Escolar Documentos
Profissional Documentos
Cultura Documentos
OPERACIOAL
SEBENTA COM PROBLEMAS E EXERCÍCIOS
Luanda 2014
INDECE
Nome do Aluno……………………………………………………………………………………………..Nº…………………
Primeiro Semestre………………………..Curso…………………………………………………….Ano……………….
Primeiro Mês de Aulas:
1. Exercício de Álgebra Linear
Classificação___________
Classificação: ___________
Segundo Mês:
Nº· Nº
Classificação: ____________
Classificação ____________
NOTA: Os exercícios de exame e recurso devem ser entregues 10 dias antes da data
marcada para prova e defendidos no dia da prova.
1. INTRODUÇÃO A PESQUISA OPERACIONAL
Muitos dos problemas actuais baseiam-se em escolher uma alternativa, a melhor entre, muitas
ou seja, a tomada de decisão. A pesquisa operacional (PO) é um dos ramos da matemática que
utiliza processos numéricos de chegar a melhor alternativa.
Investigação = Pesquisa que conduz o resultado que são imediatamente utilizáveis fora do
domínio da ciência (na vida real); ou seja procura resolver um problema e alguns dos objectivo
a atingir são de natureza não científica.
A P.O. é a ciência aplicada vocacionada na resolução de um problema da vida real, nos quais
se procura trazer para o campo da tomada de decisão (sobre a concepção a planificação ou a
operação de sistema) a altitude e os métodos próprios de outras áreas cientificas.
Suponhamos por exemplo, que uma empresa dispõe de diversos recursos (matéria – prima,
mão – de – obra, etc.) que os pode combinar de diversos modos para produzir certo bem.
Admitindo que o problema consiste em determinar a combinação produtiva que permite obter
o bem a um certo custo mínimo, pode sugerir a questão de procurar a técnica matemática
mais eficaz para minimizar certo tipo de função – custo.
Os problemas eram basicamente os mesmos que foram tratados pelos militares, mas em
diferente contexto. Assim embora a PO militar não tenha parado de se desenvolver, assistiu-se
no período pós – guerra ao rápido crescimento da PO civil (nas industrias nos negócios e no
sector publico) no sentido de criarem métodos de gestão racionais.
Podem identificar-se pelo menos dois factores, que tiveram um papel essencial no rápido
crescimento da PO durante esse período:
Uma outra característica é que a PO tenta encontrar a melhor solução (ou ótima) do problema;
isto é, o objectivo de identificar a melhor acção possível – procura de otimização.
3.1. Definição
A programação linear é uma técnica da PO. Esta denominação se atribui porque considera-se
que as restrições e as condições impostas aos problemas tratados são expressas em termos
Lineares.
Ela consiste em dispor os dados de um problema cujas incógnitas guardam relações lineares,
sob a forma de um sistema de equações e/ou inequações composto de uma equação chamada
funçãoobjectivo para qual deseja-se obter um resultado óptimo (máximo ou mínimo) sujeito a
restrições ou condicionamentos, constituído por várias equações ou inequações.
Quando o número de incógnitas é igual a 2 ou 3 o sistema admite uma solução gráfica. Muito
complicada no segundo caso por se tratar de um problema no espaço tridimensional. Os
problemas com 4 ou mais incógnitas pertencendo a um espaço n-dimensional só admitem
soluções algébricas através do cálculo matricial.
Os três principais grupos de problemas que podem ser resolvidos por Programação Linear são:
1. Formulação do problema;
2. Construção do modelo matemático;
3. Cálculo da solução através do modelo;
4. Avaliação do modelo e da solução;
5. Tomada de decisão sobre a solução encontrada;
6. Implementação e acompanhamento:
Formulação do Problema:
Além disso, serão levantadas as limitações técnicas do sistema e as relações desse sistema com
outros, com a finalidade de criticar a validade de possíveis soluções em face destes obstáculos.
Formulação de um problema de PL
NOTA: É muito difícil procurar uma solução certa para um problema mal formulado
O modelo matemático constitui uma ponte para a utilização de técnicas matemáticas muito
poderosa e da informática para analisar o problema. De facto, começaram a ser utilizadas
muitas aplicações de “software” associadas a modelos matemáticos, como é o caso do
“Solver”
Quando se desenvolve o modelo, deve-se começar com uma versão muito simples, para
depois evoluir-se para modelos mais elaborados e que mais de perto reflicta a complexidade
do problema real. Este processo de enriquecimento de modelo contínua apenas enquanto o
modelo permanecer manejável. Desta forma, o compromisso base a considerar é a entre a
precisão e o manejar do modelo.
O modelo analítico – consiste em obter a solução por via dedutiva, utilizando diversos ramos
da matemática.
Tem sido desenvolvido muito procedimento para determina estas soluções para certo tipo de
problema. No entanto, é necessário reconhecer que estas soluções são óptimas apenas
relativamente ao modelo utilizando. Uma vem que o modelo é, necessariamente mais uma
idealização do que uma representação exacta do problema real, não existe garantia de que a
solução óptima do modelo seja o melhor possível que possa ser incompleta no problema real.
No entanto, se o modelo estiver bem formulado e testado, a solução resultante tendera a ser
uma boa aproximação da acção real.
Combinada numa medida composta denominada por medida de rendimento total. Esta
medida pode ser muitas vezes evidente (por exemplo, custo) correspondendo a uma grande
meta da organização, ou pode ser abstracta (por exemplo, “utilidade”). Neste ultimo caso, a
tarefa para desenvolver esta medida tende a ser um certo complexo, exigindo uma
comparação cuidadosa dos objectivos e da sua importância relativa. Exprimindo esta medida
com uma função matemática das variáveis de decisão.
b) Optimização vs. Satisfação
Segundo Herbert Simon, a satisfação é muito mais dominante do que é a optimização nas
acções reais. Criou-se o termo satisfação com uma combinação das palavras satisfatória e
optimização a distinção entre optimização e satisfação reflecte a diferença entre as teoria e as
realidades, normalmente tentando implementa aquela teoria na prática. Segundo Samuel
Eilon, “optimização é a ciência do ultimato; satisfação é a arte do admissível.
O objectivo de um estudo da PO será conduzir o estudo numa forma óptima. Alem de procurar
a optimização deve-se considerar o custo do estudo, as desvantagens da demora na sua
realização, e depois tentar maximizar os benefícios líquidos resultantes do estudo. No
reconhecimento deste conhecimento, utilizam-se apenas, ocasionalmente, procedimentos
heurísticos (i.e., procedimentos designados intuitivamente que não garantem uma solução
óptima) para encontrar uma boa solução, sub – óptima, isto é muito frequente em casos em
que o tempo, ou custo, para encontrar uma solução óptima de um modelo adequado do
problema deve ser muito elevado.
Ate aqui, a discussão tem implicado que, o estudo de um problema em PO procure encontrar
apenas uma solução, que pode ou exigir-se que seja óptima. De facto, normalmente este não é
o caso. Uma solução óptima do modelo original pode estar longe da ideal no problema real.
Por isso, a análise pós - otimal implica é uma parte muito importante da maioria dos estudos
de PO. Em parte, a análise pós - otimal implica conduzir a análise de sensibilidade para
determinar que parâmetros do modelo são mais críticos (os “parâmetro sensíveis”) na
determinação da solução. Geralmente, alguns, ou todos, os parâmetros são uma estimativa de
alguma quantidade (por exemplo, unidade de custo) cujo valor exacto tornasse-a conhecido
apenas depois de a solução ter sido implementada.
Por isso, depois de identificar os parâmetro sensíveis. Em alguns casos, certos parâmetros de
modelo representam decisões interesse (por exemplo, atribuição de recursos). Existe, então,
com frequência alguma flexibilidade nos valore associados àqueles parâmetros. Talvez alguns
possam ser aumentados conforme a diminuição dos outros. A análise pós -óptima inclui a
investigação de tais compromissos.
Em conjunto com o estudo da fase seguinte, a análise pós - otimal também implica uma
obtenção de uma sequência de soluções que incluem uma serie de melhoramentos que se
aproximam da acção ideal. Assim, as aparente fraqueza da solução inicial são utilizadas para
sugerir melhoramentos no modelo, nos seus dados de entrada e, talvez, o procedimento de
obtenção de uma solução. Uma nova solução é então obtida, é o ciclo contínuo, até que o
melhoramento nas sucessivas soluções torne-se demasiado pequeno para justificar a
continuação.
4. Avaliação do modelo e da solução:
Nesta fase, pretende-se avaliação quer do modelo escolhido, como da solução encontrada.
Dependendo da conclusão desta avaliação, determina-se o passo a seguir.
6º Passo- Implementação
Depois de se terem implementado as soluções, tal como se referiu no 2º passo, pode ser
necessário avançar para uma etapa mais complexa, incluindo alguns elementos novos.
Neste caso, inicia-se um novo ciclo para a resolução do problema em causa, só que agora com
um nível de complexidade superior.
Maximiza (minimizar) 𝑍 = 𝐶1 𝑥1 + 𝐶2 𝑥2 + ⋯ + 𝐶𝑛 𝑥𝑛
Sujeito a
. .. .. .
𝑋1 , 𝑋2 , … , 𝑋𝑛 ≥ 0
Exemplo 1. Uma empresa KOMFOR, LDA produz mobiliária de escritório e pretende lançar um
modelo de secretaria estantes. Pensa-se que o mercado pode observar toda a produção de
estantes, mas aconselha-se que a produçãomensal de secretaria não ultrapasse 160 unidades.
Ambos os produtos são produzidos nas unidades de estampagem (EU) e de montagem e
acabamento (UMA).
A margem de lucros utilitário os estimado não de 6,00 cuanzas para a secretaria 3,00 cuanzas
as estantes.
PROBLEMA: Qual o plano de produção mensal para as secretaria e estantes que maximiza a
margem de lucros.
1. Formalização do problema:
- Quantidade de secretaria a produzir por mês (𝑋1 )
- Quantidades de estantes a produzir por mês (𝑋2 )
a) Função objectiva
𝑍 = 6𝑥1 + 3𝑥2
b) Restrições
- Disponibilidade mensal de TIE.
- Disponibilidade mensal de UMA.
- Produção mensal de secretarias.
SECRETARIAS ESTANTES CAPACIDADE DIPONIVEL
UE 2h 4h 720 h
UMA 4h 4h 880 h
MERCADO 1 0 160
LUCRO 6 6
Modelação matemática
- Cada secretaria necessita de 2h (UE) pelo que o numero de horas necessária na produção
de𝑋1 secretarias é de 2𝑥1 .
- Cada estante necessita de 4 h (EU) pelo que o numero de horas necessárias na produção
𝑋2 estantes é de 4𝑥2 .
OBS: Estas analise e análoga para as restantes restrições. Resumindo o problema consiste em
determinar 𝑥1 𝑒 𝑥2 de forma a maximizar a margem de lucros, isto é:
𝑋1 ≤ 160 (MERCADO)
𝑋1 , 𝑋2 , ≥0 (não negatividade)
Ex.2 Um criador de porco, pretende determinar a quantidade de cada tipo de ração a dar
diariamente a cada animal, para conseguir uma dada quantidade nutritiva a custo mínimo.
Os dados relativo ao custo de cada tipo de ração, as qualidades mínima diária de cada
ingrediente nutritivo básico a fornecer a cada animal, bem como as quantidades destes
existentes em cada tipo de ração (j/kg) constam no seguinte quadro:
Granulado (gr/kg) Farinha (gr. /kg) Quantidade mínima requerida
Vitaminas 50 10 150
Proteínas 30 30 210
Custo (kz/kg) 10 5
1) Formalização do problema
a) Variáveis de decisão
b. Função objectivo
Minimizar o custo da ração diária.
𝑍 = 10𝑋1 + 5𝑋2
b) Restrições
- Quantidade mínima diária de hidrato de carbono.
- Quantidade mínima diária de vitaminas.
- Quantidade mínima diária de proteínas.
1) Modelação matemática
𝑋1 , 𝑋2 ≥ 0 (não negatividade)
As estações de MARCO POLO, situada em vário oásis ao longo do caminho, apenas têm
disponíveis 1600 galões de água e 60 fardos de feno.
b) Função objectivo
𝑍 = 11𝑋1 + 5𝑋2
c) Restrições
- Disponibilidade de caravana.
- Disponibilidade de feno.
- Disponibilidade de água.
Camelos Dromedários Capacidade disponível
Feno 3 4 60
Renda a pagar 11 5
2) Modelação matemática
Minimizar 𝑍 = 11𝑋1 + 5𝑋2 (renda)
Sujeito a 100𝑋1 + 50𝑋2 ≤ 1000 (capacidade)
3𝑋1 + 4𝑋2 ≤ 60 (feno)
100𝑋1 + 80𝑋2 ≤ 1600 (água)
𝑋1 , 𝑋2 ≥ 0 (não negatividade)
Exemplo.4. Certa empresa fabrica 2 produtos P1 e P2. O lucro por unidade de P1 é de 100 u.m.
e o lucro unitário de P2 é de 150 u.m. A empresa necessita de 2 horas para fabricar uma
unidade de P1 e 3 hora para fábrica uma unidade de P2. O tempo mensal disponível para essa
actividade é de 120 horas. As demandas esperadas para os 2 produtos levaram a empresa a
decidir que os montantes produzidos de P1 e P2 não devem ultrapassar 40 unidades de P1 e
30 unidade de P2 por mês.
Resolução de exercício
Com relação a P1
Lucro é 100 u.m.
-variáveis básicas
Função objectivo
Conjunto de restrições
Exercício 5
Uma empresa de comida canina produz dois tipos de rações: Tobi e Rex.
Para a manufactura das rações são utilizados cerais e carne. Sabe-se que:
Deseja-se saber qual a quantidade de cada ração a produzir de modo a maximizar o lucro.
