SlidesAula6 MS428 PL

MS428 - Programação Linear
MS428-Programação Linear
Professora: Kelly Cristina Poldi

kellypoldi@ime.unicamp.br
Departamento de Matemática Aplicada - DMA

Instituto de Matemática, Estatística e Computação Científica - IMECC
Universidade Estadual de Campinas - UNICAMP
setembro de 2015

Resolução Gráfica
Problema da mistura
composição
desejável
carne vegetais da mistura
proteína 0, 5 0, 2 0, 4
cálcio 0, 4 0, 4 0, 3
custos dos
ingredientes 0, 81 0, 56
Modelo matemático:
minimizar f (x1 , x2 ) = 0, 81x1 + 0, 56x2
sujeito a: 0, 5x1 + 0, 2x2 ≥ 0, 4
0, 4x1 + 0, 4x2 ≥ 0, 3
x1 + x2 = 1
x1 ≥ 0, x2 ≥ 0
... e a solução??
Problema de otimização linear na forma padrão
minimizar f (x1 , x2 , . . . , xn ) = c1 x1 + c2 x2 + . . . + cn xn (1)

sujeito a: a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.. (2)
.
am1 x1 + am2 x2 + . . . + amn xn = bm
x1 ≥ 0, x2 ≥ 0, . . . , xn ≥ 0 (3)
→ (1) uma função linear chamada de função objetivo;

→ (2) um sistema de equações lineares que representa matematicamente as
restrições do problema;
→ (3) são as condições de não-negatividade ou restrições de sinal.

Problema de otimização linear na forma padrão
minimizar f (x1 , x2 , . . . , xn ) = c1 x1 + c2 x2 + . . . + cn xn (4)

sujeito a: a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.. (5)
.
am1 x1 + am2 x2 + . . . + amn xn = bm
x1 ≥ 0, x2 ≥ 0, . . . , xn ≥ 0 (6)
Dados do problema:
→ coeficientes da função objetivo cj , j = 1, . . . , n e da matriz de restrições

aij e bi , i = 1, . . . , m, j = 1, . . . , n.
As incógnitas do problema são chamadas de variáveis de decisão (x1 , x2 , . . . , xn ).

... também pode ser escrito na forma matricial
minimizar f (x) = ct x
sujeito a: Ax = b
x ≥ 0,
em que:
 
a11 a12 ... a1n
 a21 a22 ... a2n
 

A=  .. .. .. ..  : matriz dos coeficientes ou matriz
 . . . .


am1 am2 . . . amn
tecnológica;
ct = (c1 , c2 , . . . , cn ) : vetor de custos;
xt = (x1 , x2 , . . . , xn ) : vetor de variáveis ou incógnitas e
b = (b1 , b2 , . . . , bm ) : vetor de recursos.

Conceitos básicos
Definição: Uma solução é factível se atende todas as restrições do

problema.

Conceitos básicos

problema.
Definição: O conjunto de todas as soluções factíveis define uma

região no Rn chamada região de factibilidade.

Conceitos básicos

problema.
Definição: O conjunto de todas as soluções factíveis define uma

região no Rn chamada região de factibilidade.
Definição: Uma solução é ótima se é factível e fornece o menor

valor para a função objetivo f . Isto é, se uma solução factível
(x1∗ , x2∗ , . . . , xn∗ ) for tal que
f (x1∗ , x2∗ , . . . , xn∗ ) ≤ f (x1 , x2 , . . . , xn ),
para qualquer solução factível (x1 , x2 , . . . , xn ), então
(x1∗ , x2∗ , . . . , xn∗ ) é solução ótima.

Conceitos básicos
Resolver um problema de otimização consiste em determinar uma

(ou mais) solução ótima, isto é, determinar uma solução que
satisfaça todas restrições do problema associando o mínimo valor à
função objetivo.

