Universidade Anhanguera – Uniderp

Centro de Educação a Distância

ATPS PESQUISA OPERACIONAL

Erica Ap. Pereira HypolitoGiroto - RA: 297171

Flávio Henrique Alves - RA: 305078

JadyTabata N. Batista - RA: 297188

Marcio HirokiYoshimi - RA: 297210

Raquel Miriam Dorce - RA: 265946

Marcelo Augusto Paglione - RA: 265978

ECHAPORÃ-SP
02/11/2014
 ADMINISTRAÇÃO

ATPS PESQUISA OPERACIONAL

Erica Ap. Pereira HypolitoGiroto - RA: 297171

Flávio Henrique Alves - RA: 305078

JadyTabata N. Batista - RA: 297188

Marcio HirokiYoshimi- RA: 297210

Raquel Miriam Dorce- RA: 265946

Marcelo Augusto Paglione-RA: 265978

ECHAPORÃ-SP
02/11/2014
 3

SUMÁRIO EXECUTIVO

1. INTRODUÇÃO...........................................................................................................05
2. MODELAGENS DE PROBLEMAS DE ALOCAÇÃO DE RECURSOS.............06
2.1 As maneiras mais adequadas para construção de um modelo
matemático..............................................................................................................06
2.1.1 Formulação do problema............................................................................06
2.1.2 Problema.....................................................................................................07
2.1.3 Restrição......................................................................................................07
3. CONTRUÇÃO DO MODELO..................................................................................07
4. SOLUÇÃO DO MODELO.........................................................................................09
5. VALIDAÇÃO DO MODELO....................................................................................09
6. IMPLEMENTAÇÃO DA SOLUÇÃO......................................................................09
7. AVALIAÇÃO FINAL.................................................................................................10
8. PROGRAMAÇÃO LINEAR.....................................................................................11
8.1 Origem, Evolução, Introdução e Primeiros Conceitos............................................12
8.2 O que é e Onde se aplica a Programação Linear?..................................................14
8.3 Conceitos Fundamentais da Programação Linear...................................................15
8.4 Tipos de soluções....................................................................................................16
9. FORMULAÇÃO DO PROBLEMA..........................................................................17
9.1 Variáveis de decisão................................................................................................17
9.2 Função objeto..........................................................................................................17
9.3 Restrições................................................................................................................17
9.4 Montagem do modelo.............................................................................................18
10. INCLUSÃO DAS VARIÁVEIS DE FOLGA DA MATÉRIA PRIMA E MÃO DE
OBRA...........................................................................................................................18
10.1 Montagem do Modelo.......................................................................................19
10.2 Representação e Resolução Gráfica de Problemas de PL.................................19
11. O Método Simplex.......................................................................................................21
11.1 Introdução e Conceitos Fundamentais no Método Simplex..............................21
11.2 Algoritmo do Método Simplex..........................................................................22
 4

12. CONSIDERAÇÕES FINAIS.....................................................................................23

13. REFERÊNCIAS BIBLIOGRÁFICAS......................................................................24
 5

1. INTRODUÇÃO 

No desenvolvimento desta ATPS, observaremos diversos contextos que irão nos mostrar o
quanto é importante à maximização dos lucros viabilizando alocação de recursos limitados e
maximizando os impactos nas tarefas da tomada de decisão.
Na primeira etapa veremos através da Programação Linear, a importância de se executar
uma tarefa, como veremos nos exemplos abaixo, onde será feito o levantamento de quantos
metros de madeira serão utilizados para a execução de um armário e de uma cadeira. Teremos
algumas demonstrações de respectivos valores serão citados para calcularmos quanto seria
gasto nos mesmos.
Na segunda etapa será feito um levantamento bibliográfico para observar qual será a
melhor maneira de se construir um modelo matemático. Através de alguns estudos vimos que
modelo matemático é uma representação ou interpretação simplificada de realidade, ou uma
interpretação de um fragmento de um sistema, segundo uma estrutura de conceitos mentais ou
experimentais. Baseado nisso dar-se o melhor modelo em questão.
A terceira etapa irá nos falar a respeito de variáveis de folga da matéria prima e mão de
obra, onde observaremos detalhadamente; as variáveis, a mão de obra, a matéria prima, e os
lucros. Também o tempo gasto para produção de cada uma dessas variáveis, cálculos para
melhores detalhes, e gráficos para demonstração.
E a quarta etapa é um complemento da terceira etapa, que irá nos mostrar detalhadamente
a resolução dos problemas citados na terceira etapa, para melhor compreensão dessa
programação linear.
 6

