Escolar Documentos
Profissional Documentos
Cultura Documentos
Nutriente X 10 20 2
Nutriente Y 40 60 64
Nutriente Z 50 20 34
Custo por
100g R$ 0,60 R$ 0,80
Solução
𝑥1 ≥ 0, 𝑥2 ≥ 0
2 - Problema da fábrica de calçados
Horas 3 4 120
Mão-de-obra 1 2 50
Solução
𝑥1 ≥ 0, 𝑥2 ≥ 0
3 - Problema das ligas metálicas
Solução :
No exemplo o objetivo é maximizar a receita de uma
produção cujos quantitativos relativos são passíveis de
“programação”. O problema está colocado exatamente
no planejamento desses quantitativos, portanto nada
mais natural que as variáveis do programa sejam os
quantitativos das ligas produzidas.
Solução (cont.)
Solução (cont.)
𝑥1 ≥ 0, 𝑥2 ≥ 0
4 - Problema da pequena fábrica
Solução
Solução (cont.)
Solução (cont.)
Solução
Solução (cont.)
Padrão 10 10 12 19 19
Médio 10 15,5 16 21 21
Grande 12 17 19 24 22
6 - Problema da fábrica de facas
Corte 10 10 12 14.400
Afiação 12 16 19 21.600
Cabo 19 21 24 28.800
Montagem 19 21 22 28.800
Material 25 32 45 50.000
Solução
Ovos 4 3 4 23
Solução
Solução
Solução (cont.)
Solução (cont.)
𝑥1 ≥ 0, 𝑥2 ≥ 0 , 𝑥3 ≥ 0 , 𝑥4 ≥ 0
9 - Problema da fábrica de móveis
Solução
O objetivo é maximizar a receita de uma produção
cujos quantitativos relativos são passíveis de
planejamento. A diferença corre por conta do maior
número de quantitativos (ou variáveis à programar).
Solução (cont.)
Solução (cont.)
𝑥1 ≥ 0, 𝑥2 ≥ 0 , 𝑥3 ≥ 0 , 𝑥4 ≥ 0
Pesquisa Operacional
03 – Problemas de Programação Linear
Resolução Gráfica
Variáveis de decisão:
x1 =quantidade de ingrediente do tipo 1 presente na mistura
x2 =quantidade de ingrediente do tipo 2 presente na mistura
Modelo Matemático:
𝒙𝟏 ≥ 𝟎, 𝒙𝟐 ≥ 𝟎
Resolução Gráfica
Exemplo – Problema da Mistura
Resolução Gráfica
Exemplo – Problema da Mistura
Resolução Gráfica
Exemplo – Problema da Mistura
Resolução Gráfica
Exemplo – Problema da Mistura
Resolução Gráfica
Exemplo – Problema da Mistura
Resolução Gráfica
Exemplo – Problema da Mistura
Resolução Gráfica
Exemplo – Problema da Mistura
Resolução Gráfica
Exemplo – Problema da Mistura
Resolução Gráfica
Exemplo – Problema da Mistura
Resolução Gráfica
Exemplo Minimização
𝒙𝟏 ≥ 𝟎, 𝒙𝟐 ≥ 𝟎
Fonte: http://www.phpsimplex.com/
Legenda:
Vermelho: solução inviável
Branco: solução viável
Verde: solução Ótima
Resolução Gráfica
Exemplo Maximização
𝑴𝒂𝒙 𝒁 = 𝒙𝟏 + 𝟐𝒙𝟐
𝑆. 𝐴:
𝒙𝟏 + 𝟐𝒙𝟐 ≤ 𝟏𝟎
𝒙𝟏 + 𝒙𝟐 ≥ 𝟏
𝒙𝟐 ≤ 4
𝒙𝟏 ≥ 𝟎, 𝒙𝟐 ≥ 𝟎
Fonte: http://www.phpsimplex.com/
Legenda:
Vermelho: solução inviável
Branco: solução viável
Verde: solução Ótima
Resolução Gráfica
Soluções Possíveis
Solução Única
Resolução Gráfica
Soluções Possíveis
Solução Ilimitada
Resolução Gráfica
Soluções Possíveis
O conjunto de soluções
viáveis é VAZIO
Existem restrições
incompatíveis
Problema Inviável
DISCIPLINA: Pesquisa Operacional
Professor: Vinicius De Filippo
EXERCÍCIOS
2 x1 x2 7
x1 4 x2 0
2 1 x1 7
1 4 x 2 0
Sistemas de Equações Lineares
Ou ainda: Ax b
2 1 x1 7
A b x
1 4 x2 0
Exemplo: 4 x1 8 x2 160
6 x1 4 x2 120
4 x1 8 x2 160
12 x1 8 x2 240
Método Algébrico por Adição
Somando as duas equações, chega-se a:
8x1 80
Daí, calcula-se facilmente o valor de x1 e, substituindo este valor em qualquer
uma das equações acima, calcula-se o valor de x2
x1 10
x2 15
Método Algébrico por Substituição
Isola-se uma das variáveis em uma das equações, substituindo-se a relação obtida
na outra equação
Exemplo:
4 x1 8 x2 160
6 x1 4 x2 120
Manipulando a primeira equação, temos:
160 8 x2
x1 40 2 x2
4
Método Algébrico por Substituição
Substituindo x1 na segunda equação,
6.(40 2 x2 ) 4 x2 120
240 12 x2 4 x2 120
8 x2 120
x2 15
x1 10
Método Eliminação de Gauss Jordan
Consiste da derivação de um sistema específico de equações lineares que tenha a
mesma solução que o sistema original
Este novo sistema deverá ter o formato de uma matriz identidade, o que pode
ser obtido através de combinações lineares das equações originais
4 x1 8 x2 160 1x1 0 x2 a
6 x1 4 x2 120 0 x1 1x2 b
Método de Gauss Jordan
São permitidas as seguintes transformações lineares:
Troca de linhas
Multiplicação da linha por um escalar
Soma de uma linha multiplicada por um escalar a uma outra linha
Notação:
Ln Lm : troca das linhas n e m
Ln kLn : multiplicação da linha n pelo escalar k
Ln Ln kLm : soma da linha m multiplicada pelo escalar k à linha n
Método de Gauss Jordan
Para solução do exemplo acima:
1) L1 L1 / 4 (divisão da linha 1 por 4) - transformação do coeficiente de x1
na equação 1 para 1
1x1 2 x2 40
6 x1 4 x2 120
1) L2 L2 6L1 (subtração da linha 2 pela linha 1 multiplicada por 6) -
transformação do coeficiente de x1 na equação 2 para 0
1x1 2 x2 40
0 x1 8 x2 120
Método de Gauss Jordan
3) L2 L2 / 8 (divisão da linha 2 por (– 8)) - transformação do coeficiente de x2 na
equação 2 para 1
1x1 2 x2 40
0 x1 1x2 15
4) L1 L1 2L2 (subtração da linha 1 pela linha 2 multiplicada por 2) -
transformação do coeficiente de x2 na equação 1 para 0
1x1 0 x2 10
x1 10 0 x1 1x2 15
Solução:
x2 15
Exercício 1:
Resolva o seguinte sistema de equações lineares utilizando o
método Eliminação de Gauss Jordan
40 x1 25 x2 400
24 x1 30 x2 360
Exercício 2:
Resolva o seguinte sistema de equações lineares utilizando o
método Eliminação de Gauss Jordan
𝒙𝟏 + 𝟐𝒙𝟐 − 𝟑𝒙𝟑 = 𝟓
−𝟐𝒙𝟏 + 𝒙𝟐 − 𝟒𝒙𝟑 = −𝟐
𝒙𝟏 − 𝟑𝒙𝟐 + 𝟓𝒙𝟑 = −𝟏
Pesquisa Operacional
05 – Introdução ao Simplex
Maximizar Z = C1 X1 + C2 X2 + ... + Cn Xn
Sujeito a:
A 11 X1 + A12 X2 + ... + A1n Xn ≤ b1
A 21 X1 + A22 X2 + ... + A2n Xn ≤ b2
...
