Carlos Alexandre João

Luanda, Março / 2020

2ª. Edição
CORPO DOCENTE

• Dr. CARLOS ALEXANDRE JOÃO (Responsável)

• E-mail: Calexjoao@gmail.com
• Pós-Graduação em CONTABILIDADE, FINANÇAS PÚBLICAS E
GESTÃO ORÇAMENTAL - Instituto Superior de Economia e Gestão da
Universidade Técnica de Lisboa, Portugal.
• Licenciatura em MATEMÁTICA APLICADA À ECONOMIA E À
GESTÃO - Instituto Superior de Economia e Gestão da Universidade
Técnica de Lisboa, Portugal.

UNIDADE: Gestão e Contabilidade

CATEGORIA: Professor

DISCIPLINA(S) QUE LECCIONA:

• Investigação Operacional - 1º Semestre;

• Econometria - 2º Semestre.
 Não precisa ganhar
cada discussão. Aceita
perder e aprenda com o
outro.
 LINHAS GERAIS
PROGRAMÁTICAS

CONTEÚDO PROGRAMÁTICO
OBJECTIVOS
PROCESSO DE AVALIAÇÃO
BIBLIOGRAFIA
 CONTEÚDO PROGRAMÁTICO

Origem e Natureza da Investigação Operacional (IO).

Introdução à Programação linear (PL).

Método Simplex.

Dualidade.

Análise Pós-optimal

Alguns problemas particulares de PL: O problema de

transporte e o problema de afectação.

Programação em Inteiros

5
 OBJECTIVOS
Introduzir a formulação, resolução e
implementação dos modelos de
investigação operacional na análise de
problemas reais na indústria,
economia, governo, etc.
Estudo e desenvolvimento de métodos
e algoritmos de optimização com
ênfase na optimização de problemas de
programação linear e no Método
Simplex.
Estudo de algumas aplicações e
algoritmos da Programação Linear
Inteira.

6
 PROCESSO DE AVALIAÇÃO
A avaliação desta Unidade Curricular é
realizada através duma prova de exame
final a realizar-se em épocas normal,
recurso ou especial, em chamada única.
Trabalho de grupo apresentado ao
longo do período lectivo, relevando as
capacidades de crítica e de resolução
dos problemas;
Cada um dos referidos instrumentos
será classificado entre 0 a 20 valores;
Para mais detalhes, consultar o
regulamento sobre o regime académico
da UPRA.

7
 BIBLIOGRAFIA
João, Carlos Alexandre, Textos de apoio
teórico/prático (2018), 4ª edição.
Ramalhete,M., Guerreiro,J., Magalhães, A.,
Programação Linear, vols 1 e 2, McGraw-Hill
(1985).
Bronson R. , Naadimuthu G., Investigação
Operacional, Segunda Edição. McGraw-Hill
(2001).
Hillier, F.S., Lieberman, G.J., Introduction to
Operations Research, 5th edition, McGraw-Hill
(1990).
Hamdy A. Tana, Operation Research. An
introduction, Sixth Edition, Prentice Hall (1997)
James P. Ignizio and Tom M. Cavalier, Linear
Programming. Prentice Hall International Series
in Industrial and Systems Engineering, Prentice-
Hall, Englewood Cliffs, NJ, 1994.

8
 CAPITULO I

INTRODUÇÃO

1. ORIGEM E NATUREZA DA INVESTIGAÇÃO

OPERACIONAL

2. CARACTERISTICAS FUNDAMENTAIS

3. INVESTIGAÇÃO OPERACIONAL COMO CIÊNCIA

 ORIGEM E NATUREZA DA
INVESTIGAÇÃO
OPERACIONAL (IO)

10
Dr. Carlos Alexandre João
 INVESTIGAÇÃO OPERACIONAL - ORIGEM
A Investigação Operacional é uma ferramenta
interdisciplinar. O seu início coincide com o
período da II Guerra Mundial, devido à
necessidade de determinar a melhor utilização dos
recursos militares, que eram escassos.
As raízes da Investigação Operacional remontam a
décadas.
A origem da IO como ciência é atribuída à
coordenação inglesa e americana durante as
operações militares na 2ª Guerra Mundial.
Face a complexidade da guerra, chamaram um
grande número de cientistas a aplicarem
metodologias a problemas de estratégia e tática.
Os seus esforços contribuíram de forma
significativo ao triunfo aéreo inglês nas batalhas
do Atlântico Norte e muitas outras.
O êxito da Investigação Operacional nas operações
militares levou aos industriais apôs o termino da
guerra a interessarem-se deste novo campo. Desta
forma, a IO começa a ser introduzida na indústria,
nos negócios e no governo.
11
 Continuação...
A Investigação Operacional (IO) como ciência
surgiu para resolver de forma mais eficiente, os
problemas de administração nas organizações.
Depois da segunda guerra mundial, muitos
cientistas que tinham participado nas equipas de
Investigação Operacional, motivaram-se em busca
de resultados para este campo científico.
Um exemplo substancial dos resultados dos
cientistas é o método de Simplex que surge para
resolver problema de programação linear,
descoberto em 1947 por George Dantzig.
Muitas das características de Investigação
Operacional, como programação linear,
programação dinâmica, linhas de espera e teoria de
inventários, foram descobertos antes do término da
década de 1950.
O desenvolvimento de meios informáticos fez com
que as técnicas de Investigação Operacional
tivessem aplicações práticas reais.

12
 INVESTIGAÇÃO OPERACIONAL - NATUREZA
A Investigação Operacional ocupa-se na
tomada de decisões ótimas.
A sua aplicação em situações reais
(administrações, governo, negócios,
indústrias, engenharia, economia, ciências
naturais e sociais), caracteriza-se, em grande
parte, pela necessidade de gerir recursos
escassos.
A contribuição da Investigação Operacional
estende-se principalmente na:
✓ Estruturação de uma situação da vida real
para um modelo matemático, com a
abstração de elementos essenciais para poder
buscar uma solução de acordo com os
objetivos do tomador de decisões.
✓ Analise da estrutura das soluções e o
descobrir de procedimentos sistemáticos para
obtê-las.
✓ Descobrir uma solução, incluindo a teoria
matemática, se necessária, que leva ao valor
ótimo da medida de que se espera do sistema.
13
 Continuação (áreas de aplicação)...
As áreas de aplicação da Investigação Operacional
➢ Sector de Produção (gestão de stocks, planeamento de
produção, etc.),
➢ Sector dos Serviços (sistemas de distribuição e
transportes),
➢ Sector de Controlo de Qualidade, etc.

