Escolar Documentos
Profissional Documentos
Cultura Documentos
--
/rYl
( (, o 1)'1 (:
USP/ESALQ
Departamento de Economla
,
:;oclologiaRural Jos Vicente Caixeta Filhd
RIBLIOTECA
Julho 1997
CONTEDO
4. B ibliografia 144
5. So lU90es comentadas dos exerccios oo oo oo"""""""""'''''''''' 151
4
Urna das preocupac;oesbsicas da Ciencia, ao longo dos tempos, tem dito respeito a
observac;ao,reproduc;ao e aprimoramento de fenomenos de naturezas das mais distintas. A
partir do momento em que se considere que tais fenomenos sao devidamente entendidos e
eventualmente, controlveis, haver condic;oesde se obter um pequeno nvel de incerteza
nas previsoes de ocorrencia de eventos correlatos.
As tcnicas concebidas para tal j utilizaram um grande nmero de combinac;oesentre
as letras do alfabeto. Entre os mais recentes exemplos: TQM ("Total Quality
Management"); CQI ("Continuous Quality Improvement"); BPR ("Business Process Re-
engineering"), etc. Basicamente, de comum entre eles est a preocupac;aocom o esmero do
processo de MODELAGEM a ser demandado.
Para se entender o processo de modelagem por si s, pode-se inicialmente resgatar-se
a imagem do modelo fotogrfico em um desfile de modas, por exemplo. Normalmente,
silhuetas esbeltas caminham pelas passarelas vestidas com roupas da moda (ou que deverao
ser moda) com o intuito de propiciar a imagem a ser visualizada pelo pblico assistente,
caso algum se decida pela utilizac;aode traje similar. Nao necessariamente se trata de uma
tcnica de modelagem de sucesso, urna vez que pode oCurrer urna nao-coincidenda de
identidades entre a silhueta do modelo fotogrfico e a silhueta de determinado elemento do
pblico que tenha mostrado interesse em adquirir determinado traje para si prprio.
Urna srie de analogias poderiam ser feitas ao exemplo do desfile de modas,
envolvendo problemas de carter agrcola. Por exemplo, assumir-se que a partir de
determinadas caractersticas de solo possa ser observado um determinado nvel de
produtividade para um certo cultivar de caf; ou que, a partir de condic;oesmetereolgicas
especficas, seja obtido um determinado teor de slidos solveis em um pomar de citrus.
Assim sendo, modelos, de uma maneira geral, sao representac;oes idealizadas para
situac;oes do mundo real. Propiciam a aquisic;ao de novos conhecimentos e facilitam o
planejamento e previsoes de atividades, sempre tendo como objetivo final a VERDADE.
Apesar da dificuldade para a validafiio de modelos, sempre haver urna indicac;aodo
nvel de sucesso do processo de modelagem, o que estar intimamente ligado a eventual
reproduc;ao da verdade em investigac;ao. Por outro lado, tais verdades podem ser
reproduzidas mas sem necessariamente representar um estado de entropia desejvel.
Processos de modelagem economtricos, por exemplo, observam vantagens
comparativas quanto a reproduc;ao adequada de sries histricas de valores, que
eventualmente podem representar prec;ospagos pelo consumidor onde estejam embutidas
abusivas margens de lucro auferidas por varejistas.
.
. 5
~
~ L
resoluyao de sistema de equayoes lineares via inversoes sucessivas de matrizes (vide
~
Mtodo de Gauss-Jordan na seyao 2.3), com a vantagem de incorporar urna equayao linear
~
~
adicional representativa de um dado comportamento que deva ser otimizado.
~
Sua propagayao se deve principalmente a equipe de cientistas liderada pelo americano
~
George B. Dantzig, convocada pelos Aliados da 2a. Grande Guerra no incio da dcada de
~ 40, para oferecer subsdios tcnicos para as tomadas de decisao que envolvessem a
~ distribuiyao tima de tropas entre as diferentes frentes de batalha. Ao resultado desse
~ esforyo de pesqUisa, concludo em 1947 e publica.do po~teriormcnte3, deu-se o nome de
~
Mtodo Simplex.
~
O Simplex (vide seyao 2.4) vem sendo entao o algoritmo mais citado e comentado na
~ maior parte da literatura especializada, assim como o mais utilizado em software de
t
programayao linear. Avanyos em termos de eficiencia de algoritmos correlatos puderam ser
,
observados somente a partir do incio da dcada de 80, atravs de trabalhos desenvolvidos
~
3 DANTZIG (1963).
4 KARMARKAR (1984).
6
assim por diante. Tal objetivo ser assim representado por urna fun<;aoobjetivo, a ser
maximizada ou minimizada.
n
Min (ou Max) LC. x.
j=1 J J
sujeito a
x. ~O
J
Nao se deve ter ainda preocupayao com a soluyao dos problemas, que poderao ser
obtidas posteriormente.
1) Urna certa agroindstria do ramo alimentcio tirou de produyao urna certa linha de
produto nao-lucrativo. 1sto criou um considervel excedente na capacidade de produyao. A
gerenc~a est considerando deicar e:.>tacapacidade exced~nte a urn vU mais produtos,
identificados como produtosL~'.iJ e & A capacidade disponvel das mquinas que poderia
limitar a produyao est resumida na tabela que se segue:
\)
B 5 4)
/
O
e 3 O) 2
2) Urna certa corporac;ao tem tres fbricas filiais com capacidade de produc;ao
excedente. As tres fbricas tem capacidade para produzir um certo produto, tendo a
gerencia decidido utilizar parte desta capacidade de produc;ao excedente para produzir tal
produto. Ele pode ser feito em tres tamanhos - grande, mdio e pequeno - os quais
produzem urn lucro unitrio lquido de US$ 140, US$ 120 e US$ 100, respectivamente. As
fbricas 1, 2 e 3 tem capacidade ~~ce~ ~e~bfaede equipamentopara
produzirem @> @ e @ unidades do produto por dia, respectivamente,
mdependentemente do tamanho ou combinac;ao de tamanhos envolvidos. Entretanto, a
quantidade de espac;odisponvel para estoque de produtos em processo tambm imp5e urn
limite as taxas de produc;ao.As fbricas 1, 2 e 3 tem 1.170, 1.080 e 450 metros quadrados
de espac;odisponvel para estoque de produtos em processo, em um dia de produc;ao,sendo
que cada unidade dos tamanhos grande, mdio e pequeno, produzida por dia, requer 1,8,
1,35 e 1,08 metros quadrados, respectivamente.
As previs5es indicam que podem ser vendidas, por dia, 900, 1.200 e 750 unidades dos
"-
- rpadeira --
-5 metros cbicos de madeira beneficiada
compensada.As
/
-
e 1.200 metros
contribuic;5esao lucro sao de $ 45 por 1 metro
----
cbico de produtos beneficiados e $ 60 por 100 metros quadrados de madeira compensada.
Determinar as quantidades (em metros cbicos) de madeira beneficiada e de madeira
compensada (em 100 metros quadrados) a serem produzidas (adaptado de WAGNER,
1986).
Denotando por xl' X2e X3os nmeros de avi5es de cada tipo enviados a propriedade
A, e do mesmo modo, YI,Y2e Y3os avi5es enviados a propriedade B, formule o modelo de
programac;aolinear pertinente ao problema (adaptado de WAGNER, 1986).
7) Urna determinada empresa produz lcool anidro e lcool hidratado, a partir de uma
usina que est organizada em tres setores de prodw;ao. O processo de produc;ao pode ser
resumido da seguinte forma: o lcool anidro passa pelos setores 1 e nI, sendo que cada
tonelada desse produto consome0,5 hora do setor 1 e 1/3 h do setor lTI:' diariamente.Por
,-
outro lado, a produc;aode urna tonelada do lcool hidratado demanda 1 hora do setor n e
2/3 h do setor In, tambm diariamente.
Admitindo que cada setor esteja em operac;ao 8 horas por dia, e que as receitas
lquidas a serem obtidas para o lcool anidro e lcool hidratado sejam $40 e $30 por
tonelada, respectivamente, qual deve ser a combinac;aotima de nveis de produc;ao a ser
perseguida pela empresa?
11
Dos modelos formulados anteriormente, pode-se perceber que a maioria deles diz
respeito a sistemas de equal(oes, ou inequal(oes lineares, a partir dos quais deve ser obtida a
solul(ao tima (mximo ou mnimo) para o problema. Portanto, de fundamental
importancia que tais sistemas de equal(oes, ou inequal(oes, possam ser resolvidos pelo
modelador.
Tome-se como referencia a seguinte situal(ao:
"Um determinado produtor rural possui duasfazendas, Morro Branco e Riacho Seco,
ande deseja plantar saja e trigo. Devido as cond;oesde solo especificas, o lucro anual
esperado para a saja de $4/ha na Morro Branco e de $6/ha na Riacho Seco; e o lucro
anual previsto para o trigo de $8/ha na Morro Branco e de $4/ha na Riacho Seco. Sabe-
se ainda que: a rea de saja a ser plantada na Morro Branco deve ter a mesma dimensiio
da rea plantada de saja do Riacho Seco; a rea de trigo plantado na Riacho Seco deve ter
a mesma dimensiio da rea plantada de trigo da Morro Branco; o lucro anual total da
Morro Branco e da Riacho Seco devem ser $160 e $120, respectivamente; as fazendas tm
rea suficiente para atender aos anseios do produtor. "
Para determinar as reas de soja e trigo a serem cultivadas em cada urna das fazendas,
tal situal(ao pode ser facilmente apresentada por urn sistema de equal(oes lineares, com as
seguintes incgnitas:
Assim sendo, serao tratados a seguir alguns dos mtodos que se encontram
disponveis para a resoluyao de sistemas de equayoes lineares.
Pelo menos urna das equayoes deve ser multiplicada por um escalar real de tal forma
que aps a soma das duas equayoes, apenas urna das variveis seja efetivamente a incgnita
do problema. Assim, no caso em questao, a equayao (2) foi multiplicada por "-2" e o valor
de xI obtido. Com o valor de x, obtm-se o valor de x2'
4x +SX2 = 160
4X + SX2 = 160
-12x -SX2 = -240
(-2) x { 6x + 4X2 = 120 ~
-Sx = -SO
X=10
{ X2= 15
Isola-se urna das variveis em urna das equayoes, substituindo-se a relayao obtida na
outra equayao. Assim, da equayao (1) isolou-se xI, que foi substitudo na equayao (2).
Obteve-se entao os valores de x2 e xI, nesta ordem.
14
- 160-8x2 - 40 - 2
XI - - X2
4
6(40-2x2)+4x2 = 120
240-12x2 +4X2 = 120
-8x 2 = -120
X2 = 15
{ XI =10
c) Grfico
Como (1) e (2), reproduzidas novamente a seguir, sao equayoes lineares, com duas
incgnitas, elas podem ser representadas geometricamente por duas retas. A intersecyao
entre elas dar a soluyao ao problema.
Para plotar cada urna delas, bastam dois pontos. Os mais fceis sao aqueles sobre os
eixos das abcissas e ordenadas.
XI = O, X2 = 20
Assim para a equayao (1): -
' { X2 - O, X 1 = 24
XI = O, X2 = 30
e para a equayao (2):
{ X2 = O, XI = 20
Xl
40
30
20
10
o .
O 10 20 30 X2
a22 .oo
d2 OO' a2n
j - sima colma.J
substituda pelos" valores do
lado direito" de cadaequac;:ib
16
No caso em questao:
=
[: :] [::] [16l
120
= 10
XI = 1120
160 481/ 46 84
= 15
x2 6 1601/
14 120 46 481
XI + 2x2 = 40 (1a)
{ 6x + 4x2 = 120 (2)
17
Xl + 2X2 = 40 (la)
{ Ox + X2 = 15 (2b)
XI +2X2 = 40
Ox( - 2X2 = -30
XI +OX2 = 10 (lb)
5) Solu<;ao:
XI +OX2 = 10
XI = 10 , X2= 1S
{ Ox +X2 = 15
4 8 1 O
[6 4 O 1]
1 2 114 O
[6 4 O 1]
1 2 114 O
[ O -8 -3/2 1]
18
1 2 1/4 O
[O 1 3/16 -1/8 ]
p O
-1/8
3/16
1/4
-1/8 ]
lO 1
Percebe-se que o lado esquerdo da matriz particionada anterior, que pode ser
chamado de matriz A, foi "transformado" em urna matriz identidade. Para tal, os valores
originais de "A" foram multiplicados por aquilo que foi registrado no lado direito da matriz
particionada. Portanto, para que pudesse ter resultado na matriz identidade, o lado direito da
matriz particionada nada mais do que a inversa de A (representada por A-1),urna vez que
AX=B
x = A-1B
No caso especfico,
19
/
U[;iI7apropriedade apresenta dois talhoes jlorestais aptos para corte: talhilo 1 C0111
40 ho l:!84 m3/ha de madeira disponveis; e talhilo 2 com 18 ha e uma prodzu;ilo de 112
m3/hu. () Cl/sropor ha para a administrar;ilo da venda de madeira de S 300, e a
dispol1ihilidadede capital de S 15.000. Ambos os talhoes permitem o desenvolvimento de
atil'idudcs rccreacionistas. Anualmente, o talhilo J capaz de sustentar 480 visitantes por
heclare e o talhilo 2 apresenta capacidade para 1.920 visitantes por hectare. A
propriedade del'e ser capaz de receber no mnimo J0,000 visitantes/ano, Naturalmente,
cada i,ectarL cortdo fic inutilizac:o para atividJdes de 'ecl'eac;ilG.O problenw
determinar (juantos hectares explorar em cada talhilo de forma a maximizar o volume de
madeira cortada".
sujeito a
Xl $ 40 (rea do talhao 1)
x2 $ 18 (rea do talhao 2)
300 xl + 300 x2 $ 15.000 (capital)
480 (40 - xl) + 1920 (18 - X2) ~ 10000 (recreayao)
xl ' x2 ~ O (positividade)
Xl
100
I 90
80
I T alhao 2
J
~ 60
I 50 Talhao 1
~ 40
~ 30
20
I 10
I O .Xl
~ O 10 20 30 40 50 60
~
Figura 2 - Representayao da regiao vivel do problema.
~
~
A regiao delimitada pelas restriyoes chamada de regiao vivel, sendo que a soluyao
~
~ do problema dever estar sobre um dos vrtices desta regiao. Note-se que tal regiao dever
~ sempre atender as caractersticas de convexidade, ou seja, qualquer segmento ligando dois
~ pontos da regiao vivel dever necessariamente tambm pertencer a aquele polgono.
t A primeira soluyao a ser testada est normalmente associada a origem. o valor
. obtido para a funyao objetivo deyer ser entao comparado com o valor a ser,obtido com o
. vrtice adjacente. Enquanto houyer um vrtice adjacente "melhor", continua-se a pes~~1isa,
. at chegar-se a soluyao tima.
