbrecht da Silveira, tutor e amigo, pela pronta disponibilidade com que aceitou e se props a escrever
o prefcio, aos professores da Faculdade de Economia, Administrao e Contabilidade da Universidade
de So Paulo (FEA/USP), aos professores da Universidade Federal do ABC (UFABC), aos professores do
Centro Universitrio da FEI, aos professores da Fundao Instituto de Pesquisas Contbeis, Atuariais e
Financeiras (FIPECAFI) e aos prossionais da Editora Campus/Elsevier.
Esperamos, por m, contribuies, crticas e sugestes, a m de que possamos sempre incorporar
melhorias e, como consequncia, incrementar nosso aprendizado.

Patrcia Belore

Luiz Paulo Fvero

IX
Prefcio

H vrios anos, em meados da dcada de 70 do sculo passado, encontrei em uma obra de apresentao
da Pesquisa Operacional para estudantes de administrao e para executivos, na introduo ao texto,
uma anedota que vou aproveitar aqui, neste prefcio. No pude resgatar o nome do autor, ou autores,
mas me lembro bem de que era uma obra editada na Inglaterra, pas muito ligado origem da Pesquisa
Operacional, e impressa em formato de livro de bolso. Fui levado a folhear o volume, exposto em uma das
muitas boas livrarias que havia no centro de So Paulo quela poca, pois ento lecionava a matria para
futuros engenheiros de produo na Faculdade de Engenharia Industrial (FEI). Era, sem dvida, uma boa
obra de divulgao das tcnicas que compem a matria, mas gostei mesmo foi da anedota da introduo.
Tanto que me lembro dela at agora. Vamos anedota.
Em um clube ingls, dois amigos, capites de indstria, se encontram. Um deles indaga ao outro:
Diga-me, como foi o trabalho dos consultores em Pesquisa Operacional que voc contratou para resolver
aquele problema na sua empresa que o vem aigindo h tempos? Nada bom! Nada bom, como assim?
Bem, os consultores, apesar de academicamente brilhantes, eram muito jovens e inexperientes em
negcios. Acabaram resolvendo certo o problema errado!
Resolver certo um problema que no o que de fato importa um risco que existia - e ainda existe -
na aplicao das tcnicas da Pesquisa Operacional. Elas so muitas e sempre muito elegantes. Era difcil,
para quem tinha um mnimo pendor para a matemtica e a estatstica, no se encantar com as mesmas.
Era difcil no ser levado a imaginar que a juno da Programao Linear, da Programao Dinmica,
da Teoria das Filas, da Teoria dos Grafos, da Simulao, do Problema do Transporte, do Problema do
Caixeiro Viajante e de vrias outras tcnicas requintadas no conseguisse resolver todos ou quase todos
os problemas da Administrao. Era difcil resistir tentao de acreditar que o conjunto de tcnicas
da Pesquisa Operacional no constitusse a verdadeira Cincia da Administrao. E da, at torcer um
pouquinho um problema prtico para que ele se adaptasse s restries de um modelo quantitativo, o
caminho era curto.
No tempo da anedota, a aplicao dos modelos da Pesquisa Operacional era feita principalmente por
consultores externos. Raras eram as empresas que tinham tamanho suciente para comportar uma equipe
interna de PO. E que, alm disso, tambm dispusessem dos computadores de grande porte (mainframes)
necessrios para rodar os programas dos modelos de PO. Uma das excees, aqui no Brasil, era a Petrobrs
que, apesar de no ser to grande quanto atualmente, j era bastante grande e contava com uma reputada
equipe interna de PO. Para a maioria das empresas, todavia, era preciso buscar consultores externos,
se elas quisessem analisar uma situao por meio dos modelos da PO. Consultores externos jovens, a
maioria nas rmas de consultoria, muitas vezes arrogantes por causa de seu saber acadmico, ao interagir
com executivos mais maduros aumentavam a freqncia da resoluo correta do problema incorreto.
Pesquisa Operacional Para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Hoje, trs dcadas e meia depois da poca da anedota, o panorama diverso, em vrios aspectos. Em
relao ao alcance da Pesquisa Operacional, sabe-se que ela no uma panacia universal e que ela no
veio para tornar-se a cincia ltima da Administrao. Agora se conhece melhor o que ela consegue e o
que ela no consegue resolver. No mbito dos recursos computacionais, houve um aumento exponencial
e uma disseminao enorme, enquanto os custos se reduziam drasticamente. O que antes requeria
computadores do tamanho de uma sala e muitas horas de processamento pode-se realizar atualmente com
um notebook em minutos. Dessa forma, possvel fazer dentro da empresa muito do que anteriormente
levava a contratar consultores externos ou a ir a bureaux de processamento, carregando caixas e caixas
com cartes perfurados. A aplicao interna das tcnicas da PO diminui consideravelmente o risco de
resolver o problema errado. Basta contar com gestores que tenham bom conhecimento dos principais
modelos, no como especialistas, mas como parte do seu conhecimento de tcnicas administrativas.
Este livro atua na linha de ajudar a trazer a aplicao das tcnicas da Pesquisa Operacional para
dentro da empresa. Ele visa a auxiliar administradores, contadores economistas e mesmo engenheiros a se
familiarizarem, durante sua formao universitria, com os principais modelos da PO, em uma das suas
famlias de tcnicas mais notveis, a da Programao Linear. Ele tambm apropriado para fazer o mesmo
com prossionais j formados e que atuem na administrao de organizaes privadas ou pblicas, com
nalidade de lucro ou no. Isso possvel, pois os dois autores so prossionais que tm uma impecvel
trajetria acadmica e aliam o saber universitrio a uma variada experincia na aplicao prtica de
mtodos quantitativos.
Conheci a ambos os autores quando eles freqentavam os bancos escolares. Patrcia Belore, quando
ela era ainda aluna de graduao em Engenharia de Produo na FEI. Depois ela veio a se tornar minha
colega como docente no Centro Universitrio da FEI. Luiz Paulo Fvero, eu o conheci como aluno
do mestrado e depois do doutorado no Departamento de Administrao da Faculdade de Economia,
Administrao e Contabilidade (FEA) da Universidade de So Paulo. Depois do doutorado, por meio de
concurso pblico, ele passou a ser professor do Departamento de Contabilidade e Aturia da FEA/USP,
tornando-se tambm meu colega de docncia.
No conheo uma dupla de autores jovens to capacitados, como a formada por Patrcia Belore e
Luiz Paulo Fvero, para produzir uma obra de introduo a esse relevante ramo da Pesquisa Operacional,
a Programao Linear, a Programao Inteira e tcnicas ans. Graas ao histrico acadmico dos autores
e sua prtica como professores universitrios e instrutores de cursos para executivos, acredito que este
trabalho, que estou tendo o privilgio de prefaciar, se converter em obra de referncia na literatura
brasileira de mtodos quantitativos destinada a gestores de organizaes.

Prof. Dr. Jos Augusto Giesbrecht da Silveira


Professor Adjunto do Centro Universitrio da FEI
Professor Doutor do Departamento de Administrao da FEA/USP

XII
Captulo 1

Pesquisa Operacional: Viso Geral

O livro do mundo est escrito em linguagem matemtica.


Galileu Galilei

Ao nal deste captulo, voc ser capaz de:


i Estudar as origens e a evoluo da Pesquisa Operacional.
i Entender a importncia da Pesquisa Operacional para a tomada de deciso.
i Compreender como o processo de modelagem auxilia a resoluo de problemas em economia,
administrao, nanas ou contabilidade.
i Identicar os principais elementos que compem um determinado modelo.
i Identicar e compreender as fases da Pesquisa Operacional.
i Reconhecer e diferenciar os modelos determinsticos dos estocsticos.
i Reconhecer e diferenciar cada uma das ferramentas da Pesquisa Operacional, estabelecendo
as circunstncias a partir das quais elas devem ser utilizadas, em funo das caractersticas do
problema e dos objetivos de pesquisa.
i Identicar outras tcnicas de Pesquisa Operacional que esto sendo utilizadas recentemente.

1.1 Introduo Pesquisa Operacional


A Pesquisa Operacional, ou simplesmente PO (Operational Research Inglaterra; Operations Research
Estados Unidos; Investigao Operacional Portugal), surgiu na Inglaterra durante a Segunda Guerra
Mundial (1939-1945) para a soluo de problemas de natureza logstica, ttica e de estratgia militar,
quando um grupo de cientistas foi convocado para decidir sobre a utilizao mais ecaz dos recursos
militares limitados, marcando a primeira atividade formal desse campo de estudo. Dentre os problemas
estudados, destacam-se: projeto, manuteno e inspeo de avies; projeto de explosivos, tanques e
motores; melhoria da utilizao de radar, canhes antiareos e tticas de bombardeios a submarino;
dimensionamento de frota, entre outros.
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Os resultados positivos alcanados pelo grupo de cientistas ingleses zeram com que a Pesquisa
Operacional fosse disseminada nos Estados Unidos e, em 1947, a equipe liderada por George B. Dantzig
deu origem ao mtodo Simplex para resoluo de problemas de programao linear. Desde ento, esse
conhecimento vem sendo aplicado, com sucesso, para a otimizao de recursos em diversos segmentos
industriais e comerciais de vrias reas de negcio (estratgia, marketing, nanas, microeconomia,
operaes e logstica, recursos humanos, entre outras).
O avano da Pesquisa Operacional tornou-se possvel graas ao aumento da velocidade de
processamento e quantidade de memria de computadores nos ltimos anos, tornando possvel a
soluo de problemas complexos. Um prossional de PO deve ser capaz de identicar a tcnica mais
apropriada para a soluo de determinado tipo de problema, os objetivos para a melhoria, as limitaes
fsicas e computacionais do sistema, sendo o elemento humano fundamental nesse processo.
Em termos gerais, podemos dizer que a Pesquisa Operacional consiste na utilizao de um mtodo
cientco (modelos matemticos, estatsticos e algoritmos computacionais) para a tomada de decises.
Dessa forma, a PO atua cada vez mais em um ramo multidisciplinar, envolvendo reas de engenharia de
produo, matemtica aplicada, cincia da computao e gesto de negcios.
Existem atualmente diversas sociedades de PO no Brasil e no exterior, com o objetivo de promover, por
meio de reunies, seminrios, congressos, conferncias, cursos, prmios e publicaes entre prossionais,
estudantes e instituies, o desenvolvimento dos diversos campos de estudo que fazem uso de seus
conceitos e aplicaes. Entre as principais sociedades, destacam-se a SOBRAPO (Sociedade Brasileira
de Pesquisa Operacional), INFORMS (Institute for Operations Research and Management Science), EURO
(The Association of European Operational Research Societies), APDIO (Associao Portuguesa de Investigao
Operacional), IFORS (International Federation of Operacional Research Societies) e ALIO (Associacin Latino-
Ibero-Americana de Investigacin Operativa).
A SOBRAPO publica, de forma quadrimestral, o peridico cientco Pesquisa Operacional, que est
indexado ao International Abstracts in Operations Research da IFORS e ao SCIELO (Scientic Eletronic Library
Online). Os principais peridicos cientcos internacionais de PO so: Interfaces, European Journal of Operational
Research, Computers and Operations Research, Journal of the Operational Research Society, Computers and Industrial
Engineering, Management Science, Omega International Journal of Management Science, International Transactions
in Operations Research, Operations Research, Journal of Heuristics, INFORMS Journal on Computing, Operations
Research Letters, Decision Sciences, Annals of Operations Research, RAIRO Operations Research.

1.2 O Processo de Tomada de Deciso


Uma vez que a Pesquisa Operacional consiste na utilizao de mtodos de apoio para a tomada
de deciso, conforme denido anteriormente, importante que um pesquisador estude os principais
conceitos envolvidos nesse processo, a m de compreender como a PO pode auxili-lo de forma coerente
e estruturada.
Existem vrias denies sobre o conceito de deciso. Uma delas elaborada por Chiavenato (1997)
como o processo de anlise entre vrias alternativas disponveis do curso de ao que a pessoa dever
seguir. A tomada de decises, segundo a enciclopdia eletrnica Wikipdia, o processo pelo qual so
escolhidas algumas ou apenas uma entre muitas alternativas para as aes a serem realizadas. Alguns
exemplos de decises podem ser listados: a escolha de uma alternativa de localizao dentre vrias
disponveis; a determinao da melhor composio de uma carteira de aes; a escolha de uma entre
diversas alternativas que balanceia os recursos de produo, como mo de obra disponvel, contratao,
demisso e estoque.

2
Captulo 1 I Pesquisa Operacional: Viso Geral

Segundo Liczbinski (2002), a tomada de decises um processo complexo e envolve diversos fatores
internos e externos ligados organizao. Entre eles, destacam-se:
i Ambiente.
i Risco e incerteza.
i Custo e qualidade requerida pelo produto ou servio.
i Agentes tomadores de deciso.
i Cultura organizacional.
i O prprio mercado.
Freitas apud Liczbinski (2002) ilustra o processo de tomada de deciso dentro das organizaes,
identicando as principais variveis envolvidas nesse processo, conforme mostra a Figura 1.1.

Figura 1.1 O processo de tomada de deciso e o apoio ao decisor.

Fonte: Freitas apud Liczbinski (2002).

Assim, podemos identicar que os objetivos da organizao esto diretamente relacionados com a
tomada de deciso. A m de que sejam minimizadas as incertezas, os riscos e a complexidades inerentes ao
processo e com o intuito de que seja escolhida a deciso ecaz entre as diversas alternativas disponveis, torna-
-se fundamental o valor e a qualidade da informao. A comunicao entre os agentes envolvidos no processo,
tanto na fase de coleta de informao, quanto no delineamento do objetivo e raciocnio do grupo, tambm
inuenciam as decises a serem tomadas. E justamente com foco na tomada ecaz de deciso, levando em
considerao as diversas interfaces e o carter exgeno dos sistemas e dos mercados, que a PO insere-se como
campo do conhecimento, a m de propiciar ao agente tomador de deciso maior embasamento e melhor
conhecimento do problema em anlise, seja em nanas, em economia, em logstica ou em marketing.
Conforme discutem Fvero, Belore, Silva e Chan (2009), ainda ntida a existncia de prossionais
e executivos de mercado que insistem em tomar suas decises sem qualquer embasamento proveniente de
um tratamento de dados e sem a considerao de incertezas, riscos e complexidades inerentes ao processo

3
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

em questo, por mais simples que este possa ser. claro que experincia prvia, observao emprica e
consenso geral sobre determinado fenmeno podem gerar concluses corretas, mas a utilizao adequada
de ferramentas que propiciem informao com qualidade pode embasar mais fortemente a percepo
inicial, de modo a dar suporte ao processo decisrio.

Figura 1.2 Processo de gerao de conhecimento de um fenmeno.

Fonte: Fvero, Belfiore, Silva e Chan (2009).

O correto tratamento e a adequada anlise dos dados podem propiciar, ao tomador de deciso,
informaes mais precisas e conveis que, quando confrontadas com outras informaes ou submetidas
a provas existentes e a restries impostas pelo sistema, oferecem o diferencial do conhecimento. Nesse
sentido, a Pesquisa Operacional oferece frutos importantes para a gerao de informaes representativas
voltadas para a tomada de deciso, to fundamental em ambientes cada vez mais competitivos.

1.2.1 Modelagem para Tomada de Deciso


Segundo Lisboa (2009), um modelo a representao simplicada de um sistema real, podendo ser
um projeto j existente ou um projeto futuro. No primeiro caso, pretende-se reproduzir o funcionamento
do sistema real existente, de forma a aumentar a produtividade, enquanto no segundo caso o objetivo
denir a estrutura ideal do futuro sistema.
O comportamento de um sistema real inuenciado por diversas variveis envolvidas no processo de
tomada de deciso. Devido grande complexidade desse sistema, torna-se necessria a sua simplicao,
a partir de um modelo, de forma que as principais variveis envolvidas no sistema ou projeto que se
pretende entender ou controlar sejam consideradas na sua construo, conforme mostra a Figura 1.3.

Figura 1.3 Modelagem a partir de um sistema real.

Fonte: Andrade (2009).

4
Captulo 1 I Pesquisa Operacional: Viso Geral

Um modelo composto por trs elementos principais: a) variveis de deciso e parmetros; b) funo
objetivo; c) restries.

a) Variveis de Deciso e Parmetros

As variveis de deciso so as incgnitas, ou valores desconhecidos, que sero determinados


pela soluo do modelo. Podem ser classicadas de acordo com as seguintes escalas de mensurao:
variveis contnuas, discretas ou binrias. As variveis de deciso devem assumir valores no
negativos.
As variveis contnuas podem assumir quaisquer valores em um intervalo de nmeros reais
(conjunto innito ou no enumervel de valores). Como exemplos de variveis de deciso contnuas,
podemos citar: a) quantidade tima a ser produzida (em litros) de cada tipo de refrigerante em uma
empresa de bebidas; b) quantidade tima a fabricar (em kg) de cada tipo de cereal em uma empresa
alimentcia; c) porcentagens timas de cada ativo a ser alocado na carteira de investimento.
As variveis discretas podem assumir valores dentro de um conjunto nito ou uma quantidade
enumervel de valores, sendo aquelas provenientes de determinada contagem. Como exemplos de
variveis discretas, podemos listar: a) nmero ideal de funcionrios por turno de trabalho; b) unidades
a fabricar de cada tipo de caminho em uma indstria automobilstica.
As variveis binrias, tambm conhecidas por variveis dummy, podem assumir dois possveis
valores: 1 (quando a caracterstica de interesse est presente na varivel) ou 0 (caso contrrio). Como
exemplos de variveis de deciso binrias, podemos mencionar: a) fabricar ou no determinado
produto; b) abrir ou no uma nova localidade; c) percorrer ou no determinado roteiro.
Os parmetros so os valores xos previamente conhecidos do problema. Como exemplos de
parmetros contidos em um modelo matemtico, podemos citar: a) demanda de cada produto para
um problema de mix de produo; b) custo varivel para produzir determinado tipo de mvel; c)
lucro ou custo por unidade de produto fabricado; d) custo por funcionrio contratado; e) margem de
contribuio unitria quando da fabricao e venda de determinado eletrodomstico.

b) Funo Objetivo

A funo objetivo uma funo matemtica que determina o valor-alvo que se pretende alcanar
ou a qualidade da soluo, em funo das variveis de deciso e dos parmetros, podendo ser uma funo
de maximizao (lucro, receita, utilidade, nvel de servio, riqueza, expectativa de vida, entre outros
atributos) ou de minimizao (custo, risco, erro, entre outros).
Como exemplos, podemos citar: a) minimizao do custo total de produo de diversos tipos de
chocolates; b) minimizao do risco de crdito de uma carteira de clientes; c) minimizao do nmero de
funcionrios envolvidos em determinado servio; d) maximizao do retorno sobre o investimento em fundos
de aes e de renda xa; e) maximizao do lucro lquido na fabricao de diversos tipos de refrigerantes.

c) Restries

As restries podem ser denidas como um conjunto de equaes (expresses matemticas de


igualdade) e inequaes (expresses matemticas de desigualdade) que as variveis de deciso do modelo
devem satisfazer. As restries so adicionadas ao modelo de forma a considerar as limitaes fsicas do
sistema, e afetam diretamente os valores das variveis de deciso.

5
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Como exemplos de restries a serem consideradas em um modelo matemtico, podemos


citar: a) capacidade mxima de produo; b) risco mximo a que determinado investidor est
disposto a se submeter; c) nmero mximo de veculos disponveis; d) demanda mnima aceitvel
de um produto.

A modelagem de um processo para tomada de decises, segundo Lachtermacher (2009) apresenta a


vantagem de fazer com que os tomadores de deciso denam claramente os seus objetivos. Alm disso,
facilita a identicao e o armazenamento das diferentes decises que inuenciam os objetivos, propicia
a denio das principais variveis envolvidas no processo de tomada de deciso e as prprias limitaes
do sistema, alm de permitir maior interao entre o grupo de trabalho.

1.2.2 Processo de Modelagem e Resoluo de Problemas


A Pesquisa Operacional auxilia o processo de tomada de deciso com a utilizao de modelos que
possam representar o sistema real. Uma vez construdo o modelo, a prxima fase consiste na soluo
do mesmo por meio de tcnicas de Pesquisa Operacional que sero estudadas ao longo deste livro. A
soluo obtida precisa ser validada de forma que o objetivo em questo tenha sido atingido. Porm,
muitas vezes, necessria a reviso de uma das fases anteriores at que as concluses extradas do modelo
sejam validadas.
A Figura 1.4 apresenta cada uma das fases para elaborao de um estudo em Pesquisa Operacional. A
implementao de cada fase, porm, pode variar em funo do tipo de problema e do ambiente considerado.

Figura 1.4 Fases do estudo da Pesquisa Operacional.

6
Captulo 1 I Pesquisa Operacional: Viso Geral

Cada uma das fases pode ser descrita de acordo como segue:

a) Definio do Problema

Nessa fase, denem-se claramente os objetivos a serem alcanados e os possveis caminhos para
a soluo do modelo. Essa fase tambm inclui a denio das limitaes tcnicas do sistema, alm das
relaes desse sistema com outros da empresa ou do ambiente externo.

b) Construo do Modelo Matemtico

A denio do conceito de modelo e os seus principais elementos foram descritos na seo anterior.
Dessa forma, um modelo matemtico em Pesquisa Operacional consiste em um conjunto de equaes
(funo objetivo e restries de igualdade) e inequaes (restries de desigualdade) que tem como
objetivo otimizar a ecincia do sistema e oferecer subsdios para que o tomador de deciso identique
as limitaes do mesmo.
Um problema pode ser abordado, por exemplo, por meio de modelos de programao linear,
programao em redes, programao binria, programao inteira, entre outros.

c) Soluo do Modelo

Essa fase utiliza diversas tcnicas de Pesquisa Operacional para a soluo do modelo proposto
na fase anterior. O mtodo Simplex, por exemplo, um algoritmo bastante popular na resoluo de
modelos de programao linear e tambm pode ser utilizado na resoluo de problemas de programao
em redes.

d) Validao do Modelo

Um modelo pode ser considerado vlido se conseguir representar ou prever, com preciso aceitvel,
o comportamento do sistema em estudo.

e) Implementao dos Resultados

Validado o modelo, a prxima fase consiste na implementao dos resultados que, segundo Andrade
(2009), deve ser controlada e acompanhada por uma equipe responsvel, de forma a detectar e corrigir
possveis mudanas nos valores da nova soluo, o que pode fazer com que algumas partes do modelo
sejam reformuladas.

f) Avaliao Final

A ltima fase consiste em vericar se o objetivo nal foi alcanado.

1.3 Ferramentas da Pesquisa Operacional


A partir do trabalho de Eom e Kim (2006), uma classicao das ferramentas da Pesquisa Operacional
proposta, conforme mostra a Figura 1.5.

7
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 1.5 Ferramentas da Pesquisa Operacional.

Fonte: Adaptada de Eom e Kim (2006).

A partir da Figura 1.5, breve descrio de cada uma das ferramentas da Pesquisa Operacional faz-se
necessria.

1.3.1 Modelos Determinsticos


Os modelos determinsticos so aqueles em que todas as variveis envolvidas em sua formulao
so constantes e conhecidas. resultante, portanto, de uma nica soluo exata, por vezes a soluo
tima. Os modelos determinsticos so frequentemente resolvidos por mtodos analticos (sistema de
equaes) que geram a soluo tima. Na Figura 1.5, vrios modelos determinsticos foram listados.
Apresentaremos sucintamente cada um deles a seguir.

a) Programao Linear

Em um problema de programao linear (PL), a funo objetivo e todas as restries do modelo


sero representadas por funes lineares das variveis de deciso. Uma funo dita linear quando
envolve apenas constantes e termos com variveis de primeira ordem. Caso contrrio, a funo dita
no linear.

8
Captulo 1 I Pesquisa Operacional: Viso Geral

Por exemplo, a funo objetivo f (x1, x2, x3) = 3x1 + 8x2 2x3 corresponde a uma funo linear.
Analogamente, a restrio g1(x1, x2, x3) = 2x1 + 4x2 + 3x3 t 12 tambm linear. Gracamente, uma funo
linear ser representada por uma reta.
Adicionalmente, em um modelo de programao linear, todas as variveis de deciso devem ser
contnuas, isto , podem assumir quaisquer valores em um intervalo de nmeros reais.

b) Programao No Linear

Em um problema de programao no linear (PNL), pelo menos a funo objetivo ou uma das
restries do modelo ser representada por uma funo no linear das variveis de deciso.
Por exemplo, a funo objetivo f(x1, x2, x3) = 3x12 + 4x2 x3 corresponde a uma funo no linear.
Analogamente ao problema de programao linear, as variveis de deciso tambm so contnuas.

c) Programao Binria e Inteira

Um problema classicado como sendo de programao inteira quando todas as variveis de


deciso do modelo so discretas. Quando parte das variveis de deciso discreta e as demais so contnuas,
o modelo chamado programao inteira mista.
J nos casos em que todas as variveis de deciso so binrias, tem-se um modelo de programao
binria. Quando parte das variveis de deciso binria e as demais so contnuas, o modelo chamado
programao binria mista.
Por outro lado, quando se tem num mesmo modelo variveis discretas e binrias, recai-se em um
problema de programao inteira binria.
Os modelos de programao binria e inteira podem ainda ser classicados como lineares ou
no lineares. Um modelo chamado de programao linear binria (PLB) ou programao
linear inteira (PLI) quando, no problema de programao binria ou inteira, a funo objetivo e
as restries do modelo forem representadas por funes lineares das variveis de deciso. Por outro
lado, um modelo chamado de programao no linear binria (PNLB) ou programao no
linear inteira (PNLI) quando, no problema de programao binria ou inteira, pelo menos a funo
objetivo ou uma das restries do modelo for representada por uma funo no linear das variveis
de deciso.
Os modelos de programao linear inteira, programao linear inteira mista, programao linear
binria, programao linear binria mista e programao linear inteira binria so chamados, muitas
vezes, apenas de programao inteira (PI), programao inteira mista (PIM), programao binria
(PB), programao binria mista (PBM) e programao inteira binria (PIB), respectivamente.
Portanto, quando no se especica se um modelo linear ou no linear, presume-se que o mesmo seja
linear.
A Tabela 1.1 apresenta as principais caractersticas dos modelos de programao linear, programao
no linear e programao binria e inteira, bem como suas extenses.

9
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 1.1 Caractersticas dos Problemas de Programao Linear, Programao No Linear,


Programao Binria e Inteira e suas Extenses
Tipo de Modelo Funo Objetivo Restries Tipo de Varivel
Programao linear
Linear Linear Contnua
(PL)
Programao linear inteira
Linear Linear Discreta
(PLI ou PI)
Programao linear inteira mista
Linear Linear Discreta e contnua
(PLIM ou PIM)
Programao linear binria
Linear Linear Binria
(PLB ou PB)
Programao linear binria mista
Linear Linear Binria e contnua
(PLBM ou PBM)
Programao linear inteira binria
Linear Linear Discreta e binria
(PLIB ou PIB)
Programao no linear
Pelo menos uma delas no linear Contnua
(PNL)
Programao no linear inteira
Pelo menos uma delas no linear Discreta
(PNLI)
Programao no linear inteira mista
Pelo menos uma delas no linear Discreta e contnua
(PNLIM)
Programao no linear binria mista
Pelo menos uma delas no linear Binria e contnua
(PNLBM)
Programao no linear inteira binria
Pelo menos uma delas no linear Discreta e binria
(PNLIB)

Obviamente, no faz sentido a existncia de um modelo de programao no linear binria, uma vez
que as variveis dummy assumem apenas valores iguais a 0 ou 1, ou seja, qualquer expoente resultaria, da
mesma forma, em valores iguais a 0 ou 1, respectivamente.

d) Programao em Redes

Os problemas de programao em redes so modelados por meio de uma estrutura de grafo ou


rede que consiste em diversos ns, em que cada n deve estar conectado a um ou mais arcos. Dentre
os modelos de programao em redes, podemos citar o problema clssico de transporte, o problema de
transbordo, o problema da designao, o problema do caminho mnimo, o problema do uxo mximo,
entre outros.

e) Programao por Metas ou Multiobjetivo

A programao por metas ou multiobjetivo (goal programming) considera problemas com


mltiplos objetivos ou metas. Dessa forma, busca-se a minimizao dos desvios entre os objetivos
especicados por meio das chamadas variveis de desvio.

10
Captulo 1 I Pesquisa Operacional: Viso Geral

f) Programao Dinmica Determinstica

A programao dinmica utilizada quando o problema principal pode ser decomposto em


subproblemas. Ela possibilita a descrio do estado do sistema em funo do avano da contagem do
tempo, ao contrrio dos modelos estticos, que consideram apenas um dado momento. Na programao
dinmica determinstica, todas as variveis envolvidas so no aleatrias.

1.3.2 Modelos Estocsticos


Os modelos estocsticos utilizam uma ou mais variveis aleatrias em que pelo menos uma de
suas caractersticas operacionais denida por meio de funes de probabilidade. Dessa forma, os modelos
estocsticos geram mais de uma soluo e buscam analisar os diferentes cenrios, no tendo a garantia da
soluo tima. Os modelos estocsticos so frequentemente resolvidos por meio de mtodos numricos
(programas de computador). Dentre os modelos estocsticos, destacam-se a teoria das las, a simulao,
a programao dinmica estocstica e a teoria dos jogos.

a) Teoria das Filas

A teoria das las estuda o comportamento de um sistema especicamente no que diz respeito
formao de las por meio de anlises matemticas, a partir de um ou mais servidores que fornecem
determinado tipo de servio a seus clientes. Esse tipo de modelagem bastante utilizada, por exemplo,
por gerncias de O&M (Organizao e Mtodo) de bancos de varejo, com a preocupao de dimensionar
agncias e seus check-outs em funo de projees de demanda.

b) Modelos de Simulao

A simulao uma tcnica numrica que estuda o comportamento de sistemas reais por meio
de modelos. Permite a comparao de diversos cenrios, de forma a orientar o processo de tomada de
deciso por meio da anlise de como as variaes nos parmetros de entrada afetam as variveis de sada.
A simulao tem sido bastante utilizada para a soluo de problemas onerosos e complexos, difceis de
serem resolvidos por meio de experimentos ou mtodos analticos. Os modelos de simulao podem ser
determinsticos ou estocsticos, porm ressalta-se que os mtodos analticos so mais ecientes do que os
modelos de simulao para a soluo de problemas determinsticos.

c) Programao Dinmica Estocstica

A programao dinmica estocstica uma variao da programao dinmica determinstica


para o caso em que pelo menos uma das variveis envolvidas no sistema for aleatria. Existem vrios
tipos de modelos de programao dinmica estocstica, porm um caso particular refere-se cadeia de
Markov, em que a probabilidade condicional (probabilidade de transio) de qualquer evento futuro
independente do evento passado, dependendo apenas do estado presente.

d) Teoria dos Jogos

A teoria dos jogos uma teoria matemtica que estuda o processo de tomada de deciso entre dois ou
mais indivduos que interagem entre si, de forma que a deciso de um participante depender dos demais

11
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

e vice-versa. A teoria dos jogos tem sido atualmente bastante aplicada em reas como microeconomia,
nanas e estratgia.

1.3.3 Outras Tcnicas


Novas tcnicas vm sendo adicionadas Pesquisa Operacional como consequncia do prprio
desenvolvimento computacional, incluindo a metodologia multicritrio de apoio deciso, a inteligncia
articial, a inteligncia computacional, as heursticas e meta-heursticas, entre outras. Descreveremos, a
seguir, essas novas tcnicas.

a) Metodologia Multicritrio de Apoio Deciso

A metodologia multicritrio de apoio deciso (MCDA Multicriteria Decision Analysis) tem


por nalidade estudar problemas com vrios critrios simultaneamente, buscando selecionar a melhor
escolha dentre um conjunto de alternativas. O mtodo mais conhecido no ambiente multicritrio o de
anlise hierrquica (AHP Analytic Hierarchy Process), desenvolvido em 1980 por Thomas L. Saaty, que
tem por objetivo dividir o problema estudado em nveis hierrquicos com base no conhecimento e na
experincia, de modo a auxiliar o processo de tomada de deciso. Diversos trabalhos aplicados a nanas
e contabilidade fazem uso dessa metodologia.

b) Anlise Envoltria de Dados

A anlise envoltria de dados (DEA Data Envelopment Analysis) uma tcnica de programao
matemtica que busca analisar o desempenho, em termos de ecincia relativa, de diferentes unidades
tomadoras de deciso (DMUs Decision Making Units), a partir de um conjunto de inputs e outputs. As
DMUs localizadas na fronteira de ecincia serviro de benchmark para as demais. A tcnica originou-se do
trabalho desenvolvido por Charnes, Cooper e Rhodes, em 1978, que teve como base o trabalho de Farrel
(1957). A DEA tem sido utilizada em diversas reas do conhecimento, merecendo destaque as aplicaes
em gesto de polticas pblicas para a avaliao de desempenho de estados e municpios, no que diz
respeito ecincia na utilizao de recursos voltados s reas de sade, educao e saneamento, por
exemplo.

c) Inteligncia Artificial

Diversas denies foram propostas para o termo inteligncia articial (IA). Uma delas, proposta
por Silva Neto e Becceneri (2009), dene inteligncia articial como sistemas inteligentes articiais
que pensam e agem, racionalmente, como seres humanos. Para Fernandes (2005), a IA um tipo de
inteligncia produzida pelo homem para dotar as mquinas de algum tipo de habilidade que simula a
inteligncia humana.
Alguns mtodos de inteligncia articial, como algoritmos de busca heurstica, vm sendo largamente
utilizados para a resoluo de diversos problemas de otimizao combinatria. A denio do termo
heurstica ser apresentada mais adiante. Como exemplos de algoritmos de busca heurstica, podemos
citar: busca tabu, simulated annealing, tambm conhecido como tmpera ou recozimento simulado, entre
outros.

12
Captulo 1 I Pesquisa Operacional: Viso Geral

d) Inteligncia Computacional

A inteligncia computacional (IC) um campo da inteligncia articial que estuda algoritmos


inspirados na natureza ou bioinspirados, como redes neurais, lgica nebulosa e computao evolucionria.
A computao evolucionria uma classe dos algoritmos de busca heurstica baseado no princpio
darwiniano de evoluo natural das espcies. Como exemplos de algoritmos de computao evolucionria,
podemos citar: algoritmos genticos, algoritmos memticos, colnia de formigas, enxame de partculas,
entre outros.

e) Heursticas e Meta-heursticas sob o Enfoque da Pesquisa Operacional

As heursticas e meta-heursticas so um campo da Pesquisa Operacional, da IA e IC que surgiram


como alternativas aos mtodos exatos para resoluo de problemas de otimizao de alta complexidade
computacional que no podem ser resolvidos em tempo polinomial (NP-completos), como o problema da
mochila, do caixeiro-viajante, entre outros.
O termo heurstica vem do grego e signica descobrir. Uma heurstica pode ser denida como um
procedimento de busca guiada pela intuio, por regras e ideias, visando encontrar uma boa soluo.
J a meta-heurstica representa uma combinao de procedimentos de busca com estratgias de mais
alto nvel, incluindo intensicao e diversicao, buscando escapar de timos locais com o intuito
de encontrar solues muito prximas do timo global, porm sem a garantia da otimalidade. Como
exemplos de meta-heurstica, podemos citar a busca tabu, o simulated annealing (tmpera ou recozimento
simulado), os greedy randomized adaptive search procedures (GRASP), os algoritmos genticos, a colnia de
formigas, o enxame de partculas, entre outros.
A Figura 1.6 apresenta a interface entre as reas de Inteligncia Articial, Inteligncia Computacional
e Pesquisa Operacional. Conforme abordado anteriormente, a IC um subconjunto da IA, de forma
que todo problema de IC tambm pode ser considerado um problema de IA; o contrrio j no vlido.
Por outro lado, todos os algoritmos de busca heurstica provenientes da IA e os bioinspirados da IC
mencionados anteriormente tambm podem ser chamados ou classicados como meta-heursticas,
ou seja, uma subrea da PO. Adicionalmente, verica-se que muitos mtodos de otimizao, como o
algoritmo Simplex e o Branch-and-Bound, por exemplo, no pertencem s reas de IA e IC.

Figura 1.6 Interface entre as reas de IA, IC e PO.

Fonte: Adaptada de Silva Neto e Becceneri (2009).

13
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

1.4 Exerccios
Seo 1.1 (ex. 1). O que a Pesquisa Operacional? Quais as principais razes para a sua utilizao?

Seo 1.2 (ex. 1). Qual a relao entre a Pesquisa Operacional e a tomada de deciso?

Seo 1.2.1 (ex. 1). Quais os principais elementos contidos em um modelo matemtico? Descreva e
exemplifique cada um deles.

Seo 1.2.1 (ex. 2). Determinada varivel de deciso pode ser classificada segundo quais escalas de
mensurao? Quais as diferenas existentes entre cada tipo de escala?

Seo 1.2.1 (ex. 3). Classificar as variveis segundo uma das escalas de mensurao: discreta, contnua ou
binria.
a) Tempo de atendimento de cada cliente
b) Distncia percorrida
c) Atuao em um ramo de atividade: indstria ou comrcio
d) Nmero de lojas de um varejista
e) Nmero de computadores por departamento
f) Deciso se um veculo ser designado a determinado cliente
g) rea total de vendas
h) Quantidade de agncias a serem inauguradas
i) Deciso se determinado armazm ser ou no escolhido dentre um conjunto de alternativas
j) Tempo de processamento de pintura
k) Nmero de funcionrios
l) Faturamento bruto
m) Nvel de servio (alto ou baixo)
n) Escolha ou no de um projeto de investimento

Seo 1.2.1 (ex. 4). Imagine que voc foi escolhido para ser o gestor de investimentos de uma famlia que
quer maximizar o retorno de suas aplicaes. Voc tem apenas dois tipos de possibilidades de aplicao: aes
ou renda fixa. Sabendo que a famlia vai disponibilizar a voc um montante de $1.000.000,00, que a taxa de
retorno esperada para a aplicao em aes no perodo ser de A%, que a taxa de retorno esperada para a
aplicao em renda fixa no perodo analisado ser de R% e que o montante a ser aplicado em aes no deve
exceder a 25% do total, defina as variveis de deciso, os parmetros, a funo objetivo e as restries.

Seo 1.2.2 (ex. 1). Quais fases compreendem o estudo da Pesquisa Operacional?

Seo 1.3 (ex. 1). Quais as principais diferenas entre os conceitos de modelos determinsticos e estocsticos?

Seo 1.3.1 (ex. 1). Qual a relao entre as escalas de mensurao e os tipos de modelos de programao
matemtica?

Seo 1.3.1 (ex. 2). Descreva as caractersticas e diferenas entre os modelos de programao linear (PL) e
programao no linear (PNL).

14
Captulo 1 I Pesquisa Operacional: Viso Geral

Seo 1.3.1 (ex. 3). Classificar as funes a seguir como lineares ou no lineares.
a) 24x1 + 12x2 = 10
b) ln (x1) x2 + x3 = 5
c) x1 x2 + 10x3 40
x1x 2
d)
x3
e) 24x1 + 12x2 2x3 24
5
f) + 10x 2 10
x1

g) x2
24 x1 + =8
2
h) sen (x1) + cos (x2) 1
i) 10x1 x2 + 30
j) (x1)2 + x2 + 5x3 22
n
k)
j
cjxj
=1

l) ln (x1) = ln (10) + 5ln (x3)


m) e2 x2 + 10x3 140
x1
n) + 6x 3 = 60
x2
o) 4x1 x2 x3 ln (x4) 36
2x1 + 4 x 2
p) 16
3x 3 x 4
p) 4x1 + 3x2 62 x3
1
r) x 2 = 10 4
x1
s) x1 x2 + 4 (x3)3 = 45
1
t) x2 = (1+2x1 )
e

Seo 1.3.1 (ex. 4). Descreva as diferenas entre os modelos de programao inteira (PI), programao inteira
mista (PIM), programao binria (PB), programao binria mista (PBM) e programao inteira binria (PIB).

Seo 1.3.1 (ex. 5). Identifique os demais tipos de modelos determinsticos e descreva cada um deles.

Seo 1.3.2 (ex. 1). Quais as razes para se utilizar a tcnica de simulao?

Seo 1.3.2 (ex. 2). A cadeia de Markov classificada dentro de qual classe de modelos estocsticos?

Seo 1.3.2 (ex. 3). Identifique os demais tipos de modelos estocsticos e descreva cada um deles.

15
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Seo 1.3.3 (ex.1). Qual o objetivo da anlise envoltria de dados?

Seo 1.3.3 (ex.2). Descreva como as reas de Inteligncia Artificial, Inteligncia Computacional e Pesquisa
Operacional interagem entre si.

1.5 Resumo
A Pesquisa Operacional vem assumindo uma importncia cada vez maior para o tratamento e a
anlise de dados, com a nalidade de propiciar informaes cada vez mais precisas, claras e adequadas
tomada de decises, com maior embasamento em ambientes competitivos. O seu desenvolvimento e
a sua maior utilizao nos ltimos anos, nos mais variados campos do conhecimento, devem-se, entre
outros fatores, ao desenvolvimento computacional e ao surgimento de novos softwares voltados para a
modelagem e soluo de diferentes tipos de problemas.
O conceito de deciso consiste no processo de escolha de uma ou mais opes entre um conjunto
de alternativas. A Pesquisa Operacional consiste na utilizao de modelos matemticos, estatsticos e
algoritmos computacionais para a tomada de decises em diversos ramos de negcio, sendo, dessa forma,
um campo multidisciplinar.
Devido grande complexidade de um sistema real que inuenciado por diversas variveis envolvidas
no processo de tomada de deciso, a Pesquisa Operacional utiliza-se de modelos para sua simplicao.
Os principais elementos que compem um modelo so: variveis de deciso e parmetros, restries e
funo objetivo. As variveis de deciso podem ser classicadas de acordo com as seguintes escalas de
mensurao: contnua, discreta ou binria.
Diversas so as fases a serem consideradas em um estudo de Pesquisa Operacional: denio do
problema, construo do modelo, soluo do modelo, validao do modelo, implementao de resultados
e validao nal.
As ferramentas da Pesquisa Operacional podem ser divididas em modelos determinsticos e
estocsticos. As principais caractersticas dos modelos determinsticos so: todas as variveis envolvidas
no processo so xas; uma nica soluo gerada; utilizam-se, geralmente, de mtodos analticos para sua
soluo; garantem a soluo tima. Com relao aos modelos estocsticos, as principais caractersticas
so: pelo menos uma das variveis envolvidas no processo aleatria; geram mais de uma soluo e
buscam analisar os diferentes cenrios; utilizam-se, geralmente, de mtodos numricos (programas
de computador) para sua soluo; no garantem a soluo tima. Dentre os modelos determinsticos,
destacam-se: programao linear, programao binria e inteira, programao em redes, programao
por metas ou multiobjetivo, programao no linear e programao dinmica determinstica. Dentre
os modelos estocsticos, podemos citar: teoria das las, simulao, programao dinmica estocstica
(cadeias de Markov) e teoria dos jogos. Outras ferramentas vm sendo estudadas na Pesquisa Operacional,
incluindo a metodologia multicritrio de apoio deciso; anlise envoltria de dados (DEA); tcnicas
de inteligncia articial, como algoritmos de busca heurstica (busca tabu, simulated annealing, entre
outros); tcnicas de inteligncia computacional, como computao evolucionria (algoritmos genticos,
algoritmos memticos, colnia de formigas, enxame de partculas, entre outras); meta-heursticas que
incluem todos os algoritmos de busca heurstica e de computao evolucionria listados anteriormente,
entre outras.

16
Captulo 2

Introduo Programao Linear:


Formulao Geral e Modelagem de Problemas Reais

Com a ajuda preciosa de Deus, digo eu que a lgebra uma arte cientfica.
Omar Khayyam (1070)

Ao nal deste captulo, voc ser capaz de:


i Estudar as origens e a evoluo da programao linear.
i Entender a importncia da programao linear para a tomada de deciso.
i Identicar os principais elementos contidos em um modelo de programao linear.
i Formular um modelo geral de programao linear.
i Modelar um problema de programao linear nas formas padro e cannica.
i Identicar as hipteses de um modelo de programao linear.
i Modelar problemas reais de programao linear.
i Compreender como o processo de modelagem auxilia na resoluo de problemas.

2.1 Introduo
Conforme discutido no Captulo 1, a Pesquisa Operacional vem sendo aplicada em diversos segmentos
industriais e comerciais (estratgia, marketing, nanas, operaes e logstica, recursos humanos, entre
outros), a m de decidir sobre a utilizao mais ecaz de recursos. A programao linear (PL) uma das
principais ferramentas da PO, e sua aplicao est cada vez mais difundida.
Em um problema de programao linear, a funo objetivo e todas as restries do modelo so representadas
por funes lineares. Adicionalmente, as variveis de deciso devem ser todas contnuas, ou seja, devem assumir
quaisquer valores em um intervalo de nmeros reais. O objetivo consiste em maximizar ou minimizar
determinada funo linear de variveis de deciso, sujeita a um conjunto de restries representadas por
equaes ou inequaes lineares, incluindo as de no negatividade das variveis de deciso. Construdo o
modelo matemtico que representa o problema real de PL em estudo, o prximo passo consiste em determinar
a soluo tima do modelo, que aquela com o maior valor (se o problema for de maximizao) ou menor
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

valor (se o problema for de minimizao) na funo objetivo e que satisfaz as restries lineares impostas.
Diversos algoritmos ou mtodos de soluo podem ser aplicados para a determinao da soluo tima do
modelo, sendo o mtodo Simplex o mais conhecido e utilizado.
Desde o desenvolvimento do mtodo Simplex por George B. Dantzig em 1947, a PL vem sendo
utilizada para a otimizao de problemas reais em diversos setores. Como exemplos, podemos citar os
setores de comrcio, de servios, bancrio, de transporte, automobilstico, de aviao, naval, alimentcio,
de bebidas, agropecurio, de sade, imobilirio, de siderurgia, de metalurgia, de minerao, de papel e
celulose, de energia eltrica, de petrleo, gs e combustveis, de computadores e de telefonia, entre outros.
A aplicao de tcnicas de programao linear em ambientes organizacionais vem, portanto, gerando
economia de milhes ou at bilhes de dlares para inmeras indstrias em diversos pases do mundo.
Segundo Winston (2004), uma pesquisa das 500 maiores empresas americanas listadas pela revista
Fortune relatou que 85% dos respondentes usavam ou j haviam usado a tcnica de programao linear.
Em funo da abrangncia do tema, a programao linear ser aqui dividida em trs captulos, como
mostra a Figura 2.1.

Figura 2.1 Tpicos abordados em PL e os respectivos captulos neste livro.

No Captulo 1, j abordamos as origens e a evoluo da programao linear, alm dos principais


elementos contidos em um modelo de PL. Abordaremos no presente captulo os seguintes tpicos:
i formulao geral de um modelo de PL;
i formulao na forma padro e na forma cannica de um problema de PL;
i hipteses de um modelo de PL;
i modelagem de problemas reais de PL que incluem: problema do mix de produo, problema da
mistura, dieta, oramento de capital, seleo de carteiras de investimentos, produo e estoque e
planejamento agregado.
O Captulo 3 apresenta os mtodos de soluo de problemas de programao linear, incluindo soluo
grca, analtica, pelo mtodo Simplex e por computador.
No Captulo 4, abordaremos primeiramente a anlise de sensibilidade que investiga os efeitos que
determinadas alteraes nos parmetros do modelo causariam na soluo tima. O conceito de dualidade
tambm ser discutido no mesmo captulo, podendo ser uma alternativa quando a soluo do problema
primal no for pragmtica.

2.2 Formulao Matemtica de um Modelo Geral de Programao Linear


Os problemas de programao linear buscam determinar valores timos para as variveis de deciso
x1, x2,..., xn que devem ser contnuas, a m de maximizar ou minimizar a funo linear z, sujeita a um

18
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

conjunto de m restries lineares de igualdade (equaes com sinal do tipo =) e/ou de desigualdade
(inequaes com sinal do tipo d ou t).
As solues que satisfazem todas as restries, inclusive as de no negatividade das variveis de
deciso, so chamadas de solues factveis. A soluo factvel que apresenta melhor valor da funo
objetivo chamada de soluo tima.
A formulao de um modelo geral de programao linear pode ser representada matematicamente
como:
max ou min z = f(x1, x2,..., xn) = c1x1 + c2x2 + ... + cnxn
sujeito a:
a11x1 + a12x2 + ... + a1nxn {d, =, t}b1
a21x1 + a22x2 + ... + a2nxn {d, =, t}b2 (2.1)

am1x1 + am2x2 + ... + amnxn {d, =, t}bm


x1, x2,..., xn t 0 (restrio de no negatividade)

em que:
z a funo objetivo;
xj so as variveis de deciso, principais ou controlveis, j = 1, 2,..., n;
aij a constante ou coeciente da i-sima restrio da j-sima varivel, i = 1, 2,...,m, j = 1, 2,...,n;
bi o termo independente ou quantidade de recursos disponveis da i-sima restrio, i = 1, 2,...,m;
cj a constante ou coeciente da j-sima varivel da funo objetivo, j = 1, 2,...,n.

2.3 Modelo de Programao Linear nas Formas Padro e Cannica


A seo anterior apresentou a formulao geral de um problema de programao linear. Esta seo
apresenta a formulao nas formas padro e cannica, alm de operaes elementares que podem alterar
a formulao de problemas de programao linear.

2.3.1 Modelo de Programao Linear na Forma Padro


Para resolver um problema de programao linear, seja pelo mtodo analtico, seja pelo algoritmo
Simplex, a formulao do modelo deve estar na forma padro, isto , deve atender aos seguintes requisitos:
i Os termos independentes das restries devem ser no negativos.
i Todas as restries devem estar representadas por equaes lineares e apresentadas na forma de
igualdade.
i As variveis de deciso devem ser no negativas.
A forma padro pode ser representada matematicamente como:
max ou min z = f(x1, x2,..., xn) = c1x1 + c2x2 + ... + cnxn
sujeito a:
a11x1 + a12x2 + ... + a1nxn = b1
a21x1 + a22x2 + ... + a2nxn = b2 (2.2)

am1x1 + am2x2 + ... + amnxn = bm


xj t 0, j = 1, 2,...,n

19
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

O problema padro de programao linear tambm pode ser escrito de forma matricial:
min f (x) = c x
sujeito a:
Ax = b
xt0
em que:

a11 a12 L a1n x1 b1 0


a x 0
a22 L a2n 2 , b =
b
2 , c = [ c1 c2 L cn ] , 0 =
A = 21 ,x=
M M M M M M

am1 am2 L amn xn bm 0

2.3.2 Modelo de Programao Linear na Forma Cannica


Em um modelo de programao linear na forma cannica, as restries devem ser apresentadas
na forma de inequaes, podendo z ser uma funo objetivo de maximizao ou de minimizao. Se a
funo z for de maximizao, todas as restries devem ser representadas com sinal do tipo d; se a funo
z for de minimizao, as restries devem estar com sinal do tipo t.
Para um problema de maximizao, a forma cannica pode ser representada matematicamente
como:
max z = f(x1, x2,..., xn) = c1x1 + c2x2 + ... + cnxn
sujeito a:
a11x1 + a12x2 + ... + a1nxn d b1
a21x1 + a22x2 + ... + a2nxn d b2
(2.3)
am1x1 + am2x2 + ... + amnxn d bm
xj t 0, j = 1, 2,...,n

J para um problema de minimizao, a forma cannica passa a ser:


min z = f(x1, x2,..., xn) = c1x1 + c2x2 + ... + cnxn
sujeito a:
a11x1 + a12x2 + ... + a1nxn t b1
a21x1 + a22x2 + ... + a2nxn t b2
(2.4)
am1x1 + am2x2 + ... + amnxn t bm
xj t 0, j = 1, 2,...,n

2.3.3 Transformaes para a Forma Padro ou Cannica


Para que um problema de programao linear apresente uma das formas apresentadas nas Sees 2.3.1
e 2.3.2, algumas operaes elementares podem ser efetuadas a partir de uma formulao geral, conforme
descrito a seguir.

20
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

1. Um problema padro de maximizao pode ser transformado em um problema de minimizao de


programao linear:
max z = f(x1, x2,..., xn) l min z = f(x1, x2,..., xn) (2.5)
Analogamente, um problema de minimizao pode ser transformado em outro de maximizao:
min z = f(x1, x2,..., xn) l max z = f(x1, x2,..., xn) (2.6)

2. Uma restrio de desigualdade do tipo d pode ser transformada em outra do tipo t, por meio da
multiplicao de ambos os lados por (1):
ai1x1 + ai2x2 + ... + ainxn d bi equivalente a
(2.7)
ai1x1 ai2x2 ... ainxn t bi
Analogamente, uma restrio de desigualdade do tipo t pode ser transformada em outra do tipo d:
ai1x1 + ai2x2 + ... + ainxn t bi equivalente a
(2.8)
ai1x1 ai2x2 ... ainxn d bi

3. Uma restrio de igualdade pode ser transformada em duas restries de desigualdade:


ai1x1 + ai2x2 + ... + ainxn = bi equivalente a
ai1x1 + ai2x2 + ... + ainxn d bi (2.9)
ai1x1 + ai2x2 + ... + ainxn t bi

4. Uma restrio de desigualdade do tipo d pode ser reescrita por meio de uma equao de igualdade
considerando a adio de uma nova varivel no negativa do lado esquerdo (LHS left hand side),
xk t 0, chamada de varivel de folga:
ai1x1 + ai2x2 + ... + ainxn d bi equivalente a
(2.10)
ai1x1 + ai2x2 + ... + ainxn + xk = bi
Analogamente, a restrio de desigualdade do tipo t tambm pode ser transformada em uma equao
de igualdade por meio da subtrao de uma nova varivel no negativa do lado esquerdo, xk t 0, chamada
de varivel de excesso:
ai1x1 + ai2x2 + ... + ainxn t bi equivalente a
(2.11)
ai1x1 + ai2x2 + ... + ainxn xk = bi

5. Uma varivel xj que no tem restrio de sinal, chamada de varivel livre, pode ser expressa como a
diferena de duas variveis no negativas:

x j = x1j x2j , x1j , x2j 0 (2.12)

Exemplo 2.1
Para o problema de programao linear a seguir, reescreva-o na forma padro, a partir de uma funo
objetivo de minimizao.
max z = f(x1, x2, x3, x4) = 5x1 + 2x2 4x3 x4
sujeito a:
x1 + 2x2 x4 d 12
2x1 + x2 + 3x3 t6
x1 livre, x2, x3, x4 t 0

21
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Soluo

Para que o modelo possa ser reescrito na forma padro, as restries de desigualdade devem ser expressas
na forma de igualdade (expresses 2.10 e 2.11), e a varivel livre x1 pode ser expressa como a diferena de duas
variveis no negativas (expresso 2.12). Considerando uma funo objetivo de minimizao, tem-se que:
min z = f ( x1 , x2 , x3 , x4 ) = 5 x11 + 5 x12 2 x2 + 4 x3 + x4
sujeito a:
x11 x21 + 2x2 x4 + x5 = 12
2x1 2x1 + x2 + 3x3
1 2
x6 = 6
x1, x1, x2, x3, x4, x5, x6 t 0
1 2

Exemplo 2.2
Transforme o problema a seguir na forma cannica.
max z = f(x1, x2, x3) = 3x1 + 4x2 + 5x3
sujeito a:
2x1 + 2x2 + 4x3 t 320
3x1 + 4x2 + 5x3 = 580
x1, x2, x3 t 0

Para que o modelo de maximizao possa ser escrito na forma cannica, as restries devem ser
expressas na forma de desigualdade do tipo d. Para isso, a equao de igualdade deve ser transformada em
duas restries de desigualdade (expresso 2.9) e as inequaes com sinal do tipo t devem ser multiplicadas
por (1), conforme especicado na expresso 2.8. O modelo nal na forma cannica :
max z = f(x1, x2, x3) = 3x1 + 4x2 + 5x3
sujeito a:
2x1 2x2 4x3 d 320
3x1 4x2 5x3 d 580
3x1 + 4x2 + 5x3 d 580
x1, x2, x3 t 0

2.4 Hipteses do Modelo de Programao Linear


Em um problema de programao linear, a funo objetivo e as restries do modelo devem ser
lineares, as variveis de deciso devem ser contnuas (divisveis, podendo assumir valores fracionrios) e
no negativas, e os parmetros do modelo determinsticos, de forma a satisfazer as seguintes hipteses:
Proporcionalidade
Aditividade
Divisibilidade e no negatividade
Certeza

a) Proporcionalidade

A hiptese de proporcionalidade requer que, para cada varivel de deciso considerada no modelo,
a sua contribuio em relao funo objetivo e s restries do modelo seja diretamente proporcional
ao valor da varivel de deciso.

22
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

Imaginemos o seguinte exemplo: Uma empresa busca maximizar sua produo de cadeiras (x1) e mesas
(x2), sendo que o lucro unitrio por cadeira e mesa 4 e 7, respectivamente. Dessa forma, a funo objetivo
z expressa como max z = 4x1 + 7x2. A Figura 2.2, adaptada de Hillier e Lieberman (2005), mostra a
contribuio da varivel x1 para a funo objetivo z. Verica-se que, para que a hiptese de proporcionalidade
seja respeitada, a cada unidade de cadeira produzida, a funo objetivo deve aumentar $ 4.
Imaginemos que seja considerado um custo inicial de set-up de 20 (caso 1) at que a produo de
cadeiras (x1) seja iniciada. Nesse caso, a contribuio da varivel x1 em relao funo objetivo seria
escrita como z = 4x1 20, em vez de z = 4x1, no satisfazendo a hiptese de proporcionalidade. Por
outro lado, imaginemos que haja economias de escala, de forma que os custos de produo diminuam e,
consequentemente, a contribuio marginal aumente, medida que a quantidade total produzida cresa
(caso 2), violando tambm a hiptese de proporcionalidade. A funo lucro, nesse caso, torna-se no linear.

Figura 2.2 Contribuio da varivel x1 para a funo objetivo z.

450
400 Satisfaz Proporcionalidade
Caso 1
350 Caso 2
300
250
200
150
100
50
0
10 20 30 40 50
50

Fonte: Adaptada de Hillier e Lieberman (2005).

Da mesma forma, com relao s restries, assume-se que os coecientes ou constantes aij sejam
proporcionais ao nvel de produo xj.

b) Aditividade

A hiptese de aditividade arma que o valor total da funo objetivo ou de cada funo de restrio
de um modelo de programao linear expresso pela soma das contribuies individuais de cada varivel
de deciso. Assim, a contribuio de cada varivel de deciso independe da contribuio das demais
variveis, de forma que no haja a existncia de termos cruzados, tanto na funo objetivo quanto nas
restries do modelo.
Considerando o exemplo anterior, a funo objetivo expressa como max z = 4x1 + 7x2. Pela hiptese
de aditividade, o valor total da funo objetivo obtido pela soma das contribuies individuais de x1 e
x2, isto , z = 4 + 7 = 11. Caso a funo objetivo seja expressa por max z = 4x1 + 7x2 + x1x2, a hiptese
de aditividade violada (z = 4 + 7 + 1 = 12 para x1, x2 = 1), j que as variveis de deciso do modelo so
interdependentes.
Da mesma forma, com relao a cada restrio do modelo, assume-se que o valor total da funo
expresso pela soma das contribuies individuais de cada varivel.

23
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

c) Divisibilidade e no negatividade

Cada uma das variveis de deciso consideradas no modelo pode assumir quaisquer valores no
negativos dentro de um intervalo, incluindo valores fracionrios, desde que satisfaa as restries do
modelo. Quando as variveis em estudo podem assumir apenas valores inteiros, o modelo chamado de
programao (linear) inteira (PLI ou simplesmente PI).

d) Certeza

Essa hiptese arma que os coecientes da funo objetivo, os coecientes das restries e os termos
independentes de um modelo de programao linear so determinsticos (constantes e conhecidos com
certeza).

2.5 Modelagem de Problemas Reais de Programao Linear


Esta seo apresenta a descrio e a modelagem dos principais problemas de otimizao de recursos
que vm sendo estudados em programao linear nas reas de administrao, cincias econmicas e
contbeis. So eles: problema do mix de produo, problema da mistura, oramento de capital, seleo de
carteiras de investimentos, produo e estoque e planejamento agregado.

2.5.1 Problema do Mix de Produo


O problema do mix de produo tem como objetivo encontrar a quantidade ideal a ser fabricada de
determinada linha de produtos que maximize o resultado da empresa (lucro lquido, margem de contri-
buio total etc.) ou minimize os custos de produo respeitando suas limitaes de recursos produtivos
e mercadolgicos (restries de matria-prima, capacidade mxima de produo, disponibilidade de mo
de obra, demanda mxima e mnima de mercado, entre outras).
Quando a quantidade a ser fabricada de determinado produto s puder assumir valores inteiros
(fabricao de automveis, eletrodomsticos, eletroeletrnicos etc.), recai-se em um problema de
programao inteira (PI). Uma alternativa para resolver esse tipo de problema relaxar ou eliminar
a restrio de integralidade das variveis de deciso, recaindo em um problema de programao linear.
Por sorte, algumas vezes, a soluo tima do problema relaxado corresponde soluo tima do modelo
original, isto , satisfaz as restries de integralidade das variveis de deciso. Quando a soluo do
problema relaxado no for inteira, arredondamentos ou algoritmos de programao inteira devem ser
aplicados para encontrar a soluo do problema original. Mais detalhes podem ser encontrados no
Captulo 6.

Exemplo 2.3
A empresa Venix de brinquedos est revendo seu planejamento de produo de carrinhos e triciclos. O
lucro lquido por unidade de carrinho e triciclo produzido de R$12,00 e R$60,00, respectivamente. As
matrias-primas e os insumos necessrios para a fabricao de cada um dos produtos so terceirizados,
cabendo empresa os processos de usinagem, pintura e montagem. O processo de usinagem requer 15
minutos de mo de obra especializada por unidade de carrinho e 30 minutos por unidade de triciclo
produzida. O processo de pintura requer 6 minutos de mo de obra especializada por unidade de carrinho
e 45 minutos por unidade de triciclo produzida. J o processo de montagem necessita de 6 minutos e 24
minutos para uma unidade de carrinho e triciclo produzido, respectivamente. O tempo disponvel por

24
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

semana de 36, 22 e 15 horas para os processos de usinagem, pintura e montagem, respectivamente. A


empresa quer determinar quanto produzir de cada produto por semana, respeitando as limitaes de
recursos, de forma a maximizar o lucro lquido semanal. Formular o problema de programao linear que
maximiza o lucro lquido da empresa Venix.

Soluo

Primeiramente, denem-se as variveis de deciso do modelo:


xj = quantidade a ser fabricada do produto j por semana, j = 1, 2.
Assim, tem-se:
x1 = quantidade de carrinhos a serem produzidos por semana.
x2 = quantidade de triciclos a serem produzidos por semana.
Verica-se, portanto, que as variveis de deciso devem assumir valores inteiros (no se pode produzir
valores fracionrios de carrinhos ou triciclos), recaindo em um problema de programao inteira (PI).
Por sorte, neste problema, as restries de integralidade podem ser relaxadas ou eliminadas, j que a
soluo tima do problema relaxado ainda satisfaz as condies de integralidade. Assim, a formulao do
problema ser apresentada como um modelo de programao linear (PL).
O lucro lquido por unidade de carrinho produzido R$12,00, enquanto o lucro lquido por unidade
de triciclo R$60,00. Busca-se maximizar o lucro lquido semanal gerado a partir das quantidades de
carrinhos e triciclos fabricados. Logo, a funo objetivo pode ser escrita da seguinte forma:

Fobj = max z = 12x1 + 60x2

Considerando o processo de usinagem, para produzir uma unidade de carrinho e triciclo necessita-se
de 15 minutos (0,25 hora) e 30 minutos (0,5 hora) de mo de obra especializada, respectivamente (0,25x1
+ 0,5x2). Porm, o tempo total de mo de obra para a atividade de usinagem no pode ultrapassar 36
horas/semana, gerando a seguinte restrio:

0,25x1 + 0,5x2 d 36

Analogamente, para a atividade de pintura, uma unidade de carrinho e triciclo produzido requer
6 minutos (0,1 hora) e 45 minutos (0,75 hora) de mo de obra especializada, respectivamente (0,1x1 +
0,75x2). Porm, o limite de mo de obra disponvel para essa atividade de 22 horas/semana:

0,1x1 + 0,75x2 d 22

J para o processo de montagem, para produzir uma unidade de carrinho e triciclo necessita-se
de 6 minutos (0,1 hora) e 24 minutos (0,4 hora) de mo de obra, respectivamente (0,1x1 + 0,4x2). A
disponibilidade de mo de obra para essa atividade de 15 horas/semana:

0,1x1 + 0,4x2 d 15

Finalmente, tm-se as restries de no negatividade das variveis de deciso.


As restries completas do modelo esto resumidas a seguir:

25
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

1. Restries de disponibilidade de mo de obra para as trs atividades:


0,25x1 + 0,50x2 d 36 (usinagem)
0,10x1 + 0,75x2 d 22 (pintura)
0,10x1 + 0,40x2 d 15 (montagem)

2. Restrio de no negatividade das variveis de deciso:


xj t 0, j = 1, 2.

A formulao completa do modelo pode ser representada como:


max z = 12x1 + 60x2
sujeito a:
0,25x1 + 0,50x2 d 36
0,10x1 + 0,75x2 d 22
0,10x1 + 0,40x2 d 15
xj t 0, j = 1, 2

A soluo tima pode ser obtida de forma grca, de forma analtica, pelo mtodo Simplex ou
diretamente de um software como o Solver do Excel, conforme apresentado no prximo captulo. A
soluo tima do modelo atual x1 = 70 (carrinhos por semana) e x2 = 20 (triciclos por semana) com
z = 2.040 (lucro lquido semanal de R$2.040,00).

Exemplo 2.4
A empresa Naturelat do setor de laticnios fabrica os seguintes produtos: iogurte, queijo minas, queijo
mussarela, queijo parmeso e queijo provolone. Em funo das mudanas estratgicas decorrentes da
concorrncia de mercado, a empresa est redenindo seu mix de produo.
Para a fabricao de cada um dos cinco produtos, so necessrios trs tipos de matrias-primas: leite
in natura, soro e gordura. A Tabela 2.1 apresenta as quantidades de matrias-primas necessrias para a
fabricao de 1kg de cada produto.
A quantidade de matria-prima diria disponvel limitada (1.200 litros de leite in natura, 460 litros de
soro e 650kg de gordura).
A disponibilidade diria de mo de obra especializada tambm limitada (170 horas-homem/dia). A
empresa necessita de 0,05 hora-homem para a fabricao de 1kg de iogurte, 0,12 hora-homem para a
fabricao de 1kg de queijo minas, 0,09 hora-homem para queijo mussarela, 0,04 hora-homem para queijo
parmeso e 0,16 hora-homem para queijo provolone.
Devido a razes contratuais, a empresa necessita produzir uma quantidade mnima diria de 320kg de
iogurte, 380kg de queijo minas, 450kg de queijo mussarela, 240kg de queijo parmeso e 180kg de queijo
provolone.
A rea comercial da empresa garante que existe mercado para absorver qualquer nvel de produo,
independentemente do produto.
A Tabela 2.2 apresenta a margem de contribuio unitria por produto (R$/kg), que calculada como a
diferena entre o preo de venda e os custos variveis totais.
A empresa tem como objetivo determinar a quantidade de cada produto a ser fabricado de forma
a maximizar seu resultado. Formule o problema de programao linear que maximiza o resultado
esperado.

26
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

Tabela 2.1 Matria-prima necessria para a fabricao de 1kg de cada produto

Produto Leite in natura (L) Soro (L) Gordura (kg)


Iogurte 0,70 0,16 0,25
Queijo minas 0,40 0,22 0,33
Queijo mussarela 0,40 0,32 0,33
Queijo parmeso 0,60 0,19 0,40
Queijo provolone 0,60 0,23 0,47

Tabela 2.2 Margem de contribuio unitria de cada produto (R$/kg)


Preo de Custos variveis Margem de
Produto
venda (R$/kg) totais (R$/kg) contribuiao (R$/kg)
Iogurte 3,20 2,40 0,80
Queijo minas 4,10 3,40 0,70
Queijo mussarela 6,30 5,15 1,15
Queijo parmeso 8,25 6,95 1,30
Queijo provolone 7,50 6,80 0,70

Soluo

Primeiramente, denem-se as variveis de deciso do modelo:


xj = quantidade (em kg) a ser fabricada do produto j por dia, j = 1, 2,..., 5.
Assim, tem-se que:
x1 = quantidade (em kg) a ser fabricada de iogurte por dia.
x2 = quantidade (em kg) a ser fabricada de queijo minas por dia.
x3 = quantidade (em kg) a ser fabricada de queijo mussarela por dia.
x4 = quantidade (em kg) a ser fabricada de queijo parmeso por dia.
x5 = quantidade (em kg) a ser fabricada de queijo provolone por dia.
A margem de contribuio total por produto o resultado obtido pela multiplicao da margem de
contribuio unitria (nesse caso, R$/kg) pelas respectivas quantidades vendidas. A funo objetivo do
problema busca maximizar a margem de contribuio total de todos os produtos da empresa que obtida
pelo somatrio das margens de contribuies totais de cada produto:

Fobj = max z = 0,80x1 + 0,70x2 + 1,15x3 + 1,30x4 + 0,70x5

Com relao s restries de disponibilidade de matria-prima, consideraremos, inicialmente, a


quantidade de leite in natura (litros) utilizada diariamente para a fabricao de cada produto. Para
a fabricao de 1kg de iogurte, necessita-se de 0,7 litro de leite in natura (0,70x1 representa o total
de leite in natura utilizado por dia na fabricao de iogurte); a quantidade de leite in natura (litros)
utilizada diariamente para a fabricao do queijo minas representada por 0,40x2; analogamente,
utiliza-se diariamente 0,40x3 de leite in natura para a fabricao do queijo mussarela, 0,60x4 para
a fabricao do queijo parmeso e 0,60x5 para o queijo provolone. A quantidade total de leite in
natura (litros) utilizada diariamente para a fabricao de todos os produtos pode ser representada

27
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

como 0,70x1 + 0,40x2 + 0,40 x3 + 0,60x4 + 0,60x5. Porm, esse total no pode ultrapassar 1.200 L
(quantidade diria de leite in natura disponvel), de forma que essa restrio representada por:

0,70x1 + 0,40x2 + 0,40x3 + 0,60x4 + 0,60x5 d 1.200

Analogamente, a quantidade de soro (em litros) utilizada diariamente para a fabricao de iogurte, queijo
minas, mussarela, parmeso e provolone no pode ultrapassar a quantidade mxima disponvel de 460 litros:

0,16x1 + 0,22x2 + 0,32x3 + 0,19x4 + 0,23x5 d 460

Ainda considerando as restries de disponibilidade de matria-prima, para o caso da gordura,


a quantidade utilizada (kg) diariamente para a fabricao dos cinco produtos no pode ultrapassar a
quantidade mxima disponvel de 650kg:

0,25x1 + 0,33x2 + 0,33x3 + 0,40x4 + 0,47x5 d 650

J a restrio de disponibilidade diria de mo de obra especializada tambm deve ser considerada.


Cada quilo de iogurte fabricado requer 0,05 hora-homem, de forma que 0,05x1 representa o total de
horas-homem utilizado diariamente na fabricao de iogurte; a quantidade de horas-homem utilizada
diariamente para a fabricao de queijo minas representada por 0,12x2; analogamente, utiliza-se
diariamente 0,09x3 de horas-homem para a fabricao do queijo mussarela, 0,04x4 para a fabricao do
queijo parmeso e 0,16x5 para o queijo provolone. O total de horas-homem utilizado diariamente para
a fabricao de todos os produtos pode ser representado por 0,05x1 + 0,12x2 + 0,09x3 + 0,04x4 + 0,16x5.
Porm, esse total no pode ultrapassar 170 horas-homem, que a disponibilidade de mo de obra
especializada por dia:

0,05x1 + 0,12x2 + 0,09x3 + 0,04x4 + 0,16x5 d 170

Finalmente, deve-se considerar a restrio de demanda mnima de mercado diria para cada produto:
320kg para iogurte (x1 t 320), 380 kg para queijo minas (x2 t 380), 450 kg para queijo mussarela (x3 t 450),
240 kg para queijo parmeso (x4 t 240) e 180 kg para queijo provolone (x5 t 180), alm da restrio de no
negatividade das variveis de deciso.
As restries completas do modelo podem ser representadas como:

1. Quantidade de matria-prima utilizada diariamente para a fabricao de iogurte, queijo minas,


mussarela, parmeso e provolone:
0,70x1 + 0,40x2 + 0,40x3 + 0,60x4 + 0,60x5 d 1.200 (leite in natura)
0,16x1 + 0,22x2 + 0,32x3 + 0,19x4 + 0,23x5 d 460 (soro)
0,25x1 + 0,33x2 + 0,33x3 + 0,40x4 + 0,47x5 d 650 (gordura)

2. Disponibilidade diria de mo de obra especializada para a fabricao de iogurte, queijo minas,


mussarela, parmeso e provolone:
0,05x1 + 0,12x2 + 0,09x3 + 0,04x4 + 0,16x5 d 170

28
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

3. Demanda mnima diria de cada produto:


x1 t 320 (iogurte)
x2 t 380 (queijo minas)
x3 t 450 (queijo mussarela)
x4 t 240 (queijo parmeso)
x5 t 180 (queijo provolone)

4. Restries de no negatividade das variveis de deciso:


xj t 0, j = 1, 2,..., 5.

O problema completo est modelado a seguir:


max z = 0,80x1 + 0,70x2 + 1,15x3 + 1,30x4 + 0,70x5
sujeito a
0,70x1 + 0,40x2 + 0,40x3 + 0,60x4 + 0,60x5 d 1.200
0,16x1 + 0,22x2 + 0,32x3 + 0,19x4 + 0,23x5 d 460
0,25x1 + 0,33x2 + 0,33x3 + 0,40x4 + 0,47x5 d 650
0,05x1 + 0,12x2 + 0,09x3 + 0,04x4 + 0,16x5 d 170
x1 t 320
x2 t 380
x3 t 450
x4 t 240
x5 t 180
xj t 0, j = 1,..., 5

A soluo tima do modelo, utilizando o Solver do Excel, x1 = 320 (kg/dia de iogurte), x2 = 380 (kg/
dia de queijo minas), x3 = 690,96 (kg/dia de queijo mussarela), x4 = 329,95 (kg/dia de queijo parmeso) e x5
= 180 (kg/dia de queijo provolone) com z = 1.871,55 (margem de contribuio total diria de R$1.871,55).