A m1 X1 + Am2 X2 + ... + Amn Xn ≤ bm
X1 ≥ 0, X2 ≥ 0, ... , Xn ≥ 0
b1 ≥ 0, b2 ≥ 0, ... , bm ≥ 0
2/66
Variações do Modelo Geral
3/66
Definições Básicas
4/66
Definições Básicas
Variáveis básicas: variáveis cujos valores são calculados pelo sistema de equações
Variáveis não básicas: são as variáveis zeradas
Solução básica degenerada: ocorre quando a solução básica apresenta pelo
menos uma das variáveis básicas igual a zero
Variáveis de folga:
denominadas Xi onde i é o índice da variável
São acrescentadas às inequações para transformá-las em equações
Exemplo: 2x1 ≤ 80 2x1 + x2 = 80, x2 ≥ 0
Variáveis de sobra:
denominadas Xi onde i é o índice da variável
São retiradas às inequações para transformá-las em equações.
Exemplo: 3x1 ≥ 20 3x1 - x2 = 20 , x2 ≥ 0
5/66
Solução Básica - Exemplo
6/66
Solução Básica
n n!
m m! (n - m)!
7/66
Solução Gráfica
8/66
Conclusões
9/66
Solução
Utilizar o método:
SIMPLEX
que examina um número muito pequeno
de soluções básicas para encontrar a
Solução Ótima
10/66
Simplex – Etapas Básicas
2. Dada uma solução básica, testar se ela é melhor que suas adjacentes
Se for, é a solução ótima
3. Se não for, seguir para a melhor solução básica adjacente e voltar à etapa 2
11/66
Simplex – Modelo de PL em forma de equação
Para o desenvolvimento dos cálculos pelo método Simplex são impostos dois
requisitos:
Todas as restrições devem ser equações cujos lados direitos não sejam negativos
Todas as variáveis devem ser não negativas
12/66
Relações de Equivalência
z c j x j
n n
Max z cj xj Min
j 1 j 1
z c j x j
n n
Min z c j x j Max
j 1 j 1
13/66
Relações de Equivalência
Exemplo:
minimizar z = c1 x1 + c2 x2 + ... + cn xn
é equivalente a:
maximizar z' = - c1 x1 - c2 x2 - ... - cn xn
com z' = - z.
14/66
Relações de Equivalência
n
n
aij x j Si bi
a ij x j bi j 1
j 1 0 S
i
n
n
aij x j Si bi
a ij x j bi j 1
j 1 0 S
i
15/66
Relações de Equivalência
Exemplo:
a 1 x1 + a 2 x2 ≥ b
é equivalente a:
– a1 x1 – a2 x2 ≤ –b
16/66
Relações de Equivalência
(x1'- x1'')
17/66
Relações de Equivalência
Restrições de Igualdade:
Uma equação pode ser substituída por duas desigualdades de direções opostas
Exemplo:
a 1 x1 + a 2 x2 = b
a 1 x1 + a 2 x2 ≤ b
a 1 x1 + a 2 x2 ≥ b
18/66
Problema de PL
Um empreendedor decidiu produzir barcos para vender
O modelo comum requer 40h para ser construído e 24h para o acabamento
O modelo rápido requer 25h para a construção e 30 h para o acabamento
Este empreendedor dispõe de 400 horas de trabalho por mês para a construção e 360
horas para o acabamento
19/66
Montagem do Modelo
Variáveis de decisão
x1: quantidade de barcos a produzir do Modelo Comum
x2: quantidade de barcos a produzir do Modelo Rápido
Função-objetivo
Qual o objetivo?
20/66
Conjunto de restrições
21/66
Modelo
22/66
Solução Gráfica
23/66
Procedimento do Método Simplex
1ª Iteração
Passo 1: Introduzir as variáveis de folga
24/66
Passo 2: Montagem do quadro de cálculos
L 520x1 450x 2 0
BASE x1 x2 x3 x4 b
x3 40 25 1 0 400
x4 24 30 0 1 360
L -520 -450 0 0 0
25/66
Passo 3: Escolha da solução básica viável inicial
Função objetivo: L 0
26/66
Passo 4: Variável que deve entrar na base
x1
27/66
Passo 5: Variável que deve sair da base
Divisões:
1ª linha: 400 / 40 10
2ª linha: 360 / 24 15
28/66
Pivô
BASE x1 x2 x3 x4 b
x3 40 25 1 0 400
x4 24 30 0 1 360
L -520 -450 0 0 0
29/66
Passo 6: Transformação da matriz.
30/66
1ª operação: Dividir a 1ª linha por 40
BASE x1 x2 x3 x4 b
x1 1 0,625 0,025 0 10
x4 24 30 0 1 360
L -520 -450 0 0 0
31/66
2ª operação: Substituir a 2ª linha pela soma dela
mesma com a 1ª linha multiplicada por (-24)
L2 L2 24 L1
32/66
Assim, obtemos o seguinte quadro:
BASE x1 x2 x3 x4 b
x1 1 0,625 0,025 0 10
x4 0 15 -0,6 1 120
L 0 -125 13 0 5200
33/66
Nova solução:
Variáveis não-básicas: x 2 x 3 0
34/66
2ª Iteração
Passo 4: Variável que deve entrar na base: x2
BASE x1 x2 x3 x4 b
x1 1 0,625 0,025 0 10
x4 0 15 -0,6 1 120
L 0 -125 13 0 5200
36/66
Passo 6: Transformação da matriz
37/66
1ª operação: Dividir a 2ª linha por 15
BASE x1 x2 x3 x4 b
x1 1 0,625 0,025 0 10
x4 0 1 -0,04 1/15 8
L 0 -125 13 0 5200
38/66
2ª operação: Substituir a 1ª linha pela soma dela
mesma com a 2ª linha multiplicada por (-0,625).
L1 L1 0,625 L2
L3 L3 125 L 2
39/66
Assim, obtemos o seguinte quadro:
BASE x1 x2 x3 x4 b
x1 1 0 0,05 -0,042 5
x2 0 1 -0,04 1/15 8
L 0 0 8 125/15 6200
40/66
Nova solução:
Variáveis não-básicas: x3 x4 0
Variáveis básicas: x1 5 e x2 8
41/66
3ª Iteração
Passo 4: Ao procurarmos a próxima variável que deve
entrar na base, verificamos que todos os coeficientes
da 3ª linha são positivos ou nulos, o que significa que
qualquer aumento no valor das variáveis não-básicas
faria diminuir o valor de L. Logo, concluímos que a
solução encontrada é ótima.
42/66
Resposta (Solução ótima)
43/66
Exemplo de
Minimização
44/66
Modelo
x1 ≥ 0 ; x 2 ≥ 0
45/66
Solução Gráfica
46/66
Quadros da Solução
Primeiro Quadro:
BASE x1 x2 x3 x4 b
x3 1 1 1 0 4
x4 1 -1 0 1 6
-Z 2 -3 0 0 0
Segundo Quadro:
BASE x1 x2 x3 x4 b
x2 1 1 1 0 4
x4 2 0 1 1 10
-Z 5 0 3 0 12
47/66
Quadros da Solução
Primeiro Quadro:
BASE x1 x2 x3 x4 b
x3 1 1 1 0 4
x4 1 -1 0 1 6
-Z 2 -3 0 0 0 Solução Final:
Z* = -12
Segundo Quadro: X1 = 0
BASE x1 x2 x3 x4 b X2 = 4
x2 1 1 1 0 4
x4 2 0 1 1 10
-Z 5 0 3 0 12
48/66
Processo de Eliminação Gaussiana
49/66
Programação Linear Custo marginal
Método Simplex – Algoritmo mais negativo
Início
Escolher variável Menor razão
para entrar na base não negativa
1 Escolher variável
para sair da base
Existe custo Sim Existe Sim
marginal < 0 ? razão > 0
finita ?