. Entretanto, qual o papel, de fato, da funyao objetivo, que at entao nem foi plotada,
~ em um problema de otimizayao? Rescrevendo-a:
~
-
,
~
21
Z 112
x x
, ! - 84 84 2
Xl
100
75
50.1.- ~
1- '-o
36,28 t.:..- ~
-, . ,
25
Z=1680
- -"~--------------
Z=3360 . . . . , , Z=4584,16
o. --.
X2
O 20 30 40 50 60
soluc;aotima seria obtida, urna vez que aquela restric;aonao tinha folga, era atuante. I.
restric;oesatuantes.
Naturalmente, se forem acrescidas mais de urna unidade ao RHS da restric;aoatuante,
a alterac;aototal no valor da func;aoobjetivo dever ser diretamente proporcional ao valor
do prec;o-sombra.Entretanto, essa relac;aodiretamente proporcional s ser vlida para um
determinado intervalo de variac;aodos valores do RHS, dentro do qual tambm a base (vide
definic;ao na Sec;ao 2.4.3) continuar sendo composta pelas mesmas variveis (nao
obrigatoriamente com os mesmos valores). Fora desse intervalo, a restric;aoem questao nao
necessariamente continua a ser atuante.
Outra observa<;aose faz necessria quanto a anlise de sensibilidade dos coeficientes
da func;aoob~etivo. At que valores d~ p:oduC;&opor talhao poderao seI observados pra
que a soluc;aotima permanec;aa mesma?
Como a relac;ao entre as produ~~UalhQ~ ~ada pel~ coeficiente angular da
func;aoobjetivo, os coeficient~s angulares das outras retasplotadas (no caso, referentes as
restric;oesdo problema) deverao ser comparados. Percebe-se.que a fu~j~tivo tem um
coeficiente angular intermedirio entre os valores do~ coeficientes das restric;oesde caixa e
I '-- ~
,
~ soluc;aodever permanecer a mesma.
~
~
.
.
. /
.
.
.
.
,
,
t
23
Xl
lOa
75
..
50
~-
c::~
25
'- ~~ --- ~
Capital
--'- --~-- ...,X2
O .
O la 20 30 40 50 60
C2
1~-~4
cI
ser o intervalo dentro do qual a soluyao tima nao ser alterada (c = coeficiente da
varivel xi na funyiioobjetivo), ou seja, a base ser composta por aquelas mesmas variveis
observadas na soluyao tima original, e com aqueles mesmos valores. Naturalmente, o
valor da funyao objetivo variar caso a caso.
.
. Para as mquinas do tipo A:
~ )
. 1,5x + X2+2,4x3 + X4 ~ 2.000 horas
.
~
~
~
~
t
25
XI ~ O, X2 ~ O, X3 ~ O, X4 ~ O
e cleverser o mximo.
Para act~sar o muulo LIJ do soft.ware ORS {S, a pardr do Jiretrio ndc o mdIT10St
encontra, basta digitar: ORSYS
Aparecer na tela: "ORSYS - Version XXX", com o cursor devendo estar
posicionado na palavra BEGIN e a op<;:aoLP (por "default") ter sido selecionada. Mova o
cursar urna linha abaixo e digite DISPLAY sobre a palavra PRINTER (caso se esteja
trabalhando em rede local, e dependendo da configura<;:aoda mesma, digite "R:" sobre "P:"
da linha "Overflow Storage ...").
Volte en,[oao BEGIN e tecle ENTER, para que se possa adentrar ao JfASTER
MENU. Tecle Fl (SETUP), e F2 (NEW PROBLE\;f),para que as seguintes perguntas sejam
feitas. com rela<;:aoao nome a ser dado ao problema, tipo de otimiza<;:ao,nmero de
restri<;:oese nmero de variveis:
Tecle agora F3 (DISPLAY), e aparecer urna matriz vazia, que dever ser completada
conforme ilustrado a seguir. Note que as restri<;oes de positividade nao precisam ser
digitadas, urna vez que o software as assume automaticamente.
.
. HADLEY OBJECTIVE: MAX DATE 10-08-96 TIME 09:02:00
BASIS: NONE CONSTRAINTS: 3 VARIABLES: 4 SLACKS: 3
NONZEROS: 22 INTEGERS: o NONLINEAR: o DENSITY: 52.381
Para gravar o problema, em formato de leitura especfico para o ORSYS, tecle ESe e
F4 (SA VE PROBLEAf), para que seja perguntado a name do problema a ser gravado:
'~
Assim sendo, no caso de ter que se recuperar tal arquivo em futuras situayoes, basta
se utilizar da opyao OLD PROBLEM(F6), do menu SETUP.
Aparecer na tela:
com o cursor sobre a palavra "EXECUTE'. Tecle "ENTER" e, aps algumas iterayoes, a
soluyao aparecer na tela.
Para urna melhor visualizayao da resposta obtida, podem ser utilizados os relatrios
de anlise de sensibilidade gerados pelo ORSYS, que podem ser acionados atravs da tecla
F8 (OUTPUT MENU). Por exemplo, escolhendo a opyao Fl, tem-se a seguinte tela,
associada ao relatrio PRIMAL:
Tem-se assim que a soluyao tima diz respeito a produyao semanal de 294,11765
unidades do produto 1 (Xl), 1.500 unidades do produto 2 (X2) e 58,823529 unidades do
produto 4 (X4), o que resulta num Lucro de $ 12.737,05882. Perceba-se que o produto 3
(X.3) nao foi includo no processo de produc;ao,e que a eventual produ<;:aode 1 unidade
daquele produto resultaria num decrscimo de $ 1,21465 no Lucro da firma. Tal produto
\
s passaria a ser considerado na soluyao tima do problema se o valor de seu lucro unitrio
fosse no mnimo $ 9,75465.
Percebe-se que as tres restriyoes foram atuantes ("binding") no problema, o que pode
ser verificado pelo fato de observarem folgas ("slack") nulas, assim como valores de preyO-
sombra nao-nulos. Por exemplo, substituindo-se a soluyao tima obtida na restriyao
associada a mquina B, observa-se que as 2.000 horas disponveis sao efetivamente
utilizadas, sendo que na eventualidade de se obter urna hora adicional, o valor da funyao
objetivo (que no caso representa o Lucro) aumentado em $ 0,24235294 , ou seja, para
cada alterac;aounitria no valor do RHS da restric;aoem questao, o valor da funyao objetivo
alterado no valor previsto para o preyo-sombra (DUAL VALUE).
de se esperar, portanto, que a variayao no RHS de urna restriyao atuante seja
diretamente proporcional ao valor do preyo-sombra. No caso da restriyao correspondente a
mquina C, por exemplo, para urna variayao de 2 unidades em seu RHS estaria associada
urna variac;ao de "2 vezes" o valor do preyo-sombra. Entretanto, essa relayao diretamente
proporcional entre variac;aono RHS e variayao no valor da funyao objetivo dever respeitar
alguns limites, urna vez que extrapolando-se determinado intervalo de variayao, tal restriyao
poder nao ser mais atuante. Tais limites podem ser verificados pela tecla F4, que gera o
relatrio de anlise de sensibilidade referente ao intervalo de variayao dos RHS (RHS
RANGE), apresentado a seguir:
Portanto, para o caso da restriyao associada a mquina C, enquanto o seu RHS variar
dentro do intervalo compreendido entre 3.333,3333 e 5.076,9231, a variayao
correspondente no valor da funyao objetivo continuar a ser diretamente proporcional ao \
valor do prec;o-sombra.Vale ainda lembrar que dentro desse intervalo de variac;aodo RHS,
naturalmente outras soluc;oes timas deverao ser obtidas, mas associadas a um mesmo
conjunto de variveis bsicas (no caso, X.1, X.2 e X.4). Note-se tambm que os intervalos
29
de variayao de RHS e valores de preyo-sombra para cada urna das restriy6es sao vlidos
somente para cada urna das restriy6es, individualmente. Assim sendo, se forem alterados os
valores dos RHS de duas restriy6es, ao mesmo tempo, nada poder se inferir a partir
daquelas informay6es apresentadas no relatrio de anlise de sensibilidade.
Finalmente, teclando-se F3, o seguinte relatrio de anlise de sensibilidade, associado
ao intervalo de variayao dos coeficientes da funyao objetivo (COST RANGE), pode ser
obtido:
Tais informay6es sao interessantes pelo fato de poderem adiantar algo a respeito do
nvel de incerteza incorporado nos valores dos coeficientes da funyao objetivo. Por
exemplo, enquanto o 'lalor d;:>lucro unitrio do produto "1" ~stiver dentro do intervab
compreendido entre 4,6123708 e 6,2700000, a soluyao tima (em termos de nveis de
produyao de cada um dos produtos) continuar sendo a mesma. Portanto, caso a firma
necessite de um maior nvel de seguranya quanto a produyao inicialmente obtida em funyao
de eventuais oscilay6es de mercado, esse relatrio informa as faixas individuais de variayao
dos valores dos coeficientes da funyao objetivo (no caso, os prprios lucros unitrios), de
tal forma que seja mantido o padrao de produyao 294,11765 unidades do produto 1, 1.500
unidades do produto 2, nenhuma unidade do produto 3 e 58,823529 unidades do produto 4.
Note, entretanto, que ao se variar o valor de um determinado coeficiente da funyao objetivo
dentro do intervalo proposto, os nveis de produyao serao mantidos mas, naturalmente, o
valor da funyao objetivo, associado ao Lucro, ser alterado.
Tanto a matriz correspondente ao problema, quanto os relatrios de anlise de
sensibilidade, podem ser tambm gravados em formato texto. Para tal, basta definir na
primeira tela do ORSYS, na linha "Destinationfor Tabies (CON/PRN/File)", o nome do
arquivo que dever conter tais informa<;6es.A partir dessa informayao, tudo aquilo que
originalmente estaria direcionado para a tela (DISPLAY), passa a ser incorporado em um
nico arquivo, que pode ser editado (e eventualmente impresso) atravs de um processador
de texto qualquer. Para um alinhamento adequado das informay6es contidas nesse arquivo,
30
Finalmente, para terminar a utiliza<;aodo software, tecle Ese duas vezes, quando
aparecer a seguinte pergunta, que dever ser respondida adequadamente:
:25
rSA,;~:11tL:?~'~:r~;~if~?-fi~~~i;~~r!it~t~(:~~1' ,- '~._~'~~ ':'~~~~1;
Telephone: 818-441-1565 703-412-3201 702-831-7744 708-971-2337
Fax: 818.441-1567 703.412-3217 702-831-7755 708-971.2706
OperatlngSystems:
': DOS
; Windows
.~
. ,
.,'
.
-, Yes
'No
:. Macintosh : Y.. No
'(,Unlx . !.; ~~~t;,g..:~"f:t~,~,~'f::~~;f2~~~C~~~J:! Yes -, . .,
','.
" . .,Type o,Unlx ,'," . . . :Alltypes'' .',?:',~"~'AIX,SOlaris.HPUX";~~:'SunOIS.Solaris,Alx.
o .:,r>
0512; ,"'< '> '; 'HPUX,OSR,IRIX
AlItypes
No
, Other (' IBMASI400;DECVMS;;f; !BMMainframetMVS3 .,,0512andWindowsNT
',~'~'Yf;"'. "', :"-. " ", ,".
Largest version:
# 01 rows: unlimrted 32.767 unlimited 32.000
# 01 columns: unlimited unlimited unlimited 32.000
# 01 non-zeros~ unlimited unlimited unlim'ted unlimited
Harllware reqlllred: 10-15000 non-zero/1 i386 PC computerwithFORTRAN
megabyte van.:ble compIler
:-'~-'. 4.
;~:,f~!f~"~~~"~i~~~;~~~;~r!{~~
Input 'ormals:
~~..::]~:;'
'I~iii~~r~J't(~:::;.
MPS Yes Yes Yes Yes
Spreadsheel Yes Yes Yes No
Proprielary Yes Yes Yes No
~;~~~?~~;~~~~~lW~t~~1~i~:ti~~~~~~~~lf~i~\~t~~~t~14~:~~~~~?~~~~ti;~~<~~}~
/!;~;&JF:;;l~,
~1Can only read and wrIteto spreadsheet files (specify): "', ,Excel~123wOrksheet:',:"if:~WKI ...:;}~~~~:-:;;-gi'i?;! ''"''I'i';;-.e,,',"~,.,<~ ~>? ,: '/ . '. ;"l"""''k~;'..:+ ; r--
f,~CanonlyImportand exporttext'!les '-3;':;';~",~~~\.j.:~"g;ff'4}~~~?~?J.;i.t*~:;.,;,~.;.;c;';~~~:;t1~&d:1;'bt~}$-!k~:;;L1;f.'.{f; ~',": . "'., ";., ;';, ',.~.- ?;- .. '.
"odeling language linkage: (Specily any modeling GAMS,AMPLand MPL GAMS,MPL.DATAFORM. AIMMS.AMPL.AMPLPlus. CAMPS
language that incorporales Ihis program) OML GAMS,MIMI.MPL.OMNI.
PIMS
~~=cc::~;I;;!~~~~~~ffli~~~~:~~~:;~ .;"'~:~~'9f~:.
Inleger Programming
Binaryonly No No Yes Yes
General integer Yes Yes Yes Yes
Range 01 number 01 Integer variables: unlimited unlimrted infinity nolimrt
Description 01 algorithms implemenled in
software (optional): DEVEXpncing.LU branch&bound:branch& primalanddualsimpiex: branch&bound
decomposition,
duaJsimplex. cut:bivalent:
binay;semi- network;mixedinteger, balrier.
branch&boundculs continuous:genera!integer. newquadraticprogram soIver.
speciaJorderedseis (type1 paraJIeI
banier.
paraJIeI mip&
andtype2) paraJIeI ex
'.. '.
Other techniques (Availableas part o, \he package):- ; ;:.';;::none : ,"c.,:~:;~j'%1-ii'~~5j:omposrte OBJand-RHS:',~trresOtVe. infeasibifity. .can
;: ,'., ;." ,.: 'i' ":'.. '~: ~- c... ",:". .:.;.'," <;''''';.' /'f o;"-!,'1;::..,;':~?: ~~~,. -:,::::'i;:'~!;~~:\f'~ -,anaIysis; network extraction ... . ."
Comments/New Fe~lures: Salves binary. inleger, Exploitation 01 superparsity Fast. robust malh Deveqed lo hardle Iarge
semi-continuous. SOS minimizes memory use: programming algonlhms. probIems lWh maximum
types I and 11variables with presolve reduces model to available in nteractive & efli::ierGy, EmpIoys
many branch & bound essenlial subse!; new library formats. Parallel ~ datastructureS
slrategies. Windows DLL GAMS interface. algonthms salve LPs in and dynamic data storage
callable iibrary availabte. excess 012 GFLOPS. management led1niques. Can
be used as integrated qtimizer
orm:xiuIar
surte
oi routII1eS.
