Tema5 - Bases de Otimização Com o MS Excel

14/11/22, 09:40 Bases de Otimização com o MS Excel
Bases de Otimização com o MS Excel

Renata Albergaria de Mello Bandeira
false
Descrição A Pesquisa Operacional e a construção de modelos lineares utilizando o

método simplex, no MS Excel.
Propósito Conhecer a natureza da Pesquisa Operacional e dominar a solução de

https://stecine.azureedge.net/repositorio/00212ti/03824/index.html# 1/140
problemas de Programação Linear, por meio do método simplex ou pela

utilização de softwares, permitirá que você aplique a técnica de
modelagem ao processo de decisão de problemas complexos de
diversas origens, em especial, em sua atuação profissional.
Preparação Para este conteúdo, são necessários uma calculadora e um software

editor de planilhas eletrônicas com o add-in do solver habilitado.
Objetivos
Módulo 1 Módulo 2
Pesquisa Operacional Modelo de programação

linear
Descrever conceitos gerais de Pesquisa
Operacional e sua importância no processo
Descrever as principais características e
de tomada de decisão.
propriedades de um modelo de
Programação Linear.
Módulo 3 Módulo 4
Método simplex para a Solução de problemas de

resolução de problemas de programação linear
programação linear
Aplicar o solver para a solução de
problemas de Programação Linear.
Empregar o método simplex para a solução
de problemas de Programação Linear.
Introdução
É comum termos dificuldades para identificar a melhor solução quando nos
deparamos com um problema complexo. Afinal, são tantos os dados e
possíveis cenários que não conseguimos processar sozinhos tantas
informações. Esse tipo de situação é comum em nossas vidas pessoais e,
especialmente, nos negócios. Acabamos, nesses casos, tomando decisões
com base em opiniões, intuições ou em experiências passadas – nossas ou
mesmo de outras pessoas ou empresas. Sem dúvidas, esses caminhos são
importantes e devem ser sempre considerados no processo de tomada de
decisão. No entanto, em situações complexas, o desenvolvimento de

modelos pode ser uma poderosa ferramenta de auxílio à tomada de decisão.
Modelos são simplificações do objeto ou do problema de decisão que

representam. A grande vantagem em adotar um modelo para apoio ao
processo de tomada de decisão é a possibilidade de examinar diferentes
cenários, em geral, de forma mais rápida e barata do que se fosse analisado
na realidade. Entre os diversos tipos de modelo que podem ser utilizados,
destacam-se os modelos matemáticos, que adotam a lógica e a formulação
matemática para representar o problema estudado.
A Pesquisa Operacional (PO) é o campo do conhecimento que trata do

desenvolvimento de modelos matemáticos e algoritmos para auxiliar o
decisor na análise de problemas complexos. A PO se destaca por fornecer
uma ferramenta quantitativa para apoio ao processo de tomada de decisão
para problemas complexos.
No contexto da programação linear, que se aplica, por exemplo, no

planejamento de redes logísticas, há métodos, como o método gráfico, que
se restringem à solução de problemas com apenas duas ou no máximo três
variáveis de decisão. Como solucionar, então, problemas mais complexos,
com maior número de variáveis de decisão? Este é o assunto a ser tratado
neste tema. Além dos conceitos básicos de Pesquisa Operacional e
modelagem de problemas com equações lineares, abordaremos o método
simplex para a solução de problemas de programação linear e
aprenderemos a utilizar o solver do Excel para a solução desse tipo de
problema.
1 - Pesquisa Operacional
Ao final deste módulo, você será capaz de descrever conceitos gerais de Pesquisa Operacional e sua
importância no processo de tomada de decisão.
video_library Apresentação do tema

Neste vídeo você conhecerá o conceito de Pesquisa Operacional, sua origem e
as áreas de aplicação:
Pesquisa operacional
A Pesquisa Operacional (PO) é definida pela Sociedade Brasileira de Pesquisa
Operacional (SOBRAPO) 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.
SOBRAPO, 2021
A Pesquisa Operacional fornece ferramentas quantitativas ao processo de

tomada de decisões (PRADO, 2016). Dessa forma, a PO auxilia o decisor na
análise de variados aspectos e situações de um problema complexo, por meio
de uso de técnicas de modelagem matemática e eficientes algoritmos

computacionais. Isso permite a tomada de decisões efetivas e a construção de
sistemas mais produtivos (SOBRAPO, 2021).
O estudo da PO permite o domínio de diversas técnicas

relacionadas à programação e modelagem matemática.
Por meio desses conceitos e das ferramentas quantitativas, poderemos analisar

os mais variados tipos de problemas, e fornecendo dados e informações
concretos para auxiliar no processo de tomada de decisão.
Saiba mais
Sociedade Brasileira de Pesquisa Operacional
Fundada em 1969, a Sociedade Brasileira de Pesquisa Operacional (SOBRAPO)

reúne os profissionais de Pesquisa Operacional que atuam no País – em
universidades, na iniciativa privada e no setor público –, com o objetivo de
incentivar o desenvolvimento desse campo do conhecimento.
Além de organizar simpósios anuais, a SOBRAPO mantém as revistas Pesquisa

Operacional e Pesquisa Operacional para Desenvolvimento, buscando incentivar a
publicação sobre o tema.
Origem – Circo de Blacket

A PO teve seus primeiros casos de aplicação no meio militar, durante a Segunda

Guerra Mundial.
Na ocasião, foram formados grupos de cientistas de diferentes especialidades a

fim de oferecer apoio quantitativo aos comandantes das operações militares
inglesas e norte-americanas para a solução de complexos problemas de
natureza logística e de tática e estratégia militar (BELFIORE; FÁVERO, 2012).
Saiba mais
Entre os grupos formados, destacou-se o aquele liderado por Patrick Maynard
Stuart Blackett – o Barão de Blackett. A equipe do Barão de Blackett, composta
por membros de formações diversas – físicos, matemático, topógrafos,
astrofísicos e fisiólogos –, era conhecida como o Circo de Blackett. A equipe foi
responsável pela publicação de um dos primeiros artigos sobre Pesquisa
Operacional.
O artigo apresentava um modelo

matemático para analisar o emprego
dos meios antiaéreos das tropas
aliadas para fazer frente aos
bombardeiros alemães (Stuckas).
Outros problemas típicos abordados
na ocasião se referiam ao tamanho e
roteamento de comboios, ao
gerenciamento da produção e à
distribuição de armamentos e
munições, à coleta e distribuição de
correspondência, ao problema de
escala e à localização de radares, de
modo a maximizar as áreas de
cobertura.
Os bons resultados obtidos com a aplicação das técnicas de

Pesquisa Operacional durante a Segunda Guerra levaram à
disseminação desse conhecimento entre organizações de
diversas áreas após o fim do período de combate.
A partir de 1947, é crescente o interesse das indústrias na utilização das

técnicas desenvolvidas na área militar para auxiliar no planejamento e controle
da produção.
Atenção
A disseminação da Pesquisa Operacional na área de planejamento e controle,
no entanto, só foi possível devido aos avanços que ocorriam no campo da
informática. Tais avanços permitiram o advento de microcomputadores, bem
como o aumento da velocidade e de capacidade de processamento
computacional.
Aplicação da PO na análise de decisão

Empresas dos mais diversos setores, atualmente, empregam técnicas de
Pesquisa Operacional com intuito de tornar seu processo de tomada de decisão
mais eficiente e assertivo. Além do meio militar, a PO é aplicada em indústrias
de manufaturas, empresas de transporte, empresas de construção, de
telecomunicações, bancos, em assistência médica e até no serviço público.
Veja algumas empresas que utilizam a PO:
Petrobrás expand_more
A Petrobrás é uma empresa petroleira que possui diversos especialistas

em pesquisa operacional em seu quadro de funcionários. Esses
especialistas utilizam modelos matemáticos para analisar e criar

cenários para diferentes problemas de natureza complexa.
Entre os problemas resolvidos com auxílio da PO, podemos citar o

dimensionamento da frota e a roteirização de helicópteros para o
transporte de pessoal para as plataformas offshore, a previsão de
reservas de petróleo, a programação de operações em poços de petróleo,
a alocação de equipes em diversas atividades ou o gerenciamento da
distribuição de derivados de petróleo.
MRS Logística expand_more
A MRS Logística – operador ferroviário que atua na Malha Regional

Sudeste da antiga Rede Ferroviária Federal S.A. – também é um exemplo
de empresa brasileira que adota diferentes técnicas de pesquisa
operacional para apoiar seus diferentes processos de tomada de decisão.
A MRS possui especialistas em diversas técnicas de PO que utilizam seu

conhecimento para apoiar a solução de problemas complexos. Entre
esses problemas, estão a alocação eficiente da tripulação nos trens, a
alocação de locomotivas e vagões nas diferentes composições de trens,
a programação de manutenção preventiva de seus ativos, ou o processo
de planejamento e programação do transporte ferroviário de carga.
Consultoria especializada expand_more
Existem empresas de consultoria especializadas em Pesquisa

Operacional, que fornecem seus serviços para auxiliar outras
organizações na solução em seus processos de tomada de decisão. Tais
empresas utilizam conceitos das diversas áreas da PO – como
programação matemática, simulação ou Inteligência Computacional –
para modelar os problemas de seus clientes.
As empresas conseguem, com isso, rodar diversas análises, fornecendo

dados aos seus clientes sobre como o evento em estudo se comportaria
em diversos cenários, sujeito a alterações dos parâmetros.
Problemas do cotidiano
É evidente a importância da Pesquisa Operacional na análise de decisão, em
especial no ambiente gerencial. No entanto, as técnicas de pesquisa operacional
também podem auxiliar a tomar decisões no seu dia a dia.
Exemplo
Vamos supor que você queira comprar seu primeiro carro. Para isso, tem
economizado a remuneração que recebe no estágio e deseja selecionar
investimentos para obter o melhor rendimento possível. Nesse caso, o

planejamento financeiro pode ser modelado por um modelo matemático que
auxiliará a maximizar os seus rendimentos.
O planejamento financeiro é apenas um exemplo de como você pode aplicar

conceitos de PO em sua vida cotidiana.
Ao aplicar conceitos de PO para a

solução de um problema,
desenvolvemos um modelo
matemático para representar o
fenômeno estudado. Dessa forma,
conseguimos analisar diversos
cenários e ter estimativas baseadas
em uma análise quantitativa.
As decisões, portanto, não serão

tomadas apenas com base em
opiniões, intuições ou experiências
passadas de outras pessoas ou
empresas. Ao modelar um problema,
temos um processo decisório mais
criterioso e com menos incertezas.
Modelo
"Um modelo é uma representação abstrata

e simplificada de um sistema real, com o
qual se pode explicar, reproduzir, simular
ou testar seu comportamento, no todo ou
em partes".
COUGO, 1997
Um mapa é um modelo, assim como uma maquete que o arquiteto utiliza para
que seus clientes consigam ter noção da visão espacial, em 3D, do projeto
desenvolvido. Uma formulação matemática usada para expressar um fenômeno
físico também é um modelo.
É importante ter em mente que os modelos são versões

simplificadas do objeto ou problema de decisão que
representam.
Entretanto, para que seja válido, o modelo precisa representar, de forma precisa,
as características relevantes do objeto ou problema de decisão estudado. Afinal,
espera-se que o modelo melhore os processos de tomada de decisão ao ser
implementado.
Atenção
A modelagem permite explicitar objetivos, bem como a possibilidade de ganhar
conhecimento e entendimento sobre o problema investigado. Além disso, a
implantação de um modelo quantifica as decisões, permitindo a análise de
cenários que seriam impossíveis de serem analisados na realidade. Outra
vantagem da construção de modelos é a economia de recursos e de tempo.
Na PO, modelamos os problemas matematicamente e, a partir do modelo obtido,

usamos algoritmos para encontrar soluções para diferentes cenários do
problema a ser analisado. Podemos utilizar diferentes tipos de modelos, como

veremos a seguir nesta aula.
Os diferentes tipos de modelo nos levam a adotar diferentes técnicas de PO,

como Programação Linear, Programação Não Linear, Teoria das Filas,
Simulação, Inteligência Computacional e Teoria dos Jogos. Nesta aula, vamos
conhecer os modelos de Programação Linear.
Veja o posicionamento da Associação Brasileira de Pesquisa Operacional

