III. Métodos de Solução

Material de Investigação Operacional
TEMA: III Métodos de Solução
UNIDADE 3: MÉTODOS DE SOLUÇÃO
3.1. Introdução
Como foi explicado no tema I, o objectivo da formulação do problema sob a

forma do modelo matemático é de encontrar uma base quantitativa para tomada
de decisão. Dali a necessidade de encontrar a solução do modelo obtido depois a
comprovação que este último é consistente. Para o efeito pode-se utilizar a
solução por método gráfico ou analítico.
3.2. Solução por método gráfico
Quando o problema linear só tem duas variáveis de decisão, a sua solução

óptima pode ser obtida graficamente.
O objectivo deste parágrafo é mostrar o procedimento que se segue neste caso.

As situações que se apresentam nas soluções destes casos servem para ter uma
ideia do que se sucede no caso geral quando consideramos qualquer número de
variáveis.
Exemplo1
Encontrar graficamente a solução do seguinte problema de P.L.
Max Z = 2X1 + X2
-2X1 + X2 ≤ 5
4X1 + 5X2 ≤ 40
X1 - 2X2 ≤ 4
X1 ≥ 0, X2 ≥ 0
Devemos encontrar o conjunto de pontos (X1, X2) que são soluções possíveis do
problema.
Prof. Eng.º MBUTA DOMPETELO Página 1

Se considerarmos o sistema de eixos de coordenadas, todos pontos (X1, X2) que

se encontram no eixo X2 ou na sua direita cumprira com a condição X1≥ 0. Da
mesma forma todo ponto que esta em cima do eixo X1 cumpre com a condição
X2 ≥ 0. Sendo assim todo ponto do Iº quadrante cumpre com a condição de não-

negatividade.
Portanto qualquer solução possível deve estar no primeiro quadrante. Para

encontrar o conjunto de pontos do primeiro quadrante que satisfaz as restrições,
devemos interpretar geometricamente as inequações.
Seja a primeira restrição:
-2X1 + X2 ≤ 5. Se considerarmos aquilo como uma equação, podemos

representar isto como uma recta no plano.
Para encontrar a restrição, consideramos um ponto qualquer como (0,0). Depois

teremos -2 (0) + 0 = 0 <5, de tal forma que a origem de coordenadas satisfaz a
inequação. Isto implica que qualquer ponto que se encontre debaixo da recta
representada por -2X1 + X2 = 5, satisfaz a inequação -2X1 + X2 ≤ 5.
O conjunto de pontos que satisfaz a inequação -2X1 + X2 ≤ 5 e a condição de

não-negatividade consta todos pontos do primeiro quadrante que se encontram
em ou por baixo da recta -2X1 + X2 = 5. O mesmo raciocínio pode se aplicar nas
restantes inequações.
A figura 1.1 mostra as restrições representadas no plano. O conjunto de pontos

que satisfaz simultaneamente as três restrições e a condição de não-negatividade
aparece sombreado.
Até neste momento não fizemos referência na função objectiva. Para resolver o
problema de P.L devemos encontrar os pontos ou região solução possível que
proporciona o maior valor para a função objectiva.

Para qualquer valor fixo de Z, 2X1 + X2 = Z representa uma recta. Para cada
valor de Z diferente, obtemos deferente recta.
Todas as rectas que correspondem a valores diferentes de Z são paralelas,

porque o coeficiente angular é C1 / C2 e independentemente do valor de Z.
Para encontrar a solução óptima devemos encontrar a recta que proporciona o

maior valor de Z e coincide com pelo menos um ponto comum com região de
soluções possíveis.
Na figura 1.1 aparece as rectas das restrições e da função objectiva. Os valores

das variáveis na solução óptima são aproximadamente X1 =7.5 e X1 = 1.8 e que
o valor óptimo Z = 55.382.
Consideramos agora que Max Z = 2X1 + 2.5X2.
A região soluções possíveis é mesma que no caso anterior. A função objectiva

coincide com um dos lados do contorno exteriores das soluções possíveis. Isto
significa que não existem valores únicos para X1 e X2 que maximiza Z qualquer
ponto do segmento AB proporciona o valor óptimo para Z ou seja o valor
máximo é único, mas existe um infinito número de soluções possíveis que
proporciona o mesmo valor de Z.
Quando um problema de P.L tem mas de uma solução óptima então existem
soluções alternadas.
EXEMPLO de um problema de minimização
Min Z = 4X1 + 6X2
X1 + 5X2 ≥ 4
X1 + X2 ≤ 4
6X1 + 5X2 ≥ 8
X1 ≥ 0, X2 ≥ 0
3.3. Casos especiais na solução gráfica dos problemas de P.L
Certos casos especiais podem-se apresentar na solução dos problemas de P.L e

