UNIVERSIDADE POLITECNICA-APOLITECNICA

Instituto Superior de Humanidades Ciências e Tecnologias

Curso de Engenharia Civil

Cadeira de Investigação Operacional

Múltiplas Soluções Otimas

Função Objetivo z Ilimitada
Não Existe Solução Otima
Solução Otima Degenerada

Chagane Jabro Saide Abacar

Quelimane
2023
 Chagane Jabro Saide Abacar

Múltiplas Soluções Otimas

Função Objetivo z Ilimitada
Não Existe Solução Otima
Solução Otima Degenerada

Trabalho escrito para apresentação e defesa

como parte de avaliação do primeiro teste da
disciplina de Investigação Operacional no
Instituto Superior de Humanidades Ciência e
Tecnologia; sob orientação do Engenheiro
Neil Adolfo.

Quelimane
2023
 Sumário
1 Introdução........................................................................................................................4

1.1. Objetivos..........................................................................................................................5

1.1.1 Gerais.........................................................................................................................5

1.2. Metodologia.....................................................................................................................5

2. Revisão de Literatura..........................................................................................................6

2.1. Método de Resolução Gráfica de um Problema de Programação Linear........................6

2.2. Casos Especiais..........................................................................................................11

2.2.1. Múltiplas Soluções Ótimas....................................................................................11

2.2.2. Função Objetiva z Ilimitada..................................................................................13

2.2.3. Não Existe Solução Ótima....................................................................................15

2.2.4. Solução Ótimas Degenerada.................................................................................17

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.

Quando um problema de programação linear é resolvido, existem algumas

particularidades que podem ocorrer. Por exemplo, pode haver múltiplas soluções ótimas, o
que significa que diferentes combinações de valores das variáveis satisfazem as restrições e
otimizam a função objetivo. Isso ocorre quando a função objetivo é paralela a uma restrição e
pode ser movida sem afetar outras soluções ótimas.

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.

Em resumo, a programação linear é uma técnica matemática importante para a

otimização de problemas que envolvem recursos limitados. É possível que um problema tenha
múltiplas soluções ótimas, função objetivo ilimitada ou solução ótima degenerada. Essas
particularidades devem ser consideradas durante a resolução do problema e podem influenciar
as decisões tomadas com base na solução encontrada.

Neste trabalho irei presentar a técnica de resolução de um PPL, chamada de método de

resolução gráfica, usada somente, quando o problema envolve duas variáveis. Aqui será

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

 Compreender o Método de Resolução Gráfica de um Problema de Programação

Linear.
 Explicar por meio de Exercicios Resolvidos as Múltiplas Soluções Otimas; Função
Objetivo z Ilimitada; Não Existe Solução Otima e Solução Otima Degenerada.

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 ).

1. Determinar a região factível em um eixo cartesiano. Uma solução viável ou factível é

aquela que satisfaz todas as restrições do modelo, inclusive as de não negatividade. Se
determinada solução viola pelo menos uma das restrições do modelo, a mesma é
chamada solução inviável ou infactível.
2. Determinar a solução ótima do modelo, isto é, a solução factível que apresente o
melhor valor da função objetivo. Para um problema de maximização, determinado o
conjunto de soluções viáveis, a solução ótima é aquela que fornece o maior valor à
função objetivo dentro desse conjunto. Já para um problema de minimização, a
solução ótima é aquela que minimiza a função objetivo.

A seguir destacamos os teoremas fundamentais da programação linear cuja as

demonstrações podem ser encontradas em (GOLDBARG, 2015).

a) Teorema 1. O conjunto H, de todas as soluções factíveis do modelo de programação

linear, é um conjunto convexo.
b) Teorema 2. Toda solução básica do sistema AX = B é um ponto extremo do conjunto
de soluções factíveis H.
c) Teorema 3. Se uma função objetivo possui um máximo (ou mínimo) finito, então pelo
menos uma solução ótima é um ponto extremo do conjunto convexo H.

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.

Exemplo 1 : Para a construção de um apartamento popular por mês a construtora WRC

necessita de 2 pedreiros, 4 serventes e 1 carpinteiro. Para se construir uma casa no mesmo
intervalo de tempo, a mesma construtora necessita de 3 pedreiros, 8 serventes e 3 carpinteiros.
A construtora possui um efetivo total de 30 pedreiros, 70 serventes e 20 carpinteiros
contratados. A construtora obtém um lucro de 30 000,00 MT na venda de cada apartamento
6
popular e de 50. 000,00 MT na venda de cada casa e toda "produção"da construtora é vendida.
Qual é a quantidade ótima de apartamentos populares e casas que a construtora deve construir
para que esta obtenha lucro máximo.

