Aula 1º

Programação Linaer e suas Formas

de Resolução

Prezados(as) alunos(as),
Nesta primeira aula, estudaremos um pouco da história
da pesquisa operacional, e também vamos entender como
a pesquisa operacional pode ser útil em nosso dia a dia,
apresentando dois casos de modelagem usando pesquisa
operacional. Também estudaremos as formas de resolução de
problemas de Pesquisa Operacional.

Bons estudos!

Objetivos de aprendizagem

Ao término desta aula, vocês serão capazes de:

•  entender o que é a pesquisa operacional;

•  conhecer a metodologia utilizada na pesquisa operacional;
•  entender o que é modelagem;
•  entender o que é programação linear;
•  entender o que é e como usar o método SIMPLEX;
•  aprender a usar o Solver do Excel para resolver problemas de PO.
 Pesquisa Operacional
Seções de estudo
1- Origem e definições da pesquisa operacional
2 - Programação Linear – equações e solução gráfica
3 - Modelo de PL em forma de equação – simplex
4 - Solução com computador com o excel solver
1 - Origem e definições da pesquisa
operacional
O termo pesquisa operacional (PO) é uma tradução para o
português brasileiro da expressão inglesa operational research.
As primeiras atividades formais de PO foram iniciadas
na Inglaterra durante a segunda guerra mundial, quando
um grupo de cientistas britânicos decidiu tomar decisões
com base científica sobre a melhor utilização de material
de guerra, mais especificamente aos radares. O termo
pesquisa operacional é atribuído ao superintendente da
estação A.P.Rowe, que em 1938 coordenava equipes para
examinar a eficiência de técnicas de operações advindas
de experimentos com intercepção de radar. Em 1941 foi
inaugurada a Seção de Pesquisa Operacional do Comando
da Força Aérea de Combate (ARENALES et al., 2015).
Em 1952 foi fundada a sociedade científica americana
de pesquisa operacional (ORSA – Operations Research
Society of America) e em 1953 foi fundada a sociedade
inglesa de pesquisa operacional (ORS – Operational
Research Society) e a americana de ciências e administração
(TIMS – The Institute of Manegement Sciences). Em
1995 a ORSA e TIMS foram agregadas pelo INFORMS
(Institute for Operational Research and the Manegement
Sciences), que se mantém até os dias atuais (ARENALES
et al., 2015).
No Brasil, a pesquisa operacional teve sua primeira
aparição formal em 1968 no primeiro simpósio brasileiro
de pesquisa operacional, realizado no ITA (Instituto
Tecnológico de Aeronáutica), em São José dos Campos.
No ano seguinte, em 1969, foi fundada a SOBRAPO
(Sociedade Brasileira de Pesquisa Operacional), que publica
o periódico científico Pesquisa Operacional aqui no Brasil.
Tratando-se de definição, a SOBRAPO se refere a
Pesquisa Operacional como a área de conhecimento que
estuda, desenvolve e aplica métodos analíticos avançados
para auxiliar na tomada de melhores decisões nas mais
diversas áreas de atuação humana. Já a INFORMS define
PO como uma disciplina profissional que trata de aplicação
da tecnologia da informação para a tomada de decisão
informada (ARENALES et al., 2015).
1.2 - Solução do Modelo de Po
Em PO, não temos uma única técnica para resolver
todos os modelos matemáticos que podem surgir na prática,
onde a técnica mais utilizada é a programação linear. Ela é
aplicada a modelos cujas funções objetivo e restrição são
lineares. Outras técnicas são a programação inteira (na
6
qual as variáveis assumem valores inteiros), a programação
dinâmica (na qual o modelo original pode ser decomposto
em subproblemas mais fáceis de tratar), a otimização em
redes (na qual o problema pode ser modelado como uma
rede) e a programação não linear (na qual as funções do
modelo são não lineares). Estas são apenas algumas das
muitas ferramentas de PO disponíveis (TAHA, 2008).
1.3 - Arte da modelagem
De acordo com Taha (2008), os modelos hipotéticos
são representações verdadeiras de situações reais. Essa é
uma ocorrência rara em PO porque, de modo geral, a maioria
das aplicações envolve (graus variados de) aproximações.
Abstraímos o mundo real considerado da situação real,
concentrando-nos nas variáveis dominantes que controlam
o comportamento do sistema real. O modelo expressa de
maneira tratável as funções matemáticas que representam o
comportamento do mundo real considerado.
Geralmente a atividade de uma equipe de PO envolve
as seguintes fases:
• Identificação do problema e coleta de dados;
• Formulação de um modelo matemático
(modelagem matemática);
• Obtenção da solução com base no modelo;
• Teste do modelo e avaliação da solução;
• Implantação e acompanhamento da solução.
Deve-se salientar que tais fases não são distintas,
superpondo-se e interagindo entre si, na tentativa de se
obter uma melhor identificação entre o modelo e o real.
2 Programação Linear – equações e
solução gráfica
Os problemas de Programação Linear (PL) buscam a
distribuição eficiente de recursos limitados para atender a
um determinado objetivo, em geral, maximizar lucros ou
minimizar custos. Em se tratando de PL, esse objetivo é
expresso através de uma função linear, denominada de
“Função Objetivo”.
2.2 - Modelo de Pl de duas variáveis
Embora seja raro existirem problemas de duas variáveis
