Aula 6º

Programação inteira

Prezados(as) alunos(as),
Nesta sexta aula, estudaremos um complemento dos
problemas clássicos de PL, que são os problemas que
necessitam de soluções com números inteiros. Também
focaremos no estudo do algoritmo que gera essa solução e por
fim, verificaremos como proceder para resolver esses casos
com o Excel Solver.
Bons estudos!

Objetivos de aprendizagem

Ao término desta aula, vocês serão capazes de:

•  aprender a modelar problemas que necessitem de resultados inteiros;

•  compreender o algoritmo branch-and-bound e como o utilizar;
•  entender como utilizar o Excel Solver para resolver problemas de programação inteira.
 Pesquisa Operacional
Seções de estudo
1 - Programação inteira
2 - Algoritmo branch-and-bound
1 - Programação inteira
Nesta aula, estudaremos problemas de programação
inteira, mostrando suas principais características e utilizações
no mundo real. Apresentaremos ainda seus problemas com
relação aos relatórios de análise de sensibilidade e possíveis
erros de aproximação de resultados.
• Programação inteira e seus conceitos;
• Resolução gráfica e suas limitações;
• Algoritmo branch-and-bound;
• Resolução de programação inteira utilizando o
Excel.
50
o problema como se fosse um problema de programação
linear e truncar os valores ótimos encontrados para cada uma
das variáveis de decisão que forem inteiras. Para problemas
de grande porte, isso geralmente resultará em uma solução
aceitável (próxima do ótimo real) sem a violação de nenhuma
das restrições (LACHTERMACHER, 2016).
Para resolver problemas menores, esse tipo de problema
geralmente leva a soluções inviáveis, às vezes longe do valor
ótimo.
De acordo com Lachtermacher (2016), a todo problema
de programação linear inteira está associado um problema
com a mesma função objetivo e as mesmas restrições, com
exceção da condição de variáveis inteiras. A esse problema
dá-se o nome de problema relaxado (Figura 2).
Figura 2 – Exemplo de problema relaxado.

De acordo com Lachtermacher (2016), problemas de

programação inteira são aqueles de programação matemática
em que uma ou mais variáveis de decisão são representadas
apenas por valores inteiros. Esses problemas podem
apresentar dois tipos básicos:
• Programação inteira total: todas as variáveis de
decisão são do tipo inteiro;
Fonte: Lachtermacher (2016).
• Programação inteira mista: apenas uma parte das
variáveis é do tipo inteiro, enquanto as outras são Ainda segundo Lachtermacher (2016), quando o
do tipo real. problema envolve apenas duas variáveis de decisão, a solução
ótima de um problema de programação linear inteira total
Aqui, abordaremos os problemas de programação linear pode ser encontrada graficamente. O problema anterior
inteira (PLI), que são aqueles de programação matemática de programação linear inteira tem a solução relaxada (do
em que a função-objetivo e as restrições são lineares, porém problema relaxado) mostrada na Figura 3.
uma ou mais variáveis de decisão são representadas apenas
por valores inteiros. Podemos dizer que a diferença entre
Figura 3 – Solução do problema relaxado.
problemas de programação linear inteira e programação linear
é a inclusão de pelo menos uma restrição que limita o espectro
de variação de uma variável de decisão. Matematicamente, um
problema de programação linear inteira total pode ser descrito
como na Figura 1.

Figura 1 – Modelo genérico de programação inteira

Fonte: Lachtermacher (2016).

No caso do problema real, de programação linear inteira,

Fonte: Lachtermacher (2016).
A primeira ideia que pode vir à mente é a de resolver
o conjunto de soluções viáveis não incluiria a solução do
problema relaxado, já que o valor de x2 na solução ótima é
igual a 1,5 (não inteiro). A Figura 4 mostra todas as possíveis
soluções para o problema inteiro (pontos nos encontros das
retas tracejadas).