Nosso modelo deseja maximizar o lucro (Z) a partir da quantidade da ração Tobi(𝑥1) e de
ração Rex (𝑥2).
Custo de cereais 5 Kg × $ 1 = $ 5 2 Kg × $ 1 $ 2
Custo total $9 $ 18
Preço $ 20 $ 30
Lucro $ 11 $ 12
Função objectivo
𝑍 = 11𝑋1 + 12𝑋2
Conjunto de restrições
Considera – se um sistema cartesiano com o eixo das abcissas associado a x1 e o eixo das
ordenadas associado a x2.
Procedendo desta forma é possível, por interacção, definir o conjunto de pontos – solução do
problema e neste determinar aquele ou aqueles onde a função objectivo tem o seu extremo
(maximizar ou minimizar).
2) Montar a função-objectivo.
=, Sobre a recta
9) Formular a resposta.
Max Z 4 x1 3x2
3x 4 x2 12
s.a : 1
7 x1 2 x2 14
x1 , x2 0
Max Z 4 x1 3x2
3x 4 x2 12
s.a : 1
7 x1 2 x2 14
x1 , x2 0
p / x1 0 4x2 12 x2 3
p / x2 0 3x1 12 x1 4
3
c) A inclinação da recta obtida é de . Este valor corresponde ao simétrico do
4
quociente entre os coeficientes de x1 e x2.
d) O conjunto de pontos possíveis que esta recta verifica, corresponde a todo o espaço
de pontos a esquerda da recta e sobre ela, uma vez que traduz todas as combinações
de x1 e x2 que multiplicadas por 3 e por 4 respectivamente, sejam menores ou iguais a
12.
e) Recta associada a restrição: 7x1 2x2 14
p / x1 0 2x2 14 x2 7
p / x2 0 7 x1 14 x1 2
7
Inclinação da recta:
2
Nota: Sendo que, a região de soluções admissíveis corresponderá a uma região limitada pelas
duas restrições e pelos dois eixos, limitando – se assim a uma figura do primeiro quadrante:
Representação gráfica da função objectivo
Ao contrário das restrições, na função objectivo não existe termo constante fixo com o qual
possamos relacionar os coeficientes das variáveis. Assim sendo, escolhe – se um valor
arbitrário para o lucro ou seja, Z = 0 e tenta – se representar a F.O. para esta situação.
Para calcular a inclinação da função objectivo, procura – se a sua forma reduzida, ou seja,
transformar a equação por formas a encontrar a expressão da ordenada que é função da
abcissa.
Max Z 4 x1 3x2
Z 4 x1 3x2 0
4 Z
x2 x1 F .O. reduzida
3 3
4
p / Z 0 tem se que x2 x1
3
Atribuindo valores a x1, encontramos os valores de x2 que correspondem a pontos dessa recta.
p / x1 0 x2 0
4
p / x1 1 x2
3
3
OBS: O declive da recta da FO é que corresponde a razão entre os coeficientes das
4
abcissas e das ordenadas.
A max. Z será atingido no último ponto de contacto com a região de soluções admissíveis que
corresponde a máxima deslocação da FO. A este ponto dá-se o nome de P.O. (ponto óptimo) e
corresponde a um vértice.
16
3x1 4 x2 12 x1 11
1
7 x 2 x 2 14 x2
21
11
Logo:
16 21 127
Z 4 x1 3x2 4. 3.
11 11 11
PROBLEMA DE MINIMIZAÇÃO
Min Z 12 x1 14 x2
3x 7 x2 4
s.a : 1
4 x1 2 x2 3
x1 , x2 0
Flexibilidade do sistema
Min Z 12 x1 14 x2
3x 7 x2 4
s.a : 1
4 x1 2 x2 3
x1 , x2 0
4
P / x1 0 x2
7
4
P / x2 0 x1
3
3
P / x1 0 x2
2
3
P / x2 2 x1
4
O conjunto de pontos possíveis (região de soluções possíveis) em cada uma das restrições
corresponde aos pontos das próprias rectas e todos os pontos que encontra a direita da
mesma uma vez que estamos perante inequações de tipo “maior ou igual”.
A função objectivo
Z 12 x1 14 x2
12
P / Z 0 12 x1 14 x2 0 x2 x1
14
6
Inclinação: 7
P / x1 0 x2 0
1 3
P / x1 x2
2 7
Graficamente:
PONTO ÓTIMO. SOLUÇÃO ÓTIMA
Este ponto denomina – se ponto óptimo e corresponde ao par (x1, x2) de menor valor e traduz
a solução óptima.
Uma vez identificada a solução óptima, bastará calcular os valores que a traduzem,
considerando o vértice obtido pela intersecção das duas restrições.
7
3x1 7 x2 4 x1 22
4 x1 2 x2 3 x2 13
22
Logo:
13 7 127
Z 12 x1 14 x2 12. 14.
22 22 11
O PROBLEMA DE MISTO
Min Z x1 2 x2
15 x1 10 x2 75
s.a :
5 x1 5 x2 75
x1 , x2 0
P / x1 0 x2 7,5
P / x2 0 x1 5
P / x1 0 x2 15
P / x2 0 x1 15
1
Inclinação: 2
1
P / Z 0 x2 x1
2
Minimização da PO
Para diminuir Z, teremos que diminuir x1 e aumentar x2, isto é, deslocar paralelamente a reta
que traduz a FO para a esquerda, até que esta atinja o ultimo ponto da região de soluções
admissíveis.
Este último ponto em que a FO passa, será o ponto em que x1 é mínimo e x2 é máximo. Este
ponto torna o valor de Z máximo, logo é o ponto óptimo.
15x1 10 x2 75 x1 3
5 x1 5 x 2 75 x2 12
Max Z 10 x1 10 x2
x2 40
s.a : x1 20
2 x 2 x 80
1 2
x1 , x2 0
Flexibilidade do sistema
Min Z 10 x1 10 x2
x2 40
s.a : x1 20
2 x 2 x 80
1 2
x1 , x2 0
Recta associado a 2 x1 2 x2 80
P / x1 0 x2 40
P / x2 0 x1 40
Recta associado a x1=20 (recta vertical com abcissa igual a 20); a x2 = 40 (recta horizontal com
ordenada igual a 40)
FO: p/ Z = 0; → x2 = x1
Aqui, a FO deverá ser deslocada até coincidir com a última restrição (2x1 – 2x2 = 80) pois é a
posição que maximiza o lucro ainda dentro da região de soluções admissíveis.
Nota: este tipo de solução denomina – se solução óptima múltipla e considera – se um caso
especial.
Seja: a x
ij ij bi
Esta restrição pode ser convertida numa igualdade pela adição de uma nova variável não
negativa ao primeiro membro da desigualdade. Tal variável será numericamente igual a
diferença entre o segundo membro e o primeiro e designa – se por variável de folga.
Exemplo: x1 5x2 4 x3 2 x4 30
Esta desigualdade pode ser convertida numa equação, bastando subtrair uma nova variável
não negativa ao primeiro membro da desigualdade. Esta tal variável designada por variável por
variável de excesso, representa numericamente a diferença entre o primeiro e o segundo
membro da desigualdade.
Exemplo: 2 x1 5x2 x3 50
Exemplo:
x1 2 x2 3
4 x1 5 x2 6
7 x 8 x 15
1 2
x1 2 x2 x3 3
4 x1 5 x2 x4 6
7 x 8 x 15
1 2
Adicionemos em seguida variáveis artificiais nas restrições que não possuem variáveis de folga,
ou seja:
x1 2 x2 x3 3
4 x1 5 x2 x4 x5 6
7 x 8 x x6 15
1 2
Nota: Uma solução inicial não negativa para este sistema de equações, será:
x3 3, x5 6, x6 15, x1 x2 x4 0
Para garantir que isto aconteça na solução óptima (em contraste com a solução inicial), as
variáveis artificiais são incorporadas na função objectivo com coeficientes positivos de valores
muito elevados nos problemas de minimização, designados por M, e coeficientes negativos de
valores muito elevados nos problemas de maximização, designados por – M. estes coeficientes
(M e – M), representam uma penalidade muito severa em que se incorre se a respectiva
variável artificial tomar valor igual a unidade.
Um problema de PL, diz – se que está na forma padrão, se todas as restrições estiverem
representadas põe equações e se for conhecida uma solução inicial admissível. Na notação
matricial, a forma padrão tem as seguintes características:
Otimizar : Z C T X
Sujeito a : AX B
com : X 0
Onde:
Nota: doravante, os vectores serão normalmente representados por matrizes com uma única
coluna e designados apenas por “vectores” , em vez de vector coluna. O expoente T, indica a
transposição.
Se X0 representar um vector que inclui apenas variáveis de folga e variáveis artificiais, então a
solução admissível inicial será dada por X0 = B.
Os dois vértices 𝑥1 e𝑥2 são soluções óptimas, bem como qualquer outro ponto sobre o
segmento que se une.
4. MÉTODO SIMPLEX
1.1 – Introdução
𝑨 ∈ ℝ𝑚 ×𝑛
Porem, se dado um sistema Ax= b, onde: {𝒃 ∈ ℝ𝑚 𝒎≤𝒏 (3.1)
𝒙 ∈ ℝ𝑛
Teorema 4.2.1.1:
Teorema 4.3.1:
Seja 𝑥 1 𝑒𝑥 2 ∈ 𝑆, 𝜆 ∈ [0,1].
Mostrara-se que:
i) 𝜆𝑥 1 + (1 − 𝜆)𝑥 2 𝑆;
ii) 𝜆𝑥 1 + (1 − 𝜆) ≥ 0
Se𝑥 1 ∈ 𝑆 𝑒 𝑥 2 ∈ 𝑆 ⇒A𝑥 1 = b;
Assim, A (𝜆𝒙𝟏 + (1 − 𝜆)𝒙𝟐 = 𝜆𝑨𝒙𝟏 + (1 − 𝜆)𝑨𝒙𝟐 = 𝜆 𝒃 + (1 − 𝜆)𝒃 = 𝒃.
Logo, 𝑨(𝜆𝒙𝟏 + (1 − 𝜆)𝒙𝟐 ) = 𝑏.
iii) Para se mostrar ii): 𝑥 1 ≥ 0 𝑒 𝑥 2 ≥ 0 ⇒ 𝜆 𝑥 1 ≥ 0 𝑒 (1 − 𝜆)𝑥 2 ≥ 0;
Assim, ): 𝜆 𝑥 1 + (1 − 𝜆) ≥ 𝑥 2 ≥ 0.
:. 𝜆𝑥 1 + (1 − 𝜆)𝑥 2 ∈ 𝑆.
:. É convexo
Teorema 4.3.2:
−1 −1
𝜆𝑥𝑖 = 0 𝑥𝑖 = 0
{ −2 𝑝𝑎𝑟𝑎 𝑖 = 𝑚 + 1, … , 𝑛 ⇒ { −2 𝑝𝑎𝑟𝑎 𝑖 = 𝑚 + 1, … , 𝑛.
(1 − 𝜆)𝑥𝑖 = 0 𝑥𝑖 = 0
𝑥𝐵−1 𝑥 −2
Logo, 𝑥 −1 = ( 1 ) 𝑒 𝑥 −2 = ( 𝐵−2 )
𝑥𝑁 𝑥𝑁
1 𝐵𝑥̅ 1 = 𝑏
1 2 𝐴𝑥̅
como𝑥̅ ∈ 𝑆 𝑒 𝑥̅ ∈ 𝑆 ⇒ { 2 = 𝑏 ⇒{ 𝐵
𝐴𝑥̅ = 𝑏
𝐵𝑥̅ 2 = 𝑏
⟹
𝐵𝑥̅𝐵1 − 𝐵𝑥̅𝐵2 = 𝐵(𝑥̅𝐵1 − 𝑥̅𝐵2 ) = 𝑏 − 𝑏 ≡ 0.
Mas𝑥̅𝐵1 ≠ 𝑥̅𝐵2 e então 𝑥̅𝐵1 − 𝑥̅𝐵2 ≠ 0 ⇒ 𝐵 = 0, contradição, pois por hipose B é uma submatriz
base e portanto não singular!
Teorema 4.3.3
Então, ∀𝑥 ∈ 𝑆, 𝑥 pode ser escrito como combinação convexa dos pontos extremo
𝑝 𝑝
𝑥 1 , 𝑥 2 , … , 𝑥 𝑝 de S, ou seja 𝑥 = ∑𝑖=1 𝜆𝑖𝑥 𝑖 𝑒 ∑𝑖=1 𝜆𝑖 = 1
Teorema 4.3.4
Se um problema de programação linear admitir solução óptima, então pelo menos um ponto
extremo(vértice) do conjunto de pontos viáveis é uma solução óptima do problema.
Prova:
Então, pelo teorema 3.3.3, ∀𝑥 ∈ 𝑆, 𝑥 pode ser escrito como combinação convexa dos pontos
𝑝 𝑝
extremo 𝑥 1 , 𝑥 2 , … , 𝑥 𝑝 𝑑𝑒 𝑆, ou seja, 𝑥 = ∑𝑖=1 𝜆𝑖𝑥 𝑖 𝑒 ∑𝑖=1 𝜆𝑖 = 1.
𝑝
Logo 𝑐 𝑇 𝑥 = 𝑐 𝑇 (∑𝑖=1 𝜆𝑖𝑥 𝑖 )𝜆1 𝑐 𝑇 𝑥 1 + 𝜆2 𝑐 𝑇 𝑥 2 + ⋯ + 𝜆𝑃 𝑐 𝑇 𝑥 𝑃 .