Fim
50/66
Problema da Degeneração
51/66
Problema da Degeneração – Solução Gráfica
Exemplo:
Max. Z = 3x1 + 4x2
s.a.:
x1 + x2 ≤ 9
2x1 + 3x2 ≤ 18
x1 ≥ 0
x2 ≥ 0
52/66
Problema da Degeneração – Simplex
Primeiro Quadro:
BASE x1 x2 x3 x4 b
x3 1 1 1 0 9
x4 2 3 0 1 18
Z -3 -4 0 0 0
Segundo Quadro:
BASE x1 x2 x3 x4 b
x3 0,33 0 1 -0,33 3
x2 0,67 1 0 0,33 6
Z -0,33 0 0 1,33 24
53/66
Problema da Degeneração – Simplex
Segundo Quadro:
BASE x1 x2 x3 x4 b
x3 0,33 0 1 -0,33 3 3 / 0,33 = 9
x2 0,67 1 0 0,33 6 6 / 0,67 = 9
Z -0,33 0 0 1,33 24
Variáveis “empatadas” para sair da base
Escolher aleatoriamente – Pode gerar loop
Terceiro Quadro:
BASE x1 x2 x3 x4 b
x1 1 0 3 -1 9 Variável básica = 0
x2 0 1 -2 1 0
Z 0 0 1 1 27
54/66
Problema da Solução Ilimitada
Isto ocorre quando a variável que entra na base não possui em sua coluna
nenhum coeficiente positivo
Os programas de computador, nesse caso, apresentam a última solução básica
antes que a solução se torne ilimitada
No caso da solução ilimitada, normalmente o problema foi mal especificado
Exemplo:
55/66
Problema da Solução Ilimitada – Solução Gráfica
56/66
Problema da Solução Ilimitada – Simplex
Primeiro Quadro:
BASE x1 x2 x3 x4 b
x3 5 -2 1 0 10
x4 1 0 0 1 8
Z -4 -3 0 0 0
Segundo Quadro:
BASE x1 x2 x3 x4 b
x1 1 -0,4 0,2 0 2
x4 0 0,4 -0,2 1 6
Z 0 -4,6 0,8 0 8
57/66
Problema da Solução Ilimitada – Simplex
Terceiro Quadro:
BASE x1 x2 x3 x4 b
x1 1 0 0 1 8
x2 0 1 -0,5 2,5 15
Z 0 0 -1,5 11,5 77
58/66
Caso de Soluções Múltiplas
Exemplo:
59/66
Caso de Soluções Múltiplas – Solução Gráfica
60/66
Caso de Soluções Múltiplas – Simplex
Primeiro Quadro:
BASE x1 x2 x3 x4 b
x3 4 2 1 0 16
x4 1 1 0 1 6
Z -8 -4 0 0 0
Segundo Quadro:
BASE x1 x2 x3 x4 b
x1 1 0,5 0,25 0 4
x4 0 0,5 -0,25 1 2
Z 0 0 2 0 32
61/66
Caso de Soluções Múltiplas – Simplex
Segundo Quadro:
BASE x1 x2 x3 x4 b
x1 1 0,5 0,25 0 4
x4 0 0,5 -0,25 1 2
Z 0 0 2 0 32
Coeficiente da variável não básica é zero e assim poderá entrar na
base sem alterar o valor do objetivo gerando um novo quadro
Terceiro Quadro: porém, com o mesmo valor para a solução ótima
BASE x1 x2 x3 x4 b
x1 1 0 0,5 -1 2
x2 0 1 -0,5 2 4
Z 0 0 2 0 32
62/66
Exercício
63/66
Quadros da Solução
Primeiro Quadro:
BASE x1 x2 x3 x4 x5 b
x3 2 4 1 0 0 10
x4 5,5 1 0 1 0 20
x5 1 -1 0 0 1 30
Z -3 -5 0 0 0 0
Segundo Quadro:
BASE x1 x2 x3 x4 x5 b
x2 0,5 1 0,25 0 0 2,5
x4 5 0 -0,25 1 0 17,5
x5 1,5 0 0,25 0 1 32,5
65/66
Pesquisa Operacional
08 – Problema de Transporte – SBF Inicial
Centro Consumidor
Fábrica Recife Salvador Manaus Capacidade
Rio 25 20 30 2.000
São Paulo 30 25 25 1.500
B.Horizonte 20 15 23 1.500
Demanda 2.000 2.000 1.000
Problema de Transporte:
Modelo Tradicional
1 - Rio 1 - Recife
i = 2 - São Paulo j = 2 - Salvador
- -
3 Belo Horizonte 3 Manaus
Problema de Transporte:
Variáveis de Decisão
x11
2.000 2.000
Centro Consumidor
RJ x12 RE
Fábrica RE SA MA Capacidade
x13
x21
RJ x11 x12 x13 2000
1.500 x22 2.000
SP x21 x22 x23 1500 SP SA
x23
BH x31 x32 x33 1500
x31
Demanda 2000 2000 1000 5000=5000 x32
1.500 1.000
BH x33 MA
Capacidade = Demanda
Problema de Transporte:
Modelo Tradicional
Centro Consumidor
Fábrica Recife Salvador Manaus Capacidade
Rio 25 20 30 2.000
São Paulo 30 25 25 3.000
B.Horizonte 20 15 23 1.500
Demanda 2.000 2.000 1.000
Problema de Transporte
Caso LCL Bicicletas (capacidade ≠ demanda)
Centro Consumidor
Fábrica Recife Salvador Manaus Capacidade
Rio 25 20 30 2.000
São Paulo 30 25 25 3.000
B.Horizonte 20 15 23 1.500
Demanda 2.000 2.000 1.000 5.000 < 6.500
Centro Consumidor
Fábrica Recife Salvador Manaus Capacidade
Rio 25 20 30 2.000
São Paulo 30 25 25 3.000
B.Horizonte 20 15 23 1.500
Demanda 2.000 2.000 1.000 5.000 < 6.500
Centro Consumidor
Fábrica Recife Salvador Manaus Dummy Capacidade
Rio 25 20 30 0 2.000
São Paulo 30 25 25 0 3.000
B.Horizonte 20 15 23 0 1.500
Demanda 2.000 2.000 1.000 1.500 6.500 = 6.500
Problema do Transporte
Particularidades
• Problema de minimização
• Muitos 0’s (zeros) e alguns 1’s (uns) – Matriz binária
• Coeficientes Cij só aparecem na função objetivo
• Todas as restrições são igualdades
• Grande número de variáveis de decisão (n x m)
• Forma balanceada: Total da Capacidade = Total Demanda
Problema do Transporte
Solução alternativa ao Simplex
Obtenção de
solução inicial
Solução é sim
Fim
Ótima?
