Pesquisa Operacional II

13/10/2023, 10:43 Pesquisa Operacional
PESQUISA OPERACIONAL
UNIDADE 2 - PROGRAMAÇÃ O LINEAR
Luciano Wallace Gonçalves Barbosa
https://codely-fmu-content.s3.amazonaws.com/Moodle/EAD/Conteudo/ENG_PESOPE_19/unidade_2/ebook/index.html 1/24
Introdução
Os ambientes coorporativos vêm sendo cada vez mais pressionados devido ao aumento da competitividade.
Com o avanço de mudanças e recursos tecnoló gicos, a tomada de decisão tem sido um tema que exige cada
vez mais atenção e cuidado dos gestores – afinal, a cada dia que passa, surgem mais e mais possibilidades de
condução de um negó cio, com suas peculiaridades distintas, demandando então a seleção da decisão que
retorne o maior lucro possível dentro daquelas que foram selecionadas como candidatas, ou paralelamente, ao
menor custo.
A Pesquisa Operacional vem ganhando espaço dentro do contexto de tomada de decisão desde a Segunda
Guerra Mundial (1939-1945), quando surgiu. Desde então, técnicas vêm sendo desenvolvidas e aprimoradas
no sentido de tornar essa ciência cada vez mais viável e promissora. Afinal, quais as técnicas matemáticas que
mais auxiliam decisõ es nos ambientes empresariais?
A Programação Linear é uma das mais clássicas técnicas da Pesquisa Operacional. Veremos, nesta unidade,
que sua principal função é reduzir o sistema real a um conjunto de equaçõ es e/ou inequaçõ es de primeiro
grau, resolvendo a modelagem por métodos algébricos. Mas como seria feita essa solução, uma vez que um
sistema pode ter inú meras variáveis e restriçõ es? A Programação Linear possui um poderoso algoritmo,
denominado simplex, que é capaz de resolver problemas com várias variáveis. Durante esta unidade, veremos
seu funcionamento.
Como você se sentiria ao saber que existe uma técnica relativamente simples, que pode auxiliar em problemas
complexos, chegando à melhor solução possível dentro de todas as candidatas? Pois bem, siga atento a este
estudo, pois a Programação Linear, ou PL, tem muito a te surpreender.
1.1 Definição
Muitos problemas das realidades das organizaçõ es podem ser construídos com a Programação Linear, que é
uma das técnicas mais utilizadas para a otimização. O motivo está relacionado à simplicidade dos modelos
que são gerados por esse método e pelas várias técnicas, incluindo computacionais, que conseguem encontrar
a solução do problema.
Um problema é considerado um Problema de Programação Linear (PPL) se, e somente se, for modelado e
escrito como um sistema real com função objetivo e restriçõ es, formando um conjunto de equaçõ es e/ou
inequaçõ es lineares, ou seja, as variáveis de decisão sendo polinô mios de primeiro grau (WINSTON, 2004).
Mas o que são função objetivo, variáveis de decisão e restriçõ es? Bom, o começo da modelagem em PL parte
desses três pilares. As variáveis de decisão são o início do problema e são responsáveis por descrever as
decisõ es a serem tomadas. Assim, caso seu problema seja a maximização de custos dentro de um mix de
produção, as variáveis de decisão serão responsáveis por retornar à quantidade de cada produto do portfó lio a
ser produzido. Portanto, se sua carteira de produtos contar com 30 itens, por exemplo, seu modelo terá 30
variáveis de decisão, uma correspondente a cada item, que ao final trará a quantidade exata de cada um que
deve ser produzida.
Em seguida, deve-se traçar a função objetivo, que está relacionada à meta buscada, sendo possível modelos de
minimização, geralmente relacionados a diminuição de custos, e maximização, que são voltados ao aumento
dos lucros. Assim, a função objetivo deve ser composta das variáveis de decisão que são acompanhadas pelos
respectivos valores correspondentes no tipo da modelagem. Por exemplo, se o problema é de maximização de
lucros, a função objetivo será composta pela soma dos 30 itens de seu portfó lio, multiplicando cada variável
de decisão pelo lucro correspondente de cada item.
Assim, ao final do modelo, como as variáveis de decisão correspondem às quantidades de produção de cada