2. MODELAGENS DE PROBLEMAS DE ALOCAÇÃO DE RECURSOS.

Programação Linear é uma técnica de otimização bastante utilizada na resolução de

problemas quantitativos que tenham seus modelos representados por expressões lineares,
sendo elas equações e/ou inequações. Pela sua simplicidade e a possibilidade de aplicação em
uma considerável diversidade de problemas, tornou-se um recurso bastante difundido.
Em um modelo de Programação Linear, existe uma combinação de variáveis, cujo
objetivo é ser maximizada ou minimizada. Para essa combinação de variáveis de decisão
chamaremos de Função Objetivo. Em todo modelo de Programação Linear, existem
restrições, representadas por equações e/ou inequações, que indicam uma limitação na
situação real, tal como, escassez de recursos, limitações de mercado, etc. Dado um modelo em
PL, identificamos sempre um Parâmetro, que são valores fixos e independentes e também as
Variáveis de Decisão, sendo elas que poderão assumir diversos valores, de forma a maximizar
ou minimizar a função objetivo.
Os problemas de Programação Linear estão entre as aplicações mais bem-sucedidas
comercialmente da Pesquisa Operacional; de fato, há considerável evidência de que eles estão
entre as aplicações de ao estruturar problema sob a forma de um modelo matemático, o intuito
é de nos ajudar no processo de decisão: que atividades empreender e quanto de cada uma, a
fim de satisfazer um dado objetivo. Programação Linear é uma ferramenta de planejamento
que nos ajuda a selecionar que atividades (variáveis de decisão) empreender, dado que essas
alternativas (diversas alternativas) competem entre si pela utilização de recursos escassos
(restrições) ou então precisam satisfazer certos requisitos mínimos. O objetivo será maximizar
(minimizar) uma função das atividades, geralmente lucros (perdas). O problema resume-se na
maximização (ou minimização) de uma função linear, a função objetiva, sujeita a restrições
também lineares.

2.1 As maneiras mais adequadas para construção de um modelo matemático.

2.1.1 Formulação do problema:

Nesta face, deverá haver uma identificação dos elementos do problema que incluem
variáveis controláveis, variáveis não controláveis, as restrições sobre as variáveis e os
objetivos para definir uma boa solução. O papel do decisor é fundamental, pois é ele quem
determina os limites de uma dada analise e o que é uma questão de juízo pessoal. 
 7

2.1.2 Problema:
Uma marcenaria produz dois modelos de certo produto, armário e cadeira, ambos de
um só modelo. Para efeito de simplificação, vamos considerar que a marcenaria tem
limitações em somente dois recursos: madeira e mão-de-obra, cujas disponibilidades diárias
são mostradas na tabela a seguir.

Variáveis X¹ X²
Mão de Obra 16h 5h
Matéria Prima 8 m² 1m²
Lucro (R$) R$50,00 R$20,00

30h
12m²
O processo de produção é tal que, para fazer uma cadeira a fábrica gasta 1m² de
madeira e 5h de mão-de-obra. Para fazer um armário, a fábrica gasta 8 m² de madeira e 16h de
mão de obra. Além disso, o fabricante sabe que cada cadeira dá uma margem de contribuição
para o lucro de R$20,00 e cada armário de R$50,00.

2.1.3 Restrições: 
Quantidade de mão de obra (horas) para a confecção dos dois móveis (armário e
cadeira). 
Quantidade de matéria prima (m² de madeira) para a confecção dos dois móveis
(armário e cadeira). 

3. CONSTRUÇÃO DO MODELO.
O modelo mais apropriado para a representação do sistema deve ser escolhido com
base na definição do problema. Esta é a fase que mais criatividade exige do analista, uma vez
que a qualidade de todo o processo seguinte é conseqüência do grau de representação da
realidade que o modelo venha a apresentar. 
Vários tipos de modelo podem ser utilizados para resolver problemas, desde um
simples modelo conceitual que apenas representa a inter-relação entre as informações, até
modelos matemáticos complexos que exigem uma força de trabalho muito grande para sua
formulação e operação. 
 8

Se o modelo elaborado tem a forma de um modelo padrão, como por exemplo, de

Programação Linear, a solução pode ser obtida por métodos matemáticos convencionais. Por
outro lado, se as relações matemáticas são muito complexas ou mesmo indefinidas,
poderemos usar a técnica da simulação, e, em alguns casos, haverá necessidade de usarmos
uma combinação de duas metodologias. 
Os modelos de maior interesse em Pesquisa Operacional são os modelos matemáticos,
isto é, modelos formados por um conjunto de equações e inequações. Uma das equações do
conjunto serve para medir a eficiência do sistema para cada solução proposta. É a função
objetivo ou função de eficiência. As outras equações geralmente descrevem as limitações ou
restrições técnicas do sistema.
As variáveis que compõem as equações são de dois tipos: 
 Variáveis controladas ou de decisão: são as variáveis cujos valores estão sob
controle. Decidir, neste caso, é atribuir um particular valor a cada uma dessas
variáveis. Numa programação de produção, por exemplo, a variável de decisão é a
quantidade a ser produzido num período, o que compete ao administrador controlar;
 Variáveis não controladas: são as variáveis cujos valores são arbitrados por sistemas
fora do controle do administrador. Custos de produção, demanda de produtos, preço de
mercado são variáveis não controladas. 
Um bom modelo é aquele que tem desempenho suficientemente próximo do desempenho
da realidade e é de fácil experimentação. Essa proximidade desejada é variável, dependendo
do objetivo proposto. Um bom modelo para um objetivo pode ser péssimo para outro. A
fidelidade de um modelo é aumentada à medida que ele incorpora características da realidade,
com a adição de novas variáveis. Isso aumenta sua complexidade, dificultando a
experimentação, o que nos leva a considerar o fator custo-benefício quando pensamos em
melhorar o desempenho de um modelo. 