não
Escolher variáveis de
entrada e saída, e ajustar
a tabela
Algoritmo de Transporte
Centro Consumidor
Fábrica Recife Salvador Manaus Capacidade
Rio 25 20 30 2.000
São Paulo 30 25 25 1.500
B.Horizonte 20 15 23 1.500
Demanda 2.000 2.000 1.000 5.000 = 5.000
Destinos
Origens 1 2 ... n Capacidade ui
c11 c12 c1n
1 ... f1
Demanda d1 d2 ... dn Z=
vj
Algoritmo de Transporte
Exemplo – LCL Bicicletas
• Início: o problema deve estar representado na forma tabular
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 Atribuir o máximo possível 1.500
entre demanda e capacidade
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000
30 25 25
2 1.500
20 15 23
3 1.500
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000
30 25 25
2 1.500
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000
30 25 25
2 1.500
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 1.500
0
20 15 23
3 1.500
0
Demanda 0 2.000 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 1.500
0
20 15 23
3 1.500
0
Demanda 0 2.000 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
Se houver ainda capacidade
• Método do Canto Noroeste disponível, passar para a variável xi+1, j
Se só houver demanda disponível,
passar para a variável xi, j+1
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 1.500
0
20 15 23
3 1.500
0
Demanda 0 2.000 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 1.500
0
20 15 23
3 1.500
0
Demanda 0 2.000 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 1.500
0
20 15 23o máximo possível
Atribuir
3 1.500
entre demanda e capacidade
0
Demanda 0 2.000 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500
20 15 23
3 1.500
0
Demanda 0 500 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
bloquear as células
Destinos
correspondentes à mesma
linha ou coluna que
Origens 1 2 atingirem o 3limite máximo
Capacidade
de
25 20 capacidade
30 ou demanda
1 0
2.000 0 0
30 25 25
2 0
0 1.500
20 15 23
3 1.500
0
Demanda 0 500 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500
20 15 23
3 1.500
0
Demanda 0 500 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500 0
20 15 23
3 1.500
0
Demanda 0 500 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
Se houver ainda capacidade
• Método do Canto Noroeste disponível, passar para a variável xi+1, j
Se só houver demanda disponível,
passar para a variável xi, j+1
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500 0
20 15 23
3 1.500
0
Demanda 0 500 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500 0
20 15 23
3 1.500
0
Demanda 0 500 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
Atribuir o máximo possível
0 1.500 0
entre demanda e capacidade
20 15 23
3 1.500
0
Demanda 0 500 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500 0
20 15 23
3 1.000
0 500
Demanda 0 0 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
Se houver ainda capacidade
• Método do Canto Noroeste disponível, passar para a variável xi+1, j
Se só houver demanda disponível,
passar para a variável xi, j+1
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500 0
20 15 23
3 1.000
0 500
Demanda 0 0 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500 0
20 15 23
3 1.000
0 500
Demanda 0 0 1.000
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500 0
20 15 23
3 0
0 500 1.000
Demanda 0 0 0
Método do Canto Noroeste
Exemplo – LCL Bicicletas
• Método do Canto Noroeste
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500 0
20 15 23
3 0
0 500 1.000
Demanda 0 0 0 Z = 118.000
Algoritmo de Transporte
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1
Atribuir o máximo possível à 2.000
variável com menor custo unitário
30 25 25
2 1.500
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
20 15 23
3 1.500
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 0
1.500
Demanda 2.000 500 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
20 15 23
3 0
1.500
Demanda 2.000 500 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 0
0 1.500 0
Demanda 2.000 500 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 0
0 1.500 0
Demanda 2.000 500 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
identificar a célula não cancelada
• Método do Custo Mínimo que tenha o menor custo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 0
0 1.500 0
Demanda 2.000 500 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 0
0 1.500 0
Demanda 2.000 500 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Atribuir o máximo possível à
variável com menor custo unitário
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 0
0 1.500 0
Demanda 2.000 500 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 2.000
30 25 25
2 1.500
20 15 23
3 0
0 1.500 0
Demanda 2.000 500 1.000
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30 25 25
2 1.500
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo preencher com zeros a
linha ou coluna satisfeita
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30 25 25
2 1.500
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
Identificar a variável com menor custo
• Método do Custo Mínimo unitário (dentre a células vazias)
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
Em caso de empate, a
• Método do Custo Mínimo escolha pode ser arbitrária
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30
Atribuir o máximo possível à 25 25
2
variável com menor custo unitário
1.500
0
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 1.500
500
30 25 25
2 1.500
Valor máximo possível
0
20 15 23
3 0
0 1.500 0
Demanda 2.000 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 500 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo preencher com zeros a
linha ou coluna satisfeita
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 500 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500 0
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 500 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500 0
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 500 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
Identificar a variável com menor custo
• Método do Custo Mínimo unitário (dentre a células vazias)
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500 0
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 500 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500 0
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 500 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Atribuir o máximo
Origens 1 2 3 Capacidade
possível à variável
25 20 30 com menor custo
1 unitário
0
1.500 500 0
30 25 25
2 1.500
0
20 15 23
3 0
0 1.500 0
Demanda 500 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500 0
30 25 25
2 1.500
0
Valor máximo possível
20 15 23
3 0
0 1.500 0
Demanda 500 0 1.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500 0
30 25 25
2 500
0 1.000
20 15 23
3 0
0 1.500 0
Demanda 500 0 0
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Ajustar os elementos da linha ou
Origensà partir da 1
coluna não ajustada 2 3 Capacidade
variável com menor custo
25 20 30
1 0
1.500 500 0
30 25 25
2 500
0 1.000
20 15 23
3 0
0 1.500 0
Demanda 500 0 0
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500 0
30 25 25
2 0
500 0 1.000
20 15 23
3 0
0 1.500 0
Demanda 0 0 0
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500 0
30 25 25
2 0
500 0 1.000
20 15 23
3 0
0 1.500 0
Demanda 0 0 0
Método do Custo Mínimo
Exemplo – LCL Bicicletas
• Método do Custo Mínimo
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500 0
30 25 25
2 0
500 0 1.000
20 15 23
3 0
0 1.500 0
Demanda 0 0 0 Z = 110.000
Algoritmo de Transporte
30 25 25
2 1.500
20 15 23
3 1.500
30 25 25
2 1.500
20 15 23
3 1.500
30 25 25
2 1.500
20 15 23
3 1.500
30 25 25
2 1.500
20 15 23
3 1.500
30 25 25
2 1.500 0
20 15 23
3 1.500
30 25 25
2 1.500 0
20 15 23
3 1.500
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
30 25 25
2 1.500 0
20 15 23
3 1.500 5
20 15 23
3 1.500 5
20 15 23
3 1.500 5
20 15 23
3 1.500 5
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000
30 25 25
2 0
1.500
20 15 23
3 0
500 1.000
Demanda 0 0 0 Z = 118.000
Método do Custo Mínimo
Exemplo – LCL Bicicletas
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
1.500 500
30 25 25
2 0
500 1.000
20 15 23
3 0
1.500
Demanda 0 0 0 Z = 110.000
Método da Aproximação de Vogel
Exemplo – LCL Bicicletas
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000
30 25 25
2 0
500 1.000
20 15 23
3 0
1.500
Demanda 0 0 0 Z = 110.000
Pesquisa Operacional
Problema de Transporte – SBF Inicial
Exercícios
A transportadora Ômega irá fazer o transporte dos Encontre a solução inicial para o problema
seus produtos eletrônicos de três fábricas para utilizando os métodos:
quatro centros de distribuição. Os custos unitários
do transporte são apresentados na tabela a seguir. 1) Canto Noroeste
Sabe-se que as fábricas 1, 2 e 3 têm capacidade
de produção de 40, 100 e 60 unidades 2) Custo Mínimo
respectivamente. As necessidades dos Centros de 3) Aproximação de Vogel
Distribuição são 20, 70, 50 e 90 respectivamente.