Transformação de um PL na forma padrão

1. Problema de maximização
max c1 x1 + c2 x2 + . . . + cn xn
= min −c1 x1 − c2 x2 − . . . − cn xn


1. Problema de maximização
max c1 x1 + c2 x2 + . . . + cn xn
= min −c1 x1 − c2 x2 − . . . − cn xn
pois,
f (x∗ ) ≥ f (x), para toda solução x factível.
−f (x∗ ) ≤ −f (x), para toda solução x factível,
ou seja, maximizar f (x) corresponde a minimizar −f (x).


Por exemplo,
maxf (x1 , x2 , x3 ) = 2x1 − x2 + 4x3
 x1 + 2x2 + x3 = 3

s a: x2 + 2x3 = 4
 x ≥ 0, x ≥ 0, x ≥ 0

1 2 3


Por exemplo,
maxf (x1 , x2 , x3 ) = 2x1 − x2 + 4x3
 x1 + 2x2 + x3 = 3

s a: x2 + 2x3 = 4
 x ≥ 0, x ≥ 0, x ≥ 0

1 2 3
é equivalente ao problema na forma padrão:

min − f (x1 , x2 , x3 ) = −2x1 + x2 − 4x3
 x1 + 2x2 + x3 = 3

s a: x2 + 2x3 = 4
 x ≥ 0, x ≥ 0, x ≥ 0

1 2 3


2. Restrições de desigualdade
ai1 x1 + ai2 x2 + . . . + ain xn ≤ bi


ai1 x1 + ai2 x2 + . . . + ain xn ≤ bi
ai1 x1 + ai2 x2 + . . . + ain xn +xk = bi

↓
variável de folga
com xk ≥ 0, k ≥ (n + 1).


ai1 x1 + ai2 x2 + . . . + ain xn ≤ bi
ai1 x1 + ai2 x2 + . . . + ain xn +xk = bi

↓
variável de folga
com xk ≥ 0, k ≥ (n + 1).
E se a restrição de desigualdade fosse ≥ ?


Por exemplo,
f (x1 , x2 , x3 ) = 2x1 − 3x2 + 3x3
min 
 x1 + 2x2 − x3 ≥ 3

s a: −2x1 + x2 + x3 ≤ −1
 x ≥ 0, x ≥ 0, x ≥ 0

1 2 3


Por exemplo,
f (x1 , x2 , x3 ) = 2x1 − 3x2 + 3x3
min 
 x1 + 2x2 − x3 ≥ 3

s a: −2x1 + x2 + x3 ≤ −1
 x ≥ 0, x ≥ 0, x ≥ 0

1 2 3
Introduzindo as variáveis de folga, temos:

f (x1 , x2 , x3 , x4 , x5 ) = 2x1 − 3x2 + 3x3
min 
 x1 + 2x2 − x3 − x4 = 3

s a: −2x1 + x2 + x3 + x5 = −1
 x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0

1 2 3 4 5

3. Variáveis livres
xi irrestrita
xi = xi+ − xi− , com xi+ ≥ 0, xi− ≥ 0.
Qualquer número (seja positivo, negativo ou nulo) pode ser sempre

escrito como uma diferença de dois outros não-negativos.

Exemplo:
f (x1 , x2 , x3 , x4 , x5 ) = 2x1 − 3x2 + 3x3
min 
 x1 + 2x2 − x3 − x4 = 3

s a: −2x1 + x2 + x3 + x5 = −1
 x livre , x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0

1 2 3 4 5

Exemplo:
f (x1 , x2 , x3 , x4 , x5 ) = 2x1 − 3x2 + 3x3
min 
 x1 + 2x2 − x3 − x4 = 3

s a: −2x1 + x2 + x3 + x5 = −1
 x livre , x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0

1 2 3 4 5
Como a variável x1 é livre, podemos escrevê-la como diferença de

duas variáveis não-negativas: x1 = x1+ − x1− , x1+ ≥ 0, x1− ≥ 0
f (x1+ , x1− , x2 , x3 , x4 , x5 ) = 2x1+ − 2x1− − 3x2 + 3x3
min 
+ −
 x1 − x1 + 2x2 − x3 − x4 = 3

s a: −2x1+ + 2x1− + x2 + x3 + x5 = −1
 x + ≥ 0, x − ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0

