Capítulo I: Programação Linear Investigação Operacional

1. Problemas de Programação Linear (PL)

Programação Linear- conjunto de técnicas que permitem resolver os problemas de

optimização no sistema de recursos limitados, sendo lineares quer a função objectivo
quer as restrições.

Problemas de Programação Linear - são problemas de maximização ou minimização

de função de variáveis designada por objectivo, que depende de um número finito de
variáveis. Estas variáveis podem ser independentes uma das outras ou podem estar
relacionadas através de uma ou mais restrições.

1.1 Formulação do Problema de PL

O modelo matemático (PL) inclui três conjuntos fundamentais de elementos sendo eles:
a) Variáveis de decisão e Parâmetros: as variáveis de decisão são as incógnitas para
serem determinadas da solução do modelo. Os parâmetros representam as variáveis
controladas do sistema. Os parâmetros podem ser determinísticos ou probabilísticos.

b) Limitações ou Restrições: para considerar as limitações físicas do sistema, o

modelo deve incluir restrições que limitam os valores possíveis das variáveis de decisão.
Isto é, usualmente, expresso em forma de equações e/ou inequações matemáticas. Por
exemplo, seja x1 e x2 o número de unidades produzidas de dois produtos (variáveis de
decisão) e seja a1 e a2 a matéria prima (recursos) por unidade (parâmetro). Se o total dos
recursos disponíveis é A, a função restritiva é dada por a1x1+a2x2=A.

c) Função objectivo (FO): Define a medida de efectividade do sistema como uma

função matemática de suas variáveis de decisão. Por exemplo, se objectivo do sistema é
maximizar o lucro total, a função objectiva deve especificar o lucro em termos das
variáveis de decisão, isto é MaxZ=C1x1+C2x2+...+Cnxn .

1.2 Construção do modelo matemático

Antes da construção de um modelo matemático deve-se responder a 4 perguntas:
i. Qual a medida de efectividade do objectivo? Isto é, como será expressa a solução
do problema (em reais economizados, unidades vendidas, itens produzidos, etc.)

Lucas Jamisse Pág. 1

Capítulo I: Programação Linear Investigação Operacional

ii. Quais são os factores sob controle (variáveis controladas)? Isto é, quais aspectos
do problema podem-se fazer alguma coisa?
iii. Quais são os factores não controlados (as variáveis não controladas)? Isto é, quais
aspectos do problema têm-se de aceitar como dados?
iv. Quais são as relações entre estes factores e os objectivos? Isto é, pode esta relação
ser expressa em forma de relações matemáticas que constituirão um modelo de
problema?

1.2.1 Modelos de Programação (optimização) linear - Modelos de apoio a decisão

Os parâmetros do modelo de PL para um problema onde estào envolvidas n –
actividades e m – recursos podem ser definidos utilizando a seguinte tabela:
Utilização de recursos
Recursos por actividade Total de recurso
1 2 3 .... n disponível (bi)
1 a11 a12 a13 ..... a1n b1
2 a21 a22 a23 ..... a2n b2
.... ..... ..... ..... ..... ..... .....
m am1 am2 am3 ..... am n bm
Lucro / custo unitário C1 C2 C3 ..... Cn
Nível das Actividades X1 X2 X3 ..... Xn

Representaçào do modelo de Programação linear

Maximização Minimização
Max.Z  c1 x1  c2 x2  ...  cn xn Min.Z  c1 x1  c2 x2  ...  cn xn
a11 x1  a12 x2  ...  a1n xn  b1 a11 x1  a12 x2  ...  a1n xn  b1
a x  a x  ...  a  b a x  a x  ...  a  b
 21 1 22 2 2n 2  21 1 22 2 2n 2

Suj. a .......... ........ Suj. a .......... ........