que se deve ter em consideração durante o processo de resolução geral.
EXEMPLO
Max Z = X1 + X2
2X1 + X2 ≥ 2
- X1 + 1.5X2 ≤ 3
X1 ≥ 0, X2 ≥ 0
No gráfico que representa a solução pode notar que a recta que representa a
função objectiva pode ser movida paralelamente a si mesmo, tanto que crer na
direcção que incrementa Z, sempre encontramos pontos da região solução
possíveis. Isto significa que Z pode tomar valor arbitrariamente grande sem
encontrar valor finito máxima. Nestes casos diz-se que o problema tem solução.
De maneira geral nos problemas de P.L que representam situações reais não se
espera que se apresenta esta situação porque isto implica a possibilidade de obter
um lucro ilimitado. Este tipo de solução acontece quando há um erro na
construção de modelo.
Os exemplos apresentados não só têm interesse teórico mas também ilustra

casos que podem acontecer quando as restrições não são consistentes.
3.4. Interpretação geométrica
A resolver graficamente o P.L pode constatar os resultados seguintes:
 A região ou conjunto de soluções possíveis tem a propriedade de ser

convexa. Isto significa que ela é compacta e não existe vazio nela.

 O valor máximo ou mínimo de Z (quando existe é finita) se encontra

numa das esquivas do conjunto convexo de soluções possíveis, que se
denominam ‘ pontos extremos’.
 Se existe uma solução óptima ela se encontra pelo menos num ponto
extremo.
Estes resultados, obtidos mediante observação dos exemplos gráficos em duas

dimensões podem generalizar-se a todos problemas de P.L.
Para problemas de P.L com mais de duas variáveis, é mais utilizado para suas
soluções o método simplex que foi desenvolvido por George Dantzig em 1947.
É um procedimento iterativo algébrico que resolve com exactidão qualquer
problema de P.L num número finito de passos. Também indica os casos
particulares.
Em cada ponto extremo o método simplex indica se o ponto extremo é óptimo

ou não e se não qual será o ponto extremo próximo a considerar.

3.5. Solução por Método Simplex
3.5.1. Fundamentos Teóricos
O Modelo de PL é formado das seguintes expressões:
Max (Min) Z = C1 X1 + C2 X2 -------- Cn Xn
E que satisfaz:
Xj ≥ 0, j = 1 … n
∑ aij Xj ≤ bi , i = 1 … n
≥
=
Pode ser sempre transformado na forma de um sistema de equações com a
introdução de variáveis auxiliares.
A restrição com sinal ≤ que pode ser escrito sob a forma:
ad1 X1 + ad2 X2 + -------- adn Xn ≤ bd
Esta expressão pode ser convertida numa igualdade com a introdução de uma
variável auxiliar no 1º membro que vamos anotar 𝑋𝑟+𝑑 ≥ 0
A equação pode ser escrita:

ad1 X1 + ad2 X2 + -------- ad2 X2 + Xr+d = bd
A restrição com sinal ≥∶
ad1 X1 + ad2 X2 + -------- ad2 X2 ≥ bd
Introduzimos a variável auxiliar Xr+d ≥ 0 procedido de sinal ( - ) a equação

será:

ad1 X1 + ad2 X2 + -------- ad2 X2 − Xr+d = bd
As variáveis auxiliares assumem a dimensão da restrição onde foram

introduzidas, isto significa recurso ou limitação ligada à restrição. Assim 𝑋𝑟+𝑑
significa a diferença entre a quantidade disponível de recurso e o recurso que
realmente se deve utilizar.
Exemplo:
Consideremos o seguinte conjunto de restrições de um problema de P.L.:
3𝑋1 + 2𝑋2 ≤ 8
𝑋1 + 𝑋2 ≥ 3
𝑋1 + 𝑋2 = 4
Como sistema de equações temos:
3𝑋1 + 2𝑋2 + 𝑋3 =8
𝑋1 + 𝑋2 − 𝑋4 = 3
𝑋1 + 𝑋2 =4
Na forma matricial temos:
3 2 1 0 𝑋1 8
(1 1 0 − 1 ) ( ⋮ ) = (34)
1 1 0 0 𝑋4
3 2 1 0 8
𝑋1 (11) + 𝑋2 (11) + 𝑋3 (00) + 𝑋4 (−1
0
) = (34)
A transformação do sistema de inequações em sistema de equações não altera a

função a optimalizar.
O Coeficiente económico das variáveis auxiliares é igual a zero: 𝐶𝑚𝑎𝑥 = 0.