CD 1 CD 2 CD 3 CD 4 Capacidade
Fábrica 1 5 3 10 8 40
Fábrica 2 5 2 4 9 100
Fábrica 3 8 11 9 10 60
Demanda 20 70 50 90
Problema de Transporte
Exercício 2
A Miss Daisy Ltda. é um laboratório de manipulação que presta serviços de entrega para idosos. A
empresa possui duas filiais e fornece o serviço a seis bairros diferentes. Tendo em vista que
atualmente a demanda é superior à capacidade de entrega da companhia, ela gostaria de saber a
quais clientes atender, em cada filial, de maneira a minimizar o custo de entrega. As capacidades das
filiais, as demandas dos bairros e os custos unitários de entrega são mostrados na tabela a seguir:
1) Canto Noroeste
2) Custo Mínimo
3) Aproximação de Vogel
Pesquisa Operacional
09-Problema de Transporte – Teste Otimalidade
Obtenção de
solução inicial
Solução é sim
Fim
Ótima?
não
Escolher variáveis de
entrada e saída, e ajustar
a tabela
Algoritmo de Transporte
Destinos
Origens 1 2 3 Capacidade
25 20 30
1 0
2.000 0 0
30 25 25
2 0
0 1.500 0
20 15 23
3 0
0 500 1.000
Demanda 0 0 0 Z = 118.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
Considerando somente
1 2 3 as variáveis básicas
(onde existem valores)
25 20 30
1
2.000
30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
1 2 3
25 20 30
1
x11 2.000
30 25 25
Ui 2
x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
Cij = Ui + Vj 1 2 3
25 20 30
1
x11 2.000
30 25 25
Ui 2
x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
25 = U1 + V1 1 2 3
25 20 30
1
x11 2.000
30 25 25
Ui 2
x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
25 – U1 – V1 = 0 1 2 3
25 20 30
1
x11 2.000
30 25 25
Ui 2
x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
25 – U1 – V1 = 0 1 2 3
25 20 30
1
x11 2.000
Variáveis Básicas: 30 25 25
Ui 2
X11: 25 – U1 – V1 = 0 x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
25 20
1 25 – U30
2 – V2 = 0
x11 2.000
30 25 25
Ui 2
x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20
1 25 – U30
2 – V2 = 0
x11 2.000
30 25 25
Ui 2
x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
1
x11 2.000
30 25 25
Ui 2
x22 1.500
20 15 23
3
15 – U3 – V2 = 0 x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
x11 2.000
30 25 25
Ui 2
x22 1.500
20 15 23
3
15 – U3 – V2 = 0 x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
x11 2.000
30 25 25
Ui 2 23 – U3 – V3 = 0
x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 x11 2.000
30 25 25
Ui 2 23 – U3 – V3 = 0
x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 x11 2.000
30 25 25
Ui 2
x22 1.500
20 15 23
3
x32 500 x33 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000
30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
O sistema possui: 1 2 3
X22: 25 – U2 – V2 = 0
4 equações e 25 20 30
X32: 15 – U3 – V2 = 0 6 incógnitas 1
X33: 23 – U3 – V3 = 0 2.000
30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000
30 25 25
Ui 2
Neste caso a solução 1.500
é “degenerada” 20 15 23
3
500 1.000
O problema da
Degenerescência
• O problema apresenta menos variáveis básicas (células com variáveis ≠ 0)
que o número necessário para a solução, ou seja, o problema possui
menos equações que incógnitas
• Essas variáveis auxiliares devem ter seus valores tão próximos a zero de
forma que não aterem as restrições de origem e destino e os locais onde
serão inseridas devem ser analisados com cautela
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: 20 – U1 – V2 = 0 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: 20 – U1 – V2 = 0 30 25 25
Ui 2
1.500
20 15 23
Arbitra-se:
3
U1 = 0, ou Ui = 0 na linha 500 1.000
onde houver mais variáveis
básicas (variáveis ≠ 0)
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0 U1 = 0
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: 20 – U1 – V2 = 0 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – 0 – V1 = 0 U1 = 0; V1 = 25
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: 20 – U1 – V2 = 0 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: 20 – U1 – V2 = 0 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: 20 – U1 – V2 = 0 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: 20 – 0 – V2 = 0 V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: 25 – U2 – V2 = 0
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: 25 – U2 – 20 = 0 U2 = 5
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: 15 – U3 – V2 = 0 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: 15 – U3 – 20 = 0 U3 = – 5 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: 23 – U3 – V3 = 0 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: 23 – (– 5) – V3 = 0 V3 = 28 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
20 15 23
3
500 1.000
Considerando somente as
variáveis não básicas
(onde não existem valores)
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
3
x31 500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: 30 – U1 – V3
Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
3
x31 500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: 30 – U1 – V3
Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
X13: 30 – U1 – V3 = 30 – 0 – 28 = 2 3
x31 500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5 30 – U2 – V120
25 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
X13: = 2 3
X21: 30 – U2 – V1 = 30 – 5 – 25 = 0 x31 500 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5 25 – U2 – V3
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
X13: = 2 3
X21: = 0 x31 500 1.000
X23: 25 – U2 – V3 = 25 – 5 – 28 = – 8
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2 20 – U3 – V1
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
X13: = 2 3
X21: = 0 x31 500 1.000
X23: = – 8
X31: 20 – U3 – V1 = 20 – (– 5) – 25 = 0
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
X13: = 2 3
X21: = 0 x31 500 1.000
X23: = – 8
X31: = 0
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
X13: = 2 3
X21: = 0 x31
A solução não é ótima 500 1.000
X23: = – 8 Existem variáveis não básicas
X31: = 0 com coeficiente negativos
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
X13: = 2 3
X21: = 0 x31 500 1.000
X23: = – 8
X31: = 0 Ocorrendo mais de um valor negativo,
escolher dentre os negativos o que tiver o