a x  a x ....  a x  b a x  a x ....  a x  b
 m1 1 m 2 2 mn n m
 m1 1 m 2 2 mn n m

 xi  0, i  1, ..., n  xi  0, i  1, ..., n

aij, bi, ci são as constantes; xj sào as variáveis de decisão

Lucas Jamisse Pág. 2

Capítulo I: Programação Linear Investigação Operacional

Exemplo 1.1 Um refeitório de uma fábrica de pré-fabricados para construção fornece pequenas
refeições aos seus trabalhadores. Um dos pratos confeccionados é constituído à base de dois
produtos alimentares. Sabendo que 1 kg de produto 1 custa 300$ e fornece 200 calorias e 22
unidades de gordura, e 1 kg de produto 2 custa 1000$ e fornece 400 calorias e 7 unidades de
gordura, preparar a dieta mais económica de modo a conter pelo menos 250 calorias mas não
mais do que 20 unidades de gordura.
Resolução
Este é um exemplo típico de um problema de programação linear. Para tornar claro , as relações
entre o objectivo e as restrições apresenta-se a tabela.
Elemento Nutritivo Produtos alimentares
Produto 1 Produto 2 Necessidades
Calorias 200 400 250
Gordura 22 7 20
Custo unitário ($) 300 1000

Variáveis de decisão: X1- Peso do produto 1 e X2-Peso do produto 2

Modelo matemático correspondente é:
Min.imizar W  300X 1  1000X 2
200X 1  400X 2  250

Sujeto a 22 X 2  7 X 2  20
X , X  0
 1 2

1.3 Resolução de problemas de PL pelo método Gráfico

Exemplo 1.3.1: Considere o seguinte problema de PL (minimização).

MinimizarW  3x1  2 x2
 x1 3
 x2  4

 x1  x2  5
Suj a 
 x1  5 x 2  5
5 x1  2 x2  10

 xi  0, i  1, 2
Resolva-o graficamente:
Resolução

Lucas Jamisse Pág. 3

Capítulo I: Programação Linear Investigação Operacional

Resolução
W  3x1  2 x2  0  Rz
 x1  3  r1
 x2  4  r 2
As equações são: 
 x1  x2  5  r 3


 x1  5 x 2  5  r 4
5 x1  2 x2  10  r 5


 xi  0, x2  0
Recta1 Recta2 Recta3 Recta4 Recta5 RectaZ
X1 X2 X1 X2 X1 X2 X1 X2 X1 X2 X1 X2
3 R R 4 0 5 0 1 0 5 0 0
-- -- -- -- 5 0 5 0 2 0 -2 3

Transladando a recta Z até atingir o

ponto extremo mínimo: A = r4∩r5
Resolvendo as equações :
 x  5 x2  5
r4  r5   1
5 x1  2 x2  10
Sol. óptima (única):
 x1  40 / 23

 x2  15 / 23 Z opt.  150 / 23

Observações: Casos Especiais

Nos problemas de programação linear podem ocorrer os seguintes casos:
 Uma única solução, esta é obtida num ponto extremo do domínio solução;
 Duas ou mais soluções (solução múltipla), quando a função objectivo assume o seu valor
óptimo em mais de um ponto extremo;
 Uma solução infinita, geralmente quando as restrições estão mal elaboradas, pois tendo
recursos finitos não se poderia aumentar infinitamente os lucros ou despesas;
 Não ter nenhuma solução, quando as restrições não apresentam um plano comum.

Lucas Jamisse Pág. 4

Capítulo I: Programação Linear Investigação Operacional

Exemplo 1.3.2: Considere o seguinte problema de PL.

Maximizar Z  3x1  x 2
 x1  x 2  1

Suj a 2 x1  x 2  6
 x  0, i  1, 2
 i
Resolva-o graficamente:
Resolução
Recta1 Recta2 RectaZ
X1 X2 X1 X2 X1 X2
0 -1 0 6 0 0
1 0 3 0 -1 3

Este é um caso especial, pois não existe o

limite máximo sobre a RA .
Transladando a recta Z sobre a regiao
admissível, Z não chega a atingir o
extremo máximo.
Sol. infinidade de soluções

Exercícios - Formulação de problemas de PL

Exercício 1. A empresa Sementes de Moçambique (SEMOC), pretende semear arroz e milho,

dispondo para tal de áreas que não excedem, respectivamente, 3 e 4 hectare nos arredores de
Boane. Por outro lado, as suas disponibilidades em trabalho são apenas de 9 horas diárias.
Admitindo que, por cada hectare semeado de arroz é necessário 1 hora de trabalho diário e por
cada hectare de milho são necessárias 2 horas. Sabendo que por cada hectare de arroz semeado o
lucro é de 5 u.m. e por cada hectare de milho 2 u.m, formule o problema como um problema de
programação linear.

