Bruno Ferreira Melo

UNIVERSIDADE FEDERAL DE GOIÁS - UFG
CAMPUS CATALÃO - CAC

CURSO DE ENGENHARIA DE MINAS
TRABALHO DE CONCLUSÃO DE CURSO
BRUNO FERREIRA MELO
PROGRAMAÇÃO LINEAR: TEORIA E EXEMPLOS DE

APLICAÇÃO NA MINERAÇÃO
CATALÃO
JANEIRO DE 2014
BRUNO FERREIRA MELO
PROGRAMAÇÃO LINEAR: TEORIA E EXEMPLOS DE

APLICAÇÃO NA MINERAÇÃO
Trabalho de conclusão de curso,

apresentado ao Curso de
Engenharia de Minas da
Universidade Federal de Goiás –
UFG, como requisito parcial para
obtenção do título de bacharel
em Engenharia de Minas.
Orientador: Dr. Henrique Senna Diniz Pinto
CATALÃO
Dados Internacionais de Catalogação na Publicação (CIP)
GPT/BSCAC/UFG
Melo, Bruno Ferreira

M528p Programação Linear : Teoria e Exemplos de Aplicação na Mineração
[manuscrito] / Bruno Ferreira Melo. - 2014.
149 f. : il., figs., tabs.
Orientador: Profo. Dr. Henrique Senna Diniz Pinto.

Monografia (Graduação) – Universidade Federal de Goiás, Campus
Catalão, Curso de Engenharia de Minas, 2014.
Bibliografia.
1. Programação linear. 2. Engenharia de Minas. 3. Mineração. I. Título
CDU: 622.014
RESUMO
A Programação Linear, tema central deste trabalho, consiste de uma técnica

baseada em métodos matemáticos e se caracteriza pela execução repetitiva de
operações relativamente simples. De forma simplificada, pode ser compreendida
como uma ferramenta de auxílio na resolução de vários dos problemas encontrados
na prática das atividades humanas. Ferramenta esta bastante utilizada no processo
de tomada de decisões de várias companhias dos mais variados segmentos do
mercado produtivo. Grandes benefícios podem ser obtidos de sua aplicação, dentre
os quais se destacam os de ordem econômica. Apesar da ampla gama de
aplicações, a Programação Linear é ainda pouco explorada pelas atividades de
mineração. O objetivo principal deste trabalho foi a elaboração de um material
introdutório sobre Programação Linear com uma linguagem e abordagem
direcionada aos estudantes, professores e demais profissionais da engenharia de
minas, de maneira a proporcionar a estes indivíduos um primeiro contato com o
tema, incentivando de certo modo a elaboração de novos trabalhos que envolvam a
aplicação da Programação Linear no grande universo da mineração.
Palavras-chave: programação linear; engenharia de minas; mineração.

SUMÁRIO
1. INTRODUÇÃO ............................................................................................................................ 10
2. OBJETIVOS ................................................................................................................................ 14
2.1. OBJETIVO GERAL ............................................................................................................ 14
2.2. OBJETIVOS ESPECÍFICOS ............................................................................................ 14
3. JUSTIFICATIVA ......................................................................................................................... 15
4. BASE CONCEITUAL DA PROGRAMAÇÃO LINEAR ........................................................ 16
4.1. MODELAMENTO DE UM PROBLEMA DE PROGRAMAÇÃO LINEAR ................... 16
4.2. HIPÓTESES PARA APLICAÇÃO DA PROGRAMAÇÃO LINEAR ............................. 30
4.2.1. Hipótese da Proporcionalidade ............................................................................ 30
4.2.2. Hipótese da Aditividade.......................................................................................... 32
4.2.3. Hipótese da Divisibilidade ..................................................................................... 34
4.2.4. Hipótese da Certeza (Determinismo) .................................................................. 34
4.2.5. Conceito Chave ......................................................................................................... 35
4.3. SOLUÇÃO GRÁFICA DE UM MODELO DE PL E O MÉTODO SIMPLEX .............. 36
4.4. FUNDAMENTAÇÃO TEÓRICA DO MÉTODO SIMPLEX............................................ 43
4.4.1. Convexidade da Região de Soluções Viáveis de um PPL ............................. 44
4.4.2. Limites de Restrição e Soluções FPE ................................................................. 45
4.4.3. Soluções FPE Adjacentes ...................................................................................... 47
4.4.4. Importância das Soluções FPE Adjacentes na Resolução de um PPL
via Simplex ................................................................................................................................. 49
4.4.5. Rota de Busca do Método Simplex ..................................................................... 50
4.4.6. Teste de Otimalidade do Simplex ........................................................................ 53
4.4.7. Forma Padrão de Um PPL ...................................................................................... 53
4.4.8. Variáveis de Folga .................................................................................................... 54
4.4.9. Soluções Aumentadas ............................................................................................ 55
4.4.10. Solução em Ponto Extremo e Solução FPE Aumentada ........................... 57
4.4.11. Propriedades de uma Solução BV ................................................................... 59
4.5. A ÁLGEBRA DO MÉTODO SIMPLEX ............................................................................ 63
4.5.1. Passo 1: Introdução das Variáveis de Folga no Modelo de PL.................... 63
4.5.2. Passo 2: Definição da Solução BV Inicial .......................................................... 63
4.5.3. Passo 3: Teste de Otimalidade ............................................................................. 64
4.5.4. Passo 4: Determinação da Variável Básica que Entra ................................... 66
4.5.5. Passo 5: Determinação da Variável Básica que Sai........................................ 67
4.5.6. Passo 6: Aplicação do Método da Eliminação Gauss-Jordan para o
Ajuste do PPL Aumentado ..................................................................................................... 70
4.5.7. Rotina do Método Simplex ..................................................................................... 74
4.5.8. Soluções Ótimas Múltiplas .................................................................................... 78
4.5.9. Nenhuma Solução Viável ....................................................................................... 79
4.6. AJUSTE DE UM MODELO DE PL QUALQUER À FORMA PADRÃO ...................... 80
4.6.1. Problemas com o Sinal das Restrições do Modelo ........................................ 80
4.6.2. Restrições com Sinal de Igualdade (=) ............................................................... 81
4.6.3. Restrições com Sinal Maior ou Igual (≥) ............................................................ 87
4.6.4. Termo Independente Negativo (bi < 0) ................................................................ 88
4.6.5. Problemas de Minimização .................................................................................... 89
4.6.6. Ocorrência de Variáveis Irrestritas em Sinal .................................................... 91
4.6.7. Variável com Limite Inferior .................................................................................. 92
4.7. ANÁLISE DE PÓS OTIMIZAÇÃO .................................................................................... 92
4.7.1. Reotimização ............................................................................................................. 94
4.7.2. Validação do Modelo ............................................................................................... 94
4.7.3. Análise de Sensibilidade ........................................................................................ 95
4.7.4. Análise Paramétrica ................................................................................................. 96
4.8. EXEMPLOS DE EXTENSÕES DA PROGRAMAÇÃO LINEAR.................................. 96
4.8.1. Programação Linear Inteira ................................................................................... 97
4.8.2. Programação Linear por Metas ............................................................................ 97
5. INTRODUÇÃO AO LINGO ..................................................................................................... 105
5.1. MODELAMENTO NO SOFTWARE LINGO ................................................................. 105
5.1.1. Operadores e Funções do LINGO ...................................................................... 106
5.1.2. Simbologia ............................................................................................................... 108
5.1.3. Iniciação e Identificação do Problema.............................................................. 109
5.1.4. Seção SETS.............................................................................................................. 110
5.1.5. Seção DATA ............................................................................................................. 117
5.1.6. Construção do Modelo.......................................................................................... 122
5.2. ROTULAGEM DE NOMES ............................................................................................. 126
5.3. COMENTÁRIOS ............................................................................................................... 127
5.4. SOLUÇÃO DO MODELO E ANÁLISE DE SENSIBILIDADE NO LINGO................ 127
6. EXEMPLOS DA APLICAÇÃO DA PROGRAMAÇÃO LINEAR NA MINERAÇÃO ...... 131
6.1. APLICAÇÕES DA PL NAS OPERAÇÕES MINEIRAS ............................................... 133
6.1.1. Blendagem de Minérios ........................................................................................ 133
6.1.2. Planejamento Operacional de Lavra ................................................................. 134
6.1.3. Lavra e Beneficiamento de Carvão .................................................................... 138
6.2. USO DA SIMULAÇÃO COMPUTACIONAL COMO FERRAMENTA
COMPLEMENTAR À PROGRAMAÇÃO LINEAR ................................................................... 139
6.3. EXEMPLO DE APLICAÇÃO DA PROGRAMAÇÃO LINEAR: ALOCAÇÃO
ESTÁTICA DE EQUIPAMENTOS DE CARREGAMENTO E TRANSPORTE NA LAVRA140
6.3.1. Restrições Funcionais do Modelo ..................................................................... 141
6.3.2. Função Objetivo...................................................................................................... 145
7. CONSIDERAÇÕES FINAIS ................................................................................................... 146
10
1. INTRODUÇÃO
Ao longo da vida, frequentemente, um indivíduo é conduzido a situações onde

o mesmo se vê obrigado a tomar decisões. É justamente por meio desse processo
decisório que ele constrói sua existência definindo quem é, quem será, onde está e
onde estará. Para uma empresa a história não é muito diferente. É partindo-se de
um processo de tomada de decisões que o presente e futuro da organização são
definidos. Mas, quais são as decisões mais acertadas, ou seja, àquelas que
conduzirão a um futuro mais promissor? A resposta para esta pergunta pode ser
mais facilmente encontrada pelo uso da Programação Linear (PL), tema central
deste trabalho e apontada por Martins (2013) como um dos mais importantes
avanços científicos da década de 50.
A Programação Linear é uma técnica de auxílio na tomada de decisões

aplicada aos mais diversos problemas encontrados na prática das atividades
humanas. Baseada em métodos matemáticos, se caracteriza pela execução
repetitiva de operações relativamente simples. Os primeiros trabalhos sobre
Programação Linear datam da década de 30 (HILLIER; LIEBERMAN, 2006).
Vale ressaltar que a Programação Linear faz parte de uma área maior do
conhecimento, a Pesquisa Operacional (PO), um ramo da matemática aplicada que
se dedica ao estudo da análise e tomada de decisões (MORAES, 2005).
Outras técnicas de PO para tomadas de decisão podem ser aplicadas

complementarmente ou de forma alternativa à PL embora seja notória a posição de
destaque desta última como sendo uma das técnicas mais importantes e estudadas
desse segmento.
As técnicas de PO em sua grande maioria tem como ponto de partida a

construção de um modelo matemático para o problema estudado. É através deste
modelamento que se busca uma reprodução aproximada do processo ou realidade
em estudo, tornando assim possível o seu tratamento matemático (CARVALHO
JÚNIOR, 2006).
No âmbito da PL, o modelo matemático deve ser construído por meio de um

conjunto de equações e inequações lineares. Grosso modo, cada uma dessas
equações ou inequações representa uma Restrição ou condição que deve ser
11
obedecida para reprodução do funcionamento adequado do processo em estudo.

Por exemplo, na fabricação de produtos, as horas produtivas disponíveis não podem
ser extrapoladas (MARTINS, 2013).
O conjunto de Restrições do modelo gira em torno de um objetivo a ser

alcançado, por exemplo, a maximização do lucro pela fabricação dos produtos
mencionados anteriormente ou a minimização do tempo gasto para fabricação dos
mesmos.
Na Programação Linear, o objetivo do estudo, escrito sob a forma de uma

função, a Função Objetivo, deve ser maximizado ou minimizado, de tal forma a
otimizar a solução do modelo. Em outros termos, a solução apresentada para o
modelo deverá ser, matematicamente falando, a melhor solução possível, ou seja,
aquela solução que respeitando o conjunto de Restrições impostas, resulte no maior
valor (problema de maximização) ou menor valor (problema de minimização) para a
Função Objetivo definida (CARVALHO JÚNIOR, 2006).
Um problema tratado pela técnica Programação Linear é conhecido como

Problema de Programação Linear ou simplesmente PPL e a solução do mesmo só
pode ser encontrada depois que o seu modelo matemático tiver sido construído. Na
prática, a busca pela solução ótima de um modelo de PL é feita pelos
solucionadores, softwares especialistas baseados em métodos matemáticos para
solução de PPL’s, dentre os quais se destaca o Simplex (BORNSTEIN; BREGALDA;
OLIVEIRA, 1988).
Atualmente, a gama de aplicação da Pesquisa Operacional, em particular da

PL, é ampla e vem apresentado resultados bastante expressivos na economia de
várias das empresas de países desenvolvidos. São economias da ordem de
milhares de dólares a cada ano de atividade (MARTINS, 2013).
Os ganhos obtidos em um processo produtivo qualquer devido a aplicação da

Programação Linear podem chegar a até 15% (PRADO, 1999 apud CARVALHO,
2006).
Alguns dos exemplos da grande diversidade de aplicação bem como dos

extraordinários benefícios proporcionados pelo emprego das técnicas de PO, dentre
as quais a Programação Linear, são apontados na Tabela 1.
12
Tabela 1 – Exemplos da aplicação da PL e da PO como um todo e seus benefícios

ANO DA ECONOMIA
ORGANIZAÇÃO APLICAÇÃO PUBLICAÇÃO ANUAL (US$)
Canadian Pacific Programação de despacho de trens, com 2004 380 milhões
Railway aumento de 40% da produtividade e entre 1990 e
redução de 17% no consumo de 2002
combustível.
UPS e o MIT desenvolveram sistema para 2004 87 milhões
Rede Aérea da determinar rotas e alocar vôos, de modo a
UPS otimizar a entrega de encomendas
expressas.
Sistema de suporte à decisão baseado em 2002 Aumento de 11%
Jan de Wit Programação Linear para otimizar a para 61% das
Company quantidade e qualidade de flores, flores de
determinando o número de leitos e o ciclo qualidade
de produção em cada estufa. superior.
Taco Banco Agendar os funcionários em turnos de 1998 53 milhões em
forma a maximizar o nível de serviço economia em
reduzindo custos 1997
New Haven Health Projetar um programa de troca de seringas 1993 33% menos
Department eficiente para evitar a propagação de AIDS. HIV/AIDS
Otimizar mistura de ingredientes em 1989 30 milhões
Texaco Inc. gasolina de forma a satisfazer vendas e
qualidade.
Fingerhut/IBM Otimização de sequências de catálogos para 2001 3,5 milhões
7 milhões de clientes, utilizando anuais de
Programação Linear, para alocar aumento nos
correspondências, evitando redundância ou lucros
improdutividade.
Fonte: Adaptado de Interfaces/INFORMS apud Calôba; Lins (2006)
A grande aplicabilidade e simplicidade da técnica de Programação Linear se

deve à linearidade de seu modelo utilizado para a reprodução dos problemas a que
se dedicam (BORNSTEIN; BREGALDA; OLIVEIRA, 1988).
De início, o único método disponível para a resolução de um modelo de PL

era o manual. Método bastante limitado, utilizado apenas para resolução de
problemas de pequenas dimensões devido ao número excessivo cálculos
necessários para a resolução de problemas maiores. Esta limitação do método de
resolução manual acabou se tornando um grande obstáculo para a aplicação da PL
na prática que só pode ser superado com o desenvolvimento da informática pela
disponibilização no mercado de computadores e softwares especializados, capazes
de processar um grande número de cômputos em tempo bastante reduzido.
Grande parte desse trabalho foi dedicada à introdução da teoria da

Programação Linear. Foram elaborados ainda dois capítulos especiais: os capítulos
5 e 6. No capítulo 5, introduziu-se um dos softwares de aplicação da PL mais
13
conhecidos e utilizados na prática, o LINGO. Uma versão para estudantes desse

programa é disponibilizada gratuitamente na internet pela empresa fabricante, a
LINDO SYSTEMS. Já no capítulo 6, foram apresentados alguns dos estudos
encontrados na literatura sobre a aplicação da Programação Linear na mineração no
Brasil. Desta forma conseguiu-se aliar teoria e prática dinamizando o conteúdo
apresentado.
14
2. OBJETIVOS
2.1. OBJETIVO GERAL
Elaboração de um material introdutório de linguagem acessível a estudantes,

professores e demais profissionais da engenharia de minas quanto ao tema
Programação Linear.
2.2. OBJETIVOS ESPECÍFICOS
I. Revisar os fundamentos e conceitos básicos da Programação Linear

fazendo uso de exemplos ligados à mineração;
II. Introduzir um dos softwares de aplicação da Programação Linear mais
conhecidos e utilizados na prática, o Lingo;
III. Relatar alguns dos estudos de caso encontrados na literatura
envolvendo a aplicação da Programação Linear na área da mineração.
15
3. JUSTIFICATIVA
A literatura especializada no assunto registra inúmeros exemplos práticos de

ganhos extraordinários em termos econômicos e de eficiência proporcionados aos
diversos setores da economia pelo uso da Programação Linear.
O acervo de trabalhos envolvendo a aplicação da Programação Linear na

atividade mineira, em particular, na mineração braseileira, é bastante limitado. Estes
trabalhos podem ser estimulados pela publicação de textos especializados que
consigam reunir tanto a base conceitual da ferramenta como também exemplos de
aplicação no segmento mineral, através de uma linguagem acessível ao público
alvo, no caso, estudantes, professores e demais profissionais da engenharia de
minas, iniciantes no assunto.
16
4. BASE CONCEITUAL DA PROGRAMAÇÃO LINEAR
4.1. MODELAMENTO DE UM PROBLEMA DE PROGRAMAÇÃO LINEAR
O primeiro passo na aplicação da PL é a representação matemática do

problema estudado, o que pode ser conseguido através da construção do modelo
matemático do problema, expresso sob a forma de equações e inequações
matemáticas. É através desse processo de modelamento que são dadas as
condições para o tratamento matemático do problema, tornando assim possível a
sua resolução (CARVALHO JÚNIOR, 2006).
Uma maneira bastante útil e relativamente barata de se estudar indiretamente

um processo é justamente pela elaboração e tratamento de seu modelo
correspondente. Este modelo pode ser compreendido como um esquema ou
estrutura construída para a reprodução e interpretação da realidade estudada
(CARNIATO, 2005).
Conforme apontado por Carvalho Júnior (2006), de uma maneira geral, os

modelos não constituem cópias fieis da realidade, sendo, na maioria dos casos,
apenas simplificações desta. Isso se deve a alguns motivos, dentre os quais se
destacam:
 Dificuldade na reprodução exata de alguns dos processos estudados,

principalmente pelo alto grau de complexidade envolvido;
 O tempo demandado para resolução do modelo pode inviabilizar o
estudo caso não sejam feitas simplificações;
 Muitas informações ou considerações extraídas da realidade são
desnecessárias e apenas sobrecarregam o modelo construído, devendo o
mesmo contemplar apenas o que for indispensável para o estudo proposto.
A modelagem de um problema não é uma atividade banal e depende

fortemente de fatores subjetivos tais como intuição, experiência, criatividade e
capacidade de síntese (CARNIATO, 2005).
Para um maior esclarecimento em relação à definição e utilidade de um

modelo, será feito uso de uma situação hipotética conforme apresentado na
sequência.
17
SITUAÇÃO HIPOTÉTICA - Em uma mina subterrânea, um trabalhador encontra-se

ferido e impossibilitado de se locomover, porém consciente. O trabalhador está em
uma galeria de desenvolvimento e não tem ninguém nas proximidades que possa
lhe ajudar. A galeria onde o mesmo se encontra está sinalizada com o código de
identificação do local. O trabalhador ferido está com o rádio de comunicação da
empresa e contata a equipe de socorro que se encontra na unidade de pronto
atendimento nas instalações térreas do complexo mineiro. Com a informação do
código de identificação do local onde o trabalhador se encontrava e com o uso de
um mapa com as rotas e a disposição dos locais devidamente identificados é
possível efetuar o resgate em tempo hábil.
Para o caso de uma mina com inúmeros caminhos alternativos e com uma
infinidade de possíveis localidades, a dificuldade de se encontrar esse trabalhador
sem um guia de orientação resultaria numa perda de tempo muito grande, o que
poderia ter sido fatal.
O mapa da situação anteriormente apresentada é um tipo de modelo de uma

realidade, no caso, dos diferentes caminhos ou acessos às várias localidades da
infraestrutura de uma mina subterrânea. Dessa forma pode-se dizer o modelo de
uma realidade ou processo é construído de forma a tirar dele respostas ou
informações úteis e aplicáveis a algum problema, como por exemplo, no resgate de
um trabalhador ferido.
Como dito anteriormente, o modelo deverá conter apenas as informações

importantes ao estudo. No exemplo anterior, a dimensão das aberturas de cada
acesso deverá ser representada no mapa, é fundamental que a rota traçada forneça
acessibilidade adequada ao veículo de resgate. Em contrapartida, as condições de
iluminação das vias poderão ser desconsideradas uma vez que o veículo dispõe de
iluminação própria. Mas, e se a luz do veículo falhar? Às vezes, até mesmo algumas
informações importantes deverão ser desconsideradas, caso contrário, o modelo
tornaria muito complexo ou sobrecarregado e nenhuma resposta poderia ser
extraída em tempo hábil. Logicamente, deve-se respeitar a reprodutibilidade exigida
no estudo a que o modelo se presta.
O grau da reprodutibilidade do modelo para com a realidade representada é

um parâmetro que depende fortemente da avaliação da equipe envolvida, e exige de
18
muito conhecimento e experiência em relação aos processos abrangidos no estudo.

Além disso, em vários casos, muitos dos processos envolvidos devem ser
simplificados quando da construção do modelo. Neste ponto a criatividade
apresenta-se como característica fundamental para a pessoa ou pessoas dedicadas
ao estudo (CARVALHO JÚNIOR, 2006).
Nessa mesma linha de raciocínio têm-se os modelos de Programação

Matemática. Nestes modelos, a reprodução do processo ou realidade estudada é
feita a partir da construção de um conjunto de expressões matemáticas. O modelo
de PL é um tipo específico de modelo de Programação Matemática utilizado na
construção dos denominados Problemas de Programação Linear.
O modelamento de um Problema de Programação Linear (PPL) envolve o

levantamento das variáveis envolvidas no estudo bem como o estabelecimento de
seus inter-relacionamentos. Estes inter-relacionamentos são definidos através da
imposição das condições de contorno do problema, expressas sob a forma de
Restrições. Outro ponto importante do modelamento de um PPL é a definição de um
objetivo a ser alcançado pelo estudo. Na prática, um modelo de PL é constituído por
um conjunto de equações e inequações lineares (MARTINS, 2013).
De acordo com Calôba e Lins (2006), todo PPL é constituído pelos seguintes
elementos:
 Variáveis de Decisão;
 Parâmetros de Entrada;
 Função Objetivo;
 Restrições.
As Variáveis de Decisão correspondem às variáveis relevantes ao problema.

São os elementos passíveis de quantificação, ou seja, os componentes cujos
valores não são conhecidos inicialmente, mas que serão definidos pela resolução do
PPL. É importante destacar ainda que a dimensão de um PPL corresponde
justamente ao número de Variáveis de Decisão do problema. Assim, um problema
com duas Variáveis de Decisão é dito bidimensional, de três é Tridimensional e
genericamente n-dimensional para n Variáveis de Decisão (BORNSTEIN;
BREGALDA; OLIVEIRA, 1988).
19
Num problema de transporte de minério por exemplo, o número de viagem a

ser alocado para cada frota disponível é considerado como uma Variável de Decisão
pois seu valor só será conhecido após a resolução do problema, ou melhor, do
modelo de PL que o representa.
Os Parâmetros de Entrada correspondem aos elementos do problema cujos

valores são inicialmente conhecidos. Basicamente são dois os tipos de parâmetros
encontrados em um modelo de PL: os coeficientes e Termos Independentes
(MONTEVECHI, 2000 apud CARVALHO JÚNIOR, 2006).
O primeiro tipo de parâmetro, os Coeficientes, são valores que sempre

acompanham as Variáveis de Decisão. Um coeficiente é colocado de forma a
multiplicar uma variável do modelo, indicando assim seu nível de atuação ou peso
numa determinada atividade. Por exemplo: retomando o problema de transporte de
minério, considere as variáveis (x1) e (x2) onde (x1) corresponde à quantidade de
viagens realizadas pelo caminhão A e (x2) à quantidade de viagens realizadas pelo
caminhão B. Considere ainda que a cada viagem realizada, estes caminhões
transportem respectivamente 80 e 120 toneladas de minério. A quantidade total
transportada pelos caminhões é dada pela expressão (80x1 + 120x2). Os coeficientes
das variáveis (x1) e (x2) para a atividade de transporte considerada correspondem
aos parâmetros 80 e 120 toneladas/viagem, ou seja, as capacidades de transporte
de cada uma das duas frotas disponíveis.
O outro tipo de parâmetro corresponde aos valores que independem das

variáveis do modelo, são os Termos Independentes. São valores limite ou metas que
devem ser obedecidas pelas atividades do modelo. Por exemplo, considere que a
quantidade transportada pelos caminhões A e B não podem superar a quantidade
total de material desmontado, de 2000 toneladas. Esse limite de tonelagem a ser
transportada é um valor fixo imposto e independe dos valores assumidos pelas
Variáveis de Decisão (x1) e (x2), sendo portanto considerado como um Termo
Independente do problema.
Os parâmetros em conjunto com as Variáveis de Decisão são combinados

para a construção das Restrições e da Função Objetivo do modelo. Estes
componentes são descritos na sequência.
20
As Restrições são formadas por um conjunto de equações e/ou inequações

lineares, e definem as condições de contorno do problema em estudo. Assim, a
resposta obtida pela resolução do modelo só terá validade se a mesma atender ao
conjunto de Restrições impostas (CARNIATO, 2005).
Do exemplo anteriormente introduzido, como a quantidade total transportada

pelos caminhões A e B dada por (80x1 + 120x2) não pode ultrapassar a quantidade
total de material desmontado, de 2000 toneladas, segue que a Restrição para a
atividade de transporte, expressa pela inequação (80x1 + 120x2 ≤ 2000), deve ser
obrigatoriamente obedecida.
A Função Objetivo é a expressão matemática construída para representar o

objetivo do problema estudado. Como técnica de otimização que é, a Programação
Linear busca pela melhor solução matemática possível do modelo matemático
elaborado, maximizando ou minimizando o valor da Função Objetivo definida
(MARTINS, 2013).
Considere como objetivo do estudo de PL a minimização do custo de

transporte do material desmontado conforme descrito anteriormente. Supondo os
custos 0,2 R$/viagem para o caminhão A e 0,3 R$/viagem para o caminhão B, a
Função Objetivo pode ser escrita na forma (Custo = 0,2x1 + 0,3x2), onde (x1)
corresponde à quantidade de viagens realizadas pelo caminhão A e (x2) à
quantidade de viagens realizadas pelo caminhão B.
Em suma, pode-se dizer que um modelo de PL é construído basicamente pela

combinação linear de elementos na forma de Restrições e por uma Função Objetivo.
Esses elementos constitutivos são divididos em dois grandes grupos: o grupo dos
Parâmetros de Entrada, cujos valores são conhecidos previamente, e o grupo das
Variáveis de Decisão, cujos valores serão determinados pela resolução do modelo.
O objetivo fundamental da Programação Linear é encontrar a melhor solução

matemática para os modelos de PL, ou seja, a combinação de valores para as
Variáveis de Decisão que satisfaçam a todas as Restrições do modelo e que ao
mesmo tempo otimize (maximize ou minimize) o valor da Função Objetivo
estabelecida (CARVALHO JÚNIOR, 2006).
21
Aproveitando esta linha de raciocínio, são apresentados na sequência alguns

dos conceitos mais importantes para o estudo e aplicação da PL:
 Solução Viável: representa a combinação de valores para as Variáveis

de Decisão do PPL que atendam a todas as Restrições impostas pelo
modelo;
 Solução Inviável: representa a combinação de valores para as
Variáveis de Decisão do PPL que não atendam a todas as Restrições
impostas pelo modelo;
 Espaço de Soluções Viáveis: corresponde ao conjunto de todas as
Soluções Viáveis possíveis para o PPL;
 Espaço de Soluções Inviáveis: corresponde ao conjunto de todas as
Soluções Inviáveis possíveis para o PPL;
 Solução Ótima: consiste em uma solução pertencente ao Espaço de
Soluções Viáveis que otimize a Função Objetivo definida, ou seja, que
consiga maximiza-la (problema de maximização) ou minimiza-la (problema de
minimização). Representa, em termos numéricos, a melhor solução possível
para o problema proposto.
A estrutura básica de um modelo de PL pode ser representada como se

segue:
∑ ( )
( )
∑ ( )
{
Onde:
 xj Variável de Decisão cujo valor será determinado pela solução do

modelo de PL.
 ij Coeficiente das Variáveis de Decisão nas Restrições do modelo.
Parâmetro de Entrada que representa o peso ou contribuição unitária
22
correspondente a cada Variável de Decisão numa dada Restrição do

problema;
 bj Termo Independente, ocupa o lado direito das
equações/inequações de Restrição. Parâmetro de Entrada que representa um
valor limite ou meta a ser atendida pela atividade correspondente à Restrição
i;
 cj Coeficiente das Variáveis de Decisão na Função Objetivo.
Parâmetro de Entrada que representa o peso ou contribuição unitária de cada
Variável de Decisão na Função Objetivo;
 i Índice que representa uma dada Restrição do modelo. Identifica
a Restrição da qual um dado parâmetro faz parte;
 j Índice que representa uma dada Variável de Decisão do modelo.
Quando relacionada a um parâmetro, serve para indicar a qual variável o
mesmo se relaciona;
 m Número de Restrições do problema;
 n Número de Variáveis de Decisão do problema.
As Restrições para o problema são formadas através da definição dos dois

primeiros conjuntos de equações/inequações conforme esquematizado acima.
Observe no primeiro conjunto, a possibilidade de sinal de igualdade (=) ou
desigualdade (≥ ou ≤) entre os membros do conjunto. O segundo conjunto de
inequações é conhecido como Restrições de Não Negatividade, representam
Restrições adicionais às variáveis do modelo de PL e servem para delimitar os
valores que elas podem assumir, como padrão, valores positivos. Observe que no
esquema exposto a Função Objetivo Q(x) é de maximização.
Existem, entretanto, exceções à formulação geral de um PPL apresentada

acima tais como os problemas sem Função Objetivo. Nestes casos deseja-se
apenas encontrar um conjunto de decisões que sejam viáveis, não necessariamente
ótimas (CARNIATO, 2005).
A literatura traz inúmeros exemplos de problemas já consagrados na área da

PL e que podem ser adaptados para aplicação em diversos problemas encontrados
na prática. Um desses exemplos é conhecido como Problema da Mistura
23
(Blendagem), do qual será feito uso para exposição de um problema corriqueiro no

segmento da mineração.
EXEMPLO PROPOSTO 1 – No pátio de blendagem de uma mineração, encontram-

se disponíveis 5 pilhas de minério cada qual com uma especificação conforme
apresentado na Tabela 2.
Tabela 2 - Especificações das pilhas de minério

Pilha Disponibilidade (t) Teor Fe (%) Teor Al2O3 (%) Custo (U$$/t)
1 1300 43% 0,5% 8
2 850 56% 1% 12
3 1200 41% 0,3% 6
4 2000 39% 0,1% 5
5 1600 58% 0,7% 13
Fonte: autoria própria
A demanda da usina de beneficiamento é por 3.500 t de um material com no

mínimo 45% de ferro (Fe) e no máximo 0,6% de alumina (Al2O3). Deseja-se
determinar a combinação de minérios (blendagem) considerando as 5 pilhas
disponíveis de forma a atender a necessidade da usina e ao mesmo tempo resultar
no menor custo possível.
Modelamento:
O primeiro passo é a identificação dos elementos que compõem o PPL.