item, foram multiplicadas pelo lucro unitário de venda de cada unidade, a função objetivo retorna ao valor que
a empresa obterá, caso siga o plano de produção ó timo indicado pela modelagem. Por ser um modelo de
maximização, não existe nenhum outro plano que retornará um valor maior do que o estabelecido, cumprindo
todas as restriçõ es do sistema.
Falando de restriçõ es, estas são as pró ximas a serem definidas, e isso deve ser feito com muita atenção: elas
são responsáveis por trazer para o modelo matemático a realidade total do sistema. Caso alguma limitação do
processo não seja traduzida para restrição, o modelo passa a não representar a realidade, comprometendo sua
solução. Assim como a função objetivo, as restriçõ es acompanham as variáveis de decisão, porém em forma
de equaçõ es e inequaçõ es, sempre de primeiro grau, para caracterização da linearidade do problema.
Dessa forma, a primeira parte da restrição deve apresentar o quanto cada variável de decisão consome de um
determinado recurso, e a segunda parte (apó s os sinais de ≤, = ou ≥), representa a disponibilidade total desse
recurso. Portanto, no exemplo seguido, caso cada item do portfó lio necessite ser processado por um
determinado tempo em uma máquina e a disponibilidade dessa máquina seja de 1000 horas, a restrição dessa
tecnologia é definida como a soma da multiplicação da quantidade de tempo que cada item necessita de
transformação nessa máquina pela variável de decisão correspondente a esse item, até que sejam somados
todos os produtos da carteira. A segunda parte da restrição é composta por “≤ 1000”, o que indica que a soma
do tempo dispendido para a fabricação de todos os produtos pela máquina deve ser menor que ou igual à
disponibilidade dela.
Todas essas restriçõ es são as chamadas restrições tecnológicas. Ainda, os PPLs devem apresentar as
restrições de não negatividade, em que todas as variáveis de decisão devem assumir valor igual ou maior
que zero (≥ 0), já que se pode optar em produzir ou em deixar de produzir algo, mas nunca em produzir
negativamente. Determinadas as variáveis de decisão, a função objetivo e as restriçõ es, o PPL está pronto para
ser resolvido.
Para garantir a linearidade de um PPL, três propriedades básicas devem ser satisfeitas, as quais são exibidas a
seguir (TAHA, 2008). Clique nos itens a conheça-as.
Proporcionalidade
Diz respeito à exigência de que a contribuição de cada variável de decisão, tanto na função objetivo quanto nas
restriçõ es, seja diretamente proporcional ao valor da pró pria variável. Na prática, como foi falado sobre a
contribuição de cada lucro dos produtos na função objetivo, essa regra exige que este não seja alterado no
decorrer da situação real. Por exemplo, caso a empresa que modelou o problema tenha uma política de
desconto para clientes que comprarem a partir de certa quantidade, essa política fere a regra da
proporcionalidade da contribuição de cada variável de decisão, deixando o problema de ser um PPL.
Aditividade
Diz respeito à necessidade de que todas as variáveis da função objetivo e das restriçõ es contribuam
individualmente na soma da contribuição total. Isso quer dizer que, por exemplo, na função objetivo, a soma
do lucro total é igual à soma individual que cada variável de decisão (item produzido) retorna. Então, caso o
aumento da venda de algum produto afete no comércio de algum outro produto, essa regra não é satisfeita,
tornando o problema não linear.
Certeza
Por ser um problema quantitativo, determinístico, todos os coeficientes que acompanham as variáveis de
decisão, tanto nas restriçõ es quanto na função objetivo, devem ser constantes conhecidas. Alguns valores
podem ser baseados em previsõ es estatísticas, porém serão válidos apenas se o desvio padrão dessas
estatísticas seja suficientemente pequeno.
Satisfeitas as três regras e definidos os três pilares, o problema está pronto para ser resolvido por técnicas de
programação linear. Conheceremos essas técnicas e aprenderemos a interpretar as soluçõ es trazidas por elas.
1.2 Espaço viável de um PPL

