.

--
/rYl

UNIVERSIDADE DE SAO PAULO

ESCOLA SUPERIOR DE AGRICULTURA "LUIZ DE QUEIROZ"
DEPARTAMENTO DE ECONOMIA E SOCIOLOGIA RURAL

PESQUISA OPERACIONAL APLICADA AO

SISTEMA AGROINDUSTRIALI

( (, o 1)'1 (:

USP/ESALQ
Departamento de Economla
,
:;oclologiaRural Jos Vicente Caixeta Filhd
RIBLIOTECA

Julho 1997

I Relatrio tcnico referente ao projeto de pesquisa intitulado "Pesquisa Operacional Aplicada el

-
Agropecuria", apoiado pelo CNPq Conselho Nacional de Desenvolvimento Cientfico e Tecnolgico
(Proc.: 301540/91-8-NV).
2 Professor Associado do Departamento de Economia e Sociologia Rural, da Escola Superior de Agricultura
"Luiz de Queiroz", da Universidade de Silo Paulo.
 3

CONTEDO

1. Conceitos Bsicos de Modelagem 04

1.1 Programa9ao Linear " 05
1.2 Formula9ao de modelos : 06
2. Estrutura9aode ModelosLineares " 12
2.1 MtodosAIgbricose Grficos " 13
2.2 Regra de Cramer , 15
2.3 Mtodo de Gauss-Jordan . 16
2.4 Mtodo Simplex 18
2.4.1 Interpreta9ao Grfica 19
'r<~
(YI'A~~ 2.4.2 Utiliza9ao de software especializado 23
~ 2.5 2.4.3 Formula9ao matemtica
Mtodos de pontos interiores
"
"""'"''
37
46
2.5.1 Representa9ao matemtica 52
2.6 Casos especiais 56
2.6.1 Variveis sem restri9ao de positividade 56
2.6.2 Problema impossvel ,. 57
2.6.3 Problema "unbounded" (solu9ao no infinito) 58
2.6.4 Solu90es mltiplas . 59
2.7 O problema de planejamento agrcola 59
2.8 Dualidade 61
2.9 O problema de formula9ao de ra9ao de custo mnimo 66
2.10 Modelosde Transrorte , .." . 71
2.10.1 Regra do Canto Noroeste 73
2.10.2 Mtodo do Mnimo Custo 74
2.10.3Mtodode Aproxima9aode Vogel " ".. 75
2.10.4 Mtodo "Stepping-stone" 76
2.10.5 "Problemas" do Problema de Transporte 80
2.10.6 Exerccios 80
2.11 Programa9aoInteira " 85
2.11.1 Mtodo "Branch-and-Bound" 85
2.11.2 Restri90es tipo "ou/ou" 87
2.11.3 Restri90es tipo "pelo menos K de R restri90es devem ser vlidas" 88
2.11.4 Aplica90es " 89
2.11.5 Exerccios 102
2.12 Modelos de Decisao 106
2.12.1 rvores de Decisao 108
2.12.2 Teorema de Bayes 112
2.12.3 Exerccios oo 117
3. Estrutura9ao de modelos nao-lineares .." 119
3.1 Mtodo do Multiplicador de Lagrange 122
3.2 Mtodo Grfico 124
3.3 Extensao do Mtodo de Lagrange " " 126
3.4 Condi90es de Karush-Kuhn-Tucker ..oo.""""",",,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, 128
3.5 Aplica9ao 134
3.6 Exerc cios oo oo.""'" oooo 142

4. B ibliografia 144
5. So lU90es comentadas dos exerccios oo oo oo"""""""""'''''''''' 151
 4

1. CONCEITOS BSICOS DE MODELAGEM

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
~

. J os processos de modelagem de natureza normativa tem a capacidade de impor um

t determinado padrao, tal como algum tipo de formulayao de rayao, a qual pode ser
t relativamente mais benfica, por exemplo, que aquele grupo de alimentos que vinha sendo
t utilizado para a nutriyao de determinado grupo de animais.
t
t 1.1 PROGRAMA<;O LINEAR
t
t As tcnicas de programayao matemtica, em particular a programayao linear (PL, ou
~
LP - mais urna combinayao de letras!), se enquadra sob a tica de modelagem normativa.
A programayao linear nada mais que um aprimoramento de urna tcnica de -
~

~ 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
~

por Nerendra K. Karmarkar\ matemtico de origem indiana da AT&T's Be!! Laboratories

,
em Nova Jersey, Estados Unidos. O algoritmo proposto se enquadra no conjunto de
t
mtodos de pontos interiores, tendo se mostrado bastante eficiente para a resoluyao de
problemas de grande dimensao e de nveis especficos de esparsidade dos elementos nao-
nulos da matriz.
Seja qual for o algoritmo, a formulayao do problema a ser resolvido por programayao
linear segue alguns passos bsicos. A saber:
-*-a) Deve ser definido o objetivo bsico do problema - que a princpio deve ser nico -
com respeito a otimizayao a ser perseguida. Por exemplo: maximizayao de lucro, ou de
eficiencia, ou de bem-estar social; minimizayao de custos, ou de tempos, ou de perdas, e

3 DANTZIG (1963).
4 KARMARKAR (1984).
 6

assim por diante. Tal objetivo ser assim representado por urna fun<;aoobjetivo, a ser
maximizada ou minimizada.

\( b) Para que essa ~<;a~tiyo~ possa ser m~en.!.e especificM!a,as

alternativas possveis para a ocorrencia de tal otimiza<;ao- as chamadas variveis de decisao
envolvidas - deverao ser definidas. Por exemplo, os tipos de cultura e/ou rea a serem
exploradas; os alimentos candidatos a fazer parte da formula<;aode ra<;ao,as c1asses de
investimento a disposi<;aode urn tomador de decisao, etc. Normalmente, assume-se que
todas essas variveis possam assurnir somente valores positivos.
~ c) Tais variveis podem estar sujeitas a urna srie de limita<;oes - as tambm
conhecidas como restricoes dQ.JJr~l2le~ normalmente representadas por inequa<;oes.Por
exemplo, limita<;oesreferentes a rea' total disponvel, as exigencias nutricionais para urn
determinado rebanho, a disponibilidade de capital e mao-de-obra, etc.
Todas essas expressoes, entretanto, devem estar de acordo com a hiptese principal da
programa<;ao linear, que diz respeito a linearidade propriamente dita, ou seja, todas as
rela<;oes entre variveis
--~ -- ser 'lineares. Isto implica a proporcionalidade das
~ ~ . - devem
contribui<;oes envolvidas (por exemplo, a contribui<;ao individual de cada varivel
estritamente proporcional ao seu valor), assim como a aditividade dessas contribui<;oes(por
exemplo,- a contribui<;ao total de todas as variveis igual a soma das contribui<;&es
individuais, independentemente dos valores das variveis).
Essa caracterstica de linearidade pode ser interessante no tocante a simplifica<;ao
da
estrutura matemtica envolvida, mas prejudicial na representa<;aode fenmenos que nao
necessariamente se comportem de forma linear (por exemplo, fun<;oesde custo tipicamente
quadrticas).

1.2 FORMULA<-;O DE MODELOS

Antes de entrar no mrito da resolu<;aode problemas por programa<;aolinear, aten<;ao

especial deve ser dispensada ao esfor<;ode modelagem em si. Dado um determinado
problema, o modelador, em fun<;aode seu nvel de abstra<;aoe de experiencia vivida, ter

urna maior ou menor facilidadepara ~ representa<;ao

de<!!Jifit!Jji(r':~tivas)ec:::!~
atravs de equa<;oese inequa<;oes.Nesse sentido, sao propostos alguns problemas para que
o aluno os represente sob a forma padrao de problemas de programa<;aolinear (se for o caso
...), ou seja, para n variveis e m restri<;oes,
 7

n
Min (ou Max) LC. x.
j=1 J J

sujeito a

a..x. :::; (ou =, ou ~) a. , para i = 1, ... , m;

j=! 1J J 1

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:

Tipo de mquina Tempo disponvel

(horas de mquina)
A 500
B 350
e 150

o nmero de horas de mquina requerido por unidade dos respectivos produtos

conhecido como coeficiente de produtividade (em horas de mquina por unidade),
conforme representado a seguir:
 8

Tipo de mquina Produto 1 Produto 2 Produto 3

A \ 9) Q)'i 15 ')

\)
B 5 4)
/
O
e 3 O) 2

o lucro unitrio estimado de US$

~.~--
30, US$ 12 e US$ 15, respectivamente, para os
produtos 1, 2 e 3. Determinar a quantidade de cada produto que a firma deve produzir para
maximizar o seu lucro (adaptado de HILLIER & LIEBERMAN, 1988).

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
"-

tamanhos grande, mdio e pequeno, respectivamente.

Para manter urna carga de trabalho uniforme entre as fbricas, e para reter algum tipo
de flexibi1idade, a gerencia decidiu que a produc;aoadicional designada a cada fbrica deve
utilizar a mesma porcentagem da capacidade excedente de mao-de-obra e de equipamento.
A gerencia deseja saber a quantidade de produto, por tamanho, que deveria ser
produzida em cada urna das fbricas, para maximizar o lucro (HILLIER & LIEBERMAN,
1988).

3) Urna determinada empresa quer utilizar do melhor modo possvel os recursos de

madeira de urna de suas regi5es florestais. Dentro desta regiao, h urna serraria e urna
fbrica de compensados, o que possibilita que as toras possam ser convertidas em madeira
beneficiada ou compensada.
 9

Produzir urna mistura comercializvel de 1 metro cbico de produtos beneficiados

requer 1 metro cbic~ de pinho e 4 metros c~bicos de canela. Produzir 100 metros
quadrados de madeira compensada requer 2 metros cbicos de pinho e 4 metros cbicos de
canela.
A regiffo e~ ques'lodisp5e de 32 metms cbicos de pinho e f/2 metros cbicos de
canela. Compromissos de vendas exigem que sejam produzidos, durante o perodo em
planejamento,
quadradosde L-
pelo menos
-

- 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).

4) Urna fbrica de implementos agrcolas produz os modelos A, B e C, que

proporcionam lucros unit~rios da ordem de $ 16, $ 30 e $ 50, respectivamente. As
- -
exigencias de produc;aomnimas mensais sao de 20 para o modelo A, 120 para o modelo B
e 60_parao modelo C.
Cada tipo de implemento requer urna certa quantidade de tempo para a fabricCtc;ao
das
partes componentes, para a montagem e para testes de qualidade. Especificamente, urna
dzia de unidades do modelo A requer tres horas para fabricar, quatro horas para montar e
--
urna para testar. Os nmeros correspondentes para urna dzia de unidades do modelo B sao
3,5 , 5 e 1,5 ; e para urna dzia de unidades do modelo C, 5, 8 e 3. Durante o prximo mes,
a fbrica tem disponveis 120 horas de tempo de fabricac;ao, 160 horas de montagem e 48
horas de testes de qualidade.
Formule o problema de programac;aode produc;aocomo urn modelo de programac;ao
linear (adaptado de WAGNER, 1986).

5) Urna companhia petroqumica deseja encontrar a combinac;ao tima de dois

possveis processos de mistura~ Para o Processo 1, urna entrada unitria de urn barril de
leo cm A e tres barris de leo cm B produz urna sada de 50 galoes de gasolina X e 20
gal5es de Gasolina Y. Para o Processo 2, urna entrada unitria de quatro barris de leo cm
A e dois barris de leo cm B produz urna sada de 30 gal5es de gasolina X e 80 gal5es de
gasolina Y. Sejam ainda xl e x2 o nmero de unidades de entrada que a companhia decide
usar para o Processo 1 e Processo 2, respectivamente.
A quantidade mxima de leo cm A disponvel de 120 barris, e de leo cm B, 180
barris. Compromissos de vendas exigem que pelo menos 2.800 gal5es de Gasolina X e
 10

2.200 gal5es de Gasolina Y sejam produzidos. Os lucros unitrios do Processo 1 e do

Processo 2 sao PI e P2,respectivamente.
Formule o problema de mistura como urn modelo de programac;ao linear (adaptado
de WAGNER, 1986).

6) Urna Companhia de Aviac;ao Agrcola, que opera a partir de urn determinado

terminal, tem 8 avi5es do tipo 1, 15 avi5es do tipo 2 e 11 avi5es do tipo 3, disponveis para
voos. As capacidades de tonelagem de pesticidas para pulverizac;ao (em milhares de
toneladas) sao 45 para o tipo 1, 7 para o tipo 2 e 5 para o tipo 3.
A Companhia deve expedir avi5es para as propriedades A e B. As necessidades de
tonelagem (em milhares de toneladas) sao 20 na propriedade A e 28 na propriedade B.
Sabe-se tambm que o excesso de pulverizac;aoem urna propriedade deve ser evitado; e que
urn aviao pode voar somente uma vez durante odia.
O custo de enviar um aviao do terminal a cada propriedade dado pela seguinte
tabela:

Propriedade Aviao tipo 1 Aviao tipo 2 -.-tipo 3

Aviao
A 23 15 1,4
B 58 20 3,8

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

8) A Divisao de Planejamento Estratgico de um determinado Conglomerado

Agroindustrial est analisando a possibilidade de redirecionamento de seus negcios. As
alternativas levantadas dao conta, basicamente, a novos investimentos em seringueira e
nozes macadfunia - culturas j existentes no portflio de investimentos do Conglomerado -
s que com vistas ao mercado externo. A estratgia diria entao respeito a um aumento do
faturamento do Conglomerado, atravs da abertura de contratos com novos importadores de
sub-produtos daquelas culturas.
Para simular esse novo cenrio, foi incorporada a rea agrcola do Conglomerado
um lote de 16 ha. Alm disso, urna empresa de consultoria em mercados foi contratada,
passando a informa<;aode que para cada talhao adicional de macadfunia a ser implantado,
contratos com 6 novos importadores poderao ser fechados; e que 3 novos contratos poderao
ser esperadospara cada novo talhao de seringueiraa ser implantado.Na mesmapropor<;ao,
contratos serao cancelados se talh6es daquelas culturas forem erradicados.
A receita esperadaa partir de cada talhao de macadamia de US$ 9/dia, e de US$
l8/dia para cada talhao de seringueira.Sabe-setambm que a rea padrao de cada talhao
de 2 ha.
Assim sendo, a estratgia a ser implementada deve contemplar o seguinte:
- no mnimo 13 novos cuntratos dt::veraoser fechados;
-o nmero total de talh6es do conglomerado dever ser aumentado -a partir da
devida explora<;aodo lote adquirido - mesmo que isso implique a redu<;aodo nmero de
talh6es de macadamia.
Pede-se que sejam obtidas as recomenda<;6es a serem feitas com rela<;ao ao
detalhamento da estratgia em si, ou seja, a distribui<;aodas culturas na rea adquirida, de
tal forma que a receita seja maximizada (adaptado de LEE, MOORE & TAYLOR, 1985).
 12

2. ESTRUTURA<;O DE MODELOS LINEARES

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:

XI= nmero de hectares de soja a serem plantados em cada fazenda;

x2 = nmero de hectares de trigo a serem plantados em cada fazenda.

o sistema propriamente dito pode ser entao representado por:

I
I 4XI + 8X2 = 160 (1)
t { 6x} + 4x2 = 120 (2)
t
t Percebe-se entao que o problema, extremamente particular, pode ser representado
t simplesmente por um sistema de equal(oes lineares. O conhecimento de mtodos de
t resolul(ao para tais sistemas bastante importante para o embasamento de mtodos mais
. genricos, adequados inclusive para sistemas que envolvam inequal(oes lineares.
.
t
D
~
4
 13

Assim sendo, serao tratados a seguir alguns dos mtodos que se encontram
disponveis para a resoluyao de sistemas de equayoes lineares.

2.1 MTODOS ALGBRICOS E GRFICOS

a) algbrico por adiyao

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

b) algbrico por substituiyao

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.

4XI + 8X2 = 160 (1)

{ 6xI + 4X2 = 120 (2)

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

A soluyao obtida apresentada na Figura 1.

 15

Xl

40

30

20

10

o .
O 10 20 30 X2

Figura 1 - Soluc;:aopor mtodo grfico de sistema de duas equac;:6eslineares.

2.2 REGRA DE CRAMER

A soluc;:aopode tambm ser obtida a partir da representayao matricial do sistema de

equac;:6es.Assim, pela regra de Cramer:

al2 ... d 1 .oo a1n

a22 .oo
d2 OO' a2n

anl an2 oo. dn oo. ann

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

2.3 MTODO DE GAUSS-JORDAN

Consiste da derivayao de um sistema especfico de equayoes lineares que tenha a

mesma so~uyaoque o siftema original Esse "nove" sistema dever 1er o formato de urna
matriz identidade, ou seja, coeficientes unitrios na diagonal principal, o que poder ser
obtido atravs de combinayoes lineares das equayoes originais. Assim, pretende-se que:

4XI + 8X2 = 160 (1) ~

lXI + OX2 =A
{ 6x + 4X2 = 120 (2) { OXI+ 1x2 = B

Os passos para tal:

1) Transformayao do coeficiente de xl em (1) para "1" (dividir (1) por "4").

XI + 2x2 = 40 (1a)
{ 6x + 4x2 = 120 (2)
 17

2) Transforma<;aodo coeficiente de xl em (2) para "O" (multiplicar (la) por "-6" e

adicionar a (2.

-6x( -12x2 = -240

6x + 4X2 = 120
Ox - 8X2 = -120 (2a)

3) Transforma<;aodo coeficiente de X2 em (2a) para "1" (dividir (2a) por "-8").

Xl + 2X2 = 40 (la)
{ Ox + X2 = 15 (2b)

4) Transforma<;aodo coeficiente de x2 em (la) para "O" (multiplicar (2b) por "-2" e

adicionar a (la.

XI +2X2 = 40
Ox( - 2X2 = -30
XI +OX2 = 10 (lb)

5) Solu<;ao:

XI +OX2 = 10
XI = 10 , X2= 1S
{ Ox +X2 = 15

Representando os passos anteriores com a nota<;aomatricial de Gauss-Jordan:

4 8 1 O
[6 4 O 1]

1) Divida linha 1por 4

1 2 114 O
[6 4 O 1]

2) Multiplique linha 1 por -6 e some a linha 2

1 2 114 O
[ O -8 -3/2 1]
 18

3) Divida linha 2 por -8

1 2 1/4 O
[O 1 3/16 -1/8 ]

4) Multiplique linha 2 por -2 e some a linha 1

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

Assim, de urna maneira geral;

AX=B

Multiplicando ambos os lados por kl,

x = A-1B

No caso especfico,

-1/8 1/4 160

XI - =
[ X2 ] [ 3/16 -1/8 ] [ 120] [:~]

2.4 MTODO SIMPLEX

At entao, os mtodos apresentados sao extremamente eficientes para a resolw;:aode

sistemas de equa<;:oeslineares. Entretanto, como j pode ser observado, normalmente as {
restr<;:5es
a um problema sao representadas por inequa<;:oes.Ainda, h a questao da fun<;:ao
objetivo: como ela deve ser tratada, para que se chegue a solu<;:aotima do problema? Para
responder a esse questionamento, o algoritmo Simplex, e posteriormente os algoritmos de
 /

19
/

pontos interiores, foram desenvolvidos, tendo como base as premissas de Gauss-Jordan.

Antes de se tratar dos algoritmos propriamente ditos, ser discutida a resoluyao grfica que
est por trs do Mtodo Simplex, assim como a utilizayao de software especializado para
progmma~ao linear.

2.4.1 Interpreta~ao Grfica

o mtodo Simplex pode ser inicialmente visualizado se analisado graficameme.

Tome-:seo seguinte exemplo, extrado de RODRIGUEZ (1989):

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".

o problema pode ser resolvido da seguinte forma:

Objcrivo: maximizar o corte de madeira

Alternativas: explorayao dos talh6es 1 e 2
Restri;6es: - reas finitas dos talh6es
- caixa disponvel
- recrea~ao
- positividade das alternativas.

Chamando as alternativas de xI e x2, onde:

xl = nmero de hectares a serem explorados no talhao 1 )

x2 = nmero de hectares a serem explorados no talhao 2,

a se~uime -:struturapoder ser concebida:

 20

Max Z = 84 xl + 112 x2 (mLximizayao

do volume de madeira a ser 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)

Para visualizar o problema de forma grfica, devem ser plotadas, inicialmente, as

restriyoes do problema, conforme representado na Figura 2.

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

Percebe-se enH'ioque se trata de um feixe de retas paralelas, com coeficiente angular

. igual l (-112/84). Cada integrante desta famlia de retas poder ser obtido a partir da
atribui~ilode valoresa Z,
0Ja Figura 3, apresentada a seguir, percebe-se que quanto mais a fun<;aoobjetiyo
caminhar para a direta, maiar o valor de Z. Portanto, este dever ser o direcionamento da
maximiza~ao: a funyao objetivo dever se deslocar, dentro da regiao vivel, o mximo
possvel para a direita, o que no caso resultar no vrtice xI = 36,28e x2 = 13,72,com Z =
4584.16.

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

Figura 3 - Caminhamento grfico para a soluyao tima do problema.

Esse vrtice, agora solu<;aodo problema, na verdade a intersec<;aodas retas

representmivas das restriyoes de recreacao e caixa disponvel. Isso significa que tais
restri~c3esestaDsendo esgotadas, ou que estaDsendo efetivameme atuantes.
~< a verdade, substitundo-se o valor da solu<;ao naquelas restri<;oes, os limites
super:01"eSserao alcanyados. J nas restri<;oesde rea, os limites superiores corresponderttes
naose:'JO atingidos, significando que tais restri<;oesestaDcom folga.
 22

Surge entao a conceituac;aode prec;o-sombra.Se, ao invs de 40 ha, houvesse 41 ha

disponveis para o talhao 1, em nada seria alterada a soluc;aotima do problema, urna vez
que j havia urna folga com o limite de rea original.
J para o caso do caixa disponvel, se o mesmo fosse alterado de $ 15001, urna nova r
I ."'{>1

soluc;aotima seria obtida, urna vez que aquela restric;aonao tinha folga, era atuante. I.

Assim, prec;o-sombra representa a alterac;aono valor da func;aoobjetivo a partir do \

acrscimo de urna unidade no limite (ou "RHS" = "right-hand side") da restric;ao em
questao. Nota-se, portanto, que prec;o-sombra normalmentediferente de zero para as 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 '-- ~

recreac;ao,que sao justamente as restric;oesatuantes.

,
Assim, enquanto o "'-./-
coeficiente angular da func;aoobjetivo estiver contido no intervalo
, p-
delimitado
--- pelos coeficientes angulares
- das restric;oesatuantes no problema (vide Figura 4),
,

,
~ soluc;aodever permanecer a mesma.
~

~
.
.
. /
.
.
.
.
,
,
t
 23

Xl
lOa

75

..
50
~-

c::~
25

'- ~~ --- ~
Capital
--'- --~-- ...,X2
O .
O la 20 30 40 50 60

Figura 4 - Restriyoes atuantes do problema

Tem-se assim que:

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.