32
-""""'::~'~',:..c..,".~" "
~anelistea OMNI LP ~,'aaeling System MAGIC/LAMPS + mamx compiete bne 01 software tar canolete tine of soitwaJe ior
generanan and repomng buikJing ano soIving linear & OODdingand soivI1g bnear &.
system noniinear oC!il'T1lzanon modeJs IU1l1near optIIT1ZatX:nmooeJs
,
Ves
Ves
Ves
Ves
Ves '.. .::'Ves
..'
o'. ... :
Yes -- ---, '.". , Ves
. . '.;~, ':'--,"c,:,';;
No
Ves
No
No
No
Ves
,Yes
Ves '"",. .
Altypes , ,,' ,o".
Al
VMS.Cray,Convex No
AIX,HPIUX.Solaris
Ves
"--~~~~t?f;~~;;I~
'.
".oo." ,
VMS VMS "
'Oo'
. . '_o.
"; "No
"1' No
No
\-)t\~0f~~~@f;~'.:f:~i,I~
totus & Excel
Ves Yes .., .., .)jZ'~M "';.
MPL. GAW.tS, AIMfA GAMS. AIMMS. AMPl UNGO.Wha!'sBest!; AMPL.GAMS
or.1NILPrr.ooehng
system UNGO'sintemaJ
mooeling
UNDOversions01MPL language
No Ves No
Yes No ':; '~,,': .::'~'~'
, Yes c.' ;,\ ,.Yes : ~;, ~<~-~~::~;S~
Ves . ", ",-,-~.]
No No No ":"<':;h~~ '~~~~~'~;.;ii~ ': ;', ,.- -';''''''
predicte::eorreaor
iPM parametrcs
andranging
:'.;~networhl~,~. ~:~==':':;~: ",::;~<~.<-~.:;:~~;;::
TheMIP'-'0 t~eIPM Cans::',e 'aroe.sealelP SubrcunneIlbrarvforC and Foriarceor smallpraclems, Modelingl80guaQe Newsubroutines haveoeen
and
algamnrr.s
eanrununoer ~:ec:e..,sana'tnterraee
wllh FORTRANavallole tor UNDO'croVldesallof the matnemanca funcnons added10thesucroutlne
PVM,~:;a:eu~scanee soreaa5r.;etanoSQL Winoc'//sNTanoWIN325. featuresneededtorqUleK allowqUlcK.
eOnCIse librarydeslgned10lae1iitate
aehievec"5:nge:"steroi cerm:at:::;cataaases. proclementry.solutianand problemeXllreSSlon.
Linear. Ihe soectfieatlon
and
worxs;a;::;no;, 8Oalysls. solulion01eonvex
nonllnearanointeger
solve~andtnteraCttVe cpnmlzation orcblems.
mOdeiing enwonment
makeIta comorenenslve
lcoltarORpro!eSSIOnals,
33
-.
P.O.Box4288.X":;"i"SJ:;:";~2680l3ayshorep~~;'I.;i~ .
InclineVillageNV 894S1r'c;.;,;Suile 306 '!lit" '~;<:,
'f~fg~~~1~~~~}A:~.i;;..1
Telephone: 702-831-0300 415-962-8719 +3612698268 415-258-8719
Fax: 702-831-0314 415-962-1869 +3612698267 415-962-1869
E'mail: saies@frn1sys.com ,." '0"
': :~;0~}::1t07m~~h~lIa.bitn~t
Describeolher relaledproducls: SA-MINOS (sensitivity
analysis);IP-MINOS
version:
# 01rows: unlimited dependent
on RAM 100 dependenl
onRAM
# 01columns: 800 dependent
on RAM 200 dependent
onRAM
# 01non.zeros: unlimiled dependent
on RAM 8.000 dependent
onRAM
Hardwarerequired: IBMPCwith8 MBRAM 256KBDOSmemory
Largeslversion:
# 01rows: unlimited dependenlon RAM dependenlonRAM dependentonRAM
# 01columns: unlimited dependenton RAM dependenton RAM dependenlonRAM
# 01non.zeros: unlimiled dependenton RAM dependenlon RAM dependentonRAM
Hardwarerequired: IBMPCwithenoughRAM FORTRAN 77compller;al FORTRAN 77compiler;al
lor problem least1 MBRAM leas'1 MBRAM
~rlclng'Ilormatlor:;i'di.::'->;';i.
~'Smallest
r'
-.-;)n .
versfon-";<.;"<'~
~.Largest verslon ~:~;';,1e:::f'
.;."'''e''''''';'~
, , ,
,
~~Educatlonalprlce,s:,:::,';;,;::;:1~i{~';'
{;~.lle,lIcens~: '.;::;;;';Y~i;-:j.;;;;x.:~"!;
Inpul lormals:
MPS No Yes Yes
Spreadsheel No No No
Proprielary Yes Yes No
: o;,+ft'&
1':~~_3:1E~
~::~~: f:t:~~r:aheet .0
k;-fAddIn (speclfy)::!!~~~~~~;~;
, , , ,, ,
i~'~~~M;~;~~~~~~~~i~~;(S,
ModellnglanguageIInkage:(Specifyany modeling integrationwilhMPLis GAMS.AMPL
languageIhat incorporalesthis program) underway
ii'otij;;{COde
0~8~re;~e;~aJJ
~~~C;;d~~;'~~;t:rf~~
'~;~u!.~~~.~eu;<
IntegerProgramming
Binaryonly No Yes,
Generalnleger Yes Yes
Range01number01nlegervariables: all
Descriptlon01algorithmsimplemenledin
software(opllonal): branch& bound,many simplexmethoddoesnot simplexmethod;takes
stralegieslor choosing takeintoaccountsparsity; advantage01sparsity;
branchvariableand numerically
stable numerically
stable
direction algorilhms algorithms
~~1i{~~I:j';'~~;;~;~~;~'~~k~:!:.~-,~~~;;~;~~~~;!~%it:
Commenls/NewFealures: CallableIromVisualBasle. Softwaredevelopedby Compactdesignonot Softwaredevelopedby
AccessBasic.C/CH. etc. SystemsOptimization Lab. memoryhungry;best SystemsOptimization Lab.
SupportsWindows Slanlord.Inputlormats startingprocedure. Stanlord;sensitivity
multitaskingandvirtual describedin manual. sophisticatedPhaseI analysisis anoptlonaladd-
memory.Nowlor Windows algorithm.variety01pricing on.
NTandWindows95. techniques.advancedanti-
degeneracy strategy;solves
largeLPproblemsroutmely,
34
MINOS(115)
5.0 MPL Modeling System MathPro OUNILP OMP
. .,[ct,Uriek@sce.carteton.ca:
'::.i8~~k@;it-;;:gi;~'
"~~}i~ '~~5~~lt~-!~~.'~:~~jf;'~',~
Supportsmultiplesolvers:
CPLEX,OSL.XA,Frontlne,
Lindo,FortMPandothers
lit'
'i'~~
,;::...
-
Ves Ves Ves Ves Ves No
No No Ves No Ves
No Ves Ves Ves Ves Ves
.~~.~.,o:i~:~.~~~\.s;~*;~~;n;J~~~:;fl~~~'
A modifiedversion01 Anadvancedmodeling Acompleteinteractive OMNIis a modeling Fullgraphicalinterface; Increasedproblem
MINaS5.4whichanalyzes languagethatallowsusers modelingsystem,MathPro language,reportwrrterand quadraticprogramming; capacities;lasterspeed;
inleasibleLPs:nowlinds to set upmanyLPmodels. handlescasemanagement, datamanagement system; reportgenerator&. nonlinearobjective
minimumcardinalilyliS set Integratedmodeldevelop- symbolicmodellormulation, andcaninterfacewith simulator,integrated programming; colorgraphics;
covers.Algorithmsuser mentenvironment features matrixgeneration,optimizer spreadsheetsandrelational package. advanced spreadsheet-style
selectable. pull-downmenus.pop-up control,solutionqueryand databasesystems. probleminput/edil;Lotusl
windows,a bullt-inmOdel display,reportgeneration QuattrolExcelworksheetva:
editor.outputviewbrowser anddataimporto filecompatibility
amongall
andon-linenelpsystem. applicatlonsmodules.
35
E:mau:~~~~~~
,
<
~,
.~~
.. .
;' ' : .'. ;1;.'="
,",'%',,,,>,,,"':""'fUii'i<,i!'ii
. .
Largestversion:
# 01rows: dependent
on RAM 500 unlimited unlimited
# 01columns: dependent
on RAM 500 unlimited unlimited
# 01non-zeros: dependent
on RAM 2,500 unlimited unlimited
Hardwarerequired: PCsto mainlrames IBMcompatible IBMPCwithenoughRAM Umitedonlyby memory
forproblem
AIMMS.AMPL,GAMS, LP&MIPpn:.pieIaJy
rraEfrr,; XPRESS-MP algebraic
LINDO,UNGO,MathPro, reOOs
SAS,MPS,LJI'{)(), modeler,LPandMIP
MIMI,MPSX,OMNI,etc. PALMard PCprog2.xxrrodeIs soIvers
IntegerProgramming
Blnaryonly Yes Yes No No
Generallnteger Yes Yes Yes Yes
Range01number01Integervariables: limitedby memory none all unlimited
Descriptlon01algorithmsimplementedIn
software(optional): linearorquadraticobjective reads data parameters, branch&bound,many branch& bound,branch&
functions;MIP constraints and strategieslor choosing cut,barrier
customizalion;branching; branchvariableand
objectives as general direction
nodeselection;cutting. algebraic formulae
Comments/New
Features: Providesmanyparameter Freeevaluationcopies(30 GreaUyenhancedversjon ROl XPRESSDevelopment
values,controlvariables days);hasquadratic 01Ihe solverbuiit~nto Systemis a fuUdeveIopment
anduserexits.PCversion programmingmodule. MicrosoftExcel.suitablelor tooIfor creatingmuJti-user
comeswithself-contained, industrialstrength MIP appIications.The system
executableapplication problems;nowlor Windows integrates!he algebraic
programslor network,MIP NTandWindows95. modeIingand optimization
andQPproblems, capabilities01XPRESs-MP
with a GUI lor developing
databases,screens& reports.
36
SCICONIC
MGG SOPT2.0 Wllat's Best! XLSOLSolversfor AMPL XPRESS-MP
No Ves No Ves No No
Ves Ves No Ves Ves Ves
unlimited none IllIim~ed all unlimrted
:'!::,=~een
~~~~i;.;;,i~
Convex programming in Inlegratedcase Buildlinear,nonlinearand SupportsWindowsmu~i. Subroutine libraries:DLLs
Release2,0 management, matrix illeger modelsin your taskingandvirtuaimemory available;XPRESS-MP for
descriptionindependenl
el lavoritespreadsheet. (withAMPLPlus). Windows.Toorder.contact:
data,dataandsolution Powerfulenoughlo handle ROl,531SouthGaySt..
displaysdynamic toughestmodelsandideal Suite212, Knoxville. TN
orientatlon, forprovidingmodelslo 37902; (615)522-2211;
managersorclients, FAX:(615)522-7907.
37
sujeito a
Z ,,7" ..J Lv~<-" '? ,,()
2x + 4X2 :s;80
" '';
3x + x2:S;60
~9 ~ 1 6,
XI ' x2 ~ O
Portanto, para (1), se s vale zero, o resultado a ser esperado para a expressao
"2x +4x2" deve totalizar "80". Caso SI seja maior que zero, a expressao "2xl +4x2" deve
valer menos que "80", o que efetivamente caracteriza a "folga" na restric;ao.
~
~y
" ~
Assim sendo, o sistema representado agora pelas equar;oes (O), (1) e (2) pode ser
resolvido, a partir de urna soluyao inicial, normalmente localizada na origem. A soluyao
inicial estar localizada na origem implica que XIe x2 valem zero, e consequentemente, SI e
S2valem respectivamente "80" e "60". As variveis sI e s2 , que assurnem assim valores
nao-nulos, sao chamadas variveis bsicas, ou seja, fazem parte da chamada "base" do
modelo de programayao linear, que deve conter urn nmero de variveis que seja igual ao
nmero de restriyoes do problema.
Para identificar as variveis que compoem a base, deve-se observar quais delas
respeitam a caracterstica da matriz identidade, nas equayoes representativas das restriyoes
do problema. No caso, tais equayoes poderiam ser reescritas como sendo:
Confirma-se entao que a primeira soluyao vivel pode ser representada pela base (s1>
s2)' Normalmente, as variveis restantes, nao pertencentes a base, sao chamadas de
variveis nao-bsicas, e assumem valores nulos.
Assim sendo, urna vez que a funyao objetivo pode ser reescrita como:
e que as variveis (x, x2) estao associados os valores (O, O), e as variveis (s, s2) estao
associados os valores (80, 60), isso faz com que o valor timo (no caso, mximo) de Z seja
igual a zero.
2x +4(0)+0=80 (1)
3x\+1(0)+0=60 (2)
X = 40 ~ de (1)
x = 20~ de (2)
para xl dever ser zero na equayao (O)e restriyao (1), e 1 na equayao (2).
Partindo-se assim da equayao (2), a mesma deve ser dividida por 3, resultando em:
2x + 4X2 + SI = 80 (1)
-2x -2/3 X2 -2/3 s 2 = -40 ( 2a ) x 2
10/3 x2 +s -2/3 S2 = 40 (1a)
Z- 140x2 100s2
-+-=2000 (O)
3 3
10x 2s
Ox + --1. + s - 2 = 40 (1) Base: s,x
3 3
Ix Is
Ix + 2 + Os + J = 20 (2)
3 3
Os passos anteriores sao entao novamente repetidos, urna vez que ainda h
contribuiy5es positivas na funyao objetivo. Assim, a partir da 2a. iterayao, obtm-se:
c Base b.*
1 cl c2 c3 C4
cb /
Xl x2 sI s2
all a12 a13 a14
i = linha
j = coluna
onde:
6Adotada a nomenclatura e padroes apresentados por LEE; MOORE & TAYLOR (1985).
41
Exemplo:
sujeito a
2x +4X2 +s = 80
3x, +X2 +S2 = 60
x ,X2,s ,S2 O
Tableau inicial:
Ci Base b.*
1 100 80 O O
cb Xl x2 sI s2
O sI 80 2 4 1 O
O s2 60 3 1 O 1
Zj O O O O O
Cj - Zj - 100 80 O O
42
b) caminhar para urna melhor soluyao at que nao haja mais valores positivos para
Cj - Zj
- clculo de Zj: aij x b
j
o x 80= O
Ox 60 = O
L:=0
Ox2=0
Ox3=0
L:=0
Portanto, na segunda linha que a varivel xl assume o menor valor. A essa segunda
linha, a qual est associada a varivel s2, dada a denominayao de linha piv. A clula
correspondente a interseCyaOda linha piv com a coluna piv dado o nome de elemento
piv, que no caso diz respeito ao elemento "3".