na prática, seu tratamento proporciona uma forma didática
de apresentar os conceitos de resolução de problemas
envolvendo PO. Na prática, geralmente encontramos
problemas com muitas variáveis. Porém, aqui iremos
apresentar dois exemplos de problemas de duas variáveis
para facilitar o entendimento, um de maximização e um de
minimização.
2.3 – Resolvendo um problema de
maximização
Para exemplificar como resolvemos um problema de
maximização, usaremos um exemplo fictício, adaptado de
 7
Taha (2008), de uma fábrica de tintas que busca maximizar
seus lucros.
2.3.1 – A fábrica de tintas Aquarela
Tintas
A Aquarela Tintas produz tintas para interiores e
exteriores com base em duas matérias-primas, M1 e M2. A
Tabela 1 apresenta os dados básicos do problema:
Tabela 1: Produção de tintas da Aquarela Tintas
Tonelada de matéria- Disponi-
prima por tonelada de: bilidade
máxima
Tinta para Tinta para diária
exteriores interiores (ton)
Matéria-prima M1 6 4 24
Matéria-prima M2 1 2 6
Lucro por tonelada
(R$ 1.000,00) 5 4
Fonte: adaptado de Taha (2008).
Uma pesquisa de mercado indica que a demanda diária
de tintas para interiores não pode ultrapassar a de tintas para
exteriores por mais de 1 tonelada. Além disso, a demanda
máxima diária de tinta para interiores é 2 t.
A Aquarela Tintas quer determinar o mix ótimo (o
melhor) de produtos de tintas para interiores e exteriores
que maximize o lucro total diário.
De acordo com Taha (2008), o modelo de PL, como
qualquer modelo de PO, tem três componentes básicos.
1. Variáveis de decisão que procuramos determinar.
2. Objetivo (meta) que precisamos otimizar
(maximizar ou minimizar).
3. Restrições que a solução deve satisfazer.
A definição adequada das variáveis de decisão é uma
primeira etapa essencial no desenvolvimento do modelo.
Uma vez concluída, a tarefa de construir a função objetivo
e as restrições torna-se mais direta.
Para o problema da Aquarela Tintas, precisamos
determinar as quantidades diárias a produzir de tintas para
exteriores e interiores. Assim, as variáveis do modelo são
definidas como:
x1.= toneladas de tinta para exteriores produzidas
diariamente
x2: toneladas de tinta para interiores produzidas
diariamente
Para construir a função objetivo, observe que a empresa
quer maximizar (isto é, aumentar o máximo possível) o
lucro total diário para as duas tintas. Dado que os lucros
por tonelada de tintas para exteriores e interiores são de 5 e
4 (mil) dólares, respectivamente, decorre que
Lucro total da tinta para exteriores = 5x1 (mil) dólares
Lucro total da tinta para interiores = 4x2 (mil) dólares
Representando o lucro total diário (em milhares de
dólares) por z, o objetivo da empresa é
Maximizar z = 5x1 + 4x2
Em seguida, construímos as restrições que limitam a
utilização da matéria-prima e a demanda do produto. As
restrições sobre a matéria-prima são expressas em palavras
como
Utilização de uma matéria-prima para ambas as tintas
≤ Máxima disponibilidade de matéria-prima
A utilização por dia da matéria-prima M1 é de 6 t por
tonelada de tinta para exteriores, e de 4 t por tonelada de
tinta para interiores. Assim,
Utilização da matéria-prima M1 para tinta para
exteriores = 6x1 t/dia
Utilização da matéria-prima M1 para tinta para
interiores = 4x2 t/dia
Então temos que
Utilização da matéria-prima M1 para ambas as tintas =
6x1 + 4x2 t/dia
De maneira semelhante,
Utilização da matéria-prima M2 para ambas as tintas =
1x1 + 2x2 t/dia
Como as disponibilidades diárias das matérias-primas
M1 e M2 estão limitadas a 24 e 6 ton, respectivamente, as
restrições relacionadas são dadas como
6x1 + 4x2 ≤ 24 (matéria-prima M1)
x1 + 2x2 ≤ 6 (matéria-prima M2)
A primeira restrição relacionada à demanda estipula
que o excesso da produção diária de tinta para interiores
em relação à de tinta para exteriores, x2 – x1, não deve
ultrapassar 1 ton, o que poderia ser traduzido para:
x2 - x1 ≤ 1 (limite de mercado)
A segunda restrição relacionada à demanda estipula
que a demanda diária máxima de tinta para interiores está
limitada a 2 ton, o que é traduzido para
x2 ≤ 2 (limite de demanda)
Ainda de acordo com Taha (2008), uma restrição
implícita é que as variáveis x1 e x2 não podem assumir
valores negativos. As restrições de não-negatividade, x1 ≥
0, x2 ≥ 0, são as responsáveis por esse requisito. O modelo
completo da Aquarela Tintas é:
Maximizar z = 5x1 + 4x2
sujeito a:
1) 6x1 + 4x2 ≤ 24
2) x1 + 2x2 ≤ 6
3) -x1 + x2 ≤ 1
4) x2 ≤ 2
5) x1 ≥ 0
6) x2 ≥ 0
Quaisquer valores de x1 e x2 que satisfaçam todas
as cinco restrições constituem uma solução viável. Caso
contrário, a solução é inviável. Por exemplo, a solução x1 =
3 t/d e x2 = 1 t/d é viável-porque não viola nenhuma das
restrições, entre elas as de não-negatividade. Para verificar
esse resultado, substitua (x1 = 3, x2 = 1) no lado esquerdo
de cada restrição. Na restrição (1) temos 6x1 + 4x2 = 6 x 3
+ 4 x 1 = 22, que é menor do que o lado direito da restrição
(= 24). As restrições 2 a 6 resultarão em conclusões
semelhantes (Verifique!). Por outro lado, a solução x1 = 4
 Pesquisa Operacional
e x2 = 1 é inviável porque não satisfaz a restrição (1) — ou
seja, 6 x 4 + 4 x 1 = 28, que é maior do que o lado direito
(= 24).
