Programação Linear

Universidade Politécnica
A POLITÉCNICA
Instituto Superior Universitário de Tete - ISUTE
Curso: Engenharia Civil & Engenharia Informática e Telecomunicações

Cadeira: Investigação Operacional
Introdução à Programação Linear (PL)
1 Eng˚ Prosperino Alberto 16/10/2022

Conteúdo
Secção 1: Introdução a PL
Secção 2: Solução Gráfica
Secção 3: Terminologia para soluções
Secção 4: Método Simplex
Secção 5: Interpretação económica
Secção 6: Técnica da base artificial
Secção 7: Método das duas fases

1.1. Definição
Programação Linear é uma das técnicas da Pesquisa
Operacional (PO) das mais utilizadas em se tratando de
problemas de optimização.
O seu objectivo é determinar de entre as soluções

admissíveis, uma que seja a “melhor”, medida pelo
valor da função objectivo do modelo.

1.2. Exemplo de protótipo
A empresa INOVAÇÕES produz artigos de vidro de alta
qualidade, nomeadamente janelas e portas de vidro. A
empresa possui três (3) fábricas industriais.
 Fábrica 1: Esquadrias de alumínio e ferragens
 Fábrica 2: Esquadrias de madeira
 Fábrica 3: Vidro e monta os produtos
Em consequência da queda nos ganhos, a direcção

decidiu modernizar a linha de produtos da empresa.

Cont.
Em consequência da queda nos ganhos, a direcção
decidiu modernizar a linha de productos da empresa.
Productos não rentáveis estão sendo descontinuados,
abrindo a capacidade productiva para o lançamento de
dois novos productos com grande potencial de vendas.

Cont.
Produto 1: Uma porta de vidro de 1,5 x 2,5m com
esquadria de alumínio.
Produto 2: Uma janela duplamente adornada com

esquadrias de madeira de 1,20 x 1,80 m.
O producto 1 requer parte da capacidade productiva

das Fábricas 1 e 3, mas nenhuma da Fábrica 2. O
producto 2 precisa apenas das Fábricas 2 e 3.

Cont.
A divisão de marketing conclui que a empresa poderia
vender tanto quanto fosse possível produzir desses
productos por essas fábricas. Entretanto, pelo facto de
ambos os productos poderem estar competindo pela
mesma capacidade productiva na Fábrica 3, não está
claro qual mix dos dois productos seria o mais lucrativo.
Portanto, foi constituída uma equipa de PO para
estudar a questão.

1.3. Equipa de PO
A equipa de PO começou promovendo discussões com
a alta direcção para identificar os objectivos da
directoria para tal estudo. Essas discussões levaram à
seguinte definição do problema:
Determinar quais devem ser as taxas de produção para

ambos os productos de modo a maximizar o lucro total,
sujeito às restrições impostas pelas capacidades
productivas limitadas disponíveis nas três fábricas.

Cont.
Cada producto será fabricado em lotes de 20, de forma
que a taxa de produção é definida como o número de
lotes produzidos por semana. É permitida qualquer
combinação de taxas de produção que satisfaça essas
restrições, inclusive não produzir nada de um producto
e o máximo possível do outro.
A equipa de PO também identificou os dados que

precisavam ser colectados:

Cont.
1. O número de horas de produção disponível por
semana em cada fábrica para esses novos productos.
(A maior parte do tempo nessas fábricas já está
comprometida com os productos actuais, de modo que
a capacidade disponível para os novos productos é
bastante limitada).
2. O número de horas de produção usado em cada

fábrica para cada lote produzido de cada novo
producto.
Cont.
3. O lucro por lote produzido de cada novo producto.
Pelo facto de nenhum custo adicional incorrer para o
início da producção e a comercialização de tais
productos, o lucro total de cada um deles é
aproximadamente esse lucro por lote vezes o número
de lotes produzidos.

Cont.
Obter estimativas razoáveis dessas quantidades exigia
conseguir o apoio de pessoal chave em várias
unidades da empresa, nomeadamente o pessoal da
divisão de manufactura, os engenheiros de produção,
divisão de marketing e o departamento de
contabilidade.
A tabela a seguir sintetiza os dados reunidos.

