Escolar Documentos
Profissional Documentos
Cultura Documentos
Quelimane
2023
Chagane Jabro Saide Abacar
Quelimane
2023
Sumário
1 Introdução........................................................................................................................4
1.1. Objetivos..........................................................................................................................5
1.1.1 Gerais.........................................................................................................................5
1.2. Metodologia.....................................................................................................................5
2. Revisão de Literatura..........................................................................................................6
3. Conclusão.........................................................................................................................20
4. Referências Bibliográficas...................................................................................................21
1 Introdução
No presente trabalho falar-se-á sobre Múltiplas Soluções Otimas; Função Objetivo z
Ilimitada; Não Existe Solução Otima e Solução Otima Degenerada.
Importa saber que a programação linear é uma técnica matemática utilizada para
otimizar problemas que envolvem a alocação de recursos limitados. Ela é amplamente
aplicada em diversas áreas, como engenharia, economia, logística, entre outras. Um problema
de programação linear envolve uma função objetivo e um conjunto de restrições lineares. A
função objetivo é a equação matemática que se deseja maximizar ou minimizar, enquanto as
restrições são as condições que limitam as variáveis do problema. Essas variáveis são
representadas por incógnitas e podem ser interpretadas como quantidades a serem
determinadas.
Por outro lado, em alguns casos, a função objetivo pode ser ilimitada. Isso acontece
quando não há um valor máximo ou mínimo para a função objetivo, ou seja, ela pode crescer
ou decrescer indefinidamente sem violar as restrições. Nesse caso, não há uma solução ótima
para o problema. Além disso, uma solução ótima pode ser degenerada. Isso ocorre quando
duas ou mais variáveis básicas têm valor zero, o que significa que elas não contribuem para a
solução ótima do problema. Nesse caso, é necessário utilizar uma técnica chamada análise de
sensibilidade para encontrar outras soluções ótimas.
4
fundamental o conhecimento que temos sobre equação lineares e inequações assim como a
construção e análise de gráficos no sistema cartesiano.
1.1. Objetivos
1.1.1 Gerais
Compreender a aplicação de Múltiplas Soluções Otimas; Função Objetivo z Ilimitada;
Não Existe Solução Otima e Solução Otima Degenerada
1.1.2. Específicos
1.2. Metodologia
Este trabalho utiliza uma abordagem baseada em pesquisa bibliográfica, consultas a
especialistas da área e análise de estudos de caso. A revisão bibliográfica abrange livros,
artigos científicos e normas técnicas relacionadas ao tema. A consulta a especialistas é
realizada por meio de entrevistas e discussões com arquitetos, engenheiros civis e construtores
experientes no projeto e construção de coberturas inclinadas. Os estudos de caso são
selecionados com base em exemplos de sucesso e inovação no campo das soluções
construtivas em coberturas inclinadas
5
2. Revisão de Literatura
2.1. Método de Resolução Gráfica de um Problema de Programação Linear
Este método é utilizado quando o problema envolve apenas duas variáveis de decisão, a
solução ótima de um PPL pode ser encontrada graficamente. Sendo assim, vamos seguir os
procedimentos de (FÁVERO; BELFIORE, 2012, p.66 ).
Além disso, vamos utilizar o GeoGebra para construir os gráficos. Para maiores
informações consulte (GEOGEBRA, 2020). Vejamos um exemplo envolvendo um PPL, que
servirá como base para os demais métodos de resolução.
7
factíveis para a equação, determinando os pontos x1 = 0, tem-se que x2 = 6,67 e x2 = 0, tem-
se que x1 = 20, além disso temos as seguintes restrições x1 ≥ 0 e x2 ≥ 0. A região factível é
representada pelo polígono de quatro lados ABCD. Qualquer ponto na superfície do polígono
ou no seu interior representa a região factível Figura.
O passo seguinte busca determinar a solução ótima do modelo que maximize a função
z = 30x1 +50x2, dentro do espaço de soluções factíveis determinado na Figura 1. Como o
espaço de soluções contém um número infinito de pontos, é necessário um procedimento
formal para identificar a solução ótima.