 As variáveis de decisão envolvidas no problema são:

x1: quantidade a produzir de armários
x2: quantidade a produzir de cadeiras

 A função objetivo é:
Lucro: MaxZ = 50 x 1 + 20 x 2
 9

 Para as restrições, a relação lógica existente é:

Utilização de Recurso = Disponibilidade

4. SOLUÇÃO DO MODELO.
Esta fase tem por objetivo encontrar uma solução para o modelo construído. No caso de
modelos matemáticos, a solução é obtida pelo algoritmo mais adequado, em termos de rapidez
de processamento e precisão da resposta. Isto exige do analista de Pesquisa Operacional um
conhecimento profundo das principais técnicas.
A solução obtida, neste caso, é dita “ótima”. Se modelos de simulação ou métodos
heurísticos são utilizados, o conceito de “otimalidade” não é bem definido, e a solução obtida
é uma avaliação aproximada das medidas do sistema ou do objetivo a ser atingido. 

5. VALIDAÇÃO DO MODELO. 
Nessa altura do processo de solução do problema, é necessário verificar a validade do
modelo. Um modelo é válido se, a despeito de sua inexatidão em representar o sistema, ele for
capaz de fornecer uma previsão aceitável do comportamento do sistema e uma resposta que
possa contribuir para a qualidade da decisão a ser tomada. 
Um método comum para testar a validade do sistema é analisar seu desempenho com
dados passados do sistema e verificar se ele consegue reproduzir o comportamento que o
sistema manifestou. 
É importante observar que este processo de validação não se aplica a sistemas
inexistentes, ou seja, em projeto. Nesse caso, a validação é feita pela verificação da
correspondência entre os resultados obtidos e algum comportamento esperado do novo
sistema.

6. IMPLEMENTAÇÃO DA SOLUÇÃO. 
Avaliadas as vantagens e a validade da solução obtida, esta deve ser convertida em regras
operacionais. A implementação, por ser uma atividade que altera uma situação existente, é
uma das etapas críticas do estudo. É conveniente que seja controlada pela equipe responsável,
pois, eventualmente, os valores da nova solução, quando levados à prática, podem demonstrar
a necessidade de correções nas relações funcionais do modelo, exigindo a reformulação do
modelo em algumas de suas partes. 
 10

A presença da equipe permite, também, superar mais facilmente as resistências e

oposições às alterações propostas na sistemática das operações e que,normalmente, aparecem
nessa fase do trabalho.

7. AVALIAÇÃO FINAL. 
A avaliação dos resultados obtidos em qualquer etapa do processo é de fundamental
importância, pois garantirá melhor adequação das decisões às necessidades do sistema e
aceitação mais fácil dessas decisões por todos os setores envolvidos. 
Nesta avaliação, um fator que tem papel primordial é a experiência do pessoal envolvido
no estudo. Não se deve esquecer que um modelo é apenas uma representação simplificada,
não conseguindo por isso captar todas as características e nuanças da realidade. Assim, é com
experiência e visão crítica que conseguimos avaliar e determinar a aplicabilidade da decisão.
Para que as empresas alcancem seus objetivos, elas devem se preocupar,
obrigatoriamente, com as diversas restrições, tanto a nível interno como externo, sendo a mais
importante, dentre as existentes, a política de formação de preços, a fim de programar a
produção de seus produtos e atender com eficiência o mercado. Para que a empresa consiga
atingir esse ponto ótimo ela tem que desenvolver seu próprio mecanismo de formação de
custos, despesas, preços, remuneração do seu investimento, enfim obter um modelo ideal que
vai desde a programação da produção até a colocação do produto no mercado.
Para que a empresa possa cumprir sua missão, a organização depende dos resultados
obtidos, assim, a otimização dos resultados disponíveis constitui um fator de extrema
importância, principalmente se considerarmos o alto grau de competitividade como exigência
do mercado atual.
A teoria da matemática preocupa-se em construir modelos matemáticos capazes de
simular situações reais na empresa. Criação de modelos matemáticos volta-se principalmente
para a resolução de problemas de tomada de decisão. É através do modelo que se fazem
representações da realidade. Na Teoria Matemática, o modelo é usado geralmente como
simulação de situações futuras e avaliação da probabilidade de sua ocorrência. Em síntese os
modelos servem para representar simplificações da realidade. Sua vantagem reside nisto;
manipular simuladamente as complexas e difíceis situações reais por meio da simplificação da
realidade.
 11