Os pontos extremos do conjunto convexo de soluções possíveis constituem

soluções possíveis básicas do sistema de equações lineares obtido depois da
introdução das variáveis auxiliares.
Portanto, uma solução óptima ao problema de P.L. estará contida no conjunto de

soluções básicas possíveis do problema formulado da seguinte forma:
Encontrar
X = (X1 , X2 ---- Xn )
Que satisfaz
AX = xa1 + − − − xan = b
E que maximiza ou minimiza a função objectiva Z = C1 X1 + C2 X2 ------- Cn Xn
Como o número de soluções básicas é finita (ou determinada), o método simplex

procede de uma maneira sistemática, partindo de uma solução básica possível a
outra solução possível básica e finalmente depois, um número finito de passos
nos determina a solução possível básica óptima.
Solução Básica Inicial

Depois da transformação do sistema de restrições num sistema de equações com
“m” equações e “n” variáveis:
AX = b ↔ X1 P1 + X2 XP2 + -------- Xn Pn = b
Dos vectores associados as variáveis P1 ----- Pn , vamos considerar m vectores

unitários que constituem uma base denominada matriz básica. (m = número de
equações).
As variáveis associadas a estes vectores da base serão chamados variáveis
básicas e as restantes (n – m) variáveis, são variáveis não básicas.
A solução básica inicial é aquela solução possível com as variáveis não básicas
iguais a zero.
Exemplo 1:
Consideremos o seguinte problema de P.L.:
4X1 + 2X2 + X3 ≤ 2
X1 + 2X2 + 3X3 ≤ 1
Xj ≥ 0, j = 1… 3
Max Z = 2X1 + X2 + 3X3
Depois da introdução das variáveis auxiliares, temos o seguinte sistema:
4X1 + 2X2 + X3 + X4 =2
X1 + 2X2 + 3X3 + X5 = 1
Xj ≥ 0, j = 1--- 5
Max Z = 2X1 + X2 + 3X3 + 0X4 + 0X5
Na forma matricial temos o sistema:
P1 P2 P3 P4 P5
X1
4 2 1 1 0
( ) ( ⋮ ) = (21)
1 2 3 0 1 X5
Ou
X1 (41) + X2 (22) + X3 (13) + X4 (10) + X5 (01) = (21)
P1 P2 P3 P4 P5

m = 2 (número de equações), assim podemos determinar uma base unitária

formada de (P4 , P5 ) ≡ (X4 , X5 ).
X4 , X5 → Variáveis básicas
X1 , X2 , X3 → Variáveis não básicas
Solução Básica Inicial:
X1 = X 2 = X 3 = 0
X4 = 2
X5 = 1
XB = (0, 0, 0, 2, 1)
Exemplo 2:
Considere o seguinte problema de P.L.:
Xj ≥ 0, j = 1…3
3X1 + 2X2 + 5X3 ≤ 10
X1 + X2 + X3 ≤ 12
2X1 + 3X2 + 2X3 ≤ 8
Max Z = 2X1 + 3X2 + 7X3
3X1 + 2X2 + 5X3 + X4 + 0X5 + 0X6 = 10

X1 + X2 + X3 + 0X4 + X5 + 0X6 = 12
2X1 + 3X2 + 2X3 + 0X4 + 0X5 + X6 = 8
Max Z = 2X1 + 3X2 + 7X3 + 0X4 + 0X5 + 0X6
Na forma matricial, temos:
3 2 5 1 0 0 X1 10
(1 1 1 0 1 0 ) ( ⋮ ) = (12
8
)
2 3 2 0 0 1 X 6
P1 P2 P3 P4 P5 P6
Base (P4 , P5 , P6 ) ≡ (X4 , X5 , X6 ) Variáveis básicas.
X1 , X2 , X3 → Variáveis não básicas.
S.B.I. = XB = (0, 0, 0, 10, 12, 8).
Exemplo 3:
Considere o problema seguinte:
2X1 + 5X2 + 3X3 ≤ 8
X1 + 4X2 + X3 ≥ 10
3X1 + X2 + X3 = 12
Xj ≥ 0, j = 1… 3
Max Z = 4X1 + 3X2 + 5X3
O Sistema de equações será:

2X1 + 5X2 + 3X3 + X4 + 0X5 = 8
X1 + 4X2 + X3 + 0X4 − X5 = 10
3X1 + X2 + X3 + 0X4 + 0X5 = 12
Max Z = 2X1 + 3X2 + 7X3 + 0X4 + 0X5 + 0X6
Na forma matricial, temos:

2 5 3 1 0 X1 8
(1 4 1 0 − 1 ) ( ⋮ ) = (10
12
)
3 1 1 0 0 X5
P1 P2 P3 P4 P5
Para formar uma matriz básica unitária de ordem 3 (m=3) falta-nos vectores
0 0
unitários da forma (10) e (01) que deveriam ser introduzidos na 2ª e na 3ª
restrição.
Para ultrapassar a situação vamos introduzir nestas duas restrições variáveis
chamadas artificiais X6 e X7 . Assim o sistema de equações será:
Xj ≥ 0, j = 1…7
2X1 + 5X2 + 3X3 + X4 + 0X5 + 0X6 + 0X7 = 8
X1 + 4X2 + X3 + 0X4 − X5 + X6 + 0X7 = 10
3X1 + X2 + X3 + 0X4 + 0X5 + 0X4 + 0X5 = 12
Max Z = 4X1 + 3X2 + 5X3 + 0X4 + 0X5 − wX6 − wX7