2.5.2 Problema da Mistura


O problema da mistura tem como objetivo encontrar a soluo com custo mnimo ou lucro mximo,
a partir da combinao de diversos ingredientes para produzir um ou vrios produtos. As matrias-primas
podem ser minrios, metais, produtos qumicos, petrleo ou leo bruto, gua, enquanto os produtos
nais podem ser lingotes de metal, ao, tintas, gasolina ou outros produtos qumicos.
Dentre os diversos problemas da mistura, podemos citar alguns exemplos:
i Mistura de vrios tipos de petrleo ou leo bruto para produzir diferentes tipos de gasolina.
i Mistura de produtos qumicos para gerar outros produtos.
i Mistura de diferentes tipos de papel para gerar papel reciclado.

Exemplo 2.5
A renaria de petrleo Petrisul utiliza trs tipos de leo bruto (leo 1, leo 2 e leo 3) para produzir trs
tipos de gasolina: comum, super e extra.
Para garantir a qualidade, cada tipo de gasolina exige determinadas especicaes a partir da composio
dos diversos tipos de leo bruto, conforme mostra a Tabela 2.3.
Para atender a demanda de seus clientes, a renaria precisa produzir pelo menos 5.000 barris por dia da
gasolina comum e 3.000 barris por dia da gasolina super e extra. A capacidade diria disponvel de 10.000

29
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

barris do leo 1, 8.000 do leo 2 e 7.000 do leo 3. A renaria pode produzir at 20.000 barris de gasolina
por dia.
A renaria lucra $5 para cada barril de gasolina comum produzido, $7 por barril de gasolina super e $8
por barril de gasolina extra. Os custos de leo bruto 1, 2 e 3 por barril so $2, $3 e $3, respectivamente.
Formular o problema de programao linear de forma a maximizar o lucro dirio.

Tabela 2.3 Especificaes para cada tipo de gasolina


Tipo de gasolina Especicaes
Comum No mais que 70% do leo 1
No mais que 50% do leo 1
Super
No menos que 10% do leo 2
No mais que 50% do leo 2
Extra
No menos que 40% do leo 3
Soluo

Primeiramente, deve-se denir as variveis de deciso do modelo:


xij = barris de leo bruto i usados diariamente para produzir a gasolina j; i = 1, 2, 3; j = 1, 2, 3.
Tem-se que:
Produo diria de gasolina comum = x11 + x21 + x31
Produo diria de gasolina super = x12 + x22 + x32
Produo diria de gasolina extra = x13 + x23 + x33
Barris de leo bruto 1 usados diariamente = x11 + x12 + x13
Barris de leo bruto 2 usados diariamente = x21 + x22 + x23
Barris de leo bruto 3 usados diariamente = x31 + x32 + x33
A funo objetivo do problema busca maximizar o lucro dirio (receita-custos) da renaria. As
restries do modelo devem garantir que as especicaes mnimas exigidas para cada tipo de gasolina
sejam consideradas, que a demanda de seus clientes seja atendida e que as capacidades de produo de
gasolina e de fornecimento de leo bruto sejam respeitadas.
A receita diria a partir de cada barril de gasolina produzido :
= 5(x11 + x21 + x31) + 7(x12 + x22 + x32) + 8(x13 + x23 + x33)

J os custos dirios a partir de cada barril de leo bruto adquirido so:


= 2(x11 + x12 + x13) + 3(x21 + x22 + x23) + 3(x31 + x32 + x33)

A funo objetivo pode ser escrita como:


Fobj = max z = (5 2)x11 + (5 3)x21 + (5 3)x31 + (7 2)x12 + (7 3)x22 + (7 3)x32 + (8 2)x13 +
(8 3) x23 + (8 3) x33

As restries do modelo so denidas a seguir:


1. A composio do tipo de gasolina comum deve conter, no mximo, 70% de leo 1:

x11
0,70
x11 + x21 + x31

30
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

que pode ser reescrita como:


0,30x11 0,70x21 0,70x31 d 0

2. A composio do tipo de gasolina super deve conter, no mximo, 50% de leo 1:

x12
0,50
x12 + x22 + x32
que pode ser reescrita como:
0,50x12 0,50x22 0,50x32 d 0

3. A composio do tipo de gasolina super deve conter, no mnimo, 10% de leo 2:

x22
0,10
x12 + x22 + x32
que pode ser reescrita como:
0,10x12 + 0,90x22 0,10x32 t 0

4. A composio do tipo de gasolina extra deve conter, no mximo, 50% de leo 2:

x23
0,50
x13 + x23 + x33
que pode ser reescrita como:
0,50x13 + 0,50x23 0,50x33 d 0

5. A composio do tipo de gasolina extra deve conter, no mnimo, 40% de leo 3:

x33
0,40
x13 + x23 + x33
que pode ser reescrita como:
0,40x13 0,40x23 + 0,60x33 t 0

6. A demanda diria de gasolina comum, super e extra deve ser atendida:


x11 + x21 + x31 t 5.000 (comum)
x12 + x22 + x32 t 3.000 (super)
x13 + x23 + x33 t 3.000 (extra)

7. A quantidade mxima de barris de leo bruto 1 (10.000), leo bruto 2 (8.000) e leo bruto 3 (7.000)
disponibilizados diariamente deve ser respeitada:
x11 + x12 + x13 d 10.000 (leo bruto 1)
x21 + x22 + x23 d 8.000 (leo bruto 2)
x31 + x32 + x33 d 7.000 (leo bruto 3)

8. A capacidade diria de produo da renaria de 20.000 barris de gasolina por dia:


x11 + x21 + x31 + x12 + x22 + x32 + x13 + x23 + x33 d 20.000

31
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

9. As variveis de deciso do modelo so no negativas:


xij t 0, i = 1, 2, 3; j = 1, 2, 3.

O problema completo est modelado a seguir:


Fobj = max z = 3x11 + 2x21 + 2x31 + 5x12 + 4x22 + 4x32 + 6x13 + 5x23 + 5x33
sujeito a:
0,30x11 0,70x21 0,70x31 d 0
0,50x12 0,50x22 0,50x32 d 0
0,10x12 + 0,90 x22 0,10x32 t 0
0,50x13 + 0,50x23 0,50x33 d 0
0,40x13 0,40x23 + 0,60x33 t 0
x11 + x21 + x31 t 5.000
x12 + x22 + x32 t 3.000
x13 + x23 + x33 t 3.000
x11 + x12 + x13 d 10.000
x21 + x22 + x23 d 8.000
x31 + x32 + x33 d 7.000
x11 + x21 + x31 + x12 + x22 + x32 + x13 + x23 + x33 d 20.000
x11, x21, x31, x12, x22, x32, x13, x23, x33 t 0

A soluo tima do modelo, utilizando o Solver do Excel, x11 = 1.300, x21 = 3.700, x31 = 0,
x12 = 1.500, x22 = 1.500, x32 = 0, x13 = 7.200, x23 = 0, x33 = 4.800 com z = 92.000 (lucro total dirio de
$92.000,00).

2.5.3 Problema da Dieta


O problema da dieta um problema clssico de programao linear que busca determinar a melhor
combinao de alimentos a serem ingeridos em uma refeio, com o menor custo possvel, atendendo
todas as necessidades nutricionais.
Diversos nutrientes podem ser analisados, como, por exemplo: calorias, protenas, gorduras,
carboidratos, bras, clcio, ferro, magnsio, fsforo, potssio, sdio, zinco, cobre, mangans, selnio,
vitamina A, vitamina C, vitamina B1, vitamina B2, vitamina B12, niacina, cido flico, colesterol, entre
outros (Pessa et al., 2009).

Exemplo 2.6
A anemia uma doena decorrente de baixos nveis de hemoglobina no sangue, protena esta responsvel
pelo transporte de oxignio. Segundo a hematologista Adriana Ferreira, a ferropriva a anemia mais
comum e causada pela decincia de ferro no organismo. Para sua preveno, deve-se adotar uma dieta
rica em ferro, vitamina A, vitamina B12 e cido flico. Esses nutrientes podem ser encontrados em diversos
alimentos, como espinafre, brcolis, agrio, tomate, cenoura, ovo, feijo, gro de bico, soja, carne, fgado
e peixe. A Tabela 2.4 apresenta as necessidades dirias de cada nutriente, a respectiva quantidade em cada
um dos alimentos e o preo por alimento. A m de prevenir que seus pacientes apresentem esse tipo de
anemia, o Hospital Metrpole est estudando uma nova dieta. O objetivo selecionar os ingredientes,
com o menor custo possvel, que faro parte das duas principais refeies dirias (almoo e jantar), de
forma que 100% das necessidades dirias de cada um desses nutrientes sejam atendidas nas duas refeies.
Alm disso, o total ingerido nas duas refeies no pode ultrapassar 1,5kg.

32
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

Tabela 2.4 Nutrientes, necessidades dirias e custo por alimento


Poro de 100 gramas
Ferro Vitamina A Vitamina B12 cido flico Preo
(mg) (UI) (mcg) (mg) (R$)
Espinafre 3 7.400 0 0,4 0,30
Brcolis 1,2 138,8 0 0,5 0,20
Agrio 0,2 4.725 0 0,1 0,18
Tomate 0,49 1.130 0 0,25 0,16
Cenoura 1 14.500 0,1 0,005 0,30
Ovo 0,9 3.215 1 0,05 0,30
Feijo 7,1 0 0 0,056 0,40
Gro de bico 4,86 41 0 0,4 0,40
Soja 3 1.000 0 0,08 0,45
Carne 1,5 0 3 0,06 0,75
Fgado 10 32.000 100 0,38 0,80
Peixe 1,1 140 2,14 0,002 0,85
Necessidades dirias 8 4.500 2 0,4

Soluo

Primeiramente, denem-se as variveis de deciso do modelo:


xj = quantidade (kg) do alimento j consumido diariamente, j = 1, 2,..., 12.
Assim, tem-se:
x1 = quantidade (kg) de espinafre consumido diariamente.
x2 = quantidade (kg) de brcolis consumido diariamente.
x3 = quantidade (kg) de agrio consumido diariamente.

x12 = quantidade (kg) de peixe consumido diariamente.


A funo objetivo do modelo busca minimizar o custo total dos alimentos, podendo ser escrita como:
Fobj = min z = 3x1 + 2x2 + 1,8x3 + 1,6x4 + 3x5 + 3x6 + 4x7 + 4x8 + 4,5x9 + 7,5x10 + 8x11 + 8,5x12

As restries relacionadas s necessidades mnimas dirias de cada nutriente devem ser atendidas.
Adicionalmente, deve-se considerar a restrio de peso mximo permitido nas duas refeies.
1. As necessidades mnimas dirias de ferro devem ser atendidas:
30x1 + 12x2 + 2x3 + 4,9x4 + 10x5 + 9x6 + 71x7 + 48,6x8 + 30x9 + 15x10 + 100x11 + 11x12 t 80

2. As necessidades mnimas dirias de vitamina A devem ser atendidas:


74.000x1 + 1.388x2 + 47.250x3 + 11.300x4 + 145.000x5 + 32.150x6 + 410x8 + 10.000x9 + 320.000x11
+ 1.400x12 t 45.000

3. As necessidades mnimas dirias de vitamina B12 devem ser atendidas:


x5 + 10x6 + 30x10 + 1.000x11 + 21,4x12 t 20

4. As necessidades mnimas dirias de cido flico devem ser atendidas:


4x1 + 5x2 + x3 + 2,5x4 + 0,05x5 + 0,5x6 + 0,56x7 + 4x8 + 0,8x9 + 0,6x10 + 3,8x11 + 0,02x12 t 4

33
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

5. O total consumido nas duas refeies no pode ultrapassar 1,5kg:


x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 + x11 + x12 d 1,5

6. As variveis de deciso do modelo so no negativas:


x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11, x12 t 0

O modelo completo pode ser descrito como:

Fobj = min z = 3x1 + 2x2 + 1,8x3 + 1,6x4 + 3x5 + 3x6 + 4x7 + 4x8 + 4,5x9 + 7,5x10 + 8x11 + 8,5x12
sujeito a:
30x1 + 12x2 + 2x3 + ... + 15x10 + 100x11 + 11x12 t 80
74.000x1 + 1.388x2 + 47.250x3 + ... + + 320.000x11 + 1.400x12 t 45.000
+ ... + 30x10 + 1.000x11 + 21,40x12 t 20
4x1 + 5x2 + x3 + ... + 0,6x10 + 3,8x11 + 0,02x12 t 4
x1 + x2 + x3 + ... + x10 + x11 + x12 d 1,5
xj t 0, j = 1,...,12

A soluo tima do modelo x2 = 0,427 (kg de brcolis), x7 = 0,698 (kg de feijo), x8 = 0,237 (kg de
gro de bico), x11 = 0,138 (kg de fgado), x1, x3, x4, x5, x6, x9, x10, x12 = 0 com z = 5,70 (custo total de R$5,70).

2.5.4 Problemas de Oramento de Capital


Tcnicas de Pesquisa Operacional, incluindo modelos de programao linear, vm sendo bastante
utilizadas para a soluo de diversos problemas de investimentos nanceiros, como o problema de
oramento de capital, seleo de carteiras ou portflio, administrao de capital de giro, anlise de risco,
entre outros. Esta seo apresenta como um modelo de programao linear pode ser utilizado para a
soluo do problema de oramento de capital. Na prxima seo, apresentaremos o problema de seleo
de carteiras de investimentos.
O problema de oramento de capital tem como objetivo selecionar, a partir de um conjunto de
alternativas, os projetos de investimentos nanceiramente viveis, respeitando as restries oramentrias
da empresa investidora.
O problema de oramento de capital utiliza o conceito de VPL (valor presente lquido), que tem
como objetivo denir qual investimento mais atrativo. O VPL denido como o valor presente (perodo
t = 0) dos uxos de caixa de entrada (contas a receber) menos os uxos de caixa de sada (contas a pagar/
investimento) para cada perodo t = 0,1,...,n. Considerando diferentes projetos de investimentos, o mais
atrativo aquele que apresenta o maior valor presente lquido.
O clculo do VPL :
n n
FCEt FCSt
VPL = t=1 (1 + i )
t
(1 + i)
t=1
t
(2.13)
em que:
FCEt = uxo de caixa de entrada no incio do perodo t = 1,...,n
FCSt = uxo de caixa de sada no incio do perodo t = 1,...,n
i = taxa de retorno
Analisaremos dois tipos de investimentos (A e B) a m de determinar qual deles mais atrativo.

34
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

O investimento A requer um investimento inicial de $100 mil, mais um investimento de $50 mil em
um ano, tendo um retorno de $200 mil em dois anos. A taxa de juros de 12% a.a. O clculo do VPL do
investimento A :

50.000 200.000
VPL = 100.000 +
(1 + 0,12)1 (1 + 0,12)2
VPL = 14.795,92 .

O investimento B requer um investimento inicial de $150 mil, mais um investimento de $70 mil
em dois anos, tendo um retorno de $130 mil em um ano e $120 mil em trs anos. A taxa de juros de
12% a.a. O VPL do investimento B :

130.000 70.000 120.000


VPL = 150.000 + +
(1 + 0,12)1 (1 + 0,12)2 (1 + 0,12)3

VPL = 4.318,51 .
Verica-se, portanto, que o investimento B no lucrativo. O investimento A , portanto, o mais
atrativo.
Esse exemplo mostra como calcular o VPL de um ou mais investimentos e, a partir da, determinar
qual deles mais atrativo. Porm, muitas vezes, os recursos disponveis so limitados, de modo que, para
a escolha de um ou mais projetos de investimentos, deve ser utilizado um modelo de programao linear
ou programao binria.

Exemplo 2.7
Um fazendeiro est considerando cinco tipos de investimentos em atividades de cultura (soja, mandioca,
milho, trigo e feijo) em sua nova fazenda, que possui rea total disponvel de 1.000 hectares. Cada
atividade de cultura exige investimentos de capital que geraro benefcios futuros. O investimento inicial
e as contas a pagar nos prximos trs anos, para cada atividade de cultura, esto especicados na Tabela
2.5. O retorno esperado nos prximos trs anos, para cada investimento de cultura, est especicado na
Tabela 2.6. O fazendeiro possui limitao de recursos a serem investidos em cada perodo (ltima coluna
da Tabela 2.5) e espera um uxo mnimo de entrada em cada perodo (ltima coluna da Tabela 2.6). A taxa
de juros, para cada atividade de cultura, de 10% a.a. A partir da rea total disponvel para investimento,
o fazendeiro quer determinar quanto investir em cada cultura (em hectares), de forma a maximizar o VPL
do conjunto de projetos de investimento em anlise, respeitando os uxos mnimo de entrada e mximo
de sada em cada perodo. Formule o problema de programao linear do fazendeiro.

Tabela 2.5 Fluxo de caixa de sada em cada ano


Investim. inicial/contas a pagar em cada ano (R$ mil por hectare) Fluxo mximo
Ano de sada (R$ mil)
Soja Mandioca Milho Trigo Feijo
0 5,00 4,00 3,50 3,50 3,00 3.800,00
1 1,00 1,00 0,50 1,50 0,50 3.500,00
2 1,20 0,50 0,50 0,50 1,00 3.200,00
3 0,80 0,50 1,00 0,50 0,50 2.500,00

35
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 2.6 Fluxo de caixa de entrada em cada ano


Retorno esperado em cada ano (R$ mil por hectare) Fluxo mnimo de
Ano entrada (R$ mil)
Soja Mandioca Milho Trigo Feijo
1 5,00 4,20 2,20 6,60 3,00 6.000,00
2 7,70 6,50 3,70 8,00 3,50 5.000,00
3 7,90 7,20 2,90 6,10 4,10 6.500,00

Soluo

Primeiramente, denem-se as variveis de deciso do modelo:


xj = rea total (em hectares) a ser investida para a cultura da atividade j, j = 1, 2,...,5.
Assim, tem-se:

x1 = rea total (em hectares) a ser investida para a cultura de soja.


x2 = rea total (em hectares) a ser investida para a cultura de mandioca.
x3 = rea total (em hectares) a ser investida para a cultura de milho.
x4 = rea total (em hectares) a ser investida para a cultura de trigo.
x5 = rea total (em hectares) a ser investida para a cultura de feijo.

A funo objetivo do modelo busca maximizar o VPL (R$ mil) do conjunto de investimentos em
atividades de cultura sob anlise, isto , o somatrio do VPL de cada atividade de cultura (R$ mil/hectare)
multiplicado pela rea total a ser investida para a respectiva cultura (hectares). O clculo do VPL da
cultura da soja (R$ mil/hectare), de acordo com a expresso 2.13, est detalhado a seguir:

Cultura da soja (R$ mil por hectare)

5,0 7,7 7,9 1,0 1,2 0,8


VPL = 1
+ 2
+ 3
5,0
(1 + 0,10) (1 + 0,10) (1 + 0,10) (1 + 0,10) (1 + 0,10) (1 + 0,10)3
1 2

VPL = 9,343 (R$9.342,60/hectare)

O clculo do VPL das demais atividades de cultura, considerando o mesmo procedimento, est
listado na Tabela 2.7.

Tabela 2.7 Valor presente lquido (VPL) de cada atividade de cultura


Valor Presente Lquido VPL (R$ mil por hectare)
Soja Mandioca Milho Trigo Feijo
9,343 8,902 2,118 11,542 4,044

Assim, a funo objetivo z pode ser descrita da seguinte forma:


Fobj = max z = 9,343x1 + 8,902x2 + 2,118x3 + 11,542x4 + 4,044x5

As restries de uxo mximo e mnimo de recursos em cada ano, alm da rea total disponvel,
devem ser consideradas e esto detalhadas a seguir.
1. Capacidade mxima disponvel (hectares) para as atividades de cultura:
x1 + x2 + x3 + x4 + x5 d 1.000

36
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

2. Fluxo mnimo de entrada para cada ano (R$ mil):


5,0x1 + 4,2x2 + 2,2x3 + 6,6x4 + 3,0x5 t 6.000 (1o ano)
7,7x1 + 6,5x2 + 3,7x3 + 8,0x4 + 3,5x5 t 5.000 (2o ano)
7,9x1 + 7,2x2 + 2,9x3 + 6,1x4 + 4,1x5 t 6.500 (3o ano)

3. Fluxo mximo de sada para cada ano (R$ mil):


5,0x1 + 4,0x2 + 3,5x3 + 3,5x4 + 3,0x5 d 3.800 (investimento inicial)
1,0x1 + 1,0x2 + 0,5x3 + 1,5x4 + 0,5x5 d 3.500 (1o ano)
1,2x1 + 0,5x2 + 0,5x3 + 0,5x4 + 1,0x5 d 3.200 (2o ano)
0,8x1 + 0,5x2 + 1,0x3 + 0,5x4 + 0,5x5 d 2.500 (3o ano)

4. Restries de no negatividade das variveis de deciso:


xj t 0, j = 1, 2,..., 5.

O modelo completo pode ser formulado da seguinte forma:


max z = 9,343x1 + 8,902x2 + 2,118x3 + 11,542x4 + 4,044x5
sujeito a:
x1 + x2 + x3 + x4 + x5 d 1.000
5,0x1 + 4,2x2 + 2,2x3 + 6,6x4 + 3,0x5 t 6.000
7,7x1 + 6,5x2 + 3,7x3 + 8,0x4 + 3,5x5 t 5.000
7,9x1 + 7,2x2 + 2,9x3 + 6,1x4 + 4,1x5 t 6.500
5,0x1 + 4,0x2 + 3,5x3 + 3,5x4 + 3,0x5 d 3.800
1,0x1 + 1,0x2 + 0,5x3 + 1,5x4 + 0,5x5 d 3.500
1,2x1 + 0,5x2 + 0,5x3 + 0,5x4 + 1,0x5 d 3.200
0,8x1 + 0,5x2 + 1,0x3 + 0,5x4 + 0,5x5 d 2.500
xj t 0, j = 1, 2,...,5

A soluo tima do modelo de programao linear x1 = 173,33 (hectares para soja), x2 = 80 (hectares
para mandioca), x3 = 0 (hectares para milho), x4 = 746,67 (hectares para trigo), x5 = 0 (hectares para
feijo) com z = 10.949,59 (R$10.949.000,59).
Esse exemplo utilizou um modelo de programao linear para a soluo do respectivo problema
de oramento de capital. Porm, muitas vezes, busca-se analisar, dado um conjunto de alternativas de
projetos de investimento, qual projeto i vai ser aprovado (xi = 1) ou rejeitado (xi = 0), recaindo em um
problema de programao binria (PB), j que as variveis de deciso so binrias. Este ltimo caso ser
visto no Captulo 6.

2.5.5 Problema de Seleo de Carteiras de Investimentos


Markowitz (1952) desenvolveu um modelo matemtico de otimizao de carteiras que busca escolher,
entre um conjunto de investimentos nanceiros, a melhor combinao que maximiza o retorno esperado
da carteira e minimiza seu risco. O modelo recai em um problema de programao quadrtica que busca
encontrar a fronteira eciente da carteira. Os riscos da carteira so medidos por meio da varincia do
retorno dos ativos, calculado como a soma das varincias individuais de cada ativo e das covarincias
entre os pares de ativos.
Sharpe (1964) props um modelo simplicado de otimizao de carteiras com o objetivo de facilitar
o clculo da matriz de covarincia. Semelhante ao modelo de Markowitz, o modelo de Sharpe tambm
busca determinar a composio tima da carteira que trar o maior retorno possvel com menor risco.

37
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

O modelo de Markowitz exige o clculo extensivo da matriz de covarincia, sendo assim de alta
complexidade computacional. De forma a facilitar a sua aplicao, modelos alternativos ao modelo
original de Markowitz tm sido propostos.
Partindo da teoria de Markowitz (1952) e Sharpe (1964), pode-se elaborar um modelo de programao
linear que determina a composio tima da carteira de investimentos que minimiza o risco do portflio,
sujeito a um nvel de retorno esperado. Analogamente, pode-se buscar a melhor composio da carteira
que maximiza o retorno esperado do portflio, sujeito ao atendimento de um nvel mnimo desse valor
e a um risco mximo permitido.

Modelo 1 Maximizao do Retorno Esperado de uma Carteira de Investimentos

Um modelo de programao linear que maximiza o retorno esperado de uma carteira de investimen-
tos, sujeito ao atendimento de um nvel mnimo de seu valor e a um dado risco, proposto a seguir.

Parmetros do modelo

E(R) = retorno esperado da carteira de investimento


Pj = retorno esperado do ativo j, j = 1,...,n
U = nvel mnimo requerido pelo investidor em relao ao retorno esperado da carteira
xmax
j = percentual mximo permitido do ativo j a ser alocado na carteira, j = 1,...,n
Vj = desvio-padro do ativo j, j = 1,...,n
= desvio-padro ou risco mdio da carteira

Variveis de deciso

xj = percentual do ativo j alocado na carteira, j = 1,...,n

Formulao geral

n
max E( R) = j x j
j =1

sujeito a:
n

x
j =1
j =1 (1)

x
j =1
j j (2)

x j xmax , j = 1,..., n (3) (2.14)


j
n

x
j =1
j j (4)

xj 0 , j = 1,..., n (5)

38
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

A funo objetivo do modelo busca maximizar o retorno mdio de uma carteira de investimentos
com n ativos nanceiros.
A restrio 1 garante que todo o capital ser investido.
A restrio 2 garante que o retorno mdio da carteira atingir o limite mnimo requerido pelo
investidor no valor de U.
A restrio 3 arma que o percentual do ativo i alocado na carteira no pode ultrapassar xmax
j , a m de
diversicar a carteira e minimizar seu risco. importante mencionar que alguns modelos de maximizao
do retorno esperado no consideram essa restrio.
Uma alternativa restrio 3 pode ser representada pela inequao 4, que garante que o risco mdio
da carteira no pode ultrapassar o valor . Os riscos de cada ativo e da carteira so medidos pelo desvio-
padro.
Finalmente, as variveis de deciso devem atender condio de no negatividade.

Modelo 2 Minimizao do Risco de uma Carteira de Investimentos

Uma alternativa ao modelo de Markowitz foi proposta por Konno e Yamazaki (1991), que
introduziram, como medida de risco, o desvio absoluto mdio (Mean Absolute Deviation MAD). O
modelo que minimiza o MAD est denido a seguir.

Parmetros do modelo

MAD = desvio absoluto mdio da carteira


rjt = retorno do ativo j no perodo t, j = 1,...,n; t = 1,...,T
Pj = retorno esperado do ativo j, j = 1,...,n
U = nvel mnimo requerido pelo investidor em relao ao retorno esperado da carteira
xmax
j = percentual mximo permitido do ativo j a ser alocado na carteira, j = 1,...,n

Variveis de deciso

xj = percentual do ativo j alocado na carteira, j = 1,...,n.

Formulao geral

1 T n
min MAD = (
rjt j x j
T t=1 j =1
)
sujeito a
n

x
j =1
j =1 (1)

x
j =1
j j (2) (2.15)

0 x j xmax
j , j = 1,..., n (3)

39
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A funo objetivo do modelo busca minimizar o desvio absoluto mdio da carteira.


A restrio 1 garante que todo o capital ser investido.
A restrio 2 garante que o retorno mdio da carteira atingir o limite mnimo requerido pelo
investidor no valor de U.
A restrio 3 arma que o percentual positivo do ativo i alocado na carteira no pode ultrapassar
max
xj .

Exemplo 2.8
O investidor Paulo Souza opera diariamente no home broker da corretora Forinvest. Paulo deseja selecionar
uma nova carteira de investimentos que maximiza seu retorno esperado com um nvel de risco assumido.
A partir de uma anlise histrica das principais aes do Ibovespa, o analista nanceiro da corretora
selecionou um conjunto de 10 aes que poderiam compor a carteira de Paulo, conforme mostra o Quadro
2.1. O analista nanceiro buscou selecionar um conjunto de aes provenientes de diferentes setores,
escolhidas de acordo com as preferncias de Paulo. A Tabela 2.8 apresenta o histrico parcial do retorno
dirio de cada uma das aes do perodo de 14/1/2009 a 13/1/2010. Os dados foram coletados do site
http://economia.uol.com.br/cotacoes/, e o histrico completo pode ser encontrado diretamente no
arquivo Forinvest.xls.
A m de diversicar sua carteira e, consequentemente, minimizar o risco do portflio, o analista nanceiro
da corretora aconselhou Paulo a investir, no mximo, 30% em cada uma das aes. Alm disso, o risco da
carteira, medido por meio do desvio-padro, no poderia ultrapassar o valor de 2,5%. Formular o modelo
de programao linear que maximiza o retorno esperado da carteira de Paulo.

Quadro 2.1 Aes que podem compor a carteira de Paulo


Aes Cdigo
1 Banco Brasil ON BBAS3
2 Bradesco PN BBDC4
3 Eletrobrs PNB ELET6
4 Gerdau PN GGBR4
5 Itausa PN ITSA4
6 Petrobras PN PETR4
7 Sid Nacional ON CSNA3
8 Telemar PN TNLP4
9 Usiminas PNA USIM5
10 Vale PNA VALE5

Tabela 2.8 Histrico parcial do retorno dirio dos ativos do perodo de 14/1/2009 a 13/1/2010
Retorno Retorno Retorno Retorno Retorno Retorno Retorno Retorno Retorno Retorno
Data
BBAS3 BBDC4 ELET6 GGBR4 ITSA4 PETR4 CSNA3 TNLP4 USIM5 VALE5
14/1/2009 6,74% 6,04% 1,47% 4,48% 6,50% 2,71% 2,06% 3,19% 4,40% 3,93%
15/1/2009 6,31% 3,05% 4,23% 5,00% 2,14% 3,43% 4,34% 0,22% 3,42% 2,72%
16/1/2009 4,00% 2,08% 1,47% 1,67% 3,27% 0,75% 2,45% 2,19% 3,06% 0,76%
19/1/2009 0,28% 0,14% 3,66% 1,64% 0,81% 1,85% 1,01% 1,29% 0,63% 0,79%
20/1/2009 6,86% 5,28% 3,79% 4,76% 5,50% 3,23% 6,66% 0,11% 4,87% 4,13%

40
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

Retorno Retorno Retorno Retorno Retorno Retorno Retorno Retorno Retorno Retorno
Data
BBAS3 BBDC4 ELET6 GGBR4 ITSA4 PETR4 CSNA3 TNLP4 USIM5 VALE5
21/1/2009 2,23% 4,87% 2,96% 3,25% 3,69% 5,20% 7,05% 0,97% 3,89% 2,65%
22/1/2009 1,45% 0,90% 1,04% 4,12% 2,47% 2,56% 0,92% 0,07% 0,41% 0,46%
23/1/2009 1,85% 1,05% 1,17% 1,77% 2,39% 0,21% 2,82% 3,67% 4,13% 1,74%
26/1/2009 6,09% 0,14% 1,39% 0,90% 0,82% 0,89% 1,42% 3,75% 2,90% 2,47%
27/1/2009 1,70% 1,94% 1,21% 3,44% 1,38% 0,42% 2,34% 0,14% 0,40% 3,64%
28/1/2009 2,51% 4,63% 0,41% 1,32% 5,89% 5,44% 3,52% 1,72% 5,40% 5,16%
29/1/2009 3,81% 3,00% 0,12% 1,11% 2,52% 0,67% 2,56% 1,86% 0,41% 2,96%
30/1/2009 0,35% 1,19% 0,89% 1,05% 0,54% 0,08% 2,60% 0,86% 1,16% 1,72%
2/2/2009 3,10% 2,64% 2,54% 1,20% 3,01% 1,36% 0,06% 1,01% 2,60% 0,93%
3/2/2009 3,05% 0,35% 0,13% 4,98% 0,42% 3,60% 3,24% 0,99% 0,71% 4,50%
4/2/2009 1,55% 2,96% 0,21% 4,68% 1,54% 0,47% 3,25% 5,72% 5,26% 3,62%
5/2/2009 3,15% 3,35% 2,32% 1,96% 3,59% 1,17% 3,28% 2,96% 3,66% 4,33%
6/2/2009 1,25% 4,77% 2,27% 4,15% 7,20% 4,23% 3,74% 7,72% 3,63% 3,60%
9/2/2009 1,92% 0,18% 0,00% 2,77% 2,11% 1,07% 2,79% 1,00% 4,56% 2,96%
10/2/2009 1,12% 2,65% 1,21% 5,64% 2,16% 1,24% 3,28% 1,88% 3,44% 2,00%
11/2/2009 1,34% 1,68% 0,36% 0,13% 1,04% 0,55% 2,70% 4,94% 2,81% 1,94%
12/2/2009 2,65% 2,76% 1,40% 2,95% 0,13% 0,41% 3,21% 4,05% 1,64% 1,62%
13/2/2009 2,01% 3,35% 0,77% 3,04% 2,62% 3,02% 4,24% 0,35% 3,19% 2,99%
16/2/2009 0,63% 0,53% 1,21% 1,07% 0,64% 1,16% 1,05% 1,33% 1,24% 0,75%
17/2/2009 3,47% 4,01% 3,98% 5,40% 6,22% 5,44% 4,37% 1,69% 4,49% 6,02%
18/2/2009 1,03% 0,56% 1,45% 1,34% 0,14% 1,93% 3,79% 1,79% 1,28% 1,89%
19/2/2009 2,15% 1,15% 1,59% 2,11% 3,11% 1,58% 0,87% 2,07% 0,14% 0,61%
20/2/2009 1,11% 4,16% 0,17% 6,32% 1,81% 1,98% 1,58% 1,01% 2,74% 6,68%
25/2/2009 1,91% 2,39% 2,33% 2,82% 0,00% 1,82% 4,90% 1,98% 2,93% 4,64%
26/2/2009 0,79% 0,71% 0,85% 2,44% 1,28% 1,03% 0,72% 1,61% 0,08% 0,19%
27/2/2009 1,14% 2,13% 2,28% 0,94% 0,84% 0,45% 1,35% 1,09% 0,99% 1,02%
2/3/2009 5,42% 3,77% 4,08% 6,00% 7,09% 5,23% 7,21% 4,89% 5,51% 5,89%
3/3/2009 1,37% 0,45% 1,33% 1,35% 0,76% 0,88% 4,85% 1,06% 0,41% 2,18%
4/3/2009 4,29% 5,20% 1,26% 6,57% 6,92% 6,33% 9,15% 2,15% 8,13% 9,69%
5/3/2009 3,90% 2,11% 1,55% 6,32% 0,72% 1,40% 6,28% 1,75% 6,17% 3,89%
6/3/2009 1,95% 2,30% 0,39% 4,33% 1,16% 1,27% 0,58% 2,21% 0,65% 2,32%
9/3/2009 0,88% 2,87% 0,92% 1,48% 2,29% 0,12% 1,03% 0,42% 4,24% 3,01%
10/3/2009 4,31% 6,02% 4,35% 4,33% 8,85% 5,33% 7,82% 5,26% 6,23% 6,21%
11/3/2009 0,71% 0,88% 3,75% 0,85% 0,70% 0,52% 0,60% 1,23% 0,49% 0,40%
12/3/2009 1,20% 2,63% 0,39% 1,26% 4,46% 1,25% 1,22% 3,56% 0,33% 1,38%
13/3/2009 2,03% 0,73% 0,09% 3,15% 0,53% 0,54% 2,88% 3,34% 0,08% 1,85%
16/3/2009 0,27% 0,55% 1,22% 2,74% 0,13% 1,84% 1,79% 1,15% 3,67% 0,41%
17/3/2009 2,96% 1,74% 4,62% 1,32% 2,55% 2,91% 0,44% 5,26% 1,27% 1,27%
18/3/2009 3,54% 1,94% 2,02% 1,88% 3,53% 1,14% 5,17% 1,26% 0,86% 0,33%
19/3/2009 1,87% 3,18% 1,89% 0,35% 0,13% 3,36% 1,64% 1,12% 6,38% 1,26%
20/3/2009 1,90% 1,83% 1,60% 0,96% 1,90% 0,51% 0,88% 2,12% 3,04% 0,73%
23/3/2009 7,10% 7,39% 1,11% 5,54% 9,29% 6,05% 7,22% 6,16% 6,13% 4,80%
24/3/2009 2,71% 2,12% 1,27% 0,49% 3,90% 1,65% 2,26% 0,33% 1,24% 3,42%
25/3/2009 0,13% 0,84% 0,42% 5,11% 0,49% 0,26% 0,77% 0,92% 2,96% 0,91%
26/3/2009 3,31% 2,85% 3,53% 7,37% 2,47% 0,20% 1,78% 2,42% 6,94% 2,24%
27/3/2009 2,84% 0,55% 1,20% 2,34% 0,48% 2,54% 0,55% 2,17% 0,74% 1,80%
30/3/2009 1,76% 3,14% 1,01% 6,28% 3,27% 2,77% 2,84% 2,06% 6,01% 4,07%
31/3/2009 1,02% 1,14% 2,79% 2,87% 0,25% 0,80% 2,66% 5,01% 4,80% 0,34%
1/4/2009 5,28% 2,94% 2,47% 4,03% 0,88% 2,98% 3,20% 0,62% 1,66% 1,12%

41
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Soluo

Primeiramente, calculou-se o retorno mdio e o desvio-padro dos retornos dirios de cada


investimento, no perodo de 14/1/2009 a 13/1/2010, conforme mostra a Tabela 2.9.

Tabela 2.9 Retorno mdio e desvio-padro de cada ao para o perodo analisado


BBAS3 BBDC4 ELET6 GGBR4 ITSA4 PETR4 CSNA3 TNLP4 USIM5 VALE5
Retorno mdio 0,37% 0,24% 0,14% 0,30% 0,24% 0,19% 0,28% 0,18% 0,25% 0,24%
Desvio-padro 2,48% 2,16% 1,95% 2,93% 2,40% 2,00% 2,63% 2,14% 2,73% 2,47%

O segundo passo consiste em denir as variveis de deciso do modelo:


xj = porcentagem da ao j a ser alocada na carteira, j = 1,...,10.
Assim, tem-se:
x1 = porcentagem da ao BBAS3 a ser alocada na carteira.
x2 = porcentagem da ao BBDC4 a ser alocada na carteira.
x3 = porcentagem da ao ELET6 a ser alocada na carteira.
x4 = porcentagem da ao GGBR4 a ser alocada na carteira.
x5 = porcentagem da ao ITSA4 a ser alocada na carteira.
x6 = porcentagem da ao PETR4 a ser alocada na carteira.
x7 = porcentagem da ao CSNA3 a ser alocada na carteira.
x8 = porcentagem da ao TNLP4 a ser alocada na carteira.
x9 = porcentagem da ao USIM5 a ser alocada na carteira.
x10 = porcentagem da ao VALE5 a ser alocada na carteira.

A funo objetivo do modelo busca maximizar o retorno esperado do portflio de Paulo no perodo
de 14/1/2009 a 13/1/2010. Logo, a funo objetivo pode ser expressa como:
Fobj = max z = 0,0037x1 + 0,0024x2 + 0,0014x3 + 0,0030x4 + 0,0024x5 + 0,0019x6 +
+ 0,0028x7 + 0,0018x8 + 0,0025x9 + 0,0024x10

As restries do modelo so descritas a seguir.


1. A primeira restrio garante que 100% do capital ser investido, isto , a soma das composies das
aes igual a 1:
x1 + x2 + ... + x10 = 1

2. A restrio 2 arma que a porcentagem mxima a ser aplicada em cada ao 30% do capital total
investido:
x1, x2, ... , x10 d 0,30

3. A restrio 3 garante que o risco da carteira, para o perodo analisado de 14/1/2009 a 13/1/2010, no
ultrapassar o risco mximo estipulado de 2,5%:
0,0248x1 + 0,0216x2 + ... + 0,0247x10 d 0,0250

4. Finalmente, as condies de no negatividade das variveis de deciso devem ser atendidas:


x1, x2, ..., x10 t 0

42
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

O modelo completo pode ser formulado como:


max E(R) = 0,0037x1 + 0,0024x2 + 0,0014x3 + 0,0030x4 + 0,0024x5 + 0,0019x6 + 0,0028x7 +
0,0018x8 + 0,0025x9 + 0,0024x10
sujeito a:
x1 + x2 + ... + x10 = 1 (1)
x1, x2, ..., x10 d 0,30 (2)
0,0248x1 + 0,0216x2 + ... + 0,0247x10 d 0,0250 (3)
x1, x2, ..., x10 t 0 (4)

A soluo tima do modelo de programao linear x1 = 30% (Banco do Brasil ON BBAS3),


x2 = 30% (Bradesco PN BBDC4), x4 = 18,17% (Gerdau PN GGBR4), x7 = 21,83% (Sid Nacional ON
CSNA3) e x3, x5, x6, x8, x9, x10 = 0 com z = 0,3% (retorno mdio dirio de 0,3%).

Exemplo 2.9
Considere o mesmo problema de otimizao de carteiras do investidor Paulo Souza descrito no Exemplo
2.8. Busca-se, nesse caso, em vez de maximizar o retorno esperado, minimizar o desvio absoluto mdio
(MAD mean absolute deviation) da carteira. Diferentemente do exemplo anterior, em vez de considerar
a restrio de risco mximo permitido, considera-se um limite mnimo de retorno dirio esperado da
carteira no valor de 0,15%. Analogamente ao exemplo anterior, deve-se investir, no mximo, 30% do
capital total em cada ativo. Considerar os mesmos ativos (Tabela 2.8) e o mesmo histrico de retorno
dirio (Tabela 2.9) do exemplo anterior (ver arquivo Forinvest.xls). Formule o problema de programao
linear que minimiza o MAD da carteira.

Soluo

Primeiramente, deve-se calcular o MAD de cada ativo da carteira.


Consideraremos a primeira ao (BBAS3). O passo inicial consiste em calcular o desvio absoluto em
cada perodo. Conforme calculado no Exemplo 2.8, tem-se que o retorno mdio da ao BBAS3, no perodo
de 14/1/2009 a 13/1/2010, 0,37%. Como o retorno do primeiro dia (14/1/2009) 6,74%, conclumos
que r1,1 1 = 0,0674 0,0037 = 0,0711. J para o dia 2, tem-se que r1,2 1 = 0,0631 0,0037 = 0,0594.
Faz-se o mesmo procedimento para os demais dias. Para o ltimo dia (13/1/2010), tem-se que
r1,247 1 = 0,0128 0,0037 = 0,0091. O segundo passo consiste em calcular o desvio absoluto mdio de
BBAS3, isto , a mdia aritmtica dos desvios absolutos de cada perodo:

1
( 0,0711 + 0,0594 + L + 0,0091) = 0,0187
247

Repete-se o mesmo procedimento para as demais aes. A Tabela 2.10 apresenta o desvio absoluto
mdio de cada ativo.

43
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 2.10 Desvio absoluto mdio de cada ao


BBAS3 BBDC4 ELET6 GGBR4 ITSA4 PETR4 CSNA3 TNLP4 USIM5 VALE5
MAD 1,87% 1,65% 1,47% 2,28% 1,69% 1,50% 1,99% 1,66% 2,11% 1,79%

A funo objetivo busca minimizar o MAD da carteira, podendo ser escrita como:
Fobj = min MAD = 0,0187x1 + 0,0165x2 + 0,0147x3 + 0,0228x4 + 0,0169x5 + 0,0150x6
+ 0,0199x7 + 0,0166x8 + 0,0211x9 + 0,0179x10

A restrio de que o retorno mdio dirio da carteira deve respeitar o limite mnimo requerido pelo
investidor deve ser considerada:
0,0037x1 + 0,0024x2 + ... + 0,0024x10 t 0,0015

O modelo completo pode ser formulado como:


min MAD = 0,0187x1 + 0,0165x2 + 0,0147x3 + 0,0228x4 + 0,0169x5 + 0,0150x6 +
+ 0,0199x7 + 0,0166x8 + 0,0211x9 + 0,0179x10
sujeito a
x1 + x2 + ... + x10 = 1 (1)
0,0037x1 + 0,0024x2 + ... + 0,0024x10 t 0,0015 (2)
0 d x1, x2, ... , x10 d 0,30 (3)

A soluo tima do modelo de programao linear x2 = 30% (Bradesco PN BBDC4), x3 = 30%


(Eletrobrs PNB ELET6), x6 = 30% (Petrobras PN PETR4), x8 = 10% (Telemar PN TNLP4) e x1, x4, x5,
x7, x9, x10 = 0 com z = 1,55% (desvio absoluto mdio da carteira).

2.5.6 Problema de Produo e Estoque


Consideraremos nesta seo um modelo de programao linear que integra decises de produo e
estoque. O horizonte de tempo pode ser de curto, mdio ou longo prazo.
Um modelo geral de programao linear para o problema de produo e estoque, baseado em Taha
(2007), Ahuja et al. (2007) e Lachtermacher (2009), ser apresentado a seguir, para um caso com m
produtos (i = 1,...,m) e com um horizonte de tempo de T perodos (t = 1,...,T).

Parmetros do modelo

Dit = demanda do produto i no perodo t


cit = custo unitrio de produo do produto i no perodo t
iit = custo unitrio de estocagem do produto i no perodo t
xitmax = capacidade mxima de produo do produto i no perodo t

Iitmax = capacidade mxima de armazenagem do produto i no perodo t

Variveis de deciso

xit = quantidade do produto i a ser produzido no perodo t


Iit = estoque nal do produto i no perodo t

44
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

Formulao geral

T m
min z = ( cit xit + iit Iit )
t =1 i =1

sujeito a
Iit = Ii ,t1 + xit Dit , i = 1,..., m; t = 1,..., T (1)
xit x max
it , i = 1,..., m; t = 1,..., T (2) (2.16)
Iit I max
it , i = 1,..., m; t = 1,..., T (3)
xit , Iit 0 i = 1,..., m; t = 1,..., T (4)

A funo objetivo do modelo busca minimizar, para um horizonte de T perodos, a soma dos custos
de produo e manuteno de estoques.
A restrio 1 representa, para cada produto, a equao de balanceamento dos estoques, isto , o
estoque nal no perodo t igual ao estoque nal no perodo anterior, somado ao total produzido no
mesmo perodo, subtrada a demanda do perodo atual. Dessa forma, para que a demanda do produto
i seja atendida no perodo t, o nvel de estoque do mesmo produto no perodo anterior, somado ao que
foi produzido no mesmo perodo, deve ser maior ou igual demanda. Essa condio est implcita no
modelo, j que a varivel de deciso Iit s pode assumir valores no negativos.
A restrio 2 garante que a capacidade mxima de produo no ser excedida.
J a restrio 3 garante que a capacidade mxima de armazenagem no ser excedida.
Finalmente, as condies de no negatividade das variveis de deciso do modelo tambm devem
ser atendidas. Analogamente ao problema do mix de produo, quando as variveis de deciso s podem
assumir valores inteiros (fabricao e estoque de produtos que no podem ser fracionrios, como carros,
eletrodomsticos, eletroeletrnicos etc.), tem-se um problema de programao inteira (PI).

Exemplo 2.10
A empresa Fenix&Mveis est lanando sua nova coleo de sofs e poltronas para o prximo semestre,
que inclui sof de dois lugares, trs lugares, sof-cama, poltrona e puff. A Tabela 2.11 apresenta os dados
de custos e capacidades de produo e armazenagem de cada produto que so constantes para todos os
perodos. A demanda de cada produto para o prximo semestre est listada na Tabela 2.12. O estoque
inicial para todos os produtos de 200 unidades. Determine o planejamento timo de produo e controle
de estoques que minimize os custos totais de produo e estoque, atenda a demanda pretendida e respeite
os limites de capacidades de produo e estoque.

Tabela 2.11 Custos e capacidades de produo e armazenagem para cada produto


Sof 2 lugares Sof 3 lugares Sof-cama Poltrona Puff
Custo de produo (R$/unidade) 320 440 530 66 48
Custo de armazenagem (R$/unidade) 8 8 9 3 3
Capacidade de produo (unidades) 1.800 1.600 1.500 2.000 2.000
Capacidade de armazenagem (unidades) 20.000 18.000 15.000 22.000 22.000

45
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 2.12 Demanda por produto e perodo


jan. fev. mar. abr. mai. jun.
Sof 2 lugares 1.200 1.250 1.400 1.860 2.000 1.700
Sof 3 lugares 1.250 1.430 1.650 1.700 1.450 1.500
Sof-cama 1.400 1.500 1.200 1.350 1.600 1.450
Poltrona 1.800 1.750 2.100 2.000 1.850 1.630
Puff 1.850 1.700 2.050 1.950 2.050 1.740

Soluo

A formulao matemtica do Exemplo 2.10 semelhante formulao geral para o problema de


produo e estoque apresentada na expresso (2.16). O modelo completo est denido a seguir.
Primeiramente, denem-se as variveis de deciso do modelo:
xit = quantidade do mvel i a ser produzido no ms t (unidades), i = 1,...,5, t = 1,...,6
Iit = estoque nal do mvel i no ms t (unidades), i = 1,...,5, t = 1,...,6

Assim, tem-se que:


x11 = quantidade de sofs de dois lugares a serem produzidos em janeiro.

x16 = quantidade de sofs de dois lugares a serem produzidos em junho.

x21 = quantidade de sofs de trs lugares a serem produzidos em janeiro.

x26 = quantidade de sofs de trs lugares a serem produzidos em junho.

x31 = quantidade de sofs-cama a serem produzidos em janeiro.

x36 = quantidade de sofs-cama a serem produzidos em junho.

x41 = quantidade de poltronas a serem produzidas em janeiro.

x46 = quantidade de poltronas a serem produzidas em junho.

x51 = quantidade de puffs a serem produzidos em janeiro.

x56 = quantidade de puffs a serem produzidos em junho.

I11 = estoque nal de sofs de dois lugares em janeiro.

I16 = estoque nal de sofs de dois lugares em junho.

I21 = estoque nal de sofs de trs lugares em janeiro.

I26 = estoque nal de sofs de trs lugares em junho.

I31 = estoque nal de sofs-cama em janeiro.

I36 = estoque nal de sofs-cama em junho.

46
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

I41 = estoque nal de poltronas em janeiro.

I46 = estoque nal de poltronas em junho.

I51 = estoque nal de puffs em janeiro.

I56 = estoque nal de puffs em junho.

Como as variveis de deciso so discretas, estamos diante de um problema de programao inteira


(PI). Por sorte, neste problema, as restries de integralidade podem ser relaxadas ou eliminadas, j que a
soluo tima do problema relaxado ainda satisfaz as condies de integralidade. Assim, a formulao do
problema ser apresentada como um modelo de programao linear (PL).
A funo objetivo pode ser escrita como:
min z = 320(x11 + x12 + x13 + x14 + x15 + x16) + 8(I11 + I12 + I13 + I14 + I15 + I16) +
440(x21 + x22 + x23 + x24 + x25 + x26) + 8(I21 + I22 + I23 + I24 + I25 + I26) +
530(x31 + x32 + x33 + x34 + x35 + x36) + 9(I31 + I32 + I33 + I34 + I35 + I36) +
66(x41 + x42 + x43 + x44 + x45 + x46) + 3(I41 + I42 + I43 + I44 + I45 + I46) +
48(x51 + x52 + x53 + x54 + x55 + x56) + 3(I51 + I52 + I53 + I54 + I54 + I56)

As restries do modelo so descritas a seguir.


1. Equaes de balanceamento dos estoques, para cada mvel i (i = 1,...,5), em cada ms t (t = 1,...,6):
I11 = 200 + x11 1.200
I12 = I11 + x12 1.250
I13 = I12 + x13 1.400
I14 = I13 + x14 1.860
I15 = I14 + x15 2.000
I16 = I15 + x16 1.700

I21 = 200 + x21 1.250


I22 = I21 + x22 1.430
I23 = I22 + x23 1.650
I24 = I23 + x24 1.700
I25 = I24 + x25 1.450
I26 = I25 + x26 1.500

I31 = 200 + x31 1.400


I32 = I31 + x32 1.500
I33 = I32 + x33 1.200
I34 = I33 + x34 1.350
I35 = I34 + x35 1.600
I36 = I35 + x36 1.450

I41 = 200 + x41 1.800


I42 = I41 + x42 1.750
I43 = I42 + x43 2.100
I44 = I43 + x44 2.000
I45 = I44 + x45 1.850
I46 = I45 + x46 1.630

47
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

I51 = 200 + x51 1.850


I52 = I51 + x52 1.700
I53 = I52 + x53 2.050
I54 = I53 + x54 1.950
I55 = I54 + x55 2.050
I56 = I55 + x56 1.740

2. Capacidade mxima de produo:


x11, x12, x13, x14, x15, x16 d 1.800
x21, x22, x23, x24, x25, x26 d 1.600
x31, x32, x33, x34, x35, x36 d 1.500
x41, x42, x43, x44, x45, x46 d 2.000
x51, x52, x53, x54, x55, x56 d 2.000

3. Capacidade mxima de armazenagem:


I11, I12, I13, I14, I15, I16 d 20.000
I21, I22, I23, I24, I25, I26 d 18.000
I31, I32, I33, I34, I35, I36 d 15.000
I41, I42, I43, I44, I45, I46 d 22.000
I51, I52, I53, I54, I55, I56 d 22.000

4. Restries de no negatividade:
xit, Iit t 0 i = 1,...,5; t = 1,...,6

A soluo tima do modelo de produo e estoque est ilustrada na Tabela 2.13.

Tabela 2.13 Soluo tima do modelo de produo e estoque


Soluo jan. fev. mar. abr. mai. jun. z
x1t 1.000 1.250 1.660 1.800 1.800 1.700 R$ 12.472.680,00
x2t 1.050 1.580 1.600 1.600 1.450 1.500
x3t 1.200 1.500 1.200 1.450 1.500 1.450
x4t 1.600 1.850 2.000 2.000 1.850 1.630
x5t 1.650 1.750 2.000 2.000 2.000 1.740
I1t 0 0 260 200 0 0
I2t 0 150 100 0 0 0
I3t 0 0 0 100 0 0
I4t 0 100 0 0 0 0
I5t 0 50 0 50 0 0

2.5.7 Problema de Planejamento Agregado


O planejamento agregado estuda o balanceamento entre produo e demanda. O horizonte de tempo
considerado de mdio prazo. Para atender uma demanda utuante, a um custo mnimo, pode-se atuar

48
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

sobre os recursos da empresa (mo de obra, nvel de produo e estoque), pode-se inuenciar a demanda
ou buscar uma combinao entre as duas estratgias.
Como estratgias para inuenciar a demanda, tm-se: propagandas, promoes, desenvolvimento de
produtos alternativos etc. Como alternativas para inuenciar a produo, destacam-se:
i Controle do nvel de estoques
i Contratao e demisso de mo de obra
i Horas extras ou reduo da jornada de trabalho
i Subcontratao de mo de obra terceirizada
A maioria dos mtodos utilizados para resolver o problema de planejamento agregado considera a
demanda como um fator determinstico, atuando apenas sobre os recursos produtivos da empresa. Pode-
se utilizar o mtodo de tentativa e erro, buscando selecionar a melhor opo dentre um conjunto de
solues alternativas de produo ou um modelo de programao linear para determinar a soluo tima
do problema.
Os modelos de programao linear (PL) vm sendo bastante utilizados para a resoluo de
problemas de planejamento agregado, a m de encontrar a melhor combinao de recursos produtivos
que minimize os custos totais de mo de obra, produo e estoques. A funo objetivo pode minimizar,
para um horizonte de T perodos, a soma dos custos regulares de produo, custos de mo de obra regular,
custos de contratao e demisso de mo de obra, custos de horas extras, custos de estoque e/ou custos
de subcontratao de mo de obra. As restries esto relacionadas capacidade total de produo e
estocagem, alm da utilizao de mo de obra. O problema tambm pode ser caracterizado como um
modelo de programao no linear PNL (custos no lineares) ou de programao binria PB
(escolha entre n planos alternativos).
Buffa e Sarin (1987), Moreira (2006) e Silva Filho et al. (2009) apresentam um modelo geral de
programao linear para o problema do planejamento agregado. Uma formulao adaptada est detalhada
a seguir, para um horizonte de tempo de T perodos (t = 1,...,T).

Parmetros do modelo

Pt = produo total no perodo t


Dt = demanda no perodo t
rt = custo unitrio de produo (horas normais) no perodo t
het = custo unitrio de produo (horas extras) no perodo t
st = custo unitrio de produo subcontratada no perodo t
cft = custo de uma unidade adicional (horas normais) no perodo t com a contratao de funcionrios
do perodo t 1 para o perodo t
dft = custo de uma unidade cancelada no perodo t com a demisso de funcionrios do perodo t 1
para o perodo t
it = custo unitrio de manuteno do estoque do perodo t para o perodo t + 1
Itmax = capacidade mxima de armazenagem no perodo t (unidades)
Rtmax = capacidade mxima de produo em horas normais no perodo t (unidades)
HEtmax = capacidade mxima de produo em horas extras no perodo t (unidades)
Stmax = capacidade mxima de produo subcontratada no perodo t (unidades)

49
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Variveis de deciso

It = estoque nal no perodo t (unidades)


Rt = produo regular (horas normais) no perodo t (unidades)
HEt = produo em horas extras no perodo t (unidades)
St = produo com mo de obra subcontratada no perodo t (unidades)
CFt = produo adicional no perodo t com a contratao de funcionrios do perodo t 1 para o
perodo t (unidades)
DFt = produo cancelada no perodo t com a demisso de funcionrios do perodo t 1 para o
perodo t (unidades)

Formulao geral

T
min z = ( rt Rt + het HEt + stSt + cftCFt + dft DFt + it It )
t =1

sujeito a
It = It1 + Pt Dt (1)
Pt = Rt + HEt + St (2)
Rt = Rt1 + CFt DFt (3)
It Itmax (4)
(2.17)
Rt R max
t (5)
HEt HEtmax (6)
St S
max
t (7)
Rt , HEt , St , CFt , DFt , It 0 para t = 1,..., T (8)

A funo objetivo do modelo, para um horizonte de T perodos, busca minimizar a soma dos custos
regulares de produo, custos de produo em horas extras, custos de subcontratao de mo de obra,
custos de produo relacionados contratao e demisso de mo de obra, alm dos custos de manuteno
de estoques.
A equao 1 da expresso 2.17 arma que o estoque nal no perodo t igual ao estoque nal do
perodo anterior, somado ao total produzido no mesmo perodo, subtrada a demanda do perodo atual.
A capacidade de produo est especicada na equao 2 da expresso 2.17 como a soma do total
produzido regularmente no perodo t, da produo em horas extras e do total de unidades subcontratadas
para o mesmo perodo.
A equao 3 da expresso 2.17 arma que o total de unidades produzidas com a mo de obra regular
no perodo t igual ao nvel do perodo anterior (t 1), somadas as unidades adicionais produzidas com
eventuais contrataes e subtradas as unidades canceladas com eventuais demisses do perodo t 1 para
o perodo t.
A restrio 4 estipula a capacidade mxima de armazenagem permitida para o perodo t.
A restrio 5 garante que a produo regular no perodo t no ultrapassar o limite mximo permitido.
A restrio 6 estipula o limite mximo permitido de produo em horas extras no perodo t.
A restrio 7 impe um limite mximo de produo subcontratada para o perodo t.
Finalmente, as condies de no negatividade das variveis de deciso do modelo tambm devem ser
atendidas.

50
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

Essa formulao baseada em um modelo de programao linear (PL) para a soluo do respectivo
problema de planejamento agregado. Porm, se considerssemos como varivel de deciso o nmero de
funcionrios a serem contratados e demitidos em cada perodo, em vez da variao da produo em
funo da contratao ou demisso de funcionrios, cairamos em um problema de programao inteira
mista (PIM), em que parte das variveis de deciso discreta. Analogamente ao problema do mix de
produo e ao problema de produo e estoque, quando todas as variveis de deciso do modelo forem
discretas (as quantidades produzidas e estocadas s podem assumir valores inteiros), tem-se um modelo
de programao inteira (PI).

Exemplo 2.11
A empresa Lifestyle, fabricante de sucos naturais, estava estudando diversos planos alternativos de
planejamento agregado que poderiam ser adotados para a produo do suco de jabuticaba no segundo
semestre do prximo ano. Porm, vericou-se que a soluo tima do problema poderia ser obtida a partir
de um modelo de programao linear. A demanda prevista para o perodo analisado, de acordo com o setor
de vendas, est listada na Tabela 2.14.

Tabela 2.14 Demanda prevista (em litros) do suco de jabuticaba para o segundo semestre do prximo ano
Ms Demanda (L)
Julho 4.500
Agosto 5.200
Setembro 4.780
Outubro 5.700
Novembro 5.820
Dezembro 4.480

O setor de produo forneceu os seguintes dados:

Custo de produo regular (horas normais) R$1,50/litro


Custo de produo em horas extras R$2,00/litro
Custo de subcontratao de terceiros R$2,70/litro
Custo de aumentar a produo com a admisso de funcionrios R$3,00/litro
Custo de diminuir a produo com a demisso de funcionrios R$1,20/litro
Custo de manuteno de estoques R$0,40/litro-ms
Estoque inicial 1.000 litros
Produo regular no ms anterior 4.000 litros
Capacidade mxima de armazenagem 1.500 litros-ms
Capacidade mxima de produo regular 5.000 litros-ms
Capacidade mxima de produo em horas extras 50 litros-ms
Capacidade mxima de produo subcontratada 500 litros-ms

Determinar a formulao matemtica do problema de planejamento agregado da empresa Lifestyle, de


forma a minimizar os custos totais de produo, respeitando as restries de capacidade do problema.

51
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Soluo

A formulao matemtica do Exemplo 2.11 semelhante formulao geral para o problema de


planejamento agregado apresentada na expresso 2.17. Primeiramente, denem-se as variveis de deciso
do modelo. O modelo completo est denido a seguir:
It = estoque nal de suco de jabuticaba no ms t (litros), t = 1 (julho),...,6 (dezembro)
Rt = produo regular (horas normais) de suco no ms t (litros), t = 1,...,6
HEt = produo de suco em horas extras no ms t (litros), t = 1,...,6
St = produo de suco com mo de obra subcontratada no ms t (litros), t = 1,...,6
CFt = produo de suco adicional no ms t com a contratao de funcionrios do ms t 1 para o
ms t (litros), t = 1,...,6.
DFt = produo de suco cancelada no ms t com a demisso de funcionrios do ms t 1 para o ms
t (litros), t = 1,...,6
A funo objetivo pode ser escrita como:
min z = 1,5R1 + 2HE1 + 2,7S1 + 3CF1 + 1,2DF1 + 0,4I1 +
1,5R2 + 2HE2 + 2,7S2 + 3CF2 + 1,2DF2 + 0,4I2 +
1,5R3 + 2HE3 + 2,7S3 + 3CF3 + 1,2DF3 + 0,4I3 +
1,5R4 + 2HE4 + 2,7S4 + 3CF4 + 1,2DF4 + 0,4I4 +
1,5R5 + 2HE5 + 2,7S5 + 3CF5 + 1,2DF5 + 0,4I5 +
1,5R6 + 2HE6 + 2,7S6 + 3CF6 + 1,2DF6 + 0,4I6

As restries do modelo so descritas a seguir.


1. Equaes de balanceamento dos estoques em cada ms t (t = 1,...,6):
I1 = 1.000 + R1 + HE1 + S1 4.500
I2 = I1 + R2 + HE2 + S2 5.200
I3 = I2 + R3 + HE3 + S3 4.780
I4 = I3 + R4 + HE4 + S4 5.700
I5 = I4 + R5 + HE5 + S5 5.820
I6 = I5 + R6 + HE6 + S6 4.480
Repare que a equao 2 (Pt = Rt + HEt + St) da expresso 2.17 j est representada.

2. Quantidade produzida em cada ms t com a mo de obra regular:


R1 = 4.000 + CF1 DF1
R2 = R1 + CF2 DF2
R3 = R2 + CF3 DF3
R4 = R3 + CF4 DF4
R5 = R4 + CF5 DF5
R6 = R5 + CF6 DF6

3. Capacidade mxima de armazenagem permitida para cada perodo t:


I1, I2, I3, I4, I5, I6 d 1.500

4. Capacidade mxima de produo regular no perodo t:


R1, R2, R3, R4, R5, R6 d 5.000

52
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

5. Capacidade mxima de produo em horas extras no perodo t:


HE1, HE2, HE3, HE4, HE5, HE6 d 50

6. Capacidade mxima de produo subcontratada no perodo t:


S1, S2, S3, S4, S5, S6 d 500

7. Restries de no negatividade:
Rt, HEt, St, CFt, DFt, It t 0 para t = 1,...,6

A soluo tima do modelo de planejamento agregado :


I1 = 1.270, I2 = 840 , I3 = 880 , I4 = 500 , I5 = 0 , I6 = 0
R1 = 4.770, R2 = 4.770, R3 = 4.770, R4 = 4.770, R5 = 4.770, R6 = 4.480
HE1 = 0 , HE2 = 0 , HE3 = 50 , HE4 = 50 , HE5 = 50 , HE6 = 0
S1 = 0 , S2 = 0 , S3 = 0 , S4 = 500 , S5 = 500 , S6 = 0
CF1 = 770 , CF2 = 0 , CF3 = 0 , CF4 = 0 , CF5 = 0 , CF6 = 0
DF1 = 0 , DF2 = 0 , DF3 = 0 , DF4 = 0 , DF5 = 0 , DF6 = 290
z = 49.549 (R$49.549,00).

2.6. Exerccios
Seo 2.1 (ex. 1). Descreva as principais caractersticas presentes em um modelo de programao linear.

Seo 2.1 (ex. 2). Exemplifique os principais segmentos e setores em que pode ser aplicada a tcnica de
programao linear.

Seo 2.3 (ex. 1). Transforme os problemas a seguir para a forma padro:

2
a) max
=1
j
xj

sujeito a:
2x1 5x 2 = 10 (1)
x1 + 2x 2 50 (2)
x1, x 2 0 (3)

b) min 24x1 + 12x2


sujeito a:
3x1 + 2x2 4 (1)
2x1 4x2 26 (2)
x2 3 (3)
x1, x2 0 (4)

53
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

c) max 10x1 x2
sujeito a:
6x1 + x2 10 (1)
x2 6 (2)
x1, x2 0 (3)

d) max 3x1 + 3x2 2x3


sujeito a:
6x1 + 3x 2 x 3 10 (1)
x2
+ x 3 20 (2)
4
x1, x 2 , x 3 0 (3)

Seo 2.3 (ex. 2). Idem para a forma cannica.

Seo 2.3 (ex. 3). Transformar os problemas de maximizao a seguir em outros de minimizao:
a) max z = 10x1 x2
b) max z = 3x1 + 3x2 2x3

Seo 2.4 (ex. 1). Quais as hipteses de um modelo de programao linear? Descreva cada uma delas.

Seo 2.5.1 (ex. 1). A empresa americana KMX do setor automobilstico lancar trs novos modelos de
carros no prximo ano: modelo Arlington, modelo Marilandy e modelo Gristedes. A produo de cada um
dos modelos passa pelos seguintes processos: injeo, fundio, usinagem, estamparia e acabamento. Os
tempos mdios de operao (minutos) de uma unidade de cada componente encontram-se na Tabela 2.15.
Cada uma das operaes 100% automatizada. A quantidade de mquinas disponveis para cada setor
tambm se encontra na mesma tabela. importante mencionar que cada mquina trabalha 16 horas por
dia, de segunda a sexta-feira. O lucro unitrio, alm do potencial mnimo de vendas por semana, de cada
modelo de automvel, de acordo o setor comercial, est especificado na Tabela 2.16. Supondo que 100% dos
modelos sero vendidos, formule o problema de programao linear que busca determinar as quantidades de
automveis de cada modelo a serem fabricados, a fim de maximizar o lucro lquido semanal.

Tabela 2.15 Tempo mdio de operao (minutos) de uma unidade de cada componente e total de
mquinas disponveis
Total Mdio de operao (minutos)
Setor Mquinas
Arlington Marilandy Gristedes
disponveis
Injeo 3 4 3 6
Fundio 5 5 4 8
Usinagem 2 4 4 5
Estamparia 4 5 5 8
Acabamento 2 3 3 5

54
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

Tabela 2.16 Lucro unitrio e potencial mnimo de vendas semanal por produto
Lucro Potencial mn.
Modelos unitrio vendas (unidades/
(U$) semana)
Arlington 2.500 50
Marilandy 3.000 30
Gristedes 2.800 30

Seo 2.5.1 (ex. 2). A empresa Refresh, do setor de bebidas, est revendo seu mix de produo de cervejas e
refrigerantes. A produo de cerveja passa pelos seguintes processos: extrao do malte (pode ou no ser fabricado
internamente), processamento do mosto que d origem ao lcool, fermentao (principal etapa), processamento
da cerveja e enchimento dos vazilhames (envase). A produo de refrigerantes passa pelos seguintes processos:
preparo do xarope simples, preparo do xarope composto, diluio, carbonatao e envase. Cada uma das etapas
de processamento da cerveja e do refrigerante 100% automatizada. Os tempos mdios de operao (em
minutos) de cada componente da cerveja encontram-se na Tabela 2.17, alm do total de mquinas disponveis
para cada atividade. Os mesmos dados referentes ao processamento do refrigerante encontram-se na Tabela 2.18.
importante mencionar que cada mquina trabalha oito horas por dia, 20 dias teis por ms. Em funo da
concorrncia de mercado, pode-se afirmar que a demanda total por cerveja e refrigerante no ultrapassa 42 mil
litros por ms. A margem de contribuio R$0,50 por litro produzido de cerveja e R$0,40 por litro produzido de
refrigerante. Formule o problema de programao linear que maximiza a margem mensal de contribuio total.

Tabela 2.17 Tempo mdio de operao da cerveja e quantidade de mquinas disponveis


Tempo de operao Quantidade de
Setor
(minutos) mquinas
Extrao do malte 2 6
Processamento do mosto 4 12
Fermentao 3 10
Processamento da cerveja 4 12
Envase da cerveja 5 13

Tabela 2.18 Tempo mdio de operao do refrigerante e quantidade de mquinas disponveis


Tempo de operao Quantidade de
Setor
(minutos) mquinas
Xarope simples 1 6
Xarope composto 3 7
Diluio 4 8
Carbonatao 5 10
Envase do refrigerante 2 5

Seo 2.5.1 (ex. 3). A empresa Golmobile, do setor de eletrodomsticos, est revendo seu mix de produo
referente aos principais equipamentos domsticos utilizados na cozinha: geladeira, freezer, fogo, lava-louas e
micro-ondas. A fabricao de cada um desses produtos se inicia no processo de prensagem, que molda, fura,
ajusta e recorta cada componente. A prxima etapa consiste na pintura, seguida pelo processo de liquidificao,
que d a forma final ao produto. As duas ltimas etapas consistem na montagem e embalagem do produto
final. A Tabela 2.19 apresenta o tempo requerido (em horas-mquina) para a fabricao de uma unidade de cada
componente em cada processo de fabricao, alm do tempo total disponvel para cada setor.

55
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A Tabela 2.20 apresenta o total de horas de mo de obra (horas-homem) necessrias para a fabricao
de uma unidade de cada componente em cada processo de fabricao, alm do nmero total de funcionrios
disponveis que trabalham em cada setor. importante mencionar que cada funcionrio trabalha oito horas
por dia, de segunda a sexta-feira.
Em funo das limitaes de estocagem, h uma capacidade mxima de produo por produto, conforme
especificado na Tabela 2.21. A mesma tabela tambm apresenta a demanda mnima de cada produto que
deve ser atendida, alm do lucro lquido por unidade vendida.
Formular o problema de programao linear que maximiza o lucro lquido total.

Tabela 2.19 Tempo necessrio (em horas-mquina) para fabricar uma unidade de
cada componente em cada setor
Tempo necessrio (h-mquina) para fabricar 1 unidade Tempo disponel
Setor lava- (horas-mquina/
geladeira freezer fogo micro-ondas semana)
louas
Prensagem 0,2 0,2 0,4 0,4 0,3 400
Pintura 0,2 0,3 0,3 0,3 0,2 350
Liquidicao 0,4 0,3 0,3 0,3 0,2 250
Montagem 0,2 0,4 0,4 0,4 0,4 200
Embalagem 0,1 0,2 0,2 0,2 0,3 200

Tabela 2.20 Total de horas de mo de obra necessrias para produzir uma unidade de cada produto
em cada setor, alm do total de mo de obra disponvel
Total de horas de mo de obra para fabricar 1 unidade
Funcionrios
Setor lava-
geladeira freezer fogo micro-ondas disponveis
louas
Prensagem 0,5 0,4 0,5 0,4 0,2 12
Pintura 0,3 0,4 0,4 0,4 0,3 10
Liquidicao 0,5 0,5 0,3 0,4 0,3 8
Montagem 0,6 0,5 0,4 0,5 0,6 10
Embalagem 0,4 0,4 0,4 0,3 0,2 8

Tabela 2.21 Capacidade mxima, demanda mnima e lucro unitrio por produto
Capacidade Demanda mnima
Lucro unitrio
Produto mxima (unidades/ (unidades/
(R$/unidade)
semana) semana)
Geladeira 1.000 200 52
Freezer 800 50 37
Fogo 500 50 35
Lava-louas 500 50 40
Micro-ondas 200 40 29

56
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

Seo 2.5.2 (ex. 1). Uma refinaria produz trs tipos de gasolina: comum, verde e amarela. Cada tipo de
gasolina pode ser produzida a partir da mistura de quatro tipos de petrleo: petrleo 1, petrleo 2, petrleo
3 e petrleo 4.
Cada tipo de gasolina requer determinadas especificaes de octano e benzeno:
i um litro de gasolina comum requer, no mnimo, 0,20 litro de octano e 0,18 litro de benzeno;
i um litro de gasolina verde requer, no mnimo, 0,25 litro de octano e 0,20 litro de benzeno;
i um litro de gasolina amarela requer, no mnimo, 0,30 litro de octano e 0,22 litro de benzeno.
As composies de octano e benzeno, para cada tipo de petrleo, so:
i um litro de petrleo 1 contm uma taxa de 0,20 de octano e 0,25 de benzeno;
i um litro de petrleo 2 contm uma taxa de 0,30 de octano e 0,20 de benzeno;
i um litro de petrleo 3 contm uma taxa de 0,15 de octano e 0,30 de benzeno;
i um litro de petrleo 4 contm uma taxa de 0,40 de octano e 0,15 de benzeno.
Devido a contratos j assinados, a refinaria precisa produzir, diariamente, 12.000 litros de gasolina
comum, 10.000 litros de gasolina verde e 8.000 litros de gasolina amarela. A refinaria tem uma capacidade
mxima de produo de at 60.000 litros por dia de gasolina e pode comprar at 15.000 litros de cada tipo
de petrleo diariamente.
Cada litro de gasolina comum, verde e amarela d uma margem de contribuio unitria de $0,40, $0,45
e $0,50, respectivamente. Os preos de compra por litro de petrleo 1, petrleo 2, petrleo 3 e petrleo 4
so, respectivamente, $0,20, $0,25, $0,30 e $0,30. Formular o problema de programao linear de forma a
maximizar a margem diria de contribuio.