Procure sempre estar separando os elementos em seus grupos correspondentes, tal
como se segue:
Grupo 1 Parâmetros de Entrada do PPL:
 Conjunto de Pilhas de Minério = {Pilha1,Pilha2,Pilha3,Pilha4,Pilha5};

 Disponibilidade de cada Pilha (t) = {1300,850,1200,2000,1600}. Será
representado pelo coeficiente bi;
 Teor de Fe de cada pilha (%) = {43,56,41,39,58}. Será representado
pelo coeficiente a6j (aij onde o índice i = 6 corresponde à Restrição Limite
Mínimo de Fe);
 Teor de Al2O3 de cada pilha (%) = {0.5,1,0.3,0.1,0.7}. Será
representado pelo coeficiente a7j (aij onde o índice i = 7 corresponde à
Restrição Limite Máximo de Al2O3);
24
 Teor Mínimo de Fe no produto da blendagem (%) = 45. Será

representado pelo Termo Independente b6 (bi onde o índice i = 6 corresponde
à Restrição Limite Mínimo de Fe);
 Teor Máximo de Al2O3 no produto da blendagem (%) = 0.6. Será
à Restrição Limite Máximo de Al2O3);
 Custo unitário de cada pilha (US$/t) = {8,12,6,5,13}. Será representado
pelo coeficiente ci;
 Demanda da usina pelo produto da blendagem (t) = 3500. Será
à Restrição Demanda da Usina).
Na Tabela 3 são apresentados os valores dos Parâmetros de Entrada do

Modelo que não foram passados no enunciado do problema:
Tabela 3 - Parâmetros de Entrada do Modelo (Exemplo Proposto 1)

Pilha Disponibilidade (bi) Teor Fe (aij) Teor Al2O3 (aij) Custo (cj)
1 b1 = 1300 a61 = 43% a71 = 0,5% c1 = 8
2 b2 = 850 a62 = 56% a72 = 1% c2 = 12
3 b3 = 1200 a63 = 41% a73 = 0,3% c3 = 6
4 b4 = 2000 a64 = 39% a74 = 0,1% c4 = 5
5 b5 = 1600 a65 = 58% a75 = 0,7% c5 = 13
Perceba que a simbologia utilizada neste exemplo segue a simbologia

utilizada na estrutura básica de um PPL. O coeficiente ( ) representa os pesos ou
contribuições unitárias das Variáveis de Decisão nas Restrições do modelo. O
coeficiente (c) representa os pesos das Variáveis de Decisão para a Função
Objetivo. O parâmetro (b) representa os Termos Independentes das Restrições e
geralmente assumem a forma de um valor limite ou meta para uma dada atividade
do PPL. O índice i guarda relação de correspondência com uma Restrição especifica
enquanto o índice j está vinculado a uma dada variável do modelo considerado.
Grupo 2 Variáveis de Decisão:
 Quantidade de cada pilha que será utilizada na blendagem (t) = {x 1, x2,

x3, x4, x5}. Denotado por (xj) onde (j =1,2,...,5).
25
A próxima etapa consiste na construção das Restrições e da Função Objetivo

do modelo conforme apresentado na sequência.
Conjunto de Restrições:
Restrições de Disponibilidade de cada Pilha:
A Tabela 4 na sequência apresenta a correlação entre a quantidade de cada

pilha a ser utilizada na blendagem com a disponibilidade de minério para cada uma
dessas pilhas.
Tabela 4 - – Correlação entre as Variáveis de Decisão e a disponibilidade de minério em cada

pilha
Pilha Quantidade a ser utilizada na Blendagem (xj) Disponibilidade (bi)
1 x1 = ? b1 = 1300
2 x2= ? b2 = 850
3 x3 = ? b3 = 1200
4 x4 = ? b4 = 2000
5 x5 = ? b5 = 1600
A disponibilidade, em toneladas, para a pilha 1 é (b1 = 1300).

Como a quantidade de minério utilizada desta pilha, denotado por (x1), não poderá
superar o limite de disponibilidade correspondente (b1), segue que ( ).
O mesmo raciocínio vale para as demais pilhas, logo:
( )
( )
( )
( )
( )
Este conjunto de Restrições (Equações 1, 2, 3, 4 e 5) pode ser resumido com

a seguinte representação:
( )
Restrição Teor Mínimo de Fe (i = 6):

26
A partir dos dados apresentados na Tabela 5 pode ser obtida, por média
ponderada, a expressão para o teor de Fe no produto final da blendagem (Eq. 7).
Tabela 5 - Correlação entre a quantidade utilizada e o teor de ferro do minério de cada pilha
Pilha Quantidade a ser utilizada na Blendagem (xj) Teor Fe (aij)
1 x1 = ? a61 = 43%
2 x2= ? a62 = 56%
3 x3 = ? a63 = 41%
4 x4 = ? a64 = 39%
5 x5 = ? a65 = 58%
( )
∑
( )
∑
Por outro lado, o teor de Fe no produto da blendagem (Eq. 7) deve ser no

mínimo 45%, ou seja, ( ), assim:
∑
( )
∑
A Restrição Limite Mínimo de Fe é obtida a partir da linearização da

inequação anteriormente estabelecida (Eq. 8), assim:
∑
∑ ∑ ∑ ∑
∑
∑ ∑ ∑ ∑
Logo, a restrição final para o limite mínimo de Fe no produto da blendagem

fica:
∑ ∑ ( )
Restrição Teor Máximo de Al2O3 (i = 7):

27
De modo semelhante à Restrição para o teor de Fe, pode ser determinada

também a Restrição para o teor de Al2O3 na mistura final de minérios:
∑ ∑ ( )
Restrição Demanda da Usina (i = 8):
Conforme apresentado no enunciado do exemplo, a quantidade total de

material produto da blendagem de minérios é de 3500 t, denotado por b8. A
Restrição intitulada “Demanda da Usina” é obtida pelo somatório das quantidades de
material de cada pilha utilizadas na mistura final de minérios, assim:
∑ ( )
Restrições de Não Negatividade:
As Variáveis de Decisão do problema correspondem às quantidades de

minério de cada pilha a ser utilizada na blendagem (xj). Estas variáveis não podem
assumir valores negativos já que não existem quantidades negativas de minério. Por
isso devem ser estabelecidas Restrições de Não Negatividade de modo a restringir o
intervalo de valores admissíveis para as variáveis do problema, assim:
( )
( )
( )
( )
( )
Este conjunto de Restrições (Equações 12, 13, 14, 15, e 16) pode ser
resumido com a seguinte representação:
( )
Função Objetivo:
28
A Função Objetivo corresponde à expressão linear que deverá ser otimizada

(maximizada ou minimizada) através da resolução do modelo. Para o exemplo
considerado, esta Função Objetivo corresponde ao custo total da blendagem, o qual
deverá ser minimizado.
A partir dos coeficientes Custos Unitários (cj) correspondentes a cada uma

das pilhas utilizadas, pode ser determinada a expressão linear para o custo total da
blendagem. Para isso considere a correspondência entre cada custo (cj) para com
as suas respectivas Variáveis de Decisão (xj) tal como esquematizado na Tabela 6.
Tabela 6 - Correspondência entre as Variáveis de Decisão e o custo cj

Pilha Quantidade a ser utilizada na Blendagem (xj) Custo (cj)
1 x1 = ? c1 = 8
2 x2= ? c2 = 12
3 x3 = ? c3 = 6
4 x4 = ? c4 = 5
5 x5 = ? c5 = 13
O custo total da blendagem fica:
Resultando na seguinte Função Objetivo:
∑ ( )
O modelo de PL completo para o exemplo proposto é dado na sequência:
∑ ∑
∑ ∑
29
O Problema da Mistura utilizada para construção do modelo de PL do

Exemplo Proposto 1 representa um dentre uma série de problemas de referência
encontrados na literatura cujos modelos podem ser adaptados às mais diversas
aplicações práticas. Alguns dos mais conhecidos problemas de PL de referência na
literatura são:
 Problema da Mistura;
 Mix de Produtos;
 Problema de Alocação de Recursos;
 PPL Máx(Min);
 PPL Min(Máx);
 Problema do Corte;
 Problema de Regressão Linear por Programação Linear;
 Problema ON THE JOB TRAINING;
 PPL da Manufatura com Opção de Compra;
 PPL de Orçamento de Capital;
 PPL da Criação de Animais;
 Problema do Corte de Caixas
 Problema de Transporte;
 Problema da Designação;
 Problema do Caminho Mais Curto;
 Problema da Árvore de Expansão Mínima;
 Problema do Fluxo Máximo;
 Problema do Fluxo de Custo Mínimo
Conceito Chave:
Não existe um método padrão para a construção do modelo matemático e

apesar da possibilidade de adaptação de muitos dos modelos de referência
encontrados na literatura, cada problema apresenta suas particularidades, sendo de
30
extrema importância o envolvimento, no estudo, de uma equipe de programação

criativa, experiente e detentora de um grande poder de síntese e análise (HILLIER;
LIEBERMAN, 2006).
4.2. HIPÓTESES PARA APLICAÇÃO DA PROGRAMAÇÃO LINEAR
De acordo com Goldbarg apud Carvalho Júnior (2006), existem algumas

condições ou hipóteses que devem ser admitidas para que um problema possa ser
tratado por meio de um modelo de PL, a saber:
 Hipótese da Proporcionalidade;
 Hipótese da Aditividade;
 Hipótese da Divisibilidade;
 Hipótese da Certeza.
4.2.1. Hipótese da Proporcionalidade
A Hipótese da Proporcionalidade implica em que o nível da contribuição de

cada Variável de Decisão de um modelo de PL é sempre proporcional ao seu valor
(PEREIRA DOS SANTOS, 2000).
Na prática, a Hipótese da Proporcionalidade descarta qualquer expoente que

não seja 1 das variáveis do PPL, ou seja, não se admite uso de variáveis na forma
(xin) com (n ≠ 1) na construção do modelo. Assim, o valor da Função Objetivo e das
expressões matemáticas à esquerda das Restrições Funcionais de um modelo de
PL devem guardar uma relação de proporção para com os valores assumidos por
cada uma das Variáveis de Decisão que as compõem, acompanhando de forma
linear o crescimento ou decrescimento destas variáveis. Nesta linha de raciocínio,
segue que os coeficientes do PPL indicam o peso de cada Variável de Decisão em
cada uma das Restrições e na Função Objetivo do problema (HILLIER;
LIEBERMAN, 2006).
Para fins de ilustração, considere o caso de dois produtos a serem fabricados,

sejam eles A e B. Suponha que o lucro unitário da fabricação de cada produto é de 2
(R$/produto) para o produto A e 3 (R$/produto) para o produto B. Considerando (x1)
31
como a quantidade de produto A fabricada e (x2) a quantidade de produto B, pode-se

definir a função corresponde ao lucro total (LT) tal como se segue:
( )
O valor assumido pela função Lucro Total, LT, (Eq. 29) depende do valor
assumido pelas Variáveis de Decisão do problema, no caso (x1) e (x2). Note que o
peso dessas variáveis sobre o valor final da função LT depende de seus
coeficientes, que para o exemplo considerado corresponde ao lucro unitário de cada
produto fabricado, de 2 para a variável (x1) e 3 para a variável (x3). Essa
proporcionalidade ou correspondência linear entre o valor assumido pelas Variáveis
de Decisão do modelo e suas respectivas funções, de Restrição ou objetivo, podem
ser visualizadas graficamente.
Para que seja verificada a relação de proporcionalidade entre uma Variável

de Decisão e sua função ou Restrição correspondente, conforme apresenta Hillier e
Lieberman (2006), deve-se fixar o valor das demais variáveis envolvidas tornando-as
constantes, geralmente anulando-as. Para fins de demonstração, na fabricação dos
produtos A e B, a relação linear entre as Variáveis de Decisão do problema para
com a função LT (Eq. 19) pode ser visualizada na Figura 1.
Figura 1 – Relação linear entre as Variáveis de Decisão (x1 e x2) e a função LT
Lucro Total (LT = 2x1 + 3x2)

15
Lucro Total (R$)
10
5 X2 = 0
X1 = 0
0
0 1 2 3 4 5
Número de Produtos (x1 + x2)
Destacado em vermelho, observa-se o comportamento linear assumido pelo

valor da função LT em relação ao aumento do número de produtos A fabricados. Em
verde, de forma análoga, pode-se ver a relação linear estabelecida entre o número
de produtos B fabricados e o lucro total LT. Observe ainda que a quantidade de
32
produtos B fabricados, denotado por (x2), tem maior contribuição sobre o valor da
função LT se comparado com a quantidade de produtos A (x1). Isto acontece porque
o peso ou coeficiente de (x2) na função LT mostra ser maior do que o coeficiente de
(x1) nesta mesma função (Eq. 19).
Uma grande limitação resultante da Hipótese de Proporcionalidade é que os

modelos de PPL’s não admitem uma série de considerações que podem
eventualmente existir na prática, tal como a consideração de economias de escala.
(CALÔBA; LINS, 2006).
Considere, por exemplo, o lucro total obtido da fabricação dos produtos A e B

do exemplo anterior. Independente da quantidade de produtos fabricada, as
contribuições destes valores no lucro total obtido seriam sempre, respectivamente, 2
e 3 reais. O que nem sempre é verdade, pois, de acordo com Pereira dos Santos
(2000), um fator de economia de escala quase sempre existe.
Quando a Hipótese de Proporcionalidade não se provar suficiente, nem

mesmo para uma aproximação razoável, na maioria dos casos, deve-se optar por
usar outro método, por exemplo, Programação Não Linear. Por outro lado, casos
como estes podem, mas nem sempre, serem contornados com uma reformulação
apropriada do problema, ou mesmo pela utilização de extensões da programação
linear (HILLIER; LIEBERMAN, 2006).
4.2.2. Hipótese da Aditividade
De acordo com a Hipótese da Aditividade, as atividades de um modelo de PL

devem ser consideradas entidades totalmente interdependentes umas das outras.
Dessa forma, toda função ou Restrição de um PPL deve ser formada pela soma das
contribuições individuais das Variáveis de Decisão envolvidas, ou seja, pela soma
dos produtos entre os valores assumidos por cada variável com seus respectivos
coeficientes (ARAÚJO, 2013).
Para a função Lucro Total (LT) exemplificada anteriormente (Eq. 19), a

contribuição do produto A é de (2x1) e do produto B, de (3x2), dessa forma, a função
LT final é obtida pela soma (2x1 + 3x2).
33
Na prática, a Hipótese da Aditividade não admite que na construção de um

modelo de PL sejam utilizados termos formados pelo produto de duas ou mais
variáveis, tal como (x1 x2), pois estes termos comprometem a linearidade a qual se
baseia um PPL (HILLIER; LIEBERMAN, 2006).
A função (Z = 3x1 + 4x2 +x1x2), apesar de contrariar a Hipótese da Aditividade,

não contraria a Hipótese da Proporcionalidade. A relação linear de cada variável (x 1
e x2) para com o valor da função Z pode ser verificada no gráfico da Figura 2.
Figura 2 – Relação linear entre a função (Z = 3x1 + 4x2 +x1x2) e as variáveis x1 e x2
O uso de produtos de variáveis pode ser bastante útil no modelamento de um

problema, por exemplo, na representação de interações entre as Variáveis de
Decisão de uma Função ou Restrição, no sentido de que o valor assumido por uma
variável influencia na contribuição da outra e vice-versa (HILLIER; LIEBERMAN,
2006).
Suponha, por exemplo, o caso de dois produtos que competem na mesma

linha de montagem. A fabricação de ambos os produtos exigiria trocas periódicas no
setup de produção, o que implicaria em tempos improdutivos e custos extras
associados de forma que a produção conjunta resulta em algo inferior à soma de
seus lucros isolados, quando cada produto é fabricado separadamente. Uma função
do tipo Z = (3x1 + 4x2 – 0.5x1x2) poderia representar esse lucro conjunto reduzido.
Considere (x1) como a Variável de Decisão relativa à quantidade fabricada do
produto A e (x2) a correspondente do produto B. Neste caso, o coeficiente 3 da
função Z apresentada anteriormente corresponderia ao valor do lucro de cada
produto A fabricado de forma isolada. De modo análogo é dado um lucro unitário 4
para o produto B. A parcela que reduz o valor do lucro acumulado de ambos
34
produtos, ou seja (0.5x1x2), pode ser utilizada para refletir situações de fabricação de
produtos que competem entre si.
Quando for imprescindível na modelagem de um problema a reprodução das

interações entre suas variáveis, a Programação Linear deixa de ser uma opção
viável no estudo. Nestes casos, a obediência à Hipótese de Aditividade modifica a
essência do problema que deve ser preservada. Logo a Programação Linear deve
ser substituída por algum outro tipo de técnica, como por exemplo, pela
Programação Não Linear (PEREIRA DOS SANTOS, 2000).
4.2.3. Hipótese da Divisibilidade
De acordo com a Hipótese de Divisibilidade, os valores assumidos pelas

Variáveis de Decisão são limitados unicamente pelas Restrições Funcionais e de
Não-Negatividade do modelo. Sendo admitidos inclusive valores fracionários para
estas variáveis (ARAÚJO, 2013).
Muitos dos problemas encontrados na prática exigem que algumas ou todas

as variáveis envolvidas, assumam valores inteiros. Por exemplo, o número de
viagens necessárias para realizar o carregamento de minérios desmontado de uma
frente. Se o problema envolve quantidades da ordem de milhares, a aproximação
para valores inteiros não implicará em erros importantes, mas se valores da ordem
de poucas unidades são considerados, erros significativos poderão acometer os
resultados do estudo. Em casos como estes, faz-se necessário a utilização da
denominada Programação Inteira, uma extensão da Programação Linear (HILLIER;
LIEBERMAN, 2006).
4.2.4. Hipótese da Certeza (Determinismo)
A Hipótese da Certeza, também conhecida como Determinismo, diz respeito

aos parâmetros dos modelos, a saber:
 Os coeficientes cj das Variáveis de Decisão na Função Objetivo;

 Os coeficientes ij das Variáveis de Decisão nas Restrições Funcionais
do modelo;
 Os Termos Independentes das Restrições (bi).
35
A Hipótese da Certeza estabelece que o valor de um dado parâmetro do

modelo deve ser obrigatoriamente uma constante conhecida (PEREIRA DOS
SANTOS, 2000).
A construção do modelo de um processo tem como objetivo fundamental a

busca por respostas que serão utilizadas em algum momento do futuro (por
exemplo, a definição do número de carregadeiras do tipo A que deverão ser
alocadas na Frente B). Em contrapartida, muitos dos parâmetros envolvidos não se
comportam de maneira constante no decorrer do tempo, são dinâmicos. O
acompanhamento desses valores no modelo é um trabalho ao qual deve ser
dedicada atenção especial pois pequenas variações nos valores de alguns desses
parâmetros podem comprometer a aplicação prática dos resultados obtidos no
estudo. Neste ponto Hillier e Lieberman (2006) ressaltam a importância do emprego
da Análise de Sensibilidade depois que uma solução ótima para um PPL tiver sido
encontrada.
A Análise de Sensibilidade representa nada menos do que um dos recursos

mais importantes da Programação Linear e é justamente através desta análise que
são avaliadas as implicações na resposta do modelo sofridas pela variação dos
valores de seus parâmetros correspondentes. Dessa forma, vários cenários
possíveis podem ser analisados, cada qual com uma solução ótima para o
problema, culminando em informações úteis na tomada de decisão a qual o estudo
de PL se dedica (HILLIER; LIEBERMAN, 2006).
Em muitos casos, a Análise de Sensibilidade pode ser utilizada para

compensar a violação da Hipótese da Certeza. Em contrapartida, de acordo com
Carvalho Júnior (2006), podem também ser encontrados casos, onde o grau de
incerteza dos valores de alguns dos parâmetros do modelo se mostra tão elevado
que os mesmos devem ser encarados como variáveis aleatórias, de valores
imprevisíveis, o que foge da alçada da Análise de Sensibilidade e da Programação
Linear de uma forma geral.
4.2.5. Conceito Chave
As quatro hipóteses para um modelo de PL dificilmente serão satisfeitas

completamente, mas, em grande parte dos casos, esse fato não compromete a
36
aplicação da Programação Linear na resolução do problema. É bastante comum que

na construção de um modelo sejam admitidas algumas simplificações e
aproximações para a realidade estudada. Em suma, “tudo o que realmente é
necessário é que haja uma correlação relativamente alta entre a previsão do modelo
e o que realmente aconteceria no problema real” (HILLIER; LIEBERMAN, 2006).
4.3. SOLUÇÃO GRÁFICA DE UM MODELO DE PL E O MÉTODO

SIMPLEX
De acordo com Pantuza Júnior (2011), o segundo grande passo na aplicação

da PL em um dado problema é a solução do modelo matemático construído. Nesta
seção será introduzido o Método Simplex, apontado por Bornstein, Bregalda e
Oliveira (1988) como o mais importante método de resolução de problemas lineares.
O Método Simplex foi originalmente proposto por George Dantzig em 1947.

Por outro lado, seu potencial só passou a ser realmente explorado com o
desenvolvimento da informática, que permitiu sua aplicação na solução de
problemas maiores, impossíveis de serem resolvidos manualmente (CARVALHO
JÚNIOR, 2006).
Para facilitar o entendimento da lógica por traz do Método Simplex será

primeiramente apresentado, através de um exemplo hipotético, o processo de
solução gráfica de um PPL conhecido como Método Gráfico.
EXEMPLO PROPOSTO 2 - Uma mineradora, para complementar a sua renda,

decide produzir dois produtos (A e B) num período do ano marcado pela baixa na
demanda e consequentemente produção de seu produto principal. Deseja-se definir
a produção de cada um desses produtos (A e B) visando à maximização do lucro
obtido por essa atividade complementar.
Considere as seguintes limitações:
 A parte do depósito que é lavrada para a produção dos produtos A e B

corresponde a um material contaminante no processamento do produto
principal, assim, este material deve ser processado em separado;
37
 O material proveniente do desmonte deve passar num circuito de

britagem que é composto por três britadores (A, B e C);
 Cada britador possui um tempo máximo disponível por dia. Esse tempo
corresponde à ociosidade resultante da baixa na produção do produto
principal da mineradora;
 Os minérios lavrados para a produção de cada um dos produtos são
provenientes de regiões distintas e apresentam características físicas
diferenciadas (dureza, umidade, etc), implicando em tempos de residência
distintos nos britadores;
 Cada produto tem uma aplicação e lucro diferenciados.
Os dados necessários para construção do modelo são apresentados na Tabela 7.
Tabela 7 – Parâmetros do problema

Tempo de Residência Tempo
(h/t produzida) disponível
Britador Produto A Produto B (h/dia)
A a11 = 1 a12 = 0 b1 = 2
B a21 = 0 a22 = 2 b2 = 6
C a31 = 3 a32 = 2 b3 = 8
Lucro c1 = 2 c2 = 1
(mil R$/t produzida)
Modelamento:
Como Variáveis de Decisão têm-se:
 x1 quantidade do produto A a ser fabricada (t/dia);

 x2 quantidade do produto B a ser fabricada (t/dia).
As Restrições quanto à disponibilidade de horas em cada britador são as

seguintes:
( )
( )
( )
38
Como não faz sentido produzir quantidades negativas de algum produto, as

Restrições de Não Negatividade devem ser utilizadas, assim:
( )
( )
O lucro total (LT) da produção dos produtos A e B pode ser expresso através
da seguinte função:
( )
A partir das Equações 20 à 25, adotando os dados da Tabela 7, o PPL

completo pode ser escrito como se segue:
Problemas compostos por apenas duas Variáveis de Decisão são mais

conhecidos como problemas bidimensionais. O problema do exemplo apresentado
anteriormente, Exemplo Proposto 1, é um problema bidimensional já que apresenta
apenas duas Variáveis de Decisão: (x1) e (x2).
Solução Gráfica:
A Solução Gráfica de um PPL parte da construção de um sistema de

coordenadas ortogonais onde cada eixo corresponde a uma das Variáveis de
Decisão do problema. Dessa forma é construída a Região das Soluções Possíveis
para o PPL (HILLIER; LIEBERMAN, 2006).
De Acordo com Moraes da Silva (2006), o próximo passo na resolução gráfica

de um PPL é a determinação de sua Região de Soluções Viáveis.
39
A Região de Soluções Viáveis para o problema do Exemplo Proposto 2

contempla todos os pares ordenados (x1, x2) que satisfazem ao conjunto de
Restrições do modelo construído.
As figuras 3, 4, 5 e 6 destacam em azul a Região de Soluções Viáveis

considerando cada uma das Restrições do modelo de forma isolada, exceto pelas
Restrições de Não Negatividade da Figura 3, consideradas de forma combinada.
Figura 3 – Região de Soluções Viáveis considerando as Restrições (x1 0) e (x2 0)

(Exemplo Proposto 2)
Figura 4 – Região de Soluções Viáveis considerando a Restrição (3x1 + 2x2 8)


40
Figura 5 – Região de Soluções Viáveis considerando a Restrição (x2 3)

Figura 6 – Região de Soluções Viáveis considerando a Restrição (x1 2)

Considerando todo o conjunto de Restrições do problema, a Região de

Soluções Viáveis para o PPL pode ser visualizada conforme destacado em azul na
Figura 7.
41
Figura 7 – Região de Soluções Viáveis do PPL (Exemplo Proposto 2)
Na busca pela solução que maximize a Função Objetivo (LT = 2x1 + x2), por
tentativa e erro, deve-se traçar, ao longo da Região de Soluções Admissíveis, retas
cujos valores sejam crescentes para LT. Estas retas são, de acordo com Carvalho
Júnior (2006), designados como Retas de Nível para a Função Objetivo. É a partir
do traçado destas retas que se determina a direção e sentido de maior crescimento
da Função Objetivo dentro da Região de Soluções Viáveis do PPL, tal como
mostrado na Figura 8.
Figura 8 – Direção e sentido do crescimento da Função Objetivo (Exemplo Proposto 2)

42
As setas em amarelo indicam a direção e sentido de crescimento ou gradiente

de crescimento da Função Objetivo. O ponto ótimo, ou seja, a solução que maximiza
a Função Objetivo do PPL é indicado pela Reta de Nível com o maior valor para a
Função Objetivo que consegue interceptar a Região de Soluções Viáveis do
problema (HILLIER; LIEBERMAN, 2006).
Para o exemplo proposto, o ponto ótimo é dado por (x1, x2) = ( , b).
Figura 9 – Limites de intercepção do Ponto ótimo ( , b)

O ponto ótimo ( , b) encontra-se na interseção de dois dos limites da Região

de Soluções Viáveis tal como indicado na Figura 9, a saber:
( )
( )
A partir das equações 26 e 27 poderá ser determinada a solução ótima (a, b)

indicada pelo Método Gráfico. Assim:
( )
( )
( ) ( )
43
A solução ótima para o PPL do Exemplo Proposto 2 é dada por (x1 = = 2) e

(x2 = b = 1), resultando em um Lucro máximo de (2∙2 + 1∙1 = 5), ou seja, 5 mil
R$/dia.
Para casos de minimização da Função Objetivo o procedimento é análogo ao

apresentado para a maximização, com a diferença de que durante o processo de
busca do ponto ótimo, o deslocamento da Função Objetivo deve seguir o sentido
oposto ao adotado na maximização, ou seja, no sentido de decrescimento da
Função Objetivo (CARVALHO JÚNIOR, 2006).
O Método Gráfico de Solução se limita a problemas com no máximo 3

Variáveis de Decisão, ou seja, tridimensionais. Dessa forma, apesar de intuitivo,
mostra-se incapaz de resolver problemas de dimensões maiores (BORNSTEIN;
4.4. FUNDAMENTAÇÃO TEÓRICA DO MÉTODO SIMPLEX
O Método Simplex corresponde a um algoritmo de busca, ou seja, ele não

encontra diretamente a solução ótima, mas determina soluções viáveis cada vez
melhores por meio de uma rotina, uma sequência de procedimentos a serem
executados de forma repetida, iterativamente. Dessa forma, o Método Simplex,
partindo de uma solução inicial, executa procedimentos, onde, a cada iteração,
determina soluções viáveis cada vez melhores. Depois de certo número de iterações
é encontrada a solução ótima para o problema (BORNSTEIN; BREGALDA;
OLIVEIRA, 1988).
Quando um PPL é muito extenso, ou seja, apresenta uma grande quantidade

de Variáveis de Decisão e de Restrições, o Simplex gasta muito tempo para
encontrar sua solução ótima. Por outro lado, existem muitos casos onde não é
necessário encontrar uma solução ótima para o problema sendo suficiente uma boa
solução, obtida em um tempo mais curto. Nestes casos o tomador de decisões pode
optar por definir um número máximo de iterações a serem executadas, de tal forma
que a última solução encontrada, embora não seja a ótima, possa ser utilizada
(CARNIATO, 2005).
44
Para melhor compreensão do procedimento desenvolvido pelo Método

