Ot Simplex

Ministério da Educação
Universidade Federal do Piauí

Pró-reitoria de Ensino e Pós-graduação
Centro de Tecnologia
Programa de Pós-graduação em Engenharia Elétrica
Técnicas de otimização
O método simplex e a análise de
sensibilidade
Aula 6 - Parte I
Prof. Aldir Sousa

aldirss@uespi.br
O método simplex
O modelo de PL em forma de equação
O desenvolvimento dos cálculos do método simplex é facilitado pela
imposição de dois requisitos às restrições do problema:
● Todas as restrições (com exceção da não-negativdade das

variáveis) são equações cujos lados direitos são não negativos.
● Todas as variáveis são não negativas.
O método simplex - O modelo de PL em forma de
equação
● Conversão de desigualdades em equações com lado direito não
negativo.
EM restrições (≤), o lado direito pode ser considerado como a

representação do limite imposto à disponibilidade de um recurso, caso
em que o lado esquerdo representa a utilização desse recurso limitado
pelas atividades (variáveis) do modelo.
Assim, a diferença entre o lado direito e o lado esquerdo da

restrição(≤) resultaria na quantidade do recurso não utilizado ou
folga.
equação
negativo.
6x1 + 4x2 + s1= 24, s1≥ 0
De forma semelhante, uma restrição (≥) estabelece um limite inferior

para as atividades do modelo do PL, de modo que a quantidade pela
qual o lado esquerdo excede o limite mínimo representa uma sobra.
Consegue-se a conversão de (≥) em (=) com subtração de uma

variável de sobra não negativa do lado esquerdo da desigualdade.
equação
negativo.
Para converter uma desigualdade (≤) em uma equação, uma variável
de folga não negativa é adicionada ao lado esquerdo da restrição. Por
exemplo, no modelo Reddy Mikks, a restrição associada com a
utilização da matéria-prima M1 é dada como
6x1+ 4x2 ≤ 24
Define-se s1 como a folga ou a quantidade não utilizada de M1, a
restrição pode ser convertida na seguinte equação:
equação
negativo.
Por exemplo, no modelo da dieta, a restrição que representa os
requisitos mínimos da ração é
x1 + x2 ≥ 800
Define-se S1 como variável de sobra, a restrição pode ser convertida

para equação:
x1 + x2 - S1 = 800
equação
Inequações modulares.
Podemos converter restrições de módulo em restrições de igualdade.
Note que |a| ≤ b é equivalente a a ≤ b e a ≥ -b.
Ilustrando: |x| <= 3 é válido para o intervalo de -3 a 3. Note que |-3| = 3

<= 3. Já |-4| = 4 > 3.
equação
Portanto, podemos fazer
A eq. (1) é uma restrição de folga, então pode ser transformada na

igualdade
equação
Portanto, podemos fazer
A eq. (2) é uma restrição de sobra, porém, com sinal negativo do lado
direito. Porém, precisamos garantir que o lado direito seja positivo.
Assim, multiplicamos os dois lados da equação por -1:
equação
A eq. (2) é uma restrição de sobra, porém, com sinal negativo do lado
direito. Por isso, precisamos garantir que o lado direito seja positivo.
Assim, multiplicamos os dois lados da equação por -1:
Acrescentando a variável de folga:

equação
Assim,
Pode ser modelada na forma de igualdade

equação
Ou ainda, |a| < b
Pode ser modelada na forma de igualdade

O método simplex
Como lidar com variáveis irrestritas
Há modelos em que, algumas variáveis são irrestritas em relação ao
sinal. Exemplo, em um problema de fluxo de carga, o fluxo de energia
é irrestrito, pois o sinal precisa ser utilizado para indicar o sentido do
fluxo.
Como veremos a seguir, os cálculos do método simplex requerem que

todas as variáveis sejam não negativas. Sempre podemos satisfazer
esse requisito usando a substituição
yi = y+i- y-i, onde y-i ≥ 0 e y+i≥ 0

O método simplex
Para mostrar como essa substituição funciona, suponha, para o
sistema
que o fluxo seja yi = 70kw de i para m. Em termos de y-i, y+i tem que y-i
= 70 e y+i = 0.
Já se yi = -70kw. Teríamos um fluxo em sentido m para i e y-i = 0 e y+i =
70.
O método simplex
Demonstração: Vamos demonstrar numericamente que a técnicas
funciona. Impondo yi = y+i- y-i, analisemos algumas possibilidades.
● yi = -1
Então y+i- y-i = -1. Ou y+i = y-i- 1. Sabendo que y-i ≥ 0 e y+i≥ 0. Então,
poderíamos fazer y-i= 0 e, por consequência, y+i= -1. Isto contradiz a
posição de não negatividade. Portanto, y-i= 1 e y+i= 0.
● yi = 1
Então y+i- y-i = 1. Ou y+i = y-i+ 1. Sabendo que y-i ≥ 0 e y+i≥ 0. Então,
podemos fazer y-i= 0 e, por consequência, y+i= 1. Portanto, y-i= 0 e y+i=
1.
O método simplex
Em um PL no qual há diversas variáveis irrestritas, uma transformação
do tipo yi = y-i - y+i, onde y-i ≥ 0 e y+i≥ 0 dobrará o número
correspondente de variáveis não negativas. Em vez disso, podemos
substituir k variáveis irrestritas por exatamente k + 1 variáveis não
negativas usando a substituição yi = y’i - w, onde y’i , w ≥ 0.
O método simplex
Modelo padrão
Exercícios. As técnicas aqui expostas tiveram por objetivo transformar
um modelo qualquer na forma padrão do algoritmo simplex, ou seja:
Max Z = f(x)
Sujeito a
Ax = b
x >= 0
Vamos transformar os seguintes modelos para o modelo padrão.
O método simplex
Modelo padrão
a) b)
O método simplex
Modelo padrão
c) b)
O método simplex
Determinação algébrica dos pontos extremos
Em um conjunto de m x n equações (m < n), se igualarmos n - m =
variáveis a zero, e depois resolvermos as m equações para as n
variáveis restantes a solução resultante, se for única, é denominada
solução básica e deve corresponder a um ponto extremo (viável ou
inviável) da região de soluções.
Isso significa que o número máximo de pontos extremos é