2.4.2 Utiliza<taode soft\vare especializado

o mtodo mais utilizado para resoluyao de problemas por programayao linear o

chamado Simplex revisado5. Esse mtodo amplamente divulgado na literatura e, por
trabalhar com sucessivas inversoes de matrizes, demanda fortemente a utilizayao de
recursos computacionais.
Software confiveis sao disponveis para a maioria dos ambientes computacionais,
inclusive. naturalmente, para aqueles que envolvam microcomputadores. A nvel didtico,
ser apresentada urna explanayao sobre um software genrico, o ORSYS (desenvolvido)

5 Vej:l maiores detalhes em HILLlER & LlEBERMAN (1988).

t
~ 24
~
~
pela software-house americana EASTERN SOFTWARE PRODUCTS, 1993), til inclusive
~
. para aplicac;5esespecficas em agropecuria.
~ O mdulo LP, basicamente originado do sofware LP88 (tambm desenvolvido pela
. Eastern), resolve problemas de prograinac;ao linear atravs do mtodo Simplex revisado.
. Possui um editor de dados prprio, semelhante a urna planilha de clculo, aceitando
~ tambm dados digitados em formatos compatveis com planilhas eletrnicas.
. Considerando urn exemplo citado em HADLEY (1982), urna firma possui 3 tipos de
. mquinas, A, B e C, que podem produzir 4 produtos, 1, 2, 3 e 4. Cada urn dos produtos tem
~ que passar por alguma opera<;:aoem cada urn dos 3 tipos de mquinas (mquina de tomear,
~
perfurar e laminar). A tabela a seguir mostra os tempos necessrios de cada mquina para
~
fazer a operac;ao em cada produto, os lucros resultantes, bem como a disponibilidade
.
semanal de tempo para cada mquina.
.
.
.
Tipo de mquina Produtos Tempo total
.
. utilizado por semana
. 1 2 3 --4
~ A 1,5 1 2,4 1 2.000
. B 1 5 1 3,5 8.000
~ C 1,5 3 3,5 1 5.000
. Unid. de Lucro 5,24 7,30 8,54 4,18
.
.
.
Suponha que Xj seja o nmero de unidades do produto j produzidas por semana.
.
Devem entao ser calculados os valores de XI,X2,X3e X4que maximizem o lucro. Desde que
~
~ o tempo disponvel pela mquina limitado, nao se pode aumentar arbitrariamente a sada
. de cadaum dos produtos.A produC;ao
precisa ser distribudaentre os produtos 1,2, 3,4 de
~ modo que os lucros sejam maximizados sem exceder o nmero mximo de horas de
~ mquinas disponveis em cada um dos grupos de mquinas.
~

.
. Para as mquinas do tipo A:
~ )
. 1,5x + X2+2,4x3 + X4 ~ 2.000 horas
.
~
~
~
~
t
 25

Para as outras mquinas:

XI + 5X2 + X3+ 3,5x4 ~ 8.000

1,5x + 3X2+ 3,5x3 + X4 ~ 5.000

.
Tambm nao permitida a produ<;:ao de quantidades negativas. Assim, restri<;:oes
adicionais sao necessrias:

XI ~ O, X2 ~ O, X3 ~ O, X4 ~ O

o lucro semanal ser:

Z = 5,24x + 7,3x2 + 8,54x3 + 4,18x4

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:

"Name ofnew problem?" [nome para o problema]: maquina

"Objective (Max ou Min)" [tipo de fun<;:aoobjetivo]: AfAX
"Number of constraints?" [nmero de restri<;:oes]:3
"Number of nonslack variables?" [nmero de variveis]: 4 \
 26

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

X.1 X.2 X.3 X.4 RHS

LOWER LO\ER
UPPER UPPER
RETURN 5.2400 7.3000 8.5400 4.1800 .0000000 RETURN
Y.1 1.5000 1.0000 2.4000 1.0000 <= 2000.000 Y.1
Y.2 1.0000 5.0000 1.0000 3.5000 <= 8000.000 Y.2
Y.3 1.5000 3.0000 3.5000 1.0000 <= 5000.000 Y.3

Para facilidade de identifica<;aodas variveis e restri<;oesdo problemas, estas podem

ser renomeadas, bastando digitar sobre as nomenclaturas-padrao adotadas pelo software
(X.j para as vari{lveise Y.i para as restri<;oes)os novos rMulos. Por exempl<-.,caso se opte
pela renomea<;aodas restri<;oes,a seguinte tela poderia ser observada:

HADLEY OBJECTIVE: MAX DATE 10-08-96 TIME 09:03:47

BASIS: NONE CONSTRAINTS: 3 VARIABLES: 4 SLACKS: 3
NaNZEROS: 22 INTEGERS: o NONLINEAR: o DENSITY: 52.381

X.l X.2 X.3 X.4 RHS

LOWER LOIER
UPPER UPPER
Lucro 5.2400 7.3000 8.5400 4.1800 .0000000 Lucro
Maq.A 1.5000 1.0000 2.4000 1.0000 <= 2000.000 Maq.A
Maq.B 1.0000 5.0000 1.0000 3.5000 <= 8000.000 Maq.B
Maq.C 1.5000 3.0000 3.5000 1.0000 <= 5000.000 Maq.C

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:
'~

"Name for stored problem?"

drive nome
 27

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.

Para resolver o poblema, tecle ESC e F2 (SOLVE)

Aparecer na tela:

"(nome do arquivo) STARTING SIMPLEX..."

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:

HADLEY SOLUTION IS MAXIMUM Lucro 12737.05882 DATE 10-08-96

PRIMAL PROBLEM SOLUTION TIME 09:04:22

VARIABLE STATUS VALUE LOWER UPPER Lucro VALUE NET

X.1 BASIS 294.11765 .000000 NONE 5.24000 5.24000 .000000
X.2 BASIS 1500.0000 .000000 NONE 7.30000 7.30000 .000000
X.3 NONBASIS .00000000 .000000 NONE 8.54000 9.75465 -1.21465
X.4 BASIS 58.823529 .000000 NONE 4.18000 4.18000 .000000
S.l NONBASIS .00000000 .000000 NONE .000000 1.95353 -1.95353
S.2 NONBASIS .00000000 .000000 NONE .000000 .242353 -.242353
S.3 NONBASIS .00000000 .000000 NONE .000000 1.37824 -1.37823

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.

Pela tecla F2, o seguinte relatrio DUAL pode ser gerado:

 28

HADLEY SOLUTION IS MAXIMUM Lucro 12737.05882 DATE 10-08-96

DUAL PROBLEM SOLUTION TIME 09:04:26

CONSTRAINT STATUS DUAL VALUE RHS VALUE USAGE SLACK

Maq.A BINDING 1.9535294 2000.0000 2000.0000 .00000000
Maq.B BINDING .24235294 8000.0000 8000.0000 .00000000
Maq.C BINDING 1.3782353 5000.0000 5000.0000 .00000000

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:

HADLEY SOLUTION IS MAXIMUM Lucro 12737.05882 DATE 10-08-96

RIGHT-HAND-SIDE RANGES TIME 09:04:33

CONSTRAINT STATUS DUAL VALUE RHS VALUE MINIMUM MAXI!1UM

Maq.A BINDING 1.9535294 2000.0000 1888.8889 5000.0000
Maq.B BINDING .24235294 8000.0000 7833.3333 9250.0000
Maq.C BINDING 1.3782353 5000.0000 3333.3333 5076.9231

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:

HADLEY SOLUTION IS MAXIMUM Lucro 12737.05882 DATE 10-08-96

OBJECTIVE ROW RANGES TIME 09:04:30

VARIABLE STATUS VALUE Lucro /UNIT MINIMUM MAXIMUM

X.1 BASIS 294.11765 5.2400000 4.6123708 6.2700000
X.2 BASIS 1500.0000 7.3000000 5.0915508 11.207059
X.3 NONBASIS .00000000 8.5400000 NONE 9.7546471
X.4 BASIS 58.823529 4.1800000 3.4933333 5.3335754

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

interessante que atravs do processador de texto utilizado seja formatado o contedo de

todo o arquivo com a fonte Courier New, tamanho 9.

Finalmente, para terminar a utiliza<;aodo software, tecle Ese duas vezes, quando
aparecer a seguinte pergunta, que dever ser respondida adequadamente:

"Do you want to end session (YIN)?"

Naturalmente, o ORSYS apenas um exemplo de software para Programa<;aoLinear.

H urna srie de alternativas e op<;oesno mercado de software, que passam inclusive por
macros incorporadas em planilhas eletrnicas. Para referencia, a revista OR/MS Today,
peridico bastante conceituado na rea de Pesquisa Operacional, publica periodicamente
urna pesquisa exaustiva sobre o desempenho e caractersticas operacionais de software de
programa<;aolinear disponveis no mercado. apresentado a seguir um resumo, organizado
por SHARDA (1995), com as principais caractersticas de software para programa<;aolinear
disponvel no mercado.
 31

Software: AXA C-WHIZ CPLEX FortLP

KetrxtMargement~ - ,:'CPLExOptimization lne. NumericaJAIgorithmsGroup.~~.

75!iJelfeml[)MH\\y,#OOI.930 TahoeBIvd.#802-279.,,14000pus PI.,Suite200;i~;~
,rlington,YA22202.t,t1!'lncfme ViUage,NV89451 :k DownersGrove,lL ," !,:,J~fi "

: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

E.mail: , o." "',',-" . '" ""~ .

Describeother relatedproducts: nonelisled DATAFORM,modeImanage- nonelisted libranesoi mathematical

mentsystem.OML routines
optir1atia1& mode1ing
library

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;"'. "', :"-. " ", ,".

Slze 01problem solvable by Ihis syslem:

Smallesl version:
# 01 rows: 100 32.767 unlimrted unlimited
# 01 columns: 500 unlimited unlimited unlimited
# 01 non-zeros: 10.000 unlimited unlimrted unlimited
Hardware required: 640KDOS i386 PC PCwith640KRAM

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

s oblect cocle or SOUrte Ode avallable'r '~i.>~'t;

p;'~~"#"" .;:,ff ":,~;j...}'

~~=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

Fon MP HSIlP LAMPS UNDO UNGO LOCO

NAGlBrunelUniversity Haverty Systems lne. AdvancedMathematieal , UNOO

Systems
Inc.,:~ ,:mmo SystemI!nIi'. ~;:~~;' Prince1Dn
University :;~i
Wilkinson
House.JordanHiH P.O. Box 1110 Software ...: " ~ 1415 N.Dayton:.;":':::':':.~1415N.Dayton'~::.~~.:;: "R.J.Vande!bei.
DX.d Civ.
Oxford.UK Denviile, NJ 07834 110GardinerHouse. . " Chi:ago,IL60622, :::::":':;.'QIicago,IL 60622:J'~,,~~"~Eng
aroOA.Pti1cemUniY.
USA 3-9 BroomhiD Rd.
tondon.SW18.UK .- .c.. USA, / " ~"')'-':~\~~':-b:~~~:)!ft:~r;i:~:~'~~'~~~.,:F 1
Q1865.511245 201.627.1424 +44181-870.8882 312,871.2524 312.871.2524 609.258.Q876
Q1865.310139 201.625.2296 +44181.870.1791 312.871.1m 312.87,., m 609.258.1270

-""""'::~'~',:..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.

100 ~ f 32.000 100 100 unlimlted

500 '"'~
100.000 200 200 unlimned
5,000 unlimned unlimited unlimiled
512KBDGS 386wlth8 MB 386PCor Mae 386PCorMae

1 million unlimrted unlimited unlimrted

50 mlilian 8.000 unlimned unllmned unlimned
400 mlilion 16.000 unlimned unlimned unlimned
2GB deoenaent
00 i1AM vaneswnnproblemsize&. Vlnr.sWthoroblemslze&
'c 336/486 hamware0Iath,1\ t aro\\'1replaHo",
...,
$475.$875 contactvendor contactvender S90 " :.:::
S1250.S3.7:0 conlactvenear cornactvencor ,$4.995 ., ,', . '''~'1
S287-S760 contactvenoor contactvender 110m$25
can contactvendar COI1tact
vendor 'contactvender -;~~~!~':~;i":':;E.. . c,.:;.~:':l

Ves Yes Ves Ves Yes Ves

No Yes No No Ves No
Ves Ves Ves Ves Ves No

"; "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~ ': ;', ,.- -';''''''

Yes Ves Ves Ves Ves No

Ves Ves Ves Ves Ves No
0.64K unlimrted Ulimrted
braneh& b:und anoeutttng cutting plane technology cuttingplanetechnology lCOO uses prirnidJaJ i1teID'
planess:eei!:eooy user. plus aranen & bound plusbrancn&bouno pont metnOOfor ouadratic
programrnr19
prooJemS.,
&bootne lJIary abw SCM'!
cicaM!X ~ pra:.iem.

predicte::eorreaor
iPM
TheMIP'-'0 t~eIPM
algamnrr.s
eanrununoer
PVM,~:;a:eu~scanee
aehievec"5:nge:"steroi
worxs;a;::;no;,
Cans::',e 'aroe.sealelP
~:ec:e..,sana'tnterraee
wllh
soreaa5r.;etanoSQL
cerm:at:::;cataaases.
parametrcs
andranging
:'.;~networhl~,~.
SubrcunneIlbrarvforC and
FORTRANavallole tor
Winoc'//sNTanoWIN325.
~:~==':':;~: ",::;~<~.<-~.:;:~~;;::
Foriarceor smallpraclems, Modelingl80guaQe Newsubroutines haveoeen
and
UNDO'croVldesallof the matnemanca funcnons added10thesucroutlne
featuresneededtorqUleK allowqUlcK.
eOnCIse librarydeslgned10lae1iitate
proclementry.solutianand problemeXllreSSlon.
Linear. Ihe soectfieatlon
and
8Oalysls. solulion01eonvex
nonllnearanointeger
solve~andtnteraCttVe cpnmlzation orcblems.
mOdeiing enwonment
makeIta comorenenslve
lcoltarORpro!eSSIOnals,
 33

Software: LPIMIPSolverDLLs LSSOL MILPLPOplimizer MINOS

Frontline
Systemslnc.~\~i~.oStanford
Business
Software
;'1~mPtte;'tAutoInation o

-.
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.
AccessBasic.C/CH. etc.
SupportsWindows
multitaskingandvirtual
memory.Nowlor Windows
NTandWindows95.
Softwaredevelopedby
SystemsOptimization Lab.
Slanlord.Inputlormats
describedin manual.
Compactdesignonot
memoryhungry;best
startingprocedure.
sophisticatedPhaseI
algorithm.variety01pricing
techniques.advancedanti-
degeneracy strategy;solves
largeLPproblemsroutmely,
Softwaredevelopedby
SystemsOptimization Lab.
Stanlord;sensitivity
analysisis anoptlonaladd-
on.
 34

MINOS(115)
5.0 MPL Modeling System MathPro OUNILP OMP

613-788.5733 (703) 522.7900 301-951-9006 201-627-1424 +32 3/652.03.03 703-360-7600

613-788-5727 (703) 522-7902 301-652-7530 201-625-2296 +32 3/652.07.72 703-360-7654

. .,[ct,Uriek@sce.carteton.ca:
'::.i8~~k@;it-;;:gi;~'
"~~}i~ '~~5~~lt~-!~~.'~:~~jf;'~',~
Supportsmultiplesolvers:
CPLEX,OSL.XA,Frontlne,
Lindo,FortMPandothers

dependenton RAM 300 1.000 unlimited 20 3.000

dependent on RAM 300 2.000 unlimited 50 15.000
dependent on RAM n/a 20,000 unlimited 300 unlmrted
386. 486 or Pentium 386 PC with 640K RAM and PC 386/486 386 with 4MB PC, 512K. 386+
coprocessor

dependen! on RAM 16M uniimited unlimrted 50.000 3,000

dependent on RAM 16M unlimited unlimited 300.000 15,000
dependent on RAM 16M unlimrted unlimited 700.000 unlimrted
Memory 50000, Nonzero/ 486 or Pentium PC PC 386/486 Pentium with 32MB PC. 512K, 386+
1Mb

lit'
'i'~~
,;::...
-
Ves Ves Ves Ves Ves No
No No Ves No Ves
No Ves Ves Ves Ves Ves

MPL Modeling Syslem is MathProincludesitsown OMPmodelgenerator

a modeling language. modelinglanguage

Ves Ves Ves Ves Ves

Ves Ves Ves Ves Ves
unlimited upto 32,000 . unlimited 10-300,000 3.000

supports all algorilhms supportssimplexprimaland revisedsimplex:branch&

available in the solver dual;branch&boundwith bound;transportation;
used. user-definable
strategies; leasibledirections
S051 & 50S2

.~~.~.,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

Software: OSL PC-PROG PremiumSolverlor Excel ROlXPRESSDev.Sys.

914-433-8732 919-847-9997 702-831-0300 423-522-2211

Telephone:
Fax: 914-433-8363 919-848-4657 702-831-0314 423-522.7907

E:mau:~~~~~~
,
<
~,
.~~
.. .
;' ' : .'. ;1;.'="
,",'%',,,,>,,,"':""'fUii'i<,i!'ii
. .

Describe other related products: OSLfunctionsimbeddedin applications

lor specjfic
CPL+.MIMI,GAMS,OMNI industries
andMIP
problemsarealsoavailable

SIze01problemsolvableby thls system:

Smallestversjon:
# 01rows: dependent
on RAM 500 unlimited
# 01columns: dependentonRAM 500 800
# 01non-zeros: dependent
on RAM 2,500 unlimited
PCsto mainframes 286+ IBMPCwith8 MBRAM 386orbetter
Hardwarerequired:

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

Yes Yes No Yes

Yes Yes Yes Yes
Yes Yes No Yes

AIMMS.AMPL,GAMS,
LINDO,UNGO,MathPro,
MIMI,MPSX,OMNI,etc.
LP&MIPpn:.pieIaJy
rraEfrr,; XPRESS-MP algebraic
reOOs
SAS,MPS,LJI'{)(), modeler,LPandMIP
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
values,controlvariables
anduserexits.PCversion
comeswithself-contained,
executableapplication
programslor network,MIP
andQPproblems,
Freeevaluationcopies(30
days);hasquadratic
programmingmodule.
GreaUyenhancedversjon
01Ihe solverbuiit~nto
MicrosoftExcel.suitablelor
industrialstrength
problems;nowlor Windows
NTandWindows95.
ROl XPRESSDevelopment
Systemis a fuUdeveIopment
tooIfor creatingmuJti-user
MIP appIications.The system
integrates!he algebraic
modeIingand optimization
capabilities01XPRESs-MP
with a GUI lor developing
databases,screens& reports.
 36

SCICONIC
MGG SOPT2.0 Wllat's Best! XLSOLSolversfor AMPL XPRESS-MP

+441908585858 908-264-4700 301-622-4319 312-871-2524 702-831-0300 +441604858993

+441908584620 908-264-6015 301-622-0694 312-871-1
m 702-831-0314 +441604858147

...!7'';Y:))G{';!~~h~~~~~~i~:~1tr[~~~~~~~~.'" ::@~~~~~4'~~~;~?- ",'4''",':o~.d.tik:~{:i."

STARSfortruckrouting axnpleteline01softwarefor GRG2andLSRGnonlinear XPRESS-MP
Modeler.
andscheduling buildingandsolvinglinear& solversforAMPL XPRESS.MP
forWindows
nooIinearoptimization
modeIs

1,600 unlimited 200 200 unlimed 100

6,400 unlimited 700 >400 800 250
51,000 unlimited 5,000 unlimed unlimrted 5,000
PCwilh4 MBRAM 286+PCwilh 500K 386PCor Mac IBMPCwith4 MBRAM 8088

unlimited unlimited 2,000 unJimed unlimited unlimited

unlimited unlimited 5,000 llllimited unlimed unlimited
unlimited unlimited 20,000 unfimited unlimited unlimited
386+PCwith2 MB varieswithproblemsize IBMPCwithenoughHAM Umitedonlybymemory
forproblen

Ves Ves No No Ves

Ves No No Ves Ves
No Ves Ves No Ves

MGGis a modelingtool AT&TMathProgramming Matrixschematic Excel,123,QuattroPro AMPLandAMPLPlus XPRESS-MP's

modeler
Language(AMPL) descriptionintegratedinto modelinglanguages
system

No Ves No Ves No No
Ves Ves No Ves Ves Ves
unlimited none IllIim~ed all unlimrted

branch& bound;inciudes NewtonBarrierlor NLP; PARRHS cuttingplanetechnology branch& bound,many branch&bound;branch&

specialorderedsets simptexforLP;Meta plusbranch& bound s1rategiesforchoosing cut
heuristicsearchlor IP branchvariableand
direction

:'!::,=~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

2.4.3 Formulac;ao matemtica

Tome-se o seguinte exemplo, baseado em formulac;aoproposta por LEE, MOORE &

TAYLOR (1985):

"Para uma determinada rea, utilizada para o plantio de soja e algodi'io,calcula-se

que h 800 homens-horas disponveis durante o perodo de semeadura; e que si'io
necessrios 20 homens-horas por hectare de soja e 40 homens-horas por hectare de
algodi'io. Oferece-se ainda uma linha mxima de crdito de $ 6000, dividida da seguinte
forma: $ 300 por hectare de soja e $ 100 por hectare de algodi'io. Como organizar esta
rea de plantio se sabido que as margens de lucro esperadas si'io $ 100 por hectare de
soja e $ 80 por hectare de algodi'io?"

Para determinar as reas de soja e algodao a serem plantadas, as seguintes variveis

podem ser definidas:

Xl = n de hectares de soja a serem plantados;

x2 = n de hectares de algodao a serem plantados.

A representac;aomatemtica do modelo pode ser dada por:

Max Z = 100x + 80x2

sujeito a
Z ,,7" ..J Lv~<-" '? ,,()
2x + 4X2 :s;80
" '';
3x + x2:S;60
~9 ~ 1 6,
XI ' x2 ~ O

Acrescentando as chamadas variveis de folga para transformar as inequac;5es em

equac;5es:

Z - 100x - 80X2 = O (O)

2x + 4X2 + SI = 80 (1)
3x +X2 +S2 = 60 (2)

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:

2x + 4X2 + ls1 + OS2 = 80 (1)

3x] + lx2 + Os]+ Is2 = 60 (2)

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:

Z - 100x] - 80X2 + OSI+ OS2 = O (O)

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.

Para melhorar a qualidade da soluyao, mecanismos de "troca", ou de "pivoteamento"

entre as variveis devem ser efetuados, atravs dos seguintes passos:

1) Escolha a varivel com maior contribuiyao a Z ~ xl selecionada para entrar na

base.

2) Resolva para xl em ambas as restriyoes, com as outras variveis iguais a zero ~

varivel que deixa a base.

 39

2x +4(0)+0=80 (1)
3x\+1(0)+0=60 (2)

X = 40 ~ de (1)

x = 20~ de (2)

3) Qual restriyao se tornar limitante primeiro?

-+ menor valor para xl: restriyao (2)

s2 a varivel que deixa a base. .

4) Para reestabelecer a matriz identidade, com a varivel xl inclu da, o coeficiente

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:

X + 1/3 x2 + 1/3 S2 = 20 (2a)

Multiplicando (2a) por 2, e subtraindo de (1):

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)

Multiplicando (2a) por 100 e somando a (O):

Z -100x - 80X2 = O (O)

100x + 100x2 + 100s2

33.
= 2000 (2a) x 100

Z - 140x2 + 100s2 = 2000 (Oa)

3 3

Assim sendo, tem-se as seguintes novas equa<;oes,que confirmam as caractersticas

da matriz identidade com relayao a nova base (sI, Xl):
 40

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:

Z + 14s+ 24s2 = 2560 (O)

X2 + 3/10s -1/ 5s2= 1.2 (1) Base: x2 ' x
x -1/1 Os+ 2/ 5s2 = 16 (2)

Generalizando o mtodo Simplex, um sistema de equay5es lineares pode ser

representado no seguinte tableau6:

c Base b.*
1 cl c2 c3 C4
cb /
Xl x2 sI s2
all a12 a13 a14

ail ai2 ai3 ai4

Z
ci - zi

i = linha
j = coluna

onde:

Cj= coeficientes da funyao objetivo;

cb = coeficientes das variveis bsicas;

6Adotada a nomenclatura e padroes apresentados por LEE; MOORE & TAYLOR (1985).
 41

aij = coeficientes tcnicos das restriyoes;

Base = conjunto das variveis representativas da soluyao corrente;

b* = RHS ("right-hand-side", ou termo da direita), inicialmente, tornando-se

eventualmente o valor da soluyao do problema;

Zj = decrscimo no valor da funyao objetivo, associado com a produyao de urna

unidade da varivel bsica j;

Cj Zj- = acrscimo unitrio a funyao objetivo se a varivel nao-bsica "j" entrar na

soluyao.