2 5 3 1 0 0 0 X1 8
(1 4 1 0−1 1 0 ) ( ⋮ ) = (10
12
)
3 1 1 0 0 0 1 X 7
A base será formada de (P4 , P6 , P7 ); variáveis básicas (X4 , X6 , X7 ); variáveis não

básicas (X1 , X2 , X3 X5 ).
A Solução Básica Inicial será: S.B.I. = XB = (0, 0, 0, 8, 0, 10, 12).
Denotamos Cai - Coeficiente económico das variáveis artificiais Xai .
Cai = -w w > 0 Caso de F.O. maximizar

Cai = +w w < 0 Caso de F.O. minimizar
A solução básica inicial nem sempre é solução óptima. Isto implica a procura de
uma nova solução com uma nova base até a optimalidade.
Para todos os Pj podemos calcular a expressão Zj = CB . Pj , onde CB é o vector

fila dos coeficientes económicos das variáveis básicas. Depois a expressão
Zj − C j .
Assim, os critérios de optimalidade são os seguintes:
● CRITÉRIO DE OPTIMALIDADE (caso máximo) – todos os 𝑍𝑗 − 𝐶𝑗 ≥ 0.
● CRITÉRIO DE OPTIMALIDADE (caso mínimo) – todos os 𝑍𝑗 − 𝐶𝑗 ≤ 0.
No caso de não satisfação do critério de optimalidade é necessário mudar a base,

isto é, encontrar uma nova base. Para efeito, basta tirar da base um dos vectores
básicos e substituir por uma não básica considerando os critérios seguintes:
● CRITÉRIO DE ENTRADA:
Caso de maximização – seleccionar aquele vector 𝑃𝑑 tal que 𝑍𝑑 − 𝐶𝑑 =

𝑀𝑖𝑛 (𝑍𝑗 − 𝐶𝑗 ) para todos os 𝑃𝑑 com 𝑍𝑗 − 𝐶𝑗 < 0.

Caso de minimização – seleccionar aquele vector 𝑃𝑑 tal que 𝑍𝑑 − 𝐶𝑑 =

𝑀𝑎𝑥 (𝑍𝑗 − 𝐶𝑗 ) para todos os 𝑃𝑑 com 𝑍𝑗 − 𝐶𝑗 > 0.
● CRITÉRIO DE SAÍDA:
O vector a sair da base é seleccionado segundo o critério de saída que é o
mesmo para o caso de maximização ou de minimização.
Seja 𝑃𝑑 o vector de entrada:
p1d
Pd = ( ⋮ ) onde pid são os componentes de Pd e i índice das variáveis básicas.
pnd
Determinamos a coluna ou vector r que sai da base pela expressão:
XBi
Θ = Min i { , pid > 0}
pid
Onde i é o subíndice do vector (ou variáveis) que sai da base e d o subíndice que
indica o vector da entrada.
O procedimento interactivo simplex pode resumir-se da seguinte forma:
1. Parte-se de uma resolução básica inicial. Para esta solução calcula-se o

valor de 𝑍𝑗 , para todos 𝑃𝑗 a seguir por cada 𝑃𝑗 calcula-se 𝑍𝑗 − 𝐶𝑗 .
2. Suponhamos que o problema seja de maximização.
1º Passo:
Consiste em examinar os vectores 𝑍𝑗 − 𝐶𝑗 .
Há três casos possíveis:
a) Todos os 𝑍𝑗 − 𝐶𝑗 ≥ 0 a solução é optima.

b) Um ou mais 𝑍𝑗 − 𝐶𝑗 < 0 e para pelo menos um 𝑃𝑑 para qual 𝑍𝑑 − 𝐶𝑑 < 0,
todos os 𝑝𝑖𝑑 ≤ 0. Neste caso não há solução.

c) Um ou mais 𝑍𝑗 − 𝐶𝑗 < 0 cada um deles tem 𝑝𝑖𝑗 > 0 para pelo menos um
i. Neste caso temos que determinar a nova solução básica e não estamos
na situação óptima.
É necessário seleccionar o vector que entra e sai da base segundo os critérios.
3.5.2. Aplicação do Método Simplex
O caso de Maximização
Consideremos o seguinte problema de Programação Linear:
Max Z = 40X1 + 50X2

X1 + 2X2 ≤ 720
5X1 + 4X2 ≤ 1800
3X1 + X2 ≤ 900
Xj ≥ 0, j = 1… 2
Com a adição das variáveis auxiliares, temos:
Sistema de Equações:
X1 + 2X2 + X3 = 720
5X1 + 4X2 + X4 = 1800
3X1 + X2 + X5 = 900
Xj ≥ 0, j = 1… 5
Max Z = 40X1 + 50X2 + 0X3 + 0X4 + 0X5
A solução básica inicial será:
X1 = X 2 = 0 ;
X3 = 720;
X4 = 1800
X5 = 900
XB = [X3 , X4 , X5 ] = (720, 1800, 900).