2.4 - Solução Gráfica em PL
Para exemplificar como resolvemos um problema de
PL com solução gráfica, usaremos o exemplo da fábrica
de tintas Aquarela Tintas. De acordo com Taha (2008),
o procedimento para resolução com gráfico inclui duas
etapas:
1. Determinação da região de soluções viáveis.
2. Determinação da solução ótima entre todo da região
de soluções dos pontos viáveis.
O procedimento utiliza dois exemplos para mostrar
como a maximização e a minimização das funções objetivo
são tratadas. Vamos então resolver o modelo da Aquarela
Tintas do Exemplo:
2.4.1 - Etapa 1: determinação da
região de soluções viáveis
Seguindo Taha (2008), em primeiro lugar, levamos
em conta as restrições de não-negatividade x1 ≥ 0 e x2
≥ 0. Na Figura 1, o eixo horizontal x1 e o eixo vertical x2
representam as variáveis tinta para exteriores e tinta para
interiores, respectivamente. Assim, a não negatividade das
variáveis restringe a área da região de soluções ao primeiro
quadrante que se encontra acima do eixo x1 e à direita do
eixo x2.
Figura 1: Representação gráfica do problema da fábrica
de tintas.
Fonte: Taha (2008).
Para levar em conta as quatro restrições restantes, em
primeiro lugar substitua cada desigualdade por uma equação
e depois represente em gráfico a linha reta resultante
localizando dois pontos distintos nela. Por exemplo, após
substituir 6x1 + 4x2 ≤ 24 pela linha reta 6x1 + 4x2 = 24,
podemos determinar dois pontos distintos, primeiro ao
fazer x1 = O para obter x2 = 24/4 = 6, e, após, ao fazer x2 =
O para obter x1 = 24/6 = 4. Assim, a reta passa pelos dois
pontos, (0, 6) e (4, 0), como mostra a reta (1) na Figura 1.
Ainda de acordo com Taha (2008), na sequência,
considere o efeito da desigualdade. Tudo que ela faz é
dividir o plano (x1, x2) em dois meios-espaços, um de cada
8
lado da reta representada no gráfico. Só uma dessas duas
metades satisfaz a desigualdade. Para determinar o lado
correto, tome (0, 0) como um ponto de referência. Se ele
satisfizer a desigualdade, o lado no qual ele se encontra é a
meia-região viável; caso contrário, o viável é o outro lado.
A utilização do ponto de referência (0,0) é ilustrada com a
restrição 6x1 + 4x2 ≤ 24. Como 6 x 0 + 4 x 0 = 0 é menor do
que 24, a meia-região que representa a desigualdade inclui a
origem (como é mostrado pela seta na Figura 1).
Em termos de cálculo, é conveniente selecionar (0,
0) como o ponto de referência, a menos que, por acaso,
a reta passe pela origem, quando então qualquer outro
ponto pode ser usado. Por exemplo, se usarmos o ponto
de referência (6, 0), o lado esquerdo da primeira restrição
é 6 x 6 + 4 x 0 = 36, que é maior do que seu lado direito
(= 24), o que significa que o lado no qual (6,0) se encontra
não é viável para a desigualdade 6x1 + 4x2 5 24. A conclusão
é consistente com a baseada no ponto de referência (0,0).
A aplicação do procedimento do ponto de referência a
todas as restrições do modelo produz as restrições mostradas
na Figura 1. A região de soluções viáveis do problema
representa a área do primeiro quadrante na qual todas as
restrições são satisfeitas simultaneamente. Na Figura 1,
qualquer ponto que esteja dentro ou sobre o contorno da
área ABCDEF é parte da região de soluções viáveis. Todos
os pontos fora dessa área são inviáveis (TAHA, 2008).
2.4.2 - Etapa 2: determinação da
solução ótimo
Seguindo o raciocínio exposto por Taha (2008), vemos
que a região viável da Figura 1 é delimitada pelos segmentos
de reta que unem os pontos A, B, C, D, E e F. Qualquer
ponto dentro ou sobre o contorno do espaço ABCDEF
é viável. Como a região viável ABCDEF consiste em um
número infinito de pontos, precisamos de um procedimento
sistemático para identificar a solução ótima. A determinação
da solução ótima requer identificar a direção na qual a
função lucro z = 5x1 + 4x2 aumenta (lembre-se de que
estamos maximizando z). Podemos fazer isso designando
valores crescentes arbitrários a z. Por exemplo, usar z = 10
e z = 15 equivaleria a representar em gráfico as duas retas,
5x1 + 4x2 = 10 e 5x1 + 4x2 = 15.
Assim, a direção do aumento de z é a mostrada na
Figura 2. A solução ótima ocorre em C, que é o ponto na
região de soluções além do qual qualquer aumento adicional
levará z para fora dos contornos de ABCDEF.
Os valores de x1 e x2 relacionados com o ponto ótimo C
são determinados pela resolução das equações relacionadas
com as retas (1) e (2), isto é,
6x1 + 4x2 = 24
x1 + 2x2 = 6
A solução é x1 = 3 e x 2 = 1,5,com z = 5 x 3 + 4 x 1,5
= 21. Isso representa um mix de produto diário de 3 t de
tinta para exteriores e 1,5 t de tinta para interiores. O lucro
diário associado é $ 21.000.
Figura 2: solução ótima do exemplo da fábrica de tintas
 9
2.5 - Solução de um modelo de
minimização
Para exemplificar o problema de minimização,
usaremos um exemplo adaptado de Taha (2008), de modelo
de dieta, aqui apresentado como diminuir os custos de ração
de uma fazenda, mas atendendo às restrições nutricionais
da dieta da ração.
A Fazenda São João usa, no mínimo, 800 lb de ração
especial por dia. Essa ração especial é uma mistura de milho
e soja com as composições elencadas na Tabela 3.
Tabela 3: Composição da ração na Fazenda São João