8
objetivo, concluindo que o ponto C é o ótimo. Como o vértice C é a interseção das retas 2x1
+3x2 = 30 e x1 +3x2 = 20, os valores de x1 e x2 podem ser calculados algebricamente a partir
dessas duas equações. Logo, tem-se que x1 = 10 e x2 = 3,33 (verifique) . Daí, temos que z =
30 · 10 + 50 · 3,33 = 466,66 MT. O procedimento completo é apresentado na Figura 5.
Lembrando que o valor acima tem que ser multiplicado por 1.000,00 MT.
9
Assim, vamos determinar a região factível, em que a primeira restrição é a reta de
equação 2x1 +x2 = 4, pode ser traçada a partir de dois pontos. Se x1 = 0, tem-se que x2 = 4.
Analogamente, se x2 = 0, tem-se que x1 = 2. Para determinar o espaço de soluções ou a
direção da região que satisfaz a desigualdade 2x1 +x2 ≥ 4, podemos considerar qualquer
ponto fora da reta. Neste caso, observe que o ponto de origem (x1, x2) = (0,0), não está na
região factível, então vamos utilizar o ponto (x1, x2) = (2,2) que faz parte da região factível.
Verifica-se que o ponto satisfaz a primeira desigualdade, pois 2 · 2+2 ≥ 4. Portanto, podemos
identificar a direção da região que apresenta soluções factíveis, conforme mostra a Figura 3.
A região factível é representada pelo polígono de quatro lados ABCD. Qualquer ponto
na superfície do polígono ou no seu interior representa a região factível.
A solução ótima do modelo que minimize a função z = 12x1 +7x2, dentro do espaço
de soluções factíveis é determinada atribuindo-se diferentes valores a z, por tentativa e erro.
Identificada a direção em que a função objetivo diminui, é possível identificar a solução ótima
do modelo, dentro do espaço de soluções factíveis. Em seguida, atribuindo-se um valor
arbitrário para z = 38, e seguido por z = 57, obtendo-se as equações 12x1 +7x2 = 38 e 12x1
+7x2 = 57, respectivamente. A partir dessas duas equações é possível identificar a direção,
dentro do espaço de soluções factíveis, que minimiza a função objetivo, concluindo que o
ponto D é o ótimo. Como o vértice D é a interseção das retas 2x1 + x2 = 4 e x1 + 6x2 = 6, os
valores de x1 e x2 podem ser calculados algebricamente a partir dessas duas equações. Logo,
tem-se que x1 = 1,64 e x2 = 0,73 com z = 12 · 1,64+7 · 0,73 = 24,79. O procedimento
completo é apresentado na Figura 3.
10
2.2. Casos Especiais
Alguns PPL não apresentam uma única solução ótima não degenerada, podendo cair em
um dos quatro casos:
11
função objetivo é linear e paralela à restrição. Isso significa que a função objetivo não é
afetada pela variação da restrição, o que pode levar a mais de uma solução ótima.
As múltiplas soluções ótimas podem ser um problema para os tomadores de decisão, pois
eles precisam escolher uma das soluções possíveis. Nesse caso, é importante considerar outros
critérios além da otimalidade, como custo, viabilidade e tempo de implementação.
Além disso, as múltiplas soluções ótimas podem ser exploradas para obter insights e
informações adicionais sobre o problema em questão. Por exemplo, pode-se analisar as
características das diferentes soluções ótimas para entender melhor o problema e identificar
possíveis melhorias ou oportunidades. É importante ressaltar que a presença de múltiplas
soluções ótimas não significa necessariamente que o problema esteja mal formulado ou que a
metodologia utilizada seja inadequada. Na verdade, é uma característica natural de alguns
problemas complexos e deve ser considerada como parte do processo de tomada de decisão.
Um PPL pode apresentar mais de uma solução ótima. Nesse caso, considerando um problema
com duas variáveis de decisão, diferentes valores de x1 e x2 alcançam o mesmo valor ótimo
na função objetivo. Esse caso é ilustrado, graficamente, por meio de um exemplo.