(ABEPRO) sobre Disciplinas da pesquisa Operacional:
Disciplinas da pesquisa operacional expand_more
Disciplinas da Pesquisa Operacional
A Associação Brasileira de Pesquisa Operacional (ABEPRO) é a

instituição representativa de docentes, discentes e profissionais de
Engenharia de Produção no País. Em 2017, a ABEPRO organizou as áreas
do conhecimento relacionadas à Engenharia de Produção, tanto na
graduação quanto na Pós-Graduação, na pesquisa e nas atividades
profissionais.
A Pesquisa Operacional, por ser uma importante área do conhecimento

para a Engenharia de Produção, foi incluída na organização da ABEPRO.
De acordo com o documento da ABEPRO, a PO envolve resolução de

problemas reais, envolvendo situações de tomada de decisão, por meio
de modelos matemáticos processados computacionalmente. Aplica
conceitos e métodos de outras disciplinas científicas na concepção, no
planejamento ou na operação de sistemas para atingir seus objetivos.
Procura, assim, introduzir elementos de objetividade e racionalidade nos
processos de tomada de decisão, sem descuidar dos elementos
subjetivos e de enquadramento organizacional que caracterizam os
problemas.
O documento ainda organiza as principais disciplinas de PO em:
1. Modelagem, Simulação e Otimização
2. Programação Matemática
3. Processos Decisórios
4. Processos Estocásticos
5. Teoria dos Jogos
6. Análise de Demanda
7. Inteligência Computacional
O foco deste tema é a Programação Matemática.
Modelos matemáticos
Ragsdale (2009) define um modelo matemático como:
Conjunto de relacionamentos matemáticos e

suposições lógicas, geralmente implementados em
um computador, como representação de algum
problema ou fenômeno de decisão do mundo real.
O modelo matemático usa a lógica e a formulação matemática para obter uma

representação do problema ou do evento a ser analisado e, a partir de então,
analisar, desenvolver cenários e obter soluções para a situação modelada.
O uso de modelos matemáticos é mais barato do que replicar

a estrutura real, além de permitir testar todas as possíveis
soluções para diferentes cenários (RODRIGUES et al., 2014).
Composição
Um modelo matemático em pesquisa operacional é composto, basicamente,
por variáveis de decisão, funções objetivo e restrições. O modelo de otimização
busca os valores das variáveis de decisão que otimizam – maximizam ou
minimizam – a função objetivo, ao mesmo tempo em que atendem às restrições
às quais o problema é submetido. Vejamos alguns exemplos:
Função objetivo - Sujeito a restrições

maximizar ou minimizar Disponibilidade de matérias-primas, de
Maximizar lucro de uma empresa mão de obra etc.
Por exemplo, para aplicar o dinheiro que você conseguiu economizar com a
remuneração de seu estágio, você vai ao banco verificar as diferentes opções
de investimento disponíveis.
Nesse problema, você deseja maximizar seu rendimento – função objetivo. Os

recursos que você aplicará em cada opção de investimento são as variáveis de
decisão. Além disso, você está sujeito às restrições relativas ao total de recurso
disponíveis e às exigências do banco para que sejam realizadas as diferentes
aplicações.
Classificação
Os modelos matemáticos de otimização, segundo Winston (2004), podem ser
classificados em:
Modelos estáticos ou dinâmicos expand_more
As variáveis de decisões nos modelos estáticos não envolvem

sequências de decisões em múltiplos períodos de tempo, ao contrário do
que ocorre em modelos dinâmicos.
Em outras palavras, em um modelo estático, analisamos o problema em

um único intervalo de tempo. Já em um modelo dinâmico, analisamos o
problema ao longo do tempo.
Modelos lineares ou não lineares expand_more
Quando as funções objetivo e restrições envolvem apenas equações

lineares, temos um modelo linear. Quando a função objetivo ou alguma
restrição é função polinomial ou de qualquer outro tipo, temos modelos
não lineares.
A solução de modelos não lineares é mais complexa do que a de

modelos lineares.
Modelos inteiros ou não inteiros expand_more
Quando todas as variáveis de decisão estão livres para assumir valores

fracionais, temos um modelo não inteiro. No entanto, se uma ou mais
variáveis de decisão adotadas no modelo matemático necessitam ser
inteiras, temos um modelo inteiro.
Modelos determinísticos ou estocásticos expand_more
Os componentes são definidos a priori, ou seja, sem aleatoriedade. No

entanto, quando os elementos apresentam probabilidade de ocorrência –
ou seja, há aleatoriedade –, temos um modelo estocástico.
Neste conteúdo, abordaremos apenas os modelos determinísticos.
Fases de um estudo de pesquisa

operacional
Winston (2004) propõe um procedimento composto por sete passos para o
desenvolvimento de modelos matemáticos em estudos de pesquisa operacional,
conforme apresentado na imagem abaixo:
Procedimento para desenvolvimento de modelos matemáticos em estudos de pesquisa operacional.
Formulação do problema expand_more
O passo inicial do procedimento proposto por Winston (2004) consiste

em entender e definir o problema a ser analisado. Para tanto, é preciso
identificar os objetivos e processos organizacionais que precisam ser
estudados antes de resolver o problema. De tal forma, é fundamental

ouvir aquele que lida com o problema.
A comunicação com o cliente, nesse momento, é indispensável para

entender a situação real a ser modelada. No exemplo da seleção dos
investimentos a serem realizados com a remuneração de seu estágio, o
problema consiste em maximizar os rendimentos de suas aplicações
financeiras.
Observação do sistema expand_more
É necessário, em seguida, observar o sistema para descobrir o que deve

ser determinado – as variáveis do problema – e aquilo que está
disponível – os dados do problema. Nessa etapa, devem ser coletados os
dados necessários para estimar os valores das variáveis e os parâmetros
que afetam o problema analisado. Tais estimativas são adotadas no
desenvolvimento do modelo (passo 3) e em sua análise (passo 4).
É nesse momento que coletamos os dados para nossos parâmetros e as

variáveis de entrada. É importante ressaltar a importância do processo de
coleta de dados, pois a qualidade dos dados de entrada é fundamental
para a qualidade dos resultados obtidos pelo modelo.
No exemplo da seleção dos investimentos a serem realizados com a

remuneração de seu estágio, é preciso que você conheça as taxas de
administração do banco, o rendimento de cada opção de investimento e

o valor mínimo que deve ser aplicado em cada opção.
Formulação do modelo matemático expand_more
O modelo matemático é desenvolvido nessa etapa, com a identificação

das variáveis de decisão, sua função objetivo e suas restrições. Ao longo
desta aula, desenvolveremos a formulação de vários modelos
matemáticos para a solução de problemas.
Verificação do modelo matemático e uso para predição expand_more
Após o desenvolvimento do modelo matemático, é necessário se

certificar de que o modelo é válido e representa a realidade de forma
fidedigna. Deve-se ter em mente que não basta aplicar cegamente o
modelo desenvolvido.
Caso ocorram modificações na situação real que está sendo analisada, é

necessário que tais modificações possam ser incorporadas no modelo.
No exemplo da seleção dos investimentos, novas opções de investimento
poderiam ser oferecidas pelo banco, e você deve poder incorporá-las em
sua análise.
Seleção da melhor alternativa expand_more
Este é o momento de selecionar a alternativa – ou as alternativas, afinal,

podemos ter mais de uma solução ótima – que otimiza a função objetivo
do problema analisado.
Apresentação dos resultados e conclusão expand_more
As melhores alternativas e os diferentes cenários devem ser

apresentados ao decisor, para que ele tenha todas as informações
necessárias para uma tomada de decisão mais assertiva. Nesse
momento, pode ser que o decisor não esteja contente com os resultados
apresentados.
Isso pode ocorrer em função de alguma definição incorreta do problema

analisado, devido a problemas na etapa de formulação do problema –
etapa 1 –, ou mesmo à falha por parte do modelador em envolver o
decisor no projeto desde o início. Desse modo, pode ser necessário
retornar para os passos 1, 2 ou 3.
Implantação e análise das recomendações expand_more
O sistema deve ser constantemente monitorado, e qualquer alteração

deve ser incorporada ao modelo, de modo que as recomendações
permitam que a organização atinja seus objetivos.
Falta pouco para atingir seus objetivos.
Vamos praticar alguns conceitos?
Questão 1
A modelagem matemática consiste na arte (ou tentativa) de descrever um

fenômeno pela representação de sistemas, a fim de prever o comportamento
deles ou propor soluções não previstas. Com relação ao processo de
modelagem matemática em Pesquisa Operacional, assinale a alternativa
INCORRETA.
Fonte: questão adaptada do Concurso da Fundação o de Desenvolvimento da
Pesquisa – UFMG (FUNDEP) para Indústrias Nucleares do Brasil (INB) 2018

para o cargo de Engenheiro de Produção.
A qualidade da solução do modelo depende da qualidade dos

A
dados de entrada no modelo.
Modelos matemáticos são objetos abstratos que procuram

B
representar as principais características de um objeto real.
Modelos matemáticos podem ser classificados como

C estáticos ou dinâmicos em função de como a variação do
tempo é considerada no processo de modelagem.
Uma das vantagens relacionadas à modelagem matemática é

a possibilidade testar todas as possíveis soluções para
D
diferentes cenários, geralmente, a um custo reduzido e em
menor intervalo de tempo.
Todas as variáveis de decisão devem ser inteiras para que um

E
modelo matemático seja considerado inteiro.
Parabéns! A alternativa E está correta.
Basta que apenas uma variável de decisão seja inteira para termos um
modelo inteiro. Todas as variáveis de decisão precisam estar livres para
assumir valores fracionais para o modelo ser não inteiro.
Questão 2
A qualidade da solução de um modelo matemático depende da qualidade dos

dados de entrada no modelo. Para o desenvolvimento de modelos
matemáticos em estudos de Pesquisa Operacional, o processo de coleta de
dados ocorre no seguinte passo:
A Formulação do problema
B Observação do sistema
C Formulação do modelo matemático
D Verificação do modelo matemático e uso para predição
E Seleção da melhor alternativa
Parabéns! A alternativa B está correta.
Após a formulação do problema, os dados necessários devem ser coletados,

na fase de observação do sistema, para que sejam estimados os valores das
variáveis e os parâmetros a serem adotados na modelagem do problema
analisado. Tais estimativas são adotadas no desenvolvimento do modelo
(passo 3) e em sua análise (passo 4).
2 - Modelo de programação linear

Ao final deste módulo, você será capaz de descrever as principais características e propriedades de
um modelo de Programação Linear.
Programação linear
A Programação Matemática – geralmente chamada de otimização –, pode ser
definida como:
Um campo da ciência de gerenciamento

que encontra a maneira ideal ou mais
eficiente de usar recursos limitados para
atingir os objetivos de um indivíduo ou de

uma empresa.
RASGADALE, 2009
A Programação Linear, por sua vez, é uma das técnicas mais difundidas de
otimização, e sua aplicação é indicada para a solução de problemas de
otimização que podem ser modelados por meio de equações lineares.
Saiba mais
A Programação Linear vem sendo aplicada em problemas de indústrias de

diferentes setores, como bancos, petroleiras, empresas de educação ou em
operadores de transportes. Empresas como a Fedex e a Amazon, por exemplo,
utilizam essas técnicas para programar as rotas e determinar o caminho mínimo
na gestão de suas cadeias de distribuição.
No processo de modelagem, é preciso entender as características do problema a

fim de traduzi-las para uma linguagem matemática. No caso específico da
Programação Linear, essa “tradução” ocorre por meio do desenvolvimento de
uma série de equações lineares, que representam as características do problema
analisado.
Atenção
A Programação Linear, em suma, é uma técnica de solução de problemas que

visa determinar o máximo ou o mínimo de uma função linear cujas variáveis
estão sujeitas a um conjunto de restrições representadas por um sistema de
equações ou inequações lineares.
Características
As principais características de problemas de Programação Linear são:
1. Todas as equações são da forma linear, ou seja:
a1 x1 + a2 x2 + … + am xm = an
2. Há sempre um objetivo a ser otimizado – maximizado ou minimizado.