Cont.
Tempo de Produção por
Lote (em horas) Tempo de produção
Fábrica disponível por semana
Produto
(em horas)
1 (𝑥1) 2 (𝑥2)
1 1 0 4
2 0 2 12
3 3 2 18
Lucro por lote (USD) 3 5
Tabela: Quadro resumo

Fonte: (Frederick Hillier, página 27)

1.4. Resolução
1º Passo: Formulação
𝑥1 - número de lotes do produto 1 semanalmente
𝑥2 - número de lotes do produto 2 semanalmente
𝑍 – lucro total por semana (em milhares de dólares)
obtidos pela produção desses dois productos.
𝑥1 e 𝑥2 são as variáveis de decisão para o modelo. O
objectivo é escolher os valores de 𝑥1 e 𝑥2 para
maximizar 𝑍, sujeito às restrições impostas.

Cont.
Usando-se a linha inferior da tabela 1, obtemos 𝑍 =
3𝑥1 + 5𝑥2. O objectivo é escolher os valores de 𝑥1 𝑒 𝑥2
de forma a maximizar 𝑍 = 3𝑥1 + 5𝑥2 , sujeito às
restrições impostas em seus valores por limitações de
capacidade de producção disponíveis nas três fábricas.

Cont.
2º Passo: Modelação matemática
Forma padrão de Modelo

Cont.
𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝑵 - Variáveis de decisão
𝒂𝒊𝒋 - Coeficientes tecnológicos
𝒃𝒊 - Termos independentes
𝒄𝒊 - Coeficientes da função objectivo

Cont.
A tabela 1 indica que cada lote do producto 1 fabricado por
semana usa uma hora de tempo de produção por semana
na fábrica 1, ao passo que estão disponíveis somente quatro
horas semanais. Essa restrição é expressa
matematicamente pela desigualdade 𝑥1 ≤ 4.
Similarmente a fábrica 2 impõe a restrição 2𝑥2 ≤ 12 . A
declaração matemática da restrição da fábrica 3 é
3𝑥1 + 2𝑥2 ≤ 18. Já que as produção não pode ser negativa
𝑥1 ≥ 0 𝑒𝑥2 ≥ 0.

Cont.
Na linguagem matemática da PL, o problema é
escolher 𝑥1 𝑒 𝑥2 de forma aa
𝑴𝒂𝒙𝒊𝒎𝒊𝒛𝒂𝒓 𝒁 = 𝟑𝒙𝟏 + 𝟓𝒙𝟐
Sujeito às restrições
𝑥1 ≤4
2𝑥2 ≤ 12 → 𝑅𝑒𝑠𝑡𝑟𝑖çõ𝑒𝑠 𝑇é𝑐𝑛𝑖𝑐𝑎𝑠
3𝑥1 + 2𝑥2 ≤ 18
𝑥1 , 𝑥2 ≥ 0 → 𝑅𝑒𝑠𝑡𝑟𝑖çõ𝑒𝑠 𝑑𝑒 𝑁ã𝑜 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒 (𝑅𝑁𝑁)

Conteúdo
Secção 7: Método das duas fases

Procedimentos de resolução
Este pequeno problema possui apenas duas variáveis
de decisão e, portanto, somente duas dimensões, de
forma que um procedimento gráfico pode ser usado
para resolvê-lo. Este procedimento envolve construir
um gráfico bidimensional tendo 𝑥1 𝑒 𝑥2 como eixos. O
primeiro passo é identificar os valores de (𝑥1 , 𝑥2) que
são permitidos pelas restrições.

Cont.
1º Passo: Deve-se substituir as desigualdades de cada
uma das restrições em igualdades.
- O objectivo deste procedimento é encontrar os pontos

que constituem as rectas de cada uma das restrições.
Após substituir as desigualdades por igualdades, deve
se assumir valor 0 para uma variável 𝑥1 e encontrar o
respectivo valor da outra variável 𝑥2 . Em seguida faz-se
o contrário.

Cont.
Observe que a restrição 𝑥1 ≤ 4 significa que (𝑥1 , 𝑥2 )
não podem estar à direita da recta 𝑥1 = 4, tal como
mostra-se na figura:

Cont.
De modo semelhante, a restrição 2𝑥2 ≤ 12 implica que
a recta 2𝑥2 = 12 deve ser adicionada ao contorno da
região de soluções viáveis. A restricção final
3𝑥1 + 2𝑥2 ≤ 18 , requer traçar os pontos (𝑥1 , 𝑥2 ) de
maneira que 3𝑥1 + 2𝑥2 = 18 complete o contorno.
A região resultante de valores viáveis de (𝑥1 , 𝑥2) ,

chamada região de soluções viáveis é mostrada no
slide a seguir.