Figura 4 – Solução do problema inteiro
Fonte: Lachtermacher (2016).
Vale notar que a mesma técnica de resolução utilizada em
programação linear pode ser usada para descobrir a solução
do problema inteiro. Nesse caso, como mostrado na Figura 4,
a solução ótima do problema inteiro é múltipla ([2, 2], [3, 1] e
[4, 0]) e o valor ótimo (I) é igual a 12. Nesse caso, a técnica de
truncamento da solução ótima do problema relaxado levaria
ao resultado correto, o que geralmente não é o caso.
Observemos agora o problema de programação
linear inteira apresentado na Figura 5, que mostra a resolução
gráfica do problema relaxado e a solução do problema de
programação inteira.
De acordo com Lachtermacher (2016), diversos
problemas podem ocorrer com a utilização da técnica de
truncamento da solução do PL relaxado. Entre eles, podemos
citar:
• Nenhum ponto inteiro vizinho ao ponto ótimo
relaxado é necessariamente viável;
• Mesmo que um dos vizinhos seja viável, ele pode
não ser necessariamente o ponto ótimo inteiro.
Uma ideia que pode resultar em uma solução para
um problema de programação inteira é enumerar todas as
possíveis soluções. De forma exaustiva, substituímos todos os
valores possíveis para a função-objetivo e é escolhido aquele
que apresenta o maior valor, no caso de maximização, ou o
menor valor, no caso de minimização. O problema está no
fato de que ela só pode ser aplicada a problemas pequenos. O
número de combinações possíveis de soluções viáveis cresce
de forma exponencial, isto é, de forma muito rápida. Um PLI
com 100 variáveis de decisão do tipo binária (variáveis que
assumem os valores 0 ou 1) terá até 2100 soluções viáveis, isto
é, 1,27 × 1030 soluções possíveis, o que tornaria a resolução
por enumeração praticamente impossível.
Em um problema de maximização, o valor ótimo da
função-objetivo do PL relaxado sempre representa um limite
superior ao respectivo valor do problema inteiro. Em um
problema de minimização, o valor ótimo da função-objetivo
de um PL relaxado sempre representa um limite inferior ao
respectivo problema inteiro (LACHTERMACHER, 2016).
Outra observação importante é que cada solução viável
resulta em um problema de maximização, em um limite
inferior para o valor ótimo da função-objetivo. Em um
problema de minimização, cada solução viável resulta em um
51
limite superior para o valor ótimo da função-objetivo.
Figura 5 – Solução para o problema relaxado e inteiro
Fonte: Lachtermacher (2016).
2 - Algoritmo branch-and-bound
O algoritmo branch-and-bound é o procedimento mais
utilizado atualmente na resolução de problemas do tipo
programação linear inteira (PLI) ou programação linear inteira
mista (PLIM). Existem diversas variantes desse método
para tratamento de diversos tipos de problemas específicos.
A ideia geral é dividir o conjunto de soluções viáveis em