lb por lb de ração
Custo (R$/
Ração Proteína Fibra lb)
Fonte: Taha (2008).
Milho 0,09 0,02 0,3
De acordo com Taha (2008), uma característica Soja 0,6 0,06 0,9
importante da solução ótima de PL e que ela sempre está Fonte: adaptado de Taha (2008).
relacionada com um ponto extremo da região de soluções Os requisitos nutricionais da ração especial são de no
(em que duas retas se cruzam). Isso é válido até se, por mínimo 30% de proteína e de no máximo 5% de fibra.
acaso, a função objetivo for paralela a uma restrição. Por A Fazenda São João quer determinar a mistura que gera
exemplo, se a função objetivo for z = 6x1 + 4x2, que é a ração de mínimo custo diário. Como a ração consiste
paralela à restrição 1, sempre podemos dizer que a solução em milho e preparado de soja, as variáveis de decisão do
ótima ocorre no ponto extremo B ou no ponto extremo modelo são definidas como:
C. Na verdade, qualquer ponto sobre o segmento de reta x1 = lb de milho na mistura diária
BC será uma alternativa, mas a observação importante aqui x2 = lb de preparado de soja na mistura diária
é que o segmento de reta BC é totalmente definido pelos
pontos extremos B e C. A função objetivo procura minimizar o custo total
diário da ração e, por isso, é expressa como:
A observação de que a solução ótima em PL está sempre Minimizar z = 0,3x1 + 0,9x2
associada a um ponto extremo significa que a solução ótima As restrições do modelo refletem a quantidade diária
pode ser encontrada pela simples enumeração de todos os necessária e os requisitos nutricionais. Como a Fazenda
pontos extremos, como mostra a Tabela 2. São João precisa de no mínimo 800 lb de ração por dia, a
Tabela 2: Pontos e solução ótima do problema da restrição associada pode ser expressa como
fábrica de tintas. x1 + x2 ≥ 800
Quanto à restrição ao requisito nutricional de proteína,
a quantidade de proteína presente em x1 lb de milho e x2 lb
Ponto extremo (x1; x2) z
de preparado de soja é (0,09x1 + 0,6x2) lb. Essa quantidade
A (0;0) 0 deve ser igual a no mínimo 30% do total da mistura das
B (4;0) 20 rações (x1 + x2) lb, isto é:
C (3;1,5) 21 Ótimo 0,09x1 + 0,6x2 ≥ 0,3(x1 + x2)
De modo semelhante, o requisito de no máximo 5%
D (2;2) 18 de libras é expresso por
E (1;2) 13 0,02x1 + 0,06x2 ≥ 0,05(x1 + x2)
F (0;1) 4 Podemos simplificar as restrições passando os termos
Fonte: adaptado de Taha (2008).
em x1 e x2 para o lado esquerdo de cada desigualdade,
deixando somente uma constante no lado direito. Assim, o
modelo completo se torna:
À medida que o número de restrições e variáveis
aumenta, o número de pontos extremos também aumenta, Minimizar z = 0,3x1 + 0,9x2
e o procedimento de enumeração proposto torna-se menos
viável em termos de cálculo. Não obstante, a ideia mostra Sujeito a
que, do ponto de vista da determinação da solução ótima x1 + x2 ≥ 800
em PL, o espaço de solução ABCDEF com seu número 0,21x1 - 0,30x2 ≤ 0
infinito de soluções pode, de fato, ser substituído por um 0,03x1 - 0,01x2 ≥ 0
número finito de soluções – ou seja, os pontos extremos A, X1, x2 ≥ 0
B, C, D, E e F (TAHA, 2008).
 Pesquisa Operacional
Figura 3: Solução gráfica para o modelo da dieta.
Fonte: Taha (2008).
A Figura 3 apresenta a solução gráfica do modelo.
Diferente das restrições do modelo da Aquarela Tintas, a
segunda e a terceira restrições passam pela origem. Para
representar em gráfico as retas associadas, precisamos de um
ponto adicional, que pode ser obtido com a designação de
um valor a uma das variáveis e depois com a resolução para
a outra variável. Por exemplo, na segunda restrição, x1 = 200
fará 0,21 x 200 - 0,3x2 = 0, ou x2 = 140. Isso significa que
a linha reta 0,21x1 - 0,3x2 = 0 passa por (0, 0) e (200, 140).
Observe também que (0,0) não pode ser usado como um
ponto de referência para as restrições 2 e 3 porque ambas
as retas passam pela origem. Em vez disso, pode-se usar um
outro ponto (por exemplo, (100,0) ou (0, 100)) para essa
finalidade.
Solução:
Como o presente modelo busca a minimização da função
objetivo, precisamos reduzir o valor de Z o máximo possível
na direção mostrada na Figura 3. A solução ótima e o extremo