A tabela Simplex inicial ou iteração zero deste problema é a seguinte:
Base 𝑪𝒋 40 50 0 0 0
𝑪𝑩 𝑿𝑩 𝑷𝟎 𝑷𝟏 𝑷𝟐 𝑷𝟑 𝑷𝟒 𝑷𝟓
0 𝑋3 720 1 2 1 0 0 𝑭𝟏
0 𝑋4 1800 5 4 0 1 0 𝑭𝟐
0 𝑋5 900 3 1 0 0 1 𝑭𝟑
𝒁𝒋 0 0 0 0 0 0
𝒁𝒋 − 𝑪𝒋 - 40 - 50 0 0 0
Dado que os vectores 𝑷𝟏 e 𝑷𝟐 têm os 𝒁𝒋 − 𝑪𝒋 < 0 isto implica que não temos
solução óptima, portanto, temos que determinar o vector de entrada e de saída
segundo os critérios:
● Min (Zj − Cj < 0) = Z2 − C2 = -50 ≡ P2 é o vector que entra na nova base.
XBi 720 1800 900

● Mini ( , pij > 0) ≡ Min ( , , ) = 360, portanto o vector que
pij 2 4 1
sai é P3 .
2 1
Dado que o vector P2 deve substituir P3 devemos transformar P2 = (4) em (00)
1
utilizando os transformadores elementares.
O cruzamento entre o vector de entrada e o vector de saída dá-nos o elemento
“pivot” e a fila pivot correspondente (onde consideramos os valores de P0 à P5 ).
Na iteração zero, temos as filas F1 , F2 , F3 na iteração um, a seguir, temos F4 ,

F5 e F6 .
O elemento pivot é “2” ≡ 𝑝32 e a fila F4 correspondente a F1 , na iteração zero
sua fila pivot.
𝐹1 1 1
F4 = = (360, , 1, , 0, 0)
2 2 2
Depois devemos transformar 𝑃42 = 4 em zero.

Mediante a seguinte transformação elementar etemos F5 =F4 (-4) +F2 =(360,3,0,-
2,1,0).

Para transformar o elemento 𝑃52 = 1 em zero, realizamos a transformação

5 1
elementar seguinte: F6 =F4 (-1) +F3 =(540, , 0, − , 0, -1).
2 2
Assim, temos a iteração I:
Base 𝐂𝐣 40 50 0 0 0
𝐂𝐁 𝐗𝐁 𝐏𝟎 𝐏𝟏 𝐏𝟐 𝐏𝟑 𝐏𝟒 𝐏𝟓
1 1
50 X2 960 2
1 2
0 0
0 X4 360 3 0 -2 1 0
5 1
0 X5 540 0 − 0 1
2 2
𝐙𝐣 18000 25 50 25 0 0
𝐙𝐣 − 𝐂 𝐣 -15 0 25 0 0
Dado que ainda existe um Zj − Cj < 0, a solução não é óptima.
360 360 540

O vector entrado é P1 e de saída θ = Min ( 1 ; ; ) = 120 ≡ P4 .
⁄2 3 5⁄2
Efectuando o mesmo procedimento que o anterior a iteração 2 será:
Base 𝑪𝒋 40 50 0 0 0
5 1
50 𝑋2 300 0 1 6
−
6
0
2 1
40 𝑋1 120 1 0 − 0
3 3
7 5
0 𝑋5 240 0 0 − 1
6 6
𝒁𝒋 19800 40 50 15 5 0
𝒁𝒋 − 𝑪𝒋 0 0 15 5 0
Como todos os Zj − Cj ≥ 0, a iteração é óptima.
Esta solução significa que:
● Temos que realizar as actividades ligadas a 𝑋1 e 𝑋2 com níveis de 300 e 120.
● 𝑋5 é ligado ao recurso R3 e foi introduzido numa restrição de sentido ≤ que

significa excesso de redursos.
Só precisamos de 900 – 240 = 660.

Caso de Minimização
Seja o seguinte problema de Programação Linear:
2X1 + X2 ≥ 12
5X1 + 8X2 ≥ 74
X1 + 6X2 ≥ 24
Min Z = X1 + X2
X1 ≥ 0, X2 ≥ 0
Com a adição das variáveis auxiliares, temos:
Sistema de Equações:
2X1 + X2 − X3 = 12
5X1 + 8X2 − X4 = 74
X1 + 6X2 − X5 = 24
Xj ≥ 0, j = 1… 5
Min Z = X1 + X2 + 0X3 + 0X4 + 0X5

As variáveis auxiliares não proporcionam a base unitária I3 . Temos que
introduzir variáveis artificiais.
2X1 + X2 − X3 + X6 = 12
5X1 + 8X2 − X4 + X7 = 74
X1 + 6X2 − X5 +X8 = 24
Xj ≥ 0, j = 1…8 Min Z= X1 + X2 + 0X3 + 0X4 + 0X5 + WX6 + WX7 + 0X8
A tabela Simplex inicial ou iteração zero deste problema é a seguinte:
Base 𝑪𝒋 1 1 0 0 0 w w w
𝑪𝑩 𝑿𝑩 𝑷𝟎 𝑷𝟏 𝑷𝟐 𝑷𝟑 𝑷𝟒 𝑷𝟓 𝑷𝟔 𝑷𝟕 𝑷𝟖
W 𝑋6 12 2 1 -1 0 0 1 0 0
W 𝑋7 74 5 8 0 -1 0 0 1 0
W 𝑋8 24 1 6 0 0 -1 0 0 1
𝒁𝒋 8W 15W -W -W -W W W W
𝒁𝒋 − 𝑪𝒋 8W- 1 15W- 1 -W -W -W 0 0 0