O método simplex
Exemplo: Considere o problema de PL com duas variáveis
O método simplex
Em linguagem algébrica, a região de soluções do problema de PL é
representada como
O método simplex
A figura mostra o gráfico da região de soluções
O método simplex
O sistema tem m = 2 equações e n = 4 variáveis.
Assim, de acordo com a regra dada, os pontos extremos podem ser

determinados algebricamente igualando n - m = 4 - 2 = 2 variáveis a
zero e depois resolvendo para as m = 2 variáveis restantes.
Por exemplo, se fizermos x1 = 0 e x2 = 0, as equações dão a solução

(básica) única:
s1 = 4 e s2 = 5
Esta solução corresponde ao ponto A da figura.

O método simplex
O método simplex
Um outro ponto pode ser determinado fazendo s1 = 0 e s2 = 0 e então
resolvendo as duas equações
Ponto C da figura.
O método simplex
Note que temos
pontos extremos.
Os pontos E e F
são básicos, mas
não viáveis.
O método simplex
As n - m variáveis zero são denominadas de variáveis não básicas.
As demais são denominadas variáveis básicas.
O método simplex
Em vez de enumerar todas as soluções básicas (pontos extremos) do
problema de PL, o método simplex investiga somente algumas destas
soluções.
Natureza iterativa do método simplex
O método simplex parte de uma solução inicial (A = (0,0)) e altera entre

base e fora da base apenas uma variável por iteração. Uma pergunta
intuitiva seria: qual variável escolher para entrar na base?
O método simplex - Natureza iterativa do método
simplex
Voltando para a função objetivo,
Lembramos que, inicialmente, ambas as variáveis da função objetivo

estão fora da base. Assim, por uma delas na base incorrerá em um
aumento na função objetivo.
É intuitivo, e o método simplex segue esta intuição, adicionar à base a

variável de maior coeficiente positivo da função objetivo.
O método simplex
O método simplex
Detalhes do cálculo do algoritmo simplex
Vamo utilizar o médo da Reddy Mikks para explicar os detalhes do
método simplex.
O método simplex - Detalhes do cálculo do algoritmo
simplex
Escrevemos a FO como
z - 5x1 - 4x2 = 0
Desta maneira, a tabela simplex inicial pode ser apresentada.
Variávies básicas: s1,s2,s3,s4

Variáveis não básicas: x1, x2
simplex
Como já mencionado, não estamos na solução ótima. A função

objetivo informa que por na base qualquer uma das variáveis não
básicas aumentará a solução.
Também, já sabemos que a condição de otimalidade impõe que

devemos adicionar a variável não básica com coeficiente mais
negativo na função objetivo (considerando a tabela simplex).
Em nosso caso, x1 entra na base. Mas qual variável retirar da base?

simplex
A mecânica da determinação da variável que sai é realizada com base

na tabela simplex e exige o cálculo das razões não negativas entre o
lado direito das equações (coluna solução) e o coeficiente de restrição
correspondente à variável que entra, x1.
simplex
simplex
A regra associada com os cálculos das razões é denominada

condição de viabilidade, pois garante a viabilidade da nova solução.
O novo ponto de solução B é determinado pela troca entre a variável

que entra na base, x1, e a que sai da base, s1, na tabela simplex para
produzir os seguintes conjuntos:
Variávies básicas: x1,s2,s3,s4

Variáveis não básicas: s1, x2
simplex
Com a entrada de x1 na base, um procedimento deve ser feito antes de

partirmos para a próxima iteração.
As colunas das variáveis que estão na base devem formar uma matriz
(submatriz) identidade na tabela. Assim como era quando s1 estava na
base.
simplex
Para pivotear, dividimos a linha da variável que sai da base pelo pelo
elemento da coluna da variável que entra na base. Voltando à tabela
original:
simplex
Para pivotear, dividimos a linha da variável que sai da base pelo pelo
elemento da coluna da variável que entra na base. Voltando à tabela
original:
simplex
Como queremos que x1 entre e s1 sai, precisamos que o elemento a{s1, x1}
seja igual a um. Basta dividir toda a linha s1 por a{s1, x1}
simplex
Como queremos que x1 entre e s1 sai, precisamos que o elemento a{s1, x1}
seja igual a um. Basta dividir toda a linha s1 por a{s1, x1}
Os demais elementos da coluna x1 (variável que entra na base) devem ser

iguais a zero.
simplex
Os demais elementos da coluna x1 (variável que entra na base) devem ser

iguais a zero.
Para garantir isso, considere que a coluna x1(variável que entra na base)
seja j e que a linha s1 (variável que sai da base) seja i.
Para toda linha Lk, para k != i, faça:

Lk = -akj * Li + Lk
Considerando que a linha Li já foi atualizada (aij = 1).
simplex
Para toda linha Lk, para k != i, faça:
Lk = akj/aij * Li + Lk
Por exemplo, considere a linha da variável z (k=0).