Assim, generalizando, para se obter o elemento piv, deve-se dividir cada bi* pelo
valor correspondente da coluna piv e escolher o menor valor nao-negativo, ou seja,
No caso:
*
b = 80- 2x20 = 40
x = 2 - 2xl = O
c - z = 100 -100 = O
c2 -Z2 =80-33 1/3=462/3
c3 - Z3 = O- O= O
c4 - Z4= 0-33 113 = -33 113
c Base b.*
1 100 80 O O
cb Xl x2 sI s2
O sI 40 O 10/3 1 -2/3
100 xl 20 1 '1/3 '0 1/3
podem ser observadas as caractersticas da matriz identidade para nova base (s, xl), a qual
corresponde um valor de "2.000" unidades para a funyao objetivo.
Aps a 23 iterayao, chega-se ao seguinte tableau:
c Base b.*
1 100 80 O O
cb Xl x2 sI s2
80 x2 12 O 1 3110 -1/5
100 xl 16 1 O -1/10 2/5
zi 2560 100 80 14 24
C- Z - O O -14 -24
45
Percebe-se que nao h mais valores positivos de Cj - Zj, o que, para um problema de
maximizac;ao, significa que nao h mais possibilidades de se aumentar o valor da func;ao
objetivo. Portanto, chegou-se a soluc;i1otima, representada pela base (x2, xl), que assume
os valores (12,16), resultando no valor de 2.560 unidades para a func;aoobjetivo.
Pode-se, assim, a partir dos passos seguidos para este exemplo, ser definido um
roteiro para a aplicac;aodo mtodo Simplex para um problema tpico de maximizac;ao.Para
a resoluc;ao de outros problemas de otimizac;aoatravs do mtodo Simplex, os seguintes
ajustes devem ser realizados:
/
fun<;aoobjetivo dever ser +M, caracterizando a varivel bsica que se comporta mais
contrariamente ao sentido de otimiza<;ao do problema, devendo assim ser a primeira a
deixar a base. Raciocnio anlogo pode ser feito para problemas que envolvam a
maximiza<;aode urna fun<;aoobjetivo, sendo nesse caso, -M o coeficiente da varivel A .
Para problemas que envolvam restri<;oestipo igualdade, a utiliza<;aode variveis
artificiais Ai , com os devidos coeficientes M na fun<;aoobjetivo, tambm se aplica.
sujeito a
Ax ~ b e xO (2)
sujeito a
Note-se que o exemplo apresentado em (1) e (2) pode ser facilmente transformado na
forma padrao apresentada em (3) e (4) pela adiao de variveis de folgas nao-negativas.
Assim sendo, dada urna soluao inicial, vivel e interior (Le., que satisfaz a restriao
de igualdade, Ax = b, E"cujos componentes sao estritamente positivos, x > O),pesquisa-se
urna maneira'para se continuar em urna direao descendente, para o prximo ponto. Esca
tarefa, apesar de simples em sua especificaao, muito menos bvia em sua
implementaao.
Especificamente, as seguintes perguntas deverao ser respondidas:
1) Como comear? Como encontrar urna soluao inicial, vivel e interior a regiao
vivel?
2) Como continuar? Dada urna soluao inicial, como gerar a soluao seguinte
garantindo que, ao mesmo tempo, a viabilidade seja mantida e o valor da funao objetivo
reduzido?
3) Quando parar? Assumindo que seja possvel encontrar respostas para as primeiras
duas quest6es, por quanto tempo o passo 2 dever ser repetido? Quantas novas soluoes
deverao ser geradas? Como identificar a existencia ou ausencia de urna soluao tima?
Esses tres aspectos, tambm vlidos para o desenvolvimento do Simplex, sao tambm
cruciais para urna implementaao bem sucedida de qualquer algoritmo de pontos interiores.
Pelo Simplex, inicia-se em um vrtice e continua-se de um vrtice para outro at que
o vrtice timo seja alcanado. Supondo-se que se deseja caminhar atravs da regiao vivel
e nao em tomo de sua envoltria, como isso poderia ser feito?
48
( soluc;;ao tima
sujeito a
x~O (6)
onde x E Rn.
Assumindo que qualquer vetor n-dimensional, estritamente positivo, seja urna solwrao
inicial vivel, deve-se identificar urn vetor de dire<;:aodas itera<;:oesque movimente a
solu<;:aoinicial num sentido decrescente, em termos de valor da fun<;:aoobjetivo. Urna
maneira para tal seria inscrever urn crculo em x ~ O,centrado na solu<;:aoinicial, e com um
raio suficientemente grande para nao violar as restric;:oesde nao-negatividade.
Com este crculo, a soluc;:aoinicial est localizada em seu centro, a regiao vivel passa
a ser considerada como arredondada, e se toma possvel realizar progressos considerveis
na direc;:aode outra soluc;:aovivel, com um menor valor para a func;:aoobjetivo.
O prximo passo ser o de definir o vetor de direc;:aodas iterac;:oes,que ser
assurnindo, inicialmente, como sendo o gradiente da func;:aoobjetivo.
Como o gradiente igual ao vetor .Q,o caminhamemo na irec;:aoda soluc;:aotima
deve ser feito no sentido oposto a c (ou seja, -c), chegando-se a urna soluc;:aocom valor de
cTx igual a urna constante, tangente ao crculo inscrito no primeiro quadrante, e
particularmenterepresentadapelopontoB, conformeapresentadona Figura 6.
e
gradiente
fun~ao objetivo
~
Note-se que devido ao arredondamento da regiao vivel, assim como pelo fato de se
iniciar pelo centro, chegou-se ao ponto B, o qual ainda um ponto distante da origem (que,
no caso, a soluyao tima do problema). De qualquer maneira, ao examinar-se o ponto em
questao, observa-se que grande progresso foi feito ao longo do eixo vertical, e pouco
progresso ao longo do eixo horizontal.
Maior progresso poderia ter sido obtido, entretanto, se a soluyao inicial estivesse a
igual distancia de ambos os eixos. 1sto poderia ser facilmente obtido pelo escalonamento
(mudanya de escala) do sistema de coordenadas da Figura 9, de tal maneira que o centro do
crculo fosse movimentado at ficar tangente a ambas "muralhas" (no caso, os eixos do
sistema cartesiano) da regiao vivel.
Nesse novo espayO, movimentar-se novamente na direyao assumida anteriormente
nao ser mais vlido, em funyao do escalonamento adotado. Para efetuar os devidos ajustes
para se obter a direyao adequada para esse novo espayO,o componente horizontal (apenas,
urna vez que somente o eixo horizontal foi escalonado) do vetor de direyao de iterayoes
tambm dever ser escalonado. No exemplo em questao, como a escala horizontal foi
transformada pur um fatcr igual. a 2 para se obter a transbyao desejada, o mesmo fator
dever ser aplicado ao componente horizontal do vetor de direyao, o que implica a situayao
representada na Figura 7.
Note-se ainda que esse escalonamento nao se aplica somente ao vetor da funyao
objetivo, mas assim tambm as restriyoes do problema, o que resulta em um problema de
programayao linear escalonado.
51
"-
~
Figura 8 - Elipside inscrito no espayOsoluyao original.
2.5.1 Representa<;aomatemtica
Ax o =b (7)
Xnovo= Xo + dx (8)
Adx = O (10)
A partir de (8):
T - T < T T <
C Xnovo- C ( Xo + dx ) - c Xo ::::::> c d x - O (12)
Assirn, foram obtidos dois requisitos para o vetor de dire<;aode itera<;oes dx. O
prirneiro diz respeito ao fato de tal vetor pertencer ao espa<;onulo da matriz A; e o segundo
preve que o produto desse vetor com vetor objetivo ~ seja nao-positivo.
53
Para considerar o sentido do vetar gradiente, de tal forma a preservar a validade das
expressoes (10) e (12), o primeiro requisito pode ser representado por:
Um operador de projeyao para este espayO dado pela matriz f de dimensao n x n, tal
que:
ehamado "de projeyao" urna vez que ao operar sobre qualquer vetor n-dimensional,
faz eom que tal vetor passe a estar contido no espayOnulo da matriz A. Isto , se y = Pz,
entao faeilmente verificvel que Ay = Opara qualquer vetor z e, portanto, y pertenee ao
espa<;onulo de A. Esta matriz de projeyao, alm de satisfazer AP = O, tambm simtrica
(P = pT) e idempotente (P = PL).
dx = P(-e) (15)
Assim, dada urna soluyao vivel inicial, e interior, projeta-se o gradiente da funyao
objetivo no espayo nulo de A e itera-se no sentido contrrio desse gradiente, garantindo-se
assim a viabilidade da soluyao e o decrseimo no valor da funyao objetivo (vide Figura 9).
54
original
x gradiente projetado
Dado assim um vetor inicial, x = [xl, x2, ... , Xn]T,seus componentes sao escalonados
de tal maneira que se chegue a um vetor x, cujos componentes estao a igual distancia de
todas as "muralhas" do politopo.
Assumindo esse vetor escalonado X, com distancias unitrias das bordas, tem-se a
seguinte relac;ao:
11 IXI O O O O
11 10 X2 O O O
XI = 1 D= O O X3 O 01 (17)
1 O O O O xn
USP/ESALQ
Departamento ~~ ~conomia e
SOCIOIOg!:I
1~ural
BIBLtOTECA
55
Alm do mais, urna vez que o vetor soluyao x sempre interior ao politopo, os
elementos da diagonal da matriz D sao estritamente positivos e, portanto, D passvel de
inversao (matriz nao-singular). Escalonando o problema original:
sujeito a
Ax=b e x O (20)
tem-se:
mirl cT
1 xI (21)
sujeito a
Alx = b e x O (22)
onde:
Portanto, dado o vetor soluyao inicial x, o vetor xl para o problema escalonado faz
comque tal ponto esteja localizado a urna distancia unitria de todas as bordas do politopo
escalonado.
56
sujeito a
3x +6X2 ~ 18
2x +2X2 s 16
lx + lx2 ~ O
x ~O
X2 - irrestrita
Se fosse imposto que a varivel x2 tambm tivesse que observar valores positivos ou
nulo (que o padrao assumido pelo Simplex, e incorporado na maioria dos software), a
soluc;ao tima obtida diria respeito a um valor de 144 para Z, de 8 unidades para xl e O
unidade para x2' Entretanto, para o problema em questao, pode ser considerada a opc;aode
valores negativos para a varivel x2' Para avaliar tal possibilidade, sugere-se que na
estrutura original do problema a varivel x2 seja substituda por x3 - x4 (onde x3 e x4 que
sao variveis auxiliares), o que implicaria na seguinte nova estrutura:
57
sujeito a
3x +6x3 -6X4 18
2x +2x3 -2X4:::; 16
1x + 1x3-lx4 O
x,x3,X4 O
X2 -20
9O leitor atento poder notar que o exemplo comentado diz respeito a solu<;aodo exerccio 8, apresentado a
pgina 11.
58
detectado quando a linha piv nao pode ser selecionada (valores n~gativos para a
relac;ao b*), ou quando os valores aj da coluna piv sao negativos ou nulos. Para um
problema de maximizac;ao, por exemplo, a regiao vivel urna poligonal aberta (vide
Figura 11).
Xl
X2
59
Xl
~
Xl
10 Urna referencia bsica para o tema, que contrn urna srie de aplica~6es para casos brasileiros, CONTINI
etal. (1984).
60
investimento. Entretanto, para cada vaca ser necessrio um investimento de US$ 900,00, e
para cada galinha serao necessrios US$ 7,00.
Para cada vaca ser necessrio 0,6 hectare de terra, 100 homens-horas de trabalho
durante os meses de inverno e 50 homens-horas durante o verao. Cada vaca produzir urna
receita lquida anual de US$ 800,00 para a famlia. Os dados correspondentes por ga1inha
sao: nenhum hectare, 0,6 homem-hora durante o inverno, 0,3 homem-hora durante o verao e
urna receita lquida anual de US$ 5,00. O galinheiro pode acomodar um mximo de 3.000
galinhas e o tamanho da fazenda limita o rebanho a urn mximo de 32 vacas.
Os homens-horas e receita estimados por hectare plantado em cada urna das tres
plantayoes sao:
A famlil deseja determinar quantos hectares deveriam ser plantadClspara cada urna
das plantayoes e quantas vacas e galinhas deveriam ser mantidas para maximizar sua receita
lquida (HILLIER & LIEBERMAN, 1988).
2.8 DUALIDADE
Refere-se ao fato de todo problema de programayao linear poder ser expresso em duas
formas, a princpio distintas. A primeira, ou a original, chamada de PRIMAL, enquanto a
segunda chamada de DUAL.
As propriedades do PRIMAL estao intimamente ligadas as do DUAL, sendo o valor
timo da funyao objetivo o mesmo para as duas formas.
Entre as vantagens do DUAL, destaca-se a possibilidade de fornecer informayoes
econmicas sobre a utilizayao de recursos, como por exemplo, auxiliar na tomada de
decisao para a aquisiyao de recursos adicionais. Alm disso, pode ser de mais fcil
resoluyao que o PRIMAL, caso o nmero de iterayoes do Simplex seja menor.
62
Exemplo:
EXIGENCIAS
RECURSOS PROD. 1 PROD. 2 DISPONIBILIDADE
TRABALHO (h/unid.) 1 2 10 h
MATRIA PRIMA (kg/unid.) 6 6 36 kg
ESPA<;O FSICO (m2/unid.) 8 4 40m2
LUCRO ($/unid.) 4 5
Max Z = 4x +5X2
sujeito a
cJ Base b.*
1 4 5 O O O
cb Xl X2 sI s2 s3
5 x2 4 O 1 1 -1/6 O
4 xl 2 1 O -1 1/3 O
O s3 8 O O 4 -2 1
Z 28 4 5 1 1/2 O
c - z O O -1 -1/2 O
Soluc;ao tima: xl = 2, x2 = 4, s3 = 8
63
x $1
XI + 2x2 = 2 + 8 = 10 -> $10
E o valor do espac;ofsico?
Substituindo na restric;ao:
sujeito a
onde:
PRlMAL DUAL
Max Zp = 4x + 5X2 MinZd = 10y +36Y2 +40Y3
sujeito a sujeito a
Ix +2x2 ~ lO y + 6y 2 + 8y 3 :2:4
PRIMAL DUAL
n m
Max Zp = j=1
I Cj Xj Min Zct = i=1
I b y
Restri<;ao i Varivel y
Varivel Xi Restri<;ao j
Restri<;ao tipo ::s; Restri<;ao tipo
Restri<;ao i tipo = y irrestrita
Xi irrestrita Restri<;ao j tipo =
Admitindo que urn produtor deseja formular urna rayaOde custo mnimo para sunos
em crescimento (30 a 60 kg), deve-se determinar a melhor composiyao para 1 kg de rayao.