Simplex deve-se ter em mente alguns conceitos fundamentais os quais serão
apresentados na sequência.
4.4.1. Convexidade da Região de Soluções Viáveis de um PPL
O conjunto de todas as Soluções Viáveis de um modelo de Programação

Linear, conhecido como Região de Soluções Viáveis do problema, é considerado
como um conjunto convexo (ARAÚJO, 2013).
Quando qualquer ponto de um segmento de reta definido por quaisquer dois

pontos extremos de um dado conjunto espacial faz parte deste conjunto o mesmo é
dito convexo. Em outros termos: “num conjunto convexo toda Combinação Linear
Convexa de qualquer par de pontos do conjunto é ponto do conjunto” (MORAES DA
SILVA, 2006).
Para melhor visualizar o significado de conjunto convexo observe a Figura 10.
Figura 10 – Representação da Convexidade de Conjuntos
Fonte: Moraes da Silva (2006)
Uma Combinação Convexa é dada pela média ponderada de dois ou mais

pontos. Se os pesos de ponderação dos pontos da combinação são não-negativos e
juntos somam 1 a Combinação Convexa é dita Estrita (HILLIER; LIEBERMAN,
2006).
Considere, por exemplo, um PPL bidimensional qualquer. Suponha (a1, b1, c1,
d1) e (a2, b2, c2, d2) como duas soluções (pontos) conhecidas para o problema. As
demais soluções (pontos) pertencentes ao segmento de reta formado pelos pontos
conhecidos, genericamente representadas por (x1, x2, x3, x4), podem ser
45
determinadas a partir de combinações convexas estritas entre as duas soluções

conhecidas:
( ) ( ) ( ) ( )
Onde:
 w1 peso da solução (a1, b1, c1, d1) na combinação convexa

 w2 peso da solução (a2, b2, c2, d2) na combinação convexa
Obrigatoriamente tem-se que:
( )
Em um conjunto convexo n-dimensional, a combinação convexa estrita de n

pontos extremos conhecidos deste conjunto pode ser utilizada para determinação
dos demais pontos do conjunto.
4.4.2. Limites de Restrição e Soluções FPE
Todo PPL apresenta uma Região de Soluções Viáveis limitada por um

conjunto de contornos ou barreiras denominados de Limites de Restrição. Para
problemas bidimensionais, esse conjunto é formado por retas. Em problemas
tridimensionais, ou seja, problemas com três Variáveis de Decisão, cada um desses
limites passa a ser uma superfície ou plano. Já para casos de maiores dimensões a
representação geométrica destes limites deixa de ser intuitiva (HILLIER;
LIEBERMAN, 2006).
Retomando o PPL do Exemplo Proposto 2, os Limites de Restrição da Região

de Soluções Viáveis do problema correspondente estão destacados em vermelho
conforme apresentado na Figura 7.
É a partir do conjunto de Restrições do modelo de PL que são definidos os

Limites de Restrição para a Região de Soluções Viáveis do problema. Cada Limite
de Restrição é definido por uma Equação Limite de Restrição que pode ser obtida
pela substituição do sinal ≤, = ou ≥ de uma dada Restrição correspondente pelo sinal
de igualdade (=) (HILLIER; LIEBERMAN, 2006).
46
Na interseção de dois Limites de Restrições para o caso bidimensional, de

três para o caso tridimensional e assim por diante, localizam-se os Vértices da
Região de Soluções Viáveis do PPL, também designados como Soluções em Pontos
Extremos. Em suma, para um PPL com n Variáveis de Decisão, cada Solução em
Ponto Extremo posiciona-se sobre a interseção de n Limites de Restrição (PEREIRA
DOS SANTOS, 2000).
Um ponto de um conjunto convexo, tal como é a Região de Soluções Viáveis

de um PPL, é Ponto Extremo do conjunto se não é possível defini-lo como
combinação linear convexa estrita (MORAES DA SILVA, 2006).
A Figura 11 representa os Vértices ou Soluções em Pontos Extremos para o

problema bidimensional do Exemplo Proposto 2.
Figura 11 – Soluções em pontos extremos do PPL (Exemplo Proposto 2)
Os pontos amarelos são os Vértices que fazem parte da Região de Soluções

Viáveis do PPL, são estes designados por Soluções Viáveis em Pontos Extremos ou
simplesmente Soluções FPE. Por outro lado, existem ainda os Vértices que não
fazem parte do conjunto de soluções viáveis do problema, estes recebem o nome de
Soluções Inviáveis em Pontos Extremos, tal como os vértices destacados em verde.
Desse modo, uma Solução em Ponto Extremo só pode ser considerada como
Solução FPE se satisfizer a todas as Restrições do PPL (HILLIER; LIEBERMAN,
2006).
47
Caso a Região de Soluções Viáveis de um PPL seja um conjunto não vazio,

certamente existirá ao menos um vértice ou uma Solução em Ponto Extremo que
faça parte desta região (BORNSTEIN; BREGALDA; OLIVEIRA, 1988).
4.4.3. Soluções FPE Adjacentes
Em um PPL bidimensional, duas Soluções FPE são ditas adjacentes se

ambas compartilham de um mesmo Limite de Restrição. Genericamente, para um
problema n-dimensional, duas Soluções FPE serão adjacentes se estas
compartilharem (n-1) Limites de Restrição em comum, num total de n Limites, ou
seja, apenas um Limite de Restrição se difere entre as Soluções FPE adjacentes tal
como pode ser observado na Figura 12. Observe que os limites de Restrição estão
destacados em vermelho (ARAÚJO, 2013).
Figura 12 – Soluções FPE para o PPL do problema (Exemplo Proposto 2)
A partir da Figura 12 podem ser identificadas as relações de correspondência

apresentadas na Tabela 8:
Tabela 8 – Relações de Correspondência entre as Soluções FPE

Solução FPE de Soluções FPE
Referência Adjacentes
A BeE
B AeC
C BeD
D EeC
E AeD
48
Pela Figura 12, verifica-se que as Soluções FPE designadas por A e B são
adjacentes pois compartilham de um Limite de Restrição em comum, no caso, a reta
definida por (x2 = 3).
Independente da dimensão do PPL, duas soluções FPE adjacentes são

unidas por um segmento de reta formado pela interseção dos Limites de Restrição
compartilhados, cada reta dessas é conhecida como um Lado da Região de
Soluções Viáveis (HILLIER; LIEBERMAN, 2006).
Como no caso bidimensional apenas um Limite de Restrição é compartilhado

pelas Soluções FPE Adjacentes, logo este mesmo limite corresponderá a um dos
Lados da Região de Soluções Viáveis do problema. Observe na Figura 13,
destacado em vermelho, a representação de um dos Lados da Região de Soluções
Viáveis para o caso de um problema tridimensional.
Figura 13 – Representação de um dos Lados da Região de Soluções Viáveis para um PPL

tridimensional
Os Limites de Restrição para um PPL tridimensional, como dito anteriormente,

são planos ou superfícies. As Soluções FPE adjacentes A e B da Figura 13
compartilham de dois Limites de Restrições em comum num total de três limites. Os
limites compartilhados estão representados pelas superfícies 1 e 2. A interseção
destes dois Limites de Restrição forma um segmento de reta ligando as Soluções
FPE adjacentes A e B. Este segmento de reta corresponde a um dos Lados da
Região de Soluções Viáveis para o PPL considerado. Observe ainda que neste
49
exemplo tridimensional, cada Solução FPE é interceptada por 3 Limites de

Restrição. Para a Solução A tem-se os planos interceptadores 1, 2 e 3 e para a
Solução B, os planos 1, 2 e 4. Note que apenas um Limite de Restrição diferencia
estas soluções adjacentes, no caso, o plano 3 para a Solução A e o plano 4 para a
Solução B.
4.4.4. Importância das Soluções FPE Adjacentes na Resolução de

um PPL via Simplex
Da resolução de um PPL, três situações podem ser verificadas (MORAES DA

SILVA, 2006):
 O PPL não apresenta solução;

 O PPL apresenta solução única;
 O PPL apresenta múltiplas soluções (infinitas).
Independente do número de soluções do problema, o processo de busca pela

solução ótima via Simplex se limita aos Vértices da Região de Soluções Viáveis, ou
seja, somente são avaliadas as Soluções FPE do problema. Esta limitação feita no
espaço de busca pode ser justificada por três propriedades fundamentais das
Soluções FPE (ALVES, COSTA, GUIMARÃES, MARTINS e SOUZA, s.d.):
 Propriedade 1: Caso haja uma única solução ótima para o PPL,

obrigatoriamente ela será uma solução FPE. Do contrário, se houver soluções
ótimas múltiplas para o problema, considerando limitada a Região de
Soluções Viáveis, pelo menos duas dessas soluções ótimas múltiplas serão
soluções FPE adjacentes;
 Propriedade 2: Existe apenas um número finito de soluções FPE dado
por (( ) ( ( ) ), onde n = número de Variáveis de Decisão; m =
numero de Restrições Funcionais;
 Propriedade 3: Se uma solução FPE não tiver nenhuma solução FPE
adjacente que melhore a solução do PPL, então não há solução FPE em
outro lugar que consiga melhorar a solução do problema. Uma solução
dessas é certamente uma solução ótima, obviamente, desde que o problema
possua pelo menos uma solução ótima.
50
O interesse pelas soluções FPE adjacentes se deve justamente a

Propriedade 3 definida anteriormente. É nesta propriedade que o Teste de
Otimalidade utilizado pelo Método Simplex se baseia para determinar o momento de
parada do processo de busca, ou seja, o momento em que uma solução ótima do
problema é encontrada.
4.4.5. Rota de Busca do Método Simplex
No problema bidimensional, cada Solução FPE é acompanhada por duas

Soluções FPE adjacentes, ao passo que em um PPL tridimensional as Soluções
Adjacentes para cada ponto são três, e assim sucessivamente. Genericamente, para
um PPL n-dimensional, tem-se que, partindo-se de uma Solução FPE, n caminhos
distintos (Lados) podem ser percorridos, cada qual comunicando a solução de
partida a uma de suas n Soluções FPE adjacentes (PEREIRA DOS SANTOS, 2000).
A Figura 14 representa os caminhos ou Lados de comunicação de uma

Solução FPE com as suas soluções vizinhas (adjacentes).
Figura 14 – Caminhos entre uma Solução FPE e suas Soluções Adjacentes

(Problema Bidimensional e Tridimensional)
Os Lados de uma Região de Soluções Viáveis formam dessa forma um

emaranhado de caminhos alternativos através dos quais o Método Simplex, partindo
de uma Solução FPE inicial, se desloca em busca de novas soluções adjacentes
que melhorem o resultado do PPL proposto. A cada iteração, uma nova Solução
FPE é selecionada como solução de referência a partir da qual o procedimento é
repetido até que seja encontrada a solução ótima, ou seja, até que seja encontrada
51
uma Solução FPE que não possua nenhuma Solução FPE adjacente que melhore o
resultado do PPL (MARTINS, 2013).
Em síntese, pode-se dizer que o Método Simplex a cada iteração,

percorrendo os Lados da Região de Soluções Viáveis do PPL, desloca-se da
solução FPE atual para uma solução FPE adjacente melhor, fazendo desta a nova
Solução FPE atual para a iteração seguinte.
De forma a evitar a adoção de procedimentos algébricos adicionais, sempre

que possível, a Solução FPE inicial adotada pelo Simplex é a origem, ou seja, o
ponto no qual todas as Variáveis de Decisão do PPL são iguais à zero. A adoção da
origem como FPE inicial normalmente é possível quando todas as Variáveis de
Decisão possuem Restrições de Não Negatividade (HILLIER; LIEBERMAN, 2006).
Como dito anteriormente, em um problema de dimensão n, para cada Solução

FPE considerada, existem n Soluções FPE adjacentes.
Na busca pela nova Solução FPE que melhore a solução do problema, o

Método Simplex usa como critério de decisão para definir qual dos caminhos (Lados)
percorrer, a identificação da maior Taxa de Crescimento (para Maximização) ou
Decrescimento (para Minimização) do valor da Função Objetivo provocado pelo
avanço em cada um destes Lados correspondentes (CARVALHO JÚNIOR, 2006).
Para melhor visualização deste procedimento de busca, considere o PPL do

Exemplo Proposto 2 conforme representado na Figura 15.
Figura 15 – Representação da Rota de Busca do Simplex


52
Como pode ser observado na Figura 15, a Função Objetivo é de

Maximização. Partindo da Solução FPE inicial E (a origem do sistema), existem dois
Lados (EA e ED) que levam a duas Soluções FPE adjacentes distintas, A e D,
respectivamente. Para definir qual dos caminhos deverá ser o escolhido, o Simplex
avalia a taxa de crescimento do valor da Função Objetivo proporcionada pelo
deslocamento em cada um dos Lados existentes. Esta taxa de crescimento pode ser
determinada a partir dos coeficientes das Variáveis de Decisão na Função Objetivo.
Quanto maior for o valor do coeficiente de uma variável, maior será o seu peso ou
contribuição sobre o valor assumido pela Função Objetivo (HILLIER; LIEBERMAN,
2006).
No exemplo considerado tem-se o coeficiente 2 para a variável (x1) e o

coeficiente 1 para a variável (x2). Se for escolhido o Lado EA, o valor de (x2) será
incrementado e o valor de (x1) permanecerá invariável. Do contrário, se o Lado ED
for o escolhido, quem aumentará será o valor de (x1) permanecendo inalterado o
valor de (x2). O caminho a ser escolhido, ou seja, aquele que proporciona uma maior
Taxa de Crescimento ao valor da Função Objetivo é o Lado que implica no
crescimento da Variável de Decisão de maior peso sobre o valor da Função
Objetivo, no caso (x1). Dessa forma, o caminho escolhido para o exemplo proposto é
o Lado ED, caminho este que conduzirá até a próxima Solução FPE do problema, a
solução D.
Na realidade, matematicamente falando, é impossível saber qual dos

caminhos (Lados) levará à melhor Solução FPE adjacente. O que de fato acontece é
que o Lado escolhido é aquele que aparenta, de acordo com algum critério, dar o
maior ganho para o valor da Função Objetivo. Sendo neste ponto importante
ressaltar que, independente da escolha feita dentre os Lados a percorrer, o Simplex
sempre conduzirá o PPL a uma solução ótima. O critério da Taxa de Maior
Crescimento é utilizado para tentar reduzir o número de iterações na busca por esta
solução ótima (PEREIRA DOS SANTOS, 2000).
É importante destacar que na maximização, um caminho só será escolhido

caso o incremento da variável correspondente resulte em aumento no valor da
Função Objetivo. Para isso, o sinal do coeficiente na Função Objetivo deverá ser
53
positivo, ou seja, a variável incrementada deverá ser diretamente proporcional à

Função Objetivo.
Do exemplo apresentado anteriormente, se a Função Objetivo fosse

reformulada para (Max Z = -2x1 + x2), o Lado ED não poderia ser escolhido, pois
caso o fosse, o incremento proporcionado ao valor da variável (x1) resultaria num
decréscimo no valor da Função Objetivo, conduzindo o PPL a uma Solução FPE pior
e não melhor, como era de se esperar. Tudo isso por causa do sinal negativo do
coeficiente de (x1) na Função Objetivo do problema.
O caminho percorrido em um problema de minimização pode ser definido de

forma análoga ao que foi apresentado anteriormente. É importante destacar,
entretanto, que na minimização, o caminho escolhido deverá ser aquele que
proporcionar a maior taxa de decrescimento, ou seja, o caminho que conduz ao
incremento no valor da Variável de Decisão com coeficiente negativo de maior valor
em módulo na Função Objetivo (HILLIER; LIEBERMAN, 2006).
4.4.6. Teste de Otimalidade do Simplex
Para os casos de Maximização da Função Objetivo, na verificação da Solução

FPE atual como ótima ou não, o Simplex avalia a existência de algum Lado que
promova uma Taxa de Crescimento sobre o valor da Função Objetivo. Em caso
negativo, seguramente que a Solução FPE atual corresponde a uma solução Ótima
do PPL. Para os casos de Minimização essa verificação é pela existência de Lados
com Taxa de Decrescimento sobre o valor Função Objetivo (HILLIER; LIEBERMAN,
2006).
4.4.7. Forma Padrão de Um PPL
A resolução via Simplex apresentada neste trabalho parte de uma Forma

Padrão convencionada para o modelo de PL, forma esta caracterizada pelos
seguintes requerimentos:
 A Função Objetivo deve ser de maximização;

 Restrições Funcionais devem ser formadas apenas por inequações
com sinal de desigualdade menor ou igual (≤);
54
 Todas as Variáveis de Decisão deverão respeitar às Restrições de Não

Negatividade;
 Os Termos Independentes das Restrições (bj) não podem ser
negativos.
Para resolução de um PPL que não esteja nessa Forma Padrão, existe uma
série de procedimentos que devem ser adotados. Estes procedimentos serão
discutidos mais adiante neste trabalho.
4.4.8. Variáveis de Folga
Antes de ser aprofundado o procedimento de resolução de um PPL via

Simplex, é necessário introduzir um conceito fundamental da Programação Linear, o
de Variável de Folga.
Uma Variável de Folga é uma variável fictícia, um artifício utilizado em PL

para substituir uma Restrição, inicialmente escrita na forma de uma inequação, por
uma Restrição equivalente, escrita na forma de uma equação (PEREIRA DOS
SANTOS, 2000).
Suponha por exemplo, a inequação (x ≥ 10). Esta expressão pode ser

adaptada sem que a mesma perca seu sentido. Para isso faz-se necessário a
consideração de um termo adicional, uma Variável de Folga positiva, que será
designada por (y) tal como apresentado na sequência:
Sendo (x) maior que 10, (y) representa o quanto menor 10 é em relação a (x),
ou seja, para que sejam igualados ambos os lados da expressão, deverá ser
subtraído de (x) o valor que correspondente a diferença entre (x) e 10, que é y.
Supondo, por exemplo ( ), logo, ( ). Dessa forma é garantida a
equivalência entre as Restrições Original e a Modificada pela introdução da Variável
de Folga. De modo análogo tem-se que:
As transformações podem ser assim sintetizadas:
Caso Menor ou Igual (≤):

55
∑ ∑ ( )
Onde
 xn +1 Variável de Folga positiva (xn+1 ≥ 0)
Caso Maior ou Igual (≥):
∑ ∑ ( )
Onde
 xn +1 Variável de Folga positiva (xn+1 ≥ 0)
As Variáveis de Folga tem um papel importante na resolução de um PPL via

Simplex mas que só será explicado mais adiante neste trabalho.
4.4.9. Soluções Aumentadas
Ao serem acrescentadas Variáveis de Folga a um modelo original, o conjunto

de soluções do PPL, antes limitado às Variáveis de Decisão do problema, é
aumentado pelo número de Variáveis de Folga adicionadas.
Supondo um problema bidimensional de conjunto de solução (x1,x2) = (1, 0);

com o incremento de três Variáveis de Folga (x3, x4, x5) = (2,1,3), a Solução
Aumentada para o problema fica sendo representada pelo conjunto (x1, x2,x3, x4, x5)
= (0,1,2,1,3).
Embora sejam utilizadas para transformar as Restrições, originalmente

expressas na forma de inequações, em equações, as Variáveis de Folga tem um
“significado físico” relacionado com o problema sendo modelado (PEREIRA DOS
SANTOS, 2000).
Para explicar este tal “significado físico” das Variáveis de Folga em relação a
um problema de PL, antes é importante deixar algo bem claro: cada Variável de
Folga possui uma e somente uma Restrição Funcional correspondente: aquela
Restrição que é modificada pela introdução da variável considerada.
56
Quando uma Variável de Folga assume um valor negativo, significa que a

solução considerada encontra-se posicionada fora da região viável definida pela
Restrição Funcional correspondente a esta Variável de Folga. Em outras palavras, o
sinal negativo no valor de uma Variável de Folga indica que a solução considerada
não satisfaz à Restrição Funcional correspondente, extrapolando desta forma o
Limite de Restrição definido por esta Restrição. Por outro lado, caso a Variável de
Folga possua valor nulo, significa que a solução considerada encontra-se
exatamente sobre a Equação Limite de Restrição definida por sua Restrição
Funcional correspondente. Em outras palavras, a solução encontra-se exatamente
sobre o Limite de Restrição do PPL definido pela Restrição Funcional considerada.
Por fim, caso uma Variável de Folga assuma um valor maior que zero, significa que
a solução do problema encontra-se posicionada na região viável definida por sua
Restrição Funcional correspondente, não extrapolando portanto o Limite de
Restrição definido pela Restrição Funcional considerada (HILLIER; LIEBERMAN,
2006).
Considere, por exemplo, a Restrição (2x1 + x2 ≤ 6). A Forma Aumentada para

esta Restrição, obtida pela introdução de sua Variável de Folga correspondente (x3)
é dada por: (2x1 + x2 + x3 = 6). Algumas das soluções possíveis para essa inequação
e o seu posicionamento no espaço de soluções são apresentados na Tabela 9:
Tabela 9 – Soluções Possíveis para a Restrição (2x1 + x2 6)

Solução Possível Variável de Posicionamento
(x1, x2, x3) Folga (x3)
(2,1,1) Maior que 0 Região Viável definida pela Restrição
Funcional correspondente
(1,4,0) Igual a 0 Equação Limite de Restrição definido pela
Restrição Funcional correspondente
(3,2,-2) Menor que 0 Região Inviável definida pela Restrição
Funcional correspondente
Lembre-se de que cada Equação Limite de Restrição corresponde a um dos

Limites de Restrição da Região de Soluções Viáveis do PPL considerado. Para
melhor visualização do exemplo proposto, observe o esquema representado na
Figura 16.
57
Figura 16 – Exemplo da relação entre o posicionamento de uma solução de um PPL com os

valores das Variáveis de Folga correspondentes
A Região de Soluções Viáveis definida pela Restrição do exemplo

apresentado anteriormente está destacada em azul. A Equação Limite de Restrição
desta região corresponde à reta destacada em vermelho. O espaço em branco
representa a Região de Soluções Inviáveis. Observe que a correlação entre
posicionamento de cada uma das três soluções consideradas e o valor assumido
pela sua correspondente Variável de Folga (se maior, menor ou igual a zero)
obedece à descrição apresentada anteriormente neste tópico. Guarde esta
correlação pois logo ela fará sentido.
4.4.10. Solução em Ponto Extremo e Solução FPE Aumentada
A única diferença entre uma solução original e sua correspondente solução

aumentada é a inclusão do valor das Variáveis de Folga nesta última. Nesta linha de
pensamento, considere as seguintes definições:
 Solução Básica: Solução em Ponto Extremo aumentada;

 Solução Básica Viável: Solução FPE aumentada;
Em um PPL na Forma Padrão, o número total de variáveis, incluindo as

Variáveis de Folga, pode ser comparado com o número de equações
correspondentes às Restrições Funcionais do modelo, assim (HILLIER;
LIEBERMAN, 2006):
58
Considerando, por exemplo, um problema bidimensional com 3 Variáveis de

Folga, são 5 variáveis que podem ser consideradas no total. Supondo ainda que
existam três equações definidas a partir das Restrições Funcionais do problema,
tem-se que o Grau de Liberdade para o mesmo é dado por ( – ). Mais adiante
será explicado o que significa este grau de liberdade.
Como já mencionado, o Método Simplex é utilizado na resolução de

problemas que envolvem a tomada de decisões. Estes problemas devem ser
convertidos em uma forma matematicamente tratável, passível de ser solucionada.
Esta forma recebe a denominação Modelo de PL, que é concebida a partir da
construção de um sistema de Equações Lineares formado pelas Restrições e pela
Função Objetivo do problema, tal como foi apresentado (Seção 4.1).
O número de variáveis de um PPL não pode exceder o número de equações

do sistema de Equações Lineares do modelo construído, pois se assim o fosse, o
sistema seria do tipo Indeterminado. Neste caso, infinitas soluções poderiam ser
estabelecidas, tornado impossível a resolução do problema.
Para poder igualar o número de variáveis ao número de equações, o Método

Simplex usa zero como valor arbitrariamente imposto às variáveis excedentes do
sistema. Em termos práticos, o Grau de Liberdade do PPL indica o número de
variáveis excedentes do modelo concebido (BORNSTEIN; BREGALDA; OLIVEIRA,
1988).
As variáveis do PPL as quais o Simplex atribui convenientemente valor nulo

são conhecidas como Variáveis Não Básicas. Por outro lado, a Solução Básica do
problema modelado é determinada a partir da resolução de seu sistema de
equações correspondente. Da resolução deste sistema particular são determinados
os valores para as variáveis remanescentes do modelo, as denominadas Variáveis
Básicas do PPL e ao conjunto destas Variáveis Básicas dá-se a nome técnico: Base
do PPL (MORAES DA SILVA, 2006).
Outra denominação também importante é a de Solução BV do PPL, utilizada

para descrever aquelas Soluções Básicas que satisfazem ao conjunto de Restrições
Funcionais e de Não Negatividade do problema (HILLIER; LIEBERMAN, 2006).
59
4.4.11. Propriedades de uma Solução BV
Como mencionado (Tópico 4.4.8), quando uma Variável de Folga apresenta

valor nulo, ou seja, quando for uma Variável Não Básica, a solução do PPL
considerado encontra-se posicionada exatamente sobre o Limite de Restrição
definido pela Restrição Funcional correspondente a esta Variável de Folga. Por
outro lado, de acordo com Hillier e Lieberman (2006), se uma Variável de Decisão
do PPL assume o valor nulo, ou seja, se ela for uma Variável Não Básica, isto
significa que a Solução Básica encontra-se sobre o Limite de Restrição definido pela
Restrição de Não Negatividade correspondente a esta Variável de Decisão.
Uma Solução BV corresponde a uma Solução em Ponto Extremo aumentada.