Seo 2.5.3 (ex. 1). A modelo Adriane Torres est incomodada com suas gorduras localizadas e gostaria
de perder alguns quilos em poucas semanas. Sua nutricionista recomendou uma dieta rica em carboidratos,
moderada em frutas, vegetais, protenas, leguminosas, leite e derivados, e baixa em gorduras e acares. A
Tabela 2.22 apresenta as opes de alimentos que podem fazer parte da dieta de Adriane e suas respectivas
composies e caractersticas. Os dados da Tabela 2.22 tambm podem ser encontrados no arquivo
DietaAdrianeTorres.xls. De acordo com a nutricionista, uma dieta equilibrada deve conter de quatro a nove
pores de carboidratos, de trs a cinco pores de frutas, de quatro a cinco pores de vegetais, uma
poro de leguminosa, duas pores de protenas, de duas a trs pores de leite e derivados, de uma a duas
pores de acares e doces, e de uma a duas pores de gorduras. Busca-se determinar quantas pores de
cada alimento devem ser ingeridas diariamente, em cada refeio, de forma a minimizar o total de calorias
consumidas, satisfazendo os seguintes requisitos:
i O nmero ideal de pores ingeridas de cada alimento deve ser respeitado.
i Cada alimento s pode ser ingerido na refeio especificada na Tabela 2.22. Por exemplo, no caso do
cereal, busca-se determinar quantas pores devem ser ingeridas diariamente no caf da manh. J no
caso da barra de cereal, busca-se especificar quantas pores podem ser ingeridas diariamente no caf
da manh e nos lanches da manh e da tarde.
i O total de calorias ingeridas no caf da manh no pode ultrapassar 300 calorias.
i O total de calorias ingeridas no lanche da manh no pode ultrapassar 200 calorias.
i O total de calorias ingeridas no almoo no pode ultrapassar 550 calorias.
i O total de calorias ingeridas no lanche da tarde no pode ultrapassar 200 calorias.
i O total de calorias ingeridas no jantar no pode ultrapassar 350 calorias.
i No caf da manh, deve-se ingerir, no mnimo, uma poro de carboidrato, duas de frutas e uma do
tipo leite e derivados.
i O almoo deve conter, no mnimo, uma poro dos seguintes tipos de alimentos: carboidratos,
protenas, leguminosas e vegetais.
i Os lanches da manh e da tarde devem conter, no mnimo, uma fruta cada.

57
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

i O jantar deve conter, no mnimo, uma poro de carboidrato, uma de protena, uma de leite e derivados
e uma de vegetal.
i Uma alimentao equilibrada deve conter, no mnimo, 25 g de fibras por dia.
i Cem por cento das necessidades dirias das principais vitaminas e sais minerais (ferro, zinco, vitamina
A, C, B1, B2, B6, B12, niacina, cido flico etc.) devem ser atendidas para um bom funcionamento
do organismo. A Tabela 2.22 apresenta a porcentagem garantida para cada poro de alimento em
relao s necessidades dirias das principais vitaminas e sais minerais.

Tabela 2.22 Composio e caractersticas de cada alimento que pode fazer parte da dieta de Adriane
(arquivo DietaAdrianeTorres.xls)
Energia Fibras % Vitaminas e Tipo de
Alimento Refeio
(cal/poro) (g/poro) sais minerais alimento
alface 1 1 9 V 3, 5
ameixa 30 2,4 4 F 1, 2, 4
arroz 130 1,2 0,5 C 3
arroz integral 110 1,6 1 C 3
azeite de oliva 90 0 0 G 3, 5
banana 80 2,6 13 F 1, 2, 4
barra de cereal 90 0,9 11 C 1, 2, 4
bolacha gua e sal 90 0,4 0,4 C 1, 2, 4
broclis 10 2,7 15 V 3, 5
carne 132 0 1 P 3
cenoura 31 2 19 V 3, 5
cereal 120 1,3 20 C 1
chocolate 150 0,2 0,5 AD 3, 5
espinafre 18 2 28 V 3, 5
feijo 95 7,9 6 L 3
frango 112 0 1,5 P 3
gelatina 30 0,2 0 AD 3, 5
gro-de-bico 92 3,5 4 L 3
iogurte 70 1,1 0,7 LD 1, 2, 4
ma 60 3 0,9 F 1, 2, 4
mamo 56 2,4 3,1 F 1, 2, 4
ovo 60 0,6 8,5 P 3
manteiga 100 0 0 G 1, 5
po 140 0,5 3,3 C 1, 5
po integral 142 0,8 12 C 1, 5
peito de peru 75 0,4 0,4 P 1, 5
peixe 104 0,7 11 P 3
pra 88 4 1,2 F 1, 2, 4
queijo minas 80 0,4 0,6 LD 1, 5
rcula 4 1 9,5 V 3, 5
sanduche natural 240 1,4 19 Misto 5
soja 85 3,9 8 L 3
sopa 120 3,5 16 Misto 5
tomate 26 1,5 5 V 3, 5

58
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

Legenda:
C: carboidratos; V: vegetais; F: frutas; P: protenas; L: leguminosas; LD: leite e derivados; G: gorduras
totais; AD: acares e doces.
Refeio 1: alimentos que podem ser ingeridos no caf da manh; 2: alimentos que podem ser ingeridos
no lanche da manh; 3: alimentos que podem ser ingeridos no almoo; 4: alimentos que podem ser ingeridos
no lanche da tarde; 5: alimentos que podem ser ingeridos no jantar.
OBS.: A sopa contm uma poro de carboidrato, uma de protena, uma de vegetal e uma de gordura. J
um sanduche natural contm duas pores de carboidratos, uma de protena, uma de leite e derivados, uma
de vegetal e uma de gordura.
Formular o modelo de programao linear do problema da dieta de Adriane.

Seo 2.5.4 (ex. 1). A empresa GWX est buscando um diferencial competitivo no mercado e, para isso, est
considerando cinco novos projetos de investimentos para os prximos trs anos: desenvolvimento de novos
produtos, investimento em TI, investimento em treinamento, expanso da fbrica e expanso do depsito.
Cada projeto exige um investimento inicial e gera um retorno esperado nos prximos trs anos, conforme
mostra a Tabela 2.23. A empresa possui uma restrio oramentria de R$1.000.000,00 para investir na data
presente. A taxa de juros, para cada projeto de investimento, de 10% a.a. importante notar que o projeto
de investimento em TI dependente do projeto de investimento em treinamento, isto , s vai ocorrer se o
projeto de investimento em treinamento for aceito. Alm disso, os projetos de expanso de fbrica e expanso
de depsito so mutuamente excludentes, isto , apenas um deles pode ser selecionado. Formule o problema
que tem como objetivo determinar quais projetos a empresa deve investir, de forma a maximizar a riqueza
presente gerada a partir do conjunto de projetos de investimentos em anlise.

Tabela 2.23 Investimento inicial e retorno esperado nos prximos trs anos para cada projeto
Fluxo de caixa em cada ano (R$ mil)
Ano Desenvolvimento Expanso da Expanso do
TI Treinamento
de Produtos Fbrica Depsito
0 -360 -240 -180 -480 -320
1 250 100 120 220 180
2 300 150 180 350 200
3 320 180 180 330 310

Seo 2.5.5 (ex. 1). Um analista financeiro de uma das principais corretoras brasileiras est selecionando
determinada carteira para um grupo de clientes. O analista pretende investir em diversos setores, tendo como
opo cinco empresas do setor financeiro, incluindo bancos e seguradoras, duas do setor de siderurgia, uma
do setor de minerao, uma do setor de papel e celulose e outra do setor de energia eltrica. A Tabela 2.24
apresenta o histrico do retorno mensal de cada uma dessas aes, do perodo de janeiro de 2007 a dezembro
de 2009. Esses dados esto disponveis no arquivo Aes.xls.
A fim de aumentar a diversificao, estabeleceu-se que a carteira pode conter, no mximo, 50% de aes
do setor financeiro (bancos e seguradora) e 40% de cada ativo. Alm disso, a carteira deve conter, no mnimo,
20% de aes do setor bancrio, 20% do setor de siderurgia ou minerao e 20% do setor de papel e celulose
ou energia eltrica. Os investidores esperam que o retorno mdio da carteira atinja o valor mnimo de 0,80%
a.m. Adicionalmente, o risco da carteira, medido por meio do desvio padro, no pode ultrapassar o valor de
5%. Formular o modelo de programao linear que minimiza o desvio absoluto mdio da carteira.

59
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 2.24 Histrico do retorno mensal de 10 aes de diferentes setores do perodo de jan/2007 a
dez/2009 (arquivo Aes.xls)
Ao 1 Ao 2 Ao 3 Ao 4 Ao 5 Ao 6 Ao 7 Ao 8 Ao 9 Ao 10
Papel- Energia
Bancrio Bancrio Bancrio Bancrio Seguradora Siderurgia Siderurgia Minerao
celulose eltrica
jan/07 2,57% 4,47% 1,08% 4,78% 4,19% 2,54% 0,57% 0,60% 4,07% 2,78%
fev/07 3,14% 4,33% 0,87% 3,41% 3,08% 2,69% 0,98% 5,78% 3,57% 3,69%
mar/07 6,00% 2,67% 4,87% 2,81% 6,47% 1,98% 5,69% 3,25% 2,69% -2,14%
abr/07 2,14% -3,59% 3,57% 6,70% 8,05% -3,14% -3,10% -0,88% 2,02% 4,01%
mai/07 -5,44% 3,34% -2,78% 2,08% 5,04% -7,58% -3,28% -4,52% -1,57% -1,33%
jun/07 11,30% 2,09% -5,69% -3,00% -3,47% 6,85% -8,07% -2,88% -2,33% 4,21%
jul/07 8,07% -7,80% 6,44% -3,54% -2,09% 4,70% 2,67% 0,58% -2,87% 0,74%
ago/07 2,77% -6,14% 6,87% 2,97% -2,56% 11,02% 3,69% -3,69% -0,05% 0,65%
set/07 2,37% 5,77% 10,07% 5,90% 4,44% -5,99% 6,47% -1,44% 1,69% 2,47%
out/07 2,14% -3,23% -5,64% -7,01% 6,07% 0,14% 0,22% -4,22% 5,87% -3,54%
nov/07 -4,40% -1,04% -3,30% -2,04% -5,30% -2,36% -3,11% 0,47% 2,14% -2,58%
dez/07 -2,10% -3,02% -2,27% 3,50% -2,07% 2,14% -4,55% 0,05% 1,01% 5,47%
jan/08 2,14% 2,01% -5,47% -9,33% 4,44% 1,34% 0,24% -6,95% 3,99% 3,54%
fev/08 4,69% 3,67% -2,10% -8,07% -6,14% 0,98% -3,50% 8,41% -1,47% 2,57%
mar/08 11,32% -5,69% 2,07% 2,77% -3,07% 0,66% -2,78% -5,41% 2,58% -4,78%
abr/08 -4,69% -2,00% 3,47% 5,48% -2,05% 2,89% -8,40% 0,22% 3,57% -1,23%
mai/08 2,01% 6,75% 3,78% -3,50% 2,67% -13,47% -7,55% 9,54% 0,88% 0,27%
jun/08 -7,65% 9,47% 3,89% 6,41% 3,07% -4,23% 0,07% -11,02% -2,34% 3,55%
jul/08 -2,36% -5,33% -5,68% 3,04% 4,08% -0,28% 9,56% -2,55% -1,09% 2,67%
ago/08 -11,47% -6,01% -3,46% 2,08% 4,99% 2,63% 5,04% -12,23% 7,03% 0,74%
set/08 3,39% -2,01% -3,09% 3,64% -3,70% -3,63% -3,66% -2,00% 4,33% 3,69%
out/08 -8,43% 5,03% 1,01% -6,80% -8,02% 2,47% -4,40% 4,47% -5,87% -0,25%
nov/08 -4,16% 5,33% -5,61% -5,47% -7,35% 0,50% 2,57% -6,58% 2,67% -0,98%
dez/08 -2,37% -3,36% -7,43% -6,17% 2,44% -7,99% -3,01% -8,80% 7,80% 4,36%
jan/09 7,00% 11,04% 6,40% 5,55% 11,07% 6,01% 9,77% 5,96% 2,22% 1,66%
fev/09 3,22% 4,64% 6,43% 4,58% -2,47% 14,15% 6,41% 3,22% 1,49% -0,20%
mar/09 4,67% 2,07% 2,98% -2,07% -2,60% 5,47% -2,60% 4,74% 1,42% 1,59%
abr/09 3,20% 3,68% -3,10% -2,65% 3,18% -3,14% -3,01% -2,33% -0,77% 5,67%
mai/09 -0,74% -0,58% -2,73% 6,47% 3,08% -3,25% 7,78% 4,01% 0,59% 4,90%
jun/09 -5,02% -7,04% -9,40% 6,07% 2,00% -1,08% 8,36% 4,32% 3,07% 3,92%
jul/09 -4,30% 2,99% 6,81% 5,88% -6,47% 5,47% 2,04% -6,77% -2,55% 2,14%
ago/09 2,64% 7,66% 6,90% -0,47% 6,13% 11,01% 2,15% -2,64% -0,84% -0,71%
set/09 6,77% 7,16% 5,87% 8,09% 2,47% 5,71% 3,19% 5,74% 5,98% 2,04%
out/09 6,70% -3,41% 6,80% 6,47% 2,08% -14,33% -2,03% 9,12% 0,25% 4,33%
nov/09 2,98% -2,01% 5,32% -5,00% 4,43% -5,44% 6,07% 8,40% -0,50% -2,36%
dez/09 5,70% 11,52% 6,00% 0,27% 2,29% 2,47% 5,73% 6,47% 1,00% 1,60%

Seo 2.5.5 (ex. 2). Refaa o exerccio anterior para o perodo de janeiro de 2007 a dezembro de 2008.
Porm, nesse caso, o modelo deve ser formulado para trs objetivos distintos: a) minimizar o MAD (desvio
absoluto mdio), como no caso anterior; b) minimizar a raiz quadrada da mdia dos desvios quadrados; c)
minimizar o maior desvio absoluto (min-max).

Seo 2.5.5 (ex. 3). O Banco CTA Investimentos administra recursos financeiros de terceiros, operando em
diversas modalidades de investimentos e garantindo aos seus clientes o melhor retorno com menor risco.
Marcos Silva, cliente do CTA Investimentos, deseja investir um patrimnio de R$500.000,00 em fundos de
investimentos. De acordo com o perfil de Marcos, a gerente de contas do banco selecionou 11 tipos de fundos

60
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

de investimentos que poderiam compor a carteira de Marcos. A Tabela 2.25 apresenta a descrio de cada
fundo, sua rentabilidade anual, seu risco e o investimento inicial necessrio. O retorno anual esperado foi
calculado como a mdia mvel ponderada dos ltimos cinco anos. O risco de cada fundo, medido a partir do
desvio padro do histrico dos retornos, tambm est especificado na Tabela 2.25. O risco mximo permitido
da carteira de Marcos de 6%. Alm disso, em funo de seu perfil conservador, Marcos gostaria de investir,
no mnimo, 50% do seu capital em fundos referenciados e de renda fixa (DI e RF) e, no mximo, 25% em
cada um dos demais investimentos. Formular o problema de programao linear que busca determinar quanto
investir em cada fundo, de forma a maximizar o retorno anual esperado, respeitando as restries de risco
mximo da carteira, investimento mnimo em renda fixa e investimento inicial mnimo em cada fundo.

Tabela 2.25 Caractersticas de cada fundo


Investimento
Fundo Retorno annual Risco
Inicial (R$)
Referenciado DI_A 11,74% 1,07% 30.000,00
Referenciado DI_B 12,19% 1,07% 100.000,00
Referenciado DI_C 12,66% 1,07% 250.000,00
RF_A 12,22% 1,62% 30.000,00
RF_B 12,87% 1,62% 100.000,00
RF_C 12,96% 1,62% 250.000,00
Cambial_A 16,04% 5,89% 20.000,00
Cambial_B 17,13% 5,89% 100.000,00
Multimercado 18,10% 5,92% 10.000,00
Aes Petrobras 19,53% 6,54% 1.000,00
Aes Vale 22,16% 7,23% 1.000,00

Seo 2.5.6 (ex. 1). A empresa Arts & Chemical, lder no ramo qumico, fabrica m produtos, incluindo
plsticos, borrachas, tintas, poliuretano, entre outros. A empresa estuda integrar decises de produo,
estoques e transportes. As mercadorias podem ser produzidas em n diferentes facilidades que distribuem
esses produtos para p diferentes varejistas localizados nas regies de Osasco, So Paulo, So Bernardo do
Campo, So Caetano do Sul e Santo Andr. O horizonte de tempo analisado de T perodos. Pretende-se
determinar, em cada perodo, quais das n alternativas de facilidades devem produzir e entregar cada um dos m
produtos para cada um dos p diferentes varejistas. Cada facilidade pode atender mais de um varejista, porm,
a demanda total de cada varejista deve ser atendida por uma nica facilidade. As capacidades de produo e
armazenagem de cada uma das facilidades so limitadas e diferem entre si em funo do produto e perodo. Os
custos unitrios de produo, transporte e manuteno de estoques tambm diferem por produto, facilidade
e perodo. O objetivo designar os varejistas s facilidades, determinar quanto produzir e o nvel de estoques
de cada produto em cada facilidade e perodo, de forma que a soma dos custos totais de produo, transporte
e manuteno de estoques sejam minimizados, a demanda de cada varejista seja atendida, e as restries de
capacidade no sejam violadas. A partir do modelo geral de produo e estoque proposto na Seo 2.5.7,
formular um modelo geral que integre decises de produo, estoques e distribuio.
OBS.: Repare que estamos diante de um problema de programao mista, j que temos uma varivel de
deciso binria (se o produto i for entregue pela facilidade j para o varejista k no perodo t, seu valor ser 1 e
0 caso contrrio).

61
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Seo 2.5.6 (ex. 2). A partir do exerccio anterior, considere um caso em que cada varejista pode ser atendido
por mais de uma facilidade. Formular o modelo geral adaptado.
OBS.: Nesse caso, deve-se definir uma nova varivel de deciso que consiste em determinar a quantidade
do produto i a ser transportado da facilidade j para o varejista k no perodo t.

Seo 2.5.7 (ex. 1). A empresa Farmacom, do setor de cosmticos e produtos de limpeza, deseja definir
o planejamento agregado da produo de sabonetes do tipo Leveza para o primeiro semestre do prximo
ano. Para isso, o setor de vendas forneceu a demanda prevista para o perodo em estudo, conforme mostra
a Tabela 2.26.

Tabela 2.26 Demanda prevista de sabonetes (kg) para o primeiro semestre do prximo ano
Ms Demanda
Janeiro 9.600
Fevereiro 10.600
Maro 12.800
Abril 10.650
Maio 11.640
Junho 10.430

Os dados de produo esto detalhados a seguir:

Custo de produo regular R$ 1,50/kg


Custo de subcontratao de terceiros R$ 2,00/kg
Custo de mo de obra regular R$ 600,00/homem-ms
Custo de admisso de um operrio R$ 1.000,00/operrio
Custo de demisso de um operrio R$ 900,00/operrio
Custo por hora extra R$ 7,00/hora extra
Custo de manuteno de estoques R$ 1,00/kg-ms
Mo de obra regular no ms anterior 10 operrios
Estoque inicial 600kg
Produtividade mdia por funcionrio 16kg/homem-hora
Produtividade mdia por hora extra 14kg/hora extra
Capacidade mxima de produo subcontratada 1.000 kg/ms
Capacidade mxima de mo de obra regular 20 operrios
Capacidade mxima de armazenagem 2.500 kg/ms

Cada funcionrio trabalha, regularmente, 6 horas teis por dia, durante 20 dias teis no ms, podendo
fazer, no mximo, 20 horas extras por ms. Formular o modelo de planejamento agregado (programao
inteira mista) que minimiza os custos totais de produo, mo de obra e estoques para o horizonte de tempo
analisado, respeitando as restries de capacidade do sistema.

2.7. Resumo
A programao linear uma das ferramentas mais utilizadas da Pesquisa Operacional. Sua aplicao
est cada vez mais difundida no mundo acadmico e gerencial, podendo ser aplicada em diversas reas
(estratgia, marketing, nanas, operaes e logstica, recursos humanos, entre outras) e em diversos

62
Captulo 2 I Introduo Programao Linear: Formulao Geral e Modelagem de Problemas Reais

setores (transporte, automobilstico, aviao, naval, comrcio, servios, bancrio, alimentcio, bebidas,
agropecuria, sade, imobilirio, siderurgia, metalurgia, papel e celulose, energia eltrica, petrleo, gs
e combustveis, computadores, telefonia, minerao, entre outros). A grande motivao a enorme
economia que pode ser gerada, na casa de milhes e at bilhes de dlares, para as indstrias que a
utilizam.
Um modelo de programao linear tem as seguintes caractersticas: a) a funo objetivo e todas as
restries do modelo so lineares; b) as variveis de deciso so contnuas (podem assumir quaisquer valores
em um intervalo de nmeros reais). O objetivo consiste em determinar a soluo tima do modelo, que
aquela que maximiza ou minimiza a funo objetivo (funo linear das variveis de deciso) e satisfaz
todas as restries do modelo, representadas por equaes ou inequaes lineares, incluindo as de no
negatividade das variveis de deciso. Para que a soluo tima seja determinada, diversos algoritmos ou
mtodos de soluo podem ser aplicados, sendo o algoritmo Simplex, desenvolvido em 1947 por George
B. Dantzig, o mais conhecido (ser abordado no captulo seguinte).
Um problema de programao linear est na forma padro quando atende os seguintes requisitos:
a) todos os termos independentes so no negativos; b) todas as restries so representadas por equaes
lineares, isto , na forma de igualdade; c) as variveis de deciso so no negativas. Para que um problema
de programao linear seja resolvido pelo mtodo analtico ou pelo algoritmo Simplex (ver prximo
captulo), a formulao do modelo deve estar na forma padro.
Considerando um problema de maximizao, o mesmo est na forma cannica quando todas as
restries so representadas por inequaes com sinal do tipo d. Para um problema de minimizao, o
mesmo est na forma cannica quando todas as restries so representadas por inequaes com sinal
do tipo t.
Qualquer problema de programao linear pode ser transformado para a forma padro ou cannica
por meio de operaes elementares. Por exemplo, quando se deseja transformar uma desigualdade do
tipo d para uma equao de igualdade, deve-se incluir uma nova varivel no negativa do lado esquerdo,
chamada varivel de folga. Outro exemplo ocorre quando se deseja transformar uma desigualdade do
tipo t para uma equao de igualdade; nesse caso, subtrai-se uma nova varivel no negativa do lado
esquerdo da equao, chamada varivel de excesso.
Um problema de programao linear deve satisfazer as seguintes hipteses: 1) proporcionalidade;
2) aditividade; 3) divisibilidade e no negatividade; 4) certeza. A hiptese de proporcionalidade requer,
para cada varivel, que a sua contribuio em relao funo objetivo e s restries do modelo seja
diretamente proporcional ao valor da varivel de deciso. A hiptese de aditividade arma que o valor
total da funo objetivo ou de cada funo de restrio de um modelo de PL expresso pela soma das
contribuies individuais de cada varivel de deciso. Na hiptese de divisibilidade e no negatividade, cada
uma das variveis de deciso consideradas no modelo pode assumir quaisquer valores no negativos dentro
de um intervalo, incluindo valores fracionrios, desde que satisfaa as restries do modelo. Finalmente,
a hiptese de certeza arma que os coecientes da funo objetivo, os coecientes das restries e os
termos independentes de um modelo de programao linear so determinsticos (constantes e conhecidos
com certeza).
Vrios problemas reais podem ser formulados por meio de um modelo de programao linear,
incluindo: problema do mix de produo, problema da mistura, oramento de capital, seleo de carteiras
de investimentos, produo e estoque, planejamento agregado, entre outros. Os mtodos de soluo de um
problema de programao linear (soluo grca, analtica, pelo algoritmo Simplex ou por computador)
sero discutidos no prximo captulo.

63
Captulo 3

Soluo de Problemas de Programao Linear:


Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

A Geometria existe por toda parte.


preciso, porm, olhos para v-la,
inteligncia para compreend-la
e alma para admir-la.
Malba Tahan em O Homem que Calculava

Ao final deste captulo, voc ser capaz de:


Conhecer e utilizar os mtodos de soluo de problemas de programao linear.
Determinar, de forma grfica, o conjunto de solues factveis e a soluo tima de um problema
simples de programao linear.
Determinar, pelo mtodo analtico, o conjunto de solues factveis e a soluo tima de um problema
simples de programao linear.
Entender a importncia do mtodo Simplex para resoluo de problemas de programao linear.
Identificar as origens do mtodo Simplex.
Compreender a lgica do mtodo Simplex.
Utilizar o conceito de variveis artificiais para tratar problemas de programao linear com restries
de desigualdade do tipo ou equaes de igualdade.
Compreender o mtodo das penalidades (Big M) e o mtodo das duas fases, e como os mesmos
utilizam o conceito de variveis artificiais.
Avaliar os diversos softwares existentes no mercado para soluo de problemas de programao
linear.
Resolver problemas de programao linear pelo Solver do Excel.
Identificar graficamente, pelo mtodo Simplex e por computador, os casos especiais que podem
ocorrer em um modelo de programao linear.

Cap_01-a-03.indd 65 1/25/2013 12:32:42 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

3.1 Introduo
Neste captulo, apresentaremos diversas maneiras de resolver um problema de programao linear
(PL): a) de forma grfica; b) pelo mtodo analtico; c) pelo mtodo Simplex; d) por computador.
Um problema simples de programao linear com apenas duas variveis de deciso pode ser
facilmente resolvido de forma grfica ou pelo mtodo analtico. A soluo grfica pode ser aplicada para
resoluo de problemas com, no mximo, trs variveis de deciso, porm, com maior complexidade.
Analogamente, a soluo analtica torna-se impraticvel para problemas com muitas variveis e equaes,
j que calcula todas as possveis solues bsicas. Como alternativa a esses procedimentos, utiliza-se o
algoritmo Simplex ou, diretamente, um software existente no mercado (GAMS, AMPL, AIMMS, softwares
de planilhas eletrnicas como o Solver do Excel e Whats Best, entre outros) para resoluo de qualquer
problema de programao linear. Neste captulo, resolveremos cada um dos problemas gerenciais
modelados no captulo anterior (Exemplos 3.3 a 3.12) pelo Solver do Excel.
Alguns problemas de programao linear no apresentam uma nica soluo tima no degenerada,
podendo cair em um dos quatro casos: a) mltiplas solues timas; b) funo objetivo z ilimitada; c) no
existe soluo tima; d) soluo tima degenerada. Apresentaremos ao longo do captulo como identificar
cada um desses casos especiais de forma grfica, pelo mtodo Simplex e por computador.

3.2 Soluo Grfica de um Problema de Programao Linear


Um problema simples de programao linear que envolve duas variveis de deciso pode ser
facilmente resolvido de forma grfica. Segundo Hillier e Lieberman (2009), qualquer problema de PL que
apresente duas variveis de deciso pode ser resolvido graficamente. Os problemas com at trs variveis
de deciso tambm podem ser solucionados de forma grfica, porm, com complexidade maior.
Na resoluo grfica de um modelo de programao linear, primeiramente, determina-se o espao de
solues viveis ou regio factvel em um eixo cartesiano. Uma soluo vivel ou factvel aquela que
satisfaz todas as restries do modelo, inclusive as de no negatividade. Se determinada soluo viola pelo
menos uma das restries do modelo, a mesma chamada soluo invivel ou infactvel.
O passo seguinte consiste em determinar a soluo tima do modelo, isto , a soluo factvel
que apresente o melhor valor da funo objetivo. Para um problema de maximizao, determinado o
conjunto de solues viveis, a soluo tima aquela que fornece o maior valor funo objetivo dentro
desse conjunto. J para um problema de minimizao, a soluo tima aquela que minimiza a funo
objetivo.
O conjunto de solues factveis de um problema de programao linear representado por K. Da
surge o primeiro teorema:

Teorema 3.1

O conjunto K convexo.
Definio: Um conjunto K convexo quando todos os segmentos de reta que unem dois pontos
quaisquer de K esto contidos em K. Um conjunto convexo fechado se ele compreende a sua fronteira.
A representao grfica de conjuntos convexos e no convexos, por meio de um exemplo ilustrativo,
est na Figura 3.1.

66

Cap_01-a-03.indd 66 1/25/2013 12:32:42 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.1 Exemplo de conjuntos convexos e no convexos.

A soluo grfica para um problema de maximizao e minimizao de programao linear com


uma nica soluo tima ser ilustrada por meio dos Exemplos 3.1 e 3.2, respectivamente. Tambm sero
apresentados os casos especiais (mltiplas solues timas, funo objetivo ilimitada, soluo infactvel
e soluo tima degenerada), por meio dos Exemplos 3.3, 3.4, 3.5 e 3.6.

3.2.1 Problema de Maximizao de Programao Linear com uma nica Soluo tima
A soluo grfica de um problema de maximizao de PL com uma nica soluo tima ser ilustrada
por meio do Exemplo 3.1.

Exemplo 3.1
Considere o seguinte problema de maximizao de PL:
max z = 6x1 + 4x2
sujeito a:
2x1 + 3x2 18
5x1 + 4x2 40
x1 6
x2 8
x1, x2 0
Determinar o conjunto de solues factveis, alm da soluo tima do modelo.

Soluo

Regio factvel

Nos eixos cartesianos x1 e x2, determina-se o espao de solues factveis que represente as restries
do modelo de maximizao estudado. Inicialmente, para cada restrio, traa-se a reta que represente
a equao de igualdade (sem considerar o sinal do tipo ou ) e, a partir da, determina-se a direo
da reta que satisfaa a desigualdade. Assim, para a primeira restrio, a reta que representa a equao
2x1 + 3x2 = 18 pode ser traada a partir de dois pontos. Se x1 = 0, tem-se que x2 = 6. Analogamente,
se x2 = 0, tem-se que x1 = 9. Para determinar o espao de solues ou a direo da reta que satisfaz a
desigualdade 2x1 + 3x2 18, podemos considerar qualquer ponto fora da reta. Usualmente, utiliza-se
o ponto de origem (x1, x2) = (0, 0), em funo de sua simplicidade. Verifica-se que o ponto de origem
satisfaz a primeira desigualdade, pois 0 + 0 18. Portanto, podemos identificar a direo da reta que
apresenta solues factveis, conforme mostra a Figura 3.2.
Da mesma forma, para a segunda restrio, a reta que representa a equao de igualdade
5x1 + 4x2 = 40 traada a partir de dois pontos. Se x1 = 0, tem-se que x2 = 10. Analogamente, se x2 = 0,
tem-se que x1 = 8. Verifica-se tambm que o ponto de origem satisfaz a desigualdade 5x1 + 4x2 40,
pois 0 + 0 40, representando a direo da reta que contm solues factveis, de acordo com a Figura
3.2.

67

Cap_01-a-03.indd 67 1/25/2013 12:32:42 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Analogamente, pode-se determinar o espao de solues factveis para as demais restries x1 6, x2 8,


x1 0 e x2 0.
As restries 5x1 + 4x2 40 e x2 8 so redundantes, isto , caso elas fossem excludas do modelo,
o espao de solues factveis no seria afetado.
A regio factvel representada pelo polgono de quatro lados ABCD. Qualquer ponto na superfcie
do polgono ou no seu interior representa a regio factvel. Por outro lado, qualquer ponto fora do polgono
no satisfaz pelo menos uma das restries do modelo.

Figura 3.2 Regio factvel do Exemplo 3.1.

Soluo tima

O passo seguinte busca determinar a soluo tima do modelo que maximize a funo z = 6x1 + 4x2,
dentro do espao de solues factveis determinado na Figura 3.2.
Como o espao de solues contm um nmero infinito de pontos, necessrio um procedimento
formal para identificar a soluo tima (Taha, 2007). Primeiramente, precisamos identificar a direo
correta em que a funo cresce (funo de maximizao). Para isso, traaremos diferentes retas com
base na equao da funo objetivo, atribuindo diferentes valores a z, por tentativa e erro. Identificada a
direo em que a funo objetivo aumenta, possvel identificar a soluo tima do modelo, dentro do
espao de solues factveis.
Primeiramente, atribuiu-se um valor de z = 24, seguido por z = 36, obtendo-se as equaes
6x1 + 4x2 = 24 e 6x1 + 4x2 = 36, respectivamente. A partir dessas duas equaes, foi possvel identificar
a direo, dentro do espao de solues factveis, que maximiza a funo objetivo, concluindo que o
ponto C o timo. Como o vrtice C a interseo das retas 2x1 + 3x2 = 18 e x1 = 6, os valores de
x1 e x2 podem ser calculados algebricamente a partir dessas duas equaes. Logo, tem-se que x1 = 6 e
x2 = 2 com z = 6 6 + 4 2 = 44. O procedimento completo apresentado na Figura 3.3.

68

Cap_01-a-03.indd 68 1/25/2013 12:32:43 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.3 Soluo tima do Exemplo 3.1.

Como todas as linhas so representadas pela equao z = 6x1 + 4x2, alterando apenas o valor de z,
conclui-se, pela Figura 3.3, que as retas so paralelas.

Outro importante teorema afirma que uma soluo tima de um problema de programao linear
est sempre associada a um vrtice ou ponto extremo do espao de solues:

Teorema 3.2

Para problemas de programao linear com uma nica soluo tima, a funo objetivo atinge seu
ponto mximo ou mnimo em um ponto extremo do conjunto convexo K.

3.2.2 Problema de Minimizao de Programao Linear com uma nica Soluo tima

Exemplo 3.2
Considere o seguinte problema de minimizao:
min z = 10x1 + 6x2
sujeito a
4x1 + 3x2 24
2x1 + 5x2 20
x1 8
x2 6
x1, x2 0

Determinar o conjunto de solues factveis e a soluo tima do modelo.

Soluo

Regio factvel

O mesmo procedimento do Exemplo 3.1 utilizado para obter o espao de solues factveis do
problema de minimizao.

69

Cap_01-a-03.indd 69 1/25/2013 12:32:43 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Primeiramente, determina-se a regio factvel a partir das restries do modelo de minimizao.


Considerando a primeira 4x1 + 3x2 24 e a segunda 2x1 + 5x2 20 restries, verifica-se que o ponto de
origem (x1, x2) = (0, 0) no satisfaz nenhuma das desigualdades. Assim, a direo factvel das duas retas
no contm esse ponto. Incluindo as restries x1 8 e x2 6, o espao de solues factveis tornou-se
limitado, como mostra a Figura 3.4. Diferentemente do Exemplo 3.1, verifica-se que, nesse caso, todas
as restries so no redundantes, isto , so responsveis pela definio da regio de factibilidade do
modelo. A regio factvel representada pelo polgono ABCD que est destacado na Figura 3.4.

Figura 3.4 Regio factvel do Exemplo 3.2.

Soluo tima

O mesmo procedimento do Exemplo 3.1 utilizado para encontrar a soluo tima do problema de
minimizao.
Busca-se, assim, determinar a soluo tima do modelo que minimize a funo z = 10x1 + 6x2,
dentro do espao de solues factveis determinado na Figura 3.4.
Para analisar a direo em que a funo objetivo decresce (funo de minimizao), diferentes valores
de z foram atribudos, por tentativa e erro. Primeiramente, atribui-se um valor de z = 72, obtendo-se a
equao 10x1 + 6x2 = 72, seguido por z = 60 em que 10x1 + 6x2 = 60. Dessa forma, foi possvel identificar
a direo que minimiza a funo objetivo, concluindo que o ponto D representa a soluo tima do
modelo (ver Figura 3.5).
As coordenadas x1 e x2 do ponto D podem ser calculadas algebricamente a partir das equaes
4x1 + 3x2 = 24 e 2x1 + 5x2 = 20, j que o ponto D a interseo dessas duas equaes. Assim, tem-se
que x1 = 1,5 e x2 = 6 com z = 10 1,5 + 6 6 = 51.
Da mesma forma que no exemplo anterior, o problema de PL apresenta uma nica soluo tima que
est associada a um vrtice timo do espao de solues (Teorema 3.2).

70

Cap_01-a-03.indd 70 1/25/2013 12:32:43 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.5 Soluo tima do Exemplo 3.2.

3.2.3 Casos Especiais


As Sees 3.2.1 e 3.2.2 apresentaram a soluo grfica de um problema de maximizao (Exemplo 3.1)
e minimizao (Exemplo 3.2), respectivamente, com uma nica soluo tima no degenerada. O conceito
grfico de soluo degenerada ser apresentado na Seo 3.2.3.4. Porm, alguns problemas de programao
linear no apresentam uma nica soluo tima no degenerada, podendo cair em um dos quatro casos:
Mltiplas solues timas
Funo objetivo z ilimitada
No existe soluo tima
Soluo tima degenerada
Esta seo tem como objetivo identificar, de forma grfica, cada um dos casos especiais listados que
podem ocorrer em um problema de programao linear. Estudaremos tambm como identific-los pelo
mtodo Simplex (ver Seo 3.4.6) e por computador (casos 2 e 3 na Seo 3.5.3 e casos 1 e 4, na Seo 4.2.4
do prximo captulo).

3.2.3.1 Mltiplas Solues timas


Um problema de programao linear pode apresentar mais de uma soluo tima. Nesse caso,
considerando um problema com duas variveis de deciso, diferentes valores de x1 e x2 alcanam o mesmo
valor timo na funo objetivo. Esse caso ilustrado, graficamente, por meio do Exemplo 3.3.
De acordo com Taha (2007), quando a funo objetivo paralela a uma restrio ativa, tem-se um caso com
mltiplas solues timas. A restrio ativa aquela responsvel pela determinao da soluo tima do modelo.

Exemplo 3.3
Determinar o conjunto de solues factveis e as solues timas do modelo, para o seguinte problema
de programao linear:
max z = 8 x1 + 4 x2
sujeito a:
4 x1 + 2 x2 16
x1 + x2 6
x1 , x2 0

71

Cap_01-a-03.indd 71 1/25/2013 12:32:43 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Soluo

O mesmo procedimento utilizado nos exemplos anteriores para encontrar a soluo tima foi
aplicado neste caso.
A Figura 3.6 apresenta a regio factvel determinada a partir das restries do modelo analisado.
Nota-se que o espao de solues factveis representado pelo polgono de quatro lados ABCD.
Para a determinao da soluo tima do modelo, atribuiu-se primeiramente um valor de z = 16,
obtendo-se a reta apresentada na Figura 3.6. Como a funo objetivo de maximizao, quanto maiores
os valores de x1 e x2, maior o valor da funo z, de modo que a direo em que a funo cresce pode
ser facilmente identificada. Nota-se que as retas representadas pelas equaes z = 16 = 8x1 + 4x2 e
4x1 + 2x2 = 16 so paralelas. Assim, verifica-se um caso com mltiplas solues timas representadas
pelo segmento BC. Por exemplo, para o ponto B, x1 = 4, x2 = 0, o valor de z 8 4 + 4 0 = 32. O
ponto C a interseo das retas 4x1 + 2x2 = 16 e x1 + x2 = 6. Calculando algebricamente, obtm-se
x1 = 2 e x2 = 4 com z = 8 2 + 4 4 = 32. Qualquer outro ponto desse segmento uma soluo tima
alternativa e tambm apresenta z = 32.

Surge, assim, um novo teorema:

Teorema 3.3

Para problemas de programao linear com mais de uma soluo tima, a funo objetivo assume
esse valor em pelo menos dois pontos extremos do conjunto convexo K e em todas as combinaes
lineares convexas desses pontos extremos (todos os pontos do segmento da reta que unem esses dois
extremos, ou seja, a aresta do polgono que contm esses extremos).

Figura 3.6 Regio factvel com mltiplas solues timas.

3.2.3.2 Funo Objetivo z Ilimitada

Nesse caso, no existe limite para o crescimento do valor de pelo menos uma varivel de deciso, resultando em
uma regio factvel e uma funo objetivo z ilimitada. Para um problema de maximizao, o valor da funo
objetivo cresce ilimitadamente, enquanto para um problema de minimizao, o valor decresce de forma
ilimitada.
O Exemplo 3.4 ilustra um caso, de forma grfica, que apresenta um conjunto ilimitado de solues,
resultando em um valor ilimitado da funo objetivo.

72

Cap_01-a-03.indd 72 1/25/2013 12:32:43 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Exemplo 3.4
Determinar o espao de solues factveis e a soluo tima do modelo para o seguinte problema de
programao linear:
max z = 4x1 + 3x2
sujeito a:
2x1 + 5x2 20
x1 8
x1, x2 0

Soluo

A partir das restries do Exemplo 3.4, obtm-se o espao de solues factveis, que neste caso
ilimitado, pois no existe limite para o crescimento de x2, conforme mostra a Figura 3.7. Consequentemente,
a funo objetivo z tambm pode crescer de forma ilimitada. O procedimento completo est ilustrado na
Figura 3.7.

Figura 3.7 Conjunto ilimitado de solues viveis e funo de maximizao z ilimitada.

3.2.3.3 No Existe Soluo tima

Nesse caso, no possvel encontrar uma soluo factvel para o problema estudado, ou seja, no
existe soluo tima. O conjunto de solues factveis vazio. O Exemplo 3.5 ilustra, em termos de
soluo grfica, um caso em que no existe soluo tima.

Exemplo 3.5
Considere o seguinte problema de programao linear:
max z = x1 + x2
sujeito a:
5x1 + 4x2 40
2x1 + x2 6
x1, x2 0
Determinar a regio factvel e a soluo tima do modelo de programao linear.

73

Cap_01-a-03.indd 73 1/25/2013 12:32:43 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Soluo

A Figura 3.8 apresenta a soluo grfica do Exemplo 3.5, considerando cada uma das restries do
modelo, alm da funo objetivo com valor arbitrrio de z = 7.
A partir da Figura 3.8, pode-se identificar que nenhum ponto satisfaz todas as restries do problema.
Isso significa que o espao de solues viveis no Exemplo 3.5 vazio, resultando em problema de PL
infactvel que no tem soluo tima.

Figura 3.8 Conjunto vazio de solues factveis sem soluo tima.

3.2.3.4 Soluo tima Degenerada

Pode-se identificar, graficamente, um caso especial de soluo degenerada quando um dos vrtices da regio
factvel obtido pela interseo de mais de duas retas distintas. Tem-se, portanto, um vrtice degenerado. Se
a degenerao ocorrer na soluo tima, tem-se um caso conhecido como soluo tima degenerada.
O conceito de soluo degenerada e o problema da degenerao esto mais bem detalhados nas
Sees 3.4.6.4 do presente captulo (identificao de uma soluo tima degenerada pelo mtodo
Simplex) e 4.2.4.2 do prximo captulo (identificao de uma soluo tima degenerada pelo Relatrio de
Sensibilidade do Solver do Excel).

Exemplo 3.6
Considere o seguinte problema de programao linear:
min z = x1 + 5x2
sujeito a:
2x1 + 4x2 16
x1 + x2 6
x1 4
x1, x2 0
Determine a regio factvel e a soluo tima do modelo de programao linear.

74

Cap_01-a-03.indd 74 1/25/2013 12:32:44 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Soluo
O espao de solues factveis do Exemplo 3.6 est ilustrado na Figura 3.9, representado pelo tringulo
ABC. Nota-se que a restrio x1 4 redundante. Como o vrtice B a interseo de trs retas, tem-se um
vrtice degenerado.
A funo de minimizao consiste na equao z = x1 + 5x2 que busca o ponto mnimo que satisfaa
todas as restries do modelo. Assim, a partir de um valor de z = 50, possvel identificar a direo da
reta que minimiza a funo z, conforme mostra a Figura 3.9. Dessa forma, podemos notar que o ponto B
consiste na soluo tima degenerada. Como o ponto B a interseo das retas 2x1 + 4x2 = 16 e x1 + x2 = 6,
as coordenadas x1 e x2 podem ser calculadas algebricamente a partir dessas equaes. Logo, tem-se que
x1 = 4 e x2 = 2 com z = 4 + 5 2 = 14.

Figura 3.9 Regio vivel com soluo tima degenerada.

3.3 Soluo Analtica de um Problema de Programao Linear em que m < n


Na Seo 3.2, foi apresentado o procedimento grfico para soluo de problemas de PL. Esta seo
apresenta o procedimento analtico para a soluo de um problema de programao linear.
Considere um sistema Ax = b de m equaes lineares e n variveis, em que m < n. Segundo Taha
(2007), se m = n e as equaes so coerentes, o sistema tem uma nica soluo. Em casos em que m > n,
pelo menos m n equaes devem ser redundantes. Porm, se m < n e as equaes tambm forem coerentes,
o sistema ter um nmero infinito de solues.
Para encontrar uma soluo para o sistema Ax = b, em que m < n, primeiramente escolhe-se um conjunto
de variveis n m de x, chamadas variveis no bsicas (VNB), as quais so atribudas valores iguais a
zero. As m variveis restantes do sistema, chamadas variveis bsicas (VB), so ento determinadas. Essa
soluo chamada soluo bsica (SB). O conjunto de variveis bsicas chamado base.
Se a soluo bsica atende as restries de no negatividade, isto , as variveis bsicas so no
negativas, a mesma chamada soluo bsica factvel (SBF).
Segundo Winston (2004), uma varivel bsica tambm pode ser definida como aquela que apresenta
coeficiente 1 em apenas uma equao e 0 nas demais. Todas as variveis restantes so no bsicas.
Para o clculo da soluo tima, basta calcular o valor da funo objetivo z de todas as possveis solues
bsicas e escolher a melhor alternativa. O nmero mximo de solues bsicas a serem calculadas :

n n!
Cmn = =
m m!(n m)! (3.1)

75

Cap_01-a-03.indd 75 1/25/2013 12:32:44 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Portanto, o mtodo analtico aplicado nesta seo analisa todas as possveis combinaes de n
variveis escolhidas m a m, escolhendo a melhor delas. A resoluo por um sistema de equaes lineares
vivel em casos em que m e n so pequenos. Porm, para valores elevados de m e n, o clculo torna-se
impraticvel. Como alternativa, pode-se utilizar o mtodo Simplex que ser estudado na Seo 3.4.

Exemplo 3.7
Considere o seguinte sistema com trs variveis e duas equaes:
x1 + 2x2 + 3x3 = 28
3x1 x3 = 4
Determinar todas as solues bsicas para esse sistema.

Soluo

Para um sistema com trs variveis e duas equaes, tem-se n m = 3 2 = 1 variveis no bsica e
m = 2 variveis bsicas. O nmero total de solues bsicas possveis, neste exemplo, 3.

Soluo 1

VNB = {x1} e VB = {x2, x3}


Atribui-se o valor zero varivel no bsica, isto , x1 = 0. Dessa forma, calculam-se algebricamente
os valores das variveis x2 e x3 da soluo bsica, a partir do sistema de equaes do enunciado. Logo,
x2 = 20 e x3 = 4.
Como x3 < 0, a soluo infactvel.

Soluo 2

VNB = {x2} e VB = {x1, x3}


Se x2 = 0, a soluo bsica x1 = 4 e x3 = 8. Tem-se, portanto, uma soluo bsica factvel (SBF).

Soluo 3

VNB = {x3} e VB = {x1, x2}


Se x3 = 0, a soluo bsica x1 = 1,33 e x2 = 13,33. Da mesma forma que no caso anterior, tem-se
aqui uma SBF.

Exemplo 3.8
Considere o seguinte problema de programao linear:
max 3x1 + 2x2
sujeito a:
x1 + x2 6
5x1 + 2x2 20
x1, x2 0
Resolver o problema de forma analtica.

76

Cap_01-a-03.indd 76 1/25/2013 12:32:44 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Soluo

Para que o procedimento de soluo analtico possa ser aplicado, o problema deve estar na forma
padro (ver Seo 2.3.1, do Captulo 2). Para que as restries de desigualdade possam ser reescritas na
forma de igualdade, devem ser includas as variveis de folga x3 e x4. Assim, o problema original reescrito
na forma padro passa a ser:
max 3x1 + 2x2
sujeito a
x1 + x2 + x3 =6
5x1 + 2x2 + x4 = 20 (3.2)
x1, x2, x3, x4 0

O sistema tem m = 2 equaes e n = 4 variveis. Para que uma soluo bsica seja encontrada, sero
atribudos valores iguais a zero a n m = 4 2 = 2 variveis no bsicas, de forma que os valores das m = 2
variveis bsicas restantes possam ser determinados pelo sistema de equaes (2). O total de solues bsicas
nesse exemplo :

4 4!
C24 = = =6
2 2!(4 2)!

Soluo A

VNB = {x1, x2} e VB = {x3, x4}


Atribuiu-se, primeiramente, o valor zero s variveis no bsicas x1 e x2, de forma que os valores das
variveis bsicas x3 e x4 possam ser calculados algebricamente a partir do sistema de equaes (2). Logo,
tem-se que:

Soluo no bsica: x1 = 0 e x2 = 0
Soluo bsica: x3 = 6 e x4 = 20
Funo objetivo: z=0

O mesmo clculo ser efetuado para obteno de diferentes solues bsicas. A cada nova soluo,
uma varivel do conjunto de variveis no bsicas entra no conjunto de variveis bsicas (base) e,
consequentemente, uma sair da base.

Soluo B

Nesse caso, a varivel x1 entra na base no lugar da varivel x4 que passa a fazer parte do conjunto de
variveis no bsicas.
VNB = {x2, x4} e VB = {x1, x3}

Soluo no bsica: x2 = 0 e x4 = 0
Soluo bsica: x1 = 4 e x3 = 2
Funo objetivo: z = 12

77

Cap_01-a-03.indd 77 1/25/2013 12:32:44 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Soluo C

Nesse caso, a varivel x4 entra na base no lugar da varivel x3.


VNB = {x2, x3} e VB = {x1, x4}

Soluo no bsica: x2 = 0 e x3 = 0
Soluo bsica: x1 = 6 e x4 = 10

Como x4 < 0, a soluo infactvel.

Soluo D

Nesse caso, a varivel x2 entra na base no lugar da varivel x4.


VNB = {x3, x4} e VB = {x1, x2}

Soluo no bsica: x3 = 0 e x4 = 0
Soluo bsica: x1 = 2,67 e x2 = 3,33
Funo objetivo: z = 14,7

Soluo E

Nesse caso, a varivel x4 entra na base no lugar da varivel x1.


VNB = {x1, x3} e VB = {x2, x4}

Soluo no bsica: x1 = 0 e x3 = 0
Soluo bsica: x2 = 6 e x4 = 8
Funo objetivo: z = 12

Soluo F

Nesse caso, a varivel x3 entra na base no lugar da varivel x4.


VNB = {x1, x4} e VB = {x2, x3}

Soluo no bsica: x1 = 0 e x4 = 0
Soluo bsica: x2 = 10 e x3 = 4

Como x3 < 0, a soluo infactvel.


Logo, a soluo tima a D, com x1 = 2,67, x2 = 3,33, x3 = 0, x4 = 0 e z = 14,67.

A Figura 3.10 apresenta a soluo grfica para cada uma das seis solues obtidas, a partir dos eixos
cartesianos x1 e x2. As solues A, B, D e E correspondem a um ponto extremo da regio factvel. J as
solues C e F, por serem infactveis, no pertencem ao conjunto de solues factveis. Da surge um novo
teorema.

Teorema 3.4

Toda soluo bsica factvel de um problema de programao linear um ponto extremo do conjunto
K convexo.

78

Cap_01-a-03.indd 78 1/25/2013 12:32:44 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.10 Representao grfica do Exemplo 3.8.

3.4 Mtodo Simplex


Como apresentado na Seo 3.2, a soluo grfica pode ser aplicada para a resoluo de problemas de
programao linear com duas ou, no mximo, trs variveis de deciso (maior complexidade). Da mesma
forma, a soluo analtica apresentada na Seo 3.3 torna-se impraticvel para problemas com muitas
variveis e equaes, pois calcula todas as possveis solues bsicas, para ento determinar a soluo tima.
Como alternativa, o mtodo Simplex pode ser aplicado para a resoluo de qualquer problema de PL.
A origem do mtodo Simplex para resoluo de problemas de programao linear deu-se em 1947,
com a disseminao da Pesquisa Operacional nos Estados Unidos depois da Segunda Guerra Mundial, por
uma equipe liderada por George B. Dantzig.
Para Goldbarg e Luna (2005), o algoritmo Simplex o mtodo mais utilizado para a soluo de
problemas de programao linear.
O mtodo Simplex um procedimento algbrico iterativo que parte de uma soluo bsica factvel
inicial e busca, a cada iterao, uma nova soluo bsica factvel com melhor valor na funo objetivo, at
que o valor timo seja atingido. Os detalhes do algoritmo sero discutidos na prxima seo.
Esta seo est dividida em trs partes. A lgica do mtodo Simplex apresentada na Seo 3.4.1.
Na Seo 3.4.2, o mtodo Simplex descrito na forma analtica. A forma tabular do mtodo Simplex
discutida na Seo 3.4.3.

3.4.1 A Lgica do Mtodo Simplex


O algoritmo Simplex um mtodo iterativo que parte de uma soluo bsica factvel inicial e busca,
a cada iterao, uma nova soluo bsica factvel, chamada soluo bsica factvel adjacente, com melhor
valor na funo objetivo, at que o valor timo seja atingido. O conceito de SBF adjacente est descrito
a seguir.
A partir de uma soluo bsica atual, uma varivel no bsica entra na base no lugar de outra varivel
bsica que passa a ser no bsica, gerando uma nova soluo chamada soluo bsica adjacente. Para
um problema com m variveis bsicas e n m variveis no bsicas, duas solues bsicas so adjacentes
se elas tiverem em comum m 1 variveis bsicas, podendo as mesmas apresentar valores numricos
diferentes. Isso implica tambm que n m 1 variveis no bsicas sejam comuns.

79

Cap_01-a-03.indd 79 1/25/2013 12:32:44 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Se a soluo bsica adjacente atende as restries de no negatividade, ela chamada soluo bsica
factvel adjacente (SBF adjacente).
De acordo com o Teorema 3.4, toda soluo bsica factvel um ponto extremo (vrtice) da regio
factvel. Dessa forma, dois vrtices so adjacentes se esto ligados por um segmento de reta chamado
aresta, o que significa que eles compartilham n 1 restries.
A descrio geral do algoritmo Simplex apresentada na Figura 3.11. Analogamente ao procedimento
analtico, para que o mtodo Simplex seja aplicado, o problema deve estar na forma padro (ver Seo
2.3.1, do Captulo 2).

Figura 3.11 Descrio geral do algoritmo Simplex.

Incio: O problema deve estar na forma padro.


Passo 1: Encontrar uma SBF inicial para o problema de PL.
SBF inicial = SBF atual
Passo 2: Verificar se a SBF atual a soluo tima do problema de PL.
Enquanto a SBF atual no a soluo tima do problema de PL faa
Encontrar uma SBF adjacente com melhor valor na funo objetivo
SBF adjacente = SBF atual
Fim enquanto

O algoritmo tambm pode ser descrito por meio de um fluxograma, conforme mostra a Figura 3.12.

Figura 3.12 Fluxograma da descrio geral do algoritmo Simplex.

Fonte: Lachtermarcher (2009).

3.4.2 Soluo Analtica do Mtodo Simplex para Problemas de Maximizao


Cada um dos passos do algoritmo geral descrito nas Figuras 3.11 e 3.12 est reescrito na
Figura 3.13 de forma detalhada, baseado em Hillier e Lieberman (2005), para soluo analtica do
mtodo Simplex de problemas de programao linear em que a funo objetivo z de maximizao
(max z = c1 x1 + c2 x2 + .... + cn xn = 0).

80

Cap_01-a-03.indd 80 1/25/2013 12:32:45 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.13 Passos detalhados do algoritmo geral das Figuras 3.11 e 3.12 para a soluo de problemas de
maximizao de PL pela forma analtica do mtodo Simplex.
Incio: O problema deve estar na forma padro.
Passo 1: Encontrar uma soluo bsica factvel (SBF) inicial para o problema de PL.
Uma SBF inicial pode ser obtida atribuindo valores iguais a zero s variveis de deciso. Para que essa soluo seja factvel, nenhuma
das restries do problema pode ser violada.
Passo 2: Teste de otimalidade.
Uma soluo bsica factvel tima se no houver solues bsicas factveis adjacentes melhores. Uma SBF adjacente melhor
do que a SBF atual se houver um incremento positivo no valor da funo objetivo z. Analogamente, uma SBF adjacente pior do
que a SBF atual se o incremento em z for negativo. Enquanto pelo menos uma das variveis no bsicas da funo objetivo z tiver
coeficiente positivo, h uma SBF adjacente melhor.
Iterao: Determinar uma SBF adjacente melhor.
A direo de maior incremento em z deve ser identificada, para que uma melhor soluo bsica factvel seja determinada. Para isso,
trs passos devem ser tomados:
1. Determinar a varivel no bsica que passar para o conjunto de variveis bsicas (base). Ela deve ser aquela que tem maior
incremento em z, isto , com maior coeficiente positivo em z.
2. Escolher a varivel bsica que passar para o conjunto de variveis no bsicas. A varivel escolhida a sair da base deve ser
aquela que limita o crescimento da varivel no bsica selecionada no passo anterior a entrar na base.
3. Resolver o sistema de equaes recalculando os valores da nova soluo bsica adjacente. Antes disso, o sistema de equaes
deve ser convertido para uma forma mais conveniente, por meio de operaes algbricas elementares, utilizando o mtodo
de eliminao de Gauss-Jordan. A partir do novo sistema de equaes, cada nova equao deve possuir apenas uma varivel
bsica com coeficiente igual a 1, cada varivel bsica deve aparecer em apenas uma equao, e a funo objetivo deve ser
escrita em funo das variveis no bsicas, de forma que os valores das novas variveis bsicas e da funo objetivo z
podem ser obtidos diretamente, e o teste de otimalidade pode ser verificado facilmente.

No Exemplo 3.8, da Seo 3.3, para o clculo da soluo tima do modelo, foram calculadas todas
as possveis solues bsicas e escolhida a melhor delas. O mesmo exerccio resolvido no Exemplo 3.9,
porm pela soluo analtica do mtodo Simplex.

Exemplo 3.9
Resolver o problema a seguir pela soluo analtica do mtodo Simplex.
max z = 3x1 + 2x2
sujeito a:
x1 + x2 6
5x1 + 2x2 20
x1, x2 0

Soluo

Cada um dos passos do algoritmo ser detalhado a seguir, baseado em Hillier e Lieberman (2005).
Incio: O problema deve estar na forma padro:
max z = 3x1 + 2x2 (0)
sujeito a:
x1 + x2 + x3 =6 (1)
5x1 + 2x2 + x4 = 20 (2) (3.3)
x1, x2 x3, x4 0 (3)

81

Cap_01-a-03.indd 81 1/25/2013 12:32:45 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Passo 1: Encontrar uma SBF inicial para o problema de PL.


Uma soluo bsica inicial pode ser obtida atribuindo valores iguais a zero s variveis de deciso x1
e x2 (variveis no bsicas).
Note que os valores das variveis bsicas (x3, x4) podem ser obtidos imediatamente a partir do sistema
de equaes (3.3), j que cada equao possui apenas uma varivel bsica com coeficiente 1 e cada varivel
bsica aparece em apenas uma equao. Alm disso, como a funo objetivo est escrita em funo de
cada uma das variveis no bsicas, o teste de otimalidade pode ser facilmente aplicado no Passo 2. O
resultado completo da soluo inicial :
VNB = {x1, x2} e VB = {x3, x4}

Soluo no bsica: x1 = 0 e x2 = 0
Soluo bsica factvel: x3 = 6 e x4 = 20
Soluo: {x1, x2, x3, x4} = {0, 0, 6, 20}
Funo objetivo: z = 0

Essa soluo corresponde ao vrtice A da regio factvel ilustrada no Exemplo 3.8, da Seo 3.3,
conforme apresentado na Figura 3.10.

Passo 2: Teste de otimalidade.


Podemos afirmar que a SBF inicial obtida no Passo 1 no tima, j que os coeficientes das variveis
no bsicas x1 e x2 na funo objetivo do sistema de equaes (3.3) so positivos. Se qualquer uma das
variveis deixar de assumir o valor zero, passando a assumir um valor positivo, haver um incremento
positivo no valor da funo objetivo z. Dessa forma, possvel obter uma SBF adjacente melhor.

Iterao 1: Determinar uma SBF adjacente melhor.


Cada um dos trs passos a serem implementados nessa iterao est detalhado a seguir.
1. Varivel no bsica que entrar na base.
De acordo com o sistema de equaes (3.3), pode-se verificar que a varivel x1 possui maior coeficiente
positivo na funo objetivo comparada com a varivel x2, gerando assim maior incremento positivo em z,
caso fossem consideradas as mesmas unidades de medida para x1 e x2. Logo, a varivel no bsica escolhida
a entrar na base x1:

VNB = x1 , x2

2. Varivel bsica que sair da base.
Para selecionar a varivel bsica que sair da base, devemos escolher aquela que limita o crescimento
da varivel no bsica escolhida no passo anterior a entrar na base (x1). Para isso, primeiramente, devemos
atribuir o valor zero s variveis que permaneceram no bsicas (nesse caso apenas x2) em todas as
equaes. A partir da, pode-se obter as equaes de cada uma das variveis bsicas em funo da varivel
no bsica escolhida a entrar na base (x1). Como todas as variveis bsicas devem assumir valores no
negativos, inserindo-se o sinal de desigualdade do tipo 0 em cada uma das restries pode-se identificar
a varivel bsica que limita o crescimento de x1.
Assim, atribuindo o valor zero varivel x2 nas equaes 1 e 2 do sistema de equaes (3.3), pode-se
obter as equaes das variveis bsicas x3 e x4 em funo de x1:
x3 = 6 x1
x4 = 20 5x1

82

Cap_01-a-03.indd 82 1/25/2013 12:32:45 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Como as variveis x3 e x4 devem assumir valores no negativos, logo:


x3 = 6 x1 0 x1 6
x4 = 20 5 x1 0 x1 4
Podemos concluir que a varivel que limita o crescimento de x1 a varivel x4, j que o valor mximo
que x1 pode atingir a partir de x4 menor comparado varivel x3 (4 < 6). Portanto, a varivel bsica
escolhida para sair da base x4:


VB = x3 , x4

3. Transformar o sistema de equaes utilizando o mtodo de eliminao de Gauss-Jordan e recalcular a


soluo bsica.
Conforme mostrado nos dois passos anteriores, a varivel x1 entra na base no lugar da varivel x4,
de forma a gerar uma soluo bsica adjacente melhor. Portanto, o conjunto de variveis no bsicas e o
conjunto de variveis bsicas passa a ser:

VNB = {x2, x4} e VB = {x1, x3}

Busca-se, nessa etapa, recalcular os valores da nova soluo bsica factvel. Como x4 representa a
nova varivel no bsica na soluo adjacente, juntamente com x2 que permaneceu no bsica, tem-se
que x2 = 0 e x4 = 0. A partir da, os valores das variveis bsicas x1 e x3 da soluo adjacente devem ser
recalculados, alm do valor da funo objetivo z.
Primeiramente, o sistema de equaes deve ser convertido, por meio de operaes elementares,
para uma forma mais conveniente, utilizando-se o mtodo de eliminao de Gauss-Jordan, de modo
que cada equao possua apenas uma varivel bsica (x1 ou x3) com coeficiente igual a 1, cada varivel
bsica aparea em apenas uma equao e de forma que a funo objetivo possa ser escrita em funo das
variveis no bsicas x2 e x4.
Para isso, os coeficientes da varivel x1 no sistema de equaes atual (3.3) devem ser transformados de
3, 1 e 5 (equao 0, 1 e 2, respectivamente) para 0, 0 e 1 (coeficientes da varivel x4 no sistema de equaes
atual). Duas operaes algbricas elementares a serem utilizadas, segundo Hillier e Lieberman (2005), so:
Multiplicar (ou dividir) uma equao por uma constante diferente de zero.
Adicionar (ou subtrair) um mltiplo de uma equao antes (ou depois) de outra equao.
Primeiramente, converteremos o coeficiente da varivel x1 na equao 2 do sistema de equaes (3.3)
de 5 para 1. Para isso, basta dividir a equao 2 por 5, de forma que a nova equao (3.4) passa a ser escrita
em funo de uma nica varivel bsica (x1) com coeficiente 1:

2 1
x1 + x2 + x4 = 4 (3.4)
5 5

Outra transformao deve ser efetuada de modo a converter o coeficiente da varivel x1 na equao 1 do
sistema de equaes (3.3) de 1 para 0. Para isso, basta subtrair a equao (3.4) da equao 1 de (3.3), de forma
que a nova equao (3.5) passa a ser escrita em funo de uma nica varivel bsica (x3) com coeficiente 1:

3 1 (3.5)
x2 + x3 x4 = 2
5 5

83

Cap_01-a-03.indd 83 1/25/2013 12:32:45 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Finalmente, deve-se converter o coeficiente da varivel x1 na funo objetivo (equao 0 do sistema


de equaes (3.3) de 3 para 0. Para isso, basta multiplicar a equao (3.4) por 3 e subtra-la da equao 0
de (3.3), de forma que a nova equao (3.6) passa a ser escrita em funo de x2 e x4:
4 3
z= x2 x4 + 12 (3.6)
5 5

O sistema de equaes completo, obtido aps a aplicao do mtodo de eliminao de Gauss-Jordan,


:
4 3
(0) z= x2 x4 + 12
5 5
3 1
(1) x2 + x3 x4 = 2 (3.7)
5 5
2 1
(2) x1 + x2 + x4 = 4
5 5

A partir do novo sistema de equaes (3.7), possvel obter imediatamente os novos valores de x1, x3
e z. O resultado completo da nova soluo :
VNB = {x2, x4} e VB = {x1, x3}

Soluo no bsica: x2 = 0 e x4 = 0
Soluo bsica factvel: x1 = 4 e x3 = 2
Soluo: {x1, x2, x3, x4} = {4, 0, 2, 0}
Funo objetivo: z = 12

Essa soluo corresponde ao vrtice B da regio factvel ilustrada no Exemplo 3.8 da Seo 3.3 (Figura
3.10). Portanto, houve um movimento do ponto extremo A para o B (A B).
Dessa forma, foi possvel obter uma SBF adjacente melhor, j que houve um incremento positivo em
z comparado com a SBF atual. A SBF adjacente obtida nessa iterao passa a ser a SBF atual.

Passo 2: Teste de otimalidade.


A SBF atual ainda no a tima, j que o coeficiente da varivel no bsica x2 na equao 0 do sistema
de equaes (3.7) positivo. Se essa varivel passar a assumir qualquer valor positivo, haver um incremento
positivo no valor da funo objetivo z. Dessa forma, possvel obter uma SBF adjacente melhor.

Iterao 2: Determinar uma SBF adjacente melhor.


Os trs passos a serem implementados para determinar uma nova SBF adjacente esto detalhados a
seguir.
1. Varivel no bsica que entrar na base.
De acordo com o novo sistema de equaes (3.7), pode-se verificar que a varivel x2 a nica com
coeficiente positivo na equao 0, de forma a gerar um incremento positivo na funo objetivo z para
qualquer valor positivo que a varivel x2 possa assumir. Logo, a varivel escolhida a passar do conjunto de
variveis no bsicas para o conjunto de variveis bsicas x2:

VNB = x2 , x4

84

Cap_01-a-03.indd 84 1/25/2013 12:32:45 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

2. Varivel bsica que sair da base.


A varivel bsica que sair da base aquela que limita o crescimento da varivel no bsica escolhida
no passo anterior a entrar na base (x2). Atribuindo o valor zero varivel que permaneceu no bsica
(x4 = 0), em cada uma das equaes 1 e 2 de (3.7), possvel obter as equaes de cada uma das variveis
bsicas x1 e x3 da soluo bsica atual em funo da varivel no bsica escolhida a entrar na base (x2):

2
x1 = 4 x2
5
3
x3 = 2 x2
5

Como as variveis x1 e x3 devem assumir valores no negativos, logo:

2
x1 = 4 x2 0 x2 10
5
3 10
x3 = 2 x2 0 x2
5 3

Podemos concluir que a varivel que limita o crescimento de x2 a varivel x3, j que o valor mximo
que x2 pode assumir a partir de x3 menor comparado varivel x1. Portanto, a varivel bsica escolhida
para sair da base x3:

VB = x1 , x3

3. Transformar o sistema de equaes utilizando o mtodo de eliminao de Gauss-Jordan e recalcular a


soluo bsica.
Conforme mostrado nos dois passos anteriores, a varivel x2 entra na base no lugar da varivel x3,
de forma a gerar uma soluo bsica adjacente melhor. Portanto, o conjunto de variveis no bsicas e o
conjunto de variveis bsicas passa a ser:

VNB = {x3, x4} e VB = {x1, x2}

Antes de calcular os valores da nova soluo bsica, o sistema de equaes deve ser convertido por
meio do mtodo de eliminao de Gauss-Jordan.
Nesse caso, os coeficientes da varivel x2 no sistema de equaes atual (3.7) devem ser transformados
de 4/5, 3/5 e 2/5 (equaes 0, 1 e 2, respectivamente) para 0, 1 e 0 (coeficientes da varivel x3 no sistema
de equaes atual), por meio de operaes algbricas elementares.
Primeiramente, converteremos o coeficiente da varivel x2 na equao 1 de (3.7) de 3/5 para 1. Para
isso, basta multiplicar a equao 1 por 5/3, de forma que a nova equao (3.8) passa a ser escrita em
funo de uma nica varivel bsica (x2) com coeficiente 1:

5 1 10
x2 + x3 x4 = (3.8)
3 3 3

85

Cap_01-a-03.indd 85 1/25/2013 12:32:45 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Analogamente, deve-se converter o coeficiente da varivel x2 na equao 2 de (3.7) de 2/5 para 0.


Para isso, basta multiplicar a equao (3.8) por 2/5 e subtra-la da equao 2 de (3.7), de forma que a nova
equao (3.9) passa a ser escrita em funo de uma nica varivel bsica (x1) com coeficiente 1:
2 1 8
x1 x3 + x4 = (3.9)
3 3 3

Finalmente, deve-se converter o coeficiente da varivel x2 na funo objetivo (equao 0 do sistema


de equaes (3.7) de 4/5 para 0. Para isso, basta multiplicar a equao (3.8) por 4/5 e subtra-la da equao
0 de (3.7), de forma que a nova equao (3.10) passa a ser escrita em funo de x3 e x4:

4 1 44
z = x3 x4 + (3.10)
3 3 3

O sistema de equaes completo est representado em (11):


4 1 44
(0) z= x3 x4 + (3.11)
3 3 3
5 1 10
(1) x2 + x3 x4 =
3 3 3
2 1 8
(2) x1 x3 + x4 =
3 3 3
A partir do novo sistema de equaes (3.11), possvel obter imediatamente os novos valores de x1,
x2 e z. O resultado completo da nova soluo :
VNB = {x3, x4} e VB = {x1, x2}

Soluo no bsica: x3 = 0 e x4 = 0
Soluo bsica factvel: x1 = 8/3 = 2,67 e x2 = 10/3 = 3,33
Soluo: {x1, x2, x3, x4} = {8/3, 10/3, 0, 0}
Funo objetivo: z = 44/3 = 14,67

Essa soluo corresponde ao vrtice D da regio factvel ilustrada na Figura 3.10. A direo de
incremento em z, a partir da soluo inicial, passa pelos vrtices A B D da soluo grfica.
Assim, foi possvel obter uma SBF adjacente melhor, j que houve um incremento positivo em z
comparada com a SBF atual. A SBF adjacente obtida nessa iterao passa a ser a SBF atual.

Passo 2: Teste de otimalidade.


A SBF atual a tima, j que os coeficientes das variveis no bsicas x3 e x4 na equao 0 do sistema
de equaes (3.11) so negativos. Portanto, no mais possvel nenhum incremento positivo no valor da
funo objetivo z, finalizando aqui o algoritmo do Exemplo 3.9.

3.4.3 Forma Tabular do Mtodo Simplex para Problemas de Maximizao


A seo anterior apresentou o procedimento analtico do mtodo Simplex para resoluo de um
problema de maximizao de programao linear. Esta seo apresenta o mtodo Simplex na forma tabular.
Para a compreenso da lgica do algoritmo Simplex, importante utilizar o mtodo Simplex na forma
analtica. Porm, quando o clculo for feito manualmente, mais conveniente utilizar a forma tabular. A
forma tabular utiliza os mesmos conceitos apresentados na Seo 3.4.2, porm de maneira mais prtica.

86

Cap_01-a-03.indd 86 1/25/2013 12:32:46 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Conforme apresentado na Seo 2.3.1, do captulo anterior, a forma padro de um modelo geral de
maximizao de programao linear :
max z = c1 x1 + c2 x2 + ... + cn xn
sujeito a:
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2n xn = b2 (3.12)

am1 x1 + am2 x2 + ... + amn xn = bm
xi 0, i = 1, 2,..., m

Esse mesmo modelo pode ser representado na forma tabular:

Quadro 3.1 Modelo geral de programao linear na forma tabular


Coeficientes
no da equao Constante
z x1 x2 xn
0 1 c1 c2 cn 0
1 0 a11 a12 a1n b1
2 0 a21 a22 a2n b2

m 0 am1 am2 amn bm

De acordo com o Quadro 3.1, podemos verificar que a funo z de maximizao, na forma tabular,
passa a ser reescrita como z c1x1 c2x2 ... cnxn = 0. As colunas intermedirias apresentam os coeficientes
das variveis do lado esquerdo de cada equao, alm do coeficiente de z. As constantes do lado direito de
cada equao esto representadas na ltima coluna.
Cada um dos passos do algoritmo geral descrito nas Figuras 3.11 e 3.12 est reescrito na Figura 3.14,
de forma detalhada, para a soluo de problemas de maximizao de programao linear pela forma
tabular do mtodo Simplex. A lgica apresentada nesta seo a mesma da soluo analtica do mtodo
Simplex, porm, em vez de utilizar um sistema algbrico de equaes, a soluo calculada diretamente
da forma tabular, utilizando os conceitos de coluna piv, linha piv e nmero piv, que sero definidos
ao longo do algoritmo.

Figura 3.14 Passos detalhados do algoritmo geral das Figuras 3.11 e 3.12 para a soluo de problemas de
maximizao de PL pela forma tabular do mtodo Simplex.
Incio: O problema deve estar na forma padro.
Passo 1: Encontrar uma SBF inicial para o problema de PL.
Analogamente forma analtica do mtodo Simplex apresentada na Seo 3.4.2, uma soluo bsica inicial pode ser obtida atribuindo
valores iguais a zero s variveis de deciso. A SBF inicial corresponde SBF atual.
Passo 2: Teste de otimalidade.
A SBF atual tima se, e somente se, os coeficientes de todas as variveis no bsicas da equao 0 da forma tabular so no
negativos ( 0). Enquanto houver pelo menos uma das variveis no bsicas com coeficiente negativo na equao 0, h uma SBF
adjacente melhor.
Iterao: Determinar uma SBF adjacente melhor.