Isso significa que há sempre a busca pela melhor solução entre várias
alternativas. Apenas um objetivo pode ser otimizado por vez, sendo
representado pela função objetivo.
3. No problema, há fatores controláveis que serão analisados,

verificando-se os valores desses fatores que levam ao melhor
resultado para otimizar o objetivo. Tais fatores controláveis são as
variáveis de decisão (x1, x2, ..., xm). A função objetivo é escrita em
termos das variáveis de decisão.
4. No problema, há fatores não controláveis que influenciam os

resultados encontrados para as variáveis de decisão. Esses fatores
não controláveis são os parâmetros (a1, a2, ..., am).
Elementos
Um modelo de Programação Linear apresenta elementos principais – as
variáveis de decisão, os parâmetros, a função objetivo e o conjunto de restrição.
A seguir, vejamos cada um deles.
Variáveis de decisão Parâmetros

São os fatores controláveis do São os fatores não controláveis do
problema a ser analisado. Trata-se, problema a ser analisado, ou seja, os
portanto, das incógnitas a serem dados de entrada que devem ser
definidas na solução do problema de coletados antes da etapa de
otimização. Podemos citar como modelagem do problema. Os
exemplo a quantidade de um produto parâmetros influenciam diretamente
a ser transportado da origem i para o os valores obtidos para a solução
destino j, xij, sendo x a quantidade do ótima do problema de otimização.
produto a ser transportado de i para j.
Como exemplo, podemos citar o custo
de transportar uma unidade de um
produto por quilômetro, cij. Nesse
caso, c corresponde ao custo por

quilômetro percorrido no transporte de
um determinado produto de i para j –
R$/km.
Função objetivo Restrições

É a expressão matemática do objetivo É um conjunto de equações lineares
a ser maximizado ou minimizado na que traduzem o limite físico à solução
situação analisada. Por exemplo, do problema, ou seja, são os
pode-se desejar minimizar o custo limitantes dos valores das variáveis de
total do transporte de um produto de n decisão. Por exemplo, a quantidade
origens i para m possíveis destinos j. total de um produto que pode ser
Dessa forma, a função objetivo seria transportado da origem i para o
n m
Min Custo= ∑ i=1 ∑ j=1 c ij x ij destino j não pode ser infinita.
Esse total é limitado pela

disponibilidade de produtos na origem
i. Desse modo, temos que
m
∑
j=1
¯
x ij ≤ Si, ∨i , sendo Si a
disponibilidade de produto na origem i
Representação
Podemos representar um modelo de Programação Linear da seguinte forma:
Otimizar: z = f (x 1 , x 2 , … , x n )
sujeito a : g 1 (x 1 , x 2 , … , x n ) ⎫
á
Os valores das vari veis de decis o ã
g 2 (x 1 , x 2 , … , x n )
⎬ devem satisf azer um
………………
⎭ conjunto de restri ções.
g m (x 1 , x 2 , … , x n )
Onde as funções são lineares.
Passo a passo para a construção de um

modelo de programação linear
Uma vez compreendidas as principais características e os principais elementos
de problemas de Programação Linear, podemos passar para a construção de
modelos matemáticos de Programação Linear.
No processo de modelagem, devemos transformar a

linguagem do problema em uma linguagem matemática. Para
isso, devemos começar definindo as variáveis de decisão e,
posteriormente, a função objetivo e as restrições.
Sugerimos que seja seguida uma sequência de três passos para a modelagem
de um problema de Programação Linear, conforme apresentado na imagem a
seguir:
Procedimento para desenvolvimento de modelos de Programação Linear.
Identificação das variáveis de decisão expand_more
O passo inicial do procedimento proposto consiste em identificar as

variáveis desconhecidas a serem determinadas – variáveis de decisão.
Identificação da função objetivo expand_more
Nessa etapa, deve-se identificar o objetivo a ser atingido e representá-lo

como uma função linear das variáveis de decisão. Conforme Rodrigues et
al. (2014) orientam, essa etapa é explicitada no enunciado do problema,
bastando uma leitura atenta do texto.
Deve-se prestar especial atenção a alguns sinalizadores, como:
Deseja-se minimizar o custo total de transporte – minimização.
Deseja-se maximizar o lucro da empresa. - maximização.
Identificação do conjunto de restrições expand_more
Nessa etapa, devem ser listadas todas as restrições do problema, sendo

expressas como equações (=) ou inequações lineares (>,<) em termos
das variáveis de decisão. Tal como na identificação da função objetivo,
uma leitura atenta do enunciado é a melhor forma de identificar os
limitantes à função objetivo.
Segundo Rodrigues et al. (2014), deve-se dar especial atenção a

passagens do problema em que aparecem expressões como:
A quantidade transportada não poderá ultrapassar (...)
A quantidade recebida não poderá ser menor do que (...)
O máximo de horas disponíveis é (...), entre outras.
video_library Programação linear

No vídeo a seguir você conhecerá o conceito de Programação Linear, os
principais elementos de um modelo de Programação Linear e os passos para a
construção desse tipo de modelo:
Aplicação do passo a passo para a

construção de um modelo de
Agora, iremos revisar os conceitos de Programação Linear estudados até aqui a
partir de um exemplo. Com isso, serão reforçados os elementos e as principais
características de um problema de Programação Linear por meio da construção
de um modelo. Para isso, seguiremos os passos apresentados previamente.
Exemplo
A Fitwear S/A é uma confecção de roupas esportivas e tem uma linha fitness
feminina. Essa linha produz roupas de ginástica exclusivas para mulheres, como
tops e calças de lycra.
Cada top de ginástica é vendido por R$ 80,00 e utiliza R$ 20,00 de matéria-prima,

como tecido e alinhamentos, e R$ 32,00 com mão de obra. Além disso, são
demandados 30 minutos de corte e 15 minutos de costura para a confecção de
um top de ginástica.
Cada calça de ginástica é vendida por R$ 120,00 e utiliza R$ 35,00 de matéria-

prima, como tecido e alinhamentos, e R$ 40,00 de mão de obra. São
demandados 15 minutos de corte e 30 minutos de costura para a confecção de
uma calça de ginástica.
A Fitwear só pode contar com 100 horas de corte por semana e 160 horas de
costura. A confecção não tem problemas no fornecimento de matérias-primas,
de modo que o seu suprimento pode ser considerado ilimitado assim como a
demanda semanal de seus produtos.
A Fitwear deseja planejar sua produção semanal de modo a maximizar seus

lucros.
Vamos usar, a seguir, os passos do procedimento proposto para construção do

modelo de Programação Linear para o caso da Fitwear S/A.
Identificação das variáveis de decisão
As variáveis de decisão devem descrever completamente as decisões a serem

tomadas. No caso da Fitwear, a empresa deve decidir os produtos a serem
confeccionados. Com isso, a definição da Variável de Decisão seria:
xi – quantidade de produto i confeccionada
Desse modo, temos:

x1 = Número de tops de ginástica confeccionados a cada
semana.
x2 = Número de calças de ginástica confeccionadas a cada

semana.
Identificação da função objetivo

Em qualquer problema de Programação Linear, o analista sempre deseja
maximizar ou minimizar alguma função das variáveis de decisão. No enunciado
do problema, devemos procurar pelo propósito que se procura atingir. Dessa
forma, saberemos o que deve ser maximizado ou minimizado a fim de
definirmos a função objetivo.
No caso da Fitwear, a empresa deseja maximizar seu lucro semanal:
A Fitwear deseja planejar sua produção semanal de modo a

maximizar seus lucros.
Atenção
Lucro semanal = lucro semanal oriundo da venda de tops + lucro semanal

oriundo da venda de calças.
Precisamos, portanto, determinar o ganho semanal obtido com a venda dos

produtos e subtrair destes os gastos semanais com matéria-prima e mão de
obra. Vejamos:
Ganho semanal da venda de tops e calças

Cada top é vendido por R$ 80,00, e cada calça é vendida por R$ 120,00. Logo, o
ganho semanal é igual a 80x1 + 120x2.
Observe que também devemos considerar os custos. Vejamos:
Gasto semanal com Gasto semanal com mão

matéria-prima de obra
Cada top utiliza R$ 20,00 em matéria- Para confeccionar cada top, gasta-se
prima, e cada calça utiliza R$ 35,00. R$ 32,00 em mão de obra. Para cada
calça, gasta-se R$ 40,00. Logo, o
Logo, o gasto semanal com matéria-
gasto semanal com mão de obra é
prima é igual a 20x1 + 35x2.
igual a 32x1 + 40x2.
Desse modo, para determinar a função objetivo, tem-se:
(+) Ganho semanal com vendas: (80x1 + 120x2)

(-) Custo de matéria-prima: – (20x1 + 35x2)
(-) Custo de mão de obra: – (32x1 + 40x2)

(80x1 + 120x2) – (20x1 + 35x2) – (32x1 + 40x2) = 28x1 + 40x2
A função objetivo, portanto, é
Os coeficientes da função objetivo indicam a contribuição de cada variável nos

lucros da Fitwear.
Identificação do conjunto de restrições
Observa-se que os valores dos coeficientes da função objetivo para o problema

de Programação Linear do caso da Fitwear são positivos, e este é um problema
de maximização. Desse modo, à medida que x1 e x2 crescem, o valor da função
objetivo aumenta. No entanto, x1 e x2 não podem crescem indefinidamente, pois
existem as restrições.
Comentário
No caso do problema da Fitwear, foram consideradas ilimitadas a demanda por

seus produtos e a oferta de matéria-prima, de modo que não entram como
restrições no modelo matemático.
Existem, no entanto, duas restrições relacionadas ao tempo disponível para corte

e ao tempo disponível para a costura.
Essas restrições devem ser definidas em termos das variáveis de decisão x1 e

x2. Com isso, temos:
Restrição 1: 100 horas de corte por semana. expand_more
Cada top de ginástica requer 30 minutos de corte, e cada calça de

ginástica requer 15 minutos de corte para sua confecção. Além disso, a
Fitwear só pode contar com 100 horas de corte por semana.
(total de horas de corte/semana) = (0,5x1 + 0,25x2)
Logo, a restrição 1 é dada por: 0,5x1 + 0,25x2 ≤ 100.
Restrição 2: 160 horas de costura por semana. expand_more
Cada top de ginástica requer 15 minutos de costura, e cada calça de

ginástica requer 30 minutos de costura para sua confecção.
Além disso, a Fitwear só pode contar com 160 horas de corte por
semana.
(total de horas de costura/semana) = (horas de costura/top) * (tops

produzidos/semana) + (horas de costura/calça) * (calças
produzidas/semana)
(total de horas de corte/semana) = (0,25x1 + 0,5x2)
Logo, a restrição 2 é dada por: 0,25x1 + 0,5x2 ≤ 160.
Restrição 3: restrição de não negatividade das variáveis de

decisão. expand_more
Há ainda a restrição de não negatividade das variáveis de decisão, uma

vez que não se pode produzir um número negativo de calças e tops de
ginástica.
Logo, a restrição 3 é dada por: x1, x2 ≥ 0.
Após seguirmos os passos indicados para a construção de um modelo de

Programação Linear, temos a formulação matemática para o problema da
Fitwear S/A, conforme apresentado a seguir:
M áxZ = 28x 1 + 40x 2
Devemos considerar que o modelo está sujeito a:
0,5x1 + 0,25x2 ≤ 100 🠮 restrição de horas de corte
0,25x1 + 0,5x2 ≤ 160 🠮 restrição de horas de costura
x1, x2 ≥ 0 🠮 restrição de não negatividade das variáveis de decisão
Questão 1
Entre os principais elementos de um modelo de programação linear, os

fatores não controláveis do problema a ser analisado, ou seja, os dados de
entrada que devem ser coletados previamente a etapa de modelagem do
problema, são denominados:
A Variáveis de decisão
B Variáveis condicionantes
C Parâmetros
D Função objetivo
E Restrições
Parabéns! A alternativa C está correta.
Os principais elementos de um modelo de programação linear são as

variáveis de decisão, os parâmetros, a função objetivo e o conjunto de
restrição.
As variáveis de decisão são os fatores controláveis do problema a ser

analisado, ou seja, são as incógnitas a serem definidas na solução do
problema de otimização. Os parâmetros são os fatores não controláveis do
problema a ser analisado, ou seja, são os dados de entrada que devem ser
coletados previamente à etapa de modelagem do problema.
É importante ressaltar que os parâmetros influenciam diretamente os valores

obtidos para a solução ótima do problema de otimização.
Questão 2
Um sapateiro conserta 3 sapatos por hora, se somente consertar sapatos.