Assim, para um PPL n-dimensional, esta solução deverá encontrar-se na interseção
de n Limites de Restrição (Tópico 4.4.2). Se cada Variável Não Básica de uma
Solução BV corresponde a um Limite de Restrição sobre o qual esta mesma solução
se posiciona, tal discutido no parágrafo anterior, conclui-se que o número de
Variáveis Não Básicas de uma Solução BV, independente se de Decisão ou de
Folga, deve ser igual ao número n que representa a dimensão do PPL. Neste caso,
para um problema bidimensional (n = 2), uma Solução Básica deverá ter duas
variáveis com valor nulo (Variáveis Não Básicas).
Considerando, por exemplo, a Restrição original (2x1 + x2 ≤ 6) e a sua forma

aumentada (2x1 + x2 + x3 = 6), bem como as Restrições de Não Negatividade (x1 ≥
0, x2 ≥ 0, x3 ≥ 0), observe na Figura 17 as três Soluções Básicas do problema
considerado, representadas por pontos amarelos.
60
Figura 17 – Representação das Soluções Básicas
Note na Figura 17 que cada uma das Soluções BV apresentadas possui duas
variáveis nulas tal como era de se esperar, uma vez que se trata de um problema
bidimensional, ou seja, um problema com duas Variáveis de Decisão, no caso, x1 e
x2. Lembre-se de que x3 corresponde a uma Variável de Folga e não de Decisão.
As variáveis nulas, ou seja, as Variáveis Não Básicas do PPL indicam em

quais Limites de Restrição a Solução BV está posicionada (HILLIER; LIEBERMAN,
2006).
Do exemplo anterior, quando o valor de (x1) na solução considerada é igual a

zero, tem-se que a Solução Básica está posicionada sobre o Limite de Restrição (x1
= 0) determinado pela Restrição de Não Negatividade (x1 ≥ 0). De forma análoga,
quando (x2) for nulo na solução do problema, a mesma deverá estar posicionada
sobre o Limite de Restrição (x2 = 0) definido pela Restrição de Não Negatividade (x2
≥ 0). Por fim, caso (x3 = 0), a Solução deverá estar posicionada sobre o Limite de
Restrição (2x1 + x2 = 6), Restrição Funcional correspondente a Variável de Folga x3,
que na forma aumentada fica (2x1 + x2 + x3 = 6). No caso bidimensional, a presença
de duas Variáveis Não Básicas indica tratar-se de uma Solução BV, pois neste caso
a mesma deverá estar posicionada simultaneamente em dois dos Limites de
61
Restrição da Região de Soluções Viáveis do PPL. Dessa maneira são levantadas as

seguintes correspondências apresentadas na Tabela 10:
Tabela 10 – Correspondência entre o posicionamento das Soluções BV com as Variáveis Não

Básicas definidas
Solução BV Variáveis Não Limites de Restrição sobre os quais
(x1, x2, x3) Básicas a solução se posiciona
(0,0,6) x1 e x2 x1 = 0 e x2 = 0
(0,6,0) x1 e x3 x1 = 0 e 2x1 + x2 = 6
(3,0,0) x2 e x3 x2 = 0 e 2x1 + x2 = 6
Assim como já mencionado (Tópico 4.4.3), em um PPL n-dimensional, duas

Soluções FPE são adjacentes quando estas compartilham (n – 1) Limites de
Restrição em comum, o que não é diferente para o caso de um PPL aumentado.
Como cada Variável Não Básica corresponde a um determinado Limite de Restrição
sobre o qual a Solução BV se posiciona, para que duas Soluções BV sejam
consideradas adjacentes, elas devem ter em comum (n - 1) Variáveis Não Básicas,
ou seja, todas as suas Variáveis Não Básicas devem coincidir, exceto uma. Assim,
de acordo com Pereira dos Santos (2000), duas Soluções FPE “são adjacentes se
elas diferem por apenas uma Variável Não Básica”.
Do exemplo anterior, um problema bidimensional (n = 2), tem-se 2 Variáveis

Não-Básicas, sendo que obrigatoriamente uma delas deve ser compartilhada por
duas Soluções BV adjacentes, tal como pode ser observado na Tabela 11.
Tabela 11 – Exemplo do compartilhamento de Variáveis Não Básicas entre Soluções

Adjacentes
Soluções Básicas Variável Não Básicas Limite de Restrição
Adjacentes (x1, x2, x3) Compartilhada Compartilhado
(0,0,6) e (0,6,0) x1 x1 = 0
(0,6,0) e (3,0,0) x3 2x1 + x2 = 6
(3,0,0) e (0,0,6) x2 x2 = 0
Uma das implicações dessa propriedade é que todas exceto uma das
Variáveis Básicas de um PPL são iguais entre si, não necessariamente em termos
de valor numérico, mas pela determinação de quais das variáveis dentre aquelas
presentes na Solução Básica são definidas como sendo Variáveis Básicas
(BORNSTEIN; BREGALDA; OLIVEIRA, 1988).
62
De forma resumida, no processo de busca do Simplex, o deslocamento de

uma Solução BV atual para uma adjacente envolve ficar mudando de uma Variável
Não-Básica para uma Variável Básica e vice-versa e depois ajustar os valores das
Variáveis Básicas para que estas continuem a satisfazer o sistema de equações do
PPL considerado (HILLIER; LIEBERMAN, 2006).
Para ilustrar esse procedimento, será retomado o exemplo anterior

representado na Figura 17. Considere a origem (x1, x2, x3) = (0,0,6) como Solução
inicial para o problema modelado. Para o deslocamento dessa Solução BV inicial
para a solução adjacente (x1, x2, x3) = (0,6,0), deverá ser feito a substituição da
Variável Não Básica de (x2) para (x3), Variável Não Básica distinta do ponto
adjacente (0,6,0). As Variáveis Não-Básicas coincidentes entre a Solução BV inicial
e a sua Adjacente devem ser preservadas, no caso deste exemplo, apenas a
variável (x1). Caso o deslocamento fosse de (0,0,6) para sua outra Solução BV
adjacente (3,0,0), a troca da Variável não Básica seria de (x1) por (x3).
Supondo que não sejam conhecidos os valores das Soluções BV adjacentes

à solução inicial (0,0,6), a determinação dos mesmos torna-se possível a partir da
substituição de uma das Variáveis Não Básicas do PPL tal como apresentado no
parágrafo anterior. Esta alteração implica numa nova configuração para a solução do
problema considerado devendo esta ser submetida ao sistema de equações de
Restrição modelo. Por exemplo: adotando-se a variável (x3) como nova Variável Não
Básica do problema, para que as demais Variáveis Não Básicas sejam preservadas,
a variável (x3) deverá entrar na posição ocupada por (x1). Assim, (x1) será convertida
na nova Variável Básica do PPL conduzindo o modelo a uma nova Solução BV,
solução esta adjacente à inicial. Dessa forma, a nova configuração para a solução
do problema fica expressa como: (x1 = ?), (x2 = 0), (x3 = 0). Para determinação de
(x1), este novo arranjo deverá ser sujeitado às equações do PPL na sua Forma
Padrão, assim, fazendo (x2 = x3 = 0), segue-se que:
A Solução BV adjacente à (0,0,6) encontrada é dada por (3,0,0). Caso (x3)

tivesse sido escolhido como a nova Variável Não Básica no lugar da variável (x2), o
PPL teria sido conduzido à Solução BV adjacente (0,6,0).
63
4.5. A ÁLGEBRA DO MÉTODO SIMPLEX
A fim de apresentar o procedimento algébrico desenvolvido pelo Método

Simplex, optou-se por resolver o Exemplo Proposto 2 (Seção 4.3). O modelo criado
para este problema pode ser visualizado na sequência:
4.5.1. Passo 1: Introdução das Variáveis de Folga no Modelo de PL
Para a conversão das inequações que representam as Restrições Funcionais

do modelo de PL a um Sistema de Equações Lineares, devem ser acrescentadas as
Variáveis de Folga correspondentes, uma para cada inequação do problema
(HILLIER; LIEBERMAN, 2006).
Para o exemplo proposto será feito o uso do seguinte conjunto de Variáveis

de Folga: (x3, x4, x5). O sistema de equações inicial após a introdução das Variáveis
de Folga é apresentado na sequência:
( )
( )
{
( )
( )
4.5.2. Passo 2: Definição da Solução BV Inicial
O segundo passo na solução do Modelo de PL é a determinação de uma

Solução Inicial para o PPL.
Quando todas as Restrições do modelo forem do tipo e os Termos

independentes das Restrições forem todos positivos, tal como exige a forma padrão
de um PPL, sempre existirá uma Base (variáveis de valores não nulos) óbvia
64
formada pelas Variáveis de Folga. Assim, considerando um PPL na Forma Padrão, o

Simplex define a origem do espaço de soluções como sendo a Solução BV inicial do
problema. Esta origem corresponde a Solução em que todas Variáveis de Decisão
do modelo são utilizadas como as Variáveis Não Básicas (de valor nulo) para o
problema (ARAÚJO, 2013).
A origem para o exemplo proposto é dada pelo ponto (x1, x2), onde (x1 = 0) e
(x2 = 0). Como se trata de um PPL bidimensional devem existir duas Variáveis Não
Básicas em um total de cinco variáveis, dadas por (x1, x2, x3, x4, x5). Dessa forma, a
origem (0,0, x3, x4, x5) representa de fato uma Solução Básica para o PPL. Por outro
lado, para que possam ser determinados os valores das Variáveis Básicas desta
Solução inicial, deve ser resolvido o Sistema de Equações Lineares do PPL
conforme apresentado na sequência.
A partir das Equações 32, 33, 34 e 35, fazendo (x1 = x2 = 0), tem-se que:
Portanto, a Solução Básica Inicial do problema é dada por (0,0,2,3,8). Como

esta solução também satisfaz as Restrições de Não Negatividade (xj ≥ 0 com j=
1,2,...,5), ela também pode ser considerada como uma Solução BV do PPL.
4.5.3. Passo 3: Teste de Otimalidade
O próximo passo executado pelo Simplex na Resolução de um modelo de PL

é o Teste de Otimalidade da Solução BV atual. Este teste consiste em determinar se
uma dada solução é ou não é solução ótima para o PPL. Em caso positivo o
algoritmo para. Em caso negativo, o Simplex continua com suas iterações
(BORNSTEIN; BREGALDA; OLIVEIRA, 1988).
Para realizar o Teste de Otimalidade, o Simplex compara o valor dos

coeficientes das Variáveis Não Básicas na Função Objetivo (MORAES DA SILVA,
2006).
Se houver uma única Variável Não Básica com coeficiente maior que zero na
Função Objetivo significa que a atual Solução BV pode ser melhorada, ou seja, ela
65
ainda não é solução ótima do problema. Isto acontece porque as Variáveis Não
Básicas com coeficiente positivo podem ser aumentadas a partir do zero de tal forma
que o valor da Função Objetivo também o seja. Dessa forma, o coeficiente de cada
Variável Não Básica indica a Taxa de Crescimento do valor da Função Objetivo caso
essa variável seja aumentada a partir de zero, ou seja, caso ela seja transformada
em Variável Básica para o problema. (HILLIER; LIEBERMAN, 2006).
Por outro lado, ao passo que uma Variável Não Básica é convertida em
Variável Básica pelo aumento de seu valor a partir de zero, uma das Variáveis
Básicas atuais deve ceder sua posição e ser convertida em uma Variável Não
Básica, de tal forma que seu valor seja reduzido à zero, promovendo assim a
substituição de um dos membros da Base do PPL. Este corresponde justamente ao
processo de inversão de papeis das variáveis de uma Solução BV tal como foi
apresentado (Tópico 4.4.10).
Para garantir que a mudança na Base do PPL pela substituição de uma

Variável Básica por uma Variável Não Básica resulte na melhoria do valor da Função
Objetivo é necessário proceder à escolha adequada da variável que sairá e daquela
variável que ocupará sua posição na Base do problema (MORAES DA SILVA,
2006).
A troca de posição entre uma Variável Não Básica e uma Variável Básica,
consiste no mecanismo de busca do Método Simplex por meio do qual uma nova
Solução BV para o problema é determinada. Lembre-se que, para um problema n-
dimensional, duas Soluções BV são consideradas adjacentes quando estas
compartilham de (n – 1) Variáveis Não Básicas em comum, diferindo apenas em
uma. Assim, a mudança da Variável Não Básica proporcionada pela troca de
posições discutida anteriormente consiste na determinação de uma Solução BV
adjacente à Solução BV atual, solução esta que será definida como nova Solução
BV para a próxima iteração do Simplex (ARAÚJO, 2013).
A Variável Não Básica da solução atual que passará a ser definida como
Variável Básica para a futura Solução BV recebe o nome de Variável Básica que
Entra pois esta será introduzida na Base do PPL. Por outro lado, a Variável Básica
que passa a ser definida como Variável Não Básica para a futura Solução BV recebe
66
a designação Variável Básica que Sai pois esta será retirada da Base do PPL
No exemplo dado, para a Solução BV Inicial (0,0,2,3,8), os coeficientes das

Variáveis Não Básicas na Função Objetivo (Eq. 32) são estritamente positivos (> 0),
o que significa que, qualquer aumento nos valores dessas variáveis, inicialmente
nulas, resulta em um incremento no valor da Função Objetivo. Conclui-se dessa
forma que a Solução BV inicial não é Solução Ótima do PPL proposto.
4.5.4. Passo 4: Determinação da Variável Básica que Entra
Aumentar o valor de uma Variável Não Básica de uma Solução BV Atual a

partir de zero corresponde a deslocar-se ao longo de um dos Lados de ligação entre
as suas Soluções BV adjacentes (HILLIER; LIEMBERMAN, 2006).
A escolha da Variável Não Básica que deverá ser aumentada de modo que
esta seja convertida na nova Variável Básica da futura Solução BV é por aquela
variável que proporcionar a maior Taxa de Crescimento ao valor da Função Objetivo.
Em outros termos, considerando um PPL na forma padrão, a Variável Básica que
Entra é definida como sendo aquela variável com maior coeficiente positivo dentre
as Variáveis Não Básicas na Função Objetivo (ARAÚJO, 2013).
Para o exemplo proposto, a Função Objetivo (Eq. 32) é dada por (LT = 2x1 +
x2) Neste caso, (x1) e (x2) correspondem às duas Variáveis Não Básicas da Solução
BV atual do problema. O maior coeficiente positivo é o da variável (x1), que tem valor
2. Dessa forma, a Variável Básica que Entra nessa primeira iteração do Simplex é a
variável (x1). Como as demais Variáveis Não Básicas são coincidentes para a
Solução BV atual e a solução adjacente que a substituirá, tais variáveis devem ser
preservadas. Dessa forma, até o presente momento, pode-se dizer que a próxima
Solução BV para o PPL será dada por (x1, x2, x3, x4, x5) = (x1, 0, x3, x4, x5), sendo (x2)
a Variável Não Básica coincidente entre a Solução BV atual e a próxima que a
substituirá.
Uma situação adversa que pode acontecer é a presença de mais de uma

Variável Básica na Função Objetivo com coeficientes iguais, sendo estes os maiores
valores positivos encontrados. Tem-se assim um empate na escolha da Variável
Básica que Entra.
67
Num caso de empate na escolha da Variável Básica que entra, é impossível

prever a escolha que minimiza o número de iterações a serem realizadas para a
determinação da solução ótima do PPL, neste caso a escolha deve ser feita de
modo arbitrário (PEREIRA DOS SANTOS, 2000).
4.5.5. Passo 5: Determinação da Variável Básica que Sai
Para entender como o Simplex determina a Variável Básica que Sai,

considere o aumento a partir do zero do valor da Variável Básica que Entra eleita.
Na medida em que a Variável Básica que Entra é aumentada, os valores das demais
Variáveis Básicas vão sendo ajustados de forma a atender ao conjunto de equações
de Restrição do PPL (HILLIER; LIEBERMAN, 2006).
Como o Valor da Função Objetivo aumenta na medida em que se aumenta o

valor da Variável básica que Entra, tal deslocamento se mostra conveniente.
Considerando a Função Objetivo do exemplo proposto (Eq. 32), dada por (LT = 2x1 +
x2), pode-se perceber que quanto maior for o valor de (x1) maior será o valor da
Função Objetivo LT.
Deve-se ressaltar, entretanto, que o incremento no valor da Variável Básica

que Entra é limitado. Chegará um ponto em que o aumento desta variável, por meio
dos ajustes nos valores das Variáveis Básicas, implicará na violação de uma das
Restrições de Não Negatividade do PPL. A Variável Básica que primeiro violar o
conjunto de Restrições do PPL em função deste aumento no valor da Variável
Básica que Entra recebe o nome de Variável Básica que Sai (HILLIER;
LIEBERMAN, 2006).
Para que seja determinada a Variável Básica que Sai, é conveniente

determinar o valor de cada Variável Básica do PPL em função da Variável Básica
que Sai, no caso especifico do exemplo proposto, a variável (x1). Para isso deve-se
impor o valor nulo em todas as Variáveis Não Básicas do conjunto de equações de
Restrição do PPL (ARAÚJO, 2013).
Para o exemplo proposto, a única Variável Não Básica do PPL é dada por (x2
= 0). Assim, partindo-se das Equações 33, 34 e 35, segue que:
68
A mudança da Base do PPL implica manter a admissibilidade da nova

solução. Para isso, o conjunto de Restrições de Não Negatividade das Variáveis de
Decisão do problema deve ser satisfeito, assim, todas as Variáveis Básicas devem
ter valores maiores ou iguais à zero (MORAES DA SILVA, 2006).
Para o exemplo proposto, da relação apresentada anteriormente, segue que:
Pode ser observado que a maior limitação do valor de (x1) é dada por (x1 ≤ 2),
isso quer dizer que (x1) só pode ser aumentado até 2. Essa limitação se deve à
Variável Básica (x3), portanto, esta é a Variável Básica que Sai, ou seja, a Variável
Básica da Solução BV atual que será convertida em Variável Não Básica (de valor
nulo) para a Solução BV futura. Dessa forma, até o presente momento, pode-se
dizer que a próxima Solução BV para o PPL será dada por (x1, x2, x3, x4, x5) = (x1, 0,
0, x4, x5).
O procedimento anteriormente apresentado é conhecido como Teste da

Razão Mínima. O objetivo deste teste é “determinar qual a Variável Básica que cai a
zero primeiro à medida que a Variável Básica que Entra é aumentada” (HILLIER;
LIEBERMAN, 2006).
Para realizar o Teste da Razão Mínima, o método Simplex analisa apenas o

valor assumido pelo coeficiente da Variável Básica que Entra em cada equação de
Restrição e o lado direito correspondente, ou seja, o Termo Independente bi. Na
equação (3x1 + 2x2 + x5 = 8), Equação 35 do exemplo proposto, tem-se que o
coeficiente da Variável Básica que Entra (x1) é 3 e o valor do Termo Independente bi
é 8.
A razão entre o Termo Independente e o coeficiente da Variável que Entra

( ⁄ ) representa o valor limite da Variável Básica que Entra em relação à sua
equação correspondente. A menor razão encontrada definirá qual das Variáveis
69
Básicas da Solução BV atual será a Variável Básica que Sai. Isto só pode ser feito
porque para cada equação de Restrição do problema existe uma e apenas uma
Variável Básica correspondente (MORAES DA SILVA, 2006).
A equação (3x1 + 2x2 + x5 = 8), por exemplo, tem como Variável Básica
correspondente a variável (x5), isso porque na Solução BV atual as variáveis (x1) e
(x2) correspondem às Variáveis Não Básicas para o problema considerado.
Quando o valor do coeficiente da Variável Básica que Entra em uma equação

de Restrição for igual a zero, a Variável Básica correspondente a esta Restrição é
desconsiderada do Teste da Razão Mínima, isso porque o valor da mesma não
depende da Variável Básica que Entra (HILLIER; LIEBERMAN, 2006).
No exemplo proposto, a variável (x4) não guarda relação de dependência com

a Variável Básica que Entra (x1). Isso pode ser observado na sua equação
correspondente (x2 + x4 = 3), Equação 34. Neste caso, (x4) não guarda relação de
dependência com a variável (x1) uma vez que esta última não aparece na equação
da primeira.
Ainda além, quando o valor do coeficiente da Variável Básica que Entra for
menor que zero, tem-se que quanto maior for o valor dessa variável, maior deverá
ser o valor da Variável Básica da equação considerada. Neste caso a Variável
Básica não pode ser considerada como limitante do crescimento da Variável Básica
que Entra, devendo a mesma ser também desconsiderada do Teste de Razão
Mínima (HILLIER; LIEBERMAN, 2006).
Caso só existam Variáveis Básicas com coeficiente negativo na Função

Objetivo, torna-se impossível efetuar a mudança da Solução BV corrente para uma
adjacente que melhore o valor da Função Objetivo pois a solução do PPL nestes
casos se mostra ilimitada (MORAES DA SILVA, 2006).
Observe o seguinte esquema:
Sendo (x1) a Variável Básica que Entra e (x2) a Variável Básica analisada,
quanto maior o valor de (x1) maior deverá ser o valor de (x2) para que a equação de
Restrição correspondente seja satisfeita.
70
Podem eventualmente acontecer casos de empate para a Variável que Sai.

Quando isso acontece as Variáveis Básicas empatadas tem o mesmo valor para a
razão comparada no Teste da Razão Mínima. A princípio, a escolha dentre as
soluções empatadas deverá ser feita de forma arbitrária (ARAÚJO, 2013).
4.5.6. Passo 6: Aplicação do Método da Eliminação Gauss-Jordan

para o Ajuste do PPL Aumentado
Depois de definida a Variável Básica que Sai, todas as Variáveis Não Básicas
para a futura Solução BV do PPL passam a ser conhecidas. Para o exemplo
proposto estas variáveis são dadas por (x2 = x3 = 0).
O Passo seguinte consiste na realização do chamado Método da Eliminação

de Gauss-Jordan. Por meio deste método são realizadas operações algébricas
elementares de forma a reduzir o sistema de equações original a uma forma
apropriada (HILLIER; LIEBERMAN, 2006).
No novo formato do sistema de equações do PPL, assumido depois da

realização do Método de Eliminação de Gauss-Jordan, a nova Variável Básica, de
acordo com Hillier e Lieberman (2006), a Variável Básica que Entra (para o exemplo,
x1), é eliminada de todas as equações do PPL, exceto da sua própria equação, ou
seja, a sua equação de correspondência, de tal maneira que fique com um
coeficiente +1 nessa equação. Esta equação é na realidade a equação de
correspondência da Variável Básica que Sai para a Solução BV corrente, no caso do
exemplo proposto, a variável (x3). De modo similar, a Variável Básica que Sai será
inserida na equação da Função Objetivo do modelo de modo a ocupar a posição da
atual Variável Básica que Entra como nova Variável Básica para a próxima Solução
BV do problema.
Em suma, o método da Eliminação de Gauss-Jordan é aplicado ao sistema de

equações de modo a rearranja-lo em uma nova configuração pela troca de posição
entre as Variáveis Básicas que Entra e a que Sai, passando a primeira a ser definida
como nova Variável Básica da futura Solução BV do PPL, e a segunda, como sendo
a nova Variável Não Básica desta próxima solução (BORNSTEIN; BREGALDA;
OLIVEIRA, 1988).
71
Em termos práticos, este procedimento consiste na mudança dos valores dos

coeficientes da Variável Básica que Entra de tal forma que eles coincidam com os
coeficientes da Variável Básica que Sai. As operações algébricas elementares
utilizadas para tal fim são as seguintes (HILLIER; LIEBERMAN, 2006):
 Multiplicação ou Divisão de uma equação de Restrição por uma

constante diferente de zero;
 Soma (ou subtração) de um múltiplo de uma equação de Restrição por
outra equação.
As equações algébricas elementares utilizadas na manipulação de um

sistema de equações (apontadas anteriormente) só podem ser utilizadas porque não
alteram a formulação original do problema, mas apenas rearranjam as informações
em uma configuração conveniente para sua resolução (PEREIRA DOS SANTOS,
2000).
Para facilitar o emprego do método de Eliminação de Gauss-Jordan, é

importante que seja feito um rearranjo na equação que representa a Função
Objetivo do PPL, a de que todos os termos da equação sejam isolados no lado
esquerdo da mesma. Dessa forma a equação da Função Objetivo passa a ser
escrita tal como se fosse uma equação de uma Restrição Funcional qualquer
Assim, da (Eq. 32), para o exemplo proposto segue que:
O Sistema de Equações completo do PPL é apresentado na sequência

(Equações 36, 37, 38 e 39). Em negrito são destacadas as atuais Variáveis Não
Básicas do problema. O termo LT na equação da Função Objetivo corresponde a
Variável Básica para esta equação.
( )
( )
{
( )
( )
Note que para cada equação existe uma e apenas uma Variável Básica
correspondente tal como foi discutido (Tópico 4.5.5).
72
Toda Variável Básica aparece só uma única vez, ou seja, em uma única
equação com coeficiente igual a 1, ou seja, na sua equação de correspondência.
Uma vantagem desta propriedade é que, quando os valores das Variáveis Não
Básicas forem zerados, os valores assumidos pelas Variáveis Básicas poderão ser
lidos diretamente no lado direito das equações correspondentes, ou seja,
corresponderão aos Termos Independentes das equações (PEREIRA DOS
SANTOS, 2000).
Pela realização dos passos descritos nos tópicos 4.5.4 e 4.5.5 foi possível
determinar, para o exemplo proposto, a Variável Básica que Entra (x1) e a que Sai
(x3). Dessa forma, a atual Variável Não Básica (x1) deverá ocupar a posição da atual
Variável Básica (x3) na futura Solução BV do PPL. Para isso, os coeficientes da
Variável Básica que Entra (x1), deverão ser alterados de tal forma a reproduzir os
valores dos atuais coeficientes da Variável Básica que Sai (x3).
Na ordem das Equações 36, 37, 38 e 39, tal como apresentado acima, os
atuais coeficientes que acompanham a Variável Básica que Entra (x1) são
respectivamente -2, 1, 0, 3. Tais coeficientes serão convertidos nos valores dos
atuais coeficientes da Variável Básica que Sai (x3), respectivamente 0, 1, 0, 0. Note
que o coeficiente 1 indica que a equação correspondente à atual Variável Básica (x3)
é a Eq. 37, a qual passará a representar a equação de correspondência da nova
Variável Básica (x1), substituta de (x3) na futura Solução BV do PPL.
Para realizar os devidos ajustes nos valores dos coeficientes da Variável

Básica que Entra de modo que estes reproduzam os coeficientes atuais da Variável
Básica que Sai do PPL, deve ser feito o uso das operações algébricas elementares
descritas anteriormente.
O primeiro coeficiente da Variável Básica que Entra a ser ajustado é o

coeficiente da equação correspondente à Variável Básica que Sai. Este coeficiente
deve ser ajustado para o valor unitário (HILLIER; LIEBERMAN, 2006).
Para o exemplo proposto, a Variável Básica que Sai é dada pela variável (x3),
cuja equação correspondente é a Eq. 37, dada por (x1 + x3 = 2). Coincidentemente, o
valor do coeficiente da Variável Básica que Entra (x1) no exemplo considerado já é 1,
neste caso não é necessário fazer qualquer modificação.
73
Na prática, frequentemente, o coeficiente da Variável Básica que Entra na

equação correspondente à Variável Básica que Sai é diferente de 1. Suponha, do
exemplo anteriormente proposto, que o valor do coeficiente da Variável Básica que
Entra na equação correspondente à Variável Básica que Sai seja m, onde m é um
valor real diferente de 1. Neste caso, para que o coeficiente considerado seja
alterado para 1 faz-se necessário a multiplicação da equação anteriormente
destacada pela constante ( ) tal como apresentado na sequência:
( ) ( ) ( )
Para facilitar a identificação será colocado um asterisco Nas equações as

quais os coeficientes da Variável Básica que Entra já tenham sido ajustados.
Como não houve necessidade de mudança na equação correspondente à

Variável Básica que Sai, segue que:
( ) ( )
Nas demais equações, o valor do coeficiente da Variável Básica que Entra (no
exemplo, x1), deve ser anulado (HILLIER; LIEBERMAN, 2006).
Para que sejam anulados os demais coeficientes no exemplo proposto,

deverá ser feito o uso da segunda operação algébrica elementar apresentada
anteriormente. Assim, cada equação considerada será somada ou subtraída por um
múltiplo da equação ajustada correspondente à Variável Básica que Sai. Este ajuste
mencionado se refere à mudança do coeficiente da Variável que Entra para 1. Desse
modo poderão ser anulados todos os demais coeficientes da Variável Básica que
Entra tal como apresentado na Tabela 12 a seguir.
Tabela 12 – Reprodução dos valores da Variável Básica que Sai na Variável Básica que Entra
Equação Original Operação Equação Ajustada
Eq(36) Eq(36) +2∙Eq*(37) *
Eq (36)
Eq(38) Não é Necessário Eq*(38)
Eq(39) Eq(39) -3∙Eq*(37) Eq*(39)
Logo, a partir das Equações* 36, 37, 38 e 39 (equações ajustadas), o novo

sistema de equações, resultado da aplicação do Método da Eliminação Gauss-
Jordan, é representado por:
74
( )
( )
{
( )
( )
Em negrito são destacadas as Variáveis Não Básicas para a nova Solução BV

do PPL. Perceba que a inversão de posição entre as variáveis (x1) e (x3) da antiga
para a nova Solução BV do problema. Perceba também que cada equação
permanece com apenas uma Variável Básica correspondente.
Para a nova solução do PPL tem-se que as variáveis (x2) e (x3) são Variáveis
Não Básicas, portanto (x2 = x3 = 0). Atribuindo estes valores ao atual sistema de
equações do modelo (Equações 40, 41, 42 e 43) poderá ser determinado o valor das
Variáveis Básicas para a mais nova atual Solução BV do PPL.
Fazendo (x2 = x3 = 0), a partir das equações 40, 41, 42 e 43, segue que:
A nova Solução BV atual para o PPL do exemplo proposto fica (x1, x2, x3, x4,
x5) = (2, 0, 0, 3, 2), que corresponde a uma Solução BV adjacente à Solução BV
anterior.
4.5.7. Rotina do Método Simplex
Depois de realizados todos os passos anteriormente descritos, o Simplex cai

numa rotina marcada pela repetição de alguns destes passos. É justamente através
desta rotina que se desenvolve o processo de busca por novas soluções que
melhorem o valor da Função Objetivo do problema.
O processamento termina quando é encontrada uma Solução Ótima para o

PPL pois quando uma solução destas é encontrada torna-se impossível melhorar o
valor da Função Objetivo do problema, a menos que as Restrições do problema
sejam alteradas.
75
A Solução BV é avaliada como sendo ótima ou não através do Teste de

Otimalidade discutido (Tópico 4.5.3). O esquema demonstrativo com a sequência de
procedimentos executada pelo Simplex é apresentado na Figura 18.
Figura 18 – Esquema representativo dos procedimentos executados pelo Simplex
Para o caso do Exemplo Proposto 2, até agora conseguiu-se determinar uma

nova Solução BV para o problema, dada por (2, 0, 0, 3, 2). Está solução passa a ser
considerada como a atual Solução BV do PPL. Resta agora saber se tal solução
corresponde de fato a uma solução ótima ou não. Para isso é necessário recorrer
novamente ao Teste de Otimalidade tal como apresentado na sequência.
Teste de Otimalidade:
A Função Objetivo ajustada à atual Solução BV do problema (Eq. 40) deve

ser reorganizada de tal maneira que o valor desta função, no caso LT, fique isolado,
assim:
Como pode ser notado, o coeficiente da Variável Básica (x2) na Função

Objetivo é positivo, igual a 1, portanto esta variável pode ser aumentada a partir do
valor zero de modo a aumentar o valor da Função Objetivo. Como conclusão tem-se
que a atual Solução BV não é solução ótima para o problema. Resta agora procurar
por uma nova Solução BV para o PPL.
76
Determinação da Variável Básica que Entra:
A Variável Básica que Entra é a Variável Básica na Função Objetivo (Eq. 40)
com o coeficiente de maior valor positivo. Como apenas a variável (x2) possui
coeficiente positivo, igual a 1, esta será definida como sendo a Variável Básica que
Entra.
Determinação da Variável Básica que Sai:
Para que seja determinada a Variável Básica que Sai faz-se necessária a
aplicação do Teste da Razão Mínima, tal como explicado anteriormente (Tópico
4.5.5).
O atual sistema de equações do PPL é reapresentado na sequência:
( )
, ( )
( )
Como discutido anteriormente (Tópico 4.5.5), aquelas Variáveis Básicas em

cujas equações correspondentes, o valor do coeficiente da Variável Básica que
Entra (no caso, x2) for igual ou menor que zero, devem ser desconsideradas do
Teste da Razão Mínima. Isso acontece com a variável (x1) do problema proposto.
Considerando para cada Variável Básica a razão entre o Termo Independente

(bj) de sua equação correspondente e do coeficiente da Variável Básica que Entra
para esta mesma equação, aquela Variável Básica da Restrição cuja razão resulte
no menor valor, deverá ser adotada como sendo a Variável Básica que Sai. A partir
das Equações 42 e 43, respectivamente, tem-se que a razão para (x4) é (3/1 = 3) e
para (x5), (2/2 = 1). Logo, (x5) é a Variável Básica que Sai pois 1 é menor do que 3.
Aplicação do Método de Eliminação de Gauss-Jordan:
Na sequência (Equações 44, 45, 46 e 47) são indicados em vermelho os

atuais coeficientes da Variável Básica que Sai no sistema de equações do PPL:
( )
( )
{
( )
( )
77
Os atuais valores dos coeficientes da Variável Básica que Sai (x5), tal como
destacado no esquema anteriormente apresentado (Equações 44, 45, 46 e 47),
devem ser reproduzidos como sendo os novos coeficientes da Variável Básica que
Entra, a variável (x2). As operações elementares utilizadas para tal fim podem ser
visualizadas no esquema da Tabela 13.
Tabela 13 – Operações elementares utilizadas na reprodução dos valores do coeficiente da