das duas retas x1 + x2 = 800 e 0,21x1 - 0,3x2 = 0, o que dá
como resultado x1 = 470,59 lb e x2 = 329,41 lb. O custo da
ração e z = 0,3 x 470,59 + 0,9 x 329,42 = $ 437,65 por dia.
3 Modelo de PL em forma de equação
– simplex
Nem sempre os problemas de PL são de fácil solução
através de gráficos, e o dia a dia do engenheiro não permite
ficar à mercê desse fato. Para resolver essa limitação, foi
padronizado uma metodologia matemática para resolução
dos problemas de programação linear, chamado de método
simplex. De acordo com Taha (2008), o desenvolvimento dos
cálculos do método simplex é facilitado pela imposição de
novos requisitos às restrições do problema:
1. Todas as restrições (com exceção da não negatividade
das variáveis) são equações cujos lados direitos são
não negativos.
2. Todas as variáveis são não negativas.
Aqui, a finalidade primordial desses dois requisitos e
padronizar e tornar mais eficientes os cálculos do método
simplex. É importante saber que todos os pacotes comerciais
aceitam diretamente restrições de desigualdade. Lados
10
direitos não negativos e variáveis irrestritas. Qualquer
precondicionamento necessário do modelo é realizado
internamente no software antes de o método simplex resolver
o problema.
3.2 - Conversão de desigualdades em
equações com o lado direito não negativo
De acordo com Taha (2008), em restrições (≤), o lado
direito pode ser considerado como a representação do limite
imposto a disponibilidade de um recurso, caso em que o lado
esquerdo representaria a utilização desse recurso limitado pelas
atividades (variáveis) do modelo. Assim, a diferença entre o
lado direito e o lado esquerdo da restrição (≤) resultaria na
quantidade do recurso não utilizada ou folga.
Para converter uma desigualdade (é) em uma equação,
uma variável de folga não negativa é adicionada ao lado
esquerdo da restrição. Por exemplo, no modelo da Fazenda
São João, a restrição associada com a utilização da matéria-
prima M1 é dada como
6x1 + 4x2 ≤ 24
Defina-se S1 como a folga ou a quantidade não utilizada
de M1, a restrição pode ser convertida na seguinte equação:
6x1 + 4x2 + 51 = 24, S1≥ 0
De forma semelhante, uma restrição (≥) estabelece um
limite inferior para as atividades do modelo de PL, de modo
que a quantidade pela qual o lado esquerdo excede o limite
mínimo representa uma sobra (TAHA, 2008). Consegue-se
a conversão de (≥) em (=) com a subtração de uma variável
de sobra não negativa do lado esquerdo da desigualdade. Por
exemplo, no modelo da dieta, a restrição que representa os
requisitos mínimos da ração é:
x1+ x2 ≥ 800
Defina-se S1 como a variável de sobra, a restrição pode
ser convertida na seguinte equação:
x1 + x2 – S1= 800, S1 ≥ 0
O único requisito restante é que o lado direito da equação
resultante seja não negativo. A condição sempre pode
ser satisfeita multiplicando-se ambos os lados da equação
resultante por -1, onde necessário. Por exemplo, a restrição:
-x1 + x2 ≤ -3
é equivalente a equação:
-x1 + x2 +S1 =-3, S1 ≥ O
Agora, multiplicando ambos os lados por -1, teremos um
lado direito não negativo, como desejado, isto é:
x1 - x2 -s1 = 3
3.3 - Detalhes de cálculo do algoritmo
simplex
Esta seção apresenta os detalhes de cálculo de uma iteração
do método simplex, incluindo as regras para determinar as
variáveis que entram na base e que saem da base, bem como
as regras para interromper os cálculos quando a solução ótima
tiver sido alcançada. A explicação se dará por meio de um
exemplo numérico.
Usamos o modelo da Fazenda São João para explicar
os detalhes do método simplex. O problema é expresso na
forma de equações como:
Maximizar z = 5x1 + 4x2 + 0s1 + 0s2 + 0s3 + 0s4
 11
na tabela simplex exige o cálculo das razões não negativas entre
sujeito a: o lado direito das equações (coluna Solução) e o coeficiente
6x1 + 4x2 + s1 = 24 (matéria-prima M1) de restrição correspondente da variável que entra, x1, como
x1 + 2x2 + s2 = 6 (matéria-prima M2) mostra a tabela:
-x1 + x2 + s3 = 1 (limite de mercado)
x2 + s4 = 2 (limite da demanda) Entrando
x1,x2,s1,s2,s3,s4 ≥ 0 Base x1 Solução Razão