A Pesquisa Operacional é uma ciência para auxílio na tomada de decisão, que, como se sabe, é uma tarefa cada
vez mais complexa dentro das empresas, uma vez que, com o avanço e a mudança de tecnologias, as possíveis
alternativas para se resolver um problema têm sido cada vez mais numerosas. Assim, técnicas de PO, como a
Programação Linear, emergem no sentido de enumerar essas alternativas e solucionar aquela que retorne o
ganho mais positivo, seja em maximização de lucros ou minimização de custos.
VOCÊ O CONHECE?
Marcone Jamilson Freitas Souza é graduado em Engenharia Metalú rgica pela
Universidade Federal de Ouro Preto (Ufop), mestre e doutor em Engenharia de
Sistemas e Computaçã o pela Universidade Federal do Rio de Janeiro (UFRJ).
Atualmente é professor na Ufop e se dedica, há dé cadas, ao estudo da Pesquisa
Operacional, tendo vá rias publicações e orientações na á rea. Um de seus focos é a
aplicaçã o industrial de modelos de Programaçã o Linear, como na otimizaçã o
operacional de lavra em minas de cé u aberto e subterrâ neas (CURRÍCULO LATTES,
2019).
Vimos que os problemas são descritos em um conjunto de equaçõ es e inequaçõ es lineares. As restriçõ es
desse problema, então, são responsáveis por delinear o espaço de suas possíveis soluçõ es. Além disso, o
conjunto de restriçõ es deve ser observado como um todo, uma vez que a desobediência de apenas uma das
métricas do problema descaracteriza toda a solução.
Dizemos ser a solução de um PPL os valores resultados de todas as variáveis de decisão que, quando
substituídos na função objetivo, retornam ao valor ó timo do problema e ao ganho gerado nessa solução, ou
seja, quanto de lucro se obtém em problemas de maximização ou o quão dispendioso ficou o plano de custos
em casos de minimização.
Os valores das variáveis de decisão na solução ó tima são um conjunto tal que seria impossível atender a todas
as restriçõ es e resultar em uma função objetivo tão ó tima quanto ele. Assim, é fácil entender que toda solução
ó tima é uma solução viável, porém a recíproca não é verdadeira, isto é, dentro da região de soluçõ es viáveis,
haverá uma (ou, em alguns casos, mais de uma, porém que resultem em um valor idêntico da função objetivo
final) com valor da função objetivo máximo ou mínimo possível.
VOCÊ SABIA?
Na PL, existe o conceito de solução viável, que é uma soluçã o que atende a todas
as restrições do problema, e o conceito de solução ótima, que alé m de cumprir
todos os requisitos do modelo, ainda retorna o valor ótimo da funçã o objetivo,
que é o má ximo possível que ela pode alcançar, em problemas de maximizaçã o e,
analogamente, o mínimo possível em problemas de minimizaçã o.
Para entendermos melhor esse conceito de espaço viável, observamos esse exemplo adaptado da obra de Silva
et al. (2010), que pede para representar graficamente o PPL a seguir.
A ló gica de representação desse problema vem da clássica Á lgebra Linear: equaçõ es/inequaçõ es de primeiro
grau com duas variáveis podem ser descritas em um plano cartesiano por meio da criação das retas
correspondentes. Como se sabe, para se traçar uma reta, deve-se encontrar apenas dois pontos. Assim,
iniciando pelas restriçõ es, encontra-se os pontos referentes a cada uma e, posteriormente, esboça-se o plano
contendo todas elas.
As primeiras restriçõ es a serem levadas em consideração são as de não negatividade: e .
Considerando o eixo das abcissas como as variáveis e o das ordenadas como , e considerando que
ambas devem ser maior que ou igual a zero, isso indica que, no plano cartesiano, apenas o primeiro quadrante
contém as soluçõ es viáveis, já que em qualquer outro quadrante existe a necessidade de ao menos uma delas
ser negativa.
A posteriori, trabalhamos as restriçõ es tecnoló gicas. Para encontrar o primeiro ponto, arbitrariamente
escolhemos um valor para e substituímos na inequação, encontrando . Analogamente, para o segundo
ponto, arbitra-se um valor para e encontra-se . Dados os dois pontos, traça-se a reta. A dica é sempre
escolher valores de e igual a zero, para facilitar o encontro da outra variável. Para encontrar o outro
ponto, inequaçõ es são consideradas como equaçõ es. Os sinais de ≥ e ≤ voltam a ser analisados ao traçar o
plano. A representação dos pontos é dada por ( ). Vejamos o exemplo:
A representação das restriçõ es é exibida na figura a seguir, lembrando que a cor das retas corresponde à cor de
cada restrição:
Figura 1 - Representação gráfica das restriçõ es.