Cont.
A área sombreada indica o conjunto de valores viáveis
de (𝑥1 , 𝑥2 ), a chamada região de soluções viáveis.

Cont.
2º Passo: Escolha do ponto óptimo.
- Deve igualar-se a Função Objectivo (FO) a um valor
qualquer de preferência que seja múltiplo dos coeficientes
da FO. Em seguida deve traçar-se a recta da FO. Caso o
problema seja maximização, deve transladar-se a recta da
FO em direcção ao ponto mais alto até ao último que seja
tangente a região da solução. Caso o problema seja
minimização, deve transladar-se a recta da FO em
direcção ao ponto mais baixo, até ao último que seja
tangente.

Cont.
O valor de (𝑥1 , 𝑥2 ), que maximiza 3𝑥1 + 2𝑥2 é (2 , 6)

Conteúdo
Secção 7: Algoritmo dual Simplex

Terminologias
Você deve estar acostumado a ver o termo solução com o
significado de resposta final para um problema, porém, a
convenção em programação linear (e suas extensões) é
bem diferente. Aqui, qualquer especificação de valores
para as variáveis de decisão é chamada
solução, independentemente de ela ser desejável ou até
mesmo ser uma opção admissível. Diferentes tipos de
soluções são então identificados usando-se um adjetivo
apropriado.

Cont.
 Solução: é qualquer atribuição de valor as variáveis
de decisão do modelo;
 Solução viável: é aquela para a qual todas as
restrições são satisfeitas;

 Solução inviável: é aquela para a qual pelo menos
uma das restrições é violada;

 Região de soluções viáveis: é o conjunto de todas
as soluções viáveis;

Cont.
 Solução óptima: é uma solução viável que tem o
valor mais favorável da FO;
 Solução FPE (viável em ponto extremo): é aquela
que esta em um vértice da região de soluções

viáveis.

Cont.
A maior parte dos problemas terá apenas uma solução
óptima. Entretanto, é possível ter mais de uma
denominando-se assim soluções óptimas múltiplas.
Outras possibilidade é que um problema não tenha

nenhuma solução óptima. Isso acontece se (1) ela não
tiver nenhuma solução viável ou (2) as restrições não
limitarem o valor da FO na direcção favorável ou (3) A
FO ser ilimitada.

Conteúdo

4.1. Introdução
O método Simplex é um procedimento algébrico que
resolve os problema de PL de forma analítica.
Para a resolução de um problema de Investigação

Operacional (IO) analiticamente deve-se primeiro
transformar o problema que está na forma canónica
(inequações) para a forma padrão (igualdade).

4.2. Forma padrão ou forma aumentada

Cont.

Cont.
Depois de transformada a igualdade é que deve-se
obter uma base porque os métodos analíticos iniciam a
resolução a partir de uma base.

4.3. Resolução pelo Método Simplex
Uma solução aumentada ou forma padrão é uma
solução para as variáveis originais (as variáveis de
decisão) que foi aumentada pelos valores
correspondentes das variáveis de folga.
Uma solução básica viável ou admissível (BV) é

uma solução FPE aumentada.

Cont.
Uma solução básica possui as seguintes propriedades:
1. Cada variável é designada como uma variável básica ou

uma variável não-básica;
2. O número de variáveis básicas é igual ao número de

restrições funcionais (agora equações). Portanto, o
número de variáveis não-básicas é igual ao número total
de variáveis menos o número de restrições funcionais;
3. As variáveis não-básicas são configuradas em zero;

Cont.
4. Os valores das variáveis básicas são obtidos como a
solução simultânea das equações (restrições
funcionais na forma aumentada). (O conjunto de
variáveis básicas é normalmente conhecido como a
base);
5. Se as variáveis básicas satisfizerem as restrições de
não-negatividade, a solução básica é uma solução
40
BV.
Eng˚ Prosperino Alberto 16/10/2022
Cont.
Quando lidarmos com o problema na forma
aumentada, é conveniente considerar e manipular a
equação da função objetivo ao mesmo tempo que as
novas equações de restrições.
Logo, antes de iniciar o método simplex, o problema

precisa ser reescrito mais uma vez numa forma
equivalente:

Cont.
Forma padrão do problema protótipo:

Quadro Simplex típico

4.4. Resolução pelo Método Simplex
Inicia-se numa solução básica admissível, passa de
básica admissível em básica admissível até a solução
óptima.
Quando tem-se um quadro (solução) deve-se perguntar

se o quadro é óptimo, para tal usa-se o critério de
optimalidade.