87

Cap_01-a-03.indd 87 1/25/2013 12:32:46 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A direo de maior incremento em z deve ser identificada, para que uma melhor soluo bsica factvel seja determinada. Para isso,
trs passos devem ser tomados:
1. Determinar a varivel no bsica que entrar na base.
Ela deve ser aquela que tem maior incremento em z, isto , com maior coeficiente negativo na equao 0. A coluna da varivel no
bsica escolhida a entrar na base chamada coluna piv.
2. Determinar a varivel bsica que sair da base.
Analogamente forma analtica, a varivel escolhida deve ser aquela que limita o crescimento da varivel no bsica selecionada no
passo anterior a entrar na base. Para que a varivel seja escolhida, trs etapas so necessrias, conforme apresentado em Hillier e
Lieberman (2005):
a) Selecionar os coeficientes positivos da coluna piv que representam os coeficientes da nova varivel bsica em cada restrio do
modelo atual.
b) Para cada coeficiente positivo selecionado no passo anterior, dividir a constante da mesma linha por ele.
c) Identificar a linha com menor quociente. Essa linha contm a varivel que sair da base.
A linha que contm a varivel bsica escolhida a sair da base chamada linha piv. O nmero piv o valor que corresponde
interseo da linha piv com a coluna piv.
3. Transformar a forma tabular atual utilizando o mtodo de eliminao de Gauss-Jordan e recalcular a soluo bsica.
Analogamente soluo analtica, a forma tabular atual deve ser convertida para uma forma mais conveniente, por meio de
operaes elementares, de forma que os valores das novas variveis bsicas e da funo objetivo z podem ser obtidos diretamente
na nova forma tabular. A funo objetivo passa a ser reescrita em funo das novas variveis no bsicas da soluo adjacente, de
forma a verificar facilmente o teste de otimalidade.
A nova forma tabular, segundo Taha (2007), obtida aps as seguintes operaes elementares:
a) Nova linha piv = linha piv atual nmero piv
b) Para as demais linhas, incluindo z:
Nova linha = (linha atual) (coeficiente da coluna piv da linha atual) (nova linha piv)

O Exemplo 3.9 apresentou a resoluo de um problema de programao linear pela soluo analtica
do mtodo Simplex. O mesmo exerccio ser resolvido no Exemplo 3.10 pela forma tabular do mtodo
Simplex.

Exemplo 3.10
Resolver o problema a seguir pela forma tabular do mtodo Simplex.
max z = 3x1 + 2x2
sujeito a:
x1 + x2 6
5x1 + 2x2 20
x1, x2 0

Soluo

O problema de maximizao tambm deve estar na forma padro:


max z = 3 x1 + 2 x2 (0)
sujeito a:
x1 + x2 + x3 =6 (1)
5x1 + 2x2 + x4 = 20 (2) (3.13)
x1, x2, x3, x4 0 (3)

88

Cap_01-a-03.indd 88 1/25/2013 12:32:46 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Na forma tabular, a funo z de maximizao passa a ser escrita como:


z = 3x1 + 2x2 z 3x1 2x2 = 0
A Tabela 3.1 apresenta a forma tabular do sistema de equaes (3.13):

Tabela 3.1 Forma tabular inicial do Exemplo 3.10

no da Coeficientes
Varivel bsica Constante
equao
z x1 x2 x3 x4
z 0 1 3 2 0 0 0
x3 1 0 1 1 1 0 6
x4 2 0 5 2 0 1 20

A partir da Tabela 3.1, verifica-se que uma nova coluna foi adicionada comparada ao Quadro 3.1. A
primeira coluna apresenta as variveis bsicas consideradas em cada etapa (as variveis bsicas iniciais
sero x3 e x4).
Passo 1: Encontrar uma SBF inicial.
As variveis de deciso x1 e x2 foram selecionadas para o conjunto inicial de variveis no bsicas,
representando assim a origem da regio factvel (x1, x2) = (0, 0). J o conjunto de variveis bsicas
representado por x3 e x4:
VNB = {x1, x2} e VB = {x3, x4}
A soluo bsica factvel pode ser obtida imediatamente a partir da Tabela 3.1.

Soluo bsica factvel: x3 = 6 e x4 = 20 com z = 0


Soluo: {x1, x2, x3, x4} = {0, 0, 6, 20}

Passo 2: Teste de otimalidade


Como os coeficientes de x1 e x2 so negativos na linha 0, a SBF atual no tima, pois um incremento
positivo em x1 ou x2 resultar em SBF adjacente melhor do que a SBF atual.

Iterao 1: Determinar uma SBF adjacente melhor.


Cada iterao composta por trs passos:
1. Determinar a varivel no bsica que entrar na base.
Escolhe-se a varivel com maior coeficiente negativo na equao 0 da Tabela 3.1. Para o problema
em questo, a varivel com maior contribuio unitria para a funo objetivo z x1 (3 > 2). Portanto, a
varivel x1 selecionada para entrar na base, e a coluna dessa varivel a coluna piv.

2. Determinar a varivel bsica que sair da base.


Busca-se aqui selecionar a varivel bsica que sair da base (e se tornar nula), que aquela que limita
o crescimento de x1. Os resultados das trs etapas necessrias para a escolha da varivel, a partir da Tabela
3.1, esto detalhados a seguir e tambm podem ser visualizados na Tabela 3.2:
a) Os coeficientes positivos da coluna piv (coluna da varivel x1) selecionados so os coeficientes
1 e 5 (equaes 1 e 2, respectivamente).
b) Para a equao 1, dividir a constante 6 pelo coeficiente 1 da coluna piv. Para a equao 2, dividir
a constante 20 pelo coeficiente 5.
c) A linha com menor quociente equao 2 (4 < 6). Portanto, a varivel escolhida a sair da base x4.

89

Cap_01-a-03.indd 89 1/25/2013 12:32:46 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

O Passo 1 (determinao da varivel que entra na base) e as trs etapas do Passo 2 listadas para
determinar a varivel que sai da base esto ilustrados na Tabela 3.2.

Tabela 3.2 Determinao da varivel que entra e sai da base na primeira iterao
Entra

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 3 2 0 0 0
x3 1 0 1 1 1 0 6 6/1 = 6
x4 2 0 5 2 0 1 20 20/5 = 4 Sai
coluna
piv

O quociente 4 da equao 2 representa o valor mximo que a varivel x1 pode assumir nessa equao
(5x1 + x4 = 20), caso a varivel x4 passe a assumir o valor zero (x4 = 0). J o quociente 6 representa o valor
mximo que a varivel x1 pode assumir na equao 1 (x1 + x3 = 6), considerando x3 = 0. Como queremos
maximizar o valor de x1, escolhemos, para sair da base e assumir o valor nulo, a varivel x4 que limita o
seu crescimento.
A linha piv e a coluna piv esto destacadas na Tabela 3.2. O nmero piv (interseo da linha piv
com a coluna piv) 5.

3. Transformar a forma tabular atual utilizando o mtodo de eliminao de Gauss-Jordan e recalcular a


soluo bsica.
Da mesma forma que no procedimento analtico, os coeficientes da varivel x1 na forma tabular
atual (Tabela 3.2) devem ser transformados de 3, 1 e 5 (equaes 0, 1 e 2, respectivamente) para 0, 0
e 1 (coeficientes da varivel x4 na forma tabular atual), por meio de operaes elementares (mtodo de
eliminao de Gauss-Jordan), de forma que os valores das novas variveis bsicas e da funo objetivo z
podem ser obtidos diretamente na nova forma tabular.
A nova forma tabular obtida aps as seguintes operaes elementares:
a) Nova linha piv = linha piv atual nmero piv
b) Para as demais linhas, incluindo z:
Nova linha = (linha atual) (coeficiente da coluna piv da linha atual) (nova linha piv)
Aplicando a primeira operao na forma tabular atual (dividir a equao 2 por 5), obtm-se a nova
linha piv, conforme mostra a Tabela 3.3.

Tabela 3.3 Nova linha piv (Iterao 1)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 3 2 0 0 0
x3 1 0 1 1 1 0 6
x1 2 0 5 2/5 0 1/5 4

90

Cap_01-a-03.indd 90 1/25/2013 12:32:46 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Como a varivel x1 entrou na base no lugar da varivel x4, a coluna da varivel bsica na nova linha
piv deve ser alterada, conforme mostra a Tabela 3.3.
A etapa (b) ser aplicada para as demais linhas (equaes 0 e 1).
Iniciaremos pela equao 1, que tem coeficiente positivo na coluna piv (+1). Primeiramente,
multiplica-se esse coeficiente (+1) pela nova linha piv (equao 2 da Tabela 3.3). Esse produto ento
subtrado da equao 1 atual, resultando na nova equao 1:

x1 x2 x3 x4 constante
equao 1 1 1 1 0 6
equao 2 (+1) 1 2/5 0 1/5 4
subtrao: 0 3/5 1 1/5 2

A nova equao 1 est reescrita na Tabela 3.4:

Tabela 3.4 Etapa (b) para obteno da nova equao 1 (Iterao 1)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 3 2 0 0 0
x3 1 0 0 3/5 1 1/5 2
x1 2 0 1 2/5 0 1/5 4

A etapa (b) tambm aplicada para a equao 0 que possui coeficiente negativo na coluna piv (3).
Primeiramente, multiplica-se o valor desse coeficiente (3) pela nova linha piv (equao 2 da Tabela 3.3).
Esse produto subtrado da equao 0 atual, resultando na nova equao 0:

x1 x2 x3 x4 constante
equao 0 3 2 0 0 0
equao 2 (3) 3 6/5 0 3/5 12
subtrao: 0 4/5 0 3/5 12

A nova forma tabular, aps a aplicao das operaes elementares descritas, apresentada na Tabela
3.5.

Tabela 3.5 Nova forma tabular aps o mtodo de eliminao de Gauss-Jordan (Iterao 1)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 0 4/5 0 3/5 12
x3 1 0 0 3/5 1 1/5 2
x1 2 0 1 2/5 0 1/5 4

91

Cap_01-a-03.indd 91 1/25/2013 12:32:46 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A partir da nova forma tabular (Tabela 3.5), possvel obter imediatamente os novos valores de x1,
x3 e z.
A nova soluo bsica factvel x1 = 4 e x3 = 2 com z = 12.
A nova soluo {x1, x2, x3, x4} = {4, 0, 2, 0}.

Passo 2: Teste de otimalidade.


Conforme mostra a Tabela 3.5, a equao 0 passa a ser reescrita em funo das novas variveis no
bsicas (x2 e x4), de forma a verificar facilmente o teste de otimalidade.
A SBF atual ainda no a tima, pois o coeficiente de x2 na equao 0 da Tabela 3.5 negativo.
Qualquer incremento positivo em x2 resultar em incremento positivo no valor da funo objetivo z, de
forma que uma SBF adjacente melhor pode ser obtida.

Iterao 2: Determinar uma SBF adjacente melhor.


Os trs passos a serem implementados nessa iterao esto detalhados a seguir.
1. Determinar a varivel no bsica que entrar na base.
De acordo com a nova forma tabular (Tabela 3.5), pode-se verificar que a varivel x2 a nica com
coeficiente negativo na equao 0. Logo, a varivel escolhida a entrar na base x2. A coluna da varivel x2
passa a ser a coluna piv.

2. Determinar a varivel bsica que sair da base.


A varivel bsica escolhida a sair da base (e se tornar nula) aquela que limita o crescimento de x2.
Os resultados das trs etapas necessrias para a escolha da varivel, a partir da Tabela 3.5, so detalhados
a seguir e tambm podem ser visualizados na Tabela 3.6:
a) Os coeficientes positivos da coluna piv (coluna da varivel x2) selecionados so os coeficientes 3/5
e 2/5 (equaes 1 e 2, respectivamente).
b) Para a equao 1, dividir a constante 2 pelo coeficiente 3/5. Para a equao 2, dividir a constante 4
pelo coeficiente 2/5.
c) A linha com menor quociente a equao 1 (10/3 < 10). Portanto, a varivel escolhida a sair da base x3.

O Passo 1 (determinao da varivel que entra na base), alm das trs etapas do passo 2 para
determinar a varivel que sai da base, est ilustrado na Tabela 3.6.

Tabela 3.6 Determinao da varivel que entra e sai da base na segunda iterao
Entra

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 0 4/5 0 3/5 12
x3 1 0 0 3/5 1 1/5 2 2/3/5 =10/3 Sai
x1 2 0 1 2/5 0 1/5 4 4/2/5 =10
coluna
piv

A linha da varivel x3 (equao 1) passa a ser a linha piv. O nmero piv 3/5.

92

Cap_01-a-03.indd 92 1/25/2013 12:32:46 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

3. Transformar a forma tabular atual utilizando o mtodo de eliminao de Gauss-Jordan e recalcular a


soluo bsica.
Os coeficientes da varivel x2 na forma tabular atual (Tabela 3.6) devem ser transformados de 4/5,
3/5 e 2/5 (equaes 0, 1 e 2, respectivamente) para 0, 1 e 0 (coeficientes da varivel x3 na forma tabular
atual), de forma que os valores das novas variveis bsicas e da funo objetivo z podem ser obtidos
diretamente na nova forma tabular.
Da mesma forma que na primeira iterao, a nova forma tabular obtida aps as seguintes operaes
elementares:
a) Nova linha piv = linha piv atual nmero piv
b) Para as demais linhas, incluindo z:
Nova linha = (linha atual) (coeficiente da coluna piv da linha atual) (nova linha piv)
Aplicando a primeira operao na forma tabular atual (dividir a equao 1 por 3/5), obtm-se a nova
linha piv, conforme mostra a Tabela 3.7.

Tabela 3.7 Nova linha piv (Iterao 2)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 0 4/5 0 3/5 12
x2 1 0 0 1 5/3 1/3 10/3
x1 2 0 1 2/5 0 1/5 4

Como a varivel x2 entrou na base no lugar da varivel x3, a coluna da varivel bsica na nova linha
piv deve ser alterada, conforme mostra a Tabela 3.7.
A etapa (b) ser aplicada para as demais linhas (equaes 0 e 2).
Iniciaremos pela equao 2, que tem coeficiente positivo na coluna piv (2/5). Primeiramente,
multiplica-se esse coeficiente (2/5) pela nova linha piv (equao 1 da Tabela 3.7). Esse produto ento
subtrado da equao 2 atual, resultando na nova equao 2:

x1 x2 x3 x4 constante
equao 2 1 2/5 0 1/5 4
equao 1 (2/5) 0 2/5 2/3 2/15 4/3
subtrao: 1 0 2/3 1/3 8/3

A nova equao 2 aparece na Tabela 3.8:

Tabela 3.8 Forma tabular com a nova equao 2 (Iterao 2)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 0 4/5 0 3/5 12
x2 1 0 0 1 5/3 1/3 10/3
x1 2 0 1 0 2/3 1/3 8/3

93

Cap_01-a-03.indd 93 1/25/2013 12:32:47 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A etapa (b) tambm aplicada para a equao 0, que possui coeficiente negativo na coluna piv
(4/5). Primeiramente, multiplica-se o valor desse coeficiente (4/5) pela nova linha piv (equao 1 da
Tabela 3.7). Esse produto subtrado da equao 0 atual, resultando na nova equao 0:

x1 x2 x3 x4 constante
equao 0 0 4/5 0 3/5 12
equao 1 (4/5) 0 4/5 4/3 4/15 8/3
subtrao: 0 0 4/3 1/3 44/3

A nova forma tabular, aps a aplicao do mtodo de eliminao de Gauss-Jordan, apresentada na


Tabela 3.9:

Tabela 3.9 Nova forma tabular aps o mtodo de eliminao de Gauss-Jordan (Iterao 2)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 0 0 4/3 1/3 44/3
x2 1 0 0 1 5/3 1/3 10/3
x1 2 0 1 0 2/3 1/3 8/3

A partir da Tabela 3.9, pode-se obter imediatamente os novos valores de x1, x2 e z.

A nova soluo bsica factvel x1 = 8/3 e x2 = 10/3, com z = 44/3.


A nova soluo {x1, x2, x3, x4} = {8/3, 10/3, 0, 0}.

Passo 2: Teste de otimalidade.


A SBF atual a tima, pois os coeficientes das variveis no bsicas x3 e x4 na equao 0 da Tabela
3.9 so positivos.

3.4.4 O Mtodo Simplex para Problemas de Minimizao


O mtodo Simplex tambm pode ser utilizado para a soluo de problemas de minimizao de
programao linear. Os problemas de minimizao discutidos nesta seo sero resolvidos pela forma
tabular. H duas formas de resolver um problema de minimizao pelo mtodo Simplex:

Soluo 1
Transformar um problema de minimizao em um problema de maximizao e utilizar o mesmo
procedimento descrito na Seo 3.4.3. Conforme apresentado na equao 6 da Seo 2.3.3, do Captulo
2, um problema de minimizao pode ser convertido em outro de maximizao utilizando-se a seguinte
transformao:
min z = f(x1, x2,..., xn) max z = f(x1, x2,..., xn)

Soluo 2
Adaptar o procedimento descrito na Seo 3.4.3 para problemas de minimizao de programao
linear.

94

Cap_01-a-03.indd 94 1/25/2013 12:32:47 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

A Figura 3.14 apresentou os passos detalhados do algoritmo geral descrito nas Figuras 3.11 e
3.12 para a soluo de problemas de maximizao de programao linear na forma tabular. Para
a soluo de problemas de minimizao de PL pela forma tabular, o Passo 2 (teste de otimalidade)
e o Passo 1 de cada Iterao (determinao da varivel no bsica que entrar na base) devem ser
adaptados da Figura 3.14, j que suas decises so baseadas na equao 0 da funo objetivo. A Figura
3.15 apresenta as adaptaes do Passo 2 e do Passo 1 de cada iterao em relao Figura 3.14 para
a soluo de problemas de minimizao de PL pela forma tabular. Essas adaptaes encontram-se
destacadas na Figura 3.15.

Figura 3.15 Adaptao dos passos detalhados da Figura 3.14 para a soluo de problemas de minimizao
de PL pela forma tabular do mtodo Simplex.
Incio: O problema deve estar na forma padro.
Passo 1: Encontrar uma SBF inicial para o problema de PL.
Utiliza-se o mesmo procedimento da Figura 3.14 para problemas de maximizao.
Passo 2: Teste de otimalidade.
A SBF atual tima se, e somente se, os coeficientes de todas as variveis no bsicas da equao 0 da forma tabular so no
positivos ( 0). Enquanto houver pelo menos uma das variveis no bsicas com coeficiente positivo na equao 0, h uma SBF
adjacente melhor.
Iterao: Determinar uma SBF adjacente melhor.
1. Determinar a varivel no bsica que entrar na base.
Ela deve ser aquela que tem maior incremento negativo em z, isto , com maior coeficiente positivo na equao 0.
2. Determinar a varivel bsica que sair da base.
Utiliza-se o mesmo procedimento da Figura 3.14 para problemas de maximizao.
3. Transformar a forma tabular atual utilizando o mtodo de eliminao de Gauss-Jordan e recalcular a soluo bsica.

Conforme mostra a Figura 3.15, com exceo do Passo 2 (teste de otimalidade) e do Passo 1 de cada
Iterao (determinao da varivel no bsica que entrar na base), pode-se verificar que os demais passos
so iguais aos apresentados na Figura 3.14 para problemas de maximizao.

Exemplo 3.11
Considere o seguinte problema de minimizao de programao linear:
min z = 4x1 2x2
sujeito a:
2x1 + x2 10
x1 x2 8 (3.14)
x1, x2 0

Determinar a soluo tima do problema.

Soluo 1

Primeiramente, para que o problema (14) esteja na forma padro, devem ser introduzidas variveis
de folga em cada uma das restries do modelo. O problema tambm pode ser reescrito a partir de uma
funo de maximizao:

95

Cap_01-a-03.indd 95 1/25/2013 12:32:47 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

max z = 4x1 + 2x2


sujeito a:
2x1 + x2 + x3 = 10
x1 x2 + x4 = 8 (3.15)
x1, x2 0

A forma tabular inicial que representa o sistema de equaes (15) est na Tabela 3.10:

Tabela 3.10 Forma tabular inicial do sistema de equaes (15)

Varivel Coeficientes
no da equao Constante
bsica z x1 x2 x3 x4
z 0 1 4 2 0 0 0
x3 1 0 2 1 1 0 10
x4 2 0 1 1 0 1 8

O conjunto inicial de variveis no bsicas representado por x1 e x2, enquanto o conjunto inicial de
variveis bsicas representado por x3 e x4. A soluo inicial {x1, x2, x3, x4} = {0, 0, 10, 8} no tima, j
que o coeficiente da varivel no bsica x2 na equao 0 negativo.
Para determinao de uma SBF adjacente melhor, a varivel x2 entra na base (maior coeficiente
negativo) no lugar da varivel x4, que a nica que limita o crescimento de x2, conforme mostra a Tabela
3.11.

Tabela 3.11 Varivel que entra e sai da base na primeira iterao


Entra

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 4 2 0 0 0
x3 1 0 2 1 1 0 10 10/1=10 Sai
x4 2 0 1 1 0 1 8
coluna
Piv

A nova forma tabular, utilizando o mtodo de eliminao de Gauss-Jordan :

Tabela 3.12 Nova forma tabular utilizando o mtodo de eliminao de Gauss-Jordan (Iterao 1)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 8 0 2 0 20
x2 1 0 2 1 1 0 10
x4 2 0 3 0 1 1 18

96

Cap_01-a-03.indd 96 1/25/2013 12:32:47 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

A partir da Tabela 3.12, pode-se obter imediatamente os novos valores de x2, x4 e z. Os resultados da
nova soluo bsica factvel so x2 = 10 e x4 = 18 com z = 20. A nova soluo pode ser representada por
{x1, x2, x3, x4} = {0, 10, 0, 18}.
A nova soluo bsica obtida a tima, j que todos os coeficientes das variveis no bsicas na
equao 0 so no negativos.

Soluo 2

Para que o mtodo Simplex seja aplicado, o problema inicial de minimizao descrito em (14) deve
estar na forma padro:
min z = 4x1 2x2
sujeito a:
2x1 + x2 + x3 = 10
x1 x2 + x4 = 8 (3.16)
x1, x2 0

A forma tabular inicial do sistema de equaes (16) est representada na Tabela 3.13.

Tabela 3.13 Forma tabular inicial do sistema de equaes (16)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 4 2 0 0 0
x3 1 0 2 1 1 0 10
x4 2 0 1 1 0 1 8

Analogamente soluo 1, o conjunto inicial de variveis no bsicas representado por x1 e


x2, enquanto o conjunto inicial de variveis bsicas representado por x3 e x4. Para um problema de
minimizao, a soluo tima se todos os coeficientes das variveis no bsicas na equao 0 so no
positivos ( 0). Portanto, a soluo inicial {x1, x2, x3, x4} = {0, 0, 10, 8} no tima, j que o coeficiente
da varivel no bsica x2 na equao 0 positivo.
Conforme mostra a Tabela 3.14, a varivel x2 entra na base (maior coeficiente positivo) no lugar da
varivel x4, que a nica com coeficiente positivo na coluna piv.

Tabela 3.14 Varivel que entra e sai da base na primeira iterao


Entra

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 4 2 0 0 0
x3 1 0 2 1 1 0 10 10/1=10 Sai
x4 2 0 1 1 0 1 8
coluna
Piv

97

Cap_01-a-03.indd 97 1/25/2013 12:32:47 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A nova forma tabular, utilizando o mtodo de eliminao de Gauss-Jordan, est na Tabela 3.15.

Tabela 3.15 Nova forma tabular utilizando o mtodo de eliminao de Gauss-Jordan (Iterao 1)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 8 0 2 0 20
x2 1 0 2 1 1 0 10
x4 2 0 3 0 1 1 18

De acordo com a Tabela 3.15, a nova soluo adjacente {x1, x2, x3, x4} = {0, 10, 0, 18} com z = 20.
A soluo bsica obtida tima, pois os coeficientes de todas as variveis no bsicas na equao 0 so
no positivos.

3.4.5 Variveis Artificiais para Encontrar uma SBF Inicial em Problemas com Restries
de Igualdade e Desigualdade do Tipo
Todos os problemas de maximizao e minimizao resolvidos at aqui pelo mtodo Simplex
apresentavam apenas restries de desigualdade do tipo com constantes no negativas do lado direito
(tambm chamado RHS right hand side). Para que essas inequaes pudessem ser transformadas
em equaes de igualdade (forma padro), era adicionada uma varivel de folga do lado esquerdo
de cada restrio. Assim, uma SBF inicial poderia ser facilmente obtida atribuindo-se valores nulos
s variveis de deciso (variveis no bsicas) do modelo e considerando as variveis de folga como
variveis bsicas.
Porm, quando as restries do modelo so representadas por inequaes do tipo ou equaes de
igualdade, a SBF inicial no bvia, j que essas restries no apresentam variveis de folga que possam
ser utilizadas como variveis bsicas iniciais. Como alternativa, deve ser adicionada uma nova varivel,
do lado esquerdo de cada equao, chamada varivel artificial, que ser utilizada como varivel bsica
inicial, a fim de proporcionar facilmente uma SBF inicial. A restrio de no negatividade das variveis
artificiais deve ser adicionada ao modelo, e a funo objetivo tambm modificada. O mtodo das
penalidades (Big M) e o mtodo de duas fases so variantes do mtodo Simplex que utilizam o conceito
de variveis artificiais para que uma SBF inicial possa ser obtida facilmente. Como essas variveis
artificiais no fazem parte do modelo e tm como objetivo apenas proporcionar uma SBF inicial, elas
tendem a desaparecer ao longo do algoritmo at que todas elas assumam valores nulos na ltima
iterao.

Exemplo 3.12
Considere o seguinte problema de programao linear:
min z = 10x1 + 6x2
sujeito a:
4x1 + 2x2 24
x1 8 (3.17)
x1 + 2x2 = 12
x1, x2 0

98

Cap_01-a-03.indd 98 1/25/2013 12:32:47 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Para que o problema (17) possa ser escrito na forma padro, subtrai-se uma varivel de excesso x3
do lado esquerdo da primeira equao e soma-se uma varivel de folga x4 do lado esquerdo da segunda
equao:
min z = 10x1 + 6x2
sujeito a:
4x1 + 2x2 x3 = 24
x1 + x4 = 8 (3.18)
x1 + 2x2 = 12
x1, x2, x3, x4 0

Para a soluo de problemas de PL com restries do tipo pelo mtodo Simplex, o conjunto inicial
de variveis no bsicas representado pelas variveis de deciso, nesse caso x1 e x2, e o conjunto inicial
de variveis bsicas pelas variveis de folga. Podemos verificar, a partir de (18), que apenas a segunda
equao possui uma varivel de folga. A primeira equao possui apenas uma varivel de excesso, de forma
que, se x1 e x2 assumissem valores nulos, a varivel x3 assumiria um valor negativo (soluo infactvel).
Analogamente, no existe uma varivel de folga que possa ser utilizada como varivel bsica inicial na
terceira equao.
Como alternativa, deve ser introduzida uma varivel artificial do lado esquerdo da primeira equao
e outra na ltima equao, para que uma SBF inicial possa ser obtida. Como essas variveis artificiais no
fazem parte do problema original, a funo objetivo tambm deve ser alterada, de forma que as mesmas
assumam valores nulos no final do algoritmo.
Esse mesmo exemplo ser resolvido nas Sees 3.4.5.1 e 3.4.5.2 pelo mtodo das penalidades (Big M)
e pelo mtodo das duas fases, respectivamente.

3.4.5.1 Mtodo das Penalidades (Big M)

No mtodo das penalidades (Big M), dado um problema de programao linear na forma padro, para
cada uma das equaes i que no tm varivel de folga, deve ser adicionada uma varivel artificial ai do
lado esquerdo da equao. Como essas variveis artificiais no fazem parte do problema original de PL, o
mtodo atribui uma penalizao M s variveis artificiais (M ), subtraindo o produto Mai da funo
objetivo (problemas de maximizao) ou adicionando o produto Mai funo objetivo (problemas de
minimizao), de forma a obrigar essas variveis a sair da base e assumir o valor nulo na soluo tima,
desde que haja uma soluo factvel.
A descrio completa do mtodo das penalidades est na Figura 3.16. Para que o mtodo possa ser
aplicado, o problema deve estar na forma padro.

Figura 3.16 Descrio detalhada do mtodo das penalidades (Big M).


Incio: Problema original na forma padro, adicionando variveis artificiais para as equaes que no tm variveis de folga.
Convertido o problema inicial para a forma padro, para as restries que eram do tipo , alm da varivel de excesso subtrada do
lado esquerdo da equao, adicionar uma varivel artificial ai (ai 0) do mesmo lado. Analogamente, para as equaes de igualdade,
adicionar uma varivel artificial do lado esquerdo da equao.
Passo 1: Considere M um valor positivo suficientemente grande (M ). Para um problema de maximizao de PL, para cada
varivel artificial ai introduzida, i = 1,...,k, subtrair o produto Mai da funo objetivo (max z = c1 x1 + ... + cn xn M1a1 ... Mkak).
Para um problema de minimizao, para cada varivel artificial ai introduzida, adicionar o produto Mai funo objetivo
(min z = c1 x1 + ... + cn xn + M1a1 + ... + Mkak).

99

Cap_01-a-03.indd 99 1/25/2013 12:32:47 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Passo 2: Como as variveis artificiais sero as variveis bsicas iniciais, elas devem ser eliminadas da linha 0 (funo objetivo) da
forma tabular inicial. Para que os coeficientes das variveis artificiais sejam nulos na linha 0, para problemas de minimizao, deve-se
multiplicar a constante M para cada equao i em que foi introduzida uma varivel artificial ai e somar cada um desses produtos
equao 0 atual. Para problemas de maximizao, o valor da constante M negativo:
a) Nova linha 0 = linha 0 atual + equaco i M
i
(problemas de minimizao)

b) Nova linha 0 = linha 0 atual + equaco i M


i
(problemas de maximizao)

Passo 3: Aplicar o mtodo Simplex para o problema original adaptado. A soluo tima obtida quando todas as variveis no
bsicas da equao 0 tm coeficientes no negativos (problemas de maximizao) ou coeficientes no positivos (problemas de
minimizao) e quando todas as artificiais assumem valores nulos.

Se qualquer uma das variveis artificiais assume valor positivo na ltima iterao, temos uma soluo infactvel (caso especial que
detalhado na Seo 3.4.6.3).

Exemplo 3.13
Resolver o Exemplo 3.12 pelo mtodo das penalidades (Big M).

Soluo

Conforme apresentado em (18), a forma padro do Exemplo 3.12 :


min z = 10x1 + 6x2
sujeito a:
4x1 + 2x2 x3 = 24
x1 + x4 = 8 (3.18)
x1 + 2x2 = 12
x1, x2, x3, x4 0

A partir da, ser aplicado o mtodo das penalidades (Big M), conforme descrito na Figura 3.16.

Incio
A partir do sistema de equaes (18), para cada uma das equaes i que no tm varivel de folga
(equaes 1 e 3), adicionar uma varivel artificial ai do lado esquerdo da equao:
min z = 10x1 + 6x2
sujeito a:
4x1 + 2x2 x3 + a1 = 24
x1 + x4 =8 (3.19)
x1 + 2x2 + a2 = 12
x1, x2, x3, x4, a1, a2 0

100

Cap_01-a-03.indd 100 1/25/2013 12:32:48 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Passo 1
Como o problema de minimizao, para cada varivel artificial ai introduzida (i = 1, 2), adicionar
o produto Mai funo objetivo:
min z = 10x1 + 6x2 + Ma1 + Ma2
sujeito a:
4x1 + 2x2 x3 + a1 = 24
x1 + x4 =8
(3.20)
x1 + 2x2 + a2 = 12
x1, x2, x3, x4, a1, a2 0

Passo 2
Eliminar as variveis artificiais da linha 0 (funo objetivo) de (20), j que as mesmas sero
consideradas variveis bsicas iniciais:
equao 0 z 10x1 6x2 Ma1 Ma2 = 0
equao 1 M 4Mx1 + 2Mx2 Mx3 + Ma1 = 24M
equao 3 M Mx1 + 2Mx2 +Ma2 = 12M

soma (nova equao 0): z + (5M 10)x1 + (4M 6)x2 Mx3 = 36M

Passo 3: Aplicar o mtodo Simplex ao problema original adaptado.

A forma tabular inicial que combina a nova equao 0 com o sistema de equaes (20) est
representada na Tabela 3.16.

Tabela 3.16 Forma tabular inicial do sistema de equaes (20)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4 a1 a2
z 0 1 5M 10 4M 6 M 0 0 0 36M
a1 1 0 4 2 1 0 1 0 24
x4 2 0 1 0 0 1 0 0 8
a2 3 0 1 2 0 0 0 1 12

O conjunto inicial de variveis no bsicas representado por x1, x2 e x3, enquanto o conjunto inicial
de variveis bsicas representado por a1, x4 e a2 (variveis de folga e artificiais). Como o problema de
minimizao, a soluo tima se todos os coeficientes das variveis no bsicas na equao 0 so no
positivos ( 0). Portanto, a soluo inicial {x1, x2, x3, x4, a1, a2} = {0, 0, 0, 8, 24, 12} no tima, j que os
coeficientes das variveis no bsicas x1 e x2 na equao 0 da Tabela 3.16 so positivos.
Conforme mostra a Tabela 3.17, a varivel x1 com maior coeficiente positivo (5M 10 > 4 M 6) entra
na base no lugar da varivel a1 (linha com menor quociente positivo).

101

Cap_01-a-03.indd 101 1/25/2013 12:32:48 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 3.17 Varivel que entra e sai da base na primeira iterao


Entra

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4 a1 a2
z 0 1 5M 10 4M 6 M 0 0 0 36M
a1 1 0 4 2 1 0 1 0 24 6 Sai
x4 2 0 1 0 0 1 0 0 8 8

a2 3 0 1 2 0 0 0 1 12 12

coluna
piv

A nova forma tabular obtida na primeira iterao, utilizando o mtodo de eliminao de Gauss-
Jordan, est na Tabela 3.18.

Tabela 3.18 Nova forma tabular (Iterao 1)

Varivel Coeficientes
Eq. Constante
bsica z x1 x2 x3 x4 a1 a2
z 0 1 0 3/2M 1 1/4M 5/2 0 5/4M + 5/2 0 6M + 60
a1 1 0 1 1/2 1/4 0 1/4 0 6
x4 2 0 0 1/2 1/4 1 1/4 0 2
a2 3 0 0 3/2 1/4 0 1/4 1 6

De acordo com a Tabela 3.18, a nova soluo adjacente {x1, x2, x3, x4, a1, a2} = {6, 0, 0, 2, 0, 6} com
z = 6M + 60. A soluo bsica obtida no tima, pois os coeficientes das variveis no bsicas x2 e x3
na equao 0 so positivos. Verifica-se tambm que o coeficiente da varivel artificial a2 ainda positivo.
Busca-se, portanto, determinar uma nova SBF adjacente.
Conforme mostra a Tabela 3.19, a varivel x2 entra na base (3/2M 1 > 1/4M 5/2) no lugar da
varivel a2 (linha com menor quociente positivo).

Tabela 3.19 Varivel que entra e sai da base na segunda iterao


Entra

Varivel Coeficientes
Eq. Constante
bsica z x1 x2 x3 x4 a1 a2
z 0 1 0 3/2M 1 1/4M 5/2 0 5/4M + 5/2 0 6M + 60
x1 1 0 1 1/2 1/4 0 1/4 0 6 12
x4 2 0 0 1/2 1/4 1 1/4 0 2
a2 3 0 0 3/2 1/4 0 1/4 1 6 6 Sai

A nova forma tabular (Iterao 2), utilizando o mtodo de eliminao de Gauss-Jordan, est na
Tabela 3.20.

102

Cap_01-a-03.indd 102 1/25/2013 12:32:48 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Tabela 3.20 Nova forma tabular obtida na segunda iterao

Varivel Coeficientes
Eq. Constante
bsica z x1 x2 x3 x4 a1 a2
z 0 1 0 0 7/3 0 M + 7/3 M + 2/3 64
x1 1 0 1 0 1/3 0 1/3 1/3 4
x4 2 0 0 0 1/3 1 1/3 1/3 4
x2 3 0 0 1 1/6 0 1/6 2/3 4

De acordo com a Tabela 3.20, podemos verificar que a nova soluo adjacente {x1, x2, x3, x4, a1, a2}
= {4, 4, 0, 4, 0, 0} com z = 64. A soluo bsica obtida tima, pois os coeficientes de todas as variveis
no bsicas na equao 0 so no positivos. Verifica-se tambm que todas as variveis artificiais a1 e a2
assumem valor nulo na soluo tima.

3.4.5.2 Mtodo das Duas Fases

Da mesma forma que o mtodo das penalidades (Big M), o mtodo das duas fases tambm utiliza
o conceito de variveis artificiais para que uma soluo bsica factvel inicial possa ser encontrada em
problemas de PL com restries de desigualdade do tipo ou equaes de igualdade. O mtodo das
penalidades, segundo Taha (2007), pode gerar erros de arredondamento que podem prejudicar a acurcia
do mtodo Simplex. Como alternativa, pode-se utilizar o mtodo das duas fases.
Analogamente ao mtodo das penalidades, para um problema original escrito na forma padro,
deve-se introduzir uma varivel artificial em cada uma das restries que no possui varivel de folga.
A fase 1 tem como objetivo encontrar uma SBF inicial para o problema original. Para isso, cria-se
uma funo objetivo de minimizao que representa a soma de todas as variveis artificiais. A soluo
tima obtida nessa fase, por meio da aplicao do mtodo Simplex para o problema original adaptado,
utilizada como SBF inicial para a fase 2.
O objetivo da fase 2 encontrar uma soluo tima para o problema original, a partir da soluo
tima obtida na fase 1. Como as variveis artificiais no fazem parte do problema original e tinham
como objetivo apenas gerar uma SBF inicial para essa fase, elas devem ser eliminadas da fase 2. A funo
objetivo, nessa fase, equivalente funo objetivo original. Portanto, a fase 2 uma combinao da
funo objetivo do problema original com as restries da soluo tima obtida na fase 1. A soluo tima
obtida nessa fase corresponde soluo tima do problema original.
A descrio completa do mtodo das duas fases pode ser encontrada na Figura 3.17.

Figura 3.17 Mtodo das duas fases detalhado


Incio: Problema original na forma padro, adicionando variveis artificiais para as equaes que no tm variveis de folga.
Analogamente ao mtodo das penalidades (Big M), convertido o problema original para a forma padro, para as restries que eram
do tipo , alm da varivel de excesso subtrada do lado esquerdo da equao, adicionar uma varivel artificial ai (ai 0) do mesmo
lado. Analogamente, para as equaes de igualdade, adicionar uma varivel artificial do lado esquerdo da equao.
Fase 1
Cria-se uma nova funo objetivo artificial w (sempre de minimizao) que corresponde soma de k variveis artificiais ai, i = 1,...,k:

min w = a1 + a2 + ... + ak (3.21)

103

Cap_01-a-03.indd 103 1/25/2013 12:32:48 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

sujeito s restries definidas em Incio.


Da mesma forma que no mtodo das penalidades, como as variveis artificiais sero as variveis bsicas iniciais, elas devem ser
eliminadas da linha 0 (funo objetivo) na forma tabular inicial. Para que os coeficientes das variveis artificiais sejam nulos na linha 0,
deve-se somar (problemas de minimizao) ou subtrair (problemas de maximizao) cada uma das equaes i em que foi introduzida
uma varivel artificial ai equao 0 atual:

a) Nova linha 0 = linha 0 atual + equaco i 1


i
(problemas de minimizao).

b) Nova linha 0 = linha 0 atual + equaco i 1


i
(problemas de maximizao).

A partir da, aplica-se o mtodo Simplex para o problema original adaptado.


Como queremos minimizar a funo w, e as variveis artificiais devem assumir valores no negativos, a soluo tima factvel dessa
fase atingida quando todas as variveis artificiais so no bsicas e assumem valores nulos (a1 = a2 = ... = ak = 0) e, consequentemente,
a funo objetivo tambm nula (w = 0).
Porm, dois casos especiais podem ocorrer:
a) Nesse caso, todas as variveis artificiais tambm assumem valores nulos (a1 = a2 = ... = ak = 0) e, consequentemente, a funo
objetivo tambm nula (w = 0), porm, pelo menos uma das variveis artificiais ai bsica (soluo degenerada em relao a
uma varivel artificial). Dessa forma, uma varivel no bsica, que no seja a varivel artificial, deve entrar na base no lugar de
outra varivel bsica. O procedimento deve ser repetido at que todas as variveis artificiais saiam da base, se no estivermos
diante de um problema ilimitado. Quando todas as variveis artificiais foram removidas da base, ir para a fase 2. Esse caso especial
(soluo tima degenerada) est detalhado na Seo 3.4.6.4.
b) Se pelo menos uma das variveis artificiais ai assume valor positivo (nesse caso w > 0) na ltima iterao dessa fase, temos uma
soluo infactvel para o problema original (pelo menos uma das restries no respeitada). Quando isso ocorrer, o algoritmo
finaliza aqui. Esse caso especial (no existe soluo tima) est detalhado na Seo 3.4.6.3.

Fase 2
Essa fase combina a funo objetivo do problema original com as restries da soluo tima obtida na fase 1. Porm, algumas
alteraes so necessrias na nova forma tabular antes da aplicao do mtodo Simplex.
Primeiramente, a partir da forma tabular tima obtida na fase 1, eliminam-se todas as colunas correspondentes s variveis artificiais.
Alm disso, a funo objetivo do problema original deve ser reescrita, por meio de operaes elementares, de forma que as variveis
bsicas da soluo tima da fase 1 tenham coeficientes nulos na funo objetivo do problema original.
O mtodo Simplex ento aplicado para que a soluo tima seja obtida. A soluo tima da fase 2 corresponde soluo tima do
problema original.

Exemplo 3.14
Resolver o Exemplo 3.12 pelo mtodo das duas fases. A formulao inicial do Exemplo 3.12 :
min z = 10x1 + 6x2
sujeito a:
4x1 + 2x2 24
x1 8
x1 + 2x2 = 12
x1, x2 0

Soluo

O mtodo das duas fases detalhado na Figura 3.17 ser aplicado para o Exemplo 3.14.

104

Cap_01-a-03.indd 104 1/25/2013 12:32:48 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Incio
Conforme mostrado no mtodo das penalidades, primeiramente o problema deve ser convertido para
a forma padro, introduzindo-se variveis de folga e excesso. A partir da, para cada uma das equaes i que
no tm varivel de folga (equaes 1 e 3), adicionar uma varivel artificial ai do lado esquerdo da equao:
min z = 10x1 + 6x2
sujeito a:
4x1 + 2x2 x3 + a1 = 24
x1 + x4 =8
(3.22)
x1 + 2x2 + a2 = 12
x1, x2, x3, x4, a1, a2 0

Fase 1
Cria-se uma funo objetivo w, que a soma das variveis artificiais a1 e a2, sujeito s restries do
problema 22:
min w = a1 + a2
sujeito a:
4x1 + 2x2 x3 + a1 = 24
x1 + x4 =8
(3.23)
x1 + 2x2 + a2 = 12
x1, x2, x3, x4, a1, a2 0

Os coeficientes das variveis artificiais devem ser nulos na linha 0 de (23), j que as mesmas sero as
variveis bsicas iniciais. Para isso, deve-se somar (problema de minimizao) as equaes 1 e 3 em que
foram introduzidas as variveis artificiais a1 e a2 equao 0 atual:

equao 0 w a1 a2 = 0
equao 1 4x1 + 2x2 x3 + a1 = 24
equao 2 x1 + 2x2 + a2 = 12
soma (nova equao 0): w + 5x1 + 4x2 x3 = 36

A forma tabular inicial que combina a nova equao 0 com o sistema de equaes (23) est
representada na Tabela 3.21.

Tabela 3.21 Forma tabular inicial da fase 1

Varivel Coeficientes
Eq. Constante
bsica w x1 x2 x3 x4 a1 a2
w 0 1 5 4 1 0 0 0 36
a1 1 0 4 2 1 0 1 0 24
x4 2 0 1 0 0 1 0 0 8
a2 3 0 1 2 0 0 0 1 12

Analogamente ao mtodo das penalidades (Big M), o conjunto inicial de variveis no bsicas
representado por x1, x2 e x3, e o conjunto inicial de variveis bsicas representado por a1, x4 e a2 (variveis

105

Cap_01-a-03.indd 105 1/25/2013 12:32:48 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

de folga e artificiais). A soluo inicial {x1, x2, x3, x4, a1, a2} = {0, 0, 0, 8, 24, 12} no tima, j que os
coeficientes das variveis no bsicas x1 e x2 na equao 0 da Tabela 3.21 so positivos.
Conforme mostra a Tabela 3.22, a varivel x1 com maior coeficiente positivo entra na base no lugar
da varivel a1 (linha com menor quociente positivo).

Tabela 3.22 Varivel que entra e sai da base na primeira iterao da fase 1
Entra

Varivel Coeficientes
Eq. Constante
bsica w x1 x2 x3 x4 a1 a2
w 0 1 5 4 1 0 0 0 36

a1 1 0 4 2 1 0 1 0 24 6 Sai
x4 2 0 1 0 0 1 0 0 8 8
a2 3 0 1 2 0 0 0 1 12 12

A nova forma tabular obtida na primeira iterao, utilizando o mtodo de eliminao de Gauss-
Jordan, est na Tabela 3.23.

Tabela 3.23 Nova forma tabular (Iterao 1)

Varivel Coeficientes
Eq. Constante
bsica w x1 x2 x3 x4 a1 a2
w 0 1 0 3/2 1/4 0 5/4 0 6
x1 1 0 1 1/2 1/4 0 1/4 0 6
x4 2 0 0 1/2 1/4 1 1/4 0 2
a2 3 0 0 3/2 1/4 0 1/4 1 6

De acordo com a Tabela 3.23, a nova soluo adjacente {x1, x2, x3, x4, a1, a2} = {6, 0, 0, 2, 0, 6} com
z = 6. A soluo bsica obtida no tima, pois os coeficientes das variveis no bsicas x2 e x3 na equao
0 so positivos. Busca-se, portanto, determinar uma nova SBF adjacente.
Conforme mostra a Tabela 3.24, a varivel x2 com maior coeficiente positivo na linha 0 entra na base
no lugar da varivel a2 (linha com menor quociente positivo).

Tabela 3.24 Varivel que entra e sai da base na segunda iterao


Entra

Varivel Coeficientes
Eq. Constante
bsica w x1 x2 x3 x4 a1 a2
w 0 1 0 3/2 1/4 0 5/4 0 6
x1 1 0 1 1/2 1/4 0 1/4 0 6 12
x4 2 0 0 1/2 1/4 1 1/4 0 2

a2 3 0 0 3/2 1/4 0 1/4 1 6 4 Sai

106

Cap_01-a-03.indd 106 1/25/2013 12:32:49 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

A nova forma tabular (Iterao 2), utilizando o mtodo de eliminao de Gauss-Jordan, est na
Tabela 3.25.

Tabela 3.25 Nova forma tabular obtida na segunda iterao

Varivel No da Coeficientes
Constante
bsica equao w x1 x2 x3 x4 a1 a2
w 0 1 0 0 0 0 1 1 0
x1 1 0 1 0 1/3 0 1/3 1/3 4
x4 2 0 0 0 1/3 1 1/3 1/3 4
x2 3 0 0 1 1/6 0 1/6 2/3 4

De acordo com a Tabela 3.25, podemos verificar que a soluo bsica x1 = 4, x2 = 4 e x4 = 4 com
w = 0 tima, pois os coeficientes de todas as variveis no bsicas (x3, a1 e a2) na equao 0 so no
positivos. Portanto, a soluo tima factvel atingida quando todas as variveis artificiais so no
bsicas (a1 = 0, a2 = 0) e w = 0.
Podemos verificar que as formas tabulares utilizadas nessa fase, em cada iterao, com exceo da
linha 0 da funo objetivo, so iguais quelas utilizadas no mtodo das penalidades (Big M).

Fase 2

Esta fase tem como objetivo determinar a soluo tima do problema original. A fase 2 combina
a funo objetivo do problema original (min z = 10x1 + 6x2) com as restries da forma tabular tima
obtida na fase 1 (equaes 1, 2 e 3 da Tabela 3.25). Porm, algumas alteraes so necessrias na nova
forma tabular antes da aplicao do mtodo Simplex.
Primeiramente, eliminam-se as colunas correspondentes s variveis artificiais a1 e a2 da Tabela 3.25.
Como a soluo tima da fase 1 {x1, x2, x3, x4, a1, a2} = {4, 4, 0 4, 0, 0} utilizada como SBF inicial
dessa fase, as variveis bsicas x1 e x2 devem ser eliminadas de z 10x1 6x2 = 0. Para isso, deve-se
multiplicar a linha 1 da Tabela 3.25 (linha da varivel bsica x1) por 10, multiplicar a linha 3 da Tabela 3.25
(linha da varivel bsica x2) por 6 e som-las funo objetivo do problema original (z 10x1 6x2 = 0):
equao 0 z 10x1 6x2 =0
equao 1 10 10x1 10/3x3 = 40
equao 2 6 6x2 + x3 = 24

soma (nova equao 0): z 10/3x3 = 64

A nova forma tabular inicial da fase 2 est na Tabela 3.26.

Tabela 3.26 Forma tabular inicial da fase 2

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 0 0 10/3 0 64
x1 1 0 1 0 1/3 0 4
x4 2 0 0 0 1/3 1 4
x2 3 0 0 1 1/6 0 4

107

Cap_01-a-03.indd 107 1/25/2013 12:32:49 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A partir da, o mtodo Simplex aplicado para a determinao da soluo tima do problema original.
De acordo com a Tabela 3.26, verifica-se que essa soluo j a tima, j que o coeficiente da varivel
no bsica x3 na linha 0 no positivo. A soluo tima do problema original , portanto, x1 = 4, x2 = 4,
x3 = 0 e x4 = 4 com z = 64.

3.4.6 Casos Especiais do Mtodo Simplex


Conforme apresentado na Seo 3.2.3, um problema de PL pode no apresentar uma nica soluo
tima no degenerada, podendo cair em um dos casos especiais:
Mltiplas solues timas.
Funo objetivo z ilimitada.
No existe soluo tima.
Soluo tima degenerada.
A Seo 3.2.3 apresentou a soluo grfica para cada um dos casos especiais listados. Os mesmos
exemplos sero resolvidos nesta seo por meio do mtodo Simplex, de forma a identificar as peculiaridades
de cada caso especial em uma das formas tabulares (inicial, intermediria ou final).

3.4.6.1 Mltiplas Solues timas

Conforme abordado na Seo 3.2.3.1, em um problema de programao linear com infinitas solues
timas, vrios pontos alcanam o mesmo valor timo na funo objetivo. Graficamente, quando a funo
objetivo paralela a uma restrio ativa, tem-se um caso com mltiplas solues timas.
Pode-se identificar, pelo mtodo Simplex, um caso com mltiplas solues timas quando, na
forma tabular tima, o coeficiente de uma das variveis no bsicas for nulo na linha 0 da funo objetivo.

Exemplo 3.15
Resolver o Exemplo 3.3 da Seo 3.2.3.1 (soluo grfica de um caso com infinitas solues timas) pelo
mtodo Simplex. O Exemplo 3.3 est reescrito a seguir:
max z = 8x1 + 4x2
sujeito a:
4x1 + 2x2 16
x1 + x2 6
x1, x2 0

Soluo

Primeiramente, repare que 8x1 + 4x2 = (4x1 + 2x2) 2, o que mostra que a reta da funo objetivo e
a reta da primeira restrio so paralelas (ver Figura 3.18). Como essa restrio ativa, estamos diante de
um caso com infinitas solues timas.
Para que o problema possa ser escrito na forma padro, as variveis de folga x3 e x4 (que sero as
variveis bsicas iniciais) so includas nas equaes 1 e 2, respectivamente. A forma tabular inicial est
representada na Tabela 3.27.

108

Cap_01-a-03.indd 108 1/25/2013 12:32:49 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Tabela 3.27 Forma tabular inicial

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 8 4 0 0 0
x3 1 0 4 2 1 0 16
x4 2 0 1 1 0 1 6

A soluo inicial {x1, x2, x3, x4} = {0, 0, 16, 6} no tima, j que as variveis no bsicas x1 e x2
apresentam coeficientes negativos na linha 0.
Para um problema de maximizao, a varivel x1 com maior coeficiente no positivo entra na base no
lugar da varivel x3 com menor quociente positivo, conforme mostra a Tabela 3.28.

Tabela 3.28 Varivel que entra e sai da base na primeira iterao


Entra

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 8 4 0 0 0
x3 1 0 4 2 1 0 16 16/4 = 4 Sai
x4 2 0 1 1 0 1 6 6/1 = 6
coluna
piv

A nova forma tabular, utilizando o mtodo de eliminao de Gauss-Jordan, est na Tabela 3.29.

Tabela 3.29 Nova forma tabular na primeira iterao

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 0 0 2 0 32
x1 1 0 1 1/2 1/4 0 4
x4 2 0 0 1/2 1/4 1 2

A soluo adjacente {x1, x2, x3, x4} = {4, 0, 0, 2} com z = 32 tima, j que os coeficientes das
variveis no bsicas x2 e x3 na equao 0 so no negativos ( 0). Essa soluo corresponde ao ponto
extremo B da Figura 3.18.
Nos problemas vistos at aqui, apenas as variveis bsicas apresentavam coeficientes nulos na linha
0. Porm, estamos diante de um caso com mltiplas solues timas, j que o coeficiente da varivel no
bsica x2 na linha da funo objetivo zero. Se a varivel x2 entrar na base, a funo objetivo no se altera,
porm obteremos outra soluo tima alternativa.

109

Cap_01-a-03.indd 109 1/25/2013 12:32:49 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A fim de apresentar uma nova soluo tima alternativa, a varivel x2 entrar na base no lugar
da varivel x4. Como o coeficiente da nova coluna piv na linha da funo objetivo zero, a linha 0
permanece inalterada. A outra forma tabular tima apresentada na Tabela 3.30.

Tabela 3.30 Outra forma tabular, tima alternativa (Iterao 2)

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 0 0 2 0 32
x1 1 0 1 0 1/2 1 2
x2 2 0 0 1 1/2 2 4

A soluo tima alternativa {x1, x2, x3, x4} = {2, 4, 0, 0} com z = 32. Essa soluo corresponde ao
ponto extremo C da Figura 3.18.

Figura 3.18 Regio factvel do Exemplo 3.15.

Verificamos que o mtodo Simplex determina apenas os pontos extremos B e C do conjunto de solues
timas alternativas no segmento BC. Os demais pontos podem ser determinados matematicamente.
Podemos representar, por meio de uma equao, a reta que passa pelos pontos extremos B(4,0) e C(2,4).
Para isso, precisamos de um ponto pertencente reta (B ou C), alm do coeficiente angular da reta que
pode ser calculado como:

x2B x2A 40
m= = 2 (3.24)
B
x1 x1 A
24

Substituindo o ponto B(4,0) e m = 2 em x2 x20 = m( x1 x10 ) , obtemos a equao da reta que passa
pelos pontos extremos B e C:

x2 0 = 2(x1 4) x2 + 2x1 8 = 0 (3.25)

A partir de (25), qualquer ponto entre o segmento B e C (soluo tima alternativa) pode ser
determinado. Por exemplo, para x1 = 2,5, tem-se:
x2 = 8 2 x1 = 8 2 2,5 = 3 z = 8 x1 + 4 x2 = 8 2,5 + 4 3 = 32

110

Cap_01-a-03.indd 110 1/25/2013 12:32:49 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Portanto, o ponto com as coordenadas x1 = 2,5 e x2 = 3 outra soluo tima alternativa com z = 32.

3.4.6.2 Funo Objetivo z Ilimitada

Conforme descrito na Seo 3.2.3.2, nesse caso no existe limite para o crescimento do valor de pelo
menos uma varivel de deciso, resultando em uma regio factvel e uma funo objetivo z ilimitada.
Para um problema de maximizao, o valor da funo objetivo cresce ilimitadamente, enquanto para um
problema de minimizao o valor decresce de forma ilimitada.
Pode-se identificar, pelo mtodo Simplex, um caso cuja funo objetivo seja ilimitada quando,
em uma das formas tabulares, uma varivel no bsica candidata fica impossibilitada de entrar na base porque
as linhas de todas as variveis bsicas possuem coeficientes no positivos na coluna da varivel no bsica
candidata.

Exemplo 3.16
Resolver o Exemplo 3.4 da Seo 3.2.3.2 (soluo grfica de um caso com uma funo objetivo ilimitada)
pela forma tabular. O Exemplo 3.4 est reescrito a seguir:
max z = 4x1 + 3x2
sujeito a
2x1 + 5x2 20
x1 8
x1, x2 0

Soluo

Como o problema possui uma restrio de desigualdade do tipo , o mtodo das penalidades (Big M)
ou o mtodo das duas fases deve ser aplicado utilizando o conceito de variveis artificiais, para que uma
SBF inicial possa ser obtida facilmente. Utilizaremos o mtodo das duas fases descrito na Figura 3.17 para
a soluo do Exemplo 3.16.

Incio

Convertido o problema original para a forma padro, adicionar variveis artificiais para as equaes
que no tm variveis de folga:
max z = 4x1 + 3x2
sujeito a:
2x1 + 5x2 x3 + a1 = 20
x1 + x4 =8 (3.26)
x1, x2, x3, x4, a1 0

Fase 1

Cria-se uma funo objetivo w, que a soma das variveis artificiais (nesse caso equivale a1), sujeita
s restries do problema (26):

111

Cap_01-a-03.indd 111 1/25/2013 12:32:49 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

min w = a1
sujeito a:
2x1 + 5x2 x3 + a1 = 20
x1 + x4 =8 (3.27)
x1, x2, x3, x4, a1 0

Como o coeficiente da varivel artificial a1 deve ser nulo na linha 0 de (27), j que a1 ser uma das
variveis bsicas na forma tabular inicial, soma-se a equao 1, que contm a varivel artificial a1,
equao 0 atual:
equao 0 w a1 = 0
equao 1 2x1 + 5x2 x3 + a1 = 20

soma (nova equao 0): w + 2x1 + 5x2 x3 = 20

A forma tabular inicial que combina a nova equao 0 com o sistema de equaes (27) est
representada na Tabela 3.31.

Tabela 3.31 Forma tabular inicial da fase 1


Varivel no da Coeficientes
Constante
bsica equao w x1 x2 x3 x4 a1
w 0 1 2 5 1 0 0 20
a1 1 0 2 5 1 0 1 20
x4 2 0 1 0 0 1 0 8

A soluo inicial {x1, x2, x3, x4, a1} = {0, 0, 0, 8, 20} com w = 20 no tima, j que os coeficientes
das variveis no bsicas x1 e x2 na equao 0 da Tabela 3.31 so positivos.
Conforme mostra a Tabela 3.32, a varivel x2 com maior coeficiente positivo entra na base no lugar
da varivel a1 (linha nica com quociente positivo).

Tabela 3.32 Varivel que entra e sai da base na primeira iterao da fase 1
Entra

Varivel no da Coeficientes
Constante
bsica equao w x1 x2 x3 x4 a1
w 0 1 2 5 1 0 0 20
a1 1 0 2 5 1 0 1 20 4 Sai
x4 2 0 1 0 0 1 0 8

A nova forma tabular obtida na primeira iterao, utilizando o mtodo de eliminao de Gauss-
Jordan, est na Tabela 3.33.

112

Cap_01-a-03.indd 112 1/25/2013 12:32:49 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Tabela 3.33 Nova forma tabular na primeira iterao da fase 1


Varivel no da Coeficientes
Constante
bsica equao w x1 x2 x3 x4 a1
w 0 1 0 0 0 0 1 0
x2 1 0 2/5 1 1/5 0 1/5 4
x4 2 0 1 0 0 1 0 8

De acordo com a Tabela 3.33, a nova soluo adjacente {x1, x2, x3, x4, a1} = {0, 4, 0, 8, 0} com w = 0
tima, pois os coeficientes das variveis no bsicas x1, x3 e a1 na equao 0 so no positivos.

Fase 2

Primeiramente, elimina-se a coluna correspondente varivel artificial a1 da Tabela 3.33. Alm disso,
a varivel bsica x2 da soluo tima da fase 1 deve ser eliminada de z 4x1 3x2 = 0:
equao 0 z 4x1 3x2 =0
equao 1 3 6/5x1 + 3x2 3/5x3 = 12

soma (nova equao 0): z 14/5x1 3/5x3 = 12

A nova forma tabular inicial da fase 2 est na Tabela 3.34.

Tabela 3.34 Forma tabular inicial da fase 2


Varivel no da Coeficientes
Constante
bsica equao w x1 x2 x3 x4
w 0 1 14/5 0 3/5 0 12
x2 1 0 2/5 1 1/5 0 4
x4 2 0 1 0 0 1 8

Para um problema de maximizao, a soluo atual no tima, j que os coeficientes das variveis
no bsicas x1 e x3 so negativos.
Conforme mostra a Tabela 3.35, a varivel x1 com maior coeficiente negativo na linha 0 entra na base
no lugar da varivel x4 (linha com menor quociente positivo).

Tabela 3.35 Varivel que entra e sai da base na primeira iterao da fase 2
Entra

Varivel no da Coeficientes
Constante
bsica equao w x1 x2 x3 x4
w 0 1 14/5 0 3/5 0 12
x2 1 0 2/5 1 1/5 0 4 4*2/5 = 10
x4 2 0 1 0 0 1 8 8/1 = 8 Sai

A nova forma tabular (Iterao 1 da fase 2), utilizando o mtodo de eliminao de Gauss-Jordan,
est na Tabela 3.36.

113

Cap_01-a-03.indd 113 1/25/2013 12:32:50 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 3.36 Nova forma tabular na primeira iterao da fase 2


Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
w 0 1 0 0 3/5 14/5 172/5
x2 1 0 0 1 1/5 2/5 4/5
x4 2 0 1 0 0 1 8

A nova soluo adjacente {x1, x2, x3, x4, a1} = {8, 4/5, 0, 0, 0} com z = 172/5.
De acordo com a Tabela 3.36, podemos verificar que estamos diante de um caso com funo objetivo
ilimitada, pois a varivel no bsica x3 candidata a entrar na base fica impossibilitada de tornar-se bsica
porque as linhas das variveis bsicas x2 e x1 possuem coeficientes no positivos na coluna da varivel no bsica
x3 candidata. Isso significa que nenhuma das variveis bsicas (x2 e x1) limita o crescimento da varivel
no bsica x3. Podemos concluir, ainda, que medida que x3 aumenta o valor da varivel x2 tambm cresce
(x2 = 4/5 + 1/5x3, x2, x3 0), no existindo limite para o crescimento da varivel de deciso x2. Para um
valor de x2 = 1.000, o valor mximo que a funo z pode assumir (x1 = 8) z = 4 8 + 3 1.000 = 3.032.

3.4.6.3 No Existe Soluo tima

Segundo Taha (2007), esse caso nunca ocorre com restries do tipo com constantes no negativas
do lado direito da restrio, j que as variveis de folga garantem uma soluo factvel.
Na implementao do algoritmo Simplex na forma tabular, sempre que as variveis bsicas
assumem valores no negativos, estamos diante de uma soluo bsica factvel. Por outro lado, quando
pelo menos uma das variveis bsicas assume valores negativos, estamos diante de um caso com soluo
bsica infactvel. Esse caso ser visto de forma detalhada no mtodo dual Simplex (Seo 4.3.5 do
prximo captulo).
Pode-se identificar, pelo mtodo das penalidades (Big M) ou mtodo das duas fases, um caso
com soluo infactvel quando a soluo final obtida no mtodo das penalidades ou na fase 1 do mtodo das
duas fases tiver pelo menos uma varivel artificial com coeficiente positivo.

Exemplo 3.17
Resolver o Exemplo 3.5 da Seo 3.2.3.3 (soluo grfica de um caso com soluo infactvel) pela forma
tabular. O Exemplo 3.5 est reescrito a seguir:
max z = x1 + x2
sujeito a:
5x1 + 4x2 40
2x1 + x2 6
x1, x2 0

Soluo

Como o problema possui uma restrio de desigualdade do tipo , utilizaremos o mtodo das
penalidades (Big M) descrito na Figura 3.16 para a soluo do Exemplo 3.17.

114

Cap_01-a-03.indd 114 1/25/2013 12:32:50 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Incio

Convertido o problema original para a forma padro, adicionar variveis artificiais para as equaes
que no tm variveis de folga:
max z = x1 + x2
sujeito a:
5x1 + 4x2 x3 + a1 = 40
2x1 + x2 + x4 =6 (3.28)
x1, x2, x3, x4, a1 0

Passo 1

Como o problema de maximizao, para cada varivel artificial a1 introduzida (nesse caso i = 1),
subtrair o produto Ma1 funo objetivo:
max z = x1 + x2 Ma1
sujeito a:
5x1 + 4x2 x3 + a1 = 40
2x1 + x2 + x4 =6 (3.29)
x1, x2, x3, x4, a1 0

Passo 2

Eliminar a varivel artificial da linha 0 da funo objetivo de (3.29), j que a varivel a1, juntamente
com a varivel x4, ser considerada varivel bsica inicial:
equao 0 z x1 x2 + Ma1 = 0
equao 1 M 5Mx1 4Mx2 + Mx3 Ma1 = 40M

soma (nova equao 0): z (5M + 1) x1 (4M + 1) x2 + Mx3 = 40M

Passo 3: Aplicar o mtodo Simplex ao problema original adaptado.

A forma tabular inicial que combina a nova equao 0 com o sistema de equaes (3.29) est
representada na Tabela 3.37.

Tabela 3.37 Forma tabular inicial do sistema de equaes (3.29)


Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4 a1
z 0 1 5M 1 4M 1 M 0 0 40M
a1 1 0 5 4 1 0 1 40
x4 2 0 2 1 0 1 0 6

A soluo inicial {x1, x2, x3, x4, a1} = {0, 0, 0, 6, 40} no tima, j que os coeficientes das variveis
no bsicas x1 e x2 na equao 0 da Tabela 3.37 so negativos.

115

Cap_01-a-03.indd 115 1/25/2013 12:32:50 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Conforme mostra a Tabela 3.38, a varivel x1 com maior coeficiente negativo entra na base no lugar
da varivel x4, que limita o seu crescimento (3<8).

Tabela 3.38 Varivel que entra e sai da base na primeira iterao do mtodo Big M
Entra

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4 a1
z 0 1 5M 1 4M 1 M 0 0 40M
a1 1 0 5 4 1 0 1 40 8
x4 2 0 2 1 0 1 0 6 3 Sai

A nova forma tabular obtida na primeira iterao, utilizando o mtodo de eliminao de Gauss-
-Jordan, est na Tabela 3.39.

Tabela 3.39 Nova forma tabular obtida na primeira iterao do mtodo Big M
Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4 a1
z 0 1 0 3/2M 1/2 M 5/2M +1/2 0 25M + 3
a1 1 0 0 3/2 1 5/2 1 25
x1 2 0 1 1/2 0 1/2 0 3

De acordo com a Tabela 3.39, a nova soluo adjacente {x1, x2, x3, x4, a1} = {3, 0, 0, 0, 25} com z =
25M + 3 ainda no tima, j que o coeficiente da varivel no bsica x2 na equao 0 negativo. Verifica-se
tambm que o coeficiente da varivel artificial a1 ainda positivo. Busca-se, portanto, determinar uma
nova SBF adjacente.
Conforme mostra a Tabela 3.40, a varivel x2 entra na base no lugar da varivel x1. Repare que a
varivel x1 j era uma varivel no bsica na soluo inicial. Para que uma soluo tima factvel pudesse ser
obtida, a varivel x2 deveria entrar na base no lugar de a1 , porm no foi isso o que ocorreu neste caso.

Tabela 3.40 Varivel que entra e sai da base na segunda iterao do mtodo Big M
Entra

Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4 a1
z 0 1 0 3/2M 1/2 M 5/2M +1/2 0 25M + 3
a1 1 0 0 3/2 1 5/2 1 25 50/3
x1 2 0 1 1/2 0 1/2 0 3 6 Sai

A nova forma tabular (Iterao 2), utilizando o mtodo de eliminao de Gauss-Jordan, est na
Tabela 3.41.

116

Cap_01-a-03.indd 116 1/25/2013 12:32:50 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Tabela 3.41 Nova forma tabular na segunda iterao


Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4 a1
z 0 1 3M +1 0 M 4M +1 0 16M + 6
a1 1 0 3 0 1 4 1 16
x2 2 0 2 1 0 1 0 6

Podemos verificar, a partir da Tabela 3.41, que todos os coeficientes das variveis no bsicas, na equao
zero, so positivos. Porm, a soluo final {x1, x2, x3, x4, a1} = {0, 6, 0, 0, 16} infactvel, j que o coeficiente
da varivel bsica artificial a1 positivo. Como a varivel artificial no faz parte do problema original, a mesma
deveria ser nula na soluo final. Segundo Taha (2007), essa soluo pode ser chamada pseudo-tima.

3.4.6.4 Soluo tima Degenerada

Conforme abordado na Seo 3.2.3.4, pode-se identificar um caso especial de soluo degenerada, em
termos grficos, quando um dos vrtices da regio factvel obtido pela interseo de mais de duas retas
distintas.
J pelo mtodo Simplex, pode-se identificar um caso com soluo degenerada quando, em uma
das solues do mtodo Simplex, o valor de uma das variveis bsicas for nulo. Essa varivel chamada varivel
degenerada. Quando todas as variveis bsicas assumem valores positivos, diz-se que a soluo bsica
factvel no degenerada. Se a degenerao ocorrer na soluo tima, tem-se um caso conhecido como
soluo tima degenerada.
Dado um problema de programao linear na forma tabular com pelo menos uma varivel artificial,
a degenerao pode ocorrer em relao varivel artificial, conforme especificado na fase 1 do mtodo das
duas fases, se a mesma for bsica e assumir o valor nulo.
A soluo degenerada obtida quando h empate entre pelo menos duas variveis bsicas para a
escolha de qual delas deve sair da base (linhas com mesmo quociente positivo). Quando isso ocorrer,
pode-se escolher qualquer uma delas, aleatoriamente. A varivel bsica no escolhida permanece na base,
porm, seu valor passa a ser nulo na nova soluo adjacente.
Analogamente, durante a soluo de qualquer problema de programao linear pelo mtodo Simplex,
se ocorrer empate na escolha da varivel no bsica que entrar na base, escolhe-se uma das variveis
aleatoriamente.
O problema da degenerao que, em alguns casos, o algoritmo Simplex pode entrar em loop, gerando
as mesmas solues bsicas, j que no consegue sair daquele espao de solues. Nesse caso, a soluo
tima nunca ser atingida.

Exemplo 3.18
Resolver o Exemplo 3.6 da Seo 3.2.3.4 (soluo grfica de um caso com soluo tima degenerada) pela
forma tabular. O Exemplo 3.6 est reescrito a seguir:
min z = x1 + 5x2
sujeito a:
2x1 + 4x2 16
x1 + x2 6
x1 4
x1, x2 0

117

Cap_01-a-03.indd 117 1/25/2013 12:32:50 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Analogamente seo anterior, como o problema possui uma restrio de desigualdade do tipo , o
mtodo das penalidades (Big M) descrito na Figura 3.16 ser aplicado para a soluo do modelo.

Incio

Convertido o problema original para a forma padro, adicionar variveis artificiais para as equaes
que no tm variveis de folga:
min z = x1 + 5x2
sujeito a:
2x1 + 4x2 x3 + a1 = 16
x1 + x2 + x4 =6 (3.30)
x1 + + x5 =4
x1, x2, x3, x4, x5, a1 0

Passo 1

Como o problema de minimizao, para cada varivel artificial ai introduzida (nesse caso i = 1),
somar o produto Ma1 funo objetivo:
min z = x1 + 5x2 + Ma1
sujeito a:
2x1 + 4x2 x3 + a1 = 16
x1 + x2 + x4 =6 (3.31)
x1 + + x5 =4
x1, x2, x3, x4, x5, a1 0

Passo 2

Eliminar a varivel artificial da linha 0 da funo objetivo de (3.31), j que a varivel a1, juntamente
com as variveis x4 e x5, ser considerada varivel bsica inicial:
equao 0 z x1 5x2 Ma1 = 0
equao 1 M 2Mx1 + 4Mx2 Mx3 + Ma1 = 16M

soma (nova equao 0): z + (2M 1)x1 + (4M 5)x2 Mx3 = 16M

Passo 3: Aplicar o mtodo Simplex ao problema original adaptado.

A forma tabular inicial que combina a nova equao 0 com o sistema de equaes (3.31) est
representada na Tabela 3.42.

118

Cap_01-a-03.indd 118 1/25/2013 12:32:50 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Tabela 3.42 Forma tabular inicial do sistema de equaes (3.31)


Varivel Coeficientes
Eq. Constante
bsica z x1 x2 x3 x4 x5 a1
z 0 1 2M 1 4M 5 M 0 0 0 16M
a1 1 0 2 4 1 0 0 1 16
x4 2 0 1 1 0 1 0 0 6
x5 3 0 1 0 0 0 1 0 4

A soluo inicial {x1, x2, x3, x4, x5, a1} = {0, 0, 0, 6, 4, 16} no tima, j que os coeficientes das
variveis no bsicas x1 e x2 na equao 0 da Tabela 3.42 so positivos.
Conforme mostra a Tabela 3.43, a varivel x2 com maior coeficiente positivo entra na base no lugar
da varivel a1, que limita o seu crescimento (4 < 6).

Tabela 3.43 Varivel que entra e sai da base na primeira iterao do mtodo Big M
Entra

Varivel Coeficientes
Eq. Constante
bsica z x1 x2 x3 x4 x5 a1
z 0 1 2M 1 4M-5 M 0 0 0 16M
a1 1 0 2 4 1 0 0 1 16 4 Sai
x4 2 0 1 1 0 1 0 0 6 6
x5 3 0 1 0 0 0 1 0 4

A nova forma tabular obtida na primeira iterao, utilizando o mtodo de eliminao de Gauss-
Jordan, est na Tabela 3.44.

Tabela 3.44 Nova forma tabular obtida na primeira iterao


Varivel Coeficientes
Eq. Constante
bsica z x1 x2 x3 x4 x5 a1
z 0 1 3/2 0 5/4 0 0 M + 5/4 20
x2 1 0 1/2 1 1/4 0 0 1/4 4
x4 2 0 1/2 0 1/4 1 0 1/4 2
x5 3 0 1 0 0 0 1 0 4

De acordo com a Tabela 3.44, a nova soluo adjacente {x1, x2, x3, x4, x5, a1} = {0, 4, 0, 2, 4, 0} com
z = 20 ainda no tima, j que o coeficiente da varivel no bsica x1 na equao 0 positivo.
Conforme mostra a Tabela 3.45, a varivel x1 escolhida para entrar na base, porm, h um empate
entre as variveis bsicas x4 e x5 para a escolha de qual delas deve sair da base. Escolhe-se, aleatoriamente,
a varivel x4 para sair da base.