Mas𝑐 𝑇 𝑥 = 𝜆1 𝑐 𝑇 𝑥1 + 𝜆2 𝑐 𝑇 𝑥 2 … + 𝜆𝑃 𝑐 𝑇 𝑥 𝑃 ≥
𝑝
𝜆1 𝑐 𝑇 𝑥 ∗ + 𝜆2 𝑐 𝑇 𝑥 ∗ + ⋯ + 𝜆𝑃 𝑐 𝑇 𝑥 ∗ = ∑ 𝜆𝑖 𝐶 𝑇 𝑥 ∗ = 𝑒 𝑐 𝑇 𝑥 ∗
𝑖=1
Então 𝑐 𝑇 𝑥 ∗ ≤ 𝑐 𝑇 𝑥, ∀𝑥 ∈ 𝑆.
Corolário 4.3.1:
“ se a função objectivo possui um máximo (mínimo) finito, então pelo menos uma solução é
óptima é um ponto extremo do conjunto convexo S”.
Teorema 4.3.5:
Toda combinação convexa de soluções óptima de um P.P.L. é também uma solução óptima do
problema.
Corolário 4.3.2:
se um P.P.L admitir mais uma solução óptima então admite infinitas soluções óptimas.
Corolário 4.3.3:
“ se uma função objectivo assume o máximo (mínimo) em mais de um ponto extremo, então
ela toma o mesmo valor para qualquer combinação convexa desses pontos extremos”.
Optimizar: 𝑧 = 𝑐𝑇𝑥
Sujeito a: 𝐴𝑋 = 𝐵
Com: 𝑋≥0
Resumidamente, podemos dizer que o método simplex parte de uma solução básica admissível
não óptima ate encontrar uma solução básica admissível óptima.
Nota: Para problemas de minimização o método utiliza o quadro que se apresenta em baixo,
no qual 𝑋0 designa o vector custo associado as variáveis em 𝑋0 .
𝑋𝑇
𝐶𝑇
𝑋0 𝐶0 B
𝐶 𝑇 − 𝐶0 𝑇 𝐴 −𝐶0 𝑇 𝐵
𝑋𝑇
𝐶𝑇
𝑋0 𝐶0 B
𝐶0 𝑇 𝐴 − 𝐶 𝑇 𝐶0 𝑇 𝐵
Uma vez obtida esta ultima linha do quadro, a segunda linha e a segunda coluna do quadro.
Corresponde a 𝐶 𝑡 𝑒 𝐶0 , respectivamente, torna-se supérfluas e podem ser eliminadas
Exemplo 1
Maximizar z= 80 x1 + 60x2
Sujeito a:
Sujeito a:
x1 + x2 + x4 = 1
[80 60 0 𝑀] − [0 + 𝑀0 + 𝑀0𝑀]
[80 60 0 𝑀] − [𝑀 𝑀 0 𝑀]
[80 − 𝑀 60 − 𝑀 00]
0,25
𝐶0𝑡 𝐵 = [0 , 𝑀] [ ] = −𝑀
1
Quadro simplex
x1x2 x3 x4
80 60 0 M
80 -M60 -M0 0 -M
Exemplo: 2
Maximizar z= x1 + 9x2 + x3
Sujeito a:
𝑥1 + 2𝑥2 + 3𝑥3 ≤ 9
3𝑥1 + 2𝑥2 + 2𝑥3 ≤ 15
1 2 3 1 0 9 𝑋
𝐴=[ ] 𝐵 = [ ] 𝑋0 = [ 4 ]
3 2 2 0 1 15 𝑋5
Quadro simplex
x1x2 x3 x4 x5
1 2 3 1 0 9
𝑋4 3 2 2 0 1 15
𝑋5
-1 -9 -1 0 0 0
𝐶 𝑡 − 𝐶 𝑡 0𝐴 − 𝐶 𝑡 0𝐵
Passo 1: Localizenumero mais negativo na última linha do quadro simplex, excluída a ultima
coluna, designando a coluna em que este número aparece como coluna de trabalho. Se existir
mais do que um candidato a numero mais negativo, escolha um.
Passo 2: Para cada linha do quadro (exceptuando a ultima) como coeficiente positivo na
coluna de trabalho, divida cada elemento da última coluna pelo correspondente coeficiente da
coluna de trabalho. Designe o coeficiente de trabalho correspondente ao menor coeficiente
por elemento pivot. Se mais de um coeficiente mínimo, escola um.
Se nenhum coeficiente da coluna de trabalho for positivo, o problema não terá solução.
Passo 4: Use operações elementares sobre as linhas para converter o elemento pivot em 1 e,
em seguida, reduzir a zero todos os outro elementos da coluna de trabalho.
Passo 5: Repetir os passos 1 a 4 até ate que não existam nºs negativos na última linha,
excluindo destas apreciações a ultima coluna.
Passo 6: A solução óptima é obtida atribuindo-se a cada variável da 1ª coluna o valor da linha
correspondente, na última coluna.
Todas as outras variáveis são nulas. O valor óptimo da função objectivo associado, 𝑍 ∗ é o valor
indicado na última coluna, para problema de maximização, em problemas de minimização será
o seu simétrico.
Encontrar a 1ª
solução admissível
Teste de Solução
optimalidade: Não
Óptima
Zj – cj< 0 ?
Sim
Recalcular a linha zj -
1.5
cj
1.6
1.7
Exemplo: a linha
[−9 − 8𝑀 0 − 9 − 9𝑀 0 𝑀 0 − 14 − 2𝑀]
[−9 0 − 9 0 0 0 − 14]
[−8 0 − 9 0 1 0 − 2]
Modificação 3: sempre que uma variavel artificial deixa de ser básica, isto é, deixa de
figurar na 1ª coluna do quadro, em resultado do passo 4, a correspondente
coluna(indentificada na linha superior do quadro por essa variavel ) deve ser removida.
Modificação 4: a ultima linha do quadro pode ser eliminada quando for constituída
unicamente por zeros.
Primeiro passo:
Coluna de trabalho
x1x2 x3 x4 x5
𝑋4 1 2 3 1 0 9
𝑋5
3 2 2 0 1 15
-1 -9 -1 0 0 0
x1x2 x3 x4 x5 9
= 4,5
2
15
𝑋4 1 2 3 1 0 9 = 7,5
2
𝑋5
3 2 2 0 1 15
Pivô 0
-1 -9 1 0 0
𝑋4 1
1 31
0 9
2 22
2
𝑋5
3 2 2 0 1 15
-1 -9 -1 0 0 0
𝑋4 1
1 31
0 9
2 22
2
𝑋5
3 2 2 0 1 15
7
0 259
0 81
2 22
2
𝑋4 1
1 31
0 9
2 22
2
𝑋5
2 0 -1 -1 1 6
7
0 259
0 81
2 22
2
Quarto passo
x1x2 x3 x4 x5
𝑋4 1
1 31
0 9
2 22
2
𝑋5
2 0 -1 -1 1 6
7
0 259
0 81
2 22
2
Quinto passo
Não é necessário aplicar pois não existe números negativos na ultima linha.
9 81
Sexto passo𝑥2 = 2 , 𝑥5 = 6, 𝑥1 = 𝑥3 = 𝑥4 = 0 𝑍 = 2
Exemplo 2
a) Formulaçao do problema
b) Construção do modelo
c) Resolver graficamente
d) Forma padrão
e) Método simplex
A) Formulação do problema:
Certa empresa fabrica 2 produtos P1 e P2. O lucro unitário do produto P1 é de 1000 unidades
monetárias e o lucro unitário de P2 é de 1800 unidades monetárias. A empresa necessita de 20
horas para fabricar uma unidade de P1 e 30 hora para fábrica uma unidade de P2. O tempo
anual de produção disponível para isso é de 1200 horas. As demandas esperadas para cada
produto é de 40 unidades anuais para P1 e 30 unidades para P2. Qual é o plano da produção
para que a empresa maximize seu lucro nesses itens?
B) Construção do modelo:
𝒎𝒂𝒙 𝑍 = 1000𝑥1 + 1800𝑥2
20𝑥1 + 30𝑥2 = 1200
𝑺. 𝒂: { 𝑥1 ≤ 40
𝑥2 ≤ 30
𝑥1 , 𝑥2 ≥ 0
C) Resolver graficamente
Para 𝑍 = 20000
Para Z = 40000
O ponto óptimo correspondente ao vértice da região admissível formada pela interacção das
duas restrições, a solução é dada pela resolução do sistema de equações abaixo:
resolvendo teremos:
? 𝑥1 = 15
𝑥1 = 15&𝑥2 = 30
Logo:
𝑍 = 10000𝑥1 + 1800𝑥2
𝑍 = 10000(15) + 1800(30)
𝑍 = 15000 + 54000
𝑍 = 69000
D) Forma padrão
𝑍 = 1000𝑥1 + 1800𝑥2
𝑥1 , 𝑥2 ≥ 0
Forma padrão:
𝑍 = 1000𝑥1 + 1800𝑥2
𝑥1 ; 𝑥2 ; 𝑥3 ; 𝑥4 ; 𝑥5 ≥ 0
E) Método simplex
𝑍 = 1000𝑥1 + 1800𝑥2
𝑍 = 1000𝑥1 + 1800𝑥2
𝑥1 ; 𝑥2 ; 𝒙𝟑 ; 𝒙𝟒 ; 𝒙𝟓 ≥ 0
1º Passo
Coluna de Trabalho
Base x1 x2 x3 x4 x5 b
X3 20 30 1 0 0 1200
X4 X5 1 0 0 1 0 40
0 1 0 0 1 30
O nº mais negativo
z -1000 -1800 0 0 0 0
2º Passo
Coluna de Trabalho
Base x1 x2 x3 x4 x5 b
1200
= 40
30
X3 20 30 1 0 0 1200
30
= 30
X4 X5 1 0 0 1 0 40 1
0 1 0 0 1 30
Pivô
z -1000 -1800 0 0 0 0
Calculo para transformar a coluna de
trabalho, colocando 1 (um) no pivô e o 0
(zero) nos outros valores.
Obs: sendo que o pivô já é 1 (um), já não será necessário realizar nenhum cálculo para
estalinha, bastando apenas realizar o cálculo para transformar em 0 (zero) as outras linhas.
Base x1 x2 x3 x4 x5 b
Calculo para 1ª linha
𝐿𝑥(−30) + 𝐿1 ? 0(−30) + 20 ? 20
X3 20 30 1 0 0 1200
𝐿𝑥(−30) + 𝐿1 ? 1(−30) + 30 ? 0
X4 X5 1 0 0 1 0 40
𝐿𝑥(−30) + 𝐿1 ? 0(−30) + 1 ? 1
0 1 0 0 1 30
𝐿𝑥(−30) + 𝐿1 ? 0(−30) + 0 ? 0
z -1000 -1800 0 0 0 0 𝐿𝑥(−30) + 𝐿1 ? 1(−30) + 0 ? −30
𝐿𝑥(1800) + 𝐿2 ? 0(1800) + 0 ? 0
X3 20 30 1 0 -30 300
𝐿𝑥(1800) + 𝐿2 ? 0(1800) + 0 ? 0
X4 X5 1 0 0 1 0 40
𝐿𝑥(1800) + 𝐿2 ? 1(1800) + 0 ? 1800
0 1 0 0 1 30
𝐿𝑥(1800) + 𝐿2 ? 30(1800) + 0 ? 54000
z -1000 -1800 0 0 0 0 Coluna de Trabalho
Base x1 x2 x3 x4 x5 b
OBS: ainda não chegamos na solução
óptima porque ainda existe um valor
negativo, e a coluna em ele está será a
X3 20 0 1 0 -30 300 nossa coluna de trabalho.
X4 X5 1 0 0 1 0 40
0 1 0 0 1 30
O número negativo
z -1000 0 0 0 1800 54000
Base x1 x2 x3 x4 x5 b
300
= 15
20
X3 20 0 1 0 -30 300 40
= 40
1
X4 X5 1 0 0 1 0 40
0 1 0 0 1 30
Pivô
z -1000 0 0 0 1800 54000
Calculo para transformar a coluna de
trabalho, colocando 1 (um) no pivô
de 0 (zero) nos outros valores.
𝐿1 20
Base x1 x2 x3 x4 x5 b ? ?1
𝐿𝑥 20
𝐿1 0
? ?0
X3 20 0 1 0 -30 300 𝐿𝑥 20
𝐿1 1
X4 X5 1 0 0 1 0 40 ? ? 0,05
𝐿𝑥 20
0 1 0 0 1 30 𝐿1 0
? ?0
𝐿𝑥 20
z -1000 0 0 0 1800 54000
𝐿1 −30
? ? −1.5
𝐿𝑥 20
𝐿1 300
? ? 15
𝐿𝑥 20
𝐿𝑥(−1) + 𝐿2 ? 1 (−1 ) + 1 ? 0
𝐿𝑥(−1) + 𝐿2 ? 0 (−1 ) + 0 ? 0
𝐿𝑥(−1) + 𝐿2 ? 0 (−1 ) + 1 ? 1
X 4 X5 1 0 0 1 0 40
0 1 0 0 1 30
𝐿𝑥(1000) + 𝐿4 ? 0 (1000 ) + 0 ? 0
X3 20 0 0.5 0 -1.5 15
𝐿𝑥(1000) + 𝐿4 ? 0.5 (1000 ) + 0 ? 500
X4 X 5 1 0 0 1 0 40
𝐿𝑥(1000) + 𝐿4 ? 1 (1000 ) + (1000) ? 0
0 1 0 0 1 30 𝐿𝑥(1000) + 𝐿4 ? 1.5 (1000 ) + 1800 ? 300
z -1000 0 0 0 1800 54000 𝐿𝑥(1000) + 𝐿4 ? 1 (1000 ) + 54000 ? 69000
Base x1 x2 x3 x4 x5 b
OBS: os valores que já não existem
valores negativos na última linha,
concluímos que a nossa solução
X3 20 0 0.5 0 -1.5 15 óptima foi encontrada.