8. PROGRAMAÇÃO LINEAR.
De acordo com a pesquisa realizada a Programação Linear (PL) consiste em métodos para
resolver problemas de Otimização com restrições (injunções) em que a Função Objetivo é
LINEAR em relação às variáveis de controle x1, x2,..., xn, e o domínio destas variáveis é
injuncionado por um sistema de inequações lineares.
Um problema de Programação Linear consiste em determinar valores não negativos para
as variáveis de decisão, de forma que satisfaçam as restrições impostas e que otimizem
(minimizem ou maximizem) uma função (real) linear dessas variáveis. Existem varias
definições para a programação linear.
1ª Definição: Uma solução factível para um problema de programação linear é um vetor
xÎRn que satisfaz as restrições principais e não negatividades.
2ª Definição: Matriz básica é uma matriz m’m formada por m colunas de A.
3ª Definição: Solução básica é o único vetor determinado pela escolha de uma matriz
básica, fazendo as n – m variáveis associadas às colunas que não estão na matriz básica iguais
à zero, e resolvendo o sistema (não singular) de equações para as m variáveis restantes.
4ª Definição: Uma solução básica factível é uma solução básica não negativa.
5ª Definição: uma solução básica factível não degenerada é uma solução básica factível
com exatamente m componentes xi > 0.
6ª Definição: uma solução ótima é uma solução básica factível que minimiza z.

Um PL diz-se estar na forma padrão, se todas as restrições propriamente ditas (não

incluindo as de não negatividade) são equações. Todo o PL pode escrever-se na sua forma
padrão, por introdução de variáveis folga (“slack”) nas restrições que são inequações, da
seguinte forma: 
f(x) ≤ b ⇒ f(x) + x = b, x ≥ 0 (x variável “slack”) 
f(x) ≥ b ⇒ f(x) − x = b, x ≥ 0 (x variável “slack”) 

Problema de programação linear:

- Não tem solução;
- Solução ilimitada;
- Solução ótima única;
- Número infinito de soluções ótimas;
- Propriedade;
- Solução ótima é um ponto extremo;
 12

8.1 Origem, Evolução, Introdução e Primeiros Conceitos

Desde a revolução industrial o mundo tem presenciado um grande crescimento no
tamanho e complexidade das organizações e empreendimentos. Por outro lado, é cada vez
mais difícil fazer a atribuição dos recursos disponíveis às diferentes actividades (envolvidas
nessas organizações e empreendimentos) e tomar decisões de âmbito mais geral.
Este tipo de problemas e a necessidade de se encontrar um meio adequado para os
resolver criaram o ambiente que viria a proporcionar o aparecimento da Investigação
Operacional (I.O.).
As origens da I.O. podem ser encontradas há muitas décadas, sendo o início da
actividade com esta designação atribuída aos Serviços Militares Aliados durante a 2ª Guerra
Mundial. Contudo, é difícil definir I.O. de forma não controversa, sendo no entanto possível
extrair da maior parte das definições as seguintes características básicas:
 A aplicação de métodos científicos na gestão das organizações , mediante uma
abordagem quantitativa e qualitativa na tomada de decisões;
 Orientação sistemática, através da qual o problema é analisado no contexto dum
sistema que inclui diversas componentes interrelacionadas entre si; as soluções devem
satisfazer toda a organização, ou seja, o sistema completo;
 Extensibilidade, que pode ser aplicada a um largo número de organizações, tais como:
negócios, economia, indústria, indústria militar, governos, agências, hospitais, etc.

Os ramos mais importantes da I.O. são: Programação Matemática (P.M.), Análise

Estatística, Teoria dos Jogos, Teoria das Filas, Simulação, Gestão de Stocks, etc.. A P.M.
divide-se ainda em: Programação Linear (P.L.), Programação Não Linear, Programação
Dinâmica, Programação Inteira e Optimização Global.
Neste contexto, a P.L. tem por objecto de estudo a actividade humana dirigida, na qual se
pretende satisfazer da melhor forma determinado objectivo, em que existem limitações
(restrições) ao funcionamento dessa actividade. Está-se na presença de um problema de P.M.
quando o objectivo das restrições podem ser traduzidas por relações funcionais. Se estas
forem lineares constituem um problema de P.L..
Neste trabalho, procede-se à apresentação de uma subclasse especial de problemas de
P.M. designada por P.L.. Esta designação advém do facto de que, quer as condições, quer o
objectivo deste tipo de problemas, poderem ser descritos através de relações lineares,
nomeadamente equações e inequações lineares.
 13

À semelhança de outros ramos da Matemática, a P.L. teve a sua origem em aplicações.