De acordo com (TAHA, 2008), quando a função objetivo é paralela a uma restrição ativa,
tem-se um caso com múltiplas soluções ótimas. A restrição ativa é aquela responsável pela
determinação da solução ótima do modelo.
ponto desse segmento é uma solução ótima alternativa e também apresenta o valor de z = 24.
Quando nos deparamos com uma função objetivo ilimitada, é importante revisar
cuidadosamente as restrições e a formulação do problema. É possível que tenhamos cometido
algum erro na modelagem ou que seja necessário adicionar restrições adicionais para tornar o
problema bem definido. mEm alguns casos, podemos também introduzir restrições artificiais
para limitar a função objetivo e tornar o problema solucionável. Essas restrições podem ser
adicionadas de forma a não afetar significativamente a natureza do problema, mas garantindo
que a função objetivo seja limitada. É importante mencionar que a presença de uma função
objetivo ilimitada pode indicar a existência de problemas mais profundos na formulação ou
no entendimento do problema. Portanto, é fundamental revisar cuidadosamente todas as
etapas do processo de modelagem e análise para identificar e corrigir qualquer erro.
Nesse caso, não existe limite para o crescimento do valor de pelo menos uma variável de
decisão, resultando em uma região factível e uma função objetivo z ilimitada. Para um
problema de maximização, o valor da função objetivo cresce ilimitadamente, enquanto para
um problema de minimização, o valor decresce de forma ilimitada.
14
Solução: a partir das restrições construímos o espaço de solução factível, que neste
caso é ilimitado, pois não existe limite para o crescimento de x1 conforme mostra a Figura 5.
Consequentemente, a função objetivo z também pode crescer de forma ilimitada.
Nesses casos, pode ser necessário utilizar abordagens heurísticas ou aproximações para
obter uma solução satisfatória, mesmo que não seja ótima. Além disso, a falta de uma solução
ótima também pode estar relacionada à complexidade do problema. Às vezes, certos
problemas são intrinsecamente difíceis de resolver e não há uma estratégia garantida para
15
encontrar uma solução ótima dentro de um tempo razoável. Nesses casos, é importante buscar
soluções aproximadas ou subótimas que atendam aos requisitos do problema.
Quando não há solução ótima, é importante considerar outras métricas e critérios para
avaliar as possíveis soluções. Por exemplo, pode-se priorizar a minimização dos custos ou a
maximização do desempenho dentro das restrições existentes. É fundamental também revisar
cuidadosamente a formulação do problema e as suposições feitas durante o processo de
modelagem. Erros ou simplificações excessivas podem levar à falta de uma solução ótima. É
necessário garantir que todas as variáveis, restrições e objetivos estejam corretamente
definidos e alinhados com a realidade do problema em questão.
Nesse caso, não é possível encontrar uma solução factível para o problema estudado, ou
seja, não existe solução ótima. O conjunto de soluções factíveis é vazio.
max z = x1 +2x2
Solução: ao construirmos cada uma das restrições do modelo, além da função objetivo
com o valor arbitrário de z = 4. Conforme a Figura 6, pode-se identificar que nenhum ponto
satisfaz todas as restrições do problema. Assim, o espaço solução viável é vazio.
16
Figura 6 – Não existe solução.
Existem várias possíveis causas para a ocorrência de soluções ótimas degeneradas. Uma
delas é quando há restrições lineares redundantes ou sobrepostas no problema. Essas
restrições extras podem levar a um espaço de busca maior e aumentar a probabilidade de
soluções degeneradas. Outra causa pode ser o uso de regras de escolha inadequadas durante as
iterações do método simplex. Certos critérios de escolha podem favorecer soluções
degeneradas, resultando em variáveis básicas com valor zero. Além disso, é importante
mencionar que as soluções degeneradas podem afetar negativamente o desempenho do
17
método simplex. Isso ocorre porque as iterações podem ficar presas em ciclos ou levar mais
tempo para convergir para a solução ótima. Para lidar com soluções ótimas degeneradas,
existem algumas abordagens possíveis. Uma delas é o uso de regras de escolha alternativas
durante as iterações do método simplex. Essas regras podem ajudar a evitar ou reduzir a
ocorrência de soluções degeneradas.