X4 X5 1 0 0 1 0 40
Exercício nº 3
Um fabricante de fantasia tem em stock 32m de brim, 22m de seda e 30m de cetim que
pretende fabricar dois tipos de fantasia. O primeiro modelo (M1) consome 4m de brim, 2m de
seda e 2m de cetim. O segundo modelo (M2) consome 2m de brim, 4m de seda e 6m de cetim.
Se M1 é vendido a 6.000 u.m e M2 a 10.000 u.m quantas peças de cada tipo o fabricante deve
fazer para obter a receita máxima? Elabore o modelo.
- Formulação do problema
Dados
Brim 4m 2m 32m
Seda 2m 4m 22m
Cetim 2m 6m 30m
- Objectivo
- Variáveis de decisão
- Função objectivo
- Restrições
4𝑥1 + 2𝑥2 ≤ 32
𝑺. 𝒂 {2𝑥1 + 4𝑥2 ≤ 22
2𝑥1 + 6𝑥2 ≤ 30
𝑥𝟏 , 𝑥𝟐 ≥ 0
- Construção do modelo
- Restrições
4𝑥1 + 2𝑥2 ≤ 32
𝑺. 𝒂 {2𝑥1 + 4𝑥2 ≤ 22
2𝑥1 + 6𝑥2 ≤ 30
𝑥𝟏 , 𝑥𝟐 ≥ 0
- Restrições
4𝑥1 + 2𝑥2 = 32
𝑺. 𝒂 {2𝑥1 + 4𝑥2 = 22
2𝑥1 + 6𝑥2 = 30
𝑥𝟏 , 𝑥𝟐 ≥ 𝟎
32
p/𝑥2 = 0 ⟶ 4𝑥1 = 32 ⟶ 𝑋1 = 2
=8
4
A inclinação da recta obtida é de2 − 2
22
p/𝑥2 = 0 ⟶ 2𝑥1 = 22 ⟶ 𝑋1 = 2
= 11
4 1
A inclinação da recta obtida é de = −
2 2
30
p/𝑥2 = 0 ⟶ 2𝑥1 = 30 ⟶ 𝑋1 = 2
= 15
4 4
A inclinação da recta obtida é de2 = − 2
p/Z = 0
0 = 6.000𝑥1 + 10.000𝑥2
6.000𝑥1 + 10.000𝑥2 = 0
10.000𝑥2 − 6.000𝑥1
6000
𝑥2 = 𝑥
1000 1
3
𝑥2 = − 𝑥1
5
p/𝑥1 = 0 → 𝑥2 = 0
3
p/𝑥1 = 1 → 𝑥2 = − 5 = −0,6
6000 3
O declive da recta da FO é − 10000 = − 5
𝑆1 = (0; 0)
𝑆2 = (8; 0)
𝑆3 = (0; 5)
2𝑥1 + 6𝑥2 = 30
2𝑥2 = 8
8
2𝑥2 = =4
2
2𝑥1 + 4𝑥2 = 22
2𝑥1 + 4.4 = 22
2𝑥1 + 16 = 22
2𝑥1 = 22 − 16
6
2𝑥1 = 6 ⟶ 𝑥1 = =3
2
𝑆4 = (3; 4)
2𝑥 + 4𝑥2 = 22 |. (−2)
𝑆5 { 1
4𝑥1 + 2𝑥2 = 32
−4𝑥1 − 8𝑥2 = −44
𝑆5 {
4𝑥1 + 2𝑥2 = 32
−6𝑥2 = −12
12
𝑥2 = =2
6
2𝑥1 + 4𝑥2 = 22
2𝑥1 + 4.2 = 22
2𝑥1 + 8 = 22
2𝑥1 = 22 − 8
14
2𝑥1 = 14 ⟶ 𝑥1 = =7
2
𝑆4 = (7; 2)
𝑍 = 6.000𝑥1 + 10.000𝑥2
𝑝/𝑆1 = (0; 0)
𝑍 = 6.000 + 10.000
𝑍=0
𝑝/𝑆2 = (8; 0)
𝑍 = 6.000.8 + 10.000.0
𝑍 = 48000
𝑝/𝑆3 = (0; 5)
𝑍 = 6.000.0 + 10.000.5
𝑍 = 50000
𝑝/𝑆4 = (3; 4)
𝑍 = 6.000.3 + 10.000.4
𝑍 = 18000 + 40000
𝑍 = 58000
𝑝/𝑆5 = (7; 2) → 𝑃. 𝑂
𝑍 = 6.000.7 + 10.000.2
𝑍 = 42000 + 20000
𝑍 = 62000
- Calculo simplex
4𝑥1 + 2𝑥2 ≤ 32
𝑺. 𝒂 {2𝑥1 + 4𝑥2 ≤ 22
2𝑥1 + 6𝑥2 ≥ 30
𝑥𝟏 , 𝑥𝟐 ≥ 0
𝑆. 𝐼 𝑥1 = 32; 𝑥4 = 22; 𝑥5 = 30
𝑥𝟏 = 𝑥𝟐 = 0
Quadro simplex
𝑋𝑡
𝐶𝑡
𝑋 0 𝑋0 A 𝐵
−𝐶 𝑡 + 𝐶 𝑡 0 . 𝐴 𝐶 𝑡0 . 𝐵
X=[ X1 X2 X3 X4 X5 X6 X7 X8 ]t
C=[6000 10000 0 0 0 0 ]T
4 2 1 0 0
𝐴 = [2 4 0 1 0]
2 6 0 0 1
32 𝑋3 0
𝑋
𝐵 = [22] [ 0 = 𝑋4 ] [𝐶0 = 0]
30 𝑋5 0
4 2 1 0 0
−𝐶 𝑡 + 𝐶 𝑡 0 . 𝐴= - [6000 10000 0 0 0 0 ]+ [0 0 0 ].[2 4 0 1 0]
2 6 0 0 1
−𝐶 𝑡 + 𝐶 𝑡 0 . 𝐴= - [6000 10000 0 0 0 0 ]
= [6000 10000 0 0 0 0 ]
32
𝐶 𝑡 0 . 𝐵= - [ 0 0 0 ].[22] = 0
30
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 6000
10000 0 0 0
X3 4 4 1 0 0 32
X4 2 4 0 0 0 22
X5 2 ❻ 0 0 1 30
-6000 -10000 0 0 0 0
32 22 30
= 16; = 5,5; =5
2 4 6
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 4 2 1 0 0 32
X4 2 4 0 1 0 22
X5 2 ❻ 0 0 1 1
30 → 6 𝐿4
-6000 -10000 0 0 0 0
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 4 2 1 0 0 32 → 𝐿2 − 2𝐿4
X4 2 4 0 1 0 22
X5 2 1 5
3
1 0 0 6
-6000 -10000 0 0 0 0
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 22
3
0 1 0 −3
X4 2 4 0 1 0
X5 1 1 22→ 𝐿3 − 4𝐿4
3
1 0 0 6
5
-6000 -10000 0 0 0 0
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 22
0 1 0 −
3 3
X4 2 2
3
4 0 1 −3
22
1 1
X5 3
1 0 0 6
5
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 22
3
0 1 0 −3
X4 2 2
3
4 0 1 −3
1 1
1 0 0
X5 3 6
5
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 22
3
0 1 0 −3
2
X4 3
2
4 0 1 −3
3
2→ 2 𝐿3
1 1
X2 3
1 0 0 6
5
22 3 66 2 3 5
10 → 22 = = 6,6; 2 → 2. = 3; 1 → 5.3 = 15
10 10 2
3 3 3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 10 1 10
3
0 1 0 −3 22→ 𝐿2 3 3
𝐿
X4 3
1 0 0 2
-1
1 1
X2 3
1 0 0 6
5
8000 5000 50.000
−− 0 0 0
3 3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 3 12
X4 3
1 0 0 -1
2
1 1
3
1 0 0 6
X2
1
5 → 𝐿4 3 𝐿3
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 3 12
X4 3
1 0 0 2
-1
1 1
0 1 0 −2 2
X2
4
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 3 12
X4 3
1 0 0 2
-1
1 1
0 1 0 −2 2
X2
4
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 3 12
X4 3
1 0 0 2
-1
1 1
0 1 0 −2 2
X2
4
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 0 0 1 -5 ❸ 1
12→ 3 𝐿2
X4 3
1 0 0 -1 3
2
1 1
0 1 0 −2 4
X2 2
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 1 5 4
0 0 - 1
3 3
X4 3 3→ 𝐿3 + 𝐿2
1 0 0 2
-1
4
1 1
X2 0 1 0 −
2 2
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 1 5 4
0 0 - 1
3 3
X4 3 1 7
1 0 - 0
2 6
1
1 1
4 → 𝐿4 − 2 𝐿2
X2 0 1 0 − 2 2
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X3 1 5 4
0 0 3
- 31
X1 3 1 7
1 0 2
-6 0
X2 1 1 1
0 1 0 − 4 → 𝐿4 − 𝐿2
2 2 2
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X1 1 1 7
1 0 3
-6 0
1 1 2
0 1 −3 3
0
X2
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
X5 1 1 4
0 0 3
-3 1
X1 1 1 7
1 0 3
-6 0
X2
1 1
0 1 −3 3
0
2
Conclusão:
𝑥1 = 7
𝑥2 = 2
𝑥3 = 0
𝑥4 = 0
𝑥5 = 4
𝑍𝑜𝑡 = 62.000
Para obter a receita máxima o fabricante deve fabricar para o MODELO 1, 7m de cada peça e
para o modelo 2, 2m de cada peça.
O modelo de programação linear pode ser resolvido por um método de solução de sistema de
equações lineares. O processo que será apresentado no exemplo a seguir, retirado de
ANDRADE (2000), é bastante intuitivo e tem por finalidade apresentar a metodologia utilizada
pelo método Simplex.
a) Formulação do problema
Recurso Disponibilidade
Madeira 12m2
Além disso, o fabricante sabe que cada mesa dá uma margem de lucro de $4.00 e cada armário
de $1.00. O problema é encontrar o programa de produção que maximiza a margem de
contribuição total para o lucro."
b) Montagem do modelo
Assim temos
Madeira: 2 x1 + 3 x2 ≤ 12
Mão-de-obra: 2 x1 + x2 ≤ 8
O modelo completo é:
Maximizar: z = 4 x1 + x2
Sujeito a:
2 x1 + 3 x2 ≤ 12
2 x1 + x2 ≤ 8
x1, x2 ≥0
Deste modo, a folga de cada recurso pode ser representada por uma variável de forma
exactamente igual à produção de cada produto. Desse modo, vamos chamar:
Maximizar: z = 4 x1 + x2
Sujeito a:
2 x1 + 3 x2 + f1 = 12
2 x1 + x2 + f2 = 8
No entanto, todas as variáveis devem ser maiores ou iguais a zero. Atribuir zero a uma variável
significa não produzir um dos produtos (se a variável for x1 ou x2) ou utilizar toda a
disponibilidade de recursos (se a variável for f1 ou f2). Desta forma, podemos encontrar
soluções para o sistema de equações igualando a zero duas variáveis (n - m = 2) e encontrando
o valor para as duas variáveis restantes. Teremos que resolver então
4!
C42 6
2! 2!
sistemas de equações lineares.
Uma vez resolvido um sistema, serão aplicados na função objectivo os valores encontrados. As
variáveis zeradas são chamadas variáveis não-básicas. Asvariáveis cujos valores são calculados
pelo sistema de equações são chamadas variáveis básicas.
Variáveis não-básicas: x1 = 0 e x2 = 0
Variáveis básicas f1 = 12 e f2 = 8
Dando o lucro z = 0
Variáveis não-básicas: x1 = 0 e f1 = 0
Dando o lucro z = 4
Comparando todas as soluções encontradas por este processo, achamos a solução ótima, ou
seja, x1 = 4, x2 = 0, f1 = 4, f2 = 0, dando um lucro z = 16.
Da forma como foi resolvido o problema anteriormente, é necessário que muitos sistemas de
equações sejam resolvidos e suas soluções comparadas. Para problemas reais de programação
linear, esta solução se torna inviável. Desta forma, para termos condições de resolver um
problema de programação linear, precisamos de uma sistemática que nos diga:
Que o próximo sistema a ser resolvido fornecerá uma solução melhor que os anteriores;
Como identificar uma solução óptima, uma vez que a tenhamos encontrado.
Essa sistemática é o método Simplex, e as regras que o método utiliza para atender às três
questões acima são, basicamente, os critérios que desenvolvemos nos itens anteriores. Vamos
voltar ao nosso pequeno problema, já com as variáveis de folga:
Maximizar z= 4 x1 + x2
Sujeito a:
2 x1 + 3 x2 + f1 = 12
2 x1 + x2 + f2 = 8
de: z= 4 x1+ x2
Quadro
Base x1x2 f1 f2 b
f1 2 3 1 0 17
f2 2 1 0 1 8
z -4 -1 0 0 0
A última coluna corresponde aos termos independentes das equações, e a última linha contém
os coeficientes das variáveis na função objectivo. Nessa última linha teremos sempre a
contribuição que cada variável dá para o lucro total z, por unidade, em cada iteração do
processo de solução. Essa última linha será chamada de função objectivo transformada, ou
função z-transformada.
a) Solução inicial
A solução inicial para o problema será sempre obtida fazendo as variáveis originais do
modelo (no caso x1 e x2) iguais a zero e achando o valor das demais.
f1 = 12
f2 = 8 (variáveis básicas)
z= 0
b) Segunda solução
Como a primeira solução claramente não é a melhor, vamos procurar outra que dê um valor
maior para z. O problema é descobrir:
Das duas variáveis não básicas (nulas) na primeira solução, qual deve se tornar
positiva?
Das duas variáveis básicas (positivas) na primeira solução, qual deverá ser anulada?
Vamos observar que na última linha do Quadro 1 temos os coeficientes da função objectivo
que mostram a contribuição para o lucro z de cada unidade produzida de mesa (x1) e de
armário (x2).
