Anlise numrica em um problema de Programao Linear com a

utilizao do mtodo dos Multiplicadores de Lagrange

Rafaela Boeira Cechin (Universidade de Caxias do Sul) rafaelacechin@hotmail.com.br

Leandro Lus Corso (Universidade de Caxias do Sul) leandro.lcorso@gmail.com

Resumo:
Os Multiplicadores de Lagrange (ML), dentro do processo de otimizao, apresentam a possibilidade
de realizar anlises de sensibilidade ps-otimizao, presente no conceito de Programao Linear. O
objetivo foi analisar os possveis ganhos dentro de otimizao com a utilizao das informaes
obtidas com os ML. Para isso, foi estudado um artigo do ramo alimentcio, que visa utilizar a
Programao Linear a fim de reduzir o custo total do misturado milheto-soja, e que foi publicado em
um peridico cientfico. Ento foi sugerido alteraes no modelo matemtico, utilizando o mtodo dos
ML, que desta forma, foi possvel reduzir mais de 16% do custo total do produto estudado no artigo.
Palavras chave: Pesquisa Operacional, Programao Linear, Multiplicadores de Lagrange,
Alimentao.

Numerical analysis in a Linear Programming problem using the

Lagrange Multipliers method

Abstract:
The Lagrange Multipliers (LM), within the optimization process, present the possibility of performing
post-optimization sensitivity analyzes, present in the concept of Linear Programming. The objective
was to analyze the possible gains within optimization with the use of the information obtained with
LM. For this, an article in the food industry was studied, which aims to use Linear Programming to
reduce the total cost of the mixed millet-soybean, which was published in a scientific journal. Then it
was suggested changes in the mathematical model, using the LM method, which in this way, it was
possible to reduce more than 16% of the total cost of the product studied in the article.
Key-words: Operational Research, Linear Programming, Lagrange Multipliers, Alimentation.

1. Introduo
Os estudos da Pesquisa Operacional (PO) iniciaram-se na dcada de 40 e a sua primeira
contribuio ocorreu durante a Segunda Guerra Mundial (CHAVES, 2011). Aps este
momento, a utilizao da PO foi to satisfatria que decidiram dar continuidade nos estudos e
expandiram para as mais diversas reas. Kersting, Mladenov e Tokmakov (2017) comentam
que h dois critrios que possibilitaram no avano da PO: o mtodo simplex para resoluo de
problemas na Programao Linear, e o surgimento dos computadores, que tornou possvel a
resoluo de clculos complexos com um grande volume de dados.
Dentro da Pesquisa Operacional, h os estudos de Programao Linear (PL), que, conforme
Igncio (2009) e Kersting, Mladenov e Tokmakov (2017) comentam, so problemas que
possuem constantes no negativas e somente funes matemticas lineares, alm de serem
utilizados para maximizar os lucros ou minimizar os custos, por exemplo. Para estes
problemas de PL, o mtodo simplex um procedimento eficiente e altamente utilizado para a
resoluo, pois ele permite a utilizao de milhares de variveis.
Aps a obteno dos resultados com a aplicao do mtodo simplex, possvel fazer a anlise
de sensibilidade, em que Bre et al. (2016) define como sendo uma alterao nos parmetros
do problema, dentro de certo limite, sem alterar a soluo encontrada. Para esta anlise, pode
ser utilizado os Multiplicadores de Lagrange (ML), mtodo utilizado neste artigo para a
anlise numrica.
Como citado, o primeiro passo da anlise numrica deste artigo a escolha de uma PL
apresentada na literatura cientfica. Em seguida, foi gerada a programao no software
MatLab, a fim de replicar e analisar os resultados apresentados em um modelo matemtico
apresentado por Balasubramanian et al. (2012). A partir do modelo de PL, foram calculados
os valores dos ML, assim como os limites de variao das constantes do lado direito das
restries, alm de interpretar o significado destes valores no problema. Para finalizar, foram
sugeridas modificaes no modelo matemtico, visando um melhoramento do artigo
escolhido na literatura.
2. Multiplicadores de Lagrange
De acordo com a sugesto de Hillier e Lieberman (2005), o mtodo dos Multiplicadores de
Lagrange pode ser utilizado quando h a necessidade de realizar uma otimizao
condicionada com diversas restries de igualdade. Para determinar a funo lagrangeana,
antes necessrio definir a funo objetivo e as restries, respectivamente representadas nas
equaes 1 e 2.

