CENTRO DE TECNOLOGIA

Departamento de Engenharia de Produção

TK0222 - Pesquisa Operacional

Programação Linear: solução gráfica

Prof. Dr. Anselmo R. Pitombeira Neto

2020
 Programação Matemática
Programação (Programming) ~ Planejamento;
Solucionar problemas de planejamento utilizando modelos
matemáticos de otimização;
Criada na década de 1940, foi uma das primeiras técnicas
de Pesquisa Operacional;
É sinônimo de “Otimização com restrições”;
 Modelagem em
Programação Matemática
Variáveis de decisão:
 Variáveis cujos valores são controláveis e impactam a
função-objetivo.
Função-objetivo
 Função matemática de uma ou mais variáveis de decisão e
que se deseja maximizar ou minimizar (objetivo a ser
atingido).
Restrições
 Conjunto de relações matemáticas que impõem condições
sobre os valores que as variáveis de decisão podem
assumir.
 Protótipo de um modelo de
Programação Matemática

min/max f (x 1, x 2, ... x n ) Função-objetivo

sujeito a

g1 ( x 1, x 2, ... x n) ≤ b1
g2 ( x1, x 2, ... x n) ≤ b 2
Restrições

⋮
gm (x 1, x 2, ... x n ) ≤ b m
 Tipos de modelos de
Programação Matemática
Quanto à linearidade
 Modelos lineares → Programação Linear
 A função-objetivo e as restrições são lineares.
 Modelos não-lineares → Programação Não Linear
 Pelo menos uma função matemática (função-objetivo ou
restrições) é não linear.
Quanto à continuidade
 Modelos contínuos
 As variáveis de decisão assumem valores fracionários.
 Modelos discretos → Programação Inteira
 As variáveis de decisão devem assumir valores inteiros.
 Modelo geral de Programação Linear

min/max z = c 1 x1 + c 2 x 2 +...+ c n x n

s.a.

a11 x 1+ a 12 x 2 +...+a 1 n x n ≤ b1
a 21 x 1 +a 22 x 2 +...+ a 2 n x n ≤ b2
⋮ ⋮ ⋮ ⋮
a m1 x 1 +a m 2 x 2 +...+a mn x n ≤ bm

x1, x 2, ... , x n≥0

 Exemplo ilustrativo:
Determinação do mix de produção em uma
pequena empresa de laticínios
A empresa fabrica dois produtos:
 Queijo
 Doce de leite
Para a produção, a empresa dispõe de certa quantidade
limitada de recursos/dia:
 Mão-de-obra (em homens-hora)
 Máquinas (em horas de máquina)
 Matéria-prima (leite, em litros)
 Disponibilidade de recursos
A empresa possui 30 funcionários trabalhando 6 horas por
dia.
A disponibilidade diária do maquinário é de 280 horas.
A matéria-prima disponível diariamente é de 700 litros de
leite.
Para fazer um kg de queijo, a fábrica consome 10 litros de
leite (perde-se a água do leite), e utiliza 1,5 horas de mão-
de-obra, e 3,5 horas de maquinário.
Para fazer um kg de doce de leite, a fábrica consome 7 litros
de leite, e utiliza 3 horas de mão-de-obra, e 4 horas de
maquinário.
 Disponibilidade de recursos
Os dados abaixo indicam o quanto uma unidade de cada
produto consome de cada recurso, e as disponibilidades diárias
de cada recurso:

Recurso Queijo Doce de leite Disponibilidade

Mão-de-obra 1,5 horas 3 horas 180 horas
Horas de máquina 3,5 horas 4 horas 280 horas
Matéria-prima (leite) 10 litros 7 litros 700 litros
 Lucro por unidade
1 kg de queijo, quando vendido, rende o lucro de R$ 2,00.
1 kg de doce de leite, quando vendido, rende o lucro de R$
3,00.
 Problema
A empresa deseja determinar quais os níveis de produção de
cada produto que maximizará o lucro total, dadas as
disponibilidades diárias de recursos de produção.
 Modelagem matemática do problema
Variáveis de decisão
x1 – Nível de produção de queijo (em kg)

x2 – Nível de produção de doce de leite (em kg)

Função-objetivo (lucro total)

z = 2x1+3x2
 Modelagem matemática do problema
Restrições
Dados os níveis x1 e x2 de produção, a utilização total de mão-
de-obra será:

1,5x1+3x2

Como a disponibilidade diária é de 180 horas, logo a

quantidade máxima de horas utilizadas deve ser menor ou
igual a esse valor:

1,5x1+3x2 ≤ 180
 Modelagem matemática do problema
A quantidade total de horas-máquina deve ser menor ou igual
a 280 horas:

3,5x1+4x2 ≤ 280

A quantidade total consumida de leite deve ser menor ou igual

a 700 litros:

10x1+7x2 ≤ 700
 Modelo de Programação Linear

max z = 2 x 1 +3 x 2

sujeito a

1,5 x 1 + 3 x 2 ≤ 180
3,5 x 1 + 4 x 2 ≤ 280
10 x 1 + 7 x 2 ≤ 700

x1 ≥ 0
x2 ≥ 0
 Representação de restrições de
desigualdade: semiespaços
x2
100

80

1,5x1+3x2 = 180
60

1,5x1+3x2 ≤ 180

100 120 x1
 Adicionando as restrições restantes
x2
100

3,5x1+4x2 ≤ 280 10x1+7x2 ≤ 700

70

60

1,5x1+3x2 ≤ 180

70 80 120 x1
 Solução do modelo

Solução do modelo
 O vetor cujas componentes correspondem às variáveis de
decisão;
Solução viável
 Uma solução que satisfaz todas as restrições;

Solução inviável
 Uma solução que não satisfaz pelo menos uma das
restrições;
Solução ótima
 Uma solução viável que maximiza (ou minimiza) a função-
objetivo.
 Região de soluções viáveis
x2
100 Conjunto resultante da interseção
dos semiespaços definidos pelas
restrições.