As variáveis s1, s2, s3 e s4 são as folgas associadas às s1 6 24 x1 = 26/6 =  mínimo

respectivas restrições. s2 1 6 x1 = 6/1 = 6
Em seguida, escrevemos a função objetivo como:
s3 -1 1 x1 = 1/-1 = -1 (ignorar)
z - 5x1 - 4x2 = 0
Dessa maneira, a tabela simplex inicial pode ser s4 0 2 x1 = 2/0 = ∞ (ignorar)
representada da seguinte maneira: Conclusão: x1 entra e s1 sai

Base z x1 x2 s1 s2 s3 s4 Solução   A razão mínima não negativa identifica automaticamente

z 1 -5 -4 0 0 0 0 0 linha z a variável s1 como a variável que sai da base e designa a variável
que entra na base (x1) o valor de 4.
s1 0 6 4 1 0 0 0 24 linha s1
Segundo Taha (2008), o processo de troca é baseado
s2 0 1 2 0 1 0 0 6 linha s2 nas operações de Gauss-Jordan, que identifica a coluna da
s3 0 -1 1 0 0 1 0 1 linha s3 variável que entra na base como a coluna do pivô, e a linha da
s4 0 0 1 0 0 0 1 2 linha s4 variável que sai como a linha do pivô. A interseção da coluna
Fonte: Taha (2008).
do pivô com a linha do pivô é denominada elemento pivô. A
tabela seguinte é uma reafirmação da tabela do começo com
O arranjo da tabela especifica o conjunto de variáveis sua coluna e linhas dos pivôs em destaque.
básicas e não básicas, bem como apresenta a solução associada
com a iteração inicial. As iterações simplex começam na Entra
origem, (x1, x2) = (0,0), cujos conjuntos associados de variáveis
não básicas e básicas são definidos como:   Base z x1 x2 s1 s2 s3 s4 Solução  
Variáveis (zero) não básicas = (x1, x2)   Z 1 -5 -4 0 0 0 0 0  
Variáveis básicas = (s1,s2,s3,s4) Linha
Sai s1 0 6 4 1 0 0 0 24
Substituindo as variáveis não básicas (x1, x2) = (0,0), a pivô
seguinte solução está imediatamente disponível (sem nenhum s2 0 1 2 0 1 0 0 6
cálculo): s3 0 -1 1 0 0 1 0 1
z=0
s1=24 s4 0 0 1 0 0 0 1 2  
s2 = 6
s3 = 1
Coluna
s4 =2
Pivô
Essa informação é mostrada na tabela pela listagem das
Os cálculos por Gauss-Jordan necessários para produzir
variáveis básicas na coluna da extrema esquerda, “Base”,
a nova solução básica são de dois tipos.
e seus valores aparecem na coluna da extrema direita,
1. Linha do pivô
“Solução”. Na verdade, a tabela define o ponto extremo atual
b. Substituir & variável que sai da base na coluna Base
especificando suas variáveis básicas e seus valores bem como
pela variável que entra na base.
o valor correspondente da função objetivo, z. Lembre-se de
c. Nova linha do pivô = Linha do pivô atual +
que as variáveis não básicas (as que não aparecem na lista da
Elemento pivô
coluna Base) sempre são iguais a zero.
A solução inicial é ótima? Não, pois a função objetivo z =
2. Todas as outras linhas, incluindo z
5x1 + 4x2 mostra que um aumento em x1 ou x2 (ou em ambas)
acima de seus valores zero atuais melhorará o valor de z. O Nova linha = (Linha atual) - (Seu coeficiente de coluna
projeto do método simplex exige o aumento de uma variável do pivô) x(Nova linha do pivô)
por vez, sendo que a variável selecionada será aquela que tiver
a maior taxa de melhoria em z. O valor de z aumentará em 5   Base z x1 x2 s1 s2 s3 s4 Solução
para cada unidade de aumento de x1 e em 4 para cada unidade   Z 1 0 -2/3 5/6 0 0 0 20
de aumento em x2. Isso significa que a taxa de melhoria no
valor de z é 5 para x1 e 4 para x2. Assim, optamos por aumentar x1 0 1 2/3 1/6 0 0 0 4
x1, a variável que tem a maior taxa de melhoria. Essa regra é  s2 0 0 4/3 -1/6 1 0 0 2
denominada condição de otimalidade.
s3 0 0 5/3 1/6 0 1 0 5
A mecânica da determinação da variável que sai com base
 Pesquisa Operacional 12
  s4 0 0 1 0 0 0 1 2