= 1 1 + 2 2 + + (1)

11 1 + 12 2 + + 1 1
21 1 + 22 2 + + 2 2
(2)
1 1 + 2 2 + +
{ 1 0, 2 0, , 0

Onde, Hillier e Lierberman (2005) consideram que:

a) valor da medida do desempenho total;
b) xn variveis de deciso;
c) cn, bm, amn constantes de entrada ou ainda, parmetro do modelo;
d) restrio m restrio funcional; e
e) xn 0 restrio no negativa.
Para os autores, as restries tambm podem ser representadas de forma padronizada, como
mostra a equao 3.
 1 () = 1
2 () = 2
(3)
() =
{ para <

Deste modo, a funo lagrangeana apresentada na equao 4.

(, ) = ()
=1 [ () ] (4)

Para esta equao, Hillier e Lieberman (2005) conceituam que (, ) representa a Funo de
Lagrange e , o Multiplicador de Lagrange. Sendo () = 0 para todos os valores de .
Para descobrir o valor de cada , necessita-se derivar a equao (, ).
Para exemplificar, consideram-se somente duas variveis (1 e 2 ) para a funo objetivo. Ou
seja, (1 , 2 ) ser a funo objetivo a ser maximizada, por exemplo. Ainda, ser arbitrada
somente uma restrio: (1 , 2 ) = 0. Utilizando-se desta definio, a funo lagrangeana
ficar de acordo com a equao 5.

(1 , 2 , ) = (1 , 2 ) (1 , 2 ) (5)

De forma que, ao derivar parcialmente a funo lagrangeana, para encontrar os valores de

1 , 2 , , obtm-se os resultados apresentados na equao 6.

[(1 ,2 )] [(1 ,2 )]
= =0
1 1 1
[(1 ,2 )] [(1 ,2 )]
= =0 (6)
2 2 2
[(1 ,2 )] [(1 ,2 )]
{ =

=0

Onde [1 , 2 , ] = 0 e os resultados de 1 e 2 representam graficamente o ponto timo da

funo objetivo.
Ainda, os ML possuem uma interpretao econmica, porm com o mesmo significado
matemtico, chamado de Preo Sombra. Boussemart, Leleu e Shen (2017) afirmam que este
conceito usado em anlise econmica de custo/benefcio. Estes autores tambm comentam
sobre Preo Sombra ao citar que, aps as alteraes nos valores das restries, a soluo
otimizada originalmente passar a ser super otimizada.
3. Clculos e anlise numrica
A fim de realizar a anlise numrica, foi escolhido um artigo publicado no endereo
eletrnico do PubMed, que faz parte da Biblioteca Nacional de Medicina Norte Americana e
h milhares de artigos disponveis para pesquisa e referentes a diversos assuntos, por exemplo
biomedicina, sade, cincias qumicas, agricultura e alimentao, bioengenharia, entre outras
reas. A escolha foi realizada com base na Programao Linear, as variveis, os parmetros
do problema e os resultados apresentados, de forma que fosse possvel a reproduo dos
resultados.
Assim, foi selecionado o artigo dos autores Balasubramanian, Singh, Patil e Onkar, e seu
ttulo Avaliao da qualidade da extruso do misturado de milheto-soja, formulado por meio
da Programao Linear. Este artigo foi publicado em 2012 na revista Journal of Food Science
and Technology, e refere-se ao estudo feito de uma Programao Linear, a fim de reduzir os
custos do produto final, porm mantendo diversos fatores de aceitao dos clientes, como por
exemplo, densidade, variao da cor, dureza, textura, sabor, entre outros
(BALASUBRAMANIAN et al., 2012). A funo objetivo do problema descrito pelos autores
est representada na equao 9, e representa a minimizao do custo da mistura. As variveis
do modelo so a quantidade do misturado milheto-soja, que consiste na combinao de trs
diferentes produtos: mexoeira, gro de soja decorticado e capim p-de-galinha.