Fonte: Elaborada pelo autor, 2019.
Agora, voltamos a reconsiderar as equaçõ es como inequaçõ es. Sabemos que as retas precisam ter um sentido,
uma vez que as soluçõ es são maiores que ou igual ou menores que ou igual. Para isso, usamos um ponto
qualquer, dentro do plano cartesiano, e testamos se esse ponto faz parte ou não daquela restrição. Se a
resposta for positiva, o sentido da reta é ir ao encontro do ponto. Caso contrário, a reta de restrição vai em
sentido contrário ao ponto. Para facilitar, é sugerido utilizar o ponto (0,0), que é a origem do plano cartesiano.
Ao se determinar os sentidos de todas as restriçõ es, pode-se encontrar o espaço de soluçõ es viáveis de
problema, que consiste na região onde todas as restriçõ es são atendidas. Assim, esse espaço se dá como:
Figura 2 - Representação da região viável do problema.

Fonte: Elaborada pelo autor, 2019.
Assim, a restrição azul, que deu negativa no teste do ponto, vai contra a origem (0,0), conforme a seta. O
mesmo ocorreu com a restrição verde. Já a laranja aceitaria o ponto de teste, porém, como as demais já o
haviam retirado como inviável, ele já não pode participar do problema. A orientação das setas demonstra que,
até certo ponto, uma restrição restringe mais do que outra. O conjunto de tudo dá o espaço viável do
problema. Dentro da área destacada de cinza, qualquer ponto é solução viável do PPL, isto é, atende a todas as
restriçõ es. Se testarmos o ponto (4,4), por exemplo, que está na área viável, veremos que ele respeita todas as
restriçõ es. Porém, não quer dizer que seja o ponto ó timo.
Note que a área viável desse problema é infinita, isso é, para todo e qualquer e , as
soluçõ es são viáveis. Isso é muito comum em problemas de minimização, já que as soluçõ es no espaço
infinito, por mais que sejam viáveis, estão longe de ser ó timas.
VAMOS PRATICAR?
Você acaba de aprender como é feita a delineaçã o de uma á rea de s
viáveis, passo a passo. Essa é uma das etapas mais importantes de um Pr
de Programaçã o Linear e seria interessante que você soubesse exatamen
é feito esse processo. Para isso, refaça o exemplo exibido à mã o, traçando
cartesiano e as respectivas restrições. Isso te ajudará ao realizar provas, po
noçã o de tudo isso sem a necessidade de auxílio computacional. Para rep
as imagens realizadas no exemplo, utilize o Geogebra gratuit
Nesse software, basta você delinear as variáveis de decisã o como ‘x’ e ‘y’
retas logo aparecem no plano cartesiano. Exper
https://www.geogebra.org/m/KGWhcAqc
(https://www.geogebra.org/m/KGWhcAqc)
Dentro de um PPL, a solução ó tima sempre estará em algum extremo, isto é, no encontro de duas (ou mais)
retas. Portanto, nesse exemplo, os pontos candidatos a ó timos são (5,0), (8,0), (0,10) e o ponto de encontro
das retas azul e verde, que é encontrado na solução do sistema de equaçõ es que contém as duas restriçõ es
referentes às retas.
Para a solução desse problema via método gráfico, basta traçar a função objetivo como uma reta, conforme
fizemos com todas as restriçõ es, e transladá-la até que encontre o ú ltimo ponto extremo no sentido de
minimização, que nesse caso será o ponto (5,0), retornando um valor mínimo de 10.
VOCÊ QUER VER?

Quer fixar ainda melhor o entendimento do conteú do? Certeza que sim. Entã o, venha
comigo e assista ao vídeo Pesquisa operacional I – Aula 6 – Método simplex:
interpretação gráfica (UNIVESP, 2016). Nele, você consegue ver como é definida a
regiã o de soluções viáveis de um problema e como é feito o translado da funçã o
objetivo para encontrar o extremo ótimo dentro da á rea viável. Disponível em:
https://www.youtube.com/watch?v=29q6FcbTWeU
(https://www.youtube.com/watch?v=29q6FcbTWeU)
O método gráfico é viável quando se tem apenas duas variáveis de decisão. Mas e quando tivermos mais?
Bom, aí existem outras técnicas, que usam o raciocínio algébrico desse método para encontrar a solução.
Venha conhecer!
1.3 O algoritmo simplex

Importantes acontecimentos na Programação Linear, segundo Arenales et al. (2007), sucederam-se no ano de
1947, quando foi desenvolvido o método simplex, seguido de pesquisas de novos métodos e implementaçõ es
eficientes. Muitos softwares gerados para solução de problemas de PL trabalham na ló gica do algoritmo
simplex.
Como visto, problemas com duas variáveis de decisão podem, facilmente, ser trazidos para o método gráfico e
ser resolvidos. Porém, a maior parte dos PPLs conta com mais variáveis de decisão, o que demanda uma
técnica mais robusta. Assim, surge o algoritmo simplex, que segue a ló gica da solução gráfica, porém por meio
de quadros que realizam operaçõ es com as equaçõ es das restriçõ es.
1.3.1 Conversão das inequações em equações

O primeiro passo a se realizar para iniciar o método simplex é converter todas as inequaçõ es do modelo para
equaçõ es e, para isso, usaremos o conceito de variável de folga, que são variáveis adicionadas nas restriçõ es
para torná-las equaçõ es.
Imagine a restrição . Note que o primeiro lado da expressão (1 ) deve ser
maior que o segundo lado (10). Para que isso aconteça e possamos alterar o sinal de para o sinal de =,
devemos então diminuir algum valor desse lado, isso porque, como a restrição garante que ele é maior que
10, ao diminuirmos algo, podemos dizer que ele é igual a 10. Esse valor diminuído será a variável de folga,
que trataremos aqui com o índice , remetendo à ‘sobra’. Essa restrição, então, ficaria da seguinte forma:
.
Analogamente, se a restrição fosse , deveríamos então somar a variável de folga, pois

se já existe a garantia de que seja menor que ou igual, apenas somando algo (até mesmo somando 0), podemos
garantir a igualdade. A equação ficaria dessa forma: .
Atenção: as variáveis de folga devem sempre ser maiores que ou iguais a zero. Nunca negativas.
1.3.2 Natureza iterativa do método simplex