Os ramos mais importantes desenvolvidos da IO

14
 CAPITULO II

PASSOS NA INVESTIGAÇÃO
OPERACIONAL PARA A RESOLUÇÃO
DE PROBLEMA

Formulação;

Modelação;

Solução;

Avaliação;

Decisão;

Implementação.
 PASSOS NA INVESTIGAÇÃO OPERACIONAL
PARA A RESOLUÇÃO DUM PROBLEMA

Os principais Esquema geral:

passos:

1. Formulação;
2. Modelação;
3. Solução;
4. Avaliação;
5. Decisão;
6. Implementação

16
1.º PASSO: FORMULAÇÃO DO PROBLEMA.

Formular correctamente o problema em

estudo;
Nesta etapa devem ficar bem definidos:
➢ Os objectivos que se pretendem alcançar
com a resolução do problema.
➢ As restrições (limitações) existentes no
sistema em geral.
➢ As relações de interdependência de todas
as componentes integrantes do sistema.
Este passo deve ser executado com muita
responsabilidade;
A formulação inicial será sempre
reformulada até que se alcance a que
melhor represente a situação real em
estudo.
É muito difícil procurar uma solução
“certa” para um problema mal formulado.

17
 2.º PASSO: CONSTRUÇÃO DO MODELO MATEMÁTICO.

Um modelo matemático é uma representação

simplificada de uma situação da vida real,
formalizado com símbolos e expressões
matemáticas. Por exemplo: F(x) = a.x (um
sistema de equações (inequações) que
descrevem a essência do problema).
Um modelo matemático de um Problema de
Optimização determina os valores de um
número N de decisões a ser tomada,
denominadas variáveis de decisão
(x1,x2,…,xN), interrelacionadas por uma função
matemática, que representa a medida da
vantagem (desvantagem) associada à tomada de
decisão. Esta função é denominada função
objectivo. Qualquer restrição associada às
variáveis de decisão pode ser representada por
equações (inequações) matemáticas. Estas
expressões são denominadas restrições do
modelo. Todas as constantes (coeficientes) da
função objectivo e das restrições são
denominadas parâmetros do modelo.
18
 3.º PASSO: DETERMINAÇÃO DA SOLUÇÃO.

Uma vez realizada a formulação matemática do

problema, é preciso aplicar métodos e algoritmos
desenvolvidos para a resolução do correspondente
modelo de IO. Para isto podem ser utilizados
muitos dos softwares e pacotes de computação
disponíveis para a resolução de problemas de IO.
Se o modelo foi correctamente formulado, a
solução obtida pode ser uma boa aproximação da
solução a implementar na situação real.
Neste passo é incorporado outro tipo de análise
denominada "análise de sensibilidade e pós
optimização" em que é abordado o
comportamento da solução óptima quando são
efectuadas pequenas alterações em certos
parâmetros do modelo.
A análise de sensibilidade e pós optimização
possibilita um espectro mais alargado de soluções
quando ocorrem alterações nestes parâmetros
“sensíveis”. Uma vez concluído este passo, a
equipa de IO, está pronta para avaliar várias
propostas de modelos e as respectivas soluções
óptimas
19
4.º PASSO: AVALIAÇÃO DO MODELO E DA SOLUÇÃO.

Neste passo serão avaliados, quer o

modelo escolhido, quer as soluções
obtidas.
➢ Avaliação satisfatória: proceder à
tomada de decisão, que prepara as
condições para a implementação da
solução obtida na situação real.
➢ Avaliação não satisfatória: proceder
à reformulação, remodelação e
resolução do novo modelo, a partir
dos resultados obtidos no processo de
avaliação e também na análise de
sensibilidade e pós-optimização.

20
5.º PASSO: TOMADA DE DECISÃO NA SOLUÇÃO ENCONTRADA.

Uma vez concluída satisfatoriamente a etapa de

avaliação, é preciso elaborar um relatório bem
documentado que possibilite a implementação da
situação obtida na situação real.
Este relatório deve incluir o modelo e um procedimento
para a tomada de decisão, o que significa, que todas as
acções que devem ser realizadas para implementar os
resultados do estudo de IO, devem estar incluídas numa
metodologia bem detalhada com todos os passos que
sejam necessários seguir para a sua implementação.

6.º PASSO: IMPLEMENTAÇÃO

Neste passo efectua-se a implementação das soluções
obtidas usando a metodologia elaborada. No processo
de implementação é preciso envolver activamente a
administração e todas as componentes da organização
que actuam no sistema em estudo.

21
 CAPITULO III

PROGRAMAÇÃO MATEMÁTICA E
LINEAR

3.1 INTRODUÇÃO
3.2 FORMALIZAÇÃO DE PROBLEMAS DE
PROGRAMAÇÃO LINEAR

3.3 EXEMPLO PROTÓTIPO

 INTRODUÇÃO

A maior parte do programa do curso

está dedicada a métodos matemáticos
de investigação operacional e as
técnicas quantitativas, e constituem a
parte principal do objecto da disciplina.
Contudo, isto não significa os estudos
práticos de investigação operacional
seja na essência exercícios
matemáticos.
Neste capítulo, daremos maior
perspectiva descrevendo as etapas mais
importantes de um estudo
característico de investigação
operacional.

23
 FORMALIZAÇÃO DE PROBLEMAS DE
PROGRAMAÇÃO LINEAR
As equipas de investigação operacional
deparam-se geralmente dos problemas
práticos de forma imprecisa e vaga.
A primeira actividade que se deve realizar é o
estudo do sistema relevante e o
desenvolvimento dum resume bem definido
do problema a analisar. Isto inclui:
❑ Identificar as variáveis decisórias;
❑ Determinar os objectivos apropriados;
❑ Identificar as restrições sobre o que se pode fazer,
as inter relações das áreas de estudo e outras áreas
da organização;
❑ Identificar os limites de tempo para tomar uma
decisão, etc.
Este processo de formular o problema é
crucial e afectará de forma significativa a
relevância das conclusões do estudo.