Para fazer um par de sapatos novos, o sapateiro leva 2 horas, se fizer
somente sapatos. Ele gasta 4 unidades de couro para fabricar um par de

sapatos. Para consertar uma unidade de sapato, ele gasta uma unidade de
couro.
Sabe-se que o total disponível de couro é de 12 unidades e que o sapateiro

trabalha 10 horas por dia. O lucro unitário por par de sapatos é de 8 unidades
monetárias e o do conserto de uma unidade de sapato é de 2 unidades
monetárias. O sapateiro deseja planejar seu sistema de produção diário de
modo a maximizar seu lucro por hora.
Pedido 1 – A função objetivo do problema é:
Max Z = x1 + 2x2, sendo x1 a unidade de sapato consertada e

A
x2 a unidade de sapato fabricada.
Max Z = 2x1 + 8x2, sendo x1 a unidade de sapato consertada e

B
Max Z = 2x1 + 8x2, sendo x1 a unidade de sapato fabricada e

C
x2 a unidade de sapato consertada.
Max Z = 2x1 + 4x2, sendo x1 a unidade de sapato consertada e

D
Max Z = 2x1 + 4x2, sendo x1 a unidade de sapato fabricada e

E
x2 a unidade de sapato consertada.
Parabéns! A alternativa D está correta.
Para modelar o problema, o primeiro passo é definir as variáveis de decisão,

que, no caso, são:
x1: unidade de sapato consertada.

x2: unidade de sapato fabricada.
O lucro por unidade de sapato fabricada é de 4,00 unidades monetárias (8,00

pelo par). O lucro por unidade de sapato consertado é de 2,00 unidades
monetárias. Logo, a função objetivo é: Max Z = 2x1 + 4x2.
Questão 3
Pedido 2 – A restrição em referente à disponibilidade de couro é:
x1 + 2x2 ≤ 12, sendo x1 a unidade de sapato consertada e x2 a

A
unidade de sapato fabricada.
x1 + 2x2 ≤ 12, sendo x1 a unidade de sapato fabricada e x2 a

B
unidade de sapato consertada.
x1 + 4x2 ≤ 12, sendo x1 a unidade de sapato consertada e x2 a

C
x1 + 4x2 ≤ 12, sendo x1 a unidade de sapato fabricada e x2 a

D
unidade de sapato consertada.
3x1 + x2 ≤ 12, sendo x1 a unidade de sapato consertada e x2 a

E
Parabéns! A alternativa A está correta.
Para modelar o problema, o primeiro passo é definir as variáveis de decisão.

Nesse caso, as variáveis de decisão são:

O sapateiro tem disponível um total de 12 unidades de couro, de modo que a

restrição será uma inequação do tipo ≤.
O sapateiro gasta uma unidade de couro para consertar uma unidade de

sapato e 4 unidades de couro para fabricar um par de sapatos. Com isso,
para fabricar uma unidade de sapato, o sapateiro precisa de 2 unidades de
couro. Podemos afirmar, portanto, que a restrição referente à disponibilidade
de couro para a produção ou conserto de sapatos é x1 + 2x2 ≤ 12.
Questão 4
Pedido 3 – A restrição referente às horas trabalhadas é:
3x 1 + x 2 ≤ 10 , sendo x1 a unidade de sapato consertada e

A
https://stecine.azureedge.net/repositorio/00212ti/03824/index.html# id d d t f bi d 54/140
3x 1 + 2x 2 ≤ 10 , sendo x1 a unidade de sapato consertada e

B
x1
3
+ x 2 ≤ 10 , sendo x1 a unidade de sapato consertada e
C
x1
3
+ 2x 2 ≤ 10 , sendo x1 a unidade de sapato consertada e
D
3x 1 + x 2 ≥ 10 , sendo x1 a unidade de sapato consertada e

E
Parabéns! A alternativa C está correta.
Para modelar o problema, o primeiro passo é definir as variáveis de decisão,

que são:

A jornada diária do sapateiro é de 10 horas. Logo, ele trabalha um total de 10

horas diárias, no máximo, e podemos concluir que a restrição será uma
inequação do tipo ≤.
O sapateiro conserta 3 sapatos por hora, se somente consertar sapatos.

Logo, ele leva 20 minutos (1/3 da hora) para consertar cada unidade de
sapato. O sapateiro leva 2 horas para fazer um par de sapatos novos. Desse
modo, ele fabrica uma unidade de sapato por hora, levando 1 hora para
fabricar cada unidade de sapato.
Podemos afirmar, portanto, que a restrição referente às horas trabalhadas

para a produção ou o conserto de sapatos é
x1
+ x 2 ≤ 10
3
3 - Método simplex para a resolução de problemas de

Ao final deste módulo, você será capaz de empregar o método simplex para a resolução de problemas
de programação linear
video_library Apresentação do tema

O vídeo aborda o método simplex e sua importância para a resolução de
problemas.
O método simplex para a solução de

modelos de programação linear
Podemos resolver, de forma simples, problemas de programação linear com
duas variáveis de decisão por meio do método gráfico. Entretanto, são poucos
os problemas de programação linear no mundo real que envolvem apenas duas
variáveis de decisão, de modo que a aplicação do método gráfico é bastante
limitada.
Então, como fazemos para solucionar problemas

mais complexos, com um maior número de variáveis
de decisão?
Existe uma série de técnicas matemáticas para resolver problemas de

programação linear com qualquer número de variáveis sem a necessidade de
visualizar em gráficos as regiões viáveis. Dentre tais técnicas, destaca-se o
algoritmo simplex, que foi o primeiro método desenvolvido para resolver
problemas de programação linear.
O algoritmo simplex foi desenvolvido por George B. Dantzig, em 1947, enquanto

trabalhava como consultor em matemática para o controle da Força Aérea norte-
americana. O método simplex é específico para a solução de problemas de
otimização linear (equações ou inequações lineares). Trata-se de um algoritmo
eficiente que se baseia na solução sucessiva de sistemas de equações
indeterminados, em que sistemas adjacentes são avaliados de forma iterativa,
sendo, assim, adaptável ao cálculo computacional. Na época, os computadores
estavam começando a surgir, e a resolução desse tipo de problema se tornava
importante na prática!
O simplex é considerado uma das grandes contribuições à

programação matemática.
Antes de estudarmos o algoritmo simplex, é importante entendermos o conceito

do simplex e recordarmos alguns pontos sobre a solução de problemas de
programação linear com duas variáveis de decisão por meio do método gráfico.
O que é um simplex?
Um simplex é um polígono convexo, ou seja, com propriedade especial: uma reta
que passe por quaisquer dois pontos pertencentes a um simplex deve estar
contida inteiramente dentro do simplex. Logo, na figura a seguir, observa-se que
o polígono representado em (a) não é convexo, enquanto o ilustrado em (b) é um
simplex.
Polígono não convexo e polígono simplex.
As restrições de um problema de programação linear sempre definem

hiperespaços convexos. Esta é a premissa do algoritmo simplex e de boa parte
da teoria de otimização convexa. Assim, o espaço de soluções de um problema
de programação linear, ou seja, a área formada pela intersecção das restrições
do problema, é uma forma geométrica simplex.
Método gráfico
Para encontrar a solução ótima pelo método gráfico, precisamos seguir os
seguintes passos:
keyboard_double_arrow_down Desenhe as retas correspondentes às restrições

do problema e encontre o espaço de soluções.
keyboard_double_arrow_down Desenhe o vetor z (função objetivo).
keyboard_double_arrow_down Desenhe linhas ortogonais ao vetor z. Essas são

as linhas de isocusto, isto é, são as retas que têm
o mesmo valor de z.
keyboard_double_arrow_down Calcule o valor de z no ponto ótimo, ou seja, a

linha de isocusto com maior z que ainda pertence
ao espaço de soluções.
Em um caso bidimensional, o espaço de soluções viáveis é um plano, e a função

objetivo é representada por um vetor. Assim, por meio do método gráfico,
buscamos a reta (x2 = z — ax1) perpendicular ao vetor da função objetivo com o
maior (ou menor) possível dentro do espaço de soluções. Como o espaço de
soluções é simplex, a reta x2 = z — ax1 para z ótimo que corta o plano,
obrigatoriamente, corta as retas de restrições. Ainda, como nos pontos de
interseção (vértices) temos mudança de inclinação (retas diferentes), garante-se
que a solução ótima se dá na interseção entre retas de restrições (nos vértices),
de modo que o algoritmo simplex analisa apenas os pontos de interseção do
espaço de soluções.
Na verdade, esta foi a grande ideia de Dantzig para o

desenvolvimento do algoritmo simplex: dado que a solução
ótima está em um vértice do espaço de soluções viáveis, por
que não percorrê-los em busca da melhor solução possível?
Método simplex
Conforme verificamos, a chave do algoritmo simplex está no formato da região
limitada pelas restrições. Portanto, apesar de ser um procedimento algébrico, os
conceitos subjacentes ao método simplex são geométricos.
O simplex é um algoritmo iterativo, que se utiliza de um ferramental baseado em

álgebra linear para a resolução sucessiva de sistemas de equações, embora as
restrições de problemas de programação matemática sejam tipicamente
inequações. Desse modo, a primeira etapa do método simplex consiste em
converter as restrições de desigualdade em restrições de igualdade
equivalente. O algoritmo simplex só pode ser rodado se o problema estiver
escrito na forma canônica, que é a forma de se representar programas
matemáticos por meio de equações. Para isso, precisamos criar as chamadas
variáveis de folga ou de excesso.
Variáveis de folga (f) expand_more
Exemplo (forma canônica):
x 1 ≤ 10 → x 1 + f 1 = 10
f1 = Variável de folga
Assim, se x 1 = 8 , então teríamos que a variável de folga f 1 seria igual a

2. Se x 1 = 3 , então teríamos que a variável de folga f 1 seria igual a 7.
Variáveis de excesso (e) expand_more
Exemplo (forma canônica):
x 1 ≥ 10 → x 1 - e 1 = 10
e1 = Variável de excesso
Assim, se x 1 = 12 , então teríamos que a variável de excesso e1 seria

igual a 2. Se x 1 = 15 , então teríamos que a variável de excesso e 1 seria
igual a 5.
Veja o caso do problema da Fitwear, apresentado a seguir. Será que

conseguimos escrevê-lo em sua forma canônica?
Caso Fitwear S/A

A Fitwear S/A é uma confecção de roupas esportivas, tendo uma linha fitness
feminina, na qual produz roupas de ginástica exclusivas para mulheres, como
Cada top de ginástica é vendido por R$80,00 e utiliza R$20,00 de matéria-prima,

como tecido e alinhamentos, e R$32,00 de mão de obra. Trinta minutos de corte
e 15 minutos de costura são demandados para a confecção de um top de
ginástica.
Cada calça de ginástica é vendida por R$120,00 e utiliza R$35,00 de matéria-

prima, como tecido e alinhamentos, e R$40,00 de mão de obra. Quinze minutos
de corte e 30 minutos de costura são demandados para a confecção de uma
calça de ginástica.
costura. A confecção não tem problemas no fornecimento de matérias-primas,
de modo que seu suprimento pode ser considerado ilimitado, bem como a
demanda semanal de seus produtos.
A Fitwear deseja planejar sua produção semanal de modo a maximizar seus

lucros.
Quando modelamos o problema, consideramos as seguintes variáveis de

decisão:
x1 x2
Número de tops de ginástica Número de calças de ginástica

confeccionados a cada semana. confeccionadas a cada semana.
Assim, chegamos à seguinte formulação matemática em sua forma-padrão.
M áxZ = 28x 1 + 40x 2
Sujeito a (forma-padrão):
0, 5x 1 + 0, 25x 2 ≤ 100 ➜ restrição de horas de corte
0, 25x 1 + 0, 5x 2 ≤ 160 ➜ restrição de horas de costura
x1 , x2 ≥ 0 ➜ restrição de não negatividade das variáveis

de decisão
Observe que tanto a restrição referente às horas de corte quanto a restrição

referente às horas de costura são do tipo ≤. Logo, precisaremos de duas
variáveis de folga, f 1 e f 2 , para passar o problema para sua forma canônica.
M áxZ = 28x 1 + 40x 2
Sujeito à (forma canônica):
0, 5x 1 + 0, 25x 2 + f 1 = 100
0, 25x 1 + 0, 5x 2 + f 2 = 160
x1 , x2 ≥ 0
Uma vez adicionadas as variáveis de folga, o problema da Fitwear é dito no

formato canônico e pronto para ser resolvido pelo método simplex!
Para resolver o problema de programação linear, o algoritmo simplex se baseia

na solução sucessiva de sistemas de equações, utilizando-se do conceito de
variáveis básicas e não básicas:
Variáveis básicas expand_more
São aquelas para as quais o sistema de equações é resolvido.
Variáveis não básicas expand_more
São aquelas que são zeradas para que o sistema de equações apresente
uma solução, ou seja, para que o número de equações seja igual ao
número de variáveis, permitindo, assim, a solução do sistema de
equações.
No problema da Fitwear, por exemplo, temos quatro variáveis (x 1 , x 2 , f 1 e f 2 ) e

apenas duas equações (restrições). Entretanto, para que um sistema de
equações lineares seja resolvido, é necessário que o número de equações seja
igual ao número de variáveis. De tal modo, para resolver o problema da Fitwear,
devemos considerar duas variáveis como nulas (não básicas) e resolver o
problema para outras duas (variáveis básicas), e assim fazemos por iterações
sucessivas, até que encontremos o par de variáveis básicas que nos dá a
solução ótima.
Em linhas gerais, o algoritmo simplex parte de uma solução viável do sistema de

equações que constituem as restrições do problema de programação linear,
solução essa normalmente extrema (vértice). A partir dessa solução inicial, o
algoritmo adota um critério de escolhas para encontrar novos e melhores
vértices da envoltória convexa do problema, e outro critério para determinar se o
vértice escolhido (solução básica) é ou não um vértice ótimo (GOLDBARG; LUNA,
2005). Assim, pelo método simplex, devemos:
looks_one Transformar o modelo em sua forma canônica,

ou seja, transformar o sistema de inequações em
sistema de equações.
looks_two Determinar uma solução básica inicial, que será

iterativamente melhorada.
looks_3 Realizar o teste da otimalidade, ou seja, verificar

se a iteração atual é ótima ou se outras variáveis
não base (ou seja, que estão zeradas) devem
entrar na base, pois têm potencial para contribuir
para melhorar a solução.
looks_4 Realizar o teste da mínima razão, que

determinará qual variável básica deve sair da
base, ou seja, verificará quais das variáveis
devem passar a ser nulas para que a nova
variável entre na base.
looks_5 Calcular a nova solução básica e voltar ao passo