119

Cap_01-a-03.indd 119 1/25/2013 12:32:51 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 3.45 Varivel que entra e sai da base na segunda iterao do mtodo Big M
Entra

Varivel Coeficientes
Eq. Constante
bsica z x1 x2 x3 x4 x5 a1
z 0 1 3/2 0 5/4 0 0 M + 5/4 20
x2 1 0 1/2 1 1/4 0 0 1/4 4 8
x4 2 0 1/2 0 1/4 1 0 1/4 2 4 Sai
x5 3 0 1 0 0 0 1 0 4 4

A nova forma tabular (Iterao 2), utilizando o mtodo de eliminao de Gauss-Jordan, est na
Tabela 3.46.

Tabela 3.46 Nova forma tabular obtida na segunda iterao do mtodo Big M
Varivel Coeficientes
Eq. Constante
bsica z x1 x2 x3 x4 x5 a1
z 0 1 0 0 2 3 0 M + 2 14
x2 1 0 0 1 1/2 1 0 1/2 2
x1 2 0 1 0 1/2 2 0 1/2 4
x5 3 0 0 0 1/2 2 1 1/2 0

Podemos verificar, a partir da Tabela 3.46, que a nova soluo adjacente {x1, x2, x3, x4, x5, a1} = {4, 2,
0, 0, 0, 0} com z = 14 tima, j que os coeficientes das variveis no bsicas x3, x4 e a1 na equao 0 so
negativos.
Repare que a varivel bsica x5 no escolhida para sair da base possui valor nulo na nova soluo a
djacente. A varivel x5 ento chamada varivel degenerada. Temos, portanto, um caso conhecido
como soluo degenerada. Como a degenerao ocorre na soluo tima, temos uma soluo tima
degenerada.

3.5 Soluo por Computador


Neste captulo, apresentamos diversas maneiras de resolver um problema de PL: a) de forma grfica
para problemas com duas variveis de deciso; b) pelo mtodo analtico para casos em que m < n;
c) pelo mtodo Simplex. O entendimento terico de cada um desses mtodos fundamental; porm,
para minimizar o tempo despendido na soluo de um modelo de PL, os mesmos problemas podem ser
resolvidos por computador, sem a necessidade de clculos e grficos manuais.
Atualmente, existem diversos softwares no mercado para soluo de problemas de programao
linear, incluindo GAMS, AMPL, AIMMS, softwares de planilhas eletrnicas (Solver do Excel, Whats
Best!), entre outros.
Os softwares GAMS, AMPL e AIMMS so linguagens ou sistemas de modelagem algbrica (Algebraic
Modeling Language AML), isto , linguagens de programao de alto nvel utilizadas para a soluo
de problemas de programao matemtica complexos e de larga escala. Essas linguagens possuem uma
interface aberta que possibilita a conexo com diversos pacotes de otimizao ou Solver (LINDO, LINGO,

120

Cap_01-a-03.indd 120 1/25/2013 12:32:51 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

CPLEX, XPRESS, MINOS, OSL etc.) que encontram a soluo do modelo. Esses pacotes de otimizao
tambm podem ser utilizados de forma isolada, mas muitos deles costumam rodar dentro de um ambiente
de desenvolvimento. Descreveremos a seguir as principais caractersticas de cada um dos softwares.
O LINDO (Linear INteractive and Discrete Optimizer), da empresa LINDO Systems (http://www.lindo.
com/), resolve problemas de programao linear, no linear e inteira, sendo de fcil utilizao e alta
velocidade. A verso completa do software no apresenta limitaes em relao ao nmero de restries,
variveis reais e inteiras. Para a soluo de problemas de programao linear, o Solver do LINDO utiliza
mais de um mtodo de otimizao, incluindo o mtodo Simplex, Simplex revisado, dual Simplex e
mtodos de ponto interior. Diferentemente do algoritmo Simplex, nos mtodos de ponto interior, novas
solues podem ser encontradas no interior da regio factvel. O Solver do LINDO possui interface com as
linguagens de programao Visual Basic, C, C++, entre outras. A verso livre do software pode ser baixada
diretamente do site http://www.lindo.com/. No Brasil, a empresa LINDO Systems representada pela
Produttare (www.produttare.com.br).
O software LINGO (Language for Interactive General Optimizer), tambm da LINDO Systems, resolve
problemas de programao linear, no linear e inteira de forma rpida e eficaz. A verso completa do
software tambm no apresenta limitaes em relao ao nmero de restries, variveis reais e inteiras. O
Solver do LINGO tambm utiliza o mtodo Simplex, Simplex revisado, dual Simplex e mtodo dos pontos
interiores para determinar a soluo tima de um modelo de programao linear. A leitura dos dados de
entrada pode ser feita diretamente do LINGO, porm, muitas vezes, o software utiliza como interface
planilhas eletrnicas, como o Excel. O Solver do LINGO tambm possui interface com as linguagens de
programao Visual Basic, C, C++, entre outras. A verso livre do software tambm pode ser baixada do
site http://www.lindo.com/.
O software Whats Best!, tambm da empresa LINDO Systems, um mdulo a ser instalado dentro de
planilhas eletrnicas como o Excel e utilizado para a resoluo de problemas de programao linear, no
linear e inteira. A verso completa do software tambm no apresenta limitaes em relao ao nmero de
restries, variveis reais e inteiras. O Solver do Whats Best! utiliza os mesmos mtodos de otimizao
do LINDO e LINGO. O Whats Best! tambm compatvel com o VBA (Visual Basic for Applications) do
Excel, permitindo a criao de macros e cdigos de programao. A verso livre do software tambm pode
ser baixada do site http://www.lindo.com/.
O CPLEX um pacote de otimizao que foi originalmente desenvolvido por Robert Bixby da
empresa CPLEX Optimization. Em 1997, foi adquirido pela ILOG, e posteriormente (2009) pela empresa
IBM. O CPLEX vem sendo bastante utilizado para a resoluo de problemas de programao linear,
inteira e no linear de grande porte, servindo, muitas vezes, como um Solver dentro de sistemas de
modelagem algbrica, como GAMS, AMPL e AIMMS. O Solver do CPLEX utiliza o mtodo Simplex e o
mtodo de pontos interiores para determinar a soluo tima de um problema de programao linear.
Possui interface com as linguagens de programao C, C++, C e Java. O download da verso livre do
CPLEX pode ser feito a partir do site http://www-01.ibm.com/software/integration/optimization/
cplex/.
O XPRESS, da Dash Optimization Ltd, um software de otimizao que resolve problemas complexos
de problemas de programao linear, no linear e inteira. O Solver XPRESS permite a escolha de um
mtodo de soluo (Simplex, dual Simplex, mtodo dos pontos interiores) para determinar a melhor
soluo de um problema de programao linear. O XPRESS possui interface com os as linguagens de
programao C, C++, Java, Visual Basic, Net. Mais informaes sobre o software podem ser encontradas
diretamente no site http://dashoptimization.com/.

121

Cap_01-a-03.indd 121 1/25/2013 12:32:51 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

O MINOS, desenvolvido por Bruce Murtagh e Michael Saunders, da Universidade de Stanford,


um software de otimizao que resolve problemas de programao linear e no linear de larga escala.
Para a soluo de problemas de programao linear, o MINOS utiliza o mtodo Simplex. O MINOS
tambm vem sendo bastante utilizado como um Solver para linguagens de modelagem algbrica. Possui
interface com linguagens de programao como Fortran, C e Matlab. Mais informaes sobre o software
MINOS podem ser encontradas em http://www.sbsi-sol-optimize.com/asp/sol_product_minos.htm/.
O OSL (Optimization Subroutine Library) da IBM um software de otimizao que resolve problemas
de programao linear, no linear e inteira de grande porte. O Solver do OSL utiliza o mtodo Simplex
e mtodos de ponto interior para determinar a soluo tima de um problema de programao linear.
O software possui interface com linguagens de programao como C e Fortran. Mais informaes sobre
o software esto em http://web.utk.edu/~mnewman/ibmguide18.html/.
O software GAMS (General Algebraic Modeling System), desenvolvido pela empresa GAMS
Development Corporation, um sistema de modelagem algbrica de alto nvel que vem sendo utilizado
para a soluo de problemas complexos e de grande porte de programao linear, no linear e inteira.
Conforme especificado anteriormente, o GAMS possui interface que se conecta com diversos pacotes
de otimizao, incluindo CPLEX, MINOS, OSL, XPRESS, LINGO, LINDO, entre outros. Uma verso
livre do software GAMS pode ser baixada diretamente do site http://www.gams.com/.
O AMPL (A Mathematical Programming Language) tambm uma linguagem de modelagem
algbrica, desenvolvida pelo laboratrio Bell, para a soluo de problemas de programao linear, inteira
e no linear de alta complexidade. O AMPL possui interface aberta que possibilita a conexo com
diversos tipos de Solver (como CPLEX, MINOS, OSL, XPRESS, entre outros) que encontram a soluo
tima do modelo. A verso livre do software AMPL pode ser baixada diretamente do site http://www.
ampl.com/.
O software AIMMS (Advanced Integrated Multidimensional Modeling Software), desenvolvido pela
empresa Paragon Decision Technology, tambm uma linguagem de modelagem algbrica de alto nvel
que resolve problemas de programao linear, no linear e inteira de alta complexidade. Utiliza pacotes
de otimizao como CPLEX, MINOS, XPRESS, entre outros, para determinar a soluo tima de um
modelo de programao linear. Possui interface com as linguagens de programao C, C++, Visual
Basic, Excel. Uma verso livre do software pode ser obtida do site http://www.aimms.com/.
O Solver um suplemento do Excel que tem sido bastante utilizado para a soluo de problemas de
programao linear, no linear e inteira de pequeno porte, em funo de sua popularidade e simplicidade.
O Solver utiliza o algoritmo Simplex para determinar a soluo tima de um modelo de programao
linear. Para resolver problemas no lineares, o solver utiliza o algoritmo GRG2 (Generalized Reduced
Gradient), j para problemas de programao inteira, usa o algoritmo branch-and-bound. O Solver possui
interface com outras linguagens de programao, de forma que a soluo final possa ser exportada para
outro pacote. Detalharemos como us-lo, passo a passo, na prxima seo.

3.5.1 Solver do Excel


O Solver capaz de resolver problemas com at 200 variveis de deciso e 100 restries. Para que
o mesmo possa ser utilizado, necessrio ativar o suplemento Solver do Excel. Primeiramente, selecione
o menu Ferramentas e escolha a opo Suplementos (Figura 3.19). A partir da caixa de dilogo
Suplementos (Figura 3.20), selecione a opo Solver e clique em OK. Caso essa opo no esteja
disponvel, necessrio reinstalar o Excel.

122

Cap_01-a-03.indd 122 1/25/2013 12:32:51 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.19 Ativao do Solver a partir do menu Ferramentas (Excel 2003).

Figura 3.20 Ativao do Solver na caixa de dilogo Suplementos (Excel 2003).

Depois da ativao, o Solver do Excel passar a estar disponvel no menu Ferramentas, conforme
mostra a Figura 3.21.
Figura 3.21 Disponibilidade do Solver no menu Ferramentas (Excel 2003).

Os procedimentos demonstrados nas Figuras 3.19 a 3.21 para ativao do Solver so referentes ao
Excel 2003. Para uma nova verso (Excel 2007), primeiramente deve-se selecionar o boto do Office e
clicar em Opes do Excel (Figura 3.22). A partir da caixa de dilogo Opes do Excel (Figura 3.23),

123

Cap_01-a-03.indd 123 1/25/2013 12:32:51 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

escolher a opo Suplementos e selecionar a opo Solver. Ainda na Figura 3.23, o prximo passo
consiste em clicar no boto Ir, que abrir a mesma caixa de dilogo Suplementos apresentada na Figura
3.20. Finalmente, confirmar em OK. Assim, o Solver do Excel passar a estar disponvel no menu Dados,
dentro da coluna Anlise, conforme mostra a Figura 3.24.
Figura 3.22 Ativao do Solver a partir de Opes do Excel (verso 2007).

Figura 3.23 Ativao do Solver a partir da opo Suplementos (verso 2007).

Figura 3.24 Disponibilidade do Solver a partir do menu Dados (verso 2007).

124

Cap_01-a-03.indd 124 1/25/2013 12:32:52 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Selecionada a opo Solver, surge a caixa de dilogo Parmetros do Solver (Figura 3.25).
Descreveremos a seguir cada um dos seus campos.

Figura 3.25 Parmetros do Solver.

1. Definir clula de destino


A clula de destino aquela que contm o valor da funo objetivo.

2. Igual a
Deve-se selecionar se a funo objetivo de maximizao (Mx) ou de minimizao (Mn). O Solver
tambm pode usar a opo Valor de. Nesse caso, o Solver buscar uma soluo cujo valor da funo
objetivo (clula de destino) seja o mesmo ou o mais prximo possvel do valor estipulado.

3. Clulas variveis
Referem-se s variveis de deciso do modelo. So as clulas cujos valores variam at que a soluo
tima do modelo seja alcanada. Se o boto Estimar for selecionado, o Solver passa a considerar como
clulas variveis todas as clulas referenciadas pela clula de destino.

4. Submeter s restries
Cada uma das restries do modelo deve ser includa por meio do boto Adicionar da Figura 3.25,
surgindo, assim, a caixa de dilogo Adicionar restrio, conforme mostra a Figura 3.26.

Figura 3.26 Caixa de dilogo Adicionar restrio.

Primeiramente, na caixa Referncia de clula, deve-se selecionar a clula que representa o lado
esquerdo da restrio a ser adicionada. Selecionar o sinal da restrio (, ou ), int (varivel inteira) ou
bin (varivel binria). Na caixa Restrio, selecionar uma constante, uma clula de referncia ou uma

125

Cap_01-a-03.indd 125 1/25/2013 12:32:53 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

frmula com valor numrico que represente o lado direito da restrio. Enquanto houver novas restries
a serem includas no modelo, clique em Adicionar. As restries de no negatividade das variveis de
deciso tambm devem ser includas nessa fase, a no ser que seja utilizada a opo Presumir no
negativos, que ser apresentada adiante. No caso da ltima restrio, pressionar OK para retornar
caixa de dilogo Parmetros do Solver.
Conforme mostra a Figura 3.25, para cada restrio j adicionada, possvel alter-la ou exclu-la.
Para isso, basta selecionar a restrio desejada e clicar no boto Alterar ou Excluir.

5. Redefinir tudo
O boto Redefinir tudo da Figura 3.25 limpa todos os dados referentes ao modelo atual.

6. Opes do Solver
Retornando caixa de dilogo Parmetros do Solver, possvel ativar tambm o boto Opes, o
que torna disponvel a janela Opes do Solver (Figura 3.27).

Figura 3.27 Caixa de dilogo Opes do Solver.

Verifica-se, a partir da Figura 3.27, que diversos parmetros podem ser estipulados, como tempo
mximo, iteraes, preciso, tolerncia e convergncia. Com relao ao Tempo mximo de CPU (em
segundos), seu valor padro corresponde a 100 segundos, mas esse valor pode atingir um limite de at 32.767
segundos. Analogamente, o nmero mximo de Iteraes do algoritmo Simplex 32.767. A Preciso
mede o grau de proximidade entre duas ou mais solues. Seu valor varia entre 0 e 1. Quanto mais prximo
de zero, maior o grau de proximidade e, consequentemente, maior a preciso. A Tolerncia corresponde
ao grau de aceitao de uma soluo e uma medida (em porcentagem) utilizada para problemas de
programao inteira. Segundo Schwartz Filho (2006), a tolerncia mede o quanto determinada soluo
pode divergir do valor timo, atendendo s restries de integralidade das variveis de deciso e ainda ser
considerada aceitvel. Para que a soluo tima do modelo possa ser determinada, a tolerncia deve ser
zero. Porm, para minimizar o tempo computacional, pode-se estipular uma tolerncia maior do que zero.

126

Cap_01-a-03.indd 126 1/25/2013 12:32:53 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Finalmente, pode-se estipular a Convergncia do algoritmo para soluo do problema. A convergncia


uma medida utilizada para a soluo de problemas de programao no linear, variando entre 0 e 1.
Quanto mais prximo de zero, maior ser o tempo de convergncia para encontrar uma soluo.
Para problemas de programao linear, deve-se selecionar a opo Presumir modelo linear. Conforme
apresentado anteriormente, as restries de no negatividade podem ser includas na caixa de dilogo
Adicionar restrio. Outra alternativa selecionar a opo Presumir no negativos. A opo Usar
escala automtica padroniza os dados de entrada de um modelo que possui diferentes escalas de medida.
J a opo Mostrar resultado de iterao faz com que os resultados sejam apresentados a cada iterao.
Tem-se tambm as opes Carregar modelo e Salvar modelo. No primeiro caso, especifica-se o
modelo que se deseja carregar, enquanto a segunda opo especifica o modelo a ser salvo.
Ainda na caixa de dilogo Opes do Solver, dois tipos de Estimativas podem ser usados para
estimar as solues bsicas iniciais: Tangente e Quadrtica. A tangente utiliza extrapolao linear,
enquanto a quadrtica utiliza extrapolao quadrtica, sendo esta ltima aplicada para problemas de
programao no linear.
Para estimar as Derivadas parciais da funo objetivo e das restries do modelo, dois mtodos
podem ser usados: Adiante e Central. O mtodo Central exige maior tempo computacional, porm,
pode gerar melhor soluo comparado ao mtodo Adiante.
Finalmente, para o campo Pesquisar, dois mtodos podem ser utilizados: Newton e Conjugado. O
mtodo de Newton exige maior capacidade de memria computacional comparado ao mtodo Conjugado,
porm necessita de um nmero menor de iteraes para atingir a preciso requerida.

7. Resolver
Retornando caixa de dilogo Parmetros do Solver, clique no boto Resolver, obtendo a caixa
de dilogo Resultados do Solver.
Em casos em que o Solver encontrar uma soluo vivel para o problema em questo, que atenda a
todas as restries do modelo, uma mensagem correspondente aparecer na caixa de dilogo Resultados
do Solver, conforme a Figura 3.28.

Figura 3.28 Caixa de dilogo Resultados do Solver soluo vivel.

Nesse caso, o resultado do Solver aparecer automaticamente na planilha em anlise, bastando clicar
em OK para manter a soluo tima encontrada. Para restaurar os valores iniciais do modelo, selecione
a opo Restaurar valores originais e, finalmente, clique em OK. O cenrio atual tambm pode ser
gravado por meio do boto Salvar cenrio.

127

Cap_01-a-03.indd 127 1/25/2013 12:32:53 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

O Solver fornece trs tipos de relatrio: Resposta, Sensibilidade e Limites. Para que os mesmos
sejam disponibilizados em novas planilhas do Excel, basta selecionar a opo desejada antes de ativar o
boto OK da caixa de dilogo Resultados do Solver. O relatrio de Resposta apresenta os resultados
da soluo tima do modelo. O relatrio Limites apresenta os limites inferiores e superiores de cada uma
das clulas variveis. Os relatrios de Resposta e Limites sero discutidos na Seo 3.5.4 do presente
captulo. O relatrio de anlise de Sensibilidade ser discutido na Seo 4.2.4 do prximo captulo.

3.5.2 Soluo dos Exemplos da Seo 2.5, do Captulo 2, pelo Solver do Excel
Cada um dos exemplos da Seo 2.5 do captulo anterior (modelagem de problemas reais de
programao linear) ser resolvido pelo Solver do Excel.

3.5.2.1 Soluo do Exemplo 3.3 do Captulo 2 (Problema do Mix de Produo da Empresa Venix
Brinquedos)

O Exemplo 2.3, do Captulo 2, referente ao problema do mix de produo da empresa Venix do


setor de brinquedos, ser resolvido a partir do Solver do Excel. A Figura 3.29 apresenta como o modelo de
programao linear deve ser editado em uma planilha do Excel para que o mesmo possa ser resolvido pelo
Solver (ver arquivo Exemplo 3.3_Venix.xls).

Figura 3.29 Modelo de mix de produo da empresa Venix Brinquedos no Excel.

Primeiramente, pode-se verificar que os lucros unitrios de cada produto esto representados pelas
clulas B5 e C5. J as variveis de deciso (quantidade semanal a ser fabricada de carrinhos e triciclos)
esto representadas pelas clulas B14 e C14, respectivamente. A funo objetivo representada pela clula
D14 (veja frmula no Quadro 3.2). As restries de disponibilidade de mo de obra para as atividades de
usinagem, pintura e montagem esto representadas nas linhas 8, 9 e 10, respectivamente. Por exemplo,
a restrio de disponibilidade de mo de obra para a atividade de usinagem representada pela equao
0,25x1 + 0,5x2 36. Para que a mesma possa ser adicionada caixa Submeter s restries da caixa de
dilogo Parmetros do Solver, o lado esquerdo da restrio deve estar representado em uma nica clula.
Portanto, o termo 0,25x1 + 0,5x2 passa a ser representado pela clula D8 (veja a frmula no Quadro 3.2).
Repete-se o mesmo procedimento para as demais restries. A soluo inicial apresenta os seguintes
valores: x1 = 0, x2 = 0 e z = 0.

128

Cap_01-a-03.indd 128 1/25/2013 12:32:54 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Quadro 3.2 Frmula da funo objetivo e do total de horas usadas em cada atividade
Clula Frmula
D8 =B8*$B$14+C8*$C$14
D9 =B9*$B$14+C9*$C$14
D10 =B10*$B$14+C10*$C$14
D14 =B5*$B$14+C5*$C$14

Para problemas complexos, pode-se utilizar diretamente a funo SOMARPRODUTO, que multiplica
os componentes correspondentes aos intervalos ou matrizes fornecidas e retorna a soma desses produtos,
conforme mostra o Quadro 3.3.

Quadro 3.3 Alternativa ao Quadro 3.2 utilizando a funo SOMARPRODUTO

Clula Frmula
D8 =SOMARPRODUTO(B8:C8;$B$14:$C$14)
D9 =SOMARPRODUTO(B9:C9;$B$14:$C$14)
D10 =SOMARPRODUTO(B10:C10;$B$14:$C$14)
D14 =SOMARPRODUTO(B5:C5;$B$14:$C$14)

Repare que, no Quadro 3.3, os intervalos esto separados por ponto e vrgula (verso 2007 do Excel).
No caso do Excel 2003, esses intervalos so representados apenas por vrgula.
O problema j est pronto para ser resolvido pelo Solver do Excel. Clicando na opo Solver,
obtm-se a caixa de dilogo Parmetros do Solver, conforme mostra a Figura 3.30. Primeiramente,
deve-se selecionar a clula de destino (D14), que aquela que contm o valor da funo objetivo.
Como o problema de maximizao, selecionar a opo Mx. O prximo passo consiste em
selecionar as clulas variveis (B14:C14), que representam as variveis de deciso do modelo.
Finalmente, deve-se adicionar cada uma das restries do modelo caixa Submeter s restries.
Com relao s restries de disponibilidade de mo de obra para cada uma das atividades, como elas
so todas do mesmo tipo, em vez de adicion-las individualmente, as mesmas podem ser adicionadas
simultaneamente. Para isso, primeiramente, clique no boto Adicionar. Selecione o intervalo de
clulas D8:D10 na caixa Referncia de clula, o sinal , alm do intervalo de clulas F8:F10 na
caixa Restrio, conforme mostra a Figura 3.31. Para finalizar a incluso da atual restrio, pode-se
clicar no boto OK. Porm, como ser includa ainda a restrio de no negatividade das variveis de
deciso do modelo, clique em Adicionar. Surge, novamente, a caixa de dilogo Adicionar restrio,
de forma que a nova restrio do modelo j pode ser includa. Dessa forma, selecionam-se as clulas
variveis (B14:C14) na caixa Referncia de clula, alm do sinal e do valor 0 a ser includo na
caixa Restrio, conforme mostra a Figura 3.32. Como ela a ltima restrio, finalize clicando em
OK.

129

Cap_01-a-03.indd 129 1/25/2013 12:32:54 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 3.30 Caixa de dilogo Parmetros do Solver para o Exemplo 2.3, do Captulo 2.

Figura 3.31 Adio da restrio de disponibilidade de mo de obra para as trs atividades.

Figura 3.32 Adio da restrio de no negatividade das variveis de deciso.

O prximo passo consiste em clicar no boto Opes, obtendo-se assim a caixa de dilogo Opes
do Solver (Figura 3.33). Os valores referentes aos parmetros Tempo mximo, Iteraes, Preciso,
Tolerncia e Convergncia sero mantidos. Caso o Solver no consiga encontrar uma soluo
vivel, deve-se testar uma menor preciso, a fim de encontrar uma soluo factvel. Outra alternativa
aumentar o tempo mximo e o nmero de iteraes. Se o problema persistir, o modelo deve ser
infactvel (Taha, 2007). Como estamos diante de um problema de programao linear, selecionar a
opo Presumir modelo linear. As restries de no negatividade tambm podem ser ativadas por
meio da opo Presumir no negativos. Finalmente, clique em OK para retornar caixa de dilogo
Parmetros do Solver.

130

Cap_01-a-03.indd 130 1/25/2013 12:32:54 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.33 Opes do Solver para o Exemplo 2.3, do Captulo 2.

A partir da, o Solver est pronto para ser resolvido. Clique, portanto, no boto Resolver. No caso
de soluo factvel, pode-se atualizar a planilha atual do Excel com a nova soluo clicando na opo
Manter soluo do Solver. A Figura 3.34 apresenta o resultado da soluo tima do Exemplo 3.3 da
empresa Venix Brinquedos.

Figura 3.34 Soluo tima do problema do mix de produo da empresa Venix Brinquedos.

Verifica-se, portanto, que a soluo tima do modelo x1 = 70 e x2 = 20 com z = 2.040 (R$2.040,00).


Os mesmos resultados podem ser visualizados, de forma mais detalhada, pelo Relatrio de resposta
(ver Seo 3.5.4). O Relatrio de Limites da empresa Venix brinquedos tambm ser discutido na
Seo 3.5.4.

131

Cap_01-a-03.indd 131 1/25/2013 12:32:54 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Resoluo Usando Nomes em uma Clula ou Intervalo de Clulas

Segundo Haddad e Haddad (2007), usar nomes em uma clula ou intervalo de clulas facilita a
compreenso da frmula. Para nomear, basta clicar em uma clula ou em um intervalo de clulas, colocar
o nome desejado na Caixa de Nome que aparece do lado esquerdo da Barra de frmulas e finalizar
teclando Enter. Dessa forma, as clulas passaro a ser referenciadas pelo nome e no mais pelas colunas e
linhas correspondentes. Por exemplo, o conjunto de clulas B5:C5 ser nomeado Lucro_unitrio, conforme
mostra a Figura 3.35. Outra forma de fazer isso clicar com o boto direito do mouse em Nomear
Intervalo (opo vlida para o Excel 2007). Surgir, assim, a caixa de dilogo Novo Nome (Figura 3.36),
de forma que o nome desejado deve ser adicionado na caixa Nome. Uma terceira alternativa, no caso
do Excel 2007, selecionar o menu Frmulas e a opo Gerenciar Nomes (CTRL + F3), surgindo,
assim, a caixa de dilogo Gerenciador de Nomes (Figura 3.37). Conforme mostra a Figura 3.37, pode-se
incluir um novo nome por meio do boto Novo (aparecer novamente a caixa de dilogo Novo Nome)
ou selecionar uma clula ou um conjunto de clulas j existentes e clicar na opo Editar para alterar o
nome atual ou Excluir.
No Excel 2003, basta selecionar o menu Inserir, selecionar a opo Nome e, em seguida, Definir
(CTRL + F3), que surgir a caixa de dilogo Definir nome.

Figura 3.35 Inserindo nome em um conjunto de clulas.

Figura 3.36 Caixa de dilogo Novo Nome.

132

Cap_01-a-03.indd 132 1/25/2013 12:32:54 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.37 Caixa de dilogo Gerenciador de Nomes.

Repare que a Figura 3.37 apresenta o nome de cada clula ou intervalo de clulas, seu valor
correspondente, alm de sua(s) respectiva(s) linha(s) e coluna(s).
Dessa forma, cada clula ou intervalo de clulas includo no Gerenciador de Nomes passa a ser
referenciado pelo nome em vez de sua(s) linha(s) e coluna(s) correspondente(s). Por exemplo, as frmulas
do Quadro 3.3 referentes s clulas D8, D9, D10 e D15 passam a ser escritas em funo dos novos nomes,
conforme mostra o Quadro 3.4.

Quadro 3.4 Frmulas do Quadro 3.3 escritas em funo dos novos nomes
Clula Frmula
D8 =SOMARPRODUTO(B8:C8;Quantidades_produzidas)
D9 =SOMARPRODUTO(B9:C9;Quantidades_produzidas)
D10 =SOMARPRODUTO(B10:C10;Quantidades_produzidas)
D15 =SOMARPRODUTO(Lucro_unitrio;Quantidades_produzidas)

A Figura 3.38 uma adaptao da Figura 3.30, em que cada clula ou intervalo de clulas passa a ser
chamado por seu respectivo nome.

Figura 3.38 Parmetros do Solver aps a incluso de novos nomes.

133

Cap_01-a-03.indd 133 1/25/2013 12:32:55 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Repare que a clula de destino D14 passa a ser referenciada como Lucro_total, as clulas variveis
(B14:C14) e o lado esquerdo da segunda restrio, como Quantidades_produzidas, o lado esquerdo da
primeira restrio (D8:D10) como Horas_usadas, e o lado direito da segunda restrio (F8:F10) como
Horas_disponveis.

3.5.2.2 Soluo do Exemplo 2.4, do Captulo 2 (Problema do Mix de Produo da Empresa


Naturelat Laticnios)

O Exemplo 2.4, do Captulo 2, referente ao problema do mix de produo da empresa Naturelat do


setor de laticnios, tambm ser resolvido a partir do Solver do Excel. A Figura 3.39 ilustra a representao
do modelo em uma planilha do Excel (ver arquivo Exemplo 3.4_Naturelat.xls).

Figura 3.39 Representao em Excel do modelo do mix de produo da empresa Naturelat Laticnios.

As frmulas utilizadas na Figura 3.39 esto especificadas no Quadro 3.5.

Quadro 3.5 Frmulas da Figura 3.39


Clula Frmula
G8 =SOMARPRODUTO(B8:F8;$B$24:$F$24)
G9 =SOMARPRODUTO(B9:F9;$B$24:$F$24)
G10 =SOMARPRODUTO(B10:F10;$B$24:$F$24)
G13 =SOMARPRODUTO(B13:F13;$B$24:$F$24)
G16 =SOMARPRODUTO(B16:F16;$B$24:$F$24)
G17 =SOMARPRODUTO(B17:F17;$B$24:$F$24)
G18 =SOMARPRODUTO(B18:F18;$B$24:$F$24)
G19 =SOMARPRODUTO(B19:F19;$B$24:$F$24)
G20 =SOMARPRODUTO(B20:F20;$B$24:$F$24)
G24 =SOMARPRODUTO(B5:F5;$B$24:$F$24)

Analogamente ao exemplo da empresa Venix Brinquedos, foram atribudos nomes s clulas e


intervalos de clulas da Figura 3.39 que sero referenciadas no Solver, a fim de facilitar a compreenso do
modelo. A Figura 3.40 apresenta os nomes atribudos s respectivas clulas.

134

Cap_01-a-03.indd 134 1/25/2013 12:32:55 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.40 Gerenciador de Nomes para o problema da empresa Naturelat Laticnios.

A representao do problema da empresa Naturelat Laticnios na caixa de dilogo Parmetros do


Solver est ilustrada na Figura 3.41. Como foram atribudos nomes s clulas do modelo, a Figura 3.41
passa a ser referenciada pelos respectivos nomes.

Figura 3.41 Parmetros do Solver referentes ao problema da empresa Naturelat Laticnios.

Repare, na Figura 3.41, que as restries esto ordenadas alfabeticamente. O mesmo ocorre com o
Gerenciador de Nomes (Figura 3.40).
Analogamente ao exemplo da empresa Venix Brinquedos, selecionar as opes Presumir modelo
linear e Presumir no negativos na caixa de dilogo Opes do Solver. As demais opes permanecem
inalteradas.
Finalmente, clique em Resolver e selecione a opo Manter soluo do Solver na caixa de dilogo
Resultados do Solver. A Figura 3.42 apresenta a soluo tima do modelo do mix de produo da
empresa Naturelat Laticnios.

135

Cap_01-a-03.indd 135 1/25/2013 12:32:55 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 3.42 Resultado do modelo Naturelat Laticnios.

3.5.2.3 Soluo do Exemplo 2.5, do Captulo 2 (Problema da Mistura da Refinaria Petrisul)

O Exemplo 2.5, do Captulo 2, referente ao problema da mistura da refinaria de petrleo Petrisul,


tambm ser resolvido a partir do Solver do Excel. A Figura 3.43 ilustra a representao do modelo em
uma planilha do Excel (ver arquivo Exemplo 3.5_Petrisul.xls).

Figura 3.43 Representao em Excel do problema da mistura da refinaria Petrisul.

As linhas 6 a 10 representam as restries de porcentagem mxima ou mnima permitida de


determinado tipo de leo na composio de determinado tipo de gasolina. Para que todas as restries
possam ter o mesmo sinal (), as inequaes do tipo foram multiplicadas por (1).
As frmulas utilizadas na Figura 3.43 esto especificadas no Quadro 3.6.

136

Cap_01-a-03.indd 136 1/25/2013 12:32:56 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Quadro 3.6 Frmulas da Figura 3.43

Clula Frmula
K6 =SOMARPRODUTO(B6:J6;$B$26:$J$26
K7 =SOMARPRODUTO(B7:J7;$B$26:$J$26)
K8 =SOMARPRODUTO(B8:J8;$B$26:$J$26)
K9 =SOMARPRODUTO(B9:J9;$B$26:$J$26)
K10 =SOMARPRODUTO(B10:J10;$B$26:$J$26)
K13 =SOMARPRODUTO(B13:J13;$B$26:$J$26)
K14 =SOMARPRODUTO(B14:J14;$B$26:$J$26)
K15 =SOMARPRODUTO(B15:J15;$B$26:$J$26)
K18 =SOMARPRODUTO(B18:J18;$B$26:$J$26)
K19 =SOMARPRODUTO(B19:J19;$B$26:$J$26)
K20 =SOMARPRODUTO(B20:J20;$B$26:$J$26)
K23 =SOMARPRODUTO(B23:J23;$B$26:$J$26)
K26 =SOMARPRODUTO(B4:J4;$B$26:$J$26)

A fim de facilitar a compreenso do modelo, foram atribudos nomes s principais clulas e intervalos
de clulas da Figura 3.43, conforme mostra a Figura 3.44.

Figura 3.44 Gerenciador de Nomes para o problema da refinaria Petrisul.

Atribudos os nomes s clulas ou intervalos de clulas da Figura 3.43, as mesmas passaro a ser
referenciadas por seus respectivos nomes. Dessa forma, a representao do problema da refinaria Petrisul
na caixa de dilogo Parmetros do Solver est ilustrada na Figura 3.45.

137

Cap_01-a-03.indd 137 1/25/2013 12:32:56 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 3.45 Parmetros do Solver referentes ao problema da refinaria Petrisul.

Selecionar as opes Presumir modelo linear e Presumir no negativos na caixa de dilogo


Opes do Solver. As demais opes permanecem inalteradas.
A Figura 3.46 apresenta a soluo tima do problema da mistura da refinaria Petrisul.

Figura 3.46 Resultado do problema da mistura da refinaria Petrisul.

3.5.2.4 Soluo do Exemplo 2.6, do Captulo 2 (Problema da Dieta)


O Exemplo 2.6, do Captulo 2, referente ao problema da dieta, tambm ser resolvido a partir do Solver
do Excel. A Figura 3.47 representa o modelo em uma planilha do Excel (ver arquivo Exemplo 3.6_Dieta.xls).

Figura 3.47 Representao em Excel do problema da dieta.

138

Cap_01-a-03.indd 138 1/25/2013 12:32:57 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

As frmulas utilizadas na Figura 3.47 esto especificadas no Quadro 3.7.

Quadro 3.7 Frmulas da Figura 3.47


Clula Frmula
N8 =SOMARPRODUTO(B8:M8;$B$18:$M$18)
N9 =SOMARPRODUTO(B9:M9;$B$18:$M$18)
N10 =SOMARPRODUTO(B10:M10;$B$18:$M$18)
N11 =SOMARPRODUTO(B11:M11;$B$18:$M$18)
N14 =SOMARPRODUTO(B14:M14;$B$18:$M$18)
N18 =SOMARPRODUTO(B5:M5;$B$18:$M$18)

Os nomes atribudos s principais clulas e intervalos de clulas da Figura 3.47 esto especificados
na Figura 3.48.

Figura 3.48 Gerenciador de Nomes para o problema da dieta.

Dessa forma, a caixa de dilogo Parmetros do Solver referentes ao problema da dieta exibe os
nomes atribudos s respectivas clulas ou intervalos de clulas, conforme mostra a Figura 3.49.

Figura 3.49 Parmetros do Solver referentes ao problema da dieta.

As opes Presumir modelo linear e Presumir no negativos devem ser selecionadas na caixa de
dilogo Opes do Solver. As demais opes permanecem inalteradas.

139

Cap_01-a-03.indd 139 1/25/2013 12:32:58 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A Figura 3.50 apresenta a soluo tima do problema da dieta.

Figura 3.50 Resultado do problema da dieta.

3.5.2.5 Soluo do Exemplo 2.7, do Captulo 2 (Problema do Fazendeiro)


Para que o Exemplo 2.7, do Captulo 2 (problema do fazendeiro), possa ser resolvido a partir do
Solver do Excel, o mesmo deve estar representado em uma planilha do Excel, conforme mostra a Figura
3.51 (ver arquivo Exemplo 3.7_Fazendeiro.xls).

Figura 3.51 Representao do problema do fazendeiro em uma planilha do Excel.

O Quadro 3.8 apresenta as frmulas utilizadas na Figura 3.51.

Quadro 3.8 Frmulas utilizadas na Figura 3.51


Clula Frmula
G8 =SOMARPRODUTO(B8:F8;$B$25:$F$25)
G11 =SOMARPRODUTO(B11:F11;$B$25:$F$25)
G12 =SOMARPRODUTO(B12:F12;$B$25:$F$25)
G13 =SOMARPRODUTO(B13:F13;$B$25:$F$25)
G16 =SOMARPRODUTO(B16:F16;$B$25:$F$25)
G19 =SOMARPRODUTO(B19:F19;$B$25:$F$25)
G20 =SOMARPRODUTO(B20:F20;$B$25:$F$25)
G21 =SOMARPRODUTO(B21:F21;$B$25:$F$25)
G25 =SOMARPRODUTO(B5:F5;$B$25:$F$25)

140

Cap_01-a-03.indd 140 1/25/2013 12:32:58 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

A Figura 3.52 apresenta os nomes atribudos s clulas e intervalos de clulas da Figura 3.51 que sero
referenciados no Solver.

Figura 3.52 Gerenciador de Nomes para o problema do fazendeiro.

J a Figura 3.53 apresenta os parmetros do Solver referentes ao problema do fazendeiro. Repare que
as clulas e intervalos de clulas esto representados pelos respectivos nomes.

Figura 3.53 Parmetros do Solver referentes ao problema do fazendeiro.

As opes Presumir no negativos e Presumir modelo linear devem estar selecionadas na caixa
de dilogo Opes do Solver. As demais opes permanecem inalteradas.
A Figura 3.54 apresenta a soluo tima do problema do fazendeiro.

141

Cap_01-a-03.indd 141 1/25/2013 12:32:58 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 3.54 Soluo tima do problema do fazendeiro.

3.5.2.6 Soluo do Exemplo 2.8, do Captulo 2 (Seleo de Carteiras Maximizao do Retorno


Esperado)

O Exemplo 2.8, do Captulo 2, tambm ser resolvido a partir do Solver do Excel. A Figura 3.55
mostra a representao do problema de otimizao de carteiras em uma planilha do Excel (ver arquivo
Exemplo 3.8_Portfolio.xls).

Figura 3.55 Representao do Exemplo 2.8, do Captulo 2, em uma planilha do Excel.

O Quadro 3.9 apresenta as frmulas utilizadas na Figura 3.55.

Quadro 3.9 Frmulas utilizadas na Figura 3.55


Clula Frmula
B9 =SOMA(B18:K18)
B14 =SOMARPRODUTO(B6:K6;B18:K18)
L18 =SOMARPRODUTO(B5:K5;B18:K18)

A Figura 3.56 apresenta os nomes atribudos s clulas e intervalos de clulas da Figura 3.55.

142

Cap_01-a-03.indd 142 1/25/2013 12:32:59 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.56 Gerenciador de Nomes para o problema de seleo de carteiras (maximizao do retorno esperado).

J a Figura 3.57 apresenta os Parmetros do Solver referentes ao problema de seleo de carteiras


(maximizao do retorno esperado), em que cada clula ou intervalo de clulas passa a ser referenciado
por seu respectivo nome.

Figura 3.57 Parmetros do Solver referentes ao problema de seleo de carteiras (maximizao do retorno esperado).

As opes Presumir no negativos e Presumir modelo linear devem estar selecionadas na caixa
de dilogo Opes do Solver. As demais opes permanecem inalteradas.
A Figura 3.58 apresenta a soluo tima do problema de seleo de carteiras.

Figura 3.58 Soluo tima do problema de seleo de carteiras.

143

Cap_01-a-03.indd 143 1/25/2013 12:32:59 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

3.5.2.7 Soluo do Exemplo 2.9, do Captulo 2 (Seleo de Carteiras Minimizao do Desvio


Absoluto Mdio da Carteira)

O Exemplo 2.9, do Captulo 2, que busca determinar a composio tima da carteira a fim de
minimizar seu desvio absoluto mdio, ser resolvido a partir do Solver do Excel. A representao do
problema em uma planilha do Excel est na Figura 3.59 (ver arquivo Exemplo 3.9_Portfolio.xls).

Figura 3.59 Representao do Exemplo 2.9 em uma planilha do Excel.

O clculo do MAD da carteira est especificado na Figura 3.60 e tambm pode ser encontrado no mesmo
arquivo Exemplo 3.9_Portfolio.xls. Para uma carteira que apresenta em sua composio 10% de cada ativo, a
linha 250 da Figura 3.60 apresenta o desvio absoluto mdio de cada ativo e da carteira. Conforme mostra a linha
250 ou a frmula da clula P250 no Quadro 3.10, o percentual de cada ativo na carteira pode ser multiplicado
diretamente por seu desvio absoluto mdio, j que o percentual constante em todos os perodos.

Figura 3.60 Desvio absoluto mdio de cada ativo e da carteira.

O Quadro 3.10 apresenta as principais frmulas utilizadas nas Figuras 3.59 e 3.60. Verifica-se, a partir
das frmulas das clulas P248 e P250, o clculo do desvio absoluto mdio do primeiro ativo (BBAS3). Para
os demais ativos, utiliza-se o mesmo procedimento.

144

Cap_01-a-03.indd 144 1/25/2013 12:32:59 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Quadro 3.10 Principais frmulas utilizadas nas Figuras 3.59 e 3.60


Clula Frmula
B9 =SOMA(B18:K18)
B12 =SOMARPRODUTO(B5:K5;B18:K18)
O248 =MDIA(O2:O247)
P2 =ABS(O2-$O$248)
P248 =MDIA(P2:P247)
P250 =P248*B18
AI250 =SOMA(P250:AH250)
L18 =AI250

A Figura 3.61 apresenta os nomes atribudos s clulas e intervalos de clulas da Figura 3.59.

Figura 3.61 Gerenciador de Nomes para o problema de seleo de carteiras (minimizao do MAD).

J a Figura 3.62 apresenta os parmetros do Solver referentes ao problema de seleo de carteiras


(minimizao do MAD).

Figura 3.62 Parmetros do Solver referentes ao problema de seleo de carteiras (minimizao do MAD).

As opes Presumir no negativos e Presumir modelo linear devem estar selecionadas na caixa
de dilogo Opes do Solver. As demais opes permanecem inalteradas.

145

Cap_01-a-03.indd 145 1/25/2013 12:33:00 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A Figura 3.63 apresenta a soluo tima do problema de seleo de carteiras (minimizao do MAD).

Figura 3.63 Soluo tima do problema de seleo de carteiras (minimizao do MAD).

3.5.2.8 Soluo do Exemplo 2.10, do Captulo 2 (Problema de Produo e Estoque da Empresa


Fenix&Mveis)

O Exemplo 2.10, do Captulo 2, referente ao problema de produo e estoque da empresa


Fenix&Mveis, ser resolvido a partir do Solver do Excel. A Figura 3.64 ilustra a representao do problema
em uma planilha do Excel (ver arquivo Exemplo 3.10_ Fenix&Moveis.xls).

Figura 3.64 Representao do problema de produo e estoque da empresa Fenix&Mveis em uma planilha do Excel.

146

Cap_01-a-03.indd 146 1/25/2013 12:33:00 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Observe que, na soluo inicial apresentada na Figura 3.64, foram produzidas 2.000 unidades de cada
produto em cada perodo. Aplicando a frmula Iit = Ii,t1 + xit Dit, obtm-se os nveis de estoque de cada
produto em cada perodo que devem assumir valores no negativos. importante mencionar que essa
soluo no a tima.
O Quadro 3.11 apresenta as frmulas utilizadas na Figura 3.64.

Quadro 3.11 Frmulas utilizadas na Figura 3.64

Clula Frmula Clula Frmula Clula Frmula


C35 =B35+C42-C18 C37 =B37+C44-C20 C39 =B39+C46-C22
D35 =C35+D42-D18 D37 =C37+D44-D20 D39 =C39+D46-D22
E35 =D35+E42-E18 E37 =D37+E44-E20 E39 =D39+E46-E22
F35 =E35+F42-F18 F37 =E37+F44-F20 F39 =E39+F46-F22
G35 =F35+G42-G18 G37 =F37+G44-G20 G39 =F39+G46-G22
H35 =G35+H42-H18 H37 =G37+H44-H20 H39 =G38+H45-H21
C36 =B36+C43-C19 C38 =B38+C45-C21
D36 =C36+D43-D19 D38 =C38+D45-D21
E36 =D36+E43-E19 E38 =D38+E45-E21
F36 =E36+F43-F19 F38 =E38+F45-F21
G36 =F36+G43-G19 G38 =F38+G45-G21
H3 =G36+H43-H19 H38 =G38+H45-H21

A Figura 3.65 apresenta os nomes atribudos s principais clulas e intervalos de clulas da Figura
3.64.

Figura 3.65 Gerenciador de Nomes para o problema de produo e estoque da empresa Fenix&Mveis.

Os parmetros do Solver referentes ao problema de produo e estoque da empresa Fenix&Mveis


esto representados na Figura 3.66. Como foram atribudos nomes s principais clulas e intervalos de
clulas, os mesmos passam a ser referenciados pelos respectivos nomes.

147

Cap_01-a-03.indd 147 1/25/2013 12:33:01 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 3.66 Parmetros do Solver referentes ao problema da empresa Fenix&Mveis.

Finalmente, selecionar as opes Presumir no negativos e Presumir modelo linear na caixa de


dilogo Opes do Solver. As demais opes permanecem inalteradas.
A Figura 3.67 apresenta a soluo tima do problema de produo e estoque da empresa Fenix&Mveis.

Figura 3.67 Soluo tima da empresa Fenix&Mveis.

148

Cap_01-a-03.indd 148 1/25/2013 12:33:02 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

3.5.2.9 Soluo do Exemplo 2.11 do Captulo 2 (Problema da Fabricante de Sucos Naturais


Lifestyle)

O Exemplo 2.11, do Captulo 2, referente ao problema de planejamento agregado da empresa


fabricante de sucos naturais Lifestyle, ser resolvido a partir do Solver do Excel. A Figura 3.68 ilustra a
representao do problema em uma planilha do Excel (ver arquivo Exemplo 3.11_ Lifestyle.xls).

Figura 3.68 Representao do problema de planejamento agregado da empresa Lifestyle em uma planilha do
Excel.

Observe que, na soluo inicial apresentada na Figura 3.68, foram produzidos 1.000 litros
adicionais no ms de julho com a contratao de funcionrios no ms anterior, de forma que os
valores de Rt do ms de julho ao ms de dezembro passam a ser 5.000 (Rt = Rt-1 + CFt DFt).
Aplicando a frmula It = It-1 + Rt + HEt + St Dt, obtm-se os nveis de estoque em cada perodo. Os
valores das demais variveis de deciso permanecem nulos. importante mencionar que essa soluo
no a tima.
O Quadro 3.12 apresenta as frmulas utilizadas na Figura 3.68.

149

Cap_01-a-03.indd 149 1/25/2013 12:33:02 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Quadro 3.12 Frmulas utilizadas na Figura 3.68


Clula Frmula
C22 =B22+C27+C28+C29-C14
D22 =C22+D27+D28+D29-D14
E22 =D22+E27+E28+E29-E14
F22 =E22+F27+F28+F29-F14
G22 =F22+G27+G28+G29-G14
H22 =G22+H27+H28+H29-H14
C23 =B23+C30-C31
D23 =C23+D30-D31
E23 =D23+E30-E31
F23 =E23+F30-F31
G23 =F23+G30-G31
H23 =G23+H30-H31
I26 =SOMARPRODUTO(C6:H11;C26:H31)

A Figura 3.69 apresenta os nomes atribudos s clulas e intervalos de clulas da Figura 3.68.

Figura 3.69 Gerenciador de Nomes para o problema de planejamento agregado da empresa Lifestyle.

Os parmetros do Solver referentes ao problema de planejamento agregado da empresa Lifestyle


esto representados na Figura 3.70. Como foram atribudos nomes s principais clulas e intervalos de
clulas, os mesmos passam a ser referenciados pelos respectivos nomes.

150

Cap_01-a-03.indd 150 1/25/2013 12:33:02 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Figura 3.70 Parmetros do Solver referentes ao problema da empresa Lifestyle.

Finalmente, selecionar as opes Presumir no negativos e Presumir modelo linear na caixa de


dilogo Opes do Solver. As demais opes permanecem inalteradas.
A Figura 3.71 apresenta a soluo tima do problema de planejamento agregado da empresa Lifestyle.

Figura 3.71 Soluo tima da empresa Lifestyle.

3.5.3 Mensagens de Erro do Solver para Solues Ilimitadas e Infactveis


A Seo 3.2.3 e a Seo 3.4.6 apresentaram como identificar, de forma grfica e pelo mtodo Simplex,
respectivamente, cada um dos casos especiais que podem ocorrer em um problema de programao linear:
Mltiplas solues timas.
Funo objetivo z ilimitada.
No existe soluo tima.
Soluo tima degenerada.

151

Cap_01-a-03.indd 151 1/25/2013 12:33:03 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Analisaremos nesta seo as mensagens de erro geradas na caixa de dilogo Resultados do Solver
para os casos 2 e 3 (funo objetivo z ilimitada e soluo infactvel). Os casos especiais 1 e 4 sero discutidos
nas Sees 4.2.4.1 e 4.2.4.2 do prximo captulo, respectivamente, por meio do Relatrio de Sensibilidade
do Solver.

3.5.3.1 Funo Objetivo z Ilimitada

Para o problema de maximizao (max z = 4x1 + 3x2) apresentado na Seo 3.2.3.2 (Exemplo 3.4),
foi obtida a seguinte soluo grfica:

Resolvendo o mesmo exemplo pelo Solver do Excel, uma mensagem de erro exibida na caixa de
dilogo Resultados do Solver: Os valores de Definir clula no convergem.

Figura 3.72 Mensagem de erro para um problema com funo objetivo ilimitada.

Portanto, sempre que estivermos diante de um problema com funo objetivo ilimitada, aparecer a
mensagem da Figura 3.72.

152

Cap_01-a-03.indd 152 1/25/2013 12:33:03 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

3.5.3.2 No Existe Soluo tima

Para o problema de maximizao (max z = x1 + x2) apresentado na Seo 3.2.3.3 (Exemplo 3.5), foi
obtida a seguinte soluo grfica:

Resolvendo o Exemplo 3.5 pelo Solver do Excel, uma nova mensagem de erro exibida na caixa de
dilogo Resultados do Solver, j que estamos diante de um caso em que no possvel encontrar uma
soluo vivel (ver Figura 3.73).

Figura 3.73 Mensagem de erro para um problema com soluo invivel.

3.5.4 Anlise dos Resultados Utilizando os Relatrios de Resposta e Limites do Solver


A Seo 3.5.2 apresentou os resultados do Solver, para cada um dos exemplos apresentados na
Seo 2.5 do captulo anterior (modelagem de problemas reais de programao linear), diretamente nas
planilhas do Excel. Uma anlise detalhada dos resultados tambm pode ser feita por meio dos Relatrios
de Resposta, Limites e Sensibilidade do Solver. Conforme mencionado anteriormente, o Relatrio de
Sensibilidade ser discutido na Seo 4.2.4, do prximo captulo. J os Relatrios de Resposta e Limites
sero discutidos nesta seo para o problema da empresa Venix (Exemplo 2.3 do Captulo 2). A modelagem
e a soluo do problema na mesma planilha do Excel foi ilustrada na Seo 3.5.2.1.

153

Cap_01-a-03.indd 153 1/25/2013 12:33:03 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

3.5.4.1 Relatrio de Resposta

O Relatrio de Resposta fornece os resultados da soluo tima encontrada pelo Solver em uma
nova planilha do Excel. A Figura 3.74 apresenta o Relatrio de Resposta do problema da empresa Venix
Brinquedos.

Figura 3.74 Relatrio de Resposta para o problema da empresa Venix Brinquedos.

De acordo com a Figura 3.74 verifica-se que os resultados do Relatrio de Resposta esto divididos
em trs partes principais: clula de destino, clulas ajustveis e restries.
Conforme ilustrado na Figura 3.29 (Seo 3.5.2.1), a funo z de maximizao do problema da
empresa Venix Brinquedos representada pela clula de destino D14 (Lucro_total). A linha 8 da Figura
3.74 apresenta o valor original e o valor final (lucro mximo) da clula de destino.
As variveis de deciso do modelo so representadas pelas clulas ajustveis B14 e C14 da Figura
3.29 (Seo 3.5.2.1). As linhas 13 e 14 da Figura 3.74 apresentam o valor original e final de cada clula
ajustvel. Verifica-se, a partir da coluna E, que a quantidade tima a ser produzida de carrinhos x1 = 70
e a quantidade tima a produzir de triciclos x2 = 20.
As restries de disponibilidade de recursos de usinagem, pintura e montagem esto representadas
pelas linhas 19, 20 e 21, respectivamente, enquanto as restries de no negatividade de cada varivel de
deciso, pelas linhas 22 e 23. As clulas D8, D9 e D10 representam o total de horas usadas ou a quantidade
de recursos necessrios para os setores de usinagem, pintura e montagem, respectivamente. O valor de
cada clula (coluna D) pode ser obtido substituindo-se os valores timos de cada varivel de deciso (x1 =
70 e x2 = 20) do lado esquerdo de cada restrio. A coluna E apresenta a frmula utilizada para representar
cada restrio. J a coluna F apresenta o status de cada restrio: agrupar ou sem agrupar. O status agrupar
acontece quando o total de recursos utilizados (coluna D) igual ao limite mximo disponvel, isto , no
h folga ou ociosidade de recursos. Conforme ilustrado na Figura 3.29 (Seo 3.5.2.1), as quantidades de
recursos disponveis para os setores de usinagem, pintura e montagem esto representadas pelas clulas
F8, F9 e F10, respectivamente. O status sem agrupar indica que a capacidade mxima de recursos no
foi utilizada. J o campo transigncia indica a diferena entre o total de recursos disponveis e o total
de recursos utilizados ou a quantidade de recursos ociosa. Por exemplo, para o setor de usinagem, do
total de recursos disponveis (36 horas), utilizaram-se apenas 27,5 horas, gerando uma ociosidade de 8,5
horas (transigncia). Para os setores de pintura e usinagem, como foi utilizada a capacidade mxima dos
recursos, a transigncia zero.

154

Cap_01-a-03.indd 154 1/25/2013 12:33:04 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

3.5.4.2 Relatrio de Limites

Os principais resultados fornecidos pelo Relatrio de Limites referem-se ao limite inferior e superior
de cada clula varivel (varivel de deciso). A Figura 3.75 apresenta o Relatrio de Limites para o problema
da empresa Venix Brinquedos.

Figura 3.75 Relatrio de Limites para o problema da empresa Venix Brinquedos.

De acordo com a Figura 3.75, verifica-se que os resultados do Relatrio de Limites esto divididos em
duas partes principais: clula de destino e clulas ajustveis.
Analogamente ao Relatrio de Resposta, o Relatrio de Limites tambm fornece o valor timo da
clula de destino.
J os dados referentes a cada uma das clulas variveis esto representados nas linhas 13 e 14 da
Figura 3.75. Analogamente ao Relatrio de Resposta, o valor timo de cada clula ajustvel tambm
fornecido pelo Relatrio de Limites (coluna D). A coluna F apresenta os limites inferiores das clulas
ajustveis que se referem ao valor mnimo que cada varivel pode assumir. Atribuindo limites inferiores
a uma das variveis (x1 = 0) e mantendo as demais constantes (x2 = 20), obtm-se uma soluo factvel
com z = 1.200 (clula G13). Por outro lado, se x1 = 70 e x2 = 0, obtm-se outra soluo factvel com z =
840 (clula G14). Finalmente, a coluna I apresenta os limites superiores das clulas ajustveis, isto , os
valores mximos que cada varivel pode atingir. Nesse caso, o valor da funo objetivo z 2.040.

3.6 Exerccios
Seo 3.2 (ex. 1). Determinar o espao de solues factveis que satisfaz cada uma das restries isoladamente,
considerando que x1, x2 0:
a) 3x1 + 2x2 12
b) 2x1 + 3x2 24
c) 3x1 2x2 6
d) x1 x2 4
e) x1 + 4x2 16
f) x1 + 2x2 10

Seo 3.2.1 (ex. 1). Para cada funo z de maximizao, determinar a direo que a funo objetivo cresce:
a) max z = 5x1 + 3x2
b) max z = 4x1 2 x2
c) max z = 2 x1 + 6x2
d) max z = x1 2x2

155

Cap_01-a-03.indd 155 1/25/2013 12:33:04 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Seo 3.2.1 (ex. 2). Determinar a soluo grfica (espao de solues factveis e a soluo tima) dos seguintes
problemas de maximizao de PL:
a) max z = 3x1 + 4x2
sujeito a:
2x1 + 5x2 18
4x1 + 4x2 12
5x1 + 10x2 20
x1, x2 0

b) max z = 2x1 + 3x2


sujeito a:
2x1 + 2x2 10
3x1 + 4x2 24
x2 4
x1, x2 0

c) max z = 4x1 + 2x2


sujeito a:
x1 + x2 16
3x1 2x2 36
x1 10
x2 6
x1, x2 0

Seo 3.2.1 (ex. 3). Resolver, graficamente, o problema do mix de produo da empresa Venix Brinquedos
(Exemplo 2.3, do Captulo 2, resolvido pelo Solver do Excel na Seo 3.5.2.1 deste captulo).

Seo 3.2.1 (ex. 4). As solues a seguir pertencem regio factvel do problema da empresa Venix
Brinquedos?
a) x1 = 30, x2 = 25
b) x1 = 30, x2 = 30
c) x1 = 44, x2 = 24
d) x1 = 45, x2 = 28
e) x1 = 75, x2 = 15
f) x1 = 90, x2 = 14
g) x1 = 100, x2 = 14
h) x1 = 120, x2 = 10
i) x1 = 130, x2 = 5

156

Cap_01-a-03.indd 156 1/25/2013 12:33:04 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Seo 3.2.2 (ex. 1). Para cada funo z de minimizao, determinar a direo que a funo objetivo decresce:
a) min z = 5x1 + 8x2
b) min z = 2x1 3x2
c) min z = 4x1 + 5x2
d) max z = 7x1 5x2

Seo 3.2.2 (ex. 2). Determinar a soluo grfica dos seguintes problemas de minimizao de PL:
a) min z = 2x1 + x2
sujeito a:
x1 x2 10
2x1 + 3x2 30
x1, x2 0

b) min z = 2x1 x2
sujeito a:
x1 2x2 2
x1 + 3x2 6
x1, x2 0

c) min z = 6x1 + 4x2


sujeito a:
2x1 + 2x2 40
x1 + 3x2 30
4x1 + 2x2 60
x1, x2 0

Seo 3.2.3 (ex. 1). Identificar, graficamente, em qual dos casos especiais cada problema de PL se insere:
a) mltiplas solues timas; b) funo objetivo z ilimitada; c) no existe soluo tima; d) soluo tima
degenerada.
a) max z = 2x1 + x2
sujeito a:
x1 + 4x2 12
4x1 + 2x2 20
3x2 6
x1, x2 0

b) min z = 2x1 + x2
sujeito a:
4x1 + 5x2 20
x1 + x 2 3
x1, x2 0

157

Cap_01-a-03.indd 157 1/25/2013 12:33:04 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

c) max z = 2x1 + 3x2


sujeito a:
4x1 + 2x2 20
x1 x2 10
x1, x2 0

d) max z = 6x1 + 4x2


sujeito a:
4x1 4x2 20
3x1 + 2x2 30
x2 12
x1, x2 0

e) min z = 2x1 + 3x2


sujeito a:
x1 + x2 10
4x1 + 2x2 20
4x2 40
x1, x2 0

f) min z = 2x1 + 3x2


sujeito a:
x1 + x2 10
4x1 + 2x2 20
x1 + x 2 4
x1, x2 0

Seo 3.2.3 (ex. 2). Determine, graficamente, as solues timas alternativas dos seguintes problemas de PL:
a) max z = 6x1 + 4x2
sujeito a:
3x1 + 2x2 90
2x1 + x2 50
x1, x2 0

b) min z = 2x1 + 3x2


sujeito a:
4x1 x2 11
4x1 + 6x2 32
x1, x2 0

158

Cap_01-a-03.indd 158 1/25/2013 12:33:04 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Seo 3.3 (ex. 1) Considere o seguinte problema de minimizao de PL:


min z = 3x1 + 2x2
sujeito a:
8x1 + 5x2 140
4x1 + 3x2 80
x1, x2 0

Resolvendo o problema pela forma analtica, determinar:


a) O nmero de solues bsicas possveis para esse sistema.
b) As solues bsicas factveis para o problema; represent-las graficamente.
c) A soluo tima.

Seo 3.3 (ex. 2) Idem para o seguinte problema de maximizao de PL:


max z = 4x1 + 3x2 + 5x3
sujeito a:
3x1 x2 + 2x3 10
4x1 + 2x2 + 5x3 50
x1, x2, x3 x3 0

Seo 3.4.2 (ex. 1) Considere o seguinte problema de maximizao de PL:


max z = 4x1 + 5x2 + 3x3
sujeito a:
2x1 + 3x2 x3 48
x1 + 2x2 + 5x3 60
3x1 + x2 + 2x3 30
x1, x2, x3 0

Resolver o problema pela forma analtica do mtodo Simplex.

Seo 3.4.3 (ex. 1) Resolver o problema do mix de produo da empresa Venix Brinquedos pelo mtodo
Simplex.

Seo 3.4.3 (ex. 2) Utilizar o mtodo Simplex para resolver os seguintes problemas de maximizao de PL:
a) max z = 3x1 + 2x2
sujeito a:
3x1 x2 6
x1 + 3x2 12
x1, x2 0

b) max z = 2x1 + 4x2 + 3x3


sujeito a:
x1 + x2 + 2x3 6
2x1 + 2x2 + 3x3 16
x1 + 4x2 + x3 18
x1, x2, x3 0

159

Cap_01-a-03.indd 159 1/25/2013 12:33:04 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

c) max z = 3x1 + x2 + 2x3


sujeito a:
2x1 + 2x2 + x3 20
3x1 + x2 + 4x3 60
x1 + x2 + 2x3 30
x1, x2, x3 0

Seo 3.4.3 (ex. 3) Qual a dificuldade de se resolver o problema do fazendeiro (Exemplo 2.7, do Captulo 2,
resolvido pelo Solver do Excel na Seo 3.5.2.5 do presente captulo) pelo mtodo Simplex?

Seo 3.4.4 (ex. 1) Utilizar o mtodo Simplex para resolver os seguintes problemas de minimizao de PL:
a) min z = 2x1 x2
sujeito a:
2x1 + 6x2 24
8x1 + 2x2 40
x1, x2 0

b) min z = 5x1 6x2


sujeito a:
4x1 + 2x2 10
x1 + 3x2 22
x1, x2 0

c) min z = 2x1 x2 x3
sujeito a:
3x1 + 5x2 + 4x3 120
x1 + 2x2 + 4x3 90
2x1 x2 + 2x3 60
x1, x2, x3 0

d) min z = x1 + 3x2 x3
sujeito a:
4x1 2x2 + 2x3 160
2x1 + 5x2 + 10x3 200
x1 x2 + x3 50
x1, x2, x3 0

Seo 3.4.5.1 (ex. 1) Utilizar o mtodo das penalidades (Big M) para resolver os seguintes problemas de PL:
a) min z = 4x1 + 6x2
sujeito a:
3x1 + 2x2 24
2x1 + 6x2 30
x1, x2 0

160

Cap_01-a-03.indd 160 1/25/2013 12:33:05 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

b) min z = 6x1 + 4x2 + 5x3


sujeito a:
2x1 x2 + 4x3 20
2x1 + 6x2 + 2x3 = 60
x1 + x2 + 3x3 22
x1, x2, x3 0

c) min z = 2x1 + 2x2 + 3x3


sujeito a:
x1 + 2x2 + 5x3 30
3x1 + 4x2 x3 60
2x1 + x2 + 2x3 = 40
x1, x2, x3 0

d) max z = 4x1 + 5x2


sujeito a:
x1 + x2 = 98
2x1 x2 10
2x1 + x2 5
x1, x2 0

Seo 3.4.5.2 (ex. 1) Considerando ainda os problemas de PL acima (Exemplo 3.1 da Seo 3.4.5.1):
a) Resolv-los novamente pelo mtodo das duas fases.
b) Comparar as solues bsicas factveis obtidas pelos dois mtodos.
c) As solues bsicas obtidas so factveis para o problema real?

Seo 3.4.5.2 (ex. 2) Como se pode identificar uma soluo infactvel pelo mtodo das penalidades (Big M)
e pelo mtodo das duas fases?

Seo 3.4.5.2 (ex. 3) Como se pode identificar uma soluo degenerada pelo mtodo das duas fases? Qual
medida deve ser tomada nesse caso para prosseguir para a fase 2?

Seo 3.4.5.2 (ex. 4) Como se pode identificar um problema ilimitado pelo mtodo das duas fases?

Seo 3.4.6.1 (ex. 1) Resolva o seguinte problema de maximizao de PL pelo mtodo Simplex:
max z = 4x1 x2
sujeito a:
3x1 3x2 175
8x1 2x2 460
x1 60
x1, x2 0
a) Mostre que estamos diante de um caso especial com mltiplas solues timas.
b) Determine pelo menos duas das solues timas alternativas.
c) Resolva o problema graficamente e compare os resultados obtidos.

161

Cap_01-a-03.indd 161 1/25/2013 12:33:05 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Seo 3.4.6.1 (ex. 2) Idem para o problema de minimizao de PL a seguir:


min z = 3x1 + 6x2
sujeito a:
2x1 + 4x2 620
7x1 + 3x2 630
x1, x2 0

Seo 3.4.6.1 (ex. 3) Determinar todas as SBF timas do seguinte problema de maximizao:
max z = 4x1 + 4x2
sujeito a:
x1 + x2 1
x1, x2 0

Seo 3.4.6.2 (ex. 1) Demonstre que o problema de maximizao de PL a seguir tem funo objetivo z
ilimitada.
max z = 5x1 + 2x2
sujeito a:
2x1 3x2 66
9x1 3x2 99
x1, x2 0

Seo 3.4.6.2 (ex. 2) Demonstre que este problema de maximizao de PL tem funo objetivo z ilimitada.
min z = 3x1 2x2
sujeito a:
2x1 + x2 12
3x1 2x2 24
x1, x2 0
Determine uma soluo bsica factvel com z = 90.

Seo 3.4.6.3 (ex. 1) Demonstre que o seguinte problema de maximizao de PL tem soluo infactvel.
max z = 18x1 + 12x2
sujeito a:
4x1 + 16x2 1.850
8x1 5x2 4.800
x1, x2 0

Seo 3.4.6.3 (ex. 2) Idem para o seguinte problema de minimizao:


min z = 7x1 + 5x2
sujeito a:
6x1 + 4x2 24
x1 + x2 3
x1, x2 0

162

Cap_01-a-03.indd 162 1/25/2013 12:33:05 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Seo 3.4.6.4 (ex. 1) Demonstre que o problema de maximizao de PL a seguir tem soluo tima
degenerada.
max z = 2x1 + 3x2
sujeito a:
x1 x2 10
2x1 + 3x2 90
x1 24
x1, x2 0

Seo 3.4.6.4 (ex. 2) Idem para este problema de minimizao.


min z = 6x1 + 8x2
sujeito a:
2x1 + 4x2 60
5x1 4x2 80
3x1 + 8x2 100
x1, x2 0

Seo 3.4.6 (ex. 1) Identificar, utilizando o mtodo Simplex, Big M ou o mtodo das duas fases, em qual dos
casos especiais cada problema de PL se insere: a) mltiplas solues timas; b) funo objetivo z ilimitada; c)
no existe soluo tima; d) soluo tima degenerada.
a) max z = x1 + 3x2
sujeito a:
2x1 + 6x2 48
3x1 + 5x2 60
x1 + 8x2 6
x1, x2 0

b) min z = 2x1 6x2


sujeito a:
3x1 + 2x2 24
2x1 + 6x2 30
x1, x2 0

c) max z = 2x1 + x2
sujeito a:
8x1 + 4x2 600
4x1 + 2x2 300
x1, x2 0

d) min z = 3x1 + 2x2


sujeito a:
2x1 + 7x2 184
5x1 + 3x2 254
x2 12
x1, x2 0

163

Cap_01-a-03.indd 163 1/25/2013 12:33:05 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

e) min z = 3x1 + 2x2


sujeito a:
2x1 + 5x2 90
2x1 + 3x2 60
x2 15
x1, x2 0

f) min z = 2x1 + 5x2


sujeito a:
7x1 + 3x2 260
2x1 + 9x2 480
x1 70
x2 40
x1, x2 0

Seo 3.4.6 (ex. 2) Identifique, a partir de cada uma das formas tabulares apresentadas a seguir, se estamos
ou no diante de um caso especial do mtodo Simplex. Em caso positivo, determinar o caso especial em que
o problema analisado se insere: a) mltiplas solues timas; b) funo objetivo z ilimitada; c) no existe
soluo tima; d) soluo tima degenerada. Em cada forma tabular, especifica-se se o problema original
de maximizao ou minimizao.
a) Problema de maximizao
Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 8 0 2 0 20
x2 1 0 2 1 1 0 10
x4 2 0 3 0 1 1 18

b) Problema de minimizao
Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4 x5
z 0 1 0 10 1 0 2 60
x4 1 0 0 2 7/3 1 1/3 14
x1 2 0 1 0 2/3 0 1/3 10

c) Problema de minimizao
Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4 a1 a2
z 0 1 0 7/4 0 0 M + 7/4 M + 3/4 86
x1 1 0 1 1/4 0 0 1/4 1/4 2
x3 2 0 0 1/4 1 0 1/4 1/4 0
x4 3 0 0 1/5 0 1 1/5 3/4 5

164

Cap_01-a-03.indd 164 1/25/2013 12:33:05 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

d) Problema de maximizao
Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 0 0 0 2 3.000
x3 1 0 0 8/3 1 2/3 1.120
x1 2 0 1 2/3 0 1/3 500

e) Problema de minimizao
Varivel no da Coeficientes
Constante
bsica equao z x1 x2 x3 x4
z 0 1 2 5 0 0 0
x3 1 0 3 6 1 0 840
x4 2 0 1 5 0 1 500

Seo 3.5.2 (ex. 1). Considere o Exerccio 1 proposto na Seo 2.5.1, do Captulo 2, referente ao problema
do mix de produo da empresa KMX:
a) Represente o problema em uma planilha do Excel.
b) Determine a soluo tima pelo Solver do Excel.

Seo 3.5.2 (ex. 2). Idem para o Exerccio 2 proposto na Seo 2.5.1, do Captulo 2, referente ao problema
do mix de produo da empresa Refresh.

Seo 3.5.2 (ex. 3). Idem para o Exerccio 3 da Seo 2.5.1, do Captulo 2, referente empresa Golmobile.

Seo 3.5.2 (ex. 4). Idem para o Exerccio 1 da Seo 2.5.2, do Captulo 2, referente ao problema da mistura
de petrleo.

Seo 3.5.2 (ex. 5). Idem para o Exerccio 1 da Seo 2.5.4, do Captulo 2, referente ao problema de oramento
de capital da empresa GWX.

Seo 3.5.2 (ex. 6). Idem para o Exerccio 1 da Seo 2.5.5, do Captulo 2, referente ao problema de
otimizao de carteiras.

Seo 3.5.2 (ex. 7). Idem para o Exerccio 3 da Seo 2.5.5, do Captulo 2, referente ao problema de otimizao
de carteiras do banco CTA Investimentos.

Seo 3.5.2 (ex.8). Idem para o Exerccio 1 da Seo 2.5.7, do Captulo 2, referente ao problema de
planejamento agregado da empresa Farmacom.

3.7 Resumo
O objetivo deste captulo foi apresentar como resolver um problema de programao linear de forma
grfica, pelo mtodo analtico, pelo mtodo Simplex e por computador.