O método simplex é baseado na ló gica do aumento de uma variável por vez, sendo selecionada aquela que tem
a melhor taxa de melhoria na função objetivo. São denominadas variáveis básicas aquelas que assumem
valores positivos na solução, ao passo que as que assumem zero são denominadas variáveis não básicas
(TAHA, 2008). As soluçõ es são denominadas solução básica até que alcancem a otimalidade. Esses conceitos
ficarão mais claros a seguir.
Por enquanto, é importante saber, também, que ao terminar uma solução básica, o método busca uma pró xima
variável não básica a entrar e contribuir positivamente na função objetivo. Entre uma iteração e outra do
algoritmo, serão realizadas estas perguntas: qual variável não básica entrará na base? Qual das variáveis
básicas sairá da base para que a não básica entre?
1.3.3 Detalhes do algoritmo simplex

Elucidados os pontos acima, vamos a um exemplo, que é a melhor forma para se compreender um problema
determinístico. Acompanhe os detalhes, as iteraçõ es e as regras para responder às perguntas da subseção
anterior, com esse exercício retirado da obra de Taha (2008, p. 43).
Exemplo:
Use o algoritmo simplex para resolver o seguinte PPL:
Sujeito a
Como sabemos, o primeiro passo é transformar as inequaçõ es em equaçõ es, por meio da adição das variáveis
de folga. Elas entram na função objetivo com multiplicador zerado, já que não possuirão contribuição. O
modelo canonizado fica da seguinte forma:
Sujeito a
Note que cada restrição possui sua pró pria variável de folga. A seguir, a função objetivo é reescrita como:
. Assim, a tabela simplex é escrita pelos coeficientes de cada variável. A primeira
tabela é assim representada:
VNB:
VB:
Como visto, as iteraçõ es do simplex inicial em (0,0) para ( ). Assim, substituindo essa solução na
tabela, encontra-se imediatamente os valores das VBs, por leitura direta:
Como existem variáveis não básicas ( ) com valores negativos (porque invertemos o sinal no início do
algoritmo), indica que o problema ainda pode melhorar. Então, entramos com a variável , que pode agregar
cinco unidades na função objetivo. Essa é a chamada regra de otimalidade.
Agora, para saber a variável que sairá, é necessário o cálculo das razões não negativas entre a coluna
solução da tabela, que corresponde ao lado direito das restriçõ es, e o coeficiente da restrição correspondente à
variável que está entrando, no caso . Observe a tabela abaixo:
Assim, na nova tabela do algoritmo, as variáveis são:

VNB:
VB:
Para montar a pró xima tabela, são realizadas operaçõ es de Gauss-Jordan, onde a coluna pivô é denominada a
coluna da variável que entra na base, e a linha pivô é a linha da variável que sai da base. O elemento de
interseção da coluna pivô com a linha pivô é o elemento pivô. Veja:
Os cálculos necessários são:

1. Linha do pivô :
a) Realizar a substituição da variável que saiu da base, na coluna Base, pela variável que entrou;
ô
b) Nova linha pivô
ô
2. Todas as demais linhas, incluindo a linha z:
Nova linha
ô ô
Seguindo o exemplo, esses cálculos ficam:
1. Substituição de na coluna base por :
Nova linha
2. Nova linha
(1 -5 -4 0 0 0 0 0) – (-5)
3. Nova linha
4. Nova linha
(0 -1 1 0 0 1 0 1) – (–1)
5. Nova linha
(0 0 1 0 0 0 1 2) – (0)
A solução básica e a nova tabela são:
Solução básica: , , , .
Seguindo o mesmo raciocínio empregado, vê-se que , pertencente às VNBs, possui valor negativo, então
ainda pode contribuir na função objetivo, portanto, é a variável que entra na base. Entre as variáveis que estão
na base, a que possui a menor razão é (1,5), portanto, é a variável escolhida para sair. Realizando
exatamente as analogias da iteração passada, a pró xima tabela do simplex é a seguinte:
VNB:
VB:
Como nenhum coeficiente das VNBs é negativo, o algoritmo para e essa é a solução ó tima.
Veja, na imagem abaixo, a representação gráfica do problema tratado neste exemplo:
Figura 3 - Representação gráfica do problema.

Fonte: TAHA, 2008, p. 43.
As variáveis de folga adicionadas no modelo, ao fim do algoritmo, têm o papel de demonstrar o status do
recurso da restrição a qual foi associada. Como , as restriçõ es às quais essas variáveis
foram associadas são abundantes, ao passo que , as restriçõ es associadas a estas são
escassas, isto é, utilizaram todos os recursos disponíveis. O ú ltimo quadro simplex traz inú meras
informaçõ es ú teis, que serão vistas a posteriori.
1.4 Análise de sensibilidade

