Escolar Documentos
Profissional Documentos
Cultura Documentos
OTIMIZAÇÃO E SIMULAÇÃO DE
SISTEMAS DE ENGENHARIA
PROFESSOR :
Eng. Márcio Paulo de Araújo Mafra
MARABÁ – PARÁ
MARÇO / 2015
DEFINIÇÃO E HISTORICO
O termo Pesquisa Operacional (PO) designa uma área do conhecimento que
consiste no desenvolvimento de métodos científicos de sistemas complexos, com a
finalidade de prever e comparar estratégias ou decisões alternativas, cujo objetivo
e dar suporte à definição de políticas e determinação de ações.
O trabalho do matemático russo Leonid Kantorovich de 1939 intitulado “Métodos
matemáticos na organização e no planejamento de produção" e considerado um dos
precursores da PO, porem manteve-se desconhecido da comunidade cientifica
ocidental ate 1959. O próprio termo Pesquisa Operacional, do inglês Operations
Research, foi cunhado pelo matemático russo na tentativa de englobar, sob uma
única denominação, todas as técnicas existentes ou que viriam a ser desenvolvidas e
que tinham o mesmo objetivo citado. De fato, o termo PO designa um conjunto de
disciplinas isoladas tais como Programação Linear, Teoria das Filas, Simulação,
Programação Dinâmica, Teoria dos Jogos, dentre outras.
A Pesquisa Operacional tal qual como a conhecemos surgiu durante a Segunda
Guerra Mundial tendo como objetivo o desenvolvimento de metodologia para
solução de problemas relacionados com as operações militares quando os Aliados se
viram confrontados com problemas complexos de natureza logística, tática e de
estratégia militar
ÁREAS DE APLICAÇÃO
· administração
· agropecuária
· economia e planejamento econômico
· educação e saúde
· energia
· engenharia
· forças armadas
· investimentos e finanças
· localização-armazenamento-distribuição
· planejamento e controle da produção
· planejamento urbano e regional
· recursos hídricos
· siderurgia
· telecomunicações
· transporte
INTRODUÇÃO
UNIVERSIDADE FEDERAL DO SUL E SUDESTE DO PARÁ
CAMPUS UNIVERSITÁRIO DE MARABÁ
FACULDADE DE ENGENHARIA DE MATERIAIS
PROGRAMAÇÃO LINEAR:
PPL
MARABÁ – PARÁ
MARÇO / 2015
INTRODUÇÃO
Programação Linear: Todas as funções do modelo são
lineares em relação as variáveis.
Programação Não-Linear: Pelo menos uma das funções
envolvidas não é linear.
Os Problemas de Programação Linear (PPL) são, em
sua grande maioria, problemas de otimização que visam
maximizar ou minimizar uma função linear de várias
variáveis. Essa função é chamada de Função
Objetiva(FO) e está sujeita a respeitar certo número de
relações lineares de igualdade ou desigualdade,
chamadas Restrições do problema.
FORMULAÇÃO
A formulação de qualquer problema a ser resolvido segue alguns passos
básicos:
Sujeito à
a11x1 a12 x2 ... a1n xn , , b1
a21x1 a22 x2 ... a2 n xn , , b2
Que são as Re strições do PPL
am1 x1 am 2 x2 ... amn xn , , bm
x1 , x2 ,..., xn 0
x1 , x2 ,..., xn como o conjunto de var iáveis de decisão estruturais do problema
c1 , c2 ,..., cn são os coeficient es da Função Objetivo do problema de PL
aij e bi são os coeficient es das restrições .
MODELELAGEM MATEMÁTICA
EXEMPLO 1- INDÚSTRIA DE MOVELARIA
• Uma grande fábrica de móveis dispõe em estoque de
300m de tábuas, 600 m de pranchas e 500m de painéis
de aglomerado.
• Oferece normalmente 4 modelos de móveis:
Escrivaninha, Mesa, Armário e Prateleira.
• Os modelos são vendidos respectivamente por
$100,00; $80,00; $120,00; $30,00.
• E consomem:
– Escrivaninha: 1m tábua, 3m de painéis.
– Mesa: 1m tábua, 1m prancha, 2m painéis.
– Armário: 1m tábua, 1m prancha, 4 painéis.
– Prateleira: 4m tábua, 2 de prancha.
