Índece

Intodução 2
Objectivos 2
Metodologia 2
Introdução de uma Nova Restrição 3
Análise de Sensibilidade Sistemática - Programação Paramétrica 4
APLICANDO A ANÁLISE DE SENSIBILIDADE 4
TEORIA DA DUALIDADE E ANÁLISE DE SENSIBILIDADE 5
APLICANDO A ANÁLISE DE SENSIBILIDADE 6
TEORIA DA DUALIDADE E ANÁLISE DE SENSIBILIDADE 8
EFETUANDO ANÁLISE DE SENSIBILIDADE EM UMA PLANILHA 10
Conclução 11
Bibliografia 12

1
Intodução
O presente trabalho visa debruçar sobre o tema de, Introdução de novas restrições.

A nova restrição tem a ser introduzida no modelo após ele ter sido resolvido, esse caso pode
ocorrer pelo simples facto de restrições ter sido inicialmente substituída ou porque surgiram novas
condições deste modelo que foi formado.

A outra possibilidade é que a restrição foi eliminada o processamento computacional. Se a nova

restrição eliminar efectivamente a solução ótima atual e se voce quiser encontrar a nova solução,
então introduz essa na tabela.

Objectivos
Objectivo geral:

● Falar sobre a introdução de uma nova restrição

Objectivos específicos:

● Saber como fazer a introdução de uma nova restrição (ainda com ajuda do método
simplex);
● Demonstrar as suas ocorrências;
● Analisar os resultados obtidos na tabela;
● Fazer a análise de sensibilidade pela programação paramétrica.

Metodologia
Na elaboração do presente trabalho de investigação operacional foi feita através de grandes
pesquisas feitas, foram usadas as bibliografias recomendadas pelo docente, e organização de
conteúdo existente a cerca do tema com respetivas referências bibliográficas que serão
apresentados no final do trabalho.

2
Introdução de uma Nova Restrição
Nesse caso, uma nova restrição tem de ser introduzida no modelo após ele já ter sido resolvido.
Esse caso pode ocorrer pelo fato de a restrição ter sido inicialmente desprezada ou porque surgiram
novas considerações desde que o modelo foi formulado. Outra possibilidade é que a restrição foi
eliminada propositalmente para diminuir o processamento computacional, pois ela parecia ser
menos restritiva que as demais restrições no modelo, porém agora essa impressão precisa ser
verificada com a solução ótima realmente obtida.

Para ver se a solução ótima atual seria afetada por uma nova restrição, tudo o que você precisa
fazer é verificar diretamente se a solução ótima satisfaz a restrição. Em caso positivo, então ela
ainda seria a melhor solução viável (isto é, a solução ótima), mesmo se a restrição fosse adicionada
ao modelo. A razão é que uma nova restrição pode eliminar apenas algumas soluções previamente
viáveis sem adicionar nenhuma nova.

Se a nova restrição eliminar efetivamente a solução ótima atual e se você quiser encontrar a nova
solução, então introduza essa restrição na tabela simplex final (na forma de uma linha adicional)
da mesma forma como se fosse a tabela inicial, em que a variável adicional usual (variável de folga
ou variável artificial) é projetada para ser uma variável básica para essa nova linha. Pelo fato de a
nova linha provavelmente vá ter coeficientes não-zero para algumas das demais variáveis básicas,
a conversão para a forma apropriada da eliminação gaussiana é aplicada a seguir, e depois a etapa
de reotimização é aplicada de forma usual.

Do mesmo modo que para alguns casos anteriores, esse procedimento para o Caso 4 é uma versão
melhorada do procedimento geral resumido no final da Seção 6.6. A única questão a ser resolvida
para esse caso é se a solução anteriormente ótima ainda seja viável, de modo que a etapa 5 (teste
de otimalidade) foi eliminada. A etapa 4 (teste de viabilidade) foi substituída por um teste de
viabilidade muito mais rápido (a solução ótima anterior satisfaz a nova restrição?) para ser
realizado logo após a etapa 1 (revisão do modelo). Somente se esse teste fornecer uma resposta
negativa e você quiser reotimizar que as etapas 2, 3 e 6 são usadas (revisão da tabela final,
conversão para a forma apropriada da eliminação gaussiana e reotimização).