Observe que a nova tabela tem as mesmas propriedades 4 - Solução com computador com o
da tabela inicial. Quando igualamos as novas variáveis não excel solver
básicas x2 e s1 a zero, a coluna Solução dá automaticamente
Na prática, quando vamos resolver um problema de
a nova solução básica (x1 = 4, s2 = 2, s3 = 5, s4 = 2). Esse
programação linear, geralmente encontramos muitas variáveis
“condicionamento” da tabela é o resultado da aplicação das
e restrições, inviabilizando a resolução pelo método gráfico.
operações de linha por Gauss-Jordan. O novo valor da função
Nesses casos, o modo viável para resolução é a utilização
objetivo correspondente e z = 20, que é consistente com
de computador. Existem vários softwares que auxiliam
Novo z =Velho z + Novo valor x1 x Seu coeficiente na a resolução de problemas de programação linear, dentre
função objetivo eles podemos citar: Excel Solver; a linguagem AMPL; o
= 0 + 4 x 5 = 20 What’sBest!; e o Lingo.
Na última tabela, a condição de otimalidade mostra
que x2 é a variável que deve entrar na base. A condição de A seguir, usaremos o exemplo da fábrica de tintas para
viabilidade produz o seguinte demonstrar a forma de solução usando o Solver. A planilha do
excel deve contar os dados de entrada, como função objetivo
Entrando e as restrições. Veja na Figura 4, abaixo, um exemplo de como
Base x2 Solução Razão montar essa planilha de entrada de dados.
x1 2/3 4 x2 = 2/(2/3) = 6
s2 4/3 2 x2 = 2/(4/3) = 1,5 (mínimo)
Figura 4: exemplo de como montar essa planilha de
entrada de dados
s3 5/3 5 x2 = 5/(5/3) = 3
s4 1 2 x2 = 2/1 = 2
Assim, s2 sai da solução básica e o novo valor de x2 é 1,5,
o que da
z = 20 + 1 = 21.

Substituindo s2 na coluna Base por x2 que entra, as

seguintes operações de fila por Gauss-Jordan são aplicadas:

Base z x1 x2 s1 s2 s3 s4 Solução
Z 1 0 0 3/4 1/2 0 0 21
Fonte: adaptado de Taha (2008)
x1 0 1 0 1/4 -1/2 0 0 3
x2 0 0 1 -1/8 3/4 0 0 3/2 Essa planilha é apenas um modelo, demonstrando como
s3 0 0 0 3/8 -5/4 1 0 5/2 inserir os dados. A Tabela 4 mostra as funções da programação
linear e seu posicionamento adequado nas células.
s4 0 0 0 1/8 -3/4 0 1 1/2

Com base na condição de otimalidade, nenhum dos Tabela 4: funções a serem inseridas no modelo
coeficientes da linha z associados com as variáveis não básicas, apresentado na Figura 4
s1 e sz, é negativo. Assim, essa tabela simplex é ótima.
Inserida
A solução ótima pode ser lida na tabela simplex da Expressão algébrica Fórmula na planilha na célula
seguinte maneira: os valores ótimos das variáveis na coluna Objetivo (z) 5x1 + 4x2 =C5*$C$16+$D$16*D5 E5
Base são dados na coluna Solução do lado direito da tabela, Restrição 1 6x1 + 4x2 =C9*$C$16+$D$16*D9 E9
e podem ser interpretados como demonstrado na tabela a Restrição 2 x1 + 2x2 =C10*$C$16+$D$16*D10 E10
seguir Restrição 3 -x1 + x2 =C11*$C$16+$D$16*D11 E11
Restrição 4 0x1 + x2 =C12*$C$16+$D$16*D12 E12

Variável de Valor Fonte: adaptado de Taha (2008).