Exemplo:

Max Z = 100x + 80X2 + Os + OS2

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

Passos a serem observados:

a) solw;:aoinicial: origem, representada pela base (s, s2)

b) caminhar para urna melhor soluyao at que nao haja mais valores positivos para
Cj - Zj
- clculo de Zj: aij x b
j

Ex: Zj da coluna bj*

o x 80= O
Ox 60 = O

L:=0

Zj da coluna xl: '

Ox2=0
Ox3=0

L:=0

Assim, tem-se que:

~ Varivel de Entrada = varivel nao-bsica com malOr Cj - Zj , que no caso

corresponde a varivel xl' Acoluna referente a varivel xl dado o nome de coluna piv.

c) definiyao da varivel de sada, ou seja, da varivel bsica que se toma limitante

pnmelro.

~ Teste: estabelecer o valor zero para as outras variveis, e identificar a equayao na

qual a varivel xl assume o menor valor.

2x + 4(0) + 1(0) = 80 3Xl + 1(0) + 1(0) = 60

80 3x = 60
2x = 80 ~ Xl = - = 40 60
2
Xl = - = 20
3
 43

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,

calcular o menor valor de (:; (coluna piv) ).

d) operayoes a serem realizadas nas linhas do tableau, para garantir a caracterstica da

matriz identidade para a nova base:

- na linha piv: novo valor = antigo valor

demento :,iv

- nas outras linhas: novo valor =

novo valor '\

= (antigo '\ - (coeficiente correspondente
kvalor ~ k na colunapiv x da linha piv~

No caso:

*
b = 80- 2x20 = 40
x = 2 - 2xl = O

X2= 4 - 2x(1I3) = 10/ 3

s = 1- 2xO= 1

S2= 0- 2x(1I3) = -2/3

 44

e) clculo dos novos Zj

Z . = Ox40 + 100x20 = 2000

b
z = OxO+ 100xl = 100
z2 = Ox(10/3) + 100x(1I 3) = 33 113
Z3 = Oxl + 1OOxO= O

Z4 = Ox(-2/3) + 100x(1I 3) = 33 113

f) clculo dos novos Cj - Zj

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

g) no novo tableau correspondente:

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

Zi (2000 100 33 1/3 O 33 1/3

"-

ci - Z O 46 2/3 O -33 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:
/

Restric;ao Ajuste na func;aoobjetivo

tipo
Ajuste na restric;ao
Adicionar urna
varivel de folga (si)
= Adicionar urna
varivel artificial (AD
Subtrair uma varivel
de excesso (si) e adicionar
urna varivel artificial (AD
Problema de Problema de
Maximizac;ao Minimizac;ao
Adicionar urna Adicionar uma
varivel de folga (si) varivel de folga (sD
com coeficiente O com coeficiente O
Subtrair varivel Adicionar varivel
artificial (AD com artificial (AD com
coeficiente M coeficiente M
Adicionar varivel de Adicionar varivel
excesso (si) com de excesso (sD com
coeficiente Oe coeficiente Oe
subtrair varivel adicionar varivel
artificial (Ai) com artificial (AD com
coeficiente M coeficiente M

Note-se que para problemas de otimizac;aoque envolvam restric;oestipo ~ , a simples

transformac;aoda inequac;aoem equac;ao,atravs agora da subtrac;aoda chamada varivel de
excesso, nao suficiente para caracterizar a origem como base inicial do problema (os
coeficientes unitrios de Si sao negativos!). Nesse sentido, vale-se do artificio da
incorporac;ao de varivel artificial, cOm coeficiente unitrio, a restric;ao pertinente. Com
isso, para o caso de um problema que envolva duas restric;oestipo ~ , a base inicial ser
composta pelas variveis (A 1,A2)' que respeitarao a caracterstica da matriz identidade.
Por outro lado, nao ser desejvel que tais variveis permanec;amna base. Para evitar
tal situac;ao, sao atribudos coeficientes tipo M a essas variveis na fun<;aoobjetivo em
questao, onde M representa um valor muito alto. Assim sendo, para o caso de problemas
que envolvam a minimiza<;aode urna determinada func;aoobjetivo, o coeficiente de Ai na
 46

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.

2.5 MTODOS DE PONTO S INTERIORES7

Diferentemente do Mtodo Simplex, o caminhamento para a solu<;aodos mtodos de

pontos interiores nao feito ao longo dos vrtices da regiao vivel e sim atravs do interior
da regiao vivel.
Tome-se o seguinte exemplo de estrutura de problema linear8:

min cTx (1)

sujeito a

Ax ~ b e xO (2)

onde x E Rn, b E Rm.

A intersec<;aodas m restri<;oestipo inequa<;oesdefine a regiao vivel, podendo assim

ser representada por um poliedro em um espa<;on dimensional. Quando esse poliedro est
sujeito a limites, a regiao vivel chamada de politopo em um espa<;on dimensional.
Como j foi visto, o algoritmo Simplex caminha de um vrtice do politopo para outro,
com o intuito de melhorar o valor da fun<;aoobjetivo. Esse movimento de vrtice para
vrtice obtido atravs de um mecanismo de pivoteamento, que opera no politopo original
e seus vrtices.
Em contraste, para facilitar a movimenta<;ao atravs do interior, urna estratgia
distinta adotada. Tal estratgia pode ser implementada atravs de urna seqencia de
transforma<;oessimples, aplicadas ao espa<;ono qual o politopo original definido. Mais

7 Baseado em ARBEL (1993).

8 Recomenda-se que algum texto bsico de Vetores e lgebra Matricial seja consultado, para que se obtenha
um bom entendimento desta Se~ao (por exemplo, CHIANG, 1982).
 47

especificamente, Opolitopo original transformado, a cada iteraao, em outro politopo, no

qual a iteraao corrente aplicada para depois ser retransformada em seu formato original
ao final da iteraao.
Considerando um problema de Programaao Linear em sua forma padrao:

min cTx (3)

sujeito a

Ax=b e x~O (4)

ondex E Rn, b E Rm eAurnamatrizmxndepostom,m<n.

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

No caso de um problema de maximizafiio, a partir de urna soluyao inicial que seja

vivel, em um enfoque simples, poderia se seguir a direyao do vetor gradiente tanto quanto
fosse necessrio para se obter o maior aumento possvel no valor da funyao objetivo.
Ignorando o aspecto da manutenyao da viabilidade atravs dessa movimentayao, toma-se
imediatamente aparente que a soluyao inicial adotada afeta o progresso que pode ser obtido
em cada passo. Se se inicia nas imediayoes de uma das faces do politopo, pequeno
progresso pode ser esperado. Por outro lado, se se inicia prximo do centro, progresso
considervel pode ser esperado, conforme ilustrado na Figura 5.

( soluc;;ao tima

Figura 5 - Alternativas de caminhamento em direyao a soluyao tima.

o polgono mostrado na Figura 5 representa o politopo de um problema de

programayao linear ilustrativo. Qualquer ponto interno ao polgono satisfaz as restriyoes do
problema e oferece urna soluyao vivel. Portanto, as fronteiras da regiao mostrada na Figura
8 restringem todo progresso em direyao a uma soluyao que seja interior a elas. Essas
fronteiras sao tambm chamadas de "muralhas" da regiao vivel, e nao devem ser cruzadas.
Assim sendo, tem-se o ponto A, deslocado do centro e prximo da fronteira, e o ponto
B centrado e igualmente distante de todas as "muralhas" da regiao vivel. Para esses dois
pontos iniciais, tendo em vista a sua localizayao relativa ao ponto timo, progresso
considervel feito se a busca iniciada a partir do ponto B, enquanto a busca a partir do
ponto A se encerraria rapidamente na muralha da regiao vivel.
Tome-se um problema de programayao linear na seguinte forma:
 49

min cTx (5)

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

Figura 6 - Crculo inscrito e vetor de direc;:aode iterac;:oesno espac;:osoluc;:aooriginal.

 50

~
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.

Figura 7 - Crculo inscrito e vetor de direyao de iterayoes no espayOsoluyao

escalonado.

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

Portanto, h a necessidade de se reescalonar a soluyao, de tal forma a se respeitar o

espayO soluyao original. Essa operayao de reescalonamento chamada de transformayao
afinada, o que requer a utilizac;ao dos chamados algoritmos de escala afinada (ou afim-
escala). No caso em questao, o crculo no espayO escalonado "transformado" em urna
elipse, dentro do espac;osoluc;aooriginal, conforme mostrado na Figura 8. Em espayOSque
envolvam um maior nmero de dimensoes, esse processo de reescalonamento "transforma"
a esfera nurn elipside.

"-

~
Figura 8 - Elipside inscrito no espayOsoluyao original.

Assim sendo, com a soluc;aoinicial fixada em A, a melhor iterayao que se obtm a

movimentayao at B (sem escalonamento) ou at C (com escalonamento, e maior reduyao
no valor da funyao objetivo). O ponto D mostra a prxima iterayao, a partir do elipside
inscrito no sistema cartesiano e centrado em C.
Portanto, fica clara a importancia de dois componentes principais de urn algoritmo de
pontos interiores: centralizac;ao e direyao descendente. A centralizayao proporciona o
potencial para se atingir urna boa reduyao em custo atravs de urn nico passo, enquanto
urna boa direyao descendente permite a verificayao desse potencial.
Os algoritmos de escala afinada consistem assim na sequencia de passos onde a
soluyao inicial primeiramente centrada atravs de urna operayao de escalonamento, para
depois se seguir pela melhor direyao descendente naquele espayO escalonado. Com a
obtenyao dessa melhor soluyao, urna operayao de reescalonamento transforma esse ponto
"de volta" ao espayOoriginal.
 52

Na prtica, entretanto, o reescalonamento previsto nos passos do algoritmo de tal

maneira a sempre se trabalhar no espa<;ooriginal.

2.5.1 Representa<;aomatemtica

Assumindo que um ponto inicial, interior e vivel, esteja disponvel, e seJa

representado por Xo(onde Xo> O),isso implica que:

Ax o =b (7)

A seguir, o vetor da dire<;aodas itera<;oes, dx, que orienta o caminhamento das

itera<;oesem tomo de um novo ponto denominado xnovo'que tambm respeite a viabilidade
do problema, deve ser obtido. Assim, tem-se que:

Xnovo= Xo + dx (8)

Corno se trata de urna solu<;aovivel, tern-se ainda que:

A xnovo = A(xo + dx) = Axo + Adx = b (9)

Corno Axo = b, entao

Adx = O (10)

Alrn disso, para garantir o sentido decrescente,

c Txnovo -< CTXo (11)

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:

N (A) = {x: Ax = O, X ERn} (13)

ou seja, o vetor de direyao pertenee ao espayo nulo da matriz A de dimensao m x n.

Um operador de projeyao para este espayO dado pela matriz f de dimensao n x n, tal
que:

P=ln -AT(A.ATr1A (14)

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).

Usando assim a matriz de projeyao para projetar -e, tem-se que

dx = P(-e) (15)

Das propriedades de simetria e idempoteneia:

eTdx = - eTPe = - cTp2e = -(Pe)T(Pe) = -llpcl12~O (16)

ou seja, garante o sentido decrescente do vetor.

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

Figura 9 - Projec;aodo gradiente da func;aoobjetivo.

Considervel progresso foi entao obtido com o desenvolvimento de alguns elementos

de um algoritmo de pontos interiores. Esses elementos estavam relacionados com os
requisitos necessrios para um vetor de dire;ao d iterac;6es,de tal maneira que o devido
caminhamento fosse atendido. Para repetir tal iterac;ao, o elemento associado ao
escalonamento tem que ser tratado, nao s sob um enfoque grfico, mas tambm em func;ao
de suas implicac;5esmatemticas.

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

onde a diagonal da matriz escalonada D composta pelos elementos do vetor x original,

isto , D = diag (x). Tem-se assim que:

x = Dx I ou seja, xI = D-Ix (18)

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:

min cTx (19)

sujeito a

Ax=b e x O (20)

tem-se:

mirl cT
1 xI (21)

sujeito a

Alx = b e x O (22)

onde:

Xl eRn, b eRm, Al =AD e cl = DC (23)

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

2.6 CASOS ESPECIAl S

AIguns problemas de programac;ao linear demandam um tratamento bastante

particularizado, em func;ao das excec;5es que os caracterizam. AIguns desses casos sao
comentados a seguir.

2.6.1 Variveis sem restric;aode positividade

Tome-se o seguinte exemplo:

Max Z = 18x +9X2

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

Max Z = 18x + 9x3 - 9X4

sujeito a

3x +6x3 -6X4 18
2x +2x3 -2X4:::; 16
1x + 1x3-lx4 O
x,x3,X4 O

o problema pode entao ser resolvido normalmente, recalculando-se ao final o valor

de x2 . No caso, a verdadeira soluyao tima est envolvendo valores negativos de x2 (o que
poderia nao ter acontecido), para um valor de Z igual a 162, xl = 10, x3 = O,x4 = 2 (e por
decorrencia, x2 = -2t

o mesmo tipo de raciucnio pOQes~r aplicado a restriyoes com Rl-:ISnegativo. Pur

exemplo, se houver um limite inferior negativo definido para urna varivel, tal como:

X2 -20

A substituiyao devida seria feita assim atravs de x2 = x3 - 20 , com x3 O.

2.6.2 Problema impossvel.

Pode ser detectado quando, aps a checagem do Cj - Zj da soluyao tima, observar-se

a presenya de variveis artificiais na base. Em termos grficos, a regiao vivel nao pode ser
definida ou, espayOcartesiano delimitado nao convexo (vide Figura 10).

9O leitor atento poder notar que o exemplo comentado diz respeito a solu<;aodo exerccio 8, apresentado a
pgina 11.
 58

Figura 10 - Representac;aogrfica de problema de otimizac;aosem soluc;ao.

2.6.3 Problema l1unbounded"(soluc;aono infinito).

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

Figura 11 - Representac;ao grfica de soluc;ao no infinito (l1unbounded solution")

 ---

59

2.6.4 Soluyoes mltiplas.

Sao detectadas quando, aps encontrada a soluyao tima, observar(em)-se valor(es)

nulo(s) de custo de oportunidade para alguma varivel nao-bsica. Pode ocorrer em
situayoes em que o coeficiente angular da funyao objetivo igual ao coeficiente angular de
urna das restriyoes atuantes (vide Figura 12).

Xl

~
Xl

Figura 12 - Representayao grfica de problema com mltiplas soluyoes timas.

2.7 O PROBLEMA DE PLANEJAMENTO AGRCOLA

Urna das aplicayoes mais clssicas de programayao linear diz respeito ao

planejamento agrcola, ou mais genericamente, planejamento agroindustriallO.Basicamente,
o tomador de decisao tem a sua disposiyao urna determinada. rea, urna certa
disponibilidade de mao-de-obra e capital, alm de observar urna srie de caractersticas
tecnolgicas e de capacidade organizacional. O seu objetivo principal diz respeito a

10 Urna referencia bsica para o tema, que contrn urna srie de aplica~6es para casos brasileiros, CONTINI
etal. (1984).
 60

maximizayao de lucro, a partir das opy5es de negcios (culturas agrcolas, plantis de

animais, papis de investimento, etc.) disponveis.
Alguns exemplos de exerccios sao apresentados a seguir, com o intuito de reforyar
a capacidade de modelagem do aluno, e propiciar a oportunidade de utilizayao de software
de programayao linear. Formule os modelos pertinentes, e resolva-os pelo ORSYS. Para
fins ilustrativos, selecione pelo menos um deles e resolva-o pelo Mtodo Simplex, na mao!

1) O Govemo Federal colocou 20 ha de terra desmatadas a disposiyao de produtores

locais. Estimula-se que tal rea seja utilizada para o plantio de soja e algodao. Calcula-se
que h 1200 homens-horas disponveis durante o perodo de semeadura; e que sao
necessrios 20 homens-horas por hectare de soja e 120 homens-horas por hectare de
algodao. Oferece-se ainda urna linha mxima de crdito de $ 6000, dividida da seguinte
forma: $ 600 por hectare de soja e $ 200 por hectare de algodao. Como organizar esta rea
de plantio se sabido que as margens de lucro esperadas sao $ 50 por hectare de soja e $ 25
por hectare de algodao?
(-
2) Um produtor comprou urna propriedade com 500 ha de pasto. Ele tem um capital
de $ 10.40G para gasear na compra de gado ovino ou bovino. Os pre<;osde mercado, os
lucros anuais estimados por animal e o nmero de hectares requeridos por animal sao dados
na tabela apresentada a seguir. Determine a melhor combinayao de investimentos a ser
perseguida (adaptado de DAELLENBACH, GEORGE & MCNICKLE, 1983).

Espcie de Preyo de Hectares por Lucro anual

ovino mercado animal estimado
Cameiro Merino $ 7,00 1,0 $ 12,00
Gado Hereford $ 100,00 3,0 $ 40,00
Cameiro Romey $ 10,00 0,5 $ 7,00

3) Urna famlia de fazendeiros possui 40 hectares de terra e tem US$ 30.000,00 em

fundos disponveis para investimento. Seus membros podem produzir um total de 3.500
homens-horas de trabalho durante os meses de invemo (meados de setembro a meados de
maio) e 4.000 homens-horas durante o vemo. Se nao forem necessrios todos esses
homens/hora, os membros mais jovens da familia irao trabalhar numa fazenda vizinha, onde
receberao US$ 4,00/hora durante os meses de invemo e US$ 4,50/hora durante o verao.
A receita da fazenda pode ser obtida de tres plantay5es e dois tipos de criayao: vacas
leiteiras e galinhas poedeiras. Para as plantaesnao sao necessrios quaisquer nveis de
 61

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:

Cultura/Valores Soja Milho Aveia

Homens-horas no inverno 50 87,5 25
Homens-horas no verao 125 187,5 100
Receita lquida anual (US$) 937,5 1375 625

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:

- maximizac;aode lucro de urna empresa

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

X + 2X2 :s;10 (trabalho)

6x + 6X2 :s;36 (matria prima)
8x + 4 X2 :s; 40 (espac;ofisico)
XI' X2 ~ O

Resolvendo pelo Simplex, a seguinte soluc;aotima pode ser obtida:

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

Relembrando, os valores Cj - Zj indicam a variac;ao no lucro caso a varivel

correspondente entre na base. Por exemplo, se urna unidade de s2 entrasse na base, o lucro
decresceria em $0,50. De outra maneira, se s2 = 1, tem-se urna folga de 1 kg de matria
prima, isto , ocorre urna reduc;aode urna unidade no uso de matria prima.
O caminho inverso implicaria dizer que em se tendo urna unidade extra de matria
prima, o lucro aumentaria em $0,50. Este o conceito de valor marginal ou pre<;osombra,
isto , o mximo valor que seria pago para se maximizar o lucro, respeitando-se as
restric;oesiniciais.
Observando-se o lucro mximo de $28, nao h indicac;ao,a princpio, da contribuic;ao
de cada recursoaquelevalor.Estevalorpode ser dadopelovalorde Cj- Zjcorrespondentea
varivel de folga. Ou ainda, pode-se dizer que o valor de cada recurso pode ser dado pela
varivel de folga correspondente a cada recurso.
Assim sendo, tem-se que o prec;o-sombrade trabalho vale $1, da matria prima vale
$0,50 e do espac;o fsico vale O. Em termos econ6micos, aps a obtenc;ao do valor dos
recursos, o retorno esperado vale zero. Ou ainda, o valor total dos recursos nao pode ser
maior que $28, ou seja, o valor total dos recursos sempre exatamente igual ao lucro
mximo.

Assim sendo, para trabalho e matria prima:

- substitui-se xl = 2 e x2 = 4 nas restric;oesde trabalho e matria prima e multiplica-se

os totais pelos respectivos prec;os-sombra:

x $1
XI + 2x2 = 2 + 8 = 10 -> $10

6x] + 6x2 = 12 + 24 = 36 x $0,50 > $18

$28

E o valor do espac;ofsico?

Substituindo na restric;ao:

8x + 4x2 = 16+ 16= 32 ~ S3= 8

 64

Se h urna folga de 8m2, para se aumentar o espayOfsico em 1m2 o preyo zero, j

que est sobrando espayo.

Com isso, pode-se tambm introduzir o conceito de restriyoes atuantes (BINDING)

ou nao-atuantes (NON-BINDING); ou ainda, sem folga ou com folga. Observa-se entao
que urna restriyao atuante tem preyo-sombra positivo, enquanto urna restriyao nao-atuante
tem preyo-sombra igual a zero.
J que os recursos tm urn valor, e que o total desse valor deve ser igual ao valor
timo da funyao objetivo, pode-se chegar a urna forma DUAL em que os recursos sejam as
variveis do problema, implicando urn mesmo valor timo de funyao objetivo.

Portanto, a forma DUAL do problema anterior pode ser dada por:

Min Z = lOy +36Y2 +40Y3

sujeito a

Y --6Y2 +8Y3 ~4 (PRODUTO 1)

2y +6Y2 +4Y3 ~5 (PRODUTO 2)
YPY2'Y3 ~ O

onde:

Yl= valor marginal de urna hora de trabalho;

Y2= valor marginal de 1 kg de matria prima;
Y3= valor marginal de 1 m2 de espayOfsico.

Soluyao tima: Yl = 1 , Y2= 1/2 e Y3= O

Comparando a estrutura do DUAL com a do PRIMAL, podem ser observadas as

seguintes relayoes:
 65

PRlMAL DUAL
Max Zp = 4x + 5X2 MinZd = 10y +36Y2 +40Y3

sujeito a sujeito a

Ix +2x2 ~ lO y + 6y 2 + 8y 3 :2:4

6x +6x2 ~ 36 2y +6Y2 +4Y3:2:5

8x +4X2 ~40 Y 'Y2 'Y3 :2:O
x ,x2 :2:O

Basicamente, tem-se que:

a) A um problema de maximizayao expresso em sua forma primal corresponde urna

estrutura dual representada por um problema de minimizayao, e vice-versa.
b) As colunas das restriyoes do primal correspondem as linhas das restriyoes do dua!,
e Vlce-versa.
c) Aos coeficientes da funyao objetivo do primal estao associados os RHS do dual, e
vlce-versa.
d) A urna restriyao tipo ~ do primal corresponde urna restriyao do tipo:2: no dual, e
vlce-versa.
As restriyoes do DUAL podem ser interpretadas como sendo a contribuiyao de cada
recurso ao lucro. Por exemplo, o uso de recursos devem resultar no mnimo em $4,00 de
lucro para cada unidade do produto l. Como 1 kg de matria prima vale $0,50, os 6 kg
necessrios para produzir urna unidade do produto 1 contribuem em $3,00 para o lucro
mnimo de $4,00.
Com relayao lfunyao objetivo do DUAL, ela representa o produto obtido a partir do
total de recursos e seus respectivos valores.
Cabe, finalmente, apresentar o TEOREMA DA FOLGA COMPLEMENTAR, que
afirma que para urna restriyao totalmente esgotada (atuante) no primal corresponde urna
varivel DUAL nao-nula. E vice-versa.
 66

De urna maneira geral:

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 =

2.9 O PROBLEMA D2 FORMU'A<;O DE R,\<;O DE CUSTO MNIMO

Urna aplica<;aobem sucedida de programa<;aolinear diz respeito l formula<;aode

dietas, e em particular, formula<;aode ra<;oesde custo mnimo. Em termos gerais, se deseja
obter a ra<;aode mnimo custo (ou mnimo pre<;o),a partir da disponibilidade de urna srie
de alimentos, mas respeitando-se as exigencias nutricionais pertinentes l idade e tipo de
animal.
Urna srie de recomenda<;oese exemplos sobre esse tipo de problema podem ser
encontrados na literatura, sendo o exemplo a ser apresentado a seguir extrado de PERES &
MARQUES (1988). Para a formula<;aode ra<;aopara sunos, sao apresentados os seguintes
dados:
 67

Item Mnimo Requerido Mximo

Permitido
Protena (%) 15,50 16,00
Energia (kcal/kg) 3.260,00 3.360,00
P (%) 0,50 0,52
Ca/P 1,30 1,40
Farelo de trigo (%) 0,00 15,00
Farinha de carne (%) 0,00 3,00
Farinha de sangue (%) 0,00 2,00
Lisina (%) 0,69 sem limite
Sal (%) 0,50 0,50
Mistura A (%) 0,10 0,10
Mistura B (%) 0,10 0,10

Alimento Varivel Protena Energia Clcio Fsforo Lisina Preyo

corresp. (%) (kcal/kg) (%) (%) (%) ($/kg)
Milho Milho 8,51 3.493 0,02 0,27 0,23 1,80
Farinha de soja Fsoja 45,60 3.378 0,36 0,55 2,87 4,20
Farinha de trigo Ftrigo 15,30 2.103 0,12 0,88 0,57 2,00
Farinha de carne Fcarne 45,20 2.133 11,60 5,40 2,28 7,50
Farinha de sangue Fsan 80,90 2.809 0,20 0,15 6,57 9,00
Fosfato biclcico Fosbica - - 22,61 17,03 - 14,50
Clcio Calca - - 37,00 - - 0,80
Sal Sal - - - - - 3,00
Misturamineral MistA - - - - - 28,00
Mist.Vitamnica MistB - - - - - 145,00

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

sujeito as seguintes exigencias nutricionais, que devem contabilizar as contribuic;5es

devidas de cada alimento:

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

Mximo de farinha de trigo: Ftrigo ~ 0,15

Mximo de farinha de carne: Fcarne ~ 0,03

Mximo de farinha de sangue: Fsan ~ 0,02

full : Sal = 0,005

Mistura A: MistA = 0,001

Mistura B: MistB = 0,001

~: 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

Resolvendo o problema, obtem-se os seguintes valores timos:

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

Os problemas apresentados a seguir, que envolvem forrnulayoes de rayoes, deverao

ser estruturados como modelos de programayao linear e rcsolvidos pelo ORSYS.