Assim, aplicando o critério de que devemos produzir primeiro o produto que mais contribui
para o lucro, vamos começar a produção pela variável x1, já que sua contribuição unitária para
o lucro (4) é maior que a contribuição de x2, igual a 1.
Nota-se pelo Quadro 1 que, na primeira equação, o maior valor possível de x1 é 6, quando f1
for igual a zero (note que x2 vale zero por ser variável não básica). Qualquer valor maior de x1
fará com que o valor de f1 fique negativo, o que não é permitido. Na segunda equação, o maior
valor permitido para x1 é 4, quando f2 for igual a zero. Analisando simultaneamente as duas
equações, percebe-se que o maior valor possível para x1 é 4, já que atende às duas equações.
Observe que esta análise pode ser feita directamente do Quadro 1, através da divisão dos
elementos da coluna b pelos correspondentes elementos da coluna x1. O menor quociente
indica, pela linha em que ocorreu, qual a variável básica que deve ser anulada. Assim, como o
menor quociente é dado pela divisão 8 / 2 = 4, a variável básica a ser anulada é f2, que é a
variável positiva na actual solução, cujo valor foi encontrado na segunda linha.
Assim temos:
x2= 0
f2 = 0
E o sistema restante deve ser resolvido para acharmos o valor de x1 e f1. A solução desse
sistema será feita usando o Quadro 1 com as equações completas e usando as operações
válidas com as linhas da matriz, como apresentado no Capítulo 2.
1ª Operação:
Quadro 1A
Base x1 x2 f1 f2 b
f1 2 3 1 0 12
x1 1 1/2 0 1/2 4
2ª operação:
Quadro 1B
Base x1 x2 f1 f2 b
f1 0 2 1 -1 4
x1
1 1/2 0 1/2 4
z -4 -1 0 0 0 3ª Operação:
Quadro 2
Base x1 x2 f1 f2 b
f1 0 2 1 -1 4
x1
1 1/2 0 1/2 4
x1 = 4,
x1 =4
f1 = 4,
f2 = 0 e,
z = 16,
Passo 3: Estabelecer uma solução básica inicial, usualmente atribuindo valor zero às variáveis
originais e achando valores positivos para as variáveis de folga.
Passo 4: Como próxima variável a entrar na base, escolher a variável não básica que oferece,
na última linha, a maior contribuição para o aumento da função objectivo (ou seja, tem o
maior valor negativo). Se todas as variáveis que estão fora da base tiverem coeficientes nulos
ou positivos nesta linha, a solução actual é óptima. Se alguma dessas variáveis tiver coeficiente
nulo, isto significa que ela pode ser introduzida na base sem aumentar o valor da função
objectivo. Isso quer dizer que temos uma solução óptima, com o mesmo valor da função
objectivo.
Passo 5: Para escolher a variável que deve deixar a base, deve-se realizar o seguinte
procedimento:
O menor quociente indica a equação cuja respectiva variável básica deverá ser anulada,
tornando-se variável não básica.
Passo 6: Usando operações válidas com as linhas da matriz, transformar o quadro de cálculos
de forma a encontrar a nova solução básica. A coluna da nova variável básica deverá se tornar
um vector identidade, onde o elemento 1 aparece na linha correspondente à variável que está
sendo anulada.
Vamos resolver pelo método simplex o problema das rações proposto no capitulo 1 cujo o
modelo foi apresentado no capitulo 3.
Maximizar Z= 11 x1 +12 x2
Sujeito a:
x1 + 4 x2≤ 10000
x1, x2≥0
Sujeito a:
x1 + 4 x2 + f1≤ 10000
Base x1 x2 f1 f2 b
F1 1 4 1 0 10000
f2 5 2 0 1 30000
z -11 -12 0 0 0
b) Primeira interacção
Variável a entrar na base: 𝑥2 (coluna com maior valor negativo na ultima linha)
Variável a sair da base: 𝑓1(o quociente 10000/4 é menor quociente entre a ultima
coluna e a coluna da variável 𝑥2 que vai entrar na base)
𝐿1 → 𝐿1 /4
𝐿2 → 𝐿2 /−2𝐿1
𝐿3 →𝐿3 + 12𝐿1
Base x1 x2 f1 f2 b
z -8 0 3 0 30000
c) Segunda iteração
Variável a entrar na base: 𝑥1 (coluna com maior valor negativo na última linha)
Variável a sair da base: 𝑓2(o quociente 25000/4,5 é o menor quociente entre a última
coluna e a coluna da variável𝑥1 , que vai entrar na base)
Base x1 x2 f1 f2 b
Como todos os valores da última linha (função z-transformada) são positivos ou nulos,
concluímos que a solução encontrada é óptima, ou seja:
𝑥1 = 5555,55
𝑥2 = 1111,11
𝑧 = 74444,44
Exemplo: minimizar𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛
É equivalente a
Maximizar 𝑍´ = −𝑐1 𝑥1 − 𝑐2 𝑥2 − ⋯ − 𝑐𝑛 𝑥𝑛
Caso que queira resolver directamente, devemos alterar o critério de entrada das variáveis na
base. A variável que entra na base passa a ser aquela que tem o maior valor positivo na linha z-
transformada.
Caso todas tenham coeficientes negativo ou nulo, a solução obtida é óptima.
Uma desigualdade em uma direcção (≤ ou ≥) pode ser mudada por uma desigualdade na
direcção oposta, pela multiplicação de ambos os lados da desigualdade por (-1)
Exemplo: 𝑐1 𝑥1 + 𝑐2 𝑥2 ≥ 𝑏
É equivalente a
−𝑎1 𝑥1 − 𝑎2 𝑥2 ≥ −𝑏
Uma equação pode ser substituída por duas desigualdades de direcção oposta.
Exemplo: 𝑎1 𝑥1 + 𝑎𝑥2 = 𝑏
Equivalente a duas desigualdades simultâneas:
𝑎1 𝑥1 + 𝑎𝑥2 ≤ 𝑏
𝑎1 𝑥1 + 𝑎𝑥2 ≥ 𝑏
4.7.4 Variável irrestrita em sinal
Uma variável irrestrita em sinal (ou seja, pode ser positiva, nula ou negativa) pode ser
substituída pela diferença de duas variáveis não negativas.
Exemplo: se a variável 𝑥1 for irrestrita em sinal pode ser substituída pela diferença (𝑥´1 −
𝑥´´1 )
Com
𝑥´1 ≥ 0 𝑒 𝑥´´1 ≥ 0
O Método Simplex utiliza uma solução inicial viável para começar o processo iterativo,
trabalhando sempre dentro da região viável. Nos casos apresentados até o presente
momento, a solução xi = 0, para i = 1, ..., n era uma solução viável, já que todas as restrições
apresentadas foram do tipo (£). Quando as restrições são do tipo (=) ou (³), esta solução não
existe.
Minimizar z = 10 x1 + 4 x2 + 5 x3
sujeito a:
8 x1 + 3 x2 + 4 x3 ³ 10
4 x1 + 3 x2 £ 8
x1, x2, x3 ³ 0
Como temos uma restrição do tipo (³), a variável de folga deve ter coeficiente negativo, tendo
o significado de uma variável de excesso. O problema transformado é:
Minimizar z = 10 x1 + 4 x2 + 5 x3
sujeito a:
8 x1 + 3 x2 + 4 x3 - f1 = 10
4 x1 + 3 x2 + f2 = 8
Note que, pelo processo de solução anterior, a variável de excesso (f1) passaria a ter valor
negativo na solução inicial (-10), o que não é permitido. Assim, a solução x1 = x2 = x3 = 0 é
inviável. É necessário então encontrar uma solução viável para que o método Simplex possa
ser iniciado.
A forma de se resolver isto é inventando novas variáveis. Estas variáveis são chamadas de
variáveis artificiais, e representadas por zi. Será colocada uma variável artificial em cada
restrição do modelo, ou seja:
8 x1 + 3 x2 + 4 x3 - f1 + z1 = 10
4 x1 + 3 x2 + f2 + z2 = 8
Como pode-se perceber, o problema com as restrições acima não é o mesmo problema, a não
ser que todas as variáveis 𝑧𝑖 sejam iguais a zero.
Desta forma, podemos resolver o problema em duas fases: na primeira fase, substituímos a
função objectivo original por uma função objectivo auxiliar:
𝑧𝑎𝑢𝑥 = - z1 - z2 = 12 x1 + 6 x2 + 4 x3 - f1 + f2 – 18
d) Solução inicial
Para resolver o problema, monta-se o quadro de forma semelhante à sistemática, colocando-
se a função objectivo artificial na última linha. O quadro do exemplo fica:
Base x1 x2 x3 f1 f2 z1 z2 b
z1 8 3 4 -1 0 1 0 10
z2 4 3 0 0 1 0 1 8
z' = -z 10 4 5 0 0 0 0 0
A seguir, aplica-se o método Simplex normalmente, usando como função objectivo a última
linha.
zaux= 0: neste caso foi obtida uma solução básica do problema original e o processo de
solução deve continuar, desprezando-se as variáveis artificiais e os elementos da última linha.
É o início da segunda fase do processo.
zaux¹ 0: neste caso o problema original não tem solução viável, o que significa que as
restrições devem ser inconsistentes.
Variável a entrar na base: x1 (coluna com maior valor negativo na última linha)
Variável a sair da base: z1 (o quociente 10/8 é o menor quociente entre a última coluna e a
coluna da variável x1, que vai entrar na base)
L1 ¬ L1 / 8
L2 ¬ L2 - 4 L1
L3 ¬ L3 - 10 L1
L4 ¬ L4 + 12 L1
Base x1 x2 x3 f1 f2 z1 z2 b
Variável a entrar na base: x2 (coluna com maior valor negativo na última linha)
Variável a sair da base: z2 (o quociente 3/(3/2) é o menor quociente entre a última coluna e a
coluna da variável x2, que vai entrar na base)
L1 ¬ L1 - 3 L2 / 8
L3 ¬ L3 - L2 / 4
L4 ¬ L4 + 3 L2 / 2
Base x1 x2 x3 f1 f2 z1 z2 b
zaux 0 0 0 0 0 1 1 0
Como na última linha o valor da função objectivo artificial é zero, a primeira fase terminou e a
solução encontrada é a solução básica inicial para a segunda fase. Removendo a última linha e
as colunas referentes às variáveis artificiais, o quadro se torna:
Base x1 x2 x3 f1 f2 b
x1 1 0 1 -1/4 -1/4 ½
Variável a entrar na base: f2 (coluna com maior valor negativo na última linha)
Variável a sair da base: x2 (o quociente 2/(2/3) é o menor quociente entre a última coluna e a
coluna da variável x2, que vai entrar na base)
L2 ¬ 3 L2 / 2
L1 ¬ L1 + L2 / 4
L3 ¬ L3 + L2 / 6
Base x1 x2 x3 f1 f2 b
Como todos os valores da última linha (função z-transformada) são positivos ou nulos,
concluímos que a solução encontrada é óptima, ou seja:
x1 = 1,25
x2 = 0
z= -z' = 12,5
1)Um alfaiate tem, disponíveis, os seguintes tecidos: 16 metros de algodão, 11 metros de seda e 15metros de lã.
Para um terno são necessários 2 metros de algodão, 1 metro de seda e 1 metro de lã. Para um
vestido, são necessários 1 metros de algodão, 2 metros de seda e 3 metros de lã. Se um terno é
vendido por $300,00 e um vestido por $500,00, quantas peças de cada tipo o alfaiate deve fazer, de modo a
maximizar o seu lucro? Encontre a solução óptima do problema, e interprete sua resposta.
x1 , x2 0
2) Uma companhia de aluguer de caminhões possuía-os de dois tipos: o tipo A com 2 metros cúbicos de espaço
refrigerado e 4 metros cúbicos de espaço não refrigerado e o tipo B com 3 metros cúbicos refrigerados e 3 não
refrigerados. Uma fábrica precisou transportar 90 metros cúbicos de produto refrigerados e
120 metros cúbicos de produto não refrigerado. Quantos caminhões de cada tipo ela deve alugar,
de modo a minimizar o custo, se o aluguer do caminhão A era $0,30 por km e o do B, $0,40 por km. Elabore o
modelo de programação linear.
Produto Corte e coloração Costura Acabamento Inspecção e Empacotamento Lucro por bolsa
Padrão 7/10 1/2 1 1/10 R$10,00De luxo 1 5/6 2/3 1/4 R$9,00Tempo disponível 630 600 700
135
Max.Z 10 x1 9 x 2
7
x1 x 2 603
10
1 x 5 x 600
2 1 6 2
s.a :
x1 2 x 2 700
3
1 1
x1 x 2 135
10 4
x1 , x2 0
5) A indústria Luzilândia S/A iniciou suas operações em Janeiro de 2001 e já vem conquistando
espaço no mercado de laminados brasileiro, tendo contratos fechados de fornecimento para
todos os 3 tipos diferentes de lâminas de alumínio que fabrica: espessuras finas, média ou
grossa. Toda a produção da companhia é realizada em duas fábricas, uma localizada em São
Paulo e a outra no Rio de Janeiro. Segundo os contratos fechados, a empresa precisa entregar
16 toneladas de lâminas finas, 6 toneladas de lâminas médias e 28 toneladas de Lâminas
grossas. Devido à qualidade dos produtos da Luzilândia S/A., há uma demanda extra para cada
tipo de lâminas. A fábrica de São Paulo tem um custo de produção diária de R$ 100.000,00
para cada capacidade produtiva de 8 toneladas de lâminas finas, 1 tonelada de lâminas médias
e 2 tonelada de Lâminas grossas por dia. O custo de produção diário da fábrica do Rio de
Janeiro é de R$ 200.000,00 para cada produção de 2 toneladas de lâminas finas, 1 tonelada de
lâminas médias e 7 tonelada de Lâminas grossas por dia. Quantos diascada uma das fábricas
deverá operar para atender aos pedidos ao menor custo possível? Elabore o modelo.
x1 , x2 0
6) Um vendedor de frutas pode transportar 800 caixas de frutas para sua região de vendas. Ele
já transporta 200 caixas de laranjas a 20 u.m. de lucro por caixa por mês. Ele necessita
transportar pelo menos 100 caixas de pêssegos a 10 u.m. de lucro por caixa, e no máximo 200
caixas de tangerinas a 30 u.m. de lucro por caixa. De que forma deverá ele carregar o
caminhão para obter lucro máximo?