Em resumo, uma solução ótima degenerada é aquela em que uma ou mais variáveis
básicas possuem valor igual a zero. Essa situação pode ocorrer devido a restrições
redundantes, regras de escolha inadequadas ou outras causas. Para lidar com soluções
degeneradas, é necessário utilizar abordagens alternativas durante as iterações do método
simplex e realizar uma análise cuidadosa da formulação do problema
min z = x1 +2x2
18
Solução: o espaço solução factível é representado na Figura 7 pelo triângulo ABC.
Note que a restrição x ≤ 10 é redundante, isto é, não interfere na solução do problema, caso
fosse retirada do problema. Como o vértice B é a intersecção de três retas, tem-se um vértice
degenerado e a função objetivo é z = x1 +2x2 que queremos minimizar satisfaz todas as
restrições do modelo. Assim, a partir de um valor arbitrário z = 35 é possível identificar a
direção da reta que minimiza a função objetivo. Dessa forma podemos notar que o ponto B é
uma solução ótima degenerada.
Com esses exemplos mostrei os casos em que a solução gráfica pode ser aplicada para
resolução de PPL. Um conhecimento simples que pode ser utilizado para resolver PPL
também simples, pois sabemos que os problemas da vida real geralmente envolve mais de
duas variáveis.
19
3. Conclusão
Chegado a conclusão do trabalho foi possivel compreender que a programação linear é
uma técnica matemática poderosa e amplamente utilizada para otimizar problemas que
envolvem a alocação de recursos limitados. Através da formulação de um modelo matemático
que representa o problema, é possível encontrar uma solução ótima que maximize ou
minimize uma função objetivo sujeita a um conjunto de restrições. Durante a resolução desses
problemas, podem ocorrer particularidades que devem ser consideradas para garantir uma
solução robusta e confiável. Uma dessas particularidades é a existência de múltiplas soluções
ótimas. Isso ocorre quando diferentes combinações de valores das variáveis satisfazem as
restrições e otimizam a função objetivo. É importante considerar essas soluções ótimas
alternativas durante a tomada de decisão.
Outra particularidade que pode ocorrer é a função objetivo ilimitada. Isso acontece
quando não há um valor máximo ou mínimo para a função objetivo, ou seja, ela pode crescer
ou decrescer indefinidamente sem violar as restrições. Nesse caso, não há uma solução ótima
para o problema. Além disso, uma solução ótima pode ser degenerada. Isso ocorre quando
duas ou mais variáveis básicas têm valor zero, o que significa que elas não contribuem para a
solução ótima do problema. Nesse caso, é necessário utilizar uma técnica chamada análise de
sensibilidade para encontrar outras soluções ótimas.
Por fim, é importante lembrar que a programação linear é uma técnica matemática e
que os resultados obtidos são tão bons quanto as informações fornecidas no modelo. Portanto,
é fundamental que o modelo seja bem formulado e que as informações utilizadas sejam
precisas e confiáveis. Com o avanço da tecnologia, as soluções computacionais tornaram-se
mais acessíveis e eficientes, tornando a programação linear ainda mais útil e relevante nos
dias de hoje. Através do uso de softwares especializados, é possível resolver problemas
complexos em um curto espaço de tempo e com alta precisão.
20
4. Referências Bibliográficas
Hill, Manuela Magalhães, Santos, Mariana Marques Dos (1999) Investigação Operacional
- Vol. 1 – Programação Linear. Edições Sílabo.
Hill, Manuela Magalhães, Santos, Mariana Marques Dos (2008) Investigação Operacional
- Vol. 3 – Transportes, Afectação e Optimização de Redes. Edições Sílabo.
Taha, Hamdy A. (2007) Operations Research: An Introduction, 8th Ed. Pearson Prentice
Hall.
Tavares, Luís Valadares, Oliveira, Rui Carvalho, Themido, Isabel Hall, Correia, Francisco
Nunes (1996) Investigação Operacional. Editora McGraw-Hill de Portugal, Ldª.
21