Recomendação
decisão ótimo
Produzir 3 ton diárias de tintas para exterio- Agora, com a planilha montada, vamos utilizar o solver
x1 3 res do excel para achar a solução ótima. Para adicionar o solver
Produzir 1,5 ton diária de tintas para interio- em seu excel, primeiramente clique em “Arquivo”, e em
x2 3/2 res seguida “Opções”, conforme a Figura 5. Na sequência vá em
“Suplementos” e adicione o “Solver”, conforme a Figura 6.
z 21 Lucro diário é de $ 21.000,00
 13
Figura 5: Opções do Excel

Fonte: o autor

Figura 6: Suplementos do Excel

Fonte: o autor.

Após o solver devidamente adicionado em seu Excel, clique na aba “dados” e em seguida abra a opção “solver”, conforme
a Figura 7.
Figura 7: Solver no Excel

Fonte: o autor.
 Pesquisa Operacional 14
Conforme mostra a Figura 8, aberta a janela “Parâmetros
do Solver”, primeiramente clique a opção “Definir objetivo” e
selecione a célula E5, que é a função objetivo a ser maximizada.
Em seguida, clique na opção “Max”, de maximização, e por
último, clique na opção “Alterando Células Variáveis” e
selecione as células C16 e D16, instruindo assim o Solver a
alterar os valores dessas células para achar o ponto ótimo de z.
No método de solução opte pela opção “LP Simplex”.
Figura 8: janela de parâmetros do solver
Fonte: o autor.
Após isso, temos que inserir as restrições na janela do
solver. Fazemos isso clicando no botão adicionar. Ao abrir
o popup do botão adicionar, faremos conforme a Figura
6, selecionando as células C16 e D16, selecionando o sinal
“≥” e no campo “restrição” digitaremos o valor “0” (zero).
Dessa forma informaremos que os valores que o solver
deve nos passar tem que ser “não negativos”. Na sequência
devemos clicar novamente no botão “adicionar”, para inserir
as restrições do problema. No campo “referência de célula”
devemos selecionar de uma só vez as células E9, E10, E11 e
E12 (clicando e arrastando). O sinal é o mesmo da planilha
(≤), e no campo restrição devemos selecionar os valores da
coluna limite (G9, G10, G11 e G12).
Figura 9: programando restrições do solver
Fonte: o autor.
Inseridas as restrições, basta clicar em “ok” e em seguida
no botão “resolver”. O Excel irá automaticamente preencher
os valores das células C16 e D16 com a solução ótima que
maximize o valor da célula E5.
Retomando a aula
Ao chegar ao final da primeira aula, vamos recordar o
que aprendemos:
1- Origem e definições da pesquisa operacional
Nesta seção, iniciamos vendo a origem e definições de
pesquisa operacional (PO). Vimos que teve suas inspirações
na Segunda Guerra Mundial e depois foi se desvinculando aos
poucos da origem militar. Na sequência, falamos um pouco
sobre modelagem e vimos exemplos de problemas reais de
aplicação de PO.
2- Programação Linear – equações e solução gráfica
Na segunda seção da aula, falamos da Programação
Linear (PL), que é a espinha dorsal da maioria dos problemas
de PO. Vimos exemplos de maximização e minimização,
além de uma técnica de resolução muito útil, principalmente,
no mercado de trabalho, que é a resolução gráfica.
3 - Modelo de Pl em forma de equação – simplex
Na terceira parte da aula, vimos uma forma mais
elaborada de resolução de problemas de PL, que é o algoritmo
SIMPLEX, que é muito utilizado academicamente e também
em criação de softwares, por ser mais conceitual.
4 - Solução com computador com o excel solver
Finalmente, na quarta parte da aula, vimos a solução
computacional através do Excel, que é mais comum de ser
utilizada no dia a dia de um engenheiro em seu local de
trabalho.
Vale a pena
Vale a pena ler
ARENALES, M.; ARMENTANO, V. A.; MORABITO,
R.; YANASSE, H. H. Pesquisa operacional. Rio de Janeiro:
Campus/Elsevier, 2015.
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.
 15

Vale a pena acessar

Disponível em: https://www.informs.org/. Acesso

em: 09 dez. 2019.
Disponível em: https://www.sobrapo.org.br/. Acesso
em: 09 dez. 2019.

Minhas anotações