Critério de optimalidade

Mudança de base

Cont.
3° Passo: Pivot
É o elemento que está na intersecção da linha e da

coluna pivot.
Depois de fazer-se a mudança da base deve-se

preencher o novo quadro.

Preenchimento do novo quadro
1° Passo:
Dividir a linha pivot pelo elemento pivot, de modo que
este elemento pivot no novo quadro torne-se igual a 1.
2º Passo:
Transformar os restantes elementos da coluna pivot em
zero, isto é, a coluna pivot deve ser coluna identidade.
3º Passo:
Verificar a optimalidade do novo quadro.

Resolução do exercício
Primeira tabela do exercício
Cj 3 5 0 0 0
CB XB X1 X2 X3 X4 X5 b
0 X3 1 0 1 0 0 4
0 X4 0 2 0 1 0 12
0 X5 3 2 0 0 1 18
Zj 0 0 0 0 0 0
Cj -Zj 3 5 0 0 0

Cont.
O quadro do slide anterior não é óptimo pelos critérios
já demonstrados anteriormente. Sendo assim a coluna
pivot é a coluna de X2 e a linha pivot é de X4.
Cj 3 5 0 0 0
CB XB X1 X2 X3 X4 X5 b Linha pivot
L1 0 X3 1 0 1 0 0 4 4:0 = ∞
L2 0 X4 0 2 0 1 0 12 12:2 = 6
L3 0 X5 3 2 0 0 1 18 18:2 = 9
Zj 0 0 0 0 0 0
Cj -Zj 3 5 0 0 0

Cont.
Para preencher-se o novo quadro deve proceder-se
conforme os passos anteriormente demonstrados. A
primeira linha a ser preenchida será a L2’.
Cj 3 5 0 0 0
L1’=L1 0 X3 1 0 1 0 0 4
L2’ = (L2:2) 5 X2 0 1 0 1/2 0 6
L3’= -2L2’ + L3 0 X5 3 0 0 -1 1 6
Zj 0 5 0 5/2 0 30
Cj -Zj 3 0 0 -5/2 0

Cont.
O quadro do slide anterior não é óptimo pelos critérios
já demonstrados anteriormente. Sendo assim a coluna
pivot é a coluna de X1 e a linha pivot é de X5.
Cj 3 5 0 0 0
CB XB X1 X2 X3 X4 X5 b Linha pivot
L1’=L1 0 X3 1 0 1 0 0 4 4:1 = 4
L2’ = (L2:2) 5 X2 0 1 0 1/2 0 6 6:0 = ∞
L3’= -2L2’ + 0 X5 3 0 0 -1 1 6 6:3 = 2

L3
Zj 0 5 0 5/2 0 30
Cj -Zj 3 0 0 -5/2 0
Cont.
Para preencher-se o novo quadro deve proceder-se
conforme os passos anteriormente demonstrados. A
primeira linha a ser preenchida será a L3’’.
Cj 3 5 0 0 0
L1’’= ;L3’’ + L1 0 X3 0 0 1 1/3 -1/3 2
L2’’ = L2’ 5 X2 0 1 0 1/2 0 6
L3’’= (L3’ : 3) 3 X1 1 0 0 -1/3 1/3 2
Zj 3 5 0 3/2 1 36
Cj -Zj 0 0 0 -3/2 -1

Cont.
O quadro do slide anterior é óptimo pelos critérios
anteriormente apresentados. Uma vez que o quadro é
óptimo devemos retirar a solução. As variáveis que
estão na base e o Zj o seu valor é retirado na coluna
dos termos independentes. As variáveis que não estão
na base o seu valor é 0.
Xopt = (2; 6; 2; 0; 0) e Zopt = 36

Cont.
Todas as variáveis que não são de decisão e aparecem
com um valor significativo no quadro óptimo deverão
ser interpretadas. Este assunto será abordado no
tópico interpretação económica da solução.

Cont.
Consideremos a seguintes definições:
- Variáveis básicas (VB): as m variáveis que formam
a base do sistema;
- Variáveis não básicas (VNB): as restantes n-m
variáveis;
- Solução básica (SB): solução cujos valores das VNB
são nulos;

Cont.

4.5. Desempate no Método Simplex
1. Empate para a variável básica que entra
A selecção para a variável que entra na base é feita de

forma arbitrária. No final das contas a solução óptima
será alcançada, independentemente de qual variável
empatada fosse escolhida.