Solução: sejam x1 o número de apartamentos populares e x2 o número de casas

construídas pela WRC, queremos maximizar a função objetivo abaixo que representa o lucro
da construtora dada por:

max z = 30x1 +50x2

Sujeitos as seguintes condições (s.a.):

Inicialmente vamos determinar a região factível, nos eixos cartesianos x1 e x2,

determinando o espaço de soluções factíveis das restrições do modelo de maximização
estudado. Para cada restrição, traça-se a reta que representa a equação de igualdade (sem
considerar o sinal do tipo ≤ ou ≥) e, a partir daí, determina-se a direção da região que satisfaça
a desigualdade. Assim, para a primeira restrição, a reta que representa a equação 2x1 +3x2 =
30 pode ser traçada a partir de dois pontos. Se x1 = 0, tem-se que x2 = 10.

Analogamente, se x2 = 0, tem-se que x1 = 15. Para determinar o espaço de soluções

ou a direção da região que satisfaz a desigualdade 2x1 +3x2 ≤ 30, podemos considerar
qualquer ponto fora da reta. Usualmente, utiliza-se o ponto de origem (x1, x2) = (0,0), em
função de sua simplicidade. Verifica-se que o ponto de origem satisfaz a primeira
desigualdade, pois 2·0+3·0 ≤ 30. Portanto, podemos identificar a direção da região que
apresenta soluções factíveis, conforme mostra a Figura 1.

Da mesma forma, para a segunda restrição, a reta que representa a equação de

igualdade 4x1 +8x2 = 70 é traçada a partir de dois pontos. Se x1 = 0, tem-se que x2 = 8,75.
Analogamente, se x2 = 0, tem-se que x1 = 17,50. Verifica-se também que o ponto de origem
satisfaz a desigualdade 4x1 +8x2 ≤ 70, pois 4 · 0+8 · 0 ≤ 70, representando a direção da
região que contém soluções factíveis. Analogamente, pode-se determinar o espaço de soluções

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.

Figura 1 : Região factível

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.

De acordo com (TAHA, 2008). Primeiramente, precisamos identificar a direção

correta em que a função cresce (função de maximização). Para isso, traçaremos diferentes
retas com base na equação da função objetivo, atribuindo diferentes valores a z, por tentativa
e erro. Identificada a direção em que a função objetivo aumenta, é possível identificar a
solução ótima do modelo, dentro do espaço de soluções factíveis.

Atribuiu-se um valor arbitrário de z = 0, seguido por z = 10, obtendo-se as equações

30x1 +50x2 = 0 e 30x1 +50x2 = 10, respectivamente. A partir dessas duas equações, foi
possível identificar a direção, dentro do espaço de soluções factíveis, que maximiza a função

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.

Figura 2 – Solução ótima

Logo, a construtora deve construir 10 apartamentos populares e 3 casas para obter um

lucro máximo de 466 666,67 MT.

Exemplo 2. Considere o problema de problema de minimização:

min z = 12x1 +7x2.

Solução: neste caso, queremos minimizar a função objetivo z.

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.

Da mesma forma, para a segunda restrição, a reta que representa a equação de

igualdade x1 +6x2 = 6 é traçada a partir de dois pontos. Se x1 = 0, tem-se que x2 = 1.
Analogamente, se x2 = 0, tem-se que x1 = 6. Verifica-se também que o ponto (x1, x2) = (2,2)
satisfaz a desigualdade x1 +6x2 ≥ 6, pois 2+6 · 2 ≥ 6, representando a direção da região que
contém soluções factíveis.

Analogamente, pode-se determinar o espaço de soluções factíveis para as demais

restrições x1 ≤ 4, x2 ≤ 6, além disso, temos que 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.

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.

Figura 3 – Região factível e solução ótima

10
 2.2. Casos Especiais
Alguns PPL não apresentam uma única solução ótima não degenerada, podendo cair em
um dos quatro casos:

• Múltiplas soluções ótimas;

• Função objetivo z ilimitada;
• Não existe solução ótima;
• Solução ótima degenerada.