Assim, minimizando o custo total de 1 kg da mistura, a partir das informayoes fomecidas:
Min C = 1,80 Milho + 4,20 Fsoja + 2,00 Ftrigo + 7,50 Fcarne + 9,00 Fsan + 14,50 Fosbica
+ 0,80 Calca + 3,00 Sal + 28,00 MistA + 145,00 MistB
\
68
Protena: 15,50 ~ 8,51 Milho + 45,60 Fsoja + 15,30 Ftrigo + 45,20 Fcarne + 80,90 Fsan ~
16,00
Energial1: 3.260 ~ 3.493 Milho + 3.378 Fsoja + 2.103 Ftrigo + 2.133 Fcarne + 2.809
Fsan ~ 3.360
Clcio: 0,02 Milho + 0,36 Fsoja + 0,12 Ftrigo + 11,60 Fcarne + 0,20 Fsan + 22,61 Fosbica
+ 37,00 Calca = Ca
Fsforol2: 0,27 Milho + 0,55 Fsoja + 0,88 Ftrigo + 5,40 Fcarne + 0,15 Fsan + 17,03 Fosbica
= P e 0,0050 ~ P ~ 0,0052
Lisina: 0,23 Milho + 2,87 Fsoja + 0,57 Ftrigo + 2,28 Fcarne + 6,57 Fsan ~ 0,69
~: Ca - 1,30 P ~ O
Ca - 1,40 P ~ O
11 Note que as restri<;oes de Protena e de Energia podern ser desdobradas, naturalmente, ern pares de
restri~oes, urna vez que envolvern limites mnimo e mximo para cada urna dessas exigencias nutricionais.
12Nas restri~oes de QkiQ e Fsforo, os coeficientes das variveis Ca e P sao unitrios.
69
Peso total: 1 Milho + 1 Fsoja + 1 Ftrigo + 1 Fcarne + 1 Fsan + 1 Fosbica + 1 Calca + 1 Sal
+ 1 MistA + 1 MistB = 1
Milho = 0,717 kg
Fsoja = 0,149 kg
Ftrigo = 0,094 kg
Fcarne = 0,026 kg
Calca = 0,007 kg
Sal = 0,005 kg
MistA = 0,001 kg
MistB = 0,001 kg
P = 0,500 kg
Ca = 0,650 kg
2) Um fazendeiro est criando frangos e deseja obter urna rayao de alto contedo
proteico, mas de custo mnimo. Os requerimentos mnimos exigidos na composiyao da
rayao: 90 gramas do nutriente A, 48 g do nutriente B, 20 g do nutriente C e 1,5 g de
vitamina X, por quilograma de rayao. Ele pode obter esta frmula atravs do uso de dois
ingredientes: ingrediente 1, que contm 100 g de A, 80 g de B, 40 g de CelO g de X (o
custo deste ingrediente estimado em 60 centavos por quilograma); ingrediente 2, que
70
-- Custo ($/kg) 21 18 15
a) Formule o problema de tal forma que o custo total da mistura seJa o menor
possvel.
b) Esquematize a tabe1acorrespondente a primeira itera<;aodo Simplex.
c) Formule a estrutura dual do problema.
d) Verifique se a solu<;ao"3.000 t de A, 5.000 t de B e 2.000 t de C" faz sentido,
assim como identifique as restri<;5esatuantes do problema.
e) Caso se considere a formula<;aoda mistura apenas a partir da utilizayao dos
ingredientes B e C, calcule o valor do pre<;o-sombraassociado a restri<;aode peso da ra<;ao.
71
Exemplo: A partir dos dados apresentados na tabela a seguir (os nmeros em negrito
representam os custos unitrios de transporte), determinar o plano para
destina<;aode remessas de ervilhas enlatadas de 3 fbricas a 3 depsitos, de tal
forma que o custo total de transporte seja minimizado.
DEPSITO
Fbrica 1 2 3 Produ<;ao
1 I
8
I
5 I
6 120
2 L o- I
12 80
3 I
3
I
9
I
10 80
FBRlCA DEPSITO
Produ~5es X11 Capacidades
Fl=120 Dl=150
D2=70
F2=O
F3=O D3~O
TOT AL=280
~Oblema est ba1anCe~ TOTAL=280
Min Z=8xlI +5x12 +6x13 +15x21 +10x22 +12x23 +3X31 +9X32 +10x33
sujeito a
De maneira genrica,
73
m n
sujeito a
n m
~x..
L IJ
=s. 1 e ~X..
L IJ
=d.
J
e Xij ~ O
j~l i=l
onde:
Note-se que o nmero de variveis bsicas definidas dever ser igual a m+n-l, e nao
m+n, como seria de se esperar. Em vista disso, a omissao de urna das restriyoes nao
implicar em alterayav da resposta, urna vez que se part~ do pressuposco do balariceamento
do problema.
Como se trata de um problema tpico de programayao linear, ele pode ser resolvido
pelo Simplex. Entretanto, em alguns casos, o tempo de processamento pode ser excessivo.
AIguns exemplos de algoritmos para a obtenyao da soluyao inicial (nao necessariamente a
tima) para alimentar o Simplex sao apresentados a seguir.
1 2 3
1 120 120
2 30 50 80
3 20 60 80
150 70 60
Assim, a partir dessa soluyao, pode-se chegar ao seguinte custo total de distribuiyao:
= 8 x 120 + 15 x 30 + 10 x 50 + 9 x 20 + 10 x 60 = 2.690
1 2 3
1 I
8 I
5 I
6 120
70 50
2 I
15
I 10 I
12 80
70 10
3 -1 3 I
9
I
10 80
80
150 70 60
o custo total de distribuiyao obtido para essa soluyao pode ser dado por:
= 5 x 70 + 6 x 50 + 15 x 70 + 12 x 10 + 3 x 80 = 2.060
que inferior (e portanto, "melhor") que a soluyao obtida pela Regra do Canto Noroeste.
75
a) Calcule os valores das penalidades de cada urna das linhas e colunas, subtrando o
menor valor Cijdo segundo menor valor de Cijnaquela linha ou coluna (penalidade =
"infrayao" por nao escolher a clula de custo mnimo).
b) Escolha a linha ou coluna com maior valor de penalidade (se houver empate,
escolha arbitrariamente) e aloque o mximo possvel de unidades a clula de menor Cij
daquela linha ou coluna (assim as maiores penalidades sao evitadas).
1 2 3 Penalidade
por linha
1 70 I
1t
I
5
I
6' 120 6-5 = 1 / 1
50
2 I
15- I 12 80 12-10 = 2 / 2
70 10
".\.
3 L _.3 k I 10 80 9-3 =6
80
150 70 i 60
Penalidade 8-3 = 5 9-5 = 4 10-6 = 4
por coluna 7 5 6
a) Ok.
c) A linha 3 eliminada.
al) Recalcule penalidades das colunas (as das linhas continuam as mesmas).
c) A coluna 1 eliminada.
a2)Recalcular as penalidades das linhas (as quais, por coincidencia, sao as mesmas).
= 8 x 70 + 6 x 50 + 10 x 70 + 12 x 10 + 3 x 80 = 1.920
Sempre chega a soluyao tima. Parte de urna soluyao inicial e pesquisa se alguma
melhor soluyao pode ser obtida. Partindo-se, por exemplo, da soluyao obtida pelo "canto
noroeste".
77
1 2 3
1 120 I
8 - I
5 - I
6 120
2 T 15 I lO I
12 80
30 50 -
3 I
3
I
9
I
lO 80
- 20 60
150 70 60
2) Para nao violar a restriyao da coluna 2, urna unidade dever ser subtrada ou de X22
(50) ou de X32(20). Subtraia 1 de X22,que passa a ter 49 unidades, e a coluna 2 com urn
total de 70, novamente.
3) Agora a linha 2 totaliza 79 e nao mais 80, o que pode ser corrigido coro a adiyao de
urna unidade a X21(30 => 31).
4) A coluna 1 fica entao com uro total de 151, o que pode ser corrigido com a
subtrayao de urna unidade de Xli'
Em outras palavras, deve-se determinar para cada varivel nao-bsica urn "caminho
fechado" ("closed-Ioop") para que se obtenha a eventual contribuiyao especfica a funyao
objetivo.
d) Clulas ocupadas podem ser "puladas", assim como um caminho pode apresentar
"cruzamentos" .
e) Exatamente urna adiyao e urna subtrayao devem aparecer em cada linha e coluna do
caminho trayado.
Assim, a varivel que entra ser aquela que contribui com a menor reduyao no valor
da funyao objetivo, que no caso diz respeito a varivel X31' o valor a ser alocado a esta
79
clula dever ser o mximo, de tal forma que nenhuma clula do caminho fechado fique
com valores negativos.
J para a varivel que sai, esta dever ser aquela, com sinal negativo no caminho
fechado, com aloca9ao inicial de menor valor absoluto. No caso, para o caminho referente a
X31:
1sto posta, dever se realocar o valor da varivel que sai pelo "caminho fechado" da
varivel que entra:
X31 = O+ 20 = 20
X21 = 30 -20 = 10
X22 = 50 + 20 = 70
X32 = 20 - 20 = O
1 2 3
1 120 120
2 10 70 80
3 20 60 80
150 70 60
Caso isto ocorra, criar urna origem ou destino fictcio para que o balanceamento possa
ocorrer. Para o exemplo inicial, se a produyao total for maior que a capacidade total, criar
um depsito fictcio com capacidade = produyao total - capacidade total, com custos de
distribuiyao nulos. Se a produyao total for menor que a capacidade total, criar uma fbrica
fictcia. Outra maneira de se resolver o problema seria tratar as restriyoes pertinentes nao
mais como equayoes e sim como inequayoes.
b) degenerayao
Ocorre quando h menos que m+n-l variveis bsicas no "tableau". Para se contornar
tal problema, atribua o valor zero as clulas nao preenchidas e as considere como variveis
bsicas (o nmero de clulas com valor zero deve ser igual a diferenya entre m+n-1 e o
nmero de clulas originalmente ocupadas).
c) soluyoes mltiplas
Ocorrem quando, detectada a soluyao tima, um dos valores das contribuiyoes for
zero. O caminho fechado para a varivel xij correspondente indicar a forma de obtenyao da
soluyao alternativa.
2.10.6 Exerccios
De/Para A B C
1 $ 10 $5 $ 12
2 $4 $9 $ 15
3 $ 15 $8 $6
Qual ser a quantidade de arroz a ser transportada entre cada arrnazm e cada centro
consuITjdor, de tal forma que as demandas de cada centro sejam supridas e que ()custo total
de transporte seja mnimo?
2) Suponha que a Inglaterra, Franc;ae Espanha produzam todo o trigo, cevada e aveia
do mundo. A demanda mundial de trigo requer que 50 mi1h6esde hectares de terra sejam
dedicados a produc;ao de trigo. Similarrnente, 24 milh6es de hectares de terra sao
requeridos para cevada e 30 milh6es de hectares de terra para aveia. As quantidades totais
de terra disponvel para estes propsitos na Inglaterra, Franc;ae Espanha sao 28 milh6es de
hectares, 44 milh6es de hectares e 32 milh6es de hectares, respectivamente. O nmero de
horas de trabalho necessrios na Inglaterra, Franc;ae Espanha para produzir um hectare de
trigo sao 45 horas, 32 h 30 min e 40 horas, respectivamente. O nmero de horas de trabalho
necessrias na Inglaterra, Franc;ae Espanha para produzir um hectare de aveia sao 30 horas,
25 horas e 40 horas, respectivamente. O nmero de horas de trabalho necessrias na
Inglaterra, Franc;ae Espanha para produzir um hectare de cevada sao 37 h 30 min, 30 horas
e 30 horas, respectivamente. O custo de mao-de-obra por hora para a produc;ao de trigo
US$ 3,00, US$ 2,40 e US$ 3,30 na Inglaterra, Franc;ae Espanha, respectivamente. O custo
de mao-de-obra por hora para produzir cevada de US$ 2,70, US$ 3,00 e US$ 2,80 na
Inglaterra, Franc;a e Espanha, respectivamente. O custo de mao-de-obra por hora para
produzir aveia de US$ 2,30, US$ 2,50 e US$ 2,10 na Inglaterra, Franc;a e Espanha,
82
3) Um certo aviao tem tres compartimentos para transportar carga: frente, centro e
traseiro. Estes compartimentos tem limites de capacidade tanto em peso quanto em volume,
conforme resumido abaixo:
Alm disso, o peso da carga nos respectivos compartimentos tem que observar a
mesma proporyao das capacidades de peso ,los compartimentos, para manter o equlibrio do
aviao.
As quatro cargas seguintes aguardam remessa nos prximos voos, a medida que haja
espayOdisponvel:
Pode ser aceita qualquer proporyao destas cargas. O objetivo determinar quanto (se
algo) de cada carga deve ser aceito e como distribui-las pelos compartimentos a fim de
maximizar o lucro total do voo (HILLIER & LIEBERMAN, 1988).
Fbrica!Armazm 1 2 3 4
A X M+N L M+L
B X+Y y 2xK M
C K Z+L Z N
6) Um determinado produtor deseja saber qual seria a melhor alocayao de suas terras,
de tal forma que seu lucro seja mximo. Sabe-se que suas terras estao divididas em tres
lotes, sendo 500, 800 e 700 hectares as suas respectivas reas. Sabe-se tambm que as
possveis culturas a serem implantadas seriam tomate, feijao e arroz, que oferecem lucros
unitrios ($/ha) de 600, 450 e 300; e que as terras nao comportam mais que 900 ha de
tomate, 700 ha de feijao e 1000 ha de arroz. Deve tambm ser considerado que quaisquer
das tres culturas podem ser implantadas em quaisquer lotes; que pelo menos 60% de cada
lote seja utilizado; e que as proporyoes plantadas de urna mesma cultura em cada urn dos
lotes sejam as mesmas.
Contratado urn profissional de Pesquisa Operacional, este fomeceu urna soluyao
tima para o problema que previu a seguinte distribuiyao de reas para as culturas:
-tomate: 225 ha no lote 1; 360 ha no lote 2; 315 ha no lote 3.
- feijao: 175 ha no lote 1; 280 ha no lote 2; 245 ha no lote 3.
- arroz: 100 ha no lote 1; 160 ha no lote 2; 140 ha no lote 3. !
\
Pede-se:
a) Verificar a viabilidade dessa soluyao em modelo de programayao linear que voce
formularia para resolver o problema, identificando as eventuais restriyoes limitantes (ou
85
a) fun<;aoobjetivo linear;
b) restri<;oeslineares;
c) variveis positivas;
d) algumas (ou todas) variveis inteiras.