De acordo com o critério de entrada no caso de minimização entra o vector

12 12
Max (Zj − Cj > 0), pontanto, 𝑷𝟐 entra e o vector de saída saída θ = Min ( ; ;
2 1
74 74 24
; ) ≡ P8 , o elemento “pivot” é p82 =6.
5 8 6
Realizando as transformações elementares, temos a iteração 1:
Base 𝑪𝒋 1 1 0 0 0 w W w
11⁄ 1⁄ 1
W 𝑋6 8 6 0 -1 0 6 1 0 −
6
11⁄ 4⁄ 4
W 𝑋7 42 3 0 0 -1 3 0 1 −
3
1⁄ 1 1
1 𝑋2 44 6 1 0 0 − 0 0
6 6
11 3 3
W W − W
50W 2 2 2
𝒁𝒋 1 1 -W -W 1 W W 1
+4 + −
6 6 6
11 3 5
W W − W
2 2 2
𝒁𝒋 − 𝑪𝒋 5 0 -W -W 1 0 0 1
− −
6 6 6
Aplicando os critérios de entrada e saída temos o vector de entrada P1 e saída P6 .
Iteração 2
Base 𝑪𝒋 1 1 0 0 0 w w w
48⁄ 6 1⁄ 6 1
1 𝑋1 11 1 0 − 0 11 ⁄11 0 −
11 11
W 𝑋7 26 0 0 2 -1 1 −2 1 −1
36⁄ 1⁄ 2 1 2
1 𝑋2 11 0 1 11 0 − − 0
11 11 11
26W 2W W −2W −W
𝒁𝒋 84 1 1 5 -W 1 5 W 1
+ − − + +
11 11 11 11 11
2W W −3W −2W
𝒁𝒋 − 𝑪𝒋 0 0 5 -W 1 5 0 1
− − + +
11 11 11 11

Iteração 3 (Entra P3 e sai P7 )
Base 𝑪𝒋 1 1 0 0 0 w w w
126⁄ 3 4 3 4
1 𝑋1 11 1 0 0 − 0 −
11 11 11 11
1 1 1 1
0 𝑋3 13 0 0 1 − -1 −
2 2 2 2
23⁄ 1 5 1 5
1 𝑋2 11 0 1 0 − 0 −
22 22 22 22
149⁄ 5 3 5 3
𝒁𝒋 11 1 1 0 − 0
22 22 22 22
5 3
5 3
𝒁𝒋 − 𝑪𝒋 0 0 0 − W 22 22
22 22 −W −𝑊
Iteração 4 (Entra P5 e sai P3 )
Base 𝑪𝒋 1 1 0 0 0 w w w
8 1 8 1
1 𝑋1 2 1 0 − 0 − 0
11 11 11 11
0 𝑋5 26 0 0 2 -1 1 -2 1 −1
5 2 5 2
1 𝑋2 8 0 1 − − 0 − 0
11 22 11 11
3 1 3 1
𝒁𝒋 10 1 1 − − 0 −𝑊
11 11 11 11
3 1
3 1
𝒁𝒋 − 𝑪𝒋 0 0 − − 0 11 11 −𝑢
11 11 −W −W
Dado que todos Zj − Cj ≤ 0 estamos na presença de iteração óptima.

Com a seguinte solução:
● Realizar as actividades 1 e 2, com nível de 2 e 8 respectivamente no custo
total
de 10.
● Falta de recurso R3, o total disponível deve ser 24 + 25 = 50.

3.5.3. Casos Particulares (Especiais) de Solução de um Problema de PL
Como visto na solução por método gráfico os casos particulares seguintes

podem se apresentar.
3.5.4. Solução Óptima Alternada
Um problema de PL tem solução óptima alternada quando temos 2 ou mais

vectores de soluções diferentes, o valor da função objectivo é óptima e igual
para cada solução.
Só apresenta interesse na iteração óptima.