Variável Básica que Sai na Variável Básica que Entra
Equação Original Operação Equação Ajustada
Eq(44) Eq(44) + Eq*(47) Eq*(44) ( ) ( )
Eq(45) Não Necessário Eq*(45)
Eq(46) Eq(46) – Eq*(47) Eq*(46) ( ) ( )
Eq(47) (1/2)∙Eq(47) Eq*(47) ( ) ( )
A partir das Equações* 44, 45, 46 e 47 (equações ajustadas), o novo sistema

de equações para o PPL fica:
( ) ( ) ( )
( )
{
( ) ( ) ( )
( ) ( ) ( )
A Nova Solução BV para o problema tem (x3) e (x5) como Variáveis Não
Básicas, assim: (x3 = x5 = 0). Aplicando estes valores no atual sistema de equações
(Equações 48, 49, 50 e 51), podem ser determinados os valores das Variáveis
Básicas do problema. Segue que:
( ) ( ) ( )
( )
( ) ( ) ( )
( ) ( ) ( )
Logo, a nova e atual Solução BV para o PPL é dada por (x1, x2, x3, x4, x5) = (2,
1, 0, 2, 0). O passo seguinte é a submissão desta solução ao Teste de Otimalidade
de modo a verificar se ela é solução ótima para o problema.
Teste de Otimalidade:
A Função Objetivo ajustada à atual Solução BV do PPL (Eq. 48) deve ser
rearranjada de modo que o valor desta função, no caso LT, fique isolado, assim:
( ) ( ) ( ) ( )
78
Como pode ser notado, nenhuma das Variáveis Não Básicas presentes na
Função Objetivo tem coeficiente positivo, logo, a atual Solução BV é solução ótima
para o problema.
Resposta Final:
Tem-se que para o Exemplo Proposto 2, a solução ótima de seu PPL

correspondente é dada por (x1, x2, x3, x4, x5) = (2, 1, 0, 2, 0).
Segue abaixo na Tabela 14 um resumo com a indicação das respostas finais

de interesse para o problema em destaque.
Tabela 14 – Resultados do PPL (Exemplo Proposto 2)

Termo Significado Ponto Ótimo Unidade
x1 Quantidade do produto A a ser fabricada 2 t/dia
x2 Quantidade do produto B a ser fabricada 1 t/dia
LT Lucro pela fabricação dos produtos A e B 5 mil reais/dia
Caso esta última Solução BV encontrada não fosse a Solução Ótima, uma
nova Solução BV deveria ser encontrada, ou seja, a rotina de busca do Simplex
continuaria até que uma Solução Ótima para o PPL fosse encontrada ou até que o
número máximo de iterações definido pelo usuário fosse alcançado.
4.5.8. Soluções Ótimas Múltiplas
Um PPL pode apresentar mais de uma solução ótima, quando isto ocorre é
dito que o problema apresenta Soluções Ótimas Múltiplas, na realidade, infinitas
soluções (ARAÚJO, 2013).
Sempre quando na solução ótima apontada pelo Simplex houver alguma

Variável Não Básica com coeficiente nulo na equação da Função Objetivo no
sistema de equações do PPL final, seguramente o problema terá soluções ótimas
múltiplas (MORAES DA SILVA, 2006).
Quando um PPL apresenta soluções ótimas múltiplas, existirá sempre um

número infinito de soluções ótimas pois serão ótimos todos os pontos que unem 2
vértices (pontos extremos) adjacentes (PEREIRA DOS SANTOS, 2000).
O Método Simplex interrompe a sua rotina de buscas logo depois que uma
solução BV ótima tenha sido encontrada. Em contrapartida, para alguns casos
79
práticos, pode ser importante para o tomador de decisão ter conhecimento de outras
soluções ótimas possíveis. Para isto é interessante determinar outras soluções BV
ótimas para o problema (HILLIER; LIEBERMAN, 2006).
Para que outras Soluções Ótimas em pontos extremos possam ser

determinadas após o Simplex ter encontrado o valor de uma Solução BV ótima,
deve-se proceder da seguinte forma:
Toda vez que um problema tiver mais de uma solução BV ótima, pelo
menos uma das Variáveis Não-Básicas terá um coeficiente igual a zero na
linha 0 final; portanto, aumentar qualquer variável desse tipo não vai
alterar o valor de Z (Função Objetivo). Assim, essas outras soluções BV
ótimas podem ser identificadas executando-se iterações adicionais do
método simplex e cada vez escolhendo-se uma Variável Não-Básica com um
coeficiente igual a zero como Variável Básica que Entra (HILLIER;
LIEBERMAN, 2006).
Em um PPL com n Variáveis de Decisão e de múltiplas soluções ótimas, é

preciso encontrar via Simplex n soluções ótimas (Soluções FPE ótimas). As demais
soluções do problema podem ser determinadas pela combinação convexa estrita
das n soluções encontradas via Simplex (PEREIRA DOS SANTOS, 2000).
4.5.9. Nenhuma Solução Viável
Poderão surgir problemas em que aparentemente não exista uma Solução BV

inicial obvia, mas que na realidade o que acontece realmente é a inexistência de
solução viável para este problema. Com o uso de Variáveis Artificiais a Região de
Soluções Viáveis será expandida e uma Solução BV inicial artificial poderá ser
encontrada. Quando isto ocorre, o Simplex, através do Método do Grande Número
(ver tópico 4.6.2), apontará uma suposta solução ótima para o PPL, embora não o
seja de fato. Existe, entretanto, uma indicação de que a solução ótima encontrada
não seja realmente uma solução ótima do problema considerado e que na realidade
o PPL proposto, de fato, não apresenta solução viável: a de que a solução final
apontada tenha pelo menos uma Variável Artificial maior que zero (HILLIER;
LIEBERMAN, 2006).
80
4.6. AJUSTE DE UM MODELO DE PL QUALQUER À FORMA PADRÃO
Relembrando os requerimentos necessários para um modelo de PL na Forma

Padrão, segue que:
 A Função Objetivo deve ser de maximização;

 Restrições Funcionais constituídas apenas por inequações com sinal
de desigualdade menor ou igual (≤);
 Existência de Restrições de Não Negatividade para todas as variáveis
envolvidas;
 Os termos independentes das Restrições (bj) não podem ser negativos.
Para que o Método Simplex, da forma que foi apresentado neste trabalho,
possa ser utilizado na resolução de problemas que não atendam a, pelo menos, um
dos requerimentos da Forma Padrão, faz-se necessário o ajuste prévio do modelo
proposto para o problema, conforme cada caso. Alguns dos ajustes mais
importantes são apresentados na sequência.
4.6.1. Problemas com o Sinal das Restrições do Modelo
Quando o modelo apresenta Restrições Funcionais com sinal de igualdade (=)

ou maior igual (≥), é necessário o emprego de um procedimento conhecido como
Técnica das Variáveis Artificiais. Esta técnica é caracterizada pela construção de um
problema artificial para o problema real estudado tal como apresentado na
sequência.
Através da aplicação da Técnica das Variáveis Artificiais é introduzido no

modelo as denominadas Variáveis Artificiais. O propósito da introdução destas
variáveis no modelo é a de que elas passem a atuar como Variáveis Básicas iniciais
em cada uma das Restrições com sinal de igualdade (=) ou de maior igual ( ). Vale
ressaltar ainda que estas mesmas Variáveis Artificiais devem atender às Restrições
de Não Negatividade do modelo, ou seja, são assumidas como sendo maiores ou
iguais a zero (HILLIER; LIEBERMAN, 2006).
Depois de introduzidas as Variáveis Artificiais, a Função Objetivo deve

obrigatoriamente ser modificada de tal forma que as iterações do Método Simplex
conduzam, de maneira forçada, ao desaparecimento dessas Variáveis Artificiais,
81
uma a uma, até que todas estas variáveis sejam anuladas no modelo. Somente a
partir deste ponto que o problema real começa a ser resolvido (BORNSTEIN;
4.6.2. Restrições com Sinal de Igualdade (=)
Uma Restrição de igualdade pode ser reescrita de forma equivalente em duas

Restrições de desigualdade:
∑
∑
∑
{
Uma desvantagem desta substituição é que a mesma implica num aumento

do número de Restrições do problema. Alternativamente, pode ser utilizada a
Técnica das Variáveis Artificiais (HILLIER; LIEBERMAN, 2006).
A existência de Restrições de igualdade num PPL causa um inconveniente:

restrições com sinal de igualdade não tem folga. Inconveniente porque para a
determinação da Solução BV inicial, o Simplex faz das Variáveis de Folga das
Restrições as Variáveis Básicas do problema (PEREIRA DOS SANTOS, 2000).
Para fins de demonstração, será retomado o Exemplo Proposto 2. A única

modificação será a alteração de uma das Restrições Funcionais do problema,
inicialmente sob a forma de uma desigualdade, com sinal (≤), para uma equação, de
sinal (=). O modelo modificado do PPL é mostrado na sequência:
82
Devido à alteração da Restrição funcional do exemplo acima mencionado, a

Região das Soluções Viáveis para o Problema, destacada em azul, é alterada
conforme indicado na Figura 19:
Figura 19 – Alteração do Modelo de PL (Exemplo Proposto 2)
Após a introdução das Variáveis de Folga é possível a definição do sistema

de equações para o PPL, conforme apresentado na sequência:
( )
( )
{
( )
( )
Note que agora a Eq. 55 não possui mais uma Variável Artificial que possa
ser utilizada como Variável Básica inicial. O resultado disso é que não existe mais
uma Solução BV inicial evidente para o PPL, até mesmo porque, no modelo
modificado, a origem (x1 = 0, x2 = 0) do PPL, antes Solução BV inicial para o modelo
original, nem sequer faz parte da Região de Soluções Viáveis do problema
modificado, tal como pode ser visualizado na Figura 19.
O problema na definição das Variáveis Básicas causado pela presença de

Restrições com sinal de igualdade no modelo de PL pode ser contornado pela
introdução de uma Variável Artificial positiva em cada uma destas Restrições
(PEREIRA DOS SANTOS, 2000).
83
Para o problema proposto, a Restrição que deverá receber uma Variável

Artificial positiva é a Restrição (3x1 + 2x2 = 8), Eq. 55, devido ao seu sinal de
igualdade.
De acordo com Hillier e Lieberman (2006), a introdução de Variáveis Artificiais

nas Restrições de igualdade implica na alteração do PPL original a um Problema
Artificial. Problema este que preservará a mesma solução do problema real desde
que a Função Objetivo do problema seja devidamente adaptada, conforme será
apresentado na sequência.
Para cada Restrição de igualdade no modelo, dois passos adicionais devem

ser executados tal como será discutido na sequência.
Passo 1 - Introdução de uma Variável Artificial positiva na Equação de Igualdade:
Para o exemplo, introduza uma Variável Artificial à Eq 55 como se ela fosse

uma Variável de Folga. Para facilitar a identificação, uma Variável Artificial será
identificada por um sobrescrito do tipo barra (por exemplo: ̅ ). Para o exemplo
proposto, tem-se que:
( ) ̅̅̅
A Variável Artificial introduzida na equação de Restrição funcionará como

Variável Básica para a Solução BV inicial do PPL.
Logo, após a introdução da Variável Artificial ( ̅̅̅), a Eq. 55 é substituída pela

Eq. 56:
̅̅̅ ( )
Passo 2 - Adaptação da Equação da Função Objetivo:
A adaptação feita na Função Objetivo, no exemplo, Eq. 52, é para garantir

que a solução final do Problema Artificial criado seja a mesma do Problema Real.
Para isso, basta introduzir a(s) Variável(eis) Artificial(is) na equação da Função
Objetivo acompanhada(s) por algum coeficiente positivo de valor extremamente alto
(M) de tal forma que o valor da Função Objetivo original do problema seja
descontado por este(s) produto(s) (HILLIER. LIEBERMAN, 2006)
84
Do exemplo proposto segue que:
( ) ̅̅̅
Assim, a equação da Função Objetivo para o exemplo proposto passa a ser

expresso pela Eq. 57:
̅̅̅ ( )
Devido ao seu coeficiente M, de valor extremamente elevado, qualquer valor

maior que zero assumido pela Variável Artificial, mesmo que muito pequeno,
resultaria em um desconto extremamente elevado no valor da Função Objetivo.
Como a Função Objetivo é de maximização, o Simplex é forçado a atribuir valor zero
para a Variável Artificial. Este artifício utilizado para forçar uma Variável Artificial a
assumir valor zero na solução final do PPL é conhecido como Método Grande
Número ou do Big M (MORAES DA SILVA, 2006).
Ao ser introduzida uma Variável Artificial em uma Restrição de igualdade, é

como se esta variável desempenhasse o papel de uma Variável de Folga. Com isso,
a Restrição de igualdade do modelo estaria sendo, de certo modo, considerada
como sendo de desigualdade, com sinal (≤). Assim, quando é feita a alteração tem-
se que:
( ) ̅̅̅
É como se a Restrição de igualdade (no caso, Eq. 55) estivesse sendo

alterada para uma Restrição de desigualdade menor ou igual, ou seja:
( )
Graficamente, a introdução de uma Variável Artificial à uma Restrição de

Igualdade do modelo implica na expansão da Região das Soluções Viáveis do PPL
(HILLIER. LIEBERMAN, 2006).
A expansão para a Região de Soluções Viáveis para o Exemplo Proposto 2

pode ser vista na Figura 20.
85
Figura 20 – Expansão da Região de Soluções Viáveis pela introdução de uma Variável Artificial
Por outro lado, quando se modifica a equação da Função Objetivo de modo a

forçar o Simplex a zerar a Variável Artificial (̅̅̅ ), no
final das contas, está-se reduzindo o problema artificial à sua forma real, ou seja:
( ) ̅̅̅
Dessa forma a Variável Artificial pode ser utilizada sem prejuízo à solução
final do problema.
Com a expansão da Região de Soluções Viáveis resultante da introdução da

Variável Artificial no modelo, é possível agora considerar a origem do Espaço de
Soluções do PPL como sendo a Solução BV inicial para o problema, para o exemplo
proposto segue que (x1 = x2 = 0). Desta forma define-se (x1) e (x2) como sendo as
Variáveis Não Básicas iniciais e consequentemente as demais variáveis (x3, x4, ̅5)
como sendo as Variáveis Básicas iniciais.
A Variável Básica correspondente a equação da Função Objetivo (no caso,

Eq. 52), é a variável que indica o valor dessa função, para o exemplo, a variável LT.
Como cada equação possui uma única Variável Básica correspondente, logo, mais
uma alteração deve ser feita na Função Objetivo. Esta alteração deve fazer com que
a Variável Artificial ou as Variáveis Artificiais, adotadas como Variáveis Básicas
iniciais para o problema sejam eliminadas da equação da Função Objetivo do PPL.
Para eliminar uma Variável Artificial da equação da Função Objetivo do

problema, basta subtrair essa equação do produto do coeficiente M da Variável
86
Artificial inserida na Função Objetivo vezes a equação de Restrição Funcional a qual

foi adicionada a Variável Artificial correspondente (MORAES DA SILVA, 2006).
Para o exemplo proposto tem-se uma única Variável Artificial introduzida,

portanto, uma única operação deverá ser realizada, assim:
( ) ̅̅̅ ̅̅̅
( ) ( ̅̅̅ ) ̅̅̅
Logo:
( ) ̅̅̅
( ) ( ) ̅̅̅
( ) ( ) ( ) ( )
Após a eliminação de todas as Variáveis Artificiais da equação da Função

Objetivo, é obtida a forma ajustada desta equação. O sistema de equações para o
PPL aumentado pelo Problema Artificial criado é finalmente apresentado na
sequência:
( ) ( ) ( )
( )
( )
{ ( ) ̅̅̅
Note que agora cada equação tem apenas uma Variável Básica
correspondente, estas estão destacadas em negrito. O modelo ajustado é resolvido
seguindo os mesmos procedimentos de um modelo na Forma Padrão. Entretanto,
vale ressaltar algumas importantes considerações que serão apresentadas na
sequência.
As quantidades envolvendo M só aparecem na equação da Função Objetivo,

de tal modo que elas só precisarão ser levadas em consideração no Teste de
Otimalidade e quando uma Variável Básica que Entra for determinada.
Conforme foi discutido (tópicos 4.5.2 e 4.5.3), o Teste de Otimalidade é

baseado na verificação do sinal e módulo dos coeficientes das Variáveis Básicas
87
presentes na equação da Função Objetivo. Os coeficientes que contemplam o M

tem o sinal igual ao do termo M. Por exemplo: O valor (-2M + 100) é negativo, pois o
sinal do termo 2M é negativo.
Para determinação da Variável Básica que Entra, é necessário comparar os

valores dos coeficientes das Variáveis Não Básicas presentes na equação da
Função Objetivo (Tópico 4.5.4).
Os coeficientes contendo M são expressos genericamente da seguinte

maneira (HILLIER; LIEBERMAN, 2006):
Onde:
 M constante de valor extremamente elevado

 a constante que multiplica M (fator multiplicativo de M)
 b termo aditivo do coeficiente que contempla M
Dentre os coeficientes que contemplam o M, será o maior aquele que tiver o

maior valor positivo para o fator multiplicativo. Por exemplo: o valor (3M-5) é maior
do que o valor (2M+20) pois 3 é maior do que 2. De forma análoga, o menor dos
coeficientes que contempla o M será aquele com valor negativo de maior módulo
para o fator multiplicativo. Por exemplo: o valor (-2M+10) é menor que o valor (-M-
100) pois -2 é maior em módulo se comparado com -1.
Para o caso de dois ou mais coeficientes com o mesmo Fator Multiplicativo,

terá maior valor aquele que tiver o maior valor positivo para o Fator Aditivo. Por
exemplo: o valor (4M+5) é maior do que o valor (4M+2) pois 5 é maior que 2. De
forma análoga, o menor dos coeficientes para este caso de empate no fator
multiplicativo será aquele com valor negativo maior em módulo para o fator aditivo.
Por exemplo: o valor (2M-10) é menor que o valor (2M-1) pois -10 é maior em
módulo quando comparado com -1.
4.6.3. Restrições com Sinal Maior ou Igual (≥)
Para cada Restrição funcional do modelo com sinal maior igual (≥) será
necessário a introdução de duas variáveis adicionais: uma Variável de Folga, de
88
modo a converter a desigualdade da Restrição (≥) em igualdade (=), e uma Variável

Artificial que servirá como Variável Básica inicial para a respectiva equação
Considere, por exemplo, a Restrição (x1 + x2 ≥ 10). Inicialmente deve ser

introduzida uma Variável de Folga positiva para mudar o sinal (≥) para (=). Fazendo
(x3) como a Variável de Folga para a Restrição considerada, segue que:
Depois que a Restrição de sinal (≥) for transformada em uma Restrição de

igualdade, faz-se necessário a introdução de uma Variável Artificial positiva à
mesma, para o exemplo, ( ̅ ), logo:
̅ ̅
Da mesma forma que para a adição das Variáveis Artificiais nas Restrições de
igualdade, para a introdução das Variáveis Artificiais nas Restrições de sinal maior
ou igual (≥), também será necessário fazer as devidas adaptações na Função
Objetivo de forma que os valores das Variáveis Artificiais sejam forçados a zero,
assim como foi discutido anteriormente (Tópico 4.6.2). É válido relembrar ainda que
é a Variável Artificial adicionada que deverá ser considerada como sendo a Variável
Básica inicial para a equação de Restrição correspondente.
4.6.4. Termo Independente Negativo (bi < 0)
Os termos independentes (bi) posicionados no lado direito das inequações do

conjunto de Restrições do PPL devem assumir valores estritamente positivos se for
considerado a Forma Padrão convencionada. Para Restrições que não obedeçam a
este critério, bastará multiplicar estas Restrições por (-1) (BORNSTEIN; BREGALDA;
OLIVEIRA, 1988).
Exemplificando:
Lembre-se de que o sinal de desigualdade em uma inequação muda de

sentido quando é feita uma multiplicação por um valor negativo.
89
Os Termos Independentes das Restrições funcionais do modelo

correspondem aos valores respectivos das Variáveis Básicas Iniciais. Como estas
variáveis, de acordo com as Restrições de Não Negatividade, devem assumir
valores positivos (≥ 0), ter Termos Independentes não negativos para todas as
Restrições Funcionais é condição indispensável para a iniciação do Simplex
4.6.5. Problemas de Minimização
Quando a Função Objetivo do PPL é de minimização, existem duas opções

para solução do problema (ARAÚJO, 2013):
1. Adaptar o modelo PPL de tal forma que o procedimento de resolução

via Simplex aplicado para problemas na Forma Padrão possa ser utilizado;
2. Adaptar o procedimento de resolução Via Simplex para que este possa
ser utilizado na resolução de um PPL de minimização.
Em suma, ou o problema é adaptado ou o procedimento de solução o é.
Opção 1 - Adaptação do PPL
Para os casos em que o modelo tenha uma função de minimização, basta

substituir esta função pela sua simétrica, ou seja (BORNSTEIN; BREGALDA;
OLIVEIRA, 1988):
∑ * + ( ) ∑
Por exemplo, são equivalentes as seguintes Funções Objetivo:
Opção 2 - Adaptação do Procedimento de Solução
De acordo com Hillier e Lieberman (2006), para problemas de Programação

Linear com Função Objetivo de minimização cuja solução envolva uso de Variáveis
Artificiais, um cuidado especial que se deve ter é com a modificação da Função
Objetivo. Nestes casos, o produto do coeficiente M pela Variável Artificial
90
correspondente deverá ser somado na equação que representa a Função Objetivo e

não subtraído como acontece para o caso da Maximização.
Por exemplo, considerando (Z = x1 + 3x2 - 4x3) como a Função Objetivo e (̅4)

como a Variável Artificial introduzida no PPL, a seguinte transformação deverá ser
feita na equação da Função Objetivo:
Sendo M um valor muito alto, qualquer valor assumido pela Variável Artificial,
por menor que seja, resultará em um incremento muito alto no valor da Função
Objetivo. Assim, sendo a Função Objetivo de minimização, o Simplex força o valor
dessa Variável Artificial à zero.
Da mesma forma que para um problema de maximização, também na

minimização as Variáveis Artificiais devem ser eliminadas da equação da Função
Objetivo. Para que isto seja feito, a Função Objetivo deve ser somado ao produto do
coeficiente M pela equação de Restrição de sua correspondente Variável Artificial
Suponha que ( ̅ ) seja a equação de Restrição

correspondente à Variável Artificial ( ̅ ) do exemplo acima mencionado. Logo:
̅ ̅
( ) ( ̅ ) ̅
A operação que deve ser executada para eliminação da Variável Artificial ̅

na equação da Função Objetivo é apresentada na sequência:
( ) ( ) ̅
( ) ( ) ( )
Outra consideração a ser feita é em relação ao Teste de Otimalidade. Se num

problema de maximização a Solução BV atual para o PPL é obtida quando todos os
coeficientes das Variáveis Não Básicas na Função Objetivo são menores ou iguais à
zero, ou seja, quando todos os coeficientes forem negativos; para um problema de
91
minimização estes coeficientes devem ser todos positivos (PEREIRA DOS SANTOS,
2000).
Um último cuidado que se deve ter é em relação à Determinação da Variável

Básica que Entra. Se para o problema de maximização a Variável Básica que Entra
é escolhida dentre as Variáveis Não Básicas da Função Objetivo como sendo aquela
com o maior valor positivo para o coeficiente correspondente; para o problema de
minimização é escolhida aquela com coeficiente negativo de maior valor em módulo.
Por outro lado, o critério de escolha da Variável Básica que Sai continua sendo o
mesmo (PEREIRA DOS SANTOS, 2000).
4.6.6. Ocorrência de Variáveis Irrestritas em Sinal
Algumas Variáveis de Decisão podem assumir qualquer valor, seja negativo,

positivo ou nulo. Estas são chamadas de Variáveis Irrestritas em Sinal (PEREIRA
DOS SANTOS, 2000).
Uma Variável Irrestrita em Sinal pode ser expressa pela diferença de duas
variáveis positivas tal como apresentado na sequência (BORNSTEIN; BREGALDA;
OLIVEIRA, 1988):
( )
 xk variável livre;
 x’k e x’’k variáveis positivas.
Existem basicamente três possibilidades de ocorrência tal como apresentado

na Tabela 15:
Tabela 15 – Combinações possíveis para os valores das Variáveis Livres

Valor de
0 0 0
Maior que zero Maior que zero 0
Menor que zero 0 Maior que zero
Uma característica das Variáveis Irrestritas em Sinal que deve ser

mencionada é que as mesmas não respeitam ao conjunto de Restrições de Não
Negatividade do modelo. Como a obediência a este conjunto de Restrições
corresponde a uma condição necessária para a aplicação do algoritmo Simplex, logo
92
não se pode introduzir diretamente no modelo de PL Variáveis de Decisão que

sejam consideradas como irrestritas em sinal. Alternativamente, cada uma destas
variáveis deve ser substituída pela diferença de duas variáveis positivas (LOESCH,
1999 apud CARVALHO JÚNIOR, 2006).
4.6.7. Variável com Limite Inferior
O tempo de cálculo da solução ótima de um modelo de PL aumenta muito

mais como o número de Restrições Funcionais do que com o número de variáveis.
Por outro lado, algumas Restrições Funcionais podem ser contornadas de modo a
reduzir o tempo de processamento na resolução do problema. É o caso das
Restrições para limitação inferior no valor das Variáveis de Decisão: Supondo uma
Restrição (xj k, onde k é uma constante positiva), esta pode ser adaptada fazendo
a substituição da variável (xj) no modelo original pela expressão (x’j + k, onde x’j 0)
(MORAES DA SILVA, 2006).
4.7. ANÁLISE DE PÓS OTIMIZAÇÃO
Na formulação de um modelo de PL os dados disponíveis para definição dos

parâmetros envolvidos “são quase sempre imprecisos, duvidosos, meras estimativas
e estão sujeitos, portanto, a variações, ou seja, sujeitos a um certo grau de
incerteza” (BORNSTEIN; BREGALDA; OLIVEIRA, 1988).
Uma parte importante do estudo da Programação Linear é a Análise de Pós

Otimalidade. Esta é utilizada para o estudo das consequências na solução ótima do
PPL provocadas por alterações nos valores dos parâmetros do modelo (MORAES
DA SILVA, 2006).
A Análise de Pós Otimização representa uma etapa de extrema relevância

nas aplicações envolvendo Programação Linear. Segundo Hillier e Lieberman
(2006), esta analise é feita após a determinação de uma Solução Ótima para o
problema e abrange uma série de estudos com abordagens diferentes podendo
estes serem aplicados para ajudar à responder a perguntas importantes na tomada
de decisão, do tipo:
93
 Será que a configuração do processo estudado é a melhor? Seria

conveniente fazer alterações?
 O que aconteceria se o custo de produção no processo estudado
aumentasse? E se o mercado sofresse uma retração e os produtos tivessem
que ser estocados? Quais os maiores riscos e cuidados que devem ser
tomados?
 E talvez, a mais importante pergunta seria: Será que a solução ótima
apontada pela PL é realmente sólida, ou seja, seria ela, na prática, uma boa
solução mesmo considerando todos os riscos envolvidos no processo
estudado?
Quando um ou mais parâmetros de um modelo são modificados, é criado de

certa forma uma nova versão do modelo, um cenário diferente para o problema
estudado. E para cada nova versão do modelo que é criada deve-se, a princípio,
reaplicar o método simplex desde o início.
Para problemas grandes, o calculo via Simplex dos diversos modelos criados
pode se mostrar impraticável devido ao custo envolvido e principalmente ao alto
tempo demandado. Assim, a análise feita resolvendo-se novamente o modelo só é
adotada como último recurso (PEREIRA DOS SANTOS, 2000).
A Análise de Pós Otimização de um modelo de programação linear encontra-

se apoiada em uma série de estudos dentre os quais podem ser destacados:
 Reotimização do modelo de PL;

 Validação do modelo de PL;
 Análise de Sensibilidade;
 Análise Paramétrica.
Os tópicos 4.7.1, 4.7.2, 4.7.3 e 4.7.4 serão utilizados para discussão sucinta
das principais ideias envolvidas em cada um destes estudos.
Algo que deve ser ressaltado é que, assim como foi discutido (Tópico 4.2.4), o
grau de incerteza dos parâmetros do modelo pode ser muito elevado, a tal ponto de
serem considerados como variáveis aleatórias. Nestes casos a aplicação da Análise
de Pós Otimalidade mostra-se limitada e a utilização de uma técnica alternativa ou
94
complementar à Programação Linear pode ser necessária, por exemplo, a

Simulação Computacional, que assim como a PL, é destacada por diversos autores
como uma as mais importantes técnicas de Pesquisa Operacional.
4.7.1. Reotimização
Um recurso da PL bastante útil nos estudos de Análise de Pós Otimalidade é

a Técnica de Reotimização. Esta técnica proporciona uma grande economia de
tempo na resolução das variações de um modelo de PL causadas pela modificação
nos valores dos seus parâmetros.
Na Reotimização, ao invés de se recalcular a partir do inicio cada novo

modelo criado, é utilizada como Solução BV inicial a solução ótima de um modelo já
previamente calculado. Esta solução inicial encontra-se muito mais próxima da
solução ótima, o que implica na queda brusca do numero de iterações necessárias
para a resolução de cada novo modelo. Modelos estes que não podem apresentar
uma alteração muito drástica em relação ao modelo previamente resolvido. Por outro
lado, caso a solução ótima de um modelo prévio não seja viável para o próximo
modelo, faz-se uso de um algoritmo relacionado, o conhecido Método Simplex Dual
E assim como diz Bornstein; Bregalda e Oliveira (1988): “a filosofia dos

estudos de pós otimização é aproveitar o conhecimento adquirido na solução do
PPL original para a solução do novo PPL”.
4.7.2. Validação do Modelo
A validação do modelo representa uma importante etapa no estudo da

Programação Linear. É a etapa responsável pela verificação da representatividade
do modelo para com a realidade estudada. Assim, caso seja constatado que o
modelo não reproduza satisfatoriamente a realidade, o mesmo deve ser reformulado
(CARVALHO JÚNIOR, 2006).
Quanto maior o tamanho do problema estudado maiores são as chances de

que o seu modelo matemático construído contenha falhas. Uma boa maneira de se
iniciar a Validação do Modelo é dar uma revisão nele em busca de erros óbvios ou
descuidos. Recomendasse para isso que o grupo responsável pela revisão
95
apresente como um de seus membros integrantes uma pessoa que não tenha
participado da construção do modelo (HILLIER; LIEBERMAN, 2006).
4.7.3. Análise de Sensibilidade
A Análise de Sensibilidade compreende o estudo da dependência do valor da

Função Objetivo com relação às modificações discretas e conhecidas nos valores
dos parâmetros do modelo (BORNSTEIN; BREGALDA; OLIVEIRA, 1988).
Relembrando, o conjunto de parâmetros do modelo é formado por:
 Termos Independentes das Restrições Funcionais (bj);

 Coeficientes das Variáveis de Decisão nas Restrições Funcionais (aij);
 Coeficientes das Variáveis de Decisão na Função Objetivo (cj).
Um dos objetivos principais de um estudo de Análise de Sensibilidade é a

identificação dos Parâmetros Sensíveis do PPL, ou seja, aqueles parâmetros que,
quando modificados, implicam obrigatoriamente em uma alteração da Solução Ótima
do PPL (HILLIER; LIEBERMAN, 2006).
A determinação dos parâmetros sensíveis de um modelo de PL e a análise de

sensibilidade destes parâmetros são realizadas a partir de indicadores apontados
pelo método Simplex. Na prática, estes indicadores são apresentados na forma de
relatórios gerados nos softwares de Programação Linear disponibilizados no
mercado.
Além dos indicadores de sensibilidade da variação dos parâmetros na solução

do modelo, existem também indicadores da modificação dos valores de algumas
variáveis em relação ao valor ótimo apontado pelos algoritmos de solução.
É importante ressaltar que existem alguns temas centrais que precisam ser
discutidos para um entendimento pleno sobre o que representa e como utilizar a
Análise de Sensibilidade e a Análise de Pós Otimalidade de uma forma geral. Como
é o caso, por exemplo, da Teoria da Dualidade, apontada por Bornstein; Bregalda e
Oliveira (1988) como um dos tópicos avançados da Programação Linear.
De maneira simplificada, depois que os parâmetros sensíveis que afetam a

solução ótima forem identificados, o objetivo fundamental do estudo de Análise de
96
Sensibilidade é procurar por uma solução confiável que possa ser utilizada na
prática. Solução esta capaz de atender a todo o intervalo de valores prováveis dos
parâmetros sensíveis (HILLIER; LIEBERMAN, 2006).
Alguns autores, como Estellita e Lins (2006) não diferencia a Análise de

Sensibilidade da Análise de Pós Otimização, diferente de Hillier e Lieberman (2006),
que considera a Análise de Sensibilidade como um dos estudos (“técnica”) dentro da
Pós Otimização.
4.7.4. Análise Paramétrica
Enquanto a Análise de Sensibilidade estuda a alteração na solução de um

PPL por meio de “alterações discretas e conhecidas” nos valores dos parâmetros do
modelo, a Análise Paramétrica, por outro lado, estuda o impacto na solução do PPL
pela “variação contínua de um ou mais parâmetros do modelo” (BORNSTEIN;
Para Hillier e Lieberman (2006), a Análise Paramétrica permite analisar a

correlação entre os diversos parâmetros do modelo pois estudam o efeito da
variação de vários parâmetros simultaneamente, o que não pode ser feito na Análise
de Sensibilidade, onde cada parâmetro é modificado um por vez. Em contrapartida,
estes autores afirmam que, assim como a Análise de Sensibilidade, a Programação
Paramétrica pode também ser realizada a partir de informações disponibilizadas
pelo método simplex.
4.8. EXEMPLOS DE EXTENSÕES DA PROGRAMAÇÃO LINEAR
Existem problemas mais específicos que podem ser encontrados na prática.