Cont.
2. Empate para a variável básica que sai –
degenerescência
O caso mais crítico no erro ao escolher-se a variável
que sai da base é criar-se um ciclo de repetições
infinitas, não obtendo-se a solução desejada.
Existem regras matemáticas especiais para fazer
desempates de forma a não ocorrer tais ciclos de
repetição.

Cont.
Entretanto, as regras são frequentemente ignoradas em
aplicações reais. Simplesmente faça o desempate de
forma arbitrária e prossiga sem preocupar-se com as
variáveis básicas degeneradas resultantes.

Cont.
3. Nenhuma variável básica que sai – Z ilimitado
Neste tipo de situações a resposta para o método

Simplex seria Z é ilimitado. Pelo facto de nem mesmo a
PL ter descoberto uma maneira de gerar-se lucros
infinitos.
Deve reformular-se o problema inicial, provavelmente

foi cometido algum erro na formulação do mesmo.

Cont.
4. Soluções óptimas múltiplas
O método Simplex pará automaticamente após uma

SBA ter sido encontrada. Porém, podem existir outras
soluções óptimas que satisfação o problema.
Toda vez que um problema tiver mais de uma SBA

óptima, pelo menos uma das VNB terá um coeficiente
igual a zero (0) na linha dos custos reduzidos Cj - Zj.

Conteúdo

Interpretação económica das variáveis de
folga
Uma variável de folga “slack“, corresponde à
quantidade de recurso não consumido (com coeficiente
+1), ou à quantidade de recurso consumido além do
mínimo requerido (com coeficiente −1).
Consideremos o exercício resolvido na ilustração do

método simplex:

Cont.

Cont.

Conteúdo

Base artificial
Quando não existe qualquer variável que possa ser
imediatamente tornada como básica, é necessário
introduzir algumas variáveis artificiais, tantas quanto
as necessárias, para se conseguir arranjar um
submatriz identidade de ordem m.

Cont.
As variáveis artificiais, ao contrário das variáveis de
folga (slacks), não têm significado de natureza
económica, sendo apenas um mero artifício matemático
- daí a designação de artificiais. O objectivo consiste
em anular as variáveis artificiais, pois só desta forma
será possível a obtenção de uma solução do problema
inicial.

Método do Grande-M

Cont.
A função objectivo do problema deverá ser penalizada
pela subtração de um número M muito grande (Caso o
problema seja maximização) e pela adicção e um
número M muito grande (Caso o problema seja de
minimização), multiplicado pela variável artificial.
Os procedimentos subsequentes para a escolha da

solução óptimo, são iguais aos utilizados no método
Simplex.

Cont.
Considere o exercício:

Cont.
Transformando o exercício para forma padrão teremos:
𝑀𝑎𝑥 𝑍 = 3𝑥1 + 5𝑥2 + 0 𝑥3 + 𝑥4 − 𝑀𝑎
𝑥1 + 𝑥3 =4
2𝑥2 + 𝑥4 = 12
𝑆𝑢𝑗𝑒𝑖𝑡𝑜 𝑎
3𝑥1 + 2𝑥2 + 𝑎 = 18
𝑥1; 𝑥2 ; 𝑥3 ; 𝑥4 ≥ 0

Cont.
Analisando a forma padrão no slide anterior iremos
constatar que quando a restrição é do tipo igual, na
passagem a forma padrão devemos obrigatoriamente
adicionar uma variável artificial. Essa variável artificial
penaliza a função objectivo com um coeficiente M
grande tendendo a infinito, que é negativo caso a
função seja de maximização ou positivo caso a função
seja de minimização.

Cont.
Primeira tabela do exercício:
𝐶𝑗 3 5 0 0 −𝑀
𝐶𝐵 𝑋𝐵 𝑋1 𝑋2 𝑋3 𝑋4 a b
0 X3 1 0 1 0 0 4
0 X4 0 2 0 1 0 12
−𝑀 a 3 2 0 0 1 18
𝑍𝑗 −3𝑀 −2𝑀 0 0 −𝑀 −18𝑀
𝐶𝑗 − 𝑍𝑗 3 + 3𝑀 5 + 2𝑀 0 0 0

Cont.
O critério de optimalidade não difere do visto
anteriormente no método Simplex. Como temos
conhecimento que o M é um número grande, na analise
da coluna pivot deve ter-se em conta esse factor.
Uma vez que o quadro apresentado no slide anterior

não é óptimo devemos passar a mudança de base tal
como no método Simplex.