Dois mil anos antes de Cristo, exemplos especiais de equações lineares já tinham sido
estudados por egípcios e babilónios (estes últimos já consideravam duas equações lineares em
duas variáveis). Babilónios, gregos e chineses conheciam a ideia de eliminação de variáveis
para resolver equações lineares (ou quadráticas).
Ao longo dos tempos, cientistas tais como Euclides, Newton e Lagrange fizeram a
incursão à pesquisa do “óptimo”. Já no século passado destacamos as investigações feitas por
Von Neumann na Teoria de Jogos, Wassily Leontief no Modelo “input-output” de Economia,
entre outros. Até aos anos 30-40 do século passado foi muito reduzido o interesse dos
matemáticos pelo estudo de sistemas de inequações, ao contrário do que se verificou com a
resolução de sistemas de equações, descurando-se assim a procura de uma solução “óptima”.
As aplicações em problemas de transporte na década de 40 (em particular, pelas Forças
Armadas durante a 2ª Guerra Mundial) foi um primeiro passo na criação da P.L..
Entre os pioneiros que fizeram o desenvolvimento da área estão Leonid V. Kantorovich
em Lenigrado (actualmente, S. Petersburg) e George B. Dantzig em Washington. Ambos
ilustraram muito bem as fontes de aplicação da P.L..
Em 1939, o matemático e economista soviético L.V. Kantorovich formulou e resolveu
problemas ligados à optimização na administração das organizações, mas o seu trabalho
manteve-se desconhecido até 1959.
George Dantzig trabalhava como civil, no Pentágono, onde exercia funções de conselheiro
matemático para a administração da Força Aérea Norte Americana, trabalhando no projecto
SCOOP (Scientific Computation of Optimum Programs). Por inerência do respectivo serviço,
Dantzig era frequentemente chamado para resolver problemas de planeamento que envolviam
a distribuição de pessoal, dinheiros, aviões e outros recursos de custo efectivo. Foi no
Pentágono que Dantzig recebeu dos seus colegas D. Hitchcock e M. Wood o desafio de tentar
mecanizar o processo de planeamento. Como a maioria dos problemas diziam respeito a
questões de Economia, de uma ou de outra forma, Dantzig procurou aconselhar-se com o
economista Tjalling Koopmans para os resolver (admitindo que os economistas tivessem já
desenvolvido técnicas de resolução). Porém, com grande surpresa sua, Koopmans confessou-
lhe que os economistas também não tinham quaisquer procedimentos para encontrarem
sistematicamente a solução de tais problemas.
No Verão de 1947, Dantzig propôs o Método Simplex que tornou possível a solução de
problemas de optimização de vários tipos : transporte, produção, alocação de recursos e
problemas de escalonamento. Um ano mais tarde, Dantzig e Koopmans encontraram-se na
 14

praia de Santa Monica e Koopmans disse : «”Why not shorten “Programming in a Linear
Structure” to “Linear Programming”?”» ao que Dantzig respondeu : «”That’s it! From now on
that will be its name.”». Nasceu assim a designação de Programação Linear.
Com a apresentação do Método Simplex a P.M., e em particular a P.L., teve um grande
impulso. Foi a partir de então que as suas aplicações não cessaram, envolvendo valiosas
contribuições de economistas e matemáticos. O desenvolvimento da Informática é outro dos
factores que tem contribuído para a evolução acelerada desta ciência nas últimas décadas.

8.2 O que é e Onde se aplica a Programação Linear?

 Programação  planeamento de actividades

 Linear  o problema é representado matematicamente pelo modelo da P.M., onde

todas as funções f(x1, ..., xn) (função objectivo), gi(x1, ..., xn) (restrições) são lineares e
x1, ..., xn são as variáveis de decisão, com i = 1, ..., m

A P.L. é uma técnica de planeamento que se tem vindo a constituir como uma das mais
poderosas em quase todo o ramo da actividade humana. É um método de maximizar (ou
minimizar) uma função linear (designada função objectivo), definida num dado conjunto
convexo, tendo em conta que as variáveis estão sujeitas a restrições lineares. Estas restrições
podem ser do tipo , = ou  e as variáveis são reais não negativas.
Uma vez que os problemas de P.L. determinam o planeamento óptimo de actividades,
ou seja, um plano óptimo que representa a melhor solução entre todas as soluções possíveis,
as suas principais áreas de aplicação são:
 Económica e especialmente Economia de Empresas, onde se situam as aplicações mais férteis
e os estímulos mais fortes para os desenvolvimentos teóricos da P.L.;
 Matemática, onde a P.L. tem impulsionado a obtenção de importantes resultados teóricos e o
aperfeiçoamento das técnicas de Análise Numérica;
 Militar, onde as aplicações são numerosas mas normalmente pouco divulgadas por razões de
segurança.
Nestes domínios, podemos dividir os problemas de P.L. em três tipos:
1) Problemas de Transporte
Consideremos uma aplicação clássica deste tipo de problema: suponha que um sistema de
distribuição alimenta N armazéns a partir de M grandes unidades produtoras; conhecendo os
 15

custos de transporte, a procura prevista para cada armazém e as capacidades (máximas) de

produção de cada unidade, determinar o programa de distribuição com menor custo.
Outras aplicações:
 Rentabilização de aeroportos;
 Otimização de tráfego interno ou de comunicação de vários tipos;
 Planificação dos semáforos de circulação numa cidade.

2) Problemas de Composição
Neste tipo de problema destaca-se o seguinte exemplo genérico: conhecendo os conteúdos
calóricos e vitamínicos de diversos alimentos, bem como os seus preços, pretende-se
aperfeiçoar a composição da dieta a adotar, de modo a minimizar o seu custo e a satisfazer
níveis mínimos de calorias e vitaminas.
Outras aplicações:
 Composição de medicamentos;
 Blindagem de ligas metálicas e combustíveis;
 Rações de animais e adubos;
 Gelados e produtos alimentares.