3.
Arenales et al. (2007) descrevem o algoritmo simplex em duas fases. A fase 1

traz o procedimento de como determinar uma solução inicial, enquanto o
método simplex propriamente dito é apresentado na fase 2.
Passo 1 expand_more
Escreva o problema na forma canônica
Minimizar f (x) = c
T
x
Ax = b , sendo A uma matriz mxn
x ≥ 0
Passo 2 expand_more
Determine inicialmente uma partição básica factível A = [B.N], ou seja,

com dois vetores de índices básicos e não básicos:
(B1, B2, ..., Bm)e N1, N2, ..., Nn — m.
Faça iteração=1.
Fase 2: {início da iteração simplex}
Passo 1: {cálculo da solução básica} expand_more
ˆ
xb = B
−1
b (equivalentemente, resolva o sistema Bx b = b )
x
ˆ n = 0
Passo 2: {cálculo dos custos relativos} expand_more
{vetor multiplicador simplex}
λ
T
= c
T
B
B
−1
(equivalentemente, resolva o sistema
B
T
λ = cb )
{custos relativos}
ˆ
cN = cN
j j
− λ
T
a N j , j = 1, 2, … , n − m )
{determinação da variável a entrar na base}
ˆ
cN
j
= mínimo {cˆ
N, j = 1, 2, … , n − m} (a variável
xN k entra na base)
Passo 3: {teste da otimalidade} expand_more
Se ˆ
c N ≥ 0, então pare {solução na iteração atual é ótima}
j
Passo 4: {cálculo da direção simplex} expand_more
y = B
−1
aN k (equivalentemente, resolva o sistema
By = a N k )
Passo 5: {determinação do passo e variável a sair da base} expand_more
Se y ≤ 0 , então: pare {problema não tem solução ótima finita:

f (x) → −∞}
Caso contrário, determine a variável a sair da base pela razão mínima:
x Bl
ε
^=
ˆ
yl
= mínimo
ˆ
x Bi
{
yi
, talque yi > 0, yi > 0, i = 1, 2, … m} (a variável
x Bl sai da base)
Passo 6: {atualização: nova variável básica, troque a l-ésima

coluna de b pela k-ésima coluna de n} expand_more
Matriz básica nova:
B = [a B1 … aB l−k aN k a Bl+1 … a Bm ]
Matriz não básica nova:

N = [a N 1 … a N k−1 a Bl a N k+1 … a N n−m ]
Iteração = iteração +1
Retorne ao passo 1
{fim da iteração simplex}
Na forma de algoritmo, como apresentado por Arenales et al. (2007), o método

simplex pode parecer difícil, mas vamos entender o que Dantzig propôs por meio
de um exemplo.
Caso da empresa Glass Co.

A empresa Glass Co., que possui três fábricas, produz janelas e portas de vidro.
As esquadrias e ferragens em aço são feitas na fábrica 1, as esquadrias de
madeira são produzidas na fábrica 2 e a fábrica 3 produz o vidro e monta os
produtos.
A direção da empresa decidiu modernizar sua linha de produtos e propôs o

lançamento de dois novos produtos:
Produto 1: porta de vidro de 2,5m com esquadria de alumínio.
Produto 2: janela adornada com esquadria de madeira 1,2m x 1,8m.
O produto 1 requer capacidade produtiva das fábricas 1 e 3. O produto 2 precisa

das fábricas 2 e 3. A divisão de marketing concluiu que a empresa poderia
vender tanto quanto fosse possível produzir desses produtos por essas fábricas.
Porém, ambos os produtos competem por capacidade produtiva da fábrica 3,
não estando claro qual mix dos dois seria mais lucrativo. Determine quais devem
ser as taxas de produção para maximizar o lucro total, sujeitas às restrições
impostas pela capacidade produtiva:
Tempo de produção por lote (em horas)
Fábrica Produtos
1 2
1 1 0
2 0 2
3 3 2
Lucro por lote R$3.000,00 R$5.000,00
Produção empresa Glass Co.

Extraída de Hellier e Lieberman, 2013, pág. 21.
Inicialmente, devemos escrever o modelo matemático para o problema da Glass

Co., seguindo os passos do procedimento para construção do modelo de
programação linear:
double_arrow double_arrow double_arrow

Identificação das Identificação da função Identificação do
variáveis de decisão objetivo conjunto de restrições
A seguir, vamos seguir cada um dos passos indicados.
Identificação das variáveis de decisão expand_more
No caso da Glass Co., a empresa deve decidir os produtos a serem

fabricados. Logo, a definição da variável de decisão seria:
xi — quantidade de produto i confeccionada
Assim, temos:
x1 - Quantidade de lotes produtos 1 fabricados.
x2 - Quantidade de lotes produtos 2 fabricados.
Identificação da função objetivo expand_more
No caso da Glass Co., a empresa deseja maximizar seu lucro total:
Determine quais devem ser as taxas de

produção para maximizar o lucro total
(…).
Para cada lote de portas de vidro de 2,5m com esquadria de alumínio

(produto 1) vendido, a empresa lucra R$3.000,000, enquanto o lucro de
venda de cada lote de janela adornada com esquadria de madeira 1,2m x
1,8m (produto 2) equivale a R$5.000,00. Logo, o lucro total é igual a
3000x 1 + 5000x 2 ., de modo que a função objetivo para o problema é:
M axZ = 3x 1 + 5x 2
Identificação do conjunto de restrições expand_more
No caso do problema da Glass Co., foram consideradas ilimitadas a

demanda por seus produtos e a oferta de matéria-prima, de modo que
não entram como restrições no modelo matemático. Porém, há restrições
relacionadas ao tempo de produção disponível por semana em cada
fábrica.
Tempo de produção por lote (em horas)
Fábrica Produtos
1 2
1 1 0
2 0 2
3 3 2
Produção empresa Glass Co.

Extraída de Hellier e Lieberman, 2013, pág. 21.
Há, ainda, a restrição de não negatividade das variáveis de decisão, uma

vez que não se pode produzir um número negativo de portas ou janelas.
Logo, a restrição 4 é dada por: x 1 , x 2 ≥ 0
Logo, temos as seguintes restrições:
x1 ≤ 4
2x 2 ≤ 12 → x 2 ≤ 6
3x 1 + 2x 2 ≤ 18
Enfim, temos o seguinte modelo matemático para o problema da Glass Co.:
M axZ = 3x 1 + 5x 2
s.a.
x1 ≤ 4
2x 2 ≤ 12
3x 1 + 2x 2 ≤ 18
x1 , x2 ≥ 0
x1 , x2 ≥ 0
Mas qual é o mix de produção que nos dá a solução

ótima?
O primeiro passo do algoritmo simplex é transformar o modelo em seu formato

canônico.
Passando para o formato canônico, temos:
M axZ = 3x 1 + 5x 2
s.a.
x1 + f1 = 4 → ção 1
restri
2x 2 + f 2 = 12 → restrição 2
3x 1 + 2x 2 + f 3 = 18 → restrição 3
x 1 , x 2 , f 1 , f 2 , f 3 >= 0
Em seguida, devemos escolher uma solução básica inicial. Observe que temos
três equações no sistema de equações e cinco variáveis. Dessa forma, devemos
ter três variáveis-base e duas não base. O modo mais fácil de resolver esta etapa
é escolher as variáveis x 1 e x 2 como variáveis não básicas, uma vez que essa
opção elimina o trabalho necessário para encontrar a solução quando as

variáveis básicas são as variáveis de folga (ou excesso) (f 1 , f 2 e f 3 ). Nesse
caso, se x 1 = 0 e x2 = 0 , z seria igual a zero também, enquanto f 1 = 4 ,
f 2 = 12 e f3 = 18 .
Função objetivo: Z = 3x 1 + 5x 2 , logo, para a solução inicial de x 1 = 0 e

x2 = 0 , temos Z = 0 .
Restrição 1: x 1 + f1 = 4 → 0 + f1 = 4 → f1 = 4 .
Restrição 2: 2x 2 + f 2 = 12 → 0 + f 2 = 12 → f 2 = 12 .
Restrição 3: 3x 1 + 2x 2 + f 3 = 18 → 0 + 0 + f 3 = 18 → f 2 = 18 .
keyboard_double_arrow_down
Portanto, temos a solução inicial de (0, 0, 4, 12, 18).
Passamos, então, para o teste da otimalidade. Como Z = 3x 1 + 5x 2 ,

verificamos que o coeficiente de cada variável não básica (x 1 e x 2 ) fornece a
taxa de crescimento em Z .
Como as taxas de crescimento são positivas (3 e 5) e este é

um problema de maximização, concluímos que a solução
inicial (0, 0, 4, 12, 18) não é a solução ótima!
Já sabemos que a solução básica inicial não é ótima, então uma variável não
básica (x 1 ou x 2 ) deve entrar na base. Porém, devemos aumentar x 1 ou x 2 ?
Para determinar isso, devemos verificar a direção de deslocamento. Observe

que, para cada unidade que aumentarmos x 1 , temos uma taxa de crescimento
em Z de 3. Ao mesmo tempo, para cada unidade que aumentarmos x 1 , temos
uma taxa de crescimento em Z de 5. Sendo 5 > 3 , devemos optar por x 2 para
crescer. Logo, x 2 é a variável básica que entra.
Entretanto, para que x 2 passe a ser uma variável básica, uma das variáveis-base
da solução inicial (f 1 , f 2 e f 3 ) precisa sair da base. Porém, como determinar
qual delas?
Para essa etapa, devemos ter em mente que, ao aumentar x 2 , eleva-se Z .

Contudo, não podemos sair do espaço de soluções, ou seja, da região de
soluções viáveis. Assim, devemos aumentar x 2 , mantendo a variável não básica
x1 = 0 e respeitando que todas as variáveis sejam não negativas.
x1 = 0 (variável não básica)

x1 + f1 = 4 → f1 = 4
2x 2 + f 2 = 12 → f 2 = 12 − 2x 2
3x 1 + 2x 2 + f 3 = 18 → f 3 = 18 − 2x 2
Como x 1 , x 2 , f 1 , f 2 , f 3 ≥ 0 :
Teste da mínima razão

f1 = 4 → não implica em limite superior em x 2
f 2 = 12 − 2x 2 ≥= 0 → x 2 ≤ 12/2 = 6 ← MÍNIMO
f 3 = 18 − 2x 2 ≥ 0 → x 2 ≤ 18/2 = 9
Verificamos, então, que x 2 passa a receber o valor de 6, enquanto f 2 se torna

uma variável não base e nula. Assim, deduzimos intuitivamente o teste da
mínima razão.
O objetivo do teste da mínima razão é determinar qual

variável básica cai a zero primeiro à medida que a variável
básica que entra é aumentada.
Podemos descartar imediatamente a variável básica em qualquer equação cujo

coeficiente da variável básica que entra é zero ou negativo, já que uma variável
básica não decresceria à medida que a variável básica que entra aumentasse.
No caso do problema da Glass Co., ao aumentarmos o valor de x 2 de 0 a 6,

temos mudanças na solução.
Solução inicial expand_more
x1 = 0
x2 = 0
F1 = 4
F 2 = 12
F 3 = 18
Nova solução expand_more
x1 = 0
x2 = 6
F 1 =?
F2 = 0
F 3 =?
Temos que x 2 é igual a 6 e x 1 continua sendo zero. Portanto, temos que