Exercício 2. A companhia Pintados de fresco produz tinta para interiores e exteriores. A tinta é
fabricada por meio da transformação de 2 tipos de matéria prima: A e B. A companhia tem
acessíveis diariamente um máximo de 6 toneladas de A e 8 de B. Para produzir 1 ton. de tinta de
exteriores são necessárias 1ton. de A e 2 ton. de B, enquanto para produzir 1 ton. de tinta de

Lucas Jamisse Pág. 5

Capítulo I: Programação Linear Investigação Operacional

interiores são necessárias 2ton. de A e 1ton. de B, em cada dia. Um estudo de mercado concluiu
que a procura diária de tinta de interiores não pode exceder a da tinta de exteriores em mais de
1ton. O preço de venda por tonelada é 3u.m. para a tinta de exteriores e 2u.m. para a tinta de
interiores. Pretende-se determinar o esquema de produção a adoptar para maximizar a receita
diária.
a) Construa um modelo matemático de PL para o problema, explicitando as variáveis de decisão,
restrições e função objectivo. Encontre a solução do problema.

Exercício 3. Uma pequena manufatura produz dois modelos, Standart e Luxo, de um certo
produto. Cada unidade do modelo standart requer 3 horas de lixação e 1 hora de polimento. Cada
unidade do modelo de luxo exige 1 hora de lixação e 4 horas de polimento. A fábrica dispõe de 2
lixadores e 3 polidores, cada uma trabalha 40 horas semanais. As margens de lucro são 24 e 32
unidades de medida, respectivamente, para cada unidade standart e luxo. Não existem restrições
de demanda para ambos os modelos. Elabore um modelo de programação linear que permita
calcular a produção semanal que maximiza a margem total de lucro do fabricante.

Exercício 4 Um vendedor de frutas pode transportar 800 caixas de frutas para sua região de vendas. Ele já
transporta 200 caixas de laranjas a 20 u.m de lucro por caixa por mês. Ele necessita
transportar pelo menos 100 caixas de pêssegos a 10 u.m. de lucro por caixa, e no máximo 200 caixas de
tangerinas a 30 u.m. de lucro por caixa. De que forma deverá ele carregar o caminhão para obter
olucro máximo?

Exercício 5. Uma pessoa precisa de 10, 12, e 12 unidades dos produtos químicos A, B e C,
respectivamente para o seu jardim. Um produto liquido contém 5, 2 e 1 unidades de A, B e C,
respectivamente por vidro; um produto em pó contém 1, 2 e 4 unidades de A, B e C,
respectivamente por caixa. Se o produto líquido custa 3u.m. por vidro e o produto em pó custa
2u.m. por caixa, quantos vidros e quantas caixas ele deve comprar para minimizar o custo e
satisfazer as necessidades?

Exercício 6. Uma rede de televisão local tem o seguinte problema: foi descoberto que o
programa A com 20minutos de música e 1 minuto de propaganda chama a atenção de 30.000 telespectadores,
enquanto o programa B, com 10 minutos de música e 1 minuto de propaganda chama atenção
de10.000 telespectadores. No decorrer de uma semana, o patrocinador insiste no uso de no
mínimo, 5 minutos para sua propaganda e que não há verba para mais de 80 minutos de música. Quantas vezes
por semana cada programa deve ser levado ao ar para obter o número máximo de telespectadores?