1) Para fornecer 1 kg de rayao balanceada a frangos de corte necessrio que a

mesma contenha, no mnimo, 17,16% de protena e 3.000 quilocalorias de energia
metabolizvel aparente. Admite-se que estejam disponveis para a formulayao da rayao
apenas milho, ao preyOde $ 1,80 por kg, e farelo de soja, ao preyO de $ 4,20 por kg. O
milho contm 8,51% de protena e 3.146 quilocalorias de energia por kg. O farelo de soja,
por sua vez, contm 45,6% de protena e 2.283 quilocalorias de energia por kg. Pede-se
determinar as quantidades de milho e farelo de soja que devem ser misturadas para que o
alimento final satisfaya as necessidades alimentares das aves e, ao mesmo tempo, tenha o
menor custo possvel (PERES & MARQUES, 1988).

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

contm 200 g de A, 150 g de B, 20 g de C e nada de X (custa 40 centavos por qui10grama).

Determinar a formula<;aomais adequada para 1 kg de ra<;ao.

3) Um fazendeiro est criando porcos para vender e deseja determinar as quantidades

dos tipos de alimentos disponveis que devem ser dadas a cada porco para atingir certos
requerimentos nutricionais, a um custo mnimo. O nmero de unidades de cada tipo de
ingrediente nutriciona1 bsico contido em um quilo de cada tipo de alimento dado na
tabe1a que se segue, juntamente com os requerimentos nutricionais dirios e custo dos
alimentos:

Ingrediente Milho Tan<;agem Alfafa Requerimento

Nutricional mnimo dirio
(g)
Carbohidratos (g/kg) 90 20 40 200
Protenas (g/kg) 30 80 60 180
Vitaminas (g/kg) 10 20 60 150

-- Custo ($/kg) 21 18 15

Determinar a a1imenta<;aoideal a ser recomendada aos porcos (HILLIER &

LIEBERMAN, 1988).

4) Urna determinada fbrica de ra<;aoprecisa produzir 10.000 t de urna mistura

especial a partir dos ingredientes A, B e C, os quais podem ser obtidos no mercado pelos
seguintes custos unitrios ($/t): 8.000, 10.000 e 11.000. Sabe-se ainda que a mistura nao
deve ter mais que 3.000 t de A e nao menos que 1.500 t de Be 2.000 t de C.

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

2.10 MODELOS DE TRANSPORTE

Urna aplica<;ao interessante de programa<;ao linear diz respeito a estrutura<;aode

problemas de transporte envolvendo, por exemplo, o roteamento de veculos. O raciocnio a
ser apresentado a seguir, vlido para este tipo de problema, igualmente adequado para
problemas que envolvam balan<;oentre oferta e demanda.

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

Capacidade 150 70 60 280

Estruturando o problema de forma diagramtica:

 72

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

Formuland.) O problema por programac;ao linear, define-se como Jbjetivo a ser

alcanc;ado a minimizac;ao do custo total de transporte, ou seja,

Min Z=8xlI +5x12 +6x13 +15x21 +10x22 +12x23 +3X31 +9X32 +10x33

sujeito a

Xli + x12 + X13= 120

X21 + X22 + X23 = 80 restric;6esde produc;ao
X31+ X32 + X33 = 80 }
XII + X21 + X31 =ISO
x12 + X21 + X32 = 70 restric;6esde capacidade
x13 + X23 + X33 = 60 }
Xij ;::: O }restric;6esde nao - negatividade

De maneira genrica,
 73

m n

MinI I Cij Xij

i=! j=l

sujeito a

n m
~x..
L IJ
=s. 1 e ~X..
L IJ
=d.
J
e Xij ~ O
j~l i=l

onde:

cij = custo de distribuiyao entre i e j;

xij = total a ser distribudode i atj;
s = total produzido;
dj = total a ser armazenado.

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.

2.10.1 Regra do Canto Noroeste

a) Comece pelo canto superior esquerdo do "tableau" e aloque o mximo possvel

para x , com o cuidado de nao violar as restriyoes de produyao e capacidade.

b) "Elimine" a linha ou coluna j completamente atendida e caminhe para clula

adjacente da linha ou coluna "nao-eliminada" (se tanto a linha quanto a coluna forem
atendidas ao mesmo tempo, caminhe diagonalmente para a clula mais prxima).
 74

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

2.10.2 Mtodo do Mnimo Custo

a) Escolha a clula com o mnimo custo unitrio e aloque a mesma o mximo

possvel de unidades.

b) "Elimine" a linha ou coluna j completamente atendida e caminhe para o

"prximo" mnimo custo.

c) Termine quando todas as linhas e colunas forem atendidas.

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

2.10.3 Mtodo de Aproximayao de Vogel

Normalmente produz melhores soluyoes, e frequentemente, a soluyao tima. Sao

previstos os seguintes passos:

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).

c) "Elimine" a linha ou coluna j completamente atendida e retorne ao passo "a",

recalculando os valores das penalidades.

d) Termine quando "sobrar" apenas urna linha ou coluna, balanceando-a.

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

Checagem do novo "tableau":

 76

a) Ok.

b) Mximo valor de penalidade = 6; linha 3 aloca o mximo para o menor custo da

linha 3; clula X3com 80 unidades.

c) A linha 3 eliminada.

al) Recalcule penalidades das colunas (as das linhas continuam as mesmas).

b) 7 o mximo, aloque 70 a Xli'

c) A coluna 1 eliminada.

a2)Recalcular as penalidades das linhas (as quais, por coincidencia, sao as mesmas).

b2) 6 o mximo, aloque 50 a X13'

C2)A linha 1 eliminada.

d) Aloque 70 a X22e lOa X23'

o custo total de distribuiyao correspondente :

= 8 x 70 + 6 x 50 + 10 x 70 + 12 x 10 + 3 x 80 = 1.920

que "melhor" que as soluyoes obtidos pelos mtodos anteriores.

2.10.4 Mtodo "Stepping-stone"

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

Cada clula vazia (no caso, 9-(m + n - 1) clulas)representaurna varivelnao-bsica

que poderia entrar na base (para entrar, a contribuiyao especfica da varivel nao-bsica
deve implicar a reduyao do custo total).

Calculando essas contribuiyoes para a clula X12:

1) Aloque 1 unidade a X12. Assim, nao mais 70 e sim 71 o total de unidades na

coluna.2.

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'

5) A linha 1 automaticamente corrigida em funyao do passo anterior.

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.

Para se determinar o caminho:

 78

a) Adote um sentido (ou horrio ou anti-horrio).

b) H somente um caminho fechado para cada clula vazia.

c) Os extremos do caminho (a menos da varivel nao-bsica) devem ser clulas

ocupadas.

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, para a varivel x12:

xl'! ~ X22 ~ X21 ~ Xli ~ X12

+1 -1 +1 -1

Atribuindo os valores de custo pertinentes:

C12* = C12 - C22 + C21 - Cll

=5-10+15-8=2

Realizando os clculos devidos para todas as clulas vazias:

Varivel Caminho fechado Contribuiyao

X12 X12 X22 X21 Xli X12 +2
X13 X13 X33 X32 X22 X21 Xli X13 +2

X23 X23 X33 X32 X22 X23 +1

X31 X31 X21 X22 X32 X31 -11

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:

X31 ~ X21 ~ X22 ~ X32

Sinal no caminho fechado + +
Aloca9ao inicial o 30 50 20

Portanto, X32dever ser a varivel que sai.

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

o novo "tableau" resultante apresentado a seguir:

1 2 3
1 120 120
2 10 70 80
3 20 60 80
150 70 60

Para verificar a possibilidade de-existencia de melhores solu90es, calcule novamente,

a partir dos novos caminhos fechados, os valores das contribui90es das variveis nao-
bsicas. Se todas essas contribui90es forem positivas, a solu9ao tima foi encontrada.
 80

2.10.5 "Problemas" do Problema de Transporte

a) nao-balanceamento entre oferta e demanda

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

1) Deseja-se transportar arroz de tres armazns (1, 2 e 3) a tres centros consumidores

distintos (A, B e C). Cada armazm apresentou os seguintes nveis de estoque de arroz num
determinado mes:

Armazm Arroz disponvel (kg)

1 200
2 150
3 300
 81

Cada centro consumidor estar apto a receber as seguintes quantidades de arroz

naquele mes:

Centro Consumidor Demanda (kg)

1 100
2 300
3 250

Os custos de transporte envolvidos sao os seguintes:

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

respectivamente. Solucione o problema alocando as reas necessrias em cada pas de

modo a atender a demanda por cada alimento a nvel mundial, e minimizando o custo total
de mao-de-obra (HILLIER & LIEBERMAN, 1988).

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:

Compartimento Capacidade em Capacidade em

peso (t) volume (m3)
Frente 12 189
Centro 18 243
Traseiro 10 135

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:

Carga Peso (t) Volume (m3/t) Lucro (US$/t)

1 20 1'3,5 220
2 16 18,9 280
3 25 16,2 250
4 13 10,8 200

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).

4) Urna empresa madeireira tem tres fontes de madeira e cinco mercado~~~ir. A

disponibilidade anual de madeira nas fontes 1, 2 e 3 de 20, 40 e 30 mil metros cbicos,
respectivamente. A quantidade que pode ser vendida anualmente nos mercados 1,2,3,4 e
5 de 14, 24, 18, 20 e 16 mil metros cbicos, respectivamente.
 83

At o presente, a empresa vem remetendo a madeira por trem. Entretanto, como os

custos dessas remessas tem aumentado, a empresa est investigando a alternativa do uso de
barca<;asem hidrovias tluviais para fazer parte das remessas. Esta alternativa implica que a
empresa fa<;a investimentos em algumas barca<;as. Descontando estes custos de
investimentos, os custos de remessa em dlares por metro cbico por trem e por navio
seriam os seguintes para cada rota:

Fonte/ Custo unitrio por trem Custo unitrio por barca<;a

Mercado 1 2 3 4 5 1 2 3 4 5
1 30,5 36 27,5 33 15,5 19 12 O 7P
. 22,5 17,5'
2 34,5 39 30 24;5 28 18 21,5 14 12 /.\ o
15,5
1)
3 29,5 33 31,5 30,5 23,5 O' 16,5 18 16 13
'. 1\-11"<
. 1'\ li V fr I LI Z'-\ r'{ /ffl I

O investimento de capital, em dlares, em barca<;as, requerido por metro cbico a ser

transportado anualmente por hidrovia para cada rota, apresentado a seguir.

Fonte/ lnvestimento em bar::a<;as

Mercado 1 2 3 4 5
1 137,5 151,5 119 O 142,5
2 146,5 159 135 125 132,5
3 O 141,5 137,5 134 120

Considerando-se a vida til esperada das barca<;ase a amortiza<;aodo capital, o custo

anual uniforme destes investimentos equivalente a um dcimo da quantidade dada na
.." para investir em
tabela. A empresa s tem condi<;oes de levantar US$ 6.250.000,00
barca<;as.O objetivo determinar o plano geral de remessas que }Illinimizeo custo anual
uniforme equivalente total atendendo, ao mesmo tempo, a limita<;ao de capacidade de
investimento e a demanda dos mercados (HILLIER & LIEBERMAN, 1988).

5) Urna indstria de madeira serrada se utiliza de tres fbricas e quatro armazns. Os

custos de transporte de cada fbrica para cada armazm sao apresentados a seguir~\
~
 84

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

onde XYZKLMN = nmero de 7 algarismos, identificador do aluno em sua Escola.

Ainda, as fbricas A, B e C tem disponveis XYZ, XML e KNX toneladas de

fertilizantes, assim como cada armazm, de 1 a 4, tem capacidade de ZXY, LZN, MXK e
YXX toneladas, respectivamente.

a) Determine alguma soluyao para o problema (nao necessariamente a tima).

b) A partir da resposta obtida em a), elabore e interprete os relatrios pertinentes a
anlise de sensibilidade do problema ("a la ORSYS"), assurnindo valores fictcios de preyO-
sombra, etc., quando isso se fizer necessrio.

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

atuantes ou "binding") e exemplifique, a partir de urna dessas restri<;oes,o conceito de

pre<;o-sombra.
b) Sempre poder ser questionado o grau de incerteza incorporado as estimativas de
lucros unitrios por tipo de cultura. Indique a metodologia que deveria ser adotada para se
obter o valor da margem de erro incorporada a essas estimativas, de tal forma que a solu<;ao
tima inicial nao seja comprometida (adaptado de HILLIER & LIEBERMAN, 1988).

2.11 PROGRAMA<;O INTEIRA

Programa<;aointeira pura, ou simplesmente programa<;aointeira, urna varia<;aoda

programa<;ao linear, que tambm adequada para solu<;aode problemas que envolvam
programa<;ao mista (estrutura linear com caractersticas inteiras e nao-inteiras), e
particularmente para problemas que envolvam escolhas que possam ser representadas por
variveis binrias tipo zero-urn.
De uma maneira geral, o problema passvel de solu<;aopor programa<;aointeira deve
apresentar as seguintes caractersticas:

a) fun<;aoobjetivo linear;
b) restri<;oeslineares;
c) variveis positivas;
d) algumas (ou todas) variveis inteiras.

Se nao houvesse um algoritmo especfico para a resolu<;ao de problemas que

demandem a utiliza<;ao de programa<;ao inteira, poderia ser tentada como alternativa o
arredondamento (para cima ou para baixo?) da solu<;aoobtida por programa<;aolinear. Os
riscos envolvidos diriam respeito a possibilidade da solu<;ao arredondada, mesmo que
vivel, nao corresponder a solu<;ao tima; ou ainda ao fato de se violar as restri<;oes
originalmente impostas ao problema. Tambm seria vivel urna pesquisa grfica sobre os
candidatos a soluyao inteira, particularmente para problemas que envolvessem duas ou at
tres varveis, para a obten<;aoda solu<;aotima do problema.

2.11.1 Mtodo "Branch-and-Bound" (

\

O mtodo "Branch-and-Bound" (Algoritmo de Bifurca<;ao e Limite) o malS

disseminado para problemas de programa<;ao inteira, com os seguintes passos a serem
observados:
 86

1) Resolva o problema como se fosse um problema trivial de programa9ao linear,

com as variveis relaxadas. Examine a solu9ao relaxada tima obtida e verifique se as
variveis que deveriam ser inteiras observam efetivamente valores inteiros. Em caso
positivo, o problema (por coincidencia) est resolvido. Se nao, siga para o prximo passo.
2) Se a solu9ao obtida contm urna varivel nao-inteira, por exemplo, Xj*,entao i <
xj* < i2 , onde i e b sao inteiros consecutivose nao negativos.Dois novos modelosde
programa9ao inteira sao entao criados, acrescentando ao problema de programa9ao inteira
original ou a restri9ao Xj~ i ou XjZ i2.
3) Se algurna das primeiras aproxima90es continuar a apresentar solu90es nao-
inteiras, o problema de programa9ao inteira originado por esta primeira aproxima9ao toma-
se candidato a urna bifurca9ao adicional.
4) Se o problema for de maximiza9ao, a bifurca9ao continua at ser obtida urna
primeira aproxima9ao inteira (que urna solu9ao, nao necessariamente tima, do problema
original). O valor da fun9ao objetivo correspondente a esta primeira aproxima9ao inteira
toma-se urn limite inferior para o problema. Todos os modelos cujas primeiras
aproxima90es, inteiras ou nao, conduzam a valores da fun9ao objetivo menores que o limit~
inferior, devem ser descartados.
5) Se o problema for de minimiza9ao, o procedimento permanece o mesmo, exceto
que os limites a serem utilizados deverao ser "superiores" e nao mais inferiores. Assim, o
valor da fun9ao objetivo a partir da primeira solu9ao inteira toma-se o limite superior do
problema, sendo que deverao ser eliminados aqueles modelos com valores da fun9ao
objetivo maiores que o limite superior corrente.
Vm exemplo de resolu9ao para urn problema de maximiza9ao apresentado a seguir.

(\
 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

2.11.2 Restriyoes tipo "ou/ou"

Exemplo: Um produtor considera dois mercados alternativos para alocar a sua

produyao de milho, trigo e de sorgo: rayao para aves ou rayao para bovino de corte. Como
os processos de produyao diferem entre si, as restriyoes pertinentes sao distintas. A saber:

2x + 4X2+ X3S 30 (rayao para aves)

10x + 8X2 s 180 (rayao para bovinos)
onde:
x = kg de milho
X2 = kg de trigo
X3 = kg de sorgo

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,

- se y = O,a restriyao correspondente a "rayao para aves" se toma atuante, enquanto a

restriyao para "rayao bovina" se toma redundante.

- se y = 1, a situayao anterior se inverte.

2.11.3 Restriyoes tipo "pelo menos K de R restriyoes devem ser vlidas"

Ex: x + x2 + x3 :::;10 x + x2 + x3 :::;10 + YM

4x +x2 -x3:::; 12 4X+X2-X3:::; 12+Y2M
Artifcio:
X2 + 2 x3 :::;8 x2 + 2X3 :::; 8 + y3 M
3x - x2 + x3 :::;9 3x -X2 +x3 :::;9+Y4 M

Por exemplo, se as restriyoes sao mutuamente exclusivas (somente urna das quatro
vlida),

Y+Y2+Y3+Y4=3;

ou, se pelo menos tres das restriyoes devem atuar:

Y+Y2+Y3+Y4=1

Quanto a anlise de sensibilidade, lembre-se que em programayao linear, a adiyao de

1 unidade ao RHS de urna restriyao que tem folga nao afetar a soluyao tima. J em
programayao inteira, urna restriyao pode ter folga devido unicamente a condi9ao inteira das
variveis.
Em programayao linear, qualquer alterayao na soluyao a partir da mudan9a no RHS
observa um comportamento contnuo; j em programayao
urna nova soluyao inteira se tome vivel. Assim, a altera :'ao "observa
nao h
urnmudan9a at que
) Bao discreto, nao contnuo. F comportamento
 89

2.11.4 Aplicayoes

a) Alocayao tima de horrios em urna escola13

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:

Xijkl = varivel representativa da ocorrencia ou nao da disciplina i, na sala j, no

horrio k, no dia 1;
n = nmero de disciplinas;
m = nmero de salas;
o = nmero de horrios;
p = nmero de dias de aula por semana.

Devem ser consideradas, entretanto, as seguintes restriyoes:

a) urna determinada disciplina poder ou nao ser oferecida em um determinado

horrio de um determinado dia, em funyao da disponibilidade do professor (2);

X;jkl ::; Aijkl (2)

onde:

Aijkl = parametro tipo 0-1, indicativo da disponibilidade para o oferecimento de urna

determinada disciplina em um determinado horrio da semana;

b) em urna determinada sala de aula, em um determinado horrio de um determinado

dia, poder ocorrer no mximo urna disciplina (3);

I
j;!
Xjkl ::;1,O (3)

13Baseado em CAIXETA FILHO & OLIVElRA (1994).

 90

c) urna determinada disciplina poder em um determinado horrio de um determinado

dia ser oferecida a um mximo de urna sala, ou seja, salas nao podem ser agrupadas para
aulas simultneas de urna mesma disciplina (4);

:XjkJ S; 1,0 (4)

j=1

d) urna determinada disciplina poder ser oferecida at urna determinada frequencia

mxima semanal para urna determinada sala (5);

o p
: : Xjkl S;TOTii (5)
k=1 1=1

onde:

TOTij = total de aulas da disciplina i na salaj;

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

: :Xjkl+: :XjklS;1,0, para 1 S;a,b S;n (6)

i=a j=l i=b j=1

Exemplo numrico: tome-se a situac;ao em que a "escolal' possa ser simplificada

atravs da representac;ao que envolva: 2 salas de aula; 2 disciplinas (com 2 aulas por
semana, por sala); 2 dias letivos por semana; 2 horrios por dia letivo.

Assim, de urna forma tabular, o seguinte quadro de horrios teria que ser preenchido:

SALA 1 OlA 1 OlA 2 SALA 2 OlA l OlA 2

HORRlO 1 HORRIO 1
HORRlO 2 HORRIO
 91

Portanto, a varivel Xijkl' representativa da ocorrencia ou nao da disciplina i, na sala

j, no horrio k, no dia 1, pode ser definida. Assume-se, assim, que a escola tenha como
objetivo oferecer o maior nmero possvel de aulas, ou seja:

n !TI o p
Max LL IIXkl
j;1 j;1 k;ll;1

onde, no caso especfico, n = m = o = p = 2.

Assim sendo, h 16 combina<;oespossveis para a varivel binria Xijkl>que poder

assumir os valores zero ou um.

As restri<;oesdo problema podem ser representadas da seguinte forma:

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

Representando as restriyoes para o exemplo:

Xllll + X2111 ::; 1, O

Xli 12+ X2112 ::; 1, O

X1l21 + X2121::; 1, O

X1l22 + X2122 ::; 1, O

X12l1 + X2211::; 1, O
X12l2 + X2212 ::; 1, O
X1221+ X2221 ::; 1, O

X1222 + X2222 ::; 1, O

c) urna determinada disciplina, em um determinado horrio de um determinado dia,

s poder ser oferecida a urn mximo de urna sala; ou ainda, salas nao poderao ser
"juntadas" para urna determinada disciplina, ou urna disciplina (e naturalmente, o seu
professor) nao pode ocorrer em mais que urna sala ao mesmo tempo. De urna maneira
genrica:

2
I
j=l
Xijkl::;1,O

Para o exemplo:
 93

XliiI + Xl2lJ :::;1,0

Xli 12+ X1212 :::;1,0

Xl121 + X122J:::; 1,0

XI122 + XI222 :::;1,0

X211I + X221I:::; 1,0

X2112 + X2212:::;1,0

X2121 + X222I:::; 1,0

X2122 + X2222:::; 1,0

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

Representando as restriyoes para o exemp10:

- par:=a disciplina 1, na sala 1: XlIII + Xll12 + )(1121+ j:1J:i2:::;2, O

- para a disciplina 1, na sala 2: Xl2l1 + Xl2l2 + X1221+ X1222:::;2, O
- para a disciplina 2, na sala 1: X2111+ X2112+ X2121+ X2122:::;2, O
- para a disciplina 2, na sala 2: X2211+ X2212+ X2221+ X2222:::;2, O

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.