A análise de sensibilidade é uma importante consideração a ser feita do modelo de Programação Linear
resolvido, porque os dados coletados para esse problema dependem de aspectos, como o desempenho do
processo produtivo, o mercado etc. Assim, ela é responsável por analisar até quanto esses aspectos podem
variar, mantendo estável a solução adotada (SILVA et al., 2010). Assim, trazemos um exemplo da obra dos
referidos autores, para contextualizar o conceito (p. 129):
Exemplo:
Sujeito a
jeito ualizar o conceito: o autor, para melhor entender o coara ficar mais claro o
entendiento
O quadro simplex inicial do algoritmo é dado a seguir:
Quadro final:
A solução apresentada no quadro final será alterada caso entre na base alguma variável não básica, ou seja,
. O objetivo é maximizar o lucro e o foco é saber qual tipo de variação a variável pode sofrer
sem alterar a solução ó tima.
Entrada de
Pelo quadro final, observando a coluna dos coeficientes de x1, se alterarmos seu valor de 0 para 1, temos:
diminui em 0,154
diminui em 0,385
diminui em 0,462
O coeficiente de que permite a entrada de é um coeficiente que iguala o aumento de lucro com a
entrada de com a diminuição do lucro devido às outras variáveis .
Os lucros são conhecidos da tabela inicial do algoritmo e, para termos analíticos, traremos o lucro de para
a terminologia Assim, tem-se:
Entrada de
Alterarmos seu valor de 0 para 1, temos:
diminui em -0,308
diminui em 0,231
diminui em 0,077
Entrada de
Alterarmos seu valor de 0 para 1, temos:
diminui em -0,23
diminui em -0,077
diminui em 0,308
Portanto, as análises foram feitas e encontrados os valores críticos para , que ordenados ficam da seguinte
forma:
Como os valores não podem ser negativos, assume-se então que, para manter a solução estável, o lucro de
tem que estar entre 0,75 e 2, ou seja, .
VAMOS PRATICAR?
Acabamos de aprender como se faz a aná lise de sensibilidade de um Prob
Programaçã o Linear, ou seja, agora já sabemos até quanto os coeficie
funçã o objetivo podem ser alterados, sem que a soluçã o ótima seja mod
Isso quer dizer que, dentro dos intervalos aceitos, a quantidade de cada pr
ser fabricado é a mesma, a ú nica coisa que altera é o valor da funçã o objeti
imagina o motivo? Analise a Figura 3 deste e-book para raciocinar. A d
inclinaçã o da funçã o objetivo faz toda a diferença.
Existem outras formas de se analisar a sensibilidade de um modelo de Programação Linear, mas, para o
ambiente industrial, a mais importante é saber até quanto um lucro pode variar, mantendo a otimalidade do
problema.
1.5 Dualidade
Segundo Taha (2008, p. 68, grifos nossos), “[...] o problema dual é um PPL definido direta e sistematicamente
de acordo com PPL primal (original). Os dois problemas guardam uma relação tão estreita que a solução
ó tima de um [...] é a solução ó tima do outro”.
Uma das grandes vantagens dos problemas duais é a análise pó s-otimização, que permite a identificação de
importantes características do modelo resolvido. Para construção do problema dual, existem regras, que são
enunciadas a seguir.
A primeira delas é que o tipo da função objetivo é diferente no dual. Então, problemas primais de maximização
possuem dual de minimização e vice-versa. Ainda, as restriçõ es do problema primal tornam-se as variáveis
de decisão do dual, assim como as variáveis de decisão do primal são as restriçõ es do dual.
Evidentemente que esse conceito é complexo. Exibiremos como deve ser feita a transformação de um
problema em dual e seguiremos com um exemplo, para facilitar o seu entendimento. Vamos ver!
Quadro 1 - Regras para construção do problema dual.

Fonte: Elaborado pelo autor, baseado em TAHA, 2008.
A ideia é a inversão. Os coeficientes das variáveis de decisão na função objetivo tornam-se a parte direita das
restriçõ es do dual. Ao obedecer às regras exibidas no quadro acima, as restriçõ es do primal passam a ter
relação com a função objetivo do dual. Vejamos, na prática, com esse exemplo retirado da obra de Taha (2008,
p. 69).
CASO
Entendamos o conceito da dualidade. O problema, que era de maximizaçã o,
tornou-se de minimizaçã o. O primal tinha duas restrições tecnológicas, portanto o
dual terá duas variáveis de decisã o, , que sã o acompanhadas pelos
coeficientes das restrições do primal. Como ele contava com trê s variáveis de
decisã o, o dual contará com trê s restrições e os coeficientes destas será
acompanhado pelo valor que acompanhava cada variável de decisã o
correspondente na funçã o objetivo do primal.
Como a primeira restriçã o do primal era de , a variável de decisã o
correspondente a esta no dual será . Paralelamente, como a segunda restriçã o
era uma igualdade, se torna irrestrita no dual. Assim:
Em termos práticos, caso um problema primal vise à maximização dos lucros, sua versão dual será
responsável pela minimização dos recursos necessários para a fabricação, considerando aspectos do lucro. A
vantagem disso na prática industrial, por exemplo, é analisar em termos de estoque, como um PPL está se
comportando apó s a otimização.
1.4.1 Interpretação econômica do dual
Para a Engenharia, a maior vantagem de uma análise pó s-otimização é a interpretação econô mica de como será
a atuação desse modelo na prática. Silva et al. (2010, p. 85) trazem um tó pico sobre essa parte muito
interessante, o qual será adaptado e abordado aqui.
Exemplo: Considere o exemplo abaixo, que trata de um mix de produção dos produtos A e B, que dependem
dos recursos X e Y. O quadro abaixo resume os dados:
Agora, observe os modelos primal e dual desse PPL:

Primal:
Sujeito a
(recurso X)
(recurso Y)
A resolução desse modelo pelo algoritmo simplex retorna o seguinte quadro final:
Dual:
Sujeito a
A resolução deste modelo dual pelo algoritmo simplex retorna o seguinte quadro final:
Assim, as seguintes interpretaçõ es econô micas são retiradas desse caso e podem ser adaptadas para todo e
qualquer modelo de PPL que se deseja construir o modelo dual:
o valor de C (C=30) é obtido no primal S1, representando o valor de oportunidade do recurso X, ou seja, cada
unidade do recurso X tem a capacidade de geração de um lucro de 30. Isso é validado pelo fato de a variável S1,
no primal, ter sido igual a zero, indicando esse ser um recurso escasso. A mesma coisa é feita para analisar o
recurso Y, que tem ligação com a variável D no dual. O fato de ele ser zero é coerente, uma vez que o valor de
S2, sua representação no primal, é igual a 500, portanto, não é um recurso escasso;
no problema dual, a função objetivo mede o valor de oportunidade dos recursos envolvidos na produção, ou
seja, a capacidade do estoque gerar lucro. Na solução ó tima, esse valor é exatamente igual ao lucro atribuído
aos produtos pelo mercado;
cada restrição compara o valor de oportunidade dos produtos pelos recursos. Na primeira, por exemplo, 2C +
10D indica que o produto A, que usa duas unidades de X e 10 de Y, tem esse valor em termos desses produtos.
O lado esquerdo, 50, indica o valor de mercado, que é exatamente o lucro do produto A.
VOCÊ QUER VER?

Quer ver como é aplicada, na prá tica das indú strias, a PL? Leia o artigo de Barbosa et
al. (2016), no qual os autores utilizaram a té cnica para a soluçã o de um problema em
uma empresa de pequeno porte. Nesse texto, você conseguirá observar todos os
detalhes da formulaçã o do problema e a soluçã o, alé m das interpretações econômicas.
Disponível em: http://www.simpep.feb.unesp.br/abrir_arquivo_pdf.php?
tipo=artigo&evento=11&art=992&cad=22265&opcao=com_id.
Chegamos ao fim dos conceitos principais de PPLs. Agora, você já é capaz de resolver um PPL e analisá-lo de
diferentes formas. Vale lembrar que existem pacotes computacionais que auxiliam nesse quesito. Busque
sobre complementos, como o Solver, do Excel, que é bem simples e prático.
VAMOS PRATICAR?
Caro, estudante, para que você possa se apropriar cada vez m
conhecimentos adquiridos nesta unidade, disponibilizamos uma lista de ex
e suas respectivas resoluções.
Lembre-se: A prá tica é um dos caminhos mais assertivos para ter domín
os conceitos aprendidos. Faça as atividades e, na sequê ncia, confira as re
Bons estudos!
Clique
(https://laureatebrasil.blackboard.com/bbcswebdav/institution/laur
onteudos/ENG_PESOPE_19/unidade_2/ebook/ENG_PESOPE_19_E_2_exer
pdf) para acessar os exercícios.
Clique
(https://laureatebrasil.blackboard.com/bbcswebdav/institution/laur
onteudos/ENG_PESOPE_19/unidade_2/ebook/ENG_PESOPE_19_E_2_gab
df) para acessar as resoluções.
Síntese
Legal, terminamos uma unidade inteira que tratou da Programação Linear e de seus métodos de resolução,
gráfico e simplex. Além disso, aprendemos a realizar análises que são muito ú teis no contexto de engenharia e
tomada de decisão.
Nesta unidade, você teve a oportunidade de:
• aprender a definição detalhada de um Problema de Programação