24
 EXEMPLO PROTÓTIPO

A empresa Cecilchaco, Lda. produz artigos de vidro de

alta qualidade, incluindo janelas e portas de vidro. Tem
três fábricas. Na F1 produz caixilho de alumínio, na F2
produz caixilho de madeira e na F3 produz vidro e
montagem.
Devido à diminuição dos lucros, o gerente decidiu
reorganizar a produção, e propõe produzir só 2 produtos
que têm uma melhor aceitação entre os clientes. Estes
produtos são:
➢Produto 1. Uma porta de vidro com estrutura de
alumínio.
➢Produto 2. Uma janela grande com estrutura de
madeira.
O departamento de Marketing da empresa concluiu que a
empresa pode vender tanto qualquer dos dois produtos,
tendo em conta a capacidade de produção disponível.
Como ambos os produtos partilham a capacidade de
produção da secção 3, o gerente solicitou ao
Departamento de Investigação Operacional da empresa a
resolução deste problema.

25
 EXEMPLO PROTÓTIPO - Continuação

Feita a análise do problema pelo Departamento de IO,

a equipa formulou o problema, utilizando os seguintes
dados:
➢ A capacidade de produção por minuto de cada secção, a ser
utilizada para produzir uma unidade de cada produto.
➢ Os lucros unitários para cada produto em Euros.

Estes dados estão resumidos na seguinte tabela:

Produção Capacidade
Fábrica disponivel
Portas Janelas (horas/maquinas)
1 1 0 4
2 0 2 12
3 3 2 18
Lucro
3 5
unitário

Pretende-se então reorganizar a produção dos

novos produtos de forma a maximizar os lucros.

2
6
 EXEMPLO PROTÓTIPO - Resolução

O problema da Cecilchaco, formulado como

problema de Programação Linear, consiste
em escolher x1 e x2 de forma a:

2
7
 CAPITULO IV

MODELO DE PROGRAMAÇÃO LINEAR

4.1 PROGRAMAÇÃO LINEAR

4.2 MODELO DE PROGRAMAÇÃO LINEAR

4.3 OPERAÇÕES DE REFORMULAÇÃO

 PROGRAMAÇÃO LINEAR.

As características gerais do problema de programação

linear, terminologias e notações.

Terminología comun para programação linear

Exemplo prototipo Problema geral

Capacidade de produção das fabricas Recursos

3 fabricas m recursos
Fabricação de produtos Actividades

2 produtos n Actividades

Taxa de produção do produto j ( Xj ) Nível da actividade j ( Xj )

Lucro ( Z ) Medida global efectiva ( Z )

As palavras chaves são recursos e actividades, donde

o numero de cada um se denota por m e n,
respectivamente.

2
9
 PROGRAMAÇÃO LINEAR – Continuação...

Modelo matemático - Caso geral

DADOS PARA O MODELO DE PROGRAMAÇÃO LINEAR

Consumo de recursos por unidade de

actividade
Actividades Quantidade de
Recurso
1 2 … n recursos disponivel

1 a11 a 12 … a 1n b 1

2 a 21 a 22 … a 2n b 2

… … … … … …

m a m1 a m 2 … a mn b m

? Z/Unidade de c c c
1 2 … n
actividade
Nível de x x x
1 2 … n
actividade

cj(j=1,2,…,n), é o incremento que resultaria no valor de Z, por cada unidade

de incremento no valor de xj.

bi é a quantidade disponível para planear as actividades i (i=1,2,…m), .
aij é a quantidade do recurso i que consume cada unidade da actividade j (para
i=1,2,…,m e j=1,2,…,n).

aij, bi e cj constitui os parâmetros (constantes) do modelo de programação

linear.

30
 PROGRAMAÇÃO LINEAR – Continuação...

A formulação do modelo matemático

para o caso geral é a seguinte:

3
1
MODELO DE PROGRAMAÇÃO LINEAR
OPERAÇÕES DE REFORMULAÇÃO
CONCEITOS FUNDAMENTAIS
SOLUÇÕES DO MODELO

32
Dr. Carlos Alexandre João
 MODELO DE PROGRAMAÇÃO LINEAR
Os problemas de Programação Linear podem ser
formulados de acordo com um modelo matemático
geral, que consiste na determinação de valores não
negativos para as variáveis x1 , x2 ,…,xj,…,xN
satisfazendo um sistema de M equações (inequações)
lineares que maximizem ou minimizem o valor de uma
função (real) linear dessas variáveis.

33
MODELO DE PROGRAMAÇÃO LINEAR –
Continuação ...

FORMA PADRÃO FORMA CANÓNICA

(STANDARD)
 Quando as restrições de um
modelo de Programação
Linear são apresentadas na
forma de equações diz-se que
esse modelo está na forma
padrão (ou “standard”).
• Quando as restrições de um
modelo de Programação
Linear são apresentadas na
forma de inequações, diz-se
que esse modelo está na forma
canónica.

34
 OPERAÇÕES DE REFORMULAÇÃO
I. Qualquer problema de maximização pode converter-se num problema
de minimização, pois:

II. Qualquer restrição de desigualdade do tipo “≤” pode ser convertida

numa restrição do tipo “≥” multiplicando por (-1) ambos os seus membros:

III. Qualquer restrição de igualdade pode ser convertida em duas

restrições de desigualdades “≤” equivalentes àquela:

35
 OPERAÇÕES DE REFORMULAÇÃO –
Continuação ...

IV. Qualquer restrição de desigualdade pode ser convertida numa restrição

de igualdade, através da introdução duma nova variável de desvio
(variável de excesso ou folga), de valor não negativo:

V. Qualquer variável livre Xj, (não restringida pela condição de não

negatividade) pode ser substituída por um par de variáveis não negativas e
deste modo formulando de novo o problema em função destas duas
variáveis.