165

Cap_01-a-03.indd 165 1/25/2013 12:33:05 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

a) Soluo Grfica
Um problema com apenas duas variveis pode ser facilmente resolvido de forma grfica. Os problemas
com at trs variveis de deciso tambm podem ser solucionados de forma grfica, porm, com uma
complexidade maior.
Na resoluo grfica de um modelo de programao linear, primeiramente determina-se o espao de
solues viveis ou factveis em um eixo cartesiano. Uma soluo factvel aquela que satisfaz todas as
restries do modelo, inclusive as de no negatividade. Se determinada soluo viola pelo menos uma das
restries do modelo, a mesma chamada soluo infactvel. O passo seguinte consiste em determinar
a soluo tima do modelo, isto , a soluo factvel que apresente o melhor valor (ponto mximo ou
mnimo) da funo objetivo.
Alguns problemas de programao linear no apresentam uma nica soluo tima no degenerada,
podendo cair em um dos quatro casos: a) mltiplas solues timas; b) funo objetivo z ilimitada; c) no
existe soluo tima; d) soluo tima degenerada.
Graficamente, pode-se identificar um caso com mltiplas solues timas quando a funo objetivo
paralela a uma restrio ativa, isto , responsvel pela determinao da soluo tima do modelo. J no caso
de funo objetivo ilimitada, no existe limite para o crescimento do valor de pelo menos uma varivel de
deciso, resultando em uma regio factvel e uma funo z ilimitada. Se a soluo for infactvel, o conjunto
de solues factveis para o problema estudado vazio, ou seja, no existe soluo tima. Finalmente,
identifica-se um caso especial de soluo tima degenerada quando o vrtice timo for determinado pela
interseo de mais de duas retas distintas.

b) Soluo Analtica
Para um sistema Ax = b com n variveis e m restries, em que m < n, o mtodo analtico analisa todas
as possveis combinaes de n variveis escolhidas m a m, e escolhe a melhor delas. Dessa forma, o mtodo
analtico torna-se impraticvel para problemas com muitas variveis e equaes. Para encontrar uma soluo
para o sistema, primeiramente escolhe-se um conjunto de variveis n m de x, chamadas variveis no
bsicas (VNB), as quais so atribudos valores iguais a zero. As m variveis restantes do sistema, chamadas
variveis bsicas (VB), so ento determinadas. Essa soluo chamada soluo bsica (SB). O conjunto
de variveis bsicas chamado base. Se a soluo bsica atende as restries de no negatividade, a mesma
chamada soluo bsica factvel (SBF). Se a soluo viola pelo menos uma das restries do modelo, a
mesma chamada soluo bsica infactvel. Para determinar a soluo tima, basta calcular o valor da
funo objetivo z de todas as possveis solues bsicas e escolher a melhor alternativa.
Uma varivel bsica tambm pode ser definida como aquela que apresenta coeficiente 1 em apenas
uma equao e 0 nas demais. Todas as variveis restantes so no bsicas.

c) Mtodo Simplex
Como alternativa ao mtodo grfico e analtico, o mtodo Simplex pode ser aplicado para resoluo
de qualquer problema de PL. O algoritmo Simplex um mtodo iterativo que parte de uma soluo bsica
factvel inicial e busca, a cada iterao, uma nova soluo bsica factvel, chamada soluo bsica factvel
adjacente (SBF adjacente), com melhor valor na funo objetivo at que o valor timo seja atingido. Para
um problema com m variveis bsicas e n m variveis no bsicas, duas solues bsicas so adjacentes se
elas tiverem em comum m 1 variveis bsicas, podendo as mesmas apresentar valores numricos diferentes.

166

Cap_01-a-03.indd 166 1/25/2013 12:33:05 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

Antes de determinar a nova soluo bsica adjacente, o sistema de equaes deve ser convertido para
uma forma mais conveniente, por meio de operaes algbricas elementares, utilizando-se o mtodo de
eliminao de Gauss-Jordan. A partir do novo sistema de equaes, cada nova equao deve possuir
apenas uma varivel bsica com coeficiente igual a 1, cada varivel bsica deve aparecer em apenas uma
equao, e a funo objetivo deve ser escrita em funo das variveis no bsicas, de forma que os valores
das novas variveis bsicas e da funo objetivo z podem ser obtidos diretamente, e o teste de otimalidade
pode ser verificado facilmente.
A soluo de um problema de maximizao de PL pela forma tabular do mtodo Simplex (a funo
z passa a ser reescrita como z c1x1 c2x2 ... cnxn = 0):

Incio: O problema deve estar na forma padro.


Passo 1: Encontrar uma soluo bsica factvel (SBF) inicial para o problema de PL, atribuindo valores iguais a zero s variveis de
deciso.
Passo 2: Teste de otimalidade.
A SBF atual tima se, e somente se, os coeficientes de todas as variveis no bsicas da equao 0 da forma tabular so no
negativos ( 0). Enquanto houver pelo menos uma das variveis no bsicas com coeficiente negativo na equao 0, h uma SBF
adjacente melhor.
Iterao: Determinar uma SBF adjacente melhor.
1. Determinar a varivel no bsica que entrar na base: aquela com maior coeficiente negativo na equao 0 (coluna piv).
2. Escolher a varivel bsica que sair da base: a linha com menor quociente (constante da linha i/coeficiente positivo da linha
i com a coluna piv).
3. Transformar a forma tabular atual utilizando o mtodo de eliminao de Gauss-Jordan e recalcular a soluo bsica.

O mtodo Simplex tambm pode ser utilizado para a soluo de problemas de minimizao de
programao linear. Para isso, pode-se transformar o problema de minimizao em um problema de
maximizao e utilizar o mesmo procedimento descrito. Outra alternativa adaptar o procedimento
descrito para problemas de minimizao de programao linear.
A varivel no bsica a entrar na base aquela com maior incremento negativo em z, isto , com
maior coeficiente positivo na equao 0. Enquanto houver pelo menos uma das variveis no bsicas com
coeficiente positivo na equao 0, h uma SBF adjacente melhor. A SBF atual tima se, e somente se,
os coeficientes de todas as variveis no bsicas da equao 0 da forma tabular so no positivos ( 0). Os
demais passos no se alteram.

d) Mtodo das Penalidades (Big M) e Mtodo das Duas Fases que Utilizam o Conceito
de Varivel Artificial
Para problemas de maximizao e minimizao com restries de desigualdade do tipo (e constantes
no negativas do lado direito), pode-se obter facilmente uma SBF inicial adicionando-se variveis de folga
do lado esquerdo da equao. Porm, quando as restries do modelo so representadas por inequaes
do tipo ou equaes de igualdade, a SBF inicial no bvia. Como alternativa, deve ser adicionada,
do lado esquerdo de cada equao, uma nova varivel, chamada varivel artificial, que ser utilizada
como varivel bsica inicial, a fim de proporcionar facilmente uma SBF inicial. O mtodo das penalidades
(Big M) e o mtodo de duas fases so variantes do mtodo Simplex que utilizam o conceito de variveis
artificiais para que uma SBF inicial possa ser obtida facilmente. Como essas variveis artificiais no fazem
parte do modelo e tm como objetivo apenas proporcionar uma SBF inicial, elas tendem a desaparecer ao
longo do algoritmo at que todas elas assumam valores nulos na ltima iterao.

167

Cap_01-a-03.indd 167 1/25/2013 12:33:06 PM


Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

e) Mtodo das Penalidades (Big M)

Incio: Problema original na forma padro, adicionando variveis artificiais ai (ai 0) para as equaes que no tm variveis de folga.
Passo 1: Considere M um valor positivo suficientemente grande. Para um problema de maximizao de PL, para cada varivel
artificial ai introduzida, i = 1,...,k, subtrair o produto Mai da funo objetivo (max z = c1x1 + ... + cnxn M1a1 ... Mkak). Para um
problema de minimizao, para cada varivel artificial ai introduzida, adicionar o produto Mai funo objetivo (min z = c1x1 + ... +
cnxn + M1a1 + ... + Mkak).
Passo 2: Para que os coeficientes das variveis artificiais sejam nulos na linha 0 (as variveis artificiais sero as variveis bsicas
iniciais), para problemas de minimizao deve-se multiplicar a constante M por cada equao i em que foi introduzida uma
varivel artificial ai e somar cada um desses produtos equao 0 atual. Para problemas de maximizao, o valor da constante M
negativo:
a) Nova linha 0 = linha 0 atual + equaco i M (problemas de minimizao).
i

b) Nova linha 0 = linha 0 atual + equaco i M (problemas de maximizao).


i

Passo 3: Aplicar o mtodo Simplex para o problema original adaptado. Todas as artificiais devem assumir valores nulos na soluo
tima.

f) Mtodo das Duas Fases


O mtodo das penalidades pode gerar erros de arredondamento que podem prejudicar a acurcia do
mtodo Simplex. Como alternativa, pode-se utilizar o mtodo das duas fases:

Incio: Problema original na forma padro, adicionando variveis artificiais para as equaes que no tm variveis de folga.
Fase 1
Cria-se uma nova funo objetivo artificial w (sempre de minimizao) que corresponda soma de k variveis artificiais ai, i = 1,..., k
(min w = a1 + a2 + ... + ak, sujeito s restries definidas em Incio).
Para que os coeficientes das variveis artificiais sejam nulos na linha 0, deve-se somar (problemas de minimizao) ou subtrair
(problemas de maximizao) cada uma das equaes i em que foi introduzida uma varivel artificial ai equao 0 atual:
a) Nova linha 0 = linha 0 atual + equaco i 1 (problemas de minimizao).
i

b) Nova linha 0 = linha 0 atual + equaco i 1 (problemas de maximizao).


i

A partir da, aplica-se o mtodo Simplex para o problema original adaptado.

Fase 2
Esta fase combina a funo objetivo do problema original com as restries da soluo tima obtida na fase 1. Porm, algumas
alteraes so necessrias na nova forma tabular antes da aplicao do mtodo Simplex.
Primeiramente, a partir da forma tabular tima obtida na fase 1, eliminam-se todas as colunas correspondentes s variveis artificiais.
Alm disso, a funo objetivo do problema original deve ser reescrita, por meio de operaes elementares, de forma que as variveis
bsicas da soluo tima da fase 1 tenham coeficientes nulos na funo objetivo do problema original.
O mtodo Simplex ento aplicado para que a soluo tima seja obtida. A soluo tima da fase 2 corresponde soluo tima do
problema original.

168

Cap_01-a-03.indd 168 1/25/2013 12:33:06 PM


Captulo 3 I Soluo de Problemas de Programao Linear: Soluo Grfica, Analtica, pelo Mtodo Simplex e por Computador

g) Identificao dos Casos Especiais pelo Mtodo Simplex


Pode-se identificar, pelo mtodo Simplex, um caso especial de infinitas solues timas quando,
na forma tabular tima, o coeficiente de uma das VNB for nulo na linha 0 da funo objetivo. J um
problema com funo objetivo ilimitada pode ser identificado quando, em uma das formas tabulares,
uma VNB fica impossibilitada de entrar na base porque as linhas de todas as VB possuem coeficientes
no positivos na coluna da VNB candidata. Um caso com soluo infactvel identificado quando a
soluo final obtida pelo mtodo das penalidades (Big M) ou na fase 1 do mtodo das duas fases tiver
pelo menos uma varivel artificial com coeficiente positivo. Finalmente, quando em uma das solues do
mtodo Simplex o valor de uma das VB for nulo, tem-se um caso especial conhecido como soluo tima
degenerada. Pelo mtodo das duas fases, identifica-se uma soluo degenerada quando pelo menos uma
varivel artificial for bsica (fase 1).

h) Soluo por Computador


Para minimizar o tempo despendido na soluo de um modelo de PL, pode-se utilizar diretamente
um software existente no mercado (GAMS, AMPL, AIMMS, softwares de planilhas eletrnicas, entre
outros) para a resoluo de qualquer problema de programao linear. O Solver do Excel tem sido
bastante utilizado para a soluo de problemas de programao linear e no linear de pequeno porte,
em funo de sua popularidade e simplicidade. O Solver um suplemento do Excel que utiliza o
algoritmo Simplex para determinar a soluo tima de um modelo de programao linear. O Solver
possui interface com outras linguagens de programao, de forma que a soluo final possa ser
exportada para outro pacote.

169

Cap_01-a-03.indd 169 1/25/2013 12:33:06 PM


Captulo 4

Anlise de Sensibilidade e Dualidade em Programao Linear

Conscientizao um processo idntico ao da Formao.


Rudolf Kassner

Ao nal deste captulo, voc ser capaz de:


i Analisar como alteraes nos parmetros do modelo afetam a soluo tima.
i Determinar os limites inferiores e superiores que os coecientes da funo objetivo e os termos
independentes de cada restrio podem assumir, sem alterar a soluo tima do modelo inicial.
i Analisar essas possveis alteraes de forma grca ou pelo Solver do Excel.
i Compreender o conceito de preo sombra.
i Compreender o conceito de custo reduzido.
i Identicar os casos especiais mltiplas solues timas e soluo tima degenerada pelo
Relatrio de Sensibilidade do Solver do Excel.
i Compreender a teoria da dualidade e sua utilidade em programao linear.
i Interpretar economicamente o problema dual.
i Estudar as principais relaes entre os problemas primal e dual.
i Resolver problemas de programao linear pelo mtodo dual Simplex.
i Identicar em que situaes se deve usar o mtodo primal Simplex ou o dual Simplex.

4.1 Introduo
Conforme apresentado na Seo 2.4, do Captulo 2, uma das hipteses de um modelo de programao
linear assumir que todos os parmetros do modelo (coecientes da funo objetivo cj, coecientes
das variveis nas restries aij e os termos independentes bi) so determinsticos, isto , constantes e
conhecidos com certeza. Porm, muitas vezes, a estimao desses parmetros baseada em previses
futuras, de forma que mudanas podem ocorrer at que a soluo nal seja implementada no mundo
real. Como exemplos de mudanas, podemos citar: alteraes nas quantidades de recursos disponveis,
introduo de um novo produto, variao do preo de um produto, aumento ou diminuio dos custos
de produo, entre outros.
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Nesse sentido, a anlise de sensibilidade fundamental no estudo de problemas de programao


linear, j que tem como objetivo investigar os efeitos que determinadas alteraes nos parmetros do
modelo causariam na soluo tima.
A anlise de sensibilidade estuda a variao que os coecientes da funo objetivo e as constantes
do lado direito de cada restrio podem assumir (limites inferiores e superiores), sem alterar a soluo
tima do modelo inicial ou sem alterar a regio de factibilidade. Essa anlise pode ser realizada gracamente
utilizando clculos algbricos ou diretamente pelo Solver do Excel ou outros softwares como o Lindo,
considerando uma alterao por vez. Na prxima seo, a anlise de sensibilidade ser estudada de forma
grca e pelo Solver do Excel.
Na Seo 4.3 estudaremos a teoria da dualidade. Todo problema original de programao linear,
chamado primal, est associado a outro problema chamado dual. Por exemplo, para um problema de
maximizao com n variveis e m restries, o respectivo dual ser um problema de minimizao com
m variveis e n restries. Apesar de possurem caractersticas distintas, ambos os problemas levam
mesma soluo tima. Dessa forma, muitas vezes, pode ser mais conveniente resolver um problema de
programao linear a partir do problema dual. A interpretao econmica da dualidade e o mtodo dual
Simplex tambm sero abordados nesta seo.
A anlise de sensibilidade e a teoria da dualidade so, portanto, conceitos fundamentais a serem
empregados na interpretao e implementao de qualquer problema de programao linear.

4.2 Anlise de Sensibilidade


A anlise de sensibilidade estudada nesta seo considera dois casos:
a) Anlise de sensibilidade do modelo em funo de alteraes em um dos coecientes da funo
objetivo, sem alterar a soluo bsica original do modelo (a soluo bsica permanece tima). Como
um dos coecientes da funo objetivo alterado, o valor da funo objetivo z tambm muda.
b) Anlise de sensibilidade do modelo em funo de alteraes nos termos independentes das
restries, sem alterar a soluo tima ou a regio de factibilidade.
Elimina-se, portanto, a necessidade de recalcular a nova soluo tima de um modelo aps mudanas
em seus parmetros.
A Seo 4.2.1 analisa, gracamente, as possveis alteraes nos coecientes da funo objetivo
do modelo. A mesma anlise, tendo como base os termos independentes das restries, ser estudada
na Seo 4.2.2. Os dois casos tambm podem ser analisados pelo Solver do Excel (ver Seo 4.2.4),
considerando sempre uma alterao por vez.
A anlise de sensibilidade estudada nesta seo ser descrita a partir do Exemplo 4.1 apresentado a
seguir.

Exemplo 4.1
A empresa Romes Calados est interessada em planejar sua produo de chinelos e tamancos para
o prximo vero. Os produtos passam pelo processo de corte, montagem e acabamento. A Tabela 4.1
mostra o total de horas de mo de obra (horas-homem) necessrias para produzir uma unidade de cada
componente em cada processo de fabricao, alm do tempo total disponvel por semana, tambm em
horas-homem. O lucro unitrio por chinelo e tamanco fabricado de R$15,00 e R$20,00, respectivamente.
Determinar a soluo grca do modelo.

172
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Tabela 4.1 Tempo necessrio para fabricar uma unidade de cada componente em cada processo
de fabricao e tempo total disponvel por semana (horas-homem)
Setor Tempo (horas-homem) para processar 1 unidade Tempo disponvel
chinelo tamanco (horas-homem/
semana)
corte 5 4 240
montagem 4 8 360
acabamento 0 7,5 300

Soluo

As variveis de deciso do modelo so:


x1 = quantidade de chinelos a serem produzidos semanalmente.
x2 = quantidade de tamancos a serem produzidos semanalmente.

A formulao matemtica do modelo pode ser representada como:


max z = 15x1 + 20x2
sujeito a:
5x1 + 4x2 d 240 (1)
4x1 + 8x2 d 360 (2) (4.1)
7,5x2 d 300 (3)
xj t 0, j = 1, 2

A soluo tima do modelo atual x1 = 20 (chinelos por semana) e x2 = 35 (tamancos por semana)
com z = 1.000 (lucro lquido semanal de R$1.000,00). Gracamente, pode ser representada como mostrado
na Figura 4.1.

Figura 4.1 Soluo grfica do Exemplo 4.1.

173
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

4.2.1 Alterao em um dos Coeficientes da Funo Objetivo (Soluo Grfica)


A Figura 4.1 apresentou a soluo grca do Exemplo 4.1, em que o ponto extremo C representa a
soluo tima do modelo (x1 = 20, x2 = 35 com z = 1.000). Faremos agora uma anlise de sensibilidade
a partir de alteraes nos valores dos coecientes da funo objetivo, efetuando uma alterao por vez.
O objetivo determinar o intervalo de valores que cada coeciente da funo objetivo pode assumir, mantendo os
demais coecientes constantes, sem afetar a soluo bsica do modelo (a soluo bsica permanece tima). Essa
anlise baseia-se na comparao entre os coecientes angulares das restries ativas (tratadas como restries de
igualdade) com o coeciente angular da funo objetivo. As restries ativas so aquelas que denem a soluo
tima do modelo. Se as restries inativas do modelo forem eliminadas, a soluo tima no ser afetada.

a) Inclinao e Coeficiente Angular da Reta

Seja D o ngulo formado entre a reta e o eixo x, no sentido anti-horrio, chamado inclinao da reta.
O coeciente angular ou declividade m determina a direo da reta, isto , a tangente trigonomtrica da
inclinao D:

m = tg D (4.2)

A Figura 4.2 especica, de forma grca, quatro casos para m, a partir de diferentes valores de D.

Figura 4.2 Relao entre inclinao da reta (D) e coeficiente angular (m).

Verica-se, a partir da Figura 4.2, que toda reta no vertical possui um nmero real m que especica
a sua direo. O caso d um caso especial, j que no existe tangente para uma inclinao D = 90 e,
consequentemente, no existe coeciente angular m para uma reta vertical.
Essa relao pode ser mais bem visualizada na Figura 4.3, que apresenta o grco da tangente para
diferentes valores de D. Por exemplo, para o caso (a) da gura anterior (0 < D < 90), podemos vericar
que tg 0 = 0 e tg 45 = 1. medida que D se aproxima de 90, o valor de m tende a innito.

174
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Figura 4.3 Tangente para diferentes valores de D.

Fonte: http://modulos.math.ist.utl.pt/html/PropFuncp7.shtml

O coeciente angular pode ser calculado a partir de dois pontos da reta. Dados dois pontos distintos
no plano cartesiano, A(x1, y1) e B(x2, y2), existe uma reta nica r que passa por esses dois pontos. O
coeciente angular de r pode ser calculado como:

cateto oposto y y2 y1
m = tg = = = (4.3)
cateto adjacente x x2 x1

b) Equao Reduzida da Reta e Coeficiente Angular

O clculo do coeciente angular tambm pode ser determinado a partir da equao reduzida da reta.
A equao geral de uma reta pode ser representada pela seguinte equao:

ax + by + c = 0 (4)

Para determinar a equao reduzida de (4.4), isola-se a varivel y da equao geral:

a x c
y=
b b (4.5)

que pode se reduzir a:

y = mx + n (4.6)

em que:

a
m= (coeciente angular da reta)
b
c
n= (coeciente linear da reta)
b

175
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

c) Coeficiente Angular da Funo Objetivo a Partir de sua Equao Reduzida

Considere a equao geral de uma funo objetivo com duas variveis de deciso (x1 e x2):

z = c1x1 + c2x2 (4.7)

A forma reduzida de (7) resume-se a:

c1 z
x2 = x1 +
c2 c2
(4.8)
em que:
c1
o coeciente angular ou declividade da funo objetivo
c2

d) Intervalo de Valores para c1 ou c2 que no Alteram a Soluo Bsica Original do Modelo

Efetuando o clculo do coeciente angular de cada restrio ativa do modelo (tratada como restrio
de igualdade) e do coeciente angular da funo objetivo, seja a partir da equao reduzida da reta ou de
dois pontos da reta (equao 4.2), pode-se determinar o intervalo de valores para c1 ou c2 que no alteram
a soluo bsica original do modelo. Ilustraremos essa condio por meio de um exemplo.
Voltando ao Exemplo 4.1, a partir da soluo grca apresentada na Figura 4.1, podemos vericar que
apenas as duas primeiras restries da equao (4.1) so consideradas ativas. Dessa forma, para efetuar
a anlise de sensibilidade a partir de variaes em um dos coecientes da funo objetivo, devemos
calcular o coeciente angular da primeira e da segunda restries, tratadas como equaes de igualdade.
Primeiramente, verica-se que a inclinao da primeira equao 5x1 + 4x2 = 240 e da segunda equao
4x1 + 8x2 = 360 est dentro do intervalo 90 < D < 180. Portanto, o coeciente angular de ambas as
retas ser negativo. A partir da Figura 4.3, conclui-se que o valor de m1 (coeciente angular da primeira
equao) ser menor comparado a m2 (coeciente angular da segunda equao). O valor do coeciente
angular de cada equao ser determinado a partir da equao reduzida da reta.
A primeira equao 5x1 + 4x2 = 240 pode ser escrita na forma reduzida:

x2 = 5/4x1 + 60 (4.9)

Logo, o coeciente angular da primeira equao m1 = 5/4.


Analogamente, a forma reduzida da segunda equao pode ser expressa como:

x2 = 1/2x1 + 45 (4.10)

Conclui-se que o coeciente angular da segunda equao m2 = 1/2.


De acordo com a Figura 4.1, podemos vericar que, enquanto o coeciente angular da funo objetivo
( c1 / c2) estiver entre 5/4 e 1/2, isto , entre os coecientes angulares da primeira e da segunda equaes
do modelo (equaes ativas), a soluo bsica do problema original no se altera, permanecendo tima.
Matematicamente, o valor da soluo bsica original permanece constante enquanto:

5 c 1 c
1 ou 0,5 1 1,25 (4.11)
4 c2 2 c2

176
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Exemplo 4.2
A partir do problema da empresa Romes Calados (Exemplo 4.1), faa uma anlise de sensibilidade
considerando as seguintes alteraes:
a) Suponha que houve um aumento nos lucros unitrios do chinelo e tamanco para R$20,00 e R$25,00,
respectivamente, em funo de redues de custos de produo, principalmente mo de obra. Vericar
se a soluo bsica permanece tima. Em caso positivo, qual o novo valor de z?
b) Quais as possveis variaes em c2 que manteriam a soluo bsica do modelo original? OBS.: Os
demais parmetros permanecem constantes.
c) Idem para c1.
d) Imagine que houve um aumento no custo do couro, o principal insumo para a fabricao do tamanco,
diminuindo seu lucro unitrio para R$18,00. Para que a soluo bsica do modelo original permanea
inalterada, o lucro unitrio de chinelos dever satisfazer qual intervalo?

Soluo

a) Considerando a nova equao da funo objetivo (z = 20x1 + 25x2), podemos determinar

c1 20
diretamente a razo = = 0,8 .
c2 25

c1
Portanto, a condio 0,5 1,25 continua sendo satisfeita, de forma que a soluo bsica do modelo
c2
original (x1 = 20 e x2 =35) permanece tima. O novo valor de z , portanto, z = 20 20 + 25 35 = 1.275.

c1
b) Substituindo c10 = 15 (valor original de c1) na condio 0,5 1,25, tem-se que:
c2

0,5 c2 15 c2 30
12 c2 30 ou c20 8 d c2 d c20 + 10
1,25 c2 15 c2 12
Portanto, enquanto c2 satiszer o intervalo especicado, a soluo bsica tima do modelo original
(x1 = 20 e x2 = 35) permanecer inalterada.

c1
c) Substituindo c20 = 20 (valor original de c2) na condio 0,5 1,25 , tem-se que:
c2

0,5 20 d c1 d 1,25 20 10 d c1 d 25 ou c10 5 d c1 d c10 + 10

Portanto, enquanto as condies especicadas para c1 forem satisfeitas, a soluo bsica do modelo
original permanecer inalterada.

c1
d) Substituindo c2 = 18 na condio 0,5 1,25 , tem-se que:
c2

0,5 18 d c1 d 1,25 18 9 d c1 d 22,5

Portanto, enquanto c1 satiszer o intervalo especicado, para um valor de c2 = 18, a soluo bsica
permanece tima.

177
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Exemplo 4.3
Considere o seguinte problema de maximizao:
max z = 15x1 + 20x2
sujeito a:
4x1 + 8x2 d 360 (1)
x1 d 60 (2) (4.12)
xj t 0, j = 1, 2

Determinar:
a) A soluo grca do modelo original representado na equao (4.12).
b) As possveis variaes em c1 que manteriam a soluo bsica do modelo original (a soluo bsica
permanece tima), mantendo os demais parmetros constantes. Idem para c2.

Soluo

A Figura 4.4 apresenta a soluo grca do modelo (4.12).

Figura 4.4 Soluo grfica do Exemplo 4.3.

A soluo tima do modelo atual, representada pelo ponto extremo C, x1 = 60 e x2 = 15 com


z = 1.200. Verica-se, a partir da Figura 4.4, que estamos diante de um caso especial, j que a segunda
restrio do modelo (4.12) corresponde a uma reta vertical (inclinao em relao ao eixo x1 de 90).
Quando uma das restries ativas for vertical, no haver limite superior ou inferior para a declividade da funo
objetivo, j que no existe tangente para D = 90.
Faremos agora uma anlise de sensibilidade a partir de variaes em c1 ou c2. Para isso, precisamos
calcular o coeciente angular da primeira restrio (tratada na forma de igualdade), seja a partir de sua
equao reduzida ou de dois pontos da reta. Utilizaremos o primeiro caso.
A forma reduzida da primeira equao de (4.12) :

x2 = 1/2x1 + 45

178
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Logo, seu coeciente angular 1/2.


De acordo com a Figura 4.4, podemos vericar que, enquanto o coeciente angular da funo
objetivo estiver entre os coecientes angulares da equao vertical e da equao 4x1 + 8x2 = 360, isto
, entre f (no existe limite inferior para a tangente de 90) e 1/2, a soluo bsica permanece tima.
Matematicamente, a soluo bsica original permanece constante enquanto:

c1 1
ou 0,5 c1
c2 2 c2
c1
Fixando c2 = 20 (valor original) na condio 0,5 , tem-se que:
c2

0,5 20 d c1 d f 10 d c1 d f

Portanto, enquanto c1 estiver dentro do intervalo especicado, a soluo bsica do modelo original
(x1 = 60 e x2 = 15) permanecer inalterada.

c1
Fixando c1 = 15 (valor original) na condio 0,5 , tem-se que:
c2

0,5 c2 15 c2 30

15 0 c2 30
c2 0 c2 0

Portanto, enquanto c2 satiszer a condio especicada, a soluo bsica permanecer tima.

4.2.2 Alterao em uma das Constantes do Lado Direito da Restrio e Conceito de


Preo Sombra (Soluo Grfica)
A anlise de sensibilidade a partir de alteraes no valor de uma das constantes do lado direito da
restrio (disponibilidade de recursos) baseada no conceito de preo sombra (shadow price), que pode
ser denido como o acrscimo (ou decrscimo) no valor da funo objetivo caso seja adicionada (ou retirada) uma
unidade na quantidade atual de recursos disponveis da i-sima restrio (bi0).
O clculo do preo sombra (Pi) caso seja adicionada 1 unidade de recurso em bi0 :

z +1 z z (4.13)
Pi = = +1 0
bi ,+1 +1

em que:
'z +1 = acrscimo no valor da funo objetivo z caso seja adicionada 1 unidade de recurso em bi0.
z0 = valor inicial da funo objetivo.
z+1 = novo valor da funo objetivo aps ser adicionada uma unidade em bi0.
' bi, + 1 = acrscimo em bi0. A denio de preo sombra considera um acrscimo de 1 unidade na
quantidade de recursos i.

179
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

O clculo do preo sombra (Pi) caso seja retirada 1 unidade de recurso em bi0 :

z 1 z z z z 1
Pi = = 1 0 = 0 (4.14)
bi ,1 1 1

em que:
' z1 = decrscimo no valor da funo objetivo z caso seja retirada 1 unidade de recurso em bi0.
z0 = valor inicial da funo objetivo.
z1 = novo valor da funo objetivo aps ser retirada 1 unidade em bi0.
'bi,1 decrscimo em bi0. A denio de preo sombra considera um decrscimo de 1 unidade na
quantidade de recursos i.
O preo sombra pode ser interpretado como o preo justo a ser pago pela utilizao de uma unidade do
recurso i ou o custo de oportunidade de recursos pela perda de uma unidade do recurso i. O preo sombra o nome
dado s variveis de deciso do problema dual (ver Seo 4.3.3).
Denido o preo sombra para o recurso i (Pi), o objetivo dessa anlise de sensibilidade
determinar o intervalo de valores em que bi pode variar (acrscimo mximo permissvel de p
unidades em bi0 ou decrscimo permissvel de q unidades em bi0), isto , bi0 q d bi d bi0 + p, em que
o preo sombra permanece constante. O intervalo deve ser determinado de modo a satisfazer a
seguinte relao:
z + p z q z+ p z0 z0 z q
= = = = Pi (4.15)
bi ,+ p bi , q p q

em que:
'z+p = acrscimo no valor da funo objetivo z caso sejam adicionadas p unidades de recursos em bi0.
'zq = decrscimo no valor da funo objetivo z caso sejam retiradas p unidades de recursos em bi0.
z0 = valor inicial da funo objetivo.
z+p = novo valor da funo objetivo aps serem adicionadas p unidades em bi0.
zq = novo valor da funo objetivo aps serem retiradas q unidades em bi0.
'bi,+p = acrscimo de p unidades em bi0.
'bi,q = decrscimo de q unidades em bi0.
Assim, para o intervalo especicado em que o preo sombra permanece constante, se fossem
adicionadas p unidades em bi0, o valor da funo objetivo cresceria 'z+p = Pi p. Essa equao tambm
pode ser interpretada como o preo justo a ser pago pela utilizao de p unidades do recurso i, sendo
proporcional ao preo sombra. Analogamente, se fossem retiradas q unidades de bi0, o valor da funo
objetivo decresceria 'zq = Pi q. Essa equao tambm pode ser interpretada como o custo de
oportunidade pela perda de q unidades do recurso i.
O clculo do preo sombra vlido somente para as restries ativas (que denem a soluo tima
do modelo). Caso contrrio, variaes em bi dentro da regio de factibilidade no inuenciaro a soluo
tima do modelo, concluindo que o preo sombra para restries no ativas zero.
Resolvendo o problema de forma analtica ou algbrica, isso signica que a soluo tima do modelo
atual (que contm um valor diferente para bi porm, dentro do intervalo especicado, em que o preo
sombra permanece constante) ter as mesmas variveis bsicas da soluo tima do modelo original

180
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

(a soluo bsica original permanece tima), porm os valores das variveis de deciso e da funo objetivo so
alterados em funo de mudanas em bi.
Resolvendo o problema de forma grca, medida que a quantidade de recursos bi varia, a i-sima
restrio se desloca paralelamente i-sima restrio original. Porm, a soluo tima do modelo atual
continua sendo determinada pela interseo das mesmas retas ativas do modelo original (interseo da
i-sima restrio alterada com outra restrio ativa do modelo inicial). Enquanto a interseo dessas
retas ocorrer dentro da regio de factibilidade, isto , entre os pontos extremos que limitam o espao
de solues factveis analisado, o acrscimo no valor da funo objetivo pela utilizao de p unidades do
recurso i ou o decrscimo pela perda de q unidades do mesmo recurso ser proporcional ao preo sombra
(o preo sombra permanecer constante para o intervalo bi0 q d bi d bi0 + p, em que bi0 representa seu
valor original). Para qualquer valor de bi fora desse intervalo, ser necessrio recalcular a nova soluo
tima do modelo, j que a regio factvel alterada.

Exemplo 4.4
Analogamente ao Exemplo 4.2, a anlise de sensibilidade em funo de alteraes nos recursos tambm
ser aplicada para o caso da empresa Romes Calados (Exemplo 4.1). A partir da soluo grca do modelo,
determinar:
a) O preo sombra para cada setor (corte, montagem e acabamento).
b) Determinar o decrscimo e o acrscimo mximo permissvel para cada bi que manteriam seu preo
sombra constante (quando o mesmo positivo) ou que no alterariam a soluo tima do modelo
inicial (quando o preo sombra for nulo).

Soluo

Conforme apresentado na equao (1), o Exemplo 4.1 da empresa Romes Calados pode ser
representado matematicamente como:
max z = 15x1 + 20x2
sujeito a:
5 x1 + 4x2 d 240 (1) corte
4 x1 + 8x2 d 360 (2) montagem (4.1)
7,5x2 d 300 (3) acabamento
xj t 0, j = 1, 2
A soluo tima do modelo original x1 = 20 e x2 = 35 com z = 1.000.

a) Alteraes na Disponibilidade de Recursos do Setor de Corte

a) Preo Sombra

Se o tempo disponvel para o setor de cortes aumentar em 1 hora-homem, a primeira restrio de


(4.1) passa a ser 5x1 + 4x2 d 241. A nova soluo tima ento determinada pela interseco das retas
ativas 5x1 + 4x2 = 241 e 4x1 + 8x2 = 360, sendo representada pelo ponto H (x1 = 20,333 e x2 = 34,833
com z = 1.001,667), conforme mostra a Figura 4.5.

181
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 4.5 Anlise de sensibilidade aps adio de uma hora-homem na disponibilidade


de recursos do setor de corte.

O preo sombra para o setor de cortes (P1), considerando um acrscimo de uma hora-homem na
disponibilidade de recursos, pode ser calculado como:

1.001,667 1.000
P1 = = 1,667
241 240

Portanto, a cada hora-homem adicionada para o setor de corte, a funo objetivo cresce 1,667 ou o
preo justo pago por cada hora-homem utilizada no setor de corte 1,667.
Se houvesse uma reduo de uma hora-homem para o setor de corte, obteramos o mesmo resultado
para o preo sombra. Alterando o valor da constante da primeira restrio para b1 = 239, a nova soluo
tima do modelo passa a ser x1 = 19,667 e x2 = 35,167 com z = 998,333. O clculo do preo sombra,
considerando um decrscimo de uma hora-homem para o setor de cortes, :
1.000 998,33
P1 = = 1,667
240 239

Portanto, a cada hora-homem retirada do setor de corte, a funo objetivo decresce 1,667 ou o custo
de oportunidade por cada hora-homem perdida no setor de corte 1,667.

b) Decrscimo e Acrscimo Mximo Permissvel para b1

O objetivo determinar o intervalo de valores em que b1 pode variar (b10 q d b1 d b10 + p) cujo preo
sombra permanece constante. Enquanto isso ocorrer, o preo a ser pago pela utilizao de p horas-homem
para o setor de corte ser P1 p = 1,667 p. Analogamente, o custo de oportunidade pela perda de q
horas-homem para o mesmo setor ser P1 q = 1,667 q.
A partir da Figura 4.5, verica-se que a soluo tima do modelo original determinada pela interseo
das retas 5x1 + 4x2 = 240 e 4x1 + 8x2 = 360. Repare tambm que a nova restrio 5x1 + 4x2 d 241
paralela restrio original 5x1 + 4x2 d 240. medida que o valor de b1 aumenta, a reta se desloca na
direo do ponto extremo G, sempre paralela restrio original. Analogamente, medida que o valor
de b1 diminui, a reta se desloca em direo ao ponto extremo D. Enquanto a interseo das equaes
5x1 + 4x2 = b1 e 4x1 + 8x2 = 360 ocorrer dentro da regio de factibilidade (segmento DG), o preo sombra
permanecer constante. Os pontos extremos D e G representam os limites inferiores e superiores para b1;

182
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

qualquer ponto fora desse segmento resultar em uma nova soluo bsica. Assim, os limites inferiores e
superiores para b1 podem ser determinados substituindo-se as coordenadas do ponto D (x1 = 10 e x2 = 40)
e G (x1 = 90 e x2 = 0), respectivamente, em 5x1 + 4x2:

Limite inferior para b1 (ponto D): 5 10 + 4 40 = 210


Limite superior de b1 (ponto G): 5 90 + 4 0 = 450

Podemos concluir que, enquanto o valor de b1 estiver dentro do intervalo 210 d b1 d 450, o seu preo
sombra permanecer constante. O intervalo tambm pode estar especicado em funo do decrscimo e
o acrscimo mximo permissvel para b10 = 240 (seu valor original), sendo expresso como:

b10 30 d b1 d b10 + 210

Por exemplo, para um valor de p = 210, o preo a ser pago pela utilizao dessas 210 horas-homem
para o setor de corte ser P1 210 = 1,667 210 = 350 (se fossem adicionadas 210 horas-homem no
tempo total disponvel para o setor de corte, a funo objetivo cresceria R$350,00). J para um valor
de q = 30, o custo de oportunidade pela perda dessas 30 horas-homem no tempo total disponvel para
o setor de corte ser P1 30 = 1,667 30 = 50 (se fossem retiradas 30 horas-homem do tempo total
disponvel para o setor de corte, a funo objetivo decresceria R$50,00). Para qualquer valor de b1 fora
desse intervalo, necessrio recalcular a nova soluo tima, j que a regio factvel alterada.
Esses resultados podem ser mais bem visualizados a partir da Figura 4.6. O polgono AEDB representa
a regio de factibilidade para um valor de b1 = 210 (limite inferior para b1). J o polgono AEDG representa
a regio de factibilidade para um valor de b1 = 450 (limite superior para b1).

Figura 4.6 Anlise de sensibilidade em funo de alteraes na disponibilidade de recursos do setor de corte.

b) Alteraes na Disponibilidade de Recursos do Setor de Montagem

a) Preo sombra

Adicionando uma hora-homem ao setor de montagem, a segunda restrio de (4.1) passa a ser
4x1 + 8x2 d 361. A nova soluo tima, ento determinada pela interseco das retas ativas 5x1 + 4x2 = 240
e 4x1 + 8x2 = 361, sendo representada pelo ponto I (x1 = 19,833 e x2 = 35,208 com z = 1.001,667),
conforme mostra a Figura 4.7.

183
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 4.7 Anlise de sensibilidade aps adio de uma hora-homem na disponibilidade de recursos do setor de
montagem.

Como o novo valor da funo objetivo tambm 1.001,667 (semelhante ao setor de corte), obteremos
o mesmo preo sombra (P2 = 1,667). Assim, a cada hora-homem adicionada ao setor de montagem, a
funo objetivo tambm cresce 1,667.
Reduzindo em uma hora-homem o tempo disponvel para o setor de montagem (b2 = 359), a nova
soluo tima do modelo passa a ser: x1 = 20,167 e x2 = 34,792 com z = 998,333. Portanto, o preo sombra
nesse caso tambm P2 = 1,667. Assim, a cada hora-homem retirada do setor de montagem, a funo
objetivo tambm decresce 1,667.

b) Decrscimo e Acrscimo Mximo Permissvel para b2

A Figura 4.7 ilustra a nova restrio 4x1 + 8x2 d 361 para o setor de montagem, paralela restrio
original 4x1 + 8x2 d 360. medida que o valor de b2 aumenta, a reta se desloca na direo do ponto
extremo J, sempre paralela restrio original. Analogamente, medida que o valor de b2 diminui, a
reta se desloca em direo ao ponto extremo B. Enquanto a interseo das equaes 5x1 + 4x2 = 240
e 4x1 + 8x2 = b2 ocorrer dentro da regio de factibilidade (segmento BJ), o preo sombra permanecer
constante. Os pontos extremos B e J representam os limites inferiores e superiores para b2; qualquer
ponto fora desse segmento resultar em uma nova soluo bsica. Assim, os limites inferiores e superiores
para b2 podem ser determinados substituindo-se as coordenadas do ponto B (x1 = 48 e x2 = 0) e J (x1 = 16
e x2 = 40), respectivamente, em 4x1 + 8x2:

Limite inferior de b2 (ponto B): 4 48 + 8 0 = 192


Limite superior para b2 (ponto J): 4 16 + 8 40 = 384

Podemos concluir que, enquanto o valor de b2 estiver dentro do intervalo 192 d b2 d 384, o seu preo
sombra permanecer constante. O intervalo tambm pode estar especicado em funo do decrscimo e
o acrscimo mximo permissvel para b20 = 360 (seu valor inicial), sendo expresso como:

b20 168 d b2 d b20 + 24

184
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Por exemplo, para um valor de p = 24, o preo a ser pago pela utilizao dessas 24 horas-homem pelo
setor de montagem ser P2 24 = 1,667 24 = 40 (se fossem adicionadas 24 horas-homem no tempo
total disponvel para o setor de montagem, a funo objetivo cresceria R$40,00). J para um valor de q =
168, o custo de oportunidade pela perda dessas 168 horas-homem no tempo total disponvel para o setor
de montagem ser P2 168 = 1,667 168 = 280 (se forem retiradas 168 horas-homem do tempo total
disponvel para o setor de montagem, a funo objetivo decrescer R$280,00). Para qualquer valor de b2
fora desse intervalo, necessrio recalcular a nova soluo tima.
Esses resultados podem ser mais bem visualizados a partir da Figura 4.8. O polgono ABJE representa
a regio de factibilidade para um valor de b2 = 384 (limite superior para b2). J o tringulo ABK representa
a regio de factibilidade para um valor de b2 = 192 (limite superior para b2).

Figura 4.8 Anlise de sensibilidade em funo de alteraes na disponibilidade de recursos do setor de corte.

c) Alteraes na Disponibilidade de Recursos do Setor de Acabamento

a) Preo Sombra

Conforme apresentado na Figura 4.5, a soluo tima do modelo original determinada pela
interseo das duas primeiras equaes 5x1 + 4x2 = 240 e 4x1 + 8x2 = 360. Como a restrio do acabamento
(7,5x2 d 300) no ativa, alteraes no valor de b3 dentro da regio de factibilidade no inuenciaro a
soluo tima do modelo original. Logo, o seu preo sombra zero.

b) Decrscimo e Acrscimo Mximo Permissvel para b3

Como a restrio 7,5x2 d 300 no ativa, o objetivo aqui determinar o intervalo de valores em
que b3 pode variar sem alterar a soluo tima do modelo inicial (x1 = 20 e x2 = 35 com z = 1.000).
Para determinar o limite inferior para b3, basta substituir o valor da coordenada x2 do ponto timo
C (x2 = 35) em 7,5x2 = b3 (interseo das retas 4x1 + 8x2 = 360 e 7,5x2 = b3). Logo, o limite inferior para
b3 7,5 35 = 262,5. Por outro lado, qualquer valor para b3 acima do seu valor inicial continuar no
inuenciando a soluo tima do modelo inicial, de forma que o intervalo de valores para b3 pode ser
escrito como:

262,5 d b3

185
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

O intervalo tambm pode estar especicado em funo do decrscimo e do acrscimo mximo


permissvel para b30 = 300 (seu valor inicial), sendo expresso como:

b30 37,5 d b3

4.2.3 Custo Reduzido


Antes de denirmos o conceito de custo reduzido, mostraremos a sua notao na forma tabular do
mtodo Simplex.
Conforme apresentado na Seo 2.3.2, do Captulo 2, um modelo de maximizao de programao
linear na forma cannica pode ser representado matematicamente como:
max z = f(x1, x2,..., xn) = c1 x1 + c2 x2 + ... + cn xn
sujeito a:
a11 x1 + a12 x2 + ... + a1n xn d b1
a21 x1 + a22 x2 + ... + a2n xn d b2 (4.16)

am1 x1 + am2 x2 + ... + amn xn d bm


xj t 0, j = 1, 2,...,n

Se o sistema de equaes (4.16) for resolvido pelo mtodo Simplex (a funo objetivo passa a ser
escrita como z c1x1 c2x2 ... cnxn), a linha 0 da forma tabular inicial pode ser representada como
mostrado no Quadro 4.1.

Quadro 4.1 Linha 0 da forma tabular inicial do problema (4.16)


Coecientes
Equao constante
z x1 x2 ... xn xn+1 xn+2 ... xn+m
0 1 c1 c2 ... cn 0 0 ... 0 0

Verica-se, de acordo com o Quadro 4.1, que os coecientes iniciais das variveis de folga xn + 1,
xn + 2,..., xn + m na linha 0 so nulos, j que as mesmas correspondem s variveis bsicas da soluo inicial.
J a linha 0 da forma tabular do problema (4.16) obtida na q-sima iterao do mtodo Simplex est
ilustrada no Quadro 4.2.

Quadro 4.2 Linha 0 da forma tabular na q-sima iterao do mtodo Simplex

Coecientes

Eq. z x1 x2 ... xn xn+1 xn+2 ... xn+m cte


q q q q q q q q q q q q
0 1 c1 = z1 c1 c2 = z2 c2 ... cn = zn cn c n+1 = y1 c n+2 = y2 ... c n+m = ym zq

O valor de zjq representa o quanto foi adicionado ao coeciente inicial da varivel xj na linha 0 da
forma tabular original ( cj) at a iterao q. O valor de zjq cj pode ser representado por c jq, chamado de
custo reduzido da varivel original xj na iterao q. Analogamente, o coeciente yiq (i = 1,...m) representa
o quanto foi adicionado ao coeciente inicial da varivel de folga xj + i na linha 0 da forma tabular

186
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

original, cujo valor era nulo at a q-sima iterao do mtodo Simplex. O valor de yiq tambm pode ser
representado por c jq+ i, chamado de custo reduzido da varivel de folga xj + i na iterao q. O vetor yiq = y1q,
y2q,..., ymq corresponde soluo do problema dual de (4.16) na q-sima iterao. A teoria da dualidade em
programao linear ser estudada em detalhe na Seo 4.3. Finalmente, a ltima coluna (zq) representa o
valor da funo objetivo na iterao q.
O mesmo esquema pode ser generalizado para a forma tabular tima, conforme mostra o Quadro
4.3.

Quadro 4.3 Linha 0 da forma tabular tima do problema (4.16)


Coecientes

Eq. z x1 x2 ... xn xn+1 xn+2 ... xn+m cte

0 1 c*1 = z*1 c1 c*2 = z*2 c2 ... c*n = z*n cn c*n+1 = y*1 c*n+2 = y*2 ... c*n+m = y*n+m z*

O valor de z*j representa o quanto foi adicionado ao coeciente inicial da varivel xj na linha 0 da
forma tabular original (cj) at a forma tabular tima. O valor de cj corresponde ao coeciente na linha 0
(custo reduzido) da varivel original xj na forma tabular nal. Analogamente, o valor de cj+ i corresponde
ao coeciente na linha 0 (custo reduzido) da varivel de folga xj + i na forma tabular tima do mtodo
Simplex. O vetor y*i = y*,y
1
*,...,y
2
*m equivalente soluo tima do problema dual de (4.16). Finalmente,
a ltima coluna representa o valor timo da funo objetivo do problema (4.16).
Conclui-se, portanto, que o coeciente de determinada varivel na linha 0 da forma tabular, seja ela
bsica ou no bsica, obtido em qualquer iterao q do mtodo Simplex, chamado de custo reduzido.
importante mencionar que alguns autores e/ou softwares o interpretam com sinal oposto ao apresentado
neste livro, j que a representao dos coecientes da funo objetivo z na linha 0 da forma tabular inicial
mantm o mesmo sinal do lado direito da equao z = c1x1 + c2x2 + ... + cnxn (os coecientes de x1, x2,...,
xn no Quadro 4.1 seriam representados por c1, c2,..., cn).
Como as variveis bsicas assumem valores nulos na linha 0, seus respectivos custos reduzidos sero
sempre nulos. Dessa forma, o custo reduzido uma medida calculvel apenas para as variveis no bsicas
do modelo (aquelas que assumem valores nulos na soluo bsica).
O custo reduzido de determinada varivel no bsica xj pode ser interpretado como o valor que seu
coeciente original cj deve melhorar na funo objetivo antes da soluo bsica atual tornar-se subtima
e de xj tornar-se uma varivel bsica. Para um problema de maximizao, o custo reduzido da varivel
no bsica xj na forma tabular tima ( cj) corresponde ao incremento mximo no valor de seu coeciente
original na funo objetivo (adio de cj unidades no valor de cj) que manter a soluo bsica atual

tima e a varivel xj no bsica; qualquer incremento maior do que cj tornar a soluo bsica atual
subtima, de forma que xj entrar na base. J para um problema de minimizao, cj corresponde ao
decremento mnimo no valor de seu coeciente original na funo objetivo (subtrao de cj unidades
no valor de cj) que manter a soluo bsica atual tima e a varivel xj no bsica; qualquer decremento
menor do que cj tornar a soluo bsica atual subtima e a varivel xj bsica.
Segundo Winston (2004), quando o coeciente da varivel no bsica xj melhora um valor exatamente
igual ao seu custo reduzido, tem-se um caso com mltiplas solues timas. Nesse caso, h pelo menos
uma soluo em que a varivel xj passa a ser bsica e outra em que a varivel xj continua no bsica. Por
outro lado, para qualquer incremento maior (maximizao) ou decremento menor (minimizao) do que
seu custo reduzido, a varivel xj ser sempre bsica em qualquer soluo tima.

187
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Um caso especial pode ocorrer quando as variveis no bsicas cam impossibilitadas de tornarem-se
bsicas, isto , seu custo reduzido continuar nulo, j que as mesmas no so ativas (no inuenciam a
soluo tima do modelo).

Exemplo 4.5
Considere o seguinte problema de maximizao:
max z = 3 x1 + 6 x2
sujeito a:
2 x1 + 3 x2 d 60 (1) (4.17)
4 x1 + 2 x2 d 120 (2)
x1, x2 t 0

Por meio de uma anlise de sensibilidade do problema em estudo, obtm-se o custo reduzido de cada
varivel tendo como base a soluo tima do modelo (4.17), conforme mostra a Tabela 4.2.

Tabela 4.2 Soluo tima e custo reduzido de cada varivel

Varivel Soluo tima Custo reduzido


x1 0 1
x2 20 0

Interprete os resultados apresentados na Tabela 4.2.

Soluo

A soluo bsica do modelo (4.17) x1 = 0 e x2 = 20. Primeiramente, verica-se que o custo reduzido
da varivel x2 nulo, j que a mesma uma varivel bsica. J o custo reduzido da varivel x1 representa o
incremento mximo (problema de maximizao) no valor de c1 que mantm a soluo bsica atual tima
e a varivel x1 no bsica. Assim, se o coeciente de x1 na funo objetivo passar de 3 para 4, a soluo
bsica atual permanecer tima, de forma que a varivel x1 continuar sendo no bsica. Por outro lado,
se o coeciente de x1 for maior do que 4, a soluo atual se tornar subtima e a varivel x1 ser bsica na
nova soluo tima.
importante mencionar que, se o problema (4.17) for resolvido pelo Solver do Excel, o custo reduzido
de x1 aparecer com sinal negativo no relatrio de sensibilidade.

Exemplo 4.6
Considere o seguinte problema de minimizao:
min z = 4x1 + 8x2
sujeito a:
6 x1 + 3 x2 t 140 (1) (4.18)
8 x1 + 5 x2 t 120 (2)
x1, x2 t 0

188
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Por meio de uma anlise de sensibilidade do problema em estudo, obtm-se a soluo tima e o custo
reduzido de cada varivel do modelo (4.18), conforme mostra a Tabela 4.3.

Tabela 4.3 Soluo tima e custos reduzidos das variveis


Varivel Soluo tima Custo reduzido
x1 23,333 0
x2 0 6

Interprete os resultados apresentados na Tabela 4.3.

Soluo

A soluo bsica do modelo (4.18) x1 = 23,333 e x2 = 0. Primeiramente, verica-se que o custo


reduzido da varivel x1 nulo, j que a mesma uma varivel bsica. Por outro lado, o custo reduzido
da varivel x2 especica o decremento mnimo no valor de c2 (problema de minimizao) que mantm
a soluo bsica atual tima e a varivel x2 no bsica. Assim, se o coeciente de x2 na funo objetivo
passar de 8 para 2, a soluo bsica atual permanecer tima, e a varivel x2, no bsica. Por outro lado, se
o coeciente de x2 for menor do que 2, a soluo atual se tornar subtima e a varivel x2 ser bsica na
nova soluo tima.
Se o problema (4.18) for resolvido pelo Solver do Excel, o custo reduzido de x2 aparecer com sinal
positivo no relatrio de sensibilidade.

4.2.4 Anlise de Sensibilidade com o Solver do Excel


A anlise de sensibilidade utilizando o Solver do Excel ser apresentada nesta seo para o problema
da empresa Romes Calados (Exemplo 4.1). A Figura 4.9 (ver arquivo Exemplo 4.1_Romes)apresenta a
modelagem do problema no Excel, j com a soluo tima do modelo.

Figura 4.9 Modelagem do problema da empresa Romes Calados no Excel.

Resolvido o modelo pelo Solver do Excel, exibida a janela Resultados do Solver. Selecionar a
opo Relatrio de Sensibilidade, conforme mostra a Figura 4.10.

189
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 4.10 Opo Relatrio de Sensibilidade em Resultados do Solver.

Os resultados da anlise de sensibilidade para o problema da empresa Rome Calados, considerando


as alteraes em um dos coecientes da funo objetivo (Seo 4.2.1), alteraes em uma das constantes
do lado direito e conceito de preo sombra (Seo 4.2.2) e o conceito de custo reduzido (Seo 4.2.3), a
partir do Solver do Excel, esto consolidados na Figura 4.11.

Figura 4.11 Relatrio de sensibilidade do problema da empresa Romes Calados.

As linhas 9 e 10 apresentam os resultados da anlise de sensibilidade em funo de alteraes em um


dos coecientes da funo objetivo (Seo 4.2.1), tendo como base o valor nal das clulas ajustveis (B14
e C14) que representam as variveis de deciso do modelo. De acordo com a coluna D, esses valores so
x1 = 20 e x2 = 35. A coluna E apresenta o custo reduzido de cada varivel. Como ambas so bsicas, seus
valores so nulos. Se uma das variveis fosse no bsica, seu custo reduzido apareceria com sinal negativo
no relatrio de sensibilidade do Excel, isto , com sinal oposto ao apresentado no presente livro, conforme
j mencionado anteriormente. Analogamente, para um problema de minimizao, os custos reduzidos
das variveis no bsicas so apresentados com sinal positivo no relatrio de sensibilidade do Excel. Os
valores iniciais dos coecientes de cada varivel na funo objetivo so apresentados na coluna F. J as
colunas G e H apresentam o acrscimo e o decrscimo mximo permitido para cada coeciente, a partir
do seu valor inicial, permanecendo os demais parmetros constantes, sem alterar a soluo bsica tima
do modelo original.
As linhas 15, 16 e 17 apresentam os resultados da anlise de sensibilidade em funo de alteraes
na quantidade de recursos de cada uma das restries do modelo (Seo 4.2.2). Substituindo os valores
timos de cada varivel do lado esquerdo de cada restrio, obtm-se a quantidade tima de recursos
necessrios para cada setor, conforme mostra a coluna D. Esses valores tambm podem ser atualizados
na Figura 4.9, caso seja escolhida a opo Manter soluo do Solver na janela Resultados do Solver.

190
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

O preo sombra (preo pago pela utilizao ou custo de oportunidade pela perda de uma unidade de cada
recurso) est apresentado na coluna E. A quantidade inicial disponvel de cada recurso est apresentada
na coluna F. J o acrscimo e o decrscimo mximo permissvel para cada recurso que mantm seu preo
sombra constante ou dentro da regio de factibilidade, a partir do seu valor inicial, esto especicados nas
colunas G e H, respectivamente.

4.2.4.1 Caso Especial: Mltiplas Solues timas

Conforme apresentado na Seo 3.2.3.1, do Captulo 3, em termos de soluo grca, pode-se


identicar um caso especial da programao linear com mltiplas solues timas quando a funo
objetivo paralela a uma restrio ativa.
J pelo mtodo Simplex (ver Seo 3.4.6.1, do Captulo 3), identica-se um caso com mltiplas
solues timas quando, na forma tabular tima, o coeciente de uma das variveis no bsicas for nulo
na linha 0 da funo objetivo.
Segundo Ragsdale (2009), tambm se pode identicar um caso com mltiplas solues timas
pelo Relatrio de Sensibilidade do Solver do Excel. Esse caso ocorre quando o acrscimo ou o decrscimo
permissvel em relao ao coeciente de uma ou mais variveis na funo objetivo for zero e no estivermos diante
de uma soluo degenerada (ver prxima seo).
Para o problema de maximizao (max z = 8x1 + 4x2) apresentado na Seo 3.2.3.1, do Captulo 3
(Exemplo 3.3), foi obtida a soluo grca mostrada na Figura 4.12.

Figura 4.12 Soluo grfica do Exemplo 3.3, do Captulo 3.

Resolvendo esse exemplo pelo Solver do Excel, foi possvel encontrar uma soluo vivel, obtendo-
se a mesma mensagem apresentada na Figura 4.10, de que o Solver encontrou uma soluo e todas as
restries e condies otimizadas foram atendidas. Porm, o Solver forneceu apenas uma das solues
timas: x1 = 4 e x2 = 0 com z = 32 (vrtice B), no exibindo nenhuma mensagem sobre o caso especial de
mltiplas solues timas.
Resolvendo esse problema pelo Solver do Excel e selecionando a opo Relatrio de Sensibilidade
em Resultados do Solver, obtm-se a Figura 4.13.

191
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 4.13 Relatrio de Sensibilidade para um caso com mltiplas solues timas.

Conforme mostram as linhas 9 e 10 da Figura 4.13, o decrscimo permissvel para o coeciente de


x1 na funo objetivo e o acrscimo permissvel para o coeciente de x2 na funo objetivo so nulos.
Como no h degenerao (ver Seo 4.2.4.2), estamos diante de um caso com mltiplas solues
timas.
Ragsdale (2009) sugere duas estratgias que podem ser aplicadas para determinar uma nova soluo
tima pelo Solver do Excel: 1) introduzir uma nova restrio no modelo que no altere o valor timo
da funo objetivo e mantenha a factibilidade do modelo; 2) quando o acrscimo permissvel para uma
das variveis de deciso for nulo, deve-se maximizar o valor dessa varivel (a funo objetivo deve ser
alterada para um problema de maximizao que tem como clula de destino a respectiva varivel e no
mais a funo z); quando o decrscimo permissvel para uma das variveis for nulo, deve-se minimizar o
valor dessa varivel (a funo objetivo deve ser alterada para um problema de minimizao que tem como
clula de destino tal varivel).
Por exemplo, se utilizarmos apenas a primeira estratgia, introduzindo a nova restrio x1 x2 t 1 no
modelo, uma nova soluo tima ser determinada: x1 = 3 e x2 = 2 com z = 32.
Verique, pela Figura 4.13, que o acrscimo mximo permissvel para o coeciente da varivel x2
na funo objetivo zero. Analogamente, o decrscimo permissvel para o coeciente da varivel x1 na
funo objetivo tambm zero. Dessa forma, com relao segunda estratgia proposta por Ragsdale,
teramos duas alternativas: maximizar a nova clula de destino $D$2 que representa a varivel x2 ou
minimizar a nova clula de destino $C$2 que representa a varivel x1.
Assim, caso obtivssemos a mesma soluo inicial (x1 = 4 e x2 = 0 com z = 32) utilizando apenas
a primeira estratgia, alm de introduzirmos a restrio x1 x2 t 1, deveramos utilizar uma das
alternativas listadas para a segunda estratgia. Por exemplo, se introduzssemos a restrio x1 x2 t 1
e alterssemos a funo objetivo para um problema de maximizao que tem como destino a clula
$D$2, tambm obteramos a nova soluo tima: x1 = 3 e x2 = 2 com z = 32, conforme mostra a Figura
4.14.

192
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Figura 4.14 Relatrio de resposta adicionando a restrio x1 x2 1 e maximizando x2.

Por outro lado, em vez da restrio x1 x2 t 1, se introduzssemos a restrio 2x1 + x2 t 8 no modelo


original e alterssemos a funo objetivo para um problema de minimizao que tem como destino a
clula $C$2 que representa a varivel x1, obteramos uma nova soluo tima x1 = 2 e x2 = 4 com z = 32,
conforme mostra a Figura 4.15.

Figura 4.15 Relatrio de resposta adicionando a restrio 2x1 + x2 8 e minimizando x1.

4.2.4.2 Caso Especial: Soluo tima Degenerada

Conforme abordado na Seo 3.2.3.4, do Captulo 3, em termos de soluo grca pode-se identicar
uma soluo degenerada quando um dos vrtices da regio factvel obtido pela interseo de mais de
duas retas distintas.
J pelo mtodo Simplex (ver Seo 3.4.6.4, do Captulo 3), pode-se identicar um caso com soluo
degenerada quando, em uma das solues do mtodo Simplex, o coeciente de uma das variveis bsicas

193
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

for nulo. Se a degenerao ocorrer na soluo tima, tem-se um caso conhecido como soluo tima
degenerada.
Conforme apresentado na Seo 3.4.6.4, do Captulo 3, o problema da degenerao que, em alguns
casos, o algoritmo Simplex pode entrar em loop, gerando as mesmas solues bsicas, j que no consegue
sair daquele espao de solues. Nesse caso, a soluo tima nunca ser atingida.
Podemos detectar um caso com degenerao pelo Relatrio de Sensibilidade do Solver do Excel
quando o acrscimo permissvel ou decrscimo permissvel em relao quantidade de recursos de uma das restries
for zero.
O mesmo Exemplo 3.6 apresentado na Seo 3.2.3.4, do Captulo 3, para o caso com soluo
tima degenerada ser resolvido nesta seo a partir do Solver do Excel. A soluo grca desse exemplo
(min z = x1 + 5x2) mostrada na Figura 4.16.

Figura 4.16 Soluo grfica do Exemplo 3.6, do Captulo 3.

Analogamente ao caso de mltiplas solues timas, resolvendo o Exemplo 3.6, do Captulo 3, pelo
Solver do Excel, tambm foi possvel encontrar uma soluo vivel, obtendo-se a mesma mensagem da
Figura 4.10 de que o Solver encontrou uma soluo e todas as restries e condies otimizadas foram
atendidas. Porm, o Solver no exibe nenhuma mensagem sobre o caso especial de soluo degenerada.
Resolvendo esse problema pelo Solver do Excel e selecionando a opo Relatrio de Sensibilidade
em Resultados do Solver, obtm-se a Figura 4.17.

Figura 4.17 Relatrio de Sensibilidade para um caso com soluo degenerada.

194
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Conforme mostram as linhas 15 e 17 da Figura 4.17, o acrscimo permissvel em relao quantidade


de recursos disponveis da primeira e terceira restrio so nulos. J a linha 16 mostra que o decrscimo
permissvel em relao quantidade de recursos da segunda restrio tambm zero. Tem-se, portanto,
um caso com soluo tima degenerada. Nesse caso, a anlise do Relatrio de Sensibilidade pode car
comprometida. Ragsdale (2009) e Lachtermacher (2009) destacam os cuidados que devem ser tomados
quando se identica um caso com soluo tima degenerada:
1. Quando o acrscimo ou decrscimo permissvel para o coeciente de uma das variveis na funo
objetivo tambm for zero, a armao de ocorrncia de mltiplas solues timas passa a no ser
convel.
2. Os custos reduzidos das variveis podem no ser nicos. Adicionalmente, para que a soluo
tima se altere, os coecientes das variveis na funo objetivo devem melhorar, no mnimo, seus
respectivos custos reduzidos.
3. As alteraes permissveis nos coecientes das variveis na funo objetivo se mantm, porm,
valores fora desse intervalo podem continuar no alterando a soluo tima atual.
4. Os preos sombras podem no ser nicos, juntamente com o acrscimo ou decrscimo permissvel
em relao disponibilidade de recursos de cada restrio.

4.3. Dualidade em Programao Linear


Todo problema de programao linear est associado a outro problema de programao linear
chamado dual. O problema original chamado primal. Apesar de possurem caractersticas distintas,
ambos os problemas levam mesma soluo tima.
A teoria da dualidade bastante til na resoluo de problemas de programao linear, podendo
ser utilizada em diversos casos. Por exemplo, a teoria da dualidade pode ser aplicada em casos em que a
soluo do problema primal no pragmtica, de forma que a transformao do problema primal em dual
facilitaria sua soluo. Adicionalmente, a teoria da dualidade permite uma interpretao econmica do
problema primal. Mostraremos ainda nesta seo outras importantes aplicaes da teoria da dualidade.

4.3.1 Teoria da Dualidade


Conforme apresentado na Seo 2.3.2, do Captulo 2, e na Seo 4.2.3 (problema 16), um problema
de maximizao de programao linear pode ser representado matematicamente, na forma cannica, como:
max xn z = f(x1, x2,..., xn) = c1 x1 + c2 x2 + ... + cn xn
sujeito a:
a11 x1 + a12 x2 + ... + a1n xn d b1
a21 x1 + a22 x2 + ... + a2n xn d b2 (4.16)

am1 x1 + am2 x2 + ... + amn xn d bm


xj t 0, j = 1, 2,...,n

A forma matricial do problema (4.16) :


max z = f(x) = cx
sujeito a:
Ax d b (4.19)
xt0

195
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

em que:

a11 a12 L a1n x1 b1 0


a a22 L a2n x b
A=
21
,x= 2 , b = 2 , c = [ c c L c ] , 0 = 0
M M M M M 1 2 n
M

am1 am2 L amn xn bm 0

O problema dual de (4.16) pode ser escrito como:


min w = f(y1, y2,..., ym) = b1 y1 + b2 y2 + ... + bm ym
sujeito a:
a11 y1 + a21 y2 + ... + am1 ym t c1
a12 y1 + a22 y2 + ... + am2 ym t c2
(4.20)
a1n y1 + a2n y2 + ... + amn ym t cn
yi t 0, i = 1, 2,...,m

A forma matricial do problema dual (4.20) :


min w = f(y) = y b
sujeito a:
yA t c (4.21)
yt0

em que:
y = [ y1 y2 ... ym ], 0 = [ 0 0 ... 0 ]

As regras para transformar um problema primal em outro dual so descritas a seguir:


1. Para que o problema primal possa ser facilmente transformado em outro dual, o mesmo deve estar
na forma cannica, conforme apresentado na Seo 2.3.2, do Captulo 2, e de acordo com o sistema de
equaes (4.16) para um problema de maximizao. Caso o problema no esteja na forma cannica,
deve-se efetuar as transformaes necessrias conforme apresentado na Seo 2.3.3, do Captulo 2.
2. Se o problema primal de maximizao, o problema dual ser de minimizao. Analogamente, se o
problema primal de minimizao, o problema dual ser de maximizao. O problema dual tambm
apresentado na forma cannica.
3. Os coecientes da funo objetivo do problema primal (transpostos) correspondem s constantes do
lado direito das restries do problema dual.
4. As constantes do lado direito das restries do problema primal correspondem aos coecientes da
funo objetivo do problema dual.
5. Os coecientes da varivel x em cada uma das restries do problema primal so iguais aos coecientes
da varivel y do problema dual.

196
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Exemplo 4.7
Considere o problema de mix de produo da empresa Venix Brinquedos (Exemplo 2.3, do Captulo 2) na
forma cannica:
max z = 12 x1 + 60 x2
sujeito a:
0,25x1 + 0,50x2 d 36
0,10x1 + 0,75x2 d 22 (4.22)
0,10x1 + 0,40x2 d 15
xj t 0, j = 1, 2

A forma matricial de (4.22) pode ser representada como:


x
max z = [12 60 ] 1
x2
sujeito a:
0,25 0,50 36
x1
0,10 0,75 22
x
0,10 0,40 2 15
x1 0
x 0
2

Determine o dual de (4.22) nas formas cannica e matricial.

Soluo

Como o modelo (4.22) j est na forma cannica, pode-se determinar diretamente o seu respectivo
dual, tambm na forma cannica, utilizando as regras 2 a 5:
min w = 36y1 + 22y2 + 15y3
sujeito a:
0,25y1 + 0,10y2 + 0,10y3 t 12
0,50y1 + 0,75y2 + 0,40y3 t 60 (4.23)
yi t 0, i = 1,.., 3

A forma matricial do problema dual :


36
min w = [ y1 y2 y3 ] 22

15
sujeito a:
0,25 0,50
0,10 12
[y 1 y2 y3 ] 0,75
60
0,10 0,40
[y 1 y2 y3 ] [0 0 0]

197
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Exemplo 4.8
Determine o dual do seguinte problema de minimizao:
min z = 20 x1 + 12 x2
sujeito a:
2x1 + 4x2 t 48
x1 3x2 d 10 (4.24)
3x1 + x2 t 24
xj t 0, j = 1, 2

Soluo

Primeiramente, transformaremos o problema (4.24) para a forma cannica (regra 1), multiplicando
ambos os lados da segunda restrio por (1), de forma que a desigualdade possa ser escrita com sinal t:
min z = 20x1 + 12x2
sujeito a:
2 x1 + 4x2 t 48
x1 + 3x2 t 10
(4.25)
3x1 + x2 t 24
xj t 0, j = 1, 2

Aplicando as regras 2 a 5, obtm-se o dual do problema (4.25):


max w = 48y1 10y2 + 24y3
sujeito a:
2y1 y2 + 3y3 d 20
4y1 + 3y2 + y3 d 12 (4.26)
yi t 0, i = 1,..., 3

4.3.2 Caso Especial: Restries de Igualdade e Variveis Livres


Nesta seo, estudaremos um caso especial que ocorre quando uma ou mais restries do problema
primal esto na forma de igualdade ou quando pelo menos uma das variveis for livre ou irrestrita em
sinal.
Considere o seguinte exemplo de programao linear:
max z = f(x1, x2) = c1 x1 + c2 x2
sujeito a:
a11x1 + a12x2 d b1
a21x1 + a22x2 = b2
(4.27)
a31x1 + a32x2 t b3
xj t 0, j = 1, 2

Como o problema no est na forma cannica, algumas transformaes, como aquelas apresentadas
na Seo 2.3.3, do Captulo 2, devero ser efetuadas.

198
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Primeiramente, a restrio de igualdade a21 x1 + a22 x2 = b2 deve ser transformada em duas restries
de desigualdade:
a21x1 + a22x2 d b2
a21x1 + a22x2 t b2

Porm, as restries de desigualdade do tipo t devem ser transformadas em outra do tipo , por
meio da multiplicao de ambos os lados por (1):

a21x1 a22x2 d b2
a31x1 a32x2 d b3

O modelo completo, na forma cannica, passa a ser escrito como:


max z = f(x1, x2) = c1x1 + c2x2
sujeito a:
a11x1 + a12x2 d b1
a21x1 + a22x2 d b2
a21x1 a22x2 d b2 (4.28)
a31x1 a32x2 d b3
xj t 0, j = 1, 2

Aplicando as regras 2 a 5, pode-se determinar o dual de (4.28) na forma cannica:

min w = b1y1 + b2 y21 b2 y22 b3 y3


sujeito a:
a11y1 + a21y21 a21y22 a31y3 c1 (4.29)
a12 y1 + a22 y21 a22 y22 a32 y3 c2
y1 , y21 , y22 , y3 0

Podemos denir y2 como a diferena entre duas variveis, isto , y2 = y21 y22 . Dessa forma, a varivel
y2, chamada varivel livre, pode assumir um valor positivo, negativo ou nulo. Assim, o problema (4.29)
pode se reduzir a:
min w = b1 y1 + b2 y2 b3 y3
sujeito a:
a11y1 + a21y2 a31 y3 t c1
a12y1 + a22y2 a32 y3 t c2 (4.30)
y1, y3 t 0
y2 livre

Podemos concluir, portanto, que, quando uma ou mais restries do problema primal esto na forma de
igualdade, a varivel dual correspondente uma varivel livre ou irrestrita em sinal. Analogamente, se o problema
primal possui pelo menos uma varivel livre, a equao correspondente no problema dual est na forma de igualdade.

199
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Exemplo 4.9
Determinar o dual do problema a seguir.
min z = 4x1 + 5x2
sujeito a:
2x1 + x2 t 20
2x1 + 3x2 = 40 (4.31)
x1 + 2x2 d 30
x1, x2 t 0

Soluo

Para que o problema (4.31) possa ser escrito na forma cannica, primeiramente, a restrio de
igualdade deve ser transformada em duas restries de desigualdade:
2x1 + 3x2 t 40
2x1 + 3x2 d 40

Porm, as restries de desigualdade do tipo d devem ser transformadas em outra do tipo t:


2x1 3x2 t 40
x1 2x2 t 30

O modelo completo de minimizao, na forma cannica, pode ser escrito como:


min z = 4x1 + 5x2
sujeito a:
2x1 + x2 t 20
2x1 + 3x2 t 40
2x1 3x2 t 40 (4.32)
x1 2x2 t 30
x1, x2 t 0

O problema dual de (4.32), na forma cannica, :

max w = 20 y1 + 40 y21 40 y22 30 y3


sujeito a: (4.33)
2y1 + 2y21 2y22 y3 4
y1 + 3y21 3y22 2y3 5
y1 , y21 , y22 , y3 0
1 2
Denindo a varivel y2 como a diferena entre duas variveis, isto , y2 = y2 y2 , a mesma passa a ser
uma varivel livre, sem restrio de sinal. Assim, o problema (4.33) pode se reduzir a:
max w = 20y1 + 40y2 30y3
sujeito a:
2y1 + 2y2 y3 d 4 (4.34)
y1 + 3y2 2y3 d 5
y1, y3 t 0
y2 livre

200
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

A transformao da equao de igualdade do problema original em uma varivel livre correspondente


para o problema dual pode ser efetuada diretamente de (4.31) para (4.34), sem a necessidade das etapas
intermedirias.

Exemplo 4.10
Determine o dual do seguinte problema de maximizao:
max z = 5x1 + 4x2 + 3x3
sujeito a:
4x1 + 2x2 x3 d 50
2x1 + 3x2 4x3 t 40
x1 + 2x2 2x3 d 30 (4.35)
x1, x2 t 0
x3 livre

Soluo

Como x3 uma varivel livre, a mesma pode ser denida como a diferena entre duas variveis
no negativas, isto , x3 = x31 x32 . Adicionalmente, ambos os lados da segunda equao devem ser
multiplicados por (1), de forma que a desigualdade possa ser escrita com sinal d. Dessa forma, o problema
(4.35) na forma cannica pode ser escrito como:
max z = 5x1 + 4x2 + 3x13 3x23
sujeito a:
4x1 2x2 x13 + x23 d 50
2x1 3x2 + 4x13 4x23 d 40 (4.36)
x1 + 2x2 2x3 + 2x3 d 30
1 2

x1, x2, x13, x23 t 0

O problema dual de (4.36), na forma cannica, :


min w = 50y1 40y2 + 30y3
sujeito a:
4y1 2y2 + y3 t 5
2y1 3y2 + 2y3 t 4
y1 + 4y2 2y3 t 3 (4.37)
y1 4y2 + 2y3 t 3
y1, y2, y3 t 0

O modelo (4.37) pode se reduzir a:


min w = 50y1 40y2 + 30y3
sujeito a:
4y1 2y2 + y3 t 5
2y1 3y2 + 2y3 t 4
(4.38)
y1 + 4y2 2y3 = 3
y1, y2, y3 t 0

201
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Podemos concluir, portanto, que a varivel livre do problema primal possui uma equao correspondente
no problema dual na forma de igualdade. Essa transformao poderia ser efetuada diretamente de (4.35)
para (4.38), tomando-se cuidado apenas com o sinal da segunda desigualdade do problema original
(2x1 3x2 + 4x3 d 40).