Linear, todas as suas peculiaridades e exigências para que seja
assim caracterizado;
• ver como deve ser feita a delimitação das regiões viáveis de um
PPL;
• diferenciar as soluções viáveis das soluções ótimas;
• fazer a montagem de um PPL na forma canônica para que possa
ser modelado dentro do algoritmo de solução;
• conhecer o simplex e suas iterações para resolução de PPLs;
• por meio dos quadros simplex, aprender a analisar os intervalos

viáveis que as variáveis podem assumir;
• criar modelos duais que auxiliam na interpretação econômica da
solução otimizada.
Bibliografia
ARENALES, M. N. et al. Pesquisa operacional. Rio de Janeiro: Elsevier, 2007.
CURRÍCULO LATTES. Marcone Jamilson Freitas Souza. Disponível em:
http://buscatextual.cnpq.br/buscatextual/visualizacv.do?
id=K4793954E6&tokenCaptchar=03AOLTBLQjiCyc3lIjsdhWJQ7O1VpLuqWLv8p3Z_O-
X2xKUsguQrpd7GZyLMSEqikPEH-
hCBUQsgLSyTKpohiv5RVZERZI1A_yFZgHR93BO9WtiIR9lYS0ZEQEA9i1_73elpJjD5d2LTF-
7qhwB8PuNz3pbaFipHu5ihMiZ3AQTZiqGtQ_qxIluzJqcwQEeUgGAKXflSA77FshcpnaWT6HimmlBRClOqnAzdg
HkjkFQPrULtqYF7nSlZ86Zpi8Y9RF-nJRJtO5A4-
0b3isqr48rheE1y7gXeDihYPnxlatqIFCeZkazXCpgNbgZYjgfPFMcXzYBjfaT51p5V64ylQH3r06euuTESx7tw
(http://buscatextual.cnpq.br/buscatextual/visualizacv.do?
id=K4793954E6&tokenCaptchar=03AOLTBLQjiCyc3lIjsdhWJQ7O1VpLuqWLv8p3Z_O-
X2xKUsguQrpd7GZyLMSEqikPEH-
hCBUQsgLSyTKpohiv5RVZERZI1A_yFZgHR93BO9WtiIR9lYS0ZEQEA9i1_73elpJjD5d2LTF-
7qhwB8PuNz3pbaFipHu5ihMiZ3AQTZiqGtQ_qxIluzJqcwQEeUgGAKXflSA77FshcpnaWT6HimmlBRClOqnAzdg
HkjkFQPrULtqYF7nSlZ86Zpi8Y9RF-nJRJtO5A4-
0b3isqr48rheE1y7gXeDihYPnxlatqIFCeZkazXCpgNbgZYjgfPFMcXzYBjfaT51p5V64ylQH3r06euuTESx7tw).
Acesso em: 28 jul. 2019.
SILVA, E. M. et al. Pesquisa operacional: para os cursos de administração e engenharia. 4. ed. São Paulo:
Atlas, 2010.
TAHA, H. A. Pesquisa operacional. 8. ed. São Paulo: Pearson, 2008.
UNIVERSIDADE VIRTUAL DO ESTADO DE SÃ O PAULO (Univesp). Pesquisa operacional I – Aula 6 – Método
simplex: interpretação gráfica. 10 ago. 2016. Disponível em: https://www.youtube.com/watch?
v=29q6FcbTWeU (https://www.youtube.com/watch?v=29q6FcbTWeU). Acesso em: 28 jul. 2019.
WINSTON, W. L. Operations research, applications and algorithms. 4. ed. Belmont: Thomson Learning,
2004.
BARBOSA, L. G. W. Programação linear na decisão de mix de produtos para estocagem: um caso do setor
moveleiro. In: SIMPÓ SIO DE ENGENHARIA DE PRODUÇÃ O, 23. Anais [...]. Bauru, 2016. Disponível em:
http://www.simpep.feb.unesp.br/abrir_arquivo_pdf.php?
tipo=artigo&evento=11&art=992&cad=22265&opcao=com_id
(http://www.simpep.feb.unesp.br/abrir_arquivo_pdf.php?
tipo=artigo&evento=11&art=992&cad=22265&opcao=com_id). Acesso em: 28 jul. 2019.

Pesquisa Operacional II

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

Pesquisa Operacional II

Enviado por

Direitos autorais:

Formatos disponíveis

13/10/2023, 10:43 Pesquisa Operacional

Luciano Wallace Gonçalves Barbosa

1.2 Espaço viável de um PPL

Figura 1 - Representação gráfica das restriçõ es.

Figura 2 - Representação da região viável do problema.

VOCÊ QUER VER?

1.3 O algoritmo simplex

1.3.1 Conversão das inequações em equações

Analogamente, se a restrição fosse , deveríamos então somar a variável de folga, pois

1.3.2 Natureza iterativa do método simplex

1.3.3 Detalhes do algoritmo simplex

Assim, na nova tabela do algoritmo, as variáveis são:

Os cálculos necessários são:

A solução básica e a nova tabela são:

Veja, na imagem abaixo, a representação gráfica do problema tratado neste exemplo:

Figura 3 - Representação gráfica do problema.

1.4 Análise de sensibilidade

O quadro simplex inicial do algoritmo é dado a seguir:

Quadro 1 - Regras para construção do problema dual.

1.4.1 Interpretação econômica do dual

Agora, observe os modelos primal e dual desse PPL:

VOCÊ QUER VER?

• aprender a definição detalhada de um Problema de Programação

• por meio dos quadros simplex, aprender a analisar os intervalos

Você também pode gostar