L0 = -5*L1 + L0
simplex
Após os pivoteamentos, temos:
Note que a tabela nos dá informações importante, depois do

pivoteamento: x1 entra na base com valor 4 e a função objetivo fica 20.
De fato: = 0 + 4 x 5 = 20
simplex
A condição de otimalidade garante que ainda podemos adicionar x2 à

base.
Quem deve sair?

simplex
A condição de otimalidade garante que ainda podemos adicionar x2 à

base.
s2 sai da base.
simplex
Após o pivoteamento
Variáveis básicas: x1, x2, s3,s4.

Variáveis não básicas: s1, s2
simplex
Note que não há variável não básica com valor negativo na linha z. Isto
significa que não há variáveis candidatas a entrar na base, ou seja,
estamos na solução ótima do problema.
simplex
A solução também dá o status dos recursos. Um recurso é designado

como escasso se as atividades (variáveis) do modelo o usarem
totalmente. Variáveis não básicas na
solução ótima tem valor
zero.
Caso contrário, o recurso é denominado abundante.
O método simplex - Resumo do método simplex
Condições de otimalidade: a variável que entra na base em um
problema de max é a variável não básica que tiver o coeficiente mais
negativo na linha z. O ótimo é alcançado na iteração em que todos os
coeficientes da linha z das variáveis não básicas forem não negativos.
Condição de viabilidade: tanto para os problemas de mim como para

os de max, a variável que sai da base é a variável básica associada
com a menor razão não negativa (que tenha um denominador
estritamente positivo).
Operações de linha por Gauss
1. Linha do pivô
a. Substitua a variável que sai da base na coluna Base pela
variável que entra na base.
b. Nova linha do pivô = Linha do pivô atual / elemento pivô.
2. Todas as outras linhas, incluindo z: Nova linha = (linha atual) -

coeficiente da coluna do pivô)x(Nova linha do pivô
As etapas do método simplex são
1. Determine uma solução básica inicial viável.

2. Selecione uma variável para entrar na base usando a condição de
otimalidade. Pare aqui se não houver nenhuma variável para entrar
na base; a última solução é a ótima. Senão vá para 3.
3. Selecione uma variável para sair da base usando a condição de
viabilidade.
4. Determine a nova solução básica usando os cálculos de Gauss
adequados. Volte para o passo 2.
Resolver os seguintes modelos pelo método simplex
Modelo a)
Modelo a)
Base z x1 x2 s1 s2 Solução
z 1 -2 -3 0 0 0
s1 0 2 1 1 0 4
s2 0 1 2 0 1 5
Esta solução não é ótima. Podemos ver que x1 e x2 podem entrar

na base. Quem deve entrar na base?
sensibilidade
Aula 7 - Parte II
Prof. Aldir Sousa

aldirss@uespi.br
Solução inicial
Vamos resolver o seguinte modelo
Solução inicial
Primeiramente, devemos transformar as inequações em
equações:
Solução inicial
Primeiramente, devemos transformar as inequações em
equações:
Base x1 x2 x3 x4 Solucao
z -4 -1 0 0 0
x2 3 1 0 0 3
x3 4 3 -1 0 6
x4 1 2 0 1 4
Solução inicial
Note que a solução do quadro anterior não é viável. As variáveis que
botamos na base não formam uma base viável, pois precisaríamos
multiplicar a linha de x3 por -1 e teríamos um lado direito negativo. O
que o método simplex não admite.
Não é incomum termos modelos que nos leve a uma situação

como esta. Por isso, precisamos de mecanismos para gerarmos
uma solução inicial viável.
Solução inicial
Existem dois métodos para conseguirmos criar uma solução inicial
viável:
1. O método de big-M
2. O método das duas fases
Ambos são muito semelhantes.

Solução inicial - método M-grande
O método do M-grande parte de um modelo original e faz a seguinte
análise: se uma equação i não tiver uma folga (ou uma variável que
possa desempenhar o papel de uma folga), uma variável artificial Ri é
adicionada para formar uma solução inicial.
Contudo, como as variáveis artificiais não são parte do modelo original,

recebem punições muito altas na função objetivo, o que as força a ter
valor igual a zero na solução ótima.
Regra da penalização das variáveis artificiais:
Dado M, um valor positivo suficientemente alto (M→∞), o coeficiente na função
objetivo de uma variável artificial representa uma punição adequada se:
Coeficiente na função objetivo

da variável artificial
Voltando ao exemplo
Como o nosso exemplo é de minimizar, utilizaremos um coeficiente

grande e positivo para as variáveis artificiais.
Sujeito a
Considerando M=100, temos a seguinte base inicial
Base x1 x2 x3 x4 R1 R2 Solucao
z -4 -1 0 0 -100 -100 0
R1 3 1 0 0 1 0 3
R2 4 3 -1 0 0 1 6
x4 1 2 0 1 0 0 4
Considerando M=100, temos a seguinte base inicial
z -4 -1 0 0 -100 -100 0
R1 3 1 0 0 1 0 3
R2 4 3 -1 0 0 1 6
x4 1 2 0 1 0 0 4
Este quadro ainda não está totalmente completo. Precisamos garantir

que os coeficientes das variáveis da base tenham valor zero na linha z.
z 696 399 -100 0 0 0 900
R1 3 1 0 0 1 0 3
R2 4 3 -1 0 0 1 6
x4 1 2 0 1 0 0 4
zatual = zanterior + 100R1anterior + 100R2anterior
Quem entra na base?

