Escolar Documentos
Profissional Documentos
Cultura Documentos
Bruno Ferreira Melo
Bruno Ferreira Melo
CATALÃO
JANEIRO DE 2014
BRUNO FERREIRA MELO
CATALÃO
Dados Internacionais de Catalogação na Publicação (CIP)
GPT/BSCAC/UFG
CDU: 622.014
RESUMO
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
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).
2. OBJETIVOS
3. JUSTIFICATIVA
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.
De acordo com Calôba e Lins (2006), todo PPL é constituído pelos seguintes
elementos:
Variáveis de Decisão;
Parâmetros de Entrada;
Função Objetivo;
Restrições.
∑ ( )
( )
∑ ( )
{
Onde:
Modelamento:
Conjunto de Restrições:
( )
( )
( )
( )
( )
( )
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%
Fonte: autoria própria
( )
∑
( )
∑
∑
( )
∑
∑
∑ ∑ ∑ ∑
∑
∑ ∑ ∑ ∑
∑ ∑ ( )
∑ ∑ ( )
∑ ( )
( )
( )
( )
( )
( )
Este conjunto de Restrições (Equações 12, 13, 14, 15, e 16) pode ser
resumido com a seguinte representação:
( )
Função Objetivo:
28
∑ ( )
∑ ∑
∑ ∑
29
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:
Hipótese da Proporcionalidade;
Hipótese da Aditividade;
Hipótese da Divisibilidade;
Hipótese da Certeza.
( )
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.
10
5 X2 = 0
X1 = 0
0
0 1 2 3 4 5
Número de Produtos (x1 + x2)
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).
produtos, ou seja (0.5x1x2), pode ser utilizada para refletir situações de fabricação de
produtos que competem entre si.
Modelamento:
( )
( )
( )
38
( )
( )
O lucro total (LT) da produção dos produtos A e B pode ser expresso através
da seguinte função:
( )
Solução Gráfica:
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.
Para o exemplo proposto, o ponto ótimo é dado por (x1, x2) = ( , b).
( )
( )
( )
( )
( ) ( )
43
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
( ) ( ) ( ) ( )
Onde:
( )
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).
uma Solução FPE que não possua nenhuma Solução FPE adjacente que melhore o
resultado do PPL (MARTINS, 2013).
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.
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:
∑ ∑ ( )
Onde
∑ ∑ ( )
Onde
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
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.
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
( )
( )
{
( )
( )
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:
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).
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
(HILLIER; LIEBERMAN, 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.
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
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).
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.
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).
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
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).
( )
( )
{
( )
( )
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 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
( ) ( ) ( )
( ) ( )
Nas demais equações, o valor do coeficiente da Variável Básica que Entra (no
exemplo, x1), deve ser anulado (HILLIER; LIEBERMAN, 2006).
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)
Fonte: autoria própria
( )
( )
{
( )
( )
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.
Teste de Otimalidade:
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.
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).
( )
, ( )
( )
( )
( )
{
( )
( )
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.
( ) ( ) ( )
( )
{
( ) ( ) ( )
( ) ( ) ( )
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:
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.
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).
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).
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).
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.
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;
BREGALDA; OLIVEIRA, 1988).
∑
∑
∑
{
( )
( )
{
( )
( )
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.
( ) ̅̅̅
̅̅̅ ( )
( ) ̅̅̅
̅̅̅ ( )
( ) ̅̅̅
( )
Figura 20 – Expansão da Região de Soluções Viáveis pela introdução de uma Variável Artificial
(Exemplo Proposto 2)
( ) ̅̅̅
Dessa forma a Variável Artificial pode ser utilizada sem prejuízo à solução
final do problema.
( ) ̅̅̅ ̅̅̅
( ) ( ̅̅̅ ) ̅̅̅
Logo:
( ) ̅̅̅
( ) ( ) ̅̅̅
( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( )
{ ( ) ̅̅̅
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.
Onde:
Para cada Restrição funcional do modelo com sinal maior igual (≥) será
necessário a introdução de duas variáveis adicionais: uma Variável de Folga, de
88
̅ ̅
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.
Exemplificando:
∑ * + ( ) ∑
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.
̅ ̅
( ) ( ̅ ) ̅
( ) ( ) ̅
( ) ( ) ( )
minimização estes coeficientes devem ser todos positivos (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.