Max.Z 10 x1 30 x 2 4000
x1 x 2 600
100
s.a : x1
x 2 200
x1 , x2 0
7) Uma rede de televisão local tem o seguinte problema: foi descoberto que o programa A com
20minutos de música e 1 minuto de propaganda chama a atenção de 30.000 telespectadores,
enquanto o programa B, com 10 minutos de música e 1 minuto de propaganda chama atenção
de 10.000 telespectadores. No decorrer de uma semana, o patrocinador insiste no uso de no
mínimo, 5 minutos para sua propaganda e que não há verba para mais de 80 minutos de
música. Quantas vezes por semana cada programa deve ser levado ao ar para obter o número
máximo de telespectadores? Elabore o modelo.
x1 , x2 0
9) Um fabricante de bombons tem estocado bombons de chocolate, sendo 130 kg com recheio
de cerejas e 170 kg com recheio de menta. Ele decide vender o estoque na forma de dois
pacotes sortidos diferentes. Um pacote contém uma mistura com metade do peso dos
bombons de cereja metade em menta e vende por R$ 20,00 por kg. O outro pacote contém
uma mistura de um terço de bombons de cereja e dois terços de menta e vende por R$12,50
por kg. O vendedor deveria preparar quantos quilos de cada mistura a fim de maximizar seu
lucro nas vendas?
Max.Z 20 x1 12,50 x 2
1 1
x1 x 2 130
s.a : 2 3
x 2 x 70
1
2
1 2
3
x1 , x2 0
10) Uma mulher tem R$ 10.000,00 para investir e seu corretor sugere investir em dois títulos,
A e B.O título A é bastante arriscado, com lucro anual de 10% e o título B é bastante seguro,
com um lucro anual de 7%. Depois de algumas considerações, ela resolvem investir no máximo
R$ 6.000,00no título A, no mínimo R$ 2.000,00 no título B. Como ela deverá investir seus R$
10.000,00 a fim de maximizar o rendimento anual?
x1 , x2 0
11) Uma pessoa precisa de 10, 12 e 12 unidades dos produtos químicos A, B e C,
respectivamente, para o seu jardim. Um produto contém 5, 2 e 1 unidade de A, B e C,
prospectivamente, por vidro; um produto em pó contém 1, 2 e 4 unidades de A, B e C
respectivamente por caixa. Se o produto líquido custa $3,00 por vidro e o produto em pó custa $2,00 por
caixa, quantos vidros e quantas caixas ele deve comprar para minimizar o custo e satisfazer as
necessidades?
Min.Z 3x1 2 x 2
5 x1 x 2 102
s.a : x1 2 x 2 12
x 4 x 12
1 2
x1 , x2 0
12) Certa empresa fabrica dois produtos P1 e P2. O lucro unitário do produto P1 é de 1000
unidades monetárias e o lucro unitário de P2 é de 1800 unidades monetárias. A empresa
precisa de 20 horas para fabricar uma unidade de P1 e de 30 horas para fabricar uma unidade
de P2. O tempo anual de produção disponível para isso é de 1200 horas. A demanda esperada
para cada produto é de 40unidades anuais para P1 e 30 unidades anuais para P2. Qual é o plano de produção
para que a empresa maximize seu lucro nesses itens? Construa o modelo de programação linear para esse caso.
x1 , x2 0
14) A Esportes Radicais S/A produz pára-quedas e asa-delta em duas linhas de montagem.
A primeira linha de montagem tem 100 horas semanais disponíveis para a fabricação dos produtos, e a segunda linha
tem um limite de 42 horas semanais. Cada um dos produtos requer 10 horas de processamento na linha 1,
enquanto na linha 2 o pára-quedas requer 3 horas e a asa-delta requer 7 horas. Sabendo que o
mercado está disposto a comprar toda a produção da empresa e que o lucro pela venda de cada
pára-quedas é de R$60,00 e para cada asa-delta vendida é de R$40,00,encontre a programação de produção
que maximize o lucro da Esportes Radicais S/A. Elabore o modelo
Max.Z 60 x1 40 x 2
10 x 10 x 2 100
s.a : 1
3x1 7 x 2 42
x1 , x2 0
15) No programa de produção para o próximo período, a empresa Beta Ltda., escolheu três
produtosP1, P2 e P3. O quadro abaixo mostra os montantes solicitados por unidade na
produção. Produto Contribuição (lucro por unidade) Horas de trabalho Horas de uso de
máquinas Demanda máximaP1 2.100 6 12 800 P2 1.200 4 6 600P3 600 6 2 600Os preços de venda foram
fixados por decisão política e as demandas foram estimadas tendo em vista esses preços. A firma pode obter um
suprimento de 4.800 horas de trabalho durante o período de processamento e pressupõe-se usar três
máquinas que podem prover 7.200 horas de trabalho. Estabelecer um programa óptimo de
produção para o período. Faça a modelagem desse problema.
s.a : x1 800
x2 600
x 3 600
x1 , x 2 , x3 0
16) Uma pequena metalúrgica deseja maximizar sua receita com a venda de dois tipos de finas fitas de aço que se
diferenciam em qualidade no acabamento de corte. As fitas são produzidas a partir do corte de bobinas de
grande largura. Existem duas máquinas em operação. Uma das máquinas é mais antiga
e permite o corte diário de 4000m de fita. A outra, mais nova, corta até 6000m. A venda das
chapas no mercado varia com a qualidade de cada uma. Fitas produzidas na máquina antiga
permitem um lucro de 3 u.m. por mil metros de produção. Fitas cortadas na máquina mais
moderna produzem um lucro de 5u.m por mil metros de produção. Cada mil metros de fita
cortada na máquina antiga consomem 3 homens x hora de mão-de-obra. Na máquina
moderna são gastos apenas 2 homens x hora. Diariamente são disponíveis 18 homens x hora
para a operação de ambas as máquinas. Determinar a produção que optimiza o lucro da
metalúrgica. Elabore o modelo.
Max.Z 3x1 5 x 2
x1 4
x 63
s.a : 2
x 2 x 15
1 2
x1 , x2 0
17) Um pequeno entregador pode transportar madeira ou frutas em seu carrinho de mão, mas
cobra 40 reais para cada fardo de madeira e 25 reais para cada saco de frutas. Os fardos pesam
1kg e ocupam 2dm3 de espaço. Os sacos de frutas pesam 3 kg e ocupam 2 dm3 de espaço. O
carrinho tem capacidade de transportar 12 kg e 35 dm3
e o entregador pode levar quantos sacos e quantos fardos desejar. Elabore o modelo para
maximizar o lucro do entregador.
Max.Z 40 x1 25 x 2
x 3x 2 12
s.a : 1
2 x1 2 x 2 35
x1 , x2 0
18) Uma companhia de investimento dispõe de R$ 150.000 para investir em acções e letras
imobiliárias. Sua política de aplicação consiste em: aplicar, no máximo, 50% do disponível em acções; aplicar, no
máximo, 65% do disponível em letras imobiliárias. Através de uma pesquisa de mercado, a
companhia verificou que deveria aplicar no máximo 40% do disponível, na diferença entre a quantidade aplicada
em acções e a quantidade aplicada em letras; e aplicar 10%, no máximo, do disponível na soma da sétima parte
aplicada em acções com a quarta parte aplicada em letras. As acções produzem uma rentabilidade de 5% ao mês e as
letras 4% ao mês. Qual é o investimento óptimo que maximiza o lucro da companhia. Formule o modelo do
problema
s.a : x1 x 2 60000
1 x 1 x 15000
7
´1 2
4
x1 , x2 0
19) Uma pessoa tem até R$ 15.000,00 para investir e seu corretor sugere investir em dois
títulos, A e B.O título A é bastante arriscado, com lucro anual de 15% e o título B é bastante seguro, com um lucro
anual de 8,2%. Depois de algumas considerações, ela resolve investir no máximo R$ 6.500,00 no título A, no
mínimo R$ 2.500,00 no título B.. Como ela deverá investir seus R$ 15.000,00 a fim de
maximizar o rendimento anual? . Elabore o modelo.
x1 , x2 0
20) A empresa de logística Deixa Comigo S/A tem duas frotas de caminhões para realizar transportes de cargas
para terceiros. A primeira frota é composta por caminhões médios e a segunda por caminhões
gigantes, ambas com condições especiais para transportar sementes e grãos prontos para o consumo, como arroz e
feijão. A primeira frota tem a capacidade de peso de 70.000 quilogramas e um limite de volume de 30.000 pés
cúbicos, enquanto a segunda pode transportar até 90.000 quilogramas e acomodar 40.000 pés cúbicos de
volume. O próximo contrato de transporte refere-se a uma entrega de até 100.000quilogramas
de sementes e 85.000 quilogramas de grãos, sendo que a Deixa Comigo S/A pode aceitar levar tudo ou somente
uma parte da carga, deixando o restante para outra transportadora entregar. O volume
ocupado pelas sementes é de 0,4 pé cúbico por quilograma, e o volume dos grãos é de 0,2 pé
cúbico por quilograma. Sabendo que o lucro para transportar as sementes é de R$0,12 por
quilograma e o lucro para transportar os grãos é de R$0,35 por quilograma. Faça a modelagem
do problema com objetivode encontrar a quantidade de quilogramas de sementes e a quantidade de
quilogramas de grãos a Deixa Comigo S/A deve transportar para minimizar o seu lucro. Elabore o
modelo.
x1 100000
x 2 85000
x1 , x2 0
x1 → sementes transportadas (kg) →0,12
x1+ x2≤160.000
x1 ≤ 100.000
X2 ≤ 85.000
Modelo:
21) Um fabricante de fantasias tem em estoque 32 m de brim, 22 m de seda e 30 m de cetim e pretende fabricar
dois modelos de fantasias. O primeiro modelo (M1) consome 4m de brim, 2 m de seda e 2 m
de cetim. O segundo modelo (M2) consome 2 m de brim, 4 m de seda e 6 m de cetim. Se M1 é
vendido a6.000 u.m. e M2 a 10.000 u.m., quantas peças de cada tipo o fabricante deve fazer
para obter a receita máxima? Elabore o modelo.
x1 , x2 0
22) Uma determinada confecção opera com dois produtos: calças e camisas. Como trata-se de produtos
semelhantes, possuem uma produtividade comparável e compartilham os mesmos recursos. A programação da
produção é realizada por lotes de produto. O departamento de produção informa que são
necessários 10 homens x hora para um lote de calças e 20 homens x hora para um lote de
camisas. Sabe-se que não é necessária mão-de-obra especializada para a produção de calças,
mas são necessários 10homens x hora desse tipo de mão-de-obra para produzir um lote de
camisas. O departamento de pessoal informa que a força máxima de trabalho disponível é de
30 homens x hora de operários especializados e de 50 homens x hora de não especializados Da
planta de produção, sabemos que existem apenas duas máquinas com capacidade de produzir os dois tipos de
produto, sendo que a máquina 1 pode produzir um lote de calças a cada 20 horas e um lote de camisas a cada 10
horas, não podendo ser utilizada por mais de 80 horas no período considerado. A máquina 2
pode produzir um lote de calças a cada 30 horas e um lote de camisas a cada 35 horas,
não podendo ser utilizada por mais de 130 horas no período considerado. São necessários dois
tipos de matéria-prima para produzir calças e camisas. Na produção de um lote de calças são
utilizados 12 quilos de matéria-prima A e 10 da B. Na produção de um lote de camisas são utilizados 8 quilos da
matéria-prima A e 15 da B.O almoxarifado informa que, por imposições de espaço, só pode fornecer
120 quilos de A e 100 quilos de B no período considerado. Sabendo-se que o lucro pela venda
é de 800 reais nos lotes de camisas e de 500reais nos lotes de calças. Formule o modelo .
Max.Z 4 x1 x 2
2 x 3x 2 12
s.a : 1
2 x1 x 2 8
25) Uma companhia fabrica dois produtos P1 e P2 que utilizam os mesmos recursos
produtivos: matéria prima, forja e polimento. Cada unidade de P1 exige 4 horas de forjaria, 2 h
de polimento e utiliza 100unidades de matéria-prima. Cada unidade de P2 requer 2 horas de
forjaria, 3 h de polimento e 200unidades de matéria-prima. O preço de venda de P1 é 1.900
u.m. e de P2, 2.100 u.m. Toda produção tem mercado garantido. As disponibilidades são de: 20 h de forja;
10 h de polimento e 500 unidades de matéria-prima, por dia. Elabore o modelo linear para o
problema.
4.10 Exercício resolvido
Uma refinaria produz três tipos de gasolina: verde, azul e comum. Cada tipo requer gasolina
pura, octana e aditivo que são disponíveis nas quantidades 9.600.000, 4.800.000 e 2.200.000
litros por semana, respectivamente. As especificações de cada tipo são: - um litro de gasolina
verde requer 0,22 litros de gasolina pura, 0,50 litros de gasolina octana e 0,28 litros de gasolina
aditivo; um litro de gasolina azul requer 0,52 litros de gasolina pura, 0,34 litros de gasolina
octana e 0,14 litros de gasolina aditivo; um litro de gasolina comum requer 0,74 litros de
gasolina pura, 0,20 litros de gasolina octana e 0,06 litros de gasolina aditivo. Como regra de
produção, baseada em demanda de mercado, o panejamento da refinaria estipulou que a
quantidade de gasolina comum deve ser no mínimo igual a 16 vezes a quantidade de gasolina
verde, e que a quantidade da gasolina azul seja no máximo igual a 600.000 litros por semana. A
empresa sabe que cada litro de gasolina verde, azul e comum dá uma margem de contribuição
para o lucro de $0,30, $0,25 e $0,20, respectivamente, e seu objectivo é determinar o
programa de produção que maximiza a margem total de contribuição para o Lucro. Construir o
modelo do problema.