Z = 3x 1 + 5x 2 = 3 ∗ 0 + 5 ∗ 6 = 30 . Devemos determinar, então, os valores
de f 1 , f 2 e f 3 .
x1 + f1 = 4 → 0 + f1 = 4 → f1 = 4
2x 2 + f 2 = 12 → 2 ∗ 6 + f 2 = 12 f2 = 0
3x 1 + 2x 2 + f 3 = 18 → 3 ∗ 0 + 2 ∗ 6 + f 3 = 18 → f 3 = 6
A nova solução é (0, 6, 4, 0, 6) e Z = 30 !
Então, devemos verificar se essa solução é ótima ou não, por meio do teste de
otimalidade. Sendo Z = 3x 1 + 5x 2 , verificamos que x 1 tem o coeficiente
positivo (= 3), de modo que aumentar x 1 implica em aumentar Z . Portanto, a
solução atual não é ótima e devemos realizar nova iteração, analisando a

entrada de x 1 como variável básica. Dessa forma, devemos realizar o teste da
mínima razão para determinar qual variável básica deve se tornar nula, saindo
então da base, para permitir a “entrada” de x 1 .
Z − 3x 1 − 2, 5x 2 = 30
x1 + f1 = 4
2x 2 + f 2 = 12
3x 1 + 2x 2 + f 3 = 18
Teste da mínima razão

f 1 = 4 − x 1 ≥ 0 → x 1 ≤ 4/1 → x 1 ≤ 4
f 2 = 12 − 2x 2 ≥ 0 → nenhum limite superior em x 1

f 3 = 6 − 3x 1 ≥ 0 → x →≤ 6/3 → x 1 ≤ 2 → mínima
razão
Logo, f 3 sai da base para x 1 entrar com o valor igual a 2. Porém, ao

aumentarmos o valor de x 1 de 0 a 2, temos mudanças na solução.
Solução inicial expand_more
x1 = 0
x2 = 6
F1 = 4
F2 = 0
F 3 = 18
Nova solução expand_more
x1 = 2
x2 = 6
F 1 =?
F2 = 0
F 3 =?
Temos que x 2 é igual a 6 e x 1 equivale a 2. Logo, temos que

Z = 3x 1 + 5x 2 = 3 ∗ 2 + 5 ∗ 6 = 36 . Devemos determinar, então, os valores
de f 1 , f 2 e f 3 .
x1 + f1 = 4 → 2 + f1 = 4 → f1 = 2
2x 2 + f 2 = 12 → 2 ∗ 6 + f 2 = 12 → f 2 = 0
3x 1 + 2x 2 + f 3 = 18 → 3 ∗ 2 + 2 ∗ 6 + f 3 = 18 → f 3 = 0
Portanto, concluímos que x 1 substitui f 3 como variável básica, sendo a nova

solução igual a (2, 6, 2, 0, 0) e Z = 36 . As variáveis não básicas agora são f 2 e
f3 . Verificamos que aumentar as atuais variáveis não básicas não implica em
aumento em Z , o que garante que esta é a solução ótima.
Método simplex em sua forma tabular

Aprendemos até agora a forma algébrica do simplex, que é a melhor para
aprender a lógica por trás do algoritmo. Porém, não é a forma mais conveniente
para realizar cálculos necessários. As operações realizadas no método simplex
podem ser organizadas em tabelas, chamadas tabelas simplex. Essa
organização é a mais indicada para quando estivermos resolvendo um problema
de programação linear manualmente.
Considere um problema de otimização linear:
Minimizar f (x) = cx
Ax = b
x ≥ 0
Nesse problema, temos as variáveis x 1 , x 2 … x n . Os coeficientes da função

objetivo são c 1 , c 2 … c n . Os coeficientes das restrições são a 1 , a 2 … a n e b.
Arenales et al. (2007) descrevem as operações realizadas em cada iteração do

algoritmo simplex em tabelas, em duas fases.
Fase 1:
Determine a tabela simplex inicial.
A matriz dos coeficientes contém uma matriz identidade mxm (m é o número
de equações) e o vetor independente b ≥ 0 .
A função objetivo é escrita em termos das variáveis não básicas, isto é, os
coeficientes das variáveis básicas são nulos.
Faça a iteração = 0.
Fase 2:
Determine o menor dos custos relativos: c k = mínimo {c j para toda variável não
básica}.
Se c k ≥ 0 , então pare (a solução básica na iteração é ótima). Se não, a variável
xk entra na base.
Se a ik ≤ 0, i = 1, … , m , então f → −∞ e o problema não tem solução
ótima finita. Nesse caso, pare.
bl bi
Se não, determine a lk
mínimo { a ik
tal que a ik > 0, i = 1, … , m} . (a variável
básica da linha l sai da base).
Atualize a tabela simplex (pivoteamento do elemento (l, k)). A variável x k passa
a ser a variável básica na linha l. Faça a iteração = iteração +1 e retorne ao passo
1.
Na forma de algoritmo, como apresentado por Arenales et al. (2007), o método

simplex tabular pode parecer difícil, mas vamos entendê-lo resolvendo o
exemplo da Glass Co., cujo modelo em formato canônico é apresentado a seguir.
M axZ = 3x 1 + 5x 2
s.a.
x1 + f1 = 4 → restrição 1
2x 2 + f 2 = 12 → restrição 2
3x 1 + 2x 2 + f 3 = 18 → restri ção 3
x 1 , x 2 , f 1 , f 2 , f 3 >= 0
Inicialmente, vamos definir o formato da tabela de maneira a facilitar sua

compreensão. A tabela simplex tem, do lado esquerdo, as variáveis básicas e, do
lado direito, as constantes das equações. No meio da tabela, ficam todos os
coeficientes das restrições e da função objetivo. Por padronização, colocaremos
na primeira linha (zero) a equação que representa a função objetivo, conforme
apresentado na figura a seguir.
Tabela simplex.
Uma escolha viável para a primeira base para o problema da Glass Co. seria (f 1 ,
f2 e f 3 ), pois facilitaria o preenchimento da tabela simplex inicial, dado que
B = I e B
−1
= I .
M axZ = 3x 1 + 5x 2
x1 + f1 = 4
2x 2 + f 2 = 12
3x 1 + 2x 2 + f 3 = 18
a3 a4 a5 a1 a2
1 0 0 I 1 0
⎡ ⎤
A = [B I N] = 0 1 0 I 0 2
⎣ ⎦
0 0 1 I 3 2
f1 f2 f3 x1 x2
1 0 0 1 0 0
⎡ ⎤ ⎡ ⎤
−1
B = 0 1 0 B = 0 1 0
⎣ ⎦ ⎣ ⎦
0 0 1 0 0 1
Quando as variáveis de folga constituem a primeira base, na primeira linha da

tabela simplex, apenas escrevemos o negativo dos coeficientes de custo das
variáveis não básicas. Como z j − cj representa a potencial melhoria no valor de
z da função objetivo representada pela j-ésima variável, as variáveis atualmente
básicas devem receber o valor zero, pois já se encontram na base. Assim, a
primeira linha da tabela simplex para o exemplo da Glass Co. é:
x1 x2
x1 x2
Z -3 -5
O valor atual de Z , Z 0 , para esta primeira tabela, com as variáveis básicas sendo
,
f1 f2 f3 , , seria igual a zero, pois Z = 3x 1 + 5x 2 e x1 = x2 = 0 . Assim,
atualizando a tabela, tem-se:
x1 x2
Z -3 -5
Em seguida, devem-se escrever as linhas que compõem as restrições da tabela

simplex, conforme indicado na figura a seguir.
Restrições da tabela simplex.
Para cada variável do problema, deve-se determinar y j . Como as variáveis de

folga foram escolhidas como a primeira base, temos B = I e B −1 = I . Logo,
temos y j = aj , de modo que as linhas que compõem as restrições no tableau
são copiadas diretamente do problema. Ainda, as variáveis atualmente na base (
,
f1 f2 f3 , ) são identificadas à esquerda da tabela simplex, como pode ser
identificado na figura a seguir.
Max Z = 3x 1 + 5x 2
s. a.
Preenchendo a tabela simplex para o problema da Glass Co.
Observa-se, por meio da figura anterior, que os únicos elementos faltantes estão
do lado direito da tabela simplex e correspondem à fórmula:
−1
b̄ = B b = Ib = b
Desse modo, para a tabela inicial, basta copiar os valores de b no lado direito da
tabela, conforme apresentado na figura a seguir.
Max Z = 3x 1 + 5x 2
s. a.
Tabela simplex inicial para o problema da Glass Co.
Uma vez preenchida a tabela inicial, devemos identificar as variáveis candidatas

a entrar na base na primeira linha da tabela. Para isso, devemos analisar os
valores dos coeficientes de cada variável apresentados na segunda linha da
tabela simplex, levando em consideração o tipo de problema apresentado,
maximização ou minimização:
Problema de maximização Problema de minimização
Em um problema de Em um problema de
maximização, a variável minimização, a variável a
cujo coeficiente é negativo e numbers entrar na base será a que
apresenta o maior valor tiver o maior valor positivo.
absoluto é aquela que
entrará na base.
Por meio da figura da Tabela simplex inicial para o problema da Glass Co.,
observamos que a variável a entrar na base no problema da Glass Co. é x 2 , uma
vez que tanto x x quanto x 2 têm valores negativos na segunda linha da tabela,
sendo 5 > 3. .
Depois de identificarmos a variável que entra na base, é preciso determinar a

variável básica que deve dar lugar para que x 2 entre na base. Para isso,
aplicamos o teste da mínima razão, conforme indicado na figura a seguir.
Observa-se que o menor valor é 6, de modo que a variável a sair da base é f 2 .
Teste da mínima razão para o problema da Glass Co.
Para completar a iteração do simplex, devemos, então, proceder com as

operações elementares que utilizam a linha que contém o elemento de pivot, de
modo que a coluna x 2 (da variável entrante) assuma a configuração da coluna
f2 (variável que sai da base). Observe, na figura a seguir, que a linha pivot é a
quarta linha da tabela (atual linha do f 2 no lado esquerdo da tabela) e que os
valores para as colunas x 2 e f 2 não coincidem, de modo que é necessário
executar a operação elementar. Portanto, sendo a linha (3) ′ a quarta linha da
tabela (3) após a operação elementar, tem-se que a operação que transformará 2
em 1 é: (3) ′ = (3)/2 .
Operações com a linha pivot para o problema da Glass Co.
Observe, na segunda tabela da figura anterior, que, para a coluna x 2 assumir a

configuração anterior da coluna f 2 , é preciso ainda realizar operações
elementares nas linhas (1) e (4) da tabela simplex. Assim, para a linha (4) ′ , é
preciso que (4) ′ ∗
= (4) − 2 (3) , enquanto para a linha (1) ′ devemos fazer
(1)
′ ∗
= (1) + 5 (3)
′
, conforme indicado na próxima figura.
Dica
Para a linha (2), não é preciso realizar nenhuma operação, uma vez que os
valores para as colunas x 2 e f 2 já são coincidentes.
Operações com a linha pivot para o problema da Glass Co.
Verifique, na figura anterior, que a coluna x 1 ainda apresenta um valor negativo

na segunda linha da tabela simplex, de modo que esta variável deve entrar na
base, sendo necessária, então, mais uma iteração. Logo, faz-se o teste da
mínima razão, conforme indicado na figura a seguir, sendo verificado que a
variável a sair da base para que x 1 entre é f 3 . Portanto, são necessárias as
operações elementares para que a coluna x 1 receba os valores da coluna f 3 .
Teste da mínima razão para o problema da Glass Co. — 2a iteração
Observa-se, na figura do Teste da mínima razão para o problema da Glass Co. —