1 1 2 3 4 5

Hipóteses
o número de variáveis seja maior que o número de restrições

(n > m, em geral, n é muito maior que m)
o posto(A) = m, ou seja, que as m linhas de A sejam
linearmente independentes (isto é, que não hajam equações
redundantes)

Geometria da Otimização Linear
Um poliedro é um conjunto que pode ser descrito da forma

{x ∈ Rn |Ax ≥ b}, em que A é uma matriz m × n e b é um vetor
m × 1.
O conjunto das soluções factíveis de um problema de otimização
linear pode ser descrito por restrições da forma Ax ≥ b e portanto
é um poliedro (mesmo na forma padrão Ax = b, x ≥ 0).
Seja a um vetor n × 1 não-nulo. Então:
• O conjunto {x ∈ Rn |at x = b} é um hiperplano.
• O conjunto {x ∈ Rn |at x ≥ b} é um semi-espaço.

Geometria da Otimização Linear

Um conjunto S é convexo se para qualquer par de elementos
x , y ∈ S e qualquer λ ∈ [0, 1], então λx + (1 − λ)y ∈ S.
A região factível de um problema de programação linear é um

conjunto convexo.

Solução gráfica
Significado geométrico de uma desigualdade linear
(inequação linear).
Uma inequação divide um espaço n−dimensional em um

subespaço no qual a inequação é satisfeita e em um
subespaço no qual não é.

Solução gráfica
visualização geométrica de problemas de otimização linear é

importante para a compreensão de conceitos e teoremas,
problemas muito pequenos.

Solução gráfica
Para um problema de otimização linear:
minimizar f (x) = ct x
sujeito a: Ax = b
x ≥ 0, x ∈ R2
temos a região de factibilidade:S = {x ∈ R2 |Ax = b, x ≥ 0}
x ∈ R2 tal que (ai )t x = bi

x ∈ R2 tal que (ai )t x < bi
x ∈ R2 tal que (ai )t x > bi
O vetor gradiente ∇f (x)

(dado pelos coeficientes da equação) é perpendicular à reta que o
define e aponta no sentido que a função cresce.
Região de factibilidade
Considere o seguinte problema de otimização linear:
max f (x1 , x2 ) = x1 + 2x2
sujeito a: x1 + x2 ≤ 4
x1 ≤2
x2 ≤ 3
x1 ≥ 0, x2 ≥ 0
S = {(x1 , x2 ) tal que x1 + x2 ≤ 4, x1 ≤ 2, x2 ≤ 3, x1 ≥ 0, x2 ≥ 0}
Região definida por x1 ≥ 0, x2 ≥ 0.

Considere o seguinte problema de otimização linear:
max f (x1 , x2 ) = x1 + 2x2
sujeito a: x1 + x2 ≤ 4
x1 ≤2
x2 ≤ 3
x1 ≥ 0, x2 ≥ 0


Curvas de nível

Ponto Extremo
Se um problema de otimização linear tem uma solução ótima,

então existe um vértice ótimo.

Região factível ilimitada
Região de factibilidade ilimitada e solução ótima única (problema

de minimização).

Região factível ilimitada
Região de factibilidade ilimitada e não existe solução ótima,

ct x → −∞(problema minimização).

Múltiplas soluções ótimas
Região factível limitada, infinitas (múltiplas) soluções ótimas,

conjunto limitado de soluções ótimas (problema de minimização).

Múltiplas soluções ótimas
Região factível ilimitada, infinitas (múltiplas) soluções ótimas,

conjunto ilimitado de soluções ótimas (problema de minimização).