4.3.3 Interpretao Econmica de Dualidade


Um modelo de maximizao de programao linear na forma cannica (problema primal),
inicialmente apresentado na Seo 2.3.2, do Captulo 2, e posteriormente nas Sees 4.2.3 e 4.3.1, pode
ser visto como um problema de alocao de recursos. Nesse problema, pretende-se alocar os m recursos
disponveis s n atividades econmicas, de forma a maximizar o lucro total de todas as atividades,
respeitando a quantidade disponvel de cada recurso. As variveis e os parmetros do modelo podem ser
listados como:
z: lucro total de todas as atividades
xj: nvel da atividade j, j = 1, 2,...,n
cj: lucro unitrio da atividade j, j = 1, 2,...,n
aij: quantidade do recurso i consumido por unidade de atividade j, i = 1, 2,..., m, j = 1, 2,...,n
bi: quantidade de recurso i disponvel para alocar s atividades, i = 1, 2,...,m

A terminologia utilizada para o problema de alocao de recursos est representada no Quadro 4.4.

Quadro 4.4 Terminologia utilizada para o problema de alocao de recursos


Quantidade de recurso por unidade de atividade Quantidade
Recurso Atividade de recurso
1 2 n disponvel

1 a11 a12 ... a1n b1


2 a21 a22 ... a2n b2

m am1 am2 ... amn bm


Lucro unitrio c1 c2 ... cn

A interpretao econmica do problema dual ser discutida nesta seo a partir do problema de mix de
produo da empresa Venix Brinquedos (Exemplo 2.3, do Captulo 2), levando-se em conta a terminologia
apresentada para o problema de alocao de recursos. A fabricao de cada produto (carrinho e triciclo)
corresponde s atividades econmicas, e os processos de usinagem, pintura e montagem referem-se aos
recursos.
A Tabela 4.4 apresenta as principais informaes do problema da empresa Venix Brinquedos,
incluindo a quantidade de recursos necessrios (horas de mo de obra especializada nos processos de
usinagem, pintura e montagem) para produzir uma unidade de cada atividade (carrinho e triciclo), a
disponibilidade de cada recurso e o lucro unitrio por atividade.

202
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Tabela 4.4 Principais informaes do problema da empresa Venix Brinquedos


Recurso para produzir 1 unidade
Recurso Disponibilidade
Carrinho Triciclo
Usinagem (h) 0,25 0,5 36
Pintura (h) 0,1 0,75 22
Montagem (h) 0,1 0,4 15
Lucro unitrio 12 60

A formulao matemtica do problema original da empresa Venix Brinquedos est representada em


(4.39):
max z = 12x1 + 60x2 (maximizar o lucro total)
sujeito a:
0,25x1 + 0,50x2 d 36 (disponibilidade de usinagem)
0,10x1 + 0,75x2 d 22 (disponibilidade de pintura) (4.39)
0,10x1 + 0,40x2 d 15 (disponibilidade de montagem)
xj t 0, j = 1, 2

O dual de (4.39), j apresentado no Exemplo 4.7, :


min w = 36y1 + 22y2 + 15y3 (minimizar o uso de recursos disponveis)
sujeito a:
0,25y1 + 0,10y2 + 0,10y3 t 12 (restrio o de carrinho) (4.40)
0,50y1 + 0,75y2 + 0,40y3 t 60 (restrio de triciclo)
yi t 0, i = 1,.., 3

A interpretao econmica do problema (4.40) ser descrita a seguir.


No problema primal, os recursos da empresa Venix Brinquedos so utilizados para a fabricao de
dois tipos de produtos: carrinho e triciclo. Imagine outro caso, para o problema dual, em que os recursos
da empresa, em vez de serem utilizados para produo interna, sero vendidos para uma empresa
compradora. Para que compense para a empresa Venix Brinquedos vender os seus recursos, o preo pago
pela empresa compradora deve ser, no mnimo, igual ao lucro total gerado pelos seus produtos.
Podemos denir as variveis de deciso do problema dual, tambm chamadas de preo sombra
(shadow price) ou preo dual, como:
y1 = preo pago pela empresa compradora pela utilizao (ou custo de oportunidade de recursos
pela perda, por parte da empresa vendedora) de uma hora de mo de obra especializada no processo de
usinagem;
y2 = preo pago pela empresa compradora pela utilizao (ou custo de oportunidade de recursos
da empresa vendedora pela perda) de uma hora de mo de obra especializada no processo de pintura;
y3 = preo pago pela empresa compradora pela utilizao (ou custo de oportunidade de recursos
da empresa vendedora pela perda) de uma hora de mo de obra especializada no processo de montagem.
Dessa forma, a funo objetivo do problema dual busca minimizar a soma dos custos pagos pela
empresa compradora pela utilizao (ou a soma dos custos de oportunidade da empresa vendedora pela
perda) de todos os recursos:

min w = 36y1 + 22y2 + 15y3

203
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A primeira restrio garante que os custos pagos pela utilizao dos recursos de usinagem, pintura
e montagem necessrios para a produo de uma unidade de carrinho no devem ser menores do que seu
lucro unitrio:

0,25 y1 + 0,10y2 + 0,10y3 t 12

Em outras palavras, a empresa compradora deve oferecer, no mnimo, R$12,00 para que compense
para a empresa Venix Brinquedos vender os recursos necessrios para produzir uma unidade de carrinho.
Ou, ainda, os custos de oportunidade da empresa vendedora pela perda de parte dos recursos de usinagem,
pintura e montagem necessrios para produzir uma unidade de carrinho , no mnimo, igual ao seu lucro
unitrio.
A segunda restrio garante que os custos pagos pela utilizao dos recursos de usinagem, pintura
e montagem necessrios para a produo de uma unidade de triciclo no devem ser menores do que seu
lucro unitrio:

0,50 y1 + 0,75y2 + 0,40y3 t 60

Em outras palavras, a empresa compradora deve oferecer, no mnimo, R$60,00 para que compense
para a empresa Venix Brinquedos vender os recursos necessrios para produzir uma unidade de triciclo.
Ou, ainda, os custos de oportunidade da empresa vendedora pela perda de parte dos recursos de usinagem,
pintura e montagem necessrios para produzir uma unidade de triciclo , no mnimo, o seu lucro unitrio.
Finalmente, as variveis de deciso do problema dual (preos sombra) devem ser no negativas, isto
, os preos pagos pela utilizao dos recursos no podem ser negativos.

y1, y2, y3 t 0

4.3.4 Relaes entre os Problemas Primal e Dual


A formulao geral de um problema de maximizao de PL na forma cannica (sistema de equaes
4.16) e seu respectivo dual tambm podem ser escritos como:
Primal Dual
n
max z = c j x j
m
min w = bi yi
j =1
i =1
s.a. sujeito a
(4.41) (4.42)
n m
a x
j =1
ij j bi , i = 1,..., m
a y ij j cj , j = 1,..., n
i =1
xj 0 , j = 1,..., n yi 0 , i = 1,..., m

Apresentaremos nesta seo as principais relaes entre os problemas primal e dual, utilizando tais
notaes para algumas propriedades. Para os leitores interessados na demonstrao das propriedades,
recomendamos algumas leituras complementares, como Rardin (1998), Bazaraa et al. (2009), Arenales et
al. (2007), entre outros.

204
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Propriedade 1: O dual do problema dual o prprio primal e vice-versa.


Propriedade 2 (dualidade fraca): Considerando o primal como um problema de maximizao
(max z) e o dual como um problema de minimizao (min w), se ambos os problemas possuem solues
factveis, o valor da funo objetivo do problema primal menor ou igual ao valor da funo objetivo do
problema dual. Matematicamente, essa relao pode ser representada como:
n m
z = c j x j bi yi = w (4.43)
j =1 i =1

Se o primal for um problema de minimizao (min z), e o dual, de maximizao (max w), ambos com
solues factveis, tem-se que z t w.

Propriedade 3 (dualidade forte): Se a soluo de um dos problemas (primal ou dual) for vivel
e com funo objetivo limitada, tendo assim uma soluo tima nita, os valores da funo objetivo de
ambos os problemas so iguais, isto , max z = min w ou min z = max w. Matematicamente, essa relao
pode ser representada como:
n m
z =
j =1
c j xj = b y
i =1

i i = w (4.44)

Propriedade 4 (folga complementar): Suponha um problema primal na forma padro com uma
soluo tima factvel. Utilizando as condies de folga complementar, pode-se determinar a soluo
tima do problema dual.
Sejam x* e y* um par de solues timas para os problemas primal (4.41) e dual (4.42), respectivamente.
O teorema da folga complementar arma que y* e x* satisfazem as condies de folga complementar
primal (4.45) e folga complementar dual (4.46), respectivamente:

n

a x ij j bi yi = 0 ,

i = 1,..., m (4.45)
j =1

m (4.46)
c j a y x
ij i j =0, j = 1,..., n
i =1

A condio (4.45) garante que a folga primal ou a varivel dual ou ambas sejam nulas. J a condio
(4.46) garante que a folga dual ou a varivel primal ou ambas sejam nulas.

Propriedade 5 (teorema da dualidade):


O teorema da dualidade engloba as seguintes relaes entre os problemas primal e dual:
1. Se a soluo de um dos problemas (primal ou dual) for factvel com funo objetivo limitada, isto ,
existe uma soluo tima nita, ento o outro problema tambm ter soluo tima. Nesse caso, as
propriedades da dualidade fraca e forte podem ser aplicadas.
2. Se a soluo de um dos problemas (primal ou dual) for factvel, porm, com funo objetivo ilimitada
(no existe soluo tima), ento a soluo do outro problema infactvel.
3. Se a soluo de um dos problemas (primal ou dual) for infactvel, ento a soluo do outro problema
tambm ser infactvel ou a funo objetivo ser ilimitada (no existe soluo tima).

205
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

O Quadro 4.5 resume as possveis relaes entre os problemas primal e dual.

Quadro 4.5 Possveis relaes entre o primal e dual


Dual
Primal
tima Infactvel Ilimitada
tima Possvel Nunca Nunca
Infactvel Nunca Possvel Possvel
Ilimitada Nunca Possvel Nunca

Fonte: Rardin (1998).

Exemplo 4.11
Aplicar a propriedade 1 para o problema da empresa Venix Brinquedos.

Soluo

Considere o problema dual da empresa Venix Brinquedos como sendo o primal:


min z = 36x1 + 22x2 + 15x3
sujeito a:
0,25x1 + 0,10x2 + 0,10x3 t 12 (4.47)
0,50x1 + 0,75x2 + 0,40x3 t 60
xj t 0, j = 1,..., 3

Aplicando as regras de transformao, obtm-se o dual de (4.47):


max w = 12 y1 + 60 y2
sujeito a:
0,25y1 + 0,50y2 d 36 (4.48)
0,10y1 + 0,75y2 d 22
0,10y1 + 0,40y2 d 15
yi t 0, i = 1,2

Verique que (4.48) exatamente o problema original (primal) da empresa Venix Brinquedos
(Exemplo 2.3, do Captulo 2, tambm representado pelo sistema de equaes (4.22) ou (4.39) do presente
captulo).

Exemplo 4. 12
Considerando ainda os problemas primal e dual da empresa Venix Brinquedos:
Primal Dual
max z = 12x1 + 60x2 min w = 36y1 + 22y2 + 15y3
sujeito a:
0,25x1 + 0,50x2 d 36 sujeito a:
0,10x1 + 0,75x2 d 22 0,25y1 + 0,10y2 + 0,10y3 t 12
0,10x1 + 0,40x2 d 15 0,50y1 + 0,75y2 + 0,40y3 t 60
x1, x2 t 0 y1, y2, y3 t 0

206
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

a) Escrever todas as condies de folga complementar primal e dual para o problema original da empresa
Venix Brinquedos e seu respectivo dual.
b) Vericar que as solues timas dos problemas primal e dual da empresa Venix Brinquedos satisfazem
as condies de folga complementar.

Soluo

a) As condies de folga complementar primal (4.45) para o Exemplo 4.12 podem ser escritas como:
(0,25x1 + 0,50x2 36)y1 = 0
(0,10x1 + 0,75x2 22)y2 = 0 (4.49)
(0,10x1 + 0,40x2 15)y3 = 0

J as condies de folga complementar dual (4.46) para o Exemplo 4.12 podem ser escritas como:
(12 0,25y1 0,10y2 0,10y3)x1 = 0
(60 0,50y1 0,75y2 0,40y3)x2 = 0 (4.50)
b) A partir das solues timas dos problemas primal (x1 = 70, x2 = 20) e dual (y1 = 0, y2 = 34,29,
y3 = 85,71), vericamos, primeiramente, que a soluo tima do dual satisfaz as condies de folga
complementar primal descritas em (4.49):
[0,25(70) + 0,50(20) 36]0 = 0
[0,10(70) + 0,75(20) 22]34,29 = 0
[0,10(70) + 0,40(20) 15]853,71 = 0

Vericaremos tambm que a soluo tima do problema primal satisfaz as condies de folga
complementar dual descritas em (4.50):
[12 0,25(0) 0,10(34,29) 0,10(85,71)]70 = 0
[60 0,50(0) 0,75(34,29) 0,40(85,71)]20 = 0

4.3.5 O Mtodo Dual Simplex


O mtodo Simplex clssico apresentado na Seo 3.4, do Captulo 3, (mtodo primal Simplex), parte
de uma soluo bsica factvel, porm subtima, e busca a cada iterao encontrar uma soluo bsica
factvel adjacente melhor (em termos de otimalidade). O algoritmo naliza quando a soluo tima do
modelo atingida (para um modelo com soluo tima nita). O esquema completo est representado
na Figura 4.18.
O mtodo dual Simplex parte de uma soluo melhor que a tima, porm infactvel (soluo
supertima), e busca a cada iterao encontrar uma soluo bsica adjacente melhor (em termos de
factibilidade). A busca pela factibilidade faz com que o valor da funo objetivo piore a cada iterao.
O algoritmo termina quando uma nova soluo factvel encontrada. O esquema completo est
representado na Figura 4.19.

Figura 4.18 Busca da otimalidade utilizando o mtodo Simplex clssico (primal Simplex).

207
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 4.19 Busca da factibilidade utilizando o mtodo dual Simplex.

Geralmente, mais fcil a obteno de uma soluo inicial factvel subtima comparada a uma soluo
inicial t infactvel supertima. Porm, em casos em que o mtodo primal Simplex exige a introduo de
grande nmero de variveis articiais, o mtodo dual Simplex pode ser mais vantajoso, exigindo menor
nmero de iteraes para encontrar a soluo tima factvel do modelo. O algoritmo dual Simplex tambm
pode ser utilizado para reotimizar determinado problema cuja soluo tima inicial j havia sido obtida.
Porm, mudanas nos parmetros e variveis mais relevantes do modelo foram efetuadas (por exemplo,
incluso de uma nova restrio, mudana em um coeciente da funo objetivo etc.), de forma que a soluo
tima preliminar no mais factvel. Essa soluo pode ser usada, portanto, como soluo inicial.
Os principais fundamentos do mtodo dual Simplex esto especicados a seguir:
i uma adaptao do mtodo primal Simplex descrito na Seo 3.4, do Captulo 3.
i Todas as restries devem estar escritas com sinal do tipo d. A partir da, o problema deve ser
reescrito na forma padro, com a introduo de variveis de folga.
i Para que o mtodo dual Simplex possa ser aplicado, devemos estar diante de uma soluo atual
supertima e infactvel.
i O mtodo naliza quando uma soluo bsica factvel encontrada, isto , quando todas as
constantes do lado direito da equao so no negativas.
i Utiliza um procedimento alternativo ao mtodo Simplex tradicional para determinar a varivel de
entrada e sada da base.
i O algoritmo dual Simplex utiliza as mesmas operaes elementares do algoritmo primal Simplex
(mtodo de Gauss-Jordan) para determinar a nova forma tabular.
A Figura 4.20 apresenta o uxograma da descrio geral do algoritmo dual Simplex, sendo uma
adaptao da Figura 3.12, do Captulo 3.

Figura 4.20 Fluxograma da descrio geral do algoritmo dual Simplex.

Incio
Inequaes com sinal
e introduo de
varaveis de folga

Encontrar uma soluo


bsica supertima inicial

A soluo Sim
factvel? Fim

No

Determinar uma soluo


bsica adjacente melhor

208
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Os passos detalhados do algoritmo geral descrito na Figura 4.20 para a soluo de problemas de
maximizao e minimizao de PL pelo mtodo dual Simplex na forma tabular esto especicados na
Figura 4.21.

Figura 4.21 Algoritmo dual Simplex detalhado na forma tabular


Incio: Reescrever o problema inicial de programao linear de forma que todas as restries estejam com sinal do
tipo d. A partir da, para que o problema possa ser escrito na forma padro, devem ser introduzidas variveis de folga.

Passo 1: Encontrar uma soluo bsica inicial (infactvel e supertima) para o problema de PL atribuindo
valores iguais a zero s variveis de deciso. Para um problema que ser reotimizado em funo de mudanas nos
parmetros e variveis do modelo, a soluo inicial pode ser a soluo tima do problema preliminar.

Passo 2: Teste de otimalidade e infactibilidade.


Para que o mtodo dual Simplex possa ser aplicado, devemos estar diante de uma soluo tima e infactvel.
Conforme apresentado no mtodo primal Simplex, para um problema de maximizao na forma tabular, a
otimalidade das solues vericada se os coecientes de todas as variveis no bsicas da equao (0) so no
negativos (t 0). J para um problema de minimizao, todos esses coecientes devem ser no positivos (d 0).
A infactibilidade vericada quando pelo menos uma das variveis bsicas apresentar valores negativos.

Iterao: Determinar uma soluo bsica adjacente melhor enquanto estivermos diante de uma soluo
infactvel. Para isso, aplicar os seguintes passos:
1. Determinar a varivel bsica que sair da base (condio de factibilidade).
A varivel a sair da base aquela com maior valor negativo. A linha da varivel escolhida a sair da base a
linha piv (linha r).
2. Determinar a varivel no bsica que entrar na base (condio de otimalidade).
A escolha da varivel no bsica a entrar na base envolve quatro etapas:
a) Selecionar todos os coecientes aij negativos na linha piv (i = r).
b) Para cada coeciente negativo na linha piv (arj <0), selecionar o coeciente cj da varivel j na linha 0 da
funo objetivo z (varivel correspondente mesma coluna de arj)
c) Calcular o quociente entre o coeciente cj da varivel j na linha 0 e o coeciente da varivel j na linha piv
(arj), isto :
cj
: arj < 0, j = 1,..., n
arj (4.51)

d) A varivel j escolhida a entrar na base aquela que apresenta o menor quociente, em valor absoluto:
c j
min : arj < 0 (4.52)
j a
rj

Se no tiver coeciente negativo na linha piv, no h soluo factvel.


3. Transformar a forma tabular atual utilizando o mtodo de eliminao de Gauss-Jordan e recalcular a
soluo bsica. Aplicar as mesmas operaes elementares descritas no algoritmo primal Simplex:
a) Nova linha piv = linha piv atual y nmero piv
b) Para as demais linhas, incluindo z:
Nova linha = (linha atual) (coeciente da coluna piv da linha atual) u (nova linha piv)

O algoritmo naliza quando todas as variveis bsicas assumirem valores no negativos.

209
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Exemplo 4.13
Aplicar o algoritmo dual Simplex no modelo a seguir:

min z = 6 x1 + 10 x2 + 5 x3
sujeito a:
x1 + 2x2 + 3x3 t 24 (4.53)
3x1 + 2x3 t 30
x1, x2, x3 t 0

Soluo

Primeiramente, todas as restries de (4.53) devem estar escritas com sinal do tipo d:
min z = 6x1 + 10x2 + 5x3
sujeito a:
x1 2x2 3x3 d 24 (4.54)
3x1 2x3 d 30
x1, x2, x3 t 0

Para que o problema (4.54) esteja na forma padro, devem ser introduzidas variveis de folga:
min z = 6x1 + 10x2 + 5x3
sujeito a:
x1 2x2 3x3 + x4 = 24 (4.55)
3x1 2x3 + x5 = 30
x1, x2, x3, x4, x5 t 0

Passo 1: Determinar uma soluo bsica inicial.


A forma tabular inicial do Exemplo 4.13 para o mtodo dual Simplex, a partir de (4.55), considerando
as variveis x4 e x5 como bsicas e x1, x2 e x3 como variveis no bsicas, mostrada na Tabela 4.5.

Tabela 4.5 Forma tabular inicial do Exemplo 4.13 para o mtodo dual Simplex

Varivel no da Coecientes
Constante
Basica equao z x1 x2 x3 x4 x5
z 0 1 6 10 5 0 0 0
x4 1 0 1 2 3 1 0 24
x5 2 0 3 0 2 0 1 30

A soluo inicial pode ser obtida diretamente da Tabela 4.5:

{ x1, x2, x3, x4, x5 } = { 0, 0, 0, 24, 30 } com z = 0.

Passo 2: Teste de otimalidade e infactibilidade.


Primeiramente, podemos vericar que o critrio de otimalidade da soluo foi atendido, j que os
coecientes das variveis no bsicas na equao zero so negativos. Porm, a soluo inicial infactvel, j
que as variveis bsicas assumem valores negativos. Dessa forma, o mtodo dual Simplex pode ser aplicado.

210
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Iterao 1: Determinar uma soluo bsica adjacente melhor, aplicando os trs passos a seguir:
1. Determinar a varivel bsica que sair da base (condio de factibilidade).
A varivel bsica x5 com maior valor negativo sair da base, conforme mostra a Tabela 4.6. A linha 2
da varivel x5 a linha piv (r = 2).

Tabela 4.6 Determinao da varivel que sai da base


Varivel no da Coecientes
Basica equao Constante
z x1 x2 x3 x4 x5
z 0 1 6 10 5 0 0 0
x4 1 0 1 2 3 1 0 24
x5 2 0 3 0 2 0 1 30 Sai

2. Determinar a varivel no bsica que entrar na base (condio de otimalidade).


A escolha da varivel no bsica a entrar na base envolve as seguintes etapas:
a) Selecionar os coecientes negativos das variveis x1 e x3 na linha piv (i = 2):
a21 = 3 e a23 = 2
b) Selecionar o coeciente da varivel x1 na linha 0 (c1 = 6) e o coeciente da varivel x3 na mesma
linha (c3 = 5).
c) Calcular os quocientes para cada varivel j:
c 6 c 5
j =1 1 = , j=3 3 =
a21 3 a23 2

d) Como a varivel x1 apresenta o menor quociente, em valor absoluto, a mesma escolhida para
entrar na base.

A Tabela 4.7 representa na forma tabular cada um dos passos listados.

Tabela 4.7 Determinao da varivel no bsica a entrar na base

Entra
Varivel no da Coecientes
Constante
Basica equao z x1 x2 x3 x4 x5
z 0 1 6 10 5 0 0 0
x4 1 0 1 2 3 1 0 24
x5 2 0 3 0 2 0 1 30
6 5
=2
3 2 =2,5

3. A nova forma tabular, utilizando o mtodo de eliminao de Gauss-Jordan, est representada na


Tabela 4.8.

Tabela 4.8 Nova forma tabular aps o mtodo de eliminao de Gauss-Jordan (Iterao 1)
Varivel no da Coecientes
Constante
Basica equao z x1 x2 x3 x4 x5
z 0 1 0 10 1 0 2 60
x4 1 0 0 2 7/3 1 1/3 14
x5 2 0 1 0 2/3 0 1/3 10

211
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A partir da nova forma tabular apresentada na Tabela 4.8, podemos determinar diretamente a nova
soluo bsica e no bsica do modelo { x1, x2, x3, x4, x5 } = { 10, 0, 0, 14, 0 } com z = 60.

Passo 2: Teste de infactibilidade.


Como uma das variveis bsicas x4 ainda apresenta valor negativo, a soluo atual no factvel.

Iterao 2: Determinar uma soluo bsica adjacente melhor, aplicando os trs passos a seguir:
1. Determinar a varivel bsica que sair da base (condio de factibilidade).
A varivel bsica x4 com valor negativo sair da base conforme mostra a Tabela 4.9. Portanto, a linha
1 passa a ser a nova linha piv (r = 1).

Tabela 4.9 Determinao da varivel que sai da base

Varivel no da Coecientes
Constante
Basica equao z x1 x2 x3 x4 x5
z 0 1 0 10 1 0 2 60
x4 1 0 0 2 7/3 1 1/3 14 Sai
x1 2 0 1 0 2/3 0 1/3 10

2. Determinar a varivel no bsica que entrar na base (condio de otimalidade).


A escolha da varivel no bsica a entrar na base envolve as seguintes etapas:
a) Selecionar os coecientes negativos das variveis x2, x3 e x5 na linha piv (i = 1):
a12 = 2, a13 = 7/3 e a15 = 1/3
b) Selecionar o coeciente da varivel x2 na linha 0 (c2 = 10), o coeciente da varivel x3 na linha 0
(c3 = 1) e o coeciente da varivel x5 na mesma linha (c5 = 2).
c) Calcular os quocientes para cada varivel j:

c2 10 c3 1 c5 2
j 2o , j 3o , j 5o
a12 2 a13  7/3 a15  1/3

d) Como a varivel x3 apresenta o menor quociente, em valor absoluto, a mesma escolhida para
entrar na base.

A Tabela 4.10 representa na forma tabular cada um dos passos listados.

Tabela 4.10 Determinao da varivel no bsica a entrar na base


Entra

Varivel no da Coecientes
Basica equao constante
z x1 x2 x3 x4 x5
z 0 1 0 10 1 0 2 60
x4 1 0 0 2 7/3 1 1/3 14
x1 2 0 1 0 2/3 0 1/3 10

10 1 = 3 2
=5 =6
2 7/3 7 1/3

212
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

3. A nova forma tabular, utilizando o mtodo de eliminao de Gauss-Jordan, est representada na


Tabela 4.11.

Tabela 4.11 Nova forma tabular aps o mtodo de eliminao de Gauss-Jordan (Iterao 2)

Varivel no da Coecientes
Constante
ba sica equao z x1 x2 x3 x4 x5
z 0 1 0 64/7 0 3/7 13/7 66
x3 1 0 0 6/7 1 3/7 1/7 6
x1 2 0 1 4/7 0 2/7 9/21 6

A partir da nova forma tabular apresentada na Tabela 4.11, podemos determinar diretamente a nova
soluo do modelo { x1, x2, x3, x4, x5 } = { 6, 0, 6, 0, 0 } com z = 66.

Passo 2: Teste de infactibilidade.


Como todas as variveis bsicas apresentam valores no negativos, estamos diante da soluo tima
factvel.

4.4 Exerccios
Seo 4.2.1 (ex. 1) A empresa Solues fabrica dois tipos de termmetros: digital e de mercrio. Cada unidade
de termmetro digital garante lucro lquido unitrio de R$7,00, enquanto o termmetro de mercrio gera lucro
lquido de R$5,00 por unidade. A fabricao dos dois tipos de termmetros requer trs tipos de operao.
Para a fabricao de uma unidade do termmetro digital, so necessrios 4, 5 e 2 minutos em cada uma das
operaes. J o termmetro de mercrio requer 2, 3 e 3 minutos para cada operao. A disponibilidade, em
minutos, para cada operao de 300, 360 e 180.
a) Determine a soluo grfica do modelo.
b) Determine o acrscimo mximo permissvel no lucro lquido unitrio do termmetro digital que manteria a
soluo bsica original inalterada. Supor que os demais parmetros do modelo permaneam constantes.
c) Determine o decrscimo mximo permissvel no lucro unitrio do termmetro de mercrio que manteria
a soluo bsica original inalterada, supondo que os demais parmetros permaneam constantes.
d) Supondo que houve uma reduo no lucro unitrio de termmetros digitais para R$3,00, verificar se a
soluo tima do modelo original permanece tima.
e) Supondo que houve um aumento no lucro unitrio de termmetros de mercrio para R$10,00, verificar se
a soluo tima do modelo original permanece tima.

Seo 4.2.1 (ex. 2) Considere o seguinte problema de maximizao:


max z = 8x1 + 6x2
sujeito a:
2x1 + 5x2 30
3x1 + 6x2 54
2x1 + 8x2 64
x1, x2 0

213
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

a) Determine a soluo grfica do modelo.


b) Qual o intervalo de valores em que c1 pode variar que manteria a soluo bsica original inalterada,
supondo que c2 permanece constante?
c) Determine o intervalo de valores em que c2 pode variar que manteria a soluo bsica original inalterada,
supondo que c1 permanece constante.

Seo 4.2.1 (ex. 3) Considere o seguinte problema de minimizao:


min z = 8x1 + 6x2
sujeito a:
2x1 + 5x2 60
3x1 + 6x2 102
2x1 + 8x2 128
x1, x2 0
a) Determine a soluo grfica do modelo.
b) Na soluo tima do modelo original, verificou-se que a varivel x2 bsica. Dessa forma, se no for
imposta a restrio de no negatividade sobre as possveis variaes de c2, qual problema ocorrer?
c) Qual o intervalo de valores em que c1 pode variar que manteria a soluo bsica original inalterada,
supondo que c2 permanece constante?
d) Determine o intervalo de valores em que c2 pode variar que manteria a soluo bsica original inalterada,
supondo que c1 permanece constante.

Seo 4.2.1 (ex. 4) Considere o problema de mix de produo da empresa Venix Brinquedos (Exemplo 2.3,
do Captulo 2):
a) Determine a condio de otimalidade (c1/c2) que manteria a soluo bsica do modelo original inalterada.
b) Suponha que houve uma reduo simultnea nos lucros unitrios de carrinhos e triciclos para R$10,00
e R$50,00, respectivamente, em funo da concorrncia do mercado. Verificar se a soluo bsica do
modelo original permanece tima e determinar o novo valor de z.
c) Quais as possveis alteraes no lucro unitrio de carrinhos que manteriam a soluo bsica do modelo
original inalterada? Supor que os demais parmetros do modelo permaneam constantes.
d) Qual o intervalo de valores em que o lucro unitrio de triciclos pode variar sem afetar a soluo bsica do
modelo original? Supor que os demais parmetros permaneam constantes.
e) Se houver uma reduo no lucro unitrio de carrinhos para R$9,00, a soluo bsica do modelo original
permanece tima? Qual o novo valor da funo objetivo nesse caso?
f) Se houver aumento no lucro unitrio de triciclos para R$80,00, a soluo bsica do modelo original ser
afetada (os demais parmetros permanecem constantes)? Qual o novo valor da funo objetivo aps essas
alteraes?
g) Imagine que houve uma reduo significativa nos custos de fabricao de triciclos, aumentando seu lucro
unitrio para R$100,00. Para que a soluo bsica do modelo original permanea inalterada, o lucro
unitrio de carrinhos dever satisfazer qual intervalo?

214
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Seo 4.2.2 (ex. 1) Considere novamente o problema de mix de produo da empresa Venix Brinquedos:
a) Determine o preo sombra para o setor de usinagem, pintura e montagem.
b) Determinar o intervalo de valores em que cada bi pode variar que mantm o preo sombra constante.
c) Se a disponibilidade no setor de usinagem aumentar para 40 horas, qual ser o incremento no valor da
funo objetivo?
d) Se a disponibilidade no setor de pintura for reduzida para 18 horas, qual ser o decremento no valor da
funo objetivo? Determine tambm os novos valores de x1 e x2.

Seo 4.2.2 (ex.2) Considere o Exerccio 1 proposto na Seo 4.2.1 da empresa Solues:
a) Se a disponibilidade de cada operao aumentar em um minuto, qual delas deve ter prioridade?
b) Determine o acrscimo e o decrscimo mximo permissvel (p e q minutos, respectivamente) em b1, b2 e
b3 que mantm o preo sombra constante.
c) Qual o preo justo a ser pago pela utilizao de p minutos de b2?
d) Qual o custo de oportunidade pela perda de q minutos de b3?

Seo 4.2.3 (ex. 1) Considere o seguinte problema de maximizao:


max z = 3x1 + 2x2
sujeito a:
x 1 + x2 6
5x1 + 2x2 20
x1, x2 0
A Tabela 4.12 apresenta a forma tabular inicial do modelo anterior, a Tabela 4.13 apresenta a forma
tabular na primeira iterao e a Tabela 4.14 apresenta a forma tabular tima do mesmo problema.

Tabela 4.12 Linha 0 da forma tabular inicial


Coecientes
Equao Constante
z x1 x2 x3 x4
0 1 3 2 0 0 0

Tabela 4.13 Linha 0 da forma tabular na primeira iterao


Coecientes
Equao Constante
z x1 x2 x3 x4
0 1 0 4/5 0 3/5 12

Tabela 4.14 Linha 0 da forma tabular tima


Coecientes
Equao constante
z x1 x2 x3 x4
0 1 0 0 4/3 1/3 44/3

a) Interpretar os custos reduzidos das Tabelas 4.13 e 4.14.


b) Determinar os valores de z11 , z21 , z1 e z2 .

215
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Seo 4.2.3 (ex. 2) Considere o seguinte problema de minimizao:


min z = 4x1 2x2
sujeito a:
2x1 + x2 10
x1 x2 8
x1, x2 0
As Tabelas 4.15 e 4.16 apresentam a forma tabular inicial e a forma tabular tima do modelo anterior,
respectivamente.

Tabela 4.15 Linha 0 da forma tabular inicial


Coecientes
Equao Constante
z x1 x2 x3 x4
0 1 4 2 0 0 0

Tabela 4.16 Linha 0 da forma tabular tima


Coecientes
Equao Constante
z x1 x2 x3 x4
0 1 8 0 2 0 20

a) Interpretar os custos reduzidos da Tabela 4.16.


b) Determinar os valores de z1 e z2 .

Seo 4.2.4 (ex. 1) Considere o Exerccio 1 da Seo 4.2.1 da empresa Solues:


a) Resolva-o pelo Solver do Excel.
b) Determine, por meio do Relatrio de Sensibilidade do Solver, o acrscimo e o decrscimo mximo
permissvel em c1 que mantm a soluo bsica original inalterada.
c) Determine, por meio do Relatrio de Sensibilidade do Solver, o acrscimo e o decrscimo mximo
permissvel em c2 que mantm a soluo bsica original inalterada.
d) Determine, por meio do Relatrio de Sensibilidade do Solver, o preo sombra para cada operao.
e) Determine, por meio do Relatrio de Sensibilidade do Solver, o acrscimo e o decrscimo mximo
permissvel em b1, b2 e b3 que mantm o preo sombra constante.

Seo 4.2.4 (ex. 2) Idem para o problema de mix de produo da empresa Venix Brinquedos.

Seo 4.2.4 (ex. 3) Identifique, por meio do Relatrio de Sensibilidade do Solver, se os problemas a seguir
pertencem ao caso especial mltiplas solues timas ou soluo tima degenerada.
a) max z = 4x1 + 2x2
sujeito a:
6x1 + 2x2 240
2x1 + 3x2 200
3x1 + x2 120
x1, x2 0

216
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

b) max z = 3x1 + 8x2


sujeito a:
2x1 + 2x2 300
5x1 + 4x2 800
9x1 + 24x2 1.080
x1, x2 0

c) max z = 2x1 + 6x2


sujeito a:
2x1 + 2x2 600
2x1 + 8x2 800
x1 8x2 0
x1, x2 0

d) max z = 4x1 + 2x2


sujeito a:
6x1 + 2x2 240
2x1 + 3x2 200
8x1 + 4x2 240
x1, x2 0

e) min z = 6x1 + 3x2


sujeito a:
4x1 + 2x2 832
7x1 + 3x2 714
2x1 + 9x2 900
x1, x2 0

f) min z = 4x1 + 5x2


sujeito a:
2x1 + 3x2 675
2x1 + 5x2 1.125
3x1 + 4x2 900
x1, x2 0

g) min z = 2x1 + x2
sujeito a:
4x1 + 8x2 1.920
3x1 + 2x2 600
7x1 + 3x2 1.050
x1, x2 0

Seo 4.3.1 (ex. 1) Considere o Exerccio 1 da Seo 4.2.3. Determine o seu respectivo dual e compare a
soluo tima do problema dual com os resultados apresentados na Tabela 4.14.

217
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Seo 4.3.1 e 4.3.2 (ex. 1) Determine o dual (na forma cannica) dos seguintes problemas:
a) max z = 6x1 + 10x2
sujeito a:
3x1 + 4x2 68
2x1 x2 20
4x1 + 2x2 200
x1, x2 0

b) min z = 2x1 + 5x2


sujeito a:
8x1 + 2x2 16
3x1 + 12x2 400
x1, x2 0

c) max z = 5x1 + 4x2


sujeito a:
3x1 + x2 30
2x1 + x2 = 60
3x1 + 4x2 120
x1, x2 0

d) min z = 3 x1 + 5 x2
sujeito a:
2x1 + 2x2 120
3x1 4x2 60
4x1 + 3x2 240
x1 0
x2 livre

Seo 4.3.3 (ex. 1) O problema do fazendeiro (Exemplo 2.8, do Captulo 2) foi formulado como:
max z = 9,343x1 + 8,902x2 + 2,118x3 + 11,542x4 + 4,044x5
sujeito a:
x1 + x2 + x3 + x4 + x5 1.000 (1)
5,0x1 + 4,2x2 + 2,2x3 + 6,6x4 + 3,0x5 6.000 (2)
7,7x1 + 6,5x2 + 3,7x3 + 8,0x4 + 3,5x5 5.000 (3)
7,9x1 + 7,2x2 + 2,9x3 + 6,1x4 + 4,1x5 6.500 (4)
5,0x1 + 4,0x2 + 3,5x3 + 3,5x4 + 3,0x5 3.800 (5)
1,0x1 + 1,0x2 + 0,5x3 + 1,5x4 + 0,5x5 3.500 (6)
1,2x1 + 0,5x2 + 0,5x3 + 0,5x4 + 1,0x5 3.200 (7)
0,8x1 + 0,5x2 + 1,0x3 + 0,5x4 + 0,5x5 2.500 (8)
xj 0, j = 1, 2,...,5

em que xj = rea total a ser investida para a cultura da atividade j, j = 1, 2,...,5. A funo objetivo do modelo
busca maximizar o VPL de todas as atividades de cultura, sujeito s restries de capacidade (1), fluxo mnimo

218
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

de entrada para os anos 1, 2 e 3 (2 a 4) e fluxo mximo de sada para os anos 0, 1, 2 e 3 (5 a 8). Suponha que
a fazenda ser vendida. Determine o dual do modelo original e faa uma interpretao econmica do dual
considerando o ponto de vista do novo comprador.

Seo 4.3.4 (ex. 1) Aplicar a propriedade de dualidade fraca e forte para o problema da empresa Venix
Brinquedos.

Seo 4.3.4 (ex. 2) Considere o seguinte problema de programao linear:


max z = 4x1 + 3x2
sujeito a:
6x1 + 2x2 1.200
3x1 + 5x2 900
2x1 + 3x2 600
x1, x2 0

a) Escrever todas as condies de folga complementar primal e dual.


b) Verificar se x* e y* satisfazem as condies de folga complementar primal e dual.

Seo 4.3.4 (ex. 3) Aplicar a propriedade 5 (teorema da dualidade) para os seguintes problemas de
programao linear:
a) min z = 2x1 + x2
sujeito a:
4x1 + 5x2 20
x 1 + x2 3
x1, x2 0

b) max z = 2x1 + 3x2


sujeito a:
4x1 + 2x2 20
x1 x2 10
x1, x2 0

c) min z = 2x1 + 3x2


sujeito a:
x1 + x2 10
4x1 + 2x2 20
x 1 + x2 4
x1, x2 0

d) min z = 2x1 6x2


sujeito a:
3x1 + 2x2 24
2x1 + 6x2 30
x1, x2 0

219
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

e) min z = 3x1 + 2x2


sujeito a:
2x1 + 7x2 184
5x1 + 3x2 254
x2 12
x1, x2 0

f) min z = 3x1 + 5x2


sujeito a:
2x1 + 2x2 120
3x1 4x2 60
4x1 + 3x2 240
x1 0
x2 livre

Seo 4.3.5 (ex. 1) Para cada um dos casos a seguir, aplicar o mtodo dual Simplex e mostrar graficamente
o caminho percorrido pelo algoritmo.
a) min z = 6x1 + 4x2
sujeito a:
9x1 + 3x2 1.500
4x1 + 8x2 1.600
x1, x2 0

b) min z = 5x1 + 2x2


sujeito a:
6x1 +2 x2 66
2x1 + 4x2 36
2x1 + 5x2 40
x1, x2 0

c) min z = 2x1 + 3x2 + 4x3


sujeito a:
4x1 + 2x2 + x3 1.000
2x1 + x2 + 5x3 1.040
2x1 + 4x2 + 4x3 860
x1, x2, x3 0

d) min z = 7x1 + 3x2 + 2x3


sujeito a:
6x1 + 2x2 + 2x3 120
4x1 + 3x2 + 2x3 90
5x1 + 4x2 + 3x3 150
x1, x2, x3 0

220
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

e) max z = 4x1 5x2


sujeito a:
3x1 + 2x2 76
2x1 + 4x2 88
x1, x2 0

f) max z = 2 x1 3x2 2x3


sujeito a:
2x1 + x2 + 6x3 132
2x1 x2 + 4x3 160
3x1 + x2 + 2x3 120
x1, x2, x3 0

Seo 4.3.5 (ex. 2) A soluo grfica de um problema de minimizao com funo objetivo z = 10x1 + 6x2 est
representada na Figura 4.22. A soluo tima representada pelo ponto extremo D. Pergunta-se:
a) O ponto F pode ser considerado uma soluo inicial do mtodo dual Simplex? Justifique.
b) Supondo que o ponto H seja a soluo inicial, o caminho H oA oD poderia ser percorrido pelo algoritmo
dual Simplex? Justifique.
c) Se o mtodo dual Simplex partisse do ponto G, qual caminho poderia ser percorrido at encontrar a
soluo tima? Justifique.

Figura 4.22 Espao de solues do Exerccio 2 da Seo 4.3.5.

Seo 4.3.5 (ex. 3) Considere o seguinte problema de PL:


min z = 3x1 + 4x2
sujeito a:
4x1 + 2x2 40
2x1 + 5x2 28
x1 4
x1, x2 0
Qual mtodo o mais adequado para resolver esse modelo: mtodo das penalidades (Big M), duas fases
ou mtodo dual Simplex?

221
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

4.5 Resumo
a) Anlise de Sensibilidade
A anlise de sensibilidade investiga os efeitos que determinadas alteraes nos parmetros do modelo
causariam na soluo tima, sendo, portanto, fundamental no estudo de problemas de programao
linear.
Estuda-se a variao que os coecientes da funo objetivo e as constantes do lado direito de cada
restrio podem assumir (limites inferiores e superiores), sem alterar a soluo tima do modelo inicial
ou sem alterar a regio de factibilidade. Elimina-se, portanto, a necessidade de recalcular a nova soluo
tima do modelo aps mudanas em seus parmetros. Essa anlise pode ser feita gracamente utilizando
clculos algbricos ou diretamente pelo Solver do Excel, considerando uma alterao por vez.
Na anlise a partir de alteraes nos coecientes da funo objetivo, busca-se determinar os limites
inferiores e superiores que os coecientes da funo objetivo podem assumir, mantendo os demais
parmetros constantes, sem alterar a soluo bsica original do modelo (a soluo bsica permanece
tima). Como um dos coecientes da funo objetivo alterado, o valor da funo objetivo z tambm
muda.
Na anlise a partir de alteraes nos termos independentes das restries, o objetivo determinar os
limites inferiores e superiores que os termos independentes das restries podem assumir, sem alterar
a regio de factibilidade (que mantm os preos sombra constantes). O preo sombra (shadow price)
pode ser denido como o acrscimo (ou decrscimo) no valor da funo objetivo caso seja adicionada
(ou retirada) uma unidade na quantidade atual de recursos disponveis da i-sima restrio (bi0). O preo
sombra pode ser interpretado como o preo justo a ser pago pela utilizao de uma unidade do recurso i
ou o custo de oportunidade de recursos pela perda de uma unidade do recurso i.

b) Custo Reduzido
O coeciente de determinada varivel na linha 0 da forma tabular, seja bsica ou no bsica, obtido
em qualquer iterao q do mtodo Simplex, chamado de custo reduzido. Como as variveis bsicas
assumem valores nulos na linha 0, seus respectivos custos reduzidos sero sempre nulos. Dessa forma, o
custo reduzido uma medida calculvel apenas para as variveis no bsicas do modelo.
O custo reduzido de determinada varivel no bsica xj pode ser interpretado como o valor em
que seu coeciente original cj deve melhorar na funo objetivo antes da soluo bsica atual tornar-se
subtima e de xj tornar-se uma varivel bsica.

c) Anlise de Sensibilidade com o Solver do Excel


Para determinado problema de PL, o acrscimo e o decrscimo mximo permitidos nos coecientes
da funo objetivo e nas quantidades de recursos das restries, alm do clculo do preo sombra e do
custo reduzido das variveis originais, tambm podem ser obtidos por meio do Relatrio de Sensibilidade
do Solver do Excel. Dois casos especiais podem ser identicados a partir do relatrio: mltiplas solues
timas e soluo tima degenerada.
Um caso com mltiplas solues timas pode ser identicado pelo Relatrio de Sensibilidade do
Solver do Excel quando o acrscimo ou o decrscimo permissvel em relao ao coeciente de uma ou mais
variveis na funo objetivo for zero e no estivermos diante de uma soluo degenerada.

222
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Pode-se detectar um caso com soluo tima degenerada pelo Relatrio de Sensibilidade do Solver
do Excel quando o acrscimo permissvel ou o decrscimo permissvel em relao quantidade de recursos
de uma das restries for zero.

d) Teoria da Dualidade
Todo problema original de programao linear, chamado primal, est associado a outro problema
chamado dual. Apesar de possurem caractersticas distintas, ambos os problemas levam mesma soluo
tima. Dessa forma, muitas vezes, pode ser mais conveniente resolver um problema de programao
linear a partir do problema dual.
A teoria da dualidade indicada em casos em que a soluo do problema primal no pragmtica, de
forma que a transformao do problema primal em outro dual facilitaria sua soluo. Adicionalmente, a
teoria da dualidade permite interpretao econmica do problema primal.
Para o seguinte problema primal:
max z = f(x1, x2,..., xn) = c1 x1 + c2 x2 + ... + cn xn
sujeito a:
a11 x1 + a12 x2 + ... + a1n xn d b1
a21 x1 + a22 x2 + ... + a2n xn d b2

am1 x1 + am2 x2 + ... + amn xn d bm


xj t 0, j = 1, 2,..., n

tem-se o respectivo dual:


min w = f(y1, y2,..., ym) = b1 y1 + b2 y2 + ... + bm ym
sujeito a:
a11 y1 + a21 y2 + ... + am1 ym t c1
a12 y1 + a22 y2 + ... + am2 ym t c2

a1n y1 + a2n y2 + ... + amn ym t cn


yi t 0, i = 1, 2,..., m

Para transformar um problema primal em outro dual aplicam-se as seguintes regras:


1. O problema primal deve estar na forma cannica.
2. Se o problema primal de maximizao, o problema dual ser de minimizao. Analogamente, se o
problema primal de minimizao, o problema dual ser de maximizao. O problema dual tambm
apresentado na forma cannica.
3. Os coecientes da funo objetivo do problema primal (transpostos) correspondem s constantes do
lado direito das restries do problema dual.
4. As constantes do lado direito das restries do problema primal correspondem aos coecientes da
funo objetivo do problema dual.
5. Os coecientes da varivel x em cada uma das restries do problema primal so iguais aos coecientes
da varivel y do problema dual.

223
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

As variveis de deciso do problema dual so tambm chamadas de preo sombra ou preo dual
que, pela interpretao econmica da dualidade, representa o preo pago pela empresa compradora pela
utilizao (ou custo de oportunidade de recursos pela perda, por parte da empresa vendedora) de
uma unidade de determinado recurso.
Um caso especial ocorre quando uma ou mais restries do problema primal esto na forma de
igualdade, de forma que a varivel dual correspondente uma varivel livre ou irrestrita em sinal.
Analogamente, se o problema primal possui pelo menos uma varivel livre, a equao correspondente no
problema dual est na forma de igualdade.
As propriedades entre o primal e dual so:
Propriedade 1: O dual do problema dual o prprio primal e vice-versa.
Propriedade 2 (dualidade fraca): Considerando o primal como um problema de maximizao
(max z) e o dual como um problema de minimizao (min w), se ambos os problemas possuem solues
factveis, o valor da funo objetivo do problema primal menor ou igual ao valor da funo objetivo do
problema dual ( z w ). Se o primal for um problema de minimizao (min z) e o dual de maximizao
(max w), ambos com solues factveis, tem-se que z t w.
Propriedade 3 (dualidade forte): Se a soluo de um dos problemas (primal ou dual) for vivel e
com funo objetivo limitada, tendo assim uma soluo tima nita, ento os valores da funo objetivo
de ambos os problemas so iguais, isto , max z = min w ou min z = max w.
Propriedade 4 (folga complementar): Suponha um problema primal na forma padro com soluo
tima factvel. As condies de folga complementar permitem determinar a soluo tima do dual.
Propriedade 5 (teorema da dualidade):
1. Se a soluo de um dos problemas (primal ou dual) for factvel com funo objetivo limitada, isto
, existe uma soluo tima nita, ento o outro problema tambm ter soluo tima. Nesse
caso, as propriedades da dualidade fraca e forte podem ser aplicadas.
2. Se a soluo de um dos problemas (primal ou dual) for factvel, porm, com funo objetivo
ilimitada (no existe soluo tima), ento a soluo do outro problema infactvel.
3. Se a soluo de um dos problemas (primal ou dual) for infactvel, ento a soluo do outro
problema tambm ser infactvel ou a funo objetivo ser ilimitada (no existe soluo tima).

e) O Mtodo Dual Simplex


Diferentemente do mtodo primal Simplex, o mtodo dual Simplex parte de uma soluo melhor
que a tima, porm, infactvel (soluo supertima), e busca a cada iterao encontrar uma soluo bsica
adjacente melhor (em termos de factibilidade). A busca pela factibilidade faz com que o valor da funo
objetivo piore a cada iterao. O algoritmo termina quando uma nova soluo factvel encontrada.
O mtodo dual Simplex indicado em casos em que o mtodo primal Simplex exige a introduo
de grande nmero de variveis articiais, resultando em menor nmero de iteraes para encontrar a
soluo tima factvel do modelo. O algoritmo dual Simplex tambm pode ser utilizado para reotimizar
determinado problema cuja soluo tima inicial j havia sido obtida. Porm, mudanas nos parmetros
e variveis mais relevantes do modelo foram efetuadas, de forma que a soluo tima preliminar no
mais factvel. Essa soluo pode ser usada, portanto, como soluo inicial.

224
Captulo 4 I Anlise de Sensibilidade e Dualidade em Programao Linear

Algoritmo dual Simplex detalhado na forma tabular


Incio: Todas as restries do modelo devem estar com sinal do tipo d. A partir da, para que o problema esteja
escrito na forma padro, devem ser introduzidas variveis de folga.

Passo 1: Encontrar uma soluo bsica inicial (infactvel e supertima) para o problema de PL atribuindo valores
iguais a zero s variveis de deciso. Para um problema que ser reotimizado, a soluo inicial pode ser a soluo
tima do problema preliminar.

Passo 2: Teste de otimalidade e infactibilidade.


Para que o mtodo dual Simplex possa ser aplicado, devemos estar diante de uma soluo tima e infactvel. A
infactibilidade vericada quando pelo menos uma das variveis bsicas apresentar valores negativos.

Iterao: Determinar uma soluo bsica adjacente melhor enquanto estivermos diante de uma soluo
infactvel. Para isso, aplicar os seguintes passos:
1. Determinar a varivel bsica que sair da base (condio de factibilidade): aquela com maior valor
negativo. A linha da varivel escolhida a sair da base a linha piv (linha r).
2. Determinar a varivel no bsica que entrar na base (condio de otimalidade).
A escolha da varivel no bsica a entrar na base envolve quatro etapas:
a) Selecionar todos os coecientes aij negativos na linha piv (i = r).
b) Para cada coeciente negativo na linha piv (arj <0), selecionar o coeciente cj da varivel j na linha 0 da
funo objetivo z (varivel correspondente mesma coluna de arj).
c) Calcular o quociente entre o coeciente cj da varivel j na linha 0 e o coeciente da varivel j na linha piv
(arj), isto :

cj
: arj < 0, j = 1,..., n (4.51)
arj

d) A varivel j escolhida a entrar na base aquela que apresenta o menor quociente, em valor absoluto:
c j
min : arj < 0 (4.52)
arj
j

Se no tiver coeciente negativo na linha piv, no h soluo factvel.


3. Transformar a forma tabular atual utilizando o mtodo de eliminao de Gauss-Jordan e recalcular a
soluo bsica, analogamente ao mtodo primal Simplex.

O algoritmo naliza quando todas as variveis bsicas assumirem valores no negativos.

Conclui-se, portanto, que a anlise de sensibilidade e a teoria da dualidade so conceitos fundamentais


a serem empregados na interpretao e implementao de qualquer problema de programao linear.

225
Captulo 5

Programao em Redes

Entendo por razo, no a faculdade de raciocinar, que pode ser bem ou mal utilizada, mas o
encadeamento das verdades que s pode produzir verdades,
e uma verdade no pode ser contrria a outra.
Gottfried Wilhelm von Leibniz

Ao nal deste captulo, voc ser capaz de:


i Estudar a evoluo e as vantagens da aplicao de programao em redes.
i Entender a importncia da programao em redes para a tomada de deciso.
i Compreender a modelagem de problemas de programao em redes por meio de estruturas de grafo.
i Compreender que muitos problemas de programao em redes so casos particulares de programao
linear.
i Modelar problemas reais de programao em redes, incluindo o problema clssico de transporte, o
problema de transbordo, entre outros.
i Resolver o problema clssico de transporte por meio do algoritmo de transporte que uma simplicao
do mtodo Simplex.
i Resolver problemas de programao em redes pelo Solver do Excel.

5.1. Introduo
Um problema de programao em redes modelado por meio de uma estrutura de grafo ou rede
que consiste em diversos ns, em que cada n deve estar conectado a um ou mais arcos.
Os modelos em rede vm sendo bastante utilizados em diversas reas de negcios, como produo,
transporte, localizao de facilidades, gesto de projetos, nanas, entre outras. Muitos deles podem
ser formulados como problemas de programao linear e, portanto, podem ser resolvidos pelo mtodo
Simplex.
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A modelagem em redes facilita a visualizao e a compreenso das caractersticas do sistema. Dessa


forma, verses simplicadas do mtodo Simplex podem ser utilizadas para resolver problemas de PL em
redes. Alm disso, outros algoritmos mais ecientes e softwares vm sendo propostos e utilizados para
a soluo de modelos em redes.
Dentre os principais problemas de programao em redes, podemos citar o problema clssico de
transporte, o problema de transbordo, o problema de designao de tarefas, o problema do caminho mais
curto, o problema do uxo mximo, entre outros.
Cada um desses problemas listados ser estudado no presente captulo. Apresentaremos, inicialmente,
a modelagem matemtica de cada problema, bem como sua soluo por meio do Solver do Excel. No caso
do problema clssico de transporte, descreveremos tambm como resolv-lo pelo algoritmo de transporte
que uma simplicao do mtodo Simplex.

5.2. A Terminologia de Grafos e Redes


Um grafo denido a partir de um conjunto de ns ou vrtices e um conjunto de arcos ou
arestas interconectando esses ns. Os ns, desenhados como crculos ou pontos, podem representar
facilidades (como fbricas, centros de distribuio, terminais ou portos martimos), estaes de trabalho
ou intersees. Os arcos, ilustrados como segmentos de reta, fazem conexes entre pares de ns, podendo
representar caminhos, rotas, os, cabos, canais, entre outros.
A notao de um grafo G = (N, A), em que N um conjunto de ns e A um conjunto de arcos. A
Figura 5.1 mostra um exemplo de grafo com cinco ns e oito arcos.

Figura 5.1 Exemplo de um grafo.

A E

Muitas vezes, os arcos de um grafo que fazem conexes entre os ns esto associados a uma
varivel numrica chamada uxo que representa uma caracterstica mensurvel dessa ligao, como
distncia entre os ns, custo de transporte, tempo despendido, dimenso do o, quantidade de peas
transportadas, entre outras. Analogamente, os ns de um grafo podem estar associados a uma varivel
numrica chamada capacidade, podendo representar a capacidade de carga e descarga, suprimentos,
demanda, entre outras.
Um grafo cujos arcos e/ou ns esto associados varivel numrica uxo e/ou capacidade chamado
de rede. A Figura 5.2 mostra um exemplo de redes. Os ns representam as cidades e os uxos representam
as distncias (km) entre elas.

228
Captulo 5 I Programao em Redes

Figura 5.2 Exemplo de uma rede.

Por simplicidade, daqui em diante, no faremos mais a distino entre os termos grafo e rede, e
utilizaremos apenas a notao rede.
Os ns de uma rede podem ser subdivididos em trs tipos: a) ns de oferta ou fontes, que representam
entidades que produzem ou distribuem determinado produto; b) ns de demanda, que representam
entidades que consumem o produto; c) ns de transbordo, que so os pontos intermedirios entre os
ns de oferta e demanda e representam os pontos de passagem desses produtos.
Os arcos podem ter uma seta indicando a direo do arco. Quando o uxo entre os respectivos ns
ocorre em uma nica direo, indicada por uma seta, tem-se um arco direcionado. Quando o uxo
ocorre em ambas as direes, o mesmo chamado arco no direcionado. Em casos em que h uma
nica conexo entre os ns, porm, sem a seta indicando a direo do arco, presume-se que o arco no
direcionado. Cada um desses casos pode ser visualizado na Figura 5.3.

Figura 5.3 Diferenas entre arco direcionado e no direcionado.

Arco direcionado Arco no direcionado

A B A B

A B

Os arcos das Figuras 5.1 e 5.2 tambm so exemplos de arcos no direcionados. Assume-se, nesses
casos, que as distncias so simtricas.

229
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Quando todos os arcos da rede so direcionados, tem-se uma rede direcionada. Analogamente,
quando todos os arcos so no direcionados, diz-se que a rede no direcionada. A Figura 5.2 um
exemplo de rede no direcionada. J a Figura 5.4 refere-se a uma rede direcionada, cujos ns representam um
conjunto de atividades fsicas com as respectivas duraes (minutos) e os arcos direcionados representam
as relaes de precedncia entre as atividades.
Outras denies da teoria dos grafos, como caminho, caminho hamiltoniano, ciclo, rvore, rvore
geradora e rvore geradora mnima, sero apresentadas a seguir.
Hillier e Lieberman (2005) denem um caminho entre dois ns como a sequncia de diferentes arcos
conectando esses ns. Por exemplo, a sequncia de arcos AB BC CE (A o B o C o E) da Figura 5.1
considerada um caminho. Em uma rede direcionada, pode-se ter um caminho direcionado ou no
direcionado. Um caminho que tem uma nica direo chamado caminho direcionado. Por outro
lado, se pelo menos um arco do caminho tem sentido oposto aos demais, diz-se que o caminho no
direcionado. Por exemplo, o caminho AC CD DE (A o C o D o E) da Figura 5.4 considerado um
caminho direcionado, j que todos os arcos seguem a mesma direo. Por outro lado, o caminho AB BD
CD (A o B o D o C) da mesma gura considerado um caminho no direcionado, j que a direo do
arco CD contrria dos demais arcos.
O caminho hamiltoniano aquele que visita cada n uma nica vez. Por exemplo, o caminho AB
BC CE da Figura 5.1 tambm considerado um caminho hamiltoniano. Por outro lado, o caminho
AB BC CE ED DC (A o B o C o E o D o C) da mesma gura no um caminho hamiltoniano.
J um caminho que comea e naliza no mesmo n forma um ciclo. O caminho AB BC CE EA
(A o B o C o E o A) da Figura 5.1 um exemplo de ciclo. Em uma rede direcionada, pode-se ter um
ciclo direcionado ou no direcionado. Quando o caminho percorrido no ciclo direcionado, tem-se um
ciclo direcionado. Analogamente, um caminho no direcionado que comea e naliza no mesmo n
chamado ciclo no direcionado. Por exemplo, o ciclo AB BD DE EA (A o B o D o E o A) da
Figura 5.4 direcionado, enquanto o ciclo AB BC CA (A o B o C o A) da mesma gura um exemplo
de ciclo no direcionado.

Figura 5.4 Exemplo de uma rede direcionada.

35
Corrida B
25

40 D Hidroginstica

C
10
A Natao
E 15
Alongamento Ioga

Uma rede G = (N, A) no direcionada dita conexa quando existe um caminho entre qualquer par
de ns. A rede G possui a estrutura de uma rvore se a mesma conexa e acclica (sem ciclos). Ainda
dentro do conceito de rvore, arma-se que:
i Uma rvore com n ns contm n 1 arcos.
i Se um arco for adicionado rvore, forma-se um ciclo.
i Se um arco for eliminado da rvore, a rede deixa de ser conexa (em vez de uma nica rede conexa,
tm-se duas redes conexas).

230
Captulo 5 I Programao em Redes

A rede apresentada na Figura 5.5 um exemplo de rvore a partir da rede apresentada na Figura 5.1.

Figura 5.5 Exemplo de uma rvore.

Antes de denirmos o conceito de rvore geradora, deniremos o conceito de subgrafo. G = (N, A)


um subgrafo de G = (N, A) se o conjunto de ns de G um subconjunto do conjunto de ns de
G(N N), se o conjunto de arcos de G um subconjunto do conjunto de arcos de G (A A) e se G
um grafo. A partir da rede G = (N,A), uma rvore geradora, tambm chamada rvore de cobertura,
um subgrafo de G que tem a estrutura de uma rvore e contm todos os ns de G. A Figura 5.6 um
exemplo de rvore geradora a partir da rede desenhada na Figura 5.1.

Figura 5.6 Exemplo de uma rvore geradora.

B E

Uma rvore geradora mnima de G a rvore geradora com o menor custo.

5.3. Problema Clssico de Transporte


O problema clssico de transporte tem como objetivo determinar as quantidades de produtos a
serem transportadas a partir de um conjunto de fornecedores para um conjunto de consumidores, de
forma que o custo total de transporte seja minimizado. Cada fornecedor fabrica um nmero xo de
produtos, e cada consumidor tem uma demanda conhecida que ser atendida. O problema modelado a
partir de dois elos da cadeia de suprimentos, ou seja, no considera facilidades intermedirias (centros de
distribuio, terminal, porto martimo ou fbrica). A notao matemtica e a representao em redes do
problema clssico de transporte so apresentadas a seguir.
Considere um conjunto de m fornecedores que fornecem mercadorias para um conjunto de n
consumidores. A quantidade mxima a ser transportada a partir de determinado fornecedor i (i = 1,..., m)
corresponde sua capacidade de Cfi unidades. Por outro lado, a demanda de cada consumidor j (j = 1,..., n)
deve ser atendida, sendo representada por dj. O custo unitrio de transporte do fornecedor i para o
consumidor j representado por cij. O objetivo determinar as quantidades a serem transportadas do
fornecedor i para o consumidor j (xij), de modo a minimizar o custo total de transporte (z).
A Figura 5.7 apresenta a representao em redes do problema clssico de transporte.

231
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 5.7 Representao em redes do problema clssico de transporte.

5.3.1 Formulao Matemtica do Problema Clssico de Transporte


Os parmetros do modelo, as variveis de deciso e a formulao matemtica geral do problema
clssico de transporte esto especicadas a seguir.
Parmetros do modelo:
cij = custo unitrio de transporte do fornecedor i (i = 1,..., m) para o consumidor j (j = 1,..., n)
Cfi = capacidade de abastecimento do fornecedor i (i = 1,..., m)
dj = demanda do consumidor j (j = 1,..., n)
Variveis de deciso:
xij = quantidades transportadas do fornecedor i (i = 1,..., m) para o consumidor j (j = 1,..., n)
Formulao geral:
m n
min z = cij xij
i =1 j =1

sujeito a:
n

x ij Cfi , i = 1, 2,..., m
j =1 (5.1)
m

x
i =1
ij dj , j = 1, 2,..., n

xij 0, i = 1, 2,..., m , j = 1, 2,..., n

que corresponde a um problema de programao linear.


Dessa forma, o problema poderia ser resolvido pelo mtodo Simplex. Porm, a estrutura especial do
problema em redes permite a obteno de algoritmos de soluo mais ecientes, como o algoritmo de
transporte, que ser descrito na Seo 5.3.3.1.
Para que o problema (4.1) tenha soluo bsica factvel, a capacidade total de fornecimento deve ser maior
m n
ou igual demanda de todos os consumidores, isto , i =1
Cfi d .
j =1
j

232
Captulo 5 I Programao em Redes

Se a capacidade total de fornecimento exatamente igual demanda total consumida, isto ,


m n

i =1
Cfi = d
j =1
j (equao de balanceamento), o problema conhecido como problema de transporte

balanceado, podendo ser reescrito como:


m n
min z = cij xij
i =1 j =1

sujeito a:
n

x
j =1
ij = Cfi , i = 1, 2,..., m
(5.2)
m

x
i =1
ij = dj , j = 1, 2,..., n

xij 0, i = 1, 2,..., m , j = 1, 2,..., n

Podemos ter um terceiro caso em que a capacidade de fornecimento total menor que a demanda
m n
total consumida Cfi <
i =1
d j , de forma que a demanda total de alguns consumidores no ser

j =1
atendida. Por outro lado, os fornecedores utilizaro sua capacidade mxima. Esse caso pode ser formulado
matematicamente como:
m n
min z = cij xij
i =1 j =1

sujeito a:
n

xj =1
ij = Cfi , i = 1, 2,..., m

m (5.3)
xi =1
ij dj , j = 1, 2,..., n

xij 0 , i = 1, 2,..., m , j = 1, 2,..., n

Exemplo 5.1
A Karpet Ltda uma empresa fabricante de autopeas, cujas sedes esto localizadas em Osasco, Sorocaba
e So Sebastio. Seus clientes encontram-se em So Paulo, Rio de Janeiro e Curitiba, conforme apresenta
a Figura 5.8. Os custos unitrios de transporte de cada origem para cada destino, assim como a capacidade
de cada fornecedor e a demanda de cada cliente, encontram-se na Tabela 5.1. O objetivo atender a
demanda de cada consumidor nal, respeitando as capacidades de fornecimento, de forma a minimizar o
custo total de transporte. Modelar o problema de transporte.

233
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 5.8 Polos fornecedores e consumidores da Karpet Ltda.

Tabela 5.1 Dados de transporte da empresa Karpet Ltda.


Custo unitrio de transporte
Consumidor
Capacidade
So Paulo Rio de Janeiro Curitiba
Osasco 12 22 30 100
Fornecedor Sorocaba 18 24 32 140
So Sebastio 22 15 34 160
Demanda 120 130 150

Soluo

Como a capacidade total de fornecimento exatamente igual demanda total consumida, tem-se
um problema de transporte balanceado.
Primeiramente, denem-se as variveis de deciso do modelo:
xij = quantidade de peas transportadas do fornecedor i para o consumidor j, i = 1, 2, 3; j = 1, 2, 3.

Assim, tem-se que:


x11 = peas transportadas do fornecedor de Osasco para o consumidor de So Paulo.
x12 = peas transportadas do fornecedor de Osasco para o consumidor do Rio de Janeiro.
x13 = peas transportadas do fornecedor de Osasco para o consumidor de Curitiba.

x31 = peas transportadas do fornecedor de So Sebastio para o consumidor de So Paulo.


x32 = peas transportadas do fornecedor de So Sebastio para o consumidor do Rio de Janeiro.
x33 = peas transportadas do fornecedor de So Sebastio para o consumidor de Curitiba.

234
Captulo 5 I Programao em Redes

A funo objetivo busca minimizar o custo total de transporte:


min z = 12x11 + 22x12 + 30x13 + 18x21 + 24x22 + 32x23 + 22x31 + 15x32 + 34x33

As restries do modelo esto especicadas a seguir:


1. A capacidade de cada fornecedor ser utilizada para atender a demanda dos consumidores:
x11 + x12 + x13 = 100
x21 + x22 + x23 = 140
x31 + x32 + x33 = 160

2. A demanda de cada consumidor deve ser atendida:


x11 + x21 + x31 = 120
x12 + x22 + x32 = 130
x13 + x23 + x33 = 150

3. As variveis de deciso do modelo so no negativas:


xij t 0, i = 1, 2, 3; j = 1, 2, 3

A soluo tima, obtida pelo algoritmo de transporte (ver Seo 5.3.3.1) ou pelo Solver do Excel (Seo
5.3.3.2) x11 = 100, x12 = 0, x13 = 0, x21 = 20, x22 = 0, x23 = 120, x31 = 0, x32 = 130, x33 = 30 com z = 8.370.

5.3.2 Balanceando o Problema de Transporte Quando a Capacidade de Fornecimento


Total no Igual Demanda Total Consumida
Na prxima seo, apresentaremos vrios mtodos para resolver o problema clssico de transporte.
A maioria deles exige que o problema de transporte seja balanceado, de forma que um fornecedor ou
consumidor fantasma (dummy) deve ser adicionado quando a oferta total no igual demanda total.
Veremos a seguir cada um dos casos.

Caso 1. Fornecimento Total Maior do que Demanda Total


Considere um problema de transporte desbalanceado cuja capacidade total de fornecimento maior
que a demanda total consumida. Para restaurar o balanceamento, deve-se criar um consumidor fantasma
(dummy) que absorver o excesso ofertado. Assim, a demanda desse novo destino corresponder diferena
entre a oferta total e a demanda total consumida, indicando a capacidade de fornecimento no utilizada.
O custo unitrio de transporte de qualquer fornecedor para o consumidor fantasma criado ser nulo, j
que o mesmo no real. Dessa forma, garantimos uma soluo bsica factvel utilizando os procedimentos
de soluo apresentados nas Sees 5.3.3.1 e 5.3.3.2, j que a capacidade total de fornecimento passou a
ser exatamente igual demanda total.

Exemplo 5.2
A empresa Caramelos & Confetes atua no ramo doceiro desde 1990 e possui trs lojas localizadas na
Grande So Paulo. Seus principais clientes esto localizados na Capital Paulista, Baixada Santista e Vale
do Paraba, conforme mostra a Figura 5.9. A capacidade de produo das lojas, a demanda dos clientes e
os custos por unidade distribuda de cada loja para cada cliente esto ilustrados na Tabela 5.2. A m de
minimizar o custo total de transporte, a empresa quer determinar quanto distribuir de cada loja para os
respectivos consumidores, respeitando a capacidade de produo e garantindo que as demandas sero
atendidas. Formule o problema de transporte da empresa Caramelos & Confetes.

235
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 5.9 Lojas e clientes da empresa Caramelos & Confetes.

Loja 2 Loja 3
Loja 1

Consumidor
Vale do Paraba

Consumidor Consumidor
Baixada Santista Capital Paulista

Tabela 5.2 Dados de transporte da empresa Caramelos & Confetes


Custo unitrio de transporte
Consumidor
Capacidade
So Paulo Baixada Santista Vale do Paraba
Loja 1 8 12 10 50
Fornecedor Loja 2 4 10 6 100
Loja 3 6 15 12 40
Demanda 60 70 30

Soluo

Podemos vericar que o problema de transporte da empresa Caramelos & Confetes desbalanceado,
j que a capacidade total de fornecimento (190) maior que a demanda total consumida (160).

Soluo (a)

Uma maneira de representar o modelo matemtico da empresa Caramelos & Confetes pela frmula
(5.1) em que as restries so escritas na forma desigualdade. Nesse modelo, tm-se as seguintes variveis
de deciso:
xij = quantidade de doces transportados da loja i para o consumidor j, i = 1, 2, 3; j = 1, 2, 3.

Assim, tem-se que:


x11 = doces transportados da loja 1 para o consumidor de So Paulo (SP).
x12 = doces transportados da loja 1 para o consumidor da Baixada Santista (BS).
x13 = doces transportados da loja 1 para o consumidor do Vale do Paraba (VP).

x31 = doces transportados da loja 3 para o consumidor de So Paulo (SP).


x32 = doces transportados da loja 3 para o consumidor da Baixada Santista (BS).
x33 = doces transportados da loja 3 para o consumidor do Vale do Paraba (VP).

236
Captulo 5 I Programao em Redes

A funo objetivo busca minimizar o custo total de transporte:


min z = 8x11 + 12x12 + 10x13 + 4x21 + 10x22 + 6x23 + 6x31 + 15x32 + 12x33

As restries do modelo esto especicadas a seguir:


1. A capacidade de produo de cada loja deve ser respeitada:
x11 + x12 + x13 d 50
x21 + x22 + x23 d 100
x31 + x32 + x33 d 40

2. A demanda de cada consumidor deve ser atendida:


x11 + x21 + x31 t 60
x12 + x22 + x32 t 70
x13 + x23 + x33 t 30

3. As variveis de deciso do modelo so no negativas:


xij t 0, i = 1, 2, 3; j = 1, 2, 3

A soluo tima desse modelo, obtida pelo Solver do Excel (ver Seo 5.3.3.2), x11 = 0, x12 = 50,
x13 = 0, x21 = 50, x22 = 20, x23 = 30, x31 = 10, x32 = 0, x33 = 0 com z = 1.240.
Verica-se, por meio desse resultado, que a loja 3 no utilizou sua capacidade mxima de 40 unidades,
mas apenas 10 unidades.

Soluo (b)

Para que o algoritmo de transporte apresentado na Seo 5.3.3.1 possa ser aplicado, devemos estar
diante de um problema de transporte balanceado, de forma que a capacidade total de fornecimento seja
igual demanda total. Para restaurar o balanceamento do problema da empresa Caramelos & Confetes,
deve-se criar um consumidor fantasma (dummy) que absorver o excesso de oferta de 30 unidades. A
modelagem em redes do problema balanceado est ilustrada na Figura 5.10.

Figura 5.10 Modelagem em redes do problema da empresa Caramelos & Confetes balanceado.

237
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A formulao matemtica do problema da empresa Caramelos & Confetes balanceado descrita a


seguir. Como foi adicionado um novo consumidor, xij pode ser reescrita como:
xij = quantidade de doces transportados da loja i para o consumidor j, i = 1, 2, 3; j = 1, 2, 3, 4.