Lucas Jamisse Pág. 6

Capítulo I: Programação Linear Investigação Operacional

1.4 Resolução de problemas de PL pelo método Simplex

Exemplo1
Resolvendo pelo método simplex simples
MaximizarW  2 x1  3 x2 Forma Padrão:
Adicionando as variáveis de folga Xi, i=3,4,5 para cada restrição:
2 x1  x2  6
x  2x  8 Max.W  2 x1  3x 2  0 x3  0 x 4  0 x5
 1  2 1 1 0 0
2 x1  x 2  x3  0 x 4  0 x5  6
2
Suj a   
x
 1 2  x  1 x  2x  0x  x  0x  8  1 2 0 1 0
 xi  0, i  1, 2  1 2 3 4 5 → 
Suj. a 
x  x  0 x  0 x  x  1 1 1 0 0 1
 1 2 3 4 5
 x  0, i  1,5 I  B
 i

Tabela inicial
Cj 2 3 0 0 0
Cb Xb X2 X2 X3 X4 X5 bi
0 X3 2 1 1 0 0 6 → l1
0 X4 1 2 0 1 0 8 → l2
0 X5 1 -1 0 0 1 1 → l3
Zi 0 0 0 0 0 0
Cj-Zi 2 3 ↑ 0 0 0
1ª iteração
0 X3 3/2 0 1 -1/2 0 2 → l1 '  l1  1* l2''
4 → l2'  l1
3 X2 1/2 1 0 1/2 0 2
0 X5 3/2 0 0 1/2 1 5 → l3 '  l3  1 * l2''
Zi 3/2 3 0 3/2 0 12
Cj-Zi 1/2 ↑ 0 0 -3/2 0
1ª iteração (Tabela terminal)
' 2
2 X1 1 0 2/3 -1/3 0 4/3 → l1'  l1
3
1
3 X2 0 1 -1/3 2/3 0 10/3 → l2 '  l2  * l1''
2
3
0 X5 0 0 -1 1 3 → l3 '  l3  * l1''
2
Zi 2 3 1/3 4/3 0 38/3
Cj-Zi 0 0 -1/3 -4/3 0

Solução óptima: X=(4/3; 10/3; 0; 0;3) Z=38/31

Lucas Jamisse Pág. 7

Capítulo I: Programação Linear Investigação Operacional

Exemplo2
Resolvendo pelo método simplex de Grande M
MaximizarW  x1  2 x2  3x3 Forma Padrão:
Adicionando a variável de folga X4 na
 x1  2 x2  4
 primeira restrição:
Suj a  x1  2 x3  5 Max.W  x1  2 x2  3x3  0 x4
 x  0, i  1, 2,3
 i  x1  2 x2  0 x3  x4  4 1 2 0 1 
 
 → 1 0 2 0 
Suj. a  x1  0 x2  2 x3  0 x4  8
 NaoI  NaoB
 xi  0, i  1,4
Adicionando a variável artificial a na
segunda restrição:
Max.W  x1  2 x2  3 x3  0 x4  Ma
 x1  2 x2  0 x3  x4  0a  4 1 2 0 1 0 
 
 → 1 0 2 0 1 
Suj. a  x1  0 x2  2 x3  0 x4  a  8
 I  B
 xi , a  0, i  1,4

Tabela inicial
Cj 1 2 3 0 -M
Cb XB X1 X2 X3 X4 a bi
0 X1 1 2 0 1 0 4
-M a1 1 0 2 0 1 5
Z -M 0 -2M 0 -M -5M
Cj-Zj 1+M 2 3+2M ↑ 0 0
1ª Iteração
0 X4 1 2 0 1 0 4
3 X3 1/2 0 1 0 1/2 5/2
Z 3/2 0 3 0 3/2 15/2
Cj-Zj -1/2 2 ↑ 0 0 -M-3/2
2ª Iteração (Tabela terminal)
2 X4 1/2 1 0 1/2 0 2
3 X3 1/2 0 1 0 1/2 5/2
Z 5/2 2 3 1 3/2 23/2
Cj-Zj -3/2 0 0 -1 -M-3/2