Pergunta-se
• A função Lucro
– É claro que a receita máxima seria ilimitada se
não fosse a escassez de recursos.
PROGRAMAÇÃO LINEAR:
SOLUÇÃO GRÁFICA DE PPL
MARABÁ – PARÁ
MARÇO / 2015
INTRODUÇÃO
x2
0 x1
x2
x 1 x 2 50
Região onde
50 x 1 x 2 50
0 50 x1
x2
3 x 1 2 x 2 120
Região onde
60
3 x 1 2 x 2 120
0 40 x1
3 x 1 2 x 2 120 x2
x 1 x 2 50
60
Região onde
50 3 x 1 2 x 2 120 e x 1 x 2 50
0 40 50 x1
3 x 1 2 x 2 120 x2
x 1 30
x 1 x 2 50 60
50 x 2 40
Re gião de Soluções 40
Compatíveis.
0 30 40 50 x1
VETOR GRADIENTE -
Uma ferramenta importante na busca da solução
ótima é o vetor gradiente da função objetivo, que
indica a direção do máximo crescimento dela, ou
seja, onde devemos procurar o ponto do conjunto de
soluções compatíveis que faça com que a função
objetiva adquira o seu maior valor. Esse vetor
gradiente, representado agora por (já que o
máximo que queremos é lucro)
Ponto do Plano que indica
x2
x1 e x 2
0
x1
xT xM 50
xM 40
R1 xT xM 50
10 40 50 50 OK
R 2 3xT 2 xM 120
3.10 2.40 110 120 OK
R3 xT 30
xT 10 30 OK
R 4 xM 40
xM 40 40 OK
UNIVERSIDADE FEDERAL DO SUL E SUDESTE DO PARÁ
CAMPUS UNIVERSITÁRIO DE MARABÁ
FACULDADE DE ENGENHARIA DE MATERIAIS
PROGRAMAÇÃO LINEAR:
PROGRAMAÇÃO LINEAR
INTEIRA
MARABÁ – PARÁ
MARÇO / 2015
INTRODUÇÃO
Os Problemas de Programação Linear Inteira são
uma classe de problemas de PL que contém uma
particularidade: alguma restrição em relação ao tipo
de uma ou mais variáveis de decisão, como por
exemplo, variáveis que podem assumir apenas
valores inteiros.
UM MODELO DE PL INTEIRA
5 x1 3 x 2 17
Região onde
max Z 6 x1 11x2 5 x1 3 x2 17
5 x1 3 x2 17 5 , 67 e x1 , x2 0
e x1 , x2 0 e int eiros
0 3,4
O MÉTODO DE BRANCH AND BOUND
5 x1 3 x 2 17
x2 5
Região onde
5 x1 3 x2 17
x2 5
e x1 , x2 0
0 3,4
O MÉTODO DE BRANCH AND BOUND
5 x1 3 x 17 x1 1
2
.Z
x2 5
Região onde
5 x1 3 x2 17
x2 5
e x1 1 e x2 0
0 1 3,4
O MÉTODO DE BRANCH AND BOUND
5 x1 3 x 17 x1 1
2
.Z
x2 5
Região onde
5 x1 3 x2 17
x2 5
e x1 1 e x2 0
0
1 3,4
PL0
x1 = 0
x2 = 5,67
Z = 62,37
x2 não é viável
x2 ≤ 5 x2 ≥ 6
PL1 PL2
x2 = 5 Solução
x1 ≤ 0 x1 ≥ 1
Z = 57,4
x1 não é viável Eliminado
PL3 PL4
x1 = 0 x1 = 1
x2 = 5 x2 = 4
Z= 55 Z = 50
Solução Ótima Eliminado
APLICAÇÃO DE PLI
• Um técnico produz dois tipos de componentes eletrônicos. Ele
dispõe de 6 capacitores, usados na produção, e de 9 horas de trabalho.