Se na iteração óptima de um problema de PL existe algum vector não básico 𝐚𝐣
cujo Zj − Cj = 0 e pelo menos um 𝐩𝐢𝐣 > 0 estamos perante uma solução óptima
alternada. Isto implica que o vector 𝐚𝐣 pode entrar na base proporcionando uma
outra solução igualmente óptima, ou seja, o valor óptimo da função objectivo é
único, mas o conjunto de variáveis básicas não são necessariamente únicos.
Exemplo: O problema de PL
X1 + 2X2 ≤ 720
5X1 + 4X2 ≤ 1800
3X1 + X2 ≤ 900
Max Z = 50X1 + 40X2
Iteração Óptima:
Base 𝐂𝐣 50 40 0 0 0
𝐂𝐁 𝐗𝐁 𝐏𝟎 𝐏𝟏 𝐏𝟐 𝐏𝟑 𝐏𝟒 𝐏𝟓
0 X3 1440/7 0 0 1 −5/7 6/7
40 X2 900/7 0 1 0 3/7 −5/7
50 X1 1800/7 1 0 0 −1/7 4/7
𝐙𝐣 18.000 50 40 0 10 0
𝐙𝐣 − 𝐂 𝐣 0 0 0 10 0

Cumpre-se o critério de optimalidade mas o vector P5 tem Z5 − C5j = 0, não

básico. Portanto existe solução óptima alternada.
Introduzindo P5 na base temos a outra solução óptima.
Base 𝑪𝒋 50 40 0 0 0
7 5
0 𝑋5 240 0 0 − 1
6 6
5 1
40 𝑋2 300 0 1 − 0
6 6
2 1
50 𝑋1 120 1 0 − 0
3 3
𝒁𝒋 18.000 50 40 0 10 0
𝒁𝒋 − 𝑪𝒋 0 0 0 10 0
3.5.5. Empote para a Variável Básica que Entra
A selecção pode ser feita de modo arbitrário. No final das contas a solução
óptima será alcançada, independentemente de qual variável fosse escolhida.
Resolve o problema seguinte:
Max Z = 3X1 + 3X2

X1 ≤4
2X2 ≤ 12
3X1 + 2X2 ≤ 18
X1 ≥ 0, X2 ≥ 0
3.5.5. Empate para a Variável Básica que Sai - Degenerescência
Suponha agora que duas ou mais variáveis básicas empatem como variáveis a
serem a variável básica que sai. Importa qual delas seja escolhida?

As variáveis básicas com um valor zero são chamadas degeneradas. Faça a

escolha de forma arbitrária e prossiga sem se preocupar com as variáveis básicas
degeneradas.
Exemplo:
5X1 + 2X2 ≤ 15
2X1 + X2 ≤ 6
X1 + 4X2 ≤ 10
Max Z = 4X1 + 3X2
X1 ≥ 0, X2 ≥ 0
Base 𝑪𝒋 50 40 0 0 0
0 𝑋3 15 5 2 1 0 0
0 𝑋4 6 2 1 0 1 0
0 𝑋5 10 1 4 0 0 1
𝒁𝒋 0 0 0 0 0 0
𝒁𝒋 − 𝑪𝒋 −4 −3 0 0 0
Entra o vector P1 .
15 6 10
O vector que sai: θ = Max ( ; ; ) pode sair P3 como P4 . A escolha é
5 2 1
arbitrária.
Observação: Prossegue considerando primeiro P3 e depois P4 como vector que

sai.
3.5.6. Nenhuma Variável Básica que Sai – Solução Z ilimitado
Isto resulta quando é impossível encontrar valor finito para a função objectivo.
No Método Simplex isto é detectado quando na coluna Pj correspondente o

vector de entrada, todos 𝐩𝐢𝐣 ≤ 0. Não se pode determinar o vector de saída.
Na prática é o resultado de um caso na construção do modelo.

2𝑋1 + 𝑋2 ≥ 12
5𝑋1 + 8𝑋2 ≥ 72
𝑋1 + 6𝑋2 ≥ 24
Max Z = 𝑋1 + 𝑋2
𝑋1 ≥ 0, 𝑋2 ≥ 0
Iteração Intermédia
Base 𝑪𝒋 1 1 0 0 0
1 𝑋1 24 1 6 0 0 −1
0 𝑋3 36 0 11 1 0 −2
0 𝑋4 46 0 22 0 1 −5
𝒁𝒋 24 1 6 0 0 −1
𝒁𝒋 − 𝑪𝒋 0 5 0 0 −1
De acordo com o critério de entrada, o vector entrada é P5 , os 𝐩𝐢𝐣 tomam valores

negativos.
3.3.5 Caso em que não existe solução possível
A ausência de solução possível pode surgir devido ao conjunto de restrições é

inconsistente.
Detecta-se que um problema de PL não admite solução possível quando na

iteração óptima aparecem na base variáveis artificias com valor positivo.
Exemplo:
X1 + 2X2 + X3 ≤ 1000
X1 ≥ 50
X2 ≥ 30
X3 ≥ 30
Max Z = X1 + 2X2 + 3X3
Xj ≥ 0, j = 1… 3

Iteração Óptima
Base 𝑪𝒋 1 2 3 0 0
𝑪𝑩 𝑿𝑩 𝑷𝟎 𝑷𝟏 𝑷𝟐 𝑷𝟑 𝑷𝟒 𝑷𝟓 𝑷𝟔 𝑷𝟕 𝑷𝟖 𝑷𝟗 𝑷𝟏𝟎
1 1 1
2 𝑋2 25 0 1 0 0 0
2 2 2
1 𝑋1 50 1 0 0 0 -1 0 0 0
1 1 1
W 𝑋8 5 0 0 − − − -1 1 0
2 2 2
0 𝑋9 20 0 0 1 0 0 0 0 1
𝒁𝒋 1 1 1
− w − w − w
1 2 2 2 2 -W W 0
+1 +1
𝒁𝒋 − 𝑪𝒋 1 1 1
− w − w − w
0 0 2 2 2 -W 0 0
+1 +1
A variável 𝑋8 (artificial) com nível positivo na iteração óptima.