(\
87
Xl=8
X2= 2 SOLU9AOINTEIRA
2=34
Xl = 6 SOLU9AO INTEIRA
~= ~~ COM 2 INFERIOR
Xl=8
X2= 2,25
2 = 35,25
0
. 6
Xl =4,25
X2=4
2 = 33,5
Xl =6,5
X2=3
SOLU9AO IMPOSSVEL
2 =34,5
Artifcio: Utilizar varivel inteira tipo zero-um nos RHS das restriyoes, ou 'eja,
~
2x + 4X2+ X3S 30 + y M
10x + 8X2s 180 + (1 - y) M
88
onde:
y = varivel inteira tipo zero-urn
M = um valor positivo arbitrrio, excessivamente alto.
Assim,
Por exemplo, se as restriyoes sao mutuamente exclusivas (somente urna das quatro
vlida),
Y+Y2+Y3+Y4=3;
Y+Y2+Y3+Y4=1
2.11.4 Aplicayoes
Entende-se que urna determinada escola tem como objetivo oferecer o maior nmero
possvel de aulas, conforme representado por (1):
n m o p
Max Xijkl (1)
j;! j;\ k;lI;\
onde:
onde:
I
j;!
Xjkl ::;1,O (3)
o p
: : Xjkl S;TOTii (5)
k=1 1=1
onde:
e) devido lforma definida para a varivel Xijk' para casos em que um detelminado
professor possa dar aulas para mais de urna disciplina, tais horrios nao deverao ser
coincidentes (6).
a m b m
Assim, de urna forma tabular, o seguinte quadro de horrios teria que ser preenchido:
n !TI o p
Max LL IIXkl
j;1 j;1 k;ll;1
a) todos os horrios sao possveis, ou seja, Xijkl :::;1. Na verdade, tal premissa exerce
mais o papel de um limite superior, urna vez que para situa<;oesnao definidas, Xijkl = O.
Portanto, para este exemplo:
XlIII :::;1,0
X1112:::;1,0
XII21 :::;1, O
XII22 :::;1, O
X 121I :::;1,0
XI212 :::;1, O
X1221 :::;1, O
X1222 :::;1, O
X2II1:::;1,0
X2II2 :::; 1, O
X2121 :::; 1, O
X2122 :::; 1, O
X22II:::;l,O
X22I2 :::;1, O
X2221 :::;1, O
X2222 :::; 1, O
(
92
b) em urna sala, num determinado dia, num certo horrio, no mximo urna aula; ou
ainda, urna sala nao pode ter duas aulas ao mesmo tempo. De urna maneira genrica:
2
Ii=lXijkl::;1,O
X1l21 + X2121::; 1, O
X12l1 + X2211::; 1, O
X12l2 + X2212 ::; 1, O
X1221+ X2221 ::; 1, O
2
I
j=l
Xijkl::;1,O
Para o exemplo:
93
d) o nmero mximo de aulas por disciplina e por sala, durante a semana, deve ser
respeitado. No caso, de urna maneira genrica,
2 2
IIXijkl:::; 2,0
k=ll=1
Assim sendo, o problema pode ser resolvido por algum software de programayao
linear inteira, tal como o ORSYS, que dispoe da opyao MILP ("Mixed Integer Linear
Programming"). Note que sob tal opyao pode ser estruturado um problema de programayao
mista, ou seja, envolvendo algumas variveis inteiras e outras nao necessariamente inteiras.
Pelo ORSYS, essa diferenciayao de status das variveis feita pelos rtulos (nomes) dados
as variveis. Assim sendo, quando na opyao MILP, as variveis inteiras tem que ser
renomeadas, na prpria estrutura da matriz gerada, com os rtulos 1.1, 1.2, etc., substituindo
os defaults X.1, X.2, etc., estabelecidos pelo software.
Naturalmente, tal resposta poderia ser facilmente obtida de maneira intuitiva, uma vez
que se trata de problema bastante simplificado. Entretanto, as situayoes prticas que
envolvem a elaborayao de horrios (por exemplo, distribuiyao de turnos de trabalho para
mao-de-obra; alocayao de mquinas agrcolas a diferentes frentes de trabalho, etc.) dao
conta de nmero bastante elevado tanto de variveis quanto de restriyoes, o que implica o
chamado fenmeno da "explosao combinatria".
Portanto, tais problemas envolvem matrizes de grande dimensao, que normalmente
tem caractersticas bastante especficas em termos de sua densidade, ou seja, da dispersao
de seus elementos nao-nulos. Exemplo dessa dispersao para o problema resolvido
apresentado a seguir.
Ul11 "112 "111 "112 %1211 um U221 Um.,111 U112 .,111 m12 "'" um U221 nm
1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 LOOOO 1.0000 1.0000 1.0000 LOOOO 1.0000 LOOOO LOOOO LOOOO
LOOOO LOOOO <o LOOOOOO
1.0000 1.0000 ,. LOOOOOO
1.0000 LOOOO <o 1. 000000
1. 0000 LOOOO <o LOOOOOO
1.0000 LOOOO ,. LOOOOOO
l. 0000 1.0000 <o 1.000000
1.0000 1.0000 ,. 1.000000
LOOOO 1.0000 ,. 1.000000
LOOOO l.OOOO ,. 1.000000
1.0000 1.0000 ,. 1.000000
1.0000
LOOOO
1.0000
1.0000
,.,. LOOOOOO
1.000000
1. 0000 LOOOO ,. 1. 000000
1 0000 1.0000 ,. 1.000000
SETS
I disciplinas / D1 * DIO /
J salas / Sl * 57 /
K horarios / H1 * H8 /
L dias / SEG, TER, QUA, QUI, SEX / i
VARIABLES
X(I,J,K,L) ocorrencia ou nao da da disciplina i na sala j no horario k no
dia 1
CT carga horaria total i
BINARY VARIABLE X(I,J,K,L) i
X.UP(I,J,K,L) = 1.0 i
EQUATIONS
CARGA TOTAL
RESTJKL (J,K, L)
RESTIKL (I,K,L)
RESTIJGRAD (I,J)
RESTIJPGRA (I,J) "
CARGATOTAL .. x
RESTJKL(J,K,L)
RESTIKL(I,K,L)
CT =E=
.. SUM
.. 5UM
SUM
(I,
. X(I,J,K,
(J, X(I,J,K,L))
C
((I, J, K, L), X (~' J, K, L))
) =D= 1.0 i
=L= 1.0 i
i
96
binrias, tipo 0-1. Tal unidade d~ manej~ ter que efetivamente ser colhida, nao fazendo
sentido a op9ao de colheita de un~e alguma de suas fra90es. Na pior das hipteses,
poderia se vislumbrar a colheita de fra90es da unidade, ao longo do ano, mas caracterizando
98
a explora9ao da rea total, o que a princpio nao parece ser urna prtica vivel em termos
logsticos (deslocamento constante de mao-de-obra e equipamentos, por exemplo), e por
consequencia, nao recomendvel economicamente. Assim sendo, tornar-se-ia interessante a
utilizac;:aode programac;:aointeira para a estrutura de modelagem a ser proposta, o que nao
foi realizado, e evitado, devido a limitac;:oesem termos de desempenho computacional, nas
aplicac;:oescomentadas para Eucalyptus e cana-de-ac;:car.Ainda, as unidades classificadas
dentro de urn determinado padrao de zoneamento tambm levam em considera9ao aspectos
de homogeneidade da cultura, como por exemplo, a predominancia de urna determinada
variedade. Com isso, a programac;:aode colheita poder eventualmente oferecer nao
somente o cronograma de colheita por propriedade, mas tambm por variedade.
Outro aspecto a questao de utilizac;:aode plataformas computacionais. As aplicac;:oes
citadas se concentraram basicamente na utilizac;:aode computadores de grande porte, talvez
pela sua disponibilidade na poca de implementac;:aodos respectivos modelos, e pelo fato
daquelas mquinas serem mais eficientes no que se dissesse respeito ao tempo de
processamento a ser dispendido. Hoje, com certeza, essa j nao necessariamente urna
premissa verdadeira: os custos de processamento em mquinas de grande porte sao
altssmos, o que j afasta o usurio nao tao qualificado; alm do mais, a- indstria da
informtica j oferece nao somente alternativas mais viveis em termos de equipamentos,
mas tambm ao nvel de software com caractersticas de eficiencia e convergencia em
processamento de problemas estruturados para programac;:aolinear, inteira ou nao, assim
como com caractersticas de flexibilidade a adaptac;:aopara computadores de portes e
fabricantes distintos.
Assim sendo, opta-se pela utiliza9ao de programac;:aolinear para a estruturac;:aode
modelo para colheita de laranja, tendo-se em vista as aplicac;:oesj realizadas com sucesso
em culturas anlogas, mas com algurnas preocupac;:oesbsicas. Entre elas: implementar tal
estrutura em mquinas de menor porte e, por conseguinte, de menor custo e de maior acesso
pela comunidade em geral envolvida; racionalizar o tempo de processamento para modelos
de grande dimensao atravs de anlise de pacotes computacionais que incorporem
algoritmos convergentes e que interajam com interfaces de caractersticas amigveis para
entrada de dados e sadas de relatrios.
Nesse sentido, proposta a formulac;:aomatemtica necessria para a representac;:aodo
problema em questao, passvel de resoluc;:aopor algoritmos de programa9ao linear, e
flexvel de tal forma que se possa resolver o problema por programac;:aolinear contnua ou
inteira, ou seja, podendo-se optar por C0 her talhao totalmente em urn niCO mes ou
7
colhe-Io por partes, se isto for operacional e ec omicamente vivel. U SPI t SA L Q
Uepartament.o .. conomia l
.
~OCIOlgl.
BIBLIOTECA
.
~ural
99
o modelo proposto
onde
onde
onde
poca de safra. Por exemplo, se a varivel Tj valer 1,0, o talhao i dever ser colhido
totalmente no mes j; caso Tijvalha 0,0, o talhao i nao dever ser colhido no mes j.
Quanto as restriyoes, elas podem ser divididas em tres grandes grupos, ou seja:
Vm talhao poder ser colhido entao mais que urna vez durante a safra, sem superar,
entretanto, o nvel de produc;aoesperado para aquele talhao.
Maximizar M (13)
sujeito a
2.11.5 Exerccios
-~
104
Disponibilidade Mxima
(h)
Operador Remunerarrao Seg Ter Qua Qui Sex
K.C. US$ 4,20/h 6 O 6 6 O
D.H. US$ 4,30/h O 6 O O 6
H.B. US$ 4,1O/h 4 8 4 4 O
S.C. US$ 4,00/h 5 5 5 5 O
K.S. US$ 5,00/h 3 O 3 O 8
N.K. US$ 5,50/h O O O 2 6
Maximizar R
sujeito a
CRONOTAL = 1,0
Sabe-se que:
105
a) em termos da func:aoobjetivo:
R = PS x LL
i j
PRO.. x TS.. x C..
IJ lJ 1J
onde
CRONOTAL = 1,0
sendo que:
CRONOTAL. =
l
Lj
C.
1J
Os dados que vem sendo utilizados dizem respeito a valores observados na ltima
safra. Assim sendo, a Tabela 1 fomece as informac:5es,ao nvel de talhao, em termos de
produc;ao de cana a ser esperada, por talhao, em func:aodo mes de colheita. Na Tabela 2,
sao mostradas as faixas observadas em cada mes, por talhao, em termos de Teor de
Sacarose.
j)
106
Pede-se:
a) montar as equa<;oese inequa<;oespertinentes ao modelo, em fun<;aodos dados
fomecidos;
b) "imaginar" e justificar urna possvel resposta - cronograma de colheita - para o
problema.
16 Baseado em ANDERSON, DILLON & HARDAKER (1988); BEKAMAN & COSTA NETO (1980);
HOFFMAN (1980).
107
. definiyao de critrio (por exemplo, optar pela ayao que propicie o MAIOR valor
esperado)
. aplicayao do critrio
.
MES". :7
Portanto, a decisao dever dizer respeito ado~ao da a:~'VENDER DAQUI A J
se as condiyoes de mercado observadas forem efetivamente as dos tipo "A", $ 1500 serao
retornados caso se opte por "VENDER DAQUI A 1 MES".
Asim sendo, se o tomador de decisao soubesse, com antecedencia, quais condiyoes de
mercado efetivamente prevaleceriam, nao necessariamente a mesma ayao seria tomada. Por
exemplo, caso a condiyao de mercado "A" ocorresse com certeza, a decisao a ser tomada
diria respeito a "ESTaCAR E VENDER DAQUI A 6 MESES", com urn retorno de $
4.000. Por outro lado, se a informayao sobre a condiyao de mercado "B" pudesse ser
antecipada ao tomador de decisao, naturalmente ele optaria pela ayao "VENDER DAQUI A
1 MES", com um retorno de $ 5.000.
Urna vez que a condiyao de mercado "A" ocorre em 30% das oportunidades, e "B" em
70% das situayoes levantadas, o valor esperado sob condiyoes de certeza poderia ser
calculado como:
900
cl scio
1500
TRAB.A / 0,6
sI scio
O
0,4
aceita
500
UNESP 0,8
900 I TRAB. B no ace.ta
O
TRABALHO - I 500
0,2
400
aceita
Zoot. I
600
ESAL / 0,6
no aceita
O
0,4
aceita
400
560 0,7
P.G. I
I ESALQ
no aceita
O
0,3
aceita
700
ESALQ '/ 0,8
no aceita
560 I O
0,2
Econ. - I
aceita
800
UNICAJ 0,5
no aceita
O
0,5
110
a) Retornos \
. ~
o valor esperado, medido em termos monetrios, nao necessariamente reflete a
melhor medida em termos de retorno para o tomador de decisao;
111
. os valores de utilidade pode ser obtidos atravs das curvas de indiferen~a, que
representem urna srie de combinayoes de preferencia do consumidor.
\~
~\ l
~20
..
~10
!
b) Probabilidades
Imagine que voce disponha de $100 e pretenda apostar em algum Jtipo de loteria.
Existem duas opyoes de loteria na sua cidade, sendo que para ambas, em caso de acerto do
112
apostador, paga-se em premio o dobro da quantia apostada. A primeira loteria diz respeito
ao acerto da previsao meteorolgica para o prximo fim-de-semana, basicamente, se chove
ou nao chove. Pelas suas probabilidades subjetivas, voce estima que h 60% de chances em
chover no prximo fim-de-semana. A segunda loteria relacionada ao acerto da cor de urna
bola a ser sorteada de urna caixa que contm 6 bolas vermelhas e 4 bolas brancas. Em qual
das loterias voce apostaria os $1007
. se voce indiferente a ambas, sinal de que sua probabilidade subjetiva est bem
estimada
Tem sua origem a partir de trabalho de autoria do Reverendo Thomas Bayes (nascido
em 1702, na Inglaterra), intitulado ''An essay towards solving a prrJblem in the doctrine of
chances", em The Philosophicat Transactions, 53, 1763 (!), p. 370-418, e reproduzido em
Biometrika, 45, 1958, p. 293-315. Suas principais premissas sao apresentadas a seguir.