3) Problemas de Formação e Produção

Salienta-se a seguinte aplicação: suponha que uma fábrica é capaz de produzir N produtos
distintos utilizando M recursos limitados, os quais podem ser horas de trabalho ou tempos de
operação de várias máquinas, matérias primas, serviços, etc.; conhecendo-se o lucro unitário e
as quantidades de recurso utilizadas para cada produto, e as quantidades de recursos
disponíveis, determinar o plano ótimo de produção com maior lucro.
Outras aplicações:
 Corte de barras e chapas;
 Designação de pessoas e tarefas (composição de tabelas de horários);
 Planejamento da produção de uma empresa têxtil.

8.3 Conceitos Fundamentais da Programação Linear

Para uma melhor compreensão de um problema de PL enunciamos de seguida alguns
conceitos e expressões que vão ser usados ao longo do trabalho:
 16

 Função objetivo (função econômica ou função critério) – é uma função linear que vamos
otimizar, maximizando ou minimizando;
 Variáveis de decisão – são os valores de um número n de decisões a serem tomadas e
designam-se por x1, ..., xn e que estão inter-relacionadas pela função objetivo;
 Variáveis de folga – são as variáveis que usamos para transformar as inequações em
equações; de salientar que cada variável de folga está associada a uma restrição;
 Restrições – são condições (representadas por equações ou inequações lineares) que se
impõem ao modelo dado; existem dois tipos de restrições:
 Restrições do problema – são restrições do tipo  , = ou  , que relacionam uma ou mais
variáveis do problema;
 Restrições de não negatividade – são desigualdades do tipo x1  0, ..., xn  0, em que x1, ...,
xn são as variáveis de decisão;
 Forma padrão (standard) – quando as restrições de um problema de PL. são apresentadas na
forma de equações;
 Forma canônica – quando as restrições de um problema de PL. são apresentadas na forma
de inequações;
 Solução – é qualquer conjunto de valores para as variáveis x1, ..., xn que satisfaça as
restrições;
 Solução admissível (solução possível) – é qualquer especificação de valores para as variáveis
x1, ..., xn que satisfaça as restrições do problema e as condições de não negatividade;
 Solução ilimitada – é aquela em que a função objetivo pode crescer (no caso da
maximização) ou decrescer (no caso da minimização), indefinidamente, tendo em conta todas
as restrições do problema;
 Solução ótima – é aquela que maximiza ou minimiza a função objetivo sobre toda a região
admissível;
 Região admissível – é o conjunto de todas as soluções admissíveis.

8.4 Tipos de soluções. 

 Ótima única: problema tem apenas uma solução (Problemas 1, 2 e 3). 
 Ótimas alternativas: o valor ótimo da função objetivo pode ser obtido através de
infinitas combinações de recursos.
 Não limitada: não existe um valor máximo finito para a função objetivo (Z → ∞).
 17

9 FORMULAÇÃO DO PROBLEMA.
Uma marcenaria produz dois modelos de certo produto, armário e cadeira, ambos de um
só modelo. Para efeito de simplificação, vamos considerar que a marcenaria tem limitações
em somente dois recursos: madeira e mão-de-obra, cujas disponibilidades diárias são
mostradas na tabela a seguir.

9.1 Variáveis de decisão: 

Quantidade de madeira para a produção de um armário (x1) 
Quantidade de madeira para a produção de uma cadeira (x2) 

9.2 Funções objetivo:

Encontrar o programa de produção que maximiza a margem de contribuição total para o
lucro, ou seja, maximizar a margem bruta total. (Z = 50 x1 + 20 x2)

9.3 Restrições: 
Quantidade de mão de obra (horas) para a confecção dos dois móveis (armário e cadeira).
Quantidade de matéria prima (m² de madeira) para a confecção dos dois móveis (armário
e cadeira). 

Variáveis X¹ X²
Mão de Obra 16h 5h
Matéria Prima 8 m² 1m²
Lucro (R$) R$50,00 R$20,00

30h
12m²
O processo de produção é tal que, para fazer uma cadeira a fábrica gasta 1m² de madeira e
5h de mão-de-obra. Para fazer um armário, a fábrica gasta 8m² de madeira e 16h de mão de
obra.
Além disso, o fabricante sabe que cada cadeira dá uma margem de contribuição para o
lucro de R$20,00 e cada armário de R$50,00. “O problema é encontrar o programa de
produção que maximiza a margem de contribuição total para o lucro.”.
 18

9.4 Montagem do modelo.

As variáveis de decisão envolvidas no problema são:
x1: quantidade a produzir de armários
x2: quantidade a produzir de cadeiras
A função objetivo é:
Lucro: z = 50x1 + 20x2
Para as restrições, a relação lógica existente é:
Utilização de recurso = Disponibilidade

10 INCLUSÃO DAS VARIÁVEIS DE FOLGA DA MATÉRIA PRIMA E MÃO DE

OBRA.
Formulações do problema:
Uma marcenaria produz dois modelos de certo produto, armário e cadeira, ambos de
um só modelo. Para efeito de simplificação, vamos considerar que a marcenaria tem
limitações em somente dois recursos: madeira e mão-de-obra, cujas disponibilidades
diárias são mostradas na tabela a seguir.