III. Métodos de Solução

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

III. Métodos de Solução

Enviado por

Direitos autorais:

Formatos disponíveis

Material de Investigação Operacional

TEMA: III Métodos de Solução

UNIDADE 3: MÉTODOS DE SOLUÇÃO

Como foi explicado no tema I, o objectivo da formulação do problema sob a

3.2. Solução por método gráfico

Quando o problema linear só tem duas variáveis de decisão, a sua solução

O objectivo deste parágrafo é mostrar o procedimento que se segue neste caso.

Encontrar graficamente a solução do seguinte problema de P.L.

Prof. Eng.º MBUTA DOMPETELO Página 1

Se considerarmos o sistema de eixos de coordenadas, todos pontos (X1, X2) que

X2 ≥ 0. Sendo assim todo ponto do Iº quadrante cumpre com a condição de não-

Portanto qualquer solução possível deve estar no primeiro quadrante. Para

Seja a primeira restrição:

-2X1 + X2 ≤ 5. Se considerarmos aquilo como uma equação, podemos

Para encontrar a restrição, consideramos um ponto qualquer como (0,0). Depois

O conjunto de pontos que satisfaz a inequação -2X1 + X2 ≤ 5 e a condição de

A figura 1.1 mostra as restrições representadas no plano. O conjunto de pontos

Prof. Eng.º MBUTA DOMPETELO Página 2

Todas as rectas que correspondem a valores diferentes de Z são paralelas,

Para encontrar a solução óptima devemos encontrar a recta que proporciona o

Na figura 1.1 aparece as rectas das restrições e da função objectiva. Os valores

Consideramos agora que Max Z = 2X1 + 2.5X2.

A região soluções possíveis é mesma que no caso anterior. A função objectiva

EXEMPLO de um problema de minimização

Min Z = 4X1 + 6X2

3.3. Casos especiais na solução gráfica dos problemas de P.L

Certos casos especiais podem-se apresentar na solução dos problemas de P.L e

Os exemplos apresentados não só têm interesse teórico mas também ilustra

3.4. Interpretação geométrica

A resolver graficamente o P.L pode constatar os resultados seguintes:

 A região ou conjunto de soluções possíveis tem a propriedade de ser

Prof. Eng.º MBUTA DOMPETELO Página 4

 O valor máximo ou mínimo de Z (quando existe é finita) se encontra

Estes resultados, obtidos mediante observação dos exemplos gráficos em duas

Em cada ponto extremo o método simplex indica se o ponto extremo é óptimo

Prof. Eng.º MBUTA DOMPETELO Página 5

3.5. Solução por Método Simplex

3.5.1. Fundamentos Teóricos

O Modelo de PL é formado das seguintes expressões:

Max (Min) Z = C1 X1 + C2 X2 -------- Cn Xn

A restrição com sinal ≤ que pode ser escrito sob a forma:

ad1 X1 + ad2 X2 + -------- adn Xn ≤ bd

A equação pode ser escrita:

Introduzimos a variável auxiliar Xr+d ≥ 0 procedido de sinal ( - ) a equação

Prof. Eng.º MBUTA DOMPETELO Página 6

ad1 X1 + ad2 X2 + -------- ad2 X2 − Xr+d = bd

As variáveis auxiliares assumem a dimensão da restrição onde foram

Como sistema de equações temos:

Na forma matricial temos:

A transformação do sistema de inequações em sistema de equações não altera a

O Coeficiente económico das variáveis auxiliares é igual a zero: 𝐶𝑚𝑎𝑥 = 0.

Prof. Eng.º MBUTA DOMPETELO Página 7

Os pontos extremos do conjunto convexo de soluções possíveis constituem

Portanto, uma solução óptima ao problema de P.L. estará contida no conjunto de

E que maximiza ou minimiza a função objectiva Z = C1 X1 + C2 X2 ------- Cn Xn

Como o número de soluções básicas é finita (ou determinada), o método simplex

Solução Básica Inicial

Dos vectores associados as variáveis P1 ----- Pn , vamos considerar m vectores

Consideremos o seguinte problema de P.L.:

Max Z = 2X1 + X2 + 3X3

Depois da introdução das variáveis auxiliares, temos o seguinte sistema:

Max Z = 2X1 + X2 + 3X3 + 0X4 + 0X5

Na forma matricial temos o sistema:

Prof. Eng.º MBUTA DOMPETELO Página 9