A resposta obtida representada a seguir:

SALA 1 DIAl DIA 2 -SALA 2 DIAl DIA 2

HORRIO 1 DISC. 1 DlSC. 1 HORRIO 1 DlSC. 2 DISC. 2
HORRIO 2 DlSC. 2 DISC. 2 HORRIO 2 DISC. 1 DlSC. 1
 94

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

1.0000 1.0000 ,. 1.000000

LOOOO '0000 ,. 1 000000
1.0000 LOOOO LOOOO 1.0000 <o 2.000000
LOOOO 1.0000 l.OOOO 1.0000 <o l.OOOOOO
1.0000 1.0000 1.0000 LOOOO ,. 2.000000
1.0000 1.0000 1.0000 1.0000 <o l.OOOOO'

Prximo ao fim da dcada de 80, soluyoes para o aumento de memria em

microcomputadores parecem contomar o problema da dificuldade de processamento
decorrente da explosao combinatria em plataformas de pequeno porte. Alm disso,
linguagens de modelagem comeyam a ser desenvolvidas com o intuito de propiciar cdigos
que fossem comuns a utilizayao de ferramentas distintas de programayao linear (inteira ou
nao), programayao nao-linear, etc., e incorporando eficientes geradores de matrizes. Na
pesquisa realizada por SHARDA (1995), cujas tabelas se encontram reproduzidas da pgina
31 a pgina 36 deste material, sao tambm apresentadas as possibilidades existentes nesse
sentido. Em vista disso, para fins comparativos, um problema mais amplo de alocayao de
horrios codificado sob uma dessas linguagens.
A linguagem selecionada foi a GAMS - General AIgebraic Modeling System -
(BROOKE et al., 1992). Trata-se de uma tecnologia de modelagem que teve seu
desenvolvimento iniciado no fim da dcada de 80, atravs de equipe de economistas do
Banco Mundial, com o objetivo de pO
linguagem extremamente prxima a 11guagem matemtica, alm de ser flexvel a
at amatemtica
incorporayao de algoritmos para progr ayao estruturayaodisponveis
de modelosno atravs de
mercado. E~...
 95

Portanto, nao se trata de um esforyo para o desenvolvimento de algoritmos malS

convergentes, mas sim para incorpor-los a um pacote que se preze pela facilidade de
manipulayao tanto para programadores especializados quanto para o usurio final.
Entre outras vantagens, possibilita a formulayao do modelo na mesma forma em que a
representayao matemtica foi concebida; a utilizayao de somatrias propicia a gerayao
automtica de matrizes; as variveis exgenas podem ser alimentadas ao problema sem
terem que observar um padrao rgido de formato, variando desde o padrao ASCII
(American National Standard Codefor lnformation lnterchange) e passando, por exemplo,
pelo formato das mais diversas planilhas eletronicas existentes no mercado.
Assim sendo, tome-se a seguinte situayao: a "escola" em questao j nao mais tao
simplificada, urna vez que envolve 7 salas de aula, 10 disciplinas (6 para alunos de
graduayao, com 3 aulas por semana, por sala; e 4 para alunos de ps-graduayao, com 5
aulas por semana, por sala), 5 dias letivos por semana e 8 horrios por dia letivo.
Portanto, sao possveis para tal situayao 2800 combinayoes para a varivel binria
Xijkl>o que certamente j ilustra o problema da explosao combinatria, e nao toma muito
fcil a tarefa da elaborayao "manual" da matriz pertinente. A estruturayao de tal problema,
se~uindo as mesmas premissas assumidas para o problema simplificado, atravs da GAMS,
pode ser visualizada pelo contedo do seguinte arquivo de entrada:

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

RESTIJGRAD(I,J)$(ORD(I) LE 6) .. SUM ((K,L), X(I,J,K,L)) =L= 3.0;

RESTIJPGRA(I,J)$(ORD(I)GE 7) .. SUM ((K,L),X(I,J,K,L))=L= 5.0;
OPTION ITERLIM = 1000000;

OPTION RESLIM = 1000000;

MODEL HORAGAMS /ALL/ ;

SOLVE HORAGAMS USING MIP MAXIMIZING CT ;
DISPLAY X.L, CT.L ;

Os principais aspectos da sintaxe da linguagem GAMS podem ser obtidos atravs de

seu manual (BROOKE et al., 1992), ou ainda atravs de publica~ao de autoria de
JEFFERSON & BOISVERT (1989), da Comell University.
Em termos gerais, um arquivo de entrada, tipo texto, que obrigatoriamente tenha a
extensao ".GMS", deve ser montado pelo usurio. Admitindo-se um ambiente
computacional tipo DOS em PCs, para se processar tal arquivo deve ser digitado aps o
"prompt" o comando "gams nome do arquivo - sem a extensao '.GMSj".
Tendo sido iniciado o processamento, e sem a observa~ao de erros (o que nao muito
comum, principalmente para usurios principiantes - uma simples falta de " ; " pode gerar
urna m~nsager.l informaLdo a presen~a de nmero hastante elev.Ido de erros), pOlie ser
consultado o arquivo gerado pela GAMS com os resultados do problema. Tal arquivo tem a
mesma denomina~ao do arquivo de entrada, s que com a extensao ".LST". Tanto o arquivo
de entrada como o de saida podem ser editados a partir de qualquer processador de textos.
Pode-se perceber do exemplo de arquivo de entrada apresentado que a nota~ao
matemtica que envolvia somatrias basicamente reproduzida no arquivo de entrada da
GAMS (as equa~5es CARGATOTAL , RESTJKL(J,K,L) , RESTIKL(I,K,L),
RESTIJGRAD (I,J) e RESTIJPGRA (I,J) ), sendo as originais substituidas por SUMs.
Tal procedimento implica a gera~ao automtica da matriz pertinente, em um tempo muito
menor e com certamente menos (se alguns!) erros que a alimenta~ao de dados tradicional.

b) Programa~ao de collheita de laranja14

As aplica~5es de programa~ao linear a colheita, documentadas nos ltimos cinco anos

sobre casos brasileiros, que mais se aproximam a programa~ao de colheita de laranja, sao
aquelas que dizem respeito ao gerenciame~o de lavouras de cana-de-a~car (GUALDA e

TONDO, 1991; BARATA, 1992) ou de ~as de Euca/yptus (TAUBE-NETO, 1989).

14Baseado em CAIXETA FILHO e GUALDA (1993).

 97

Coincidentemente, tratam-se de segmentos agroindustriais que vem observando contnuo

avan90 em termos de gera9ao de divisas, tal como a laranja.
Podem ser verificadas urna srie de similaridades entre tais aplica90es, assim como
entre as mesmas e urna eventual aplica9ao para programa9ao de colheita de laranja. Tanto
Eucalyptus, quanto cana-de-a9car, quanto laranja, tem o seu ponto de colheita associado a
um determinado estgio de crescimento e/ou matura9ao. No caso de florestas, os
rendimentos florestais a serem alimentados a estrutura de modelagem pertinente ser fun9ao
das curvas de crescimento representativas, tendo em vista a minimiza9ao dos custos
envolvidos.
No caso da cana-de-a9car, BARATA (1992) se apia na maximiza9ao da margem
total de contribui9ao ao lucro, tendo em vista a produtividade em toneladas de cana por
hectare plantado; j GUALDA e TONDO (1991) maximizam a produ9ao de cana levando
em considera9ao o teor de sacarose, estimado por curvas de matura9ao. Com rela9ao a
laranja, a situa9ao vigente, e ainda nao documentada na literatura, a de maximiza9ao de
produ9ao de caixas de laranja, sem a princpio qualquer tratamento a questao da qualidade,
a qual poderia ser modelada atravs da incorpora9ao das caractersticas de Brix e de Ratio.
Em termos dr, diferen9as entre os produtos, alm das evidentes, note-se que o ponto
de colheita para a laranja nao estar somente relacionado a critrios de qualidade, mas
assim tambm a quantidade de frutos disponveis na rvore. Nao necessariamente ser uma
boa poltica atrasar-se a colheita de um determinado pomar, tendo-se em vista um ganho em
termos de slidos solveis, se a queda de frutos a ser observada j inviabilizar aquele
eventual beneficio. Alm disso, as restri90es econmicas, operacionais, qumicas,
biolgicas e logsticas sao totalmente distintas para a laranja, urna vez que se trata de uma
cultura muito mais vulnervel e sensvel a intempries, exigindo urna srie de cuidados
adicionais ao nvel de tratos culturais e gerenciamento administrativo, se comparado com a
cana-de-a9car e com Eucalyptus.
Ao nvel de estrutura matemtica dos modelos citados, entretanto, alguns comentrios
merecem destaque. Primeiro, a questao da defini9ao da varivel endgena de decisao,
normalmente associada a rea a ser colhida. Como as propriedades vem sendo gerenciadas
a partir da ad09ao de algum tipo de zoneamento das reas agrcolas (talhoes, ou lotes, ou
qualquer outra terminologia anloga), o valor da solu9ao para tal varivel de decisao dever
levar em considera9ao a colheita ou nao daquela unidade dentro de um determinado perodo
de tempo ou, de urna forma genrica, tal varivel de decisao dever assumir caractersticas

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

At meados da dcada de 80, as alternativas disponveis para resolver problemas de

grande dimensao por programac;ao linear diziam respeito a pacotes instalados em
computadores de mdio a grande porte, que observavam custos de processamento
excessivamente elevados, o que em muitos casos nao estimulava a utilizac;ao de tais
ferramentas.
Com a compacta<;ao dos processadores de computadores, aSSlm como com a
diminuic;ao dos custos operacionais envolvidos, alternativas de pacotes de programac;ao
linear comec;ama se tomar disponveis para microcomputadores. Entretanto, a questao da
explosao combinatria ainda era um impedimento para a populariza<;aona utilizac;ao de
pacotes de programac;ao linear inteira, que em grande parte dos casos eram ferramentas
distintas das de programac;aolinear.
Prximo ao fim da dcada de 80, soluc;5es para o aumento de memria em
microcomputadores parecem contornar a questao da explosao combinatria, assim como
linguagens de modelagem come<;ama ser desenvolvidas com o intuito de propiciar cdigos
que fossem comuns a utilizac;aode ferramentas distintas de programa<;aolinear (inteira ou
nao), programac;aonao-linear, etc.
Em vista disso, foi selecionada urna dessas linguagens, no caso a GAMS (BROOKE
et al., 1992), e sobre ela codificada a estrutura do modelo. Entretanto, a satisfa<;aodo
modelador por urna linguagem inteligente nao necessariamente corroborada pelo usurio
final do modelo. Interfaces amigveis para entrada e sada de informa<;5essao normalmente
imperativas para que a possibilidade de exito na utiliza<;aode urna ferramenta seja bastante
razovel. Em vista disso, interfaces poderao ser desenvolvidas para traduzir para a
linguagem GAMS os dados necessrios para a estrutura<;aodo modelo, a partir do prprio
usurio final, assim como interpretar os resultados obtidos pela linguagem GAMS atravs
de urn formato mais adequado a esse mesmo usurio final. Portanto, alm de possibilitar
urn aumento na eficiencia da comunicac;aoentre o usurio da ferramenta e o modelo em si,
deverao tambm ser oferecidas ao usurio condic;5es de se alterar a estrutura do modelo
sem necessariamente diligenciar sobre aspectos intrnsecos a esta ou aquela teoria.
Assim sendo, o modelo a ser proposto segue a estrutura bsica de modelos de
otimizac;ao, a partir da maximizac;ao de urna determinada fun<;aoobjetivo, sujeita a urna
srie de restric;5es.
A func;aoobjetivo ser definida como sen40 a rnargerntotal de contribui~ao ao lucro
(M) a ser recebida pela indstria, ou sej~
 100

M = RSS - CTOTTR - CTOTCOLH (1)

onde
RSS = receita a ser auferida pela comercializaryaodo suco, em funryaodo total de
slidossolveis,em US$, sendoque: .

RSS = PSS * PRO.. 1J 15 * ISS..1J * T.1J (2)

j

onde

PSS = preryodo kg de slido solvel, em US$;

PROij = valor da funryaode produryaodo talhao i, no mes j, em cx;
ISSij = teor de slidos solveis, medido a partir da curva de maturaryao,no talhao i no
mes j, em kg/cx;
Tj = varivelrepresentativada proporryaodo talhaoi a ser colhidano mesj.

CTOTTR = custo total de transporte, em US$, sendo que:

CTOTTR = CUT * DIST1 * L: PRO..1J * T.lJ (3)

onde

CUT = valor da funryaocusto de transporte, em US$/cx/km;

DIST = distancia do talhao i a indstria, em km.

CTOTCOLH = custo total de colheita, em US$, sendo que:

CTOTCOLH= CUC..1J * PRO..IJ * T.IJ (4)

j

onde

CUCij = valor da funryaocusto de colheita, do talhao i, no mes j, em US$/cx.

As alternativas para a otimizaryaoda funryaoobjetivo, ou seja, as variveis endgenas

propriamente ditas, dirao respeito as combinaryoes\possveis de programaryaode colheita em

15 O valor de PROij j assume as eventuais diferenc;aS devidas elqueda de frutos.

 101

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:

a) Capacidade de processamento da indstria, representada da seguinte forma:

PROCMESj :S CAPj (5)

sendo que:
PROCMESj = processamento a ser efetuado pela indstria num determinado mes j,
em ex, onde

PROCMES.J =" L.. PRO..IJ * T.1J (6)

i

CAPj = capacidade de processamento da indstria, num determinado mes j, em cx;

b) Intervalo de variayao para 1)Ratio, representado da seguinte forma:

RATIOMINij :S RATIOij :S RATIOMAXij (7)

sendo que:

RATIO..1J = ( R.IJ * T.1J) (8)

RATIOMIN..1J = (RMIN..1J * T.IJ ) (9)

RATIOMAX.IJ = (RMAX.IJ * T.1J ) (lO)

onde:

Rij = valor da funyao Ratio, no talhao i, no mes j;

RMINij = Ratio mnimo a ser fixado pela indstria, para o processamento de
determinado tipo de suco, a partir da produyao do talhao i no mes j;
RMAXij = Ratio mximo a ser fixado pela indstria, para o processamento de
determinado tipo de suco, a partir da produyao dp talhao i no mes j.

c) Cronograma de colheita por talhao, representada da seguinte forma:

 102

CRONOTAL :S 1,0 (11)

sendo que

CRONOTAL = cronograma de colheita para o talhao i, em termos de proporc;aototal

do ta1haoi colhida durante a safra, onde

CRONOTAL.1 = 1: T.1J (12)

Vm talhao poder ser colhido entao mais que urna vez durante a safra, sem superar,
entretanto, o nvel de produc;aoesperado para aquele talhao.

Portanto, a seguinte estrutura bsica de programac;aode colheita dever ser modelada:

Maximizar M (13)

sujeito a

PROCMESj :S CAPj (14)

RATIOMINij :S RATIOij :S RATIOMAXij (15)
CRONOTAL :S 1,0 (16)

Em func;ao do cronograma timo a ser obtido a partir da estrutura de modelagem

proposta, algumas informac;6esgerenciais podem ser obtidas, atravs de equac;6esauxiliares
que poderao ser incorporadas ao modelo. Assim sendo, as informac;6essobre receita, custos
e quantidades de caixas ou slidos solveis, podem ser agrupadas da maneira mais
conveniente aos tomadores de decisao. Por exemplo, por talhao, mes a mes, de acordo com
a variedade da laranja, e assim por diante.

2.11.5 Exerccios

1) Urna companhia agrcola est considerando seis possveis oportunidades para

investimento. A tabela a segllir apresenta :i:7,oes necessrias para cada projeto.

 103

Projeto Despesa Pessoal Capital de Lucro anual Valor

inicial ($ necessrio giro mdio estimado presente
000) (unid.) anual ($ 000) ($ 000) ($ 000)
1 700 6 200 160 300
2 1080 16 300 240 440
3 120 2 20 36 60
4 300 4 70 66 160
5 680 10 150 140 380
6 420 6 90 80 200
Exig. Mximo de Mximo de Mnimo de Mnimo de Mximo
2000 24 200 200 possvel

Alm disso, sabe-se de antemao que os projetos 3 e 4 sao mutuamente exclusivos e

que o projeto 1 s pode ser realizado em conjunyao com o projeto 6. Identifique os projetos
que devem ser selecionados pela companhia agrcola (adaptado de LEE, MOORE &
TAYLOR, 1985).

2) No incio do 20. semestre, o diretor do Centro de Computayao de urna certa

Universidade se deparou com o problema de alocar diferentes cargas horrias de trabalho
aos operadores de sistemas daquela instituiyao. Como todos os operadores sao estudantes
regularmente matriculados, a maior preocupayao do diretor era tentar garantir que o tempo
de trabalho dos operadores nao fosse de tal magnitude que chegasse a interferir em seus
estudos.
H 6 operadores (quatro homens e duas mulheres). Eles tem diferentes remunerayoes
por hora devido aos diferentes nveis de experiencia com computadores e habilidades de
programayao. A tabela que se segue mostra suas remunerayoes por hora, juntamente com o
nmero mximo de horas que cada um pode trabalhar por dia.

-~
 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

Com o orrramento apertado que a Universidade alocou ao Centro de Computarrao, o

diretor tem que tambm tratar o assunto em termos de minimizarrao de custos. Sua decisao
foi de que os operadores com mais altas remunerarroespor hora deveriam trabalhar a menor
quantidade possvel de horas, sem entretanto prejudicar o funcionamento do Centro. Este
nvel foi estabelecido arbitrariamente em 8 horas por semana para os operadores e 7 horas
por semana para as operadoras (K.S., N.K.).
O Centro de Computarraodeve funcionar normalmente desde as 9 da manha at as 11
da noite, de segunda a sexta-feira, com apenas um operador em trabalho durante estas
horas. Aos sbados e domingos, a rede de computadores operada por outra equipe.
Determine o nmero de horas que deve ser alocado a cada operador, em cada dia da semana
(HILLIER & LIEBERMAN, 1988).

3) Interessado na otimizarrao de sua programarrao de colheita, um determinado

produtor de cana-de-arrcarorganiza sua programarraode colheita levando em considerarrao
o teor de sacarose das variedades de cana plantadas. Basicamente, vem se orientando de
acordo com a seguinte estrutura de modelagem:

Maximizar R

sujeito a

CRONOTAL = 1,0

Sabe-se que:
 105

a) em termos da func:aoobjetivo:

R = receita a ser auferida pela comercializac:aodo ac:car,em func:aodo teor de

sacarose, em US$, sendo que:

R = PS x LL
i j
PRO.. x TS.. x C..
IJ lJ 1J

onde

PS = prec:odo kg de sacarose, estimado em US$ 4.30;

PROij = produc;aodo talhao i, no mes j, em toneladas de cana;
TSij = teor de sacarose, medido a partir da curva de maturac;ao,no talhao i, no mes j,
em kg/t;
Cij = varivel tipo 0-1, representando a possibilidade do talhao i ser colhido no mes j.

b) em termos das restric:5es:

CRONOTAL = 1,0

sendo que:

CRONOTAL = cronograma de colheita para o talhao i, em termos da alocac:aodo

melhor mes, durante a safra, para a sua colheita, onde

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

TABELA 1 - PRODU<;O DE CANA (t), POR TALHO

Talhao/Mes Set Out Nov Dez

1 2050 2150 2300 2500
2 3800 4000 4200 4300
3 1300 1500 1600 1700

TABELA 2 - TEOR DE SACAROSE (kg/t), POR TALHO

Talhao/Mes Set Out Nov Dez

1 80 81 82 83
2 64 72 65 60
3 78 79 76 75

O principal resultado a ser obtido a partir do modelo o cronograma propriamente

dito da colheita, a ser representado por todos os Cij= 1 , ou seja, em quais meses G) quais
talhoes (i) devem ser colhidos.

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.

2.12 MODELOS DE DECIS016

Vm problema de decisao existe somente quando sentimos que as possveis

consequencias daquela decisao sao importantes e mesmo aSSl estamos incertos quanto a
melhor atitude a ser tomada. Quando estamos incertos quant as consequencias de urna
decisao, estamos enfrentando urna escolha que envolve' . Assim sendo, tal terminologia

16 Baseado em ANDERSON, DILLON & HARDAKER (1988); BEKAMAN & COSTA NETO (1980);
HOFFMAN (1980).
 107

- modelos de decisiio - teoricamente incorpora todos os exemplos de modelos e aplicayoes

apresentados at entao.

Tome-se a seguinte situayao para um produtor de milho:

A;oes: al = vender daqui a 1 mes

a2= estocar e vender daqui a 6 meses

Cenrios: CA = condiyoes de mercado "A"

CB = condiyoes de mercado "B"

Consequencias (em termos de retorno esperado):

Ayao/Cenrio Condiyoes de Mercado Condiyoes de Mercado

"A" (PA= 0,3) "B" (PB= 0,7)

Vender daqui a llTes (al) $ 1.500 $ 5.000

Estocar e vender daqui a 6 meses (a2) $ 4.000 $ 1.000

Qual a decisao a ser tomada?

. definiyao de critrio (por exemplo, optar pela ayao que propicie o MAIOR valor
esperado)
. aplicayao do critrio

Assim sendo, calculando os valores esperados pertinentes:

E(al) = $ 1.500 x 0,3 + $ 5.000 x 0,7 = $ 3.950

E(a2) = $ 4.000 x 0,3 + $ 1.000 x 0,7 = $ 1.900

.
MES". :7
Portanto, a decisao dever dizer respeito ado~ao da a:~'VENDER DAQUI A J

importante destacar que se trata de um critrio para auxiliar a tomada de decisao.

Naturalmente, nao significa que se al for escolhida, $ 3.950 serao retornados. Por exemplo,
 108

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:

E(certeza) = $ 4.000 x 0,3 + $ 5.000 x 0,7 = $ 4.700

Comparando o retorno a ser obtido caso esteja disponvel a chamada "perfeita

informayao" (no caso, $ 4700) com aquele calculado para urna situayao de incerteza ($
3.950), pode ser obtido o valor da "perfeita informa9ao", ou seja, $ 7:;0 seria a mxima
quantia que o tomador de decisao deveria pagar por esta perfeita informayao, via por
exemplo, serviyos de consultoria especfica, pesquisa de mercado, etc.
Entretanto, vale ressaltar que este exemplo de critrio de decisao aplicvel para
situayoes que se enquadrem dentro de urna concepyao esttica, tal como um perodo de
tempo em particular. Se, por outro lado, o problema requer urna srie de decisoes
relacionadas, a utilizayao de rvores de decisao ser urna tcnica mais recomendvel para
o auxlio a tomada de decisao.

2.12.1 rvores de decisao

Trata-se de tcnica de Pesquisa Operacional que auxilia a anlise de decisao atravs

da identificayao do melhor caminho ou estratgia a serem seguidos. A partir dos possveis
caminhos abertos ao tomador de decisao, essas rvores podem ser construdas, assurnindo-
se que os eventos ocorrerao como resultado da interayao entre as~colhas realizadas pelo

tomador de decisao e fenmenos probabilsticosl7. )

17Veja aplica;:aoem PERES (1990).
 109

Os passos para a constru9ao da rvore envolvem:

1) identifica9ao dos caminhos (cronologia dos eventos possveis);

2) determina9ao das eventuais probabilidades associadas aos eventos;
3) associa9ao de retornos aos eventos (por exemplo, atribuir valores monetrios para
cada urna das alternativas);
4) resolu9ao do modelo, a partir da avalia9ao dos valores esperados em cada n.

EXEMPLO: escolha de emprego por engenheiro agrnomo recm-formado.