Cont.
Coluna pivot
𝐶𝑗 𝟑 5 0 0 −𝑀
𝐶𝐵 𝑋𝐵 𝑿𝟏 𝑋2 𝑋3 𝑋4 a b
𝟎 𝑿𝟑 𝟏 𝟎 𝟏 𝟎 𝟎 𝟒
Linha
pivot
0 𝑋4 𝟎 2 0 1 0 12
−𝑀 𝑎 𝟑 2 0 0 1 18
𝑍𝑗 −𝟑𝑴 −2𝑀 0 0 −𝑀 −18𝑀
𝐶𝑗 − 𝑍𝑗 𝟑 + 𝟑𝑴 5 + 2𝑀 0 0 0

Cont.
Coluna pivot
Preenchimento do novo quadro:
𝐶𝑗𝟑 5 0 0 −𝑀
𝐶𝐵 𝑋𝐵 𝑋1 𝑿𝟐 𝑋3 𝑋4 a b
3 𝑋1 1 𝟎 1 0 0 4
0 𝑋4 0 𝟐 0 1 0 12
−𝑴 𝒂 𝟎 𝟐 −𝟑 𝟎 𝟏 𝟔
Linha
pivot
𝑍𝑗 3 −𝟐𝑴 3 + 3𝑀 0 −𝑀 12 − 6𝑀
𝐶𝑗 − 𝑍𝑗 0 𝟓 + 𝟐𝑴 0 0 0

Cont.
Coluna pivot
𝐶𝑗 𝟑 5 0 0 −𝑀
𝐶𝐵 𝑋𝐵 𝑋1 𝑋2 𝑿𝟑 𝑋4 a b
3 𝑋1 1 0 𝟏 0 0 4
𝟎 𝑿𝟒 𝟎 𝟎 𝟑 𝟏 −𝟏 𝟔
Linha
pivot
5 𝑋2 0 1 −𝟑/𝟐 0 1/2 3
𝑍𝑗 3 5 −𝟗/𝟐 0 5/2 27
𝐶𝑗 − 𝑍𝑗 0 0 𝟗/𝟐 0 −𝑀 − 5/2

Cont.
𝐶𝑗 𝟑 5 0 0 −𝑀
𝐶𝐵 𝑋𝐵 𝑋1 𝑋2 𝑋3 𝑋4 a b
3 𝑋1 1 0 0 −1/3 1/3 2
0 𝑋3 0 0 1 1/3 −1/3 2
5 𝑋2 0 1 0 1/2 0 6
𝑍𝑗 3 5 0 3/2 1 36
𝐶𝑗 − 𝑍𝑗 0 0 0 −3/2 −𝑀 − 1

Cont.
Como o quadro do slide anterior é óptimo, podemos
tirar a solução directamente:
𝑋𝑜𝑝𝑡 = 2; 6; 2; 0; 0 𝑒 𝑍𝑜𝑝𝑡 = 36
O desejado no quadro óptimo para o método da base

artificial é que a variável artificial não apareça na base
do quadro óptimo, caso apareça deve ter valor igual a
zero. Caso contrário o problema não tem solução, deve
reformular-se.

Conteúdo

Algoritmo dual simplex
Sempre que depararmos nos com uma situação de
encontrarmos termos independentes negativos num
problema devemos aplicar o algoritmo dual simplex.
O seu critério de optimalidade e mudança de base

difere do simplex, pois a analise é em função dos
termos independentes negativos.

Cont.
Considere o exercício:
𝑀𝑎𝑥 𝑍 = 4𝑥1 + 12𝑥2 + 18𝑥3
𝑥1 + 3𝑥3 ≥3
2𝑥2 + 2𝑥3 ≥5
𝑥1; 𝑥2 ; 𝑥3 ≥ 0

Cont.
Transformando a forma padrão teremos:
𝑀𝑎𝑥 𝑍 = 4𝑥1 + 12𝑥2 + 18𝑥3 + 0(𝑥4 + 𝑥5 )
𝑥1 + 3𝑥3 − 𝑥4 = 3
2𝑥2 + 2𝑥3 − 𝑥5 = 5
𝑥1 ; 𝑥2; 𝑥3 ; 𝑥4; 𝑥5 ≥ 0

Cont.
As variáveis de folga são adicionadas no exercício com
intuito de constituírem a nossa primeira base. Nos
métodos algébricos não é admissível ter=se bases
negativas, dai que as variáveis de folgas subtraídas no
slide anterior não devem ir a base. Devemos multiplicar
toda equação por menos um (-1) de modo que as
variáveis adicionadas tornem-se positivas.