. Sejam: Al, A2, ... , An eventos mutuamente exclusivos e exaustivos; e B urn evento
qualquer do espac;oamostral
Simbolicamente,
A1 A3 s
A4
AN
Note que:
n
B = UAJB (1)
i=l
Assim sendo, tal expressao [P(AkIB)] pode ser obtida pela regra da probabilidade
condicionada,
P(AkIB)= P(AknB) (4)
P(B)
Um agricultor acerta 80% dos dias em que chove e 90% dos dias em que nao chove.
Chove em 10% dos dias. Tendo ele previsto chuva em um dado dia, qual a probabilidade
de chover?
Sejam os eventos:
C = chove
C = nao chove
"C" = agricultorfaz previsaode chuva
"C" = agricultor faz previsao de nao chover
/
~\
Assim, )
P(q"C") =?
P(q"C") = P(Cn"C")
P("C")
1,081
0,80
O
'"
-
, ~,,~,
o~ C)
1,091
Em alguns casos, a probabilidade pela qual se tem interesse pode ser obtida
diretamente da rvore da natureza. Caso isso nao seja possvel - como o caso de nosso
problema - toma-se interessantea elabora9aOda rvoredo interessado.
(
\\
\
117
O
y 0.08
o
~ ~0'09
"C"
C/' 0,02
if
~ 0,81
Portanto,
8 2
P(q"C") = U P(q"C") = 83
9
P(CI"C") = ~
P(C I"C") = U 83
2.12.3 Exerccios
I
I
1) Um agricultor, com base em observayoes superficiais, acredita que a pr~t?abilidade
de haver gua (existencia de pOyOartesiano) em sua nova propriedade seja de 20%. Assim
sendo, podem ser definidos os seguintes eventos: el (existencia de gua) e e2 (nao
existencia de gua).
118
2) Urna fbrica de rac;aotem tres unidades: unidade A, que produz 20% do total da
produc;ao; unidade B, que produz 50% do total; unidade C, os 30% restantes. Em cada
unidade h urna diferente percentagem de rejeitos: 2% em A, 1% em B e 3% em C. Dado
que urna unidade de produto selecionado de urn determinado dia de produc;ao seja rejeito,
qual a probabilidade de que ele tenha vindo de B?
Asim, por exemplo, a probabilidade de ter sido feita previsao de chuva, e ter
efetivamente chovido, de 70%.
Foram tambm obtidas os valores das probabilidades associadas a dis\ribuic;ao a
priori das condic;5esmetereolgicas para a regiao. A saber: probabilidade de chuh= 10%,
probabilidade de tempo nublado = 30% e probabilidade de tempo ensolarado = 60%.
Construa as rvores de decisao pertinentes ao problema (adaptado de HILLIER &
LIEBERMAN, 1988).
119
US$/tIkm
0,080
0,070
0,060
0,050
'"
'"
'"
,
o
'"
linearidade podem ser bastante diversificados. Por exemplo, pode ser irentificada a nao-
linearidade restrita a fun9ao objetivo, e que pode variar para cada urna das variveis; pode
ser exclusiva a urna ou mais restri90es; ou ainda envolver tanto restri90es quanto a fun9ao
objetivo.
120
u = X1X 2 + 2x I (1)
4x + 2X2 = 60 (2)
u = XI (X2 + 2) (3)
sujeito a:
x2 = 30 - 2x (4)
au
(7)
& 1 = - 4x + 32 = O
-4x + 32 = O ~ x = 8 (9)
Substituindo na restri<;ao:
~ X2 = 14 (lO)
Z = f(x, y) (11)
sujeito a:
g(X,y) = c (12)
L = aL (14)
l. ( a A) = e - g(x, y) = O
= aL = Ix - Agx = O
L
x( ax ) (15)
aL
Lr = (= - ) = f - Ag = O (16)
. ay y y
mais que urna representayao alternativa ao problema fonnulado em (11) e (12), s que
mais facilmente solucionvel.
as equayoes (14), (15) e (16) podem ser resolvidas simultaneamente, de tal fonna que:
a L = 60 - 4x - 2x 2 = o
a"A
(18)
aL
(19)
a x = X2 + 2 - 4"A = o~ "A = X2 + 2
x2 = 2x - 2 (21)
60 - 4x - 2(2x - 2) = O (22)
X = 8 (23)
X2 = 2(8) - 2 (24)
X2 = 14 (25)
X2 + 2 - 4"- = O (26)
"- =4 (27)
L = 128 (28)
Min e = (x - 4Y + (x2 - 4Y
sujeito a:
2x + 3x2 ;::: 6
3x + 2x2 :s; 12
x , x2 ;::: O
(
Note-se, a partir da Figura 2, que ilustra a func;ao objetivo (nao-l~ear) e as
restric;oes(lineares) do problema, que a soluc;aotima, representada pelo ponto P (2; 3), nao
125
x2
6 / / ~'
e = o
Y
'
"
5 , ,/'~,-- "
I I ' ' ,
'
4 - -f - - ',,' ,\
\ \ '
\ - -',- _._~4,4)\ \ \
3
\ \, ' I
-,-- /
i. ! " i
.
,1 -' - - ~ ~ " /
/ / " e = 5
2
I
/
'--------
I
. x
5 6 1
Ponto timo
Em outro exemplo, tambm envolvendo apenas duas variveis, mas com a nao-
linearidade especfica a urna das restri<;oes, apresentado a seguir.
Max 7t = 2x + x2
sujeito a:
-x + 4x - X2 :::;;O
2x + 3x2 :::;;12
x , x2 2:: O
126
Pode ser observado, a partir da Figura 3, que a regiao vivel nao urn polgono
convexo, tal como se espera em urn problema de programa9ao linear. Os vrtices dessa
regiao vivel podem ser classificados como pontos de timo local, sendo o ponto de
mximo global representado pelo ponto P (6; O).
%2
,
\
\
\
4
/-X\2 + 4x\ -X2 =o
3
P
o '=\
1 ; 3 4 5 6
Max Z = f(x)
127
sujeito a:
gi(X) ~ O , i = 1,2, ,m
Max Z = f(x)
Passo 3: Se K = m, pare, porque nao foi encontrada urna soluyao vivel para o problema.
Caso contrrio, faya K = K + 1 e volte para o passo 2.
l
128
A B
Xl Xl
o Xl
o o
(b) (e)
(a)
19 Tais condi<;oes tambm sao conhecidas na literatura como "Condi<;oes de Kuhn-Tucker". A Histria
Matemtica documenta que o trabalho original de Kuhn e Tucker (Kuhn, H. W.; Tucker, A. W., "Nonlinear
Programming", Proceedings ofthe Second Berkeley Symposium on Mathematical St.atisticsand Probability,
University ofCalifomia Press, Berkeley, 1951) foi publicado em data posterior a tese(de Mestrado de William
Karush (Karush, W., "Minima of Functions of Several Variables with Inequalities as Side Conditions",
Master's tb.esis, University of Chicago, 1939), da qual Kuhn e Tucker tiveram conh~cimento somente anos
mais tardd. Assim, por justi<;a academica, o nome de Karush foi incluido nas agora conhecidas como
"Condi<;oekde Karusf-Kuhn-Tucker".
129
Note que, para o diagrama (a), ao ponto A corresponde urna soluc;:aodita interna,
com urn valor de x > Oe f'(x) = O;para o diagrama (b), urna soluc;:aode fronteira, com x
= O e f'(x) = O para o ponto B; e para o diagrama (c), soluc;:5esde fronteira sao
representadas pelos pontos e e D (x = O), mas com f'( Xl) < O. Assim sendo, de urna
maneira genrica, sao observadas as seguintes relac;:5espara essas tres possibilidades de
soluc;:ao:
f'(XI) ~ O
XI O
XI f'(XI) = O
Assim sendo, a partir desse tipo de observac;:ao,percebeu-se que podem ser definidas
algumas condic;:5esque devem ser satisfeitas por um ponto de timo local em um problema
de otimizac;:aocondicionada, de caractersticas nao-lineares, e envolvendo restric;:5estipo
in~quac;:5es.
x+y:S; 16
Soluyao:
L = f(x, y) + 1-..(16 - x - y)
aL = 12y - 2x - 1-..= o
ax
aL = 12x - 6y - 1-..= o
ay
1-..(16- x - y) = o
1a POSSIBILIDADE: 1-..= O
12y - 2x = O x = 6y
12x - 6y = O} X = 0,5Y] ~ X =Y = O ~ feO, O) = O
2aPOSSIBILIDADE: (16-x-y)=0
J,
x = 16 - Y
Substituindo: !
(
\~-)
131
12y - 2(16 - y) + A = O
~ 12y - 32 + 2y = 192 -12y -6y
12(16 - y) - 6Y + A = O}
32y = 224
Y= 7
x = 9
A = 66
f(9,7) = 528
aL
aA = r - g(XI'X2)
sujeito a
')
xi + x~ :::; 9
X - O
1a POSSIBILIDAD : 'A= --7 1- --7 feO,O)= O
tA_:J { X2 = O
(
\
133
2a POSSIBILIDADE: 9 - X~ - xi = o
XI *" O
Se ~ A=8 e A=2 (inconsistencia!)
{ X2 *" O
Se
XI = O ~
de (111):9 - xi = O ~ X2 = :t 3
f(0,3) = feO,-3) = 18
{ X2 *" O de (11): A = 2 }
XI *" O
Se ~ de (III): 9 - xi = O ~ XI = :t 3} f(3,0) = f(-3,0) = 72
{ X2 = O
aL = O
a XI/.
A; (r; -g;(x,(,),x,)) ~ o
Note que essas mesmas condiyoes tambm sao vlidas para problemas de
minimizayao com restriyoes tipo;::: . Tambm da mesma forma que para o caso de 2
variveis, pode-se supor que as restriyoes de desigualdade sejam vlidas c6mo
", restriyoes de
134
3.5 APLICA<;O
(c) pode ser estendido para permitir a inclusao de funyoes de custo de distribuiyao
baseadas em funyoes de oferta nao perfeitamente elsticas;
(d) sua estrutura poderia ser modificada para que imperfeiyoes, tais como monoplio
espacial ou mercados oligopolsticos, pudessem ser includas.
Entretanto, a opyao por um modelo de equilbrio espacial nao se esgota em si
prpria. H dois extremos que delimitam sua teoria: a versao monopolstica e a versao
competitiva do modelo. Em termos da indstria de trigo australiana, ela parece nao
preencher todos os requisitos em nenhum desses extremos. Pode-se considerar,
primeiramente, que os custos mdios assim como os preyOS obtidos no mercado,
representam pontos reais das funyoes de oferta e demanda num ambiente competitivo; mas,
ao mesmo tempo, todas as operayoes de comercializayao sao coordenadas pelo Australian
Wheat Board (AWB) - Associayao Nacional com caractersticas monopolsticas -
trabalhando com urna indstria de distribuiyao tambm centralizadora (a nvel estadual).
Portanto, urna combinayao entre graus de monoplio e competiyao entre vrios setores
envolvidos na indstria do trigo estaria permitindo a transmissao de preyos de mercado aos
produtores, aqueles que fomecem serviyos ao produtor, e ainda aos prprios consumidores.
Esta uma hiptese dificil de ser provada. No entanto, optou-se pelo teste dos
modelos puramente competitivo e puramente monopolista, separadamentt:. Aquele que
melhor reproduzisse os resultados obtidos para a safra em estudo (1985-86) seria
selecionado para a realizayao de experimentos.
Aps a realizayao de testes de verificayao e validayao (vide CAlXETA FILHO,
1989), constatou-se que a versao competitiva do modelo de equilbrio espacial era a mais
adequada para representar os dados de produyao e consumo da safra 1985-86.
(\
\
136
Armazns
Estoque Final
o cinturao de trigo australiano foi dividido em 19 regioes de oferta (cada urna delas
pode ser comparada a um grande armazm fictcio). Os destinos da safra foram divididos de
acordo com o seu uso final: 5 pontos para consumo humano, 5 pontos para rayao animal, 5
pontos para estoque regulador e 19 pontos para exportayao. Os custos de distribuiyao entre
cada par origem-destinoforam obtidosdas companhiastransportadorase de armazenagem
pertinentes, as quais tambm auxiliaram na estimativa dos custos de rotas at entao nao
exploradas comercialmente. Portanto, a principal tarefa a ser cumprida pelo Australian
Wheat Board (AWB) era o de alocar o trigo ,.ecebido dos produtores, de acordo com os
usos finais requeridos e sujeitos as taxas impostas pelas companhias de transporte e
armazenagem. Se o A WB vem desempenhando essa funyao de maneira tima, o lucro total
envolvido nas atividades de distribuiyao deveria estar sendo maximizado.
Em vista disso, os cenrios A, B, C e D foram formulados e devidamente simulados.
Cenrio A: representativo da situayao atual. Movimentos interestaduais nao foram
permitidos.
Cenrio B: retirada da discriminayao de preyos nas regioes de fronteira estadual.
Movimentos interestaduais sao permitidos.
Cenrio C: retirada da discriminayao de preyos nas regioes de fronteira estadual e
alterayoes nas quantidades ofertrdas do trigo. As elasticidades-preyo utilizadas no cenrio B
foram parametrizadas e os (movime1}tos interestaduais obtidos para cada soluyao
comparados.
Cenrio D: retirada da discriminayao de preyOSnas regioes de fronteira estadual e
incorporayao de um sistema de preyos desagregados para os serviyos de distribuiyao. Foram
desenvolvidasfunyoesquadrticasde customdiopara cada pontode ofertado modelo.
Todos os cenrios seguiram a estrutura matemtica bsica proposta por
TAKAy AMA e JUDGE (1971) e posteriormente aperfeiyoada por H~SHIMOTO (1985) e
MACAULA y et al. (1988). Os resultados para cada cenrio fora~. obtidos com o uso do
137
n m n m
L= P.Y - P.X. - T..X.. (1)
j=\ J J i=l 1 1 j=\ i=\ lJ lJ
onde:
L = lucro total;
Pj = pre90 de demanda do trigo;
Pi = pre90 de oferta do trigo;
Yj = quantidade de trigo demandada;
Xi = quantidade de trigo ofertada;
Tij = custo de distribui9ao entre as regioes i e j;
Xij = quantidadetransportadada regiaoi para a regiaoj.
Restric;oesde demanda
A fun9ao de demanda para cada uma das n regioes de consumo pode ser
representada como:
y J =a. J -b.P.,
J J paraj = 1, ... , n (2)
onde:
aj ~ coeficiente line} da fun,'o de demanda;
bj = coeficiente ang~9aO de demanda.
Y>
J - a.J - b.P.
J J , paraj = 1, ... , n (3)
ni
YJ = L..
"'X..
1J paraj = 1, ,., , n (4)
i=l
ni
"'X..
L..