2.2.1. Múltiplas Soluções Ótimas

Uma das questões mais importantes em Investigação Operacional é a busca pela solução
ótima, ou seja, a melhor solução possível dentro das restrições e objetivos do problema. No
entanto, em alguns casos, pode acontecer de existirem múltiplas soluções ótimas para um
mesmo problema. Isso ocorre quando há mais de uma solução que atende aos critérios de
otimalidade do problema, ou seja, várias soluções que fornecem o mesmo valor ótimo para a
função objetivo. Existem várias situações em que as múltiplas soluções ótimas podem ocorrer.
Uma delas é quando há restrições lineares independentes. Nesse caso, as restrições são tais
que não há relação entre elas, o que pode levar a várias soluções ótimas para o
problema.mOutra situação em que as múltiplas soluções ótimas podem ocorrer é quando a

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.

Exemplo 3: Determinar o conjunto de soluções factíveis e as soluções ótimas do modelo,

para o seguinte PPL:

max z = 8x1 +2x2

Determinar a região factível e a solução ótima do modelo de programação linear.

Solução: faremos o mesmo procedimento utilizado nos exemplos anteriores para

encontrar a solução ótima. A Figura 4 apresenta a região factível determinada a partir das
restrições do modelo analisado. Nota-se que o espaço de soluções factíveis é representado
pelo polígono de quatro lados ABCD.
12
 Para a determinação da solução ótima do modelo, atribuiu-se primeiramente um valor
de z = 4, obtendo-se a reta tracejada apresentada na Figura 4. Como a função objetivo é de
maximização, quanto maiores os valores de x1 e x2, maior o valor da função z, de modo que a
direção em que a função cresce pode ser facilmente identificada. Nota-se que as retas
representadas pelas equações 8x1 +2x2 = 4 e 4x1 +x2 = 12 são paralelas (verifique). Assim,
temos um caso com múltiplas soluções ótimas representadas pelo segmento BC.

Por exemplo, para o ponto B, x1 = 3, x2 = 0, o valor de z é 8 · 3+2 · 0 = 24. O ponto C

é a interseção das retas 4x1 +x2 = 12 e x1 +x2 = 4. Resolvendo-se o sistema formado pela

duas equações, obtém-se x1 =

4
3
8
e x2 = com z = 8 ·
3
8
3 ()
+ 2·
4
3 ()
=24 . Qualquer outro

ponto desse segmento é uma solução ótima alternativa e também apresenta o valor de z = 24.

Figura 4 – Múltiplas solução ótimas

2.2.2. Função Objetiva z Ilimitada

A função objetivo Z ilimitada refere-se a uma situação em que não há limite superior ou
inferior para o valor da função objetivo em um problema de otimização. Isso pode ocorrer
quando não há restrições suficientes ou quando as restrições são inconsistentes, permitindo
que o valor da função objetivo cresça ou diminua indefinidamente. Quando a função objetivo
Z é ilimitada, significa que não existe um valor máximo ou mínimo para ser alcançado. Isso
13
pode ser problemático, pois torna impossível determinar uma solução ótima para o problema
em questão. Existem várias razões pelas quais a função objetivo pode se tornar ilimitada. Uma
delas é quando há falta de restrições suficientes para limitar o valor da função objetivo. Por
exemplo, em um problema de maximização, se não houver restrições que limitem o
crescimento da função objetivo, ela pode aumentar indefinidamente. Outra razão é quando as
restrições do problema são inconsistentes ou contraditórias. Se as restrições não forem bem
formuladas ou se houver algum erro na modelagem do problema, isso pode levar a uma
função objetivo ilimitada.

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.

Exemplo 4: Determinar o espaço de soluções factíveis e a solução ótima do modelo para o

seguinte problema de programação linear:

max z = 4x1 +7x2

Determinar a região factível e a solução ótima do modelo de programação linear.

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.

Figura 5 – Função objetivo ilimitada.

2.2.3. Não Existe Solução Ótima

Em Investigação Operacional, pode ocorrer a situação em que não existe uma solução
ótima para um determinado problema. Isso significa que, independentemente das decisões
tomadas ou das variáveis ajustadas, não é possível atingir um valor ótimo para a função
objetivo. Existem várias razões pelas quais pode não haver uma solução ótima. Uma delas é
quando o problema é mal formulado ou possui restrições inconsistentes. Se as restrições não
estiverem corretamente definidas ou se houver contradições entre elas, pode ser impossível
encontrar uma solução que atenda a todas as condições.