Cont.
Multiplicando as restrições por menos um (-1):
𝑀𝑎𝑥 𝑍 = 4𝑥1 + 12𝑥2 + 18𝑥3 + 0(𝑥4 + 𝑥5 )
−𝑥1 − 3𝑥3 + 𝑥4 = −3 /∗ (−1)

−2𝑥2 − 2𝑥3 + 𝑥5 = −5 / ∗ (−1)
𝑥1 ; 𝑥2; 𝑥3 ; 𝑥4; 𝑥5 ≥ 0

Cont.
É notório no slide anterior que após a multiplicação das
equações por menos um (-1), encontramos termos
independentes negativos. Sendo assim, uma vez que
temos termos independentes negativos devemos
aplicar o algoritmo dual simplex.

Um quadro dual simplex é óptimo se não existe algum
termo independente negativo, caso contrário o quadro
não é óptimo. Se o quadro não é óptimo significa que a
base associada não é óptima pelo que devemos
proceder a mudança da base.

Mudança de base
 1º Passo: Linha pivot: é aquela que tem o menor
termo independente negativo;
 2º Passo: Coluna pivot: é aquela que tem o mínimo
quociente positivo entre os custos reduzidos

negativos pelas componentes negativas da linha
pivot;
 3º Passo: Pivot: está na intersecção entre a linha
pivot e a coluna pivot.

Cont.
Depois de proceder a mudança da base deve-se fazer
o preenchimento do novo quadro. O preenchimento do
novo quadro é feito da mesma maneira como faz se no
método simplex. Depois de preencher o novo quadro
deve se verificar o critério de optimalidade.
NOTA: A linha de custos reduzidos no algoritmo dual

simplex é (𝑍𝑗 − 𝐶𝑗 ).

Resolução do exercício
 1º Passo: Linha pivot: é aquela que tem o menor
termo independente negativo;
 2º Passo: Coluna pivot: é aquela que tem o mínimo
quociente positivo entre os custos reduzidos

negativos pelas componentes negativas da linha
pivot;

Cont.
Preenchimento do primeiro quadro:
Coluna pivot
𝐶𝑗 4 12 18 0 0
𝐶𝐵 𝑋𝐵 𝑋1 𝑿𝟐 𝑋3 𝑋4 𝑋5 b
0 𝑋4 −1 𝟎 −3 1 0 −3
𝟎 𝑿𝟓 𝟎 −𝟐 −𝟑 𝟎 𝟏 −𝟓
Linha
pivot
𝑍𝑗 0 𝟎 0 0 0 0
𝑍𝑗 − 𝐶𝑗 −4 −𝟏𝟐 −18 0 0

Cont.
Preenchimento do novo quadro quadro:
Coluna pivot
𝐶𝑗 4 12 18 0 0
𝐶𝐵 𝑋𝐵 𝑿𝟏 𝑋2 𝑋3 𝑋4 𝑋5 b
𝟎 𝑿𝟒 −𝟏 𝟎 −𝟑 𝟏 𝟎 −𝟑
Linha
pivot
12 𝑋2 𝟎 1 3/2 0 −1/2 5/2
𝑍𝑗 𝟎 12 18 0 −6 30
𝑍𝑗 − 𝐶𝑗 −𝟒 0 0 0 0

Cont.
Preenchimento do novo quadro quadro:
𝐶𝑗 4 12 18 0 0
𝐶𝐵 𝑋𝐵 𝑋1 𝑋2 𝑋3 𝑋4 𝑋5 b
4 𝑋1 1 0 3 −1 0 3
12 𝑋2 0 1 3/2 0 −1/2 5/2
𝑍𝑗 4 12 30 −4 −6 42
𝑍𝑗 − 𝐶𝑗 0 0 12 −4 −6

Cont.
Como o quadro do slide anterior é óptimo, podemos
tirar a solução directamente:
𝑋𝑜𝑝𝑡 = 3; 5/2; 0; 0; 0 𝑒 𝑍𝑜𝑝𝑡 = 42

Minimização
As analogias feitas aos problemas de minimização
mudam um pouco quanto as feitas para os problemas
de maximização. O que difere essencialmente eeh o
critério de optimalidade e a variável que deve entrar
na base.

Um problema de minimização é óptimo se não existe
nenhum custo reduzido (𝐶𝑗 − 𝑍𝑗 ) capaz de diminuir a
função objectivo, ou seja, quando não existem valores
de custos reduzidos negativos.