2a iteração, que a quinta linha (4) da tabela simplex é a linha pivot. Assim, para
que a coluna x 1 receba os valores da coluna f 3 , a primeira operação elementar a
ser feita é: (4) ′ = (4)/3 , tal como apresentado na figura a seguir.
Primeira operação elementar (linha (4)) para o problema da Glass Co. — 2a iteração.
Para a coluna x 1 assumir a configuração anterior da coluna f 3 , ainda é preciso

realizar operações elementares nas linhas (1) e (2) da tabela simplex. Assim,
para a linha (2) ′ , é preciso que (2) ′ = (2) − (4)
′
, enquanto para a linha (1) ′
devemos fazer (1) ′ = (1) + 3 (4)
∗ ′
, conforme indicado na próxima figura.
Dica
Para a linha (3) não é preciso realizar nenhuma operação, uma vez que os
valores para as colunas x 1 e f 3 já são coincidentes nesta linha.
Operações com a linha pivot para o problema da Glass Co. — 2a iteração.
Atenção!
Verifique, na figura anterior, que não há mais valores negativos na segunda linha
da tabela simplex (1), de modo que não há mais variáveis para entrar na base.
Logo, concluímos que a solução ótima para o problema da Glass Co. é x 1 = 2 ,
x2 = 6 ez = 36 , tal como apresentado na seção método simplex, quando
resolvemos este mesmo problema por meio do método simplex em sua forma
analítica.
Questão 1
A Fitwear S/A é uma confecção de roupas esportivas, tendo uma linha fitness
feminina, na qual produz roupas de ginástica exclusivas para mulheres, como
Cada top de ginástica é vendido por R$80,00 e utiliza R$20,00 de matéria-

prima, como tecido e alinhamentos, e R$32,00 de mão de obra. Trinta minutos
de corte e 15 minutos de costura são demandados para a confecção de um
top de ginástica.
Cada calça de ginástica é vendida por R$120,00 e utiliza R$35,00 de matéria-

prima, como tecido e alinhamentos, e R$40,00 de mão de obra. Quinze
minutos de corte e 30 minutos de costura são demandados para a confecção
de uma calça de ginástica.
costura. A confecção não tem problemas no fornecimento de matérias-
primas, de modo que seu suprimento pode ser considerado ilimitado, bem
como a demanda semanal de seus produtos.
Considerando que seria possível produzir números não inteiros, qual deve ser
a produção semanal a ser adotada pela Fitwear de modo a maximizar seus
lucros? Considere as seguintes variáveis de decisão:
x1 = número de tops de ginástica confeccionados a cada semana
x2 = número de calças de ginástica confeccionadas a cada semana
A x 1 = 320, x 2 = 160
B x 1 = 200, x 2 = 160
C x 1 = 160, x 2 = 320
D x 1 = 280, x 2 = 220
E x 1 = 280, x 2 = 120
Parabéns! A alternativa A está correta.
O modelo matemático para este problema é:
Máx Z = 28x 1 + 40x 2
Sujeito a:
0, 5x 1 + 0, 25x 2 ≤ 100 → restrição de horas de corte

0, 25x 1 + 0, 5x 2 ≤ 160 → restrição de horas de costura
x1 , x2 ≥ 0 → restrição de não negatividade das variáveis de decisão
Em sua forma canônica, temos:
Máx Z = 28x 1 + 40x 2
Sujeito a:
0, 5x 1 + 0, 25x 2 + f 1 = 100
0, 25x 1 + 0, 5x 2 + f 2 = 160
x1 , x2 ≥ 0
A solução do problema pela tabela simplex é:
Solução da Atividade 1 pela tabela simplex.
Questão 2
Utilize o método simplex para a solução desta programação linear:
Máx: 350x 1 + 300x 2
Sujeito a:
X 1 + X 2 <= 200
9X 1 + 6X 2 <= 1566
12X 1 + 16X 2 <= 2880
X 1 >= 0
X 2 >= 0 O valor de z para a solução ótima do problema apresentado

é igual a:
A Zero
B 54.000
C 60.900
D 64.000
E 66.100
A resposta correta é a letra E, conforme pode ser verificado na solução obtida

pelo método gráfico, apresentada na figura a seguir.
Solução da atividade 2 pela tabela simplex.
4 - Solução de problemas de programação linear

Ao final deste módulo, você será capaz de aplicar o solver para solução de problemas de programação
linear.
Utilização do solver para solução de

problemas de programação linear

No módulo 1, aprendemos a resolver problemas de programação linear por meio
do método simplex, tanto o analítico quanto o tabular. Aplicamos essas técnicas
em alguns exemplos, de modo a entender a lógica do algoritmo. Porém,
pudemos verificar que são muitos os cálculos que precisam ser feitos para
resolvermos problemas de programação linear manualmente, e apenas um erro
em uma conta nos levaria a um resultado errado. Contudo, felizmente, existem
diversos softwares de computador que podem ser utilizados para nos auxiliar a
encontrar a solução ótima para problemas de programação matemática, por
exemplo:
LINDO CPLEx Aimms

GAMS MathPro
Usando o software de computador adequado, podemos
resolver facilmente quaisquer problemas de programação
linear.
As técnicas para a solução de problemas de programação linear são, inclusive,

desenvolvidas por meio de pacotes de planilhas eletrônicas. Assim sendo,
aprenderemos nesta seção a utilizar o solver do pacote de planilhas eletrônicas

Excel para solução de problemas de programação linear.
Dica
Os mesmos conceitos e técnicas que apresentaremos a seguir também podem

ser aplicados em outros pacotes de planilhas, dadas as necessidades de
alterações em detalhes de implementação.
Passos para implementar um problema de

programação linear em planilha
Ragsdale (2009) apresenta cinco passos que devem ser feitos para implementar
qualquer problema de programação linear em uma planilha:
looks_one Organize os dados para o modelo (os

coeficientes das restrições, os coeficientes da
função objetivo etc.) na planilha.
Reserve as células separadas na planilha para

looks_two
representar cada variável de decisão do modelo
algébrico. Isso é útil na determinação de
fórmulas para a função e restrições do objetivo.
looks_3 Crie uma fórmula para cada célula da planilha

que corresponda à função objetivo no modelo
algébrico.
looks_4 Para cada restrição, crie uma fórmula em uma

célula separada na planilha. Muitas das fórmulas
de restrição têm estrutura semelhante, de modo
que, quando possível, crie fórmulas de restrição
que possam ser copiadas para implementar
outras fórmulas de restrição.
looks_5 Use sombras e cores de fundo e/ou bordas para

identificar as células que representam as
variáveis de decisão, restrições e funções
objetivos do modelo.
Instalando o solver
Demonstraremos, neste módulo, como usar o solver do Excel resolvendo o
problema enfrentado pela Fitwear. No entanto, antes de iniciarmos a resolução
do problema, é preciso instalar o solver nos pacotes de planilhas eletrônicas
Excel. Para isso, siga o passo a passo:
Clique em arquivos > opções no Excel, conforme indicado na figura.
Instalando o solver — Passo 1.
O segundo passo é clicar em suplementos na tela que foi aberta.
Na tela seguinte, clique no botão ir, em gerenciar suplementos do Excel.
Na próxima tela, clique na opção solver.
Para finalizar, basta clicar na aba dados para visualizar a opção solver.
Utilizando o solver
Agora que já temos o solver instalado no nosso Excel, vamos iniciar a resolução
do problema da Fitwear visto no módulo 1.
Dica
Caso seja necessário, retorne ao módulo anterior e relembre como

desenvolvemos o modelo matemático do problema.
Observe a seguir o modelo matemático, considerando as variáveis de decisão:
x1 x2
Número de tops de ginástica Número de calças de ginástica

confeccionados a cada semana. confeccionadas a cada semana.
Temos a formulação matemática em sua forma-padrão.
M áxZ = 28x 1 + 40x 2
Sujeito a:
0, 5x 1 + 0, 25x 2 ≤ 100 → ção de horas de corte

restri
0, 25x → +0, 5x →≤ 160 → restrição de horas de costura
x1 , x2 ≥ 0 → restrição de não negatividade das variáveis de decisão
Uma das primeiras etapas para a solução do problema deve ser a organização
dos dados. Vamos começar representando as variáveis de decisão, como
indicado na figura a seguir. Observe que descrevemos as variáveis de decisão na
planilha, bem como os ganhos semanais com a venda de cada produto (x 1 e x 2
), deixando destacado em amarelo as células variáveis (ou ajustáveis), que
reservamos na planilha para representar as variáveis de decisão do modelo.
Variáveis de decisão.
O próximo passo é criar uma fórmula que represente a função objetivo de acordo
com as variáveis de decisão indicadas na figura. Para isso, devemos utilizar a
função “somarproduto” do Excel, que faz o produto escalar entre dois vetores.
Função “somarproduto”.
A figura a seguir ilustra como inserimos a função objetivo na planilha eletrônica

no caso do problema da Fitwear. Observe que fizemos a função “somarproduto”
entre o vetor (28,40), que corresponde aos coeficientes da função objetivo, e as
células que destinamos para receber o valor das variáveis de decisão. Com isso,
teremos que a célula destacada em amarelo para a função objetivo recebeu a
fórmula 28 ∗ x 1 + 40 ∗ x 2 .
Função objetivo.
De maneira análoga à que fizemos a representação da função objetivo,

precisamos representar as restrições. Para isso, também vamos utilizar a função
“somarproduto” do Excel. Veja a seguir como inserimos as duas restrições para o
problema da Fitwear na planilha eletrônica.
Restrição de horas de corte expand_more
Observe que fizemos a função “somarproduto” entre os vetores que

indicam os coeficientes das restrições e as células que destinamos para
receber o valor das variáveis de decisão. Com isso, teremos que a célula
destacada em amarelo na figura restrição de horas de corte recebeu a
fórmula 0, 5x 1 + 0, 25x 2 .
Restrição de horas de corte.
Restrição de horas de costura expand_more
Observe que a célula destacada em amarelo na figura restrição de horas

de costura recebeu a fórmula 0, 25x 1 + 0, 5x 2 .
Restrição de horas de costura.
Finalmente, terminamos a implementação do

modelo do problema de programação linear da
Fitwear no Excel. Entretanto, ainda precisamos
resolvê-lo.
Para isso, é preciso indicar para o solver o que cada célula da planilha
representa:
A função As variáveis de As restrições

objetivo decisão
Assim sendo, devemos definir a célula de destino, ou seja, aquela que representa
a função objetivo na caixa de diálogo parâmetros do solver, como indicado na
próxima figura. Observe que a célula E9 contém a fórmula que representa a
função objetivo para o nosso problema, como havíamos preparado
anteriormente. Neste momento, devemos instruir também o solver para tentar
maximizar seu valor, especificando o botão max.
Definindo a função objetivo na célula de destino.
O próximo passo consiste em indicar as células que representam as variáveis de

decisão no modelo. Observe, na figura a seguir, que as células C8 e D8, em nossa
planilha, representam as variáveis de decisão para o modelo. O solver

determinará os valores ótimos para essas células.
Definindo as variáveis de decisão.
A seguir, devemos definir as células de restrição na planilha e as restrições que

se aplicam a essas células.
Atenção!
As células de restrição são aquelas em que implementamos as fórmulas para
cada restrição.
Para definir as células de restrição, siga os passos:
Clique no botão incluir.
Especificando as células de restrição — passo 1.
Preencha a caixa de diálogo incluir restrições.
Observe que as células E13 e E14 representam as células de restrição cujos

valores devem ser menores ou iguais aos indicados nas células G13 e G14,
respectivamente.
Já especificamos as restrições, mas ainda precisamos determinar que as

variáveis de decisão devem ser iguais ou maiores do que zero. Para isso, basta
clicar em tornar variáveis irrestritas não negativas na caixa de diálogo
parâmetros do solver, conforme indicado na figura a seguir. Enfim, para
encontrarmos a solução ótima para o problema, basta clicar no botão resolver.
Condições de não negatividade.
A figura a seguir apresenta a tela de saída do Excel com a solução ótima para o
problema da Fitwear.
Solução ótima para o problema da Fitwear.
Observe que x 1 deve ser 53,33, x 2 recebe 293,333 e o valor

ótimo de é igual a 13.226,67.
Utilização do solver para a solução de

video_library problemas de programação linear
O vídeo mostra um passo a passo para a resolução de um problema de
programação linear no solver do Excel.
Questão 1
A fábrica XYZ produz rações para a alimentação de gado. As rações são

elaboradas a partir da mistura de três diferentes tipos de grãos: 1, 2 e 3. Três
nutrientes são considerados no produto final: A, B e C.
Sabe-se que o grão do tipo 1 custa R$35,00 por kg. Um quilo de grão 1 possui
30mg de nutriente A, 10mg de nutriente B e 43mg de nutriente C. O grão do
tipo 2 custa R$23,00 por kg. Ainda, um quilo do grão 2 possui 28mg do
nutriente A, 17mg do nutriente B e 40mg do nutriente C. O grão do tipo 3
possui apenas 70mg do nutriente tipo A e um quilo deste tipo de grão custa
R$78,00.
A ração para gado deve conter, no mínimo, 1250mg de nutriente A, 380mg do

nutriente B e 980mg do nutriente C.
O analista deseja determinar uma composição da ração que minimize os

custos de produção, considerando que as necessidades mínimas dos
nutrientes sejam atendidas. Desse modo, é possível afirmar que a solução
ótima para o problema tem um valor de igual a:
A 262,84
B 1262,84
C 2262,84
D 3262,84
E 4262,84
Parabéns! A alternativa B está correta.
Como as rações são elaboradas a partir de três diferentes tipos de grãos,

temos que as variáveis de decisão são:
x1 = quilos de grão tipo 1 usados na produção de um quilo de ração
Como se deseja minimizar o custo de produção e sabe-se o custo do quilo de

cada tipo de grão, temos a seguinte função objetivo:
Min Z = 35x 1 + 23x 2 + 78x 3
Logo, podemos afirmar que a resposta certa para o exercício é a Letra E.