3
Análise de Sensibilidade Sistemática - Programação Paramétrica
Até agora descrevemos como testar mudanças específicas nos parâmetros do modelo. Outra
metodologia comum para a análise de sensibilidade é variar continuamente um ou mais
parâmetros ao longo de algum(ns) intervalo(s) para ver quando muda a solução ótima.

APLICANDO A ANÁLISE DE SENSIBILIDADE

TABELA 6.25 Procedimento de análise de sensibilidade aplicado à Variação 6 do modelo da

Wyndor Glass Co.

4
TEORIA DA DUALIDADE E ANÁLISE DE SENSIBILIDADE

Por exemplo, com a Variação 2 do modeda Wyndor Glass Co., em vez de começar testando a
mudança específica de b2 = 12 para 𝑏2 = 24, poderíamos, em seu lugar, configurar

b2 = 12 + 𝜃

e depois variar𝜃 continuamente de 0 a 12 (o valor de interesse máximo). A interpretação

geométrica na Figura 6.3 é que a reta de restrição 2X2 = 12 está sendo deslocada para cima para
2X2 = 12 + 8, com 𝜃 sendo aumentado de 0 a 12. O resultado é que a solução FPE ótima original
(2, 6) se desloca para cima até a reta de restrição 3X1 + 2X2 = 18 em direção a (-2, 12). Essa solução
em ponto extremo permanece ótima enquanto ainda for viável (X1 ≥ 0), após o qual (0, 9) se
transforma na solução ótima.

Os cálculos algébricos do efeito de termos ∆b2 = 𝜃 são diretamente análogos àqueles para o
exemplo do Caso 1 no qual ∆b2 = 12. Particularmente, usamos as expressões para Z* e b* dadas
para o Caso 1.

Z* = y*b

b* = S*b

em que b agora é

e no qual y* e S* são dados nos quadros intermediários da Tabela 6.19. Essas equações indicam
que a solução ótima é

3
Z* = 36 + 2 𝜃

1
X3 = 2 + 3 𝜃 (x4 = 0, x5 = 0)

1
X2 = 6 + 2 𝜃

5
 1
X1 = 2 - 3 𝜃

para𝜃 suficientemente pequeno de modo que essa solução ainda continue viável, isto é, para
𝜃 ≤ 6. Para 𝜃 > 6, o método simplex dual (descrito na Seção 7 .1) leva à tabela mostrada na Tabela
6.21, exceto para o valor de x4 . Portanto, Z = 45, x3 = 4, x2 = 9 (juntamente com x1 = 0, x5 = 0) e
a expressão para b* resulta em

x4 = b*3 = 0(4) + 102 + 𝜃) - 1(18) = -6 + 𝜃.

Essa informação pode então ser usada (juntamente com outros dados não incorporados ao modelo
sobre o efeito do aumento de b2 ) para decidir se devemos conservar a solução ótima original e,
caso contrário, de quanto aumentar b2 .

De maneira similar, podemos investigar o efeito sobre a solução ótima de se diversificar vários
parâmetros simultaneamente. Quando variamos apenas os parâmetros bi, expressamos o novo
valor b; em termos do valor original bi como se segue:

bi = bi + ∝i𝜃, para i = 1, 2, ... , m,

em que os valores a.; são constantes de entrada especificando a taxa de acréscimo desejada
(positiva ou negativa) do lado direito correspondente à medida que 𝜃 é aumentado.