Minimizar = (9)

Os autores fazem as seguintes correlaes:

a) Z a funo matemtica que representa o custo total da mistura;
b) Ci o custo por quilograma de cada ingrediente; e
c) Xi o vetor que representa a proporo de cada ingrediente utilizado na mistura.
Os autores basearam-se nas informaes da Tabela 4 para formular sua Programao Linear.
Est apresentado o custo unitrio, quantidade de protenas, energia e clcio para cada uma das
variveis.

Custo 1 Protena Energia Clcio

Varivel Ingrediente
(Rs/kg) (%) (kcal) (mg)
1 Mexoeira 7 11,6 361 42
2 Gro de soja decorticado 20 43,2 432 240
3 Capim p-de-galinha 8 7,3 328 344
1
Preos de Dezembro de 2009
Fonte: Adaptado de Balasubramanian et al. (2012)
Tabela 4 Quantidades dos ingredientes para elaborao da PL

importante ressaltar que o custo medido em rupias por quilograma (Rs/kg), que a moeda
oficial da ndia, pas onde o artigo foi publicado. Sendo assim, o modelo matemtico da PL
apresentado na Tabela 5, sendo que os coeficientes da funo objetivo foram utilizados
conforme sugesto dos autores.
Funo objetivo: Min Z = 0,7x1 + 2x2 + 0,8x3
(10)
Restries Equaes Resultados testes
Protenas (g/d) 11,6x1 + 43,2x2 + 7,3x3 = 20 (11) Verificado (20 = 20)
Valor calorfico
361x1 + 432x2 + 328x3 800 (12) Verificado (843 800)
(kcal/d)
Clcio (mg/d) 42x1 + 240x2 + 344x3 = 135 (13) Verificado (135 = 135)

Tamanho do produto 1x1 + 1x2 + 1x3 = 1,5 (14) Verificado (1,5 = 1,5)
Verificado (0,1053
0x1 + 1x2 + 0x3 = 0,15 (15)
Limitaes 0,15)
= 1,2039
1 = 1,2253
2 = 0,1053
3 = 0,1694
Fonte: Adaptado de Balasubramanian et al. (2012)
Tabela 5 Programao Linear apresentado por Balasubramanian et al. (2012)

Ao observar a Tabela 5, possvel perceber que todas as equaes e inequaes so lineares,

atendendo primeira caracterstica imposta pelos modelos de otimizao linear. A segunda
propriedade tambm atendida, j que nenhuma restrio no negativa. No MatLab, a
funo linprog permite clculos de inequaes, porm com sinal de menor ou igual. Assim, a
equao 12 modificada para a equao 16, apresentada a seguir.

3611 4322 3283 800 (16)

A segunda etapa deste artigo consiste na reproduo destes valores no software MatLab.
Porm, algumas alteraes nas restries so necessrias para possibilitar os resultados
apresentados por Balasubramanian et al. (2012). Isso se deve pelo motivo de as equaes
apresentadas pelos autores violarem as restries que os mesmos estabeleceram no artigo, ou
seja, as respostas no esto de acordo com o modelo matemtico apresentado. Por esse
motivo, as equaes 16 e 15 devem ser modificadas para, respectivamente, as equaes 17 e
18, para estarem de acordo.

3611 4322 3283 500 (17)

01 + 12 + 03 0,15 (18)

Desta forma, o modelo matemtico se torna possvel de soluo para os parmetros

apresentados. O modelo de Programao Linear reescrito est representado na equao 19.
 Minimizar = 0,71 + 22 + 0,83
.
| Sujeito s restries:
11,61 + 43,22 + 7,33 = 20
| (19)
3611 4322 3283 500
421 + 2402 + 3443 = 135
|
11 + 12 + 13 = 1,5
{ 01 + 12 + 03 0,15

Como terceira etapa, aps as devidas alteraes, foi possvel reproduzir os valores de , 1 ,
2 , e 3 encontrados no artigo dos autores. A Tabela 6 apresenta os valores calculados com a
otimizao.

