Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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
1,5x1+3x2
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
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
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.
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:
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
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