O componente do tipo 1 necessita de 2 capacitores e 2 horas de
trabalho para ser produzido, enquanto que o componente do tipo 2
necessita apenas 1 capacitor, mas de 3 horas de trabalho para sua
produção. Esse técnico vende seus componentes eletrônicos ganhando
três reais pela venda de uma unidade do componente do tipo 1 e quatro
reais pela venda de uma unidade do componente do tipo 2. Quantos
componentes de cada tipo ele deve produzir de modo a obter o maior
lucro possível com a venda?
max L 3 x1 4 x2 Função Objetivomax izar o Lucro
Sujeito à
2 x1 x2 6
2 x1 3 x2 9
x1 , x2 0 e int eiros
2 x1 x 2 6 x2
2 x1 3 x 2 9 .Z
3 4,5 x1
PL0
x1 = 2,25
x2 = 1,5
Z = 12,75
x2 ≤ 1 x2 ≥ 2
x1 ,x2 não são viáveis
PL1 PL2
x1 = 2,5 x1 = 1,5
x2 = 1 x1 ≤ 1 x2 = 2 x1 ≥ 2
Z = 11,5 Z = 12,5
PL3 PL4
x1 não é viável
x1 não é viável
x1 = 1 Não tem
solução
x2 = 2,33
x2 ≤ 2 x2 ≥ 3
Z= 12,33
Eliminado
x2 não é viável
PL5 PL6
x1 = 1,5 x1 = 0
x2 = 2 x2 = 3
Z= 12,5 Z = 12
Eliminado o PL2 se Solução Ótima
repetiu
APLICAÇÃO DE PLI
Uma fábrica de cristais procura planejar a produção de dois tipos de
produtos de modo a maximizar seu lucro. Essa fábrica possui um forno
para a fabricação de cristais que pode operar no máximo 16 horas por
dia. Nesse forno são produzidos dois produtos: um elefante de cristal,
que precisa de 15 minutos de forno para ficar pronto, e uma borboleta
de cristal, que precisa de 25 minutos para ficar pronta. Cada elefante é
vendido por R$ 12,00 e a borboleta é vendida por R$ 15,00. Quanto de
cada produto essa fábrica deve produzir num dia de trabalho?
max L 12 x1 15 x2 Função Objetivomax izar o Lucro
Sujeito à
15 x1 25 x2 960
x1 , x2 0 e int eiros
Como o modelo apresenta
A Solução ótima inteira:
No ponto C (64, 0), temos
x1 = 64 e x2 = 0, ou seja,
L = 12 • 64 + 15 • 0
L = 768
APLICAÇÃO DE PLI
Max L 5 x1 4 x2 Função Objetivomax izar o Lucro
Sujeito à
x1 x2 5
10 x1 6 x2 45
x1 , x2 0 e int eiros
PL0
x1 = 3,75
x2 = 1,25
Z = 23,75
x1 ≤ 3 x1 ≥ 4
x1 ,x2 não são viáveis
PL1 PL2
x1 = 3 x1 = 4
x2 = 2 x2 ≤ 0 x2 = 0,83 x2 ≥ 1
Z = 23 Z = 23,33
PL3 PL4
X1 e X2 são viáveis
x2 não é viável
(ótimo) x1 = 4,5 Não tem
solução
x2 = 0
x1 ≤ 4 x1 ≥ 5
Z= 22,5
Eliminado
x1 não é viável
PL5 PL6
x1 = 4 Não tem
solução
x2 = 0
Z= 20
Eliminado
X1 e X2 são viáveis
COMENTÁRIO:
A sequencia de solução (PL0 → PL2→PL4→PL3→PL6→PL5→PL1) é a
pior hipótese que, entretanto, pode perfeitamente ocorrer na prática.
O exemplo acima indica uma fraqueza principal no algoritmo B&B: dadas
múltiplas opções, como selecionamos o próximo subproblema e sua
variável de ramificação? Embora existam heurísticas para aprimorar a
capacidade do B&B de ‘prever’ qual ramo pode levar a uma solução
melhorada do PLI, não existe uma teoria sólida com resultados
consistentes, e é aqui que está a dificuldade que assola os cálculos em PLI.
UNIVERSIDADE FEDERAL DO SUL E SUDESTE DO PARÁ
CAMPUS UNIVERSITÁRIO DE MARABÁ
FACULDADE DE ENGENHARIA DE MATERIAIS
SOLUÇÃO ÓTIMA:
MÉTODO SIMPLEX
MARABÁ – PARÁ
MARÇO / 2015
INTRODUÇÃO
O Simplex é um método de resolução de problemas
de programação linear que se baseia em operações
matriciais na busca da solução ótima. Esse método
utiliza-se de uma solução conhecida no PPL para
encontrar as principais soluções compatíveis do
problema, determinando a maior dentre elas, em
problemas de maximização, ou a menor dentre as
soluções compatíveis, em problemas de minimização.