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

Nesse exemplo, tem-se para um engenheiro agrnomo recm-formado tres grandes

classes de alternativas profissionais disponveis: montar o seu prprio negcio ("TRAB.
A"); ser empregado de alguma empresa do setor agroindustrial ("TRAB. B"); fazer urna
ps-graduayao ("P.G."). Para essas alternativas, est associada um momento de decisao
para o engenheiro agrnomo, que no caso da rvore representado por ns de decisao
(codificados por quadrados). Por outro lado, para a opyao "TRAB. A", podem estar
associados eventos de natureza mais probabilstica, que digam respeito a chance de se
encontrar um scio para o negcio. A esses eventos estao associados os chamados ns de
chance (codificados por circunjerncias), referenciados pelas devidas probabilidades de
ocorrencia. Ainda no mesmo exemplo, h a representayao de ns de decisao
correspondendo aos campos de ps-graduayao de interesse do engenheiro agrnomo (no
caso, Zootecnia e Economia). Da mesma forma, para cada escola a qual o engenheiro
agrnomopleiteasseurna vaga no curso de ps-graduayao,podem ser identificadosns de
chance relacionados as possibilidades de aceitayao ou nao naquele curso.
Assim sendo, a cronologia de eventos possveis basicamente representada pela
rvore de decisao em si, composta por urna srie de ns de decisao e de chance,
interligados pelos chamados ramos
A seguir, devem ser alfibudos os valores de probabilidade a e;ada um dos evemos
decorrentes dos ns de chance, e definidos os valores de retorno esperados para cada urna
das alternativas, que estao representados nos chamados ns terminais (correspondentes as
extremidades finais da rvore).
Estruturada a rvore, os clculos pertinentes podem ser efetuados, ponderando os
valores de retorno esperados pelas respectivas probabilidades (no caso dos ns de chance),
e selecionando os maiores valores de retorno (no caso de ns de decisao). Assim sendo, a
melhor opyao para o caso desse engenheiro agrnomo diz respeito a "TRAB. A", ou seja,
montar o seu prprio negcio, ao que est associado um retorno esperado de "900"
unidades.
Entretanto, alguns comentrios podem ser feitos quanto a definiyao dos valores dos
retornos e das probabilidades a serem utilizados na rvore de decisao.

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

. por exemplo, haver diferentes graus de satisfayao caso o engenheiro agrnomo

venha a trabalhar em A ou em B. Esse grau de satisfayao pode ser mensurado pelas
funyoes de utilidade pertinentes;

. 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

. podem ser estimadas objetivamente (frequencias relativas, baseadas na repetiyao

de eventos,observayoesrealizadas,etc.)ou subjetivamente(quandoa decisaoa ser
tomadaenvolveurnasituayaonova, semum quadroreferencialformado);

. na maior parte dos casos agropecurios, susceptveis a anlise de decisao, utiliza-se

a probabilidade subjetiva;

. mtodos para a sua estimativa: "loteria referencial" e o Teorema de Bayes.

Um exemplo de aplica,iio da "lotena referencia!" dado a segllii.~'\

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

. caso contrrio, a probabilidade subjetiva deve ser "calculada" novamente

2.12.2 Teorema de Bayes

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

sendo a rea correspondente a cada evento proporcional a sua probabilidade.

 113

Note que:
n
B = UAJB (1)
i=l

Como as interseccroes An B sao mutuamente exclusivas,

n
P(B) = P(An B) (2)
i=l

Aplicando o teorema do produto,

n
P(B) = P(A)P(BIA) (3)
i=l

expressao tambm conhecida como "Lei da Probabilidade Total".

As probabilidades P(Al),...,P(An) constituem urna distribuicrao de probabilidades

sob um determinado estado de informacrao.Assim sendo, se soubermos que o evento B
ocorreu, as probabilidades P(A1IB),...,P(AnIB) constituirao urna distribuicrao
correspondente a outro estado de informa<;ao (distribuicrao de probabilidades A,
condicionada a ocorrencia do evento B).

Assim sendo, tal expressao [P(AkIB)] pode ser obtida pela regra da probabilidade
condicionada,
P(AkIB)= P(AknB) (4)
P(B)

ou, aplicando o teorema do produto em seu denominador,

P(AkIB)= nP(AknB) (5)

~P(AnB)

ou ainda, aplicando probabilidade condicionada em seu numerador,

P(AkIB) = nP(Ak)P(BIAk) (6)

~P(A)P(BIA)

o que resulta na expressao conhecida como Teorema de Bayes.

 114

Portanto, dado um experimento em dois estgios e conhecidas as probabilidades "a

priori" - P(A) - e as probabilidades condicionadas - P(BIA) - o teorema de Bayes permite
calcular as probabilidades "a posteriori" - P(A IB) .
Note que P(A) representativa de certo estado inicial de informavao, que se
modifica tao logo chegue ao nosso conhecimento a ocorrencia do evento B. Essa
informavao alterar nosso conhecimento a respeito das probabilidades de ocorrencia dos
eventos Ak , o que resulta nos valores P(AkIB), calculados pelo Teorema de Bayes.
A mais importante caracterstica do teorema de Bayes a provisao de um mecanismo
lgico para o processamento consistente de algum tipo de informavao adicional. Muitas
pesquisas conduzidas por psiclogos mostram que a intuivao humana ineficiente nesse
tipo de processamento. Ao agir com intuivao, a maior parte das pessoas exibe um certo
conservadorismo, nao extraindo das evidencias existentes a totalidade da quantidade de
informavao disponvel.
Atravs da utilizavao do Teorema de Bayes, o valor da "perfeita informavao" pode ser
avaliado. Tomando-se algum experimento que venha a colaborar para tal, consideram-se os
respectivos custos envolvidos, com um novo valor de utilidade podendo ser calculado. Se
tal valor for superior ao da utilidade da avao que foi selecionada originalMente, o
experimento deve ser conduzldo.
Tome-se assim o seguinte exemplo, extrado de BEKAMAN & COSTA NETO
(1980):

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("C"IC) = 0,80 --+ P(" C" IC) = 0,20

P("C"IC) = 0,90 --+P("C"IC) = 0,10

 115

P(C) = 0,10 -+ P(C) = 0,90

P(q"C") =?

Pelo Teorema de Bayes:

P(q"C") = P(Cn"C")
P("C")

Calculando P("C") pela "Le da Probabilidade Total":

P("C") = P(C n "C") + P(C n "C") =

= P(C). P("C"C) + P(C). P("C"IC) =

= 0,10 x 0,80 + 0,90 x 0,10 = 0,08 + 0,09 = 0,17

Como P(C n "C") = 0,08 ,

P(q"C") = 187== 0,47

Assim, embora o agricultor pare<;:aser um meteorologista bastante confivel, a

probabilidade de urna previsao de chuva estar correta inferior a 50%, urna vez que no
clculo dessa probabilidade exerce influencia a pequena frequencia relacionada aos dias de
chuva.
Outra maneira de se calcular a probabilidade requerida seria atravs de rvores de
probabilidade. Com lgica bastante similar a dos ns de chance de urna rvore d~decisao
trivial, as rvores de probabilidade podem ser apresentadas atravs de d~s vari~<;:5es:
rvore da natureza e rvore do interessado.
 116

A rvore da natureza apresenta a cronologia real dos acontecimentos: primeiro, a

natureza "decide" se chove ou nao chove; depois, em fun9aOdos indcios, o agricultor faz
as suas previs5es.

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

Note. se que as probabilidades dos pontos terminals da ffirvore do interessado e da

rvore da natureza devem ser as mesmas. Assim, para obter as probabilidades faltantes,
basta realizaro produto ao longo de cada percurso da rvore para reproduzir a probabilidade
correspondente ao ponto terminal.

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

Para urn melhor detalhamento das probabilidades associadas a esses eventos, o

agricultor contrata a realizac;ao de testes geolgicos, que podem gerar tres tipos de
resultados, mutuamente exclusivos entre si: f , f2 e f3. Tais resultados estao relacionados a
existencia ou nao de gua, de acordo com as seguintes probabilidades:

P(f Ie ) = 0,10 P(f I e2 ) = 0,60

P(f2 I e ) = 0,40 P(f2 I e2 ) = 0,30
P(f3 I e ) = 0,50 P(f3Ie2)=0,10

Admitindo que o teste tenha resultado em f3 , determine a probabilidade de que haja

gua, ou seja, o valor associado a P(e If3) [adaptadode HOFFMAN,1980].

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?

3) Para analisar a viabilidade da realizac;ao de urna Feira Agropecuria em urn

determinado perodo do ano, os organizadores adquirem as informac;5espertinentes de urn
Servic;o de Meteorologia. Assim sendo, em func;aodas previs5es j realizadas por aquele
Servic;o,para aquela regiao e perodo, disp5e-se das seguintes estatsticas:

Previsao Condic;5esmetereolgicas efetivamente observadas

efetuada Chuva Nublado Sol
Chuva 0,7 0,2 0,1
Nublado 0,2 0,6 0,2
Sol 0,1 0,2 0,7

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

3. ESTRUTURA<;AO DE MODELOS NAO-LINEARES

Embora a abstra9ao relativa a lineariza9ao possa ser urna vantagem interessante

quando da formula9ao de modelos matemticos (tendo em vista a versatilidade de
algoritmos tais como o Simplex, assim como a larga escala de software disponvel para
I .
Programa9ao Linear), nao h como nao considerar a caracterstica de nao-linearidade de
urna srie de sistemas agroindustriais.
Por exemplo, nao necessariamente urna fun9ao custo unitrio de transporte
constante e linear, podendo assumir o comportamento de urna fun9ao tipo hiprbole
equiltera, implicando que para maiores distancias est associado urn menor custo unitrio
de transporte (vide Figura 1).

US$/tIkm
0,080
0,070
0,060
0,050

'"
'"
'"
,
o
'"

Figura 1 - Comportamento do frete unitrio praticado para o milho, em fun~ao da

distancia percorrida. Fonte: SIFRECA - Sistema de Informa90es de Fretes para Cargas
Agrcolas (1997).

Alm disso, diferentemente da Programa9ao Linear, nao existe urn algoritmo

"universal" para Programa9ao Nao-Linear, urna vez que os graus e compl9'idades de nao-

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

Portanto, para cada combinayao especfica de classes de nao-linearidade podem ser

recomendados algoritmos especficos, que por sinal continuam a ebulir pela literatura
especializada.
Ressalte-se tambm que, diferentemente de programayao linear, para programayao
nao-linear ainda nao h garantia da obtenyao do chamado timo global, mas somente de
pontos de timo local. Inclusive, em vista dessa limitayao, a otimizayao global vem
justificando um grande nmero de trabalhos de pesquisa.

Em vista do exposto, tome-se o seguinte exemplo.

Dada a funyao de utilidade:

u = X1X 2 + 2x I (1)

sujeita a restriyao oryamentria:

4x + 2X2 = 60 (2)

calcular o nvel de utilidade mximo.

Note-se, inicialmente, que a nao-linearidade do problema est restrita a funyao

objetivo, tendo em vista o produto cruzado entre as duas variveis de decisao do problema.

Reescrevendo a funyao objetivo e a restriyao oryamentria, tem-se:

u = XI (X2 + 2) (3)

sujeito a:

x2 = 30 - 2x (4)

Substituindo a restriyao na funyao objetivo:

(
\

u = x (30 - 2x) + 2x (5)

 121

u = 30x - 2xi + 2x = 32x - 2xi (6)

Calculando as condi<;oesde 1a. e 2a. ordem de otimiza<;aoclssica:

au
(7)
& 1 = - 4x + 32 = O

a2u = - 4 < O (8)

&2
1

Portanto, se houver um ponto de timo, este dever ser um ponto de mximo

(derivada segunda negativa). Assim sendo, como:

-4x + 32 = O ~ x = 8 (9)

Substituindo na restri<;ao:

~ X2 = 14 (lO)

o que resulta num valor mximo de 128 para a fun<;aoUti1idade.

Observe-se que para esse problema, h ainda a pecu1iaridade da restri<;aoser do tipo

"igua1dade", e envolvendo apenas duas variveis, o que facilita a utiliza<;aodo artificio de
substitui<;aoda restri<;aona prpria fun<;aoobjetivo.
Para casos que envo1vamrestri<;oesdo tipo "igualdade", mas com mais restri<;oes,o
mtodo do multiplicador de Lagrange recomendado.
 122

3.1 MTODO DO MULTIPLICADOR DE LAGRANGEl8

Dada urna func;aogenrica Z:

Z = f(x, y) (11)

sujeito a:

g(X,y) = c (12)

O chamado Lagrangeano correspondente (L) pode ser construdo como sendo:

L = f(x, y) + A [c - g(x, y)] (13)

onde A o chamado multiplicador de Lagrange.

Os valores estacionrios para a func;aoL podem ser obtidos a partir da aplicac;aodas

condic;esda otimizac;aoc1ssica,ou seja:

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

Perceba-se que com a aplicac;aodas condic;oesde 1a. ordem da otimizac;aoc1ssica

ao Lagrangeano, a expressao (14), referente a A, passa a representar a restri(ao original

(12), enquanto (15) e (16) sao as expressoes pertinentes as variveis Xl e x2' tal ~mo numa
situac;3.oirrestrita. Assim sendo, o sistema de equac;oessimulHineas(14), (15) e (16) nada

18Matemtico franco-italiano, Joseph Louis Lagrange nasceu em 25/01/1736 em Turim e faleceu em

10/04/1813 em Paris.
 123

mais que urna representayao alternativa ao problema fonnulado em (11) e (12), s que
mais facilmente solucionvel.

Portanto, para o exemplo representado pelas equayoes (1) e (2):

L = XX2 + 2x + "A (60 - 4x - 2X2) (17)

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

-aL --Xl - 2"A= o~ "A = -x (20)

aX2 2

Das equayoes (19) e (20), obtm-se:

x2 = 2x - 2 (21)

Substituindo (21) em (18):

60 - 4x - 2(2x - 2) = O (22)

X = 8 (23)

Substituindo (23) em (21):

X2 = 2(8) - 2 (24)

X2 = 14 (25)

Substituindo (25) em (19):

 124

X2 + 2 - 4"- = O (26)

"- =4 (27)

Substituindo (23), (25) e (27) em (17):

L = 128 (28)

o que confirma o resultado obtido anteriormente.

Ressalte-se que se trata de um procedimento, diferentemente do anterior, em que

vrias restric;oestipo "equac;ao"podem ser consideradas. Entretanto, nao se trata do mtodo
mais adequado para o tratamento de problemas nao-lineares que envolvam restric;oestipo
"inequac;oes".

3.2 MTODO GRFICO

Para estruturas nao-lineares de modelagem que incorporem restric;oes tipo

inequac;oes, e que envolvam apenas duas variveis, o mtodo de resoluc;ao grfica passa a
ser um instrumental interessante. Tome-se os exemplos apresentados por CHIANG (1982,
p. 612-3).

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

um vrtice da regiao vivel, diferentemente do que se observa na resolu<;aode problemas

de programa<;aolinear.

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

Figura 2 - Resolu<;aogrfica de problema com fun<;aoobjetivo nao-linear.

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

Figura 3 - Resolu9ao grfica de problema com restri9ao nao-linear.

Embora extremamente didtico, e interessante para a solu9ao de modelos nao-

lineares que envolvam inequa90es, o mtodo grfico apresenta as limita90es naturais
associadas a impossibilidade de solu9ao de problemas com maior nmero de variveis.

3.3 EXTENSAO DO MTODO DE LAGRANGE

Para situa90es que digam respeito a estruturas nao-lineares, envolvendo inequa90es

e urn nmero maior que duas variveis, TAHA (1992, p. 737-8) propoe urna extensao ao
Mtodo de Lagrange. Atravs desse algortmo, sao testadas combina90es de candidatas a
solu90es - atravs de relaxamento de inequa90es - o que pode eventualmente facilitar a
identifica9ao de urna solu9ao tima ao problema.

Tomando-se como exemplo a seguinte formula9ao genrica:

Max Z = f(x)
 127

sujeito a:

gi(X) ~ O , i = 1,2, ,m

A extensao do mtodo de Lagrange parte do pressuposto de que a soluyao do

problema ou a mesma que a de um problema anlogo, mas sem restriyoes, ou um ponto
de fronteira obtido a partir do esgotamento da combinayao de urna ou mais restriyoes.

Podem ser observados, entao, os seguintes passos:

Passo 1: Resolva o problema nao condicionado

Max Z = f(x)

Se a soluyao obtida satisfaz as restriyoes do problema original, aquelas restriyoes

podem ser consideradas redundantes. Portanto, chegou-se a soluyao do problema. Caso
contrrio, faya K = 1 e va para o passo L.

Passo 2: Transforme K restriyoes em equayoes e otimize f(x) sujeito a K restriyoes "tipo

equayoes" pelo mtodo de Langrange. Se a soluyao obtida atende as outras restriyoes,
obteve-se um timo local. Caso contrrio, repita o passo para outras K restriyoes. Se todas
as combinayoes de K restriyoes nao oferecem soluyao satisfatria, v para o passo 3.

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

3.4 CONDIc;OES DE KARUSH-KUHN-TUCKERI9

Como j discutido no incio deste captulo, nao se tem a disposiyao, ainda,

algoritmo s eficientes que garantam a obtenyao de eventuias pontos de timo global para
modelos nao-lineares. Alm disso, nao h tcnicas que possam ser consideradas como
suficientemente genricas para a identificayao de pontos de timo local.
Em vista disso, sao apresentadas a seguir as chamadas condiy5es de Karush-Kuhn-
Tucker, as quais possibilitam somente um teste de otimalidade; nao se tratando assim de um
mecanismo para a obtenyao da SOLUc;O TIMA.
Tome-se como exemplo um problema extremamente simples, tal como apresentado
a segUir.

Max 7t= f(XI)

sujeito a
XI ~ O

As tres possibilidades de soluyao para tal problema estao ilustradas na Figura 4.

7T = f(xl) Tf=f(Xl) 7T=Hxl)

- -- n
--------.

A B

Xl Xl
o Xl
o o
(b) (e)
(a)

Figura 4 - Possveis soluy5espara um problema de maximizayao de funyao objetivo nao-

linear, sujeita a restriyao de nao-negatividade.

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.

Tome-se o caso de um func;:aode duas variveis, sujeita a urna restric;:aode

desigualdade. Um ponto (x;, x;) urn ponto de mximo local de f( XI' X2)' sujeita a
g( XI' X2) ~ r somente se existir urn A nao-negativo tal que A e (x;, x;) satisfac;:am
as seguintes condic;:5esde Karush-Kuhn-Tucker:

af(xp X2) +A ag(xl' X2) =-=0aL

a XI a Xl a Xl

a f( XI' xJ +A a g(XI' X2) =-=0

aL
a x2 a X2 a X2

A(r - g(xp X2)) = O

Essaslcondic;:5estambm sao vlidas para o caso de urn ponto

\ de mnimo local de
f(xl' X2)' s~tay g(xl' X2) r .
 130

Exerccio resolvido no. 1:

Max f(x,y) = 12xy - 3y2 - x2

sujeita a

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

Portanto, dado que se trata de urn problema de maximiza9ao, a melhor solu9ao

corresponde a f(9,7), que tem um valor para a fun9ao objetivo ("528") superior ao
observado para f(O,O).

A interpreta9ao da condi9ao A(r - g(x, xJ) = O pode ser facilitada se for

recordado o chamado TEOREMADA FOLGA COMPLEMENTAR,vlic'o tanto para
programa9ao linear quanto para programa9ao nao-linear. No caso de programa9ao linear,
para urna varivel bsica de valor positivo no primal, haver urn valor dual correspondente
(c j - Zj) igual a zero; e para urna varivel nao-bsica no primal (:., = O), o valor dual
correspondente dever ser bsico e posititvo, e que corresponder ao valor do respectivo
pre90-sombra.

VoItando ao nosso caso de programa9ao nao-linear:

aL
aA = r - g(XI'X2)

Se aL> O ~ r > g(x, X2)' ou seja, a restri9ao apresenta folga e, portanto,

aA
A = O; por outro lado, se A > O, o recurso plenamente utilizado

(:~ ~ O 4 ~g~p x,))

 132

Observayao: supondo que a restriyao de desigualdade seja vlida como urna

restriyao de igualdade e que um ponto de mximo (ou mnimo) possa ser obtido atravs do
mtodo de Lagrange, tem-se que:
a) se 'A> O , este ponto de mximo (ou mnimo) tambm o de mximo (ou
mnimo) sujeito a restriyao de desigualdade.
b) se 'A:::;O , o ponto de mximo (ou mnimo) determinado independentemente da
restriyao, satisfaz a restriyao e, portanto, tambm ponto de mximo (ou mnimo)
condicionado.

Exerccio resolvido no. 2:

Max Z = 8x~ + 2x;

sujeito a

')

xi + x~ :::; 9

Aplicando as condi<;5esde Karush-Kuhn-Tucker:

L -- 8X21 + 2X22 + A(9 - X21 - X22 )

a L = 16x I - 2AXl = O (1)

a Xl

aL = 4x2 - 2Ax2 = O (II)

a x2

'A(9 - x~ - x;) = O (III)

X - O
1a POSSIBILIDAD : 'A= --7 1- --7 feO,O)= O
tA_:J { X2 = O
(
\
 133

2a POSSIBILIDADE: 9 - X~ - xi = o

de (I): XI(16 - 2A) = O

~
de (II): X2(4 - 2A) = 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

Portamo, entre os cinco candidatos a ponto de mxImo [feO,O),feO,3), feO,-3), f(3,

O)e f(-3, O)],o melhor valor a ser observado de 72, correspondente a f(3, O)e a f(-3, O).

As condiyoes de Karush-Kuhn-Tucker podem tambm ser normalmente aplicadas a

urna funyao de n variveis f(xl' X2' ... , xJ sujeita as restriyoes gi(Xp X2' ... , Xli)

~ r . Por exemplo, um ponto X* (XI *, X2*, ... , xn *) um ponto de mximo local de

f( XI' X2' ... , xJ sujeita as restriyoes gi (Xl' x2' ... , xJ ~ r somente se existirem
A nao negativos, tal que A (XI*, X2*, ... , Xn *) satisfayamas seguintescondiyoesde
Karush- Kuhn- Tucker.

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

igualdade, obtendo-se Oponto de mximo (ou de mnimo), atravs do mtodo de Lagrange.

Assim,

a) se A> O, este ponto de mximo (ou de mnimo) tambm o de mximo (ou de

mnimo) sujeito lrestriyao de desigualdade;
b) se A:::;O,o ponto de mximo (ou de mnimo) determinado independentemente da
restriyao satisfaz lrestriyao tambm o ponto de mximo (ou de mnimo) condicionado.

3.5 APLICA<;O

a) Escoamento de safra de trigo na Austrlia20

o trigo na Austrlia urn produto homogeneo, plantado em regioes geogrficas

distintas e alocado a diversas regioes de demanda, classificadas de acordo com o uso final
requerido para aquele grao. Basicamente, a diferenya entre os preyOSde oferta e demanda
devida aos custos de transporte e armazenagem. Para cada regiao, funyoes que relacionam
produyao local, demanda final e preyos podem ser derivadas. Dadas estas funyoes e os
respectivos custos do sistema de distribuiyav envolvido, possvel determinar o~,preyOSd,~
equilbrio em todos os segmentos de mercado assim como a quantidade de trigo demandada
e ofertada em cada regiao. Podem tambm ser obtidos o volume e a direyao das quantidades
de trigo transportada entre cada par de regioes que maximizem o lucro de cada fonte de
produyao, permitindo assim a distribuiyao de trigo a urn custo mnimo.
Como nao havia problemas para a obtenyao de dados (na poca, referentes lsafra
1985-86), a decisao a ser tomada envolveu a escolha do tipo de modelo a ser utilizado. As
opyoes consideradas foram o modelo de transporte e o modelo de equilbrio espacial.
O modelo de equilbrio espacial foi escolhido e apresentou as seguintes vantagens:
(a) urna generalizayao do modelo de transporte, no sentido de que os resultados
obtidos com um modelo de transporte podem tambm ser reproduzidos pelo modelo de
equilbrio espacial;
(b) possibilita a inclusao das elasticidades-preyo de oferta e demanda j estimadas
para a indstria de trigo austra iana, o que facilitaria urna avaliayao dos efeitos das
mudanyas no nvel e o causados pela implementayao de polticas agrcolas que
viessem afetar o setor;

20Baseado em CAIXETA FILHO e MACAULAy (1989),

 135

(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.