36
CONCEITOS FUNDAMENTAIS DO MODELO DE
PROGRAMAÇÃO LINEAR

A função a maximizar (minimizar), Z= c1 x1 + c2

x2 + …+ cN xN , designa-se por função objectivo
(FO).
As desigualdades X1≥0, X2≥0,...,Xj≥0,...,Xn≥0
designam-se por condições de não negatividade.
As variáveis (X1, X2,…, Xj,…, Xn ) designam-se por
variáveis de decisão.
As constantes aij, bi, cj designam-se,
respectivamente, por coeficientes tecnológicos,
termos independentes e coeficientes da função
objectivo.
Qualquer especificação de valores para as variáveis
de decisão (x1, x2,…, xj,…, xN) que satisfaça as
restrições do modelo e as condições de não
negatividade designa-se por solução admissível.
O conjunto de todas as soluções admissíveis
designa-se por conjunto de soluções admissíveis ou
região de admissibilidade.
Uma solução óptima maximiza (minimiza) a função
objectivo sobre toda a região admissível.
37
 SOLUÇÕES DO MODELO

O objectivo da PL é determinar de entre

as soluções admissíveis uma que seja a
“melhor” medida pelo valor da função
objectivo do modelo. Por "melhor"
entende-se o maior ou menor valor da
função objectivo, dependendo se o
modelo é de maximizar ou de
minimizar.
Problema de PL pode ocorrer uma das
seguintes situações:
 Ter uma única solução óptima;
 Ter múltiplas soluções óptimas;
 Não ter óptimo finito; ou
 Problema ser impossível, não tem
nenhuma solução.

38
SOLUÇÕES DO MODELO - Continuação ...

O problema com uma única solução óptima:

➢ No exemplo protótipo (empresa Cecilchaco) tem uma

só solução óptima: x1 = 2, x2 = 6 onde a função objectivo
alcança o seu valor máximo: 36

39
SOLUÇÕES DO MODELO - Continuação

O problema tem múltiplas soluções óptimas (uma

infinidade):
➢ No exemplo protótipo, se o lucro unitário do produto 2 é
mudado de 5 para 2 obtém-se como função objectivo: Z =
3x1 + 2x2. Neste caso, como as rectas da função objectivo
são paralelas à recta da 3ª restrição 3x1 + 2x2 =18, todos os
pontos do segmento de recta AB que une (2,6) com (4,3)
são soluções óptimas (Z= 18), pois todas alcançam o melhor
valor da f.o. (Z = 18). Como num segmento de recta existe
um número infinito de pontos, por conseguinte, o número
de soluções óptimas neste caso é infinito.

40
 SOLUÇÕES DO MODELO - Continuação

o problema não tem óptimo finito:

 A região de admissibilidade é não limitada e o valor da
função objectivo Z cresce indefinidamente no sentido
favorável (positivo ou negativo).
➢ No exemplo protótipo, eliminando as restrições:
2.X2 ≤ 12, 3X1 + 2.X2 ≤ 18, a região de
admissibilidade fica não limitada e o valor da função
objectivo pode crescer indefinidamente nesta região.

o problema é impossível, não tem nenhuma solução:

Isto acontece quando não existem soluções admissíveis, i.e.,
o conjunto de soluções admissíveis é vazio.

41
 CAPITULO V

HIPÓTESES DO MODELO DE
PROGRAMAÇÃO LINEAR.

5.1 HIPÓTESES DO MODELO

5.2 CONCEITOS FUNDAMENTAIS

5.3 TEOREMA FUNDAMENTAL DE PL.

 HIPÓTESES DO MODELO

Qualquer modelo de PL deve cumprir as

hipóteses seguintes:
 H1. Proporcionalidade
 H2. Aditividade
 H3. Divisibilidade e não negatividade
 H4. Linearidade da função objectivo
As hipóteses acima mencionadas
garantem a linearidade da função
objectivo e das restrições do problema.

43
 HIPÓTESES DO MODELO - Continuação

 H1. Proporcionalidade
➢ Em cada actividade a quantidade de bens que entram e saem são sempre
proporcionais ao nível da mesma, i.e., se por exemplo, for duplicado o nível
duma actividade, ter-se-ão de duplicar todos os "inputs" (os recursos
utilizados) sendo duplicados todos os "outputs" (os produtos).

 H2. Aditividade
➢ Dadas N actividades, o resultado do emprego conjunto das mesmas é a sua
adição. Por exemplo, combinando as actividades Pr e Ps tem-se uma nova
actividade.

 H3. Divisibilidade e não negatividade

➢ O nível de uma actividade pode assumir qualquer valor positivo de um dado
intervalo, o que equivale a supor que os bens são perfeitamente divisíveis,
isto é, susceptíveis de variar em quantidades infinitesimais.

 H4. Linearidade da função objectivo

➢ Cada actividade contribui para o objectivo global perseguido pelo sistema
(por exemplo, cada actividade normalmente tem associado um certo lucro
ou um certo custo) .Esta hipótese indica que essa contribuição para a função
económica é proporcional ao nível da actividade. A contribuição total é a
soma das contribuições de todas as actividades.

 CONCLUSÕES
➢ As hipóteses H1 e H3 traduzem a linearidade das actividades e, atendendo a
H4, pode concluir-se que se está em presença de um modelo linear.

44
 CONCEITOS FUNDAMENTAIS

Qualquer problema de maximização pode

ser convertido num problema de
minimização,
Um problema de PL terá sempre a seguinte
forma padrão:

45
 CONCEITOS FUNDAMENTAIS - Definições

Definição 1: Qualquer conjunto de

valores para as variáveis (x1, x2,…, xn)
que satisfaça as restrições (3.2) do
modelo designa-se por solução.

Definição 2: Se, além disso, a solução

X=(x1, x2,…, xn) verificar as restrições
de não negatividade (3.3) designa-se por
solução admissível.

O sistema (3.2) é constituído por m

equações e n incógnitas, onde m ≤ n.