Para isso é necessário seguir uma sequência de
procedimentos padrão, já definidos, a solução ótima
e os valores das variáveis de decisão são
determinados facilmente, desde que o PPL esteja
escrito na sua forma padrão.
FORMA PADRÃO DO PPL
FORMA PADRÃO DO PPL
NÃO NEGATIVIDADE DA MÃO DIREITA:
EX:
max L 2 x1 x2 4 x3
sujeito a
5 x1 2 x2 3 x3 7
2 x1 2 x2 x3 8
x1 , x3 0
max L 2 x1 x2 4 x3
sujeito a
5 x1 2 x2 3 x3 7
2 x1 2 x2 x3 8
x1 , x3 0
FORMA PADRÃO DO PPL
VARIÁVEIS NÃO-RESTRITAS:
EX:
max L 2 x1 x2 4 x3
sujeito a
5 x1 2 x2 3 x3 7
2 x1 2 x2 x3 8
x1 , x3 0 (var iável x2 não restrita )
x2 x'2 x'2'
max L 2 x1 x'2 x'2' 4 x3
sujeito a
5 x1 2( x'2 x'2' ) 3 x3 7
2 x1 2( x'2 x'2' ) x3 8
x1 , x'2 , x'2' , x3 0
FORMA PADRÃO DO PPL
VARIÁVEIS DE FOLGA:
EX:
max L 2 x1 x2' x2'' 4 x3
sujeito a
5 x1 2 x2' 2 x2'' 3 x3 7
2 x1 2 x2' 2 x2'' x3 8
x1 , x2' , x2'' , x3 0 (Re strições definidas por )
Modelo Matemático:
max Lucro 6 x1 14x2 13x3
sujeito a
1
x1 2 x2 x3 24
2
x1 2 x2 4 x3 60
x1 , x2 , x3 0
Problema na forma Padrão:
Adicionando uma variável de folga para cada uma das restrições (x4 e x5):
max Lucro 6 x1 14 x2 13 x3 0 x4 0 x5
sujeito a
1
x1 2 x2 x3 x4 24
2
x1 2 x2 4 x3 x5 60
x1 , x2 , x3 , x4 , x5 0
VB X1 X2 X3 X4 X5 b Cálculos
X4 1/2 2 1 1 0 24
X5 1 2 4 0 1 60
X4 1/2 2 1 1 0 24 24/2=12 ÷ 2
X5 1 2 4 0 1 60 60/2=30
VB X1 X2 X3 X4 X5 b Cálculos
X5 1 2 4 0 1 60 60/2=30
1 4 1 1 2 1 2 0 12
1 2 4 0 1 60
6 14 13 0 0 0
Para eliminar o elemento a22, vamos fazer L2= L2-2.L1
Para eliminar o elemento a32, vamos fazer L3= L3 + 14.L1
Assim,
14 1 12 12 0 12
1 2.1 4 2 2.1 4 2.1 2 0 2.1 2 1 2.0 60 2 .12
6 14.1 4 14 14.1 13 14.1 2 0 14.1 2 0 14.0 0 14.12
1 4 1 1 2 1 2 0 12
12 0 3 1 1 36
2,5 0 6 7 0 168
VB X1 X2 X3 X4 X5 b Cálculos
X5 1/2 0 3 -1 1 36 36/3=12 ÷3
VB X1 X2 X3 X4 X5 b Cálculos
X2 1 6 0 4 -1 36 6÷(1/6)=36
1 6 0 4 1 36
1 6 0 1 1 3 1 3 12
1,5 0 0 5 2 240
Para eliminar o elemento a21, vamos fazer L2= L2-1/6.L1
Para eliminar o elemento a31, vamos fazer L3= L3 + 1,5.L1
Assim,
1 6 0 4 1 36
1 6 1 6.1 0 1 6.6 1 1 6.0 1 3 1 6.4 1 3 1 6. 1 12 1 6.36
1,5 1,5.1 0 1,5.6 0 1,5.0 5 1,5.4 2 1,5. 1 240 1,5.36
1 6 0 4 1 36
0 1 1 1 1 2 6
0 9 0 11 1 2 294
VB X1 X2 X3 X4 X5 b Cálculos
X1 1 6 0 4 -1 36
X3 0 -1 1 -1 1/2 6
Max L 0 9 0 11 1/2 294
Logo, para X1= 36, X3= 6 e X2= 0, temos com solução ótima:
RESTRIÇÕES
FUNILARIA 24 <= 24
VIDRAÇARIA 60 <= 60
NÃO-NEGATIVIDADE 36 >= 0
0 >= 0
6 >= 0
UNIVERSIDADE FEDERAL DO SUL E SUDESTE DO PARÁ
CAMPUS UNIVERSITÁRIO DE MARABÁ
FACULDADE DE ENGENHARIA DE MATERIAIS
SOLUÇÃO ÓTIMA:
MÉTODO DAS DUAS FASES
MARABÁ – PARÁ
MARÇO / 2015
MÉTODO DAS DUAS FASES:
Quando o sistema de restrições do PPL apresenta todas as restrições do tipo
Não há problemas em resolvê-lo pelo método simplex, mas quando existe uma
ou mais restrições do tipo temos mais uma alteração a fazer. O problema
ocorre porque, na forma padrão, uma restrição do tipo recebe uma variável
de excesso cujo coeficiente é -1, o que não nos dá uma solução básica inicial
compatível. Pode-se resolver esse problema utilizando-se o método das duas
fases.