maior valor absoluto (como no simplex)
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ x13
X12: V2 = 20 30 25 25
Ui 2
x21 1.500 x23
Variáveis Não Básicas:
20 15 23
X13: = 2 3
X21: = 0 x31 500 1.000
X23: = – 8
X31: = 0 Variável X23 – Entra na BASE
Determinação da variável
que sai da base
• Construir um circuito fechado que inicia e termina na variável que entra na base
• Com exceção da célula da variável que entra na base, cada canto do circuito
fechado deve coincidir com uma variável básica
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500
Variáveis Não Básicas:
20 15 23
X13: = 2 3
X21: = 0 500 1.000
X23: = – 8
X31: = 0
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
Designar a quantidade Ɵ à célula
X11: U1 = 0; V1 = 25 da
1 variável que
2 entra na3base
X22: U2 = 5
25 20 30
X32: U3 = – 5 1
X33: V3 = 28 2.000 Ɛ
X12: V2 = 20 30 25 25
Ui 2
1.500 Ɵ
Variáveis Não Básicas:
20 15 23
X13: = 2 3
X21: = 0 500 1.000
X23: = – 8
X31: = 0
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
1 2 3
25 20 30
1
2.000 Ɛ
30 25 25
Ui 2
1.500 Ɵ
20 15 23
3
500 1.000
Vj
1 2 3
25 20 30
1
2.000 Ɛ
30 25 25
Ui 2
1.500 Ɵ
20 15 23
3
500 1.000
Vj
1 2 3
25 20 30
1
2.000 Ɛ
30 25 25
Ui 2
1.500 – Ɵ Ɵ
20 15 23
3
500 + Ɵ 1.000 – Ɵ
Vj
1 2 3
Determinar o valor máximo de Ɵ,
25 que nenhuma
sabendo 20 30
variável
1
pode assumir
2.000 valoresƐ negativos
30 25 25
Ui 2
1.500 – Ɵ Ɵ
20 15 23
3
500 + Ɵ 1.000 – Ɵ
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
1 2 3
25 20 30
1
2.000 Ɛ
30 25 25
Ui 2
1.500 – Ɵ Ɵ
20 15 23
3
500 + Ɵ 1.000 – Ɵ
Ɵ = 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
1 2 3
25 20 30
1
2.000 Ɛ
30 25 25
Ui 2
1.500 – Ɵ Ɵ
20 15 23
3
500 + Ɵ 1.000 – Ɵ
Vj
1 2 3
25 20 30
1
2.000 Ɛ
30 25 25
Ui 2
1.500 – Ɵ Ɵ
20 15 23
3
500 + Ɵ 1.000 – Ɵ
Ɵ = 1.000
Teste Otimalidade
Exemplo – LCL Bicicletas
• Novo quadro do transporte
Vj
1 2 3
25 20 30
1
2.000 Ɛ
30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
1 2 3
Vj
1 2 3
Variáveis Básicas:
25 20 30
onde existem valores 1
2.000 Ɛ
30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X12: 20 – U1 – V2 = 0
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
1 2 3
X12: 20 – U1 – V2 = 0
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
O sistema possui:
3
5 equações e 1.500
6 incógnitas
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0 Arbitra-se:
1 2 3
X12: 20 – U1 – V2 = 0 U1 = 0, ou Ui = 0 na linha
X22: 25 – U2 – V2 = 0 onde houver mais 25variáveis 20 30
1
básicas (variáveis ≠ 0) 2.000
X23: 25 – U2 – V3 = 0 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0
Fazendo U1 = 0, o sistema1 passa a ter:2 3
X12: 20 – U1 – V2 = 0
5 equações e 5 incógnitas,
25 sendo 20
possível 30
X22: 25 – U2 – V2 = 0 1
a solução e não havendo a necessidade da
X23: 25 – U2 – V3 = 0 inserção de uma variável 2.000
Ɛ Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0 U1 = 0
1 2 3
X12: 20 – U1 – V2 = 0
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – U1 – V1 = 0 U1 = 0
1 2 3
X12: 20 – U1 – V2 = 0
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: 25 – 0 – V1 = 0 U1 = 0; V1 = 25
1 2 3
X12: 20 – U1 – V2 = 0
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: 20 – U1 – V2 = 0
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: 20 – U1 – V2 = 0
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: 20 – 0 – V2 = 0 V2 = 20
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: 25 – U2 – V2 = 0 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: 25 – U2 – 20 = 0 U2 = 5 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: 25 – U2 – V3 = 0 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: 25 – 5 – V3 = 0 V3 = 20 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: 15 – U3 – V2 = 0 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: 15 – U3 – 20 = 0 U3 = – 5 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
20 15 23
3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
3
1.500
Variáveis Não Básicas:
onde não existem valores
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
X13: 30 – U1 – V3 = 30 – 0 – 20 = 10 3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
X13: = 10 3
1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
X13: = 10 3
X21: 30 – U2 – V1 = 30 – 5 – 25 = 0 1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
X13: = 10 3
X21: = 0 1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
X13: = 10 3
X21: = 0 1.500
X31: 20 – U3 – V1 = 20 – (–5) – 25 = 0
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
X13: = 10 3
X21: = 0 1.500
X31: = 0
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
X13: = 10 3
X21: = 0 1.500
X31: = 0
X33: 23 – U3 – V3 = 23 – (–5) – 20 = 8
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
X13: = 10 3
X21: = 0 1.500
X31: = 0
X33: = 8
Teste Otimalidade
Exemplo – LCL Bicicletas
Variáveis Básicas: Vj
X11: U1 = 0; V1 = 25
1 2 3
X12: V2 = 20
25 20 30
X22: U2 = 5 1
X23: V3 = 20 2.000 Ɛ
X32: U3 = – 5 30 25 25
Ui 2
500 1.000
Variáveis Não Básicas:
20 15 23
X13: = 10 3
X21: = 0 1.500
X31: = 0
Solução É OTIMA!!!
Não existem valores negativos
X33: = 8
Teste Otimalidade
Exemplo – LCL Bicicletas
Solução: Vj
X11 = 2.000
1 2 3
X12 = Ɛ = 0
25 20 30
X22 = 500 1
X23 = 1.000 2.000 Ɛ
X32 = 1.500 30 25 25
Ui 2
500 1.000
Z = (25 x 2.000) + (20 x 0) +
20 15 23
(25 x 500) + (25 x 1.000) + 3
(15 x 1.500) 1.500
Teste Otimalidade
Exemplo – LCL Bicicletas
Vj
1 2 3
Solução:
25 20 30
X11 = 2.000 1
X22 = 500 2.000
X23 = 1.000 30 25 25
X32 = 1.500 Ui 2
500 1.000
20 15 23
Z* = 110.000 3
1.500
Bibliografia
Tarefas
1 2 ... n
1 c11 c12 ... C1n 1
2 c21 c22 ... C2n 1
Trabalhador
: : : : : :
n cn1 cn2 ... cnn 1
1 1 ... 1
Problema de Designação
15 – 9 = 6
Cortar Pintar Lavar
John $ 15 $ 10 $9
Karen $9 $ 15 $ 10
Terri $10 $ 12 $8
Algoritmo Húngaro
Exemplo 1 – Solução
10 – 9 = 1
9–9=0
9–9=0
Cortar Pintar Lavar
John $6 $1 $0
Karen $9 $ 15 $ 10
Terri $10 $ 12 $8
Algoritmo Húngaro
Exemplo 1 – Solução
15 – 9 = 6
Cortar Pintar Lavar
John $6 $1 $0
Karen $0 $ 15 $ 10
Terri $10 $ 12 $8
Algoritmo Húngaro
Exemplo 1 – Solução
10 – 9 = 1
Cortar Pintar Lavar
John $6 $1 $0
Karen $0 $6 $ 10
Terri $10 $ 12 $8
Algoritmo Húngaro
Exemplo 1 – Solução
10 – 8 = 2