As novas variveis de deciso so:


x14 = doces transportados da loja 1 para o novo consumidor fantasma (dummy).
x24 = doces transportados da loja 2 para o novo consumidor fantasma (dummy).
x34 = doces transportados da loja 3 para o novo consumidor fantasma (dummy).

Como o custo unitrio de transporte de qualquer fornecedor para o novo consumidor nulo, a
funo objetivo no se altera:
min z = 8x11 + 12x12 + 10x13 + 4x21 + 10x22 + 6x23 + 6x31 + 15x32 + 12x33

As restries de capacidade de fornecimento e de demanda consumida so alteradas:


1. Restries de fornecimento das lojas:
x11 + x12 + x13 + x14 = 50
x21 + x22 + x23 + x24 = 100
x31 + x32 + x33 + x34 = 40

2. Restries de demanda:
x11 + x21 + x31 = 60
x12 + x22 + x32 = 70
x13 + x23 + x33 = 30
x14 + x24 + x34 = 30

3. Restries de no negatividade:
xij t 0, i = 1, 2, 3; j = 1, 2, 3, 4

Por meio da soluo (a), j sabemos que a capacidade no utilizada de 30 unidades advm apenas
da loja 3. Como o novo consumidor fantasma foi criado para absorver esse excesso de oferta, podemos
armar que x34 = 30.
Logo, a soluo tima do modelo balanceado x11 = 0, x12 = 50, x13 = 0, x14 = 0, x21 = 50, x22 = 20,
x23 = 30, x24 = 0, x31 = 10, x32 = 0, x33 = 0 e x34 = 30 com z = 1.240.

Caso 2. Capacidade Total de Fornecimento Menor do que Demanda Total Consumida


Considere um problema de transporte desbalanceado cuja capacidade total de fornecimento seja
menor que a demanda total consumida. Para restaurar o balanceamento, deve-se criar um fornecedor
fantasma (dummy) que atender a demanda remanescente. Assim, a quantidade ofertada a partir desse
novo fornecedor corresponder diferena entre a demanda total consumida e a capacidade total
de fornecimento, indicando a demanda no atendida. O custo unitrio de transporte do fornecedor
fantasma criado para qualquer consumidor ser nulo, j que o mesmo no real. Analogamente ao
Caso 1, a equao de balanceamento entre oferta e demanda garante que uma soluo bsica factvel
seja encontrada.

238
Captulo 5 I Programao em Redes

Exemplo 5.3
Considere o Exemplo 5.2 da empresa Caramelos & Confetes, porm, com capacidades de produo
das lojas e demanda dos clientes distintas, conforme mostra a Tabela 5.3. Formule o novo problema de
transporte da empresa Caramelos & Confetes.

Tabela 5.3 Novos dados de transporte da empresa Caramelos & Confetes


Custo unitrio de transporte
Consumidor
Capacidade
So Paulo Baixada Santista Vale do Paraba
Loja 1 8 12 10 60
Fornecedor Loja 2 4 10 6 40
Loja 3 6 15 12 50
Demanda 50 120 80

Soluo

Novamente, estamos diante de um problema de transporte desbalanceado, porm, desta vez, a


capacidade total de fornecimento (150) menor que a demanda total consumida (250).

Soluo (a)

Uma maneira de representar esse modelo pela frmula (5.3), em que os fornecedores utilizam sua
capacidade mxima, porm, a demanda total de alguns consumidores no atendida. As variveis de
deciso no se alteram em relao ao modelo desbalanceado apresentado no Exemplo 5.2:
xij = quantidade de doces transportados da loja i para o consumidor j, i = 1, 2, 3; j = 1, 2, 3.

O mesmo ocorre em relao funo objetivo:


min z = 8x11 + 12x12 + 10x13 + 4x21 + 10x22 + 6x23 + 6x31 + 15x32 + 12x33

As restries do Exemplo 5.3 esto especicadas a seguir.


1. Os fornecedores utilizaro sua capacidade mxima:
x11 + x12 + x13 = 60
x21 + x22 + x23 = 40
x31 + x32 + x33 = 50

2. A demanda total de cada consumidor pode no ser atendida:


x11 + x21 + x31 d 50
x12 + x22 + x32 d 120
x13 + x23 + x33 d 80

3. As variveis de deciso do modelo so no negativas:


xij t 0, i = 1, 2, 3; j = 1, 2, 3

A soluo tima desse modelo, obtida pelo Solver do Excel (ver Seo 3.3.2), x11 = 0, x12 = 20,
x13 = 40, x21 = 0, x22 = 0, x23 = 40, x31 = 50, x32 = 0, x33 = 0 com z = 1.180.
Verica-se, por meio desse resultado, que a demanda total de 120 unidades do consumidor da Baixada
Santista no foi atendida, apenas parte dela (20 unidades).

239
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Soluo (b)

Analogamente ao Exemplo 5.2, para que o algoritmo de transporte apresentado na Seo 5.3.3.1
possa ser aplicado, devemos estar diante de um problema de transporte balanceado. Para restaurar o
balanceamento, deve-se criar um fornecedor fantasma (dummy) que suprir a demanda no atendida de
100 unidades. A modelagem em redes desse novo problema balanceado est ilustrada na Figura 5.11.

Figura 5.11 Modelagem em redes do Exemplo 5.3 balanceado.

A formulao matemtica do Exemplo 5.3 balanceado descrita a seguir. Como foi adicionado um
novo fornecedor, xij pode ser reescrita como:
xij = quantidade de doces transportados da loja i para o consumidor j, i = 1, 2, 3, 4; j = 1, 2, 3.

As novas variveis de deciso so:


x41 = doces transportados da nova loja fantasma (dummy) para o consumidor 1
x42 = doces transportados da nova loja fantasma (dummy) para o consumidor 2
x43 = doces transportados da nova loja fantasma (dummy) para o consumidor 3

Como o custo unitrio de transporte do novo fornecedor para qualquer consumidor nulo, a funo
objetivo no se altera:
min z = 8x11 + 12x12 + 10x13 + 4x21 + 10x22 + 6x23 + 6x31 + 15x32 + 12x33

O modelo balanceado do Exemplo 5.3 apresenta as seguintes restries:


1. Restries de fornecimento das lojas:
x11 + x12 + x13 = 60
x21 + x22 + x23 = 40
x31 + x32 + x33 = 50
x41 + x42 + x43 = 100

2. Restries de demanda:
x11 + x21 + x31 + x41 = 50
x12 + x22 + x32 + x42 = 120
x13 + x23 + x33 + x43 = 80

240
Captulo 5 I Programao em Redes

3. Restries de no negatividade:
xij t 0, i = 1, 2, 3; j = 1, 2, 3, 4

Por meio da soluo (a) desse mesmo exemplo, j sabemos que a demanda no atendida de 100
unidades proveniente do consumidor da Baixada Santista. Como o novo fornecedor fantasma foi criado
para atender essa demanda remanescente, podemos armar que x42 = 100.
Logo, a soluo tima do modelo x11 = 0, x12 = 20, x13 = 40, x21 = 0, x22 = 0, x23 = 40, x31 = 50,
x32 = 0, x33 = 0, x41 = 0, x42 = 100, x43 = 0 com z = 1.180.

5.3.3 Soluo do Problema Clssico de Transporte


O problema clssico de transporte ser resolvido de duas formas. Primeiramente, por meio do
algoritmo de transporte, que uma simplicao do mtodo Simplex apresentado no Captulo 3. J na
Seo 5.3.3.2, apresentaremos a soluo do problema pelo Solver do Excel.

5.3.3.1 O Algoritmo de Transporte

A m de facilitar a resoluo do problema clssico de transporte por meio dos mtodos apresentados
nesta seo, o mesmo deve ser representado na forma tabular. A tabela 5.4 apresenta a forma tabular do
modelo geral de transporte balanceado expresso em (5.2).

Tabela 5.4 Forma tabular geral do problema de transporte balanceado

O algoritmo de transporte segue a mesma lgica do mtodo Simplex apresentado no Captulo 3, com
algumas simplicaes em funo das peculiaridades do problema de transporte. A Figura 5.12 apresenta
cada um dos passos do algoritmo de transporte.

241
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 5.12 Algoritmo de transporte


Incio: O problema deve estar balanceado (uxo total de entrada igual ao uxo total de sada) e representado na
forma tabular, conforme especicado na Tabela 5.4.

Passo 1. Encontrar uma soluo bsica factvel (SBF) inicial. Para isso, apresentaremos trs mtodos: mtodo do
canto noroeste, mtodo do custo mnimo e mtodo de aproximao de Vogel.

Passo 2. Teste de otimalidade.


Para vericar se a soluo encontrada tima, utiliza-se o mtodo dos multiplicadores, que baseado na teoria da
dualidade. Aplicar a condio de otimalidade do mtodo Simplex ao problema de transporte. Se a condio
satisfeita, o algoritmo naliza aqui. Caso contrrio, determina-se uma SBF adjacente melhor.

Iterao: Determinar uma SBF adjacente melhor.


Para encontrar uma nova soluo bsica factvel, trs passos devem ser tomados:
1. Determinar a varivel no bsica que entrar na base, utilizando o mtodo dos multiplicadores.
2. Escolher a varivel bsica que passar para o conjunto de variveis no bsicas utilizando a condio de
factibilidade do mtodo Simplex.
3. Recalcular a nova soluo bsica.

As operaes elementares utilizadas no mtodo Simplex para recalcular os valores da nova soluo
bsica adjacente no so necessrias, j que a nova soluo pode ser obtida facilmente a partir da forma
tabular do problema de transporte.
Cada um dos passos do algoritmo de transporte apresentado no Figura 5.12 ser detalhado e
posteriormente aplicado para a resoluo do problema de transporte da empresa Karpet Ltda (Exemplo 5.1).

Exemplo 5.4
Represente o problema de transporte da empresa Karpet Ltda (Exemplo 5.1) na forma tabular expressa
na Tabela 5.4.

Soluo

A partir dos dados do problema de transporte balanceado da empresa Karpet Ltda. apresentados na
Tabela 5.1, pode-se obter facilmente sua forma tabular, conforme mostra a Tabela 5.5.

Tabela 5.5 Representao do problema de transporte balanceado da empresa Karpet Ltda. na forma tabular.

242
Captulo 5 I Programao em Redes

Passo 1: Determinao da Soluo Bsica Factvel Inicial

O problema clssico de transporte considera um conjunto de m fornecedores e n consumidores.


A partir de (5.2), vericou-se que o problema de transporte balanceado contm m + n restries de
igualdade. Como no problema de transporte balanceado o uxo total de entrada igual ao uxo total de
sada, podemos armar que uma dessas restries redundante, de forma que o modelo contm m + n 1
equaes independentes e, consequentemente, m + n 1 variveis bsicas.
Para o problema de transporte da empresa Karpet Ltda, em que m = 3 e n = 3, tem-se, portanto,
cinco variveis bsicas.
Veremos, primeiramente, como encontrar uma SBF inicial pelo mtodo do canto noroeste, seguido
pelo mtodo do custo mnimo, alm do mtodo de aproximao de Vogel.

Mtodo do Canto Noroeste

O mtodo do canto noroeste segue os seguintes passos:


Incio: Representar o problema de transporte na forma tabular inicial (ver Tabela 5.4). Nesse
mtodo, os custos de transporte no precisam estar especicados, j que os mesmos no so utilizados
no algoritmo.
Passo 1: Selecione a clula localizada no canto superior esquerdo (noroeste), dentre as clulas ainda
no alocadas no Passo 2 e as clulas ainda no bloqueadas no Passo 3. Logo, x11 ser sempre a primeira
varivel selecionada.
Passo 2: Aloque a maior quantidade possvel de produto a essa clula, de forma que a soma das clulas
correspondentes na mesma linha e na mesma coluna no ultrapasse a capacidade de fornecimento total
e de demanda total, respectivamente.
Passo 3: A partir da clula selecionada no passo anterior, bloqueie (indicando com um x) as clulas
correspondentes mesma linha ou coluna que atingiu o limite mximo de fornecimento ou demanda,
respectivamente, j que nenhum outro valor diferente de zero poder ser atribudo a essas clulas. No
caso de utilizao do limite mximo, tanto na linha como na coluna, bloqueie apenas uma delas. Essa
condio garante que haver variveis bsicas com valores nulos. O algoritmo naliza quando todas as
clulas foram alocadas ou bloqueadas. Caso contrrio, volte para o Passo 1.

Exemplo 5.5
Aplicar o mtodo do canto noroeste ao problema da empresa Karpet Ltda para obteno de uma SBF
inicial.

Soluo

A forma tabular inicial do problema da empresa Karpet Ltda, para aplicao do mtodo do canto
noroeste, est representada na Tabela 5.6, que semelhante Tabela 5.5, porm sem os custos unitrios
de transporte.

243
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 5.6 Forma tabular inicial do problema da empresa Karpet Ltda para o mtodo do canto noroeste

Consumidor
1 2 3 Capacidade

1 100

Fornecedor 2 140

3 160

Demanda 120 130 150

Os trs passos da primeira rodada esto descritos a seguir e representados na Tabela 5.7.
Passo 1: Selecione a clula x11, localizada no canto superior esquerdo (noroeste).
Passo 2: Verica-se, por meio da Tabela 5.6, que a capacidade total do fornecedor 1 (Osasco) 100. J
a demanda do consumidor 1 (So Paulo) 120, de forma que o valor mximo a ser alocado nessa clula
o mnimo entre esses dois valores.
Passo 3: O limite mximo de capacidade do fornecedor 1 foi atingido, de forma que as clulas
correspondentes mesma linha (x12 e x13) devem ser bloqueadas.

Tabea 5.7 Os trs passos da primeira rodada

A mesma lgica aplicada para a segunda rodada.


Passo 1: Dentre as clulas restantes, selecionar a localizada no canto noroeste (x21).
Passo 2: Fixando a coluna 1 referente ao consumidor de So Paulo, a quantidade mxima que pode
ser alocada na clula x21 20, pois a soma das quantidades alocadas s clulas dessa coluna no pode
ultrapassar a demanda de 120 unidades desse consumidor. Fixando a linha 2, pode-se alocar at 140
unidades nessa mesma clula. Logo, x21 = min {20, 140} = 20.
Passo 3: A clula x31 deve ser bloqueada, j que o limite mximo de demanda da coluna 1 foi
atingido.

244
Captulo 5 I Programao em Redes

Tabela 5.8 Resultado da segunda rodada

Consumidor
1 2 3 Capacidade

1 100 x x 100

Fornecedor 2 20 140

3 x 160

Demanda 120 130 150

Para a terceira rodada, tm-se os seguintes passos:


Passo 1: Dentre as clulas restantes, selecionar a localizada no canto noroeste (x22).
Passo 2: Fixando a linha 2 referente ao fornecedor de Sorocaba, a quantidade mxima que pode ser
alocada em x22 120, j que a soma das quantidades alocadas a todas as clulas dessa mesma linha no
pode ultrapassar a capacidade de 140 unidades desse fornecedor. Fixando a coluna 2, pode-se alocar at
130 unidades nessa mesma clula. Logo, x22 = min {120, 130} = 120.
Passo 3: A clula x23 deve ser bloqueada, j que o limite mximo de capacidade da linha 2 foi
atingido.

Tabela 5.9 Resultado da terceira rodada

Consumidor
1 2 3 Capacidade

1 100 x x 100

Fornecedor 2 20 120 x 140

3 x 160

Demanda 120 130 150

Nas duas ltimas rodadas, o passo 3 no ser aplicado, j que as demais clulas pertencentes
linha ou coluna que atingiu a capacidade ou demanda mxima, respectivamente, j foram bloqueadas
nas rodadas anteriores. No caso da penltima rodada, seleciona-se a clula x32 e aloca-se mesma
a quantidade mxima possvel de 10 unidades. Finalmente, na ltima rodada, aloca-se clula x33
a quantidade restante de 150 unidades. A SBF inicial do mtodo do canto noroeste est listada na
Tabela 5.10.

245
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 5.10 Resultado final do mtodo do canto noroeste

A soluo bsica , portanto: x11 = 100, x21 = 20, x22 = 120, x32 = 10 e x33 = 150 com z = 9.690.
Variveis no bsicas: x12 = 0, x13 = 0, x23 = 0 e x31 = 0.

Mtodo do Custo Mnimo

O mtodo do custo mnimo uma adaptao do mtodo do canto noroeste, em que, em vez de
selecionar a clula mais prxima do canto noroeste, seleciona-se aquela com menor custo. O algoritmo
completo do custo mnimo est detalhado a seguir.
Incio: Representar o problema de transporte na forma tabular inicial da Tabela 5.4.
Passo 1: Selecione a clula com menor custo possvel, dentre as clulas ainda no alocadas no Passo 2
e as clulas ainda no bloqueadas no Passo 3.
Passo 2: Aloque a maior quantidade possvel de produto a essa clula, de forma que a soma das clulas
correspondentes na mesma linha e na mesma coluna no ultrapasse a capacidade de fornecimento total
e de demanda total, respectivamente.
Passo 3: A partir da clula selecionada no passo anterior, bloqueie (indicando com um x) as clulas
correspondentes mesma linha ou coluna que atingiu o limite mximo de fornecimento ou demanda,
respectivamente. Analogamente ao mtodo do canto do noroeste, no caso de utilizao do limite mximo,
tanto na linha como na coluna, bloqueie apenas uma delas. O algoritmo naliza quando todas as clulas
foram alocadas ou bloqueadas. Caso contrrio, volte para o Passo 1.

Exemplo 5.6
Aplicar o mtodo do custo mnimo ao problema da empresa Karpet Ltda para obteno de uma SBF inicial.

Soluo

Considere o problema de transporte balanceado da empresa Karpet Ltda na forma tabular inicial
(Tabela 5.5). Os trs passos da primeira rodada esto descritos a seguir e representados na Tabela 5.11.
Passo 1: Selecione a clula x11, que aquela com menor custo.
Passo 2: Analogamente ao mtodo do canto noroeste, a maior quantidade possvel a ser alocada nessa
clula 100 = min {100, 120}.
Passo 3: O limite mximo de capacidade do fornecedor 1 j foi atingido, de forma que as clulas
correspondentes mesma linha (x12 e x13) devem ser bloqueadas.

246
Captulo 5 I Programao em Redes

Tabela 5.11 Os trs passos da primeira rodada

Consumidor
1 2 3 Capacidade
12 22 30
1 100 x x 100

18 24 32
Fornecedor 2 140

22 15 34
3 160

Demanda 120 130 150

A mesma lgica aplicada para a segunda rodada, e o resultado apresentado na Tabela 5.12.
Passo 1: Dentre as clulas restantes, selecionar aquela com menor custo unitrio (x32).
Passo 2: A quantidade mxima que pode ser alocada nessa clula 130 = min {130, 160}.
Passo 3: A clula x22 deve ser bloqueada, j que o limite mximo de demanda da coluna 2 foi
atingido.

Tabela 5.12 Resultado da segunda rodada

Consumidor
1 2 3 Capacidade
12 22 30
1 100 x x 100

18 24 32
Fornecedor 2 x 140

22 15 34
3 130 160

Demanda 120 130 150

Para a terceira rodada, tm-se os seguintes passos:


Passo 1: Dentre as clulas restantes, selecionar aquela com menor custo (x21).
Passo 2: Fixando a linha 2 referente ao fornecedor de Sorocaba, pode-se alocar at 140 unidades em
x21. Porm, xando a coluna 1 referente ao consumidor de So Paulo, o limite mximo de 20 unidades, j
que a soma das quantidades alocadas a todas as clulas dessa coluna no pode ultrapassar a demanda de
120 unidades desse consumidor. Logo, x21 = min {20, 140} = 20.
Passo 3: A clula x31 deve ser bloqueada, j que o limite mximo da coluna 1 foi atingido.

247
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 5.13 Resultado da terceira rodada

Consumidor
1 2 3 Capacidade
12 22 30
1 100 x x 100

18 24 32
Fornecedor 2 20 x 140

22 15 34
3 x 130 160

Demanda 120 130 150

Analogamente ao mtodo do canto noroeste, nas duas ltimas rodadas, o Passo 3 no aplicado, j que
as clulas pertencentes linha ou coluna que atingiu a capacidade ou demanda mxima, respectivamente,
j foram bloqueadas. Na penltima rodada, seleciona-se a clula x23 e aloca-se mesma a quantidade de
120 unidades. Finalmente, na ltima rodada, alocam-se 30 unidades restantes clula x33. A SBF inicial do
mtodo do custo mnimo est representada na Tabela 5.14.

Tabela 5.14 Resultado do mtodo do custo mnimo

Consumidor
1 2 3 Capacidade
12 22 30
1 100 0 0 100

18 24 32
Fornecedor 2 20 0 120 140

22 15 34
3 0 130 30 160

Demanda 120 130 150

A soluo bsica , portanto: x11 = 100, x21 = 20, x23 = 120, x32 = 130 e x33 = 30 com z = 8.370.
Variveis no bsicas: x12 = 0, x13 = 0, x22 = 0 e x31 = 0.

Mtodo de Aproximao de Vogel

Segundo Taha (2007), o mtodo de aproximao de Vogel uma verso melhorada do mtodo do
custo mnimo que leva, geralmente, a melhores solues iniciais. Os passos detalhados do algoritmo esto
descritos a seguir.
Incio: Representar o problema de transporte na forma tabular inicial da Tabela 5.4.
Passo 1: Para cada linha (e coluna), calcule a penalidade que corresponde diferena entre os dois
menores custos unitrios de transporte na respectiva linha (e coluna). A penalidade para uma linha
(coluna) calculada enquanto houver pelo menos duas clulas ainda no alocadas e no bloqueadas na
mesma linha (coluna).
Passo 2: Escolha a linha ou coluna com maior penalidade. Em caso de empate, escolha qualquer uma
delas, aleatoriamente. Na linha ou coluna selecionada, escolha a clula com menor custo.

248
Captulo 5 I Programao em Redes

Passo 3: Assim como no mtodo do canto noroeste e do custo mnimo, aloque a maior quantidade
possvel de produto a essa clula, de forma que a soma das clulas correspondentes na mesma
linha e na mesma coluna no ultrapasse a capacidade de fornecimento total e de demanda total,
respectivamente.
Passo 4: Analogamente ao mtodo do canto do noroeste e do custo mnimo, a partir da clula
selecionada no Passo anterior, bloqueie (indicando com um x) as clulas correspondentes mesma
linha ou coluna que atingiu o limite mximo de fornecimento ou demanda, respectivamente. No caso
de utilizao do limite mximo, tanto na linha como na coluna, bloqueie apenas uma delas. Enquanto
restar mais de uma clula no alocada e no bloqueada, volte para o Passo 1. Caso contrrio, v para o
Passo 5.
Passo 5: Aloque a essa ltima clula a capacidade ou demanda remanescente.

Exemplo 5.7
Aplicar o mtodo de aproximao de Vogel ao problema da empresa Karpet Ltda para obteno de uma
SBF inicial.

Soluo

Todos os passos da primeira rodada esto representados na Tabela 5.15. Primeiramente, foram
calculadas as penalidades para cada linha e coluna. Verica-se que a maior penalidade ocorreu na linha 1.
Seleciona-se a clula x11, que aquela com menor custo na linha 1. O prximo passo consiste em alocar
a maior quantidade possvel de produto a essa clula, que 100 = min {100, 120}. As demais clulas
da linha 1 so bloqueadas, j que o limite de capacidade desse fornecedor foi atingido. O resultado da
primeira rodada est destacado em cinza.

Tabela 5.15 Primeira rodada do mtodo de aproximao de Vogel

O mesmo processo repetido para a segunda rodada (ver Tabela 5.16). Primeiramente, calculam-
se as novas penalidades para cada coluna e para as linhas 2 e 3. A maior penalidade, dessa vez, est na
coluna 2. Seleciona-se a clula x32, que aquela com menor custo na coluna 2, e aloca-se mesma a maior
quantidade possvel de produto, que 130 = min {130, 160}. A clula x22 tambm bloqueada, j que a
demanda total do consumidor 2 foi atendida. As novas clulas alocadas e bloqueadas na segunda rodada
esto destacadas em cinza.

249
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 5.16 Segunda rodada do mtodo de aproximao de Vogel

Na terceira rodada (ver Tabela 5.17), primeiramente calculam-se as novas penalidades para as
linhas 2 e 3 e para as colunas 1 e 3. Verica-se que a maior penalidade est na linha 2. Dentre as clulas
remanescentes, a clula com menor custo na linha 2 x21. Fixando a coluna 1, a quantidade mxima que
pode ser alocada em x21 20, j que a soma das quantidades alocadas a todas as clulas dessa mesma
coluna no pode ultrapassar a demanda de 120 unidades desse consumidor. Fixando a linha 2, pode-se
alocar at 140 unidades nessa mesma clula. Logo, x21 = min {20, 140} = 20. A clula x31 ca bloqueada,
j que a demanda total do consumidor 1 foi atendida. O resultado da terceira rodada est destacado em
cinza.

Tabela 5.17 Terceira rodada do mtodo de aproximao de Vogel

Resta, agora, apenas o clculo da penalidade da coluna 3. Escolhe-se a clula com menor custo nessa
coluna, que x23, e alocam-se mesma 120 unidades. Finalmente, alocam-se 30 unidades ltima clula
x33. A SBF inicial do mtodo de aproximao de Vogel est ilustrada na Tabela 5.18.

250
Captulo 5 I Programao em Redes

Tabela 5.18 Soluo bsica factvel inicial obtida pelo mtodo de aproximao de Vogel

Consumidor
1 2 3 Capacidade
12 22 30
1 100
100 0 0
18 24 32
Fornecedor 2 140
20 0 120
22 15 34
3 160
0 130 30

Demanda 120 130 150

A soluo bsica , portanto: x11 = 100, x21 = 20, x23 = 120, x32 = 130 e x33 = 30 com z = 8.370. Repare
que essa soluo a mesma daquela obtida pelo mtodo do custo mnimo.

Passo 2: Teste de otimalidade


Para vericar se a soluo encontrada tima, utiliza-se o mtodo dos multiplicadores, que
baseado na teoria da dualidade. Assim, associam-se a cada linha i e a cada coluna j os multiplicadores ui
e vj, respectivamente. Os coecientes da funo objetivo (custos reduzidos) da varivel xij ( cij ) so dados
pela seguinte frmula:

cij = ui + v j cij
(5.4)

Como os custos reduzidos das variveis bsicas so nulos, a frmula (5.4) resume-se a:

ui + vj = cij, para cada varivel bsica xij (5.5)

Como o modelo contm m + n 1 equaes independentes e, consequentemente, m + n 1 variveis


bsicas, para resolver o sistema de equaes (5.5) com m + n incgnitas deve-se atribuir, arbitrariamente,
o valor zero a um dos multiplicadores, por exemplo, u1 = 0.
Calculados os multiplicadores, pode-se determinar os custos reduzidos das variveis no bsicas por
meio da frmula (4). Para o problema de transporte (problema de minimizao), a soluo atual tima se,
e somente se, os custos reduzidos de todas as variveis no bsicas forem no positivos:

ui + vj - cij d 0, para cada varivel no bsica xij (5.6)

Enquanto existir pelo menos uma varivel no bsica com custo reduzido positivo, h uma soluo
bsica factvel (SBF) adjacente melhor.

Iterao: Determinar uma SBF adjacente melhor


Para encontrar uma nova soluo bsica factvel, trs passos devem ser tomados:
1. Determinar a varivel no bsica que entrar na base, utilizando o mtodo dos multiplicadores.
A varivel no bsica xij selecionada aquela com maior custo reduzido (maior valor de ui + vj cij).
2. Escolher a varivel bsica que sair da base (ver explicao adiante).
3. Recalcular a nova soluo bsica. Diferentemente do mtodo Simplex, esse clculo pode ser feito
diretamente na forma tabular do problema de transporte.

251
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A escolha da varivel que sai da base e o clculo da nova soluo bsica podem ser obtidos por meio da
construo de um ciclo fechado que inicia e naliza na varivel no bsica escolhida para entrar na base (Passo
1). O ciclo consiste em uma sequncia de segmentos horizontais e verticais conectados entre si (movimentos
na diagonal no so permitidos), em que cada esquina est associada a uma varivel bsica, com exceo da
varivel no bsica selecionada. Existe somente um ciclo fechado que pode ser construdo nessas condies.
Construdo o ciclo fechado, o passo seguinte consiste em determinar a varivel que sair da base.
Assim, dentre as esquinas vizinhas varivel no bsica xij (horizontal ou verticalmente), escolhe-se
a varivel bsica com menor valor, j que as restries de capacidade do fornecedor i e de demanda do
consumidor j devem ser respeitadas. Em caso de empate, escolhe-se uma delas, aleatoriamente.
Finalmente, recalcula-se a nova soluo bsica. Primeiramente, atribui-se o valor correspondente
varivel bsica escolhida para sair da base nova varivel bsica xij. A varivel que sai da base assume, portanto,
o valor zero. Os novos valores das variveis bsicas do ciclo fechado tambm devem ser recalculados, de
forma que as capacidades de fornecimento e as demandas requeridas continuem sendo satisfeitas.

Exemplo 5.8
A partir da soluo bsica inicial obtida pelo mtodo do canto noroeste para o problema da empresa
Karpet Ltda (Exemplo 5.5), determine a soluo tima utilizando o algoritmo de transporte.

Soluo

Cada um dos passos do algoritmo de transporte ser aplicado para determinar a soluo tima do
problema estudado. Utilizaremos como SBF inicial aquela obtida pelo mtodo do canto noroeste.

Passo 1: SBF Inicial obtida pelo mtodo do canto noroeste

A soluo inicial do mtodo do canto noroeste obtida no Exemplo 5.5, incluindo os custos unitrios
de transporte de cada clula, est representada na Tabela 5.19.

Tabela 5.19 SBF inicial do mtodo do canto noroeste, incluindo os custos unitrios de transporte

Consumidor
1 2 3 Capacidade
12 22 30
1 100
100 0 0
18 24 32
Fornecedor 2 140
20 120 0
22 15 34
3 160
0 10 150

Demanda 120 130 150

Passo 2: Teste de otimalidade.

Para cada varivel bsica xij, descrever a equao ui + vj = cij (5.5):


para x11: u1 + v1 = 12
para x21: u2 + v1 = 18
para x22: u2 + v2 = 24
para x32: u3 + v2 = 15
para x33: u3 + v3 = 34

252
Captulo 5 I Programao em Redes

Fazendo u1 = 0, obtm-se os seguintes resultados:


v1 = 12, u2 = 6, v2 = 18, u3 = 3 e v3 = 37

A partir desses multiplicadores, determinam-se os custos reduzidos das variveis no bsicas por meio da
frmula (5.4):

c12 = u1 + v2 c12 = 0 + 18 22 = 4
c13 = u1 + v3 c13 = 0 + 37 30 = 7
c23 = u2 + v3 c23 = 6 + 37 32 = 11
c31 = u3 + v1 c31 = 3 + 12 22 = 13

Como os custos reduzidos das variveis no bsicas x13 e x23 so positivos, h uma soluo bsica
factvel (SBF) adjacente melhor. A varivel no bsica que vai entrar na base x23, pois tem o maior custo
reduzido.

Iterao: Determinar uma SBF adjacente melhor.

Um ciclo fechado deve ser construdo para determinar a varivel que sair da base e para calcular a
nova soluo bsica. Esse ciclo fechado deve satisfazer as seguintes condies: (a) iniciar e nalizar em
x23; (b) ser formado por uma sequncia de segmentos horizontais e verticais conectados entre si; (c) cada
esquina deve estar associada a uma varivel bsica, com exceo da varivel x23. A Tabela 5.20 apresenta o
ciclo fechado que satisfaz essas condies.

Tabela 5.20 Construo do ciclo fechado na primeira iterao

Consumidor
1 2 3 Capacidade
12 22 30
1 100
100 0 0
18 24 32
Fornecedor 2 0 140
20 120
22 15 34
3 160
0 10 150

Demanda 120 130 150

Construdo o ciclo fechado, o passo seguinte consiste em determinar a varivel que sair da base.
Assim, dentre as esquinas vizinhas varivel no bsica x23 (horizontal ou verticalmente), escolhe-se a
varivel bsica x22, que possui o menor valor (120 < 150), j que a restrio de capacidade do fornecedor
2 deve ser respeitada.
Finalmente, recalcula-se a nova soluo bsica. Primeiramente, atribui-se o valor de 120 da varivel
bsica de sada x22 nova varivel bsica x23. A varivel x22 que sai da base assume, portanto, o valor zero.
Para restaurar o balanceamento do ciclo fechado, calculam-se os novos valores das variveis bsicas x32 e
x33 (130 e 30, respectivamente). A Tabela 5.21 ilustra a nova SBF adjacente.

253
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Tabela 5.21 Soluo bsica adjacente obtida na primeira iterao

Consumidor
1 2 3 Capacidade
12 22 30
1 100
100 0 0
18 24 32
Fornecedor 2 140
20 0 120
22 15 34
3 160
0 130 30

Demanda 120 130 150

Passo 2: Teste de otimalidade.

Para cada varivel bsica xij, descrever a equao ui + vj = cij (5.5):


Para x11: u1 + v1 = 12
Para x21: u2 + v1 = 18
Para x23: u2 + v3 = 32
Para x32: u3 + v2 = 15
Para x33: u3 + v3 = 34

Fazendo u1 = 0, obtm-se os seguintes resultados:


v1 = 12, u2 = 6, v3 = 26, u3 = 8 e v2 = 7

A partir desses multiplicadores, determinam-se os custos reduzidos das variveis no bsicas por
meio da frmula (5.4):

c12 = u1 + v2 c12 = 0 + 7 22 = 15
c13 = u1 + v3 c13 = 0 + 26 30 = 4
c22 = u2 + v2 c22 = 6 + 7 24 = 11
c31 = u3 + v1 c31 = 8 + 12 22 = 2

Como os custos reduzidos de todas as variveis no bsicas so no positivos, a soluo atual


tima. A soluo tima , portanto:
Soluo bsica: x11 = 100, x21 = 20, x23 = 120, x32 = 130 e x33 = 30 com z = 8.370.
Variveis no bsicas: x12 = 0, x13 = 0, x22 = 0 e x31 = 0.
Repare que essa soluo semelhante soluo inicial obtida pelos mtodos do custo mnimo e de
aproximao de Vogel.

5.3.3.2 Soluo do Problema de Transporte pelo Solver do Excel

Os Exemplos 5.1, 5.2 e 5.3 referentes ao problema clssico de transporte sero resolvidos nesta seo
pelo Solver do Excel.

254
Captulo 5 I Programao em Redes

Soluo do Problema da Empresa Karpet Ltda (Exemplo 5.1)

A Figura 5.13 ilustra a representao do problema de transporte da empresa Karpet Ltda em uma
planilha do Excel (ver arquivo Exemplo 5.1_Karpet.xls).

Figura 5.13 Representao em Excel do problema de transporte da empresa Karpet Ltda.

As frmulas utilizadas na Figura 5.13 esto especicadas no Quadro 5.1.

Quadro 5.1 Frmulas da Figura 5.13


Clula Frmula
E16 = SOMA(B16:D16)
E17 = SOMA(B17:D17)
E18 = SOMA(B18:D18)
B20 = SOMA(B16:B18)
C20 = SOMA(C16:C18)
D20 = SOMA(D16:D18)
G22 = SOMARPRODUTO(B7:D9;B16:D18)

Analogamente aos exemplos do Captulo 3, foram atribudos nomes s clulas e intervalos de clulas
da Figura 5.13 que sero referenciadas no Solver, a m de facilitar a compreenso do modelo. O Quadro
5.2 apresenta os nomes atribudos s respectivas clulas.

Quadro 5.2 Nomes atribudos s clulas da Figura 5.13


Nome Clulas
Quantidades_transportadas B16:D18
Quantidade_fornecida E16:E18
Capacidade G16:G18
Quantidade_entregue B20:D20
Demanda B22:D22
Custo_total G22

255
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A representao do problema da empresa Karpet Ltda na caixa de dilogo Parmetros do Solver


est ilustrada na Figura 5.14. Como foram atribudos nomes s clulas do modelo, a Figura 5.14 passa a
ser referenciada pelos respectivos nomes.

Figura 5.14 Parmetros do Solver referentes ao problema da empresa Karpet Ltda.

Na caixa de dilogo Opes do Solver, selecionar as opes Presumir modelo linear e Presumir
no negativos. A Figura 5.15 apresenta a soluo tima do problema de transporte da empresa Karpet
Ltda.

Figura 5.15 Soluo do problema de transporte da empresa Karpet Ltda (Exemplo 5.1) pelo Solver do Excel.

R$ 8.370,00

Soluo do Problema da Empresa Caramelos & Confetes (Exemplo 5.2)

A representao do problema de transporte da empresa Caramelos & Confetes em uma planilha do


Excel est na Figura 5.16 (ver arquivo Exemplo 5.2_Caramelos.xls).

256
Captulo 5 I Programao em Redes

Figura 5.16 Representao em Excel do problema de transporte da empresa Caramelos & Confetes (Exemplo 5.2).

Analogamente ao problema da empresa Karpet Ltda (Exemplo 5.1), esse problema tambm
considera trs fornecedores e trs consumidores. Repare que os custos unitrios de transporte, as
quantidades transportadas, fornecidas e entregues, alm da capacidade, da demanda e do custo total,
esto representados nas mesmas clulas da Figura 5.13. Assim, as frmulas e os nomes atribudos s
clulas da Figura 5.16 so semelhantes aos da Figura 5.13. Como no estamos diante de um problema
balanceado (nesse caso, a capacidade total de fornecimento maior que a demanda total), as restries
no podem ser descritas na forma de igualdade. As novas restries podem ser visualizadas na Figura
5.16 e na caixa de dilogo Parmetros do Solver, conforme mostra a Figura 5.17. Analogamente aos
modelos anteriores, presume-se a opo de que o modelo linear e que as variveis so no negativas.
A soluo tima do problema de transporte da empresa Caramelos & Confetes (Exemplo 5.2) est
ilustrada na Figura 5.18.

Figura 5.17 Caixa de dilogo Parmetros do Solver para o problema da empresa Caramelos & Confetes
(Exemplo 5.2).

257
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 5.18 Soluo tima do problema de transporte da empresa Caramelos & Confetes (Exemplo 5.2) pelo
Solver do Excel.

Soluo do Problema da Empresa Caramelos & Confetes Modificado (Exemplo 5.3)

O Exemplo 5.3 uma adaptao do exemplo anterior da empresa Caramelos & Confetes, em que
as capacidades de produo das lojas e a demanda dos clientes so alteradas, recaindo no caso 2, em que
a capacidade total de fornecimento menor que a demanda total consumida. Dessa forma, as restries
de fornecimento so representadas na forma de igualdade, j que toda a capacidade deve ser utilizada, e
as restries de demanda na forma de desigualdade (a demanda total de alguns consumidores no ser
atendida). Esse problema est representado em uma planilha do Excel, conforme mostra a Figura 5.19 (ver
arquivo Exemplo 5.3_Caramelos.xls).

Figura 5.19 Representao em Excel do Exemplo 5.3.

As novas restries podem ser visualizadas na Figura 5.36 e na caixa de dilogo Parmetros do
Solver, conforme mostra a Figura 5.20. Presume-se, novamente, a opo de que o modelo linear e que
as variveis de deciso so no negativas.

258
Captulo 5 I Programao em Redes

Figura 5.20 Caixa de dilogo Parmetros do Solver para o Exemplo 5.3.

A soluo tima do problema de transporte da empresa Caramelos & Confetes adaptado (Exemplo 5.3)
est ilustrada na Figura 5.21.

Figura 5.38 Soluo tima do Exemplo 5.3 pelo Solver do Excel.

. ,

5.4 Problema de Transbordo


O problema de transbordo (transshipment problem TSP) uma extenso do problema clssico de
transporte, em que, em vez de transportar os produtos diretamente a partir de vrias origens para vrios
destinos, consideram-se pontos intermedirios de transbordo (facilidades como centro de distribuio,
terminal, porto martimo ou fbrica) que podem conectar esses caminhos, com o objetivo de reduzir os
custos logsticos. O problema de transbordo modelado a partir de trs elos na cadeia de suprimentos, e
o processo de transporte ocorre em dois estgios: transporte dos pontos fornecedores para os pontos de
transbordo e transporte dos pontos de transbordo para os pontos de demanda. O objetivo do problema
de transbordo determinar o uxo de mercadorias a serem transportadas a partir de um conjunto de
origens para um conjunto de destinos via facilidades intermedirias, a m de minimizar o custo total

259
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

de transporte envolvido no sistema. A notao matemtica e a representao em redes do problema de


transbordo so apresentadas a seguir.
Considere um conjunto de m fornecedores que fornecem mercadorias para um conjunto de n
consumidores via facilidades intermedirias. A quantidade mxima a ser transportada a partir de
determinado fornecedor i (i = 1,..., m) corresponde sua capacidade de Cfi unidades. Por outro lado, a
demanda de cada consumidor j (j = 1,..., n) deve ser atendida, sendo representada por dj. Os pontos de
transbordo so representados pelo ndice k (k = 1,..., K). O custo unitrio de transporte do fornecedor i para
o consumidor j via ponto de transbordo k representado por cij,k. O objetivo determinar as quantidades
a serem transportadas do fornecedor i para o consumidor j, passando por um ponto de transbordo k (xij,k),
de modo a minimizar o custo total de transporte (z). A Figura 5.22 ilustra a representao em redes do
problema de transbordo.

Figura 5.22 Representao em redes do problema de transbordo.

Podemos perceber, pela Figura 5.22, que o custo unitrio de transporte do fornecedor i para o
consumidor j via ponto de transbordo k (cij k ) corresponde soma dos custos unitrios de transporte
do fornecedor i para o ponto de transbordo k (cik) e do ponto de transbordo k para o consumidor j (ckj):

cij, k = cik + ckj (5.7)

Analogamente, a quantidade transportada do fornecedor i para o consumidor j via ponto de


transbordo k (xij k) corresponde soma das quantidades transportadas do fornecedor i para o ponto de
transbordo k (xik) e do ponto de transbordo k para o consumidor j (xkj):

xij, k = xik + xkj (5.8)

260
Captulo 5 I Programao em Redes

5.4.1 Formulao Matemtica do Problema de Transbordo


Os parmetros do modelo, as variveis de deciso e a formulao matemtica geral do problema de
transbordo esto especicadas a seguir.
Parmetros do modelo:
cij,k = custo unitrio de transporte do fornecedor i para o consumidor j via ponto de transbordo k,
i = 1,..., m; j = 1,..., n; k = 1,..., K
Cfi = capacidade de abastecimento do fornecedor i, i = 1,..., m
dj = demanda do consumidor j, j = 1,..., n
Variveis de deciso:
xij,k = quantidade transportada do fornecedor i para o consumidor j via ponto de transbordo k,
i = 1,..., m; j = 1,..., n; k = 1,..., K.
Formulao geral:

m n
min z = cij ,k xij ,k
i =1 j =1

sujeito a
n

x
j =1
ij ,k Cfi , i = 1, 2,..., m (1)

x
i =1
ij ,k dj , j = 1, 2,..., n (2) (5.9)
m n

xik = xkj ,
i =1 j =1
k = 1, 2,..., K (3)

xij 0, i = 1, 2,..., m , j = 1, 2,..., n (4)

que corresponde a um problema de programao linear.


O objetivo , portanto, minimizar o custo total de transporte envolvido na rede logstica.
A restrio (1) do problema (9) arma que a capacidade total de cada fornecedor deve ser
respeitada. J a restrio (2) garante que a demanda de todos os consumidores ser satisfeita. A
restrio (3) de conservao dos uxos de entrada e sada, isto , toda a quantidade que chega ao
ponto de transbordo k sai do mesmo ponto. Finalmente, a restrio (4) impe que as variveis de
deciso xij,k so no negativas.
Analogamente ao problema clssico de transporte, para que o problema (9) tenha soluo bsica factvel,
a capacidade total de fornecimento deve ser maior ou igual demanda de todos os consumidores, isto ,
m n

Cf d . Se a capacidade total de fornecimento exatamente igual demanda total consumida, isto


i =1
i
j =1
j

m n
, Cf = d
i =1
i
j =1
j (equao de balanceamento), tem-se um problema de transbordo balanceado, podendo

ser reescrito como:

261
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

m n
min z = cij ,k xij ,k
i =1 j =1

sujeito a
n

x
j =1
ij ,k = Cfi , i = 1, 2,..., m (1)

m (5.10)
x
i =1
ij ,k = dj , j = 1, 2,..., n (2)
m n

xi =1
ik = xkj ,
j =1
k = 1, 2,..., K (3)

xij 0, i = 1, 2,..., m, j = 1, 2,..., n (4)

Se o parmetro cij,k e a varivel de deciso xij,k forem reescritos de acordo com as equaes (7) e (8), o
problema (10) passa a ser formulado como:

m K K n
min z = cik xik + ckj xkj
i =1 k=1 k=1 j =1

sujeito a
K

xk=1
ik = Cfi , i = 1, 2,..., m (1)
K

xk=1
kj = dj , j = 1, 2,..., n (2) (5.11)

m n

xik = xkj ,
i =1 j =1
k = 1, 2,..., K (3)

xij 0, i = 1, 2,..., m, j = 1, 2,..., n (4)

Exemplo 5.9
A companhia PetrusNortel atua no setor petroqumico e possui duas plantas. Uma delas responsvel
pela produo de polmeros e est localizada em Recife. A outra est localizada em Manaus, sendo
responsvel pela produo de resina. A m de reduzir os custos logsticos, os produtos sofrem uma etapa
de transbordo em um dos centros de distribuio, localizados em So Paulo e no Rio de Janeiro. A partir
dos centros de distribuio, os produtos so transportados para os clientes nais, localizados em Belo
Horizonte, Joinville e Porto Alegre, conforme mostra a Figura 5.23. A capacidade de produo das fbricas
de 500 unidades em Manaus e 300 em Recife. A demanda dos consumidores de Belo Horizonte, Joinville
e Porto Alegre de 200, 250 e 350, respectivamente. Os custos unitrios de transporte, das fbricas para
os pontos de transbordo e dos pontos de transbordo para os consumidores nais, esto representados nas
Tabelas 5.22 e 5.23, respectivamente. Formule o problema de transbordo.

262
Captulo 5 I Programao em Redes

Figura 5.23 O problema de transbordo da companhia PetrusNortel.

Tabela 5.22 Custos unitrios de transporte das fbricas para os centros de distribuio
So Paulo Rio de Janeiro
Manaus 8 10
Recife 7 6

Tabela 5.23 Custos unitrios de transporte dos centros de distribuio para os consumidores
Belo Horizonte Joinville Porto Alegre
So Paulo 2 3 4
Rio de Janeiro 1 4 5

Soluo

Como a capacidade total de fornecimento igual demanda total dos consumidores, estamos diante
de um problema de transbordo balanceado.
A representao em redes do problema de transbordo da companhia PetrusNortel pode ser visualizado
na Figura 5.24.

263
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 5.24 Representao em redes do problema de transbordo da companhia PetrusNortel.

Pode-se vericar pela Figura 5.24 que os ns 1 e 2 representam as plantas de Manaus e Recife,
respectivamente, os ns 3 e 4 representam os pontos de transbordo ou centros de distribuio (CDs) de
So Paulo e Rio de Janeiro, respectivamente, e os ns 5, 6 e 7 representam os clientes de Belo Horizonte,
Joinville e Porto Alegre, respectivamente.
Utilizaremos diretamente a formulao matemtica descrita em (11). Primeiramente, denem-se as
variveis de deciso do modelo:
xik = quantidade transportada da fbrica i para o ponto de transbordo k, i = 1, 2; k = 3, 4.
xkj = quantidade transportada do ponto de transbordo k para o consumidor j, k = 3, 4; j = 5, 6, 7.

Assim, tem-se que:


x13 = peas transportadas da fbrica de Manaus para o CD de So Paulo.
x14 = peas transportadas da fbrica de Manaus para o CD do Rio de Janeiro.
x23 = peas transportadas da fbrica de Recife para o CD de So Paulo.
x24 = peas transportadas da fbrica de Recife para o CD do Rio de Janeiro.
x35 = peas transportadas do CD de So Paulo para o consumidor de Belo Horizonte.
x36 = peas transportadas do CD de So Paulo para o consumidor de Joinville.
x37 = peas transportadas do CD de So Paulo para o consumidor de Porto Alegre.
x45 = peas transportadas do CD do Rio de Janeiro para o consumidor de Belo Horizonte.
x46 = peas transportadas do CD do Rio de Janeiro para o consumidor de Joinville.
x47 = peas transportadas do CD do Rio de Janeiro para o consumidor de Porto Alegre.

A funo objetivo busca minimizar o custo total de transporte:


min z = 8x13 + 10x14 + 7x23 + 6x24 + 2x35 + 3x36 + 4x37 + 1x45 + 4x46 + 5x47

As restries do modelo esto especicadas a seguir:


1. A capacidade de cada fbrica ser utilizada para atender a demanda dos consumidores via pontos de
transbordo:
x13 + x14 = 500 (Fbrica de Manaus)
x23 + x24 = 300 (Fbrica de Recife)

2. A demanda de cada consumidor ser atendida a partir dos pontos de transbordo:

264
Captulo 5 I Programao em Redes

x35 + x45 = 200 (Consumidor de Belo Horizonte)


x36 + x46 = 250 (Consumidor de Joinville)
x37 + x47 = 350 (Consumidor de Porto Alegre)

3. Restries de conservao dos uxos de entrada e sada da cada ponto de transbordo:


x13 + x23 = x35 + x36 + x37 (CD de So Paulo)
x14 + x24 = x45 + x46 + x47 (CD do Rio de Janeiro)

4. As variveis de deciso do modelo so no negativas:


xij t 0, i = 1, 2, 3; j = 1, 2, 3

5.4.2 Soluo do Problema de Transbordo pelo Solver do Excel


O Exemplo 5.9 referente ao problema de transbordo da companhia PetrusNortel ser resolvido nesta
seo pelo Solver do Excel.
A representao do problema em uma planilha do Excel est ilustrada na Figura 5.25 (ver arquivo Exemplo
5.9_PetrusNortel.xls). Do lado esquerdo est representada toda a movimentao das plantas at os pontos de
transbordo e do lado direito toda a movimentao dos pontos de transbordo at os consumidores nais.

Figura 5.25 Representao em Excel do problema de transbordo da companhia PetrusNortel.

As frmulas utilizadas na Figura 5.25 esto especicadas no Quadro 5.3.

Quadro 5.3 Frmulas da Figura 5.25


Clula Frmula
D15 =SOMA(B15:C15)
D16 =SOMA(B16:C16)
B18 =SOMA(B15:B16)
C18 =SOMA(C15:C16)
L15 =SOMA(I15:K15)
L16 =SOMA(I16:K16)
I18 =SOMA(I15:I16)
J18 =SOMA(J15:J16)
K18 =SOMA(K15:K16)
=SOMARPRODUTO(B7:C8;B15:C16)+
F22
=SOMARPRODUTO(I7:K8;I15:K16)

Os nomes atribudos s clulas e intervalos de clulas da Figura 5.25 que sero referenciadas no
Solver esto apresentados na Quadro 5.4.

265
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Quadro 5.4 Nomes atribudos s clulas da Figura 5.25


Nome Clulas
Custos_transporte_Planta_Transbordo B7:C8
Custos_transporte_Transbordo_Consumidor I7:K8
Total_transportado_Planta_Transbordo B15:C16
Total_transportado_Transbordo_Consumidor I15:K16
Total_fornecido D15:D16
Capacidade F15:F16
Total_entregue I18:K18
Demanda I20:K20
Entra_CD B18:C18
Sai_CD L15:L16
Custo_total F22

A representao do problema da companhia PetrusNortel na caixa de dilogo Parmetros do Solver


est ilustrada na Figura 5.26. Como foram atribudos nomes s clulas do modelo, a Figura 5.26 passa a ser
referenciada pelos respectivos nomes, com exceo das variveis de deciso cujos nomes (Total_transportado_
Planta_Transbordo e Total_Transportado_Transbordo_Consumidor) no cabem na opo clulas variveis.

Figura 5.26 Parmetros do Solver referentes ao problema da companhia PetrusNortel.

Na caixa de dilogo Opes do Solver, selecionar as opes Presumir modelo linear e Presumir no
negativos. A Figura 5.27 apresenta a soluo tima do problema de transbordo da companhia PetrusNortel.

Figura 5.27 Soluo do problema de transbordo da companhia PetrusNortel (Exemplo 5.9) pelo Solver do Excel.

. .

266
Captulo 5 I Programao em Redes

A soluo tima , portanto, x13 = 500, x14 = 0, x23 = 100, x24 = 200, x35 = 0, x36 = 250, x37 = 350,
x45 = 200, x46 = 0, x47 = 0 com z = 8.250.

5.5 Problema de Designao de Tarefas


O problema de designao de tarefas, tambm conhecido como problema de alocao ou atribuio,
consiste em designar um conjunto de tarefas a um conjunto de mquinas, de forma a minimizar o custo
total de designao. O problema de designao de tarefas pode ser modelado como um problema de
transportes, em que os fornecedores correspondem s tarefas, e as demandas correspondem s mquinas.
Como cada tarefa pode ser designada a apenas uma mquina, e cada mquina pode processar apenas
uma tarefa, se o problema de designao for modelado como um problema de transportes, a capacidade
de cada fornecedor e a demanda de cada cliente corresponder a 1. Alm disso, as variveis de deciso
do problema de designao passam a ser binrias. A notao matemtica e a representao em redes do
problema de designao de tarefas so apresentadas a seguir.
Considere um conjunto de m tarefas (i = 1,..., m) e um conjunto de m mquinas (j = 1,..., m). O custo
de designar uma tarefa i a uma mquina j cij. Cada tarefa i pode ser designada a apenas uma mquina j,
e cada mquina j pode processar apenas uma tarefa i. O problema consiste em designar as m tarefas s m
mquinas, de forma a minimizar o custo total de designao (z).
A Figura 5.28 apresenta a representao em redes do problema de designao de tarefas.

Figura 5.28 Modelagem em redes do problema de designao de tarefas como um problema de transporte.

5.5.1 Formulao Matemtica do Problema de Designao de Tarefas


Os parmetros do modelo, as variveis de deciso e a formulao matemtica geral do problema de
designao de tarefas esto especicadas a seguir.
Parmetros do modelo:
cij = custo de designar uma tarefa i a uma mquina j, i = 1,..., m; j = 1,..., m

267
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Variveis de deciso:

1, se a tarefa i designada mquina j


xij =
0 caso contrrio

Formulao geral:
m m
min z = cij xij
i =1 j =1

sujeito a:
m

x
j =1
ij = 1, i = 1, 2,..., m (1)
(5.12)
m

x
i =1
ij = 1, j = 1, 2,..., m (2)

xij = 0 ou 1, i = 1, 2,..., m, j = 1, 2,..., m (3)

que corresponde a um problema de programao binria, j que todas as variveis de deciso so


binrias.
A funo objetivo z busca minimizar o custo total de designao das tarefas i s mquinas j. A
primeira restrio de (5.12) garante que cada tarefa i ser designada a apenas uma mquina. A segunda
restrio de (5.12) garante que cada mquina j processar uma nica tarefa. Finalmente, a restrio (3)
arma que as variveis de deciso so binrias.
Por sorte, neste problema, a restrio de que as variveis so binrias pode ser relaxada ou eliminada,
j que a soluo tima do problema relaxado ainda satisfar essa condio. Assim, o problema pode
ser resolvido como um modelo de programao linear (xij t 0). Mais detalhes sobre relaxao linear e
programao binria podem ser encontrados no prximo captulo.

Exemplo 5.10
Uma indstria do setor de autopeas possui trs mquinas (M1, M2 e M3) e trs atividades que devem
ser completadas no processo de fabricao de bancos (acabamento, montagem e pintura). Cada atividade
pode ser designada a apenas uma mquina,e cada mquina pode processar apenas uma atividade. O
tempo de processamento de cada atividade em cada mquina est ilustrado na Tabela 5.24. Formule o
problema de designao que tem como objetivo minimizar o tempo total de processamento.

Tabela 5.24 Tempo de processamento de cada atividade em cada mquina


Tempo (horas)
Atividade M1 M2 M3
Acabamento 8 10 12
Montagem 15 13 12
Pintura 8 12 10

268
Captulo 5 I Programao em Redes

Soluo

Os parmetros do modelo so:

cij = tempo de processamento da tarefa i na mquina j, i = 1, 2, 3; j = 1, 2, 3

em que os ndices i correspondem a:


i = 1 (acabamento), i = 2 (montagem) e i = 3 (pintura)
e os ndices j:
j = 1 (M1), j = 2 (M2) e j = 3 (M3)
As variveis de deciso do modelo so:

1, se a tarefa i designada mquina j


xij =
0 caso contrrio

A funo objetivo busca minimizar o tempo total de processamento:


min z = 8x11 + 10x12 + 12x13 + 15x21 + 13x22 + 12x23 + 8x31 + 12x32 + 10x33
As restries do modelo esto especicadas a seguir:
1. Cada tarefa i pode ser designada a apenas uma mquina j:
x11 + x12 + x13 = 1 (Acabamento)
x21 + x22 + x23 = 1 (Montagem)
x31 + x32 + x33 = 1 (Pintura)

2. Cada mquina j pode processar apenas uma tarefa i:


x11 + x21 + x31 = 1 (Mquina 1)
x12 + x22 + x32 = 1 (Mquina 2)
x13 + x23 + x33 = 1 (Mquina 3)

3. As variveis de deciso xij so binrias:


xij = 0 ou 1; i = 1, 2, 3; j = 1, 2, 3
Como descrito anteriormente, no problema de designao de tarefas, a restrio de que as variveis
de deciso so binrias pode ser relaxada ou eliminada, j que a soluo tima do problema relaxado
corresponde soluo tima do modelo original. Assim, o problema pode ser resolvido como um modelo
de programao linear em que as variveis de deciso xij so no negativas (xij t 0).

5.5.2 Soluo do Problema de Designao de Tarefas pelo Solver do Excel


O Exemplo 5.10 referente ao problema de designao de tarefas ser resolvido nesta seo pelo Solver
do Excel.
A representao do problema em uma planilha do Excel est ilustrada na Figura 5.29 (ver arquivo
Exemplo 5.10_Designao.xls). Repare que essa representao semelhante ao do problema clssico de
transporte, com exceo das clulas G16:G18 e B22:D22, que so iguais a 1.

269
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Figura 5.29 Representao em Excel do problema de designao de tarefas.

As frmulas utilizadas na Figura 5.29 esto especicadas no Quadro 5.5 e so semelhantes s do


problema clssico de transporte.

Quadro 5.5 Frmulas utilizadas na Figura 5.29


Clula Frmula
E16 = SOMA(B16:D16)
E17 = SOMA(B17:D17)
E18 = SOMA(B18:D18)
B20 = SOMA(B16:B18)
C20 = SOMA(C16:C18)
D20 = SOMA(D16:D18)
G22 = SOMARPRODUTO(B7:D9;B16:D18)

Os nomes atribudos s clulas e intervalos de clulas da Figura 5.29 que sero referenciadas no
Solver esto apresentados no Quadro 5.6.

Quadro 5.6 Nomes atribudos s clulas da Figura 5.29


Nome Clulas
Tempos_processamento B7:D9
Designao B16:D18
Tarefa_mquinas E16:E18
Mquina_tarefas B20:D20
Tempo_total G22

A representao do problema de designao (Exemplo 5.10) na caixa de dilogo Parmetros do


Solver est ilustrada na Figura 5.30.

270
Captulo 5 I Programao em Redes

Figura 5.30 Parmetros do Solver referentes ao problema de designao (Exemplo 5.10).

Na caixa de dilogo Opes do Solver, selecionar as opes Presumir modelo linear e Presumir
no negativos. A Figura 5.31 apresenta a soluo tima do problema de designao (Exemplo 5.10).

Figura 5.31 Soluo tima do problema de designao (Exemplo 10) pelo Solver do Excel.

A soluo tima , portanto, x11 = 0, x12 = 1, x13 = 0, x21 = 0, x22 = 0, x23 = 1, x31 = 1, x32 = 0 e
x33 = 0 com z = 30.

5.6 Problema do Caminho mais Curto


O problema do caminho mais curto, tambm conhecido como problema do caminho mnimo,
busca encontrar o menor caminho entre dois ns de uma rede. Em vez de minimizar a distncia total
percorrida, pode-se minimizar tambm o custo total ou o tempo total de viagem.
O problema considera apenas um n de oferta que corresponde ao ponto de origem da rede e apenas um
n de demanda que corresponde ao ponto de destino da rede. A capacidade de fornecimento do n de oferta
e a demanda do n de destino da rede correspondem a uma unidade. J todos os outros ns intermedirios
ou de transbordo tero oferta e demanda iguais a zero. A notao matemtica apresentada a seguir.
Considere determinado n i I. Os ns de origem de i so representados pelo ndice k K e os ns
de destino de i so representados pelo ndice j J. O n de oferta da rede representado por O e o n de

271
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

demanda da rede representado por T, com capacidade e demanda de uma unidade, respectivamente.
Se o n i analisado corresponder ao n de oferta da rede, tem-se que i = O. Por outro lado, se o n i
corresponder ao n de demanda da rede, tem-se que i = T. A distncia entre os ns i e j representada
por cij. A m de encontrar o caminho mais curto entre os ns de oferta e demanda da rede, busca-se
determinar se o arco (i, j) est contido nesse caminho.

5.6.1 Formulao Matemtica do Problema do Caminho mais Curto


Os parmetros do modelo, as variveis de deciso e a formulao matemtica geral do problema do
caminho mais curto esto especicadas a seguir.
Parmetros do modelo:
cij = distncia do n i para o n j, i, j
Variveis de deciso:

1 se o arco (i , j ) estiver contido no caminho mais curto, i , j


xij =
0 caso contrrio

Formulao geral:

min z = cij xij


i j

sujeito a
1 se i = O

k xki j xij = 1 se i = T (1)
0 i O , T (5.13)

xij = 0 ou 1, i, j (2)

ou

min z = cij xij


i j

sujeito a
x j
ij = 1, se i = O (1)

x k
ki = 1, se i = T (2)
(5.14)
x x
k
ki
j
ij = 0, i O, T (3)

xij = 0 ou 1, i, j (4)

que corresponde a um problema de programao binria.


O objetivo do problema do caminho mais curto , portanto, determinar o menor caminho entre o n
de oferta e o n de demanda da rede, dentre os possveis caminhos. As trs primeiras restries de (5.14)
representam os uxos de entrada e sada de cada n i. Se o n i analisado for o n de oferta da rede (i = O), a

272
Captulo 5 I Programao em Redes

restrio x x
k
ki
j
ij = 1 de (5.13) resume-se a x j
ij = 1 , j que o uxo de entrada do n O zero e sua

capacidade de fornecimento de uma unidade. Se o n i analisado for o n de demanda da rede (i = T),

a restrio x x
k
ki
j
ij = 1 de (5.13) resume-se a x ki = 1 , j que o uxo de sada do n T zero e sua
k
demanda de uma unidade. Para todos os demais ns, o uxo de entrada menos o uxo de sada igual a

zero. Finalmente, a restrio (4) impe que as variveis de deciso so binrias.


Analogamente ao problema de designao de tarefas, por sorte, no problema do caminho mais curto,
a restrio de que as variveis de deciso so binrias tambm pode ser relaxada ou eliminada, j que a
soluo tima do problema relaxado ainda satisfar essa condio. Assim, o problema pode ser resolvido
como um modelo de programao linear (xij t 0).

Exemplo 5.11
Um fornecedor de alimentos localizado em Osasco entrega salgados e doces diariamente para uma padaria
localizada na regio da Vila Formosa, em So Paulo. Para isso, o motorista pode percorrer mais de um
caminho, passando por diferentes bairros em So Paulo. A Figura 5.32 apresenta os possveis caminhos
que o veculo pode percorrer, do n de oferta (Osasco) para o n de demanda (Vila Formosa), alm das
distncias em quilmetros entre os ns ou bairros. Formule o problema do caminho mais curto estudado.

Figura 5.32 Representao em redes do Exemplo 5.11.

273
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Soluo

Primeiramente, denem-se as variveis de deciso do modelo:

1 se a rota (i , j ) estiver contida no caminho mais curto, i , j


xij =
0 caso contrrio

Assim, tem-se que:


x12 = 1 se a rota (1, 2) est no caminho mais curto; 0 caso contrrio.
x13 = 1 se a rota (1, 3) est no caminho mais curto; 0 caso contrrio.
x24 = 1 se a rota (2, 4) est no caminho mais curto; 0 caso contrrio.
x25 = 1 se a rota (2, 5) est no caminho mais curto; 0 caso contrrio.
x34 = 1 se a rota (3, 4) est no caminho mais curto; 0 caso contrrio.
x35 = 1 se a rota (3, 5) est no caminho mais curto; 0 caso contrrio.
x46 = 1 se a rota (4, 6) est no caminho mais curto; 0 caso contrrio.
x47 = 1 se a rota (4, 7) est no caminho mais curto; 0 caso contrrio.
x57 = 1 se a rota (5, 7) est no caminho mais curto; 0 caso contrrio.
x58 = 1 se a rota (5, 8) est no caminho mais curto; 0 caso contrrio.
x69 = 1 se a rota (6, 9) est no caminho mais curto; 0 caso contrrio.
x79 = 1 se a rota (7, 9) est no caminho mais curto; 0 caso contrrio.
x89 = 1 se a rota (8, 9) est no caminho mais curto; 0 caso contrrio.

A funo objetivo busca o menor caminho entre o n de oferta e o n de demanda da rede:


min z = 11x12 + 9x13 + 4x24 + 8x25 + 8x34 + 6x35 + 6x46 + 5x47 + 6x57 + 4x58 + 6x69 + 4x79 + 6x89

As restries do modelo esto especicadas a seguir:


1. N de oferta:
x12 + x13 = 1 (n 1 Osasco)

2. N de demanda:
x69 + x79 + x89 = 1 (n 9 Vila Formosa)

3. Ns intermedirios ou de transbordo:
x12 x24 x25 = 0 (n 2 Lapa)
x13 x34 x35 = 0 (n 3 Alto de Pinheiros)
x24 + x34 x46 x47 = 0 (n 4 Sta. Ceclia)
x25 + x35 x57 x58 = 0 (n 5 Jd. Paulista)
x46 x69 = 0 (n 6 Belm)
x47 + x57 x79 = 0 (n 7 Mooca)
x58 x89 = 0 (n 8 Ipiranga)

4. As variveis de deciso so binrias:


x12, x13, x24, x25, x34, x35, x46, x47, x57, x58, x69, x79, x89 {0, 1}

Esse problema tambm pode ser resolvido como um modelo de programao linear relaxando ou eliminando
a ltima restrio e adicionando a restrio de no negatividade das variveis de deciso (xij t 0).

274
Captulo 5 I Programao em Redes

5.6.2 Soluo do Problema do Caminho mais Curto pelo Solver do Excel


O Exemplo 5.11 referente ao problema do caminho mais curto ser resolvido nesta seo pelo Solver
do Excel. A representao do problema em uma planilha do Excel est ilustrada na Figura 5.33 (ver arquivo
Exemplo 5.11_Padaria.xls).

Figura 5.33 Representao em Excel do problema do caminho mais curto.

As frmulas utilizadas na Figura 5.33 esto especicadas no Quadro 5.7.

Quadro 5.7 Frmulas utilizadas na Figura 5.33


Clula Frmula
L6 = G6 + G7
L7 = G6-G8-G9
L8 = G7-G10-G11
L9 = G8 + G10-G12-G13
L10 = G9 + G11-G14-G15
L11 = G12-G16
L12 = G13 + G14-G17
L13 = G15-G18
L14 = SOMA(G16:G18)
G22 = SOMARPRODUTO(F6:F18;G6:G18)

Os nomes atribudos s clulas e intervalos de clulas da Figura 5.33 esto apresentados na Quadro 5.8.

Quadro 5.8 Nomes atribudos s clulas da Figura 5.33


Nome Clulas
Distncia F6:F18
Rotas G6:G18
Entrada_menos_sada L6:L14
Oferta_ou_demanda N6:N14
Distncia_total G22

275
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

A representao do problema do caminho mais curto (Exemplo 5.11) na caixa de dilogo


Parmetros do Solver est ilustrada na Figura 5.34.

Figura 5.34 Parmetros do Solver referentes ao problema do caminho mais curto.

Na caixa de dilogo Opes do Solver, selecionar as opes Presumir modelo linear e Presumir no
negativos. A Figura 5.35 apresenta a soluo tima do problema do caminho mais curto (Exemplo 5.11).

Figura 5.35 Soluo tima do problema do caminho mais curto pelo Solver do Excel.

A SBF tima , portanto, x12 = 1, x24 = 1, x47 = 1, x79 = 1 (Osasco o Lapa o Santa Ceclia o Mooca
o Vila Formosa) com z = 24.

5.7 Problema do Fluxo Mximo


O problema do uxo mximo busca maximizar o uxo (de mercadorias, materiais, energia etc.) a
partir de um n de origem para um n destino da rede, respeitando os limites mnimo e mximo de uxo
nos arcos. O uxo pode ser medido em duas direes: uxo mximo de sada do n de origem ou uxo
mximo de chegada no n de destino. Como exemplos de aplicaes do problema do uxo mximo tm-
se: a) maximizar o uxo de mercadorias em uma rede de distribuio; b) maximizar o uxo de leo, gs ou
gua por meio de um sistema de dutos, gasodutos ou aquedutos, respectivamente; c) maximizar o uxo
de veculos em uma rede de transportes. A notao matemtica apresentada a seguir.

276
Captulo 5 I Programao em Redes

Considere determinado n i I. Os ns de origem a i so representados pelo ndice k K e os ns


de destino de i so representados pelo ndice j J. O n de origem da rede representado por O e o n
de destino da rede representado por T. Se o n i analisado corresponder ao n de oferta da rede, tem-se
que i = O. Por outro lado, se o n i corresponder ao n de demanda da rede, tem-se que i = T. O uxo
do n i para o n j representado por xij. O objetivo deste problema de transbordo determinar o uxo

mximo de sada do n de origem O ( max x


j
Oj ) ou o uxo mximo de chegada no n de destino

T (max x
k
kT ), respeitando as restries de conservao dos uxos entre os ns de origem (O) e sada

(T), a restrio de conservao dos uxos de entrada e sada para cada um dos ns intermedirios ou de
transbordo, alm da restrio de limites mnimo e mximo em cada arco.

5.7.1 Formulao Matemtica do Problema do Fluxo Mximo


Os parmetros do modelo, as variveis de deciso e a formulao matemtica geral do problema de
transbordo esto especicadas a seguir.
Parmetros do modelo:
lij = limite mnimo para o uxo no arco (i, j),  i, j
uij = limite mximo para o uxo no arco (i, j),  i, j
Variveis de deciso:
xij = uxo no arco (i, j),  i, j
Formulao geral:


max z = xOj ou max z = xkT
j k

s. a.
x k
kT xOj = 0,
j
i = O, T (1)

x x
ki ij = 0, i O, T (2)
k j (5.15)
lij xij uij , i , j (3)
xij 0 , i, j (4)

que corresponde a um problema de programao linear.


A funo objetivo busca, portanto, maximizar o uxo total de sada do n de origem da rede
(O) para os ns de destino j ou o uxo total de chegada no n de destino da rede (T) a partir dos
ns de origem k. A restrio (1) garante que o uxo total de chegada no n de destino da rede (T)
igual ao uxo total de sada no n de origem da rede (O). A restrio (2) de conservao dos uxos
de entrada e sada para cada um dos ns intermedirios ou de transbordo. J a restrio (3) garante
uxos mnimo e mximo no arco (i, j). Finalmente, tm-se as restries de no negatividade das
variveis de deciso.

277
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Exemplo 5.12
A empresa Petroduto transporta leo, gs natural, biocombustveis renovveis, dentre outros produtos,
por meio de uma malha slida de dutos de 1.000 quilmetros. A empresa busca determinar o uxo mximo
de leo (em m3/s) que pode ser transportado na rede da Figura 5.36, que tem como n de origem (O) a
estao de Minas e como n de destino (T) um consumidor nal localizado em So Paulo. Os valores nos
arcos representam as capacidades mximas em cada arco (em m3/s).

Figura 5.36 Rede de dutos da empresa Petroduto.

Soluo

Primeiramente, denem-se as variveis de deciso do modelo:


xij = uxo de leo (em m3/s) no arco (i, j),  i, j

Assim, tem-se que:


xOA = uxo de leo (em m3/s) da estao de Minas para a estao A.
xOB = uxo de leo (em m 3/s) da estao de Minas para a estao B.
xAC = uxo de leo (em m3/s) da estao A para a estao C.
xAD = uxo de leo (em m3/s) da estao A para a estao D.
xBC = uxo de leo (em m3/s) da estao B para a estao C.
xBD = uxo de leo (em m3/s) da estao B para a estao D.
xCT = uxo de leo (em m3/s) da estao C para So Paulo.
xDT = uxo de leo (em m3/s) da estao D para So Paulo.

A funo objetivo busca maximizar o uxo total de sada da estao de Minas (O):
max xOA + xOB
ou maximizar o uxo total de chegada em So Paulo (T):
max xCT + xDT

278
Captulo 5 I Programao em Redes

As restries do modelo esto especicadas a seguir:


1. Fluxo de entrada em T igual ao uxo de sada em O:
xCT + xDT xOA xOB = 0 (n s O e T)

2. Conservao dos uxos de entrada e sada em cada n de transbordo:


xOA xAC xAD = 0 (n A)
xOB xBC xBD = 0 (n B)
xAC + xBC xCT = 0 (n C)
xAD + xBD xDT = 0 (n D)

3. Capacidade mxima em cada arco:


xOA d 50 (arco O, A)
xOB d 60 (arco O, B)
xAC d 40 (arco A, C)
xAD d 60 (arco A, D)
xBC d 80 (arco B, C)
xBD d 60 (arco B, D)
xCT d 50 (arco C, T)
xDT d 70 (arco D, T)

4. Restries de no negatividade:
xOA, xOB, xAC, xAD, xBC, xBD, xCT, xDT t 0

5.7.2 Soluo do Problema do Fluxo Mximo pelo Solver do Excel


O Exemplo 5.12 da empresa Petroduto referente ao problema do uxo mximo ser resolvido nesta
seo pelo Solver do Excel. A representao do problema em uma planilha do Excel est ilustrada na
Figura 5.37 (ver arquivo Exemplo 5.12_Petroduto.xls).

Figura 5.37 Representao em Excel do problema do fluxo mximo (Exemplo 5.12).

As frmulas utilizadas na Figura 5.37 esto especicadas no Quadro 5.9.

279
Pesquisa Operacional para Cursos de Administrao, Contabilidade e Economia I Patrcia Belfiore e Luiz Paulo Fvero ELSEVIER

Quadro 5.9 Frmulas utilizadas na Figura 5.37