Este quadra ainda não está totalmente completo. Precisamos garantir
z 696 399 -100 0 0 0 900
R1 3 1 0 0 1 0 3
R2 4 3 -1 0 0 1 6
x4 1 2 0 1 0 0 4
Quem sai?
Como se trata de um problema de minimização, deve entrar na base a
variável com maior coeficiente não negativo.
Quem entra na base?

x1
Quem sai da base?
R1 1 R1
R2 1,5
x4 4
Após pivoteamentos:
z 0 167 -100 0 -232 0 204
x1 1 0,33 0 0 0,33 0 1
R2 0 1,67 -1 0 -1,33 1 2
x4 0 1,67 0 1 -0,33 0 3
Quem entra na base?

z 0 167 -100 0 -232 0 204
x1 1 0,33 0 0 0,33 0 1
R2 0 1,67 -1 0 -1,33 1 2
x4 0 1,67 0 1 -0,33 0 3
Quem entra na base?

Quem sai da base?
Quem entra na base?
x2
Quem sai da base?
x1 3
R2 1,2 R2
x4 1,8
z 0 0 0,2 0 -98,4 -100,2 3,6
x1 1 0 0,2 0 0,6 -0,2 0,6
x2 0 1 -0,6 0 -0,8 0,6 1,2
x4 0 0 1 1 1 -1 1
Quem entra na base?

z 0 0 0,2 0 -98,4 -100,2 3,6
x1 1 0 0,2 0 0,6 -0,2 0,6
x2 0 1 -0,6 0 -0,8 0,6 1,2
x4 0 0 1 1 1 -1 1
Quem entra na base?

Quem sai da base?
Quem entra na base?
x3
Quem sai da base?
x1 3
x2 -2
x4 1 x4
z 0 0 0 -0,2 -98,6 -100 3,4
x1 1 0 0 -0,2 0,4 0 0,4
x2 0 1 0 0,6 -0,2 0 1,8
x3 0 0 1 1 1 -1 1
Quem entra na base?

Comentários: A utilização da punição do M não forçará uma variável
artificial ao nível zero na iteração final se o problema de PL não tiver
uma solução viável.
Neste caso, a iteração final pelo método simplex incluirá no mínimo

uma variável artificial em um nível positivo.
Exercícios. Resolver os modelos pelo método do Big-M.
a) b)
c) d)
Solução inicial - das duas fases
O método do M-grande apresenta uma grande desvantagem. A
escolha de M grande suficientemente, mas que não gere instabilidade
numérica durante a solução do problema.
O método de duas fases ameniza essa dificuldade eliminando

totalmente a constante M.
Solução inicial - das duas fases
Resumo do método de duas fases
Fase I: expresse o problema na forma de equações e adicione as variáveis
artificiais necessárias às restrições para garantir uma solução básica inicial (da
mesma forma do método M-grande). Em seguida, modele como objetivo
minimizar (independe se o problema original é de maximização ou
minimização) a somatória das variáveis artificiais.
Se no mínimo, a função objetivo for positiva, o problema não tem solução.

(lembre-se de que uma variável artificial positiva significa que uma restrição
original não foi satisfeita). CC, passe para a Fase II.
Solução inicial - Método das duas fases
Fase II: Use a solução viável da Fase I como solução básica viável inicial para
o problema original.
Solução inicial
Exemplo: Vamos resolver o seguinte modelo
Fase II: Use a solução viável da Fase I como solução básica viável inicial para
o problema original.
Exemplo:
Sujeito a
z 0 0 0 0 -1 -1 0
R1 3 1 0 0 1 0 3
R2 4 3 -1 0 0 1 6
x4 1 2 0 1 0 0 4
Este quadro ainda não está totalmente completo. Precisamos garantir

z 7 4 -1 0 0 0 9
R1 3 1 0 0 1 0 3
R2 4 3 -1 0 0 1 6
x4 1 2 0 1 0 0 4
Bastou fazer
zatual = zanterior + R1anterior + R2anterior
z 7 4 -1 0 0 0 9
R1 3 1 0 0 1 0 3
R2 4 3 -1 0 0 1 6
x4 1 2 0 1 0 0 4
Quem entra na base?

z 7 4 -1 0 0 0 9
R1 3 1 0 0 1 0 3
R2 4 3 -1 0 0 1 6
x4 1 2 0 1 0 0 4
Quem entra na base? X1

Quem sai da base?
Quem entra na base?

x1
Quem sai da base?
R1 1 R1
R2 1,5
x4 4
Após pivoteamentos
z 0 1,67 -1 0 -2,33 0 2
x1 1 0,33 0 0 0,33 0 1
R2 0 1,67 -1 0 -1,33 1 2
x4 0 1,67 0 1 -0,33 0 3
Quem entra na base?