subconjuntos sem interseções entre si, calculando os limites
superior e inferior para cada subconjunto, e eliminar certos
subconjuntos de acordo com algumas regras preestabelecidas
(LACHTERMACHER, 2016). Considere o problema a
seguir.
Problema 1:
Max 3x1 + 3x2
Sujeito a:
x1 + 4x2 ≤ 12
6x1 + 4x2 ≤ 24
x1 e x2 ≥ 0
x1 e x2 são inteiros
A Figura 6 apresenta a solução ótima (x1 = 2,4 e x2 = 2,4)
do problema relaxado, que tem um valor ótimo igual a 72/5.
Por se tratar de um problema de maximização, esse valor impõe
um limite superior (72/5) ao valor ótimo da função-objetivo
da PLI. Como o ponto x1 = 1, x2 = 2 faz parte do conjunto
de soluções viáveis, ele impõe um limite inferior (9) ao valor
ótimo da função-objetivo da PLI. Com essas observações,
estabelecemos um intervalo para o valor ótimo da função-
objetivo da PLI. 9 ≤ valor ótimo da função-objetivo ≤ 72/5
Chamaremos 72/5 de LSA (limite superior atual) e 9 de LIA
(limite inferior atual), e a solução do problema relaxado, x1 =
2,4 e x2 = 2,4. Podemos representar essas condições como
ponto inicial do algoritmo, representado no círculo na parte
superior da Figura 6.
 Pesquisa Operacional
Figura 6 – Solução do problema relaxado
Fonte: Lachtermacher (2016).
Como sabemos que os valores de x1e x2 não podem
ser fracionários, podemos escolher um dos dois para tentar
torná-lo inteiro. Escolhendo a variável x1, estaremos dizendo
que seu valor deve ser menor ou igual a 2 ou, então, maior
ou igual a 3, já que nenhuma solução com valor de x1 nesse
intervalo faz parte do conjunto de soluções viáveis da PLI.
Podemos então dividir o Problema 1 em dois subproblemas
(problemas 2 e 3), como apresentado na Figura 7.
Figura 7 – Representação dos dois subproblemas
Fonte: Lachtermacher (2016).
Isso representa a eliminação de uma das partes do
conjunto de soluções viáveis do problema, apresentado na
Figura 8.
Figura 8 – Parte eliminada do conjunto de soluções
viáveis.
Fonte: Lachtermacher (2016)
. Fonte: Lachtermacher (2016).
52
O próximo passo é verificar quais são as soluções para os
problemas relaxados 2 e 3 (Figura 9). As respostas podem ser
encontradas na Figura 10.
Figura 9 – Respostas para os problemas relaxados 2 e 3.
Fonte: Lachtermacher (2016).
Figura 10 – árvore de solução do algoritmo branch-and-
bound
Fonte: Lachtermacher (2016).
Como em ambos os casos o valor ótimo do problema
relaxado é menor que o LSA, esse valor passa a ser o melhor
valor (ótimo) que a função-objetivo pode atingir. Com essas
observações, estabelecemos um intervalo para o valor ótimo
da função-objetivo.
9 ≤ valor ótimo da função-objetivo ≤ 27/2
Vale observar que o valor de x2 ainda é fracionário nos
dois casos (problemas 2 e 3). Portanto, podemos subdividir
ambos os problemas em duas partes. O problema 2 pode ser
dividido nos problemas 4 e 5, como mostrado a seguir na
Figura 11.
Figura 11 – Problemas 4 e 5