Modelo Matemático:
Max Z x1 x2
sujeito a
5 x1 2 x2 2
2 x1 x2 0,2
3 x1 5 x2 1,5
x1 , x2 0
Problema na forma Padrão:
Adicionando uma variável de folga para cada uma das restrições (x3 , x4 e x5):
Max Z x1 x2
sujeito a
5 x1 2 x2 x3 2
5 2 1 0 0 0 0 2
2 x1 x2 x4 xa1 0,2 2 1 0 1 0 1 0 0,2
3 5 0 0 1 0 1 1,5
3x1 5 x2 x5 xa 2 1,5
x1 , x2 , x3 , x4 , x5 , x a1, xa 2 0
xa 1 0,2 2 x1 x2 x4
xa 2 1,5 3x1 5 x2 x5
W 1,7 5 x1 4 x2 x4 x5
Min W 5 x1 4 x2 x4 x5 1,7
VB X1 X2 X3 X4 X5 Xa1 Xa2 b Cálculos
X3 5 2 1 0 0 0 0 2
Xa1 2 -1 0 -1 0 1 0 0,2
Xa2 3 5 0 0 -1 0 1 1,5
Max Z -1 -1 0 0 0 0 0 0
Min W 5 4 0 -1 -1 0 0 1,7
5 2 1 0 0 0 0 2 0 4,5 1 0 0 0 0 2
1 0,5 0 0,5 0 0,5 0 0,1 1 0,5 0 0,5 0 0,5 0 0,1
3 5 0 0 1 0 1 1,5 0 6,5 0 1,5 1 1,5 1 1,2
1 1 0 0 0 0 0 0
0 1,5 0 0,5 0 0,5 0 0,1
5 4 0 1 1 0 0 1,7 0 6,5 0 1,5 1 2,5 0 1,2
Assim,
Para eliminar o elemento a12, vamos fazer L1= L1-4,5.L3
Para eliminar o elemento a22, vamos fazer L2= L2 +0,5.L3
Para eliminar o elemento a42, vamos fazer L4= L4 +1,5 L3
Para eliminar o elemento a52, vamos fazer L5= L5 – 6,5.L3
VB X1 X2 X3 X4 X5 Xa1 Xa2 b Cálculos
X3 0 0 1 1,462 0,692 -1,462 -0,692 0,669
X1 1 0 0 -0,385 -0,077 0,385 0,077 0,192
VB X1 X2 X3 X4 X5 b Cálculos
X3 0 0 1 1,462 0,692 0,669 0,669/0,692=0,967 ÷ 6,5
X1 1 0 0 -0,385 -0,077 0,192
VB X1 X2 X3 X4 X5 b Cálculos
X5 0 0 1,445 2,113 1 0,967 0,669/0,692=0,967 ÷ 6,5
X1 1 0 0,111 -0,222 0 0,266
RETRIÇÕES
R1 2<= 2
R2 0,2>= 0,2
R3 2,4666667>= 1,5
NÃO-NEGATIVIDADE
N1 0,2666667>= 0
N2 0,3333333>= 0
UNIVERSIDADE FEDERAL DO SUL E SUDESTE DO PARÁ
CAMPUS UNIVERSITÁRIO DE MARABÁ
FACULDADE DE ENGENHARIA DE MATERIAIS
PROGRAMAÇÃO LINEAR:
TEORIA DA DUALIDADE
MARABÁ – PARÁ
MARÇO / 2015
DUALIDADE
Na teoria da Dualidade, vamos estudar o algoritmo primal-dual e
verificar como podemos usar algumas características especiais
dos modelos de programação Linear para buscar maneiras mais
fáceis de encontrar a solução ótima sob certas condições.