Para estes problemas, o método simplex original tal como apresentado
anteriormente neste trabalho, não se mostra apropriado. A resolução destes
problemas exige aplicação de métodos também específicos, na realidade, extensões
do método simplex original (ARAÚJO, 2013).
Nesta seção serão introduzidas duas das mais conhecidas e utilizadas

extensões da Programação Linear: a Programação Inteira e a Programação Linear
Multiobjetivo.
97
4.8.1. Programação Linear Inteira
Existem alguns problemas de Programação Linear nos quais se faz

necessário trabalhar com valores inteiros. Um exemplo bastante comum deste tipo
de problema é quando se trabalha com alocação de pessoal, máquinas e veículos
(MARTINS, 2013).
Em virtude da Hipótese da Divisibilidade (Tópico 4.2.3), um problema que

envolva uso de Variáveis de Decisão com Restrição para valores inteiros não pode
ser resolvido pela Programação Linear clássica. Para estes casos, alternativamente,
utiliza-se uma extensão da PL, a denominada Programação Inteira (PI) (CARNIATO,
2005).
Quando todas as Variáveis de Decisão do modelo de PL são do tipo inteiro é

dito que se trata de um problema de Programação Inteira Pura. Em contrapartida, se
apenas algumas dessas variáveis tiverem valores inteiros, trata-se de um problema
de Programação Inteira Mista. Logo, o modelo matemático para a Programação
Inteira é o mesmo modelo utilizado na Programação Linear exceto por “uma
Restrição adicional”, a de que todas as variáveis do problema, ou pelo menos parte
delas, devem assumir valores inteiros (MORAES DA SILVA, 2006).
Uma aplicação importante da Programação Inteira é na resolução de

problemas envolvendo uma série de decisões do tipo “sim-ou-não”. Este tipo de
problema é marcado pelas escolhas sim e não. Por exemplo, o caminhão A deve ser
alocado à frente de minério B ou não? Em problemas como estes é feito o uso das
conhecidas variáveis binárias, ou seja, variáveis que só podem apresentar dois
valores, por exemplo, 1 para sim e 0 para não. Problemas de PI contendo apenas
variáveis binárias fazem parte da denominada Programação Inteira Binária (PIB)
4.8.2. Programação Linear por Metas
A Programação Linear Multiobjetivo integra uma gama de extensões da

Programação Linear. Estas extensões são utilizadas no tratamento de uma
categoria de problemas marcada pela obtenção de diversos objetivos ou metas,
geralmente conflitantes entre si, mas que devem ser atingidos simultaneamente.
98
Nestas circunstâncias, não existe solução única que otimize todas as metas
impostas (TICONA, 2003 apud PANTUZA JÚNIOR, 2011).
Diferente da Programação Linear clássica, que é mono-objetivo, a

Programação Linear Multiobjetivo raramente admite uma solução simples. Pelo
contrário, a solução é composta por uma família de soluções que devem ser
consideradas equivalentes, cabendo ao analista decidir por qual destas soluções
adotar. São as denominadas Soluções Pareto-Ótimas (FONSECA, FLEMING; 1995
apud PANTUZA JÚNIOR, 2011).
Uma das mais conhecidas extensões da PL dentro da Programação Linear

Multiobjetivo é a denominada Programação Linear por Metas (Goal Programming).
Existem diversos métodos utilizados para a abordagem e resolução de problemas na
Programação Linear por Metas sendo um dos mais utilizados o Método dos Pesos
também conhecido como Programação Linear Arquimediana (MARTINS, 2013).
De maneira simplificada, o Método dos Pesos procura converter os múltiplos

objetivos do problema em um único. Cada um dos objetivos envolvidos corresponde
a uma meta de importância distinta na otimização do problema e o nível de
importância de cada meta na resolução do problema é obtido pela atribuição de
diferentes pesos para cada uma dessas metas sobre o valor final assumido pela
Função Objetivo (PANTUZA JÚNIOR, 2011).
Um dos pontos fortes da Programação Linear por Metas é a sua grande

flexibilidade pelo fato de permitir a utilização de Restrições relaxadas. Para isso é
feito o uso das denominadas Variáveis de Desvio. Estas variáveis representam
desvios positivos ou negativos em relação às metas estabelecidas num modelo de
PL (MORAES, 2005).
Uma meta é atingida se e somente se a variável de desvio correspondente for

reduzida a zero. Desse modo, para que a solução do problema aproxime tanto
quanto possível das metas estabelecidas no problema, as variáveis de desvio são
inseridas na Função Objetivo para que sejam minimizadas. Desse modo, de acordo
com seu grau de relevância, para cada variável de desvio na Função Objetivo é
atribuído um peso, uma penalização para o desvio de cada meta correspondente
(MARTINS, 2013).
99
A estrutura analítica básica de um modelo de Programação por Metas

segundo o Método dos Pesos é apresentada na sequência.
A Função Objetivo segue o seguinte padrão (MARTINS, 2013):
∑( ) ( )
Onde:
 ni desvio negativo em relação a meta i;

 ai peso/penalidade para o desvio negativo em relação a meta i;
 pi desvio positivo em relação a meta i;
 bi peso/penalidade para o desvio positivo em relação a meta i;
 q número de metas definidas.
Quanto maior o valor do peso ou penalidade atribuída a um determinado

desvio na Função Objetivo, tanto maior será o esforço do algoritmo de resolução
utilizado na minimização do desvio considerado.
Na prática, além do fator peso, um fator adicional deve ser multiplicado à cada
variável de desvio na Função Objetivo. Este fator é conhecido como Fator de
Normalização e é utilizado para equilibrar os valores das variáveis de desvios uma
vez que estes valores podem diferir muito em termos de grandeza, o que pode
acabar por mascarar o real peso de cada uma dessas variáveis sobre o valor final da
Função Objetivo (MORAES, 2005).
As Restrições seguem as formas apresentadas na sequência:
Restrições de Igualdade (=):
( ) ( )
Onde:
 fi(x) Restrição correspondente a i-ésima meta;

 ni desvio negativo em relação a meta i;
 pi desvio positivo em relação a meta i;
 mi valor para a i-ésima meta;
100
 x Variáveis de Decisão;
 F conjunto de Restrições do modelo.
O valor da Restrição fi(x) só atingirá a meta estabelecida mi se e somente se

(ni = pi = 0). Do contrário, ou assumirá um valor acima da meta definida, neste caso,
(ni = 0) e (pi ≥ 0), ou poderá assumir um valor abaixo da meta definida, neste caso
(ni ≥ 0) e (pi = 0).
Restrições de Menor ou Igual (≤):
( ) ( )
Neste caso, automaticamente: ni = 0.
Restrições de Maior ou Igual ( ):
( ) ( )
Neste caso, automaticamente: pi = 0.
EXEMPLO PROPOSTO 3 - Num problema de blendagem de minérios deseja-se

como meta, que o produto da mistura de quantidades de minério (xi), provenientes
de 4 pilhas de teores (ai) para dado elemento químico de interesse (onde ai equivale
a 30% para i = 1, 48% para i = 2, 42% para i = 3 e 35% para i = 4), resulte numa
mistura com teor (m = 45%), podendo este oscilar entre um valor mínimo dado por
(min = 40%) e um valor máximo dado por (max = 50%). Deseja-se também como
meta a minimização da quantidade de contaminante (c) (onde c i equivale a 100 ppm
para i = 1; 85 ppm para i = 2; 64 ppm para i = 3 e 120 ppm para i = 4). Determine o
modelo para este problema apoiado na PL por Metas de forma a minimizar os desvio
das metas de qualidade estabelecidas.
Neste exemplo, a meta para o teor do elemento de interesse é de 45% no

produto da blendagem. Por outro lado, admite-se uma folga máxima de 5% para
mais ou para menos em relação à meta estipulada. Esta folga ou tolerância
corresponde aos valores máximo e mínimo admitidos para a variável de desvio
correspondente a meta estabelecida. Na prática, estes limites podem ou não ser
impostos às metas a depender do critério de cada analista.
101
Modelamento:
Fazendo (p) como sendo o desvio positivo em relação à meta estabelecida

para o elemento de interesse e (n) como o desvio negativo correspondente. Para
construção do modelo para este exemplo específico, considere:
Teor do Elemento de Interesse na Mistura Final (Ta):
O teor do elemento de interesse no produto final da blendagem pode ser

determinado pela média ponderada dos teores das pilhas em relação às
quantidades de minério de cada uma dessas pilhas utilizadas na mistura final. Segue
que:
∑
( ) ( )
∑
Restrição 1 - Teor Máximo Admissível do Elemento de Interesse:
O teor do elemento de interesse no produto final da blendagem (Eq. 63) não

pode superar o valor máximo estabelecido, assim:
∑ ∑
∑ ∑
∑ ∑ ∑ ∑ ∑( )
Logo, a Restrição para o teor máximo admissível do elemento de interesse no

produto final da blendagem fica:
∑( ) ( )
Restrição 2 - Teor Mínimo Admissível do Elemento de Interesse:
O teor do elemento de interesse no produto final da blendagem não pode ser

inferior ao valor mínimo estabelecido, logo:
∑ ∑
∑ ∑
102
∑ ∑ ∑ ∑ ∑( )
Logo, a Restrição para o teor mínimo admissível do elemento de interesse no

produto final da blendagem fica:
∑( ) ( )
Restrição 3 - Quantidade de Minério Utilizada de cada Pilha:
Considere, para fins de exemplificação, que a quantidade mínima de minério

utilizada de cada pilha na blendagem seja igual a (tn) toneladas. Assim:
( )
Meta 1 - Teor do Elemento de Interesse no Produto da Blendagem
A primeira meta estabelecida no problema é que o teor do elemento (a) no

produto da blendagem seja igual a 45%, assim:
∑ ∑
∑ ∑
∑ ∑ ∑ ∑ ∑( )
Restrição 4 – Desvio Admissível para a Meta do Teor do Elemento de Interesse no

Produto da Blendagem:
Admitindo-se um desvio para mais (p1) ou para menos (n1) no valor do teor do
elemento de interesse no produto final da blendagem em relação a meta
estabelecida anteriormente, segue que:
∑( ) ( )
A unidade de medida dos desvios (n1) e (p1) é a mesma da expressão

∑ ( ) que a acompanha. O termo ( ) é adimensional (dado em
103
porcentagem) já o termo ( ) tem sua unidade de medida expressa em toneladas.

Do produto do primeiro pelo segundo termo define-se a unidade final, expressa em
toneladas.
Meta 2 – Minimização da Quantidade de Contaminante
A quantidade total de contaminante (c), em ppm, é definida pela soma das

concentrações de contaminante em cada uma das 4 pilhas de minério ponderadas
pelas quantidades correspondentes utilizadas na mistura final, assim:
∑
∑
O ideal seria que a quantidade de contaminante fosse nula, ou seja:
∑
∑
∑
Para tornar o problema mais tolerante, será admitido um desvio positivo (p 2)

para o valor do contaminante na mistura final:
Como (ci) é adimensional, segue que a variável dp tem a mesma unidade de

medida da variável (xi), ou seja, toneladas.
Função Multiobjetivo:
A função multiobjetivo é dada pela soma ponderada dos desvios definidos no

modelo, assim:
( ) ( ) ( )
Onde:
 a peso/penalidade para o desvio negativo n;

 b peso/penalidade para o desvio positivo p.
 Índice 1 referente à meta 1
 Índice 2 referente à meta 2

104
Considerando que (c) é uma quantidade positiva, a Restrição da Eq. 66

apresentada anteriormente garante que os valores assumidos pelas variáveis (xi)
sejam estritamente positivos, portanto, não é necessário impor Restrições de Não
Negatividade para o conjunto (xi). Por outro lado, para os desvios (n) e (p) segue
que:
( )
( )
O modelo final para o problema proposto é apresentado na sequência.
( ) ( )
∑( )
∑( )
∑( )
Na prática, várias extensões da Programação Linear podem ser utilizadas de

forma combinada no modelamento, resolução e análise dos modelos de PL.
105
5. INTRODUÇÃO AO LINGO
Quando um modelo de PL apresenta um número reduzido de variáveis, pode-

se recorrer à aplicação manual do Método Simplex para solução do mesmo. Em
contrapartida, na maioria dos problemas reais, o número de variáveis e restrições
envolvidas é muito grande, sendo necessário a utilização de recursos
computacionais para se obter a solução ótima do problema (ARAÚJO, 2013).
Em vista da limitada aplicação da PL em sua forma manual, restrita a

problemas de pequena dimensão, o mercado fornece uma ampla variedade de
softwares para a implementação desta técnica via computador, cada qual com uma
capacidade de processamento.
Para aumentar o contato do leitor com a prática da Programação Linear este

capítulo se dedicará a introdução de um dos softwares mais conhecidos e utilizados,
o LINGO.
O LINGO é um pacote de software utilizado para modelação, resolução e

análise das soluções de Problemas Lineares e Não Lineares de otimização (GOMES
JÚNIOR; SOUZA, 2004).
O LINGO foi projetado para formulação eficiente de modelos considerados

grandes, mas o mercado disponibiliza versões de diversos tamanhos (capacidade de
processamento). A maior versão (Estendida) é limitada somente pela memória
disponível no computador. Para outras versões existe limitação em relação ao
número de Restrições Funcionais e Variáveis de Decisão do modelo (HILLIER;
LIEBERMAN, 2006).
Uma versão gratuita do LINGO pode ser baixada no endereço eletrônico do

fabricante: www.lindo.com. Esta versão possui capacidade limitada (150 restrições e
300 variáveis), mas pode ser utilizada para resolução de problemas pequenos,
suficiente para familiarização com a ferramenta.
5.1. MODELAMENTO NO SOFTWARE LINGO
Quanto ao modelamento de um problema no LINGO, tem-se na sequência a

listagem das principais etapas a serem executadas (MORAES, 2005):
106
 Definição dos Conjuntos (SETS);

 Entrada de Dados (DATA);
 Estruturação do Modelo (Definição das Restrições e Funções Objetivo
do modelo).
Para facilitar a compreensão do leitor, as etapas de modelamento tal como

apresentadas na listagem anterior serão descritas com base no exemplo explicitado
na sequência.
EXEMPLO PROPOSTO 4 – Considere uma mineração com 10 frentes de lavra,

cada qual com uma composição de Alumínio (Al). Supondo que todo material seja
aproveitado como minério, admita que exista apenas um ponto de descarregamento
do material, a britagem primária. Cada frente possui um custo de transporte
diferenciado, primeiro pela diferença na distancia percorrida de cada frente até o
ponto de descarregamento, segundo pela resposta diferente de cada frota utilizada
no transporte em relação às condições das vias em cada trecho percorrido. São dois
tipos de frota ao todo, 1 e 2. As capacidades de transporte são de 3000 e 4500
toneladas por dia para cada frota, respectivamente. Cada frente apresenta uma
capacidade máxima limite de extração diária correspondente à parte liberada pela
lavra. Além disso, os materiais extraídos e transportados das diversas frentes
deverão, no conjunto, apresentar uma composição de Al superior a 45% e satisfazer
a uma produção de 6000 toneladas por dia, demanda da usina de beneficiamento.
Deseja-se saber qual o número de viagens a ser realizado por cada uma das duas
Frotas disponíveis.
Nota: Suponha que um veículo da Frota 1 tenha capacidade de (10 t) e da Frota 2

de (15 t).
5.1.1. Operadores e Funções do LINGO
Cada software de PL possui uma linguagem de modelagem própria para a

descrição e identificação do problema a ser solucionado.
As linguagens de modelagem são responsáveis pela parte de pré-

processamento e interface com os algoritmos de otimização, tal como é o Simplex.
Estas linguagens possibilitam ainda a separação do modelo dos dados do problema,
107
o que pode facilitar na manipulação das informações, tornando assim o estudo mais
dinâmico (CARNIATO, 2005).
Para a construção de um modelo de PL no LINGO, antes é necessário

apresentar os operadores e funções elementares utilizadas neste software. É por
meio destes que a linguagem do programa é estruturada.
Alguns dos principais operadores do LINGO são classificados por categorias

conforme apresentado nas tabelas 16, 17 e 18.
Tabela 16 – Operadores Aritméticos do LINGO

Operador Operação
^ Exponenciação
* Multiplicação
/ Divisão
+ Adição
- Subtração
(-) Negação
Fonte: Adaptado de ALVES; COSTA; GUIMARÃES; MARTINS e SOUZA [s.d.]
Tabela 17 – Operadores Lógicos do LINGO

Operador Valor de Retorno
#NOT# (verdadeiro) se o operando
imediatamente a direita é (falso)
#EQ# (verdadeiro) se os operandos são iguais
#NE# (verdadeiro) se os operandos não são
iguais
#GE# (verdadeiro) se o operando da esquerda é
maior ou igual ao operando da direita
#GT# (verdadeiro) se o operando da esquerda é
estritamente maior ao operando da direita
#LE# (verdadeiro) se o operando da esquerda é
menor ou igual ao operando da direita
#LT# (verdadeiro) se o operando da esquerda é
estritamente menor que o operando da
direita
#AND# (verdadeiro) se ambos os operandos
possuem valor (verdadeiro)
#OR# (falso) se um dos operandos possui valor
(verdadeiro)
108
Tabela 18 – Operadores Relacionais do LINGO

Operador Valor de Retorno
= A expressão à esquerda deve ser igual à
expressão da direita
<= A expressão à esquerda deve ser menor ou
igual à expressão da direita
>= A expressão à esquerda deve ser maior ou
igual à expressão da direita
O sinal de “menor ou igual” ( ), não se encontra em um teclado padrão,

dessa forma o LINGO trata os sinais <= como equivalente a . De modo análogo, o
sinal é substituído por >= (HILLIER; LIEBERMAN, 2006).
Algumas das principais Funções do LINGO são listadas nas tabelas 19 e 20.
Tabela 19 – Funções Matemáticas do LINGO

Função Retorno
@ABS(X) Retorna o valor absoluto de X
@COS(X) Retorna o cosseno de X, onde X é um ângulo em radianos
@SIN(X) Retorna o seno de X, onde X é um ângulo em radianos
@TAN(X) Retorna a tangente de X, onde X é um ângulo em radianos
@FLOOR(X) Retorna o menor inteiro mais próximo de X
@SMIN(X1,X2,...,XN) Retorna o mínimo valor de X1, X2, ..., e XN
@SMAX(X1,X2,...,XN) Retorna o máximo valor de X1, X2, ..., e XN
Tabela 20 – Funções de Domínio

Função Descrição
@BIN(variável) Restringe a variável apenas a valores binários (0 ou 1)
@BND(inferior,variável,superior) Restringe a variável a valores entre os limites inferior e
superior
@FREE(variável) Permite que a variável assuma quaisquer valores negativos
ou positivos
@GIN(variável) Restringe a variável a assumir apenas valores inteiros
Fonte: Adaptado de ALVES; COSTA; GUIMARÃES; MARTINS e SOUZA [s.d]
As funções e operadores especificados no LINGO são identificadas pela cor

azul (HUMMEL; THORNBURG, s.d.).
5.1.2. Simbologia
Antes de iniciar a descrição das etapas de modelação no LINGO é importante

definir uma nomenclatura ou simbologia para descrição dos componentes do
problema tal como apresentado na sequência para o Exemplo Proposto 4.
109
 Índice i – Índice para a identificação das distintas frentes de lavra (i = 1

para a frente 1; i = 2 para a frente 2, e assim sucessivamente até i = 10 para a
frente 10);
 Índice j – Índice para a identificação das frotas (j = 1 para a frota A e j =
2 para a frota B);
 Parâmetro Custoij – Custo de transporte da frente i para a frota j;
 Parâmetro Teori – Teor de Al da frente i.
 Parâmetro Tmin – Teor mínimo do minério total deslocado das frentes
de lavra;
 Parâmetro Qmaxi – Quantidade máxima de minério que pode ser
deslocada de cada frente i;
 Parâmetro Qminij – Quantidade mínima admissível a ser deslocada de
cada frente i por cada frota j;
 Parâmetro Capj – Capacidade máxima de deslocamento de minério de
cada frota j por dia;
 Variável QtdTranspij – Quantidade a ser deslocada da frente i ao ponto
de britagem pela frota j;
 Variável Desloci – Quantidade total de minério deslocada da frente i;
 NVij – Número de viagens realizadas por cada frota j em cada frente i.
5.1.3. Iniciação e Identificação do Problema
O modelo é iniciado com o comando (MODEL:), sendo usual a identificação

do problema por meio de um título, geralmente posicionado na segunda linha a partir
do início do modelo. O título é escrito logo após o comando (TITLE:), na mesma
linha que este (ALVES; COSTA; GUIMARÃES; MARTINS e SOUZA, s.d.).
Para o Exemplo Proposto 4, considere o título “Deslocamento de Minério”. Na

modelação do LINGO a iniciação e intitulação neste caso seria dada por:
MODEL:
TITLE: Deslocamento de Minério;

110
Toda instrução do LINGO, seja ela Restrição, comentário ou mesmo o título

do modelo são separados uns dos outros por ponto-e-vírgula (;) (HUMMEL;
THORNBURG, s.d.).
5.1.4. Seção SETS
Cada SET do problema é utilizado para o armazenamento de um determinado

conjunto de membros juntamente com seus diversos atributos correspondentes,
parâmetros ou variáveis envolvidas no problema. Assim a Seção SETS pode ser
entendida como um descritor da estrutura dos dados. Um guarda-volumes para
armazenamento das informações do modelo (HILLIER; LIEBERMAN, 2006).
Para o Exemplo Proposto 4, admita as diversas frentes de lavra como um

conjunto de membros integrantes na construção de um SET particular, o qual será
designado por “Frentes”. A cada membro componente, ou seja, a cada frente de
lavra considerada, pode ser vinculado um conjunto de atributos correspondentes,
por exemplo, o teor de alumínio.
A declaração de um SET e seus atributos segue a sintaxe apresentada na

sequência (GOMES JÚNIOR; SOUZA, 2004):
Como pode ser observado do esquema acima, na declaração de um SET,

inicialmente, deve ser declarado um nome para identificação do SET
correspondente. Na sequência, separado por barras (/), são declarados os nomes de
identificação (ID) para o conjunto de membros integrantes do SET, no caso do
exemplo proposto, as frente de minério. Por fim, separado por dois pontos (:), são
declarados os ID’s dos atributos referentes aos membros do SET estabelecido. Para
o Exemplo Proposto 4, segue, destacado na Tabela 21, os ID’s para a identificação
dos membros e atributos do SET “Frentes”.
Tabela 21 – ID’s para o conjunto de membros e atributos do SET Frentes (Exemplo Proposto 4)
ID Descrição
Frentes Frente de lavra i
Teor Teor de Al de cada frente i
Qmax Quantidade máxima admissível de minério que pode ser deslocada de cada
frente (quantidade desmontada)
Desloc Quantidade total de minério a ser deslocada de cada frente
111
A declaração do SET “Frentes” é apresentada na sequência:
Frentes /Frente1,Frente2,Frente3,Frente4,Frente5,Frente6,Frente7,Frente8,Frente9,
Frente10/ :Teor,Qmax,Desloc;
A declaração acima segue o padrão de listagem explícita. Neste padrão, o

nome definido para cada membro do SET é explicitamente identificado, podendo
estes serem separados uns dos outros ou por vírgulas ou por espaçamentos. Por
outro lado, quando se trata de sequências, é possível utilizar o padrão de listagem
implícita. A listagem implícita é marcada pela declaração do primeiro e ultimo
membro da sequência, sendo estes separados por dois pontos (..) (ALVES; COSTA;
GUIMARÃES; MARTINS e SOUZA, s.d.).
Neste caso, o SET “Frentes” do exemplo proposto 4 passa a ser declarado,

implicitamente, da seguinte forma:
Frentes /Frente1..Frente10/ :Teor,Qmax,Desloc;
Note que a separação dos atributos é feita por vírgula (,). O ponto e vírgula (;)
no final da expressão indica o final da declaração do SET considerado.
Outro SET para o exemplo proposto pode ser representado pelo conjunto de
Frotas. Os atributos do SET “Frotas” são apresentados na Tabela 22.
Tabela 22 – ID’s para o conjunto de membros e atributos do SET “Frotas”

ID Descrição
Frota Frota j
Cap Capacidade máxima diária de deslocamento para cada frota j
A declaração do SET “Frotas” pode ser expressa da seguinte forma:
Frotas /Frota1,Frota2 / : Cap;
Partindo-se dos conjuntos ou SET’s primariamente estabelecidos, podem ser

definidos conjuntos secundários, os quais recebem a denominação de SET’s
Derivados. Um SET Derivado pode ser obtido tanto a partir de conjuntos primários
quanto de outros conjuntos derivados, ou da combinação dos mesmos (GOMES
JÚNIOR; SOUZA, 2004).
112
A sintaxe para declaração de um SET derivado é esquematizada na

sequência (ALVES; COSTA; GUIMARÃES; MARTINS; SOUZA, s.d.):
( )
Assim, a declaração de um SET derivado exige as seguintes especificações:
 O nome do conjunto;
 Seus conjuntos pais, ou seja, a declaração dos SET’s previamente
definidos a partir dos quais o SET derivado é construído;
 Opcionalmente, seus membros;
 Opcionalmente, qualquer atributo correspondente aos membros do
SET.
A diferença fundamental na declaração de um SET derivado em relação a um

primário é a declaração dos conjuntos pais, que, assim como apresentado no
esquema acima, é feita logo após a nomeação do conjunto derivado, entre
parênteses.
Na declaração de um SET derivado em que não se define (omite) a lista de

membros do conjunto, o LINGO automaticamente constrói todas as combinações
possíveis para os membros do conjunto derivado a partir dos membros dos
conjuntos pais (HUMMEL; THORNBURG, s.d.).
Para fins de exemplificação, considere o esquema na sequência:
Frentes /Frente1..Frente10 / ;
Frotas / Frota1,Frota2 / ;
FrentFrot(Frentes,Frotas);
Como não foi declarado os membros do SET derivado “FrentFrot”, o LINGO

constrói automaticamente o conjunto de membros a partir de todas as possíveis
combinações entre os membros correspondentes de cada SET pai. A sequência de
membros combinados, definida pelo LINGO, prioriza o sequenciamento dos
conjuntos pais conforme a ordem em que os mesmos foram listados na declaração
do SET derivado.
113
Sendo n conjuntos pais e m membros, considere o conjunto derivado

apresentado na sequência:
( )
Partindo deste conjunto genérico, acima descrito, o sequenciamento dos

membros definidos automaticamente pelo LINGO segue o padrão apresentado na
Figura 21.
Figura 21 – Representação da sequência de membros de um SET derivado criados

automaticamente pelo LINGO
Para o Exemplo Proposto 4, os membros criados automaticamente para o