Porém, vamos continuar a construção do modelo matemático para este
problema.
A ração deve conter, no mínimo, 1250mg de nutriente A, 380mg do nutriente B

e 980mg do nutriente C. Assim, teremos três restrições com relação à
quantidade dos diferentes tipos de nutrientes. São elas:
30x 1 + 28x 2 + 70x 3 ≥ 1250 → Nutriente A
10x 1 + 17x 2 ≥ 380 → Nutriente B
43x 1 + 40x 3 ≥ 980 → Nutriente C
Portanto, temos que o modelo para este problema é:
Min Z = 35x 1 + 23x 2 + 78x 3
Sujeito a:
30x 1 + 28x 2 + 70x 3 ≥ 1250
10x 1 + 17x 2 ≥ 380
43x 1 + 40x 3 ≥ 980
x1 , x2 , x3 , x4 ≥ 0
A figura apresenta a tela de saída do Excel com a solução ótima para o

problema. Observe que x deve ser 22,79, x recebe 20,22 e x é nulo, sendo
1 2 3
o valor ótimo de z igual a 1262,84.
Solução ótima para o problema da Atividade 1.
Questão 2
Uma mãe está muito preocupada com a alimentação de seus filhos. Ela
deseja que as crianças tenham uma alimentação equilibrada e, por isso,
consultou uma nutricionista que lhe recomendou que eles comam, no
mínimo, 10mg de vitamina A, 70mg de vitamina C e 250mg de vitamina D por
dia.
Porém, além de se preocupar com a qualidade da alimentação, essa mãe

também está preocupada com os custos. Ela deseja oferecer aos seus filhos
essa dieta equilibrada, porém ao menor custo possível. Por isso, ela fez uma
pesquisa e descobriu as informações nutricionais para diferentes tipos de
alimento, conforme apresentado na tabela.
Vitamina Leite (l) Carne (kg)
A 2 2
C 50 20
D 80 70
Informações nutricionais em mg
A mãe também foi ao supermercado e verificou que um litro de leite custa

R$2,00, um quilo de carne custa R$20,00, um quilo de peixe custa R$25,00 e
para preparar 100g de salada ela gastaria R$3,00. Desse modo, é possível
afirmar que a solução ótima para o problema tem um valor de z igual a:
A 2,46
B 3,46
C 4,46
D 5,46
E 6,46
A variável de decisão deve ser x , sendo x a quantidade de alimento do tipo “i”

i
a ser consumida por dia. Logo, temos:
x1 = litros de leite a serem consumidos por dia pelas crianças
x2 = quilos de carne a serem consumidos por dia pelas crianças
x3 = quilos de peixe a serem consumidos por dia pelas crianças
x4 = 100g de salada a serem consumidos por dia pelas crianças
O modelo para este problema é:
Min Z = 2x 1 + 20x 2 + 25x 3 + 3x 4
Sujeito a:
2x 1 + 2x 2 + 10x 3 + 20x 4 ≥ 10
50x 1 + 20x 2 + 10x 3 + 30x 4 ≥ 70
80x 1 + 70x 2 + 10x 3 + 80x 4 ≥ 250
x1 , x2 , x3 , x4 ≥ 0
A figura apresenta a tela de saída do Excel com a solução ótima para o

problema. Observe que x deve ser 2,91 litros de leite, x e x são nulos,
1 2 3
enquanto x é igual a 208,33g de salada, sendo o valor ótimo de z igual a

4
6,46.
Solução ótima para o problema da Atividade 2.
Considerações finais
Neste conteúdo, visitamos os principais conceitos da Pesquisa Operacional,
abordando a sua origem e evolução como campo do conhecimento. Verificamos
a sua importância e a aplicabilidade de suas técnicas e ferramentas no apoio ao
processo de tomada de decisão em diferentes campos de atuação e setores.
Trabalhamos o conceito de modelo e vimos como um modelo nos traz

benefícios na análise de decisão. Nesse sentido, um modelo é uma simplificação
do problema a ser analisado, de modo que nos permite avaliar diferentes

cenários em menor tempo e com menos recursos.
Para que possamos de fato usufruir desses benefícios, é fundamental que o

modelo e a qualidade dos dados de entrada sejam fidedignos. Nesse contexto,
foram apresentados os principais passos a serem seguidos para o
desenvolvimento de um modelo matemático em estudos de Pesquisa
Operacional.
Uma das técnicas mais difundidas de Pesquisa Operacional é

a Programação Linear, cujos conceitos também foram
apresentados. Aprendemos sobre os principais elementos de
um modelo de Programação Linear e vimos como construir
esse tipo de modelo e encontrar sua solução por meio do
Método Gráfico. Todo esse conhecimento foi apresentado por
meio do desenvolvimento do modelo matemático para o
exemplo da Fitwear!
A Pesquisa Operacional pode nos auxiliar no apoio a processos de decisão, em

especial, para problemas complexos. Estudamos o método simplex, tanto pelo
modo analítico quanto pelo tabular, por meio do qual aprendemos a resolver
problemas de Programação Linear, encontrando a solução ótima para esse tipo
de problema. Contudo, resolvê-los manualmente é muito trabalhoso, envolvendo

um grande número de cálculos. Um simples erro em uma das contas requeridas
i li
https://stecine.azureedge.net/repositorio/00212ti/03824/index.html# l ã i d bl P i é i 136/140
implica encontrar uma solução equivocada para o problema. Por isso, é muito
importante conhecer softwares computacionais que permitem a solução de
problemas de programação matemática.
São muitos os softwares computacionais dedicados à solução de problemas de

programação matemática, como o CPLEx, o GAMS, o LINDO, o LINGO etc. No
entanto, problemas de Programação Linear podem ser resolvidos pelo solver de
pacotes de planilhas eletrônicas. Por fim, aprendemos a solucionar problemas
de Programação Linear por meio do solver do Excel. Isso certamente facilitará a
aplicação da Pesquisa Operacional à solução de problemas reais.
headset Podcast
Agora, a(o) especialista finaliza fazendo um resumo dos conteúdos estudados.
Referências
ARENALES, M. et al. Pesquisa operacional. Rio de Janeiro: Elsevier, 2007.
FOGLIATO, F. Pesquisa operacional. Porto Alegre, 2006. (Notas de aula).
GOLDBARG, M. C.; LUNA, H. P. Otimização combinatória e programação linear. 2.

ed. São Paulo: Campus, 2005.
LACHTERMACHER, G. Pesquisa operacional na tomada de decisões. Rio de

Janeiro: Campus, 2009.
RAGSDALE, C. T. Modelagem e análise de decisão. São Paulo: Cengage Learning,

2014.
RODRIGUES, L. H.; AHLERT, F.; LACERDA, D. P.; CAMARGO, L. F. R.; LIMA, P.

Pesquisa operacional: programação linear passo a passo: do entendimento do
problema à interpretação da solução. São Leopoldo: Unisinos, 2014.
COUGO, P. Modelagem conceitual e projeto de banco de dados. Rio de Janeiro:

Elsevier Brasil, 2013.
FÁVERO, L. P.; BELFIORE, P. Pesquisa operacional para cursos de administração.

Rio de Janeiro: Elsevier Brasil, 2012.
OLIVEIRA, F. Métodos quantitativos. Rio de Janeiro, 2016. (Notas de aula).
PRADO, D. Programação linear. Vol. 1. São Paulo: Falconi, 2016.
SOBRAPO – SOCIEDADE BRASILEIRA DE PESQUISA OPERACIONAL. O que é

Pesquisa Operacional? Disponível em meio eletrônico. Consultado em: 04 fev.
2021.
WINSTON, W. L.; GOLDBERG, J. B. Operations research: applications and

algorithms. Vol. 3. Belmont, Califórnia: Thomson/Brooks/Cole, 2004.
Explore +
Assista ao vídeo O que é Pesquisa Operacional?, da Sociedade Britânica de
Pesquisa Operacional (OR Society), disponível no YouTube, para entender melhor
o que é a Pesquisa Operacional, o desenvolvimento desse campo do
conhecimento e suas possibilidades de aplicação.
Leia os capítulos 1 e 2 do livro Pesquisa operacional na tomada de decisões, de

Gerson Lachtermacher, publicado em 2016.
Leia os capítulos 1, 2 e 3 do livro Modelagem e análise de decisão, de Cliff T.

Ragsdale, publicado em 2009.
Conheça métodos preparatórios (utilizados antes do emprego do simplex) para

resolver problemas diferentes do padrão de maximização com restrições do tipo
menor ou igual no capítulo 4 do livro Operations research: applications and
algorithms (Vol. 3), de Winston e Goldberg (2004).

Tema5 - Bases de Otimização Com o MS Excel

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tema5 - Bases de Otimização Com o MS Excel

Enviado por

Direitos autorais:

Formatos disponíveis

14/11/22, 09:40 Bases de Otimização com o MS Excel

Bases de Otimização com o MS Excel

Descrição A Pesquisa Operacional e a construção de modelos lineares utilizando o

Propósito Conhecer a natureza da Pesquisa Operacional e dominar a solução de

problemas de Programação Linear, por meio do método simplex ou pela

Preparação Para este conteúdo, são necessários uma calculadora e um software

Pesquisa Operacional Modelo de programação

Método simplex para a Solução de problemas de

decisão. No entanto, em situações complexas, o desenvolvimento de

Modelos são simplificações do objeto ou do problema de decisão que

A Pesquisa Operacional (PO) é o campo do conhecimento que trata do

No contexto da programação linear, que se aplica, por exemplo, no

video_library Apresentação do tema

A área de conhecimento que estuda,

A Pesquisa Operacional fornece ferramentas quantitativas ao processo de

de uso de técnicas de modelagem matemática e eficientes algoritmos

O estudo da PO permite o domínio de diversas técnicas

Por meio desses conceitos e das ferramentas quantitativas, poderemos analisar

Sociedade Brasileira de Pesquisa Operacional

Fundada em 1969, a Sociedade Brasileira de Pesquisa Operacional (SOBRAPO)

Além de organizar simpósios anuais, a SOBRAPO mantém as revistas Pesquisa

Origem – Circo de Blacket

A PO teve seus primeiros casos de aplicação no meio militar, durante a Segunda

Na ocasião, foram formados grupos de cientistas de diferentes especialidades a

O artigo apresentava um modelo

Os bons resultados obtidos com a aplicação das técnicas de

A partir de 1947, é crescente o interesse das indústrias na utilização das

Aplicação da PO na análise de decisão

Veja algumas empresas que utilizam a PO:

A Petrobrás é uma empresa petroleira que possui diversos especialistas

especialistas utilizam modelos matemáticos para analisar e criar

Entre os problemas resolvidos com auxílio da PO, podemos citar o

MRS Logística expand_more

A MRS Logística – operador ferroviário que atua na Malha Regional

A MRS possui especialistas em diversas técnicas de PO que utilizam seu

Consultoria especializada expand_more

Existem empresas de consultoria especializadas em Pesquisa

As empresas conseguem, com isso, rodar diversas análises, fornecendo

investimentos para obter o melhor rendimento possível. Nesse caso, o

O planejamento financeiro é apenas um exemplo de como você pode aplicar

Ao aplicar conceitos de PO para a

As decisões, portanto, não serão

"Um modelo é uma representação abstrata

É importante ter em mente que os modelos são versões

Na PO, modelamos os problemas matematicamente e, a partir do modelo obtido,

problema a ser analisado. Podemos utilizar diferentes tipos de modelos, como

Os diferentes tipos de modelo nos levam a adotar diferentes técnicas de PO,

Veja o posicionamento da Associação Brasileira de Pesquisa Operacional

Disciplinas da pesquisa operacional expand_more

Disciplinas da Pesquisa Operacional

A Associação Brasileira de Pesquisa Operacional (ABEPRO) é a

A Pesquisa Operacional, por ser uma importante área do conhecimento

De acordo com o documento da ABEPRO, a PO envolve resolução de

O documento ainda organiza as principais disciplinas de PO em:

1. Modelagem, Simulação e Otimização

5. Teoria dos Jogos

O foco deste tema é a Programação Matemática.

Conjunto de relacionamentos matemáticos e

O modelo matemático usa a lógica e a formulação matemática para obter uma

O uso de modelos matemáticos é mais barato do que replicar

Função objetivo - Sujeito a restrições

Nesse problema, você deseja maximizar seu rendimento – função objetivo. Os

Modelos estáticos ou dinâmicos expand_more

As variáveis de decisões nos modelos estáticos não envolvem