70

60
Solução inviável
Solução viável

70 80 120 x1
Restrições de não
negatividade
 Curvas de nível da função-objetivo
A função z = 2x1+3x2 é um plano em R3.

Atribuindo-se um valor específico z = z0, produz-se uma

curva de nível em R2 para a qual todos os pontos possuem a
mesma coordenada z = z0.
 Curvas de nível da função-objetivo
x2
100
Curva de nível para z0 = 120

120 = 2x1+3x2
80
70

60
50
40

60 70 80 120 x1
 Curvas de nível da função-objetivo
x2
100
Curva de nível para z0 = 120

120 = 2x1+3x2
80
70

60
50
40

60 70 80 120 x1
 Curvas de nível da função-objetivo
x2
100
Curva de nível para z0 = 180

180 = 2x1+3x2
80
70

60

70 80 90 120 x1
 Curvas de nível da função-objetivo
x2
r3
100
Curva de nível para z0 = 193,5

193,5 = 2x1+3x2
r2 80
70
r1 60

70 80 90 120 x1
 Solução ótima
Ponto de interseção entre as retas r1 e r2:

r1: 1,5x1 +3x2 = 180

r2: 3,5x1+4x2 = 280

Por eliminação de Gauss:

x1 = 26,7

x2 = 46,7
 Solução ótima
Produzir x1 = 26,7 kg de queijo e x2 = 46,7 kg de doce de
leite.
Lucro total é z* = R$ 193,50.
 Solução intuitiva
Produzir o máximo possível do produto mais lucrativo, nesse
caso, o doce de leite.
Máximo x2 = 60 kg de doce de leite (restrição de mão-de-
obra).
Lucro resultante z = 2*0+3*60 = R$ 180,00 < 193,5.
 Solução intuitiva
x2
100
x1 = 0 kg

x2 = 60 kg

z = 2*0+3*60 = R$ 180,00
70

60

70 80 120 x1
 Premissas de um
modelo de Programação Linear
Quando se constroi um modelo de PL, admite-se
implicitamente as seguintes premissas:
Proporcionalidade
 A contribuição de uma variável para o valor da função-
objetivo e das restrições funcionais é diretamente
proporcional ao valor da variável.
Aditividade
 A contribuição de uma variável para o valor da função-
objetivo e das restrições funcionais é aditiva.
 Premissas de um
modelo de Programação Linear
Divisibilidade
 Todas as variáveis podem assumir valores fracionários
(valores no conjunto dos números reais).
Determinismo
 Admite-se que as constantes do modelo são como
conhecidas com certeza.
 Modelos de PL: casos de solução
Solução ótima única
Múltiplas soluções ótimas
Inexistência de solução ótima
 Inexistência de solução viável
 Função-objetivo ilimitada
 Soluções ótimas
Teorema

Se um modelo de PL possui uma solução ótima, então pelo

menos um ponto extremo é uma solução ótima.
 Exemplo ilustrativo:
O problema da dieta
Uma pequena fazenda de criação de aves usa no mínimo
800 kg de ração por dia.
A ração é uma mistura de milho e soja com as composições
nutricionais dadas abaixo:

Ração Proteína Fibra Custo($/kg)

(kg/kg de ração) (kg/kg de ração)

Milho 0,09 0,02 0,30

Soja 0,60 0,06 0,90

 Exemplo ilustrativo:
O problema da dieta
Os requisitos nutricionais para a mistura são:
 Mínimo de 30% de proteína em um kg de ração.
 Máximo de 5% de fibra em um kg de ração.
A empresa deseja determinar as quantidades de milho e
soja que minimizam o custo da produção diária da ração.
 Múltiplas soluções ótimas
Ocorre quando a curva de nível da função-objetivo é
paralela a alguma restrição na solução ótima;
Todas as soluções ótimas são combinações lineares
convexas de soluções ótimas que são pontos extremos.
 Exemplo (múltiplas soluções ótimas)

max z = 2 x1+ 4 x2

sujeito a

x1 + 2 x 2 ≤ 5
x1 + x 2 ≤ 4

x1 ≥ 0
x2 ≥ 0
 Inexistência de solução viável
Ocorre quando o conjunto de soluções viáveis é vazio (a
interseção dos semiespaços é vazia);
Não existe solução ótima;
Um modelo cujo conjunto de soluções é vazio pode ser um
indício de erros na modelagem do problema.
Exemplo (inexistência de solução viável)

min z = 3 x1 + 2 x2

sujeito a

2 x1 + x2 ≤ 2
3 x 1 + 4 x 2 ≥ 12

x1 ≥ 0
x2 ≥ 0
 Exercício
(resolva pelo método gráfico)
min z = −2 x 1−3 x 2

sujeito a

6 x 1 + 2 x 2 ≥ 60
5 x 1 + 3 x 2 ≥ 30
x 1 ≤ 20
x 2 ≤ 40

x2 ≥ 0
x 1 irrestrita