Algoritmo Húngaro
Exemplo 1 – Solução
12 – 8 = 4
Algoritmo Húngaro
Exemplo 1 – Solução
8–8=0
Algoritmo Húngaro
Exemplo 1 – Solução
6–0=6
John $6 $1 $0
Karen $0 $6 $1
Terri $2 $4 $0
Algoritmo Húngaro
Exemplo 1 – Solução
Karen $0 $6 $1
Terri $2 $4 $0
Algoritmo Húngaro
Exemplo 1 – Solução
4–1=3
Algoritmo Húngaro
Exemplo 1 – Solução
Tarefas
Filhos 1 2 3 4
1 $1 $4 $6 $3
2 $9 $7 $ 10 $9
3 $4 $5 $ 11 $7
4 $8 $7 $8 $5
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $1 $4 $6 $3
2 $9 $7 $ 10 $9
3 $4 $5 $ 11 $7
4 $8 $7 $8 $5
Tarefas Tarefas
Filhos 1 2 3 4 Filhos 1 2 3 4
1 $1 $4 $6 $3 1 $0 $3 $5 $2
2 $9 $7 $ 10 $9 2 $2 $0 $3 $2
3 $4 $5 $ 11 $7 3 $0 $1 $7 $3
4 $8 $7 $8 $5 4 $3 $2 $3 $0
Filhos 1 2 3 4
1 $0 $3 $5 $2
2 $2 $0 $3 $2
3 $0 $1 $7 $3
4 $3 $2 $3 $0
2º Passo: Redução
Tarefas de Colunas
Filhos 1 2 3 4
1 $0 $3 $2 $2
2 $2 $0 $0 $2
3 $0 $1 $4 $3
4 $3 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Tarefas
Filhos 1 2 3 4
1 $0 $3 $2 $2
2 $2 $0 $0 $2
3 $0 $1 $4 $3
4 $3 $2 $0 $0
Tarefas
Filhos 1 2 3 4
1 $0 $3 $2 $2
2 $2 $0 $0 $2
3 $0 $1 $4 $3
4 $3 $2 $0 $0
4º passo: Subtrair o menor número
descoberto de cada um dos
números descobertos da tabela
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
3–1=2
Filhos 1 2 3 4
1 $0 $3 $2 $2
2 $2 $0 $0 $2
3 $0 $1 $4 $3
4 $3 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
2–1=1
Filhos 1 2 3 4
1 $0 $2 $2 $2
2 $2 $0 $0 $2
3 $0 $1 $4 $3
4 $3 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4 2–1=1
1 $0 $2 $1 $2
2 $2 $0 $0 $2
3 $0 $1 $4 $3
4 $3 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4 2–1=1
1 $0 $2 $1 $1
2 $2 $0 $0 $2
3 $0 $1 $4 $3
4 $3 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1
2 $2 $0 $0 $2
3–1=2
3 $0 $1 $4 $3
4 $3 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1
2 $2 $0 $0 $2
3 $0 $1 $4 $2
4 $3 $2 $0 4–$
1 =03
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1
2 $2 $0 $0 $2
3 $0 $1 $3 $2
4 $3 $ 2 1 – 1 =$00 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1
2 $2 $0 $0 $2
3 $0 $0 $3 $2
4 $3 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1
2 $2 $0 $0 $2
3 $0 $0 $3 $2
4 $3 $2 $0 $0
Tarefas
Filhos 1 2 3 4
1 $0 2 + 1$=23 $1 $1
2 $2 $0 $0 $2
3 $0 $0 $3 $2
4 $3 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1
2 $3 $0 $0 $2
3 $0 3 + 1$=04 $3 $2
4 $3 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1
2 $3 $0 $0 $2
3 $0 $0 $3 $2
4 $4 $2 $0 $0
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1 Repita os passos 3 e 4
até se tomar possível
2 $3 $0 $0 $2 um conjunto ótimo de
designações
3 $0 $0 $3 $2
4 $4 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1 3º Passo: Teste
2 designação
$3 $0 $0 $2
3 $0 $0 $3 $2
4 $4 $2 $0 $0
Algoritmo Húngaro
Exemplo 2 – Solução
Tarefas
Filhos 1 2 3 4
1 $0 $2 $1 $1
2 $3 $0 $0 $2
3 $0 $0 $3 $2
4 $4 $2 $0 $0
Efetuando a designação:
Tarefas
Efetuando a designação:
Tarefas
Efetuando a designação:
Tarefas
Efetuando a designação:
Tarefas
Efetuando a designação:
Tarefas
Tarefas Tarefas
Filhos 1 2 3 4 Filhos 1 2 3 4
1 $1 $4 $6 $3 1 $0 $2 $1 $1
2 $9 $7 $ 10 $9 2 $3 $0 $0 $2
3 $4 $5 $ 11 $7 3 $0 $0 $3 $2
4 $8 $7 $8 $5 4 $4 $2 $0 $0
Tarefas Tarefas
Filhos 1 2 3 4 Filhos 1 2 3 4
1 $1 $4 $6 $3 1 $0 $2 $1 $1
2 $9 $7 $ 10 $9 2 $3 $0 $0 $2
3 $4 $5 $ 11 $7 3 $0 $0 $3 $2
4 $8 $7 $8 $5 4 $4 $2 $0 $0
Tarefas
Filhos 1 2 3 4
1 $1 $4 $6 $3
2 $9 $7 $ 10 $9
3 $4 $5 $ 11 $7 Solução do Problema:
4 $8 $7 $8 $5 Filho 1 – Tarefa 1: custo $ 1
Filho 2 – Tarefa 3: custo $ 10
Filho 3 – Tarefa 2: custo $ 5
Filho 4 – Tarefa 4: custo $ 5
Custo total Z* = 1 + 10 + 5 + 5 = $ 21
Problema de Designação
Exemplo 3
A JOB SHOP COMPANY adquiriu três novas máquinas de tipos diferentes
Há quatro locais disponíveis na oficina em que uma máquina poderia ser instalada
Alguns desses locais são mais interessantes que outros para determinadas máquinas
em virtude da proximidade com centros de trabalho que terão um fluxo de trabalho
pesado para essas máquinas e vice-versa
Não haverá nenhum fluxo de trabalho entre as máquinas novas
Assim, o objetivo é destinar as máquinas novas aos locais disponíveis para minimizar o
custo total de manipulação de materiais
O custo estimado em dólares por hora da manipulação de materiais envolvendo cada
uma das máquinas é dado na Tabela a seguir para as respectivas localizações
O local 2 não é considerado adequado para a máquina 2; portanto, não é fornecido
nenhum custo para esse caso
Problema de Designação
Exemplo 3
Local
Máquinas 1 2 3 4
1 13 16 12 11
2 15 - 13 20
3 5 7 10 6
Problema de Designação
Exemplo 3
Local
Máquinas 1 2 3 4
1 13 16 12 11
2 15 - 13 20
3 5 7 10 6
Local
Máquinas 1 2 3 4
1 13 16 12 11
2 15 - 13 20
3 5 7 10 6
4 0 0 0 0
Problema de Designação
Exemplo 3
Local
Máquinas 1 2 3 4
1 13 16 12 11
2 15 M 13 20
3 5 7 10 6
4 0 0 0 0
Local
Máquinas 1 2 3 4
1 13 16 12 11
2 15 M 13 20
3 5 7 10 6
4 0 0 0 0
Algoritmo Húngaro
Exemplo 3 – Solução
Local Local
Máquinas 1 2 3 4 Máquinas 1 2 3 4
1 13 16 12 11 1 2 5 1 0
2 15 M 13 20 2 2 M 0 7
3 5 7 10 6 3 0 2 5 1
4 0 0 0 0 4 0 0 0 0
Local
Máquinas 1 2 3 4
1 2 5 1 0
2 2 M 0 7
3 0 2 5 1
4 0 0 0 0
Algoritmo Húngaro
Exemplo 3 – Solução
Local
Máquinas 1 2 3 4
1 2 5 1 0
2 2 M 0 7
3 0 2 5 1
4 0 0 0 0
3º Passo: Teste
designação
Algoritmo Húngaro
Exemplo 3 – Solução
Local
Máquinas 1 2 3 4
1 2 5 1 0
2 2 M 0 7
3 0 2 5 1
4 0 0 0 0
Efetuando a designação:
Efetuando a designação:
Efetuando a designação:
Efetuando a designação:
Efetuando a designação:
Local Local
Máquinas 1 2 3 4 Máquinas 1 2 3 4
1 13 16 12 11 1 2 5 1 0
2 15 M 13 20 2 2 M 0 7
3 5 7 10 6 3 0 2 5 1
4 0 0 0 0 4 0 0 0 0
Local Local
Máquinas 1 2 3 4 Máquinas 1 2 3 4
1 13 16 12 11 1 2 5 1 0
2 15 M 13 20 2 2 M 0 7
3 5 7 10 6 3 0 2 5 1
4 0 0 0 0 4 0 0 0 0
Local
Máquinas 1 2 3 4
1 13 16 12 11
2 15 - 13 20
3 5 7 10 6
4 0 0 0 0
Solução do Problema:
Máquina 1 – Local 4: custo $ 11
Máquina 2 – Local 3: custo $ 13
Máquina 3 – Local 1: custo $ 5
Máquina 4 – Local 2: custo $ 0
Custo total Z* = 11 + 13 + 5 + 0 = $ 29
Bibliografia
4 45 110 95 115
Problema de Designação
Exercício 2
Analise de sensibilidade:
Averiguar o impacto dessa incerteza sobre a qualidade da
solução ótima
Análise de Sensibilidade
Max Z 30 x1 20 x2
s.a.