FORMULAÇÃO DO PROBLEMA:
Variáveis de Decisão
Função Objectivo
A função lucro nada mais é do que o lucro individual de cada tipo de gasolina vezes sua
quantidade:
Restrições
X1 ≥ 0, X2 ≥ 0, X3 ≥ 0
Como estamos trabalhando com quantidade, as variáveis não podem assumir valores
negativos por isso dizemos que estes valores são maiores/iguais a zero (Principio de não
negatividade).
Modelação Matemática
16X1 -X3 ≤ 0
X2≤ 600.000
X1 ≥ 0, X2 ≥ 0, X3 ≥ 0
Formulação:
Neste caso, existem 3 variáveis e 5 restrições, pelo que se optássemos por recorrer ao Dual
também não conseguiríamos apresentar uma resolução gráfica (teríamos, nesse caso, 5
variáveis e 3 restrições).
Repare-se, no entanto, que uma das restrições é uma restrição de igualdade. Ora, neste caso,
é possível transformar o nosso problema, reduzindo as três variáveis a duas:
16X1 - X3 =0 → X3=16X1
Sabendo que X3 pode ser calculado a partir das restantes variáveis, pode-se transformar o
problema numa formulação que considere apenas as duas variáveis X1 e X2. Vejamos então
como ficaria este problema transformado, considerando ZG a nova função objectivo adaptada
para resolução gráfica.
Função Objectivo
= 3,50X1 + 0,25X2
Restrições
0,22X1 + 0,52X2 + 0,74X3 ≤ 9.600.000 →12,06 X1 + 0,52X2≤ 9.600.000
0,50X1 + 0,34X2 + 0,20X3 ≤ 4.800.000 → 3,70X1 + 0,34X2≤ 4.800.000
0,28X1 + 0,14X2 + 0,06X3 ≤ 2.200.000 → 1,24X1 + 0,14X2≤ 2.200.000
16X1 -X3 = 0 → Já não deve ser considerada
o X2≤ 600.000 → X2 ≤ 600.000
X1 ≥ 0, X2 ≥ 0, X3 ≥ 0 → X1 ≥ 0, X2 ≥ 0
Nota: 16X1 - X3 = 0 é uma equação implícita nas restantes restrições e na função objectiva,
pelo que já não deve ser considerada.
Assim, a nova formulação (equivalente à primeira), que iremos utilizar na resolução gráfico, é:
X2 = 18.461.569
X1= 796.020
X2 = 14.117.647
X1= 1.297.297
X2 = 15.714.286
X1= 1.774.194
R4: X2 = 600.000
A inclinação obtidas das rectas:
18.461.569
R1:−
796.020
14.117.647
R2:− 1.297.297
15.714.286
R3:− 1.774.194
O conjunto de pontos possíveis que esta recta verifica, corresponde a todo o espaço de
pontos a esquerda da recta e sobre ela, uma vez que traduz todas as combinações de X1 e X2
e que seja menores ou iguais aos termos independentes.
Z - 3,50X1 - 0,25X2 = 0
28
X2 =− 2 1
𝑋 + 4𝑍 → F.O. reduzida
28
Para Z =0 tem-se que X2=− 2 1
𝑋 → X2=−14𝑋1
Atribuindo valores a X1, encontramos os valores de X2 que correspondem a pontos dessa recta.
Ponto Óptimo
X1 = 770.149,25 litros
X2 = 600.000 litros
Valor Óptimo
=3,50(770.149,25) + 0,25(600.000)
= 2.845.522,38 $
Z* = 2.845.522.38$
METODO SIMPLEX
Formulação do problema:
Uma refinaria produz três tipos de gasolina: verde, azul e comum. Cada tipo requer gasolina
pura, octana e aditivo que são disponíveis nas quantidades 9.600.000, 4.800.000 e 2.200.000
litros por semana, respectivamente. As especificações de cada tipo são:
* Um litro de gasolina verde requer 0,22 litros de gasolina pura, 0,50 litros de gasolina octana
e 0,28 litros de gasolina aditivo;
* Um litro de gasolina azul requer 0,52 litros de gasolina pura, 0,34 litros de gasolina octana
e0, 14 litros de gasolina aditivo;
* Um litro de gasolina comum requer 0,74 litros de gasolina pura, 0,20 litros de gasolina
octana e 0,06 litros de gasolina aditivo;
A empresa sabe que cada litro de gasolina verde, azul e comum dá uma margem de
contribuição para o lucro de R$0,30, R$0,25 e R$0,20, respectivamente, e seu objectivo é
determinar o programa de produção que maximiza a margem total de contribuição para o
Lucro.
16X1 -X3 ≤ 0
X2≤ 600.000
X1 ≥ 0, X2 ≥ 0, X1 ≥ 0
Como estamos trabalhando com quantidade, as variáveis não podem assumir valores
negativos por isso dissemos que estes valores são maiores/iguais a zero.
16X1 -X3 ≤ 0
X2≤ 600.000
X1 ≥ 0, X2 ≥ 0, X1 ≥ 0
16X1 -X3+X 7 ≤ 0
X2 +X8 ≤ 600.000
9.600.000
4.800.000
Ct0B= [0 0 0 0 0 ] 2.200.000 = 0
0
[ 600,000 ]
Quadro Simplex
X1 X2 X3 X4 X5 X6 X7 X8
X7 16 0 -1 0 0 0 1 0 0
X8 0 1 0 0 0 0 0 1 600000
Primeiro passo:
Coluna de Trabalho
X1 X2 X3 X4 X5 X6 X7 X8
X4 0,22 0,52 0,74 1 0 0 0 0 9600000
X5 0,50 0,34 0,20 0 1 0 0 0 4800000
X6 0,28 0,14 0,06 0 0 1 0 0 2200000
X7 16 0 -1 0 0 0 1 0 0
X8 0 1 0 0 0 0 0 1 600000
-0,30 -0,25 -0,20 0 0 0 0 0 0
O nº mais negativo
Segundo Passo:
Coluna de Trabalho
X1 X2 X3 X4 X5 X6 X7 X8
X4 0,22 0,52 0,74 1 0 0 0 0 9600000
X5 0,50 0,34 0,20 0 1 0 0 0 4800000
X6 0,28 0,14 0,06 0 0 1 0 0 2200000
X7 16 0 -1 0 0 0 1 0 0
X8 0 1 0 0 0 0 0 1 600000
-0,30 -0,25 -0,20 0 0 0 0 0 0
43636364
9600000
7857143
0
Pivô
Terceiro Passo:
X1 X2 X3 X4 X5 X6 X7 X8 Neste passo
X4 0,22 0,52 0,74 1 0 0 0 0 9600000
X5 0,5 0,34 0,2 0 1 0 0 0 4800000 multiplicamos os
X6 0,28 0,14 0,06 0 0 1 0 0 2200000 elementos da linha
X7 1 0 -0,0625 0 0 0 0,0625 0 0 pivô pelo seu
X8 0 1 0 0 0 0 0 1 600000 inverso. O inverso
-0,3 -0,25 -0,2 0 0 0 0 0 0 de 16 é 1/16.
X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0,52 0,75375 1 0 0 -0,01375 0 9600000
X5 0 0,34 0,23125 0 1 0 -0,03125 0 4800000
X6 0 0,14 0,0775 0 0 1 -0,0175 0 2200000
X7 1 0 -0,0625 0 0 0 0,0625 0 0
X8 0 1 0 0 0 0 0 1 600000
0 -0,25 -0,21875 0 0 0 0,01875 0 0
X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0,52 0,75375 1 0 0 -0,01375 0 9600000
X5 0 0,34 0,23125 0 1 0 -0,03125 0 4800000
X6 0 0,14 0,0775 0 0 1 -0,0175 0 2200000
X1 1 0 -0,0625 0 0 0 0,0625 0 0
X8 0 1 0 0 0 0 0 1 600000
0 -0,25 -0,21875 0 0 0 0,01875 0 0
Substituímos a variável X7
existente na linha pivô pela
variável X1 da coluna pivô.
Quinto Passo:
Repetição dos passos de 1 a 4 por existência de números negativos na última
linha:
Primeiro passo e Segundo Passo:
Coluna de Trabalho
X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0,52 0,75375 1 0 0 -0,01375 0 9600000
X5 0 0,34 0,23125 0 1 0 -0,03125 0 4800000
X6 0 0,14 0,0775 0 0 1 -0,0175 0 2200000
X1 1 0 -0,0625 0 0 0 0,0625 0 0
X8 0 1 0 0 0 0 0 1 600000
0 -0,25 -0,21875 0 0 0 0,01875 0 0
Pivô
O nº mais negativo
X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0 0,75375 1 0 0 -0,01375 -0,52 9288000
X5 0 0 0,23125 0 1 0 -0,03125 -0,34 4596000
X6 0 0 0,0775 0 0 1 -0,0175 -0,14 2200000
X1 1 0 -0,0625 0 0 0 0,0625 0 0
X2 0 1 0 0 0 0 0 1 600000
0 0 -0,21875 0 0 0 0,01875 0,25 150000
X1 X2 X3 X4 X5 X6 X7 X8
X4 0 0 0,75375 1 0 0 -0,01375 -0,52 9288000
X5 0 0 0,23125 0 1 0 -0,03125 -0,34 4596000
X6 0 0 0,0775 0 0 1 -0,0175 -0,14 2200000
X1 1 0 -0,0625 0 0 0 0,0625 0 0
X8 0 1 0 0 0 0 0 1 600000
0 0 -0,21875 0 0 0 0,01875 0,25 150000
O nº mais negativo
X1 X2 X3 X4 X5 X6 X7 X8
X3 0 0 1 1,3267 0 0 -0,01824 -0,68988 12322388
X5 0 0 0 -0,3068 1 0 -0,02703 -0,18046 1746448
X6 0 0 0 -0,10282 0 1 -0,01609 -0,08653 1245015
X1 1 0 0 0,082919 0 0 0,06136 -0,04312 770149,3
X2 0 1 0 0 0 0 0 1 600000
0 0 0 0,290216 0 0 0,01476 0,099088 2845522
Terceiro Passo:
Quarto Passo:
Neste quadro reduzimos a zero todos os outros elementos da
Substituimos avariável coluna de trabalho:
X4 existente nalinha L3=L2- 0,21L2
X3
pivô pela variável L4=L3- 0,08L6
da coluna pivô. L5=L5- 0,06L6
L7=L7+ 0,21875L6
Sexto Passo:
X1 X2 X3 X4 X5 X6 X7 X8
X3 0 0 1 1,3267 0 0 -0,01824 -0,68988 12322388
X5 0 0 0 -0,3068 1 0 -0,02703 -0,18046 1746448
X6 0 0 0 -0,10282 0 1 -0,01609 -0,08653 1245015
X1 1 0 0 0,082919 0 0 0,06136 -0,04312 770149,3
X2 0 1 0 0 0 0 0 1 600000
0 0 0 0,290216 0 0 0,01476 0,099088 2845522
X1=770149,3 Litros
X2= 600000 Litros
X3=12322388Litros
X5=1746448 Litros
X6=1245015 Litros
Z =2.845.522$
O Lucro total do programa de produção (gasolina: verde, azul e comum) é de
2.845.522$.
X1 X2 X3 Total Sinal b
Restrição 1 0,22 0,52 0,74 9600000 ≤ 9600000
Restrição 2 0,5 0,34 0,2 3053552,239 ≤ 4800000
Restrição 3 0,28 0,14 0,06 1038985,075 ≤ 2200000
Restrição 4 -16 0 1 0 ≥ 0
Restrição 5 0 1 0 600000 ≤ 600000
Lucro 0,3 0,25 0,2 2845522,388
Solução 770149,3 600000 12322388
min Z x1 3x2 x4 2 x5
s.a. : x1 x4 x5 3
x1 x2 x4 3
5 x1 x3 2 x4 16
x1 , x2 , x3 , x4 , x5 0
min Z 2 x1 3x2 4 x3
s.a. : x1 5 x2 3x3 15
x1 x2 x3 5
5 x1 6 x2 4 x3 10
x1 , x2 , x3 0
a) Escreva-o na sua forma canónica e determine a solução básica admissível associada às
variáveis de folga.
b) Mostre que a solução encontrada em a) não é a óptima e indique justificando quais as
variáveis básicas na próxima iteração.
3. Uma fábrica de tintas produz dois tipos de produto: 1 tinta para interiores e uma tinta para
exteriores. Para isso recorre a dois tipos de matéria prima, A e B, das quais possuí,
respectivamente, 6 e 9 toneladas, em stock, stock esse que não pode ser reforçado . Para
produzir uma tonelada de tinta interior são necessárias 1 tonelada de A e 2 toneladas de B. No
caso da tinta exterior, para produzir uma tonelada são necessárias 1 tonelada de A e duas
toneladas de B. Um estudo de mercado indica que a procura de tinta interior não excede em
mais de 1 tonelada de tinta exterior. O preço de venda da tinta interior é de 30$00 por Kg e o
da tinta exterior de 45$00 por kg.
Formule o problema.
Óleo A Óleo B
Viscosidade 40 40
(º Baumé)
Teor em Enxofre 30 52
Preço 30 20
(u.m/l)
Formule o problema.