Solução óptima: X:=(0; 2; 5/2; 0) Z=23/2

Lucas Jamisse Pág. 8

 Capítulo I: Programação Linear Investigação Operacional

Exemplo3
Resolvendo pelo método simplex das duas fases
MinZ  720x1  880x2  160x3 Forma padrão:
Adicionando as variáveis de excesso (- x4 e -x5) nas restrições:
MinZ  720x1  880x 2  160x 3  0( x 4  x5)
2 x1  4 x2  3 x3  6
 2 x1  4 x2  3x3  x4  6
S .a 4 x1  4 x2  3   2 4 3 1 0 
S .a 4 x1  4 x2  x5  3  

    4 4 0 0  1
 i
x 0, i 1,3
 xi  0, ai  0
Nao I  NaoBase

Adicionando as variáveis artificiais (a1 e a2) nas restrições:

MinZ  720x1  880x 2  160x3  0( x 4  x5  a1  a 2)
2 x1  4 x2  3x3  x4  a1  6
  2 4 3 1 0 1 0 
S .a 4 x1  4 x2  x5  a 2  3  
 x  0, a  0  4 4 0 0 1 0 1 
 i i

I  bsse, I  (a1 a 2)
1ª Fase :MinZ=a1+a2
Tabela inicial
Cj 0 0 0 0 0 1 1
cb Xb X1 X2 X3 X4 X5 a1 a2 bi
1 a1 2 4 3 -1 0 1 0 6
1 a2 4 4 0 0 -1 0 1 3
Zj 6 8 3 -1 -1 1 1 9
Zj-cj 6 8 3 -1 -1 0 0
1ª Iteração
1 a1 -2 0 3 -1 1 1 1 3
0 x2 1 1 0 0 -1/4 0 1/4 3/4
Zj -2 0 3 -1 1 1 1 3
Zj-cj -2 0 3 -1 1 0 0
2ª Iteração (Tabela terminal)
0 X3 -2/3 0 1 -1/3 1/3 1/3 1/3 1
0 x2 1 1 0 0 -1/4 0 1/4 3/4
Zj 0 0 0 0 0 0 0 0
Zj-cj 0 0 0 0 0 -1 -1
2ª fase:MinZ=720x1+880x2+160x3
Cj 0 0 0 0 0
cb Xb x1 x2 x3 x4 x5 bi
160 X3 -2/3 0 1 -1/3 1/3 1
880 x2 1 1 0 0 -1/4 3/4
Zj 2320/3 880 160 -160/3 -500/3 820
Zj-cj 160/3 0 0 -160/3 -500/3

Lucas Jamisse Pág. 9

 Capítulo I: Programação Linear Investigação Operacional

1ª Iteração (Tabela terminal)

160 X3 0 0 1 -1/3 1/6 3/2
720 X1 1 1 0 0 -1/4 3/4
Zj 720 720 0 -160/3 -460/3 780
Zj-cj 0 -160 -160 -160/3 -460
Sol. óptma: X=(3/4, 0, 3/2, 0, 0), Z=780
Exemplo4
Resolvendo pelo método simplex dual-simplex.
MinZ  3 x1  2 x2 Forma padrão:
Transformar as inequações do tipo  para  :
3 x1  x2  3
4 x  3 x  6 MinZ  3 x1  2 x2
 1 2
 3 x1  x2  3
S .a 
x
 1 2  x  3  4 x  3 x  6
 1 2
 x1  0, x2  0 S .a 
 x1  x2  3

 x1  0, x2  0
Adicionando as variáveis de folga (x3, x4 e x5) nas restrições:
MinZ  3x1  2 x2  0( x3  x4  x5 )
 3x1  x2  x3  0 x4  0 x5  3
 4 x  3x  0 x  x  0 x  6 3 1 1 0 0
  