46
 CONCEITOS FUNDAMENTAIS - Definições

Suponha-se que a característica da matriz A do

sistema é igual a m, i.e., c(A)=m. Isto significa
que existe uma submatriz quadrada de ordem m
(Bmxm) com determinante não nulo. Esta
submatriz permite efectuar uma classificação
das variáveis em básicas (as correspondentes às
colunas daquela submatriz) e não básicas (as
restantes n-m variáveis).
Chama-se característica de uma matriz Amxn ao
número máximo de colunas que são linearmente
independentes. Um sistema nestas condições é
um sistema indeterminado de grau n-m, em que
m variáveis podem ser escritas em termo das
restantes n-m, e tem, por consequência, uma
infinidade de soluções (correspondente à
infinidade de valores que arbitrariamente podem
ser atribuídos às n-m variáveis).

47
 CONCEITOS FUNDAMENTAIS – Definições (Continuação)

Definição 3: Se uma submatriz Bmxm da matriz A

do sistema (3.2) é não singular, i.e., o seu
determinante é não nulo, então a submatriz Bmxm
designa-se por base. Sem perda de generalidade,
suponha que a base B é composta pelas m
primeiras colunas, i.e., B= { P1 , P2 ,..., Pm }.
Definição 4: As m variáveis x1 , x2,…, xm
correspondentes às colunas de Bmxm designam-se
por variáveis básicas.
Definição 5: As restantes n-m variáveis xm+1
,xm+2,…,xn designam-se por variáveis não
básicas.
Definição 6: Uma solução básica para o sistema
(3.2) obtém-se atribuindo o valor zero às variáveis
não básicas xm+1 , xm+2 ,…, xn, e determinando,
depois, uma solução para as m variáveis básicas
restantes x1 , x2 ,…, xm , i.e.: X = (x1 , x2 ,… ,
xm ,0,…,0), onde XB =(x1 , x2 ,…, xm) é a única
solução do sistema de equações BXB =b.

48
 CONCEITOS FUNDAMENTAIS – Definições (Continuação)

Definição 7: Se uma solução básica X

verifica ainda as condições de
negatividade (3.3), i.e., todas as
variáveis da solução são não negativas
então esta solução é uma solução básica
admissível (SBA).
Definição 8: Se todas as variáveis
básicas x1 , x2 ,…, xm são não nulas, a
solução básica designa-se por solução
básica não degenerada.
Definição 9: Se alguma variável básica
for igual a zero a solução básica
designa-se por solução básica
degenerada.

49
 TEOREMA FUNDAMENTAL DA PL
Teorema Fundamental da PL: Se existe uma solução admissível
para o problema de PL definido pelas expressões (3.1), (3.2) e (3.3),
então existe uma solução básica admissível, e se existe uma solução
óptima admissível então existe uma solução óptima básica admissível.
Deste modo, não é necessário procurar a solução óptima entre todas as
soluções admissíveis, mas apenas entre as soluções básicas admissíveis.

O número máximo de soluções básicas num problema com m restrições

e n variáveis, corresponde ao número máximo de bases distintas do
sistema (3.2) que podem ser determinadas e esse número é dado pelo
número de possíveis combinações de m números que podem ser obtidas
usando n números:

A Programação Linear procura desenvolver um método que permita

passar de uma solução básica admissível para uma outra solução básica
admissível que corresponda a um “melhor” valor da função objectivo e
dispor de um critério que permita saber quando se alcançou a solução
óptima ou concluir que o problema não tem óptimo finito. O
procedimento sistemático que permite resolver este tipo de problema é
designado por método simplex.

50
 CAPITULO VI

MÉTODO DE SIMPLEX

6.1 MÉTODO DE SIMPLEX

6.2 ALGORITMO DO SIMPLEX

6.3 ÁLGEBRA DO MÉTODO DO SIMPLEX

6.4 ALGUMAS OBSERVAÇÕES

 MÉTODO DE SIMPLEX

Método de Simplex (MS) é um

algoritmo que permite resolver
problemas de programação linear.
➢ É um método iterativo que parte de
um ponto extremo, vai visitar pontos
extremos adjacentes, com a garantia
de que as soluções que vão sendo
sucessivamente obtidas nunca pioram
o valor da função objectivo (FO).
A ideia básica do Método de Simplex
consiste em resolver repetidas vezes um
sistema de equações lineares para obter
uma sucessão de SBA, cada uma
"melhor" do que a anterior, até se chegar
a uma SBA óptima.
52
 ALGORITMO DO SIMPLEX

53
Dr. Carlos Alexandre João
 ALGORITMO DO SIMPLEX

Condições de aplicabilidade do
algoritmo:
• As variáveis sejam todas não negativas;
• Os termos independentes (bi’s) sejam todos
não negativos.
Caso alguma destas condições não se
verifique, é necessário proceder às
transformações adequadas.
Este algoritmo exige ainda que se
determine uma solução básica
admissível inicial para o problema. Para
o efeito, é necessário escrever o
problema na forma canónica, através da
introdução de variáveis de desvio.

54
 ALGORITMO DO SIMPLEX

ÁLGEBRA DO MÉTODO SIMPLEX

• PASSO 1: DETERMINAÇÃO DE UMA SBA

INICIAL E CONSTRUÇÃO DO 1º QUADRO DO
SIMPLEX.

onde:
XB é o vector coluna que contém as variáveis básicas;
V é o vector coluna que contém os valores das variáveis
incluídas em XB;
Z representa a f.o.;
u é o valor da f.o. para a SBA inicial (i.e., Z = u).

(*) Os custos reduzidos são os simétricos dos coeficientes das

variáveis na f.o., quando esta função está escrita à custa das
variáveis não básicas.

55
 ALGORITMO DO SIMPLEX - Continuação

• PASSO 2: CONDIÇÕES DE OPTIMALIDADE

• Caso 1 – Problema de MAX

➢ Se os custos reduzidos forem todos “≥ 0”, o
processo termina; Está-se em presença de uma
solução óptima finita (1). Caso contrário, seguir
para o PASSO 3.
• Caso 2 – Problema de MIN
➢ Se os custos reduzidos forem todos “≤ 0”,
TERMINAR; Está-se em presença de uma solução
óptima finita (1). Caso contrário, seguir para o
PASSO 3.
• (1) A solução óptima é obtida atribuindo a cada
variável básica o valor correspondente em linha,
na última coluna. As restantes variáveis são não
básicas e, consequentemente, assumem o valor
zero. O valor óptimo da f.o. é o número comum
à 2ª linha e à última coluna (i.e., u).