Variáveis X¹ X²
Mão de Obra 16h 5h
Matéria Prima 8 m² 1m²
Lucro (R$) R$50,00 R$20,00

30h
12m²
O processo de produção é tal que, para fazer uma cadeira a fábrica gasta 1m² de madeira e
5h de mão-de-obra. Para fazer um armário, a fábrica gasta 8m² de madeira e 16h de mão de
obra.
Além disso, o fabricante sabe que cada cadeira dá uma margem de contribuição para o
lucro de R$20,00 e cada armário de R$50,00. “O problema é encontrar o programa de
produção que maximiza a margem de contribuição total para o lucro.”.
 19

10.1 Montagem do modelo.

As variáveis de decisão envolvidas no problema são:
x1: quantidade a produzir de armários
x2: quantidade a produzir de cadeiras
A função objetivo é: maximizar o lucro
Seja a função: Max Z = 50 x 1 + 20 x 2
Sujeito a 8 x 1 + x2 ≤ 12
16 x 1 + 5 x 2 ≤ 30
x1, x2 ≥ 0

Maximizar: Z= 50 x 1 + 20 x 2
Sujeito a 8 x 1 + x2 + X3 =12
16 x 1 + 5 x 2 +X4= 30
x1, x2,x3,x4 ≥ 0

Isolando as variáveis de folga:

X3 = 12 – 8 x 1 – x2
X4 = 30 – 16 x 1- 5 x 2
X1, X2, X3, X4 ≥ 0

Fazendo VNB = 0
Teremos:
X3 = 12
X4 = 30
Z=0

10.2 Representação e Resolução gráfica de problemas de PL:

Quando se inicia o estudo da Programação Linear revela-se de grande utilidade a
representação gráfica de problemas simples. Apesar desta representação só ser possível
quando não estão envolvidas mais de três variáveis, e particularmente simples quando se trata
de duas variáveis, estas permitem pôr em evidência propriedades importantes dos problemas
de PL., bem como a natureza das suas soluções.
 20

A representação gráfica de problemas de PL só é possível, quando os problemas têm 2 ou 3

variáveis de decisão. No entanto, aqui, apenas serão analisados os problemas com 2 variáveis,
os quais são representados através de um gráfico. 
Para representar graficamente um problema de PL, começa-se por construir um sistema de
eixos cartesianos x1 e x2. O passo seguinte consiste em identificar os valores de x1 e x2 que
satisfaçam todas as restrições e construção do espaço das soluções. 
Por último, procuram-se os pontos situados nesta região que maximizem (minimizem) o
valor de Z. Esta fase vai proceder-se por tentativas (mais adiante será enunciada uma regra
prática que permite resolver esta questão de uma forma quase automática). O processo baseia-
se na representação gráfica da reta Z = F (x1, x2) = constante para um conjunto de valores. A
idéia é traçar retas Z = constante, até que contenha pelo menos um ponto da reta.

 Programação Linear – Solução Gráfica

a) Max Z = 50 x1 + 20 x2
b) 8x1 + 1x2 ≤ 12
c) 16x1 + 5x2 ≤ 30
d) x1 ≥ 0
e) x2 ≥ 0

X2

X1 ≥ 0 X2 ≥ 0 = I
X1 ≥ 0

X2 ≥ 0

X1
0 X1=0
 21

 Desenhando (b)

(b) 8x1 + 1x2 ≤ 12

8x1 + x2 = 12 (I)

8x1 + x2 < 0 (II)

(I) 8x1 + x2 = 12

Se x1 = 0 x2= 12 (12,0)
Se x2 = 0 x1 = 12/8 (0,1.5)
Domínio:
(II) 8x1 + x2 ≤ 0
Se x2 = 0 x1 ≤ 1,5

X2

B X1 ≥ 0

(12,0)
X2 ≥ 0

A
X1
0 E
(0,1.5)

11. O METODO SIMPLEX

11.1 Introdução e Conceitos Fundamentais no Método Simplex

Como já foi referido, o Método Simplex foi proposto por Dantzig. O primeiro e mais
importante passo na sua descoberta foi a conclusão de que a região admissível é o que se
chama um polítipo (poliedro convexo limitado), e donde concluiu que o ponto ótimo tem que
estar sobre algum dos vértices desse conjunto. Além disso, Dantzig argumentou que a função
objetivo tem geralmente valores diferentes para cada vértice escolhido arbitrariamente, no
qual a função objetivo tem um determinado valor, passando de vértice para vértice, na procura
do ponto ótimo.
 22

Inicialmente, Dantzig pensou que tal procedimento poderia ser irremediavelmente

ineficaz, ou seja , divagar durante muito tempo ao longo das arestas, de vértice para vértice,
antes de alcançar o vértice em que a função objetivo atinge o valor ótimo. Mas estava
enganado, pois, na realidade veio a descobrir que, em quase todos os casos, encontrar a
solução somente exigia tantos movimentos quantas as restrições do problema.