Suponha, por exemplo, que seja possível deslocar a produção de determinado produto da Wyndor
Glass Co. da Fábrica 2 para a Fábrica 3, aumentando, portanto, b2 pela diminuição de b3• Suponha
também que b3 diminua duas vezes mais rápido que b2 aumenta. Então

b2 = 12 + 𝜃

b3 = 18 - 2𝜃,

APLICANDO A ANÁLISE DE SENSIBILIDADE

em que o valor (não-negativo) de(} mede a quantidade de produção transferida. (Portanto, a 1 =O,
∝2 = 1 e ∝3= −2 nesse caso.) Na Figura 6.3, a interpretação geométrica é que 𝜃 é aumentado a
partir de 0, a reta de restrição 2X2 = 12 está sendo empurrada para cima até 2X2 = 12 +𝜃 (ignore a
reta 2X2 = 24) e, simultaneamente, a reta de restrição 3x1 + 2x2 = 18 está sendo empurrada para
baixo até 3x1 + 2x2 = 18 - 2𝜃. A solução FPE ótima original (2, 6) cai na interseção das retas
2x2 = 12 e 3x1 + 2x2 = 18, de modo que deslocar essas retas faz que essa solução em ponto extremo

6
se desloque. Entretanto, com a função objetivo de Z = 3x1 + 5x2 , essa solução em ponto extremo
permanecerá ótima enquanto ela continuar solução viável (x1 ≥ 0).

Uma investigação algébrica de se mudar simultaneamente b2 e b3 dessa maneira envolve

novamente o emprego de fórmulas para o Caso 1 (tratando 𝜃 como representando um número
desconhecido) para calcular as mudanças resultantes na tabela final (parte central da Tabela 6.19),
a saber:

Portanto, a solução ótima fica

para 𝜃 suficientemente pequeno para essa solução ainda continuar solução viável, isto é, para 𝜃 ≤2.
(Confirme essa conclusão na Figura 6.3). Entretanto, o fato de Z decrescer à medida que 𝜃 cresce
a partir de O indica que a melhor opção para 𝜃 é 𝜃 = 0, de forma que nenhuma mudança de
produção deveria ser feita.

A abordagem de variar-se diversos parâmetros Cj é similar. Nesse caso, expressamos o novo valor
Cj em termos do valor inicial de Cj como

7
onde ∝1 são constantes de entrada especificando a taxa de crescimento desejada (positiva ou
negativa) de Cj à medida que 𝜃 é aumentado.

Para ilustrar esse caso, reconsidere a análise de sensibilidade de C1 e C2 para o problema da

Wyndor Glass Co. anteriormente resolvido nesta seção. Iniciando-se com a Variação 2 do modelo
da Wyndor apresentado na Tabela 6.21 e na Figura 6.3, consideramos separadamente o efeito de
se mudar C1 de 3 para 4 (sua estimativa mais otimista) e C2 de 5 para 3 (sua estimativa mais
pessimista). Agora, podemos considerar ambas as mudanças simultaneamente, assim como os
diversos casos intermediários com mudanças menores, fazendo-se

em que o valor de 𝜃 mede a fração da máxima mudança possível que é feita. O resultado é substituir
a função objetivo inicial Z = 3x1 + 5x2 por uma função de 𝜃

TEORIA DA DUALIDADE E ANÁLISE DE SENSIBILIDADE

De forma que a otimização agora possa ser realizada para qualquer valor (fixo) desejado de e entre
0 e 1. Verificando-se o efeito à medida que 𝜃 e aumenta de 0 a 1, podemos determinar exatamente
quando e como a solução ótima muda à medida que o erro nas estimativas originais desses
parâmetros aumenta.

Considerar simultaneamente tais alterações é especialmente apropriado caso haja fatores que
provoquem a mudança simultânea dos parâmetros. Os dois produtos são de alguma maneira
competitivos, de forma que o lucro unitário maior que o esperado de um implicaria um lucro
unitário menor que o esperado para o outro? Ambos são afetados por algum fator externo como a
ênfase em termos de propaganda de um concorrente? É possível mudar simultaneamente ambos
os lucros unitários pela transferência de pessoal e equipamento?

Na região de soluções viáveis mostrada na Figura 6.3, a interpretação geométrica de mudar a

função objetivo de Z = 3x1 + 5x2 para Z(𝜃) = (3 + 𝜃)x1 + (5-2𝜃)x2 é que estamos alterando a
inclinação da reta da função objetivo original (Z = 45 = 3x1 + 5x2) que passa pela solução ótima
(0, 9). Se 𝜃 for aumentado suficientemente, essa inclinação mudará suficientemente de modo que

8
a solução ótima mudará de (0, 9) para outra solução FPE (4, 3). (Verifique graficamente se isso
ocorre ou não para 𝜃 ≤ 1).