SET derivado “FrentFrot” são apresentados na Tabela 23.
114
Tabela 23 – Membros para o SET “FrentFrot” (Exemplo Proposto 4)

Índice Membro
1 (Frente 1, Frota 1)
O Índice apresentado na Tabela 23 representa a posição de cada membro

declarado automaticamente pelo LINGO na composição do SET derivado
“FrentFrot”. Os atributos deste conjunto estão apresentados na Tabela 24.
Tabela 24 – Atributos para o SET “FrentFrot” (Exemplo Proposto 4)

ID do Atributo Descrição
Custo Custo de transporte da frente i pela frota j;
Qmin Quantidade mínima deslocada de cada frente i por cada frota j
QtdTransp Quantidade a ser transportada da frente i ao ponto de britagem
pela frota j
NV Número de viagens realizadas por cada Frota j em cada Frente i
A declaração do SET “Frentfrot” pode ser feita da seguinte forma:
FrentFrot(Frentes,Frotas) : Custo,Qmin,QtdTransp,NV;
Um SET derivado é classificado como denso quando contempla todas as

combinações possíveis entre os membros de seus conjuntos pais, do contrário, é do
tipo esparso (HILLIER; LIEBERMAN, 2006).
115
A declaração dos membros de um conjunto esparso pode se dar de forma

explicita. Neste caso é necessária a listagem de todos os membros pertencentes ao
conjunto (ALVES; COSTA; GUIMARÃES; MARTINS; SOUZA, s.d.).
Em relação ao SET “FrentFrot” considere, por exemplo, a declaração de um

conjunto esparso que contemple apenas os membros combinados pertencentes às 2
primeiras frentes. A declaração deste conjunto poderia ser dada por:
FrentFrot(Frentes,Frotas) / Frente1 Frota1, Frente1 Frota2, Frente2 Frota1, Frente2 Frota2 /:

Custo,Qmin,QtdTransp,NV;
Outra maneira de declarar um conjunto esparso é com a utilização de alguma

função lógica.
O uso de uma função lógica na declaração de um SET derivado esparso

funciona como um filtro para impedir que aqueles membros que não satisfazem
algum critério sejam vinculados ao conjunto esparso considerado (ALVES; COSTA;
GUIMARÃES; MARTINS; SOUZA, s.d.).
Para o SET “Frentes” do Exemplo Proposto 4, cada membro componente do

conjunto apresenta um atributo denominado “Teor”. Supondo a construção de um
SET esparso que contemple apenas as frentes de minério com teores considerados
altos, por exemplo, acima de 45%, uma possível declaração para este SET
particular, que será nomeado como “TeoresAltos” é apresentada na sequência.
( ) ( ) : Custo,Qmin,QtdTransp,NV;
O início do filtro de membros é marcado pela barra vertical (|) como pode ser
visto no esquema acima. Neste caso, o atributo comparado no teste lógico é o
“Teor”. O LINGO realiza todas as combinações possíveis de membros derivados dos
conjuntos pais e submete cada um desses membros gerados ao teste lógico
imposto. Apenas os membros que satisfizerem ao teste lógico serão integrados no
conjunto esparso declarado. No exemplo, o teste lógico é se o termo da esquerda
(&1) é maior do que 45.
O índice “&1” funciona como um marcador de lugar, pois a cada teste lógico,
um novo membro do(s) conjunto(s) analisado(s) ocupa a sua posição (ALVES;
COSTA; GUIMARÃES; MARTINS; SOUZA, s.d.).
116
Existe ainda a possibilidade de utilização de funções para a construção ou

mesmo na manipulação de conjuntos. Como por exemplo, a Função @SUM,
utilizada para percorrer um conjunto e retornar o somatório dos valores de um
determinado atributo. A sintaxe para esta atividade é apresentada na sequência
(HILLIER; LIEBERMAN, 2006):
( )
Considerando, por exemplo, o conjunto “FrentFrot”, a quantidade total de

minério deslocado para todas as frentes (DeslocTot) consiste na soma das
quantidades deslocadas para cada frente i por cada frota j (QtdTransp). Esta variável
pode ser determinada tal como indicado na sequência:
( ( ) ( ))
Outra função de destaque é a Função @FOR. Esta função é utilizada para

que uma mesma Restrição seja aplicada a todos os membros de um SET qualquer.
A sintaxe básica é dada por (MORAES, 2005):
( )
Do Exemplo Proposto 4, suponha que seja necessário a determinação do

percentual de contribuição da quantidade de minério deslocada de cada frente i por
cada frota j (“QtdTransp”) sobre a quantidade total de minério movimentada
(“DeslocTot”). Considerando “Contrib” como a denominação para tal contribuição, a
mesma pode ser estabelecida da seguinte forma:
( ( ) ( ) ( ) )
Com essa Restrição de igualdade seria definido o valor do atributo ”Contrib”

para cada um dos membros do conjunto “FrentFrot”. Lembrando que se tal atributo
tiver de ser considerado, o mesmo deverá ser declarado na seção SET em um
conjunto correspondente.
É muito útil também a combinação de Funções e Testes Lógicos em uma

mesma expressão (ALVES; COSTA; GUIMARÃES; MARTINS; SOUZA, s.d.).
Considere, por exemplo, que seja necessário saber a contribuição em

percentual (“Contrib”), apenas para as frentes de teores maiores que 45. Neste caso,
117
poderia ser utilizado um teste lógico em combinação com a função @FOR descrita
acima, assim:
( ( ) () ( ) ( ) )
As funções podem ser ainda utilizadas de forma combinada em expressões.

Por exemplo, uma alternativa para a Restrição acima descrita seria:
( ( ) () ( )
( ) ( ( ) ( )))
No lugar de “Desloc” foi colocada a sua expressão correspondente

@SUM(FrentFrot(i,j) :QtdTransp(i,j)). Nesse exemplo a função @SUM foi aninhada
dentro da Funções @FOR.
De acordo com Alves, Costa, Guimarães e Souza [s.d.], a Função @FOR só

pode ser aninhada dentro de outras funções @FOR.
A Seção SET’s é iniciada no modelo com o comando “SETS:” e termina com

o comando “ENDSETS” (GOMES JÚNIOR; SOUZA, 2004).
A seção SET’s para o exemplo proposto é apresentada na sequência.
SETS:
Frentes /Frente1..Frente10/ :Teor,Qmax,Desloc;
Frotas /Frota1,Frota2 / : Cap;
FrentFrot(Frentes,Frotas) : Custo,Qmin,QtdTransp,NV;
ENDSETS
5.1.5. Seção DATA
Na Seção DATA os valores correspondentes aos parâmetros de entrada do

modelo deverão ser fornecidos, sejam eles membros ou atributos dos conjuntos
declarados na seção SETS. Em outras palavras, é a parte onde é feita a
alimentação dos dados do problema.
A Seção DATA é iniciada com o comando “DATA:“ e termina com o comando

“ENDDATA”. A sintaxe utilizada nesta seção é apresentada na sequência
(MORAES, 2005):
118
A Lista de Objetos contempla o nome de um conjunto e/ou os nomes dos

atributos dos membros correspondentes. Segundo Alves, Costa, Guimarães e Souza
[s.d.], não mais do que um nome de conjunto pode ser indicado na Lista de Objetos,
enquanto que vários nomes de atributos poderão ser listados. Por outro lado, a Lista
de Valores contempla os valores vinculados aos elementos da Lista de Objetos.
Os valores para os parâmetros do Exemplo Proposto 4 são apresentados nas

tabelas 25, 26 e 27:
Tabela 25 – Parâmetros do SET “Frentes” (Exemplo Proposto 4)

FRENTE Teor (%) Qmax (ton/dia)
1 35 675
2 42 450
3 38 1000
4 43 660
5 50 800
6 60 665
7 32 845
8 46 300
9 29 1800
10 43 845
Tabela 26 – Parâmetro do SET “Frotas” (Exemplo Proposto 4)

FROTA Cap (ton/dia)
1 3000
2 4500
Tabela 27 – Parâmetros do SET “FrentFrot” (Exemplo Proposto 4)

Custo (R$/ton) Qmin (ton/dia)
FRENTE
FROTA 1 FROTA 2 FROTA 1 FROTA 2
1 2 3 30 45
2 2 3 30 45
3 1 2 30 45
4 3 4 30 45
5 1 3 30 45
6 1 2 30 45
7 2 1 30 45
8 3 1 30 45
9 3 2 30 45
10 2 3 30 45
119
Qmin foi determinado, empiricamente, como equivalente ao triplo da

capacidade de um veículo de cada uma das frotas consideradas: (10 t) para Frota 1
e (15 t) para a Frota 2. Desse modo, pelo menos três viagens deverão ser feitas a
cada uma das frentes de minério por cada frota, um esforço para tentar minimizar o
congestionamento causado pelo tráfego dos veículos na mina e ao mesmo tempo
garantir um maior aproveitamento dos diferentes tipos de minério e a liberação das
frentes de lavra.
Os parâmetros do modelo podem ser alimentados no modelo LINGO de

várias formas. Para fins de demonstração, considere o SET “Frentes” do Exemplo
Proposto 4, tal como apresentado na sequência:
SETS:
Frentes: Teor,Desloc;
ENDESET
DATA:
Frentes,Teor,Qmax = Frente1,35,675,
Frente2,42,450,
Frente3,38,1000,
Frente4,43,660,
Frente5,50,800,
Frente6,60,665,
Frente7,32,845,
Frente8,46,300,
Frente9,29,1800,
Frente10,43,845;
ENDDATA
Perceba que os membros do SET “Frentes” não foram declarados na seção

SETS. Logo, os membros componentes do conjunto devem ser obrigatoriamente
declarados na seção DATA, tal como exposto no esquema acima.
Na seção DATA, uma das formas de preenchimento dos parâmetros inicia-se

com a identificação do nome do conjunto seguido pelos nomes dos parâmetros
correspondentes separados por vírgula, todos na mesma linha. O sinal de igualdade
marca o início dos valores para os parâmetros declarados. Cada uma das colunas,
separadas por vírgula, corresponde a um parâmetro. A ordem de preenchimento das
colunas deve seguir a ordem da listagem feita do lado esquerdo da igualdade.
120
Para o exemplo apresentado, como os membros do conjunto não foram

declarados na seção SETS, os mesmos tiveram de ser declarados na seção DATA,
ocupando a posição da primeira coluna após o sinal de igualdade. Observe ainda
que após a indicação do último valor na listagem de parâmetros faz-se necessário a
colocação de um sinal ponto e virgula para indicar o fim da declaração dos dados
para o SET considerado.
Ainda considerando o SET “Frentes”, caso os membros tivessem sido

declarados previamente na seção SETS, a configuração utilizada seria:
SETS:
Frentes / Frente1..Frente10 / : Teor,Qmax,Desloc;
ENDESET
SETS:
Frentes / Frente1..Frente10 / : Teor,Qmax,Desloc;
ENDESET
DATA:
Frentes,Teor,Qmax = 35,675,
42,450,
38,1000,
43,660,
50,800,
60,665,
32,845,
46,300,
29,1800,
43,845;
ENDDATA
Como a declaração dos membros do SET foi feita na Seção SETS, não há
necessidade para a declaração na Seção DATA.
O LINGO ainda permite que valores de parâmetros que não pertençam a um

conjunto específico sejam atribuídos na seção DATA (HUMMEL; THORNBURG,
s.d.).
Suponha, por exemplo, que em um problema seja utilizado um valor

constante para uma taxa de juros (suponha 40% ou 0,4). Este parâmetro poderia ser
declarado diretamente, conforme apresentado na sequência:
121
DATA:
Taxa_de_Juros = 0.4
ENDDATA
A seção DATA para o Exemplo Proposto 4 podia ser arranjada da seguinte

forma:
DATA:
Frentes,Teor,Qmax = 35,675,
42,450,
38,1000,
43,660,
50,800,
60,665,
32,845,
46,300,
29,1800,
43,845;
Frotas,Cap = 3000,
4500;
FrentFrot,Custo,Qmin = 2,30,
3,45,
2,30,
3,45,
1,30,
2,45,
3,30,
4,45,
1,30,
3,45,
1,30,
2,45,
2,30,
1,45,
3,30,
1,45,
3,30,
2,45,
2,30,
3,45;
Tmin = 0.45;
ENDDATA
122
A ordem de disposição dos membros para o SET “FrentFrot” pode ser

visualizada conforme apresentado na Tabela 23.
É importante destacar que é possível a comunicação do LINGO com planilhas

do MS Excel por meio de comandos de importação e exportação de dados. Este é
um recurso muito útil pois grande parte das mineradoras no Brasil fazem uso do MS
Excel para armazenamento de dados e os funcionários já estão muito familiarizados
com esta ferramenta.
5.1.6. Construção do Modelo
Função Objetivo:
Existem dois comandos utilizados para identificar a Função Objetivo quanto à

categoria do problema a ser resolvido, se de maximização ou minimização. São
estes os comandos MAX e MIN respectivamente (MORAES, 2005).
Para o Exemplo Proposto 4 a Função Objetivo poderia ser definida ou pela

maximização da produção, ou pela minimização dos custos de transporte, etc.
Considere, por exemplo, a minimização dos custos de transporte. Neste caso, a
Função Objetivo correspondente pode ser estabelecida tal como apresentado na
sequência:
∑∑ ( )
Esta expressão (Eq. 71) consiste na somatória dos custos individuais de

transporte de minério de cada frente i por cada frota j. Tal como pode ser observado,
esta Função Objetivo é de minimização. Para a linguagem utilizada no LINGO esta
expressão pode ser reescrita da seguinte forma:
( () ( () ( ) ( )))
Ou de forma equivalente, fazendo uso do SET derivado “FrentFrot”, segue

que:
( ( ) ( ) ( )))
123
De acordo com Alves, Costa, Guimarães, Martins e Souza [s.d.], nas

formulações, os parâmetros e variáveis do problema devem ser referenciados pela
identificação de seus SET’s correspondentes. Por exemplo, caso uma formulação
faça uso do parâmetro Custo(i,j), deverá ser indicado o(s) SET(’s) de
correspondência à este parâmetro, no caso, os SET’s frentes(i) e frotas(j) pois para
cada combinação de frente e frota existe um custo(i,j) associado. Alternativamente
poderia ser indicado o SET derivado CustoTransp(i,j) tal como foi apresentado na
Restrição do exemplo anterior.
Restrições:
Será apresentado na sequência as Restrições para o Exemplo Proposto 4.

Inicialmente na notação matemática convencional e logo depois, na linguagem de
modelação do LINGO.
Restrição 1 - Teor mínimo do minério total deslocado das frentes de lavra:
A média dos teores de todo o minério deslocado do conjunto de frentes de

lavra, tal como destacado no enunciado do exemplo, não deve ser inferior ao valor
mínimo Tmin = 0.45 ou 45%.
O teor médio do minério deslocado é obtido a partir da média dos teores de

cada frente (Ti) ponderados pelas correspondentes quantidades deslocadas
(Desloci). Assim:
∑
∑
Linearizando a expressão acima segue que:
∑
∑ ∑
∑
∑ ∑
Logo, a Restrição para o teor mínimo do minério total deslocado das frentes
de lavra fica:
124
∑ ∑ ( )
Na linguagem do LINGO esta Restrição (Eq. 72) é dada por:
( () () ( )) ( ( () ( ))))
Restrição 2 - Limite máximo de minério deslocado de cada frente i:
A quantidade de minério deslocada de cada frente i (“Desloc”) não pode

ultrapassar o valor máximo admissível de minério desmontada nesta frente
(“Qmax”). Esta Restrição é apresentada na sequência:
( )
Na linguagem do LINGO fica:
( () () ( ))
Conforme destaca Alves, Costa, Guimarães, Martins e Souza [s.d.], na

linguagem adotada pelo LINGO, toda Restrição do tipo (para todo), é escrita
começando com o comando @FOR. Assim, a expressão ( i Frentes) equivale no
LINGO à expressão (@FOR(Frentes(i): )).
Restrição 3 - Limite mínimo de minério deslocado de cada frente i por cada frota j:
A quantidade de minério deslocada de cada frente i por cada frota j

(“QtdTransp”) não pode ser inferior ao valor mínimo de minério deslocado de cada
frente i por cada frota j (“Qmin”). Esta Restrição é apresentada na sequência:
( )
( ( ) ( ) ( ))
Restrição 4 - Quantidade total de minério deslocada de cada frente:
A quantidade total de minério deslocada de cada frente (“Desloc”)

corresponde a soma das quantidades de minério deslocadas de cada frente (i) por
125
cada uma das frotas (j). Por exemplo, a quantidade total de minério deslocada da
frente 1, ou seja, Desloc1 é dada por:
( )
De forma análoga podem ser determinados os valores de “Desloc” para as

demais frentes de minério lavradas. A Restrição final é apresentada na sequência:
∑ ( )
( () ( () ( )) ( ))
Restrição 5 - Limite máximo de minério total deslocado por cada frota j:
A quantidade de minério total deslocada das frentes de minério por cada frota
j não pode ultrapassar o limite máximo (“Cap”) de 3000 para a frota 1 e 4500 para a
frota 2. Na notação matemática esta Restrição é dada por:
∑ ( )
Para o LINGO fica:
( () ( () ( )) ( ))
Não é necessário declarar as Restrições de não negatividade para as

variáveis no LINGO, pois como padrão, tais Restrições são consideradas
automaticamente (HILLIER; LIEBERMAN, 2006).
Para outros tipos de Restrições adicionais tal como a limitação dos valores
das variáveis à números inteiros, é necessário fazer uso das Funções de Domínio
apresentadas na Tabela 20 (Tópico 5.1.1).
Número de Viagens Realizadas

126
O número de viagens a ser realizada por cada Frota j em cada Frente i (“NV”)
pode ser obtida dividindo-se a quantidade de minério deslocado em cada frente por
cada frota (“QtdTransp”) pela capacidade de carga de cada veículo de cada frota,
que corresponde à terça parte da quantidade mínima de minério deslocada de cada
frente por cada frota (Qmin), assim:
( )
( ⁄ )
Aparentemente a Restrição 78 não é linear, mas é, isso porque o

denominador (Qminij) corresponde na realidade a um parâmetro (valor fixo) do
modelo e não a uma variável, como é o caso do termo (QtdTransp ij).
No LINGO o número de viagens NVij (Eq. 78) pode ser obtida da seguinte
forma:
( ( ) ( ) ( ))
5.2. ROTULAGEM DE NOMES
Uma facilidade proporcionada pelo LINGO é a possibilidade de nomeação de

uma Restrição, da Função Objetivo ou até mesmo de trechos ou partes dessas
expressões. Isso facilita muito na identificação desses componentes nos relatórios
das soluções geradas ou na localização de erros apontados pelas mensagens de
alerta do programa.
Para rotular uma Restrição ou expressão, basta inserir um nome entre

colchetes no início da mesma. Todo nome deverá começar com um caractere
alfabético (A-Z). Caracteres subsequentes devem ser alfabéticos, numéricos ( 0-9 ),
ou o underscore ( _ ). Além disso, os nomes não podem ultrapassar o limite máximo
estabelecido de 32 caracteres (HUMMEL; THORNBURG, s.d.).
Letras maiúsculas não são diferenciadas das minúsculas, por exemplo, as

palavras Frentes, frentes e FRENTES não são diferenciadas pelo LINGO (HILLIER;
LIEBERMAN, 2006).
127
Considerando o Exemplo Proposto 4, para que a Restrição para a quantidade

total de minério deslocada de cada frente (Eq.76) seja nomeada por “Desloc” pode
ser feito a rotulagem conforme mostrado na sequência:
( () , - ( () ( )) ( ))
Entre colchetes o nome “Desloc” está sendo utilizado para a nomeação da

expressão ( () ( )) da Restrição considerada.
5.3. COMENTÁRIOS
Em modelos grandes é muito comum a inserção de comentários para a

explicação de termos ou mesmo de Restrições visando facilitação do entendimento,
utilização e mesmo da manipulação do modelo pelos usuários do LINGO.
Um comentário pode ser inserido no modelo pelo uso de um sinal de

exclamação (!) como demarcação do início do comentário e um ponto e vírgula (;)
para a demarcação de seu fim (HILLIER; LIEBERMAN, 2006).
Por exemplo:
!A quantidade total de minério deslocada de cada frente corresponde ao somatório das

quantidades individuais, deslocadas por cada uma das frotas;
. () , - ( () ( ))/
Os textos nos comentários são apresentados no LINGO com a cor verde

(HUMMEL; THORNBURG, s.d.).
5.4. SOLUÇÃO DO MODELO E ANÁLISE DE SENSIBILIDADE NO LINGO
Para solucionar um modelo criado no LINGO, basta clicar sobre o ícone “alvo”
ou “solve” localizado na parte superior da janela do programa na barra de comandos
Caso haja erros no modelo aparecerá uma mensagem de alerta assim que for
solicitado a solução do modelo. Do contrário, aparecerá uma tela com algumas
128
informações úteis, como o número de iterações utilizadas para resolver o problema,

número total de variáveis e restrições e sua classificação, tempo gasto para o
processamento, valor da Função Objetivo, etc. Fechando-se esta tela, aparecerá
uma janela com os valores das Variáveis Básicas e algumas indicadores para
Análise de Sensibilidade do Problema (HUMMEL; THORNBURG, s.d.).
Antes de se realizar a Análise de Sensibilidade no LINGO é preciso ativar

esta opção. Para isso, clique no menu LINGO, depois em OPTIONS. Selecione a
aba GENERAL SOLVER e escolha a opção PRICES & RANGES no campo DUAL
COMPUTATIONS (GOMES JÚNIOR; SOUZA, 2004).
Conforme apontado por Alves, Costa, Guimarães, Martins e Souza [s.d.], o

estudo do impacto da variação dos valores dos parâmetros do modelo podem ser
realizado por intermédio da Análise “E se...”.
Suponha a existência de um parâmetro de valor que pode variar, por

exemplo, a quantidade de caminhões disponíveis para o transporte do material
desmontado nas operações de lavra. Suponha também que este parâmetro seja
denotado por “ncam”. Para analisar a sensibilidade do modelo com relação a este
parâmetro pode ser feita a utilização de um sinal de interrogação (?) na identificação
do referido parâmetro, desta forma o LINGO o identificará como uma valor ajustável
assim como mostrado na sequência:
DATA:
ncam = ?;
ENDDATA
Sempre quando um parâmetro é identificado como um valor ajustável, o

LINGO exibe uma caixa de diálogo no momento em que o usuário chamar pela
resolução do modelo construído, tal como pode ser visto na Figura 22 (ALVES;
COSTA; GUIMARÃES; MARTINS; SOUZA, s.d.).
129
Figura 22 – Caixa de Diálogo para parâmetros variáveis do modelo
Fonte: Alves, Costa, Guimarães, Martins e Souza [s.d.]
Antes do modelo de PL ser resolvido é possível inserir um valor desejado

para os parâmetros considerados como valores ajustáveis. Dessa forma, vários
cenários para o problema podem ser avaliados.
Para gerar o relatório completo de Análise de Sensibilidade do modelo criado

no LINGO, basta acessar o comando RANGE no menu do programa (HILLIER;
LIEBERMAN, 2006).
O relatório de solução do LINGO apresenta indicadores úteis no estudo da

sensibilidade dos parâmetros do modelo, dentre os quais podem ser destacados
(HUMMEL; THORNBURG, s.d.):
 REDUCED COST (Custo Reduzido): é obrigatoriamente zero para uma

variável incluída na solução ótima, ou seja, uma variável do tipo Básica, de
valor não nulo. Por outro lado, indica quanto o valor da Função Objetivo pode
ser diminuído (para um problema de maximização) ou aumentado (para um
problema de minimização) caso uma unidade de uma dada Variável Não
Básica do modelo (de valor nulo) seja incluída na solução;
 SLACK or SURPLUS (Folga ou Excedente): este indicador mostra
quão rígido é uma Restrição. Se zero, indica que a solução encontra-se no
Limite de Restrição correspondente à Restrição analisada. Se for positiva, a
Solução apontada satisfaz a Restrição analisada e o valor numérico deste
indicador representa o quanto a Variável Básica correspondente à Restrição
analisada pode ser aumentada antes desta Restrição ser violada. Por fim, se
negativo, indica que a Restrição analisada foi violada;
130
 DUAL PRICE ou SHADOW PRICE (Preço Dual ou Preço Sombra):

indica quanto o valor da Função Objetivo do modelo de PL pode ser
melhorado ou piorado quando o Termo Independente de alguma Restrição for
aumentado em uma unidade.
131
6. EXEMPLOS DA APLICAÇÃO DA PROGRAMAÇÃO LINEAR NA

MINERAÇÃO
O acervo de trabalhos envolvendo a aplicação da Programação Linear em

atividades de mineração é bastante limitado (MERSCHMANN, 2002 apud PANTUZA
JÚNIOR, 2011).
Além disso, parece existir uma tendência, a de que estes trabalhos estejam
sendo orientados preferencialmente para atividades de lavra.
Neste capítulo serão comentados exemplos de aplicação da Programação

Linear na mineração a partir de alguns trabalhos encontrados na literatura. Estes
trabalhos encontram-se sumarizados na Tabela 28.
Tabela 28 – Trabalhos voltados à aplicação da PL na mineração

TÍTULO INFORMAÇÕES
Planejamento da Produção e Categoria: Dissertação de Mestrado;
Mistura de Carvão Mineral: Autor(es): Antônio Carniato;
Programação Matemática e Orientador(es): Prof. Dr. Eduardo Camponogara;
Estudo de Caso Número de páginas: 139;
Ano da publicação: 2005;
Área de concentração: Automação e Sistemas;
Instituição: Universidade Federal de Santa Catarina;
Aplicação da PL: Lavra e beneficiamento de carvão
mineral;
Extensões da PL utilizadas: Programação Linear Inteira
Mista;
Software utilizado: Não Informado;
Abordagem Probabilística em Categoria: Dissertação de Mestrado;
um Modelo de Programação Autor(es): José Adolfo de Carvalho Júnior;
Linear Aplicado ao Orientador(es): Prof. Dr. João Felipe Coimbra Leite Costa;
Planejamento Mineriro Número de páginas: 136;
Ano da publicação: 2006;
Área de concentração: Metalurgia Extrativa e Tecnologia
Mineral;
Instituição: Universidade Federal do Rio Grande do Sul;
Aplicação da PL: Lavra e beneficiamento de carvão
mineral;
Extensões da PL utilizadas: Programação Linear por
Metas e Inteira Mista;
Software utilizado: What’s Best 7.0 ( versão educacional).
Simulação das Operações de Categoria: Dissertação de Mestrado;
Lavra da Mina de Brucutu Autor(es): Aldrin Gustavo Martins;
Utilizando um Modelo de Orientador(es): Prof. Dr. Adilson Curi e Prof. Dr. Ivo Eyer
Programação Linear para Cabral;
132
Alocar os Equipamentos de Número de páginas: 95;

Carga Ano da publicação: 2013;
Área de concentração: Lavra de Minas;
Instituição: Universidade Federal de Ouro Preto;
Aplicação da PL: Planejamento Operacional de Lavras;
Metas e Inteira;
Software utilizado: LINGO;
Um Modelo de Programação Categoria: Artigo Científico;
Matemática para Alocação Autor(es): Felipe Pereira da Costa, Marcone Jamilson
Estática de Caminhões Freitas Souza e Luiz Ricardo Pinto.
Visando ao Atendimento de Número de páginas: 5;
Metas de Produção e Ano da publicação: 2005;
Qualidade Área de concentração: Lavra de Minas;
Aplicação da PL: Planejamento Operacional de Lavra;
Software utilizado: LINGO versão 7.0;
Métodos de Otimização Categoria: Dissertação de Mestrado;
Multiobjetivo e de Simulação Autor(es): Guido Pantuza Junior;
Aplicados ao Problema de Orientador(es): Prof. Dr. Marcone Jamilson Freitas Souza
Planejamento Operacional de e Prof. Dr. Ivo Eyer Cabral;
Lavra em Minas a Céu Número de páginas: 103;
Aberto. Ano da publicação: 2011;
Um Modelo de Programação Categoria: Artigo Científico;
Matemática para o Problema Autor(es): Guido Pantuza Junior e Marcone Jamilson
de Planejamento de Lavra Freitas Souza;
Considerando o Método de Número de páginas: 14;
Lavra Seletiva. Ano da publicação: 2010;
Um Modelo de Programação Categoria: Dissertação de Mestrado;
Matemática para Otimizar a Autor(es): Edilaila Fernandes Moraes;
Composição de Lotes de Orientador(es): Prof. Dr. Marcone Jamilson Freitas Souza;
Minério de Ferro da Mina Número de páginas: 89;
Cauê da CVRD. Ano da publicação: 2005;
Aplicação da PL: Blendagem de minérios;
133