O problema 3 pode ser dividido nos problemas 6 e 7,
como mostra na Figura 12 a seguir.
Figura 12 – Problemas 6 e7.
Fonte: Lachtermacher (2016).
O próximo passo, portanto, é resolver esse conjunto
de problemas relaxados. A resposta para o problema 4 é
mostrada na figura 13.
Figura 13 – Solução para o problema relaxado 4
Fonte: Lachtermacher (2016).
Como a solução para o problema relaxado 4 é um
número inteiro, ele encerra esse ramo da árvore do algoritmo,
já que ambos os valores de x1 e x2 são inteiros. Vale notar que
o problema 5 tem apenas um ponto no conjunto de soluções
viáveis, x1 = 0 e x2 = 3, sendo essa a solução ótima dele.
Figura 14 – Solução do problema relaxado 6.
Fonte: Lachtermacher (2016).
A resposta para o problema 6 é mostrada na Figura 14.
Também podemos observar nessa figura que o conjunto de
soluções viáveis do problema 7 é vazio, isto é, o problema é
inviável. Essas soluções podem ser representadas pela árvore
53
mostrada na Figura 15.
Figura 15 – Árvore de soluções do algoritmo.
Fonte: Lachtermacher (2016).
Como podemos verificar, apenas um ramo da árvore
ainda não tem uma solução definitiva. Portanto, devemos
dividir esse ramo (problema 6) em duas partes, isto é, nos
problemas 8 e 9, como mostrado a seguir na Figura 16.
Figura 16 – Problemas 8 e 9
Fonte: Lachtermacher (2016).
Naturalmente, os problemas poderiam ser reduzidos.
Por exemplo: dizer que x1 ≥ 3 e x1 ≤ 3 é o mesmo que dizer
que x1 = 3. Os problemas são mostrados dessa maneira para
ressaltar como o processo ocorre, sem nenhuma preocupação
com o desempenho. A solução para o problema 8 pode ser
vista na Figura 17. Vale notar que, como o valor de x1 tem de
ser igual a 3, o conjunto de soluções viáveis é o segmento de
reta perpendicular ao eixo das abscissas de x2 = 0 até x2 = 1.
A solução ótima é, portanto, o ponto x1 = 3 e x2 = 1. O valor
da função-objetivo nesse ponto é 12.
Figura 17 – Solução para o problema relaxado 8
Fonte: Lachtermacher (2016).
 Pesquisa Operacional
Esses resultados podem ser incorporados a árvore do
algoritmo, como mostra na Figura 18.
Figura 18 – Árvore de solução do algoritmo branch-and-
bound.
Fonte: Lachtermacher (2016).
O problema 9 apresenta apenas um ponto no conjunto
de soluções viáveis. Portanto, esse ponto, x1 igual a 4 e x2
igual a 0, é a solução ótima do problema com valor ótimo de
12.
Como podemos notar, todos os ramos da árvore
apresentam soluções inteiras e/ou inviáveis. Isso, portanto,
encerra o processo do algoritmo. Observando os anéis finais
de cada ramo, podemos notar que a solução para a PLI é
múltipla, já que três ramos atingiram a mesma solução ótima
inteira. Caso uma das soluções finais dos ramos fosse maior
do que as outras, escolheríamos a maior solução inteira. As
soluções ótimas do problema inteiro e do linear relaxado são
mostradas na Figura 19.
Figura 19 – Soluções do problema inteiro e relaxado
Fonte: Lachtermacher (2016).
Independentemente da ordem em que os problemas
são resolvidos, isto é, como a árvore de soluções é percorrida
(Figura 20), a solução ótima achada será a mesma.
Figura 20 – Representação da forma de resolução de
uma PLI
54
Fonte: Lachtermacher (2016).
Comparada à PL correspondente, a PLI levará muito
mais tempo para ser resolvida. Isso está ligado ao fato de
que mais de um (algumas vezes centenas) problema de PL é
resolvido para se obter a solução de um PLI.
Se o problema for interrompido no meio do processo,
o valor do LIA será uma solução aproximada do problema
inteiro. A diferença entre LSA e LIA será o erro máximo que
nossa solução ótima do problema inteiro poderá apresentar.
A solução obtida em um problema de PLI ou PLIM
contem menos informações do que o problema de PL
correspondente. Algumas diferenças são:
• Inexistência de análises de sensibilidade;
• Inexistência de preço sombra;
Para avisar o Solver do Excel que uma ou mais variáveis
são inteiras, devemos adicionar uma restrição ao problema.
Para tal, quando estivermos adicionando restrições, a coluna
intermediaria deverá ter a opção nun (int) ou bin (bin) assinalada,
como mostram as figuras 21 e 22.
Figura 21 – Janela de adição de restrições de variáveis
inteiras.
Fonte: Elaborado pelo autor.
Figura 22 – Janela de adição de restrições de variáveis
binárias.
Fonte: Elaborado pelo autor.
 55

Retomando a aula

Ao chegar ao final da sexta aula, vamos recordar o

que aprendemos:

1 - Programação inteira

Nessa sexta aula, focamos entender o conceito da

programação inteira e como resolver os problemas dessa
natureza.

2 - Algoritmo branch-and-bound

Vimos o algoritmo que gerou originalmente a solução

desses problemas e como devemos parametrizar o Excel
Solver para que ele identifique que estamos querendo uma
solução inteira para nossas modelagens.

Vale a pena

Vale a pena ler

Hillier, F.S. e Lieberman G.J., Introdução à Pesquisa
Operacional, 8ª. edição. São Paulo: McGraw-Hill, 2006.
Lachtermacher, G. Pesquisa operacional na tomada de
decisões, 5ª. edição. São Paulo: Prentice Hall, 2016.
Taha, H. A.. Pesquisa Operacional. 8ª edição. São Paulo:
Pearson, 2008.

Minhas anotações