ALGORITMO PRIMAL-DUAL:
Os problemas de PL podem ser escritos em forma de matrizes como:
Min Z bT . y
sujeito a
AT . y c
y0
Exemplo:
Max Z 3x1 5 x2
Min Z 4 y1 12 y2 18 y3
sujeito a
sujeito a
x1 4
1 y1 3 y3 3
2 x2 12
2 y 2 2 y3 5
3x1 2 x2 18
y1 , y2 , y3 0
x1 , x2 0
Primal Dual
x1 4 1 0 4
x1
2 x2 12 0 2 . 12 Ax b
x2
3x 2 x 18 3 2 18
1 2
Exercício:
Modelo Primal Modelo Dual Mo
minC 2x1 4x2 1,5x3 1x4 Max C = 11y1 + 70y2 + 250y3 Ma
MARABÁ – PARÁ
MARÇO / 2015
PROBLEMA DO CAIXEIRO VIAJANTE
Um dos problemas mais famosos da teoria dos grafos é o problema do
caixeiro viajante. Claro que não usamos mais essa nomenclatura, mas o
princípio é o mesmo: um representante comercial precisa visitar seus clientes
em suas cidades, sem visitar duas vezes a mesma cidade e sem deixar de
visitar nenhuma cidade. Deve-se também considerar que esse representante
deve tentar fazer todas as visitas andando o mínimo possível.
B CIDADES
A
A B C
B 36
C 26 30
A D D 22 25 28
ABCDA = 36+30+28+22=116 km
C ABDCA = 36+25+28+26=115 km
ACBDA = 26+30+25+22=103 km
Permutação
PROBLEMAS DE FLUXO MÁXIMO
Outro tipo de problema comum na análise de redes é o problema de fluxo
máximo, que pode ser, por exemplo, o problema de uma distribuidora de
água tratada que queira determinar qual o maior fluxo de água que pode ser
distribuído por sua rede de tubulação.
21 x0 :fluxo do nó D ao nó A;
28
C x1 : fluxo do nó A ao nó B;
x2 : fluxo do nó A ao nó C;
x3 :fluxo do nó B ao nó D;
x4 : fluxo do nó C ao nó B;
x5 :fluxo do nó C ao nó D;
Nó D: x0 - x3 - x5 = 0
Nó A: - x0 + x1 + x2 = 0
Nó B: - x1 + x3 - x4 = 0
Nó C: - x2 + x4 + x5 = 0
As restrições de capacidade são x1≤ 20, x2≤ 28, x3≤ 25, x4≤ 14 e x5≤ 21. E assim
temos o problema dado por:
Max F = x0
Sujeito à
x0 – x3 - x 5 = 0
- x0 + x1 + x 2 = 0
- x1 + x3 – x4 = 0
- x2 + x4 + x 5 = 0
x1 ≤ 20
x2 ≤ 28
x3 ≤ 25
x4 ≤ 14
x5 ≤ 21
xi ≥0, i = 0, 1, ...,5
Algoritmo Djikstra
GRAFO
B 8 E
16 4 6 12
A 24 D 12 G
10 8 2 24
C F
4
Algoritmo Djikstra
DISTÂNCIAS MÍNIMAS AUXILIAR
Nó Nó Ant. Distância Nó Nó Ant. Distância
Algoritmo Djikstra
DISTÂNCIAS MÍNIMAS AUXILIAR
Nó Nó Ant. Distância Nó Nó Ant. Distância
A 0 B A 16
C A 10
D A 24
8
B E
16 4 6 12
A 24 D 12 G
10 8 2 24
C F
4
Algoritmo Djikstra
DISTÂNCIAS MÍNIMAS AUXILIAR
Nó Nó Ant. Distância Nó Nó Ant. Distância
A 0 B A 16
C A 10 C A 10(x)
D A 24
D C 18=10+8
F C 14=10+4
B 8 E
16 4 6 12
A 24 D 12 G
10 8 2 24
C F
4
Algoritmo Djikstra
DISTÂNCIAS MÍNIMAS AUXILIAR
Nó Nó Ant. Distância Nó Nó Ant. Distância