6.Um fabricante de papel produz três tipos de papel: pesado (P) com um lucro de 6 u.m./ton,
médio (M) com um lucro de 4 u.m/ton e fino (F) com um lucro de 5 u.m./ ton.
Considera-se que para produzir uma tonelada de P são necessários 2 ton de pasta e 2 unidades
de energia eléctrica, para M os valores são 1 e 2 e para F 1 e 5.
Formule o problema
7.Uma empresa possui uma fábrica de objectos de plástico. Dois dos tipos de matéria prima de
que necessita, designemo-los por A e B, são produzidos internamente, numa linha de
produção parcialmente autónoma, com custo de 16$00/kg e de 24$00/kg, respectivamente.
Sabe-se que são necessários 2 trabalhadores para obter uma tonelada de matéria primas A,
enquanto para obter uma tonelada de matéria-prima B é necessário somente 1.
A empresa não pode destacar mais de 30 dos seus trabalhadores para a linha de produção
30 22 18
T
min Z 2 x1 3x2
s.a. : x1 2 x2 1
x1 x2 2
x1 , x2 0
10. Uma fábrica de refrigerantes produz dois tipos de refrescos, A e B. De forma a optimizar o
respectivamente.
maxZ x1 x2 x3
s.a. : x1 x3 1
2 x1 x2 x3 8
x1 x2 x3 2
x1 , x2 , x3 0
𝒙𝟏 𝒙𝟐 𝒚𝟏 𝒚𝟐 𝒚𝟑
Z 5 0 0 ¼ ¼ 0
𝒙𝟐 2 0 1 ½ -1/2 0
𝒚𝟑 4 0 0 1 -2 1
a) Recorrendo à primeira fase do método das duas fases determine uma solução básica
admissível e o seu valor para o problema P
b) Classifique a solução encontrada em a) quanto à optimização. Caso a solução não seja
ainda a óptima, escreva e resolva as equações conducentes à obtenção da próxima
solução.
14.Considere o seguinte problema de programação linear:
Por aplicação do método do Simplex ao problema assim formulado, chegou-se ao quadro final:
x1 x2 y1 y2
Z 108 800/3 0 0 1400/3 800/3
x1 16 1 0 -2 6
Quais as alterações que a introdução de uma tal restrição trará ao quadro óptimo?
(P) Min Z x1 3x 2 x3
s.a : 2 x1 x 2 x3 18
x1 x 2 3x3 36
x1 3x 2 x3 24
x1 , x 2 , x3 0
Numa pequena oficina produzem-se dois tipos de peças: A e B. Para tal, o artesão dispõe de
uma única máquina que pode utilizar até 8h por dia. Para produzir uma peça A o artesão
necessita de utilizar a máquina durante uma hora, enquanto que para produzir uma peça
de B o artesão ocupa a máquina durante duas horas.
Recentemente o artesão recebeu a visita de uma equipa de consultores da região de
turismo que definiu que:
min Z x1 3x 2 2 x3
s.a. : 2 x1 3x 2 7
5 x1 3x 2 2 x3 8
5 x1 2 x 2 x3 7
x1 , x 2 , x3 0
( P) min z x1 3x 2
s.a. x1 x 2 2
x1 4
x1 x 2 5
x2 6
x1 , x 2 0
1 3 1 2 60
Matéria-Prima
(Kg/mês)
2 8 2 3 140
Mão-de-obra
(horas homem/mês)
3 5 6 3 100
Espaço de
armazenagem
(m3/mês)
Com base em todas estas informações foi possível formular o problema em termos de
Programação Linear na seguinte forma:
MaxZ 30 x1 45x2
s.a. x1 2 x2 6
2 x1 x2 9
x1 x2 1
x1 , x2 0
MinZ 30 x1 20 x2
s.a. 40 x1 40 x2 60( x1 x2 )
0.3x1 0.52 x2 0.4( x1 x2 )
x1 x2 100
x1 , x2 0
7)
a) Sejam:
MinZ 16 x1 24 x2
s.a. x1 4
x2 10
2 x1 x2 30
x1 , x2 0
A solução é única e estão activas as primeira e segundas restrições. O lucro gerado é 304
000$00.
b) Problema Dual:
MaxG 4w1 10w2 30w3
s.a. w1 2w3 16
w2 w3 24
w1 , w2 0
w3 0
c) A resposta deverá ser negativa pois o recurso mão-de-obra não é esgotado com o
plano actual.
8)
a) A solução óptima obtida é x 3,5 ; y 0, 3,0 e tem valor z * =540.
* *
b)
i) A solução permanece admissível e, como tal não é necessário reoptimizar. So o
valor de y 2 e alterado passando a valer 2.
ii) A nova solução óptima é x 0,6 ; y 12,6,0 com valor z * =360.
* *
9)
a) S.B.A: x 0,1/ 2; y 0, 3 / 2 .
b) Valor da solução: z =3/2. A solução é óptima.
10)
a) x1 , x2 1,1/ 2 1 4 / 3,0, com 0,1 .
b) Problema Dual:
MinG 40w1 60w2
s.a. 20w1 45w2 1.5
40w1 30w2 1
w1 , w2 0
c) b1 0,3
d) A nova solução óptima é x 1,1,0; y 0,5,0 com valor z * =5.
* *
12)
MaxZ 2 x1 x2
s.a. 4 x1 3x2 12
4 x1 x2 8
4 x1 x2 8
x1 , x2 0
13)
a) A solução básica encontrada é x 5 / 3,1/ 3,0 ; y 0, 5 / 2,0 .
b) A solução óptima é x 5 / 3,16 / 3,0 ; y 0, 0,5 e tem valor z * 9 .
* *
14)
a) São básicas as variáveis x1 e x2 e são não básicas as variáveis y1 e y 2 . A solução
óptima de (P) é única e tem valor 108 800/3. Estão activas as restrições 1 e 2.
b)
c) b1 48, 72 ; b2 64 / 3, 32 ; c1 5000 / 9, 2500 / 3 ; c2 720,1080
A solução óptima dual é w 1400 / 3, 800 / 3 , v 0, 0 e tem valor G * =108 800/3
* *
y1 10 -5/3 0 2/3 1 0
y2 28 4/3 0 8/3 0 1
x2 8 -1/3 1 1/3 0 0
MaxZ 5 x1 10 x 2
s.a. x1 2 x 2 8
x1 2 x 2
x1 4
2 x2 4
x1 , x 2 0 e inteiros
40 0 0 5 0 0 0
Z
x1 4 1 0 1/2 -1/2 0 0
x2 2 0 1 1/4 1/4 0 0
y3 0 0 0 -1/2 1/2 1 0
y4 0 0 0 -1/4 -1/4 0 1
17)
a) A solução básica encontrada é x 7 / 5,0,0; y 21/ 5,1,0 . Trata-se de uma S.B.A.
b) A solução óptima é x* 1,1,0; y* 2,0,0 e tem valor z*= - 2.
18)
a) O conjunto das soluções admissíveis de P é o poliedro cujos pontos extremos são:
A(0,5); B(0,6); C(4,6); D(4,2) e E(7/2,3/2).
c) Problema Dual:
19)
a) Produzem-se os solventes 1, 2 e 4 nas quantidades de 2Kl, 14 Kl e 8 Kl,
respectivamente. Consomem-se todos os recursos disponíveis, havendo vantagem em
aumentar a sua disponibilidade, desde que esse aumento não traga custos superiores
a 142.5 u.m., 367.5 u.m. e 47.5 u.m, por unidade de matéria-prima, mão-de-obra e
espaço de armazenagem disponibilizados.
b) A solução permanece óptima.
c) Não há vantagem em alterar o plano de produção, logo a solução permanece óptima.
20)
a) Sejam:
x1 ’Quantidade de refrigerante 1 a produzir ’
MaxZ 2 x1 x2
s.a. 3x1 x2 70
x1 2 x2 60
x2 25
x1 , x2 0
A matéria-prima C não é consumida na totalidade, pelo que o seu preço sombra é zero. As
matéria primas A e B são bens escassos, havendo vantagem em adquirir quantidades extra,
desde que o custo de aquisição não ultrapasse 3/5 u.m. e 1/5 u.m., por unidade adquirida,
respectivamente.
ANEXOS
REFERÊNCIAS BIBLIOGRÀFICAS
24. Manuela Hill, Mariana Marques dos Santos e Ana Líbano: Investigação Operacional I, II,
III. 2008
26. Saul I. Gass: Programação Linear – Métodos e aplicações. 1971, Cidade do México.
27. Jorge Guerreiro Alípio, Manuel Ramalhete, MacGrawn – Hill: Programação Linear I, II.
1998
29. http//www.ericolisboa.eng.br
32. Fernando Martins : Introdução a Pesquisa Operacional – Teoria dos grafos – 2001.
33. BARBIER, Rene. A pesquisa-Ação. Tradução LucieDidio. Brasilia: Liber Livro Editora,
2004.159 p. Serie Pesquisa em Educação. v. 3.
34. BIEMBENGUT, Maria Salett; HEIN, Nelson. Modelagem Matemática no Ensino. São
Paulo:Contexto, 2000. 127 p.
35. CHESLT, Kenneth R; EDWARDS,Thomas G. Does This Line Ever Move?:Everyday
Applicationsof Operations Research. Emeryville, CA: Key Curriculum Press, 2005. 144 p.
ISBN: 1-55953-673-X.
36. COSTA, José de Jesus da. Tópicos de Pesquisa Operacional. 2. ed. Rio de Janeiro:
Editora Rio, 1975. p. 280.
37. LOESCH, Cláudio; HEIN, Nelson. Pesquisa Operacional: Fundamentos e modelos.
Blumenal:Editora da FURB, 1999. 270 p.
38. CUKIERMAN, ZigmundoSalomao. O modelo PERT/COM aplicado a projectos:
panejamento para o futuro. 7. ed. Rio de Janeiro: Reichman&Affonso Editora, 2000. 216 p.
39. HAGUETTE, Teresa M. Frota. Metodologia Qualitativa da Sociologia. 2. ed. Rio de
Janeiro: vozes, 1990. 168 p.
40. HERNANDEZ Fernando. Transgressão e Mudança na Educação: os projectos de
trabalho. Tradução
Jussara Haubert Rodrigues. Porto Alegre: ArtMed, 1998.
41. HILLER, Frederick S; LIEBERMAN, Gerald J. Introdução à Pesquisa Operacional.
Tradução
42. Helena L. Lemos. 1. ed. Rio de Janeiro: Campus; São Paulo: Editora da Universidade de
São Paulo, 1988. 805 p. Tradução de: Introduction to Operations Research. Third edition.
43. LOESCH, Cláudio; HEIN, Nelson. Pesquisa Operacional: fundamentos e modelos.
Blumenau: Editora da FURBE, 1999. 270 p
44. MATOS, João Filipe (Coord.); CAREIRA Paula Susana; SANTOS, Madalena Pinto dos;
AMORIM, Isabel. Modelação Matemática. Lisboa: Universidade Aberta, 1995. 188 p.
45. MORGADO, Augusto C., WAGNER, Eduardo, ZANI. Sheila C. Progressão e Matemática
Financeira. Rio de Janeiro: Sociedade Brasileira de Matemática, 1993. 100 p. Colecção do
Professor de Matemática.
46. MOURA, Dacio Guimarães de, BARBOSA, F. Barbosa. Trabalhando com Projectos:
panejamento e gestão de projectos educacionais. Petropolis, RJ: Vozes, 2006. 246 p.
47. PRADO, Darci Santos do. Programação Linear. Belo Horizonte: INDG Tecnologia e
Serviços Ltda, 2003, 206 p, il.: (Serie Pesquisa Operacional v. 1).
48. STEFE, Rodrigo. Projectos Pedagógicos Interdisciplinares Utilizando Softwares de
Produtividades: uma experiencia no ensino fundamental. Dissertação (Mestrado
Integrado Profissional em Computacao) – Universidade Estadual do Ceara (UECE) e Centro
Federal de EducacaoTecnologica do Ceara (CEFET-CE). Ceara, 2006. 122 p.
49. STANGER, Luiz B. Nocoes Preliminares. Estabelecimento de um Programa de Pesquisa
ou de Producao. Tecnica para Montagem de uma Rede PERT. In: CPM-CPM: tecnica de
planejamento e controle. 1. ed. rev. Rio de Janeiro: Livros Tecnicos e Cientificos, 1976 (cap.
1, 2 e 3).
50. THIOLLENT, Michel. Metodologia da pesquisa-ação. 13. ed. São Paulo: Cortez, 2004.
(Colecção temas básicos de pesquisa-acao).
51. TRALDI JUNIOR, Armando. Sistema de Inequações do 1º. Grau: uma abordagem do
processo
Ensino -aprendizagem focando os registos de representações. Dissertação (Mestrado em
Educação Matemática) -Pontifícia Universidade Católica de São Paulo, São Paulo, 2002.
112 p. Impresso.
52. TRIVINOS, Augusto Nibaldo Silva. Introdução à Pesquisa em Ciências Sociais: a
pesquisa qualitativa em educacao. 1. ed. Sao Paulo: Atlas, 1928. 175 p.
53. SILVA, Carlos Alberto da. Uma metodologia para o ensino Operacional no Ensino
Técnico de Nível médio: Estudo de Caso na UNED- Imperatriz/MA. Dissertação (Mestrado
Integrado Profissional em Computação) – Universidade Estadual do Ceara (UECE) e Centro
Federal de Educação Tecnológica do Ceara (CEFET-CE). Ceara, Fevereiro/2009. 54. WEISS,
Neil; YOSELOFF, Mark. Matemática Finita. Tradução Roberto Angelo de Barros Padilha. Inc.
1975; Rio de Janeiro: Guanabara Dois: 1978. 584 p. Tradução de: FiniteMathematics.Worth
Publishers Inc.: New York.
REFERÊNCIAS DA WEB