Após pivoteamentos
z 0 1,67 -1 0 -2,33 0 2
x1 1 0,33 0 0 0,33 0 1
R2 0 1,67 -1 0 -1,33 1 2
x4 0 1,67 0 1 -0,33 0 3
Quem entra na base?

Quem sai da base?
Quem entra na base?

x2
Quem sai da base?
x1 3
R2 1,2 R2
x4 1,8
Após pivoteamentos
z 0 0 0 0 -1 -1 0
x1 1 0 0,2 0 0,6 -0,2 0,6
x2 0 1 -0,6 0 -0,8 0,6 1,2
x4 0 0 1 1 1 -1 1
Quem entra na base?

z 0 0 0 0 -1 -1 0
x1 1 0 0,2 0 0,6 -0,2 0,6
x2 0 1 -0,6 0 -0,8 0,6 1,2
x4 0 0 1 1 1 -1 1
Quem entra na base: Não há variável candidata a entrar na base.

Fim da Fase I.
Após removermos as colunas das variáveis artificiais, temos
Sujeito a
Fase II
z -4 -1 0 0 0
x1 1 0 0,2 0 0,6
x2 0 1 -0,6 0 1,2
x4 0 0 1 1 1
Note que precisamos o pivoteamento na linha z. Para que os coeficientes

das variáveis que estejam na base sejam zero.
Zatual = zanterior + 4x1anterior + x2anterior
z 0 0 -0,33 0 3,6
x1 1 0 0,33 0 0,6
x2 0 1 -1,67 0 1,2
x4 0 0 1 1 1
z 0 0 0,2 0 3,6
x1 1 0 0,2 0 0,6
x2 0 1 -0,6 0 1,2
x4 0 0 1 1 1
Quem entra na base?

z 0 0 0,2 0 3,6
x1 1 0 0,2 0 0,6
x2 0 1 -0,6 0 1,2
x4 0 0 1 1 1
Quem entra na base?

Quem sai da base?
Quem entra na base?

x3
Quem sai da base?
x1 3
x2 -2
x4 1 x4
Após pivoteamentos
z 0 0 0 -0,2 3,4
x1 1 0 0 -0,2 0,4
x2 0 1 0 0,6 1,8
x3 0 0 1 1 1
Quem entra na base?

Solução inicial - método de duas fases
Exercícios. Resolver os modelos pelo método de duas fases
a) b)
c) d)
13
13
sensibilidade
Aula 7 - Parte III
Prof. Aldir Sousa

aldirss@uespi.br
Casos especiais do método simplex
Nesta aula veremos quatro casos especiais que podem surgir na utilização
do método simplex.
1. Degeneração
2. Soluções ótimas alternativas
3. Soluções ilimitadas
4. Soluções não existentes
Degeneração
Na aplicação da condição de viabilidade do método simplex pode ocorrer um

empate na razão mínima que pode ser resolvido arbitrariamente.
Quando isso acontece, no mínimo uma variável básica será zero na iteração
seguinte, e diz-se que a nova solução é degenerada.
Não há nada de alarmante com uma solução degenerada, exceto uma

pequena inconveniência teórica denominada ciclagem ou retorno cíclico.
Degeneração
Quanto ao modelo, a degeneração indica que este tem pelo menos uma
restrição redundante.
Faremos mais análises com base no exemplo:
Degeneração
Iteração 0
z -3 -9 0 0 0
x3 1 4 1 0 8
x4 1 2 0 1 4
Entra na base ?
Sai da base ?
Degeneração
Iteração 0
z -3 -9 0 0 0
x3 1 4 1 0 8
x4 1 2 0 1 4
Entra na base x2
Sai da base x4 ou x3 X3
Degeneração
Iteração 1
z -0,75 0 2,25 0 18
x2 0,25 1 0,25 0 2
x4 0,5 0 -0,5 1 0
Entra na base ?
Sai da base ?
Degeneração
Iteração 1
z -0,75 0 2,25 0 18
x2 0,25 1 0,25 0 2
x4 0,5 0 -0,5 1 0
Entra na base x1
Sai da base x4
Degeneração
Solução ótima
z 0 0 1,5 1,5 18
x2 0 1 0,5 -0,5 2
x1 1 0 -1 2 0
Na iteração zero, x3 e x4 empatam, o que leva à degeneração na Iteração 1,

porque a variável básica x4 assume valor igual a zero.
Degeneração
Qual é a implicação prática da degeneração?
Examine a figura:
Degeneração
Três retas passa pelo

ponto (x1=0, x2=2)
Degeneração
Como este é um problema bidimensional, o ponto está superdeterminado e uma das

restrições é redundante.
Na prática, o simples fato de saber que alguns recursos são supérfluos pode ser
valioso durante a implementação da solução.
A informação também pode levar à descoberta de irregularidades na construção do