1,2253
X 0,1053
0,1694

FVAL 1,2039

2,0258E-15
Inequaes
6,2672E-15
Multiplicadores
de Lagrange -0,0359
Equaes -8,4178E-04
-0,2486
Fonte: Adaptado do MatLab (2015)
Tabela 6 Valores encontrados com a otimizao

Os valores das variveis () que a Tabela 6 apresenta significam a quantidade necessria, em

kg, de cada ingrediente, sendo que 1 corresponde para a quantidade de mexoeira, 2 para o
gro de soja decorticado e 3 para o capim p-de-galinha; e o valor da funo objetivo ()
representa o custo, em rupias, para a produo do produto final. Estes resultados podem ser
interpretados como a soluo otimizada para o problema, levando em considerao as
restries impostas.
Ao resolver o modelo matemtico linear, possvel tambm se obter os valores para os
Multiplicadores de Lagrange. Desta forma, obtendo-se cinco valores, pois h um valor dos
ML para cada restrio da programao, e neste artigo, havia duas inequaes e trs equaes.
Para as restries das inequaes, o valor dos ML obtido foi abaixo da tolerncia de e-8
utilizada por linprog, os quais se assumiram como zero para este trabalho. Por isso, pode-se
considerar que estas restries so inativas. Para as restries das equaes, como os ML so
diferentes de zero, estas so consideradas ativas.
Para a aplicao da teoria do Preo Sombra, necessrio conhecer os limites inferiores e
superiores das constantes do lado direito das restries, apresentados na Tabela 7. Estes
valores foram obtidos com o software SciPy e so os limites inferiores e superiores do lado
direito das restries (tambm chamados de valor de segundo membro).
 Restrio Limite inferior Valor atual Limite superior
1 16,7374 20 21,53715
2 -543,3 -500 +
3 79,292 135 242,997
4 1,37394 1,5 1,79719
5 0,10533 0,15 +
Fonte: Adaptado de SciPy (2015)
Tabela 71 Variao das constantes do lado direito das restries

Os valores encontrados na Tabela 6 para os ML significam o quanto impactaria o lucro

mximo se fosse adicionado uma unidade de cada recurso, ou seja, exemplificando com a
primeira restrio, para cada grama a menos de protena disponvel como recurso, o custo da
funo objetivo diminui em 0,0359 rupias. Porm, este conceito s se aplica se a variao dos
valores das constantes do lado direito das restries, variar dentro dos limites inferiores e
superiores, que foram apresentados na Tabela 7. Da mesma forma que, no exemplo anterior, a
grama reduzida de protena s reduzir o custo em 0,0359 rupias se a quantidade de protena
no diminuir alm de 16,7374g.
Como explicado anteriormente, as inequaes possuem restries inativas. Por este motivo, os
limites superiores da segunda e da quinta restrio so +. Quanto aos coeficientes da funo
objetivo, eles podem ser alterados para - e +, sem alterar o valor timo das variveis. Isso
ocorre devido s igualdades nas restries, as quais limitam o espao de solues.
O valor da funo objetivo da Tabela 6 representa o valor otimizado do problema. Para
finalizar a anlise numrica deste artigo, sugerido algumas alteraes, para tornar o
resultado super otimizado, que o seu impacto no custo est apresentado na Tabela 8. Como o
objetivo do trabalho de Balasubramanian et al. (2012) a minimizao do custo do produto,
ento foi sugerido que alterassem as constantes do lado direito das restries ativas para os
seus respectivos limites inferiores, conforme tambm mostrado na tabela a seguir.

Valor dado no
Restrio Valor sugerido ML Impacto no custo
problema
1 20 16,7374 0,0359 0,11712734
2 -500 Restrio inativa 0 0
3 135 79,292 0,00084178 0,04689388
4 1,5 1,37394 0,2486 0,031338516
5 0,15 Restrio inativa 0 0
Total: 0,195359736
Fonte: Elaborado pelos autores (2015)
Tabela 2 Modificaes sugeridas

Assim, a Programao Linear ficou de acordo com a equao 20.