Estrutura do modelo utilizado

A estrutura bsica do modo de distribuiyao da indstria de trigo australiana pode ser

representada pela FIguro)

(\
\
 136

Armazns

Estoque Final

Figura 5 - Estrutura do sistema de distribuiyao de trigo na Austrlia.

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

programa MINOS (MURTAGH e SAUNDERS 1987), desenvolvido para resolu9ao de

problemas nao lineares, processado em microcomputador.

Func;aoobjetivo a ser maximizada

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.

Para garantir que a quantidade de trigo demandada seja obtida:

Y>
J - a.J - b.P.
J J , paraj = 1, ... , n (3)

Se o trigo transportado das regioes de oferta, mais o trigo em estoque, sao

considerados para suprir a demanda de urna regiao, entao:
 138

ni
YJ = L..
"'X..
1J paraj = 1, ,., , n (4)
i=l

Substituindo (4) em (3),

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:

a) considere a forma genrica da equayao de demanda:

Y=a-bP (7)

b) tomando o valor de elasticidade-preyo de demanda igual a Ed' a seguinte relayao

poder ser utilizada:

Y
b=8Y =E
8P d ()
P
)
(8)

onde Y a relayao entre o volume demandado e o preyOobtido em determinado ano.

p

c) conhecido o coeficiente angular b, o coeficiente linear a poder ser obtido da

seguinte forma:

a=bP+Y (9)
 139

Note que o raciocnio acima valido para a versao competitiva do modelo de

equilbrio espacial. HASHIMOTO (1985) demonstra que, para o caso de um mercado
monoplista, as equac;oesde demanda devem ter os respectivos coeficientes linear e angular
multiplicados por 0,5.

Restric;oesde oferta

A func;aode oferta para cada urna das m regioes pode ser representada como:

X.I =c. 1 +d.P.

1 1 para i = 1, ... , m (10)

onde:
ci = coeficiente linear da func;aode oferta;
di = coeficiente angular da func;aode oferta.

Para garantir que a oferta disponvel nao seja excedida,

X.1- <c. 1 +d.P.

11 para i = 1, ... , m (11)

Como a oferta total disponvel numa regiao er igual lquantidade comercializada

com outras regioes mais a quantidade"a ao estoque final, entao

n
X=LXij para i = 1, ... , m (12)
j=1

Substituindo (12) em (11),

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

Observe que o mesmo artificio desenvolvido para a obten<;aodas equa<;oes(8) e (9)

pode ser aplicado para as equa<;oesde oferta.

Restri<;oes de pre<;o

As restri<;oesde pre<;o sao as mais importantes para a defini<;aoda estrutura de

mercado a ser investigada. Num modelo de equilbrio espacial competitivo, para garantir
que os pre<;os entre duas regioes nao difiram por mais que seus respectivos custos de
distribui<;ao,a seguinte restri<;aodeve ser considerada:

p.J - p.1 -< T.IJ paraj = 1, ... ,n e i= 1, ... ,m (15)

A rela<;aoexpressa em (15) deve ser vlida para qualquer possvel combina<;aoentre

urna das n regioes de demanda e urna das m regioes de oferta.

Resultados e Implica<;oes

Aps a realiza<;aodos experimentos para a inv tiga<;aodo potencial de movirnentos

interestaduais de trigo, os pre<;oscorrespondentes a cada cenrio alternativo puderam ser
obtidos. Os resultados mostrararn que haY a urn rnovirnento substancial de trigo atravs
de algurnas fronteiras estaduais. De urna rnaneira mais especfica, 2,1 rnilhoes de toneladas
de trigo produzidas em New South Wales (aproximadamente 12% da safra 1985-86) seriam
transportadas para os Estados de Queensland e Victoria, sendo 1 milhao de toneladas
exportadas atravs do porto de Brisbane el, 1 milhoes atravs do porto de Geelong. Note
que as economias nos custos de transporte e armazenagern, variando entre US$ 1,43 e US$
2,81 por tonelada de trigo (entre US$ 3 milhoes e US$ 6 rnilhoes, ern valores globais),
forarn as causadoras do redirecionamento do fluxo de trigo obtido nos cenrios alternativos.
Para a implementa<;aode urna poltica de distribui<;aoque fizesse uso dos beneficios
de urna "desfronteiriza<;ao"da indstria de trigo australiana, duas op<;oesbsicas foram
sugeridas:
(a) Op<;ao1: manutem;i1odo monoplio do sistema de distribu;i1oa nvel estadual,
mas deixando a possibilidade de entrega interestadual disponvel ao produtor.
 141

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

1) Resolver o problema seguinte atravs da utiliza<;aodas condi<;oesde Karush-

Kuhn-Tucker:

Max f(x, y, z) = -x 2 - 2Y 2 - Z2 + xy + z

sujeito a

x + y + z ::; 35

2) Supondo-se urna situa<;ao em que urna determinada firma objetivasse a

maximiza<;aode sua receita total, mas observ~ um lucro mnimo, a seguinte estrutura

nao-linear poderia ser proposta:///

MaxR=R(Q)
sujeito a

R(Q) - C(Q) :2: 7t o

ou (7to >0)
C(Q) - R(Q) ::; -7t o
e
Q:2:0

Supondo que:

R(Q) = 32Q - Q2
C(Q) = Q2 +8Q+4
e 7to =18

resolva o problema atravs das condi<;oesde Karush-Kuhn-Tucker.

3) Tendo em vista o referencial terico apresentado para a resolu<;aode modelos de

equilbrio espacial apresentado entre as pginas 136 e 139, tome a situa<;aoem que h
possibilidades de movimenta<;aode graos a partir de 3 regioes de oferta e 3 regioes de

\
 143

demanda, que apresentam as seguintes caractersticas para as suas equal(oes

comportamentais de natureza linear (assuma que "quantidade" seja dada em "t" e "prel(o"
em "$"):

a) coeficiente linear das equal(oesde demanda

REGL~O 1: 200
REGL~O 2: 100
REGIAO 3: 160

b) coeficiente angular das equal(oesde demanda

REGIAO 1: 10
REGIAO 2: 5
REGIAO 3: 8

c) coeficiente linear das equal(oesde ofert;

REGIAO 1: -50
REGIAO 2: -50
REGIAO 3: -51)

d) coeficiente angular das equal(oesde oferta

REGIAO 1: 10
REGIAO 2: 20
REGIAO 3: 10

e) custo unitrio de transporte ($/t) entre as regioes

REGIAO 1 REGIAO 2 REGIAO 3

REGIAO 1 O 2 2
REGIAO 2 2 O 1
REGIAO 3 2 1 O

Estruture e resolva o modelo atravs da linguagem de otimizal(ao GAMS.

1\
 144

4. BIBLIOGRAFIA

apresentada a seguir urna srie de referencias sobre Pesquisa Operacional, com

enfase em Programayao Linear, alm de urn conju e aplicay5es desenvolvidas mais
especificamente para contextos agroindustriais. Tallista, e austiva mas que certamente nao
est completa, incorpora tambm as referencias apresent as ao longo deste texto, e deve
servir como material de apoio para o aluno, principalmente para proporcionar "inspiray5es"
para a realizayao de trabalhos aplicados.

Livros-textos e Manuais:

ACKOFF, RL.; SASIENI, M. W. Pesquisa Operacional. Rio de Janeiro, Livros Tcnicos

e Cientficos, 1971.
AGRAWAL, R. C.; HEADY, E. O. Operations Research Methods for Agricultural
Decision. AMES, lowa. 1972, 303p.
ANDERSON, 1. R; DILLON, J. L.; HARDAKER, B. Agricultural Decision Analysis.
Armidale, UNE, 1988.
-
ARBEL, A., Exploring Interior-Point Linear Programming algorithms and software,
Car,lbridge, MIT Press, 1993.
BEKMAN, O. R. & COSTA NETO, P. L. O. Anlise Estatstica da Decisao. Edgard
Blcher, Sao Paulo, 1980.
BENEKE, R. R.; WINTERBOER, R Linear Programming Applications to Agriculture.
Ames, lowa State University Press, 1973. 244p.
BREGALDA, P. F.; OLIVElRA, A. A. F.; BORNSTEIN, C. T. Introdu~ao a Pesquisa
Operacional. Rio de Janeiro, Campus, 1988.
BRONSON, R. Pesquisa Operacional, Sao Paulo, McGraw-Hill, 1985 (trad.).
. BROOKE, A.; KENDRICK, D.; MEERAUS, A. GAMS: A User's Guide, Release 2.25.
1992, The Scientific Press. 289p.
l: CAIXETAFILHO,J. V.; GUALDA,N. D. F. Estruturade modelagempara programayao
de colheita de laranja. Boletim Tcnico da Escola Politcnica da USP, BT/PTRl08,
Sao Paulo, 1993. 25p.
CHIANG, A. C. Matemtica para Economistas. Sao Paulo, McGraw-Hill, 1982.
CHVTAL, V. Linear Programming. Freeman, New York, 1983. 478p.
CLAUS, F. J. Applied Management Science and spreadsheet modeling. Duxbury,
Belmont, 1996. 772p.
CONTINI, E. et al. (eds.) Planejamento da propriedade agrcola: modelos de decisao.
Braslia, EMBRAPA-DDT, 1984.
CRANE, D. R.; SPREEN, T. H.; ALVAREZ, J.; KIDDER, G. An Analysis of the Stubble
Replacement Decision for Florida Sugarcane Growers. Agricultural Experiment
Stations Bulletin 822, University of Florida, Institute of Food and Agricultural
Sciences, Gainesville, January 1982, 74p.

\
 145

CRUZ, E. R. Risco em modelos de decisao na agricultura. EMBRAPA, Departamento de

Estudos e Pesquisas, Braslia, DF, 1984.
DAELLENBACH, H. G.; GEORGE, J. A. e MCNICKLE, D. C. Introduction to
Operacions Research Techniques. Boston, Allyn and Bacon, 2nd. edn., 1983.
DANTZIG, G. B. Linear Programming and Extensions. Princeton University Press,
Princeton, N.J., 1963.
DUCKWORTH, E. Guia a Pesquisa Operacional. Editora Atlas. Sao Paul0, 1972, 136p.
EASTERNSOFTWAREPRODUCTS.ORSYS - Operations Research System - Version
3.12. Alexandria, ESP, 1993.
EHRLICH, P. J. Pesquisa Operacional. Sao Paulo, Atlas, 1976 (trad.).
GASS, S. 1.; HARRIS, C. M. (eds.) Encyclopedia of Operations Research and
Management Science. Kluwer, Boston, 1996. 753p.
HADLEY, G. Programa~ao Linear. Ro de Janeiro, Guanabara Dois, 1982 (trad.).
HEADY, E. O.; SRIVASTAVA, U. K. Spatial Sector Programming Models in
Agriculture. Ames, Iowa State University Press, 1975. 484p.
HILLIER, F.S.; LIEBERMAN, G. 1. Introdm;ao a Pesquisa Operacional. Sao Paul0,
Campus/EDUSP, 1988. (trad.).
HOFFMAN, R. Estatstica para Economistas. Pioneira, Sao Paulo, 1980.
IGNIZIO, J. P.; CAVALIER, T. M. Linear Programming. Prentice Hall, New Jersey,
1994. 666p.
JEFFERSON, R. W.; BOISVERT, R. N. A guide to using General AIgebraic Modelling
System (GAMS) for appFcatiolis in Agricultural Economics. 1989, Correll
University, Ithaca, A.E.Res. 89-17. 84p.
LANZER, E. A. Programa~ao Linear: conceitos e aplica~oes. Ro de Janeiro,
IPEAlINPES, 1982.
LEE, S. M., MOORE, 1. J.; TAYLOR, B. W. Management Science. Dubuque, Wm. C.
Brown, 1985.
MIRSHAWKA, V. Aplica~es de Pesquisa Operacional. Sao Paul0, Nobel, 3 volumes,
1981.
MITCHELL, G. The practice ofOperational Research. Wiley, Chichester, 1993. 235p.
NEMHAUSER, G. L.; KAN, A. H. G. R.; TODD, M. J. (eds.) Optimization. North-
Holland, Amsterdam, vol. l. 709p.
NEMHAUSER, G. L.; WOLSEY, 1. A. Integer and Combinatorial Optimization.
Wiley, New York, 1988. 763p.
NOVAES, A. G. Mtodos de Otimiza~ao - aplica~ao aos transportes. Sao Paulo, Edgard
Blucher, 1978.
PANIK, M. J. Linear Programming: Mathematics, Theory and AIgorithms. K1uwer,
Dordrecht, 1996. 497p.
PERES, F. C.; MARQUES, P. V. Manual de Clculo de Ra~oes de Custo Mnimo com o
uso de microcomputador. Piracicaba, USP/ESALQ/FEALQ, 1988.
PUCCINI, A. 1. Introdu~ao a Programa~ao Linear. Ro de Janeiro, Livros Tcnicos e
Cientficos, 1972.
SAIGAL, R. Linear Programming: a modern integrated analysis. Kluwer, Boston,
1995. 342p.
 151

5. SOLU<;OES COMENTADAS DOS EXERCCIOS

[Ex.l ]Pg.7 I

Objetivo: Maximizar o lucro

Alternativas: - quantidade a ser produzida do produto 1 (x)

- quantidade a ser produzida do produto 2 ( X2)
- quantidade a ser produzida do produto 3 (X3)
Restri~oes: - tempo disponvel de cada mquina (A, Bee )
A estrutura matemtica correspondente pode ser expressa como:
MaxZ= 30x + 12x2+ 15x3
sujeito a
9x + 3x2 + 5X3~ 500
5x + 4X2 ~ 350

3x +
"' -
2x3 ~ 1~0
"\ ~.

A solw;:ao tima (x= 0,;\:

~i~) .
~= 817.52
.
,5,) ~3 = 47,5)/e Z = 1762,~
"-
i

E: !Pg.8 I

Objetivo: Maximizar o lucro

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

- produyao na fbrica 3 dos tres tamanhos: grande (1), mdio (2) e

pequeno (3), ou seja, XI3, X23, X33

Restri;oes:- capacidade (mao-de-obra e equipamentos)

- estoque
- vendas
- carga de trabalho uniforme entre as fbricas
 152

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

X13 + X23 + x33 =:;; 450

1,8xlI + 1,35x21 + 1,08x3l =:;;1170
1,8x12 + 1,35x22 + 1,08x32 =:;;1080

1,8x13 + 1,35x23 + 1,08x33 =:;; 450

Xli + X12 + x13 =:;;900

X21 + X22 + X23 =:;;1200

X3l + X32 + x33 =:;;750

900(xlI + X21 + X31) - 750 (X12 + x22 + X32) =O

<150(x12+ X22 + X32) - 900(X13 + x23 + X33) =O
A soluyao tima Xli = 516,67, x12= O, x13= O, X2l= 177,78, x22= 666,67,
X23= O, X3l= O, x32 = 166,67, X33= 416,67 e Z = 232.000,00

I Ex. 3 Ipg.8 I

Objetivo: Maximizar o lucro

Alternativas: - madeira beneficiada (Xl) ~~

- madeira compensada (X2)

Restri-roes: - disponibilidade de pinho

- disponibi1idadede canela
- vendas mnimas de madeira beneficiada
- vendas mnimas de madeira compensada
 153

Estrutura matemtica:

Max Z = 45 x + 60 X2

sujeito a
x + 2X2 ~ 32

4x + 4X2 ~ 72

x ~ 5

X2 ~ 12

A soluao tima X= 5, X2= 13 e Z = 1.005,00

I Ex.4 I pg.9 I

Objetivo: Maximizar o lucro

Alternativas: - produao do modelo A (x)

- produao do modelo B (X2)

- produaJ do modelo e (X3)

Restri.;oes: - exigenciasmnimasde produaode A, B e e
- tempos para fabricar, montar e testar os modelos A, B e e
Estrutura matemtica:
Max Z = 16 X + 30 X2+ 50X3

suj eito a
x ~20
X2 ~ 120

X3~ 60 '\
\,
3x + 3,5x, + 5X3,; 144 '\

4x + 5x2 + 8X3~ 1920

1x + 1,5x2 + 3x3 ~ 576

)
A soluao tima x = 20, X2 = 250,67,x3 = 60 e Z = 10.840,00.
 154

fEX3l pg.9 I

Objetivo: Maximizar o lucro

Alternativas: - nmero de realizac;oes do processo 1 (x)

- nmero de realizac;oes do processo 2 (X2)

Restri~oes: - disponibilidade de leo cm A e B

- compromissos de vendas de gasolina do tipo X e Y

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

20x + 80X2 ~ 2200

A soluc;ao tima, supondo p = 2 e P2 = 3, XI = 48, X2= 18 e Z = 150,00

I Ex.6 I pg. 10 I

Objetivo: Minimizac;aodo custo

Alternativas: - utilizac;ao dos 3 tipos de avioes nas duas propriedades
Restri~oes: - quantidade de cada tipo de aviao
-necessidades de pulverizac;aoem cada propriedade
 155

Definindo,

X = nQde avi5es do tipo 1 utilizados na propriedade A

X2 = nQde avi5es do tipo 2 utilizados na propriedade A

x3= nQde avi5es do tipo 3 utilizados na propriedade A
y = nQde avi5es do tipo 1 utilizados na propriedade B

Y2= nQde avi5es do tipo 2 utilizados na propriedade B

Y3= nQde avi5es do tipo 3 utilizados na propriedade B
Estrutura matemtica:

Min C = 23 X + 15x2 + 1,4x3 + 58 Y + 20Y2+ 3,8Y3

Sujeito a

X + Y ~ 8

x2+Y2~15

X3 + Y3 ~ 11

45x + 7X2+ 5X3 20

45y + 7Y2+ 5Y3 28

A solu9ao tima X3 = 4, Y3= 5,6 e Z = 26,88. Como se tratam de grandezas

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

Objetivo: Maximiza9ao do lucro

Alternativas: -produ9ao de lcool anidro (x)
- produ9ao de lcool hidratado (X2)
Restri;oes: - horas de opera9ao
setor I setor II setor III
lcool anidro 0,5h1t (l/3h)/t
lcool hidratado 1hit (2/3h)/t
total 8h 8h 8h
 156

Assim sendo, para o setor 1, por exemplo, em 0,5h de opera<;ao produzido 1t de

lcool anidro. Se x dado em toneladas, tem-se: 0,5 (hit) x( t) =::;
8 (h)
Estrutura matemtica,
Max Z = 40 x + 30 X2
sujeito a
0,5 X =::;8

X2 =::;8

1/3x + 2/3 X2 =::;8

A solu<;ao tima X = 16, X2 = 4,12 e Z = 763,63

~ Ipg. 11 I

Objetivo: Maximizar a receita

AlteJ'nativ~ls: - rea a sei plantada cnm seringueira ( xl)
- rea a ser plantada com macadamia ( X2)
Restri~oes: - nmerode contratosa seremfechados
- rea da propriedade
- nmero de talh6es a serem incorporados
Estrutura matemtica:

MaxZ= 18x+9x2 (O)

sujeito a
3x + 6X2 ;:::18 (1)

2x + 2x2 =::;16 (2)

x + X2 ;:::0 (3)

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

(vide comentrios adicionais as pginas 56-67)

~ Ipg.60 I

Objetivo: Maximizar o lucro

Alternativas: - produyao de soja (xl)

- produyao de algodao (X2)

Restric;oes: - rea
- disponibilidade de mao-de-obra
- crdito
 158

Estrutura matemtica:

Max Z = 50 x + 25 X2

sujeito a
x + X2 :s; 20

20x + 120x2 :s; 1200

600x + 200X2 :s; 6000
A soluc;ao tima X = 7,06, X2= 8,82 e Z = 573,53

I EX.2 I pg.60 I

Objetivo: Maximizac;aodo lucro

Alternativas: - ovino Merino (x)

- fado Here10rd (x~)
- ovino Romey (x3)

Restri~oes: -capital
- rea

Estrutura matemtica:

Max Z = 12 x + 40 X2+ 7x3

sujeito a
7x + 100x2 +10x3:S;10400
x + 3X2 + 0,5X3 :s;500

Soluc;ao tima X = O,x2 = O e X3= 1.000 e Z = 7.000,00

 159

~ Ipg.60 I

Objetivo: Maximizar o lucro

Alternativas: - planta9ao de soja (x)
- planta9ao de milho (X2)
- planta9ao de aveia (X3}
- cria9ao de vacas (X4)-
- cria9ao de galinhas (X5)
- meses de invemo a serem trabalhados na fazenda vizinha (X6)
- meses de verao a serem trabalhados na fazenda vizinha (x7)

Restri~oes: - mao-de-obra no invemo

- mao-de-obra no verao

- rea total de terra /

- investimelltos inicia:s para a c'i9ao de vacaS'e galinha~

Estrutura matemtica:

Max Z = 937,5x + 1375 X2+ 625x,3+ 800 X4+ 5x5 + 4X6+ 4,5x7
1 ( ,
sujeito a
~

x+ X2+ X3 + 0,6X4 ~ 40)

900X4 + 7X5 30000

50x + 87,5x2 + 25x3 + 100x4 + 0,6X5 + X6 = 3500

125x + 187,5x2 + 100X3+ 50X4+ 0,3X5 +X7 = 4000

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

Objetivo: minimizac;:ao do custo de rac;:ao

Alternativas: - milho (x)

- farelo de soja (X2)
Restri~oes: - quantidade mnima requerida de protenas
- quantidade mnima requerida de energia
- peso total
Estrutura matemtica:

Min Z = 1,8x + 4,2 x2

sujeito a
3146x + 2283 X2 ~ 3000

8,51x + 45,6x2 ~ 17,16

x + X2 = 1
o proble.na nao t~m soluc;:ao!

I EX.2 I pg.69 I

Objetivo: Minimizac;:ao do custo da rac;:ao

Alternativas: - ingrediente l(x)

- ingrediente 2 (X2)

Restri~oes:- quantidade mnima exigida para o nutriente A

- quantidade mnima exigida para o nutriente B
- quantidade mnima exigida para o nutriente e
- quantidade mnima exigida para a vitamina X
 161

Estrutura matemtica:

Min Z = 0,6 X + 0,4 X2

sujeito a
1OOx + 200X2 90

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

Objetivo: Minimizayao do custo de rayao

Alternativas: - milho (x)

- tanyagem (X2)
- alfafa (X3)

Restri~oes: - quantidades requeridas dos ingredientes nutricionais (carbohidratos, protenas

e vitaminas)
A estrutura matemtica:

Min e = 21x + 18x2+ 15x3

sujeito a
90x + 20x2 + 40x3 ~ 200

30x + 80X2+ 60xj ~ 180

10x + 20X2+ 60X3~ 150

A soluyao tima X= 1,14, X2= O, X3= 2,43 e Z = 60,43

 162

I Ex.4 I pg.70 I

Objetivo: Minimizar o custo da ra((ao

Alternativas: - ingrediente A (Xl)

- ingrediente B (X2)
- ingrediente e (X3)

Restrh;oes: - quantidade total da ra((aorequerida

- quantidade mxima de A
- quantidade mnima de B e e

a) Estrutura matemtica:

Min Z = 8000Xl + 10.000 X2 + 11.COOx3 (1)

sujeito a

Xl 3.000 (2)

X2 1.500 (3)
X3 2.000 (4)
xl + X2+ X3= 10.000 (5)

A solu((ao Xl = 3000, X2 = 5000, X3 = 2000 e Z = 74.400.000,00

 163

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

z.J - O O O O -MI -M2 MI M2 M3

- 8000 10000- 11000 - O MI M2 O O O
Cj- Zj
- M3 MI-M3 M2 -M3

C) Reescrevendo, a restriyao (5), como:

XI + X2 + x3 :s;;10.000

XI + X2 + X3 ~ 10.000

A estrutura matemtica padrao pode ser dada por,

Min Z = 8000xI + 10.000 x2 + 11.000x3
sujeito a
-XI ~-3.000

X2 ~ 1.500

X3~ 2.000

-XI - X2 - X3 ~ -10.000
XI + X2+ x3 ~ 10.000

Assim, estrutura dual expressa por:

Max Z = -3000YI + 1500Y2+ 2000Y3 - 10000Y4 + 10000ys

sujeito a
YI -Y4 + Ys :s;; 8.000

Y2 -Y4 + Ys :s;;10.000

Y3 -Y4 + Ys :s;;11.000

d) Faz sentido, senda atuantes as restriyoes (2), (3) e (5).