modelo.
Degeneração
Do ponto de vista teórico, a degeneração tem duas implicações:
1. Ciclagem ou do retorno cíclico: examinando as iterações 1 e 2, você notará
que o valor da função objetivo não melhora.
Assim, é possível que o método entre em um ciclo infinito sem nunca melhorar a FO
nem nunca satisfazer a condição de otimalidade.
Degeneração
Do ponto de vista teórico, a degeneração tem duas implicações:
2. O segundo ponto teórico surge no exame das iterações 1 e 2. Ambas as iterações,
embora com variáveis básicas e não básicas diferentes, resultam em valores
idênticos para o valor da função objetivo.
Degeneração
Sendo assim, é possível interromper os cálculos na iteração 1 (quando a

degeneração iniciou) ainda que não seja ótima?
A resposta, do ponto de vista teórico, é não. Porque a solução pode ser

temporariamente degenerada.
Soluções ótimas alternativas
Quando a função objetivo tem direção paralela a uma restrição vinculadora não
redundante, a função objetivo pode assumir o mesmo valor em mais de um ponto de
solução, o que dá origem a soluções alternativas.
Solução ótima: z = 10; x1 = 0, x2 = 2.5.

Vamos analisar a solução gráfica:.
Qualquer ponto sobre o segmento

de reta BC representa uma
solução ótima alternativa com o
mesmo valor da FO z = 10.








Resolvendo pelo método simplex
Iteração 0
z -2 -4 0 0 0
x3 1 2 1 0 5
x4 1 1 0 1 4
Entra na base Sai da base:

Iteração 0
z -2 -4 0 0 0
x3 1 2 1 0 5
x4 1 1 0 1 4
Entra na base x2 Sai da base: x3 2,5 x3
x4 4
Iteração 1 Solução ótima
z 0 0 2 0 10
x2 0,5 1 0,5 0 2,5
x4 0,5 0 -0,5 1 1,5

z 0 0 2 0 10
x2 0,5 1 0,5 0 2,5
x4 0,5 0 -0,5 1 1,5
Entra na base x1 Sai da base: x2 5 x4
x4 3
Iteração 2 Solução ótima alternativa
z 0 0 2 0 10
x2 0 1 1 -1 1
x1 1 0 -1 2 3
A iteração 1 dá a solução ótima x1 =0,

x2 = 5/2, z = 10, que corresponde
ao ponto B.
Como podemos saber se existem outra

soluções ótimas?
Como podemos saber se existem outra soluções ótimas?
z 0 0 2 0 10
x2 0,5 1 0,5 0 2,5
x4 0,5 0 -0,5 1 1,5
Note que a variável não-básica x1 tem valor zero. Isto indica que x1 pode entrar na
base sem alterar o valor de z.
Comentário: na prática, soluções ótimas alternativas são úteis porque podemos
escolher entre muitas soluções alternativas sem que o valor da FO sofra alteração.
Na solução da iteração 1, somente x2 estava na base, e x1 fora da base (ponto B). Já

na iteração 2, tanto x1 como x2 estão na base (ponto C).
No caso do mix de produtos, pode haver vantagem em produzir dois produtos em vez
de um para enfrentar a concorrência. Então, C seria uma solução mais atraente.
Solução ilimitada
Em alguns problemas de PL, os valores das variáveis podem ser aumentados
indefinidamente, sem violar nenhuma das restrições.
Isto significa que a região de soluções é ilimitada em no mínimo uma variável.
A falta de limites indica a possibilidade de o modelo ter sido mal construído.
A irregularidade mais provável em tais modelos é que uma ou mais restrições não
redundantes deixaram de ser levadas em conta ou os parâmetros de algumas
restrições podem não ter sido estimados corretamente.
Solução ilimitada
Considere o exemplo:
Solução ilimitada
Iteração 1
z 0 -3 2 0 20
x1 1 -1 1 0 10
x4 0 2 -2 1 20
Entra na base x2 Sai da base: x1 -10 x4
x4 10
Solução ilimitada
Iteração 2 Não há candidato a sair da base
z 0 0 -1 1,5 50
x1 1 0 0 0,5 20
x2 0 1 -1 0,5 10
x3 é candidata a entrar na base, porém não há variável candidata a sair. Isto significa
que temos que manter x3 fora da base e que podemos aumentar seu valor
indefinidamente.
Fazer a análise gráfica do modelo.

Solução ilimitada
Solução inviável
Problemas de PL com restrições inconsistentes podem não ter nenhuma solução

viável. Pode ser que essa situação nunca ocorra se todas as restrições forem do tipo
<= com constantes do lado direito não negativas porque as folgas fornecem uma
solução viável.
Embora as variáveis artificiais sejam punidas na FO para forçá-las a zero na solução

ótima, isso só pode ocorrer se o modelo tiver uma região viável. Caso contrário, ao
menos uma variável artificial será positiva na última iteração.
Do ponto de vista prática, a não-existência de uma região viável indica a

possibilidade de o problema não ter sido formulado corretamente.
Solução inviável
Considere o seguinte PPL

Solução inviável
Iteração 0
Base x1 x2 x3 x4 R Solucao
z -3 -2 0 0 100 0
x3 2 1 1 0 0 2
R 3 4 0 -1 1 12
Solução inviável
Iteração 0
z -303 -402 0 100 0 -1200
x3 2 1 1 0 0 2
R 3 4 0 -1 1 12

Solução inviável
Iteração 0
z -303 -402 0 100 0 -1200
x3 2 1 1 0 0 2
R 3 4 0 -1 1 12
Entra na base x2 Sai da base: x3 2 x3
R 3
Solução inviável
Iteração 1
z 501 0 402 100 0 -396
x3 2 1 1 0 0 2
R -5 0 -4 -1 1 4