 Minimizar = 0,71 + 22 + 0,83
.
| Sujeito s restries:
11,61 + 43,22 + 7,33 = 16,7374
| (20)
3611 4322 3283 500
421 + 2402 + 3443 = 79,292
|
11 + 12 + 13 = 1,37394
{ 01 + 12 + 03 0,15

Ento, foi calculado o quanto impactaria no custo, ou seja, foi calculada a diferena de valores
entre o dado no problema e o sugerido, e multiplicado pelos seus respectivos ML. Para as
inequaes, no foram sugeridas mudanas, pois como seus ML so iguais zero, estas
restries no impactam no custo final do produto.
O total deste impacto calculado foi de aproximadamente 0,1954 rupias, ou seja, o custo do
produto foi reduzido para 1,0085 rupias. Concluindo, o custo da soluo otimizada ficou de
1,2039 rupias; e custo da soluo super otimizada de 1,0085 rupias; significando uma
reduo de 16,23% no custo.
4. Concluso
possvel utilizar a PO em complexas aplicaes e, uma das vantagens a possibilidade de
testar teoricamente diversos cenrios, por simulaes computacionais. Assim, evitam-se
gastos desnecessrios para uma empresa, j que uma anlise computacional no possui riscos
econmicos, podendo ser vivel analisar a melhor alternativa para determinado problema da
organizao e s ento, aplic-lo. A PO fornece o melhor cenrio possvel para um problema,
e a explorao dos ML podem ainda melhorar este cenrio. Em contrapartida, este mtodo
ainda no muito utilizado nas empresas, infelizmente.
Alm, foi evidenciada a assistncia que os softwares matemticos proporcionaram para este
tipo de modelagem matemtica, uma vez que validaram os resultados do artigo e ainda
forneceram informaes adicionais. Pelas alteraes realizadas na PL, foi possvel perceber a
importncia de se ter uma programao bem formulada, pois somente assim pode-se confiar
no resultado obtido.
Utilizando-se do exemplo estudado neste artigo, pode-se observar uma reduo no custo do
produto de mais de 16%, alterando somente os parmetros da Programao Linear.
Considerando a aplicao deste mtodo em uma empresa real, ainda h diversos dados que
poderiam ser alterados, como por exemplo, custo da matria-prima, layout do setor de
fabricao, estoque, entre outros; parmetros em que os ML tambm podem ser aplicados e
otimizados.
Referncias bibliogrficas
BALASUBRAMANIAN, S. et al. Quality evaluation of millet-soy blended extrudates formulated through
linear programming. Journal of food science and technology, v. 49, n. 4, p. 450-458, 2012.
BOUSSEMART, Jean-Philippe; LELEU, Herv; SHEN, Zhiyang. Worldwide carbon shadow prices during
19902011. Energy Policy, v. 109, p. 288-296, 2017.
BRE, Facundo; SILVA, Arthur Santos; GHISI, Enedir; FACHINOTTI, Victor. Residential building design
optimization using sensitivity analysis and genetic algorithm. Energy and Buildings, v. 133, p. 853-866, 2016.
CHAVES, Viviane Hengler Corra. Perspectivas histricas da Pesquisa Operacional. 2011, 118 f.
Dissertao (Mestrado em Educao Matemtica) Universidade Estadual Paulista, Programa de Ps-Graduao
em Educao Matemtica, Rio Claro, 2011.
HILLIER, Frederick; LIEBERMAN, Gerald. Introduction to Operations Research. 8 ed. Nova Iorque:
McGraw-Hill.
IGNCIO, Bruno Alvarez Ferreira. Desenvolvimento de um modelo de Programao Linear para apoio
tomada de deciso em uma cadeia de suprimentos. 2009, 195 f. Dissertao (Mestrado Acadmico em
Engenharia Mecnica) Centro Universitrio da FEI, So Bernardo do Campo, 2009.
KERSTING, Kristian; MLADENOV, Martin; TOKMAKOV, Pavel. Relational linear
programming. Artificial Intelligence, v. 244, p. 188-216, 2017.