 4  3 0 1 0
1 2 3 4 5
S .a 

 1 x  x  0 x  0 x  x  3  1  1 0 0 1 
2 3 4 5
 x  0, i  1,5 
 1
I  B
Cj 3 2 0 0 0
Cb Xb X1 X2 X3 X4 X5 bi
0 X3 -3 -1 1 0 0 -3
0 X4 -4 -3 0 1 0 -6
0 X5 1 1 0 0 1 3
Zj 0 0 0 0 0 0
Zj-Cj -3 -2 0 0 0
1ª iteração
0 X3 -5/3 0 1 -1/3 0 -1
2 X2 4/3 1 0 -1/3 0 2
0 X5 -1/3 0 0 1/3 1 1
Zj 8/3 2 0 -2/3 0 4
Zj-Cj -1/3 0 0 -2/3 0
2ª iteração (Tabela terminal)
3 X3 1 0 -3/5 1/5 0 3/5
2 X2 0 1 4/5 -3/5 0 6/5
0 X5 0 0 -1/5 2/5 1 6/5
Zj 0 0 -1/5 -3/5 0 21/5
Zj-Cj -3 -2 -1/5 -3/5 0
Sol ‘optima X=.(0; 6/5; 3/5; 0; 6/5) Z=21/5

Lucas Jamisse Pág. 10

Capítulo I: Programação Linear Investigação Operacional

1.4.1 Resolva cada um dos seguintes problemas aplicando o método adequado

b) MaximizarZ  2 x1  3x2
 x1  x2  7
2 x  3x  12
 1 2
Sujeito a 
 x1  5

 xi  0, i  1, 2
Sol.: x(0, 3) Z=6
Sol.: x(0, 7) Z=21

d ) MinimizarZ  3x1  2 x2  4 x3
2 x1  x2  3x3  60

Suj a 3x1  3x2  5 x3  120
 x  0, i  1, 3
 i
Sol.: x(0, 15, 15) Z=90
Sol.: Não Admissível
e) MinimizarW   x1  x2 f ) Maximizar Z  3x2
 x1  x2  1  x1  x2  1
6 x  4 x  24 3x  2 x  12
 1 2  1
Suj a  Suj a 
2

 x2  2 x
 1  2 x2  5

 xi  0, i  1, 2 
 xi  0, i  1, 2
Sol.: óptimas alternativas Sol.: Infinidade de soluções
x1=2(6), x2=2 W=4(6)

h) Nos seguintes casos transformar em duais e resolver os problemas pelos métodos

adequados, apresentar as soluções primal e dual:
i ) MaximizarZ  24x1  25x2 ii) Min Z  2 x1  x2
 x1  5 x2  10 2 x1  x2  20
 
Suj a 4 x1  x2  30 Suj a 2 x1  x2  10
 x  0, i  1, 2  x  0, i  1, 2
 i  i
Sol.: Y=(4, 5, 0, 0) Z=190 Sol.: Y=(10, 0, 0, 0, 10) Z=20

Lucas Jamisse Pág. 11

Capítulo I: Programação Linear Investigação Operacional

1.4.2 Resolva os seguintes exercícios de revisão

1.4.3 Escreva o dual dos seguintes problemas de programação linear:

a) MaximizarZ  5 x1  2 x 2  x3  3x 4  2 x5 b) MinimizarZ  24x1  32x3

 x1  4 x2  x3  2 x4  11  x1  x2  6
 x  3x  x  17 2 x  x  3 x  1
1 3 5
 1 2
Suj. a  3

 x1  x2  4 x4  6 Suj.. a  x1  x2  3
 x1  livre, x2  0, x3, x4  0, x5  0 3x  x  3
  1 3
 x1  0, x2  livre, x3  0

Referências:
Fazenda , Rodrigues (2013)- Operational Research - UDM
Mulenga, A. C. (1999)-Introduçào ao processo decisório-UEM, Maputo.
RENDER, B; Ralph, M.S,Jr.(1997) – Quantitative Analysis for Management, 6th edition,
Prentice – Hall
Ramalhete, Guerreiro e Magalhães, (1984)- Investigação operacional
TAHA, HA (1997) – Operational Research- an Introduction, 6th edition, Prentice-Hall
Internacional, Inc. USA

Lucas Jamisse Pág. 12