Mudança de base
 1º Passo: Coluna pivot: é aquela que tem o menor
valor negativo na linha de custos reduzidos;
 2º Passo: Linha pivot: é aquela que tem o mínimo
quociente positivo entre os termos independentes e

os respectivos da coluna pivot;

Cont.
Pode também transforma-se uma função objectivo de
minimização de modo que ela torne-se maximização,
conforme o slide a seguir. Quando tivermos a solução
óptima do problema de maximização basta multiplicar o
valor óptimo de Z por menos um (-1) para ter a solução
do modelo de minimização.

Cont.

Bibliografia
 HILLIER; FREDERICK S.. INTRODUÇÃO À
PESQUISA OPERACIONAL. 8ª Edição. AMGH
Editora Ltda. 2010.

Programação Linear

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Programação Linear

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Politécnica

Instituto Superior Universitário de Tete - ISUTE

Curso: Engenharia Civil & Engenharia Informática e Telecomunicações

Introdução à Programação Linear (PL)

1 Eng˚ Prosperino Alberto 16/10/2022

2 Eng˚ Prosperino Alberto 16/10/2022

O seu objectivo é determinar de entre as soluções

3 Eng˚ Prosperino Alberto 16/10/2022

 Fábrica 2: Esquadrias de madeira

 Fábrica 3: Vidro e monta os produtos

Em consequência da queda nos ganhos, a direcção

4 Eng˚ Prosperino Alberto 16/10/2022

5 Eng˚ Prosperino Alberto 16/10/2022

Produto 2: Uma janela duplamente adornada com

O producto 1 requer parte da capacidade productiva

6 Eng˚ Prosperino Alberto 16/10/2022

7 Eng˚ Prosperino Alberto 16/10/2022

Determinar quais devem ser as taxas de produção para

8 Eng˚ Prosperino Alberto 16/10/2022

A equipa de PO também identificou os dados que

9 Eng˚ Prosperino Alberto 16/10/2022

2. O número de horas de produção usado em cada

11 Eng˚ Prosperino Alberto 16/10/2022

A tabela a seguir sintetiza os dados reunidos.

12 Eng˚ Prosperino Alberto 16/10/2022

Tabela: Quadro resumo

13 Eng˚ Prosperino Alberto 16/10/2022

14 Eng˚ Prosperino Alberto 16/10/2022

15 Eng˚ Prosperino Alberto 16/10/2022

Forma padrão de Modelo

16 Eng˚ Prosperino Alberto 16/10/2022

𝒂𝒊𝒋 - Coeficientes tecnológicos

𝒄𝒊 - Coeficientes da função objectivo

17 Eng˚ Prosperino Alberto 16/10/2022

18 Eng˚ Prosperino Alberto 16/10/2022

19 Eng˚ Prosperino Alberto 16/10/2022

20 Eng˚ Prosperino Alberto 16/10/2022

21 Eng˚ Prosperino Alberto 16/10/2022

- O objectivo deste procedimento é encontrar os pontos

22 Eng˚ Prosperino Alberto 16/10/2022

23 Eng˚ Prosperino Alberto 16/10/2022

A região resultante de valores viáveis de (𝑥1 , 𝑥2) ,

24 Eng˚ Prosperino Alberto 16/10/2022

25 Eng˚ Prosperino Alberto 16/10/2022

26 Eng˚ Prosperino Alberto 16/10/2022

27 Eng˚ Prosperino Alberto 16/10/2022

28 Eng˚ Prosperino Alberto 16/10/2022

29 Eng˚ Prosperino Alberto 16/10/2022

restrições são satisfeitas;

uma das restrições é violada;

30 Eng˚ Prosperino Alberto 16/10/2022

valor mais favorável da FO;

 Solução FPE (viável em ponto extremo): é aquela

que esta em um vértice da região de soluções

31 Eng˚ Prosperino Alberto 16/10/2022

Outras possibilidade é que um problema não tenha

32 Eng˚ Prosperino Alberto 16/10/2022

33 Eng˚ Prosperino Alberto 16/10/2022

Para a resolução de um problema de Investigação

34 Eng˚ Prosperino Alberto 16/10/2022

35 Eng˚ Prosperino Alberto 16/10/2022

36 Eng˚ Prosperino Alberto 16/10/2022

37 Eng˚ Prosperino Alberto 16/10/2022

Uma solução básica viável ou admissível (BV) é