>a. J - bP.
1J- JJ paraj = 1, ... , n (5)
i=l
Rearranjando,
ni
- b JJ.P - '" X.. < -a. J
L.. 1J- paraj = 1, .., , n (6)
i=l
Para a formulayao das funyoes de demanda para cada urna das n regioes, o seguinte
artifcio sugerido:
Y=a-bP (7)
Y
b=8Y =E
8P d ()
P
)
(8)
a=bP+Y (9)
139
Restric;oesde oferta
A func;aode oferta para cada urna das m regioes pode ser representada como:
onde:
ci = coeficiente linear da func;aode oferta;
di = coeficiente angular da func;aode oferta.
n
X=LXij para i = 1, ... , m (12)
j=1
n
"X..
L...
< c. + d.P.
1)-1 II para i = 1, ... , m (13)
j=1
Rearranjando,
n
-d.P.
11
+" L...
X..1)-1< C. para i = 1, ... , m (14)
j=1
(\
140
Restri<;oes de pre<;o
Resultados e Implica<;oes
Considere, por exemplo, urn produtor localizado em urn Estado X, que tenha feito a
opyao de entrega de seu trigo para urn Estado Y. O trigo estaria sob jurisdiyao das
companhias de transporte e armazenagem do Estado X enquanto em territrio X, e sob a
responsabilidade do Estado Y enquanto em territrio Y. Entretanto, o preyO pago pelo
produtor seria calculado de acordo com a legislayao prevista por Y (o Estado de destino),
sendo que neste preyOestariam includos os serviyos arcados por X.
(b) Opyao II: competir;iio livre entre companhias pblicas e privadas para a
explorar;iio dos servir;os de transporte e armazenagem de trigo, com a possibilidade de
entrega interestadual disponvel ao produtor.
A principal caracterstica desta opyao a presenya de livre concorrencia para a
operayao do sistema de distribuiyao de trigo na Austrlia. A adoyao da Opr;iio// seria mais
vantajosa qua a /, urna vez que se evitaria o manuseio de urn mesmo grao por duas
autoridades distintas. O produtor escolheria a firma de seu agrado, com a possibilidade de
entrega interestadual, e que lhe oferecesse o menor custo de distribuiyao.
Para a implementayao de quaisquer dessas opyoes, alguns problemas comuns podem
ser vislumbrados. O primeiro deles o de orde instituicional. O transporte de trigo atravs
das fronteiras estaduais exigir urna s~rie de me idas, a nvel de descentralizayao de poder,
por parte do govemo federal australiano. sto acarretaria a reestruturayao funcional do
Australian Wheat Board, que teria que funcionar mais como licenciador ecoordenador das
empresas de prestayao de serviyos, e como urn provedor de informes sobre previsao de
safras, particularmente no tocante a volumes a serem movimentados entre Estados.
Finalmente, deve ser mencionada a famosa resistencia a inovayoes que peculiar a
produtores de quaisquer partes do mundo. O produtor de trigo atribui urna imensa dose de
credibilidade ao Australian Wheat Board. O risco envolvido na possibilidade de ganhos
maiores lhe seria sempre questionvel, urna vez que a rotina de distribuiyao que lhe tem
servido por mais de 20 anos tambm tem-se mostrado operacionalmente confivel.
142
3.6 EXERCCIOS
Max f(x, y, z) = -x 2 - 2Y 2 - Z2 + xy + z
sujeito a
x + y + z ::; 35
maximiza<;aode sua receita total, mas observ~ um lucro mnimo, a seguinte estrutura
Supondo que:
R(Q) = 32Q - Q2
C(Q) = Q2 +8Q+4
e 7to =18
\
143
REGL~O 1: 200
REGL~O 2: 100
REGIAO 3: 160
REGIAO 1: 10
REGIAO 2: 5
REGIAO 3: 8
REGIAO 1: -50
REGIAO 2: -50
REGIAO 3: -51)
REGIAO 1: 10
REGIAO 2: 20
REGIAO 3: 10
1\
144
4. BIBLIOGRAFIA
Livros-textos e Manuais:
\
145
[Ex.l ]Pg.7 I
3x +
"' -
2x3 ~ 1~0
"\ ~.
E: !Pg.8 I
Alternativas: - produyao na fbrica 1 dos tres tamanhos: grande (1), mdio (2) e
pequeno (3), ou seja, XII' X2, X3
- produyao na fbrica 2 dos tres tamanhos: grande (1), mdio (2) e
pequeno (3), ou seja, Xb X22, x32
Estrutura matemtica:
Max Z = 140 Xli + 140 x12 + 140 x13 + 120 X2l + 120 x22 + 120 X23 +100 x3l
+ 100 X32+ 100x33
sujeito a
\lll
. X::" .~X!L ~
\~+ V +'l)31=:;;750
X12 + X22 + X32=:;;900
I Ex. 3 Ipg.8 I
Estrutura matemtica:
Max Z = 45 x + 60 X2
sujeito a
x + 2X2 ~ 32
4x + 4X2 ~ 72
x ~ 5
X2 ~ 12
I Ex.4 I pg.9 I
suj eito a
x ~20
X2 ~ 120
X3~ 60 '\
\,
3x + 3,5x, + 5X3,; 144 '\
fEX3l pg.9 I
Entrada Sada
A B X Y
Processo 1 1 3 50 20
Processo 2 4 2 30 80
Estrutura mater.ltica:
Max Z = px + P2X2
sujeito a
XI +4X2~ 120
3x + 2X2~ 180
50x + 30X2~ 2800
I Ex.6 I pg. 10 I
Definindo,
X + Y ~ 8
x2+Y2~15
X3 + Y3 ~ 11
individuais, pode ser tentada a solu9ao por programa9ao inteira, que resulta em: x3 = 4,
Y3= 6 e Z = 28,4.
I EX.7 pg.10
I I
X2 =::;8
~ Ipg. 11 I
A solu<;aotima pode ser obtida graficamente, como pode ser observado logo a
seguir, e diz respeito ao plantio de 10 talh6es de seringueira (x = 10) e lerradica<;aode 2
talh6es de macad<lmia (X2= -2).
157
SOLUCAO TIMA
20
18
16
14
12
.....
><
10
8
6
4
2
O -
-4 -2 O 2 4 6 8 10 12 14
X2
--- restric;;ao1 -ti- restric;;ao2 -H- restric;;ao3
~ Ipg.60 I
Restric;oes: - rea
- disponibilidade de mao-de-obra
- crdito
158
Estrutura matemtica:
Max Z = 50 x + 25 X2
sujeito a
x + X2 :s; 20
I EX.2 I pg.60 I
Restri~oes: -capital
- rea
Estrutura matemtica:
~ Ipg.60 I
Estrutura matemtica:
Max Z = 937,5x + 1375 X2+ 625x,3+ 800 X4+ 5x5 + 4X6+ 4,5x7
1 ( ,
sujeito a
~
X4 32
X5 ~ 3000
A solu9ao tima X.= 22,5, X2= O, X3= O, X4= 5,75, X5= 3.000, X6= O, X7= Oe Z
= 40.693,75
160
[Ex.l I pg.69 I
x + X2 = 1
o proble.na nao t~m soluc;:ao!
I EX.2 I pg.69 I
Estrutura matemtica:
80x + 150x2 48
40x + 20X2 20
lOx 1,5
X + X2=1
A soluyao tima x = 0,15, X2 = 0,85 e Z = 0,43
~ Ipg.70 I
I Ex.4 I pg.70 I
a) Estrutura matemtica:
sujeito a
Xl 3.000 (2)
X2 1.500 (3)
X3 2.000 (4)
xl + X2+ X3= 10.000 (5)
b)
c'J Base b.I 8000 10000 11000 O O O MI M2 M3
Cb XI X2 X3 SI S2 S3 Al A2 A3
O SI 3000 1 O O 1 O O O O O
MI Al 1500 O 1 O O -1 O 1 O O
M2 A2 2000 O O 1 O O -1 O 1 O
M3 A3 10000 O O O O O O O O 1
XI + X2 + X3 ~ 10.000
X2 ~ 1.500
X3~ 2.000
-XI - X2 - X3 ~ -10.000
XI + X2+ x3 ~ 10.000
sujeito a
YI -Y4 + Ys :s;; 8.000
Y2 -Y4 + Ys :s;;10.000
Y3 -Y4 + Ys :s;;11.000
e) Estrutura matemtica:
Min Z = 10.000 X2 + 11.000x3
sujeito a
X2 ~ 1.500
X3 ~ 2.000
X2 + X3 = 10.000
A soluyao tima X2 = 2000, X3 = 8000 e Z = 108.000.000,00, sendo o preyo-
sombra associado lrestriyao de peso igual a 11.000.
E Ipg.80 I
sujeito a
A solw;:ao tima Xli = O, XI2 = 200, X13 = O,X21 = 100,X22 = 50, X23 = O,X31 = O,
I EX.2 I pg.81 I
disponvel 28 44 32
(milh6es ha)
166
Min Z = 135xll + 78xI2 + 132x13+ 101,25x21 + 90X22+ 84x23 + 69x31 + 62,5x32 + 84x33
sujeito a
Xll +X12 + X13~ 50
X31+x32 + X33~ 30
A soluyao tima Xll = O,XI2= 44, X13= 6, X21= O, X22= O,X23= 24, X31= 28, x32
= 24, X33= 2 e Z = 8340,00
167
~ jpg.82 I
sujeito a
168
X\3+X23+X33 +x43:::;10
-
18 (XlI + X21+ X31+ X41) 12 (X12 + x22 + x32 + X42) = O
10 (X12 + X22 + X32 + X42) - 18 (X\3 + X22 + X33 + X43 ) = O
Urna das soluc;6es timas XlI = 5,5, X12 = O, x\3 = 10, X21 = 5,5, x22 = 6, X23 = O,
)<,.31= O, X32 = O, X33 = O, X41 =: 1, X4 = 12, X43 = G (.:Z = 9230.
I ExA I pg.82 I
X21T + X22T + X23T + X24T + X25T + X26B + X27B + X28B + X29B + X210B = 40
X31T + X32T + X33T + X34T+X35T+ X36B+ X37B+ X38B+ x39B+ X310B = 30
XllT + X21T + X31T + XI6B + X26B + x3~B~ 14
A soh'9ao tlma dada por XI.,)B=: 20, :'26B = 6, X28B,= 18, X210B= 4,5LJ., X25T=
~ ]pg.83 I
Fbrica!Armazm 1 2 3 4 TOTAL
A 3 15 O 7 18
B 9 6 12 7 21
e 6 1 1 8 228
TOTAL 18 8 126 54
1 No clculo dos coeficientes das variveis relacionados as barca9as, foram acrescentados 10% dos
investimentos nas mesmas.
171
+ 8X34
sujeito a
XII + X12+ XI3 + XI4 ~ 8
X21 + X22 + X23 + X24~ 21
X31 + X32 + X33 + X34 ~ 228
1 2 3 4
A 18 18
B 8 13 21
C 113 54 228
18 8 126 54
I EX.6 I pg.84 \
modelo de decisao que inclua riscos relacionados aos valores dos coeficientes da funyao
objetivo.
EX.1 I pg.102 I
sujeito a
700x + 1080x2 + 120x3 + 300X4 + 680xs + 420X6:S;2000
X3+ X4 :s;1
sujeito a,
5
L,IJ- < 8
'""'x. (i=1,2,3e4)
j=l
5
'""' x..
L lJ -< 7 (i = 5e6)
j=l
6
X.. = 14 G = 1, ..., 5)
i=1 IJ
encontramos Xli = 6, X15 = 2, X22 = 6, X25 = 2, x33 = 4, x34 = 4, X43 = 5, X45 = 3, X54 = 5, X55
= 2, x64 = 3, X65=3 e Z = 200,80.
I EX.3 I pg.104 I
a)
Max R = 4,3 (2050x80xCll + 2150x81xC12+ 2300x82xC13+ 2500x83xC14
+ 3800x64xC21 + 4000x72xC22 + 4200x65xC23 +
4300x60xC24+ 1300x78xC31+ 1500x79xC32+ 1600x76xC33+
1700x75xC34)
sujeito a
4
"C..
L... 1J
= 1 (onde i = 1, 2 e 3)
j=1
("'l..
~1J-
>0
b)
TABELA 1. Total de sacarose (kg) por talhao i, no mes j.
TALHAo/ MES Set Out Nov Dez
1 164.000 174.150 188.000 207.500
2 243.200 288.000 273.000 258.000
3 101.400 118.500 121.600 127.500
I:.l ]Pg.1l7 I
P(e f3 ) = [P(e) x p(f31 el)] / [P(e) x P (f3 Iel) + P(e) x P (f3 Iel)]
I
~ I pg.118 I
RVORE DA NATUREZA
P(Cp n Co ) = 0,07
ICO 0,7
No = 0,3
Q N,INo
'INO0'2
0,6
P(Npn No) = 0,18
P(Sp n No ) = 0,06
RYORE DO INTERESSADO
P(Cp n Co ) = 0,07
;/ )
Nol Cp P(Cp n No ) = 0,06
J
7 NalSf
P(Sp n Co) = 0,01
P(Sp n No ) = 0,06
P(Sp n So ) = 0,42
180
I Ex.1 I pg.142 I
Construindo o Lagrangeano:
L = -x 2 - 2Y 2 - Z2 + xy + z + A(35 - x - y - z)
aL = -2x + y - A = o
ax
aL = -4y+x- A= o
ay
aL = -2z + 1 - A = o
az
A (35 - x - y - 2) = o
1a POSSIBILIDADE: A= O
~
(da 33equa9ao)
35 - x - y - z = O
-2x + y - A = O
23 POSSIBILIDADE: 4 equa90es, 4 incgnitas
x - 4y - A = O
2z + A = 1
181
Resolvendo, x = 15
y= 9 ~ f(1, 9, 11) = -362 < feO,O, 1/2) = 1/4
z= 11 11
I Ex.2 I pg.142 I
aL
- = 32 - 2Q - A(4Q -24) = O (1)
aQ
1a POSSIBILIDADE: Q=O
a) se A = O
Substituindo em (1):
b) se A> O
Substituindo em (2):
182
2aPOSSIBILIDADE: Q > O
a) se A= O
De (1):
o que viola a restric;aodo problema, urna vez que R(Q) - C(Q) deveria ser superior a "18",
b) se A> O
De (2):
I EX.3 I pg.142 I
SETS
PARAMETERS
/REGl 200
REG2 100
REG3 160 /
/REGl 10
REG2 5
REG3 8 /
/REGl -50
REG2 -50
REG3 -50 /
/REGl 10
REG2 20
REG3 10 /
VARIABLES
EQUATIONS
LUCRO
OFERTA(I)
DEMANDA(J)
PRECO(I,J) i
MODEL NLINEAR/ALLli
REG1 57.619
REG2 34.762 56.190 34.286
REG3 47.619