Solução inviável
Iteração 1
z 501 0 402 100 0 -396
x3 2 1 1 0 0 2
R -5 0 -4 -1 1 4
A iteração 1 mostra que a variável artificial R é positiva (=4), o que indica que o
problema é inviável.
O resultado é o que denominamos solução pseudo-ótima

sensibilidade
Aula 8 - Parte IV
Prof. Aldir Sousa

aldirss@uespi.br
ANALISE DE SENSIBILIDADE
Em PL, os parâmetros do modelo podem mudar dentro de certos limites sem

provocar alteração na solução ótima.
O estudo destes limites é denominado análise de sensibilidade.
De modo geral, os parâmetros em modelos de PL não são exatos. Com análise de

sensibilidade podemos averiguar o impacto dessa incerteza sobre a qualidade da
solução ótima.
Análise de sensibilidade gráfica
Serão consideradas
1. Sensibilidade da solução ótima às variações na disponibilidade dos recursos

(lado direito das restrições).
2. Sensibilidade da solução ótima às variações no lucro unitário ou no custo unitário

(coeficientes da função objetivo).
Análise de sensibilidade gráfica - Alterações no RHS
Exemplo: A Jobco produz dois produtos em duas máquinas. Uma unidade do produto
1 requer duas horas na máquina 1 e uma hora na máquina 2. Para o produto 2, uma
unidade requer uma hora na máquina 1 e três horas na máquina 2. As receitas por
unidade dos produtos 1 e 2 são $30 e $20, respectivamente. O tempo de
processamento diário disponível para cada máquina é oito horas.
Representando o número diário de unidades de produtos 1 e 2 por a x1 e x2,

respectivamente, o modelo de PL é dado:
Exemplo: A Jobco produz dois produtos em duas máquinas. Uma unidade do produto
1 requer duas horas na máquina 1 e uma hora na máquina 2. Para o produto 2, uma
unidade requer uma hora na máquina 1 e três horas na máquina 2. As receitas por
unidade dos produtos 1 e 2 são $30 e $20, respectivamente. O tempo de
processamento diário disponível para cada máquina é oito horas.
Representando o número diário de unidades de produtos 1 e 2 por a x1 e x2,

respectivamente, o modelo de PL é dado:
Análise de sensibilidade
Gráfica - Alterações no RHS
A Figura ilustra a variação na solução

ótima quando são feitas alterações na
capacidade da máquina 1.
Se a capacidade for aumentada de 8

para 9 horas, a nova solução ótima
ocorrerá no ponto G.
Análise de sensibilidade
Gráfica - Alterações no RHS
A Figura ilustra a variação na solução

ótima quando são feitas alterações na
capacidade da máquina 1.
Se a capacidade for aumentada de 8

para 9 horas, a nova solução ótima
ocorrerá no ponto G.
A taxa de variação em z ótima resultante da alteração da capacidade da

máquina 1 de oito para nove horas pode ser calculada da seguinte maneira
A taxa calculada fornece uma ligação direta entre a entrada do modelo

(recursos) e sua saída (receita total),que representa o valor unitário
equivalente de um recurso (em $/h).
Ou a variação do valor ótimo da função objetivo por unidade de variação na

disponibilidade do recurso.
Isso significa que um unidade de aumento (redução) na capacidade da

máquina 1 aumentará (reduzirá) a receita em $ 14.
Embora o valor unitário equivalente de um recurso seja uma descrição

adequada da taxa de variação da FO, o nome técnico, preço dual ou preço
sombra é mais utilizado na literatura.
Análise de sensibilidade gráfica
Examinando a Figura, podemos ver

que o preço dual de $14/h permanece
válido para variações na capacidade
da máquina 1 no intervalo que inter
cepta a reta BF.
Isso significa que a faixa de aplicabi

lidade de determinado preço dual
pode ser calculada:
Capacidade mínima da máquina 1 [m B = (0;2,67)]

=2 x 0 + 1 x 2,67 = 2,67h
Capacidade máxima da máquina 1 [m F = (8 ; 0)]

=2 x 8 + 1 x 0 = 16h
Assim, podemos dizer que o preço dual de $14/h é válido para o intervalo
2,67h <= Capacidade da máquina 1 <= 16 h.

Atividade: Descobri o intervalo em que é válido o preço dual para a máquina

2.
Os limites calculados para as máquinas 1 e 2 sao denominados faixa de

viabilidade. Todos os pacotes computacionais fornecem informações sobre
os preços duais e suas faixas de viabilidade.
Pergunta 1: Se a Jobco puder aumentar a capacidade de ambas as

máquinas, qual delas deve receber maior prioridade?
Pergunta 1: Se a Jobco puder aumentar a capacidade de ambas as

máquinas, qual delas deve receber maior prioridade?
A de maior preço dual: a máquina 1.