Região Infactível

Solução degenerada

Resolução Gráfica - Exercício
Exercícios
Resolver graficamente os seguintes problemas de programação
linear:
maxz = 4x1 + 5x2
min 
z = 3x1 + 4x2
2x1 + 3x2 ≥ 6
 x1 + x2 ≤ 1



 3x − x ≤ 9 
(a) 1 2 (b)
s a: s a: 2x1 + x2 ≥ 4
 x1 + 4x2 ≤ 16
  x ≥ 0, x ≥ 0

 1 2

x1 ≥ 0, x2 ≥ 0
maxz = 25x1 + 30x2

maxz = 4x + 5y
5x1 + 6x2 ≤ 420
 x +y ≥8



 x ≤ 60 
(c) 1 (d)
s a: s a: 3x + 5y ≥ 30
 2 ≤ 45


x  x ≥ 0, y ≥ 0


x1 ≥ 0, x2 ≥ 0

SlidesAula6 MS428 PL

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

SlidesAula6 MS428 PL

Enviado por

Direitos autorais:

Formatos disponíveis

MS428 - Programação Linear

Professora: Kelly Cristina Poldi

Departamento de Matemática Aplicada - DMA

MS428 - Programação Linear

Problema de otimização linear na forma padrão

minimizar f (x1 , x2 , . . . , xn ) = c1 x1 + c2 x2 + . . . + cn xn (1)

→ (1) uma função linear chamada de função objetivo;

MS428 - Programação Linear

Problema de otimização linear na forma padrão

minimizar f (x1 , x2 , . . . , xn ) = c1 x1 + c2 x2 + . . . + cn xn (4)

→ coeficientes da função objetivo cj , j = 1, . . . , n e da matriz de restrições

As incógnitas do problema são chamadas de variáveis de decisão (x1 , x2 , . . . , xn ).

MS428 - Programação Linear

... também pode ser escrito na forma matricial

MS428 - Programação Linear

Definição: Uma solução é factível se atende todas as restrições do

MS428 - Programação Linear

Definição: Uma solução é factível se atende todas as restrições do

Definição: O conjunto de todas as soluções factíveis define uma

MS428 - Programação Linear

Definição: Uma solução é factível se atende todas as restrições do

Definição: O conjunto de todas as soluções factíveis define uma

Definição: Uma solução é ótima se é factível e fornece o menor

MS428 - Programação Linear

Resolver um problema de otimização consiste em determinar uma

MS428 - Programação Linear

Transformação de um PL na forma padrão

MS428 - Programação Linear

Transformação de um PL na forma padrão

f (x∗ ) ≥ f (x), para toda solução x factível.

−f (x∗ ) ≤ −f (x), para toda solução x factível,

ou seja, maximizar f (x) corresponde a minimizar −f (x).

MS428 - Programação Linear

Transformação de um PL na forma padrão

MS428 - Programação Linear

Transformação de um PL na forma padrão

é equivalente ao problema na forma padrão:

MS428 - Programação Linear

Transformação de um PL na forma padrão

ai1 x1 + ai2 x2 + . . . + ain xn ≤ bi

MS428 - Programação Linear

Transformação de um PL na forma padrão

ai1 x1 + ai2 x2 + . . . + ain xn ≤ bi

ai1 x1 + ai2 x2 + . . . + ain xn +xk = bi

MS428 - Programação Linear

Transformação de um PL na forma padrão

ai1 x1 + ai2 x2 + . . . + ain xn ≤ bi

ai1 x1 + ai2 x2 + . . . + ain xn +xk = bi

E se a restrição de desigualdade fosse ≥ ?

MS428 - Programação Linear

Transformação de um PL na forma padrão

MS428 - Programação Linear

Transformação de um PL na forma padrão

Introduzindo as variáveis de folga, temos:

MS428 - Programação Linear

Transformação de um PL na forma padrão

xi = xi+ − xi− , com xi+ ≥ 0, xi− ≥ 0.

Qualquer número (seja positivo, negativo ou nulo) pode ser sempre

MS428 - Programação Linear

Transformação de um PL na forma padrão

MS428 - Programação Linear

Transformação de um PL na forma padrão

Como a variável x1 é livre, podemos escrevê-la como diferença de