56
 ALGORITMO DO SIMPLEX - Continuação

• PASSO 3: ESCOLHA DA VARIÁVEL

NÃO BÁSICA CANDIDATA A
ENTRAR NA BASE
• Caso 1 – Problema de MAX
➢ É a variável que tem associado o custo
reduzido negativo de maior valor absoluto;
• Caso 2 – Problema de MIN
➢ É a variável que tem associado o custo
reduzido positivo de maior valor absoluto.
• Em caso de empate, escolhe-se uma das
variáveis sem obedecer a um critério
especial. A coluna da variável escolhida
designa-se por COLUNA PIVOT. Seja xs
a variável escolhida.

57
 ALGORITMO DO SIMPLEX - Continuação

• PASSO 4: ESCOLHA DA VARIÁVEL

BÁSICA CANDIDATA A SAIR DA BASE
(independentemente do problema ser de MAX
ou de MIN).
➢ Calculam-se os rácios entre os valores das
variáveis que estão na base actual e os
respectivos coeficientes positivos da coluna
pivot.
➢ Se a coluna pivot for só composta por elementos
“≤ 0”, TERMINAR. Está-se em presença de um
problema ilimitado.
➢ Escolhe-se o menor dos rácios e a variável básica
que lhe corresponde passa a não básica. A linha
correspondente a essa variável designa-se por
LINHA PIVOT. Seja xp a variável escolhida. Em
caso de empate escolhe-se uma das variáveis, sem
obedecer a um critério especial.
➢ O coeficiente comum às variáveis xp e xs é o
PIVOT.
58
 ALGORITMO DO SIMPLEX - Continuação
• PASSO 5: CONSTRUÇÃO DO QUADRO
SEGUINTE
➢ A nova SBA obtém-se através da substituição, na base,
da variável xp por xs. Divide-se a linha do pivot por ele
mesmo.
➢ Os restantes elementos da coluna pivot ficam a zero;
➢ Os restantes elementos do quadro são calculados
através da seguinte expressão:

59
 ALGUMAS OBSERVAÇÕES

OBSERVAÇÕES
1. As restrições de não negatividade não são
incluídas no quadro, pois são levadas em
linha de conta quando se calcula o mínimo
dos quocientes, não deixando as variáveis
baixar para além de zero.
2. Só se faz o quociente para os elementos
positivos da coluna pivot.
3. Se existirem restrições do tipo “≥” ou “=”,
há que recorrer ao Método das Duas Fases
para obter uma solução básica admissível
inicial.
4. Se existirem variáveis “≤ 0” ou “livres”, há
que convertê-las:

60
 ALGUMAS OBSERVAÇÕES - Continuação
5.Todos os termos independentes das restrições
têm que ser não negativos, caso contrário,
multiplica-se a restrição por (-1); Ex.: Se x1 -
x2 ≥ -3 então substitui-se por -x1 + x2 ≤ 3.

6.No caso de existirem limites para as variáveis:

• Se xj ≤ a, pode aplicar-se um dos seguintes

procedimentos:
➢ acrescentar a restrição xj ≤ a ao problema;
➢ considerar-se xj’= a – xj, xj’ ≥ 0;
➢ aplicar-se o Método do Simplex para variáveis limitadas (fora
do âmbito da cadeira).
• Se xj ≥ b, pode aplicar-se um dos seguintes
procedimentos:
➢ acrescentar a restrição xj ≥ b ao problema;
➢ considerar-se xj’ = xj – b, xj’ ≥ 0;
➢ aplicar-se o Método do Simplex para variáveis limitadas (fora
do âmbito da cadeira).
• Se c ≤ xj ≤ d, pode aplicar-se um dos seguintes
procedimentos:
➢ acrescentar as restrições xj ³ c e xj £ d ao problema;
➢ aplicar-se o Método do Simplex para variáveis limitadas (fora
do âmbito da cadeira).

61
 CAPITULO VII

MÉTODO DAS DUAS FASES

7.1 CONSIDERAÇÕES

7.2 ÁLGEBRA DO MÉTODO DAS DUAS FASES

7.3 CASOS ESPECIAIS

 CONSIDERAÇÕES

Consideremos a seguinte restrição i:

 ai1 x1 + ai2 x2 + … + ain xn ≥ bi, bi ≥ 0
Para converter esta desigualdade numa
igualdade, há que introduzir uma variável
de excesso, ti (ti ≥ 0) e então tem-se:
 ai1 x1 + ai2 x2 + … + ain xn - ti = bi
Ao construir a solução básica admissível
inicial vem, para a restrição i, que
 - ti = bi <=> ti = - bi < 0 o que é
impossível!
É assim necessário considerar uma variável
artificial, ui ≥ 0, de tal modo que:
 ai1 x1 + ai2 x2 + … + ain xn - ti + ui =
bi
e assim temos na solução básica inicial que
ui = bi.
63
 ÁLGEBRA DO MÉTODO DAS DUAS FASES

1ª Fase
 O objectivo consiste em anular as
variáveis artificiais, ou seja, minimizar
uma função objectivo auxiliar Za que
representa o somatório de todas as
variáveis artificiais. A f.o. real vai sendo
actualizada ao longo da 1ª Fase.
 Aplica-se o método do Simplex à linha
Za (colocada acima de Z) até que se
atinja o “seu óptimo”; se no fim da 1ª
Fase existirem variáveis artificiais não
nulas na base, o problema não admite
solução, é impossível.
2ª Fase
 O quadro inicial da 2ª Fase é obtido do
último quadro da fase anterior,
eliminando a linha de Za. Aplica-se o
método do Simplex.
64
 CASOS ESPECIAIS

65
Dr. Carlos Alexandre João
 CASOS ESPECIAIS

Na resolução dos Problema de PL pode

ocorrer um dos seguintes casos
especiais:

1. PROBLEMA COM SOLUÇÃO

ÓPTIMA ILIMITADA;
2. PROBLEMA COM SOLUÇÃO
DEGENERADA;
3. PROBLEMA COM SOLUÇÕES
ÓPTIMAS MÚLTIPLAS;
4. PROBLEMA IMPOSSÍVEL

66
 CASOS ESPECIAIS

CASO 1 - PROBLEMA COM SOLUÇÃO

ÓPTIMA ILIMITADA

➢ Verifica-se quando o valor da f.o. crescer

indefinidamente (caso de problema de max.)
ou decrescer indefinidamente (caso de
problema de min.) - neste caso, diz-se que a
solução óptima e o valor óptimo são
ilimitados.