2 x1 x2 8 ( Máquina 1)
x1 3x2 8 ( Máquina 2)
x1 , x2 0
JobCo – Modelo PL
Max Z 30 x1 20 x2
s.a.
2 x1 x2 8 ( Máquina 1)
x1 3x2 8 ( Máquina 2)
x1 , x2 0
Análise de Sensibilidade
s.a.
2 x1 x2 8 ( Máquina 1)
x1 3x2 8 ( Máquina 2)
x1 , x2 0
Análise de Sensibilidade
s.a.
2 x1 x2 8 ( Máquina 1)
x1 3x2 8 ( Máquina 2)
x1 , x2 0
Análise de Sensibilidade
Caso 1:
Max Z = 30 x1 + 20 x2
Análise de Sensibilidade
Max Z = 6,7 x1 + 20 x2
Análise de Sensibilidade
Max Z = 30 x1 + 20 x2
Análise de Sensibilidade
Max Z = 39 x1 + 20 x2
Análise de Sensibilidade
Max Z = 30 x1 + 20 x2
Análise de Sensibilidade
Max Z = 30 x1 + 16 x2
Análise de Sensibilidade
Max Z = 30 x1 + 20 x2
Análise de Sensibilidade
Max Z = 30 x1 + 89 x2
Análise de Sensibilidade
• Pergunta 1:
– Qual é o ganho unitário para cada um dos produtos 1 e 2, na
receita da JobCo?
Análise de Sensibilidade
• Pergunta 1:
– Qual é o ganho unitário para cada um dos produtos 1 e 2, na
receita da JobCo?
• Resposta:
– Alterando c1: $ 3,2 / unidade do produto 1
– Alterando c2: $ 1,6 / unidade do produto 2
Análise de Sensibilidade
• Pergunta 2:
– Quais devem ser os aumentos e reduções máximas permitidas
nas receitas unitárias dos produtos da JobCo, de forma a manter
a solução ótima?
Importante:
Cair fora da faixas máximas de aumento/redução permitidas,
não significa que o problema não tenha mais solução ótima
• Pergunta 2:
– Quais devem ser os aumentos e reduções máximas permitidas
nas receitas unitárias dos produtos da JobCo, de forma a manter
a solução ótima?
Análise de Sensibilidade
• Pergunta 2:
– Quais devem ser os aumentos e reduções máximas permitidas
nas receitas unitárias dos produtos da JobCo, de forma a manter
a solução ótima?
• Resposta:
c1: Aumento máximo: < 10
c1: Redução máxima: < 23,33
• Pergunta 3:
– Qual o produto mais rentável para a JobCo?
Análise de Sensibilidade
• Pergunta 3:
– Qual o produto mais rentável para a JobCo?
• Resposta:
– Depende do quanto é possível aumentar no preço de venda de
cada produto
– Supondo que é possível aumentar em $ 30 a receita individual
de cada produto:
c1 (aumento máximo permitido < 10): 10 x $ 3,2 = total $ 32
c2 (aumento máximo permitido < 70): 30 x $ 1,6 = total $ 48
Análise de Sensibilidade
Caso 2:
Max Z 30 x1 20 x2 Max Z 30 x1 20 x2
s.a. s.a.
2 x1 x2 8 ( Máquina 1) 2 x1 x2 9 ( Máquina 1)
x1 3x2 8 ( Máquina 2) x1 3x2 8 ( Máquina 2)
x1 , x2 0 x1 , x2 0
Análise de Sensibilidade
Restrição 1: 2x1 + x2 ≤ 8
Análise de Sensibilidade
Restrição 1: 2x1 + x2 ≤ 9
Análise de Sensibilidade
Restrição 2: x1 + 3x2 ≤ 8
Análise de Sensibilidade
Restrição 2: x1 + 3x2 ≤ 9
Análise de Sensibilidade
• Pergunta 1:
– Se a JobCo puder aumentar a capacidade de ambas as
máquinas, qual delas deve receber maior prioridade?
Análise de Sensibilidade
• Pergunta 1:
– Se a JobCo puder aumentar a capacidade de ambas as
máquinas, qual delas deve receber maior prioridade?
• Resposta:
– Os preços sombra para as máquinas 1 e 2 são $14/hora e
$2/hora
– Significa que cada hora adicional da máquina 1 resultará em
um aumento de $14 na receita, em comparação com apenas $2
para a máquina 2
– Por isso, a prioridade deve ser a máquina 1
Análise de Sensibilidade
• Pergunta 2:
– É dada uma sugestão para aumentar a capacidade das
máquinas a um custo adicional de $ 10/hora. Isso é
aconselhável?
Análise de Sensibilidade
• Pergunta 2:
– É dada uma sugestão para aumentar a capacidade das
máquinas a um custo adicional de $ 10/hora. Isso é
aconselhável?
• Resposta:
– Para a máquina 1, a receita adicional por hora passaria para:
$14 - $10 = $ 4/hora
– Para a máquina 2, a receita adicional por hora passaria para:
$2 - $10 = $ – 8/hora
– Portanto, somente a capacidade da máquina 1 poderia ser
aumentada
Análise de Sensibilidade
• Pergunta 3:
– Se a capacidade da máquina 1 for aumentada das atuais 8
horas para 13 horas, qual será o impacto desse aumento na
receita ótima?
Análise de Sensibilidade
• Pergunta 3:
– Se a capacidade da máquina 1 for aumentada das atuais 8
horas para 13 horas, qual será o impacto desse aumento na
receita ótima?
• Resposta:
– O preço sombra para a máquina 1 é $14 e é aplicável na faixa
(2,67 – 16) horas
– O aumento proposto para 13 horas cai dentro da faixa de
viabilidade
– Portanto, o aumento na receita é $ 14(13 – 8) = $70
– Assim o aumento total será $128 + $70 = $ 198
Análise de Sensibilidade
• Pergunta 4:
– Supondo que a capacidade da máquina 1 seja aumentada para
20 horas, qual será o impacto desse aumento sobre a receita
ótima?
Análise de Sensibilidade
• Pergunta 4:
– Supondo que a capacidade da máquina 1 seja aumentada para 20
horas, qual será o impacto desse aumento sobre a receita ótima?
• Resposta:
– A alteração proposta está fora da faixa (2,67 – 16) horas, para a
qual o preço sombra de $ 14 permanece aplicável
– Assim, só é possível tirar uma conclusão imediata em relação a um
aumento de até 16 horas
– Passando disso, serão necessários novos cálculos
Importante:
Cair fora da faixa de viabilidade não significa que o problema não
tenha nenhuma solução
Significa apenas que não existem informações suficientes para
uma tomada de decisão imediata
Capítulo 3
Resolvendo Problemas de Programação
Linear Utilizando Solver do Excel
5. Em Suplementos ->
Suplementos disponíveis:
6. Solver
Max z = 3 x1 + 2 x 2
s.a.
x1 + 2 x2 6
2 x1 + x2 8
- x1 + x 2 1
x2 2
x1 ; x 2 0
= somarproduto(B3:D3;B4:D4)
=somarproduto($B$4:$D$4;B9:D9)