É importante frisar que, geralmente, cada problema real apresenta suas

particularidades. Mesmo que envolvam o mesmo tipo de atividade, por exemplo, a
alocação de equipamentos nas frentes de lavra, ainda assim, a forma de se
trabalhar, as restrições operacionais, os recursos, as estratégias de produção, enfim,
a estruturação do problema como um todo, pode diferir mais ou menos intensamente
de um problema para outro. Por outro lado, na prática, mesmo que o problema seja
exatamente o mesmo, cada profissional ou equipe tem uma maneira particular de
resolve-lo e a Programação Linear permite isso pelo uso da criatividade do(s)
usuário(s) na construção do modelo de programação para o problema considerado.
Seguramente que os resultados serão diferentes, melhores ou piores, a depender do
grau de conhecimento da equipe envolvida no estudo em relação à PL e ao
processo ou realidade analisada.
6.1. APLICAÇÕES DA PL NAS OPERAÇÕES MINEIRAS
6.1.1. Blendagem de Minérios
A blendagem de minérios consiste na mistura de diferentes tipos de minérios

de características distintas. O objetivo da blendagem é a obtenção de um produto
final que atenda às especificações de produção e de qualidade definidas para o
atendimento das necessidades da usina de beneficiamento ou de algum cliente
externo (COSTA; PINTO; SOUZA, 2005).
Os pátios de estoque e retomagem de minério para alimentação da usina de

beneficiamento correspondem aos ambientes de trabalho com aplicação mais
intensa das operações de blendagem, embora esta atividade também tenha de ser
considerada no planejamento das operações de lavra.
Alguns dos pontos mais importantes levados em consideração na construção

de um modelo matemático para um problema de blendagem de minérios segundo os
trabalhos levantados neste estudo são listados na sequência:
134
 Cada pilha ou frente de minério possui características distintas em

termos da qualidade do material;
 A mistura, produto da blendagem, deve atender às metas de produção
e qualidade pré-definidas;
 Existem algumas Restrições operacionais que devem ser obedecidas.
Estas Restrições variam de acordo com os procedimentos operacionais
estabelecidos em cada empreendimento mineiro. No estudo elaborado por
Moraes (2005), por exemplo, devem ser consideradas duas posições de
recuperação nas pilhas de minério para a blendagem mineral: a posição
superior e a inferior, e uma das Restrições operacionais que devem ser
obedecidas é que só se pode retirar minério da parte inferior de uma pilha se
o minério da parte superior da pilha subsequente já tiver sido retirado.
Benefícios Obtidos ou Esperados da Aplicação da PL:
O uso da PL permite a geração de soluções de qualidade superiores e em

tempo bem menores que as soluções obtidas da forma convencional praticada em
grande parte das mineradoras, ou seja, a forma baseada na tentativa e erro com
auxílio de programas de planilhas como o Microsoft Excel. O tempo economizado na
determinação da solução de um problema de blendagem devido à aplicação da PL
pode ser utilizado pelo operador para que o mesmo possa analisar outras
configurações ou cenários possíveis antes de tomar a decisão de qual solução
adotar para a retomagem dos minérios (MORAES, 2005).
6.1.2. Planejamento Operacional de Lavra
A maior parte dos trabalhos levantados tem aplicação no Planejamento

Operacional de Lavra. De acordo com Costa, Pinto e Souza (2006), o principal
objetivo dos estudos de PL envolvidos nesta atividade é a alocação de
equipamentos de carga e transporte entre as diversas frentes de lavra disponíveis. É
através desta alocação de equipamentos que se determina o número de viagens de
cada caminhão a cada uma das frentes de lavra ativas, definindo assim o seu ritmo
de produção, seja de minério e/ou estéril.
Alguns dos pontos mais importantes levados em consideração na construção

do modelo matemático para os problemas de alocação de equipamentos nas
135
operações de lavra apontados pelos trabalhos levantados são destacados na

sequência:
 Cada frente de minério possui características de qualidade distintas,

tais como: o teor de elementos químicos críticos no processamento mineral, a
distribuição destes teores nas diferentes faixas granulométricas das frentes
de lavra em atividade, etc;
 A mistura dos minérios extraídos de cada uma das frentes de lavra
ativas devem atender às metas de qualidade e produção pré-estabelecidas.
Conforme destaca Costa, Pinto e Souza (2005), estas metas são
estabelecidas de modo a minimizar as flutuações na alimentação das usinas
de beneficiamento para que o processamento do minério torne-se mais
eficiente e econômico;
 A quantidade de material desmontado movimentada, seja de estéril ou
minério, é limitada pela capacidade e disponibilidade dos equipamentos de
carga e transporte em atividade;
 Muitos trabalhos consideram uso de frota heterogênea, com diferentes
capacidades;
 Um caminhão de transporte só deve ser alocado a uma frente de lavra
onde tenha sido alocado um equipamento de carga de dimensão compatível;
 Para a liberação de novas frentes de minério e para a abertura de
acessos necessários para o deslocamento na mina pode ser feito a imposição
de uma relação estéril/minério mínima que deve ser obedecida;
 Devido à possibilidade de não atingimento de algumas das metas pré-
definidas, podem ser admitidos intervalos mínimos e máximos (desvios) de
produção e qualidade para a mistura de minérios lavrados. A cada desvio
admitido pode ser atribuída uma penalidade no valor da Função Objetivo tal
como discutido anteriormente neste trabalho (Tópico 4.8.2);
 Cada frente de lavra possui uma quantidade limitada de material
(minério e/ou estéril) que pode ser movimentada.
O Planejamento Operacional de Lavra emprega dois sistemas básicos de

alocação de caminhões, a saber:
 Alocação Dinâmica de Caminhões;

136
 Alocação Estática de Caminhões.
Na Alocação Dinâmica de Caminhões cada caminhão disponível pode ser

alocado à diferentes frentes de lavra após cada descarga de material transportado.
Como pontos positivos deste sistema de alocação destacam-se a diminuição do
tempo de fila e aumento da taxa de utilização dos caminhões. Quando se opta pela
alocação dinâmica, na prática, faz-se necessário a utilização de algum sistema
eletrônico de despacho, que é utilizado para a determinação do sequenciamento das
viagens dos caminhões às diversas frentes de lavra disponíveis (PANTUZA JÚNIOR,
2011).
Na Alocação Estática de Caminhões cada caminhão só pode ser alocado a

uma única frente de trabalho. Este tipo de alocação tem maior aplicação em minas
de pequeno porte. Primeiro, porque possibilita uma operação mais simples,
segundo, por apresentar um mais baixo custo de implementação uma vez que
dispensa o uso de sistema eletrônico de despacho de caminhões (COSTA; PINTO;
SOUZA, 2013).
A maioria dos trabalhos levantados neste estudo considera que uma frente de
lavra só pode ser ou de minério ou de estéril. Em contrapartida, o trabalho
apresentado por Pantuza Júnior e Souza (2010) tem como proposta, o emprego de
uma metodologia de lavra seletiva, onde se passa a considerar não só a existência
de frentes formadas ou por minério, ou por estéril mas também por ambos materiais
(minério e estéril), sendo estas últimas designadas por frentes mistas.
Nas frentes mistas, para retirar o material que se encontra na parte inferior,
antes é necessário retirar todo o material da parte superior. Por exemplo, para retirar
o minério que se encontra na parte inferior, antes é necessário retirar todo o estéril
que cobre este minério (PANTUZA JÚNIOR; SOUZA, 2010).
Uma consideração feita por Martins (2013) na construção de seu modelo foi a
divisão e subdivisão das frentes em “blocos” e “subblocos”, respectivamente. Esta
divisão foi feita para considerar no modelo o sequenciamento da lavra implicando
assim em novas restrições a serem consideradas.
Para Pantuza Júnior (2011), alguns dos trabalhos de alocação dinâmica de

caminhões podem não apresentar resultados práticos aplicáveis pela
137
desconsideração da taxa de utilização e do tempo de ciclo real dos equipamentos

envolvidos.
Alguns dos fatores que podem influenciar no tempo de ciclo dos

equipamentos alocados nas atividades de lavra, de acordo com Pantuza Júnior e
Souza (2010) são: tipo de material transportado, modelo do equipamento de
transporte, frente de origem e ponto de descarga devido à distância percorrida.
De acordo com Pantuza Júnior (2011), devido a questões ambientais, as

pilhas de estéril estão ficando cada vez mais distantes de seu local de remoção
(frentes de lavra). O resultado disso é que o tempo de deslocamento gasto por cada
caminhão no transporte de estéril tem se mostrado maior do que para o transporte
de minério. Dessa maneira pode ser justificado a consideração no modelo de pelo
menos dois pontos de descarga do material desmontado, um para o minério e outro
para o estéril. Por outro lado, Martins (2013), ainda considera diferentes pontos de
descarga para o minério devido as diferentes qualidades deste material lavrado.
O problema do planejamento operacional de lavra pode usar de uma

abordagem multiobjetivo a partir da determinação de várias metas, assim como
acontece em vários dos trabalhos encontrados na literatura. Os objetivos (metas)
variam de trabalho a trabalho, mas alguns dos mais utilizados são os seguintes:
 Minimizar desvios em relação às metas de produção e qualidade pré-

definidas;
 Minimizar o número de caminhões utilizados;
 Maximização da quantidade de minério alimentada nos britadores.
Beneficios Obtidos ou Esperados da Aplicação da PL:
Na maioria das empresas brasileiras, as operações de transporte e

carregamento na lavra são ainda planejadas com base em métodos de tentativa e
erro utilizando planilhas eletrônicas. Esta abordagem empírica baseada somente na
experiência pessoal resulta geralmente em desperdícios de recursos e ineficiência
do processo produtivo como um todo (PANTUZA JÚNIOR; SOUZA, 2010).
De uma maneira geral, os trabalhos levantados demonstram que é possível

melhorar o rendimento e produtividade das operações de transporte e carregamento
138
nas atividades de lavra e outras relacionadas pela simples utilização da

programação linear como ferramenta de auxílio na tomada de decisões e no
planejamento da lavra.
6.1.3. Lavra e Beneficiamento de Carvão
Dois dos trabalhos levantados tratam da aplicação da programação linear na

lavra e beneficiamento de carvão mineral.
Alguns dos pontos principais considerados no modelamento do problema

apresentado por Carvalho Júnior (2006), são listados na sequência:
 O método de extração do carvão é em céu aberto: Método de Lavra em

Tiras;
 Diferentes camadas de carvão de qualidades diferentes;
 Cada tipo de carvão apresenta uma capacidade máxima de extração
por período;
 Cada tipo de carvão apresenta índices de recuperação distintos para
cada tipo de produto desejado;
 Formação de estoque de carvões de diferentes qualidades para o
atendimento da produção demandada no decorrer do tempo;
 O carvão liberado e desmontado deve passar por um circuito de
britagem de capacidade limitada ou ser estocado em uma pilha de minério
para ser britado em um período posterior;
 O carvão cominuido disponível no período corrente deve ser alocado
para um dos lavadores (plantas de beneficiamento) de carvão do problema;
 Cada lavador de carvão disponível é regulado em uma determinada
configuração de operação o que implica em recuperações distintas para os
diferentes tipos de carvão processados;
 Para que a otimização da produção seja obtida, parte do carvão
alocado a um lavador é beneficiado imediatamente e a outra parte é estocada
para uso em um período posterior;
 A qualidade do produto da cominuição em cada britador depende da
sua própria configuração de operação e do tipo de carvão por ele processado;
139
 Para a obtenção de um produto dentro das especificações do mercado,

na prática, é necessário realizar misturas de diferentes lotes de carvão
processado de modo a homogeneizar e corrigir eventuais desvios nos teores
dos elementos contaminantes;
 Produtos de maior pureza demandam reprocessamento de
subprodutos previamente obtidos;
 Dependendo da frente de carvão e do produto para o qual esta mesma
frente foi beneficiada, o rejeito do processo pode ser aproveitado a partir de
sua relavagem (reprocessamento);
 Em função de interesses estratégicos, políticos e contratuais,
independente da rentabilidade obtida, faz-se necessário o atendimento da
demanda mínima do mercado;
 Possibilidade de aquisição de carvões de terceiros para atendimento às
exigências de mercado na produção do produto final da blendagem.
Beneficios Obtidos ou Esperados da Aplicação da PL:
Um dos benefícios da aplicação da PL é a identificação das estratégias de

produção mais lucrativas sem a necessidade de maiores investimentos. Também é
destacado como beneficio da aplicação da PL a análise rápida dos impactos
resultantes de possíveis alterações sobre o processo produtivo do carvão antes de
serem efetivamente implementadas.
6.2. USO DA SIMULAÇÃO COMPUTACIONAL COMO FERRAMENTA

COMPLEMENTAR À PROGRAMAÇÃO LINEAR
A simulação permite, através de técnicas matemáticas, imitar o

funcionamento de, praticamente, qualquer tipo de operação ou processo do mundo
real (FREITAS, 2001 apud CARVALHO JÚNIOR, 2006).
Martins (2013) aponta a Simulação como a técnica de Pesquisa Operacional

mais utilizada. Esta atribuição segundo o autor se deve as características distintivas
da ferramenta em destaque: “flexível, poderosa e intuitiva”.
140
Diferente da Programação Linear, a Simulação não garante a obtenção de

resultados ótimos, mas permite a avaliação de diferentes cenários possíveis por
meio da reprodução da sucessão dos eventos de um dado processo ao longo do
tempo. A natureza probabilística de alguns destes eventos pode também ser
reproduzida pela Simulação, por exemplo, a possibilidade de parada temporária do
processo devido a falha de algum equipamento no curso do tempo. (CARVALHO
JÚNIOR, 2006).
Em vários dos trabalhos levantados neste estudo, a Simulação é utilizada

como técnica complementar à Programação Linear. As principais aplicações da
Simulação destacadas nestes trabalhos são listadas na sequência:
 Validação do modelo matemático de PL para o problema estudado pela

execução dos resultados apontados pela resolução deste modelo;
 Para o planejamento operacional da lavra: definir o sequenciamento de
viagens realizadas pelos caminhões a partir das respostas apontadas pela
PL;
 Para o planejamento operacional da lavra: previsão dos tempos de fila
dos caminhões de forma a validar ou não a programação da produção obtida
a partir dos resultados apontados pelo estudo da Programação Linear. No
trabalho de Pantuza Júnior (2011), quando uma resposta da PL não
respondia bem aos vários cenários criados pela Simulação, o autor indicava
que alguma modificação no modelo matemático da PL deveria ser
implementada, por exemplo, a consideração dos tempos de fila médios dos
caminhões pelo aumento do tempo de ciclo destes equipamentos no modelo;
 Avaliação do risco associado à decisão ótima apontada pela
Programação Linear devido ao impacto no modelo matemático de PL
causado pelos parâmetros de processo de comportamento estocástico (de
valores imprevisíveis).
6.3. EXEMPLO DE APLICAÇÃO DA PROGRAMAÇÃO LINEAR:

ALOCAÇÃO ESTÁTICA DE EQUIPAMENTOS DE CARREGAMENTO E
TRANSPORTE NA LAVRA
141
Nesta seção será apresentado, para fins de exemplificação, o modelamento

de um problema de alocação estática de equipamentos de carregamento e
transporte em um conjunto de frentes de lavra extraído do artigo elaborado por
Costa, Pinto e Souza (2005).
Na prática, um modelo inicial simplificado é escrito para um determinado

problema e este serve de base para aplicação em outros problemas similares em
novos trabalhos, e no desenvolver destes trabalhos; melhorias, implementações e
adaptações são feitas no modelo.
O modelo descrito nesta seção pode ser utilizado como base de referência
para aplicação em diversos problemas afins.
6.3.1. Restrições Funcionais do Modelo
Restrição de Não Negatividade para a quantidade movimentada de cada

frente de lavra:
( )
 xi Quantidade a ser deslocada da Frente i (Variável de Decisão –

t/h);
 F Conjunto de Frentes (i).
Atendimento à relação estéril/minério mínima:
∑ ∑ ( )
 rem Relação estéril/minério (Parâmetro);

 E Conjunto derivado de Frentes de Estéril;
 M Conjunto derivado de Frentes de Minério.
Máximo de minério a ser produzido:
∑ ( )
 Pu Quantidade máxima de minério a ser removido do conjunto de

Frentes F (Parâmetro – t/h).
142
Mínimo de minério a ser produzido:
∑ ( )
 Pl Quantidade mínima de minério a ser removido do conjunto de

Frentes F (Parâmetro – t/h).
O desvio de qualidade é medido por:
∑( ) ( )
 tij Teor do elemento químico j na frente i (parâmetro - %);

 trj Teor recomendado para o elemento químico j no produto final ,
ou seja, do minério total deslocado de todas as frentes (parâmetro - %);
 Desvio negativo para o teor do elemento químico j no produto
final (Variável de Decisão – t/h);
 Desvio positivo para o teor do elemento químico j no produto
final (Variável de Decisão – t/h);
 S Conjunto dos parâmetros de qualidade analisados do minério.
O desvio de produção é medido por:
∑ ( )
 Pr Quantidade recomendada de minério extraído do conjunto de

Frentes F (Parâmetro – t/h)
 P- Desvio negativo da quantidade de minério extraída do conjunto
de Frentes em relação ao recomendado (Variável de Decisão – t/h);
 P+ Desvio positivo da quantidade de minério extraída do conjunto
de Frentes em relação ao recomendado (Variável de Decisão – t/h);;
Limite máximo para os parâmetros de qualidade na mistura de minério

deslocados das frentes de lavra:
∑( ) ( )
143
 tuj teor máximo admissível para o elemento químico j no produto

final (parâmetro - %).
Limite mínimo para os parâmetros de qualidade na mistura de minério

deslocados das frentes de lavra:
∑( ) ( )
 tlj teor mínimo admissível para o elemento químico j no produto

final (parâmetro - %).
Cada frente de lavra deve possuir apenas um equipamento de carga:
∑ ( )
 yik Variável binária (Quando yik = 0 a carregadeira k deve ser

alocada à Frente i, caso contrário yik = 1).
Cada equipamento de carga deve operar em uma única frente:
∑ ( )
 C Conjunto de equipamentos de carga.
Limitação da quantidade de minério deslocado de cada Frente pela

capacidade de produção máxima da carregadeira alocada correspondente:
∑ ( )
 Csk Produção máxima do equipamento de carga k (Parâmetro - t/h).
Limitação do ritmo de lavra de cada Frente pela capacidade de produção

mínima da carregadeira alocada correspondente:
∑ ( )
 Clk Produção mínima do equipamento de carga (Parâmetro – t/h).

144
Cada caminhão deve estar alocado a somente uma frente de lavra:
∑ ( )
 zil Variável Binária (1, se o caminhão l opera na frente de lavra i. 0

caso contrário);
 V Conjunto de equipamentos de transporte.
Limitação da quantidade de minério removida da Frente i pela capacidade

máxima de transporte dos caminhões alocados para esta Frente:
∑ ( )
 Vuil Produção máxima do caminhão l alocado à frente i (Parâmetro –

t/h).
Um caminhão só é alocado em frentes que tenha sido alocado um

equipamento de carregamento compatível:
∑ ( )
 glk Parâmetro (1 se o caminhão l é compatível com o equipamento

de carga k. 0 caso contrário).
Limitação do número máximo de caminhões alocados a uma Frente para

prevenção da formação de filas:
∑ ( )
 ui Número máximo de caminhões que operam na frente i

(Parâmetro).
A produção máxima de cada veículo em cada uma das frentes de lavra:
( )
145
 capl Capacidade de carga do caminhão l (Parâmetro – toneladas);

 tti Tempo total de ciclo dos caminhões na Frente i (Parâmetro –
min).
Número máximo de caminhões por frente é definido por:
( )
 tci Tempo de carga dos caminhões na Frente i (Parâmetro – min).
6.3.2. Função Objetivo
A Função Objetivo apresentada no trabalho de Costa, Pinto e Souza é

marcada pela contribuição de várias parcelas, ou seja, é multiobjetivo e segue o
modelo padrão para Programação Linear por Metas apresentado neste trabalho
(Tópico 4.10.2).
Além da maximização da produção busca-se a minimização dos desvios de

qualidade e produção definidos nas Restrições funcionais do modelo:
*(∑ ) (∑ ) (∑ )+ ( )
 ei Economia obtida, por toneladas por hora, com a utilização do

minério proveniente da frente i (Parâmetro – toneladas);
 Penalidade por desvio negativo do elemento químico j no
produto final;
 Penalidade por desvio positivo do elemento químico j no produto
final;
 Penalidade por desvio negativo na quantidade de minério
extraída;
 Penalidade por desvio positivo na quantidade de minério
extraída.
146
7. CONSIDERAÇÕES FINAIS
Muitos benefícios podem ser obtidos da aplicação da Programação Linear,

dentre os quais se destacam aqueles de ordem econômica. Em contrapartida, sua
aplicação na mineração mostra-se hoje bastante limitada. Isto se deve não pela
dificuldade na implementação da técnica no segmento mineral, mas pela falta de
estudos realizados por parte dos profissionais da área. A elaboração e divulgação de
materiais voltados especificamente para os estudantes, professores e demais
profissionais da mineração, tal como foi a proposta deste trabalho em particular,
pode ajudar a mudar esta realidade.
São encontrados na literatura uma grande quantidade de modelos e

problemas típicos de PL já consagrados. Estes podem ser adaptados e utilizados em
diversas aplicações práticas. Os modelos construídos para o problema de
blendagem de minérios, por exemplo, tem forte inspiração no problema da mistura
mencionado neste trabalho (Seção 4.1). Também pode ser destacado os Problemas
de Fluxo em Rede, base para o modelamento da alocação dinâmica de caminhões
nas operações de lavra apresentado no trabalho de Pantuza Júnior (2011).
Tal como destacado no capítulo 6, aparentemente, a maioria das aplicações

da PL na mineração tem sido concentradas em apenas algumas poucas atividades
do setor, com destaque para o planejamento operacional de lavra. Em contrapartida,
a Programação Linear apresenta ampla faixa de aplicação e pode com isso ser
explorada de forma mais abrangente, com aplicação tanto na lavra como na
pesquisa, caracterização e tratamento mineral.
Este trabalho conseguiu reunir três discussões importantes que podem ser
absorvidos pelo engenheiro de minas, em formação na academia ou mesmo o
profissional, já em atividade:
 A apresentação formal de uma técnica que pode se mostrar bastante

útil na sua formação e carreira: A Programação Linear (Capítulo 4);
 Um caminho para a aplicação desta técnica (Capítulo 5);
 Uma visão de como esta técnica tem sido aplicada no ramo de
atividade de interesse: a mineração (Capítulo 6).
147
Como sugestão para trabalhos futuros, pode ser feito um levantamento dos
PPL’s já consagrados na literatura e a partir destes discutir novas aplicações da
Programação Linear nas atividades de mineração.
148
REFERÊNCIAS
ALVES, J. C. B.; COSTA; T. A.; GUIMARÃES, F. A. C.; MARTINS, A. X.; SOUZA, M.

J. F. Pesquisa Operacional Aplicada à Mineração. Notas de Aula. Universidade
Federal de Ouro Preto [s.d].
ARAÚJO, P. F. da Silva. Programação Linear e suas Aplicações: Definição e

Métodos de Soluções. 2013. 114 f. Trabalho de Conclusão de Curso. Programa de
Pós Graduação do Instituto de Matemática e Estatística da Universidade Federal de
Goiás. Goiânia, 2013.
BORNSTEIN, C. T.; BREGALDA, P. F.; OLIVEIRA, A. A. F. Introdução à

Programação Linear. 3 ed. Rio de Janeiro: Editora Campus. 1988.
CALÔBA, G. M.; LINS, M. P. E. Programação Linear. Editora Interciências. Rio de

Janeiro, 2006.
CARNIATO, A. Planejamento da produção e mistura de carvão mineral:

programação matemática e estudo de caso. 2005. 139 f. Dissertação de Mestrado
– Automação e Sistemas. Programa de Pós Graduação em Engenharia Elétrica,
Universidade Federal de Santa Catarina, Florianópolis, 2005.
CARVALHO JÚNIOR, José Adolfo de. Abordagem probabilística em um modelo

de programação linear aplicado ao planejamento minério. 2006. 136 f.
Dissertação de Mestrado – Metalurgia Extrativa e Tecnologia Mineral. Programa de
Pós Graduação em Engenharia de Minas, Universidade Federal do Rio Grande do
Sul, Porto Alegre, 2006.
COSTA, F. P.; PINTO, L. R.; SOUZA, M. J. F. Um modelo de programação

matemática para alocação estática de caminhões visando ao atendimento de metas
de produção e qualidade. Revista da Escola de Minas – REM, Ouro Preto, v. 58, n.
1, p. 77-81, jan. mar. 2005. Disponível em: http://www.scielo.br/scielo.php?pid=S0370-
44672005000100013&script=sci_arttext. Acesso em: 4 jan. 2013.
GOMES JÚNIOR, A. de C.; SOUZA, M. J. F. Softwares de Otimização: Manual de

Referência. Programa Pró-Ativa da Universidade Federal de Ouro Preto, 2004.
HILLIER, F. S.; LIEBERMAN, G. J. Introdução à Pesquisa Operacional. 8 ed. São

Paulo: MsGraw-Hill, 2006.
149
HUMMEL, A.; THORNBURG, K. Lingo 8.0 Tutorial. [S.n.t.]
MARTINS, A. G. Simulação das operações de lavra da Mina de Brucutu

utilizando um modelo de programação linear para alocar os equipamentos de
carga. 2013. 85 f. Dissertação de Mestrado – Lavra de Minas. Programa de Pós
Graduação em Engenharia Mineral, Universidade Federal de Ouro Preto, Ouro
Preto, 2013.
MORAES DA SILVA, A. C. Investigação Operacional: Programação Linear.

Apostila de Investigação Operacional, 2006.
MORAES, E. F. Um modelo de programação matemática para otimizar a

composição de lotes de minério de ferro da Mina Cauê da CVRD. 2005. 89 f.
Dissertação de Mestrado – Lavra de minas. Programa de Pós Graduação em
Engenharia Mineral, Universidade Federal de Ouro Preto, Ouro Preto, 2005.
PANTUZA JÚNIOR, G. Métodos de otimização multiobjectivo e de simulação

aplicados ao problema de planejamento operacional de lavra em minas a céu
aberto. 2011. 103 f. Dissertação de Mestrado – Lavra de Minas. Programa de Pós
Graduação em Engenharia Mineral, Universidade de Ouro Preto, Ouro Preto, 2011.
PANTUZA JÚNIOR, G.; SOUZA, M. J. F. S. Um modelo de programação

matemática para o problema de lavra considerando o método de lavra seletiva.
Artigo Científico. Bauru, SP, 2010.
PEREIRA DOS SANTOS, M. Programação Linear. Rio de Janeiro: Universidade

Federal do Rio de Janeiro, 2000.

Bruno Ferreira Melo

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

Bruno Ferreira Melo

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE GOIÁS - UFG

CAMPUS CATALÃO - CAC

BRUNO FERREIRA MELO

PROGRAMAÇÃO LINEAR: TEORIA E EXEMPLOS DE

PROGRAMAÇÃO LINEAR: TEORIA E EXEMPLOS DE

Trabalho de conclusão de curso,

Orientador: Dr. Henrique Senna Diniz Pinto

Melo, Bruno Ferreira

Orientador: Profo. Dr. Henrique Senna Diniz Pinto.

1. Programação linear. 2. Engenharia de Minas. 3. Mineração. I. Título

A Programação Linear, tema central deste trabalho, consiste de uma técnica

Palavras-chave: programação linear; engenharia de minas; mineração.

Ao longo da vida, frequentemente, um indivíduo é conduzido a situações onde

A Programação Linear é uma técnica de auxílio na tomada de decisões

Outras técnicas de PO para tomadas de decisão podem ser aplicadas

As técnicas de PO em sua grande maioria tem como ponto de partida a

No âmbito da PL, o modelo matemático deve ser construído por meio de um

obedecida para reprodução do funcionamento adequado do processo em estudo.

O conjunto de Restrições do modelo gira em torno de um objetivo a ser

Na Programação Linear, o objetivo do estudo, escrito sob a forma de uma

Um problema tratado pela técnica Programação Linear é conhecido como

Atualmente, a gama de aplicação da Pesquisa Operacional, em particular da

Os ganhos obtidos em um processo produtivo qualquer devido a aplicação da

Alguns dos exemplos da grande diversidade de aplicação bem como dos

Tabela 1 – Exemplos da aplicação da PL e da PO como um todo e seus benefícios

A grande aplicabilidade e simplicidade da técnica de Programação Linear se

De início, o único método disponível para a resolução de um modelo de PL

Grande parte desse trabalho foi dedicada à introdução da teoria da

conhecidos e utilizados na prática, o LINGO. Uma versão para estudantes desse

2.1. OBJETIVO GERAL

Elaboração de um material introdutório de linguagem acessível a estudantes,

2.2. OBJETIVOS ESPECÍFICOS

I. Revisar os fundamentos e conceitos básicos da Programação Linear

A literatura especializada no assunto registra inúmeros exemplos práticos de

O acervo de trabalhos envolvendo a aplicação da Programação Linear na

4. BASE CONCEITUAL DA PROGRAMAÇÃO LINEAR

4.1. MODELAMENTO DE UM PROBLEMA DE PROGRAMAÇÃO LINEAR

O primeiro passo na aplicação da PL é a representação matemática do

Uma maneira bastante útil e relativamente barata de se estudar indiretamente

Conforme apontado por Carvalho Júnior (2006), de uma maneira geral, os

 Dificuldade na reprodução exata de alguns dos processos estudados,

A modelagem de um problema não é uma atividade banal e depende

Para um maior esclarecimento em relação à definição e utilidade de um

SITUAÇÃO HIPOTÉTICA - Em uma mina subterrânea, um trabalhador encontra-se

O mapa da situação anteriormente apresentada é um tipo de modelo de uma

Como dito anteriormente, o modelo deverá conter apenas as informações

O grau da reprodutibilidade do modelo para com a realidade representada é

muito conhecimento e experiência em relação aos processos abrangidos no estudo.

Nessa mesma linha de raciocínio têm-se os modelos de Programação

O modelamento de um Problema de Programação Linear (PPL) envolve o

As Variáveis de Decisão correspondem às variáveis relevantes ao problema.

Num problema de transporte de minério por exemplo, o número de viagem a

Os Parâmetros de Entrada correspondem aos elementos do problema cujos

O primeiro tipo de parâmetro, os Coeficientes, são valores que sempre

O outro tipo de parâmetro corresponde aos valores que independem das

Os parâmetros em conjunto com as Variáveis de Decisão são combinados

As Restrições são formadas por um conjunto de equações e/ou inequações

Do exemplo anteriormente introduzido, como a quantidade total transportada

A Função Objetivo é a expressão matemática construída para representar o

Considere como objetivo do estudo de PL a minimização do custo de

Em suma, pode-se dizer que um modelo de PL é construído basicamente pela

O objetivo fundamental da Programação Linear é encontrar a melhor solução

Aproveitando esta linha de raciocínio, são apresentados na sequência alguns

 Solução Viável: representa a combinação de valores para as Variáveis