11.2 Algoritmo do Método Simplex

O que é um algoritmo? Um algoritmo é um processo que repete (itera) sucessivas
vezes um procedimento sistemático até obter um resultado. Além disso, também inclui um
procedimento para iniciar e um critério para terminar.
O algoritmo do método simplex pode ser sintetizado nos seguintes passos:
1º Obter uma primeira solução básica admissível;
2º Verificar se a solução básica admissível é ótima, isto é, se os coeficientes da função
objetivo, expressa em termos das variáveis não básicas são todos positivos. Se a solução for
ótima, o algoritmo termina;
3º Se algum coeficiente for negativo, considerar o negativo com maior valor absoluto como o
correspondente à variável que deve entrar na base e, portanto, correspondente à coluna do
pivot;
4º Determinar o maior valor possível da variável que vai entrar na base, dividindo os termos
independentes pelos coeficientes da variável nas várias restrições, para os casos em que sejam
positivos, e considerando o menor dos quocientes positivos. A linha a que corresponde este
menor quociente é a linha do pivot. Se todos os quocientes forem negativos, a variável a
entrar na base pode tomar um valor infinitamente grande e o problema diz-se sem solução
limitada (ou sem ótimo finito);
5º Manipular as linhas do quadro, de acordo com as operações elementares realizadas com
linhas de matrizes, de modo a obter um quociente unitário no lugar do pivot e valores nulos
para os outros elementos da coluna pivot. Obtém-se assim uma nova solução básica.
Regressar ao 2º passo. Para tornar mais simples a aplicação deste algoritmo recorre-se à
construção de vários quadros. Uma vez que qualquer problema de maximização pode ser
facilmente convertido num problema de minimização, consideraremos apenas o caso da
minimização para facilitar a exposição.
 23

12. CONCLUSÃO
Esta ATPS foi muito importante para nosso aprendizado, pois podemos observar por etapa
todo o processo de uma programação linear. Observamos que mesma é uma importante área
da otimização por várias razões; é também uma programação matemática em que a função-
objetivo e as restrições assumem características lineares, tendo diversas aplicações no
controle gerencial, como por exemplo, a administração de produção, análise de investimentos,
logística empresarial, problemas de transportes, em síntese, etc.
Através de todo esse contexto observamos que essa programação linear está em nosso dia-
a-dia, ou seja, em tudo que fazemos. Como grandes exemplos tiveram a simulação da
quantidade de madeira que se gasta para fazer uma cadeira e um armário.
A princípio foi citado o tanto de madeira que seria gasto, depois se foi calculando passo-a
passo o seu processo de produção; para melhor esclarecimento tivemos exposto em uma
tabela separadamente para melhor entendermos a quantidade de cada um.
Não podemos deixar de citar o quanto foi importante à parte que nos mostrou de maneira
mais detalhada as variáveis de folga, sabemos que é um processo um pouco complicado,
porém possível de ser resolvido quando se tem atenção, para isso, é necessário que se tenha
uma boa interpretação para que se resolva o problema.
Também para melhor compreensão observamos um gráfico que nos mostrou os resultados
detalhados, e por fim resoluções de exercícios que serviram de complemento para nosso
cotidiano.
 24

13. REFERÊNCIAS
CASTI, John L. – Cinco Regras de Ouro. Lisboa: Gradiva, 1999.

DANØ, Sven - Linear Programming. Viena: 1972.

FERREIRA, Manuel A. M.; AMARAL, Isabel – Programação Matemática. Lisboa:

Edições Sílabo, 1995.

LIMA, Yolanda; Gomes, Francelino – XEQ MAT, Matemática 11º ano. Lisboa: Editorial O
Livro, 1997.

MOKHTAN, S. Bazanaa; JOHN, J. Jarvis; HANIF, D. Sherali – Linear Programming and

Network Flows. 2ª edição. Singapura: 1990.

RAMALHETE, Manuel; GUERREIRO, Jorge; MAGALHÃES, Alípio – Programação

Linear, Volume 1. Alfragide: McGraw-Hill, 1984.

TAVARES, L. Valadares; OLIVEIRA, R. Carvalho; THEMIDO, I. Hall; CORREIA, F.

Nunes – Investigação Operacional. Alfragide: McGraw-Hill, 1997.

Ahlfeld, D. P., R. S. Dembo, J. M. Mulvey. e S. A. Zenios.1987. Programação Não Linear

em Redes generalizada. Associação de Transações Computing Machinery no software
Matemático 13, No. 4, 350-367.

Collins, M.. L. Cooper. R Helgason. J. Kennington. eL.LeBlanc. 1978. Resolvendo a rede de

tubulação de Análise de Problemas Utilizando Otimização. Techniques Management
Science 24.No. 7.747-760.

Conn, A. R. 1976. Programação Linear através de uma função de penalidade não

diferenciável. SIAM Journal on Numerical Analysis 13, No. 1, 145-154.