O procedimento algébrico para lidar simultaneamente com essas duas mudanças

(∆c1= 𝜃 e ∆c2 =−2𝜃) é mostrado na Tabela 6.26. Embora as alterações agora sejam expressas em
termos de 𝜃 e não em quantidades numéricas específicas, 𝜃 é tratado apenas como um número
desconhecido. A tabela exibe apenas as linhas relevantes da tabela envolvida (linha 0) e a linha
para a variável básica x2 ). A primeira tabela simplex exposta é simplesmente a tabela final para a
versão atual do modelo (antes de c1 e c2 serem modificados) conforme dado na Tabela 6.21.
Consulte as fórmulas na Tabela 6.17. As únicas mudanças na tabela final revisada mostradas a
seguir são ∆c1 e ∆c2 serem subtraídos, respectivamente, dos coeficientes na linha 0 de x1 e x2 . Para
converter essa tabela para a forma apropriada da eliminação gaussiana, subtraímos 2𝜃 vezes a linha
2 da linha 0, resultando na última tabela exibida. As expressões em termos de e para os coeficientes
das variáveis não-básicas x1 e x5 na linha 0 dessa tabela mostram que a solução FPE atual
9
permanece ótima para 𝜃 ≤ 8. Pelo fato de 𝜃 = 1 ser o maior valor possível de e, isso indica que c1

e c2 são parâmetros insensíveis em relação à Variação 2 do modelo na Tabela 6.21. Não há

nenhuma necessidade de se estimar esses parâmetros de forma mais precisa a menos que outros
parâmetros mudem (como ocorreu para a Variação 5 do modelo da Wyndor).

9
TABELA 6.26 Lidando com ∆c1 = 𝜃 e ∆c2 = -2𝜃 para a Variação 2 do modelo da Wyndor dado
na Tabela 6.21

EFETUANDO ANÁLISE DE SENSIBILIDADE EM UMA PLANILHA

Conforme discutido na Seção 4.7, essa maneira de variar continuamente diversos parâmetros
simultaneamente é conhecida como programação linear paramétrica. A Seção 7 .2 apresenta o
procedimento completo de programação linear paramétrica (incluindo a identificação de novas
soluções ótimas para valores maiores de 𝜃) quando apenas os parâmetros cj são variados e depois
quando apenas os parâmetros bi são variados. Alguns pacotes de software de programação linear
também incluem rotinas para variar somente os coeficientes de uma única variável ou apenas os
parâmetros de uma única restrição. Além de outras aplicações discutidas na Seção 4.7, esses
procedimentos oferecem uma maneira conveniente de se realizar análise de sensibilidade de modo
sistemático

10
Conclução
Ao finalizar o trabalho pode se perceber que uma nova restrição tem de ser introduzida no modelo
após ele já ter sido resolvido. Esse caso pode ocorrer pelo fato de a restrição ter sido inicialmente
desprezada ou porque surgiram novas considerações desde que o modelo foi formulado. Outra
possibilidade é que a restrição foi eliminada propositalmente para diminuir o processamento
computacional, pois ela parecia ser menos restritiva que as demais restrições no modelo, porém
agora essa impressão precisa ser verificada com a solução ótima realmente obtida.

Para ver se a solução ótima atual seria afetada por uma nova restrição, tudo o que você precisa
fazer é verificar diretamente se a solução ótima satisfaz a restrição. Em caso positivo, então ela
ainda seria a melhor solução viável (isto é, a solução ótima), mesmo se a restrição fosse adicionada
ao modelo. A razão é que uma nova restrição pode eliminar apenas algumas soluções previamente
viáveis sem adicionar nenhuma nova.

11
Bibliografia
Taha, Hamdy A. Pesquisa Operacional, 8a Edição, −São Paulo: Pearson Prentice Hall, 2008.

12