67
 CASOS ESPECIAIS - Continuação
CASO 1

Não é possível escolher a variável básica que

vai abandonar a base (porque a coluna pivot é
constituída apenas por valores “≤ 0”).

REGRA: Se a coluna pivot não possui

coeficientes positivos então a região admissível
é ilimitada na direcção da variável associada a
essa coluna e o PROBLEMA tem SOLUÇÃO
ÓPTIMA ILIMITADA.
68
 CASOS ESPECIAIS - Continuação

CASO 2 - PROBLEMA COM SOLUÇÃO

DEGENERADA
 Verifica-se quando existem variáveis
básicas que assumem o valor zero. A este
tipo de solução básica chama-se
SOLUÇÃO DEGENERADA.

Exemplo:

69
 CASOS ESPECIAIS - Continuação

CASO 2

REGRA:
Se alguma das variáveis básicas
assume o valor zero diz-se que a
SOLUÇÃO é DEGENERADA.

70
 CASOS ESPECIAIS - Continuação

CASO 3 - PROBLEMA COM

SOLUÇÕES ÓPTIMAS
MÚLTIPLAS.
 Quando existe mais do que uma
solução óptima, para a qual a f.o.
assume sempre o mesmo valor
óptimo.

71
 CASOS ESPECIAIS - Continuação

CASO 3

Trata-se do quadro óptimo, no entanto, o custo reduzido

associado à variável não básica x1 é nulo, i.e., se x1 entrar
na base o valor da f.o. não se altera – SBA óptima
alternativa:

REGRA
Existem SOLUÇÕES ÓPTIMAS MÚLTIPLAS sempre que
no quadro óptimo existe, pelo menos, uma variável não
básica com custo reduzido nulo.

72
 CASOS ESPECIAIS - Continuação

CASO 4 - PROBLEMA IMPOSSÍVEL

 Verifica-se quando não existem soluções

que respeitem o conjunto de restrições
(incluindo as restrições de sinal).

73
 CASOS ESPECIAIS - Continuação
CASO 4

REGRA
Quando termina a 1ª Fase do Método do
Simplex e permanecem variáveis artificiais
com valor positivo na base então o
PROBLEMA é IMPOSSÍVEL.

74
 CAPITULO VIII

DUALIDADE

8.1 DUAL vs PRIMAL

8.2 INTERPRETAÇÃO ECONÓMICA

8.3 RELAÇÕES PRIMAL-DUAL

8.4 PROPRIEDADE E TEOREMAS

8.5 RELAÇÕES DE COMPLEMENTARIDADE

 DUALIDADE
Todo problema de Programação Linear esta
associado um outro problema, designado por
Problema Dual.

Problema Primal Problema Dual

Entre estes dois problemas verificam-se um

conjunto de relações matemáticas, que
conferem à dualidade uma grande importância

76
 INTERPRETAÇÃO ECONÓMICA
Caso o problema Primal corresponda a
um modelo de análise de actividades, o
problema Dual pode ser interpretado
como o problema de determinação do
valor a imputar aos recursos consumidos
pelas actividades (preços sombra dos
recursos).
O PREÇO SOMBRA indica o lucro
adicional que se obteria, se fosse possível
dispor de uma unidade adicional desse
recurso, mantendo tudo o resto constante.
O preço sombra de um recurso é o
contributo marginal do recurso para o
valor óptimo do problema. Os preços
sombra dos recursos são os valores
óptimos das variáveis duais y1, y2,..., ym.
77
 RELAÇÕES PRIMAL-DUAL

A formulação do problema Dual obtém-

se a partir da do Primal, associando uma
variável dual a cada restrição do Primal
e uma restrição dual a cada variável do
Primal.

78
 PROPRIEDADE E TEOREMAS
O Dual do problema Dual é o problema
Primal.
TEOREMA 1 (Teorema da Dualidade):
Se existe solução óptima finita para o problema Primal (Dual)
então o problema Dual (Primal) também tem solução óptima
finita e as duas funções objectivo apresentam o mesmo valor
óptimo.
TEOREMA 2:
Se o problema Primal é de Max (min), o valor da f.o. Z de
qualquer solução admissível, XT = [ x1 x2 ... xn ], do
problema Primal nunca é superior (inferior) ao valor da f.o. G
de qualquer solução admissível, YT = [ y1 y2 ... ym ], do
problema Dual, i.e., CT X ≤ bT Y (CT X ≥ bT Y).
TEOREMA 3:
Um problema de P.L. tem solução óptima finita sse existirem
soluções admissíveis para os problemas Primal e Dual.
TEOREMA 4:
Se para algum dos problemas (Primal ou Dual) existir solução
óptima não limitada então o outro problema não tem soluções
admissíveis.

79
 PROPRIEDADE E TEOREMAS – Continuação

TEOREMA 5:
Se X e Y são soluções admissíveis para um par de
problemas duais, com valores iguais das funções
objectivo então X e Y são soluções óptimas para os
respectivos problemas.