 164

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

Objetivo: Minimizar o custo total de transporte

Alternativas: -transportar arroz do armazm 1 ao centro consumidor 1 (XII)

- transportar arroz do armazm 1 ao centro consumidor 2 (X12)
-transportar arroz do armazm 1 ao centro consumidor 3 ( X\3)
- transportar arroz do armazm 2 ao centro consumidor 1 (X21)
-transportar arroz do armazm 2 ao centro consumidor 2 ( X22)
-transportar arroz do armazm 2 ao centro consumidor 3 (X23)
-transportar arroz do armazm 3 ao centro consumidor 1 (X31)
-transportar arroz do armazm 3 ao centro consumidor 2 ( X32)
-transportar arroz do armazm 3 ao centro consumidor 3 ( X33)
Restri-roes: - estoques disponveis nos armazns 1,2 e 3
-quantidades demandadas nos centros consumidores 1, 2 e 3

o modelo matemtico pode ser descrito como segue:

 165

Min Z = 10xII + 5 X12+ 12x13+ 4X21+9X22+ 15x23+ 15x31+ 8X32+ 6X33

sujeito a

XII + Xl2 + X13::;200

X21+ X22+ X23::; 150

X31+ X32+ X33::; 300

XII + X21+ X312::100

XI2 + X22+ X322::300

X13+ X23+ X332::250

A solw;:ao tima Xli = O, XI2 = 200, X13 = O,X21 = 100,X22 = 50, X23 = O,X31 = O,

x32 = 50, X33 = 250 e Z = 3750,00

I EX.2 I pg.81 I

INGLATERRA FRAN<;A ESPANHA

Cultura Custo da Demanda

mao-de-obra ($) (milhOes ha)

Trigo 3,0 X45 2,4 X32,5 3,3 X40 50

Cevada 2,7 X37,5 3,0 X30 2,8 X30 24
Aveia 2,3 x 30 2,5 x 25 2,1 x 40 30
Area

disponvel 28 44 32

(milh6es ha)
 166

Objetivo: Minimizayao do custo total da mao-de-obra

Alternativas: - produyao de trigo na Inglaterra (Xll)

- produyao de trigo na Franya (XI2)

- produyao de trigo na Espanha(x13)

- produyao de cevada na Inglaterra (X21)
-produyao de cevada na Franya (X22)

- produyao de cevada na Espanha(x23)

- produyao de aveia na Inglaterra (X31)
- produyao de aveia na Franya (X32)
- produyao de aveia na Espanha(x33)

Restri~oes: -demanda mundial de trigo, cevada e aveia (em milh6es de ha)

-dispon~bilidade tutal de terra p"ra os tre~' produto~;na lLglatena, Franya e
Espanha

o modelo matemtico dado por,

Min Z = 135xll + 78xI2 + 132x13+ 101,25x21 + 90X22+ 84x23 + 69x31 + 62,5x32 + 84x33

sujeito a
Xll +X12 + X13~ 50

x21 +x22 + X23~ 24

X31+x32 + X33~ 30

Xli +x21 + X31:::;28

XI2 +X22 + X32 :::;44

X13 +X22 + X33 :::;32

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

Objetivo: Maximizar o lucro total do voo

Alternativas: - transportar a carga 1 no compartimento da frente (XII)

-transportar a carga 1 no compartimento do centro (XI2)
- transportar a carga 1 no compartimento do traseiro (XI3)
- transportar a carga 2 no compartimento da frente (X21)
- transportar a carga 2 no compartimento do centro (X22)
- transportar a carga 2 no compartimento do traseiro (X23)
- transportar a carga 3 no compartimento da frente (x31)
-transportar a carga 3 no compartimento do centro (X32)
- transportar a carga 3 no compartimento do traseiro (X33)
-transportar a carga 4 no compartimento da frente (X41)

- transpor~ar a carga 4 no cOl.t1partirnento do centro (X42)

- transportar a carga 4 no compartimento do traseiro (X43)

Restric;oes:- capacidade em peso de cada compartimento

- capacidade em volume de cada compartimento
- peso da carga
- volume da carga
- proporcionalidade entre os compartimentos

o modelo matemtico est descrito a seguir:

Max Z = 220xII + 220XI2 + 220x13 + 280X21+ 280X22+ 280X23+ 250X31-+-250X32+ 250X33

+ 200 X41+ 200X42+ 200X43

sujeito a
 168

Xli +X12 + X\3 :::; 20

x21 +X22 + X23 :::; 16

X31 +X32 + x33:::; 25

X41 +x42 + X43:::; 13

13,5xlI + 18,9x21 + 16,2x31 + 10,8x41 :::;189

13,5xI2 + 18,9x22 + 16,2x32 + 1O,8x42:::;243

13 ,5x \3 + 18,9x22 + 16,2x33 + 10,8X43:::;13 5

Xli + X21+ x31 + X41:::;12

x12 + x22 + X32+ X42:::;18

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

Objetivo: Minimizar o custo anual de remessas

Alternativas: - transportar da fonte 1 para o mercado 1 utilizando o trem (XIIT)

- transportar da fonte 1 para o mercado 2 utilizando o trem (XI2T)
-transportar da fonte 1 para o mercado 3 utilizando o trem (XI3T)
- transportar da fonte 1 para o mercado 4 utilizando o trem (XI4T)
-transportar da fonte 1 para o mercado 5 utilizando o trem (XI5T)
-transportar da fonte 1 para o mercado 1 utilizando a barcac;a(XI6S)
- transportar da fonte 1 para o mercado 2 utilizando a barcac;a(X17s)
- transportar da fonte 1 para o mercado 3 utilizando a barcac;a (XI8S)
-transportar da fonte 1 para o mercado 4 utilizando a barcac;a (XI9S)
 169

- transportar da [onte 1para o mercado 5 utilizando a barca(fa (XlIOB)

- transportar da [onte 2 para o mercado 1utilizando o trem (X2IT)
- transportar da [onte 2 para o mercado 2 utilizando o trem (X22T)
- transportar da [onte 2 para o mercado 3 utilizando o trem (X23T)
-transportar da [onte 2 para o mercado 4 utilizando o trem (X24T)
-transportar da [onte 2 para o mercado 5 utilizando o trem (X25T)
- transportar da [onte 2 para o mercado 1 utilizando a barcac;a (X26B)
- transportar da [onte 2 para o mercado 2 utilizando a barca(fa (X27B)
- transportar da [onte 2 para o mercado 3 utilizando a barcac;a (X28B)
- transportar da [onte 2 para o mercado 4 utilizando a barcac;a (X29B)
- transportar da [onte 2 para o mercado 5 utilizando a barcac;a(X210B)
- transportar da [onte 3 para o mercado 1 utilizando o trem (X3IT)
-transportar da [onte 3 para o mercado 2 utilizando o trem ( X32T)
-transportar da [onte 3 para o mercado 3 utilizando o trem (X33T)
- transportar da [onte 2 pa.~ao m;,:rcado 4 utiliundo o tren" (X34J)
- transportar da [onte 3 para o mercado 5 utilizando o trem (X35T)
- transportar da [onte 3 para o mercado 1 utilizando a barca(fa (X36B)
- transportar da [onte 3 para o mercado 2 utilizando a barcac;a (X37B)
- transportar da [onte 3 para o mercado 3 utilizando a barcac;a (X38B)
- transportar da [onte 3 para o mercado 4 utilizando a bacac;a (X39B)
- transportar da [onte 3 para o mercado 5 utilizando a barcac;a ( X310B)

Restri~oes: - disponibilidade anual de madeira nas [ontes 1,2 e 3

- quantidade que pode ser vendida anualmente em cada mercado
- investimento mximo em barcac;as

A estrutura matemtica pode ser descrita, como segue:

Min Z = 30,5xIIT + 36xI2T+22,5x13T+ 27,5x14T+ 33xI5T + 29,25xl6B + 44,4X17B+ 23,9x18B

+ OXI9B+ 32xIIOB+ 34,5x21T+ 39x22T + 30X23T+ 24,5x24T+ 28x25T + 32,65x26B +

 170

37,4x27B + 27,5x28B + 24,5x29B + 28,75 X210B+ 29,5x31T + 33x32T + 31,5x33T +

30,5x34T+ 23,5x35T+ OX36B+ 30,75x37B+ 31,75x38B + 29,4x39B+ 25 X310B1

sujeito a
XllT + XI2T+ X13T+ Xl4T+ Xl5T+ Xl6B+ X17B+ XI8B+ XI9B + X1l0B= 20

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

XI2T + X22T+ x32T+ xI7B + x27B+ x37B ~ 24

XI3T + X22T + X33T + XI8B + X28B+ X38B~ 18
XI4T + X24T + X34T + XI9B + X29B + x39B~ 20

XI5T + X25T+ X35T + X1l0B + X210B+ X310B~ 16

137,5xl6B+ 151,5x17B+ 119x18B+ O XI9B+ 142,5 X1l0B + 146,5x26B+ 159x27B+

135x28B+ 125 X29B+ 132,5 X210B+O X36B+ 141,5x37B+ 137,5x38B+ 134x39B+

120X310B~ 6250

A soh'9ao tlma dada por XI.,)B=: 20, :'26B = 6, X28B,= 18, X210B= 4,5LJ., X25T=

11,46, X36B= 14, X37B

= 16, e Z = 1.036,21

~ ]pg.83 I

NUSP do aluno = XYZKLMN = 3616078

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

Objetivo: Minimizar o custo de transporte

Alternativas: - transportar da fbrica i (A, B e C) para o armazmj ( 1,2,3 e 4) (= xij)

Restrif;oes: -disponibilidade de madeira nas fbricas
- capacidade de cada armazm
O modelo matemtico pode ser representada por:
Min Z = 3xIl + 15 X12+ OX13+ 7XI4 + 9X21 + 6X22 + 12x23 + 7X24+ 6X31 + x32 + X33

+ 8X34
sujeito a
XII + X12+ XI3 + XI4 ~ 8
X21 + X22 + X23 + X24~ 21
X31 + X32 + X33 + X34 ~ 228

XII +x21 +x31 ~ 18

X12+ X22+ X32 ~ 8

X13+ X23+ X33 ~ 126

XI4 f-X24+ x34 ~ 54

a) Pela regra do canto noroeste, por exemplo:

1 2 3 4
A 18 18
B 8 13 21
C 113 54 228
18 8 126 54

b) A soluyao do problema acima nao existe, devido ao fato que as restriy6es de

oferta e demanda nao estao balanceadas. Contudo, alterando o RHS da terceira restriyao, de
228 para 128 , obtemos a soluyao tima e podemos prosseguir com a anlise. Por exemplo,
no caso da 1i! restriyao,oprer;o-sombra(que definidoapenaspara as restriy6esatuantes)
igual a 3, ou seja, se o RHS da restriyao em questao aumentar em 1 unidade, de 18 para 19,
o valor da funyao objetivo ser acrescido em 3 unidades. No entanto, a anlise de
sensibilidade para os valores dos RHS fomece o intervalo no qual alteray6es no valor do
 172

RHS da restric;ao dever ocasionar urna alterac;ao diretamente proporcional no valor da

func;ao objetivo. Neste exemplo, o RHS da 1!!restric;ao poder ser alterado dentro do
intervalo de 6 a 24 unidades. A anlise de sensibilidade para os coeficientes da func;iio
objetivo, que poderia dizer respeito ao intervalo entre 1 e 5 para a varivel XII>informa
sobre as condic;5es em que a soluc;ao tima permanece a mesma (nao sao alterados os
valores dos xij,apenas do Z).

I EX.6 I pg.84 \

Objetivo: Maximizac;aodo lucro

Alternativas: - plantar no lote i ( 1,2,e 3) a culturaj (tomate, feijao e arroz)
Restri~oes: -rea mxima dos lotes
- capacidade mxima da terra para cada cultura
- rer'.mnima utilizada de cada lote
- proporc;aoplantada de urna mesma cultura em cada urn dos lotes
o modelo matemtico pode ser descrito como segue:
Max Z = 600xll + 450X12+ 300x13+ 600X21+ 450 X22+ 300X23+ 600X31+ 450X32+
300X33 (O)
sujeito a

Xli + X21 + X31 ~ 900 (1)

X21 + X22 + X32 ~ 700 (2)
X33 + x32 + x33 ~ 1000 (3)
Xli + X12 + X13 ~ 0,6 X 500 (4)
X21+ X22+ X23~ 0,6 X 800 (5)
X31+ X32+ X33~ 0,6 X 700 (6)
XII + XI2 + XI3 ~ 500 (7)
X21+ X22+ X23~ 800 (8)
X31 + X32 + X33 ~ 700 (9)
xI!500 - x21/800 =O (10)
 173

xII/500 - X31/700= O (11)

X12 /500 - X22/800= O (12)

X12 /500 - x32/700= O (13)

X13/500 - x23/800 = O (14)

Xl3 /500 - x33/700= O (15)
a)

NUda RESTRIc;AO LHS RHS Sk(folga) ATUAc;Ao

1 900 900 O ATUANTE
2 700 700 O ATUANTE
3 400 1000 600 NAo ATUANTE
4 500 300 200 NAo ATUANTE
5 800 480 -320 NAo ATUANTE
6 700 420 -280 NAo ATUANTE
7 O O O ATUANTE
8 O O O ATUANTE
9 O O O ATUANTE
10 O O O ATUANTE
11 O O O ATUANTE
12 O O O ATUANTE
13 O O O ATUANTE
14 O O O ATUANTE

Supondo um custo de oportunidade para a restri<;:ao1, por exemplo, de 50. Se acaso

fosse for<;:adaa entrada na base de Urna unidade da varivel de folga correspondente a
restri<;:ao 1 (SI)' o valor da fun<;:aoobjetivo seria reduzido no valor do custo de
oportumidade, ou seja, em 50 unidades.

b) A metodologia indicada seria a anlise de sensibilidade dos coeficientes da fun<;:ao

objetivo (que correspondem aos lucros unitrios por tipo de cultura) ou a ado<;:aode um
 174

modelo de decisao que inclua riscos relacionados aos valores dos coeficientes da funyao
objetivo.

EX.1 I pg.102 I

Objetivo: Maximizayao do valor presente

Alternativas: - seleyao dos projetos 1, 2, 3, 4, 5 e 6 (x, . . . , X6),representadas por

variveis binrias tipo O - 1.

Restri~ijes:- despesa inicial mxima

- disponibi1idademxima de pessoal
- lucro anual mnimo
- necessidade de capital de giro mdio anual mnimo
- os prujetos :::e 4 sac mutuameLte excJusivos
- o projeto 1 s pode ser realizado em conjunto com o projeto 6

o modelo matemtico pode ser descrito como segue

Max Z = 300 X + 440X2 + 60X3+ 160x4 + 380xs +200X6

sujeito a
700x + 1080x2 + 120x3 + 300X4 + 680xs + 420X6:S;2000

6x + 16x2 + 2X3+ 4X4+ 10xs + 6X6:S;24

200x + 300X2 + 20X3+ 70X4+ 150xs + 90X6~ 200

160x + 240X2 + 36x3 +66x4 + 140xs + 80X6~ 200

-Xl + x6 ~ O

X3+ X4 :s;1

A soluyao tima dada por X = 1, X2 = O, X3 = 1, X4 = O,Xs = 1, X6 = 1 e Z = 940,00.

 175

IEX.2 ] pg. 103 I

Objetivo: Minimiza<;aode custos

Alternativas:- nmerode horasalocadapara cada operador(K.C., D.H.,H.B., S.C.,K.S.,
N. K.), em cada dia da semana (seg., ter., qua., qui. e sex.).
Restri'toes: - nmero mximo de horas dirias de trabalho de cada operador
- nmero de horas de funcionamento do centro de computa<;ao,em cada dia
- disponibilidade mxima de cada operador em cada dia da semana
A estrutura matemtica, considerando i = 1, ... , 6 como referente aos operadores e j
= 1, ..., 5 correspondente aos dias da semana, pode ser dada por:
6 5
Min Z = '""' '""' c-x-.
L L lJ IJ ande Cij= remunera<;ao i-simo operador
i=1 j~l

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

Xij~ disp. mx., conforme informado na tabela (exemplo XII ~ 6)

Nao h solu<;aopara o problema acima, a medida que as duas primeiras restri<;oes

de oferta nao estao balanceadas com a terceira restri<;aode demanda. lnvertendo os sinais
destas restri<;oescom o intuito de flexibilizar a demanda, ou seja, trocar os sinais nas
primeiras restri<;oes,de menor igual para igual, e vice-versa na terceira, obtemos, Xli = 6,
Xl4 = 2, X22= 6, X23= 1, X24= 1, X31= 4, X33= 4, X42= 5, x43 = 3, XSI= 3, XS3= 3, XS4= 1,
X61= 1, X62= 3, X63= 3 e Z = 206,30. Por outro lado, mantendo os sinais das restri<;oes

como no modelo original e alterando apenas o RHS da terceira restri<;ao,de 14 para 9,

 176

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

111p'fao - mes de maior produ'fao de sacarose em cada talhao

Set Out Nov Dez
-------- talhao2 -------- talhao 1 e talhao 3

C22 = C14 = C34 = 1 ; Produ'fao de sacarose = 623.000 kg e Receita = $ 2.678.900,00

 177

2<1op<;ao - talhao com maior produ<;aode sacarose em Set, Out e Nov

Set Out Nov Dez
talhao 2 talhao 1 talhao 3 --------

c2 = C22 = C23 = 1 ; Produ<;ao de sacarose = 538.950 kg e Receita = $ 2.317.485,00

3<1op<;ao - talhao com maior produ<;ao em Out, Nov e Dez

Set Out Nov Dez
-------- talhao 2 talhao 1 talhao 3

C22 = C23 = C24 = 1 ; Produ<;ao de sacarose = 434.300 kg e Receita = $ 1.867.490,00

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

= [ 0,2 x 0,5] / [0,2 x 0,5 + 0,8 x 0,1]

= 0,1/ (0,1 + 0,08)
= 0,1/ 0,18
= 0,555

I Ex.2 I pg. 118 I

P(BjR) = P(BnR)/ [P(AnR) + P(BnR) + P(BnR)]

= 0,005/ [0,004 + 0,005 + 0,009]
= 0,2777
 178

~ I pg.118 I

Co = chuva; Cp = previsao de chuva

No = nublado; Np = previsao de nublado
So = sol; Sp= previsao de sol

RVORE DA NATUREZA

P(Cp n Co ) = 0,07
ICO 0,7

Np ICo = 0,2 P(Np n Co ) = 0,02

)
J

CoO'1 P(Sp n Co) = 0,01

Co = 0,1

pINo=0,2 prcp n No ) = 0,06

No = 0,3
Q N,INo
'INO0'2
0,6
P(Npn No) = 0,18

P(Sp n No ) = 0,06

P(Cpn So) = 0,06

/:CpISo=O,l P(Npn So) = 0,12
O Npl So = 0,2

SpISo=0,7 P(Sp n So ) = 0,42

 179

RYORE DO INTERESSADO

P(Cp n Co ) = 0,07

;/ )
Nol Cp P(Cp n No ) = 0,06
J

C, P(Cpn So) = 0,06

P(Npn Co) = 0,02

Np= 0,32 . NolNp P(Npn No) = 0,18

P(Npn So) = 0,12

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)

Aplicando as condi90es de Karush-Kuhn-Tucker:

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

(das duas primeiras equa90es)

t
1 1
x = Y = O. z = - ~ [(O O 1/2) = -
, 2 " 4

~
(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

A= -21 PONTO DE MXIMO

I Ex.2 I pg.142 I

a) construindo o Lagrangeano (L):

L = R(Q) + A [-11:o - C(Q) + R(Q)]

=32Q-Q2 +A [-18-2Q2 +24Q-4]
=32Q-Q2 +A [-2Q2 +24Q-22]

b) aplicando as condic;6esde Karush-Kuhn-Tucker:

aL
- = 32 - 2Q - A(4Q -24) = O (1)
aQ

A(-2Q2 + 24Q - 22) = O (2)

1a POSSIBILIDADE: Q=O

a) se A = O

Substituindo em (1):

32 = O,o que urna afirmac;aoFALSA.

b) se A> O

Substituindo em (2):
 182

-22 :2: O , o que urna afinnac;aoFALSA.

2aPOSSIBILIDADE: Q > O

a) se A= O

De (1):

Q = 16 mas R(Q) - C(Q)=32Q-Q2 - Q2 -8Q-4=-2Q2 +24Q-4= -132,

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):

Q = 11 ~ 3~. - 22 -- A (44 - 24) = 10 -:',OA = O

A = 0,5> O (OK)
Q 2 = 1~ 32 - 2 - A (4 - 24) = 30 + 20A = O
A=-1,5>0 (FALSO)

:. Q = 11 , A = 0,5 e R(Q) = 231

 183

I EX.3 I pg.142 I

Arquivo de entrada codificado para o GAMS:

SETS

I regioes de oferta /REGl*REG3/

J regioes de demanda/REGl*REG3/

PARAMETERS

A(J) coeficiente linear da equacao de demanda j

/REGl 200
REG2 100
REG3 160 /

B(J) coeficiente angular da equacao de demanda j

/REGl 10
REG2 5
REG3 8 /

C(I) coeficiente linear da equacao de oferta i

/REGl -50
REG2 -50
REG3 -50 /

D(I) coeficiente angular da equacao de oferta i

/REGl 10
REG2 20
REG3 10 /

TABLE T(I,J) custo unitario de transporte

REGl REG2 REG3

REGl O 2 2
REG2 2 O 1
REG3 2 1 O

VARIABLES

X(I,J) quantidade de graos transportada de i a j

PC(I) preco de oferta da graos
PV(J) preco de demanda da graos
L lucro
 184

POSITIVE VARIABLES X, PC, PV i

EQUATIONS

LUCRO
OFERTA(I)
DEMANDA(J)
PRECO(I,J) i

LUCRO.. L =E= SUM(J, PV(J)*(A(J)-B(J)*PV(J))) - SUM(I,

PC(I)*(C(I)+D(I)*PC(I))) - SUM((I,J), T(I,J)*X(I,J) i

OFERTA(I) .. SUM(J, X(I,J =L= C(I) + D(I)*PC(I) i

DEMANDA(J) SUM(I, X(I,J =G= A(J) - B(J)*PV(J) i

PRECO(I,J) .. PV(J) - PC(I) =L= T(I,J) i

MODEL NLINEAR/ALLli

SOLVE NLINEAR USING NLP MAXIMIZING L i

DISPLAY X.L, PV.L, PC.L, L.L i

Resultados a serem obtidos:

VARIABLE X.L quantidade de graos transportada de i a j

REG1 REG2 REG3

REG1 57.619
REG2 34.762 56.190 34.286
REG3 47.619

VARIABLE PV.L preco de demanda de graos

REG1 10.762, REG2 8.762, REG3 9.762

VARIABLE PC.L preco de oferta de graos

REG1 10.762, REG2 8.762, REG3 9.762

VARIABLE L.L 0.000 lucro