Matemática I

CAPÍTULO # IV- Programação Linear (P.L)

4.1- Introdução e conceitos fundamentais P.L
4.2 – Formalização e modelação de P.P.L
4.3 – Resolução Gráfica de P.P.L com duas variáveis
4.1- Introdução e Conceitos Fundamentais
Neste capítulo pretende-se identificar, formular, resolver e interpretar soluções de problemas de
programação linear (P.P.L).

Os Problemas de Programação Linear (P.P.L), são uma classe particular da Programação Matemática
(P.M.), onde a função objectivo e as restrições podem ser representadas por funções lineares.
Programação ↔ Planeamento de Actividades
Linear ↔ O problema é representado matematicamente pelo modelo de P.M., onde
todas as funções são lineares.
Definição: Um P.P.L – consiste em determinar valores não negativos para as variáveis de
decisão, de forma que satisfaçam as restrições impostas e que optimizem (minimizem ou
maximizem) uma função (real) linear dessas variáveis.
Recomenda-se a seguinte abordagem para passar do enunciado a um P.P.L:

1- Determine a grandeza que se pretende optimizar e expresse-a como função

matemática. Ao fazê-lo, terá que definir as variáveis;
2- Identifique todos os requisitos, condicionalismos, limitações e expresse-os como
funções matemáticas. Assim definirá as restrições;
3- Expresse todas as condições implícitas. Tais condições não são estipuladas
explicitamente no problema, mas são evidentes face, a situação física que se esta a
modelar. Envolvem a não negatividade.
4.2 - Formalização e modelação matemática de P.P.L

Na formulação de P.P.L é necessário definir as variáveis de decisão xi (i  1,  , n) ,

a função objectivo (F.O) e as restrições, que podem ser funcionais ou de sinal.
 4.2 - Formalização e modelação matemática de P.P.L

Na formulação
variáveisdedeP.P.L
decisão – correspondem
é necessário definir as às
variáveis de decisão
quantidades xi (i  1a,serem
de decisões , n) ,
tomadas
a função e cujos
objectivo valores
(F.O) são os queque
e as restrições, se pretendem
podem ser determinar;
funcionais ou de sinal.
 função objectivo – corresponde à medida de rendimento apropriada (por
exemplo, custo) e é expressa por uma função matemática envolvendo as
variáveis de decisão e os pesos a atribuir a cada uma delas;
 restrições – correspondem às limitações impostas nos valores das variáveis
de decisão que irão ser determinadas; são também expressas
matematicamente (normalmente através de inequações ou equações); os
parâmetros são as constantes presentes nas restrições (coeficientes da parte
direita das restrições).
No quadro seguinte está resumido a forma (Modelo) de como se apresenta um P.P.L:

Problema de Programação Linear na Forma

Geral Canónica Standard (Padrão)
Função
Objectivao Máx. /Mín. Máx. (Mín.) Máx. (Mín.)
Restrições ; ;   () =
Variáveis  0;  0;  R 0 0

Quando as restrições de um modelo de Programação Linear são apresentadas na forma de

equações diz-se que o modelo está na forma Standard (ou Padrão).

Quando as restrições de um modelo de Programação Linear são apresentadas na forma de

inequações diz-se que esse modelo está na forma Canónica.
O modelo de Programação Linear na Forma Canónica, do Tipo Máximo pode ser
apresentado: (- Objectivo é maximização; - as restrições são todas do tipo  ; - as restrições
de não negatividade são efectivas).

Máx. Z = c1 x1  c2 x2    cn xn - Função Objectivo (F.O)

a11 x1  a12 x 2    a1n x n  b1
a x  a x    a x  b
 21 1 22 2
Sujeito a (s.a)       
2n n 2
Restrições funcionais e de sinal

a x  a x    a x  b
 m1 1 m2 2 mn n m


 x1 , x 2 ,  , x n  0
Forma Cartesiana (ou mais simplificadamente):
n
Máx. Z = cj
j x j - função objectivo;

 n
s.a  aij x j  b j -restrições funcionais e de sinal
 j
 xj  0

  x1 
x 
Forma Matricial: Máx. Z = c , c , , c . 2  - função objectivo
1 2 n
 
 
 xn 
 a11 a12  a1n   x1   b1 
a a 22  a 2 n   x 2   b2  -restrições funcionais;
s.a  21  
          
     
a m1 am2  a mn   x n  bm 

 x1  0
 x  0 
 2     - restrições de sinal
   
   
 x n  0 
Tipo Mínimo “ Forma Canónica:

Mín.. Z = c1 x1  c2 x2    cn xn - Função Objectivo (F.O)

a11 x1  a12 x 2    a1n x n  b1
a x  a x    a x  b
Sujeito a (s.a) 

21 1 22 2 2n n 2 Restrições funcionais e de sinal
      
a x  a x    a x  b
 m1 1 m2 2 mn n m


 x1 , x 2 ,  , x n  0

Forma Cartesiana (ou mais simplificadamente):

n
 n
Mín. Z = c j x j - função objectivo; s.a  aij x j  b j -restrições funcionais e de sinal
 j
j
 xj  0

Forma Matricial...
  m1 1 m2 2 mn n m


 x1 , x 2 ,  , xn  0

Forma Cartesiana (ou mais simplificadamente):

n
 n
Mín. Z = c j x j - função objectivo; s.a  aij x j  b j -restrições funcionais e de sinal
 j
j
 xj  0

Forma Matricial...

OBS:Qualquer problema de minimização pode converter-se num de maximização, pois:

Minimizar Z = - Maximizar (- Z);

Restrições do tipo () , pode ser convertida em restrições do tipo () , mediante a
multiplicação por (-1) de ambos os membros.
4.3 – Resolução gráfica de P.P.L com duas variáveis
A resolução gráfica é um método frequentemente utilizado quando apenas dispomos de
duas variáveis de decisão, pois, para além de permitir encontrar rapidamente a solução
óptima, permite uma visualização do processo de aproximação à solução do problema. A
sua vantagem principal prende-se com a avaliação da maior ou menor influência das
restrições do problema para chegar à solução óptima.
Notas:
a) No plano Euclidiano ax1  bx2  c , representa uma recta que passa em  0; c  e
 b
em  c ;
 ;0 
a 
b) A restrição ax1  bx2  c , representa um semi-plano limitado pela recta
ax1  bx2  c .
4.3 – Resolução gráfica de P.P.L com duas variáveis
A resolução gráfica de um P.P.L apresenta diversos passos, que serão apresentados de
seguida:

1) Identificar as variáveis de decisão;

2) Montar a função objectivo;
3) Montar as equações das restrições;
4) Determinar no mínimo dois pontos para cada recta da restrição;
5) Representar os pontos e, traçar as rectas no plano cartesiano;
6) Selecionar (marcar) a área viável;

 sobre a recta


Obs.: se a restrição for:  acima da recta e a direita
 abaixo da recta e a esquerda

7) Verificar a área comum entre todas as restrições;
8) Achar o ponto óptimo do problema;
9) Formular a resposta.
Exemplos: 1º
Capacidade utilizada por
unidade de produção
Secção nº Produto 1 Produto 2 Capacidade de produção
I 1 0 4
II 0 2 12
III 3 2 18
Lucro unitário 3 5

 xi – o número de unidades do produto produzidas por minuto, i = 1,2.

 Z – o lucro total por minuto.
 x1  4  I  sec ção
Máx. Z  3x1  5x2 (u.m)  Lucro total por minuto (F.O) s.a 
 2 x 2  12  II  sec ção

3x1  2 x 2  18  III  sec ção
 x1 , x 2  0
Resolução gráfica “ Uma única solução óptima”
Exemplos: 2º
Um criador de porcos, pretende determinar a quantidade de cada tipo de ração a dar
diariamente a cada animal, para conseguir uma dada qualidade nutritiva a custo mínimo.
Os dados relativos ao custo de cada tipo de ração, às quantidades mínimas diárias de
ingredientes nutritivos básicos a fornecer a cada animal, bem como às quantidades destes
existentes em cada tipo de ração (g/kg) constam do quadro em baixo.

Granulado Farinha Quantidade

(gr/kg) (gr/kg Mínima Requerida
Hidratos de Carbono 20 50 200
Vitaminas 50 10 150
Proteínas 30 30 210
Custo 10 5
 x1 – quantidade (Kg) de granulado existente na ração diária;
 x2 – quantidade (Kg) de farinha existente na ração diária.

Mín. Z  10x1  5x2 (u.m)  Custo diário (F.O)

20 x1  50 x 2  200  hidratos de carbono

50 x  10 x  150  vita min as
s.a  1 2

30 x1  30 x 2  210  proteinas

 x1 , x 2  0

 x  0  x2  4
I  20 x1  50 x2  200   1
 x2  0  x1  10
 x  0  x2  15
II  50 x1  10 x2  150   1
 x2  0  x1  3
 x  0  x2  7
III  30 x1  30 x2  210   1
 x2  0  x1  7
Solução óptima do problema: x1=2; x2=5; Zopt=45