Outra razão é quando o espaço de busca é infinito. Em alguns problemas, o espaço de

busca pode ser tão vasto que se torna inviável explorar todas as possibilidades para encontrar
uma solução ótima.

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.

Em resumo, quando não existe uma solução ótima em Investigação Operacional, é

preciso analisar as razões por trás dessa situação, considerar abordagens alternativas e revisar
a formulação do problema. Embora seja desejável buscar uma solução ótima, é importante
lembrar que nem todos os problemas possuem uma resposta definitiva e que soluções
aproximadas ou subótimas podem ser viáveis e satisfatórias.

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.

Exemplo 5: Considere o seguinte PPL:

max z = x1 +2x2

Determinar a região factível e a solução ótima do modelo de programação linear.

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.

2.2.4. Solução Ótimas Degenerada

Uma solução ótima degenerada refere-se a uma situação em que, apesar de atender aos
critérios de otimalidade, a solução possui uma ou mais variáveis básicas com valor igual a
zero. Essas variáveis são chamadas de variáveis não básicas degeneradas.

Uma solução ótima é encontrada através do método simplex ou de outros algoritmos de

programação linear. Esse método envolve a identificação de uma base viável inicial e a
realização de iterações para melhorar iterativamente a solução. No entanto, em certos casos,
pode ocorrer que uma das variáveis básicas seja igual a zero na solução ótima. Isso significa
que essa variável não está ativa na solução e não contribui para o valor da função objetivo.
Essa situação é conhecida como solução ótima degenerada.

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.

Outra abordagem é a utilização de técnicas de pós-processamento para resolver o

problema das soluções degeneradas. Essas técnicas envolvem a identificação e resolução dos
ciclos que podem ocorrer durante as iterações do método simplex. É importante realizar uma
análise cuidadosa da formulação do problema e das restrições envolvidas. Verificar se todas as
restrições são realmente necessárias e se há redundâncias pode ajudar a evitar 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

Pode-se identificar, graficamente, um caso especial de solução degenerada quando um dos

vértices da região factível é obtido pela interseção de mais de duas retas distintas. Tem-se,
portanto, um vértice degenerado. Se a degeneração ocorrer na solução ótima, tem-se um caso
conhecido como solução ótima degenerada.

Exemplo 6: Considere o seguinte PPL.

min z = x1 +2x2

Determinar a região factível e a solução ótima do modelo de programação linear.

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.

Como o ponto B é a interseção das restas x1 +4x2 = 34 e x1 +x2 = 16 as coordenadas

x1 e x2, podem ser calculadas algebricamente a partir dessas equações. Logo, temos x1 = 10 e
x2 = 6 2.2. CASOS ESPECIAIS 33 com z = 10+2 · 6 = 22 uma solução degenerada do
problema. Quando a solução é degenerada temos um processo de ciclagem ou retorno cíclico.

Figura 7 – Solução 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.

A análise de sensibilidade é uma ferramenta importante para avaliar as

particularidades do problema e identificar como as mudanças nas restrições ou na função
objetivo afetam a solução ótima. Ela permite avaliar como a solução ótima se comporta em
diferentes cenários e ajuda a garantir que as decisões tomadas sejam robustas e confiáveis.

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

Fávero, L. P.; Belfiore, P. Pesquisa operacional Para Cursos De Administração. Rio de

Janeiro: Elsevier, 2012.

Geogebra. Manual do Usuário. [S.l.], 2020. Disponível em: m: <http://www.geogebra.at>.

Goldbarg, E. Programação Linear e Fluxos em Redes. Rio de Janeiro: Elsevier, 2015.

Citado na página 23.

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.

Hillier, Frederick S., Lieberman, Gerald J. (2006) Introdução à Pesquisa Operacional, 8ª

ed. McGraw-Hill Interamericana do Brasil, Ldª.

Taha, Hamdy A. (2007) Operations Research: An Introduction, 8th Ed. Pearson Prentice
Hall.

TAHA, H. A. Pesquisa Operacional. 8. ed. São Paulo: Pearson, 2008.

Tavares, Luís Valadares, Oliveira, Rui Carvalho, Themido, Isabel Hall, Correia, Francisco
Nunes (1996) Investigação Operacional. Editora McGraw-Hill de Portugal, Ldª.

21