Pergunta 2: É dada uma sugestão para aumentar as capacidades das

máquinas 1 e 2 ao custo adicional de $10/h. Isso é aconselhável?
Pergunta 2: É dada uma sugestão para aumentar as capacidades das

máquinas 1 e 2 ao custo adicional de $10/h. Isso é aconselhável?
Para a máquina 1, a receita líquida adicional por hora é de 14-10=4. Para a

máquina 2, 2-10=-8. Então é aconselhável para a máquina 1, para a 2, não.
Análise de sensibilidade gráfica - Alterações na FO
Nesta seção, vamos estudar o impacto de alterações nos coeficientes da

função objetivo em relação à solução ótima.
Alterações nas receitas unitárias

(coeficientes) altera a inclinação
de z.
Contudo, podemos ver que a

solução ótima continuará no
ponto C desde que a FO esteja
entre as retas BF e DE.
Isto significa que há uma faixa para os coeficientes da função objetivo que
manterá inalterada a solução ótima em C.
Podemos escrever a FO no formato geral.
Agora, imagine que a reta z gire em torno de C no sentido horário e

anti-horário. A solução ótima permanecerá no ponto C enquanto z =
c1x1+c2x2 estiver entre as duas retas, x1+3x2=8 e 2x1+x2=8.
Assim, a razão c1/c2 pode variar entre ⅓ e 2/1, o que resulta na seguinte
condição:
Pergunta 1: Suponha que as receitas unitárias para os produtos 1 e 2

sejam alteradas para $35 e $25, respectivamente. A solução ótima atual
permanecerá a mesma?
Pergunta 1: Suponha que as receitas unitárias para os produtos 1 e 2

sejam alteradas para $35 e $25, respectivamente. A solução ótima atual
permanecerá a mesma?
Como 35/25 = 1,4; a solução permanecerá dentro da faixa de otimalidade

(0,3333; 2).
B0 = f(x0)
B1 = f(x1)
B2 = f(x2)
x2 x 1 b = x0

Ot Simplex

Enviado por

Dados do documento

Descrição original:

Título 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

Ot Simplex

Enviado por

Direitos autorais:

Formatos disponíveis

Ministério da Educação

Universidade Federal do Piauí

Prof. Aldir Sousa

● Todas as restrições (com exceção da não-negativdade das

EM restrições (≤), o lado direito pode ser considerado como a

Assim, a diferença entre o lado direito e o lado esquerdo da

De forma semelhante, uma restrição (≥) estabelece um limite inferior

Consegue-se a conversão de (≥) em (=) com subtração de uma

Define-se S1 como variável de sobra, a restrição pode ser convertida

Podemos converter restrições de módulo em restrições de igualdade.

Note que |a| ≤ b é equivalente a a ≤ b e a ≥ -b.

Ilustrando: |x| <= 3 é válido para o intervalo de -3 a 3. Note que |-3| = 3

Portanto, podemos fazer

A eq. (1) é uma restrição de folga, então pode ser transformada na

Portanto, podemos fazer

Acrescentando a variável de folga:

Pode ser modelada na forma de igualdade

Ou ainda, |a| < b

Pode ser modelada na forma de igualdade

Como veremos a seguir, os cálculos do método simplex requerem que

yi = y+i- y-i, onde y-i ≥ 0 e y+i≥ 0

Isso significa que o número máximo de pontos extremos é

Assim, de acordo com a regra dada, os pontos extremos podem ser

Por exemplo, se fizermos x1 = 0 e x2 = 0, as equações dão a solução

Esta solução corresponde ao ponto A da figura.

Natureza iterativa do método simplex

O método simplex parte de uma solução inicial (A = (0,0)) e altera entre

Lembramos que, inicialmente, ambas as variáveis da função objetivo

É intuitivo, e o método simplex segue esta intuição, adicionar à base a

Variávies básicas: s1,s2,s3,s4

Como já mencionado, não estamos na solução ótima. A função

Também, já sabemos que a condição de otimalidade impõe que

Em nosso caso, x1 entra na base. Mas qual variável retirar da base?

A mecânica da determinação da variável que sai é realizada com base

A regra associada com os cálculos das razões é denominada

O novo ponto de solução B é determinado pela troca entre a variável

Variávies básicas: x1,s2,s3,s4

Com a entrada de x1 na base, um procedimento deve ser feito antes de

Os demais elementos da coluna x1 (variável que entra na base) devem ser

Os demais elementos da coluna x1 (variável que entra na base) devem ser

Para toda linha Lk, para k != i, faça:

Por exemplo, considere a linha da variável z (k=0).

Note que a tabela nos dá informações importante, depois do

A condição de otimalidade garante que ainda podemos adicionar x2 à

Quem deve sair?

A condição de otimalidade garante que ainda podemos adicionar x2 à

Variáveis básicas: x1, x2, s3,s4.

A solução também dá o status dos recursos. Um recurso é designado

Condição de viabilidade: tanto para os problemas de mim como para

2. Todas as outras linhas, incluindo z: Nova linha = (linha atual) -

1. Determine uma solução básica inicial viável.

Esta solução não é ótima. Podemos ver que x1 e x2 podem entrar

Prof. Aldir Sousa

Não é incomum termos modelos que nos leve a uma situação

Ambos são muito semelhantes.

Contudo, como as variáveis artificiais não são parte do modelo original,

Coeficiente na função objetivo

Como o nosso exemplo é de minimizar, utilizaremos um coeficiente

Este quadro ainda não está totalmente completo. Precisamos garantir

z 696 399 -100 0 0 0 900

zatual = zanterior + 100R1anterior + 100R2anterior

Quem entra na base?