80
 RELAÇÕES DE COMPLEMENTARIDADE

O produto entre a j-ésima variável de decisão

do PRIMAL e a j-ésima variável de desvio do
DUAL é nulo

Se a actividade j está
incluída no plano óptimo
de produção (xj* > 0)

Se actividade j está
excluída do plano de
produção (xj* = 0)

81
 Continuação...

O produto entre a i-ésima variável de decisão

do DUAL e a i-ésima variável de desvio do
PRIMAL é nulo

• Se um recurso não é preço sombra é

integralmente utilizado nulo
na solução óptima, i.e. (yi* = 0)

• Se o recurso i é preço sombra é

integralmente utilizado positivo
na solução óptima (yi* > 0)

As relações de complementaridade permitem assim obter a

solução óptima do Dual (Primal) a partir da solução óptima
do Primal (Dual).
No entanto, se se dispuser do quadro óptimo do Simplex, a
solução óptima do problema Dual (Primal) pode ser obtida a
partir da linha dos custos reduzidos do quadro óptimo do
Primal (Dual).

82
 CAPITULO IX

MÉTODO DUAL DO SIMPLEX

9.1 ALGORITMO DUAL DO SIMPLEX

9.2 VANTAGEM E DESVANTAGEM DO

MÉTODO DUAL DO SIMPLEX

9.3 EXEMPLO DE APLICAÇÃO

 MÉTODO DUAL DO SIMPLEX

O Método Dual do Simplex é, como o

próprio nome indica, semelhante ao Método
do Simplex.
➢ É um método iterativo que, partindo de
uma solução básica admissível para o
problema Dual, visita novas soluções até
determinar uma solução primal admissível,
caso exista solução óptima limitada para o
Dual.

O Método do Simplex parte de uma solução

básica admissível para o problema Primal que,
em geral, não é admissível para o Dual.
Nestes casos, deve utilizar-se o Método Dual
do Simplex, que assim se designa pelo facto
de manter a admissibilidade do problema Dual

84
 ALGORITMO DUAL DO SIMPLEX

PASSO 1: DETERMINAÇÃO DE UMA

SOLUÇÃO BÁSICA INICIAL
 Determinar uma solução básica inicial que
seja admissível para o Dual. Construir o
quadro do Simplex correspondente.

PASSO 2: CONDIÇÃO DE PARAGEM

 Se todas as variáveis básicas forem não
negativas, TERMINAR; Obteve-se a
solução óptima para o problema Primal.
 Senão, seguir para o PASSO 3

PASSO 3: ESCOLHA DA VARIÁVEL

BÁSICA CANDIDATA A SAIR DA BASE
 De entre as variáveis básicas com valor
negativo, escolhe-se aquela que tiver maior
valor absoluto. À linha correspondente a
esta variável chama-se LINHA PIVOT.

85
Continuação...

PASSO 4: ESCOLHA DA VARIÁVEL NÃO

BÁSICA CANDIDATA A ENTRAR NA BASE
 Para cada variável do problema (de decisão ou
auxiliar), que tenha coeficiente negativo na linha
pivot, calcula-se o seguinte rácio:

• Caso 1 – Problema de MAX: A variável que irá

entrar na base será aquela que tiver associado o
maior dos rácios;
• Caso 2 – Problema de MIN: A variável que irá
entrar na base será aquela que tiver associado o
menor dos rácios.
• A coluna da variável escolhida designa-se por
COLUNA PIVOT.
• Se não existir nenhum coeficiente negativo na linha
pivot, TERMINAR. O problema Primal não tem
soluções admissíveis (problema impossível) e o
problema Dual é ilimitado.
86
Continuação...

PASSO 5: CONSTRUÇÃO DO
QUADRO SEGUINTE
• O novo quadro obtém-se
transformando o quadro anterior de
acordo com as expressões já
estudadas, usando como PIVOT o
elemento que se encontra
simultaneamente na linha pivot e na
coluna pivot.

• Voltar ao PASSO 2.

87
 CAPITULO X

PROGRAMAÇÃO EM INTEIROS

10.1 PROBLEMAS DE PROGRAMAÇÃO EM

INTEIROS

10.2 MÉTODO DE RAMIFICAÇÃO E

ACOTAMENTO PARA PROGRAMAÇÃO
INTEIRA MISTA
 PROBLEMAS DE PROGRAMAÇÃO EM INTEIROS
O modelo matemático para programação
inteira é sensivelmente o modelo de
programação linear com a restrição adicional
de que as variaveis devem assumir valores
inteiros.
Exemplo:

Max Z = 3 x1 + 4 x 2
s. a : 2 x1 + 3 x 2  6
4 x1 + 5 x 2  8
x1 , x 2  0

Solucao pelo metodo simplex

VB x1 x2 s1 s2
z -3 -4 0 0 0
s1 2 3 1 0 6
s2 4 5 0 1 8
z 1/5 0 0 4/5 6 2/5
s1 - 2/5 0 1 - 3/5 1 1/5
x2 4/5 1 0 1/5 1 3/5

89
 PROBLEMAS DE PROGRAMAÇÃO
EM INTEIROS

MÉTODO DE RAMIFICAÇÃO E ACOTAMENTO PARA

PROGRAMAÇÃO INTEIRA MISTA

Metodo de ramificação e acotamento

x1=0
Impossivel x2=1
x1=0 x1=1 z=4
x2=8/5 x2=4/5
z=32/5 x1=3/4 z=6,2 x1=2
x2=1 x2=0
z=6,25 x1=0 z=6
x2=1
z=4

Solução optima do problema:

x = 2, x 2 = 0 e z = 6
*
1
* *

90
 BIBLIOGRAFIA
João, Carlos Alexandre, Textos de apoio
teórico/prático (2011), 2ª edição.
Ramalhete,M., Guerreiro,J., Magalhães, A.,
Programação Linear, vols 1 e 2, McGraw-Hill
(1985).
Bronson R. , Naadimuthu G., Investigação
Operacional, Segunda Edição. McGraw-Hill
(2001).
Hillier, F.S., Lieberman, G.J., Introduction to
Operations Research, 5th edition, McGraw-
Hill (1990).
Hamdy A. Tana, Operation Research. An
introduction, Sixth Edition, Prentice Hall
(1997)
James P. Ignizio and Tom M. Cavalier, Linear
Programming. Prentice Hall International
Series in Industrial and Systems Engineering,
Prentice-Hall, Englewood Cliffs, NJ, 1994.

91