A 0 B A 16=16+0
C A 10 C A 10=10+0(x)
F C 14 D A 24=24+0
D C 18=10+8
F C 14=10+4(x)
G F 38=14+24
B 8 E
16 4 6 12
A 24 D 12 G
10 8 2 24
C F
Algoritmo Djikstra
DISTÂNCIAS MÍNIMAS AUXILIAR
Nó Nó Ant. Distância Nó Nó Ant. Distância
A 0 B A 16(x)
C A 10 C A 10(x)
F C 14 D A 24
B A 16 D C 18
F C 14(x)
G F 38
D B 20=16+4
E B 24=16+8
B 8 E
16 4 6 12
A 24 D 12 G
10 8 2 24
C F
4
Algoritmo Djikstra
DISTÂNCIAS MÍNIMAS AUXILIAR
Nó Nó Ant. Distância Nó Nó Ant. Distância
A 0 B A 16(x)
C A 10 C A 10(x)
F C 14 D A 24
B A 16 D C 18(x)
D C 18 F C 14(x)
G F 38
D B 20
E B 24
E D 24=18+6
F D 20=18+2
B 8 E
16 4 6 12
A 24 D 12 G
10 8 2 24
C F
4
Algoritmo Djikstra
DISTÂNCIAS MÍNIMAS AUXILIAR
Nó Nó Ant. Distância Nó Nó Ant. Distância
A 0 B A 16(x)
C A 10 C A 10(x)
F C 14 D A 24(x)
B A 16 D C 18(x)
D C 18 F C 14(x)
E B 24 G F 38
D B 20(x)
E B 24(x)
E D 24(x)
F D 20(x)
G E 36
F E 36
B 8 E
16 4 6 12
A 24 D 12 G
10 8 2 24
C F
4
Algoritmo Djikstra
DISTÂNCIAS MÍNIMAS AUXILIAR
Nó Nó Ant. Distância Nó Nó Ant. Distância
A 0 B A 16(x)
C A 10 C A 10(x)
F C 14 D A 24(x)
B A 16 D C 18(x)
D C 18 F C 14(x)
E B 24 G F 38(x)
G E 36 D B 20(x)
E B 24(x)
E D 24(x)
F D 20(x)
F E 36(x)
G E 36x)
B 8 E
16 4 6 12
A 24 D 12 G
10 8 2 24
C F
4
Referências Bibliográficas
1. ANDRADE, E.; FURST, P.; RODRIGUES, P. Elementos de programação linear. Rio de
Janeiro: Editora Universidade Rural, 1998. 168 p.
2. MOREIRA, D.A, PESQUISA OPERACIONAL – Curso Introdutório, 2ª edição revisada e
atualizada, São Paulo, Editora Cengage, 2010.
3. BAZARAA, M. S., JARVIS, J. J., SHERALI, M. D. Linear programming and network
flows. 2nd ed. New York: Wiley, 1990. 1v.
4. FANG, S.; PUTHENPURA S. Linear optimization and extensions: theory and algorithms.
At & T. New Jersey Prentice Hall, 1993. 1 v.
5. GOLDBARG, M. C. ; LUNA, H. l. Otimização combinatória e programação linear:
modelos e algoritmos.. Rio de Janeiro: Campus, 2000. 1v.
6. HILLIER, F. ; LIEBERMAN ,G. J. Introduction to mathematical programming. 2nd ed.
Singapore, McGraw-Hill, 1995. 1 v.
7. WINSTON, W. L. Operations research: applications and algorithms. 3rd.ed.. Belmont
(USA) Duxbury Press, c1994. 1318 [54] p.
8. ACKOFF, R.L., SASIENI, M.W.: Pesquisa operacional, LTC, Rio de Janeiro, 1975.
9. HILLIER, F.S., LIEBERMAN, G.J.: Introdução à pesquisa operacional, Campus, Rio de
Janeiro, 1988.
10. PIZZOLATO, N. D. ; GANDOLPHO, A.A.. Técnicas de Otimização. 1. ed. Rio de
Janeiro: Livros Técnicos e Científicos LTC, 2009.