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).
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
4.7.1. Reotimização
apresente como um de seus membros integrantes uma pessoa que não tenha
participado da construção do modelo (HILLIER; LIEBERMAN, 2006).
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.
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).
Nestas circunstâncias, não existe solução única que otimize todas as metas
impostas (TICONA, 2003 apud PANTUZA JÚNIOR, 2011).
∑( ) ( )
Onde:
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).
( ) ( )
Onde:
x Variáveis de Decisão;
F conjunto de Restrições do modelo.
( ) ( )
( ) ( )
Modelamento:
∑
( ) ( )
∑
∑ ∑
∑ ∑
∑ ∑ ∑ ∑ ∑( )
∑( ) ( )
∑ ∑
∑ ∑
102
∑ ∑ ∑ ∑ ∑( )
∑( ) ( )
( )
∑ ∑
∑ ∑
∑ ∑ ∑ ∑ ∑( )
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:
∑( ) ( )
∑
∑
∑
∑
∑
Função Multiobjetivo:
( ) ( ) ( )
Onde:
( )
( )
( ) ( )
∑( )
∑( )
∑( )
5. INTRODUÇÃO AO LINGO
o que pode facilitar na manipulação das informações, tornando assim o estudo mais
dinâmico (CARNIATO, 2005).
Algumas das principais Funções do LINGO são listadas nas tabelas 19 e 20.
5.1.2. Simbologia
MODEL:
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
Fonte: autoria própria
111
Frentes /Frente1,Frente2,Frente3,Frente4,Frente5,Frente6,Frente7,Frente8,Frente9,
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.
( )
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.
Frentes /Frente1..Frente10 / ;
Frotas / Frota1,Frota2 / ;
FrentFrot(Frentes,Frotas);
( )
FrentFrot(Frentes,Frotas) : Custo,Qmin,QtdTransp,NV;
( ) ( ) : 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
( )
( ( ) ( ))
( )
( ( ) ( ) ( ) )
poderia ser utilizado um teste lógico em combinação com a função @FOR descrita
acima, assim:
( ( ) () ( ) ( ) )
( ( ) () ( )
( ) ( ( ) ( )))
SETS:
FrentFrot(Frentes,Frotas) : Custo,Qmin,QtdTransp,NV;
ENDSETS
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
SETS:
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.
DATA:
Taxa_de_Juros = 0.4
ENDDATA
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
Função Objetivo:
∑∑ ( )
( () ( () ( ) ( )))
( ( ) ( ) ( )))
123
Restrições:
∑
∑
∑
∑ ∑
∑
∑ ∑
Logo, a Restrição para o teor mínimo do minério total deslocado das frentes
de lavra fica:
124
∑ ∑ ( )
( () () ( )) ( ( () ( ))))
( )
( () () ( ))
Restrição 3 - Limite mínimo de minério deslocado de cada frente i por cada frota j:
( )
( ( ) ( ) ( ))
cada uma das frotas (j). Por exemplo, a quantidade total de minério deslocada da
frente 1, ou seja, Desloc1 é dada por:
( )
∑ ( )
( () ( () ( )) ( ))
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 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).
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:
( )
( ⁄ )
No LINGO o número de viagens NVij (Eq. 78) pode ser obtida da seguinte
forma:
( ( ) ( ) ( ))
( () , - ( () ( )) ( ))
5.3. COMENTÁRIOS
Por exemplo:
. () , - ( () ( ))/
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
(HILLIER; LIEBERMAN, 2006).
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
DATA:
ncam = ?;
ENDDATA
Além disso, parece existir uma tendência, a de que estes trabalhos estejam
sendo orientados preferencialmente para atividades de lavra.
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.
O modelo descrito nesta seção pode ser utilizado como base de referência
para aplicação em diversos problemas afins.
( )
∑ ∑ ( )
∑ ( )
∑ ( )
∑( ) ( )
∑ ( )
∑( ) ( )
143
∑( ) ( )
∑ ( )
∑ ( )
∑ ( )
∑ ( )
∑ ( )
∑ ( )
∑ ( )
∑ ( )
( )
145
( )
*(∑ ) (∑ ) (∑ )+ ( )
7. CONSIDERAÇÕES FINAIS
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:
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